CN113723281A - 基于局部自适应尺度集成学习的高分辨率影像分类方法 - Google Patents
基于局部自适应尺度集成学习的高分辨率影像分类方法 Download PDFInfo
- Publication number
- CN113723281A CN113723281A CN202111001772.3A CN202111001772A CN113723281A CN 113723281 A CN113723281 A CN 113723281A CN 202111001772 A CN202111001772 A CN 202111001772A CN 113723281 A CN113723281 A CN 113723281A
- Authority
- CN
- China
- Prior art keywords
- scale
- image
- classification
- segmentation
- local
- 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
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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (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 Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于局部自适应尺度集成学习的高分辨率影像分类方法,包括步骤:获取工作区的样本和高分辨率遥感影像;通过不同分割尺度下影像对象平均局部同质性的变化率曲线,获取若干个优选尺度分割结果;计算不同优选尺度分割结果下每个分割对象的分类特征,构建整幅影像的覆盖特征矩阵;计算覆盖特征矩阵中各个覆盖特征对于每个像元分类时的贡献度;整幅影像的局部自适应尺度的集成学习并分割影像;构建分类器对局部自适应尺度分割结果下影像对象进行集成学习并分类。其显著效果是:巧妙的避开了在基于对象分类范式中最佳分割参数的选择问题,实现了不同尺度下分类信息的集成,提高了高分率遥感影像的地物识别精度。
Description
技术领域
本发明涉及到遥感图像识别以及基于对象分类方法技术领域,具体涉及一种基于局部自适应尺度集成学习的高分辨率影像分类方法。
背景技术
微电子技术的发展让遥感传感器可获取的影像分辨率越来越高。在中国,2014年升空的高分2号已经可以同时获取1m的全色波段数据和4m的多光谱数据。2016年,美国发射的WorldView-4卫星更是将全色波段的空间分辨率提升至0.3m。遥感图像分辨率的逐步提升为现实世界地物向遥感图像映射提供了更好的细节表达,同时也让基于对象分析(Object Oriented Image Analysis,OBIA)的分类方法变得越来越普遍。OBIA分类是指将遥感影像分割后的对象作为一个研究单元,该影像对象可以是一个像元,也可以是多个像元的集合体,然后从该单元的综合特征信息出发对该影像对象进行归属判定,从而提取影像上的信息。
图像的分割不仅是OBIA分类范式的核心,也是OBIA的第一步。分割过程根据光谱特征、几何特征、纹理特征等将影像划分成多个光谱相似的、空间相邻且有实际语义的单元,并认为单元内所有像素具备相同属性以形成同质对象。这些单元在一定程度上和具有清晰语义的现实世界中的地物相对应。当前已知的分割算法已多达上千种,但由于通用的分割理论比较欠缺,因此在图像分割方法领域仍有待研究。如何从众多方法中选择一个合适的分割方法,或对某个分割算法确定一个最佳的分割参数成为有待解决的问题。
在所有分割参数中,分割尺度参数控制分割后对象的相对大小最为重要。在以往的一些研究中,部分学者通过各种监督学习的方式在一定程度上得到了一个相对理想的分割尺度,但在参数优化以及选取过程中仍存在一些问题:大多数方法太过于注重寻找某一个最优的尺度参数来分割图像,而忽略了分割图像的最终目的是为了提高分类精度。这里首先要澄清一般研究中所描述的最优尺度是什么,最优尺度的“最优”指得是针对所有地物在全幅影像上最优,而不是一个能将所有影像对象和具有清晰现实世界语义的地物完美对应的尺度。因此尺度参数没有“绝对最好”这一说法。地表覆盖类型往往非常复杂,不同地物所对应的分割尺度都有所差异,当使用某单一最优尺度时,可以做到凸显某种地类信息,但又不可避免的会损伤到其它地类的信息,所以很难定义单个或者某个最优的分割尺度参数。因此,一幅图像是允许出现几个最优尺度的,不同的最优尺度对应了不同地物的语义显著区域。把“最优尺度”称为“优选尺度”或许更为合适。相比尺度,生产人员其实更愿意关心精度,只要最终的分类精度足够高,其实是可以不关心尺度选择这个中间过程是如何运行的,甚至允许分类过程中一幅图像上出现多个优选尺度。因此如何将多个尺度参数同时集成进图像分割和地物识别工作中是当前的一个难点。
