CN112633253A - 一种基于特征检测的无人机遥感影像森林信息提取系统 - Google Patents
一种基于特征检测的无人机遥感影像森林信息提取系统 Download PDFInfo
- Publication number
- CN112633253A CN112633253A CN202110044037.4A CN202110044037A CN112633253A CN 112633253 A CN112633253 A CN 112633253A CN 202110044037 A CN202110044037 A CN 202110044037A CN 112633253 A CN112633253 A CN 112633253A
- Authority
- CN
- China
- Prior art keywords
- module
- image
- feature
- information extraction
- aerial vehicle
- 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.)
- Pending
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 32
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000010276 construction Methods 0.000 claims abstract description 12
- 230000011218 segmentation Effects 0.000 claims description 12
- 230000003595 spectral effect Effects 0.000 claims description 10
- 238000003384 imaging method Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 230000005670 electromagnetic radiation Effects 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 6
- 230000010365 information processing Effects 0.000 abstract description 2
- 230000015572 biosynthetic process Effects 0.000 abstract 1
- 239000002131 composite material Substances 0.000 abstract 1
- 230000007246 mechanism Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
一种基于特征检测的无人机遥感影像森林信息提取系统及方法,包括影像获取模块、分割模块、构建模块以及组合模块,影像获取模块的输出端与分割模块的输入端连接,分割模块的输出端与构建模块的输入端连接,通过分割模块可以在解决一个复杂问题是自顶向下逐层把系统划分成若干模块,每个模块完成特定的子功能,图像获取模块将图像翻译成一系列数字后存储在计算机硬盘或者其他电子介质,使图像能够被电子化地从一台计算机传输到另一台计算机,并对其进行加工处理,成像清晰且迅速,有效地加快了信息处理速度。
Description
技术领域
本发明涉及图像信息提取领域,具体涉及一种基于特征检测的无人机遥感影像森林信息提取系统及方法。
背景技术
信息提取指的是遥感影像信息提取。遥感信息提取是指从海量、不完全的、有噪声的、模糊的、随机的实际应用遥感影像数据中提取出蕴涵在其中的大量的对用户有用的信息(例如地物、植被、温度等),并将其(形成结构化的数据)放入数据库中或以其它形式提供给用户查询使用的过程。
但是现有的技术在对提取的影像数据进行处理与查询时,速度过慢且提供的数据有时并不十分准确。因此需要对信息提取的方式加以改进,同时提出一种基于特征检测技术的无人机遥感影像的森林信息提取系统,便于更好的解决上述提出的问题。
现有技术中也有对森林信息进行提取的系统,例如中国专利文献CN 111553245A记载了一种基于机器学习算法和多源遥感数据融合的植被分类方法,先利用无人机获取样本区域陆生植物的低空遥感影像,并基于低空遥感影像得到样本区域的数字正射影像和数字表面模型;再提取数字表面模型的高程信息;再利用卫星遥感获取跟无人机航拍时间相对应的样本区域的SAR影像;再对数字正射影像、高程信息和SAR影像进行波段和影像的融合;再通过样本区域实测数据和机器学习算法对融合后的影像进行反演模型训练和反演模型精度评价,得到符合要求的反演模型;最后基于反演模型对目标区域陆生植物进行分类,适用于陆生植物生态环境监测。
发明内容
本发明所要解决的技术问题是提供一种基于特征检测的无人机遥感影像森林信息提取系统及方法,使图像成形更为快速准确,且可以对影像进行特征提取,随后通过后续的信息分割与处理,便于对庞大的数据库进行整合,从而提取需要的信息,方便快捷。
为解决上述技术问题,本发明所采用的技术方案是:
