CN112580504A - 基于高分辨率卫星遥感影像的树种分类计数方法及装置 - Google Patents

基于高分辨率卫星遥感影像的树种分类计数方法及装置 Download PDF

Info

Publication number
CN112580504A
CN112580504A CN202011498898.1A CN202011498898A CN112580504A CN 112580504 A CN112580504 A CN 112580504A CN 202011498898 A CN202011498898 A CN 202011498898A CN 112580504 A CN112580504 A CN 112580504A
Authority
CN
China
Prior art keywords
image
crown
remote sensing
tree species
sensing image
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
Application number
CN202011498898.1A
Other languages
English (en)
Other versions
CN112580504B (zh
Inventor
阎世杰
荆林海
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Aerospace Information Research Institute of CAS
Original Assignee
Aerospace Information Research Institute of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Aerospace Information Research Institute of CAS filed Critical Aerospace Information Research Institute of CAS
Priority to CN202011498898.1A priority Critical patent/CN112580504B/zh
Publication of CN112580504A publication Critical patent/CN112580504A/zh
Application granted granted Critical
Publication of CN112580504B publication Critical patent/CN112580504B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V20/188—Vegetation
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30188—Vegetation; Agriculture
    • 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
    • G06T2207/30242—Counting objects in image

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Image Analysis (AREA)

Abstract

一种基于高分辨率卫星遥感影像的树种分类计数方法，包括以下步骤：获取高分辨率卫星遥感影像；圈定所述高分辨率卫星遥感影像内的树冠；构建所述树冠图像训练样本集；利用所述样本集训练深度残差网络，并进行参数优化得到训练精度最高的深度残差网络；利用所述训练精度最高的深度残差网络对测试样本进行预测，预测结果为每个测试样本的树种类别，统计每一树种的株数。本发明利用标记分水岭算法描绘出单株树的精确树冠轮廓并统计树的株数，利用深度残差网络能减少池化层引入，适合处理小尺度图像，能区分树种的具体类别。本发明能够为林业资源精细调查提供技术支持。

