CN113920440A - 垃圾填埋场遥感识别方法、装置和计算机设备 - Google Patents

垃圾填埋场遥感识别方法、装置和计算机设备 Download PDF

Info

Publication number
CN113920440A
CN113920440A CN202110367997.4A CN202110367997A CN113920440A CN 113920440 A CN113920440 A CN 113920440A CN 202110367997 A CN202110367997 A CN 202110367997A CN 113920440 A CN113920440 A CN 113920440A
Authority
CN
China
Prior art keywords
remote sensing
landfill
sensing image
preset
refuse landfill
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
Application number
CN202110367997.4A
Other languages
English (en)
Inventor
李贺
黄翀
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.)
Institute of Geographic Sciences and Natural Resources of CAS
Original Assignee
Institute of Geographic Sciences and Natural Resources of CAS
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 Institute of Geographic Sciences and Natural Resources of CAS filed Critical Institute of Geographic Sciences and Natural Resources of CAS
Priority to CN202110367997.4A priority Critical patent/CN113920440A/zh
Publication of CN113920440A publication Critical patent/CN113920440A/zh
Pending legal-status Critical Current

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

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)

Abstract

本发明提供一种垃圾填埋场遥感识别方法、装置和计算机设备，该垃圾填埋场遥感识别方法包括：根据预设分割参数以及预设分割工具，将获取的遥感图像划分为多个对象分割单元；对遥感图像进行划分后，利用预设算法计算垃圾填埋场区域与其它类型区域之间各项遥感图像特征的分离度；从各项遥感图像特征中筛选出分离度大于等于预设值的目标特征，并根据目标特征构建垃圾填埋场遥感指数；利用垃圾填埋场遥感指数以及预设分类模型，提取出遥感图像中为垃圾填埋场的对象分割单元。本发明通过计算对象分割单元之间各项特征的分离度，然后通过遥感指数构建，提高垃圾填埋场与其他分割单元之间的可分离性，最后通过遥感分类算法，提高垃圾填埋场的识别精确度。

