CN113591775A - 一种结合高光谱特征的多光谱遥感影像特定地物提取方法 - Google Patents

一种结合高光谱特征的多光谱遥感影像特定地物提取方法 Download PDF

Info

Publication number
CN113591775A
CN113591775A CN202110916652.XA CN202110916652A CN113591775A CN 113591775 A CN113591775 A CN 113591775A CN 202110916652 A CN202110916652 A CN 202110916652A CN 113591775 A CN113591775 A CN 113591775A
Authority
CN
China
Prior art keywords
remote sensing
image
sensing image
hyperspectral
multispectral
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
CN202110916652.XA
Other languages
English (en)
Other versions
CN113591775B (zh
Inventor
王慧妮
王卓羽
刘天鹤
李康伦
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 Institute of Technology
Original Assignee
Wuhan Institute 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 Wuhan Institute of Technology filed Critical Wuhan Institute of Technology
Priority to CN202110916652.XA priority Critical patent/CN113591775B/zh
Publication of CN113591775A publication Critical patent/CN113591775A/zh
Application granted granted Critical
Publication of CN113591775B publication Critical patent/CN113591775B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing

Landscapes

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

Abstract

本发明公开了一种结合高光谱特征的多光谱遥感影像特定地物提取方法，包括以下步骤：S1,采集待测区域中若干个不同区域的斜坡散粒体及岩石的高光谱数据，其中岩石高光谱数据包括新鲜面光谱曲线和风化面的光谱曲线；S2，基于所采集到的斜坡散粒体及岩石的高光谱数据，获得斜坡散粒体的高光谱特征；S3，利用卫星获取待测区域的多光谱遥感影像，对所述多光谱遥感影像进行处理，得到分类特征对象和解译的多光谱影像；S4，基于所述解译的多光谱影像和所述斜坡散粒体的高光谱特征，对所述分类特征对象进行特征提取，得到斜坡散粒体的特征参数；S5，基于所述斜坡散粒体的特征参数进行地物提取。本发明显著的提高了斜坡散粒体的提取精度。

