CN114120141A - 一种可全天候遥感监测自动分析方法及其系统 - Google Patents
一种可全天候遥感监测自动分析方法及其系统 Download PDFInfo
- Publication number
- CN114120141A CN114120141A CN202111395150.3A CN202111395150A CN114120141A CN 114120141 A CN114120141 A CN 114120141A CN 202111395150 A CN202111395150 A CN 202111395150A CN 114120141 A CN114120141 A CN 114120141A
- Authority
- CN
- China
- Prior art keywords
- image
- remote sensing
- change
- change detection
- neural network
- 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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及城市建设技术领域,特别涉及一种可全天候遥感监测自动分析方法及其系统。其方法包括以下步骤:S1.原始图像:获取不同时期土地的原始遥感影像;S2.几何配准:利用地面控制点数据对遥感影像进行几何校正,及图像与图像间的配准;S3.辐射校正:对影像中辐射失真或畸变的图像进行消除或改正,并进行影像的归一化处理;S4.变化检测:利用基于卷积神经网络和迁移学习的变化检测算法,进行图像的变化检测,并生成变化结果;S5.结果分析:对变化结果进行分析,并对用地情况作出预警处理。实现不同期影像的自动变化检测,提高变化检测的精度,减少人工干预的次数,实现快速的变化检测结果生成。
Description
技术领域
本发明涉及城市建设技术领域,特别涉及一种可全天候遥感监测自动分析方法及其系统。
背景技术
当前我国的城乡建设发展飞快,城乡建设的动态监测工作可以对城乡建设土地利用和空间变化进行及时有效的监控,为城乡建设的编制、检测、监督、审核以及修改提供科学的依据。目前城乡建设动态监测工作大部分使用人工地面巡查,现场图纸比对取证的方法,巡查工作效率不高,规范化和程序化水平较低,同时传统的监察工作需要大量的人力,并且在人工巡查过程中由于监管人员的主观单一性,容易出现调查不准确,土地监管不严等问题。同时,由于监测范围大,需要经常更新,造成监测跟踪和违法整治不够及时。近些年结合了遥感影像变化信息提取的方法来监测城乡建设变化情况,但此工作仍依赖于对遥感影像的人工目视判读,对违法违规地块进行手动勾画,工作效率较低,影响后续的统计分析及监管整治。
近些年随着各种遥感图像变化检测算法蓬勃发展,主成分分析法、缨帽变换分析等基于像素的比较法,决策树、随机森林的机器学习方法,到条件随机场、马尔科夫随机场的面向对象分析方法,变换检测算法的精度在不断提升,但是,现阶段,由于特定的应用场景和数据源,导致在实际的应用过程中,如土地利用覆盖变化、森林植被变化、湿地变化、城区变化、地形改变等场景中,检测算法无法匹配所有的应用场景,仍需要耗费大量的时间进行人工确认、手动修改变化区域。对于变化检测的结果也仅限于报告和表格,无法做进一步的展示分析,无法将成果与后续的分析、应用有机结合在一起。
变化检测是根据对同一实体或现象在不同时间的观测来确定其变化状态的处理过程。遥感影像变化检测是利用不同时期段同一地表空间的多源遥感影像和相关地理空间数据,结合相应的遥感成像机理和地物特性,确定和分析该地域地物类型的变化,包括地物实体位置、范围的变化和地物性质、状态的变化。其研究的目的是找出人们所需的变化信息,过滤作为干扰因素的不相干的变化信息。遥感影像变化检测是现阶段地理国情普查与监测的一项重要战略需求,其任务是逐步建立和完善国家级地理国情动态监测信息系统,为政府、企业、单位和个人提供科学可信的空间信息服务。
现有绝大多数变化检测应用中,常用的方法仍然是目视解译和人工手动勾画,需要耗费大量人力及时间,处理效率低下。近年来遥感影像的变化检测算法不断发展,其中面向对象的变化检测在近十年迎来了高潮,由于高分辨率遥感影像的高速生产,变化检测的基本单元由像素逐渐过渡到对象,常用的基于面向对象的遥感变化检测算法有:水平集、马尔科夫随机场、条件随机场、对象级卡方变化等,这些方法将空间信息和光谱信息进行了有机结合,降低了面向对象变化检测的不确定性。据变化检测策略的不同,面向对象变化检测方法大致分为直接对象变化检测、同步分割后对象变化检测、分类后变化检测三个类型。(1)直接对象变化检测方法的是对多个时相影像分别分割提取影像对象,通过比较对象的几何特征,如长度、面积和光谱特征得到结果。该类方法的影像对象的检测策略可分以下两种情况,一是只分割一期影像,另外一期遥感影像通过叠加分割结果进行变化检测;二是对不同期影像分别进行分割,通过相同位置上的对象的对比进行变化检测。(2)同步分割后对象变化检测方法的原理是,相互叠加多时相数据来参与分割提取对象,得到在多时相影像上大小、形状、位置相一致的分割对象。这种方法容易受影像配准精度的影响,且分割结果经常存在边界破碎、过分割等现象,需要人工进行修正。(3)分类后变化检测方法是对多期影像进行独立面向对象影像分类,接着再进行对象几何形状、所属类别、空间上下文信息等对比分析,获取对象变化的区域。