一种基于特征检测的无人机遥感影像森林信息提取系统,包括影像获取模块、分割模块、构建模块以及组合模块,影像获取模块的输出端与分割模块的输入端连接,分割模块的输出端与构建模块的输入端连接,构建模块的输出端与组合模块的输入端连接,影像获取模块包括航空摄影模块、航空扫描模块、毫米波成像模块及图像拼接模块,图像拼接模块通过将空间重叠的图像进行对齐,构成一个无缝的图像整体,基于特征点检测算法的图像拼接,利用多尺度金字塔得到图像特征点位置,计算特征点领域内的梯度方向和大小,将这些信息作为特征用多为向量表示。
上述的影像获取模块使用扫描仪测量从图片发出或反射的光,依次记录光点的数值并生成一个彩色或黑白的数字拷贝,这个图像被翻译成一系列的数字后存储在存储介质上。
上述的分割模块自顶向下逐层将系统分为多个模块,每个模块具有多种属性,分别反映其内部特性,分割模块用来分割、组织和打包软件,每个模块完成一个子功能,所有模块组织称一个整体,完成系统所要求的功能。
上述的构建模块为UML架构。
上述的组合模块为基于两种或两种以上通讯模块的产品。
使用上述的一种基于特征检测的无人机遥感影像森林信息提取系统的信息提取方法,包括如下步骤:
步骤一、航线设计,选取地面分辨率,设置航高,通过对航线数、航摄面积、单片覆盖的计算,完成设计;
步骤二、航空摄影,通过放置在航空飞机上的焦平面的光敏元件,经光或电转换,以数字信号来记录物体影像;
步骤三、航空扫描,依靠探测元件和扫描镜对目标物体以瞬时视场为单位进行逐点、逐行取样,以得到目标物的电磁辐射特性信息,形成多种谱段的图像;
步骤四、无人机毫米波成像,将SAR雷达信号进行处理,从回波信号中提取目标后向反射系数;
步骤五、图像拼接,通过将一系列空间重叠的图像对齐,构成一幅完整的、高清晰的图像,基于特征点检测算法的图像拼接,利用多尺度金字塔得到图像特征点位置,计算特征点领域内的梯度方向和大小,将这些信息作为特征用多维向量表示。在特征点匹配步骤中将不同图像中的相似关键点彼此分配,再将图像中已经匹配的特征点在同一坐标中融合,得到拼接图像;
步骤六、特征提取,从原始图像数据中求出判读标志及统计量参数,对图像进行变换。
上述步骤六中的特征提取光谱特征、空间特征、纹理特征和语义特征。
上述的步骤六中特征提取的特征通过基于Filter+Wrapper模式的特征选择算法进行选择,将Filter方法作为特征预选,剔除无关或噪声特性,降低数据纬度,Wrapper方法再基于预选特征集进行特征精选。
本发明提供的一种基于特征检测的无人机遥感影像森林信息提取系统及方法,通过航空摄影和航空扫描后,得到目标区域的高分辨率图像和高光谱信息,通过分割模块可以在解决一个复杂问题是自顶向下逐层把系统划分成若干模块,每个模块完成特定的子功能,图像获取模块将图像翻译成一系列数字后存储在计算机硬盘或者其他电子介质,使图像能够被电子化地从一台计算机传输到另一台计算机,并对其进行加工处理,成像清晰且迅速,有效地加快了信息处理速度。
附图说明
下面结合附图和实施例对本发明作进一步说明:
图1为本发明工作流程示意图;
图2为本发明中信息提取与模块构建工作流程示意图;
图3为本发明中影像的预处理工作流程示意图。
具体实施方式
如图1-3中所示,一种基于特征检测的无人机遥感影像森林信息提取系统,包括影像获取模块、分割模块、构建模块以及组合模块,影像获取模块的输出端与分割模块的输入端连接,分割模块的输出端与构建模块的输入端连接,构建模块的输出端与组合模块的输入端连接,影像获取模块包括航空摄影模块、航空扫描模块、毫米波成像模块及图像拼接模块,图像拼接模块通过将空间重叠的图像进行对齐,构成一个无缝的图像整体,基于特征点检测算法的图像拼接,利用多尺度金字塔得到图像特征点位置,计算特征点领域内的梯度方向和大小,将这些信息作为特征用多为向量表示。
上述的影像获取模块使用扫描仪测量从图片发出或反射的光,依次记录光点的数值并生成一个彩色或黑白的数字拷贝,这个图像被翻译成一系列的数字后存储在存储介质上,如可移动式硬盘,图形CD或记录磁带等,一旦图像被转换成数字文件,它就能够被电子化地从一台计算机传输到另一台计算机上,而且对它进行加工处理。
上述的分割模块自顶向下逐层将系统分为多个模块,每个模块具有多种属性,分别反映其内部特性,是一种处理复杂系统分解为更好的可管理模块的方式,模块化用来分割,组织和打包软件,每个模块完成一个特定的子功能,所有的模块按某种方法组装起来,成为一个整体,完成整个系统所要求的功能。
上述的构建模块为UML架构,UML是由视图、图、模型元素和通用机制等几个部分构成,视图用来表示被建模系统的各个方面,由多个图构成,它不是一个图片,而是在某一个抽象层上,对系统的抽象表示,如果要为系统建立一个完整的模型图,只需定义一定数量的视图,每个视图表示系统的一个特殊方面就可以了,视图还把建模语言和系统开发时选择的方法或过程连接起来,图由各种图片构成,用来描述一个视图的内容,UML语言定了9种不同的图的类型,把它们有机地结合起来就可以描述系统的所有视图,模型元素代表面向对象中的类、对象、消息和关系等概念,是构成图的最基本的常用概念,通用机制用于表示其他信息,比如注释、模型元素的语义等,它还提供扩展机制,使UML语言能够适应一个特殊的方法(或过程)、或扩充至一个组织或用户。
上述的组合模块为基于两种或两种以上通讯模块的产品,本系统主要采用WiFi+蓝牙+BLE蓝牙模块,蓝牙又分为传统蓝牙和低功耗蓝牙,WiFi+蓝牙+BLE蓝牙模块是指模块WiFi支持SDIO接口,蓝牙支持UART接口,支持PCM蓝牙外设传输,BLE蓝牙模块同时作为主设备和从设备,主从一体提供了扩展BLE蓝牙模块的能力,将“链路层拓扑”的功能添加到蓝牙4.1规范中,即可允许蓝牙模块同时作为主设备和从设备,在任何角色组合中操作。