Description

一种结合高光谱特征的多光谱遥感影像特定地物提取方法
技术领域
本发明涉及遥感数据自动解译与提取领域，特别是涉及一种结合高光谱特征的多光谱遥感影像特定地物提取方法。
背景技术
ASD采集的高光谱图像具有从可见光到热红外波长区间数百个窄波段上的详细物质光谱信息，每个像元都对应一条完整而连续的光谱曲线，能捕捉到多光谱图像无法识别的、不同物质间微小的光谱差异，使利用物质的电磁波谱特性进行定量分析和研究成为可能，更因其丰富的光谱信息而具备解决光学图像特定地物提取的能力。
现阶段遥感影像地物提取的实际应用中采用的是多光谱数据，高光谱与多光谱的融合数据分析较少，需要更多地结合实地测量、虚拟仿真数据等多重手段合理评定多光谱结合高光谱解译结果的精确性，结果的评估验证及其与应用领域中物理参数回归关系需要优化改进。
发明内容
本发明的目的是提供一种结合高光谱特征的多光谱遥感影像特定地物提取方法，以解决上述现有技术存在的问题，使斜坡散粒体的提取精度得到提高。
为实现上述目的，本发明提供了如下方案：
本发明提供一种结合高光谱特征的多光谱遥感影像特定地物提取方法，包括以下步骤：
S1,采集待测区域中若干个不同区域的斜坡散粒体及岩石的高光谱数据，其中岩石高光谱数据包括新鲜面光谱曲线和风化面的光谱曲线；
S2，基于所采集到的斜坡散粒体及岩石的高光谱数据，获得斜坡散粒体的高光谱特征；
S3，利用卫星获取待测区域的多光谱遥感影像，对所述多光谱遥感影像进行处理，得到分类特征对象和解译的多光谱影像；
S4，基于所述解译的多光谱影像和所述斜坡散粒体的高光谱特征，对所述分类特征对象进行特征提取，得到斜坡散粒体的特征参数；
S5，基于所述斜坡散粒体的特征参数进行地物提取。
进一步地，所述S1中进行高光谱数据采集的若干不同区域包括：石屑区、砾屑区、砂屑区。
进一步地，所述S1中高光谱数据采集过程中，采用FieldSpec4便携式地物波谱仪。
进一步地，所述S3中获取多光谱遥感影像的卫星采用哨兵二号。
进一步地，所述S3中对多光谱遥感影像进行处理的方法为：
S3.1，对所述多光谱遥感影像进行数据预处理；
S3.2，对所述数据预处理后的影像进行图像恢复、图像增强、图像复合、图像分类；
S3.3，对所述S3.2处理后的影像进行裁剪、格式转换、投影变换。
进一步地，所述对多光谱遥感影像进行数据预处理包括大气校正、正射校正、重采样、数据镶嵌。
进一步地，所述图像分类包括：对裸露地表区域、基岩与斜坡散粒体进行图像分类，得到分类特征对象。
进一步地，所述裁剪方法为：先用edge函数对影像进行边缘检测，再选择所述edge函数中的Canny算子作为检测算子对整个待测区域进行边缘检测，基于边缘检测结果进行裁剪。
进一步地，所述S4中斜坡散粒体的特征参数包括光谱特征、几何特征、纹理特征和空间特征。
进一步地，所述S4中，基于所述解译的多光谱影像和所述斜坡散粒体的高光谱特征，对所述分类特征对象进行特征提取的方法具体为：通过光谱响应函数来对高光谱影像进行滤波并转换为多光谱影像，基于转换后的多光谱影像和所述解译的多光谱影像对分类特征对象进行特征提取。
本发明公开了以下技术效果：
本发明中对多光谱遥感影像进行处理的过程中采用了最大似然法，基于此方法开展斜坡散粒体的监督分类得到分类特征对象，基于在待测区域采集到的高光谱数据得到高光谱特征，在所述分类特征对象中增加所述高光谱特征信息，显著提高了在哨兵2号获取的多光谱遥感影像中斜坡散粒体的自动化提取精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为结合高光谱特征的多光谱遥感影像特定地物提取方法的流程示意图；
图2为斜坡散粒体中不同粒径的高光谱均值示意图。
具体实施方式
现详细说明本发明的多种示例性实施方式，该详细说明不应认为是对本发明的限制，而应理解为是对本发明的某些方面、特性和实施方案的更详细的描述。
