CN112989985A - 一种融合夜间灯光数据与Landsat8 OLI影像的城市建成区提取方法 - Google Patents

一种融合夜间灯光数据与Landsat8 OLI影像的城市建成区提取方法 Download PDF

Info

Publication number
CN112989985A
CN112989985A CN202110250664.3A CN202110250664A CN112989985A CN 112989985 A CN112989985 A CN 112989985A CN 202110250664 A CN202110250664 A CN 202110250664A CN 112989985 A CN112989985 A CN 112989985A
Authority
CN
China
Prior art keywords
data
area
urban
npp
ndbi
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
CN202110250664.3A
Other languages
English (en)
Other versions
CN112989985B (zh
Inventor
胡庆武
张寅�
艾明耀
赵鹏程
顾淼
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202110250664.3A priority Critical patent/CN112989985B/zh
Publication of CN112989985A publication Critical patent/CN112989985A/zh
Application granted granted Critical
Publication of CN112989985B publication Critical patent/CN112989985B/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
    • G06V20/176—Urban or other man-made structures
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种融合NPP‑VIIRS夜间灯光数据与Landsat8OLI影像的城市建成区提取方法，其可包括以下步骤：1.获取城市的NPP‑VIIRS夜间灯光数据和Landsat8OLI影像光谱数据，并对NPP‑VIIRS夜间灯光数据和Landsat8OLI数据做预处理。2.从Landsat8OLI数据中提取NDVI和NDBI，其中NDVI为归一化植被指数，NDBI为归一化建筑指数。3.采用VBANUI(改进的夜间灯光城市指数法)提取城市建成区。本发明通过引入NDVI、NDBI这二个指数可减少夜光数据在城市核心区的饱和现象，能够去除夜间灯光亮度在水体、城市核心区的植被区域的灯光溢出现象，并且增强了建筑信息的表达，提高了城市建成区提取的准确性。