使用上述的一种基于特征检测的无人机遥感影像森林信息提取系统的信息提取方法,包括如下步骤:
步骤一、航线设计,选取地面分辨率,设置航高,通过对航线数、航摄面积、单片覆盖的计算,完成设计;
步骤二、航空摄影,通过放置在航空飞机上的焦平面的光敏元件,经光或电转换,以数字信号来记录物体影像;
步骤三、航空扫描,依靠探测元件和扫描镜对目标物体以瞬时视场为单位进行逐点、逐行取样,以得到目标物的电磁辐射特性信息,形成多种谱段的图像;
步骤四、无人机毫米波成像,将SAR雷达信号进行处理,从回波信号中提取目标后向反射系数,其实质是解二维卷积的过程,由于毫米波雷达的特性,其具有探测距离远、跟踪目标多、精准度高、不受天气影响等优点;
步骤五、图像拼接,通过将一系列空间重叠的图像对齐,构成一幅完整的、高清晰的图像,基于特征点检测算法的图像拼接,利用多尺度金字塔得到图像特征点位置,计算特征点领域内的梯度方向和大小,将这些信息作为特征用多维向量表示。在特征点匹配步骤中将不同图像中的相似关键点彼此分配,再将图像中已经匹配的特征点在同一坐标中融合,得到拼接图像;
步骤六、特征提取,从原始图像数据中求出判读标志及统计量参数,对图像进行变换。
上述步骤六中的特征提取光谱特征、空间特征、纹理特征、指数特征和语义特征;
光谱特征:
可提取颜色或灰度或波段间的亮度比等目标物的光谱特征,例如Landsat的MSS有四个波段,根据某类地物的光谱特征,采用特定的比值可将其突出出来;
空间特征:
把目标物的形状、大小、或者边缘,线性构造等几何性特征提取出来,例如把区域断层明显突出出来;
纹理特征:
是指周期性图案及区域的均匀性等有关纹理的特征,根据构成图案的要素形状、分布密度、方向性等纹理进行图像特征提取的处理叫做纹理分析;
指数特征:
指数特征具有数量性、综合性以及具体性;
语义特征:
是指影像中目标物与周围地物在空间上的关系,可以视为一种上下文的信息获取。按其可能性可分为确定性空间关系和概率性空间关系,一般包括相邻关系、包含关系和被包含关系等。
上述的步骤六中特征提取的特征通过基于Filter+Wrapper模式的特征选择算法进行选择,将Filter方法作为特征预选,剔除无关或噪声特性,降低数据纬度,Wrapper方法再基于预选特征集进行特征精选,Filter+Wrapper模式的特征更选择最能表达该地物的特征或特征组合,以区别于其他地物,此方法达到提高或保持分类精度和速度的同时,降低初始特征空间维数的目的。
Claims (8)
1.一种基于特征检测的无人机遥感影像森林信息提取系统,其特征在于,包括影像获取模块、分割模块、构建模块以及组合模块,影像获取模块的输出端与分割模块的输入端连接,分割模块的输出端与构建模块的输入端连接,构建模块的输出端与组合模块的输入端连接,影像获取模块包括航空摄影模块、航空扫描模块、毫米波成像模块及图像拼接模块,图像拼接模块通过将空间重叠的图像进行对齐,构成一个无缝的图像整体,基于特征点检测算法的图像拼接,利用多尺度金字塔得到图像特征点位置,计算特征点领域内的梯度方向和大小,将这些信息作为特征用多为向量表示。
2.根据权利要求1所述的一种基于特征检测的无人机遥感影像森林信息提取系统,其特征在于,所述的影像获取模块使用扫描仪测量从图片发出或反射的光,依次记录光点的数值并生成一个彩色或黑白的数字拷贝,这个图像被翻译成一系列的数字后存储在存储介质上。
3.根据权利要求1所述的一种基于特征检测的无人机遥感影像森林信息提取系统,其特征在于,所述的分割模块自顶向下逐层将系统分为多个模块,每个模块具有多种属性,分别反映其内部特性,分割模块用来分割、组织和打包软件,每个模块完成一个子功能,所有模块组织称一个整体,完成系统所要求的功能。
4.根据权利要求1所述的一种基于特征检测的无人机遥感影像森林信息提取系统,其特征是:所述的构建模块为UML架构。
5.根据权利要求1所述的一种基于特征检测的无人机遥感影像森林信息提取系统,其特征是:所述的组合模块为基于两种或两种以上通讯模块的产品。
6.使用上述权利要求1-5任一所述的一种基于特征检测的无人机遥感影像森林信息提取系统的信息提取方法,其特征在于,包括如下步骤:
步骤一、航线设计,选取地面分辨率,设置航高,通过对航线数、航摄面积、单片覆盖的计算,完成设计;
步骤二、航空摄影,通过放置在航空飞机上的焦平面的光敏元件,经光或电转换,以数字信号来记录物体影像;
步骤三、航空扫描,依靠探测元件和扫描镜对目标物体以瞬时视场为单位进行逐点、逐行取样,以得到目标物的电磁辐射特性信息,形成多种谱段的图像;
步骤四、无人机毫米波成像,将SAR雷达信号进行处理,从回波信号中提取目标后向反射系数;
步骤五、图像拼接,通过将一系列空间重叠的图像对齐,构成一幅完整的、高清晰的图像,基于特征点检测算法的图像拼接,利用多尺度金字塔得到图像特征点位置,计算特征点领域内的梯度方向和大小,将这些信息作为特征用多维向量表示,在特征点匹配步骤中将不同图像中的相似关键点彼此分配,再将图像中已经匹配的特征点在同一坐标中融合,得到拼接图像;
步骤六、特征提取,从原始图像数据中求出判读标志及统计量参数,对图像进行变换。
7.根据权利要求6所述的信息提取方法,其特征在于,所述步骤六中的特征提取光谱特征、空间特征、纹理特征、指数特征和语义特征。