应理解本发明中所述的术语仅仅是为描述特别的实施方式，并非用于限制本发明。另外，对于本发明中的数值范围，应理解为还具体公开了该范围的上限和下限之间的每个中间值。在任何陈述值或陈述范围内的中间值以及任何其他陈述值或在所述范围内的中间值之间的每个较小的范围也包括在本发明内。这些较小范围的上限和下限可独立地包括或排除在范围内。
除非另有说明，否则本文使用的所有技术和科学术语具有本发明所属领域的常规技术人员通常理解的相同含义。虽然本发明仅描述了优选的方法和材料，但是在本发明的实施或测试中也可以使用与本文所述相似或等同的任何方法和材料。本说明书中提到的所有文献通过引用并入，用以公开和描述与所述文献相关的方法和/或材料。在与任何并入的文献冲突时，以本说明书的内容为准。
在不背离本发明的范围或精神的情况下，可对本发明说明书的具体实施方式做多种改进和变化，这对本领域技术人员而言是显而易见的。由本发明的说明书得到的其他实施方式对技术人员而言是显而易见得的。本申请说明书和实施例仅是示例性的。
关于本文中所使用的“包含”、“包括”、“具有”、“含有”等等，均为开放性的用语，即意指包含但不限于。
本发明中所述的“份”如无特别说明，均按质量份计。
实施例1
采集多个地区的斜坡散粒特波谱信息，通过数据统计分析，获取斜坡散粒体的波谱特征。基于高分二号遥感数据在不同波段上对斜坡散粒体敏感程度的差异，运用波段计算、图像增强等处理方法，结合掩膜Mask、主成分PCA(Principal Component Analysis)和色度空间变换HIS(Hue,Intensity和Saturation),即色调、亮度和饱和度，等处理进行光谱信息的增强与特征信息提取，利用ESP算法针对裸露地表区域、基岩与斜坡散粒体极易混淆的问题，开展面向对象分类，达到斜坡散粒图遥感自动识别的目的，本发明的流程示意图见图1。
1.1斜坡散粒体波谱数据的采集与分析
S1,采集待测区域中若干个不同区域的斜坡散粒体及岩石的高光谱数据，其中岩石高光谱数据包括新鲜面光谱曲线和风化面的光谱曲线：
斜坡散粒体高光谱定标实验数据的采集使用ASD(Analytical SpectralDevices.,Inc)公司生产的FieldSpec4便携式地物波谱仪，此便携式地物波谱仪能快速扫描地物，光纤探头能在毫秒内得到地物单一光谱，主要测量反射率(Reflectance)和辐射亮度(Radiance)，所述FieldSpec4便携式地物波谱仪的主要参数见表1。
表1
Figure BDA0003205842030000051
Figure BDA0003205842030000061
采用ASD进行波谱数据采集流程中，实际地类反射、辐射能量从地类本身达到波谱仪的过程中受到多类条件干扰，主要有测试过程中运用的参照白板、数据采集时刻、地物表面粗糙程度、光线角度、空气中各成分含量和云雾、波谱仪视场角、风力风向等因素。
本发明在野外沿国道G317、G318，从昌都邦达机场起，沿途经过昌都市、江达县、德格县、甘孜县、炉霍县、道孚县、康定市、雅江县、理塘县、巴塘县、芒康县和左贡县，实地勘察并采集斜坡散粒体的光谱信息，共采集典型斜坡散粒体光谱信息723条。
采集区域斜坡散粒体根据粒径大小，参考《土的工程分类标准》(GB/T 50145-2007)粒径划分将其划分为石屑区、砾屑区、砂屑区，所述《土的工程分类标准》(GB/T50145-2007)粒径划分见表2。
表2
Figure BDA0003205842030000062
Figure BDA0003205842030000071
S2，基于所采集到的斜坡散粒体及岩石的高光谱数据，获得斜坡散粒体的高光谱特征：
通过ASD波谱仪采集到的斜坡散粒体高光谱曲线，在不同的光谱范围内呈现出其特定的特征，为能够从上述高光谱信息归纳总结出斜坡散粒体高光谱曲线的特征。本次研究在野外对不同斜坡散粒体采集区高光谱曲线、同一岩石新鲜面与风化面光谱曲线进行对比分析。岩石风化会直接改变地表裸露岩石表面物质状况、岩石颗粒大小、粗糙程度等，直接影响反射率强弱与识别效果。表面颗粒大小与粗糙程度会直接影响反射率强弱。相对而言，岩石表面颗粒越大，越粗糙，反射率越低，漫反射越强；表面颗粒越小，越光滑，反射率越高，镜面反射越强。反射率高低不同会导致光谱曲线的差异，进而影响识别效果。