基于面向对象的方法受限于场景和条件,仍有较大的空间进行进一步研究,以提升对象分割精度和准度。
面向对象的遥感变化检测方法中最重要的流程是影像分割,当前提出的各种分割方法,一般只适用于特定的预设条件和场景,所以,在后续的面向对象分割研究中,影像分割方法仍然是持续探究的一项技术。另外,尺度参数在影像分割中非常重要,但尺度参数的设置具有很大的不可控性,非常重要又很困难,任何单一尺度参数的不同设置都可能造成某些地物的“欠分割”或“过分割”,这种情况下,仍然需要手工修改分割结果,人工干预以降低检测错误,来提高变化检测的精度。在此基础上,我们就要加强最优尺度、自适应尺度乃至全尺度分割方法的探索研究。此外,随着人工智能技术的快速发展,利用卷积神经网络辅助完成影像自适应多尺度分割也是一个研究趋势。
人工智能和大数据时代的到来使得科学计算发展迅速。遥感大数据和人工智能的发展,基于深度学习方法也被遥感影像变化检测领域。基于深度学习的高分辨率遥感数据特征挖掘方法,为高分辨率影像的分类与变化检测提供了一条新的途径。
发明内容
本发明提供一种可全天候遥感监测自动分析方法及其系统,旨在基于卷积神经网络的深度学习方法,来实现不同期影像的自动变化检测,提高变化检测的精度,减少人工干预的次数,实现快速的变化检测结果生成。
本发明提供一种可全天候遥感监测自动分析方法,包括以下步骤:
S1.原始图像:获取不同时期土地的原始遥感影像;
S2.几何配准:利用地面控制点数据对遥感影像进行几何校正,及图像与图像间的配准;
S3.辐射校正:对影像中辐射失真或畸变的图像进行消除或改正,并进行影像的归一化处理;
S4.变化检测:利用基于卷积神经网络和迁移学习的变化检测算法,进行图像的变化检测,并生成变化结果;
S5.结果分析:对变化结果进行分析,并对用地情况作出预警处理。
作为本发明的进一步改进,所述步骤S4中基于卷积神经网络和迁移学习的变化检测算法,包括以下步骤:
S41.预训练语义分割模型变化检测算法:输入两张大小相同的图像,通过卷积神经网络后赋予标签后,输出相同尺寸且含有标签的差异图;
S42.迁移损失函数的深度特征学习:对差异图中的像素点进行距离计算和聚类,得到假真值图,并通过差异图和假真值图共同指导迁移学习的进行;
S43.差异图获取和结果生成:将来自不同时相的图片送入训练完成的深度神经网络,得到对应的差异图,并根据差异图生成变化图。
作为本发明的进一步改进,所述步骤S41包括以下步骤:
S411.图像通过卷积神经网络后赋予标签过程中,每一个像素被赋予变化或非变化的二值标签,对应标识地物在此空间位置上的变化情况;
S412.在卷积神经网络的特征提取中,对于非变化像元,其像素点的特征向量欧几里得距离较小;对于变化像元,其像素点的特征向量欧几里得距离较大。
作为本发明的进一步改进,所述步骤S42包括以下步骤:
S421.将两张图像在通过卷积神经网络后,对逐个像素点计算特征向量之间的欧几里得距离;
S422.使用k-means聚类方法,将得到的差异图中的像素点聚为两类,根据差值大小分为变化像素和非变化像素,得到标示出变化区域的变化图,即假真值图;
S423.利用假真值图来提供目标变化检测数据集的语义信息,将之前生成的差异图接近该假真值图,共同指导迁移学习的进行。
作为本发明的进一步改进,所述步骤S43包括以下步骤:
S431.迁移学习完成后,将来自不同时相的图片送入训练完成的深度神经网络,获得逐个像素的深度特征;
S432.对于来自不同时相图片的同一位置的像素点,再次逐个像素计算特征向量之间的欧几里得距离,得到差异图;
S433.根据差异图生成变化图。
作为本发明的进一步改进,所述步骤S2中,图像之间配准误差小于半个像元。
本发明还提供一种可全天候遥感监测自动分析系统,系统框架包括:
应用程序平台:以集群计算平台作为遥感数据处理工具;
界面元素:用于包括二维、三维地图及其界面的显示和浏览;
视图控件:用于显示和操作包括地图联动、信息查询、分析对比、预警分析、成果展示、专题统计的控件;
流程定制及解析器:影像处理流程设计工具,将功能插件相串联,自定义一套处理流程,将获取到的影像数据,加工处理为业务产品数据信息;
插件管理器:管理并对接多个功能插件。
作为本发明的进一步改进,所述功能插件包括:
几何处理插件:用于利用地面控制点数据对遥感影像进行几何校正,及图像与图像间的配准;