Description

一种融合夜间灯光数据与Landsat8 OLI影像的城市建成区提 取方法
技术领域
本发明涉及一种融合NPP-VIIRS夜间灯光数据与Landsat8 OLI影像的城市建成区提取方法。
背景技术
当前背景下，主要有两种方式获取建成区的数据。一种是基于行政单位的社会经济统计数据，这种方法的缺陷是社会经济统计数据中缺乏足够的空间信息；另外一种是基于以Landsat为代表的中、高分辨率遥感数据，这种方法的缺陷是中、高分辨率遥感数据会受其地理覆盖范围的限制，在大尺度城市群及国家区域所需的大量时间和劳动力成本，不适合反演城市建成区的变化。所以对大范围的建成区统计采用上述方法需大量人力和物力，难以在短时间内反应大空间尺度的多时相建成区变化信息，特别是在城市化速度较快的地区。因此，亟需采用新方法进行城市建成区的提取计算，从而对不同时期的建成区变化进行监测。
根据夜间灯光数据(Night-Time Light Data，NTL)可以实现城市建成区面积的提取。但是利用夜间灯光数据会由于非相干光从光源向各个方向辐射，造成灯光亮度的溢出效应，导致对城市土地用地面积的高估。随后前人提出了基于植被校正的城市夜间灯光指数(Vegetation Adjusted NTL Urban Index，VANUI)的城市建成区提取的方法，将NTL和NDVI融合。VANUI简单易用，能经济高效并且实时地在小尺度下提取城市区域。但是近期VANUI的问题也日渐明显：NDVI也会受到溢出效应的影响。比如植被高密度区域会溢出。尽管大部分城市在市中心植被密度都比较低，但是在郊区会产生NDVI溢出。NTL不仅仅受到植被的影响，还受街道结构、街道密度、土地利用类型、光照技术等多方面影响。VANUI会放大水体的影响，混淆水体与城市建成区。
针对VANUI的不足，尤其是其对水体与城市建成区的混淆现象，导致其精度不能符合更高精度的城市建成区提取要求。
发明内容
本发明旨在提供一种融合NPP-VIIRS夜间灯光数据与Landsat8 OLI影像的城市建成区提取方法，以解决上述问题。为此，本发明采用的具体技术方案如下：
一种融合NPP-VIIRS夜间灯光数据与Landsat8 OLI影像的城市建成区提取方法，其可包括以下步骤：
步骤1)、获取城市的NPP-VIIRS夜间灯光数据和Landsat8 OLI数据，然后对NPP-VIIRS夜间灯光数据去除异常值、裁剪；
步骤2)、从Landsat8 OLI数据中提取NDVI和NDBI，其中NDVI为归一化植被指数，NDBI为归一化建筑指数；
步骤3)、采用改进的夜间灯光城市指数法VBANUI提取城市建成区，VBANUI的计算公式如下：
VBANUI＝(1-NDVI)·(1+NDBI)·NTL
其中，NTL为夜光遥感数据；
在完成指标VBANUI的计算后，基于VBANUI进行聚类，提取城市建成区。
进一步的，步骤1中，所述的NPP-VIIRS夜间灯光数据异常处理是将NPP-VIIRS中亮度值小于0的异常像元赋值为0，并利用待提取区域行政区划矢量数据对处理后的NPP-VIIRS数据进行裁剪，将多余区域数据剔除。
进一步的，步骤1中还包括对Landsat8 OLI数据进行处理，具体是：对Landsat8OLI数据做辐射定标和大气校正，将覆盖待提取行政区域的多景影像进行镶嵌，并利用行政区划矢量数据对处理后的Landsat8 OLI数据进行裁剪，利用处理后的Landsat8 OLI数据进一步提取NDVI和NDBI指标。
进一步的，步骤2中，Landsat8 OLI数据提取NDVI与NDBI的公式如下：
Figure BDA0002965913300000021
Figure BDA0002965913300000022
其中，B5为Landsat8 OLI的第五波段，即近红外波段反射率；B4为Landsat8 OLI的第四波段，即红色波段反射率；B6为Landsat8 OLI的第六波段，即中红外波段反射率。
进一步的，步骤3中利用K均值聚类方法基于VBANUI进行聚类，具体实现过程如下，
假设计算指标后的每个像元的VBANUI集合为D＝{D1,D2…Dm}，计算两个随机质心u1和u2，两者对应两个分类为C1和C2，其中，C1是城市建成区的像元，C2是非城市建成区的像元；对于每个像元，计算其到两个质心的距离，距离较近的质心的分类作为该像元的分类；
更新完分类后，计算每类中的均值向量，得到两个分类的新的质心；
如此反复更新分类C1和C2中的像元，计算两个分类的质心坐标，直到两个分类的质心坐标不再发生变化，此时的C1和C2就是分类好的城市建成区和非城市建成区。
进一步的，NDVI取值为[-1，1]，NDVI>0为植被覆盖区，其值越接近1，表示植被覆盖度越大，NDVI<0为非植被覆盖区；NDBI取值范围也在[-1，1]之间，NDBI为正值时，表示城市用地区域，NDBI为负值时，为非城市用地区域。
本发明采用上述技术方案，在VANUI的基础上，再引入NDBI指数，可减少水体对城市建成区提取的影响，并且有效减少了城市郊区植被密度过高导致NDVI受溢出效应的影响，提高了城市建成区提取的准确性。
附图说明
为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。
图1是本发明的一种融合NPP-VIIRS夜间灯光数据与Landsat8 OLI影像的城市建成区提取方法的流程图；
图2是根据不同数据提取的城市建成区；
图3是空间验证的选定区域；
图4是选定区域的提取结果，其中(a)是基于Landsat8 OLI影像7、6、4波段数据的监督分类结果，(b)是基于NPP-VIIRS数据的提取结果，(c)是基于VANUI方法的提取结果，(d)是基于VBANUI方法的提取结果；
