CN112418049B - 一种基于高分遥感影像的水体变化检测方法 - Google Patents
一种基于高分遥感影像的水体变化检测方法 Download PDFInfo
- Publication number
- CN112418049B CN112418049B CN202011290853.5A CN202011290853A CN112418049B CN 112418049 B CN112418049 B CN 112418049B CN 202011290853 A CN202011290853 A CN 202011290853A CN 112418049 B CN112418049 B CN 112418049B
- Authority
- CN
- China
- Prior art keywords
- layer
- water body
- body change
- image
- convolution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于高分遥感的水体变化检测方法,该方法首先选取两幅不同时相同区域的高分遥感影像,对其进行正射校正、影像配准预处理后进行人工标注获取水体变化图,并对影像进行分割用作训练样本,之后构建水体变化检测网络模型,使用样本进行模型训练,得到水体变化检测网络模型,通过模型能够实现高效、精准的不同时相同区域的高分遥感影像的自动水体变化检测。
Description
技术领域
本发明属于遥感影像处理技术领域,具体涉及一种基于高分遥感影像的水体变化检测方法。
背景技术
陆地地表水体是重要的国土资源,包括河流、湖泊、池塘、水库、沼泽等,在工农业生成、气候调节、生态系统维持方面都有着重要作用。随着气候变化以及人类活动的影响,造成地表水体面积缩小、水量减少、生态环境恶化,对人类社会安全与经济发展都产生了重要影响,因此对地表水体的动态变化的有效监测,对水资源管理、防洪抗旱减灾、生态环境建设等工作具有重要意义。
遥感技术是开展大范围水体动态监测的有效途径,具有覆盖面广、时效性强、信息丰富、限制条件少等优势,成为近年来监测水体变化的重要技术手段。目前通过遥感影像进行水体变化检测的研究工作主要还是传统方法,即利用水体的光谱特征构建模型方法,通过如阈值法、水体指数法等提取水体信息,但是传统方法因为水体的多样性,光谱曲线也呈现出多样性,导致传统方法对水体信息的提取具有一定的局限性。深度学习的方法在水体变化检测上虽然也有一定的应用,但目前主要使用的还是低分辨率遥感影像数据源,较低的空间分辨率对最终检测结果的精确性有较大的影响。
近年来,随着中国高分辨率对地观测系统的建设,高分系列卫星覆盖了从全色、多光谱、高光谱、雷达等多种类型的遥感影像,因其经济、稳定、分辨率高、实时性强等特点,逐渐成为遥感应用的主要数据来源之一。高分遥感影像虽然包含了更多的信息量,但是同时也引入了更多的干扰因素,如何通过优化深度学习网络模型,充分合理的利用高分遥感影像包含的信息,有效减少干扰因素,提升检测精度,是水体变化检测的急需解决的问题。
发明内容
针对现有技术存在的不足,本发明提供了一种基于高分遥感影像的水体变化检测方法,利用高分遥感影像,通过深度学习网络模型,实现对水体变化信息进行快速、精准的自动检测。
本发明的实现方法如下:
一种基于高分遥感的水体变化检测方法,包括如下步骤:
(1) 选取两幅不同时相同区域的高分遥感影像作为训练用数据,对其进行预处理;
(2) 通过人工方式标注预处理后的两幅高分遥感影像的水体变化信息,获取水体变化图;
(3) 对两幅高分遥感影像以及水体变化图进行图像分割得到训练样本,并分成训练集、测试集;
(4) 构建改进UNet水体变化检测网络模型,并利用训练样本对其进行模型训练;
(5) 将待检测的不同时相同区域的高分遥感影像依次进行正射校正、图像配准、图像分割后,输入水体变化检测模型,得到初步水体变化图并进行后期处理,获取最终水体变化二值图。
步骤(1)所述预处理过程如下:
(a) 利用高分遥感影像自带的RPC系数,对影像进行正射校正;
(b) 对正射校正后的两幅高分遥感影像采用SIFT算法进行图像配准。
