CN113902759B - 一种空谱信息联合的星载高光谱影像分割与聚类方法 - Google Patents
一种空谱信息联合的星载高光谱影像分割与聚类方法 Download PDFInfo
- Publication number
- CN113902759B CN113902759B CN202111200719.6A CN202111200719A CN113902759B CN 113902759 B CN113902759 B CN 113902759B CN 202111200719 A CN202111200719 A CN 202111200719A CN 113902759 B CN113902759 B CN 113902759B
- Authority
- CN
- China
- Prior art keywords
- image
- segmentation
- space
- sad
- spot
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种空谱信息联合的星载高光谱影像分割与聚类方法,包括对获取的星载高光谱影像进行预处理,去除辐射质量问题严重的波段与大气吸收影响严重的波段,得到反射率影像;判别影像复杂度等级,根据复杂度等级确定分割参数;选择反射率影像中部分波段或全部波段进行主成分变换,保留变换后的前N个主成分并进行归一化处理;对影像进行空间维滤波处理;对空间维滤波后的反射率影像进行主成分变换,保留变换后的前N个主成分并进行归一化处理;基于种子点区域生长与SAD的影像初分割,获得初始图斑分割结果与图斑邻接关系图;图斑的分裂与合并;计算图斑的光谱与纹理特征,构建图斑空谱特征集,并利用K均值方法对图斑进行聚类,得到影像聚类结果图。
Description
技术领域
本发明涉及星载高光谱影像分割聚类技术领域,尤其涉及一种空谱信息联合的星载高光谱影像分割与聚类方法。
背景技术
相比于传统测绘技术,遥感具备探测范围大、获取数据速度快、重复观测周期短、受地面条件限制少等优点。其中,星载高光谱数据包含数百个光谱通道,蕴含着丰富的光谱信息。相对于地面和航空遥感,高光谱卫星遥感能够快速、大范围、高频次的获取宏观尺度的地物信息,大幅度提高了自然资源要素的定量化调查监测能力。
遥感影像的分割与聚类是遥感数据处理与信息提取的关键步骤,对于后续地物分类、目标识别、典型地物类型的参量反演等具有重要意义。目前,遥感影像的分割方法主要分为基于像元的分割方法(阈值法、聚类法)、基于边缘检测的分割方法、基于区域的分割方法和基于物理模型的分割方法。基于像元的分割相对简单,容易实现,适用于较为简单,数据量小的影像;基于边缘检测的分割则主要应用于轮廓提取,对于多波段且边缘信息不明显的影像尚有一定应用难度;基于区域的方法主要利用区域内像素特征的相似性来分割图像,该类方法主要包括区域增长和区域分裂与合并两种方法,以分水岭算法为代表,这类算法容易扩展到多波段,但成本较高;而基于物理模型的分割方法能够识别阴影、光斑等,可以获得高分影像中的地物边界,但受限于模型条件苛刻。对于高光谱数据,将光谱信息与形状、纹理等空间特征结合的空谱信息联合分割与聚类算法,能够在一定程度上提升分割与聚类效果,但现有算法大多适用于空间分辨率高、地物类型相对简单、且地物目标像元数较多的机载高光谱影像,而对于地物类型复杂、地物目标像元数少、波段数多、数据冗余度高的星载高光谱影像应用效果非常有限。
近年来,随着高分五号、珠海一号、PRISMA、资源一号02D、高分五号02星等国内外高光谱卫星的发射,星载高光谱数据的区域覆盖能力有了显著提升,对于星载高光谱数据的批量化、规模化处理能力也提出了新的要求。因此,本发明针对星载高光谱影像特点,研究并提出一种空谱信息联合的星载高光谱影像分割与聚类方法,在预先完成必要的参数设置后,可以实现星载高光谱影像的自动分割与聚类,在自然资源要素调查与监测、土地覆盖与土地利用分类制图等领域具有较好的应用前景。
发明内容
为解决上述技术问题,本发明的目的是提供一种空谱信息联合的星载高光谱影像分割与聚类方法,该方法主要包含星载高光谱影像预处理、影像复杂度等级判别与分割参数确定、结合载荷特点的主成分变换、影像空间维滤波处理、滤波后影像的主成分变换、基于种子点区域生长与SAD的影像初分割、图斑的分裂与合并、图斑空谱特征计算与聚类等步骤。本发明充分考虑到星载高光谱影像的数据质量特点,包括空间分辨率低、影像质量受探测器响应与大气吸收影响较大等,并基于经验统计提供了典型应用场景下关键参数的参考值,同时充分挖掘利用了星载高光谱数据的光谱维与空间维信息,减少了影像分割中常见的过分割与欠分割,提高分割与聚类结果的准确性。同时,该技术具有操作简单、自动化程度高等特点,适合星载高光谱数据的规模化、批量化处理。
本发明的目的通过以下的技术方案来实现:
一种空谱信息联合的星载高光谱影像分割与聚类方法,包括以下步骤:
步骤A对获取的星载高光谱影像进行预处理,去除辐射质量问题严重的波段与大气吸收影响严重的波段,得到反射率影像;
步骤B判别影像复杂度等级,根据复杂度等级确定分割参数;分割参数包括滤波窗口大小WinSize、相似度阈值Sim、滤波迭代次数FN;
步骤C选择反射率影像中部分波段或全部波段进行主成分变换,保留变换后的前N个主成分并进行归一化处理;
步骤D对影像进行空间维滤波处理,得到空间维滤波后的反射率影像;
步骤E对空间维滤波后的反射率影像进行主成分变换,保留变换后的前N个主成分并进行归一化处理;
步骤F基于种子点区域生长与SAD的影像初分割,获得初始图斑分割结果与图斑邻接关系图;
步骤G对图斑内像元的灰度分布频率进行正态分布检测,对检测不通过的图斑进行分裂,更新图斑分割结果与图斑邻接关系图,并计算图斑内任两个像元光谱间的最大MaxPP_SAD以及图斑光谱与其全部邻接图斑光谱间的最小MinSP_SAD,若MaxPP_SAD大于MinSP_SAD且MinSP_SAD小于Sim,则将该图斑与MinSP_SAD对应的邻接图斑进行合并,迭代进行分裂与合并,直到迭代次数满足要求或无图斑需要分裂与合并为止,更新图斑信息,得到优化的影像分割结果;
步骤H计算图斑的光谱与纹理特征,构建图斑空谱特征集,并利用K均值方法对图斑进行聚类,得到影像聚类结果图。
与现有技术相比,本发明的一个或多个实施例可以具有如下优点:
本发明提出的空谱信息联合的星载高光谱影像分割与聚类方法,给出星载高光谱影像预处理、影像复杂度等级判别与分割参数确定、结合载荷特点的主成分变换、影像空间维滤波处理、滤波后影像的主成分变换、基于种子点区域生长与SAD的影像初分割、图斑的分裂与合并、图斑空谱特征计算与聚类的具体实施流程及方法。本发明具有操作简单、自动化程度高、适合星载高光谱数据的规模化、批量化处理等优点,可以广泛应用在国内外已发射的高分五号、珠海一号、PRISMA、资源一号02D、高分五号02星等星载高光谱数据中,实现农田区域裸土目标的批量化、规模化、自动化的高精度识别,为星载高光谱数据在自然资源要素调查与监测、土地覆盖与土地利用分类制图等提供重要技术支撑。
附图说明
图1是空谱信息联合的星载高光谱影像分割与聚类方法流程图;
图2是对高光谱卫星SWIR载荷有效波段进行主成分变换后第一主成分灰度图;
图3是对空间维滤波后影像全部有效波段进行主成分变换后第一主成分灰度图;
图4是基于种子点区域生长与SAD的影像初分割结果图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合实施例及附图对本发明作进一步详细的描述。
如图1所示,本发明提出的空谱信息联合的星载高光谱影像分割与聚类方法流程,包括以下步骤:
步骤10对获取的星载高光谱影像进行预处理,去除辐射质量问题严重的波段与大气吸收影响严重的波段,得到反射率影像;
步骤20判别影像复杂度等级,根据复杂度等级确定分割参数;分割参数包括滤波窗口大小WinSize、相似度阈值Sim、滤波迭代次数FN;
步骤30选择反射率影像中部分波段或全部波段进行主成分变换,保留变换后的前N个主成分并进行归一化处理;
步骤40对影像进行空间维滤波处理,得到空间维滤波后的反射率影像;
步骤50对空间维滤波后的反射率影像进行主成分变换,保留变换后的前N个主成分并进行归一化处理;
步骤60基于种子点区域生长与SAD的影像初分割,获得初始图斑分割结果与图斑邻接关系图;
步骤70对图斑内像元的灰度分布频率进行正态分布检测,对检测不通过的图斑进行分裂,更新图斑分割结果与图斑邻接关系图,并计算图斑内任两个像元光谱间的最大MaxPP_SAD以及图斑光谱与其全部邻接图斑光谱间的最小MinSP_SAD,若MaxPP_SAD大于MinSP_SAD且MinSP_SAD小于Sim,则将该图斑与MinSP_SAD对应的邻接图斑进行合并,迭代进行分裂与合并,直到迭代次数满足要求或无图斑需要分裂与合并为止,更新图斑信息,得到优化的影像分割结果;
步骤80计算图斑的光谱与纹理特征,构建图斑空谱特征集,并利用K均值方法对图斑进行聚类,得到影像聚类结果图。
上述步骤10获取研究区的ZY1-02D卫星L1A级高光谱影像,利用ENVI软件依次进行辐射系数校正、FLAASH模型大气校正、正射纠正、地形及太阳光度校正等预处理,通过目视分析,去除低信噪比、条带噪声、CCD片间不一致、坏线等辐射质量问题严重的波段与大气吸收影响严重的波段,最终得到包含151个波段的反射率影像。
上述步骤20具体包括利用边缘比率等指标评估或人工目视判别影像复杂度等级L,根据复杂度等级确定滤波窗口大小WinSize、相似度阈值Sim、滤波迭代次数FN;所述复杂度等级L为1至5范围内整数,数值越大复杂度越高。
由于研究区地物场景以农田为主,破碎地物相对较少,通过人工目视判别复杂度等级为3,对照表1,确定滤波窗口大小WinSize为9×9,相似度阈值Sim为0.032,迭代次数FN为3次。
