CN113361355B - 联合多时相特征的遥感影像地表要素识别方法及存储介质 - Google Patents

联合多时相特征的遥感影像地表要素识别方法及存储介质 Download PDF

Info

Publication number
CN113361355B
CN113361355B CN202110594139.3A CN202110594139A CN113361355B CN 113361355 B CN113361355 B CN 113361355B CN 202110594139 A CN202110594139 A CN 202110594139A CN 113361355 B CN113361355 B CN 113361355B
Authority
CN
China
Prior art keywords
module
remote sensing
sensing image
temporal
time
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.)
Active
Application number
CN202110594139.3A
Other languages
English (en)
Other versions
CN113361355A (zh
Inventor
柳思聪
郑永杰
赵慧
冯毅
金雁敏
童小华
杜谦
谢欢
冯永玖
王超
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.)
Tongji University
Original Assignee
Tongji 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 Tongji University filed Critical Tongji University
Priority to CN202110594139.3A priority Critical patent/CN113361355B/zh
Publication of CN113361355A publication Critical patent/CN113361355A/zh
Application granted granted Critical
Publication of CN113361355B publication Critical patent/CN113361355B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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

Landscapes

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

Abstract

本发明涉及一种联合多时相特征的遥感影像地表要素识别方法及存储介质，其中，地表要素识别方法包括：包括：步骤1：获取多时相遥感影像数据；步骤2：分别提取多时相遥感影像的时序关联特征和时空谱三维判别特征；步骤3：对时序关联特征和时空谱三维判别特征进行级联和批量归一化处理；步骤4：通过全连接层获得高级语义特征；步骤5：通过分类器对高级语义特征进行分类，获得遥感影像地表要素识别结果。与现有技术相比，本发明具有识别精度高、准确率高、稳定性好等优点。

