CN112560719A - 基于多尺度卷积-多核池化的高分辨率影像水体提取方法 - Google Patents
基于多尺度卷积-多核池化的高分辨率影像水体提取方法 Download PDFInfo
- Publication number
- CN112560719A CN112560719A CN202011518292.XA CN202011518292A CN112560719A CN 112560719 A CN112560719 A CN 112560719A CN 202011518292 A CN202011518292 A CN 202011518292A CN 112560719 A CN112560719 A CN 112560719A
- Authority
- CN
- China
- Prior art keywords
- water body
- pooling
- image
- scale convolution
- core
- 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.)
- Granted
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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/08—Learning 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
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于多尺度卷积‑多核池化的高分辨率影像水体提取方法,方法包括获取目标影像,基于自适应直方图均衡化算法对目标影像进行预处理,获取更新的目标影像,将更新的目标影像输入至训练好的多尺度卷积‑多核池化的编码‑解码网络模型,对目标影像中的水体区域进行提取;所述水体区域提取模型为多尺度卷积‑多核池化的编码‑解码网络模型。本发明提供的方法能减少原始影像特征丢失,可高精度、高准确率、自动化从高分辨率影像进行多种尺度水体提取。
Description
技术领域
本发明涉及水体提取技术领域,具体涉及一种基于多尺度卷积-多核池化的高分辨率影像水体提取方法。
背景技术
水资源在人类社会中起着重要的作用,加强水资源的保护利用,检测与管理是重中之重。因而,研究水体的时空分布,准确高效提取水体对于资源调查、城市规划和防洪减灾有积极作用。计算机技术的快速发展以及大量的遥感数据可利用,为利用遥感图像提取水体奠定了基础。
传统提取水体的方法可以归纳为3类指数法、图像变换法、机器学习方法。这些方法在提取水体时存在以下问题①需要人工设置阈值,对人的知识经验依赖性较强②都忽略了遥感图像的空间信息,造成信息的丢失③对于有阴影,含泥沙的细小水体提取困难。
当前,深度学习中卷积神经网络的方法被广泛应用到水体提取中,康婧等人在《一种基于深度学习的遥感图像水体提取方法及系统》(CN109934095A,2019-06-25)中提出了一种基于高分卫星影像,结合U-net和Densenet结构的提取水体的CNNs模型;曾安明等人在《一种基于多尺度优化的高分辨率遥感影像水体提取法》(CN110427836A,2019-11-08)中提出了一种利用预训练卷积神经网络从输入遥感影像中提取多尺度特征图,多尺度特征图通过第一分类器得到初试粗糙水体分割结果,经过迭代优化实现水体提取。
以上两种方法虽然都实现了遥感图像水体提取,但是存在以下问题:①卷积神经网络模型中,正向传播的过程中,连续的卷积和池化操作会丢失影像特征,造成部分地域水体边界模糊;②影像中相邻地物将光谱特性相似、大面积水域和细小水体分布不均匀,大小固定的卷积核与池化核,容易造成水体信息丢失,不能从多个角度提取特征,从而产生水体提取结果准确度低的问题。
发明内容
本发明的目的:提供一种减少原始影像特征丢失,对水体提取的准确度高的影像提取水体方法。
技术方案:本发明提供的基于多尺度卷积-多核池化的高分辨率影像水体提取方法,用于对目标影像中的水体区域进行提取,其特征在于,方法包括如下步骤:
步骤1、获取目标影像;
步骤2、基于自适应直方图均衡化算法对目标影像进行预处理,获取更新的目标影像;
步骤3、将更新的目标影像输入至训练好的水体区域提取模型,对目标影像中的水体区域进行提取;所述水体区域提取模型为多尺度卷积-多核池化的编码-解码网络模型。
作为本发明的一种优选方案,多尺度卷积-多核池化的编码-解码网络模型包括编码器、解码器、桥接模块;
所述编码器采用Residual残差块和池化层进行下采样;所述解码器采用转置卷积层进行上采样;所述桥接模块包括多尺度的卷积块和多核池化块;
所述桥接模块通过其中多尺度的卷积块和多核池化块对编码器和解码器底端进行桥接。
作为本发明的一种优选方案,Residual残差块采用ResNet18/34的BasicBlock结构。
作为本发明的一种优选方案,多尺度的卷积块包括至少一个空洞卷积串,各空洞卷积串的扩张率彼此不同,且各空洞卷积通过串并联连接;所述多尺度的卷积块根据如下公式:
X1=r×(k-1)+1 (1)
Xm=r×(k-1)+Xm-1 (2)
获取感受野,其中,X1是第一层感受野大小,Xm代表第m层感受野的大小,Xm-1是上一层感受野大小;k为空洞卷积核的大小;r为扩张率。