由图2可知，虽然斜坡散粒体不同粒径高光谱反射率高低不同，但是其表征出的吸收波峰和波谷的区域范围始终保持着一致性，高光谱特征明显，斜坡散粒体在高分2号遥感影像对应可见光蓝波段450-510nm、绿波段520-590nm和红波段630-690nm之间具有相近的高光谱特征，在波段450-590nm范围均呈下降趋势，波段630-690nm范围呈上升趋势，整体均出现一个波谷的反射形态。
1.2斜坡散粒体遥感自动解译
S3，利用卫星获取待测区域的多光谱遥感影像，对所述多光谱遥感影像进行处理，得到分类特征对象和解译的多光谱影像：
对所述高分2号卫星遥感影像进行完整的数据预处理，包括：大气校正、正射校正、重采样、数据镶嵌等处理；
将高分2号遥感影像在ERDAS软件中进行图像恢复、图像增强、图像复合、图像分类等处理；
再根据工作区需要进行裁剪、格式转换、投影变换；
最后在ArcGIS中制作成斜坡散粒体遥感解译的影像底图。
此步骤主要使用的数据分析处理工具包括IBM SPSS Statistics 21、ArcGIS10.6、Matlab R2014、ENVI 5.3和eCognition Developer 9.2。结合斜坡散粒体高光谱反射率的高光谱特征，根据高分2号多光谱遥感影像数据的波段信息，见表3，通过统计分析可知波段3与波段4的和差比值在一定范围之间波动，并与其他地物反应出明显差异性。
表3
Figure BDA0003205842030000081
所述图像分类包括：基于图像分割法对裸露地表区域、基岩与斜坡散粒体进行图像分类，得到分类特征对象，其中所述图像分割法包括：最大似然法、最优分割参数选择法ESP、自动阈值法、均值迭代分割、最大熵分割、Sobel算子和拉普拉斯、梯度算子检测边缘、LOG算子检测边缘、Hough变换等算法。
其中在易康软件ERDAS中进行图像分类采用最优分割参数选择法ESP，基于所述ESP对裸露地表区域、基岩与斜坡散粒体进行分类，得到分类特征对象，得到所述分类特征对象后开展多源数据协同的斜坡散粒体信息提取。ESP算法是一种通过计算影像整体对象内部均质性的局部方差变化，来寻找最优对象分割尺度参数的方法。
所述根据工作区进行裁剪，所述裁剪基于Canny算子，Canny算子的边缘检测算法是一种常见的图像分割算法，利用目标对象的边界灰度值和影像背景之间存在的差异，对影像进行求导并计算各个像素以及灰度阶跃变化的区域，导数数值最大的地方即为对象的边缘。在Matlab R2014中使用edge函数对影像进行边缘检测，并选择所述edge函数中的Canny算子作为检测算子对整个待测区域进行边缘检测。
S4，基于所述解译的多光谱影像和所述斜坡散粒体的高光谱特征，对所述分类特征对象进行特征提取，得到斜坡散粒体的特征参数：
遥感卫星影像中，不同类型的地物类别结构、材质、纹理不同，并且各类地物互相混杂交错，对地物信息提取造成干扰。针对哨兵2号卫星影像中地物类别的复杂多样性和斜坡散粒体影像特征，从光谱特征、几何特征和纹理特征三个方面选择了33个特征因子建立特征因子集参与分类器模型建立，详见表4斜坡散粒体特征参数。
表4
Figure BDA0003205842030000101
基于所述解译的多光谱影像和所述斜坡散粒体的高光谱特征，对所述分类特征对象进行特征提取的方法具体为：通过光谱响应函数来对高光谱影像进行滤波并转换为多光谱影像，基于转换后的多光谱影像和所述解译的多光谱影像对分类特征对象进行特征提取。
将高光谱影像转换为多光谱影像的方法包括：根据拍摄相机使用谱响应函数下采样，获得多光谱图像；或通过类IKONOS光谱响应函数(IKONOS-like spectral responsefunctions)来对高光谱影像进行滤波来转换为多光谱图像。
S5，基于所述斜坡散粒体的特征参数进行地物提取。
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (10)