Description

基于高分辨率卫星遥感影像的树种分类计数方法及装置
技术领域
本发明涉及树种分类计数领域，尤其涉及一种基于高分辨率卫星遥感影像的树种分类计数方法及装置。
背景技术
获取森林中树的种类和数量是林业资源调查中的一项重要内容，能让管理者更好地了解森林的物种组成、森林物种的变化、以及森林资源的数量，为林业政策的制定和调整提供参考。完全采用实地调查的方式统计森林树种需要投入大量的人力物力，结合遥感进行森林树种调查能够减少人力成本，提高工作效率，具有重要的研究意义和应用价值。目前很多地方已经开始利用无人机遥感数据辅助进行林业调查。然而无人机影像的获取成本较高，覆盖范围小，处理难度也较高。随着SPOT6、7，IKONOS、QuickBird、GeoEye、WorldView系列星载传感器的陆续上天，光学卫星影像越来越普及，空间分辨率越来越高，使得对森林中单株树的计数和精细分类成为可能。且卫星影像覆盖范围广，获取成本相较于机载成像系统低，使用卫星遥感影像能够降低数据获取成本，适合运用于大范围的区域。
迄今为止，研究人员进行了大量的树种分类研究，分类工作往往通过人为设计分类特征，分类结果很大程度上取决于人为特征设计的合理性，因此对于研究人员的专业知识要求较高，不同的特征会得到不同的结果，具有很强的主观性。这些研究者人为设计的特征，限制了分类器所能利用的信息，往往只能区分出针叶树和阔叶树，难以精细地区分树种的具体类别。为了提高分类精细程度，需要引入新的分类技术。卷积神经网络是受生物神经感知机制启发的一种深度学习模型，其层与层之间的联系关系和结构化的多层感知器使其能够自动地从图像中提取出丰富的分类特征，避免了人为设计和提取特征，具有良好的图像分类性能。然而，常用的卷积神经网络往往通过增加网络深度来增强模型的分类性能，会引入池化层缩小图像的尺寸。而树冠图像的尺寸通常很小，如果池化层过多，图像经过多次缩小后尺寸小于1，无法进行后续分类。
发明内容
有鉴于此，本发明的主要目的在于提供一种基于高分辨率卫星遥感影像的树种分类计数方法及装置，以期部分地解决上述技术问题中的至少之一。
为了实现上述目的，作为本发明的一方面，提供了一种基于高分辨率卫星遥感影像的树种分类计数方法，包括以下步骤：
获取高分辨率卫星遥感影像；
圈定所述高分辨率卫星遥感影像内的树冠；
构建所述树冠图像训练样本集；
利用所述样本集训练深度残差网络，并进行参数优化得到训练精度最高的深度残差网络；
利用所述训练精度最高的深度残差网络对测试样本进行预测，预测结果为每个测试样本的树种类别，统计每一树种的株数。
其中，所述圈定高分辨率卫星遥感影像内的树冠是通过标记分水岭算法实现的。
其中，所述圈定高分辨率卫星遥感影像内的树冠的具体流程如下：
对原始影像进行预处理；
预处理后的遥感影像记为I，大小为M*N*4，计算每个像素4个波段的平均值，将多波段图像I转换为单波段的灰度图像G，即G(x，y)＝[I(x，y，1)+I(x，y，2)+I(x，y，3)+I(x，y，4)]/4，其中，0≤x＜M，0≤y＜N；
找出灰度图像G中所有八连通区域像素值最大的像素，将其值设置为1，其他像素值设为0，得到二值图像B；
以二值图像B中像素值为1的像素作为标记点，采用标记分水岭算法对灰度图像G进行分割，分割结果为树冠圈定图。
其中，所述对原始影像进行预处理具体包括：计算每个像素的归一化植被指数，设置归一化植被指数阈值，将小于阈值的像素值设为0，去除影像中的非植被，使非植被区域不参与后续的计算。
其中，构建所述树冠图像训练样本集具体包括：
在遥感影像对应的地点进行实地调查，采集树种样本；
将树冠圈定图叠加在遥感影像上，结合树种实地调查情况，对树冠圈定图中树冠的类型进行人工标注；
截取树冠圈定图与遥感影像叠加的影像中每一个人工标注树冠的最小外截矩形，从整幅影像中提取出单株树冠影像；
将树种类别相同的树冠影像归纳为一类，形成多类树种的单株树冠样本集。
其中，利用所述样本集训练深度残差网络，并进行参数优化得到训练精度最高的深度残差网络具体包括：
