CN112906666A - 一种农业种植结构的遥感识别方法 - Google Patents

一种农业种植结构的遥感识别方法 Download PDF

Info

Publication number
CN112906666A
CN112906666A CN202110371126.XA CN202110371126A CN112906666A CN 112906666 A CN112906666 A CN 112906666A CN 202110371126 A CN202110371126 A CN 202110371126A CN 112906666 A CN112906666 A CN 112906666A
Authority
CN
China
Prior art keywords
sample set
classifier
elm
training
algorithm
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
Application number
CN202110371126.XA
Other languages
English (en)
Inventor
黄冠华
冯子怡
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.)
China Agricultural University
Original Assignee
China Agricultural University
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 China Agricultural University filed Critical China Agricultural University
Priority to CN202110371126.XA priority Critical patent/CN112906666A/zh
Publication of CN112906666A publication Critical patent/CN112906666A/zh
Priority to PCT/CN2022/085640 priority patent/WO2022214039A1/zh
Pending legal-status Critical Current

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
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning

Landscapes

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

Abstract

本发明属于农业遥感领域，涉及一种农业种植结构的遥感识别方法，采用机器学习算法提取农作物的种植结构，并且满足多种训练数据类型，自动训练后得到高精度农业种植结构栅格化数据。本发明通过非监督算法k‑means将相似像元先聚类成单一类别，而后运用自标记算法对样本集进行扩充，最后利用D‑ELM算法将这些合并后的像元类别训练和计算。通过训练后的再将所有区域分类判别，这样大大提高了分类器的效率，避免了使用监督分类算法时间空间复杂度过高而导致大区域种植结构分类不可行的问题，同时D‑ELM混合分类器在保证分类精度前提下，满足农业遥感种植结构识别的制图精度。