发明内容
针对现有技术的不足,本发明的目的是提供一种基于局部自适应尺度集成学习的高分辨率影像分类方法,首先通过不同分割尺度下的平均局部同质性筛选得到优选尺度集;再在不同优选分割尺度上进行集成学习,通过计算不同优选分割尺度下的特征贡献度累计值来获取被计算单元对应的局部自适应尺度,从而在图像全域形成不同局部向不同尺度的映射逻辑关系;最后在分割结果下实现最终的地物分类与识别。
为达到上述目的,本发明采用的技术方案如下:
一种基于局部自适应尺度集成学习的高分辨率影像分类方法,其关键在于:包括以下步骤:
步骤1:明确待分类地物体系,获取工作区的样本和高分辨率遥感影像;
步骤2:通过不同分割尺度下影像对象平均局部同质性的变化率曲线,获取若干个优选尺度分割结果;
步骤3:通过用户经验法和特征选择算法集成多类特征,并计算不同优选尺度分割结果下每个分割对象的分类特征,构建整幅影像的覆盖特征矩阵;
步骤4:计算覆盖特征矩阵中各个覆盖特征对于每个像元分类时的贡献度,并按照大小进行排序;
步骤5:进行整幅影像的局部自适应尺度的集成学习,并根据局部自适应尺度分割影像;
步骤6:构建分类器对局部自适应尺度分割结果下影像对象进行集成学习并分类,选取测试精度最高的结果作为分类结果完成地物最终的分类提取。
进一步的,步骤1中工作区内若存在植被类地物,则获取的高分辨遥感影像的时相还应该包含植被类地物的多个关键物候期,并通过波段合成制作输入影像。
进一步的,步骤2中所述优选尺度分割结果的获取步骤如下:
步骤2-1:超参数设置,并根据超参数确定的不同的分割尺度,利用MRS方法对输入影像进行循环分割;
步骤2-2:计算不同分割尺度下分割结果的平均局部同质性,同时以尺度参数为横轴,构建不同分割尺度下影像对象平均局部同质性的变化函数;
步骤2-3:计算不同分割尺度下影像对象平均局部同质性变化函数的变化率,并构建变化率曲线;
步骤2-4:在变化率曲线选择若干个明显峰值点所指向的尺度参数作为优选尺度参数,以这些优选尺度参数下的图像分割结果作为优选分割结果。
进一步的,所述不同分割尺度下分割结果的平均局部同质性的计算公式为:
其中,LV为目标尺度层计算的平均局部同质性,σij表示位于第i行第j列的像元的局部同质性,通过像素所在分割对象的标准差计算得到,I、J为获取的高分辨率遥感影像的行列数。
进一步的,所述不同分割尺度下影像对象平均局部同质性变化函数的变化率的计算公式为:
其中,RLV为目标尺度层相较于低于目标尺度层一级的尺度层的平均局部同质性的变化率,LV表示在目标尺度层计算的平均局部同质性,LV-1表示在低于目标尺度层一级的尺度层所计算的平均局部同质性。
进一步的,步骤3中所述覆盖特征矩阵的构建步骤如下:
步骤3-1:基于用户经验法和特征选择算法确定并优化待分类特征的类型和数目;
步骤3-2:循环计算每个优选分割结果下影像对象的不同特征的具体特征值;
步骤3-3:将每个优选分割结果下影像对象的特征值赋给其覆盖像素,得到整幅影像的覆盖特征矩阵。
进一步的,步骤4中覆盖特征矩阵中各个覆盖特征对于每个像元分类时的贡献度的计算步骤如下:
步骤4-1:根据随机森林算法构建多棵分类树;
步骤4-2:计算每棵分类树上每个节点上的基尼指数;
步骤4-3:计算每个节点因为分裂而产生的基尼指数动态变化量,并将其作为该节点的贡献度;
步骤4-4:基于各个节点的贡献度,计算每个分类特征在每棵分类树上的特征贡献度;
步骤4-5:根据每个分类特征在每棵分类树上的特征贡献度,计算其在整个分类森林中的特征贡献度;
步骤4-6:遍历所有像素,完成整幅影像的特征贡献度计算。
进一步的,步骤5中局部自适应尺度的集成学习步骤如下:
步骤5-1:对于每个像元,根据步骤4的结果选取前若干个贡献值较大的覆盖特征,并统计这些特征来自哪个分割尺度;
步骤5-2:将归属于同一分割尺度下的特征贡献度的值进行累加,并排序比较,最大值所指向的尺度即为该像元的局部自适应尺度;
步骤5-3:遍历所有像素,完成整幅影像局部自适应尺度的学习。
