CN113378924A - 一种基于空-谱特征联合的遥感影像监督分类方法 - Google Patents

一种基于空-谱特征联合的遥感影像监督分类方法 Download PDF

Info

Publication number
CN113378924A
CN113378924A CN202110645026.1A CN202110645026A CN113378924A CN 113378924 A CN113378924 A CN 113378924A CN 202110645026 A CN202110645026 A CN 202110645026A CN 113378924 A CN113378924 A CN 113378924A
Authority
CN
China
Prior art keywords
image
pixel
feature
remote sensing
supervision
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
CN202110645026.1A
Other languages
English (en)
Other versions
CN113378924B (zh
Inventor
吕志勇
杨萱
孔祥兵
李广飞
王锋军
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.)
Xian University of Technology
Original Assignee
Xian University of Technology
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 Xian University of Technology filed Critical Xian University of Technology
Priority to CN202110645026.1A priority Critical patent/CN113378924B/zh
Publication of CN113378924A publication Critical patent/CN113378924A/zh
Application granted granted Critical
Publication of CN113378924B publication Critical patent/CN113378924B/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
    • G06F18/24—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

Landscapes

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

Abstract

本发明公开了一种基于空‑谱特征联合的遥感影像监督分类方法，具体按照以下步骤实施：步骤1、输入影像，以中心像素构建无参自适应区域；步骤2、计算自适应区域内各个光谱波段的特征均值；计算自适应区域内各个波段的空间特征；步骤3、将得到的光谱特征和空间特征进行特征叠加，得到该像素点自适应区域的联合特征；步骤4、逐像素点遍历整张影像，得到所有像素联合后的特征向量，使用SVM分类器进行分类，得到最终的分类影像，完成遥感影像监督分类。解决了现有技术中存在的则尺度获取空间信息不准确的问题。