辐射处理插件:用于对影像中辐射失真或畸变的图像进行消除或改正,并进行影像的归一化处理;
影像分割插件:用于将地理图像分割成多尺度或全尺度的图片;
变化检测插件:用于利用基于卷积神经网络和迁移学习的变化检测算法,进行图像的变化检测,并生成变化结果。
本发明的有益效果是:该方法对同一地区的两个不同时期的遥感影像,运用遥感影像处理和分析的方法,对影像进行校正、镶嵌等预处理。应用基于深度学习的遥感影像变化检测技术自动找出可能发生了变化的矢量图斑,从而大大降低人工核查更新的工作量,从而显著地提高生产效率。对于检测出的变化图斑,进行智能分析,并对该区域设置违法用地预警以及违规违法报告,辅助监管人员决策。
附图说明
图1是本发明中遥感影像处理流程的流程图;
图2是本发明中变化检测算法流程的流程图;
图3是本发明中可全天候遥感监测自动分析系统的系统结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。
本发明针对城乡建设过程中的土地利用变化,研发一套基于深度学习的可用于城乡建设变化跟踪和违法用地整治的全天候遥感监测自动分析方法。
如图1所示,一种可全天候遥感监测自动分析方法,包括以下步骤:
S1.原始图像:获取不同时期土地的原始遥感影像;
S2.几何配准:利用地面控制点数据对遥感影像进行几何校正,及图像与图像间的配准,图像之间配准误差小于半个像元;
S3.辐射校正:对影像中辐射失真或畸变的图像进行消除或改正,并进行两幅影像的归一化处理,确保图像亮度值可对比性;
S4.变化检测:利用基于卷积神经网络和迁移学习的变化检测算法,进行变化图像的变化检测,并生成变化结果;
S5.结果分析:对变化结果进行分析,并对违法用地情况作出预警处理。
此系统从数据处理,变化检测到结果分析,实现了全流程的定制化实现,实现城乡建设动态监测的规划化和程序化。
其中的变化检测是基于卷积神经网络的变化检测算法,遥感影像变化检测算法主要分为以下几步,包括预训练语义分割模型、基于迁移损失函数的深度特征学习、差异图获取和结果生成。
如图2所示,步骤S41.预训练语义分割模型变化检测算法:输入为两幅大小相同的图像,输出为相同尺寸的标签图,其中,每一个像素被赋予变化或非变化的二值标签,用来标识地物在此空间位置上的变化情况,用于后续差异图的生成。
深度学习中通常需要预训练模型开发神经网络,需要大量的标注数据,消耗了巨大的时间资源和计算资源,迁移学习可以将已习得的强大技能迁移到相关的问题上,减少前期模型训练的时间。损失函数是将随机事件取值映射为非负实数以表示该随机事件的“损失”的函数。卷积神经网络的特征提取,对于非变化像元,其像素点的特征向量欧几里得距离应较小,反之,对于变化像元,其像素点的特征向量欧几里得距离应较大。
步骤S42.基于迁移损失函数的深度特征学习:将两张图片在通过卷积神经网络后,首先逐像素点计算特征向量之间的欧几里得距离,随后使用k-means聚类方法,将得到的差异图中的像素点聚为两类,根据差值大小分为变化像素和非变化像素,即得到一张整体粗糙但大体可以标示出变化区域的变化图,称之为假真值图,利用该假真值图来提供目标变化检测数据集的语义信息,将之前生成的差异图接近该假真值图,来共同指导迁移学习的进行。
步骤S43.差异图获取和结果生成:迁移学习完成后,将来自不同时相的图片送入训练完成的深度神经网络,即可获得逐像素的深度特征。对于来自不同时相图片的同一位置的像素点,再次逐像素计算特征向量之间的欧几里得距离,即可得到差异图,并根据差异图生成变化图。
卷积神经网络(Convolutional Neural Networks, CNN),是一类包含卷积计算且拥有深度结构的前馈神经网络,卷积神经网络是深度学习的代表算法之一。卷积神经网络具有很强的学习能力,它能够根据阶层结构对输入信息进行平移不变分类。卷积神经网络首先在自然图像领域大放异彩,如目标检测、图像分割、视频跟踪等场景下有很好的表现。在本发明中,将卷积神经网络用于训练语义分割模型,结合迁移损失函数的深度特征学习,最后获得影像差异图并对结果进行优化。
如图3,本发明的一种可全天候遥感监测自动分析系统,
系统框架包括:
应用程序平台:以集群计算平台作为遥感数据处理工具;
界面元素:用于包括二维、三维地图及其界面的显示和浏览;
视图控件:用于显示和操作包括地图联动、信息查询、分析对比、预警分析、成果展示、专题统计的控件;
流程定制及解析器:影像处理流程设计工具,将功能插件相串联,自定义一套处理流程,将获取到的影像数据,加工处理为业务产品数据信息;
插件管理器:管理并对接多个功能插件。
本系统是以高性能集群计算平台作为遥感数据处理工具,在系统上研究与开发相应的遥感数据处理的算法与软件,提高遥感数据处理的速度、精度和可靠性,从而满足遥感应用对数据处理的要求。系统框架的组成主要包括界面元素、视图控件、流程定制及解析器、插件管理器、其它辅助功能等。常用功能包括二三维地图浏览、三维地图浏览、地图联动、信息查询、分析对比、预警分析、成果展示、专题统计等。