步骤(2)所述通过人工方式对两幅不同时相同区域的高分遥感影像的水体变化部分进行标注,得到水体变化二值图。
步骤(3)所述对训练样本影像的图像分割过程如下:
(a) 将预处理过后的两幅高分遥感影像以及水体变化图按照256 X 256像素大小进行分割,选取80%的图块及对应的水体变化图块作为训练集,剩余的图块作为测试集;
(b) 对样本图块随机从图像旋转、图像缩放、颜色变换、添加噪声中选取至少一种方法进行样本数据处理,增加训练样本的数量,提高数据特征多样性。
步骤(4)所述改进UNet水体变化检测网络模型包括:
(a) 网络模型呈对称结构,左边为编码部分,右边为解码部分。编码部分包含4层网络,前3层包含2个卷积层和1个池化层,第1、2、3层的卷积层分别使用32、64、128个3 X 3的卷积核,每个卷积层后使用ReLU激活函数,并添加BN层,每一层卷积操作后进行池化操作。输入图像尺寸为256 X 256 X 8,经过三层网络后分别得到128 X 128 X 32、64 X 64 X64、32 X 32 X 128的特征图;
(b) 第4层包含2个卷积层和1个上采样层,卷积层使用256个3 X 3的卷积核,使用ReLU激活函数并添加BN层,经过该层后得到32 X 32 X 256的特征图;
(c) 解码部分包含3层网络,每层包含1个反卷积层、1个拼接层和3个卷积层,反卷积层将图像放大2倍,恢复至对应编码层池化前大小,拼接层将反卷积层得到的特征图与之前对应编码层的特征图以及上一层的预测图进行拼接,第5、6层网络的前两个卷积层分别使用128、64个3 X 3的卷积核,每个卷积层后使用ReLU激活函数,并添加dropout层,后一个卷积层使用2个1 X 1的卷积核对特征图进行预测,预测结果用于下一层级的拼接和损失函数的计算,第7层前两个卷积层使用32个3 X 3的卷积核,每个卷积层后使用ReLU激活函数,并添加dropout层,最后一个卷积层使用2个1 X 1的卷积核,对特征图进行预测,得到变化检测图。
(d) 采用多类别交叉熵作为损失函数,采用多类别平均准确率作为训练过程中的精度评价指标,采用Adam函数作为参数优化器,进行模型训练,最终获得训练好的水体变化检测网络模型。
步骤(5)所述获取最终水体变化图的过程如下:
(a) 对待检测的不同时相同区域的高分遥感影像按步骤(1)中相同办法进行预处理,并对影像进行分割;
(b) 对分割后的图块输入到训练好的水体变化检测网络模型中,获取初步水体变化图;
(c) 对初步水体变化图采用图割算法进行后期处理,最终得到水体变化二值图。
基于上述技术方案,本发明具有以下有益效果:
本发明使用了高分辨率遥感影像作为数据源,将改进的深度学习网络模型引入到水体变化检测任务中,相对于传统的水体变化检测方法,有效的提高了检测的效率,提升了检测的准确性。
附图说明
图1为本发明流程示意图。
图2为本发明中深度学习网络模型结构图。
具体实施方式
下面将结合附图,对本发明的技术方案进行清楚、完整地描述。此处所描述的具体实施方式仅仅用以解释本发明,并不限定本发明的保护范围。
如图1所示,本发明提出的一种基于高分遥感影像的水体变化检测方法,包括如下步骤:
(1) 选取两幅不同时相同区域的高分遥感影像作为训练用数据,本发明使用高分一号影像作为数据源,由于初始的数据影像为L1A级数据,在进行变化检测之前,必须对初始影像进行相关的预处理,处理流程如下:
1.1 正射校正:高分一号的L1A级数据包含量了rpb文件,其中包含了有理多项式系数RPC,结合同区域的数字高程模型DEM,实现对高分遥感影像数据的正射校正。
1.2 影像配准:对正射校正过后的影像采用SIFT算法提取特征点,然后根据最邻近(NN)和第二邻近(SCN)的比值来确定匹配点对,当点之特征间的欧式距离小于NN/SCN比值时,确定为可能的匹配点对,最后采用多次RANSAC算法去除误匹配点,最终实现影像配准。
(2) 通过人工方式标注预处理后的两幅高分遥感影像的水体变化信息,获取水体变化二值图,其中白色部分为变化部分,黑色部分为未变化部分。
(3) 对两幅高分遥感影像以及水体变化图进行图像分割以及样本增强,构建样本集,处理流程如下:
3.1 将两幅预处理过后的包含红、绿、蓝、近红外4通道的高分遥感影像进行叠加得到8通道的影像。