Description

一种农业种植结构的遥感识别方法
技术领域
本发明属于农业遥感领域，涉及一种农业种植结构的遥感识别方法，采用机器学习算法提取农作物的种植结构，并且满足多种训练数据类型，自动训练后得到高精度农业种植结构栅格化数据。
背景技术
20世纪以来，遥感能准确地获取农业生产信息，成为指导传统农业向信息科学化农业转变的主要技术方法。如今，利用遥感技术可以实现农作物识别及对应种植面积估算、农作物长势监测与产量估计、农作物叶面指数、叶绿素含量监测与养分诊断、农用地提取与动态监测等。因此，遥感和地理信息技术结合已经成为快速收集和定量分析农业信息、实现科学快速决策的基本手段。其中农作物种植结构识别和种植面积估算是进行农业结构调整的依据，也是研究水文模型、农业决策的重要数据源。从20世纪80年代中期，中国就开始利用气象卫星开展小麦、水稻、玉米等大宗作物的面积监测、长势及产量估计等技术研究。极限学习机(Extreme Learning Machine,ELM)因其学习速度快、泛化能力强而被广泛应用于各种分类任务中。
极限学习机(Extreme Learning Machine,ELM)作为一类针对前馈神经网络设计的机器学习算法，在2004年由Guang-Bin Huang、Qin-Yu Zhu和Chee-Kheong Siew提出，其诞生的动机是为了克服传统神经网络算法学习效率低、参数设定繁琐的问题。
ELM的特点是其学习过程不需要调整隐含层节点参数，输入层至隐含层的特征映射可以是随机的或人为给定的。由于仅需求解输出权重，ELM在本质上是一个线性参数模式(linear-in-the-parameter model)，其学习过程易于在全局极小值收敛。ELM在学习效率和泛化性能上的优势已经在许多领域得到证实，在与反向传播算法(Back-Propagation,BP)和支持向量机(Support Vector Machine,SVM)的比较中，ELM的学习时间显著缩短，且学习精度相当。ELM最初是为传统的分类和回归类问题而设计的，但在随后的研究中，其应用范围被推广至几乎所有机器学习领域，包括聚类和特征学习(representationallearning)等，并出现许多变体和改进算法。ELM保持了前馈神经网络的万能近似定理(universal approximation theorem)适用性，而其学习策略为机器学习领域带来了诸多启发。然而，由于其浅层结构特征，ELM无法有效提取数据深层抽象信息。因此应用深度极限学习机，对解决大数据稀疏样本条件下种植结构的识别应用十分重要。
针对卫星遥感图像现有的分类算法难以在大范围高精度图像中实施、运算时间长且耗费大量的内存。对农业种植结构识别应用而言，单一的分类算法以及分类器很难解决实际情况所面对的计算量大，样本稀疏等问题。
在实际工作中聚类算法、SVM、随机森林、ELM等各种分类器都具有其优点与缺点，因此本发明结合各种算法的优势，取长补短，提高分类的效率以及精度。监督分类算法的优势在于可以根据训练数据样本对像元进行类别判别，根据样本的特征来确定像元的归属。监督分类的主要缺陷是必须在分类前定义样本的性质，分类效率低，而非监督分类是在没有样本的条件下，根据像元相似度自动判别归类，没有人工干预的成分，具有速度较快的优势，但当地物光谱的差异比较微小的时候，分类效果不如监督分类效果好，且无监督分类不能判别像元的归类，既为聚类算法。
发明内容
针对上述技术问题，本发明的目的是提供一种农业种植结构的遥感识别方法，通过非监督算法k-means将相似像元先聚类成单一类别，而后运用自标记算法对样本集进行扩充，最后利用D-ELM算法将这些合并后的像元类别训练和计算。通过训练后的再将所有区域分类判别，这样大大提高了分类器的效率，避免了使用监督分类算法时间空间复杂度过高而导致大区域种植结构分类不可行的问题，同时D-ELM混合分类器在保证分类精度前提下，满足农业遥感种植结构识别的制图精度。
为了实现上述目的，本发明提供了如下技术方案：