本发明先根据影像对象的平均局部同质性获取多个优选尺度参数,再通过计算每个像素覆盖特征贡献度的累计值来获取局部自适应尺度,相当于在分类处理前先将图像划分成了不同小块(局部),并在这个局部区域里进行不同尺度参数下的二次分割,最后在局部自适应尺度的分割结果下进行图像分类。
本发明的显著效果是:一是相较于传统的基于对象的分类方法,选择了“一些较优”的尺度参数,而非“一个最优”尺度,这不仅巧妙的避开了在基于对象分类范式中最佳分割参数的选择问题,有效解决了图像分割中“最优尺度”对图像局部信息损害的问题,还在多个分割尺度上实现了图像信息的集成,加强了分割对象的语义和现实世界地物之间的映射关系,得到了更好的图像分割结果,解决了图像分割中“最优尺度”对图像局部信息损害的问题,大大提高了高分率遥感影像在基于对象分类范式下的地物识别精度。
附图说明
图1是本发明的方法流程图;
图2显示为本发明局部自适应尺度概念图;
图3显示为本发明具体实施例中局部自适应尺度下的分割结果图;
图4显示为本发明的覆盖特征矩阵示意图。
具体实施方式
下面结合附图对本发明的具体实施方式以及工作原理作进一步详细说明。
如图1所示,一种基于局部自适应尺度集成学习的高分辨率影像分类方法,具体步骤如下:
步骤1:明确待分类地物体系,获取工作区的样本和高分辨率遥感影像;
根据实际工作区情况,确定待识别地物体系类别,总共为C类。考虑到工作区内除了建筑类地物,还含有不同的农作物等植被类地物,因此获取的高分辨遥感影像的时相还应该包含植被类地物的多个关键物候期。此时,选取包含关键物候期的m期分辨率为1米的GF2卫星影像,进行波段合成,制作输入影像,输入影像图幅大小为I行*J列*B波段。
步骤2:计算不同分割尺度下影像对象平均局部同质性LV(Local variance),同时构建影像对象平均局部同质性的变化率RLV(Rates of change of LV)曲线,根据曲线的峰值点,得到若干个优选尺度分割结果;
RLV可以用来指示图像分割的相对好坏,在分类前期先粗略的选择“一些”相对较好的图像分割尺度,这样可以尽量保证分割对象的语义和现实地物的映射关系也是相对较好,有益于后期分类精度的提升。具体实施时步骤如下:
步骤2-1:设置起始尺度、终止尺度和循环步长等参数,将这些参数作为本实施例的超参数,以控制局部自适应尺度的学习时间和学习精度。这些参数将会被输入到MRS算法模型中,技术人员可根据不同工作区或者业务场景采用不同的参数。在本特定实施例中,起始尺度设置为50,步长设置为1,终止尺度设置为140。
根据超参数确定的不同的分割尺度,利用MRS方法对输入影像进行循环分割;
MRS该算法是一种基于区域合并技术在不同尺度层级实现影像分割的算法,其通过不断合并相邻的像素或其它较小对象来达到分割原始图像的目的,被认为是在解决OBIA问题过程中最好的方法之一。MRS算法里的尺度参数相当于一个系数,没有具体的意义及物理单位,是一个抽象的概念,用来表示算法所允许生成影像对象的内部最大异质性。总体异质性Atotal计算步骤如下:
Atotal=w·Acolor+(1-w)·Ashape,
式中,Atotal表示总体异质性,Acolor表示光谱异质性,w表示其权重,在0-1之间,由设置的光谱参数决定,本特定实施例中设置为0.7,Ashape表示形状异质性,(1-w)表示形状异质性权重,本特定实施例中设置为0.3。
步骤2-2:按照如下公式计算不同分割尺度下分割结果的平均局部同质性LV,同时以尺度参数为横轴,构建不同分割尺度下影像对象平均局部同质性的变化函数;
其中,LV为目标尺度层计算的平均局部同质性,σij表示位于第i行第j列的像元的局部同质性,通过像素所在分割对象的标准差计算得到,I、J为获取的高分辨率遥感影像的行列数。
步骤2-3:根据步骤2-2的结果,计算不同分割尺度下影像对象平均局部同质性变化函数的变化率RLV,并构建变化率曲线;
其中,RLV为目标尺度层相较于低于目标尺度层一级的尺度层的平均局部同质性的变化率,LV表示在目标尺度层计算的平均局部同质性,LV-1表示在低于目标尺度层一级的尺度层所计算的平均局部同质性。
LV的变化率RLV可以用来指示图像分割的相对好坏。通过RLV可以在分类前期先粗略的选择“一些”相对较好的图像分割尺度,这样可以尽量保证分割对象的语义和现实地物的映射关系也是相对较好,有益于后期分类精度的提升。
步骤2-4:根据步骤2-3中计算的变化率曲线,选择若干个个明显峰值点所指向的尺度参数做为优选尺度参数,优选尺度参数个数等于待分类地物类别数,即优选尺度参数的个为C,分别用S1,S2,S3…Sc表示,同时以这些优选尺度参数下的图像分割结果作为优选分割结果。