Description

垃圾填埋场遥感识别方法、装置和计算机设备
技术领域
本发明涉及图像识别领域，具体而言，涉及一种垃圾填埋场遥感识别方法、装置、计算机设备和可读存储介质。
背景技术
近年来，城市化和工业化的快速发展使得城市生活垃圾处理量不断增加。因此，对城市固体废物填埋场进行有效的规划、管理和监测是当今非常重要的问题。垃圾卫生填埋场因其成本低、卫生程度好而被广泛应用，填埋场仍是我国大多数城市固体垃圾主要的处理方式之一。但因其占地面积大，同时存在严重的二次污染，垃圾填埋场的监测对于垃圾填埋场的有效利用具有重要意义。
遥感具有覆盖范围广、观测速度快、周期性重访和信息量丰富等优势，可以成为监测固体废弃物的重要手段。现有的固废遥感监测研究，普遍采用人工目视解译。
现有的基于遥感图像的垃圾填埋场遥感识别技术相对比较少，利用遥感图像来识别垃圾填埋场一般是通过人工目视解译的方式，因此精确度比较低，难以满足实际应用的需求。
发明内容
鉴于上述问题，本发明提供了一种垃圾填埋场遥感识别方法、装置、计算机设备和可读存储介质，以提高垃圾填埋场的识别精确度。
为了实现上述目的，本发明采用如下的技术方案：
一种垃圾填埋场遥感识别方法，包括：
根据预设分割参数以及预设分割工具，将获取的遥感图像划分为多个对象分割单元；
对所述遥感图像进行划分后，利用预设算法计算垃圾填埋场区域与其它类型区域之间各项遥感图像特征的分离度；
从各项遥感图像特征中筛选出所述分离度大于等于预设值的目标特征，并根据所述目标特征构建垃圾填埋场遥感指数；
利用所述垃圾填埋场遥感指数以及预设分类模型，提取出所述遥感图像中为垃圾填埋场的对象分割单元。
优选地，所述的垃圾填埋场遥感识别方法中，所述预设分割工具为FbSPoptimizer工具，所述预设分割参数包括分割尺度参数、形状参数以及紧致度参数。
优选地，所述的垃圾填埋场遥感识别方法中，还包括：
利用所述FbSP optimizer工具通过监督训练以及模糊逻辑分析确定所述遥感图像的预设分割参数。
优选地，所述的垃圾填埋场遥感识别方法中，所述遥感图像特征包括光谱特征、形状特征以及纹理特征。
优选地，所述的垃圾填埋场遥感识别方法中，所述垃圾填埋场遥感指数的算式包括：
Figure BDA0003008098400000021
式中，SWFEI为所述垃圾填埋场遥感指数，ρNir为近红外光波段，Max(ρNir)为遥感图像中近红外光波段的最大值，LST为地表温度，Max(LST)遥感图像中地表温度的最大值。
优选地，所述的垃圾填埋场遥感识别方法中，所述利用预设算法计算垃圾填埋场区域与其它类型区域之间各项遥感图像特征的分离度包括：
计算所述垃圾填埋场区域以及所述其它类型区域的所述遥感图像特征的特征平均值以及特征标准差；
计算所述垃圾填埋场区域与所述其它类型区域的所述特征平均值的差值；
利用所述垃圾填埋场区域与所述其它类型区域的特征标准差之和对所述差值进行归一化处理，获得所述分离度。
优选地，所述的垃圾填埋场遥感识别方法中，所述预设分类模型为随机森林法分类模型。
本发明还提供一种垃圾填埋场遥感识别装置，包括：
遥感图像划分模块，用于根据预设分割参数以及预设分割工具，将获取的遥感图像划分为多个对象分割单元；
分离度计算模块，用于对所述遥感图像进行划分后，利用预设算法计算垃圾填埋场区域与其它类型区域之间各项遥感图像特征的分离度；
遥感指数构建模块，用于从各项遥感图像特征中筛选出所述分离度大于等于预设值的目标特征，并根据所述目标特征构建垃圾填埋场遥感指数；
填埋场提取模块，用于利用所述垃圾填埋场遥感指数以及预设分类模型，提取出所述遥感图像中为垃圾填埋场的对象分割单元。
本发明还提供一种计算机设备，包括存储器以及处理器，所述存储器存储有计算机程序，所述计算机程序在所述处理器上运行时执行所述的垃圾填埋场遥感识别方法。
本发明还提供一种可读存储介质，其存储有计算机程序，所述计算机程序在处理器上运行时执行所述的垃圾填埋场遥感识别方法。
本发明提供一种垃圾填埋场遥感识别方法，该垃圾填埋场遥感识别方法包括：根据预设分割参数以及预设分割工具，将获取的遥感图像划分为多个对象分割单元；对所述遥感图像进行划分后，利用预设算法计算垃圾填埋场区域与其它类型区域之间各项遥感图像特征的分离度；从各项遥感图像特征中筛选出所述分离度大于等于预设值的目标特征，并根据所述目标特征构建垃圾填埋场遥感指数；利用所述垃圾填埋场遥感指数以及预设分类模型，提取出所述遥感图像中为垃圾填埋场的对象分割单元。本发明通过计算对象分割单元之间各项遥感图像特征的分离度，明确了与垃圾填埋场遥感光谱相近的对象类型，然后通过遥感指数构建，提高了不同垃圾填埋场对象与其他分割单元之间的可分离性，最后通过遥感分类算法，提高了垃圾填埋场的识别精确度。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对本发明保护范围的限定。在各个附图中，类似的构成部分采用类似的编号。