Description

联合多时相特征的遥感影像地表要素识别方法及存储介质
技术领域
本发明涉及典型地表要素识别技术领域，尤其是涉及一种联合多时相特征的高分辨率遥感影像地表要素识别方法及存储介质。
背景技术
对于高分辨率尤其是超高分辨率遥感影像数据，地表要素空间信息高度细节化，对应的典型地表要素种类复杂。但高分辨率遥感影像原始光谱波段数量有限，受限于目前传感器技术光谱分辨率和空间分辨率相互制约，通常仅具有红光、绿光、蓝光以及近红外四个多光谱波段，加之云层遮挡、地物阴影以及大气反射差异等因素影响，导致“同物异谱”或“同谱异物”现象更为严重。
现有的基于单时相影像的分类方法，如中国专利CN111753773A中公开了一种地表覆盖物识别方法，包括：获取地表图像；利用目标神经网络对所述地表图像进行像素点级别的分类识别，得到所述地表图像中的像素点所属的地表覆盖物的类别信息。该方法就是使用了单期影像来识别地表覆盖物。这种方法的精度和可靠性受限于单期影像获取的成像环境、影像质量等，使用这种方法对覆盖物进行识别时，可能因局部云雾遮挡以及建筑阴影等导致局部区域存在十分严重错分的现象，导致识别准确率较低。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种识别准确率高、精度高的联合多时相特征的遥感影像地表要素识别方法及存储介质。
本发明的目的可以通过以下技术方案来实现：
一种联合多时相特征的遥感影像地表要素识别方法，所述的识别方法包括：
步骤1：获取多时相遥感影像数据；
步骤2：分别提取多时相遥感影像的时序关联特征和时空谱三维判别特征；
步骤3：对时序关联特征和时空谱三维判别特征进行级联和批量归一化处理；
步骤4：通过全连接层获得高级语义特征；
步骤5：通过分类器对高级语义特征进行分类，获得遥感影像地表要素识别结果。
优选地，所述的步骤2中遥感影像的时序关联特征的提取方法为：
搭建由3层LSTM网络串联构成的LSTM网络模型；
使用LSTM网络模型提取遥感影像的时序关联特征。
更加优选地，所述的LSTM网络模型中单个LSTM网络的滤波核数量为128，非线性激活函数为ReLU函数。
优选地，所述的步骤2中遥感影像的时空谱三维判别特征提取方法为：
搭建CNN网络模型；
使用CNN网络模型提取遥感影像的时空谱三维判别特征；
所述的CNN网络模型包括：
CONV3T模块：用于沿时间维度执行三维卷积，学习空谱特征在不同时序下变化特征；
CONV3S模块：用于沿光谱维度执行三维卷积，融合单个波段随时间的光谱波动。
更加优选地，所述的CNN网络模型提取遥感影像的时空谱三维判别特征的方法具体为：
首先，将多时相数据分别输入CONV3T模块和CONV3S模块；
其次，对CONV3T模块和CONV3S输出的特征进行级联操作；
最后，对级联特征进行批量归一化和展平操作后输出时空谱级联特征。
更加优选地，所述的CONV3T模块和CONV3S模块均包括1×1和3×3两种感受野的三维卷积模块CONV3进行级联融合，即：CONV3T模块包括卷积核大小为3×3×n的CONV3子模块和1×1×n的CONV3子模块，CONV3S模块包括3×3×t的CONV3子模块和1×1×t的CONV3子模块，其中，n为每幅图像包含的波段数，t为多时相遥感影像的时相数，每个子模块卷积核的数量均为64；
CONV3T模块和CONV3S模块在分别对两种感受野子模块提取的特征进行级联融合后，均对所提取的特征进行批量归一化处理；
CNN网络模型对CONV3T模块和CONV3S模块输出的特征进行级联和批量归一化处理。
更加优选地，所述的CONV3T模块和CONV3S模块在对所提取的特征进行批量归一化处理后分别对处理后的特征进行重采样处理。
更加优选地，所述的CNN网络模型设有1×1和3×3两种感受野的二维卷积模块CONV2，即CNN网络模型设有卷积核大小为1×1的CONV2模块和3×3的CONV2模块，每个CONV2模块的卷积核数量均为128，用于增强多时相遥感影像的空间上下文信息；
所述的CNN网络模型对CONV3T模块和CONV3S模块输出的特征进行级联和批量归一化处理后，将处理后的特征分别输入1×1的CONV2模块和3×3的CONV2模块，然后将卷积核大小为1×1的CONV2模块和3×3的CONV2模块输出的特征进行级联和批量归一化处理，最后展平后输出时空谱级联特征。
优选地，所述的分类器为Softmax函数层。
1一种存储介质，所述的存储介质内存储有上述任一项所述的遥感影像地表要素识别方法。
与现有技术相比，本发明具有以下有益效果：
一、识别准确率高：本发明中的遥感影像地表要素识别方法通过联合高分辨率遥感影像的多时相信息，弥补了单时相影像上地物信息易受云雾、大气反射等外界影响稳定性差、光谱混淆导致的地表要素错分严重这一问题，大大提高了识别的稳定性和准确率。
二、实现高精度分类：本发明中的遥感影像地表要素识别方法通过不同时相、不同层次以及不同语义的特征融合，实现典型地表要素的准确识别以及高精度分类。
附图说明
图1为本发明中遥感影像地表要素识别方法的流程示意图；