搭建深度残差网络；
利用单株树冠样本集训练深度残差网络，反复调整网络中的参数epoch和batchsize使训练精度达到最高，记录训练精度最高的网络模型。
其中，所述测试样本为利用标记分水岭算法圈定出影像中的树冠，截取每个树冠的最小外截矩形对应的影像。
作为本发明的另一方面，还提供了一种基于高分辨率卫星遥感影像的树种分类计数装置，包括：
预处理模块，用于获取高分辨率卫星遥感影像；圈定所述高分辨率卫星遥感影像内的树冠；构建所述树冠图像训练样本集；
训练模块，用于利用所述样本集训练深度残差网络，并进行参数优化得到训练精度最高的深度残差网络；
预测模块，用于利用所述训练精度最高的深度残差网络对测试样本进行预测，预测结果为每个测试样本的树种类别，统计每一树种的株数。
其中，所述圈定高分辨率卫星遥感影像内的树冠是通过标记分水岭算法实现的。
其中，所述圈定高分辨率卫星遥感影像内的树冠的具体流程如下：
对原始影像进行预处理；
预处理后的遥感影像记为I，大小为M*N*4，计算每个像素4个波段的平均值，将多波段图像I转换为单波段的灰度图像G，即G(x，y)＝[I(x，y，1)+I(x，y，2)+I(x，y，3)+I(x，y，4)]/4，其中，0≤x＜M，0≤y＜N；
找出灰度图像G中所有八连通区域像素值最大的像素，将其值设置为1，其他像素值设为0，得到二值图像B；
以二值图像B中像素值为1的像素作为标记点，采用标记分水岭算法对灰度图像G进行分割，分割结果为树冠圈定图。
基于上述技术方案可知，本发明的树种分类计数方法相对于现有技术至少具有如下有益效果之一或其中的一部分：
本发明利用标记分水岭算法描绘出单株树的精确树冠轮廓并统计树的株数，利用深度残差网络能减少池化层引入，适合处理小尺度图像，能区分树种的具体类别。本发明能够为林业资源精细调查提供技术支持。
附图说明
图1为本发明实施例提供的所设计的树种分类计数流程图；
图2为本发明实施例提供的单株树冠圈定效果图；
图3为本发明实施例提供的训练样本集构建流程图；
图4为本发明实施例提供的深度残差网络结构示意图；
图5为本发明实施例提供的树种精细分类图。
具体实施方式
本发明公开了一种利用高分辨率卫星遥感影像进行树种分类计数的方法，利用深度残差网络进行单株树尺度的树种精细分类，基于标记分水岭算法快速自动地圈定出遥感影像中的单株树冠并统计树的数量。本发明能够统计出遥感影像中树种的精细类型和数量，为林业资源精细调查提供技术支撑。
具体的，本发明公开了一种基于高分卫星遥感影像的树种分类计数方法。首先利用标记分水岭算法处理遥感影像，圈定出影像中的单株树冠轮廓；其次结合实地调查信息标注树冠类型，提取标注的树冠图像并归类，构建树冠图像样本集；再次利用样本集训练深度残差网络，经过网络参数优化确定训练精度最高的网络模型；最后，利用标记分水岭算法提取待分类区域的树冠并利用训练精度最高的深度残差网络分类树冠，最终得到有单株树精确树冠轮廓的树种分类图和每种树种的株数。
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。
如图1所示，为本发明实施例提供的树种分类计数流程图，该方法的具体步骤为：
第一步：圈定高分遥感影像内的树冠
利用标记分水岭算法圈定出高分遥感影像内单株树的树冠，同时设置阈值，去除影像中的非植被地物。调节圈定算法中的阈值参数，得到效果最好的树冠圈定结果。树冠圈定的具体流程如下：
(1)对原始影像进行预处理，计算每个像素的归一化植被指数(NDVI)，设置NDVI阈值，将小于阈值的像素值设为0，去除影像中的非植被像素，使非植被区域不参与后续的计算。反复调试找到合适的阈值以达到最好的预处理效果；
(2)预处理后的遥感影像记为I，大小为M*N*4，计算每个像素4个波段的平均值，将多波段图像I转换为单波段的灰度图像G，即G(x，y)＝[I(x，y，1)+I(x，y，2)+I(x，y，3)+I(x，y，4)]/4(0≤x＜M，0≤y＜N)；