功能插件包括:
几何处理插件:用于利用地面控制点数据对遥感影像进行几何校正,及图像与图像间的配准;
辐射处理插件:用于对影像中辐射失真或畸变的图像进行消除或改正,并进行影像的归一化处理;
影像分割插件:用于将地理图像分割成多尺度或全尺度的图片;
变化检测插件:用于利用基于卷积神经网络和迁移学习的变化检测算法,进行图像的变化检测,并生成变化结果。
功能插件主要包括几何处理插件、辐射处理插件、面向对象功能集插件(多尺度/全尺度分割、影像分类等)、基于卷积神经网络和迁移学习的变化检测插件等,用于处理遥感影像数据,每个插件内部都设有对应的组件及底层算法库,来支撑功能插件的运行;流程定制及解析器为一个影像处理流程设计工具,可将功能插件相串联,自定义一套处理流程,将获取到的影像数据,加工处理为满足用户需求的业务产品数据信息。根据用户实际业务需求构建数据清洗、加工、转换的数据处理流程,进行生成与处理常用数据,或进行批量的数据生产。用户高分辨率遥感影像是数据处理,这样,即使不需要其他的专业遥感软件,也能完成常用的影像处理。
利用此系统,以及基于卷积神经网络的变化检测算法,定制一套可用于城乡建设变化跟踪和违法用地整治的全天候遥感监测自动分析流程,实现变化检测的自动化机制。
在算法的基础上,设计了一套遥感影像处理系统,原型系统采用插件体系设计,整个系统主要由系统框架和功能插件两部分组成,而系统框架的组成主要包括系统应用程序平台、界面元素、视图控件、流程定制及解析器、插件管理器、其它辅助功能等;功能插件主要包括几何处理插件、辐射处理插件、面向对象功能集插件、变化检测插件等等。可为变化检测应用设计处理流程,适合所业务场景下的需求,将影像预处理和后期的变化检测相结合,体现业务流程化,方便用户定制特定业务,扩展性高。在城市化进程快速发展的今天,有大量的建筑物、设施、场地等存在新建,扩张,违建,改建,拆除等现象,相关部门需要进行全方位、实时的监管。本发明可为城乡建设变化检测提供一套数据处理和变化检测服务,实现全天候、大范围的辖区变化检测跟踪和辅助监管人员提供用户违法整治决策,节省大量人力,和提高业务流程标准化能力。
本发明结合人工智能和大数据的思想,使用卷积神经网络来实现高分辨率遥感影像变化检测,改善了传统变化检测算法精度较低,需要后期人工处理的时间,并有效解决了面向对象图像分割中欠分割和过分割的问题,提升了变化检测的准度。实验证明深度学习方法可作为高分辨率遥感数据特征挖掘的有效手段,为高分影像数据的分类与变化检测提供一条新途径。
本发明研发了一套遥感影像处理应用程序,可以流程化的定制影像处理过程,提供可视化的流程编辑界面,用户无需了解过多底层原理和算法参数,就可以实现一套简单的变化检测系统。在实际的城乡建设变化跟踪和违法用地整治的场景,基于本应用程序平台,定制对多时相遥感影像进行几何校正、辐射校正、变化检测、结果分析的业务流,实现城乡建设用低的动态监测,并可对违法用地发出预警,提出整改,提升监管的效率和水平。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (8)
1.一种可全天候遥感监测自动分析方法,其特征在于,包括以下步骤:
S1.原始图像:获取不同时期土地的原始遥感影像;
S2.几何配准:利用地面控制点数据对遥感影像进行几何校正,及图像与图像间的配准;
S3.辐射校正:对影像中辐射失真或畸变的图像进行消除或改正,并进行影像的归一化处理;
S4.变化检测:利用基于卷积神经网络和迁移学习的变化检测算法,进行图像的变化检测,并生成变化结果;
S5.结果分析:对变化结果进行分析,并对用地情况作出预警处理。
2.根据权利要求1所述可全天候遥感监测自动分析方法,其特征在于,所述步骤S4中基于卷积神经网络和迁移学习的变化检测算法,包括以下步骤:
S41.预训练语义分割模型变化检测算法:输入两张大小相同的图像,通过卷积神经网络后赋予标签后,输出相同尺寸且含有标签的差异图;
S42.迁移损失函数的深度特征学习:对差异图中的像素点进行距离计算和聚类,得到假真值图,并通过差异图和假真值图共同指导迁移学习的进行;
S43.差异图获取和结果生成:将来自不同时相的图片送入训练完成的深度神经网络,得到对应的差异图,并根据差异图生成变化图。
3.根据权利要求2所述可全天候遥感监测自动分析方法,其特征在于,所述步骤S41包括以下步骤:
S411.图像通过卷积神经网络后赋予标签过程中,每一个像素被赋予变化或非变化的二值标签,对应标识地物在此空间位置上的变化情况;
S412.在卷积神经网络的特征提取中,对于非变化像元,其像素点的特征向量欧几里得距离较小;对于变化像元,其像素点的特征向量欧几里得距离较大。
4.根据权利要求2所述可全天候遥感监测自动分析方法,其特征在于,所述步骤S42包括以下步骤:
S421.将两张图像在通过卷积神经网络后,对逐个像素点计算特征向量之间的欧几里得距离;
S422.使用k-means聚类方法,将得到的差异图中的像素点聚为两类,根据差值大小分为变化像素和非变化像素,得到标示出变化区域的变化图,即假真值图;
S423.利用假真值图来提供目标变化检测数据集的语义信息,将之前生成的差异图接近该假真值图,共同指导迁移学习的进行。
5.根据权利要求2所述可全天候遥感监测自动分析方法,其特征在于,所述步骤S43包括以下步骤:
S431.迁移学习完成后,将来自不同时相的图片送入训练完成的深度神经网络,获得逐个像素的深度特征;
S432.对于来自不同时相图片的同一位置的像素点,再次逐个像素计算特征向量之间的欧几里得距离,得到差异图;
S433.根据差异图生成变化图。
6.根据权利要求1所述可全天候遥感监测自动分析方法,其特征在于,所述步骤S2中,图像之间配准误差小于半个像元。
7.一种可全天候遥感监测自动分析系统,其特征在于,系统框架包括:
应用程序平台:以集群计算平台作为遥感数据处理工具;
界面元素:用于包括二维、三维地图及其界面的显示和浏览;
视图控件:用于显示和操作包括地图联动、信息查询、分析对比、预警分析、成果展示、专题统计的控件;
流程定制及解析器:影像处理流程设计工具,将功能插件相串联,自定义一套处理流程,将获取到的影像数据,加工处理为业务产品数据信息;
插件管理器:管理并对接多个功能插件。
8.根据权利要求7所述可全天候遥感监测自动分析系统,其特征在于,所述功能插件包括:
几何处理插件:用于利用地面控制点数据对遥感影像进行几何校正,及图像与图像间的配准;
辐射处理插件:用于对影像中辐射失真或畸变的图像进行消除或改正,并进行影像的归一化处理;
影像分割插件:用于将地理图像分割成多尺度或全尺度的图片;
变化检测插件:用于利用基于卷积神经网络和迁移学习的变化检测算法,进行图像的变化检测,并生成变化结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111395150.3A CN114120141A (zh) | 2021-11-23 | 2021-11-23 | 一种可全天候遥感监测自动分析方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111395150.3A CN114120141A (zh) | 2021-11-23 | 2021-11-23 | 一种可全天候遥感监测自动分析方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114120141A true CN114120141A (zh) | 2022-03-01 |
Family
ID=80440323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111395150.3A Pending CN114120141A (zh) | 2021-11-23 | 2021-11-23 | 一种可全天候遥感监测自动分析方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114120141A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114708222A (zh) * | 2022-04-02 | 2022-07-05 | 广西壮族自治区自然资源遥感院 | 基于目标面积分布特征的遥感影像变化检测质量评估方法 |
CN117746260A (zh) * | 2024-02-20 | 2024-03-22 | 山东省国土测绘院 | 遥感数据智能解析方法及系统 |
CN117907242A (zh) * | 2024-03-15 | 2024-04-19 | 贵州省第一测绘院(贵州省北斗导航位置服务中心) | 基于动态遥感技术的国土测绘方法、系统及存储介质 |
CN117746260B (zh) * | 2024-02-20 | 2024-05-31 | 山东省国土测绘院 | 遥感数据智能解析方法及系统 |
-
2021
- 2021-11-23 CN CN202111395150.3A patent/CN114120141A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114708222A (zh) * | 2022-04-02 | 2022-07-05 | 广西壮族自治区自然资源遥感院 | 基于目标面积分布特征的遥感影像变化检测质量评估方法 |
CN117746260A (zh) * | 2024-02-20 | 2024-03-22 | 山东省国土测绘院 | 遥感数据智能解析方法及系统 |