表1
上述步骤30中根据ZY1-02D高光谱卫星VNIR与SWIR载荷数据的图像信噪比、辐射质量问题出现频次及严重程度、波段几何精度,单独选择短波红外SWIR载荷的有效波段,进行主成分变换,保留变换后的前5个主成分并进行归一化处理,第一主成分图像如图2所示。
上述步骤40主要包括:计算N维主成分空间中中心点像元与WinSize大小的邻域窗口内所有像元间光谱角距离SAD,将SAD数值小于Sim值的像元作为中心点同类像元,并将这些像元的平均反射率光谱作为中心点像元反射率光谱,根据滤波迭代次数FN值进行迭代,得到空间维滤波后的反射率影像;
基于5个主成分,通过计算5维主成分空间中,中心点像元与9×9邻域窗口内所有像元间SAD,将SAD数值小于0.030的像元作为中心点同类像元,并以这些像元的平均反射率光谱作为中心点像元反射率光谱,迭代3次,得到空间维滤波后的反射率影像。其中,像元c的光谱向量Sc与像元i的光谱向量Si间SAD计算公式为:
上述步骤50对得到的空间维滤波后的反射率影像进行主成分变换,保留变换后的前5个主成分并进行归一化处理,第一主成分图像如图3所示。
上述步骤60基于5维主成分影像,以影像中心点作为起始图斑种子点,以四邻域窗口作为相邻区域,以新像元光谱与图斑光谱间SAD大于0.030作为停止生长条件,利用种子点区域生长方法进行区域生长,获得初始图斑分割结果与图斑邻接关系图,分割结果如图4所示。
上述步骤70中基于图斑分割结果与图斑邻接关系图,在得到的5维主成分影像光谱空间中,采用Kolmogorov-Smirnov检验逐图斑对图斑内全部像元的灰度分布频率进行正态分布检测,对检测不通过的图斑进行分裂,更新图斑分割结果与图斑邻接关系图,逐图斑计算图斑内任两个像元光谱间的最大MaxPP_SAD、以及图斑光谱与其全部邻接图斑光谱间的最小MinSP_SAD,若MaxPP_SAD大于MinSP_SAD且MinSP_SAD小于0.030,则将该图斑与MinSP_SAD对应的邻接图斑进行合并,迭代进行,直到迭代次数满足要求或无图斑需要分裂与合并为止,更新图斑信息,得到优化的影像分割结果。
上述步骤80具体包括设置聚类的类别数目为10、迭代次数为3,以图斑为单位,基于空间维滤波后反射率影像计算的图斑内全部像元的均值光谱与标准差光谱作为光谱特征,基于5个归一化后主成分统计图斑内像元在各主成分的均质性、异质性、值域范围、信息熵等作为纹理特征,构建图斑空谱特征集,并利用K均值方法对按照设置的类别数目对图斑进行聚类,得到影像聚类结果图。
虽然本发明所揭露的实施方式如上,但所述的内容只是为了便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属技术领域内的技术人员,在不脱离本发明所揭露的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本发明的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (7)
1.一种空谱信息联合的星载高光谱影像分割与聚类方法,其特征在于,所述方法包括以下步骤:
步骤A对获取的星载高光谱影像进行预处理,去除辐射质量问题严重的波段与大气吸收影响严重的波段,得到反射率影像;
步骤B判别影像复杂度等级,根据复杂度等级确定分割参数;分割参数包括滤波窗口大小WinSize、相似度阈值Sim、滤波迭代次数FN;
步骤C选择反射率影像中部分波段或全部波段进行主成分变换,保留变换后的前N个主成分并进行归一化处理;
步骤D对影像进行空间维滤波处理,得到空间维滤波后的反射率影像;
步骤E对空间维滤波后的反射率影像进行主成分变换,保留变换后的前N个主成分并进行归一化处理;
步骤F基于种子点区域生长与SAD的影像初分割,获得初始图斑分割结果与图斑邻接关系图;
步骤G对图斑内像元的灰度分布频率进行正态分布检测,对检测不通过的图斑进行分裂,更新图斑分割结果与图斑邻接关系图,并计算图斑内任两个像元光谱间的最大MaxPP_SAD以及图斑光谱与其全部邻接图斑光谱间的最小MinSP_SAD,若MaxPP_SAD大于MinSP_SAD且MinSP_SAD小于Sim,则将该图斑与MinSP_SAD对应的邻接图斑进行合并,迭代进行分裂与合并,直到迭代次数满足要求或无图斑需要分裂与合并为止,更新图斑信息,得到优化的影像分割结果;
步骤H计算图斑的光谱与纹理特征,构建图斑空谱特征集,并利用K均值方法对图斑进行聚类,得到影像聚类结果图。
2.如权利要求1所述的空谱信息联合的星载高光谱影像分割与聚类方法,其特征在于,所述步骤A中影像预处理包括辐射系数校正、大气校正、正射纠正、地形及太阳光度校正;辐射质量问题包括低信噪比、条带噪声、CCD片间不一致和坏线。