步骤3:通过用户经验法和特征选择算法集成多类特征,并计算不同优选尺度分割结果下每个分割对象的分类特征,构建整幅影像的覆盖特征矩阵,作为后期训练局部自适应尺度的输入矩阵;
步骤3-1:基于用户经验法和特征选择算法确定并优化待分类特征的类型和数目,具体的:
先基于用户经验法建立特征初始库,初始特征库要求尽可能的多包涵有效特征;再基于特征选择算法对初始特征库进行去冗余和选择,通过特征选择以剔除不相关或者冗余的特征,有助于提高地物识别精度。
特征选择算法可以是单变量特征选择、线性模型和正则化、去掉取值变化最小特征等方法。在本实施例中,在文献学习的基础上通过用户经验选取了包括植被指数特征、光谱特征、纹理特征、几何特征在内的多项特征,共计F个,并采用相关性检验法对其进行优化,在F个初始特征的基础上获取了f个子特征作为最终的输入特征。
步骤3-2:循环计算C个不同优选分割结果下影像对象的f个不同特征的具体特征值;
步骤3-3:将C个不同优选分割结果下影像对象的特征值赋给其覆盖像素,得到整幅影像的覆盖特征矩阵,本例通过覆盖特征矩阵描述在特征选择时特征维度和影像大小、尺度数目之间的关系,以便于后续局部自适应尺度的集成学习训练。
本实施例中,共有C个优选尺度分割结果,且每个优选尺度下影像对象的特征有f个,对于每个影像对象,将其特征赋给其覆盖像素,那么每个像元在C个尺度下则有C*f个特征,这C*f个特征称其为覆盖特征。覆盖特征矩阵大小为I行*J列*(C*f)维特征。
步骤4:计算覆盖特征矩阵中各个覆盖特征对于每个像元分类时的贡献度,并按照大小进行排序,具体的:
步骤4-1:根据随机森林算法构建U棵分类树,样本特征维度为V,V的取值如下:
V=C×f,
步骤4-2:计算每棵分类树上每个节点上的基尼指数,具体计算方式如下:
步骤4-3:计算每个节点因为分裂而产生的基尼指数动态变化量,并将其作为该节点的贡献度:
步骤4-4:基于各个节点的贡献度,计算每个分类特征在每棵分类树上的特征贡献度,假设特征v在第u棵树中出现了N次,具体计算方式:
式中,Contributionuv表示特征v在第u棵树中的特征贡献度。
步骤4-5:根据每个分类特征在每棵分类树上的特征贡献度,计算其在整个分类森林中的特征贡献度,具体为:
式中,Contributionv表示特征v在整个随机森林模型中的特征贡献度。
步骤4-6:遍历所有像素,完成整幅影像的特征贡献度计算,并按照特征贡献度的大小进行排序。
步骤5:进行整幅影像的局部自适应尺度的集成学习,并根据局部自适应尺度分割影像,具体步骤如下:
步骤5-1:对于每个像元,根据步骤4中分类特征贡献度的排序结果,选取前P个贡献值较大的覆盖特征,并统计这些特征来自哪个分割尺度。假设每个优选尺度下被选中的特征数目分别为ps1,ps2,ps3…psc,那么P=ps1+ps2+ps3+…+psc。在本特定实施例中,选取了前100%的覆盖特征,即每个像元的所有覆盖特征都考虑。
步骤5-2:将归属同一分割尺度下的特征贡献度值进行累加,并排序比较,最大值所指向的尺度即为该像元的局部自适应尺度LAS。具体计算方式如下:
式中,表示在第i行第j列的像元被选中的覆盖特征中,那些来自优选尺度Sc的特征所具有的特征贡献度的累计值。pc表示被选中的覆盖特征中,那些来自优选尺度Sc中的特征的数目,表示在这pc个特征中第x个特征的贡献度。max()表示以尺度为变量,求不同优选尺度下选中特征的贡献度累计值的最大值的函数。argmax()表示这个最大值所指向的尺度,即为像元的局部自适应尺度LAS。
步骤5-3:遍历所有像素,完成整幅影像局部自适应尺度的学习。局部自适应尺度将整幅影像划分成了不同区域,不同的区域映射了不同的分割尺度(如图2所示)。基于局部自适应尺度参数对整幅影像进行分割,分割结果见图3。
步骤6:本实施例中,结合已有样本,构造多个分类器(决策树、神经网络、SVM等),并将其全部视为弱分类器,对局部自适应尺度分割结果下影像对象进行集成学习并分类。选取测试精度最高的结果作为分类结果完成地物最终的分类提取。