图5是根据不同数据方法提取城市建成区后的精度对比；
图6是精度评定的原理图。
具体实施方式
现结合附图和具体实施方式对本发明进一步说明。
如图1所示，本发明提出一种融合NPP-VIIRS夜间灯光数据与Landsat8 OLI影像的城市建成区提取方法，提取了NDVI和NDBI等指标数据，创造性地提出基于植被和建筑校正的城市夜间灯光指数(Vegetation and Building Adjusted NTL Urban Index，VBANUI)。VBANUI的计算公式如下：
VBANUI ＝ (1-NDVI)·(1+NDBI)·NTL (1)
Figure BDA0002965913300000041
Figure BDA0002965913300000042
其中，B5为Landsat8 OLI的第五波段(近红外波段)反射率；B4为Landsat8 OLI的第四波段(红色波段)反射率；B6为Landsat8 OLI的第六波段(中红外波段)反射率。NTL为NPP-VIIRS夜间灯光数据。NDVI为归一化植被指数，NDBI为归一化建筑指数。
对NTL进行处理后再加入计算，包括去除异常值与裁剪。具体地，将NPP-VIIRS中亮度值小于0的异常像元赋值为0，并利用北京市行政区划矢量数据对处理后的NPP-VIIRS数据进行裁剪，将多余区域数据剔除，使其覆盖至整个北京市；
本发明获取2017年7月Landsat8 OLI遥感影像数据三景(覆盖整个北京市)，详细信息见表1：
表1.Landsat8 OLI影像详细信息
Figure BDA0002965913300000051
对Landsat8 OLI数据进行处理后才能进一步提取指标。具体是：对Landsat8OLI数据做辐射定标和大气校正，将三景影像(表1)进行镶嵌，并利用北京市行政区划矢量数据对处理后的Landsat8 OLI数据进行裁剪。利用处理后的Landsat8 OLI数据进一步提取NDVI和NDBI指标。
NDVI取值为[-1，1]，NDVI>0为植被覆盖区，其值越接近1，表示植被覆盖度越大，NDVI<0为非植被覆盖区。表达式中的(1-NDVI)则表征了较大的非植被覆盖区权重在城市核心地区，而不是城市周边地区，这样也导致城市核心区数据值的变异性增加。因此，植被丰富的非城市区域的值接近0。(1-NDVI)与NTL的结合可减少城市核心区夜间灯光的饱和现象，并增加城市内部核心区变化特征的快速识别。
其次，NDBI取值范围也在[-1，1]之间。研究表明NDBI正值为城市用地区域，NDBI负值为非城市用地区域。融入NDBI后，在水体对城市建成区混淆或者NDVI和NTL有溢出效应时，都可以有效控制并减弱其影响。
综上，通过融合NDVI和NDBI这两个指数可减少NPP-VIIRS夜间灯光数据在城市核心区的饱和现象，减少水体对城市建成区提取的混淆，并能够减少城市郊区植被NDVI的溢出效应影响，提高了城市建成区提取的准确性。
本发明采用VBANUI提取城市建成区面积。VBANUI的计算公式如下：
VBANUI＝(1-NDVI)·(1+NDBI)·NTL (4)
在计算完每个像元的VBANUI后，用K均值聚类方法基于VBANUI对像元进行聚类分析，通过分成城市建成区和非城市建成区两类实现提取城市建成区。其中，K均值聚类方法的实现过程如下：
假设计算指标后的每个像元的VBANUI集合为D＝{D1,D2…Dm}。计算两个随机质心u1和u2，两者对应两个分类为C1和C2。其中，C1是城市建成区的像元，C2是非城市建成区的像元。对于每个像元，计算其到两个质心的距离，距离较近的质心的分类作为该像元的分类。
更新完分类后，计算每类中的均值向量，得到两个分类的新的质心。
如此反复更新分类C1和C2中的像元，计算两个分类的质心坐标，直到两个分类的质心坐标不再发生变化，此时的C1和C2就是分类好的城市建成区和非城市建成区。
本发明用VBANUI进行城市建成区提取，另外还用VANUI和原始的NPP-VIIRS也进行了城市建成区提取，进行对比，结果图见图2。可见三种方法提取的城市建成区域存在一定的差异。具体的精度评定与对比在下面展示。
本发明对Landsat8 OLI数据的7、6、4波段(该波段组合适用于城市监测)进行支持向量机(SVM)监督分类，分类结果作为本发明的空间验证数据。另外，本发明还查找统计数据，统计年鉴数据来自《北京市统计局》和《国土资源局》，其中包括北京市2017年城市建设用地所占面积数据，该数据也作为本发明的空间验证数据。空间验证的选定区域见图3。
精度验证分成生产者精度P和用户精度U两部分。如图6所示，黄色椭圆区域是真实情况，设其像元数为A；蓝色椭圆区域是用户自己的分类结果，设其像元数为B；两者交集表示用户分类中正确的部分，设其像元数为E。则生产者精度P和用户精度U的计算公式如下所示：
生产者精度P＝E/A (6)
用户精度P＝E/B (7)
本发明用VBANUI进行城市建成区提取，另外还用VANUI和原始的NPP-VIIRS也进行了城市建成区提取，对三种方法提取的城市建成区提取结果进行对比，对比图见图4，从提取结果图可见VBANUI的提取结果相对另外两种方法更加接近验证数据。
具体的对比数据见下表所示：
表2.三种方法提取结果的相对精度
Figure BDA0002965913300000071
分别计算三种方法的生产者精度和用户精度，对比图如图5所示。从图中可知，VBANUI的生产者精度和用户精度均高于其他两种方法。具体精度对比见表3：
表3.精度对比表
Figure BDA0002965913300000072
综上所述，本发明在前人研究VANUI的基础上，再加入NDBI指标，得到的VBANUI指标在提取城市建成区中精度更高，并且有效减少了灯光亮度与NDVI溢出效应的影响。