一种农业种植结构的遥感识别方法，包括如下步骤：
步骤S1、利用k-means无监督学习算法对原始卫星图像进行分割：
S1.1、将原始卫星图像中的像素点分为K个簇，随机选取K个像素点作为初始的聚类中心点；
S1.2、计算原始卫星图像中的未聚类的像素点与各个聚类中心点之间的距离，将各像素点和与其距离最近的聚类中心点归为一类，完成一次聚类；判断此次聚类前后像素点的聚类情况是否相同，若相同，则完成聚类，进行步骤S1.4；若不同，则继续进行步骤S1.3；
S1.3、每分配一个像素点，重新计算该聚类中各像素点的中心点，并将该中心点设为新的聚类中心点，重复步骤S1.2；
S1.4、应用图例对聚类后的图像中各个簇与原始图像人工比对进行分析；然后将非农业区域覆盖的簇进行组合，最终对组合后的非农业区域进行裁剪，得到只包含农业区域的卫星图像；
步骤S2、应用基于支持向量机SVM和极限学习机ELM分类器结合训练的自标记算法对样本集进行扩充，得到最终扩大样本集EL：
在步骤S1图像分割的基础上，应用联合训练自标记算法来扩充训练集；
在训练过程中，使用标记样本集作为初始训练集，创建支持向量机SVM和极限学习机ELM分类器，然后以扩大后的标记样本集作为训练集，对支持向量机SVM和极限学习机ELM分类器进行更新；在标记阶段，将一部分未标记样本输入到经过初始训练的支持向量机SVM和极限学习机ELM分类器中，输出每个类别的置信度；CTSLAL算法根据置信度高于80％对样本进行标记，训练和标记过程是通过迭代重复进行；
步骤S3、利用D-ELM算法对扩大样本集EL的区域土地利用和/或农业种植结构进行分类：
将步骤S1中被分割后的只包含农业区域的卫星图像作为输入，同时将步骤S2中得到的最终扩大样本集EL作为新的训练集合，最终应用D-ELM分类器对整个包含农业区域的卫星图像的土地利用和/或种植结构进行分类；分类的结果是得到带有分类标签色彩的一张图像。
在使用k-means无监督学习算法进行图像分割时，为得到一个稳定的聚类结果，选择参数为K＝50个簇进行聚类。
所述步骤S2包括如下步骤：
S2.1、以标记样本集L和未标记样本集U作为输入；
其中，标记样本集L，为人工标记带有类别标签的像素点集合；
未标记样本集U，即在原始图像中随机抽取的大量没有标记类别的像素点集合；
S2.2、将标记样本集L和协同标记集CL结合，得到一个扩大样本集EL；协同标记集CL为协同标记自标记完成的样本集合，扩大样本集EL为人工标记样本与协同标记集CL的并集；
S2.3、支持向量机SVM分类器和极限学习机ELM分类器分别用标记样本集L进行初始训练学习；
S2.4、支持向量机SVM分类器和极限学习机ELM分类器分别从未标记样本集U中取得一组样本，进行标记，得到两个注释集，并应用基于协同训练评估器对两个注释集进行比较，将具有相同标注且置信度均高于80％的样本添加到协同标记集CL中，扩大样本集EL将相应地得到更新；
S2.5、通过更新的扩大样本集EL，重复步骤S2.4，重新训练支持向量机SVM分类器和极限学习机ELM分类器，然后应用协同训练评估器持续地执行标记任务；
S2.6、未标记样本集通过步骤S2.5被持续地标记，直到扩大样本集EL中的样本数量不再增加，从而得到最终扩大样本集EL。
所述标记样本集L包括葵花、玉米、小麦。
分类的结果的每一个图像中的像素点都有一个分类，不同颜色代表不同分类。
与现有技术相比，本发明的有益效果在于：
1、本发明解决实地样本获取困难，样本稀疏的情况下，合理提高样本的数量以及质量，保证分类器的分类精度以及稳定性。
2、本发明算法与传统分类器相比，降低了时间复杂度以及空间复杂度，使得在面对大区域高精度的图像时，可以用普通的硬件设备求得可观的分类结果，使得大区域的农业遥感种植结构自动获取成为可能。
附图说明
图1为本发明农业种植结构的遥感识别方法的流程图；
图2为本发明实施例的局部原始卫星图像(本描述中举例使用google earth历史影像，其他卫星原始图像均可)；