图2为本发明实施例中多时相高分辨率遥感影像数据集示意图；
其中图2(a)、图2(b)和图2(c)分别为三个不同的时间采集的高分辨率遥感影像假彩色合成图，图2(d)为地面参考图；
图3为本发明实施例中使用不同方法十次随机样本训练下单时相以及多时相影像的整体分类精度变化图；
其中，图3(a)、图3(b)和图3(c)分别为SVM方法、RF方法和本发明提出的MDFN方法的分类精度变化示意图；
图4为本发明实施例中使用SVM方法对单时相和多时相影像的分类图；
其中图4(a)、图4(b)和图4(c)为使用SVM方法分别对图2(a)、图2(b)和图2(c)所示的三张影像进行分类时的分类图，图4(d)为使用SVM方法进行多时相影像联合时的分类图；
图5为本发明实施例中使用RF方法对单时相和多时相影像的分类图；
其中图5(a)、图5(b)和图5(c)为使用RF方法分别对图2(a)、图2(b)和图2(c)所示的三张影像进行分类时的分类图，图5(d)为使用RF方法进行多时相影像联合时的分类图；
图6为本发明实施例中使用MDFN方法对单时相和多时相影像的分类图；
其中图6(a)、图6(b)和图6(c)为使用MDFN方法分别对图2(a)、图2(b)和图2(c)所示的三张影像进行分类时的分类图，图6(d)为使用MDFN方法进行多时相影像联合时的分类图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
如图1所示，本实施例提供了一种联合多时相特征的高分辨率遥感影像典型地表要素识别方法MDFN(Multitemporal Deep Feature Fusion Network，MDFN)，用于有效学习多时相遥感影像时-空-谱三个维度的显著性和判别性信息，减少单时相光谱受外界条件影响引起的突变，进而提高地表典型要素的区分度，MDFN方法包括：
步骤1：获取多时相遥感影像数据；
步骤2：分别提取多时相遥感影像的时序关联特征和时空谱三维判别特征，具体为：
遥感影像的时序关联特征的提取方法为：
搭建由3层LSTM网络串联构成的LSTM网络模型；
使用LSTM网络模型提取遥感影像的时序关联特征；
LSTM网络模型中单个LSTM网络的滤波核数量为128，非线性激活函数为ReLU函数；
遥感影像的时空谱三维判别特征提取方法为：
搭建CNN网络模型；
使用CNN网络模型提取遥感影像的时空谱三维判别特征；
所述的CNN网络模型包括：
CONV3T模块：用于沿时间维度执行三维卷积，学习空谱特征在不同时序下变化特征；
CONV3S模块：用于沿光谱维度执行三维卷积，融合单个波段随时间的光谱波动；
首先，将多时相数据分别输入CONV3T模块和CONV3S模块；
CONV3T模块和CONV3S模块均包括1×1和3×3两种感受野的三维卷积(CONV3)模块进行级联融合，即：CONV3T模块包括卷积核大小为3×3×n的CONV3子模块和1×1×n的CONV3子模块，CONV3S模块包括3×3×t的CONV3子模块和1×1×t的CONV3子模块，其中，n为每幅图像包含的波段数，t为多时相遥感影像的时相数，每个子模块卷积核的数量均为64；
CONV3T模块和CONV3S模块在分别对两种感受野子模块提取的特征进行级联融合后，均对所提取的特征进行批量归一化处理，在批量归一化处理后对提取的特征进行重采样处理，使得更好地区分时间和光谱特性；
其次，对CONV3T模块和CONV3S输出的特征进行级联和批量归一化处理；
CNN网络模型设有1×1和3×3两种感受野的二维卷积模块CONV2，即CNN网络模型设有卷积核大小为1×1的CONV2模块和3×3的CONV2模块，每个CONV2模块的卷积核数量均为128，用于增强多时相遥感影像的空间上下文信息；
CNN网络模型对CONV3T模块和CONV3S模块输出的特征进行级联和批量归一化处理后，将处理后的特征分别输入卷积核大小为1×1的CONV2模块和3×3的CONV2模块，然后将卷积核大小为1×1的CONV2模块和3×3的CONV2模块输出的特征进行级联和批量归一化处理；
最后，对级联特征进行批量归一化和展平操作后输出时空谱级联特征；
步骤3：对时序关联特征和时空谱三维判别特征进行级联和批量归一化处理；
步骤4：通过全连接层获得高级语义特征；
步骤5：通过分类器对高级语义特征进行分类，获得遥感影像地表要素识别结果。
本实施例还涉及一种存储介质，该介质内存储有上述任一项高分辨率遥感影像典型地表要素识别方法MDFN。
下面对对本实施例联合多时相特征的遥感影像地表要素识别方法方法关键部分和试验对比进行详细描述。
假设有t个时相的高分辨率遥感影像，每幅影像n个波段，每幅影像上单个像素考虑的邻域范围为w×w：
1、LSTM分支
输入每个像素数据的大小为t×n，考虑到不同地表要素的尺度以及影像分辨率，本实施例设置三个LSTM串联单元。为了提取更丰富的多时相特征，单个LSTM单元的滤波核数量设置为128，非线性激活函数选用ReLU。
2、CNN分支