8.根据权利要求6所述的信息提取方法,其特征在于,所述的步骤六中特征提取的特征通过基于Filter+Wrapper模式的特征选择算法进行选择,将Filter方法作为特征预选,剔除无关或噪声特性,降低数据纬度,Wrapper方法再基于预选特征集进行特征精选。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110044037.4A CN112633253A (zh) | 2021-01-13 | 2021-01-13 | 一种基于特征检测的无人机遥感影像森林信息提取系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110044037.4A CN112633253A (zh) | 2021-01-13 | 2021-01-13 | 一种基于特征检测的无人机遥感影像森林信息提取系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112633253A true CN112633253A (zh) | 2021-04-09 |
Family
ID=75293989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110044037.4A Pending CN112633253A (zh) | 2021-01-13 | 2021-01-13 | 一种基于特征检测的无人机遥感影像森林信息提取系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112633253A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722370A (zh) * | 2012-05-24 | 2012-10-10 | 南京华设科技股份有限公司 | Android模块化开发方法 |
CN104820965A (zh) * | 2015-04-30 | 2015-08-05 | 武汉大学 | 一种低空无人机影像无地理编码快速拼接方法 |
CN106886536A (zh) * | 2015-12-16 | 2017-06-23 | 天脉聚源(北京)科技有限公司 | 一种模块化互动展示方法及系统 |
CN107742276A (zh) * | 2017-03-27 | 2018-02-27 | 苏州星宇测绘科技有限公司 | 一种基于无人机遥感图像机载一体化快速处理系统和方法 |
CN108346143A (zh) * | 2018-01-30 | 2018-07-31 | 浙江大学 | 一种基于无人机多源图像融合的作物病害监测方法和系统 |
CN108583902A (zh) * | 2018-06-20 | 2018-09-28 | 江苏大成航空科技有限公司 | 一种模块化无人机 |
CN108765458A (zh) * | 2018-04-16 | 2018-11-06 | 上海大学 | 基于相关滤波的高海况无人艇海面目标尺度自适应跟踪方法 |
-
2021
- 2021-01-13 CN CN202110044037.4A patent/CN112633253A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722370A (zh) * | 2012-05-24 | 2012-10-10 | 南京华设科技股份有限公司 | Android模块化开发方法 |
CN104820965A (zh) * | 2015-04-30 | 2015-08-05 | 武汉大学 | 一种低空无人机影像无地理编码快速拼接方法 |
CN106886536A (zh) * | 2015-12-16 | 2017-06-23 | 天脉聚源(北京)科技有限公司 | 一种模块化互动展示方法及系统 |
CN107742276A (zh) * | 2017-03-27 | 2018-02-27 | 苏州星宇测绘科技有限公司 | 一种基于无人机遥感图像机载一体化快速处理系统和方法 |
CN108346143A (zh) * | 2018-01-30 | 2018-07-31 | 浙江大学 | 一种基于无人机多源图像融合的作物病害监测方法和系统 |
CN108765458A (zh) * | 2018-04-16 | 2018-11-06 | 上海大学 | 基于相关滤波的高海况无人艇海面目标尺度自适应跟踪方法 |
CN108583902A (zh) * | 2018-06-20 | 2018-09-28 | 江苏大成航空科技有限公司 | 一种模块化无人机 |
Non-Patent Citations (10)
Title |
---|
何兴元等: "森林生态系统遥感监测技术研究进展", 《地理科学》 * |
何兴元等: "森林生态系统遥感监测技术研究进展", 《地理科学》, no. 07, 15 July 2018 (2018-07-15) * |
包西民: "无人机图像与卫星遥感影像融合技术研究", 《科学技术创新》 * |
包西民: "无人机图像与卫星遥感影像融合技术研究", 《科学技术创新》, no. 04, 5 February 2020 (2020-02-05) * |
周振超等: "红树林遥感动态监测研究进展", 《地球信息科学学报》 * |