图3为对图2进行非监督算法k-means聚类后的图像；
图4为本发明实施例的分类后的图像；
图5为土地利用和(或)种植结构联合自标记算法流程图。
图6为遥感图像各个类别的图例。
具体实施方式
下面结合附图和实施例对本发明进行进一步说明。
如图1所示，本发明的一种农业种植结构的遥感识别方法，该方法将图像分割与自标记算法相结合。包括如下步骤：
步骤S1、利用k-means无监督学习算法对原始卫星图像进行分割：
S1.1、将原始卫星图像中的像素点分为K个簇，随机选取K个像素点作为初始的聚类中心点。
优选地，在本发明中，在使用k-means无监督学习算法进行图像分割时，为得到一个稳定的聚类结果，选择参数为K＝50个簇进行聚类。
S1.2、计算原始卫星图像中的未聚类的像素点与各个聚类中心点之间的距离，将各像素点和与其距离最近的聚类中心点归为一类，完成一次聚类；判断此次聚类前后像素点的聚类情况是否相同，若相同，则完成聚类，进行步骤S1.4；若不同，则继续进行步骤S1.3；
S1.3、每分配一个像素点，重新计算该聚类中各像素点的中心点，并将该中心点设为新的聚类中心点，重复步骤S1.2；
S1.4、应用图例对聚类后的图像中各个簇与原始图像人工比对进行分析。然后将非农业区域覆盖的簇进行组合，最终对组合后的非农业区域进行裁剪，得到只包含农业区域的卫星图像。
如图6所示，为遥感图像各个类别的图例，包括荒地、沙地、水体、居民地、裸地、沼泽、建筑用地和农业耕地。其中，荒地、沙地、水体、居民地、裸地、沼泽、建筑用地为非农业区域，农业耕地为农业区域。
步骤S2、应用基于支持向量机SVM和极限学习机ELM分类器结合训练的自标记算法对样本集进行扩充，得到最终扩大样本集EL：
在步骤S1图像分割的基础上，应用联合训练自标记算法(CTSLAL)来扩充训练集。
在训练过程中，使用标记样本集作为初始训练集，创建SVM和ELM分类器，然后以扩大后的标记样本集作为训练集，对支持向量机SVM和极限学习机ELM分类器进行更新。在标记阶段，将一部分未标记样本输入到经过初始训练的支持向量机SVM和极限学习机ELM分类器中，输出每个类别的置信度。CTSLAL算法根据置信度高于80％对样本进行标记，训练和标记过程是通过迭代重复进行。
S2.1、以标记样本集L和未标记样本集U作为输入。
其中，标记样本集L，为人工标记带有类别标签的像素点集合。如图5所示，本发明的标记样本集L例如包括葵花、玉米、小麦等。
未标记样本集U，即在原始图像中随机抽取的大量没有标记类别的像素点集合。
S2.2、将标记样本集L和协同标记集CL结合，得到一个扩大样本集EL。如图5中所示，协同标记集CL为协同标记自标记完成的样本集合，扩大样本集EL为人工标记样本与协同标记集CL的并集。
S2.3、支持向量机SVM分类器和极限学习机ELM分类器分别用标记样本集L进行初始训练学习；
S2.4、支持向量机SVM分类器和极限学习机ELM分类器分别从未标记样本集U中取得一组样本，进行标记，得到两个注释集，并应用基于协同训练评估器对两个注释集进行比较，将具有相同标注且置信度均高于80％的样本添加到协同标记集CL中，扩大样本集EL将相应地得到更新。
S2.5、通过更新的扩大样本集EL，重复步骤S2.4，重新训练支持向量机SVM分类器和极限学习机ELM分类器，然后应用协同训练评估器可持续地执行标记任务。
S2.6、未标记样本集通过步骤S2.5被持续地标记，直到扩大样本集EL中的样本数量不再增加，从而得到最终扩大样本集EL。
步骤S3、利用D-ELM算法对扩大样本集EL的区域土地利用和/或农业种植结构进行分类：
将步骤S1中被分割后的只包含农业区域的卫星图像作为输入，同时将步骤S2得到的最终中扩大样本集EL作为新的训练集合，最终应用D-ELM分类器对整个包含农业区域的卫星图像的土地利用和/或种植结构进行分类。
分类的结果是得到带有分类标签色彩的一张图像。
图1中输出的部分就是分类结果。优选地，每一个图像中的像素点都有一个分类，不同颜色代表不同分类。