作为本发明的一种优选方案,所述的多核池化块包括至少一个池化块,各池化块的池化核大小不同,且各池化块之间采用并联连接;所述多核池化块采用双线性插值法进行上采样。
作为本发明的一种优选方案,方法还包括通过如下所述方法训练多尺度卷积-多核池化的编码-解码网络模型:
步骤A、获取影像数据集,影像数据集中包含多个影像,以及各影像中每个像素对应的标签;所述标签为影像中像素的分割类别,所述分割类别包括水体类别;
步骤B、基于自适应直方图均衡化算法对影像数据集中的各影像进行预处理;
步骤C、对原始影像数据集中的标签进行二值化分割,将标签分为水体和非水体,进而获取水体前景二分类图;所述原始影像数据集为未进行预处理的影像数据集;
步骤D、对预处理后的影像和水体前景二分类图进行数据扩充,进而构建水体提取训练数据集;步骤E、搭建多尺度卷积-多核池化的编码-解码网络模型,使用水体提取训练数据集对该模型进行训练,获取训练好的多尺度卷积-多核池化的编码-解码网络模型。
作为本发明的一种优选方案,在步骤D中,所述数据扩充方法包括:对各影像及其对应水体前景二分类图进行无重叠裁剪、翻转变换、随机旋转、伽玛变换、添加噪声。
有益效果:相对于现有技术,本发明提供的方法,通过基于多尺度卷积-多核池化的编码-解码卷积神经网络模型,能够高精度、自动化的从高分辨率遥感影像中进行多种尺度水体的提取。
附图说明
图1是根据本发明实施例提供的水体提取方法流程图;
图2是根据本发明实施例提供的一个影像预处理结果示意图;
图3是根据本发明实施例提供的另一个影像预处理结果示意图;
图4是根据本发明实施例提供的某一原始影像及原始标签图按掩码提取,得到的水体前景二分类标签图;
图5是根据本发明实施例提供的编码-解码网络模型结构图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
参照图1,本发明提供的方法包括具体如下步骤:
步骤1、获取目标影像;
步骤2、基于自适应直方图均衡化算法对目标影像进行预处理,获取更新的目标影像;
步骤3、将更新的目标影像输入至训练好的水体区域提取模型,对目标影像中的水体区域进行提取;所述水体区域提取模型为多尺度卷积-多核池化的编码-解码网络模型。
其中多尺度卷积-多核池化的编码-解码网络模型包括编码器、解码器、桥接模块;编码器采用Residual残差块和池化层进行下采样;所述解码器采用转置卷积层进行上采样;所述桥接模块包括多尺度的卷积块和多核池化块;Residual残差块采用ResNet18/34的BasicBlock结构。
桥接模块通过其中多尺度的卷积块和多核池化块对编码器和解码器底端进行桥接。
多尺度的卷积块包括至少一个空洞卷积串,各空洞卷积串的扩张率彼此不同,且各空洞卷积串并联连接;所述多尺度的卷积块根据如下公式:
X1=r×(k-1)+1 (1)
Xm=r×(k-1)+Xm-1 (2)
获取感受野,其中,X1是第一层感受野大小,Xm代表感受野的大小,Xm-1是上一层感受野大小;k为空洞卷积核的大小;r为扩张率;。
多核池化块包括至少一个池化块,各池化块的池化核大小不同,且各池化块之间采用并联连接;所述多核池化块采用双线性插值法进行上采样。多核池化块,采用与金字塔池化类似的结构,将大小不同池化核并联,分别经过1×1的卷积降维处理后,进行特征融合并采用双线性插的方式进行插值。训练多尺度卷积-多核池化的编码-解码网络模型的方法为:
步骤A、获取影像数据集,影像数据集为高分辨率遥感影像数据集,影像数据集中包含多个影像,以及与各影像中各像素对应的标签;所述标签为影像中像素的分割类别,所述分割类别包括水体类别;
高分辨率影像数据集是指从互联网中获得的开源高分辨率影像语义分割数据集,数据集影像分割类别中存在水体类别;在互联网中有大量开源的高分遥感影像数据集,其中分割类别中存在水体类别,例如土地覆盖分类数据集DeepGlobe(I.Demir etal.DeepGlobe2018)。
步骤B、对高分辨率遥感影像数据集中的遥感影像进行预处理,增强图像对比度。
预处理的方法为:基于自适应直方图均衡化算法对影像数据集中的各影像进行预处理,。
预处理结果的示意图如图2、图3所示。
步骤C、对原始影像数据集中的标签进行二值化分割,将标签分为水体和非水体,进而获取水体前景二分类图;原始影像数据集为未进行预处理的影像数据集。
在一个实施例中,获取的水体前景二分类图如图4所示。
步骤D、对预处理后的影像和水体前景二分类图进行数据扩充,进而构建水体提取数据集,对该数据集中的数据按照预设的比例分为训练数据集和测试数据集。
步骤B是处理原始数据集中的影像数据,步骤C是处理标签,得到需要标签,步骤D必须保证图像和标签一一对应。
数据扩充方法包括:对各影像及其对应水体前景二分类图进行无重叠裁剪、翻转变换、随机旋转、伽玛变换、添加噪声。
利用数据集扩充方法,制作水体分类数据集,对数据集中的影像和标签进行无重叠裁剪、翻转变换、随机旋转、伽玛变换和添加噪声,生成大量固定大小的图像,提高了模型的鲁棒性,防止训练数据过拟合。
步骤E、搭建多尺度卷积-多核池化的编码-解码网络模型,使用通过步骤A至步骤D获取的水体提取训练数据集对该模型进行训练,并保存权重参数;将权重参数与测试数据集导入多尺度卷积-多核池化的编码-解码网络模型,对该模型进行测试,将测试结果最好的权重参数进行保留。