Claims (6)

1.一种融合NPP-VIIRS夜间灯光数据与Landsat8 OLI影像的城市建成区提取方法，其特征在于：包括以下步骤：
步骤1)、获取城市的NPP-VIIRS夜间灯光数据和Landsat8 OLI数据，然后对NPP-VIIRS夜间灯光数据去除异常值、裁剪；
步骤2)、从Landsat8 OLI数据中提取NDVI和NDBI，其中NDVI为归一化植被指数，NDBI为归一化建筑指数；
步骤3)、采用改进的夜间灯光城市指数法VBANUI提取城市建成区，VBANUI的计算公式如下：
VBANUI＝(1-NDVI)·(1+NDBI)·NTL
其中，NTL为夜光遥感数据；
在完成指标VBANUI的计算后，基于VBANUI进行聚类，提取城市建成区。
2.根据权利要求1所述的一种融合NPP-VIIRS夜间灯光数据与Landsat8 OLI影像的城市建成区提取方法，其特征在于：步骤1中，所述的NPP-VIIRS夜间灯光数据异常处理是将NPP-VIIRS中亮度值小于0的异常像元赋值为0，并利用待提取区域行政区划矢量数据对处理后的NPP-VIIRS数据进行裁剪，将多余区域数据剔除。
3.根据权利要求1所述的一种融合NPP-VIIRS夜间灯光数据与Landsat8 OLI影像的城市建成区提取方法，其特征在于：步骤1中还包括对Landsat8 OLI数据进行处理，具体是：对Landsat8 OLI数据做辐射定标和大气校正，将覆盖待提取行政区域的多景影像进行镶嵌，并利用行政区划矢量数据对处理后的Landsat8 OLI数据进行裁剪，利用处理后的Landsat8OLI数据进一步提取NDVI和NDBI指标。
4.根据权利要求1所述的一种融合NPP-VIIRS夜间灯光数据与Landsat8 OLI影像的城市建成区提取方法，其特征在于：步骤2中，Landsat8 OLI数据提取NDVI与NDBI的公式如下：
Figure FDA0002965913290000011
Figure FDA0002965913290000012
其中，B5为Landsat8 OLI的第五波段，即近红外波段反射率；B4为Landsat8 OLI的第四波段，即红色波段反射率；B6为Landsat8 OLI的第六波段，即中红外波段反射率。
5.根据权利要求1所述的一种融合NPP-VIIRS夜间灯光数据与Landsat8 OLI影像的城市建成区提取方法，其特征在于：步骤3中利用K均值聚类方法基于VBANUI进行聚类，具体实现过程如下，
假设计算指标后的每个像元的VBANUI集合为D＝{D1,D2…Dm}，计算两个随机质心u1和u2，两者对应两个分类为C1和C2，其中，C1是城市建成区的像元，C2是非城市建成区的像元；对于每个像元，计算其到两个质心的距离，距离较近的质心的分类作为该像元的分类；
更新完分类后，计算每类中的均值向量，得到两个分类的新的质心；
如此反复更新分类C1和C2中的像元，计算两个分类的质心坐标，直到两个分类的质心坐标不再发生变化，此时的C1和C2就是分类好的城市建成区和非城市建成区。
6.根据权利要求1所述的一种融合NPP-VIIRS夜间灯光数据与Landsat8 OLI影像的城市建成区提取方法，其特征在于：NDVI取值为[-1，1]，NDVI>0为植被覆盖区，其值越接近1，表示植被覆盖度越大，NDVI<0为非植被覆盖区；NDBI取值范围也在[-1，1]之间，NDBI为正值时，表示城市用地区域，NDBI为负值时，为非城市用地区域。
CN202110250664.3A 2021-03-08 2021-03-08 一种融合夜间灯光数据与Landsat8 OLI影像的城市建成区提取方法 Active CN112989985B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110250664.3A CN112989985B (zh) 2021-03-08 2021-03-08 一种融合夜间灯光数据与Landsat8 OLI影像的城市建成区提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110250664.3A CN112989985B (zh) 2021-03-08 2021-03-08 一种融合夜间灯光数据与Landsat8 OLI影像的城市建成区提取方法