Claims (5)

1.一种农业种植结构的遥感识别方法，其特征在于，该方法包括如下步骤：
步骤S1、利用k-means无监督学习算法对原始卫星图像进行分割：
S1.1、将原始卫星图像中的像素点分为K个簇，随机选取K个像素点作为初始的聚类中心点；
S1.2、计算原始卫星图像中的未聚类的像素点与各个聚类中心点之间的距离，将各像素点和与其距离最近的聚类中心点归为一类，完成一次聚类；判断此次聚类前后像素点的聚类情况是否相同，若相同，则完成聚类，进行步骤S1.4；若不同，则继续进行步骤S1.3；
S1.3、每分配一个像素点，重新计算该聚类中各像素点的中心点，并将该中心点设为新的聚类中心点，重复步骤S1.2；
S1.4、应用图例对聚类后的图像中各个簇与原始图像人工比对进行分析；然后将非农业区域覆盖的簇进行组合，最终对组合后的非农业区域进行裁剪，得到只包含农业区域的卫星图像；
步骤S2、应用基于支持向量机SVM和极限学习机ELM分类器结合训练的自标记算法对样本集进行扩充，得到最终扩大样本集EL：
在步骤S1图像分割的基础上，应用联合训练自标记算法来扩充训练集；
在训练过程中，使用标记样本集作为初始训练集，创建支持向量机SVM和极限学习机ELM分类器，然后以扩大后的标记样本集作为训练集，对支持向量机SVM和极限学习机ELM分类器进行更新；在标记阶段，将一部分未标记样本输入到经过初始训练的支持向量机SVM和极限学习机ELM分类器中，输出每个类别的置信度；CTSLAL算法根据置信度高于80％对样本进行标记，训练和标记过程是通过迭代重复进行；
步骤S3、利用D-ELM算法对扩大样本集EL的区域土地利用和/或农业种植结构进行分类：
将步骤S1中被分割后的只包含农业区域的卫星图像作为输入，同时将步骤S2中得到的最终扩大样本集EL作为新的训练集合，最终应用D-ELM分类器对整个包含农业区域的卫星图像的土地利用和/或种植结构进行分类；分类的结果是得到带有分类标签色彩的一张图像。
2.根据权利要求1所述的农业种植结构的遥感识别方法，其特征在于，在使用k-means无监督学习算法进行图像分割时，为得到一个稳定的聚类结果，选择参数为K＝50个簇进行聚类。
3.根据权利要求1所述的农业种植结构的遥感识别方法，其特征在于，所述步骤S2包括如下步骤：
S2.1、以标记样本集L和未标记样本集U作为输入；
其中，标记样本集L，为人工标记带有类别标签的像素点集合；
未标记样本集U，即在原始图像中随机抽取的大量没有标记类别的像素点集合；
S2.2、将标记样本集L和协同标记集CL结合，得到一个扩大样本集EL；协同标记集CL为协同标记自标记完成的样本集合，扩大样本集EL为人工标记样本与协同标记集CL的并集；
S2.3、支持向量机SVM分类器和极限学习机ELM分类器分别用标记样本集L进行初始训练学习；
S2.4、支持向量机SVM分类器和极限学习机ELM分类器分别从未标记样本集U中取得一组样本，进行标记，得到两个注释集，并应用基于协同训练评估器对两个注释集进行比较，将具有相同标注且置信度均高于80％的样本添加到协同标记集CL中，扩大样本集EL将相应地得到更新；
S2.5、通过更新的扩大样本集EL，重复步骤S2.4，重新训练支持向量机SVM分类器和极限学习机ELM分类器，然后应用协同训练评估器持续地执行标记任务；
S2.6、未标记样本集通过步骤S2.5被持续地标记，直到扩大样本集EL中的样本数量不再增加，从而得到最终扩大样本集EL。
4.根据权利要求3所述的农业种植结构的遥感识别方法，其特征在于，所述标记样本集L包括葵花、玉米、小麦。
5.根据权利要求1所述的农业种植结构的遥感识别方法，其特征在于，分类的结果的每一个图像中的像素点都有一个分类，不同颜色代表不同分类。
CN202110371126.XA 2021-04-07 2021-04-07 一种农业种植结构的遥感识别方法 Pending CN112906666A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110371126.XA CN112906666A (zh) 2021-04-07 2021-04-07 一种农业种植结构的遥感识别方法
PCT/CN2022/085640 WO2022214039A1 (zh) 2021-04-07 2022-04-07 一种农业种植结构的遥感识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110371126.XA CN112906666A (zh) 2021-04-07 2021-04-07 一种农业种植结构的遥感识别方法

Publications (1)

Publication Number Publication Date
CN112906666A true CN112906666A (zh) 2021-06-04

Family

ID=76110037

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110371126.XA Pending CN112906666A (zh) 2021-04-07 2021-04-07 一种农业种植结构的遥感识别方法