搭建如图4所示以编码-解码为结构的多尺度卷积-多核池化网络模型。其中,编码器用ResNet18/34的BasicBlock结构的残差块进行下采样;解码器用转置卷积层进行上采样;多尺度的空洞卷积块与改进金字塔池化结构的多核池化块在编码器与解码器之间进行桥接。将训练数据集加载搭建的神经网络进行训练,将经过测试集测试后水体提取结果最好的权重参数进行保留。
本发明提供的方法,采用残差块进行下采样的编码-解码网络结构,有效的解决了连续卷积和池化操作造成的影像特征丢失,提高了部分地域水体边界的提取精度;使用多尺度的空洞卷积,增大感受野,更有效的提取细小水体的精度,改进金字塔池化的多核池化结构,对特征从不同角度提取聚合,避免了相邻地物光谱相似造成水体提取精度下降;利用现在有高分辨率影像数据集,避免了费时费力人工标注训练标签,同时方便在同一个数据集下不同方法的比较。
以上所述仅是本发明的优选实施方式,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (7)
1.一种基于多尺度卷积-多核池化的高分辨率影像水体提取方法,用于对目标影像中的水体区域进行提取,其特征在于,方法包括如下步骤:
步骤1、获取目标影像;
步骤2、基于自适应直方图均衡化算法对目标影像进行预处理,获取更新的目标影像;
步骤3、将更新的目标影像输入至训练好的水体区域提取模型,对目标影像中的水体区域进行提取;所述水体区域提取模型为多尺度卷积-多核池化的编码-解码网络模型。
2.根据权利要求1所述的基于多尺度卷积-多核池化的高分辨率影像水体提取方法,其特征在于,所述多尺度卷积-多核池化的编码-解码网络模型包括编码器、解码器、桥接模块;
所述编码器采用Residual残差块和池化层进行下采样;所述解码器采用转置卷积层进行上采样;所述桥接模块包括多尺度的卷积块和多核池化块;
所述桥接模块通过其中多尺度的卷积块和多核池化块对编码器和解码器底端进行桥接。
3.根据权利要求2所述的基于多尺度卷积-多核池化的高分辨率影像水体提取方法,其特征在于,所述Residual残差块采用ResNet18/34的BasicBlock结构。
4.根据权利要求2所述的基于多尺度卷积-多核池化的高分辨率影像水体提取方法,其特征在于,所述的多尺度的卷积块包括至少一个空洞卷积串,各空洞卷积串的扩张率彼此不同,且各空洞卷积串通过并联连接;所述多尺度的卷积块根据如下公式:
X1=r×(k-1)+1 (1) Xm=r×(k-1)+Xm-1 (2)
获取感受野,其中,X1是第一层感受野大小,Xm代表第m层感受野的大小,Xm-1是上一层感受野大小;k为空洞卷积核的大小;r为扩张率。
5.根据权利要求2所述的基于多尺度卷积-多核池化的高分辨率影像水体提取方法,其特征在于,所述的多核池化块包括至少一个池化块,各池化块的池化核大小不同,且各池化块之间采用并联连接;所述多核池化块采用双线性插值法进行上采样。
6.根据权利要求1所述的基于多尺度卷积-多核池化的高分辨率影像水体提取方法,其特征在于,方法还包括通过如下所述方法训练多尺度卷积-多核池化的编码-解码网络模型:
步骤A、获取原始影像数据集,数据集中包含多张影像,以及与各影像中每个像素对应的标签;所述标签为影像中像素的分割类别,所述分割类别包括水体类别;
步骤B、基于自适应直方图均衡化算法对原始影像数据集中的各影像进行预处理;
步骤C、对原始影像数据集中的标签进行二值化分割,将标签分为水体和非水体,进而获取水体前景二分类图;所述原始影像数据集为未进行预处理的影像数据集;
步骤D、对预处理后的影像和水体前景二分类图进行数据扩充,进而构建水体提取数据集;
步骤E、搭建多尺度卷积-多核池化的编码-解码网络模型,使用水体提取训练数据集对该模型进行训练,获取训练好的多尺度卷积-多核池化的编码-解码网络模型。
7.根据权利要求6所述的基于多尺度卷积-多核池化的高分辨率影像水体提取方法,其特征在于,在步骤D中,所述数据扩充方法包括:对各影像及其对应水体前景二分类图进行无重叠裁剪、翻转变换、随机旋转、伽玛变换、添加噪声。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011518292.XA CN112560719B (zh) | 2020-12-21 | 2020-12-21 | 基于多尺度卷积-多核池化的高分辨率影像水体提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011518292.XA CN112560719B (zh) | 2020-12-21 | 2020-12-21 | 基于多尺度卷积-多核池化的高分辨率影像水体提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112560719A true CN112560719A (zh) | 2021-03-26 |
CN112560719B CN112560719B (zh) | 2023-07-04 |
Family
ID=75031135