Publications (2)

Publication Number Publication Date
CN112989985A true CN112989985A (zh) 2021-06-18
CN112989985B CN112989985B (zh) 2022-04-15

Family

ID=76335743

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110250664.3A Active CN112989985B (zh) 2021-03-08 2021-03-08 一种融合夜间灯光数据与Landsat8 OLI影像的城市建成区提取方法

Country Status (1)

Country Link
CN (1) CN112989985B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115018859A (zh) * 2022-04-14 2022-09-06 中国资源卫星应用中心 基于多尺度空间嵌套的城市建成区遥感提取方法及系统
CN115049834A (zh) * 2022-08-15 2022-09-13 南通电博士自动化设备有限公司 基于夜间灯光数据与高分辨率影像的城市建成区提取方法
CN115270904A (zh) * 2022-04-13 2022-11-01 广州市城市规划勘测设计研究院 一种义务教育阶段适龄常住人口空间化方法和系统
CN117612003A (zh) * 2023-11-27 2024-02-27 通友微电(四川)有限公司 一种基于多源遥感影像的城市建成区绿地变化识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127121A (zh) * 2016-06-15 2016-11-16 四川省遥感信息测绘院 一种基于夜间灯光数据的建成区智能化提取方法
US20190094344A1 (en) * 2017-09-22 2019-03-28 Leica Geosystems Ag Hybrid lidar-imaging device for aerial surveying
CN111597949A (zh) * 2020-05-12 2020-08-28 中国科学院城市环境研究所 一种基于npp-viirs夜间灯光数据的城市建成区提取方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127121A (zh) * 2016-06-15 2016-11-16 四川省遥感信息测绘院 一种基于夜间灯光数据的建成区智能化提取方法
US20190094344A1 (en) * 2017-09-22 2019-03-28 Leica Geosystems Ag Hybrid lidar-imaging device for aerial surveying
CN111597949A (zh) * 2020-05-12 2020-08-28 中国科学院城市环境研究所 一种基于npp-viirs夜间灯光数据的城市建成区提取方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
KANGNING LI等: "《A Genetic Algorithm-Based Urban Cluster Automatic Threshold Method by Combining VIIRS DNB,NDVI,and NDBI to Monitor Urbanization》", 《REMOTE SENSING》 *
刘智丽 等: "《基于Sentinel-2A与NPP-VIIRS夜间灯光数据的城市建成区提取》", 《国土资源遥感》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115270904A (zh) * 2022-04-13 2022-11-01 广州市城市规划勘测设计研究院 一种义务教育阶段适龄常住人口空间化方法和系统
CN115018859A (zh) * 2022-04-14 2022-09-06 中国资源卫星应用中心 基于多尺度空间嵌套的城市建成区遥感提取方法及系统
CN115049834A (zh) * 2022-08-15 2022-09-13 南通电博士自动化设备有限公司 基于夜间灯光数据与高分辨率影像的城市建成区提取方法
CN115049834B (zh) * 2022-08-15 2022-11-11 南通电博士自动化设备有限公司 基于夜间灯光数据与高分辨率影像的城市建成区提取方法
CN117612003A (zh) * 2023-11-27 2024-02-27 通友微电(四川)有限公司 一种基于多源遥感影像的城市建成区绿地变化识别方法
CN117612003B (zh) * 2023-11-27 2024-07-23 通友微电(四川)有限公司 一种基于多源遥感影像的城市建成区绿地变化识别方法

