CN112699728A - 一种高分二号影像智能渔排识别算法、装置、设备和介质 - Google Patents
一种高分二号影像智能渔排识别算法、装置、设备和介质 Download PDFInfo
- Publication number
- CN112699728A CN112699728A CN202011300213.8A CN202011300213A CN112699728A CN 112699728 A CN112699728 A CN 112699728A CN 202011300213 A CN202011300213 A CN 202011300213A CN 112699728 A CN112699728 A CN 112699728A
- Authority
- CN
- China
- Prior art keywords
- image
- fish
- fish raft
- raft
- resolution
- 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
- 241000251468 Actinopterygii Species 0.000 title claims abstract description 119
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 18
- 238000012706 support-vector machine Methods 0.000 claims abstract description 44
- 238000009826 distribution Methods 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000007635 classification algorithm Methods 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000013145 classification model Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 39
- 238000010586 diagram Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 15
- 239000013535 sea water Substances 0.000 claims description 10
- 239000006260 foam Substances 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 239000002023 wood Substances 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000005855 radiation Effects 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
- G06V20/13—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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种高分二号影像智能渔排识别算法、装置、设备和介质,方法包括:对得到的高分二号图像进行预处理,得到处理后的图像;根据处理后的图像,标示渔排分布;将标示后的图像进行分割,形成设定个数的小图像;基于SVM支持向量机分类模型;根据参数网格上穷举候选参数组合的方法,通过不断地改变各参数搭配方案,将所述小图像输入进行测试更新目标函数的精度值;构建以高分二号四个波段的数值维度m*n*l为特征矩阵,以分类影像为反演目标,经过SVM支持向量机分类算法训练建模,构成渔排智能识别模型,快速、精确的确定渔排分布面积,为执法部门提供有效的技术支持。
Description
技术领域
本发明涉及计算机技术领域,特别涉及一种高分二号影像智能渔排识别算法、装置、设备和介质。
背景技术
非法渔排将原本宽阔的海面切割成碎片,严重影响了海洋生态环境,并且,非法建造大量渔排也会影响海洋的现有航道,以及海水的正常交换秩序,进而对海洋水域造成污染和破坏。但是现场摸排,受人员约束,成本控制因素影响较巨大;若是要完整的现场摸排,则需要非常大的成本;若是投入不够,则就导致无法完整的摸清渔排的具体情况。
发明内容
本发明要解决的技术问题,在于提供一种高分二号影像智能渔排识别算法、装置、设备和介质,快速、精确的确定渔排分布面积,为执法部门提供有效的技术支持。
第一方面,本发明提供了一种高分二号影像智能渔排识别算法,包括:
步骤1、对得到的高分二号图像进行预处理,得到处理后的图像;
步骤2、根据处理后的图像,标示渔排分布;