CN117746260B (zh) * | 2024-02-20 | 2024-05-31 | 山东省国土测绘院 | 遥感数据智能解析方法及系统 |
CN117907242A (zh) * | 2024-03-15 | 2024-04-19 | 贵州省第一测绘院(贵州省北斗导航位置服务中心) | 基于动态遥感技术的国土测绘方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | A review of deep learning-based semantic segmentation for point cloud | |
CN108428229B (zh) | 一种基于深度神经网络提取表观和几何特征的肺部纹理识别方法 | |
CN111275688A (zh) | 基于注意力机制的上下文特征融合筛选的小目标检测方法 | |
CN112966684A (zh) | 一种注意力机制下的协同学习文字识别方法 | |
Alidoost et al. | A CNN-based approach for automatic building detection and recognition of roof types using a single aerial image | |
CN114120141A (zh) | 一种可全天候遥感监测自动分析方法及其系统 | |
CN106408030A (zh) | 基于中层语义属性和卷积神经网络的sar图像分类方法 | |
CN111209864B (zh) | 一种电力设备目标识别方法 | |
CN110675421B (zh) | 基于少量标注框的深度图像协同分割方法 | |
CN112329559A (zh) | 一种基于深度卷积神经网络的宅基地目标检测方法 | |
CN105957124A (zh) | 具有重复场景元素的自然图像颜色编辑方法及装置 | |
Geng et al. | An improved helmet detection method for YOLOv3 on an unbalanced dataset | |
CN104637066A (zh) | 基于序贯细化的二值图像快速骨架提取方法 | |
Chen et al. | Exchange means change: An unsupervised single-temporal change detection framework based on intra-and inter-image patch exchange | |
CN113361496B (zh) | 一种基于U-Net的城市建成区统计方法 | |
CN102609721B (zh) | 遥感影像的聚类方法 | |
CN110288577A (zh) | 一种3d实现多器官病灶整合的控制方法及控制装置 | |
Zheng et al. | Utilizing Bounding Box Annotations for Weakly Supervised Building Extraction from Remote Sensing Images | |
Gao et al. | IUNet-IF: identification of construction waste using unmanned aerial vehicle remote sensing and multi-layer deep learning methods | |
Pang et al. | Multi-Scale Feature Fusion Model for Bridge Appearance Defect Detection | |
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 | |
Kan et al. | Real-Time domestic garbage detection method based on improved YOLOv5 | |
Deng et al. | Building Image Feature Extraction Using Data Mining Technology | |
Yu et al. | Abnormal crowdsourced data detection using remote sensing image features | |
Hu et al. | Point cloud segmentation for an individual tree combining improved point transformer and hierarchical clustering |
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 |