图1是本发明实施例1提供的一种垃圾填埋场遥感识别方法的流程图；
图2是本发明实施例2提供的一种垃圾填埋场遥感识别方法的流程图；
图3是本发明实施例3提供的一种分离度计算的流程图；
图4是本发明实施例4提供的一种垃圾填埋场遥感识别装置的结构示意图。
具体实施方式
下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
在下文中，可在本发明的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本发明的各种实施例中被清楚地限定。
实施例1
图1是本发明实施例1提供的一种垃圾填埋场遥感识别方法的流程图，该方法包括如下步骤：
步骤S11：根据预设分割参数以及预设分割工具，将获取的遥感图像划分为多个对象分割单元。
本发明实施例中，上述遥感图像可以为高分辨率的遥感图像，包括GF-1卫星遥感图像以及Landsat8卫星遥感图像，可以分别来源于中国资源卫星应用中心网站以及EarthExplorer网站。其中，GF-1卫星为高分辨率对地观测系统卫星，搭载了高分辨率多光谱相机，可以获取全色波段和多光谱波段融合为2米空间分辨率的遥感图像，也即GF-1卫星遥感图像可以反映蓝光波段、绿光波段、红光波段以及近外红光波段的光谱信息。而Landsat8卫星遥感图像主要反演地表温度。
本发明实施例中，上述预设分割工具为FbSP optimizer工具，上述预设分割参数包括分割尺度参数、形状参数以及紧致度参数。也即在计算机设备中可以预先设置有遥感图像的分割工具，以划分遥感图像中各个对象分割单元，该对象分割单元中的单元图像均具有相同或相似的特征。其中，针对垃圾填埋场的识别，上述FbSP optimizer工具中，最优的分割尺度参数可以为70，最优形状参数可以为0.3，最优紧致度参数可以为0.6，这里不做限定。
步骤S12：对所述遥感图像进行划分后，利用预设算法计算垃圾填埋场区域与其它类型区域之间各项遥感图像特征的分离度。
本发明实施例中，定义遥感图像中与垃圾填埋场进行分离的主要区域包括有植被区域、沼泽区域、裸地区域、建筑区域、道路区域、水体区域以及阴影区域，通过上述对对象分割单元的划分可以在遥感区域中初步划分出这些区域，但是要进行垃圾填埋场的精确识别，还需要进行各个相邻对象分割单元之间的遥感图像特征的分离性指标计算。例如垃圾填埋场与植被之间最大的区别为光谱上的区别，则为垃圾填埋场对象分割单元对象单元与植被对象分割单元对象单元的光谱最大差分之间的分离度最大。
本发明实施例中，所述遥感图像特征包括光谱特征、形状特征以及纹理特征。其中，光谱特征包括温度、GF-1号影像4个波段均值和标准差、第一主成分亮度、光谱最大差分以及归一化植被指数、归一化水体植被指数、土地调节指数、最优化土壤调节植被指数、差值植被指数以及比值植被指数，形状特征包括面积、长宽比、长度、宽度、形状指数、不对称性、圆度以及密度，而纹理特征包括第一主成分5种方向的灰度共生矩阵的均值、方差、对比度、均一性、异质性、熵、角二阶矩以及相关性。由于在划分对象分割单元后无法知道每个对象分割单元具体的地表类型，因此可以两两相邻对象分割单元之间计算上述所有遥感图像特征的分离度，最终根据这些分离度推理出为垃圾填埋场的对象分割单元。其中，遥感图像第一分析主成分可以为上述GF-1卫星遥感图像进行主成分分析后选取的方差占比约为78％的主成分。
本发明实施例中，在计算机设备中可以设置有基于上述预设算法的应用程序，在获取到两个对象分割单元的遥感图像特征后，可以输入至该应用程序中，从而计算出相应的分离度。
步骤S13：从各项遥感图像特征中筛选出所述分离度大于等于预设值的目标特征，并根据所述目标特征构建垃圾填埋场遥感指数。
本发明实施例中，所述垃圾填埋场遥感指数的算式包括：
Figure BDA0003008098400000071
式中，SWFEI为所述垃圾填埋场遥感指数，ρNir为近红外光波段，Max(ρNir)为遥感图像中近红外光波段的最大值，LST为地表温度，Max(LST)遥感图像中地表温度的最大值。