Also Published As

Publication number Publication date
CN112989985B (zh) 2022-04-15

Similar Documents

Publication Publication Date Title
CN112989985B (zh) 一种融合夜间灯光数据与Landsat8 OLI影像的城市建成区提取方法
Ji et al. Fully convolutional networks for multisource building extraction from an open aerial and satellite imagery data set
Li et al. A review of building detection from very high resolution optical remote sensing images
Song et al. Road extraction using SVM and image segmentation
CN109389163B (zh) 一种基于地形图的无人机影像分类系统及方法
Alidoost et al. A CNN-based approach for automatic building detection and recognition of roof types using a single aerial image
CN110689043A (zh) 一种基于多重注意力机制的车辆细粒度识别方法及装置
CN115631356B (zh) 道路设施缺失识别方法、装置、存储介质及电子装置
CN106294705A (zh) 一种批量遥感影像预处理方法
Shahi et al. Road condition assessment by OBIA and feature selection techniques using very high-resolution WorldView-2 imagery
Lee et al. Land cover classification using SegNet with slope, aspect, and multidirectional shaded relief images derived from digital surface model
Ramiya et al. Object-oriented semantic labelling of spectral–spatial LiDAR point cloud for urban land cover classification and buildings detection
Quang et al. An efficient framework for pixel-wise building segmentation from aerial images
CN112861802B (zh) 基于时空深度学习融合技术的农作物全自动化分类方法
Liu et al. Building footprint extraction from unmanned aerial vehicle images via PRU-Net: Application to change detection
Gevaert et al. Context-based filtering of noisy labels for automatic basemap updating from UAV data
CN115294483A (zh) 输电线路复杂场景的小目标识别方法及系统
CN112132215B (zh) 一种识别物体类型的方法、装置及计算机可读存储介质
CN104008374B (zh) 一种矿井图像中基于条件随机场的矿工检测方法
CN113159044A (zh) 一种基于深度学习的卷积神经网络的道路材质识别方法
CN110427961B (zh) 一种基于规则和样本融合的建筑信息提取方法及系统
Zeng et al. Extracting built-up land area of airports in China using Sentinel-2 imagery through deep learning
CN116258820A (zh) 大规模城市点云数据集与建筑单体化构建方法及相关装置
Xu et al. Identification of street trees’ main nonphotosynthetic components from mobile laser scanning data
Cheng et al. Automated detection of impervious surfaces using night-time light and Landsat images based on an iterative classification framework

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