1.一种结合高光谱特征的多光谱遥感影像特定地物提取方法，其特征在于：包括以下步骤：
S1,采集待测区域中若干个不同区域的斜坡散粒体及岩石的高光谱数据，其中岩石高光谱数据包括新鲜面光谱曲线和风化面的光谱曲线；
S2，基于所采集到的斜坡散粒体及岩石的高光谱数据，获得斜坡散粒体的高光谱特征；
S3，利用卫星获取待测区域的多光谱遥感影像，对所述多光谱遥感影像进行处理，得到分类特征对象和解译的多光谱影像；
S4，基于所述解译的多光谱影像和所述斜坡散粒体的高光谱特征，对所述分类特征对象进行特征提取，得到斜坡散粒体的特征参数；
S5，基于所述斜坡散粒体的特征参数进行地物提取。
2.根据权利要求1所述的结合高光谱特征的多光谱遥感影像特定地物提取方法，其特征在于：所述S1中进行高光谱数据采集的若干不同区域包括：石屑区、砾屑区、砂屑区。
3.根据权利要求1所述的结合高光谱特征的多光谱遥感影像特定地物提取方法，其特征在于：所述S1中高光谱数据采集过程中，采用FieldSpec4便携式地物波谱仪。
4.根据权利要求1所述的结合高光谱特征的多光谱遥感影像特定地物提取方法，其特征在于：所述S3中获取多光谱遥感影像的卫星采用哨兵二号。
5.根据权利要求1所述的结合高光谱特征的多光谱遥感影像特定地物提取方法，其特征在于：所述S3中对多光谱遥感影像进行处理的方法为：
S3.1，对所述多光谱遥感影像进行数据预处理；
S3.2，对所述数据预处理后的影像进行图像恢复、图像增强、图像复合、图像分类；
S3.3，对所述S3.2处理后的影像进行裁剪、格式转换、投影变换。
6.根据权利要求5所述的结合高光谱特征的多光谱遥感影像特定地物提取方法，其特征在于：所述对多光谱遥感影像进行数据预处理包括大气校正、正射校正、重采样、数据镶嵌。
7.根据权利要求5所述的结合高光谱特征的多光谱遥感影像特定地物提取方法，其特征在于：所述图像分类包括：对裸露地表区域、基岩与斜坡散粒体进行图像分类，得到分类特征对象。
8.根据权利要求5所述的结合高光谱特征的多光谱遥感影像特定地物提取方法，其特征在于：所述裁剪方法为：先用edge函数对影像进行边缘检测，再选择所述edge函数中的Canny算子作为检测算子对整个待测区域进行边缘检测，基于边缘检测结果进行裁剪。
9.根据权利要求1所述的结合高光谱特征的多光谱遥感影像特定地物提取方法，其特征在于：所述S4中斜坡散粒体的特征参数包括光谱特征、几何特征、纹理特征和空间特征。
10.根据权利要求1所述的结合高光谱特征的多光谱遥感影像特定地物提取方法，其特征在于：所述S4中，基于所述解译的多光谱影像和所述斜坡散粒体的高光谱特征，对所述分类特征对象进行特征提取的方法具体为：通过光谱响应函数来对高光谱影像进行滤波并转换为多光谱影像，基于转换后的多光谱影像和所述解译的多光谱影像对分类特征对象进行特征提取。
CN202110916652.XA 2021-08-11 2021-08-11 一种结合高光谱特征的多光谱遥感影像特定地物提取方法 Active CN113591775B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110916652.XA CN113591775B (zh) 2021-08-11 2021-08-11 一种结合高光谱特征的多光谱遥感影像特定地物提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110916652.XA CN113591775B (zh) 2021-08-11 2021-08-11 一种结合高光谱特征的多光谱遥感影像特定地物提取方法