Country Status (2)

Country Link
CN (1) CN112906666A (zh)
WO (1) WO2022214039A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114612794A (zh) * 2022-03-01 2022-06-10 中国农业大学 一种细碎化农业区土地覆被与种植结构的遥感识别方法
WO2022214039A1 (zh) * 2021-04-07 2022-10-13 中国农业大学 一种农业种植结构的遥感识别方法
CN114612794B (zh) * 2022-03-01 2024-06-07 中国农业大学 一种细碎化农业区土地覆被与种植结构的遥感识别方法

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116091938B (zh) * 2022-12-29 2023-08-18 宁波大学 一种针对单季稻种植面积的多源遥感监测方法
CN116453003B (zh) * 2023-06-14 2023-09-01 之江实验室 一种基于无人机监测智能识别水稻生长势的方法和系统
CN117871792B (zh) * 2024-03-13 2024-05-14 河北省建筑科学研究院有限公司 用于对园区绿植碳汇的动态监测方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009048641A (ja) * 2007-08-20 2009-03-05 Fujitsu Ltd 文字認識方法および文字認識装置
CN101720654A (zh) * 2009-12-08 2010-06-09 中国农业大学 草坪节水灌溉预报方法及系统
US20110235900A1 (en) * 2010-03-26 2011-09-29 Fatih Porikli Method for Training Multi-Class Classifiers with Active Selection and Binary Feedback
US20130097103A1 (en) * 2011-10-14 2013-04-18 International Business Machines Corporation Techniques for Generating Balanced and Class-Independent Training Data From Unlabeled Data Set
CN104992184A (zh) * 2015-07-02 2015-10-21 东南大学 一种基于半监督极限学习机的多类图像分类方法
CN105303198A (zh) * 2015-11-17 2016-02-03 福州大学 一种自定步长学习的遥感影像半监督分类方法
US20170161606A1 (en) * 2015-12-06 2017-06-08 Beijing University Of Technology Clustering method based on iterations of neural networks
CN109447151A (zh) * 2018-10-26 2019-03-08 成都国星宇航科技有限公司 一种基于深度学习的遥感数据分析方法
CN109784192A (zh) * 2018-12-20 2019-05-21 西安电子科技大学 基于超像素特征提取神经网络算法的高光谱影像分类方法
CA3063580A1 (en) * 2018-12-17 2020-06-17 10353744 Canada Ltd. Classifier training method and apparatus, electronic device and computer readable medium