步骤3、将标示后的图像进行分割,形成设定个数的小图像;
步骤4、基于SVM支持向量机分类模型;根据参数网格上穷举候选参数组合的方法,通过不断地改变各参数搭配方案,将所述小图像输入进行测试更新目标函数的精度值;
步骤5、构建以高分二号四个波段的数值维度m*n*l为特征矩阵,以分类影像为反演目标,经过SVM支持向量机分类算法训练建模,构成渔排智能识别模型。
进一步地,还包括步骤6、输入所需要识别的高分二号图像,通过所述渔排只能识别模型得到渔排类型以及渔排分布图,根据渔排分布图计算出渔排面积。
进一步地,所述步骤5进一步具体为:构建以高分二号四个波段的数值维度6*6*4为特征矩阵,以分类影像为反演目标,经过SVM支持向量机分类算法训练建模,构成渔排智能识别模型;所述渔排智能识别模型从高分二号数据上判别出橡胶渔排,木质渔排,泡沫渔排,陆地,海水,滩涂湿地五种类型数据,以及渔排分布图;所述渔排智能识别模型中分别设置:C=0.23, kernel=rbf,gamma=0.8367;C是惩罚系数,即对误差的宽容度;kernel是线性核函数,提供poly,rbf,sigmoid三种函数类型;gamma是选择RBF 函数作为kernel后,该函数自带的一个参数,隐含地决定了数据映射到新的特征空间后的分布。
进一步地,所述步骤1进一步具体为:筛选云盖量为0并且符合设定条件的沿海海湾的高分二号数据,并对其进行rpc正射矫正,大气矫正辐射定标及对1米分辨率的全色图像和4米的多光谱图像进行图像融合,得到分辨率优于1米的真彩色遥感图像。
第二方面,本发明提供了一种高分二号影像智能渔排识别装置,包括:
预处理模块,对得到的高分二号图像进行预处理,得到处理后的图像;
标示模块,根据处理后的图像,标示渔排分布;
分割模块,将标示后的图像进行分割,形成设定个数的小图像;
训练模块,基于SVM支持向量机分类模型;根据参数网格上穷举候选参数组合的方法,通过不断地改变各参数搭配方案,将所述小图像输入进行测试更新目标函数的精度值;
构件模块,构建以高分二号四个波段的数值维度m*n*l为特征矩阵,以分类影像为反演目标,经过SVM支持向量机分类算法训练建模,构成渔排智能识别模型。
进一步地,还包括识别模块,输入所需要识别的高分二号图像,通过所述渔排只能识别模型得到渔排类型以及渔排分布图,根据渔排分布图计算出渔排面积。
进一步地,所述构件模块进一步具体为:构建以高分二号四个波段的数值维度6*6*4为特征矩阵,以分类影像为反演目标,经过SVM支持向量机分类算法训练建模,构成渔排智能识别模型;所述渔排智能识别模型从高分二号数据上判别出橡胶渔排,木质渔排,泡沫渔排,陆地,海水,滩涂湿地五种类型数据,以及渔排分布图;所述渔排智能识别模型中分别设置: C=0.23,kernel=rbf,gamma=0.8367;C是惩罚系数,即对误差的宽容度; kernel是线性核函数,提供poly,rbf,sigmoid三种函数类型;gamma是选择RBF函数作为kernel后,该函数自带的一个参数,隐含地决定了数据映射到新的特征空间后的分布。
进一步地,所述预处理模块进一步具体为:筛选云盖量为0并且符合设定条件的沿海海湾的高分二号数据,并对其进行rpc正射矫正,大气矫正辐射定标及对1米分辨率的全色图像和4米的多光谱图像进行图像融合,得到分辨率优于1米的真彩色遥感图像。
第三方面,本发明提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现第一方面所述的算法。
第四方面,本发明提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现第一方面所述的算法。
本发明实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供的一种高分二号影像智能渔排识别算法、装置、设备和介质,建立一种自动化识别渔排的模型机制,将机器学习的SVM支持向量机算法,应用在遥感影像识别上,开拓了高分数据在海洋渔业上的应用,并减少了人工目视解译的时间成本。
从最新高清遥感数据识别渔排规模,空间分布,为了严厉打击海上非法渔排造成的生态破坏,维护我市海域管理秩序提供有效支撑。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1为本发明实施例一中方法中的流程图;
图2为本发明实施例二中装置的结构示意图。
具体实施方式
本申请实施例通过提供一种高分二号影像智能渔排识别算法、装置、设备和介质,解决了现有技术中无法精确、快速的定位渔排,得到了快速、精确的确定渔排分布面积,为执法部门提供有效的技术支持的有益效果。
本申请实施例中的技术方案,总体思路如下:本发明提出一种基于机器学习的智能渔排识别算法,能在高分二号数据上对沿海渔排进行图像识别。高分二号卫星是我国分辨率最高的光学对地观测卫星,空间分辨率优于1 米,同时还具有高辐射精度、高定位精度和快速姿态机动能力等特点。SVM 支持向量机模型能有效判别影像上渔排与其他地物,通过把该技术应用在高分二号数据上,能快速,高效地对沿海渔排智能提取,摸清渔排规模及空间分布,为职能部门进行精确执法决策提供有效参考。