本发明申明的基于局部自适应尺度集成学习的高分辨率影像地物识别方法,旨在提供一种针对高分辨影像的地物识别方案,先根据不同分割尺度下影像对象的平均局部同质性指标筛选获取多个优选尺度参数,再通过计算不同优选分割尺度下每个像素覆盖特征贡献度的累计值来获取被计算单元对应的局部自适应尺度,相当于在分类处理前先将图像划分成了不同小块(局部),并在这个局部区域里进行不同尺度参数下的二次分割,从而在图像全域形成不同局部向不同尺度的映射逻辑关系;最后在局部自适应尺度的分割结果下进行图像分类识别。该方案一是在不同图像分割尺度上实现了分类信息的集成学习,巧妙的避开了在基于对象分类范式中最佳分割参数的选择问题,二是实现了分类器的集成学习应用,能有效解决图像分割中“最优尺度”对图像局部信息损害的问题,加强了分割对象的语义和现实世界地物之间的映射关系,提高了高分率遥感影像在基于对象分类范式下的地物识别精度,具有较高的产业利用价值。
以上对本发明所提供的技术方案进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (8)
1.一种基于局部自适应尺度集成学习的高分辨率影像分类方法,其特征在于,包括以下步骤:
步骤1:明确待分类地物体系,获取工作区的样本和高分辨率遥感影像;
步骤2:通过不同分割尺度下影像对象平均局部同质性的变化率曲线,获取若干个优选尺度分割结果;
步骤3:通过用户经验法和特征选择算法集成多类特征,并计算不同优选尺度分割结果下每个分割对象的分类特征,构建整幅影像的覆盖特征矩阵;
步骤4:计算覆盖特征矩阵中各个覆盖特征对于每个像元分类时的贡献度,并按照大小进行排序;
步骤5:进行整幅影像的局部自适应尺度的集成学习,并根据局部自适应尺度分割影像;
步骤6:构建分类器对局部自适应尺度分割结果下影像对象进行集成学习并分类,选取测试精度最高的结果作为分类结果完成地物最终的分类提取。
2.根据权利要求1所述的基于局部自适应尺度集成学习的高分辨率影像分类方法,其特征在于,步骤1中工作区内若存在植被类地物,则获取的高分辨遥感影像的时相还应该包含植被类地物的多个关键物候期,并通过波段合成制作输入影像。
3.根据权利要求1所述的基于局部自适应尺度集成学习的高分辨率影像分类方法,其特征在于,步骤2中所述优选尺度分割结果的获取步骤如下:
步骤2-1:超参数设置,并根据超参数确定的不同的分割尺度,利用MRS方法对输入影像进行循环分割;
步骤2-2:计算不同分割尺度下分割结果的平均局部同质性,同时以尺度参数为横轴,构建不同分割尺度下影像对象平均局部同质性的变化函数;
步骤2-3:计算不同分割尺度下影像对象平均局部同质性变化函数的变化率,并构建变化率曲线;
步骤2-4:在变化率曲线选择若干个明显峰值点所指向的尺度参数作为优选尺度参数,以这些优选尺度参数下的图像分割结果作为优选分割结果。
6.根据权利要求1所述的基于局部自适应尺度集成学习的高分辨率影像分类方法,其特征在于,步骤3中所述覆盖特征矩阵的构建步骤如下:
步骤3-1:基于用户经验法和特征选择算法确定并优化待分类特征的类型和数目;
步骤3-2:循环计算每个优选分割结果下影像对象的不同特征的具体特征值;
步骤3-3:将每个优选分割结果下影像对象的特征值赋给其覆盖像素,得到整幅影像的覆盖特征矩阵。
7.根据权利要求1所述的基于局部自适应尺度集成学习的高分辨率影像分类方法,其特征在于,步骤4中覆盖特征矩阵中各个覆盖特征对于每个像元分类时的贡献度的计算步骤如下:
步骤4-1:根据随机森林算法构建多棵分类树;
步骤4-2:计算每棵分类树上每个节点上的基尼指数;
步骤4-3:计算每个节点因为分裂而产生的基尼指数动态变化量,并将其作为该节点的贡献度;
步骤4-4:基于各个节点的贡献度,计算每个分类特征在每棵分类树上的特征贡献度;
步骤4-5:根据每个分类特征在每棵分类树上的特征贡献度,计算其在整个分类森林中的特征贡献度;
步骤4-6:遍历所有像素,完成整幅影像的特征贡献度计算。
8.根据权利要求1所述的基于局部自适应尺度集成学习的高分辨率影像分类方法,其特征在于,步骤5中局部自适应尺度的集成学习步骤如下:
步骤5-1:对于每个像元,根据步骤4的结果选取前若干个贡献值较大的覆盖特征,并统计这些特征来自哪个分割尺度;
步骤5-2:将归属于同一分割尺度下的特征贡献度的值进行累加,并排序比较,最大值所指向的尺度即为该像元的局部自适应尺度;
步骤5-3:遍历所有像素,完成整幅影像局部自适应尺度的学习。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111001772.3A CN113723281B (zh) | 2021-08-30 | 2021-08-30 | 基于局部自适应尺度集成学习的高分辨率影像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111001772.3A CN113723281B (zh) | 2021-08-30 | 2021-08-30 | 基于局部自适应尺度集成学习的高分辨率影像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113723281A true CN113723281A (zh) | 2021-11-30 |