周振超等: "红树林遥感动态监测研究进展", 《地球信息科学学报》, no. 11, 28 November 2018 (2018-11-28) * |
董广军: "高光谱与高空间分辨率遥感信息融合技术研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
董广军: "高光谱与高空间分辨率遥感信息融合技术研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, 15 February 2005 (2005-02-15), pages 63 - 66 * |
薛瑞 等: "ReliefF与QPSO结合的故障特征选择算法", 《振动与冲击》 * |
薛瑞 等: "ReliefF与QPSO结合的故障特征选择算法", 《振动与冲击》, vol. 39, no. 1, 31 December 2020 (2020-12-31), pages 172 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114092780B (zh) | 基于点云与图像数据融合的三维目标检测方法 | |
CN110264416A (zh) | 稀疏点云分割方法及装置 | |
CN112052860B (zh) | 一种三维目标检测方法及系统 | |
CN112581612B (zh) | 基于激光雷达和环视摄像头融合的车载栅格地图生成方法及系统 | |
CN114708585A (zh) | 一种基于注意力机制的毫米波雷达与视觉融合的三维目标检测方法 | |
Rastogi et al. | Automatic building footprint extraction from very high-resolution imagery using deep learning techniques | |
CN112347895A (zh) | 一种基于边界优化神经网络的舰船遥感目标检测方法 | |
CN114708313A (zh) | 基于双支路神经网络的光学与sar图像配准方法 | |
Patanè et al. | Heterogeneous spatial data: Fusion, modeling, and analysis for GIS applications | |
CN114140539A (zh) | 一种室内物体的位置获取方法和装置 | |
Park et al. | Active-passive data fusion algorithms for seafloor imaging and classification from CZMIL data | |
CN114137564A (zh) | 一种室内物体自动标识定位方法和装置 | |
Albanwan et al. | Spatiotemporal fusion in remote sensing | |
CN112633253A (zh) | 一种基于特征检测的无人机遥感影像森林信息提取系统 | |
CN113762271A (zh) | 基于不规则卷积核神经网络模型的sar图像语义分割方法和系统 | |
Harris | Spectral and spatial image processing for remote sensing | |
Ahmadibeni | Aerial Vehicles Automated Target Recognition of Synthetic SAR Imagery Using Hybrid Stacked Denoising Autoencoders | |
Mallet et al. | Airborne LiDAR data processing | |
Wang et al. | A land-cover classification method of high-resolution remote sensing imagery based on convolution neural network | |
Gonçalves | Using structure-from-motion workflows for 3D mapping and remote sensing | |
CN112184712A (zh) | 一种基于面向对象技术的遥感影像的森林信息提取系统 | |
Wegner | Detection and height estimation of buildings from SAR and optical images using conditional random fields | |
LU502118B1 (en) | A Method and System for Detecting 3D Target | |
He | Research on outdoor garden scene reconstruction based on PMVS Algorithm | |
Jayakumar et al. | Satellite Image Fusion in Various Domains |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210409 |
|
RJ01 | Rejection of invention patent application after publication |