本发明实施例中，在实际的应用中，若垃圾填埋场处周围存在沼泽地形时，其近红外光波段以及温度的分离度最大，因此通过近红外光波段以及温度构成上述垃圾填埋场遥感指数可以更有效区分开沼泽区域与垃圾填埋场。在计算机设备中还可以设置有基于上述垃圾填埋场遥感指数的算式的应用程序，从遥感图像中获取到相应的红外光波段值以及地表温度后，可以输入至该应用程序中，以计算出相应的垃圾填埋场遥感指数。
步骤S14：利用所述垃圾填埋场遥感指数以及预设分类模型，提取出所述遥感图像中为垃圾填埋场的对象分割单元。
本发明实施例中，所述预设分类模型为随机森林法分类模型。其中，该随机森林法是一种以决策树为基础的集成机器学习算法，每棵决策树生成和训练独立同分布的训练样本集，每棵树依赖于一个由训练确定的参数所组成的随机向量，每棵树单独完成分类后，随机森林输出每棵树结果，然后投票得到最大可能性的地表类型。也即，向训练好的随机森林法分类模型导入遥感图像后，导入相应的各个对象分割单元之间的分离度以及垃圾填埋场遥感指数，即可确定遥感图像中为垃圾填埋场的对象分割单元。
本发明实施例中，通过计算对象分割单元之间各项遥感图像特征的分离度，明确了与垃圾填埋场遥感光谱相近的对象类型，然后通过遥感指数构建，提高了不同垃圾填埋场对象与其他分割单元之间的可分离性，最后通过遥感分类算法，提高了垃圾填埋场的识别精确度。
实施例2
图2是本发明实施例2提供的一种垃圾填埋场遥感识别方法的流程图，该方法包括如下步骤：
步骤S21：利用FbSP optimizer工具通过监督训练以及模糊逻辑分析确定所述遥感图像的预设分割参数。
本发明实施例中，通过监督训练以及模糊逻辑分析确定所述遥感图像的预设分割参数的过程，首先对遥感图像进行初步划分，获取各个初步对象分割单元的纹理特征、稳定性、亮度值和像元数等信息，然后合并初步对象分割单元，获取垃圾填埋场区域的纹理特征、稳定性、亮度值和像元数等信息，结合FbSP optimizer工具中基于模糊推理系统进行参数评估，根据评估出来的参数再进行对象分割单元划分，通过多次迭代划分，最终获得最优的分割参数。
步骤S22：根据预设分割参数以及预设分割工具，将获取的遥感图像划分为多个对象分割单元。
此步骤与上述步骤S11一致，在此不再赘述。
步骤S23：对所述遥感图像进行划分后，利用预设算法计算垃圾填埋场区域与其它类型区域之间各项遥感图像特征的分离度。
此步骤与上述步骤S12一致，在此不再赘述。
步骤S24：从各项遥感图像特征中筛选出所述分离度大于等于预设值的目标特征，并根据所述目标特征构建垃圾填埋场遥感指数。
此步骤与上述步骤S13一致，在此不再赘述。
步骤S25：利用所述垃圾填埋场遥感指数以及预设分类模型，提取出所述遥感图像中为垃圾填埋场的对象分割单元。
此步骤与上述步骤S14一致，在此不再赘述。
实施例3
图3是本发明实施例3提供的一种分离度计算的流程图，包括如下步骤：
步骤S31：计算所述垃圾填埋场区域以及所述其它类型区域的所述遥感图像特征的特征平均值以及特征标准差。
步骤S32：计算所述垃圾填埋场区域与所述其它类型区域的所述特征平均值的差值。
步骤S33：利用所述垃圾填埋场区域与所述其它类型区域的特征标准差之和对所述差值进行归一化处理，获得所述分离度。
本发明实施例中，在计算机设备中可以设置有用于计算遥感图像特征的征平均值以及特征标准差的应用程序，在通过遥感图像获取到垃圾填埋场区域以及所述其它类型区域的遥感图像特征后，可以将遥感图像特征的值输入至该应用程序中，以获取相应的特征平均值以及特征标准差。
本发明实施例中，计算机设备中同样还可以设置有计算分离度的应用程序，输入两个对象分割单元相应的特征平均值以及特征标准差后，即可获得两个对象分割单元相应的分离度。
实施例4
图4是本发明实施例4提供的一种垃圾填埋场遥感识别装置的结构示意图。
该垃圾填埋场遥感识别装置400包括：
遥感图像划分模块410，用于根据预设分割参数以及预设分割工具，将获取的遥感图像划分为多个对象分割单元；
分离度计算模块420，用于对所述遥感图像进行划分后，利用预设算法计算垃圾填埋场区域与其它类型区域之间各项遥感图像特征的分离度；
遥感指数构建模块430，用于从各项遥感图像特征中筛选出所述分离度大于等于预设值的目标特征，并根据所述目标特征构建垃圾填埋场遥感指数；
填埋场提取模块440，用于利用所述垃圾填埋场遥感指数以及预设分类模型，提取出所述遥感图像中为垃圾填埋场的对象分割单元。
本发明实施例中，上述各个模块更加详细的功能描述可以参考前述实施例中相应部分的内容，在此不再赘述。
此外，本发明还提供了一种计算机设备，该计算机设备包括存储器和处理器，存储器可用于存储计算机程序，处理器通过运行所述计算机程序，从而使计算机设备执行上述方法或者上述垃圾填埋场遥感识别装置中的各个模块的功能。
