CN113963270A - 一种高分遥感影像建筑物检测方法 - Google Patents
一种高分遥感影像建筑物检测方法 Download PDFInfo
- Publication number
- CN113963270A CN113963270A CN202111222556.1A CN202111222556A CN113963270A CN 113963270 A CN113963270 A CN 113963270A CN 202111222556 A CN202111222556 A CN 202111222556A CN 113963270 A CN113963270 A CN 113963270A
- Authority
- CN
- China
- Prior art keywords
- building
- remote sensing
- sensing image
- image
- resolution remote
- 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
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
- G06F18/241—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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种高分遥感影像建筑物检测方法,通过将影像中的明亮建筑和暗建筑单独处理,在明亮建筑检测过程中采用“建筑区‑建筑”的流程,实现大范围遥感影像上建筑物信息的快速提取,同时也能避免非建筑区域地物对提取结果造成的干扰,减少建筑区域内的道路等的误检;在暗建筑检测过程中将卷积神经网络的深层特征提取功能与常规的浅层分类结构支持向量机结合,只需检测少量暗建筑,样本构建时间少;本发明同时融合形态学建筑物指数特征和卷积神经网络深层特征以适应复杂场景下的建筑物检测工作,在减少样本选择时间的基础上减少漏检率和误检率,也提高了算法在不同数据源上的适应性。
Description
技术领域
本发明涉及遥感影像处理技术领域,尤其涉及一种高分遥感影像建筑物检测方法。
背景技术
建筑物信息作为国家基础地理信息的重要组成部分,其对于数字城市建设、土地利用调查、生态环境监测以及灾害应急评估等具有重要意义。采用人工测绘方式提取建筑物信息虽然准确率较高,但效率低且耗费成本大,同时其现时性不能满足应用需求。随着计算机技术以及科技的发展,高分辨率遥感影像建筑物检测方法开始广泛应用,高分辨率遥感影像建筑物检测是指对遥感影像进行分析、检测来获得建筑物目标的位置,这一过程需要采用相关算法提取建筑物特征,以实现对建筑物目标的理解、识别。
目前已有的高分辨率遥感影像建筑物提取方法可以分为两大类:监督式与非监督式。监督式方法使用建筑区与非建筑区作为训练样本,通过学习方式确定感兴趣区与背景特征分布差异以达到建筑物目标检测的目的。但高分影像数据量大、不同传感器获得的影像数据特征差异明显,这使得监督方法的目标检测结果依赖于样本数据的选择,费时费力、适应性差。非监督式方法虽然能通过构建建筑物特有特征(比如几何特征,纹理特征、形态学建筑物指数等)完成建筑区域的自动提取。但这种特征都存在一定的局限性。比如MBI指数是基于建筑物及其阴影在光谱的强对比度特征构建的,对与周围亮度差异较大的建筑提取效果很好,但在复杂的城市场景中,对于暗表面的建筑物表达能力较弱,同时容易受到与非建筑物的阴影和水体等相邻的亮地物的干扰。而且MBI在非建成区容易受到大量无关对象(如明亮裸地和贫瘠土地、农田、不透水面、道路等)的干扰,使得其在非城市地区(山区、农业区、农村地区等)建筑物检测性能较差。即使如张仕山等采用DS证据理论融合3个建筑物特征(MBI、MFBI、DR),综合利用建筑物及其阴影的强对比度特征、光谱特征,以及建筑物和其阴影的空间关系特征来提高对于不同类型建筑物的表达能力,以适应复杂场景下的建筑物检测工作,仍是存在大量误检和暗建筑漏检。
发明内容
本发明的目的在于提供一种高分遥感影像建筑物检测方法,旨在解决现有技术中的计算机建筑物检测方法检测效率低的技术问题。
为实现上述目的,本发明提供了一种高分遥感影像建筑物检测方法,包括下列步骤:
步骤1、输入高分遥感影像;