CN113723281B CN113723281B (zh) | 2022-07-22 |
Family
ID=78678834
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111001772.3A Active CN113723281B (zh) | 2021-08-30 | 2021-08-30 | 基于局部自适应尺度集成学习的高分辨率影像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113723281B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115248876A (zh) * | 2022-08-18 | 2022-10-28 | 北京数慧时空信息技术有限公司 | 基于内容理解的遥感影像统筹推荐方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105335966A (zh) * | 2015-10-14 | 2016-02-17 | 南京信息工程大学 | 基于局域同质性指标的多尺度遥感影像分割方法 |
CN110956187A (zh) * | 2019-11-28 | 2020-04-03 | 中国农业科学院农业信息研究所 | 一种基于集成学习的无人机影像植物冠层信息提取方法 |
CN111274887A (zh) * | 2020-01-13 | 2020-06-12 | 北京师范大学 | 基于机器学习的农作物识别方法、装置、存储介质及终端 |
CN111652231A (zh) * | 2020-05-29 | 2020-09-11 | 沈阳铸造研究所有限公司 | 一种基于特征自适应选择的铸件缺陷语义分割方法 |
-
2021
- 2021-08-30 CN CN202111001772.3A patent/CN113723281B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105335966A (zh) * | 2015-10-14 | 2016-02-17 | 南京信息工程大学 | 基于局域同质性指标的多尺度遥感影像分割方法 |
CN110956187A (zh) * | 2019-11-28 | 2020-04-03 | 中国农业科学院农业信息研究所 | 一种基于集成学习的无人机影像植物冠层信息提取方法 |
CN111274887A (zh) * | 2020-01-13 | 2020-06-12 | 北京师范大学 | 基于机器学习的农作物识别方法、装置、存储介质及终端 |
CN111652231A (zh) * | 2020-05-29 | 2020-09-11 | 沈阳铸造研究所有限公司 | 一种基于特征自适应选择的铸件缺陷语义分割方法 |
Non-Patent Citations (2)
Title |
---|
HYUN SANG PARK 等: "《Homogeneous Region Merging Approach for Image Segmentation Preserving Semantic Object Contours》", 《PROCEEDINGS OF VLBV98 INTERNATIONAL WORKSHOP ON VERY LOW BITRATE VIDEO CODING》 * |
张倩: "《多尺度同质区域提取的高分辨率遥感影像分类研究》", 《武汉大学学报-信息科学版》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115248876A (zh) * | 2022-08-18 | 2022-10-28 | 北京数慧时空信息技术有限公司 | 基于内容理解的遥感影像统筹推荐方法 |