3.如权利要求1所述的空谱信息联合的星载高光谱影像分割与聚类方法,其特征在于,所述步骤B具体包括利用边缘比率指标评估或人工目视判别影像复杂度等级L,根据复杂度等级确定滤波窗口大小WinSize、相似度阈值Sim、滤波迭代次数FN;所述复杂度等级L为1至5范围内整数,数值越大复杂度越高。
4.如权利要求1所述的空谱信息联合的星载高光谱影像分割与聚类方法,其特征在于,所述步骤C中根据高光谱卫星各载荷数据的图像信噪比、辐射质量问题出现频次及严重程度、波段几何精度,单独或同时选择可见光-近红外VNIR载荷或短波红外SWIR载荷的部分或全部波段,进行主成分变换。
6.如权利要求1所述的空谱信息联合的星载高光谱影像分割与聚类方法,其特征在于,所述步骤G中灰度分布频率正态分布检测采用Kolmogorov-Smirnov检验、Shapiro-Wilk检验或Anderson-Darling检验。
7.如权利要求1所述的空谱信息联合的星载高光谱影像分割与聚类方法,其特征在于,所述步骤H具体包括基于空间维滤波后反射率影像计算的图斑内全部像元的均值光谱与标准差光谱,以及基于N个归一化后主成分,统计图斑内像元在各主成分的均质性、异质性、值域范围、信息熵纹理特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111200719.6A CN113902759B (zh) | 2021-10-13 | 2021-10-13 | 一种空谱信息联合的星载高光谱影像分割与聚类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111200719.6A CN113902759B (zh) | 2021-10-13 | 2021-10-13 | 一种空谱信息联合的星载高光谱影像分割与聚类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113902759A CN113902759A (zh) | 2022-01-07 |
CN113902759B true CN113902759B (zh) | 2022-04-22 |
Family
ID=79192102
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111200719.6A Active CN113902759B (zh) | 2021-10-13 | 2021-10-13 | 一种空谱信息联合的星载高光谱影像分割与聚类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113902759B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115205699B (zh) * | 2022-06-29 | 2023-03-03 | 中国测绘科学研究院 | 一种基于cfsfdp改进算法的地图图斑聚类融合处理方法 |
CN118262191A (zh) * | 2024-02-05 | 2024-06-28 | 自然资源部国土卫星遥感应用中心 | 基于多/高光谱影像和地表覆盖数据可变格网样本批量生成方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105513060A (zh) * | 2015-11-30 | 2016-04-20 | 中国人民解放军海军航空工程学院 | 一种视觉感知启发的高分辨率遥感图像分割方法 |
CN106503739A (zh) * | 2016-10-31 | 2017-03-15 | 中国地质大学(武汉) | 联合光谱和纹理特征的高光谱遥感影像svm分类方法及系统 |
CN110796038A (zh) * | 2019-10-15 | 2020-02-14 | 南京理工大学 | 结合快速区域生长超像素分割的高光谱遥感图像分类方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100104158A1 (en) * | 2006-12-21 | 2010-04-29 | Eli Shechtman | Method and apparatus for matching local self-similarities |
CN102024258B (zh) * | 2010-12-15 | 2012-07-25 | 中国科学院遥感应用研究所 | 具有边界保持特性的遥感图像多尺度分割方法 |
US20190046794A1 (en) * | 2015-03-27 | 2019-02-14 | Equility Llc | Multi-factor control of ear stimulation |
CN104881677B (zh) * | 2015-05-08 | 2017-12-05 | 北京师范大学 | 针对遥感影像地表覆盖分类的最优分割尺度确定方法 |