Description

一种基于空-谱特征联合的遥感影像监督分类方法
技术领域
本发明属于高分遥感影像分类技术领域，涉及一种基于空-谱特征联合的遥感影像监督分类方法。
背景技术
近年来，随着遥感技术的不断发展，海量的高分影像被获取，通过对高分影像的高精度解译，对现代军事、精准农业、城市规划、地籍调查以及自然灾害监测等诸多领域提供重要的科学意义与实际价值。高分影像蕴含丰富的空间信息，使得地物表面结构更加精细，空间拓扑关系更加清晰。但与此同时，也使得噪声像素增多，光谱波段减少，“同物异谱”与“异物同谱”等现象频频发生，使得地物类内方差变大，类间方差变小，光谱域统计可分性降低。因此也为模式识别、多目标识别领域带来了诸多挑战。
发明内容
本发明的目的是提供一种基于空-谱特征联合的遥感影像监督分类方法，解决了现有技术中存在的则尺度获取空间信息不准确的问题。
本发明所采用的技术方案是，一种基于空-谱特征联合的遥感影像监督分类方法，具体按照以下步骤实施：
步骤1、输入影像，以中心像素构建无参自适应区域；
步骤2、计算自适应区域内各个光谱波段的特征均值；计算自适应区域内各个波段的空间特征；
步骤3、将得到的光谱特征和空间特征进行特征叠加，得到该像素点自适应区域的联合特征；
步骤4、逐像素点遍历整张影像，得到所有像素联合后的特征向量，使用SVM分类器进行分类，得到最终的分类影像，完成遥感影像监督分类。
本发明的特点还在于：
步骤1具体按照以下实施：对输入的影像，以像素(Pixel)为中心通过3×3大小的窗口，获取中心像素周围的邻域像素，计算窗口内邻域像素的均值(Avg)和方差(Std)，以(‖Avg-Std‖≤Pixel≤‖Avg+Std‖)为约束条件不断搜索邻域像素，构建一个无参自适应区域。
步骤2中计算自适应区域内各个光谱波段的特征均值具体按照以下实施：由构成一个影像对象的所有n个像素的图层值计算得到图层平均值。
Figure BDA0003108908520000021
其中，PLi表示波段上第i个像素点的像素值；特征值的范围为：[0；与数据的比特位数对应]。
步骤2计算自适应区域内各个波段的空间特征中的空间特征包括密度、长宽比、形状指数。
步骤2计算自适应区域内各个波段的空间特征具体按照以下实施：使用密度来描述影像对象的紧致程度。在像素栅格的图形中理想的紧致形状是一个正方形。一个影像对象的形状越接近正方形，它的密度就越高。
Figure BDA0003108908520000022
其中，D表示密度。特征值范围：[0；与影像对象的形状对应]；
由于影像对象多为不规则形状，因此，对象长宽比通常由协方差矩阵较大特征值与较小特征值的比值计算得来；
Figure BDA0003108908520000031
其中，γ表示长宽比，eig1(S)为协方差矩阵特征值中较大的一个，eig2(S)则为协方差矩阵较小的特征值；特征值范围：[0；1]；
对象形状指数可以反映对象边界的光滑程度，对象形状指数越大，边界越破碎，反之则越光滑；数学上形状指数是影像对象的边界长度除上它的面积的平方根的4倍；
Figure BDA0003108908520000032
其中，SI表示形状指数，e表示对象边界长度，即对象边界的像素组成个数，特征值范围为：[1；与影像对象的形状对应]。
本发明的有益效果是：本发明一种基于空-谱特征联合的遥感影像监督分类方法，解决了现有技术中存在的则尺度获取空间信息不准确的问题。在两组真实高分辨率遥感影像数据下均获得了最高的识别精度。通过无参自适应区域获取大小形状不同的地物的空间信息，提取高分影像的空间特征来弥补光谱特征的不足，从而显著提高高分影像解译精度。提高了分类的有效性和精度。通过构建无参自适应区域充分获取高分影像的空间信息，增强地物的可分性，从而显著提高高分辨率遥感影像的分类精度。本发明一种基于空-谱特征联合的遥感影像监督分类方法具有较高的自动化程度，较强的普适性。不需要任何参数，即可获得较高的分类精度。因此本发明一种基于空-谱特征联合的遥感影像监督分类方法值得被推广，应用于高分影像实际地表覆盖分类中。
附图说明
图1是本发明一种基于空-谱特征联合的遥感影像监督分类方法的流程图；
图2是本发明一种基于空-谱特征联合的遥感影像监督分类方法中基于数据ZH-3影像：本发明一种基于空-谱特征联合的遥感影像监督分类方法以及另外五种对比方法在SVM分类器下的效果图：(a)RGB方法；(b)IFRF方法；(c)Aps方法；(d)LBP方法；(e)PSI方法；(f)本发明一种基于空-谱特征联合的遥感影像监督分类方法；(g)地面参考真值；