步骤A:对高分二号数据预处理:筛选云盖量为0并且视野清晰,能见度高的沿海海湾的高分二号数据,并对其进行rpc正射矫正,大气矫正辐射定标及对1米分辨率的全色图像和4米的多光谱图像进行图像融合,得到分辨率优于1米的真彩色遥感影像;
步骤B:标示渔排分布:摘选闽江入海口,九龙江入海口,赛江入海口三个地区从2019年开始各3期高分二号影像作为训练集进行监督分类,目视解译出橡胶渔排,木质渔排,泡沫渔排,陆地,海水,滩涂湿地五种类型,形成分类结果影像;
步骤C:对影像进行小图像进行分割,对原始高分数据及分类影像划分成规格为6像素×6像素的网格,共计56,934,000个,每一个单元均为训练单元;
步骤D:基于SVM支持向量机分类模型:根据参数网格上穷举候选参数组合的方法,通过不断地改变各参数搭配方案测试更新目标函数的精度值。后期需要修订的3个参数:C是惩罚系数,即对误差的宽容度;kernel 是线性核函数,提供poly,rbf,sigmoid三种函数类型;gamma是选择RBF 函数作为kernel后,该函数自带的一个参数,隐含地决定了数据映射到新的特征空间后的分布。
步骤E:构建以高分二号四个波段的数值维度6*6*4为特征矩阵,以分类影像为反演目标,经过SVM支持向量机分类算法训练建模,构成渔排智能识别模型,后续由该模型就可从高分二号数据上智能判别出橡胶渔排,木质渔排,泡沫渔排,陆地,海水,滩涂湿地五种类型数据,该模型参数修订为模型超参数设置分别为C=0.23,kernel=rbf,gamma=0.8367。
实施例一
如图1所示,本实施例提供一种高分二号影像智能渔排识别算法,包括:
步骤1、筛选云盖量为0并且符合设定条件的沿海海湾的高分二号数据,并对其进行rpc正射矫正,大气矫正辐射定标及对1米分辨率的全色图像和 4米的多光谱图像进行图像融合,得到分辨率优于1米的真彩色遥感图像;
步骤2、根据处理后的图像,标示渔排分布;
步骤3、将标示后的图像进行分割,形成设定个数的小图像;
步骤4、基于SVM支持向量机分类模型;根据参数网格上穷举候选参数组合的方法,通过不断地改变各参数搭配方案,将所述小图像输入进行测试更新目标函数的精度值;
步骤5、构建以高分二号四个波段的数值维度6*6*4为特征矩阵,以分类影像为反演目标,经过SVM支持向量机分类算法训练建模,构成渔排智能识别模型;所述渔排智能识别模型从高分二号数据上判别出橡胶渔排,木质渔排,泡沫渔排,陆地,海水,滩涂湿地五种类型数据,以及渔排分布图;所述渔排智能识别模型中分别设置:C=0.23,kernel=rbf,gamma=0.8367; C是惩罚系数,即对误差的宽容度;kernel是线性核函数,提供poly,rbf,sigmoid三种函数类型;gamma是选择RBF函数作为kernel后,该函数自带的一个参数,隐含地决定了数据映射到新的特征空间后的分布;
步骤6、输入所需要识别的高分二号图像,通过所述渔排只能识别模型得到渔排类型以及渔排分布图,根据渔排分布图计算出渔排面积。
基于同一发明构思,本申请还提供了与实施例一中的方法对应的装置,详见实施例二。
实施例二
如图2所示,在本实施例中提供了一种高分二号影像智能渔排识别装置,包括:
预处理模块,筛选云盖量为0并且符合设定条件的沿海海湾的高分二号数据,并对其进行rpc正射矫正,大气矫正辐射定标及对1米分辨率的全色图像和4米的多光谱图像进行图像融合,得到分辨率优于1米的真彩色遥感图像;
标示模块,根据处理后的图像,标示渔排分布;
分割模块,将标示后的图像进行分割,形成设定个数的小图像;
训练模块,基于SVM支持向量机分类模型;根据参数网格上穷举候选参数组合的方法,通过不断地改变各参数搭配方案,将所述小图像输入进行测试更新目标函数的精度值;
构件模块,构建以高分二号四个波段的数值维度6*6*4为特征矩阵,以分类影像为反演目标,经过SVM支持向量机分类算法训练建模,构成渔排智能识别模型;所述渔排智能识别模型从高分二号数据上判别出橡胶渔排,木质渔排,泡沫渔排,陆地,海水,滩涂湿地五种类型数据,以及渔排分布图;所述渔排智能识别模型中分别设置:C=0.23,kernel=rbf,gamma=0.8367; C是惩罚系数,即对误差的宽容度;kernel是线性核函数,提供poly,rbf,sigmoid三种函数类型;gamma是选择RBF函数作为kernel后,该函数自带的一个参数,隐含地决定了数据映射到新的特征空间后的分布;
识别模块,输入所需要识别的高分二号图像,通过所述渔排只能识别模型得到渔排类型以及渔排分布图,根据渔排分布图计算出渔排面积。
由于本发明实施例二所介绍的装置,为实施本发明实施例一的方法所采用的装置,故而基于本发明实施例一所介绍的方法,本领域所属人员能够了解该装置的具体结构及变形,故而在此不再赘述。凡是本发明实施例一的方法所采用的装置都属于本发明所欲保护的范围。