步骤2、建筑区识别;
步骤3、基于形态学建筑物指数进行明亮建筑检测;
步骤4、基于深度卷积神经网络特征进行暗建筑检测;
步骤5、图斑叠加;
步骤6、输出检测结果。
其中,在建筑区识别的过程中,基于局部几何特征和联合概率密度场识别建筑区。
其中,在输入高分遥感影像后,步骤4与步骤2以及步骤3属于同时执行的并行步骤。
其中,建筑区识别,包括下列步骤:
对影像进行多尺度、多方向Gabor变换;
二阶张量编码;
张量投票及分解;
提取角点和边缘特征;
生成约束准则筛选特征点;
概率密度场生成;
识别建筑物区域边界。
其中,根据张量投票理论将不同方向子带系数位置编码为相应的二阶对称方向张量,再对不同尺度、不同方向子带中的像素位置方向张量使用滤波器响应系数加权并求和完成多尺度特征融合,最后对张量特征分解得到点结构与线结构显著性图并使用非极大抑制提取相应角点和曲线等局部几何特征,同时生成约束准则筛选角点。
其中,利用概率密度估计结合局部角点特征生成全局概率密度场描述影像中像素从属于建筑目标的概率,并使用最大类间方差法阈值分割实现大幅遥感影像上建筑物区域边界的准确识别。
其中,在基于深度卷积神经网络特征进行暗建筑检测的过程中,首先,选取暗建筑和非暗建筑区域的样本,分为训练和测试样本两部分,利用神经网络前馈方式从深度卷积神经网络全连接层提取训练样本和待检测区域的特征,然后将训练样本的深度卷积神经网络特征输入支持向量机分类器中,对所述支持向量机进行训练,并用测试样本进行测试和精度评定,最后基于前部分训练得到的支持向量机分类器对待检测影像进行暗建筑检测。
本发明的一种高分遥感影像建筑物检测方法,通过将影像中的明亮建筑和暗建筑单独处理,在明亮建筑检测过程中采用“建筑区-建筑”的流程,实现大范围遥感影像上建筑物信息的快速提取,同时也能够有效地避免非建筑区域地物对提取结果造成的干扰,由于只提取明亮建筑,可以减少建筑区域内的道路等的误检;在暗建筑检测过程中将卷积神经网络的深层特征提取功能与常规的浅层分类结构支持向量机结合,训练速度和分类精度都具有明显优势,由于只需对少量暗建筑进行检测,因此样本构建时间比全部建筑检测要少很多;本发明同时融合形态学建筑物指数特征和卷积神经网络深层特征以适应复杂场景下的建筑物检测工作,可以在尽可能减少样本选择时间的基础上,减少漏检率和误检率,并提高了算法在不同数据源上的适应性。
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,下面将对实施例或现有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是本发明的一种高分遥感影像建筑物检测方法的流程示意图。
图2是本发明的基于局部几何特征和联合概率密度场建筑区提取的流程示意图。
图3是本发明的基于DCNN特征的暗建筑检测的具体流程图。
图4是本发明的DCNN的基本结构图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
本发明中,术语可以有不同的表示方式,如深度卷积神经网络(DCNN
),支持向量机(SVM),形态学建筑物指数(MBI)。
请参阅图1,本发明提出了一种高分遥感影像建筑物检测方法,包括下列步骤:
步骤1、输入高分遥感影像;
步骤2、建筑区识别;
步骤3、基于形态学建筑物指数进行明亮建筑检测;
步骤4、基于深度卷积神经网络特征进行暗建筑检测;
步骤5、图斑叠加;
步骤6、输出检测结果。
在建筑区识别的过程中,基于局部几何特征和联合概率密度场识别建筑区。
在输入高分遥感影像后,步骤4与步骤2以及步骤3属于同时执行的并行步骤。
建筑区识别,包括下列步骤:
对影像进行多尺度、多方向Gabor变换;
二阶张量编码;
张量投票及分解;
提取角点和边缘特征;
生成约束准则筛选特征点;
概率密度场生成;
识别建筑物区域边界。
根据张量投票理论将不同方向子带系数位置编码为相应的二阶对称方向张量,再对不同尺度、不同方向子带中的像素位置方向张量使用滤波器响应系数加权并求和完成多尺度特征融合,最后对张量特征分解得到点结构与线结构显著性图并使用非极大抑制提取相应角点和曲线等局部几何特征,同时生成约束准则筛选角点。
利用概率密度估计结合局部角点特征生成全局概率密度场描述影像中像素从属于建筑目标的概率,并使用最大类间方差法阈值分割实现大幅遥感影像上建筑物区域边界的准确识别。