CNN的前端选用了三维卷积对多时相高分辨率遥感影像进行时空谱三个维度的特征提取。为了更好地区分时间和光谱特性，对原始输入数据进行重采样。
CONV3S模块沿着光谱维度进行采样，将每个时序相同的光谱波段依次堆叠在一起，并执行沿着光谱维度的三维卷积。其中，CONV3S模块输入数据的大小为w×w×t×n。
CONV3T模块沿着时间维度进行采样，将每个时序的数据依次堆叠在一起，并执行沿着时间维度的三维卷积。其中，CONV3T模块输入数据的大小为w×w×n×t。为了避免网络结构过于复杂，并减少由降采样导致的局部细节丢失、无法准确刻画高分辨率遥感影像上地表要素的几何边缘信息等问题，在整个CNN分支中，不设置池化层进行降采样操作。另外，为了更好地结合不同尺度的空间上下文信息，CONV3S和CONV3T均包括1×1和3×3两种感受野并进行级联融合。在多个尺度上同时进行卷积，能提取到不同尺度的特征，再直接采用特征堆叠融合多尺度特征，可以保留最丰富的多尺度信息也意味着最后分类判断时更加准确。之后执行1×1和3×3两种感受野的二维卷积并进行特征级联，进一步增强多时相影像的空间上下文信息，突出局部特征的显著性。
在网络末端级联LSTM和CNN两种网络的高级判别特征，将不同模块的特征直接压缩输入到不同的全连接层，可以获得更具差异的多层次高级语义特征，提高多时相影像的分类性能。
选用Softmax作为本实施例的分类器。为综合对比不同方式利用多时相分类的性能并验证本发明所提多时相特征融合框架的有效性和优势，对比传统机器学习下的支持向量机(SVM_RBF)和随机森林(RF)分类技术的性能。
实现选取了某地的高分辨率Planet卫星数据，Planet卫星是由数以百计的Dove卫星组成的全球最大的微小卫星群。地面分辨率为3米，包含蓝、绿、红和近红外四个波段。将实验场景简称为PA，PA场景的影像大小为304×361像素，由五种典型地表覆盖要素组成，分别为建筑、道路、树木、农田、裸地。为了分析多时相波段相对于单时相波段的优势，实验选取了如图2所示的三幅影像数据，图2给出了多时相高分辨率遥感影像假彩色合成图(图2(a)-(c))和地面参考图(图2(d))。表1提供了该数据集中每个类别地面参考样本以及实验选用的训练样本数量的详细信息。实验数据确定了t＝3，n＝4。兼顾时间效率以影像的地面分辨率，指定w＝4。
表1PA数据集的总样本以及实验训练样本数量介绍
样本类别 总样本(像素) 训练样本(像素)
建筑 1749 17
道路 1413 14
树木 16535 165
农田 16671 167
裸地 10775 108
实验结果：
表2、表3和表4分别给出了SVM、RF以及MDFN三种方法在10组百分之一随机样本下单时相/多时相影像的平均分类结果。其中，“a”、“b”以及“c”分别代表图2所示三幅单时相影像的精度评价结果，“多时相”代表三幅单时相影像联合的多时相影像精度评价结果。从三种方法基于多时相影像分类结果的对比可知，本文提出的MDFN方法，在容易错分的“建筑”地表要素类别上的分类精度分别为94.42％(表4中“多时相”列)远高于SVM的75.33％(表2中“多时相”列)以及RF的59.88％(表3中“多时相”列)。而MDFN方法相对于“a”、“b”、“c”三个单时相影像的整体分类精度也均有较大的提升。
图3给出了SVM、RF以及MDFN三种方法在10次随机样本训练下的分类精度波动图，由图3中的对比可以看出：
(1)多时相数据作为输入的精度远高于单时相分类结果，而且多时相整体精度波动远小于单时相。MDFN方法的单时相/多时相对比更加明显，单时相受训练样本随机性影响较大，而多时相下的整体分类精度十分稳定(图3(c))；
(2)传统机器学习算法SVM和RF分类的精度低于基于深度学习的MDFN，多时相的MDFN分类精度的波动相对最为稳定。
综上，MDFN方法可以很好地结合多时相多层次多语义信息，实现高分辨率遥感影像的高精度分类。
图4～6分别给出了SVM、RF以及MDFN三种方法分别基于单时相/多时相影像的分类图以及整体分类精度。对比可以看出：
(1)基于多时相影像的SVM、RF以及MDFN分类结果(图4(d)-图6(d))均优于三个单时相影像下的分类结果，说明多时相联合更有利于模型学习地表典型要素的特性，降低地物单时相影像上受云雾、大气反射等影响引起的光谱差异性；(2)无论是基于多时相还是单时相的MDFN分类结果(图6)均优于机器学习下的SVM和RF方法(图4以及图5)，说明本实施例中构建的MDFN框架能够获取更具判别性的多时相特征，可以较好地区分一些易混淆的类别，最终提高高分辨率影像的分类精度。
表2基于SVM的单时相/多时相分类结果对比
Figure BDA0003090545980000081
表3基于RF的单时相/多时相分类结果对比
Figure BDA0003090545980000091
表4基于MDFN的单时相/多时相分类结果对比
Figure BDA0003090545980000092
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (7)