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011518292.XA Active CN112560719B (zh) | 2020-12-21 | 2020-12-21 | 基于多尺度卷积-多核池化的高分辨率影像水体提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112560719B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343861A (zh) * | 2021-06-11 | 2021-09-03 | 浙江大学 | 一种基于神经网络模型的遥感图像水体区域提取方法 |
CN114461837A (zh) * | 2022-02-16 | 2022-05-10 | 北京百度网讯科技有限公司 | 一种图像处理方法、装置及电子设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6269192B1 (en) * | 1997-07-11 | 2001-07-31 | Sarnoff Corporation | Apparatus and method for multiscale zerotree entropy encoding |
CN110287962A (zh) * | 2019-05-20 | 2019-09-27 | 平安科技(深圳)有限公司 | 基于超对象信息的遥感图像目标提取方法、装置及介质 |
US20200025877A1 (en) * | 2018-07-18 | 2020-01-23 | Qualcomm Incorporated | Object verification using radar images |
CN110781775A (zh) * | 2019-10-10 | 2020-02-11 | 武汉大学 | 一种多尺度特征支持的遥感影像水体信息精确分割方法 |
CN111079649A (zh) * | 2019-12-17 | 2020-04-28 | 西安电子科技大学 | 基于轻量化语义分割网络的遥感图像地物分类方法 |
CN111127493A (zh) * | 2019-11-12 | 2020-05-08 | 中国矿业大学 | 基于注意力多尺度特征融合的遥感图像语义分割方法 |
CN111563491A (zh) * | 2020-07-14 | 2020-08-21 | 浙江大华技术股份有限公司 | 利用网络模型对遥感影像进行分割的方法、设备及装置 |
CN111783782A (zh) * | 2020-05-29 | 2020-10-16 | 河海大学 | 融合改进UNet和SegNet的遥感图像语义分割方法 |
CN112001293A (zh) * | 2020-08-19 | 2020-11-27 | 四创科技有限公司 | 结合多尺度信息和编解码网络的遥感影像地物分类方法 |
-
2020
- 2020-12-21 CN CN202011518292.XA patent/CN112560719B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6269192B1 (en) * | 1997-07-11 | 2001-07-31 | Sarnoff Corporation | Apparatus and method for multiscale zerotree entropy encoding |
US20200025877A1 (en) * | 2018-07-18 | 2020-01-23 | Qualcomm Incorporated | Object verification using radar images |
CN110287962A (zh) * | 2019-05-20 | 2019-09-27 | 平安科技(深圳)有限公司 | 基于超对象信息的遥感图像目标提取方法、装置及介质 |
CN110781775A (zh) * | 2019-10-10 | 2020-02-11 | 武汉大学 | 一种多尺度特征支持的遥感影像水体信息精确分割方法 |
CN111127493A (zh) * | 2019-11-12 | 2020-05-08 | 中国矿业大学 | 基于注意力多尺度特征融合的遥感图像语义分割方法 |
CN111079649A (zh) * | 2019-12-17 | 2020-04-28 | 西安电子科技大学 | 基于轻量化语义分割网络的遥感图像地物分类方法 |
CN111783782A (zh) * | 2020-05-29 | 2020-10-16 | 河海大学 | 融合改进UNet和SegNet的遥感图像语义分割方法 |
CN111563491A (zh) * | 2020-07-14 | 2020-08-21 | 浙江大华技术股份有限公司 | 利用网络模型对遥感影像进行分割的方法、设备及装置 |
CN112001293A (zh) * | 2020-08-19 | 2020-11-27 | 四创科技有限公司 | 结合多尺度信息和编解码网络的遥感影像地物分类方法 |
Non-Patent Citations (5)
Title |
---|