基于同一发明构思,本申请提供了实施例一对应的电子设备实施例,详见实施例三。
实施例三
本实施例提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时,可以实现实施例一中任一实施方式。
由于本实施例所介绍的电子设备为实施本申请实施例一中方法所采用的设备,故而基于本申请实施例一中所介绍的方法,本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式,所以在此对于该电子设备如何实现本申请实施例中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中的方法所采用的设备,都属于本申请所欲保护的范围。
基于同一发明构思,本申请提供了实施例一对应的存储介质,详见实施例四。
实施例四
本实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时,可以实现实施例一中任一实施方式。
本申请实施例中提供的技术方案,至少具有如下技术效果或优点:本申请实施例提供的方法、装置、设备及介质,
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/ 或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
虽然以上描述了本发明的具体实施方式,但是熟悉本技术领域的技术人员应当理解,我们所描述的具体的实施例只是说明性的,而不是用于对本发明的范围的限定,熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化,都应当涵盖在本发明的权利要求所保护的范围内。
Claims (10)
1.一种高分二号影像智能渔排识别算法,其特征在于:包括:
步骤1、对得到的高分二号图像进行预处理,得到处理后的图像;
步骤2、根据处理后的图像,标示渔排分布;
步骤3、将标示后的图像进行分割,形成设定个数的小图像;
步骤4、基于SVM支持向量机分类模型;根据参数网格上穷举候选参数组合的方法,通过不断地改变各参数搭配方案,将所述小图像输入进行测试更新目标函数的精度值;
步骤5、构建以高分二号四个波段的数值维度m*n*l为特征矩阵,以分类影像为反演目标,经过SVM支持向量机分类算法训练建模,构成渔排智能识别模型。
2.根据权利要求1所述的一种高分二号影像智能渔排识别算法,其特征在于:还包括步骤6、输入所需要识别的高分二号图像,通过所述渔排只能识别模型得到渔排类型以及渔排分布图,根据渔排分布图计算出渔排面积。
3.根据权利要求1所述的一种高分二号影像智能渔排识别算法,其特征在于:所述步骤5进一步具体为:构建以高分二号四个波段的数值维度6*6*4为特征矩阵,以分类影像为反演目标,经过SVM支持向量机分类算法训练建模,构成渔排智能识别模型;所述渔排智能识别模型从高分二号数据上判别出橡胶渔排,木质渔排,泡沫渔排,陆地,海水,滩涂湿地五种类型数据,以及渔排分布图;所述渔排智能识别模型中分别设置:C=0.23,kernel=rbf,gamma=0.8367;C是惩罚系数,即对误差的宽容度;kernel是线性核函数,提供poly,rbf,sigmoid三种函数类型;gamma是选择RBF函数作为kernel后,该函数自带的一个参数,隐含地决定了数据映射到新的特征空间后的分布。
4.根据权利要求1所述的一种高分二号影像智能渔排识别算法,其特征在于:所述步骤1进一步具体为:筛选云盖量为0并且符合设定条件的沿海海湾的高分二号数据,并对其进行rpc正射矫正,大气矫正辐射定标及对1米分辨率的全色图像和4米的多光谱图像进行图像融合,得到分辨率优于1米的真彩色遥感图像。
5.一种高分二号影像智能渔排识别装置,其特征在于:包括:
预处理模块,对得到的高分二号图像进行预处理,得到处理后的图像;
标示模块,根据处理后的图像,标示渔排分布;
分割模块,将标示后的图像进行分割,形成设定个数的小图像;
训练模块,基于SVM支持向量机分类模型;根据参数网格上穷举候选参数组合的方法,通过不断地改变各参数搭配方案,将所述小图像输入进行测试更新目标函数的精度值;
构件模块,构建以高分二号四个波段的数值维度m*n*l为特征矩阵,以分类影像为反演目标,经过SVM支持向量机分类算法训练建模,构成渔排智能识别模型。
6.根据权利要求5所述的一种高分二号影像智能渔排识别装置,其特征在于:还包括识别模块,输入所需要识别的高分二号图像,通过所述渔排只能识别模型得到渔排类型以及渔排分布图,根据渔排分布图计算出渔排面积。