在基于深度卷积神经网络特征进行暗建筑检测的过程中,首先,选取暗建筑和非暗建筑区域的样本,分为训练和测试样本两部分,利用神经网络前馈方式从深度卷积神经网络全连接层提取训练样本和待检测区域的特征,然后将训练样本的深度卷积神经网络特征输入支持向量机分类器中,对所述支持向量机进行训练,并用测试样本进行测试和精度评定,最后基于前部分训练得到的支持向量机分类器对待检测影像进行暗建筑检测。
进一步地,以下分四个部分对所述高分遥感影像建筑物检测方法作进一步说明:
1、基于局部几何特征和联合概率密度场建筑区提取
请参阅图2,图2为基于局部几何特征和联合概率密度场建筑区提取流程图。
(1)高分影像几何特征提取
张量表达的优势在于能够对任意像素点同时编码不同类别几何结构及其显著性,这避免了直接使用硬阈值法提取几何特征的缺点。相比于使用位置信息编码二值影像提取结构特征,遥感影像不仅具有位置信息,还同时包括灰度、方向信息。由于几何特征主要为存在于影像边缘的高频部分,常用的编码策略包括首先对影像边缘提取得到二值图,再使用常规方法编码,但忽略的灰度信息。直接对影像方向信息如梯度、切向量张量编码提取几何信息计算复杂度高、效率低。为了准确有效地提取高分遥感影像不同类别几何结构特征,本说明书首先对遥感影像进行Gabor变换,以检测不同尺度、不同方向上的几何奇异性。第j尺度σj,i方向θi,影像I的Gabor系数实部为:
式中,为方向为θi的影像Gaborr滤波器响应系数,表明影像几何结构在对应方向上的强度或显著性。对影像Gabor变换后的任意点(x,y)非零响应系数采用棒张量编码。首先,引入方向基张量T=eiei T,其中,ei垂直于Gabor滤波器频率方向,并使用变换系数加权,使用式(2)融合多尺度多方向几何信息:
最后,对点、线显著性图使用局部极值检测提取角点及边缘特征。
由于高分遥感影像中,居民地通常由密集的建筑物群、交通路网、植被构成。角点特征分别存在于不同类型地物中,存在伪角点。因此,直接采用角点或边缘特征定位建筑目标是不切实际的,需要根据建筑物几何属性生成基本约束准则,筛选符合条件的角点特征。这里我们使用角点特征与线性特征相结合的办法生成约束准则。定义如下符号:C为检测的角点集合,N为角点总数,pi为第i个角点,L为提取的线段集合,lj为第j个线段。则有如下准则:
建筑区的集群特征意味着角点通常以较为密集的形式出现,根据这一特点定义式(4),其中表示邻域。即若以为中心的角点,B为半径的格网区域内角点总数小于k,则该角点不属于建筑角点。用于去除小目标的干扰,如汽车、道路交叉口等。另一方面,建筑物边缘长度总在一定范围以内,过短或过长的线性特征都不属于建筑目标边缘,定义式(5)用于区别道路等线性特征。
α1<length(lj)<α2lj∈L (5)
(2)基于联合概率密度场的建筑物区域边界提取
在高分遥感影像上,像素点距离建筑特征点越近,其属于建筑的概率越大,而二维高斯函数可较好地描述这一概率分布特征。为了确定建筑区域,将影像中像素位置视为随机变量,建立概率密度场来描述影像中任意像素点的建筑目标概率。为了度量影像中每一像素的概率密度分布,首先定义核概率密度函数K(x,y),满足如下条件:
则任意像素点联合概率密度分布为(xi,yi),i=1,2,…,N为建筑角点坐标。显然,像素点(x,y)离角点坐标越近则该像素属于建筑目标的概率越大,反之,则属于建筑的概率越小。根据这一特性,核函数K(x,y)选择高斯函数,联合概率密度分布为:
2、基于形态学建筑物指数的明亮建筑检测
形态学建筑物指数MBI针对高分辨率遥感影像上建筑物具有高亮度、各向同性以及高对比度等特点,基于一系列形态学运算来提取建筑物信息。该算法的基本思想是将建筑物的亮度、对比度、方向、尺寸等光谱及结构特征用重建、粒度、差分、顶帽变换等形态学运算来表示,从而建立一种以数学形态学为基础的建筑物提取方法。MBI建立的步骤如下:
1)亮度值计算。由于建筑物屋顶的反射率一般比较高,因此可通过亮度值来反映建筑物与邻近地物的反射率差异。
式中:b(x)表示像素点x的亮度值,K为可见光光谱波段数目,bandk(x)为像素x在第k波段的亮度值。
2)形态学白帽重构。顶帽变换能够检测到尺寸小于或等于结构元素大小的明亮对象,同时去除其他较暗像素,顶帽值可反映结构元素区域内的像素与其邻近像素的亮度值差异,因此可对亮度图像进行顶帽变换来反映建筑物的高对比度特性。