(3)找出灰度图像G中所有八连通区域像素值最大的像素，将其值设置为1，其他像素值设为0，得到二值图像B；
(4)以二值图像B中像素值为1的像素作为标记点，采用标记分水岭算法对灰度图像G进行分割，分割结果为树冠圈定图。
第二步：构建训练样本集
(1)在遥感影像对应的地点进行实地调查，采集树种样本；
(2)将树冠圈定图叠加在遥感影像上，结合实地调查的树种样本，对树冠圈定图中树冠的类型进行人工标注；
(3)截取影像中每一个人工标注树冠的最小外截矩形，从整幅影像中提取出单株树冠影像；
(4)将树种类别相同的树冠影像归纳为一类，形成多类树种的单株树冠样本集。
第三步：模型训练与参数优化
(1)搭建深度残差网络；
(2)利用单株树冠样本集训练网络，反复调整网络中的参数epoch和batch size使训练精度达到最高，记录训练精度最高的网络模型。
第四步：树种分类计数
(1)利用标记分水岭算法圈定出影像中的树冠，截取每个树冠的最小外截矩形对应的影像作为测试样本；
(2)利用训练精度最高的深度残差网络对测试样本进行预测，预测结果为每个测试样本的树种类别，统计每一树种的株数。将每一个测试样本的树种类别赋予树冠圈定图，生成树冠分类图。
本发明还公开了一种基于高分辨率卫星遥感影像的树种分类计数装置，包括：
预处理模块，用于获取高分辨率卫星遥感影像；圈定所述高分辨率卫星遥感影像内的树冠；构建所述树冠图像训练样本集；
训练模块，用于利用所述样本集训练深度残差网络，并进行参数优化得到训练精度最高的深度残差网络；
预测模块，用于利用所述训练精度最高的深度残差网络对测试样本进行预测，预测结果为每个测试样本的树种类别，统计每一树种的株数。
其中，所述圈定高分辨率卫星遥感影像内的树冠是通过标记分水岭算法实现的。
其中，所述圈定高分辨率卫星遥感影像内的树冠的具体流程如下：
对原始影像进行预处理；
预处理后的遥感影像记为I，大小为M*N*4，计算每个像素4个波段的平均值，将多波段图像I转换为单波段的灰度图像G，即G(x，y)＝[I(x，y，1)+I(x，y，2)+I(x，y，3)+I(x，y，4)]/4，其中，0≤x＜M，0≤y＜N；
找出灰度图像G中所有八连通区域像素值最大的像素，将其值设置为1，其他像素值设为0，得到二值图像B；
以二值图像B中像素值为1的像素作为标记点，采用标记分水岭算法对灰度图像G进行分割，分割结果为树冠圈定图。
实施例
1、利用标记分水岭分割算法对高分遥感影像中的森林区域进行树冠圈定，圈定效果如图2所示；
2、在影像对应的实际地区进行调查，获取树种的类型。依据实地调查获取的树种信息标注树冠类型。将标注的树冠截取最小外截矩形后提取出来，同一树种的树冠归为一类，从而构建训练样本集。训练样本集的构建流程如图3所示；
3、构建深度残差网络，网络结构图如图4所示；用训练样本集训练模型，调整epoch和batch size，根据训练精度优选模型，保存训练精度最高的深度残差网络；
4、利用标记分水岭算法对待统计区域的影像进行树冠圈定；截取每个树冠的最小外截矩形，形成树冠切片图像输入训练好的深度残差网络中分类；输出每个树冠图像的树种类型，统计每种树种的数量；将分类出的树种类型赋值给树冠圈定图，添加比例尺、图例、指北针，制作树种分类图，如图5所示。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于高分辨率卫星遥感影像的树种分类计数方法，其特征在于，包括以下步骤：
获取高分辨率卫星遥感影像；
圈定所述高分辨率卫星遥感影像内的树冠；
构建所述树冠图像训练样本集；
利用所述样本集训练深度残差网络，并进行参数优化得到训练精度最高的深度残差网络；
利用所述训练精度最高的深度残差网络对测试样本进行预测，预测结果为每个测试样本的树种类别，统计每一树种的株数。
2.根据权利要求1所述的树种分类计数方法，其特征在于，所述圈定高分辨率卫星遥感影像内的树冠是通过标记分水岭算法实现的。