7.根据权利要求5所述的一种高分二号影像智能渔排识别装置,其特征在于:所述构件模块进一步具体为:构建以高分二号四个波段的数值维度6*6*4为特征矩阵,以分类影像为反演目标,经过SVM支持向量机分类算法训练建模,构成渔排智能识别模型;所述渔排智能识别模型从高分二号数据上判别出橡胶渔排,木质渔排,泡沫渔排,陆地,海水,滩涂湿地五种类型数据,以及渔排分布图;所述渔排智能识别模型中分别设置:C=0.23,kernel=rbf,gamma=0.8367;C是惩罚系数,即对误差的宽容度;kernel是线性核函数,提供poly,rbf,sigmoid三种函数类型;gamma是选择RBF函数作为kernel后,该函数自带的一个参数,隐含地决定了数据映射到新的特征空间后的分布。
8.根据权利要求5所述的一种高分二号影像智能渔排识别算法,其特征在于:所述预处理模块进一步具体为:筛选云盖量为0并且符合设定条件的沿海海湾的高分二号数据,并对其进行rpc正射矫正,大气矫正辐射定标及对1米分辨率的全色图像和4米的多光谱图像进行图像融合,得到分辨率优于1米的真彩色遥感图像。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至4任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011300213.8A CN112699728A (zh) | 2020-11-19 | 2020-11-19 | 一种高分二号影像智能渔排识别算法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011300213.8A CN112699728A (zh) | 2020-11-19 | 2020-11-19 | 一种高分二号影像智能渔排识别算法、装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112699728A true CN112699728A (zh) | 2021-04-23 |
Family
ID=75505962
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011300213.8A Pending CN112699728A (zh) | 2020-11-19 | 2020-11-19 | 一种高分二号影像智能渔排识别算法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112699728A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150071528A1 (en) * | 2013-09-11 | 2015-03-12 | Digitalglobe, Inc. | Classification of land based on analysis of remotely-sensed earth images |
CN108875659A (zh) * | 2018-06-26 | 2018-11-23 | 上海海事大学 | 一种基于多光谱遥感影像的海图养殖区识别方法 |
CN109840496A (zh) * | 2019-01-29 | 2019-06-04 | 青岛大学 | 海水养殖区分层分类提取方法、装置、存储介质及电子设备 |
-
2020
- 2020-11-19 CN CN202011300213.8A patent/CN112699728A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150071528A1 (en) * | 2013-09-11 | 2015-03-12 | Digitalglobe, Inc. | Classification of land based on analysis of remotely-sensed earth images |
CN108875659A (zh) * | 2018-06-26 | 2018-11-23 | 上海海事大学 | 一种基于多光谱遥感影像的海图养殖区识别方法 |
CN109840496A (zh) * | 2019-01-29 | 2019-06-04 | 青岛大学 | 海水养殖区分层分类提取方法、装置、存储介质及电子设备 |
Non-Patent Citations (2)
Title |
---|
王卫;李敬;陈晓远;高琳;: "基于高分二号卫星影像的粤北地区香芋遥感识别研究", 广东农业科学, no. 06 * |
闫静;张彩云;张永年;李雪丁;张宁;江山;商少凌;: "基于无人机遥感技术的港湾养殖区监测", 厦门大学学报(自然科学版), no. 05 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109583369B (zh) | 一种基于目标区域分割网络的目标识别方法及装置 | |
US11521379B1 (en) | Method for flood disaster monitoring and disaster analysis based on vision transformer | |