存储器可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据计算机设备的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本实施例还提供了一种可读存储介质，用于储存上述计算机设备中使用的计算机程序。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或更多个模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种垃圾填埋场遥感识别方法，其特征在于，包括：
根据预设分割参数以及预设分割工具，将获取的遥感图像划分为多个对象分割单元；
对所述遥感图像进行划分后，利用预设算法计算垃圾填埋场区域与其它类型区域之间各项遥感图像特征的分离度；
从各项遥感图像特征中筛选出所述分离度大于等于预设值的目标特征，并根据所述目标特征构建垃圾填埋场遥感指数；
利用所述垃圾填埋场遥感指数以及预设分类模型，提取出所述遥感图像中为垃圾填埋场的对象分割单元。
2.根据权利要求1所述的垃圾填埋场遥感识别方法，其特征在于，所述预设分割工具为FbSP optimizer工具，所述预设分割参数包括分割尺度参数、形状参数以及紧致度参数。
3.根据权利要求2所述的垃圾填埋场遥感识别方法，其特征在于，还包括：
利用所述FbSP optimizer工具通过监督训练以及模糊逻辑分析确定所述遥感图像的预设分割参数。
4.根据权利要求1所述的垃圾填埋场遥感识别方法，其特征在于，所述遥感图像特征包括光谱特征、形状特征以及纹理特征。
5.根据权利要求4所述的垃圾填埋场遥感识别方法，其特征在于，所述垃圾填埋场遥感指数的算式包括：
Figure FDA0003008098390000011
式中，SWFEI为所述垃圾填埋场遥感指数，ρNir为近红外光波段，Max(ρNir)为遥感图像中近红外光波段的最大值，LST为地表温度，Max(LST)遥感图像中地表温度的最大值。
6.根据权利要求1所述的垃圾填埋场遥感识别方法，其特征在于，所述利用预设算法计算垃圾填埋场区域与其它类型区域之间各项遥感图像特征的分离度包括：
计算所述垃圾填埋场区域以及所述其它类型区域的所述遥感图像特征的特征平均值以及特征标准差；
计算所述垃圾填埋场区域与所述其它类型区域的所述特征平均值的差值；
利用所述垃圾填埋场区域与所述其它类型区域的特征标准差之和对所述差值进行归一化处理，获得所述分离度。
7.根据权利要求1所述的垃圾填埋场遥感识别方法，其特征在于，所述预设分类模型为随机森林法分类模型。
8.一种垃圾填埋场遥感识别装置，其特征在于，包括：
遥感图像划分模块，用于根据预设分割参数以及预设分割工具，将获取的遥感图像划分为多个对象分割单元；
分离度计算模块，用于对所述遥感图像进行划分后，利用预设算法计算垃圾填埋场区域与其它类型区域之间各项遥感图像特征的分离度；
遥感指数构建模块，用于从各项遥感图像特征中筛选出所述分离度大于等于预设值的目标特征，并根据所述目标特征构建垃圾填埋场遥感指数；
填埋场提取模块，用于利用所述垃圾填埋场遥感指数以及预设分类模型，提取出所述遥感图像中为垃圾填埋场的对象分割单元。
9.一种计算机设备，其特征在于，包括存储器以及处理器，所述存储器存储有计算机程序，所述计算机程序在所述处理器上运行时执行根据权利要求1至7中任一项所述的垃圾填埋场遥感识别方法。
10.一种可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序在处理器上运行时执行权利要求1至7中任一项所述的垃圾填埋场遥感识别方法。
CN202110367997.4A 2021-04-06 2021-04-06 垃圾填埋场遥感识别方法、装置和计算机设备 Pending CN113920440A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110367997.4A CN113920440A (zh) 2021-04-06 2021-04-06 垃圾填埋场遥感识别方法、装置和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110367997.4A CN113920440A (zh) 2021-04-06 2021-04-06 垃圾填埋场遥感识别方法、装置和计算机设备