1.一种联合多时相特征的遥感影像地表要素识别方法，其特征在于，所述的识别方法包括：
步骤1：获取多时相遥感影像数据；
步骤2：分别提取多时相遥感影像的时序关联特征和时空谱三维判别特征；
步骤3：对时序关联特征和时空谱三维判别特征进行级联和批量归一化处理；
步骤4：通过全连接层获得高级语义特征；
步骤5：通过分类器对高级语义特征进行分类，获得遥感影像地表要素识别结果；
所述的步骤2中遥感影像的时空谱三维判别特征提取方法为：
搭建CNN网络模型；
使用CNN网络模型提取遥感影像的时空谱三维判别特征；
所述的CNN网络模型包括：
CONV3T模块：用于沿时间维度执行三维卷积，学习空谱特征在不同时序下变化特征；
CONV3S模块：用于沿光谱维度执行三维卷积，融合单个波段随时间的光谱波动；
所述的CNN网络模型提取遥感影像的时空谱三维判别特征的方法具体为：
首先，将多时相数据分别输入CONV3T模块和CONV3S模块；
其次，对CONV3T模块和CONV3S输出的特征进行级联操作；
最后，对级联特征进行批量归一化和展平操作后输出时空谱级联特征；
所述的CONV3T模块和CONV3S模块均包括1×1和3×3两种感受野的三维卷积模块CONV3进行级联融合，即：CONV3T模块包括卷积核大小为3×3×n的CONV3子模块和1×1×n的CONV3子模块，CONV3S模块包括3×3×t的CONV3子模块和1×1×t的CONV3子模块，其中，n为每幅图像包含的波段数，t为多时相遥感影像的时相数，每个子模块卷积核的数量均为64；
CONV3T模块和CONV3S模块在分别对两种感受野子模块提取的特征进行级联融合后，均对所提取的特征进行批量归一化处理；
CNN网络模型对CONV3T模块和CONV3S模块输出的特征进行级联和批量归一化处理。
2.根据权利要求1所述的一种联合多时相特征的遥感影像地表要素识别方法，其特征在于，所述的步骤2中遥感影像的时序关联特征的提取方法为：
搭建由3层LSTM网络串联构成的LSTM网络模型；
使用LSTM网络模型提取遥感影像的时序关联特征。
3.根据权利要求2所述的一种联合多时相特征的遥感影像地表要素识别方法，其特征在于，所述的LSTM网络模型中单个LSTM网络的滤波核数量为128，非线性激活函数为ReLU函数。
4.根据权利要求1所述的一种联合多时相特征的遥感影像地表要素识别方法，其特征在于，所述的CONV3T模块和CONV3S模块在对所提取的特征进行批量归一化处理后分别对处理后的特征进行重采样处理。
5.根据权利要求1所述的一种联合多时相特征的遥感影像地表要素识别方法，其特征在于，所述的CNN网络模型设有1×1和3×3两种感受野的二维卷积模块CONV2，即CNN网络模型设有卷积核大小为1×1的CONV2模块和3×3的CONV2模块，每个CONV2模块的卷积核数量均为128，用于增强多时相遥感影像的空间上下文信息；
所述的CNN网络模型对CONV3T模块和CONV3S模块输出的特征进行级联和批量归一化处理后，将处理后的特征分别输入卷积核大小为1×1的CONV2模块和3×3的CONV2模块，然后将卷积核大小为的1×1CONV2模块和3×3的CONV2模块输出的特征进行级联和批量归一化处理，最后展平后输出时空谱级联特征。
6.根据权利要求1所述的一种联合多时相特征的遥感影像地表要素识别方法，其特征在于，所述的分类器为Softmax函数层。
7.一种存储介质，其特征在于，所述的存储介质内存储有如权利要求1～6中任一项所述的遥感影像地表要素识别方法。
CN202110594139.3A 2021-05-28 2021-05-28 联合多时相特征的遥感影像地表要素识别方法及存储介质 Active CN113361355B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110594139.3A CN113361355B (zh) 2021-05-28 2021-05-28 联合多时相特征的遥感影像地表要素识别方法及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110594139.3A CN113361355B (zh) 2021-05-28 2021-05-28 联合多时相特征的遥感影像地表要素识别方法及存储介质