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105279519B (zh) * 2015-09-24 2018-09-21 四川航天系统工程研究所 基于协同训练半监督学习的遥感影像水体提取方法及系统
CN108960276B (zh) * 2018-05-08 2022-02-15 南京理工大学 提升光谱图像监督分类性能的样本扩充与一致性判别方法
CN109146876A (zh) * 2018-09-14 2019-01-04 四川省安全科学技术研究院 一种基于高分遥感影像的矿山环境变化检测方法
CN112906666A (zh) * 2021-04-07 2021-06-04 中国农业大学 一种农业种植结构的遥感识别方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009048641A (ja) * 2007-08-20 2009-03-05 Fujitsu Ltd 文字認識方法および文字認識装置
CN101720654A (zh) * 2009-12-08 2010-06-09 中国农业大学 草坪节水灌溉预报方法及系统
US20110235900A1 (en) * 2010-03-26 2011-09-29 Fatih Porikli Method for Training Multi-Class Classifiers with Active Selection and Binary Feedback
US20130097103A1 (en) * 2011-10-14 2013-04-18 International Business Machines Corporation Techniques for Generating Balanced and Class-Independent Training Data From Unlabeled Data Set
CN104992184A (zh) * 2015-07-02 2015-10-21 东南大学 一种基于半监督极限学习机的多类图像分类方法
CN105303198A (zh) * 2015-11-17 2016-02-03 福州大学 一种自定步长学习的遥感影像半监督分类方法
US20170161606A1 (en) * 2015-12-06 2017-06-08 Beijing University Of Technology Clustering method based on iterations of neural networks
CN109447151A (zh) * 2018-10-26 2019-03-08 成都国星宇航科技有限公司 一种基于深度学习的遥感数据分析方法
CA3063580A1 (en) * 2018-12-17 2020-06-17 10353744 Canada Ltd. Classifier training method and apparatus, electronic device and computer readable medium
CN109784192A (zh) * 2018-12-20 2019-05-21 西安电子科技大学 基于超像素特征提取神经网络算法的高光谱影像分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ZIYI FENG: "Classification of the Complex Agricultural Planting Structure with a Semi-Supervised Extreme Learning Machine Framework", 《REMOTE SENSING》 *
黄权中;徐旭;吕玲娇;任东阳;柯隽迪;熊云武;霍再林;黄冠华;: "基于遥感反演河套灌区土壤盐分分布及对作物生长的影响", 农业工程学报, no. 01 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022214039A1 (zh) * 2021-04-07 2022-10-13 中国农业大学 一种农业种植结构的遥感识别方法
CN114612794A (zh) * 2022-03-01 2022-06-10 中国农业大学 一种细碎化农业区土地覆被与种植结构的遥感识别方法
CN114612794B (zh) * 2022-03-01 2024-06-07 中国农业大学 一种细碎化农业区土地覆被与种植结构的遥感识别方法

Also Published As

Publication number Publication date
WO2022214039A1 (zh) 2022-10-13

Similar Documents

Publication Publication Date Title
CN112906666A (zh) 一种农业种植结构的遥感识别方法
WO2022160771A1 (zh) 基于自适应多尺度特征提取模型的高光谱图像分类方法
AU2020102885A4 (en) Disease recognition method of winter jujube based on deep convolutional neural network and disease image
CN112347970B (zh) 一种基于图卷积神经网络的遥感影像地物识别方法
CN112200211B (zh) 一种基于残差网络和迁移学习的小样本鱼识别方法及系统
CN110598564B (zh) 基于OpenStreetMap的高空间分辨率遥感影像迁移学习分类方法
CN109034233B (zh) 一种结合OpenStreetMap的高分辨率遥感影像多分类器联合分类方法
CN111598001B (zh) 一种基于图像处理的苹果树病虫害的识别方法
CN111860330A (zh) 基于多特征融合和卷积神经网络的苹果叶部病害识别方法
CN113392748B (zh) 一种基于卷积神经网络的遥感影像耕地信息提取方法
CN110807485B (zh) 基于高分遥感影像二分类语义分割图融合成多分类语义图的方法
Liu et al. Domain adaptation for land use classification: A spatio-temporal knowledge reusing method
CN109447111A (zh) 一种基于子类训练样本的遥感监督分类方法
Chen et al. Agricultural remote sensing image cultivated land extraction technology based on deep learning
CN112329559A (zh) 一种基于深度卷积神经网络的宅基地目标检测方法
CN113435254A (zh) 一种基于哨兵二号影像的耕地深度学习提取方法
Su Superpixel-based principal component analysis for high resolution remote sensing image classification
CN112560577A (zh) 一种基于语义分割的遥感图像地物分类方法
US11847811B1 (en) Image segmentation method combined with superpixel and multi-scale hierarchical feature recognition
Liu et al. Integration transformer for ground-based cloud image segmentation
CN115063602A (zh) 基于改进yolox-s网络的农作物病虫害识别方法
CN116563205A (zh) 基于小目标检测和改进YOLOv5的麦穗计数检测方法
CN115187863A (zh) 多层次自适应知识蒸馏的轻量化高分遥感场景分类方法
CN115601634A (zh) 一种基于层次性注意力机制的图像叶片识别方法及装置
CN115063655A (zh) 一种融合超列的类激活映射图生成方法

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