3.2 按256 X 256的窗口大小对影像进行分割,并将影像块文件名字按n_x_y方式进行命名,n表示编号,x、y对应影像的坐标。
3.3 将分割后的影像块,通过图像旋转、图像缩放、颜色变换、添加噪声等方式进行样本增强,增加训练样本的数量、提高数据特征多样性、增强模型的泛化能力。最终按照8:2的比例随机划分为训练集和测试集。
(4) 构建水体变化检测网络模型并利用样本进行模型训练。本发明基于UNet网络并进行优化改造,网络模型呈对称结构,左边为编码部分,右边为解码部分,在编码阶段添加了BN层,对网络中的每一层特征都做归一化,使每层分布相对稳定,加快模型收敛速度并提升模型的容纳能力。在解码阶段添加了Dropout层,随机让部分节点不工作,提高网络的泛化能力,防止过拟合,整个网络模型结构如图2所示:
4.1 第1层:包含2个卷积层和1个池化层,卷积层使用32个3 X 3的卷积核,设置零填充,步长为1,使用ReLU激活函数,并添加BN层,卷积操作后进行池化操作,得到128 X 128X 32的特征图。
4.2 第2层:包含2个卷积层和1个池化层,卷积层使用64个3 X 3的卷积核,设置零填充,步长为1,使用ReLU激活函数,并添加BN层,卷积操作后进行池化操作,得到64 X 64 X64的特征图。
4.3 第3层:包含2个卷积层和1个池化层,卷积层使用128个3 X 3的卷积核,设置零填充,步长为1,使用ReLU激活函数,并添加BN层,卷积操作后进行池化操作,得到32 X 32X 128的特征图。
4.4 第4层:包含2个卷积层和1个上采样层,卷积层使用256个3 X 3的卷积核,设置零填充,步长为1,使用ReLU激活函数,并添加BN层,得到32 X 32 X 256的特征图。
4.5 第5层:包含1个反卷积层、1个拼接层和3个卷积层,反卷积层将影像恢复至对应编码层池化前大小,拼接层将反卷积层得到的特征图与之前对应编码层的特征图进行拼接,之后进行卷积操作,前两个卷积层使用128个3 X 3的卷积核,设置零填充,步长为1,使用ReLU激活函数,并添加dropout层,后一个卷积层使用2个1 X 1的卷积核对特征图进行预测,预测结果用于下一层级的拼接和损失函数的计算。
4.6 第6层:包含1个反卷积层、1个拼接层和3个卷积层,反卷积层将影像恢复至对应编码层池化前大小,拼接层将反卷积层得到的特征图与之前对应编码层的特征图以及上一层级的预测图进行拼接,之后进行卷积操作,前两个卷积层使用64个3 X 3的卷积核,设置零填充,步长为1,使用ReLU激活函数,并添加dropout层,后一个卷积层使用2个1 X 1的卷积核对特征图进行预测,预测结果用于下一层级的拼接和损失函数的计算。
4.7 第7层:包含1个反卷积层、1个拼接层和3个卷积层,反卷积层将影像恢复至对应编码层池化前大小,拼接层将反卷积层得到的特征图与之前对应编码层的特征图以及上一层级的预测图进行拼接,之后进行卷积操作,前两个卷积层使用32个3 X 3的卷积核,设置零填充,步长为1,使用ReLU激活函数,并添加dropout层,后一个卷积层使用2个1 X 1的卷积核对特征图进行预测,得到初步的水体变化检测图。
4.8采用多类别交叉熵作为损失函数,采用多类别平均准确率作为训练过程中的精度评价指标,采用Adam函数作为参数优化器,设定初始学习率lr=0.001,训练迭代最大次数epoch=100,当损失不再降低时对学习率以衰减因子factor=0.1进行衰减。
4.9使用构建好的样本对模型进行训练,最终获得水体变化检测网络模型。
(5)用训练后的模型进行水体变化检测,处理流程如下:
5.1对待检测的不同时相同区域的两幅高分遥感影像按步骤(1)中相同办法进行正射校正和图像配准预处理。
5.2将两幅预处理过后的包含红、绿、蓝、近红外4通道的高分遥感影像进行叠加得到8通道的影像。
5.3将影像进行分割,相邻的图像块之间包含1/4面积的重叠度。
5.4将图像块输入水体变化检测模型,得到初步的水体变化图。
5.5对初步水体变化图中包含的空洞点、离散点采用图割算法进行优化,最终获得水体变化的二值图。