Publications (2)

Publication Number Publication Date
CN113361355A CN113361355A (zh) 2021-09-07
CN113361355B true CN113361355B (zh) 2022-11-18

Family

ID=77528150

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110594139.3A Active CN113361355B (zh) 2021-05-28 2021-05-28 联合多时相特征的遥感影像地表要素识别方法及存储介质

Country Status (1)

Country Link
CN (1) CN113361355B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114092832B (zh) * 2022-01-20 2022-04-15 武汉大学 一种基于并联混合卷积网络的高分辨率遥感影像分类方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3617947A1 (en) * 2018-08-30 2020-03-04 Nokia Technologies Oy Apparatus and method for processing image data
CN111898503A (zh) * 2020-07-20 2020-11-06 中国农业科学院农业资源与农业区划研究所 基于云覆盖遥感影像和深度学习的作物识别方法和系统
CN112101271A (zh) * 2020-09-23 2020-12-18 台州学院 一种高光谱遥感影像分类方法及装置
CN112329690A (zh) * 2020-11-16 2021-02-05 河北工业大学 基于时空残差网络和时序卷积网络的连续手语识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3617947A1 (en) * 2018-08-30 2020-03-04 Nokia Technologies Oy Apparatus and method for processing image data
CN111898503A (zh) * 2020-07-20 2020-11-06 中国农业科学院农业资源与农业区划研究所 基于云覆盖遥感影像和深度学习的作物识别方法和系统
CN112101271A (zh) * 2020-09-23 2020-12-18 台州学院 一种高光谱遥感影像分类方法及装置
CN112329690A (zh) * 2020-11-16 2021-02-05 河北工业大学 基于时空残差网络和时序卷积网络的连续手语识别方法

Also Published As

Publication number Publication date
CN113361355A (zh) 2021-09-07

Similar Documents

Publication Publication Date Title
Wu et al. A geographic information-driven method and a new large scale dataset for remote sensing cloud/snow detection
CN111814771B (zh) 图像处理的方法及装置
Zhang et al. Self-attention guidance and multiscale feature fusion-based UAV image object detection
CN111353531B (zh) 基于奇异值分解和空谱域注意力机制高光谱图像分类方法
CN109376753B (zh) 一种三维空谱空间维像元类属概率计算方法
CN108241871A (zh) 基于多特征的激光点云与影像融合数据分类方法
CN103208011B (zh) 基于均值漂移和组稀疏编码的高光谱图像空谱域分类方法
CN111160273A (zh) 一种高光谱图像空谱联合分类方法及装置
CN110309780A (zh) 基于bfd-iga-svm模型的高分辨率影像房屋信息快速监督识别
CN113887472B (zh) 基于级联颜色及纹理特征注意力的遥感图像云检测方法
Liu et al. Novel cross-resolution feature-level fusion for joint classification of multispectral and panchromatic remote sensing images
Chen et al. Object-based multi-modal convolution neural networks for building extraction using panchromatic and multispectral imagery
CN116863345A (zh) 一种基于双重注意力和尺度融合的高分影像农田识别方法
CN116844053B (zh) 一种小麦种植区域识别方法、系统、电子设备及存储介质
Liu et al. A novel feature fusion approach for VHR remote sensing image classification
CN115240072A (zh) 一种基于多方向多尺度光谱-空间残差卷积神经网络的高光谱多类变化检测方法
CN116433940A (zh) 基于孪生镜像网络的遥感影像变化检测方法
Tun et al. Hyperspectral remote sensing images classification using fully convolutional neural network
CN113361355B (zh) 联合多时相特征的遥感影像地表要素识别方法及存储介质
CN109145950B (zh) 一种基于图信号采样的高光谱图像主动学习方法
CN116091911A (zh) 一种地震勘探工区建筑物自动识别方法及系统
Ahmad et al. Attention mechanism meets with hybrid dense network for hyperspectral image classification
Jusoff et al. Mapping of individual oil palm trees using airborne hyperspectral sensing: an overview
CN114037922B (zh) 一种基于层级上下文网络的航拍图像分割方法
JP6060377B2 (ja) 画像クラスタ分析装置

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