CN115248876B (zh) * | 2022-08-18 | 2024-05-10 | 北京数慧时空信息技术有限公司 | 基于内容理解的遥感影像统筹推荐方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113723281B (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nevavuori et al. | Crop yield prediction with deep convolutional neural networks | |
CN111368896B (zh) | 基于密集残差三维卷积神经网络的高光谱遥感图像分类方法 | |
US11521380B2 (en) | Shadow and cloud masking for remote sensing images in agriculture applications using a multilayer perceptron | |
Farmonov et al. | Crop type classification by DESIS hyperspectral imagery and machine learning algorithms | |
CN113392775B (zh) | 一种基于深度神经网络的甘蔗幼苗自动识别与计数方法 | |
US20190164047A1 (en) | Object recognition using a convolutional neural network trained by principal component analysis and repeated spectral clustering | |
CN111191736A (zh) | 基于深度特征交叉融合的高光谱图像分类方法 | |
CN104484681B (zh) | 基于空间信息和集成学习的高光谱遥感影像分类方法 | |
CN103440505B (zh) | 空间邻域信息加权的高光谱遥感图像分类方法 | |
CN109711401A (zh) | 一种基于Faster Rcnn的自然场景图像中的文本检测方法 | |
CN113936214B (zh) | 一种基于融合空天遥感影像的岩溶湿地植被群落分类方法 | |
CN102930275A (zh) | 基于Cramer’s V指数的遥感影像特征选择方法 | |
CN115393719A (zh) | 结合空谱域自适应与集成学习的高光谱图像分类方法 | |
CN114937173A (zh) | 一种基于动态图卷积网络的高光谱图像快速分类方法 | |
CN112733736A (zh) | 基于增强过采样的类别不平衡高光谱图像分类方法 | |
CN113723281B (zh) | 基于局部自适应尺度集成学习的高分辨率影像分类方法 | |
Guo et al. | Dual-concentrated network with morphological features for tree species classification using hyperspectral image | |
CN107423771B (zh) | 一种两时相遥感图像变化检测方法 | |
Mhatre et al. | Cotton leaves disease detection and cure using deep learning | |
Sari et al. | The Effect of Batch Size and Epoch on Performance of ShuffleNet-CNN Architecture for Vegetation Density Classification | |
CN115147742A (zh) | 基于3d深度卷积神经网络的小样本高光谱图像分类方法 | |
Asadi et al. | Crop mapping through a hybrid machine learning and deep learning method | |
JP2022175851A (ja) | 情報処理装置、情報処理方法、及びプログラム | |
CN112465821A (zh) | 一种基于边界关键点感知的多尺度害虫图像检测方法 | |
CN112966781A (zh) | 基于三元组损失和卷积神经网络的高光谱图像分类方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |