CN113762070A - 用于深度学习的地表覆盖分类样本采集方法 - Google Patents
用于深度学习的地表覆盖分类样本采集方法 Download PDFInfo
- Publication number
- CN113762070A CN113762070A CN202110844465.5A CN202110844465A CN113762070A CN 113762070 A CN113762070 A CN 113762070A CN 202110844465 A CN202110844465 A CN 202110844465A CN 113762070 A CN113762070 A CN 113762070A
- Authority
- CN
- China
- Prior art keywords
- data
- sample data
- remote sensing
- label
- sensing image
- 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.)
- Pending
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000006243 chemical reaction Methods 0.000 claims abstract description 13
- 230000002708 enhancing effect Effects 0.000 claims abstract description 9
- 230000000007 visual effect Effects 0.000 claims abstract description 5
- 239000002420 orchard Substances 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 6
- 240000000249 Morus alba Species 0.000 claims description 3
- 235000008708 Morus alba Nutrition 0.000 claims description 3
- 244000269722 Thea sinensis Species 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 239000002689 soil Substances 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本公开提供一种用于深度学习的地表覆盖分类样本采集方法。所述方法包括:配准遥感影像数据与历史解译数据,以使遥感影像数据与历史解译数据具有相同的坐标信息;根据预设规则对历史解译数据进行分类码转换,得到具有适用深度学习的编码的解译数据;对所得解译数据进行转换,得到栅格标签数据;以预设的尺寸分别裁切所述栅格标签数据和所述遥感影像数据;根据像素位数,对裁切后的遥感影像数据进行增强处理,以使裁切后的遥感影像数据可视化,得到影像样本数据;对裁切后的栅格标签数据进行伪彩色增强处理,得到标签样本数据;根据地物类别,分别将影像样本数据和标签样本数据制作为地物样本数据,得到样本数据集。
Description
技术领域
本公开涉及遥感影像技术领域,尤其涉及一种用于深度学习的地表覆盖分类样本采集方法。
背景技术
深度学习技术在图像处理领域取得了突破性进展,在遥感图像的智能处理领域也不例外。将深度学习引入到遥感数据的解译中可以极大地提高对遥感数据的智能化处理和分析能力。对于自动化、智能化遥感影像类别准确识别来说,建立深度学习的解译样本库必要且重要。深度学习驱动的遥感影像信息提取和分类研究,依赖于高精度海量样本数据集。
目前国外建立的样本数据集较少考虑中国的地物类型,国内已经建立的样本数据集存在涉及的地物类型单一、分辨率精度不高、样本数量较少等问题。
发明内容
有鉴于此,本公开的目的在于提出一种用于深度学习的地表覆盖分类样本采集方法。
基于上述目的,本公开提供了一种用于深度学习的地表覆盖分类样本采集方法,包括:
配准遥感影像数据与历史解译数据,以使遥感影像数据与历史解译数据具有相同的坐标信息;
根据预设规则对历史解译数据进行分类码转换,得到具有适用深度学习的编码的解译数据;
对所得解译数据进行转换,得到栅格标签数据;
以预设的尺寸分别裁切所述栅格标签数据和所述遥感影像数据;
根据像素位数,对裁切后的遥感影像数据进行增强处理,以使裁切后的遥感影像数据可视化,得到影像样本数据;
对裁切后的栅格标签数据进行伪彩色增强处理,得到标签样本数据;
根据地物类别,分别将影像样本数据和标签样本数据制作为基本要素样本数据,得到样本数据集。
在一些实施例中,所述根据像素位数,对裁切后的遥感影像数据进行增强处理具体包括:
判断裁切后的遥感影像数据的像素位数;
响应于确定像素位数为8bit,进行直方图拉伸以及gama校正;
响应于确定像素位数为16bit,转换为8bit的像素位数,进行所述直方图拉伸以及所述gama校正。
在一些实施例中,所述直方图拉伸具体包括切割遥感影像数据为红色、绿色和蓝色通道;分别获取各个通道的像素最大值和像素最小值,归一化处理,重新映射;
在一些实施例中,所述伪彩色处理具体包括:对栅格标签数据进行灰度到彩色的变换,将对应的灰度级的像素值赋以相应的彩色,以预设格式存储。
在一些实施例中,当所述地物类别为道路时,所述根据地物类别,分别将影像样本数据和标签样本数据制作为地物样本数据集,具体包括:
分别遍历影像样本数据和标签样本数据的每个像素;
在一些实施例中,所述对所得解译数据进行转换,得到栅格标签数据具体包括:
将所得解译数据进行栅格化处理,得到与配准的遥感影像数据分辨率相同的栅格标签数据。
在一些实施例中,所述适用深度学习的编码包括深度学习代码和对应的地物类别;所述预设规则包括将历史解译数据分类码转换为对应的地物类别;所述地物类别为水田、旱地或园地。
在一些实施例中,所述将历史解译数据分类码转换为对应的地物类别具体包括:
将一级分类编码种植土地和二级分类编码水田,均转换为水田的地物类别;将二级分类编码旱地转换为旱地的地物类别;将二级分类编码果园、茶园、桑园、橡胶园、苗圃、花圃和其他经济苗,以及三级分类编码乔灌果园、藤本果园、草本果园、其他乔灌经济苗木、其他藤本经济苗木和其他草本经济苗木转换为园地的地物类别。
在一些实施例中,所述根据地物类别,分别将影像样本数据和标签样本数据制作为地物样本数据集之前还包括:
运用深度学习验证影像样本数据和标签样本数据的有效性,直至得到有效影像样本数据和有效标签样本数据。
从上面所述可以看出,本公开提供的用于深度学习的地表覆盖分类样本采集方法,通过配准遥感影像数据与历史解译数据,以使遥感影像数据与历史解译数据具有相同的坐标信息;根据预设规则对历史解译数据进行分类码转换,得到具有适用深度学习的编码的解译数据;对所得解译数据进行转换,得到栅格标签数据;以预设的尺寸分别裁切所述栅格标签数据和所述遥感影像数据;根据像素位数,对裁切后的遥感影像数据进行增强处理,以使裁切后的遥感影像数据可视化,得到影像样本数据;对裁切后的栅格标签数据进行伪彩色增强处理,得到标签样本数据;以及根据地物类别,分别将影像样本数据和标签样本数据制作为地物样本数据,得到样本数据集。能够根据已有的地理国情普查、第三次全国国土调查等地表覆盖数据成果,构建具有区域性、时序性、尺度性、多类型、样本均衡、精度高的地表覆盖分类的样本数据集。
附图说明
为了更清楚地说明本公开或相关技术中的技术方案,下面将对实施例或相关技术描述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公开的实施例,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为本公开实施例的用于深度学习的地表覆盖分类样本采集方法的流程示意图;
图2为本公开实施例的裁剪后的遥感影像数据示意图;
图3为本公开实施例的裁剪后的栅格标签数据示意图;
图4为本公开实施例的经过增强处理后的影像样本数据示意图;
图5为本公开实施例的经过伪彩色增强处理后的标签样本数据示意图;
图6为本公开实施例的标签样本数据集中各像素的值的情况示意图;
图7为本公开实施例的制作完成的道路要素样本数据示意图;
图8为本公开实施例的用于深度学习的地表覆盖分类样本采集方法的又一流程示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本公开进一步详细说明。
需要说明的是,除非另外定义,本公开实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开实施例中使用的“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。
请参阅图1和图8,本公开实施例提供一种用于深度学习的地表覆盖分类样本采集方法,包括:
S100,配准遥感影像数据与历史解译数据,以使遥感影像数据与历史解译数据具有相同的坐标信息;
S200,根据预设规则对历史解译数据进行分类码转换,得到具有适用深度学习的编码的解译数据;
S300,对所得解译数据进行转换,得到栅格标签数据;
S400,以预设的尺寸分别裁切所述栅格标签数据和所述遥感影像数据;
S500,根据像素位数,对裁切后的遥感影像数据进行增强处理,以使裁切后的遥感影像数据可视化,得到影像样本数据;
S600,对裁切后的栅格标签数据进行伪彩色增强处理,得到标签样本数据;
S700,根据地物类别,分别将影像样本数据和标签样本数据制作为地物样本数据,得到样本数据集。
本公开实施例提供的用于深度学习的地表覆盖分类样本采集方法,通过配准遥感影像数据与历史解译数据,以使遥感影像数据与历史解译数据具有相同的坐标信息;根据预设规则对历史解译数据进行分类码转换,得到具有适用深度学习的编码的解译数据;对所得解译数据进行转换,得到栅格标签数据;以预设的尺寸分别裁切所述栅格标签数据和所述遥感影像数据;根据像素位数,对裁切后的遥感影像数据进行增强处理,以使裁切后的遥感影像数据可视化,得到影像样本数据;对裁切后的栅格标签数据进行伪彩色增强处理,得到标签样本数据;以及根据地物类别,分别将影像样本数据和标签样本数据制作为地物样本数据集。能够根据已有的地理国情普查、第三次全国国土调查等土地覆盖数据成果,构建具有区域性、时序性、尺度性、多类型、样本均衡、精度高的地表覆盖分类的样本数据集。
在一些实施例中,在步骤S100中,通过配准,可以使遥感影像数据与历史解译数据进行坐标转换,从而使遥感影像数据与历史解译数据具有相同的坐标信息。所述遥感影像数据可以为高分辨率遥感影像数据。历史解译数据可以来源于地理国情普查和第三次全国国土调查等历史解译成果等。
在一些实施例中,在步骤S200中,预设规则可以理解为,将历史解译数据中的具体的历史解译数据分类码中的特定的类型,转换为对应的适用深度学习的编码数据。所述适用深度学习的编码包括深度学习代码和对应的地物类别。对应地,所述预设规则可以包括将历史解译数据分类码转换为对应的地物类别;所述地物类别为水田、旱地或园地。
在一些实施例中,对于种植土地分类编码与适用深度学习的编码的转换,具体的转换类型可以为,将一级分类编码种植土地和二级分类编码水田,均转换为水田的地物类别;将二级分类编码旱地转换为旱地的地物类别;将二级分类编码果园、茶园、桑园、橡胶园、苗圃、花圃和其他经济苗,以及三级分类编码乔灌果园、藤本果园、草本果园、其他乔灌经济苗木、其他藤本经济苗木和其他草本经济苗木转换为园地的地物类别。具体可以参阅下表1。
表1种植土地分类编码与适用深度学习的编码的转换
在一些实施例中,还可以包括,将转换后的适用深度学习的编码中的代码与对应的地物类别,以txt格式存储为编码转换文件。具体可以如图2。
在一些实施例中,在步骤S300中,所述对所得解译数据进行转换,得到栅格标签数据具体包括:将所得解译数据进行栅格化处理,得到与配准的遥感影像数据分辨率相同的栅格标签数据。可以理解为,将矢量数据类型的解译数据转换为栅格形式的数据,形成栅格标签数据。该栅格标签数据的类型可以例如TIFF(Tag Image File Format)标签图像文件格式。
在一些实施例中,在步骤S400中,以预设的尺寸分别裁切所述栅格标签数据和所述遥感影像数据可以理解为,以同一预设的尺寸,分别对所述栅格标签数据和所述遥感影像数据进行裁切,以使两者具有相同的尺寸。预设的尺寸,可以根据应用需求设定,例如512*512或1024*1024。以2018年大连的数据为例,裁剪后的遥感影像数据如图2所示,裁剪后的栅格标签数据如图3所示。
在一些实施例中,在步骤S500中,所述根据像素位数,对裁切后的遥感影像数据进行增强处理具体包括:判断裁切后的遥感影像数据的像素位数;响应于确定像素位数为8bit,进行直方图拉伸以及gama校正;响应于确定像素位数为16bit,转换为8bit的像素位数,进行所述直方图拉伸以及所述gama校正。通过该种增强处理,所得影像样本数据即可在图片查看器中方便查看。
在应用场景中,对于2018年大连的图2和图3的数据,所得影像样本数据可以例如图4所示。
在一些实施例中,所述直方图拉伸具体包括切割遥感影像数据为红色、绿色和蓝色通道;分别获取各个通道的像素最大值和像素最小值,归一化处理,重新映射至[0,255]。
在一些实施例中,在步骤S600中,对裁切后的栅格标签数据进行伪彩色增强处理,得到标签样本数据。伪彩色增强处理,具体可以通过将对应的灰度级的像素值赋以相应的彩色。可以理解为,通过伪彩色增强处理,使裁切后的栅格标签数据,由tif格式的灰度图像转为png格式的彩色图片。能够使标签样本数据在图片查看器中方便查看。在应用场景中,对于2018年大连的图4数据,所得标签样本数据可以例如图5所示。
在一些实施例中,在步骤S700中,所述地物类别为耕地、园地、林地、草地、房屋建筑区、道路、构筑物或水域。
在标签样本数据中,像素值为0的像素代表为道路。当所述地物类别为道路时,所述根据地物类别,分别将影像样本数据和标签样本数据制作为基本要素样本数据集具体包括:
分别遍历影像样本数据和标签样本数据的每个像素;
在应用场景中,对于2018年大连的图5数据,标签样本数据集中各像素的值例如图6所示;以道路为地物类别时,提取出的道路要素样本数据可以例如图7所示。
在一些实施例中,所述根据地物类别,分别将影像样本数据和标签样本数据制作为基本要素样本数据集之前还包括:运用深度学习验证影像样本数据和标签样本数据的有效性,直至得到有效影像样本数据和有效标签样本数据。通过深度学习,验证影像样本数据和标签样本数据的有效性,能够得到纯净有价值的样本,提高所得样本数据集的可靠性。
在一些实施例中,深度学习具体可以为卷积神经网络。
本公开提供的基于历史解译数据和高分辨率遥感影像的用于深度学习的地表覆盖分类样本采集方法,利用地理国情普查、第三次全国国土调查等历史解译成果以及高分辨率遥感影像数据,利用自动采集工具构建得到具有区域性、时序性、多类型的地表覆盖分类样本数据集,利用深度学习方法验证样本标签的有效性。能够满足深度学习对样本采集的需求,能够得到更加符合我国实际地物特征的样本数据集,避免传统的样本数据集涉及到的地物类型有限,对我国复杂国情考虑较少的不足等,为后续遥感影像自动解译和变化检测提供了实用性强的样本采集方法与工具。
Claims (9)
1.一种用于深度学习的地表覆盖分类样本采集方法,其特征在于,包括:
配准遥感影像数据与历史解译数据,以使遥感影像数据与历史解译数据具有相同的坐标信息;
根据预设规则对历史解译数据进行分类码转换,得到具有适用深度学习的编码的解译数据;
对所得解译数据进行转换,得到栅格标签数据;
以预设的尺寸分别裁切所述栅格标签数据和所述遥感影像数据;
根据像素位数,对裁切后的遥感影像数据进行增强处理,以使裁切后的遥感影像数据可视化,得到影像样本数据;
对裁切后的栅格标签数据进行伪彩色增强处理,得到标签样本数据;
根据地物类别,分别将影像样本数据和标签样本数据制作为地物样本数据,得到样本数据集。
2.根据权利要求1所述的方法,其特征在于,所述根据像素位数,对裁切后的遥感影像数据进行增强处理具体包括:
判断裁切后的遥感影像数据的像素位数;
响应于确定像素位数为8bit,进行直方图拉伸以及gama校正;
响应于确定像素位数为16bit,转换为8bit的像素位数,进行所述直方图拉伸以及所述gama校正。
4.根据权利要求1所述的方法,其特征在于,所述伪彩色增强处理具体包括:对栅格标签数据进行灰度到彩色的变换,将对应的灰度级的像素值赋以相应的彩色,以预设格式存储。
6.根据权利要求1所述的方法,其特征在于,所述对所得解译数据进行转换,得到栅格标签数据具体包括:
将所得解译数据进行栅格化处理,得到与配准的遥感影像数据分辨率相同的栅格标签数据。
7.根据权利要求1所述的方法,其特征在于,所述适用深度学习的编码包括深度学习代码和对应的地物类别;所述预设规则包括将历史解译数据分类码转换为对应的地物类别;所述地物类别为水田、旱地或园地。
8.根据权利要求7所述的方法,其特征在于,所述将历史解译数据分类码转换为对应的地物类别具体包括:
将一级分类编码种植土地和二级分类编码水田,均转换为水田的地物类别;将二级分类编码旱地转换为旱地的地物类别;将二级分类编码果园、茶园、桑园、橡胶园、苗圃、花圃和其他经济苗,以及三级分类编码乔灌果园、藤本果园、草本果园、其他乔灌经济苗木、其他藤本经济苗木和其他草本经济苗木转换为园地的地物类别。
9.根据权利要求1所述的方法,其特征在于,所述根据地物类别,分别将影像样本数据和标签样本数据制作为地物样本数据之前还包括:
运用深度学习验证影像样本数据和标签样本数据的有效性,直至得到有效影像样本数据和有效标签样本数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110844465.5A CN113762070A (zh) | 2021-07-26 | 2021-07-26 | 用于深度学习的地表覆盖分类样本采集方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110844465.5A CN113762070A (zh) | 2021-07-26 | 2021-07-26 | 用于深度学习的地表覆盖分类样本采集方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113762070A true CN113762070A (zh) | 2021-12-07 |
Family
ID=78788035
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110844465.5A Pending CN113762070A (zh) | 2021-07-26 | 2021-07-26 | 用于深度学习的地表覆盖分类样本采集方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113762070A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115861843A (zh) * | 2022-12-27 | 2023-03-28 | 国家基础地理信息中心 | 一种全球遥感影像样本集构建与更新方法及系统 |
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 (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103500344A (zh) * | 2013-09-02 | 2014-01-08 | 中国测绘科学研究院 | 一种遥感影像信息提取与解译方法及其模块 |
CN107480634A (zh) * | 2017-08-12 | 2017-12-15 | 天津市测绘院 | 一种基于多级对象分类的地理国情地表覆盖监测方法 |
CN108876760A (zh) * | 2017-12-31 | 2018-11-23 | 苏州中科天启遥感科技有限公司 | 一种基于历史解译知识的遥感影像变化检测方法 |
CN110363798A (zh) * | 2019-07-24 | 2019-10-22 | 宁波市测绘设计研究院 | 一种遥感影像解译样本集的生成方法 |
CN111079847A (zh) * | 2019-12-20 | 2020-04-28 | 郑州大学 | 一种基于深度学习的遥感影像自动标注方法 |
US10872417B1 (en) * | 2019-07-04 | 2020-12-22 | FlyPard Analytics GmbH | Automatic delineation agricultural field management zones using remote sensing and field data |
CN112183416A (zh) * | 2020-09-30 | 2021-01-05 | 北京吉威数源信息技术有限公司 | 一种基于深度学习方法的新增建设用地自动提取方法 |
CN112883839A (zh) * | 2021-02-02 | 2021-06-01 | 重庆市地理信息和遥感应用中心 | 基于自适应样本集构造与深度学习的遥感影像解译方法 |
-
2021
- 2021-07-26 CN CN202110844465.5A patent/CN113762070A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103500344A (zh) * | 2013-09-02 | 2014-01-08 | 中国测绘科学研究院 | 一种遥感影像信息提取与解译方法及其模块 |
CN107480634A (zh) * | 2017-08-12 | 2017-12-15 | 天津市测绘院 | 一种基于多级对象分类的地理国情地表覆盖监测方法 |
CN108876760A (zh) * | 2017-12-31 | 2018-11-23 | 苏州中科天启遥感科技有限公司 | 一种基于历史解译知识的遥感影像变化检测方法 |
US10872417B1 (en) * | 2019-07-04 | 2020-12-22 | FlyPard Analytics GmbH | Automatic delineation agricultural field management zones using remote sensing and field data |
CN110363798A (zh) * | 2019-07-24 | 2019-10-22 | 宁波市测绘设计研究院 | 一种遥感影像解译样本集的生成方法 |
CN111079847A (zh) * | 2019-12-20 | 2020-04-28 | 郑州大学 | 一种基于深度学习的遥感影像自动标注方法 |
CN112183416A (zh) * | 2020-09-30 | 2021-01-05 | 北京吉威数源信息技术有限公司 | 一种基于深度学习方法的新增建设用地自动提取方法 |
CN112883839A (zh) * | 2021-02-02 | 2021-06-01 | 重庆市地理信息和遥感应用中心 | 基于自适应样本集构造与深度学习的遥感影像解译方法 |
Non-Patent Citations (3)
Title |
---|
曾波等: "地理国情普查中高分辨率遥感影像自动分类技术研究", 《测绘通报》, pages 95 - 98 * |
李春利等: "基于余弦相似度的边界样本选择方法", 《计算机与现代化》, pages 1 - 5 * |
程滔等: "面向遥感影像智能分类的海量样本数据采集方法", 《测绘通报》, pages 56 - 60 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115861843A (zh) * | 2022-12-27 | 2023-03-28 | 国家基础地理信息中心 | 一种全球遥感影像样本集构建与更新方法及系统 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596103B (zh) | 基于最佳光谱指数选择的高分辨遥感影像建筑物提取方法 | |
Cihlar et al. | Classification by progressive generalization: A new automated methodology for remote sensing multichannel data | |
CN111242224B (zh) | 一种基于无人机提取分类样本点的多源遥感数据分类方法 | |
CN113762070A (zh) | 用于深度学习的地表覆盖分类样本采集方法 | |
CN113673586A (zh) | 融合多源高分辨率卫星遥感影像的海上养殖区域分类方法 | |
CN111626092B (zh) | 一种基于机器学习的无人机影像地裂缝识别及提取方法 | |
CN107688777B (zh) | 一种协同多源遥感影像的城市绿地提取方法 | |
CN109635799B (zh) | 一种燃气表字轮数字的识别方法 | |
CN113011266B (zh) | 一种天空地一体化松材线虫病疫情遥感监测方法 | |
CN111931696A (zh) | 一种基于空间约束的湖库水体面积遥感自动提取方法 | |
CN114359722A (zh) | 特殊地貌分布范围识别方法、装置及设备 | |
CN114241321A (zh) | 高分遥感图像平顶建筑快速精准识别方法 | |
CN115205692A (zh) | 基于生成对抗网络的典型地物要素智能识别与提取方法 | |
CN111008642A (zh) | 基于卷积神经网络的高分辨率遥感影像分类方法及系统 | |
CN115468917A (zh) | 基于高分辨率遥感提取农田地块作物信息的方法及系统 | |
CN114022777A (zh) | 一种遥感影像地物要素的样本制作方法及装置 | |
CN113706387A (zh) | 一种适合低山丘陵地区农作物提取遥感底图的获取方法 | |
CN110929690B (zh) | 一种基于深度神经网络的遥感影像路网提取方法 | |
CN116229459A (zh) | 国产卫星多光谱图像逐像素质量标记方法 | |
CN115984603A (zh) | 基于gf-2与开放地图数据的城市绿地精细化分类方法与系统 | |
CN114463343A (zh) | 一种自动提取海岸带养殖工厂轮廓的方法及装置 | |
CN109472244B (zh) | 一种基于分离指数的土壤、岩石和植被识别方法 | |
CN113554675A (zh) | 一种基于无人机可见光遥感的食用菌产量估算方法 | |
CN107392208B (zh) | 基于光谱空间映射与纯化的对象光谱特征提取方法 | |
Cho et al. | Mapping of vegetation cover using segment based classification of IKONOS imagery |
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 |