3)多方向性的顶帽变换。由于建筑物相比于其他地物(如道路)具有各向同性特征,而线性结构元素能够有效地考虑地物结构的方向性,因此可利用多个方向的线性结构元素进行顶帽变换来对建筑物与其他地物进行有效区分。
式中,dir表示线性结构元素的方向集合。因建筑物具有各项同性特征,因此其在所有方向上的顶帽值均比较大,利用多方向性的顶帽变换可对其进行有效区分。
4)多尺度顶帽变换。由于影像上的建筑物通常具有不同的尺寸大小,因此可对亮度图像进行多尺度顶帽变换来考虑这一特性。多尺度顶帽变换基于差分形态学属性建立,其定义如下
5)形态学建筑物指数MBI计算。
式中,MBI的值越大,其属于明亮建筑物的概率也越高,因此本文设定高阈值对MBI计算结果进行阈值分割,从而获得明亮建筑物的提取结果。
3、基于DCNN特征的暗建筑检测
请参阅图3,图3为基于DCNN特征的暗建筑检测的具体流程。
(1)特征提取
利用ImageNet影像库预训练的DCNN学习的高层次激活值已被证明是具有优异性能的通用特征表达,可以迁移到遥感影像的特征提取中,DCNN基本结构如图4所示。遵循已有工作的标准流程下,移除预训练DCNN的最后一个全连接层,并将DCNN的其余部分视为固定特征提取器。将输入影像块输入到DCNN中,以前馈方式直接从除输出层以外的最后一个全连接层计算4096维激活值(特征向量),然后将该特征向量视为输入影像的全局特征,用于表达输入影像块。因为所有预训练的DCNN结构需要一个固定尺寸的影像输入当影像块尺寸不符时,需进行采样,生成符合尺寸大小的影像。因此在生成样本时,为了与滑动窗口步长协调,影像块大小设置256×256,在训练过程中,先将256×256的影像降采样成与输入影像相同的大小。
(2)模型训练
SVM是Cortes等提出的一种线性分类器,它是根据带标签的训练样本,计算输出一个最优超平面对测试样本进行分类,在有限的样本信息和强学习能力之间寻求最佳结果。为了处理非线性分类问题,可以通过非线性函数,将输入映射至多维空间,在该空间中,可以产生一个泛化能力很强的线性分类器。本说明书采用LIBSVM工具来实现SVM运算,核函数选择径向基函数。
(3)区域检测
在实际应用中,需要对整幅影像进行检测,常规方法是截取分类器所需尺寸的影像块进行分类预测,然后将预测结果作为中心像素的分类结果,但影像较大时,此过程耗时较长。根据DCNN特征的表征能力,本文采用类似的方式,但滑动窗口移动步长采用32,在分类器窗口滑动过程中,每一个32×32格网会被多个256×256的影像块覆盖,因此对于多个分类结果采用投票的形式确定最后的分类结果。整幅影像的检测过程如下:
1)开辟2个与影像大小一样的类别累加器ACC[P(y=0)]和ACC[P(y=1)],分别赋为0,其中y=0和y=1分别表示影像中暗建筑和非暗建筑。
2)32个像素作为滑动步长,循环截取256×256大小的影像块,记录截取影像块的左上角坐标(x0,y0)。
3)利用预训练的DCNN模型提取这些影像块的DCNN特征,然后利用训练好的SVM分类器进行分类预测,最后根据分类结果更新类别累加器,即:
式中i,j∈(0,255)
4)比较每个32×32影像块2个累加器的结果,以类别占多数的结果作为当前影像块的结果。
4、图斑叠加
对明亮建筑物和按建筑物检测结果图的叠加,叠加规则如式(15)所示。
B(x)=Bdark(x)orBbright(x) (15)
式中,Bdark(x)和Bbright(x)分别表示明亮建筑检测结果图和暗建筑检测结果图在像素x处的类别结果,B(x)则表示叠加后的类别结果。只要Bdark(x)或者Bbright(x)为建筑物类别,则确定B(x)为建筑物类别,否则为非建筑物。
最后输出叠加结果图为最终的建筑物检测结果图。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本发明权利要求所作的等同变化,仍属于发明所涵盖的范围。
Claims (7)
1.一种高分遥感影像建筑物检测方法,其特征在于,包括下列步骤:
步骤1、输入高分遥感影像;
步骤2、建筑区识别;
步骤3、基于形态学建筑物指数进行明亮建筑检测;
步骤4、基于深度卷积神经网络特征进行暗建筑检测;
步骤5、图斑叠加;
步骤6、输出检测结果。
2.如权利要求1所述的高分遥感影像建筑物检测方法,其特征在于,
在建筑区识别的过程中,基于局部几何特征和联合概率密度场识别建筑区。