3.根据权利要求1所述的树种分类计数方法，其特征在于，所述圈定高分辨率卫星遥感影像内的树冠的具体流程如下：
对原始影像进行预处理；
预处理后的遥感影像记为I，大小为M*N*4，计算每个像素4个波段的平均值，将多波段图像I转换为单波段的灰度图像G，即G(x，y)＝[I(x，y，1)+I(x，y，2)+I(x，y，3)+I(x，y，4)]/4，其中，0≤x＜M，0≤y＜N；
找出灰度图像G中所有八连通区域像素值最大的像素，将其值设置为1，其他像素值设为0，得到二值图像B；
以二值图像B中像素值为1的像素作为标记点，采用标记分水岭算法对灰度图像G进行分割，分割结果为树冠圈定图。
4.根据权利要求3所述的树种分类计数方法，其特征在于，所述对原始影像进行预处理具体包括：计算每个像素的归一化植被指数，设置归一化植被指数阈值，将小于阈值的像素值设为0，去除影像中的非植被，使非植被区域不参与后续的计算。
5.根据权利要求1所述的树种分类计数方法，其特征在于，构建所述树冠图像训练样本集具体包括：
在遥感影像对应的地点进行实地调查，采集树种样本；
将树冠圈定图叠加在遥感影像上，结合树种实地调查情况，对树冠圈定图中树冠的类型进行人工标注；
截取树冠圈定图与遥感影像叠加的影像中每一个人工标注树冠的最小外截矩形，从整幅影像中提取出单株树冠影像；
将树种类别相同的树冠影像归纳为一类，形成多类树种的单株树冠样本集。
6.根据权利要求1所述的树种分类计数方法，其特征在于，利用所述样本集训练深度残差网络，并进行参数优化得到训练精度最高的深度残差网络具体包括：
搭建深度残差网络；
利用单株树冠样本集训练深度残差网络，反复调整网络中的参数epoch和batch size使训练精度达到最高，记录训练精度最高的网络模型。
7.根据权利要求1所述的树种分类计数方法，其特征在于，所述测试样本为利用标记分水岭算法圈定出影像中的树冠，截取每个树冠的最小外截矩形对应的影像。
8.一种基于高分辨率卫星遥感影像的树种分类计数装置，其特征在于，包括：
预处理模块，用于获取高分辨率卫星遥感影像；圈定所述高分辨率卫星遥感影像内的树冠；构建所述树冠图像训练样本集；
训练模块，用于利用所述样本集训练深度残差网络，并进行参数优化得到训练精度最高的深度残差网络；
预测模块，用于利用所述训练精度最高的深度残差网络对测试样本进行预测，预测结果为每个测试样本的树种类别，统计每一树种的株数。
9.根据权利要求8所述的树种分类计数装置，其特征在于，所述圈定高分辨率卫星遥感影像内的树冠是通过标记分水岭算法实现的。
10.根据权利要求8所述的树种分类计数装置，其特征在于，所述圈定高分辨率卫星遥感影像内的树冠的具体流程如下：
对原始影像进行预处理；
预处理后的遥感影像记为I，大小为M*N*4，计算每个像素4个波段的平均值，将多波段图像I转换为单波段的灰度图像G，即G(x，y)＝[I(x，y，1)+I(x，y，2)+I(x，y，3)+I(x，y，4)]/4，其中，0≤x＜M，0≤y＜N；
找出灰度图像G中所有八连通区域像素值最大的像素，将其值设置为1，其他像素值设为0，得到二值图像B；
以二值图像B中像素值为1的像素作为标记点，采用标记分水岭算法对灰度图像G进行分割，分割结果为树冠圈定图。
CN202011498898.1A 2020-12-17 2020-12-17 基于高分辨率卫星遥感影像的树种分类计数方法及装置 Active CN112580504B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011498898.1A CN112580504B (zh) 2020-12-17 2020-12-17 基于高分辨率卫星遥感影像的树种分类计数方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011498898.1A CN112580504B (zh) 2020-12-17 2020-12-17 基于高分辨率卫星遥感影像的树种分类计数方法及装置