图3是本发明一种基于空-谱特征联合的遥感影像监督分类方法中基于数据PaviaU影像，本发明一种基于空-谱特征联合的遥感影像监督分类方法以及另外五种对比方法在SVM分类器下的效果图：(a)RGB方法；(b)IFRF方法；(c)Aps方法；(d)LBP方法；(e)PSI方法；(f)本发明一种基于空-谱特征联合的遥感影像监督分类方法；(g)地面参考真值。
具体实施方案
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种基于空-谱特征联合的遥感影像监督分类方法，如图1所示，具体按照以下步骤实施：
步骤1、输入影像，以中心像素构建无参自适应区域；
步骤1具体按照以下实施：对输入的影像，以像素(Pixel)为中心通过3×3大小的窗口，获取中心像素周围的邻域像素，计算窗口内邻域像素的均值(Avg)和方差(Std)，以(‖Avg-Std‖≤Pixel≤‖Avg+Std‖)为约束条件不断搜索邻域像素，构建一个无参自适应区域。
步骤2、计算自适应区域内各个光谱波段的特征均值；计算自适应区域内各个波段的空间特征；通过增强地物的空间特征来增强地物的表达性能。使用密度来描述影像对象的紧致程度，对象长宽比通常由协方差矩阵较大特征值与较小特征值的比值计算得来对象形状指数可以反映对象边界的光滑程度；
步骤2中计算自适应区域内各个光谱波段的特征均值具体按照以下实施：由构成一个影像对象的所有n个像素的图层值计算得到图层平均值。
Figure BDA0003108908520000051
其中，PLi表示波段上第i个像素点的像素值；特征值的范围为：[0；与数据的比特位数对应]。
步骤2计算自适应区域内各个波段的空间特征中的空间特征包括密度、长宽比、形状指数。
步骤2计算自适应区域内各个波段的空间特征具体按照以下实施：使用密度来描述影像对象的紧致程度。在像素栅格的图形中理想的紧致形状是一个正方形。一个影像对象的形状越接近正方形，它的密度就越高。
Figure BDA0003108908520000052
其中，D表示密度。特征值范围：[0；与影像对象的形状对应]；
由于影像对象多为不规则形状，因此，对象长宽比通常由协方差矩阵较大特征值与较小特征值的比值计算得来；
Figure BDA0003108908520000053
其中，γ表示长宽比，eig1(S)为协方差矩阵特征值中较大的一个，eig2(S)则为协方差矩阵较小的特征值；特征值范围：[0；1]；
对象形状指数可以反映对象边界的光滑程度，对象形状指数越大，边界越破碎，反之则越光滑；数学上形状指数是影像对象的边界长度除上它的面积的平方根的4倍；
Figure BDA0003108908520000061
其中，SI表示形状指数，e表示对象边界长度，即对象边界的像素组成个数，特征值范围为：[1；与影像对象的形状对应]。
步骤3、将得到的光谱特征和空间特征进行特征叠加，得到该像素点自适应区域的联合特征；
步骤4、逐像素点遍历整张影像，得到所有像素联合后的特征向量，使用SVM分类器进行分类，得到最终的分类影像，完成遥感影像监督分类。
实施例
以高光谱公开数据ZH-3和Pavia U为例进行验证，参照流程图1，本发明实施的详细步骤如下：
步骤1，数据ZH-3取自苏黎世夏季数据集。苏黎世夏季数据集由QuickBird卫星在2002年8月获得，包含四个波段(NIR-R-G-B)，图像空间分辨率为0.62米/像素。其中ZH-3数据大小为943×926，涵盖7种不同的地物场景，分别为道路，草地，铁路，裸露的土壤，树木，水和建筑物。数据PaviaU由帕维亚大学的反射光学系统成像光谱仪(ROSIS-03)传感器采集。该传感器覆盖从430到860纳米的光谱范围。它具有115个光谱波段，空间分辨率为1.3米/像素，波段宽度为4.0纳米。图像尺寸为610×340个像素大小，包含9个类别地物场景。在实验中选择了三个光谱波段(10，27，46)作为实验中的原始光谱特征值。
步骤2，以一个像素点(Pixel)为中心，构建一个3×3大小的窗口，获取中心像素的邻域信息，计算窗口内邻域像素的均值(Avg)和方差(Std)，以(||Avg-Std||≤Pixel≤||Avg+Std||)为约束条件不断探索符合约束条件的邻域像素，直到不满足约束条件为止。
步骤3，根据步骤2得到无参自适应区域，计算自适应区域内各个波段的光谱特征(均值)。指的是由构成一个影像对象的所有n个像素的图层值PLi计算得到图层平均值。
Figure BDA0003108908520000071
其中，PLi表示波段上第i个像素点的像素值。特征值的范围：[0；根据数据的比特位数来定]，对于8比特的数据来说，值域是[0；255]。
步骤4，根据步骤2得到自适应区域坐标，计算自适应区域内各个波段的空间特征(密度、长宽比、形状指数)。
(1)使用密度来描述影像对象的紧致程度。在像素栅格的图形中理想的紧致形状是一个正方形。一个影像对象的形状越接近正方形，它的密度就越高。
Figure BDA0003108908520000072
其中，D表示密度。特征值范围：[0；根据影像对象的形状决定]。
(2)由于影像对象多为不规则形状，因此，对象长宽比通常由协方差矩阵较大特征值与较小特征值的比值计算得来。
Figure BDA0003108908520000073
其中，γ表示长宽比，eig1(S)为协方差矩阵特征值中较大的一个，eig2(S)则为协方差矩阵较小的特征值。特征值范围：[0；1]。
(3)对象形状指数可以反映对象边界的光滑程度，对象形状指数越大，边界越破碎，反之则越光滑。数学上形状指数是影像对象的边界长度除上它的面积的平方根的4倍。
Figure BDA0003108908520000081
其中，SI表示形状指数，e表示对象边界长度，即对象边界的像素组成个数。特征值范围：[1；根据影像对象的形状决定]。
步骤5，步骤3得到的光谱特征和步骤4得到的空间特征进行特征叠加，得到该像素点自适应区域的联合特征。
步骤6，重复上述步骤2-5过程逐像素扫描整张影像，得到整张影像的空-谱联合特征图，输入SVM分类器进行分类得到分类结果图。
图2和图3给出了不同方法下可视化对比结果图：图(a)为RGB方法下的结果，图(b)为IFRF方法下的结果，详情请查阅参考文献：X.Kang,S.Li and J.A.Benediktsson,"Feature Extraction of Hyperspectral Images With Image Fusion and RecursiveFiltering,"in IEEE Transactions on Geoscience and Remote Sensing,vol.52,no.6,pp.3742-3752,June2014,doi:10.1109/TGRS.2013.2275613，图(c)为Aps方法下的结果，详情请查阅参考文献：M.Dalla Mura,J.A.Benediktsson,B.Waske and L.Bruzzone,"Morphological Attribute Profiles for the Analysis of Very High ResolutionImages,"in IEEE Transactions on Geoscience and Remote Sensing,vol.48,no.10,pp.3747-3762,Oct.2010,doi:10.1109/TGRS.2010.2048116，图(d)为LBP方法下的结果，详情请查阅参考文献：XiangpoWei,XuchuYu,BingLiu,LuZhi.Convolutional neuralnetworks and local binary patterns for hyperspectral image classification[J].Taylor&Francis,2019,52(1)，图(e)为PSI方法下的结果，详情请查阅参考文献：LiangpeiZhang,Xin Huang,Bo Huang and Pingxiang Li,"A pixel shape index coupled withspectral information for classification of high spatial resolution remotelysensed imagery,"in IEEE Transactions on Geoscience and Remote Sensing,vol.44,no.10,pp.2950-2961,Oct.2006,doi:10.1109/TGRS.2006.876704，图(f)为本发明方法下第600次迭代的结果图，图(g)为地面参考真值。从效果图来看本发明方法明显大幅度的减少了噪声像素，而且本发明一种基于空-谱特征联合的遥感影像监督分类方法的地物边界保持良好。
本发明一种基于空-谱特征联合的遥感影像监督分类方法，解决了现有技术中存在的则尺度获取空间信息不准确的问题。在两组真实高分辨率遥感影像数据下均获得了最高的识别精度。通过无参自适应区域获取大小形状不同的地物的空间信息，提取高分影像的空间特征来弥补光谱特征的不足，从而显著提高高分影像解译精度。提高了分类的有效性和精度。通过构建无参自适应区域充分获取高分影像的空间信息，增强地物的可分性，从而显著提高高分辨率遥感影像的分类精度。本发明一种基于空-谱特征联合的遥感影像监督分类方法具有较高的自动化程度，较强的普适性。不需要任何参数，即可获得较高的分类精度。因此本发明一种基于空-谱特征联合的遥感影像监督分类方法值得被推广，应用于高分影像实际地表覆盖分类中。

Claims (5)

1.一种基于空-谱特征联合的遥感影像监督分类方法，其特征在于，具体按照以下步骤实施：
步骤1、输入影像，以中心像素构建无参自适应区域；
步骤2、计算自适应区域内各个光谱波段的特征均值；计算自适应区域内各个波段的空间特征；
步骤3、将得到的光谱特征和空间特征进行特征叠加，得到该像素点自适应区域的联合特征；
步骤4、逐像素点遍历整张影像，得到所有像素联合后的特征向量，使用SVM分类器进行分类，得到最终的分类影像，完成遥感影像监督分类。
2.根据权利要求1所述的一种基于空-谱特征联合的遥感影像监督分类方法，其特征在于，所述步骤1具体按照以下实施：对输入的影像，以像素(Pixel)为中心通过3×3大小的窗口，获取中心像素周围的邻域像素，计算窗口内邻域像素的均值(Avg)和方差(Std)，以(‖Avg-Std‖≤Pixel≤‖Avg+Std‖)为约束条件不断搜索邻域像素，构建一个无参自适应区域。
3.根据权利要求2所述的一种基于空-谱特征联合的遥感影像监督分类方法，其特征在于，所述步骤2中计算自适应区域内各个光谱波段的特征均值具体按照以下实施：由构成一个影像对象的所有n个像素的图层值计算得到图层平均值；
Figure FDA0003108908510000011
其中，PLi表示波段上第i个像素点的像素值；特征值的范围为：[0；与数据的比特位数对应]。
4.根据权利要求2所述的一种基于空-谱特征联合的遥感影像监督分类方法，其特征在于，所述步骤2计算自适应区域内各个波段的空间特征中的空间特征包括密度、长宽比、形状指数。
5.根据权利要求2所述的一种基于空-谱特征联合的遥感影像监督分类方法，其特征在于，所述步骤2计算自适应区域内各个波段的空间特征具体按照以下实施：使用密度来描述影像对象的紧致程度；在像素栅格的图形中理想的紧致形状是一个正方形；一个影像对象的形状越接近正方形，它的密度就越高；
Figure FDA0003108908510000021
其中，D表示密度；特征值范围：[0；与影像对象的形状对应]；
由于影像对象多为不规则形状，因此，对象长宽比通常由协方差矩阵较大特征值与较小特征值的比值计算得来；
Figure FDA0003108908510000022
其中，γ表示长宽比，eig1(S)为协方差矩阵特征值中较大的一个，eig2(S)则为协方差矩阵较小的特征值；特征值范围：[0；1]；
对象形状指数可以反映对象边界的光滑程度，对象形状指数越大，边界越破碎，反之则越光滑；数学上形状指数是影像对象的边界长度除上它的面积的平方根的4倍；
Figure FDA0003108908510000023
其中，SI表示形状指数，e表示对象边界长度，即对象边界的像素组成个数，特征值范围为：[1；与影像对象的形状对应]。
CN202110645026.1A 2021-06-09 2021-06-09 一种基于空-谱特征联合的遥感影像监督分类方法 Active CN113378924B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110645026.1A CN113378924B (zh) 2021-06-09 2021-06-09 一种基于空-谱特征联合的遥感影像监督分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110645026.1A CN113378924B (zh) 2021-06-09 2021-06-09 一种基于空-谱特征联合的遥感影像监督分类方法

Publications (2)

Publication Number Publication Date
CN113378924A true CN113378924A (zh) 2021-09-10
CN113378924B CN113378924B (zh) 2024-02-02

Family

ID=77573395

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110645026.1A Active CN113378924B (zh) 2021-06-09 2021-06-09 一种基于空-谱特征联合的遥感影像监督分类方法

Country Status (1)

Country Link
CN (1) CN113378924B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116523884A (zh) * 2023-05-06 2023-08-01 广州纳诺科技股份有限公司 一种遥感影像数据智能解译方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050013486A1 (en) * 2003-07-18 2005-01-20 Lockheed Martin Corporation Method and apparatus for automatic object identification
AU2012100257A4 (en) * 2012-03-08 2012-04-05 Beijing Normal University Method for Radiometric Information Restoration of Mountainous Shadows in Remotely Sensed Images
CN103679675A (zh) * 2013-11-29 2014-03-26 航天恒星科技有限公司 一种面向水质定量遥感应用的遥感影像融合方法
CN110472682A (zh) * 2019-08-13 2019-11-19 辽宁工程技术大学 一种顾及空间和局部特征的高光谱遥感影像分类方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050013486A1 (en) * 2003-07-18 2005-01-20 Lockheed Martin Corporation Method and apparatus for automatic object identification
AU2012100257A4 (en) * 2012-03-08 2012-04-05 Beijing Normal University Method for Radiometric Information Restoration of Mountainous Shadows in Remotely Sensed Images
CN103679675A (zh) * 2013-11-29 2014-03-26 航天恒星科技有限公司 一种面向水质定量遥感应用的遥感影像融合方法
CN110472682A (zh) * 2019-08-13 2019-11-19 辽宁工程技术大学 一种顾及空间和局部特征的高光谱遥感影像分类方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张成坤;韩敏;: "基于边缘保持滤波的高光谱影像光谱-空间联合分类", 自动化学报, no. 02 *
张辉;刘万军;吕欢欢;: "引导滤波联合局部判别嵌入的高光谱影像分类", 吉林大学学报(地球科学版), no. 04 *
赵敏;赵银娣;: "面向对象的多特征分级CVA遥感影像变化检测", 遥感学报, no. 01 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116523884A (zh) * 2023-05-06 2023-08-01 广州纳诺科技股份有限公司 一种遥感影像数据智能解译方法
CN116523884B (zh) * 2023-05-06 2023-11-14 广州纳诺科技股份有限公司 一种遥感影像数据智能解译方法

Also Published As

Publication number Publication date
CN113378924B (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
CN108573276B (zh) 一种基于高分辨率遥感影像的变化检测方法
CN104915636B (zh) 基于多级框架显著性特征的遥感影像道路识别方法
Shackelford et al. A combined fuzzy pixel-based and object-based approach for classification of high-resolution multispectral data over urban areas
CN107358260B (zh) 一种基于表面波cnn的多光谱图像分类方法
CN107067405B (zh) 基于尺度优选的遥感影像分割方法
CN107239759B (zh) 一种基于深度特征的高空间分辨率遥感图像迁移学习方法
Turlapaty et al. A hybrid approach for building extraction from spaceborne multi-angular optical imagery
Ardila et al. Multitemporal change detection of urban trees using localized region-based active contours in VHR images
Jung et al. A framework for land cover classification using discrete return LiDAR data: Adopting pseudo-waveform and hierarchical segmentation
CN110458192B (zh) 基于视觉显著性的高光谱遥感图像分类方法及系统
CN104361589A (zh) 一种基于尺度间映射的高分辨率遥感影像分割方法
Timilsina et al. Mapping urban trees within cadastral parcels using an object-based convolutional neural network
Jahan et al. Fusion of hyperspectral and LiDAR data using discriminant correlation analysis for land cover classification
Li et al. Integrating multiple textural features for remote sensing image change detection
Djerriri et al. Improving hyperspectral image classification by combining spectral and multiband compact texture features
Singh et al. A hybrid approach for information extraction from high resolution satellite imagery
CN113378924B (zh) 一种基于空-谱特征联合的遥感影像监督分类方法
CN114266947A (zh) 一种基于激光点云和可见光图像融合的分类方法及装置
Quackenbush et al. Road extraction: A review of LiDAR-focused studies
Al-Ghrairi et al. Classification of satellite images based on color features using remote sensing
Jing et al. Time series land cover classification based on semi-supervised convolutional long short-term memory neural networks
Gong et al. An adaptive multi-scale gaussian co-occurrence filtering decomposition method for multispectral and SAR image fusion
Kakooei et al. VHR semantic labeling by random forest classification and fusion of spectral and spatial features on Google Earth Engine
Ouerghemmi et al. Urban vegetation mapping by airborne hyperspetral imagery; feasibility and limitations
Li et al. Measuring detailed urban vegetation with multisource high-resolution remote sensing imagery for environmental design and planning

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