3.如权利要求1所述的高分遥感影像建筑物检测方法,其特征在于,
在输入高分遥感影像后,步骤4与步骤2以及步骤3属于同时执行的并行步骤。
4.如权利要求1所述的高分遥感影像建筑物检测方法,其特征在于,
建筑区识别,包括下列步骤:
对影像进行多尺度、多方向Gabor变换;
二阶张量编码;
张量投票及分解;
提取角点和边缘特征;
生成约束准则筛选特征点;
概率密度场生成;
识别建筑物区域边界。
5.如权利要求4所述的高分遥感影像建筑物检测方法,其特征在于,
根据张量投票理论将不同方向子带系数位置编码为相应的二阶对称方向张量,再对不同尺度、不同方向子带中的像素位置方向张量使用滤波器响应系数加权并求和完成多尺度特征融合,最后对张量特征分解得到点结构与线结构显著性图并使用非极大抑制提取相应角点和曲线等局部几何特征,同时生成约束准则筛选角点。
6.如权利要求4所述的高分遥感影像建筑物检测方法,其特征在于,
利用概率密度估计结合局部角点特征生成全局概率密度场描述影像中像素从属于建筑目标的概率,并使用最大类间方差法阈值分割实现大幅遥感影像上建筑物区域边界的准确识别。
7.如权利要求1所述的高分遥感影像建筑物检测方法,其特征在于,
在基于深度卷积神经网络特征进行暗建筑检测的过程中,首先,选取暗建筑和非暗建筑区域的样本,分为训练和测试样本两部分,利用神经网络前馈方式从深度卷积神经网络全连接层提取训练样本和待检测区域的特征,然后将训练样本的深度卷积神经网络特征输入支持向量机分类器中,对所述支持向量机进行训练,并用测试样本进行测试和精度评定,最后基于前部分训练得到的支持向量机分类器对待检测影像进行暗建筑检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111222556.1A CN113963270A (zh) | 2021-10-20 | 2021-10-20 | 一种高分遥感影像建筑物检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111222556.1A CN113963270A (zh) | 2021-10-20 | 2021-10-20 | 一种高分遥感影像建筑物检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113963270A true CN113963270A (zh) | 2022-01-21 |
Family
ID=79464943
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111222556.1A Pending CN113963270A (zh) | 2021-10-20 | 2021-10-20 | 一种高分遥感影像建筑物检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113963270A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116052019A (zh) * | 2023-03-31 | 2023-05-02 | 深圳市规划和自然资源数据管理中心(深圳市空间地理信息中心) | 适合于大区域高分辨率卫星影像的建成区高质量检测方法 |
-
2021
- 2021-10-20 CN CN202111222556.1A patent/CN113963270A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116052019A (zh) * | 2023-03-31 | 2023-05-02 | 深圳市规划和自然资源数据管理中心(深圳市空间地理信息中心) | 适合于大区域高分辨率卫星影像的建成区高质量检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xie et al. | Multilevel cloud detection in remote sensing images based on deep learning | |
CN107067405B (zh) | 基于尺度优选的遥感影像分割方法 | |
Asokan et al. | Machine learning based image processing techniques for satellite image analysis-a survey | |