Publications (2)

Publication Number Publication Date
CN112580504A true CN112580504A (zh) 2021-03-30
CN112580504B CN112580504B (zh) 2023-01-17

Family

ID=75135950

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011498898.1A Active CN112580504B (zh) 2020-12-17 2020-12-17 基于高分辨率卫星遥感影像的树种分类计数方法及装置

Country Status (1)

Country Link
CN (1) CN112580504B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114648706A (zh) * 2022-05-23 2022-06-21 四川嘉普信工程技术咨询有限公司 基于卫星遥感影像的森林树种识别方法、装置及设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101922914A (zh) * 2010-08-27 2010-12-22 中国林业科学研究院资源信息研究所 基于高空间分辨率遥感影像的树冠信息提取方法和系统
JP2011103098A (ja) * 2009-11-12 2011-05-26 Shinshu Univ 樹木本数算定方法及び樹木本数算定装置
CN105354534A (zh) * 2015-09-29 2016-02-24 南京林业大学 一种基于多源同期高分辨率遥感数据的树种分类方法
CN110263735A (zh) * 2019-06-25 2019-09-20 北京林业大学 一种使用三维卷积神经网络对人工林高光谱数据进行树种分类的方法
CN110287869A (zh) * 2019-06-25 2019-09-27 吉林大学 基于深度学习的高分辨率遥感影像农作物分类方法
CN110728197A (zh) * 2019-09-19 2020-01-24 中山大学 基于深度学习的单木级树种识别方法
CN111008642A (zh) * 2019-10-25 2020-04-14 湖北富瑞尔科技有限公司 基于卷积神经网络的高分辨率遥感影像分类方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011103098A (ja) * 2009-11-12 2011-05-26 Shinshu Univ 樹木本数算定方法及び樹木本数算定装置
CN101922914A (zh) * 2010-08-27 2010-12-22 中国林业科学研究院资源信息研究所 基于高空间分辨率遥感影像的树冠信息提取方法和系统
CN105354534A (zh) * 2015-09-29 2016-02-24 南京林业大学 一种基于多源同期高分辨率遥感数据的树种分类方法
CN110263735A (zh) * 2019-06-25 2019-09-20 北京林业大学 一种使用三维卷积神经网络对人工林高光谱数据进行树种分类的方法
CN110287869A (zh) * 2019-06-25 2019-09-27 吉林大学 基于深度学习的高分辨率遥感影像农作物分类方法
CN110728197A (zh) * 2019-09-19 2020-01-24 中山大学 基于深度学习的单木级树种识别方法
CN111008642A (zh) * 2019-10-25 2020-04-14 湖北富瑞尔科技有限公司 基于卷积神经网络的高分辨率遥感影像分类方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘金丽: "基于高分二号遥感数据的树种精细分类技术研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114648706A (zh) * 2022-05-23 2022-06-21 四川嘉普信工程技术咨询有限公司 基于卫星遥感影像的森林树种识别方法、装置及设备
CN114648706B (zh) * 2022-05-23 2022-07-29 四川嘉普信工程技术咨询有限公司 基于卫星遥感影像的森林树种识别方法、装置及设备

Also Published As

Publication number Publication date
CN112580504B (zh) 2023-01-17

Similar Documents

Publication Publication Date Title
CN108573276B (zh) 一种基于高分辨率遥感影像的变化检测方法
CN111986099B (zh) 基于融合残差修正的卷积神经网络的耕地监测方法及系统
CN109800736B (zh) 一种基于遥感影像和深度学习的道路提取方法
CN110263717B (zh) 一种融入街景影像的土地利用类别确定方法
CN111028255B (zh) 基于先验信息与深度学习的农田区域预筛选方法及装置
CN111144250B (zh) 融合雷达和光学遥感数据的土地覆盖分类方法
CN114067219A (zh) 一种基于语义分割与超像素分割融合的农田作物识别方法
CN113869370A (zh) 基于深度学习算法和时序哨兵影像的树种精细化分类方法
CN115115954A (zh) 基于无人机遥感的松材线虫病疫区变色立木智能识别方法
CN117197668A (zh) 基于深度学习的作物倒伏级别的预测方法及系统
CN116258956A (zh) 无人机树木识别方法、设备、存储介质及装置
CN117392382A (zh) 一种基于多尺度密集实例检测的单木果树分割方法与系统
CN111695560A (zh) 基于卷积神经网络对农作物病虫害主动定位聚焦的方法
CN112580504B (zh) 基于高分辨率卫星遥感影像的树种分类计数方法及装置
CN112597936B (zh) 基于面向对象分层分割的建筑垃圾分离方法及相关产品
CN110175638B (zh) 一种扬尘源监测方法
CN112784806A (zh) 一种基于全卷积神经网络的含锂伟晶岩脉提取方法
CN116452872A (zh) 一种基于改进的Deeplabv3+的森林场景树种分类方法
CN115019044A (zh) 单株植物的分割方法、装置、终端设备和可读存储介质
CN114821370A (zh) 基于无人机影像与U-Net的单木树冠检测与分割方法
CN113705454A (zh) 一种包含红外光谱遥感影像的有林地提取方法
CN113610294A (zh) 一种中小城市色彩规划方法、存储介质和装置
CN111476129A (zh) 一种基于深度学习的土壤杂质检测方法
Evans et al. A season independent U-net model for robust mapping of solar arrays using Sentinel-2 imagery
CN117437654B (zh) 一种基于语义识别的栅格地图解析方法、设备和介质

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