KANG JIAN 等: "Multi-scale context extractor network for water-body extraction from high-resolution optical remotely sensed images", 《INTERNATIONAL JOURNAL OF APPLIED EARTH OBSERVATION AND GEOINFORMATION》, vol. 103, pages 1 - 12 * |
ZIMING MIAO 等: "Automatic Water-Body Segmentation From High-Resolution Satellite Images via Deep Networks", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS 》, vol. 15, no. 4, pages 1 - 5 * |
宋廷强 等: "基于深度学习的高分辨率遥感图像建筑物识别", 《计算机工程与应用》, vol. 56, no. 8, pages 26 - 34 * |
康健: "基于多尺度特征增强网络的高分辨遥感影像水体提取", 《中国优秀硕士学位论文全文数据库基础科学辑》, no. 2023, pages 008 - 304 * |
魏青迪: "基于卷积神经网络的高分二号遥感影像提取方法", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 2020, pages 028 - 163 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343861A (zh) * | 2021-06-11 | 2021-09-03 | 浙江大学 | 一种基于神经网络模型的遥感图像水体区域提取方法 |
CN113343861B (zh) * | 2021-06-11 | 2023-09-05 | 浙江大学 | 一种基于神经网络模型的遥感图像水体区域提取方法 |
CN114461837A (zh) * | 2022-02-16 | 2022-05-10 | 北京百度网讯科技有限公司 | 一种图像处理方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112560719B (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110189334B (zh) | 基于注意力机制的残差型全卷积神经网络的医学图像分割方法 | |
CN110136154B (zh) | 基于全卷积网络与形态学处理的遥感图像语义分割方法 | |
CN113298818B (zh) | 基于注意力机制与多尺度特征的遥感图像建筑物分割方法 | |
CN110232394B (zh) | 一种多尺度图像语义分割方法 | |
CN110889449A (zh) | 一种增强边缘的、多尺度的遥感影像建筑物语义特征提取方法 | |
CN114120102A (zh) | 边界优化的遥感图像语义分割方法、装置、设备及介质 | |
CN112668494A (zh) | 基于多尺度特征提取的小样本变化检测方法 | |
CN111079683B (zh) | 基于卷积神经网络的遥感图像云雪检测方法 | |
CN111914686B (zh) | 基于周域关联和模式识别的sar遥感图像水域提取方法、装置及系统 | |
CN112183258A (zh) | 一种基于上下文信息和注意力机制的遥感图像道路分割方法 | |
CN111310666A (zh) | 一种基于纹理特征的高分辨率影像地物识别与分割方法 | |
CN113705580B (zh) | 基于深度迁移学习的高光谱图像分类方法 | |
CN113780149A (zh) | 一种基于注意力机制的遥感图像建筑物目标高效提取方法 | |
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 | |
CN112560719B (zh) | 基于多尺度卷积-多核池化的高分辨率影像水体提取方法 | |
CN112837320B (zh) | 一种基于并行空洞卷积的遥感影像语义分割方法 | |
CN112700418A (zh) | 一种基于改进编解码网络模型的裂缝检测方法 | |
CN110599502A (zh) | 一种基于深度学习的皮肤病变分割方法 | |
CN116797787A (zh) | 基于跨模态融合与图神经网络的遥感影像语义分割方法 | |
CN114120036A (zh) | 一种轻量化的遥感图像云检测方法 | |
CN113989287A (zh) | 城市道路遥感图像分割方法、装置、电子设备和存储介质 | |
CN118154971A (zh) | 一种基于全卷积-动态图网络的sar图像分类方法 | |
CN110472632A (zh) | 基于字符特征的字符分割方法、装置及计算机存储介质 | |
CN116129280B (zh) | 一种遥感影像雪检测的方法 | |
CN117351360A (zh) | 一种基于注意力机制改进的遥感图像道路提取方法 |
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 |