Zhang et al. | ShipRSImageNet: A large-scale fine-grained dataset for ship detection in high-resolution optical remote sensing images | |
Pradhan et al. | An easy to use ArcMap based texture analysis program for extraction of flooded areas from TerraSAR-X satellite image | |
CN110599537A (zh) | 基于Mask R-CNN的无人机图像建筑物面积计算方法及系统 | |
CN103413151B (zh) | 基于图正则低秩表示维数约简的高光谱图像分类方法 | |
CN108805064A (zh) | 一种基于深度学习的鱼类定位检测和识别方法及系统 | |
CN108960135B (zh) | 基于高分辨遥感图像的密集舰船目标精确检测方法 | |
CN109740665A (zh) | 基于专家知识约束的遮挡图像船只目标检测方法及系统 | |
WO2020046213A1 (en) | A method and apparatus for training a neural network to identify cracks | |
Jiang et al. | Focal-test-based spatial decision tree learning | |
CN104392228A (zh) | 基于条件随机场模型的无人机图像目标类检测方法 | |
CN110647802A (zh) | 基于深度学习的遥感影像舰船目标检测方法 | |
Fan et al. | Floating raft aquaculture information automatic extraction based on high resolution SAR images | |
CN106156758B (zh) | 一种sar海岸图像中海岸线提取方法 | |
CN109389062A (zh) | 利用高分辨率星载sar图像提取湖泊水陆分割线的方法 | |
CN116563726A (zh) | 一种基于卷积神经网络的遥感图像舰船目标检测方法 | |
Yamakita et al. | Application of deep learning techniques for determining the spatial extent and classification of seagrass beds, Trang, Thailand | |
Yin et al. | Application of a radar echo extrapolation‐based deep learning method in strong convection nowcasting | |
CN106709515A (zh) | 一种适用于下视景象匹配选区准则干预方法 | |
CN114563378A (zh) | 湖库蓝藻水华空间分布定量描述方法、装置、介质和设备 | |
CN107748361A (zh) | 基于截断杂波统计的sar图像双参数cfar检测方法 | |
CN108446721A (zh) | 一种基于多分支网络的水面环境解析方法 | |
CN107271367A (zh) | 一种水体识别方法及装置 | |
Kekre et al. | SAR image segmentation using vector quantization technique on entropy images |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230904 Address after: Building B2, Chuangxin 1, No. 63 Chuangqi Road, Shilou Town, Panyu District, Guangzhou City, Guangdong Province, 511400 Applicant after: GUANGDONG SEA STAR OCEAN SCI. AND TECH. CO.,LTD. Address before: Room 1601, Floor 2, 16, Huajian Building, No. 16 Keji East Road, Shangjie Town, Minhou County, Fuzhou City, Fujian Province, 350100 Applicant before: Wushi (Fujian) Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right |