Publications (2)

Publication Number Publication Date
CN113591775A true CN113591775A (zh) 2021-11-02
CN113591775B CN113591775B (zh) 2022-08-02

Family

ID=78256963

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110916652.XA Active CN113591775B (zh) 2021-08-11 2021-08-11 一种结合高光谱特征的多光谱遥感影像特定地物提取方法

Country Status (1)

Country Link
CN (1) CN113591775B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116297497A (zh) * 2023-05-23 2023-06-23 武汉大学 一种基于高光谱遥感的手机面板质量检测方法
CN116824396A (zh) * 2023-08-29 2023-09-29 湖北省泛星信息技术有限公司 一种多卫星数据融合自动化解译的方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105758806A (zh) * 2016-02-04 2016-07-13 中国农业科学院农业资源与农业区划研究所 基于光谱特征的地膜覆盖农田遥感监测方法
CN107688777A (zh) * 2017-07-21 2018-02-13 同济大学 一种协同多源遥感影像的城市绿地提取方法
CN112766227A (zh) * 2021-02-04 2021-05-07 中国地质调查局武汉地质调查中心 一种高光谱遥感影像分类方法、装置、设备及存储介质
CN113033279A (zh) * 2020-12-10 2021-06-25 四川航天神坤科技有限公司 一种基于多源遥感影像的作物精细分类方法及其系统
CN113112533A (zh) * 2021-04-15 2021-07-13 宁波甬矩空间信息技术有限公司 基于多分辨率分析的sar-多光谱-高光谱一体化融合方法
CN113222836A (zh) * 2021-04-25 2021-08-06 自然资源部国土卫星遥感应用中心 一种高光谱与多光谱遥感信息融合方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105758806A (zh) * 2016-02-04 2016-07-13 中国农业科学院农业资源与农业区划研究所 基于光谱特征的地膜覆盖农田遥感监测方法
CN107688777A (zh) * 2017-07-21 2018-02-13 同济大学 一种协同多源遥感影像的城市绿地提取方法
CN113033279A (zh) * 2020-12-10 2021-06-25 四川航天神坤科技有限公司 一种基于多源遥感影像的作物精细分类方法及其系统
CN112766227A (zh) * 2021-02-04 2021-05-07 中国地质调查局武汉地质调查中心 一种高光谱遥感影像分类方法、装置、设备及存储介质
CN113112533A (zh) * 2021-04-15 2021-07-13 宁波甬矩空间信息技术有限公司 基于多分辨率分析的sar-多光谱-高光谱一体化融合方法
CN113222836A (zh) * 2021-04-25 2021-08-06 自然资源部国土卫星遥感应用中心 一种高光谱与多光谱遥感信息融合方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YUDA LU 等: "Multi-Supervised Recursive-CNN for Hyperspectral and Multispectral Image Fusion", 《2021 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM IGARSS》 *
万欢等: "基于决策树的无人机高光谱遥感影像地物分类研究", 《河北农业科学》 *
王世明 等: "多光谱、高光谱遥感岩性解译在川藏铁路勘察中的应用——以藏东南怒江峡谷拥巴地区为例", 《工程地质学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116297497A (zh) * 2023-05-23 2023-06-23 武汉大学 一种基于高光谱遥感的手机面板质量检测方法
CN116297497B (zh) * 2023-05-23 2023-08-15 武汉大学 一种基于高光谱遥感的手机面板质量检测方法
CN116824396A (zh) * 2023-08-29 2023-09-29 湖北省泛星信息技术有限公司 一种多卫星数据融合自动化解译的方法
CN116824396B (zh) * 2023-08-29 2023-11-21 湖北省泛星信息技术有限公司 一种多卫星数据融合自动化解译的方法

Also Published As

Publication number Publication date
CN113591775B (zh) 2022-08-02

Similar Documents

Publication Publication Date Title
Adeline et al. Shadow detection in very high spatial resolution aerial images: A comparative study
Varshney et al. Advanced image processing techniques for remotely sensed hyperspectral data
CN113591775B (zh) 一种结合高光谱特征的多光谱遥感影像特定地物提取方法
CN110188716B (zh) 一种矿化信息提取方法及系统
Mostafa et al. Shadow identification in high resolution satellite images in the presence of water regions
Kuzmin et al. Automatic segment-level tree species recognition using high resolution aerial winter imagery
Liu et al. Extraction of earthquake-induced collapsed buildings from bi-temporal VHR images using object-level homogeneity index and histogram
Kumar et al. Digital image processing of remotely sensed satellite images for information extraction
CN113902759B (zh) 一种空谱信息联合的星载高光谱影像分割与聚类方法
Elsharkawy et al. New combined pixel/object-based technique for efficient urban classsification using WorldView-2 data
Huynh et al. Hyperspectral imaging for skin recognition and biometrics
Gamba et al. Limits and challenges of optical high-resolution satellite remote sensing for urban applications
Slater et al. Material classification for 3D objects in aerial hyperspectral images
Iyer et al. Hyperspectral image analysis techniques on remote sensing
Yurtseven et al. Using of high-resolution satellite images in object-based image analysis
Imai et al. Shadow detection in hyperspectral images acquired by UAV
Oskouei et al. Detection of alteration minerals using Hyperion data analysis in Lahroud
JP6060377B2 (ja) 画像クラスタ分析装置
CN114792322A (zh) 一种检测山地国产高分辨率卫星影像云与云阴影的方法
Widipaminto et al. Roof materials identification based on pleiades spectral responses using supervised classification
Salehi et al. Mineral mapping by hyperspectral remote sensing in West Greenland using airborne, ship-based and terrestrial platforms
Canham et al. SHARE 2012: large edge targets for hyperspectral imaging applications
Racek et al. Spectral angle mapper as a tool for matching the spectra in hyperspectral processing
Mohammady Oskouei et al. Role of smile correction in mineral detection on hyperion data
Ferreiro-Arman et al. Vine variety discrimination with airborne imaging spectroscopy

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