Tao et al. | Scene context-driven vehicle detection in high-resolution aerial images | |
CN111666856B (zh) | 基于结构特性的高分辨率单极化sar影像建筑目标检测方法 | |
CN107944353B (zh) | 基于轮廓波bspp网络的sar图像变化检测方法 | |
CN108805057B (zh) | 一种基于联合显著性分析的sar图像油库区检测方法 | |
CN111833353B (zh) | 一种基于图像分割的高光谱目标检测方法 | |
CN112115871B (zh) | 适用于行人目标检测的高低频交织边缘特征增强方法 | |
KR20180116588A (ko) | 고화질 항공 이미지에서의 물체 검출 방법 | |
CN109829426A (zh) | 基于高分遥感影像的铁路建设临时建筑监测方法及系统 | |
CN114332644B (zh) | 一种基于视频卫星数据的大视场交通密度获取方法 | |
Laupheimer et al. | The importance of radiometric feature quality for semantic mesh segmentation | |
Sutha | Object based classification of high resolution remote sensing image using HRSVM-CNN classifier | |
Liu et al. | Tilt correction toward building detection of remote sensing images | |
CN113963270A (zh) | 一种高分遥感影像建筑物检测方法 | |
CN106971402B (zh) | 一种基于光学辅助的sar图像变化检测方法 | |
Khoshboresh-Masouleh et al. | Robust building footprint extraction from big multi-sensor data using deep competition network | |
Ju et al. | A novel fully convolutional network based on marker-controlled watershed segmentation algorithm for industrial soot robot target segmentation | |
Kusetogullari et al. | Unsupervised change detection in landsat images with atmospheric artifacts: a fuzzy multiobjective approach | |
Ettabaa et al. | Anomaly detection in hyperspectral imagery: an overview | |
Nurwauziyah et al. | Satellite image classification using Decision Tree, SVM and k-Nearest Neighbor | |
Dong et al. | A novel VHR image change detection algorithm based on image fusion and fuzzy C-means clustering | |
Moussa et al. | Manmade objects classification from satellite/aerial imagery using neural networks | |
Xu et al. | Crowd density estimation of scenic spots based on multifeature ensemble learning |
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 |