Publications (1)

Publication Number Publication Date
CN113920440A true CN113920440A (zh) 2022-01-11

Family

ID=79232695

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110367997.4A Pending CN113920440A (zh) 2021-04-06 2021-04-06 垃圾填埋场遥感识别方法、装置和计算机设备

Country Status (1)

Country Link
CN (1) CN113920440A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114937215A (zh) * 2022-06-10 2022-08-23 中国科学院地理科学与资源研究所 一种城市功能区的识别方法及装置
CN117688466A (zh) * 2024-02-02 2024-03-12 佛山市绿能环保有限公司 一种垃圾品类抓取分类识别方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109726705A (zh) * 2019-01-24 2019-05-07 中国科学院地理科学与资源研究所 红树林信息的提取方法、装置及电子设备
CN109871884A (zh) * 2019-01-25 2019-06-11 曲阜师范大学 一种融合多特征的支持向量机面向对象遥感影像分类方法
CN110991335A (zh) * 2019-11-29 2020-04-10 福州大学 一种基于多特征优选的可见光无人机遥感影像森林树种分类方法
CN111950530A (zh) * 2020-09-08 2020-11-17 中国水利水电科学研究院 农作物种植结构提取的多特征优选与融合方法
US20210027429A1 (en) * 2019-07-26 2021-01-28 Zhejiang University Of Technology Noise detection method for time-series vegetation index derived from remote sensing images
CN112395914A (zh) * 2019-08-15 2021-02-23 中国科学院遥感与数字地球研究所 一种融合遥感影像时序与纹理特征的地块作物识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109726705A (zh) * 2019-01-24 2019-05-07 中国科学院地理科学与资源研究所 红树林信息的提取方法、装置及电子设备
CN109871884A (zh) * 2019-01-25 2019-06-11 曲阜师范大学 一种融合多特征的支持向量机面向对象遥感影像分类方法
US20210027429A1 (en) * 2019-07-26 2021-01-28 Zhejiang University Of Technology Noise detection method for time-series vegetation index derived from remote sensing images
CN112395914A (zh) * 2019-08-15 2021-02-23 中国科学院遥感与数字地球研究所 一种融合遥感影像时序与纹理特征的地块作物识别方法
CN110991335A (zh) * 2019-11-29 2020-04-10 福州大学 一种基于多特征优选的可见光无人机遥感影像森林树种分类方法
CN111950530A (zh) * 2020-09-08 2020-11-17 中国水利水电科学研究院 农作物种植结构提取的多特征优选与融合方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114937215A (zh) * 2022-06-10 2022-08-23 中国科学院地理科学与资源研究所 一种城市功能区的识别方法及装置
CN117688466A (zh) * 2024-02-02 2024-03-12 佛山市绿能环保有限公司 一种垃圾品类抓取分类识别方法及系统
CN117688466B (zh) * 2024-02-02 2024-04-30 佛山市绿能环保有限公司 一种垃圾品类抓取分类识别方法及系统

Similar Documents

Publication Publication Date Title
Debanshi et al. Wetland delineation simulation and prediction in deltaic landscape
Jasiewicz et al. Landscape similarity, retrieval, and machine mapping of physiographic units
CN111696123A (zh) 超像素分类识别的遥感图像水域分割提取方法
Xu Rule-based impervious surface mapping using high spatial resolution imagery
CN111680176A (zh) 基于注意力与双向特征融合的遥感图像检索方法及系统
CN106650812A (zh) 一种卫星遥感影像的城市水体提取方法
Crowson et al. A comparison of satellite remote sensing data fusion methods to map peat swamp forest loss in Sumatra, Indonesia
CN113920440A (zh) 垃圾填埋场遥感识别方法、装置和计算机设备
CN111626092A (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
Bhatt et al. Spectral indices based object oriented classification for change detection using satellite data
Lak et al. A new method for road detection in urban areas using high-resolution satellite images and Lidar data based on fuzzy nearest-neighbor classification and optimal features
CN112927252B (zh) 一种新增建设用地监测方法及装置
CN111882573B (zh) 一种基于高分辨率影像数据的耕地地块提取方法及系统
Boyaci et al. Pixel-versus object-based classification of forest and agricultural areas from multiresolution satellite images
Lizarazo et al. Fuzzy image segmentation for urban land-cover classification
CN115858840B (zh) 基于场景的遥感影像镶嵌方法
Shahtahmassebi et al. Monitoring rapid urban expansion using a multi-temporal RGB-impervious surface model
Xiong et al. Self-adaptive segmentation of satellite images based on a weighted aggregation approach
CN116363502A (zh) 融合多源地理大数据的采矿地多维信息获取方法及装置
Das et al. Deep learning based landslide detection using open-source resources: Opportunities and challenges
Coca et al. Normalized compression distance for SAR image change detection
Méger et al. Explaining a deep spatiotemporal land cover classifier with attention and redescription mining
Adeyemi et al. Spectral index to improve the extraction of built-up area from WorldView-2 imagery
Myint et al. Per-Pixel Classifiers, Subpixel Analysis, Object-Based Image Analysis, and Geospatial Methods
CN112613371A (zh) 一种基于密集连接卷积神经网络高光谱图像道路提取方法

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