CN105976310B (zh) * | 2016-05-04 | 2018-01-12 | 山东大学 | 一种基于分块的vca端元提取方法 |
CN110442444B (zh) * | 2019-06-18 | 2021-12-10 | 中国科学院计算机网络信息中心 | 一种面向海量遥感影像的并行数据访问方法与系统 |
CN110910397B (zh) * | 2019-10-18 | 2022-10-11 | 中国人民解放军陆军工程大学 | 一种遥感图像分割方法 |
-
2021
- 2021-10-13 CN CN202111200719.6A patent/CN113902759B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105513060A (zh) * | 2015-11-30 | 2016-04-20 | 中国人民解放军海军航空工程学院 | 一种视觉感知启发的高分辨率遥感图像分割方法 |
CN106503739A (zh) * | 2016-10-31 | 2017-03-15 | 中国地质大学(武汉) | 联合光谱和纹理特征的高光谱遥感影像svm分类方法及系统 |
CN110796038A (zh) * | 2019-10-15 | 2020-02-14 | 南京理工大学 | 结合快速区域生长超像素分割的高光谱遥感图像分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113902759A (zh) | 2022-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111582194B (zh) | 基于多特征lstm网络的多时相高分辨率遥感影像的建筑物提取方法 | |
Zhu et al. | Cloud and cloud shadow detection for Landsat images: The fundamental basis for analyzing Landsat time series | |
CN112183209A (zh) | 一种基于多维特征融合的区域农作物分类方法及系统 | |
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 | |
CN107610164B (zh) | 一种基于多特征混合的高分四号影像配准方法 | |
CN110120046B (zh) | 一种融合dem、光学遥感和形变信息的潜在滑坡识别方法 | |
CN112381013B (zh) | 基于高分辨率遥感影像的城市植被反演方法及系统 | |
CN112307901B (zh) | 一种面向滑坡检测的sar与光学影像融合方法及系统 | |
CN111553922B (zh) | 一种卫星遥感影像自动云检测方法 | |
CN107273813A (zh) | 基于高分卫星遥感数据的地理空间要素提取系统 | |
CN107688777B (zh) | 一种协同多源遥感影像的城市绿地提取方法 | |
CN110070545B (zh) | 一种城镇纹理特征密度自动提取城镇建成区的方法 | |
US11386649B2 (en) | Automated concrete/asphalt detection based on sensor time delay | |
CN110310246B (zh) | 一种基于三线阵影像的甘蔗种植区遥感信息提取方法 | |
CN106780503A (zh) | 基于后验概率信息熵的遥感图像最优分割尺度确定方法 | |
CN114627104A (zh) | 一种机场净空保护区建筑变化的遥感影像检测方法 | |
CN113379759A (zh) | 一种光学遥感卫星影像水体自动提取方法 | |
CN115235997A (zh) | 一种基于卫星高光谱影像的土壤质地反演方法 | |
CN114419463A (zh) | 一种基于云平台的全球太阳能光伏板遥感自动识别方法 | |
CN114187189A (zh) | 一种飞行器多光谱影像辐射一致性校正方法 | |
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 | |
CN109063577B (zh) | 基于信息增益率的卫星影像分割最佳分割尺度确定方法 | |
CN117576394A (zh) | 一种利用全局信息提升地类语义分割的方法 | |
CN111047616B (zh) | 一种遥感图像滑坡目标约束性主动轮廓特征提取方法 | |
CN117115652A (zh) | 一种基于可见光谱视觉遥感的林地退化目标检测识别方法 |
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 |