以上所述的具体实施方式对本发明的技术方案进行了详细说明,应理解的是以上所述的实例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于高分遥感的水体变化检测方法,其特征包括如下步骤:
1)选取两幅相同区域不同时的高分遥感影像作为训练用数据,进行预处理;
2)数据标注:通过人工方式标注预处理后的两幅高分遥感影像的水体变化信息,获取水体变化图;
3)影像分割:对两幅高分遥感影像以及水体变化图进行图像分割得到训练样本,并分成训练集、测试集;
4)构建水体变化检测模型:构建改进UNet水体变化检测网络模型,并利用训练样本对其进行模型训练;
5)将待检测的相同区域不同时的高分遥感影像依次进行正射校正、图像配准、图像分割后,输入水体变化检测模型,得到初步水体变化图并进行后期处理,获取最终水体变化二值图;
步骤1)预处理过程如下:
2.1 利用高分遥感影像自带的RPC系数,对影像进行正射校正;
2.2 对正射校正后的两幅高分遥感影像采用SIFT算法进行图像配准;
步骤3)对训练样本影像的图像分割过程如下:
4.1 将预处理过后的两幅高分遥感影像以及水体变化图按照256 ×256像素大小进行分割,选取80%的图块及对应的水体变化图块作为训练集,剩余的图块作为测试集;
4.2 对样本图块随机从图像旋转、图像缩放、颜色变换、添加噪声中选取至少一种方法进行样本数据处理,增加训练样本的数量,提高数据特征多样性;
步骤4)改进UNet水体变化检测网络模型包括:
5.1 网络模型呈对称结构,左边为编码部分,右边为解码部分;
编码部分包含4层网络,前3层包含2个卷积层和1个池化层,第1、2、3层的卷积层分别使用32、64、128个3×3的卷积核,每个卷积层后使用ReLU激活函数,并添加BN层,每一层卷积操作后进行池化操作;
输入图像尺寸为256×256×8,经过三层网络后分别得到128×128×32、64×64×64、32×32×128的特征图;
5.2 第4层包含2个卷积层和1个上采样层,卷积层使用256个3×3的卷积核,使用ReLU激活函数并添加BN层,经过该层后得到32×32×256的特征图;
5.3 解码部分包含3层网络,每层包含1个反卷积层、1个拼接层和3个卷积层,反卷积层将图像放大2倍,恢复至对应编码层池化前大小,拼接层将反卷积层得到的特征图与之前对应编码层的特征图以及上一层的预测图进行拼接,第5、6层网络的前两个卷积层分别使用128、64个3×3的卷积核,每个卷积层后使用ReLU激活函数,并添加dropout层,后一个卷积层使用2个1×1的卷积核对特征图进行预测,预测结果用于下一层级的拼接和损失函数的计算,第7层前两个卷积层使用32个3×3的卷积核,每个卷积层后使用ReLU激活函数,并添加dropout层,最后一个卷积层使用2个1×1的卷积核,对特征图进行预测,得到变化检测图;
5.4 采用多类别交叉熵作为损失函数,采用多类别平均准确率作为训练过程中的精度评价指标,采用Adam函数作为参数优化器,进行模型训练,最终获得训练好的水体变化检测网络模型;
步骤5)获取最终水体变化图的过程如下:
6.1 对待检测的不同时相同区域的高分遥感影像按步骤1)中相同办法进行预处理,并对影像进行分割;
6.2 对分割后的图块输入到训练好的水体变化检测网络模型中,获取初步水体变化图;
6.3 对初步水体变化图采用图割算法进行后期处理,最终得到水体变化二值图。
2.根据权利要求1所述的水体变化检测方法,其特征在于:步骤2)通过人工方式对两幅相同区域不同时的高分遥感影像的水体变化部分进行标注,得到水体变化二值图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011290853.5A CN112418049B (zh) | 2020-11-17 | 2020-11-17 | 一种基于高分遥感影像的水体变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011290853.5A CN112418049B (zh) | 2020-11-17 | 2020-11-17 | 一种基于高分遥感影像的水体变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112418049A CN112418049A (zh) | 2021-02-26 |
CN112418049B true CN112418049B (zh) | 2023-06-13 |
Family
ID=74831662
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011290853.5A Active CN112418049B (zh) | 2020-11-17 | 2020-11-17 | 一种基于高分遥感影像的水体变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112418049B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113269028B (zh) * | 2021-04-07 | 2022-02-11 | 南方科技大学 | 一种基于深度卷积神经网络的水体变化检测方法和系统 |
CN113569810A (zh) * | 2021-08-30 | 2021-10-29 | 黄河水利委员会黄河水利科学研究院 | 一种基于深度学习的遥感影像建筑物变化检测系统及方法 |
CN115393733B (zh) * | 2022-08-22 | 2023-08-18 | 河海大学 | 一种基于深度学习的水体自动识别方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750696A (zh) * | 2012-06-06 | 2012-10-24 | 南京大学 | 一种基于仿射不变特征与海岸线约束的海岸带遥感影像自动配准方法 |
CN104778679A (zh) * | 2014-12-22 | 2015-07-15 | 中国科学院遥感与数字地球研究所 | 一种基于高分一号卫星数据的控制点图元快速匹配方法 |
CN109166126A (zh) * | 2018-08-13 | 2019-01-08 | 苏州比格威医疗科技有限公司 | 一种基于条件生成式对抗网络在icga图像上分割漆裂纹的方法 |
CN110136170A (zh) * | 2019-05-13 | 2019-08-16 | 武汉大学 | 一种基于卷积神经网络的遥感影像建筑物变化检测方法 |
CN110263705A (zh) * | 2019-06-19 | 2019-09-20 | 上海交通大学 | 面向遥感技术领域两期高分辨率遥感影像变化检测方法 |
CN111242050A (zh) * | 2020-01-15 | 2020-06-05 | 同济大学 | 一种面向大尺度复杂场景下遥感影像的自动变化检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200229361A1 (en) * | 2019-01-21 | 2020-07-23 | James Canyon | Method and System of Determining Soil-Water Properties |
-
2020
- 2020-11-17 CN CN202011290853.5A patent/CN112418049B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750696A (zh) * | 2012-06-06 | 2012-10-24 | 南京大学 | 一种基于仿射不变特征与海岸线约束的海岸带遥感影像自动配准方法 |
CN104778679A (zh) * | 2014-12-22 | 2015-07-15 | 中国科学院遥感与数字地球研究所 | 一种基于高分一号卫星数据的控制点图元快速匹配方法 |
CN109166126A (zh) * | 2018-08-13 | 2019-01-08 | 苏州比格威医疗科技有限公司 | 一种基于条件生成式对抗网络在icga图像上分割漆裂纹的方法 |
CN110136170A (zh) * | 2019-05-13 | 2019-08-16 | 武汉大学 | 一种基于卷积神经网络的遥感影像建筑物变化检测方法 |
CN110263705A (zh) * | 2019-06-19 | 2019-09-20 | 上海交通大学 | 面向遥感技术领域两期高分辨率遥感影像变化检测方法 |
CN111242050A (zh) * | 2020-01-15 | 2020-06-05 | 同济大学 | 一种面向大尺度复杂场景下遥感影像的自动变化检测方法 |
Non-Patent Citations (2)
Title |
---|
Stable Mean-Shift Algorithm and Its Application to the Segmentation of Arbitrarily Large Remote Sensing Images;J. Miche 等;《IEEE Transactions on Geoscience and Remote Sensing》;第53卷(第02期);952-964 * |
基于数学形态学的遥感影像水域提取方法;翟辉琴;《测绘科学》;第31卷(第01期);22-24 * |
Also Published As
Publication number | Publication date |
---|---|
CN112418049A (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112418049B (zh) | 一种基于高分遥感影像的水体变化检测方法 | |
CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
CN110059758B (zh) | 一种基于语义分割的遥感影像养殖塘检测方法 | |
CN110111345B (zh) | 一种基于注意力网络的3d点云分割方法 | |
CN107145846A (zh) | 一种基于深度学习的绝缘子识别方法 | |
CN110866494B (zh) | 一种基于光学遥感影像的城镇群提取方法及系统 | |
CN112287832A (zh) | 一种基于高分辨率遥感影像的城镇违法建筑物检测方法 | |
CN114444791A (zh) | 一种基于机器学习的洪涝灾害遥感监测评估方法 | |
CN112561876A (zh) | 基于图像的池塘和水库的水质检测方法及系统 | |
CN114022408A (zh) | 基于多尺度卷积神经网络的遥感图像云检测方法 | |
CN112733693B (zh) | 一种全局感知高分辨率遥感影像多尺度残差道路提取方法 | |
CN111259955A (zh) | 一种地理国情监测成果可靠性质检方法及系统 | |
CN115331102A (zh) | 一种基于深度学习的遥感影像河湖岸线智能监测方法 | |
CN115841625A (zh) | 一种基于改进U-Net模型的遥感建筑物影像提取方法 | |
CN112257496A (zh) | 一种基于深度学习的输电通道周围环境分类方法及系统 | |
CN115272278A (zh) | 一种用于遥感图像变化检测的变化检测模型的构建方法 | |
CN114445442A (zh) | 基于非对称交叉融合的多光谱图像语义分割方法 | |
CN117058367A (zh) | 高分辨率遥感影像建筑物语义分割方法及装置 | |
CN108764287A (zh) | 基于深度学习和分组卷积的目标检测方法及系统 | |
CN116977866A (zh) | 一种轻量级滑坡检测方法 | |
CN115984233A (zh) | 一种基于分组归一化和移位的图像裂缝检测方法 | |
CN113343861B (zh) | 一种基于神经网络模型的遥感图像水体区域提取方法 | |
CN114119630A (zh) | 基于耦合图谱特征的海岸线深度学习遥感提取方法 | |
CN115147727A (zh) | 一种遥感影像不透水面提取方法及系统 | |
CN111553272B (zh) | 基于深度学习的高分辨率卫星光学遥感影像建筑物变化检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |