CN114387446A - 一种高分率遥感影像水体自动提取方法 - Google Patents
一种高分率遥感影像水体自动提取方法 Download PDFInfo
- Publication number
- CN114387446A CN114387446A CN202210060001.XA CN202210060001A CN114387446A CN 114387446 A CN114387446 A CN 114387446A CN 202210060001 A CN202210060001 A CN 202210060001A CN 114387446 A CN114387446 A CN 114387446A
- Authority
- CN
- China
- Prior art keywords
- model
- remote sensing
- sensing image
- water body
- 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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Abstract
本发明提供了一种高分率遥感影像水体自动提取方法,该方法包括采集高分辨率遥感图像,并对其进行预处理操作,对预处理完毕的高分辨率遥感图像进行切片处理,得到切片数据,并在切片数据上进行标签标注,对切片数据与对应的标签进行数据集分类,将其分为训练集、验证集及测试集,根据高分辨率遥感图像上的水体特征构建模型,并对其进行结构优化,根据训练集对模型进行训练,通过测试集对模型进行准确率、召回率、F1分数及交并比精度评价,在其他研究区域进行模型迁移,验证模型的稳定性与鲁棒性。本发明提供的高分率遥感影像水体自动提取方法,能够实现水体特征的有效提取,提升了水体信息提取的准确性。
Description
技术领域
本发明涉及图像智能处理技术领域,特别是涉及一种高分率遥感影像水体自动提取方法。
背景技术
水资源是人类赖以生存和发展的重要物质基础。水体信息提取对生态系统保护和恢复、河流监管、污染控制和基础设施建设具有重要意义。传统的人工提取方法,根据水文站等部门的观测数据进行水体提取与监测,耗费大量的人力和时间,而遥感技术具有大面积、周期短、获取水体内容丰富等优点,而利用遥感数据对水体位置、形状、面积等有关的水体参数进行宏观提取,逐渐成为一种快速、准确获取水体参数的高效手段。
传统的遥感影像提取方法主要为阈值法、水体指数法与基于机器学习的方法,其中,阈值法简单方便,主要利用红外波段水体的光谱特性与其他地物的差异,设定阈值进行水体提取。水体指数法利用不同波段的光谱特征的差异进行加减乘除四则运算。阈值法和水体指数法适合提取背景简单的大面积水体提取,但水体的空间分布高度复杂、水体光谱特征不尽相同,阈值法在提取小面积水体(如窄小河道、细小坑塘等)应用上精度受限。机器学习方法利用自主构建的特征工程与相关算法进行遥感图像的水体提取工作,随机森林(Random Forests,RF)、支持向量机(Support Vector Machines,SVM)、BP神经网络等。机器学习方法在精度方面优于阈值法和水体指数法,但是需要人工构建水体特征工程,模型的泛化性与鲁棒性受限,只在研究区域内保持较高精度,算法迁移受到影响。
随着我国遥感技术的快速发展,发射的遥感卫星的数量和种类不断增多,卫星传感器的工作波段覆盖范围广、用途多样。遥感图像展示地物细节能力大大提升,成为水体提取优秀的数据源。近年来,深度学习的理论研究与应用不断推广和计算设备性能的提升,基于卷积神经网络的深度学习算法逐渐成为遥感图像水体提取的主流手段。常见的网络有FPN、SegNet、DeepLab、U-Net等算法,研究人员将其应用于遥感图像水体语义分割上,并取得了较好的效果。
虽然深度学习算法在遥感水体提取中取得较为优秀的结构,但这些研究方法仅仅用于大中型水域水体的提取,在小型区域水体的空间分布高度复杂,受周围环境影响较大,阴影及低表面反照率容易与水体混淆,提取效果并不理想。因此,设计一种基于语义分割网络DeepLabv3+的高分率遥感影像水体自动提取方法是十分有必要的。
发明内容
本发明的目的是提供一种高分率遥感影像水体自动提取方法,能够实现水体特征的有效提取,提升了水体信息提取的准确性,提高了高分辨率遥感影像水体自动提取的鲁棒性和普适性。
为实现上述目的,本发明提供了如下方案:
一种高分率遥感影像水体自动提取方法,包括如下步骤:
步骤1:采集高分辨率遥感图像,并对其进行预处理操作;
步骤2:对预处理完毕的高分辨率遥感图像进行切片处理,得到切片数据,并在切片数据上进行标签标注,对切片数据与对应的标签进行数据集分类,将其分为训练集、验证集及测试集;
步骤3:根据高分辨率遥感图像上的水体特征构建DeepLabv3+模型,并对其进行结构优化,根据训练集对DeepLabv3+模型进行训练;
步骤4:通过测试集对DeepLabv3+模型进行准确率、召回率、F1分数及交并比精度评价;
步骤5:在其他研究区域进行模型迁移,验证模型的稳定性与鲁棒性。
可选的,步骤1中,采集高分辨率遥感图像,并对其进行预处理操作,具体为:
采集高分辨率遥感图像,采用影像自带的rpb文件对高分辨率遥感图像进行正射校正,通过已经公布的定标参数及光谱响应函数对正射矫正后的影像进行辐射定标,得到地表反射率影像,通过基准影像对地表反射率影像进行几何校正,通过数据融合方法将几何校正后的地表反射率影像及多光谱影像、全色影像进行融合处理,得到预处理完毕的高分辨率遥感图像。
可选的,步骤2中,对预处理完毕的高分辨率遥感图像进行切片处理,得到切片数据,并在切片数据上进行标签标注,对切片数据与对应的标签进行数据集分类,将其分为训练集、验证集及测试集,具体为:
对预处理完毕的高分辨率遥感图像进行切片处理,根据硬件设置切片大小,得到切片数据,在切片过程中,通过自动标注软件对切片数据中的水体信息进行标签标注,标注完成后,通过图像亮度增强和降低、镜像、多角度旋转、随机噪声对切片数据进行扩展,通过与切片数据对应的标签对扩展完毕后的切片数据进行数据集分类,按照7:2:1的比例将其分为训练集、验证集、测试集,其中训练集用于构建深度学习模型,验证集用于反映模型参数的泛化能力,判断模型在训练过程中是否过拟合,测试集用于模型评估。
可选的,步骤3中,根据高分辨率遥感图像上的水体特征构建DeepLabv3+模型,并对其进行结构优化,根据训练集对DeepLabv3+模型进行训练,具体为:
根据高分辨率遥感图像上的水体特征构建DeepLabv3+模型,对原始的DeepLabv3+模型进行修改,将DeepLabv3+模型主干特征提取网络修改为ResNetv2,增加DeepLabv3+模型网络底层特征的融合,完成后,通过训练集对DeepLabv3+模型进行训练。
可选的,步骤4中,通过测试集对DeepLabv3+模型进行准确率、召回率、F1分数及交并比精度评价,具体为:
对DeepLabv3+模型训练完成后,将测试集的测试图像输入DeepLabv3+模型模型中,得到模型计算出的水提取结果,将水提取结果与测试集对应的标签进行比较,分别计算准确率、召回率、F1分数及交并比,根据计算得到的准确率、召回率、F1分数及交并比检验DeepLabv3+模型的准确度。
可选的,步骤5中,在其他研究区域进行模型迁移,验证模型的稳定性与鲁棒性,具体为:
对DeepLabv3+模型进行试验区域的迁移,对迁移后的区域重复进行步骤1及步骤2的工作,根据试验区域的变化对DeepLabv3+模型网络中的参数进行微调。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提供的高分率遥感影像水体自动提取方法,该方法以一种端到端的方法规避了传统人工选取经验阈值问题以及机器学习中的特征工程构建工作,使得高分辨率遥感影像水体提取工作变得自动化和智能化,通过替换主干提取网络及网络底层特征的融合等优化策略对DeepLabv3+模型优化,实现水体特征有效提取,提升水体信息提取的准确性,摒弃传统阈值法与机器算法技术体系,采用深度学习算法提高遥感图像水体提取的与效率,为宏观的水体识别与监测提供科学依据和技术支持,采用的DeepLabv3+模型的空洞卷积与优化策略能很好地捕捉到水体的深层特征,提升小型水体信息提取准确性。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例高分率遥感影像水体自动提取方法流程示意图;
图2为研究区影响图;
图3为数据切片与增强示意图;
图4为Deeplabv3模型修改后示意图;
图5为模型损失曲线图;
图6为水体分割结果示意图。
具体实施方式
下面将结合本发明实施例中的附图,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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动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。
本发明的目的是提供一种高分率遥感影像水体自动提取方法,能够实现水体特征的有效提取,提升了水体信息提取的准确性,提高了高分辨率遥感影像水体自动提取的鲁棒性和普适性。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明实施例提供的高分率遥感影像水体自动提取方法,包括如下步骤:
步骤1:采集高分辨率遥感图像,并对其进行预处理操作;
步骤2:对预处理完毕的高分辨率遥感图像进行切片处理,得到切片数据,并在切片数据上进行标签标注,对切片数据与对应的标签进行数据集分类,将其分为训练集、验证集及测试集;
步骤3:根据高分辨率遥感图像上的水体特征构建DeepLabv3+模型,并对其进行结构优化,根据训练集对DeepLabv3+模型进行训练;
步骤4:通过测试集对DeepLabv3+模型进行准确率、召回率、F1分数及交并比精度评价;
步骤5:在其他研究区域进行模型迁移,验证模型的稳定性与鲁棒性。
步骤1中,采集高分辨率遥感图像,并对其进行预处理操作,具体为:
采集高分辨率遥感图像,采用影像自带的rpb文件对高分辨率遥感图像进行正射校正,通过已经公布的定标参数及光谱响应函数对正射矫正后的影像进行辐射定标,得到地表反射率影像,通过基准影像对地表反射率影像进行几何校正,通过数据融合方法将几何校正后的地表反射率影像及多光谱影像、全色影像进行融合处理,得到预处理完毕的高分辨率遥感图像。
步骤2中,对预处理完毕的高分辨率遥感图像进行切片处理,得到切片数据,并在切片数据上进行标签标注,对切片数据与对应的标签进行数据集分类,将其分为训练集、验证集及测试集,具体为:
对预处理完毕的高分辨率遥感图像进行切片处理,根据硬件设置切片大小,得到切片数据,在切片过程中,通过自动标注软件对切片数据中的水体信息进行标签标注,标注完成后,通过图像亮度增强和降低、镜像、多角度旋转、随机噪声对切片数据进行扩展,通过与切片数据对应的标签对扩展完毕后的切片数据进行数据集分类,按照7:2:1的比例将其分为训练集、验证集、测试集,其中训练集用于构建深度学习模型,验证集用于反映模型参数的泛化能力,判断模型在训练过程中是否过拟合,测试集用于模型评估。
步骤3中,根据高分辨率遥感图像上的水体特征构建DeepLabv3+模型,并对其进行结构优化,根据训练集对DeepLabv3+模型进行训练,具体为:
根据高分辨率遥感图像上的水体特征构建DeepLabv3+模型,对原始的DeepLabv3+模型进行修改,将DeepLabv3+模型主干特征提取网络修改为ResNetv2,增加DeepLabv3+模型网络底层特征的融合,完成后,通过训练集对DeepLabv3+模型进行训练,在训练过程中,通过验证集反映模型参数的泛化能力,判断模型在训练过程中是否过拟合。
步骤4中,通过测试集对DeepLabv3+模型进行准确率、召回率、F1分数及交并比精度评价,具体为:
对DeepLabv3+模型训练完成后,将测试集的测试图像输入DeepLabv3+模型模型中,得到模型计算出的水提取结果,将水提取结果与测试集对应的标签进行比较,分别计算准确率、召回率、F1分数及交并比,根据计算得到的准确率、召回率、F1分数及交并比检验DeepLabv3+模型的准确度。
步骤5中,在其他研究区域进行模型迁移,验证模型的稳定性与鲁棒性,具体为:
对DeepLabv3+模型进行试验区域的迁移,对迁移后的区域重复进行步骤1及步骤2的工作,根据试验区域的变化对DeepLabv3+模型网络中的参数进行微调。
本发明提供了一个实施例为:
1、数据采集和预处理:
如图2所示,首先,确定实验研究区和研究对象,选取中国河北省廊坊市的海河流域,该流域地区水资源丰富,水体种类繁多,包括河流及其支流、大型湖泊及小型坑塘等,能够为水体识别提供充足数据集,该地区包括建筑密集区,交通路网以及农业,林业用地等多种类型土地利用,为给水体的识别带来了相当大的挑战,获取研究区域的卫星影像,综合考虑研究卫星的空间分辨率、重访周期等因素,最终选取高分二号影像并对数据进行预处理,流程包括辐射定标、大气校正、几何校正、拼接和裁剪,得到最终研究区影像;
2、数据切片与增强:
如图3所示,由于DeepLabv3+模型较大,容易造成内存溢出,因此无法将整个图像直接输入网络,将原始遥感图像切割成512×512的图像,得到切片数据,然后,通过图像亮度增强和降低、镜像、多角度旋转、随机噪声对数据进行扩展,扩展完成后,对切片数据进行标签标记,其中,标签由水域区域和背景区域组成,数据集中所有标签均为二值图像,其中1代表水体,0代表地物背景,将图像和标签数据以7:2:1的比例随机分为训练集数据、验证集数据和测试集数据,训练集数据用于构建深度学习模型,验证集数据的作用是反映模型参数的泛化能力,判断模型在训练过程中是否过拟合,测试集数据用于模型评估;
3、DeepLabv3+模型的构建:
如图4所示,本次所采用DeepLabv3+算法为基线模型进行水体提取算法算法构建工作,DeepLabv3+算法是深度学习语义分割模型的最新结构,送进改造过后的主流深度卷积网络(Deep Convolutional Neural Network,DCNN)提取特征,得到高级语义特征和低级语义特征,将高级语义特征进入到空洞金字塔池化模块ASPP,分别与四个空洞卷积层和一个池化层进行卷积和池化,得到五个特征图,然后合成五层,再通地一个1*1的卷积进行运算后得到单个特征图;E再经过上采样得到高级语义特征图,通过在深度卷积网络层找到一个与高级语义特征图分辨率相同的低级语义特征图;经过1*1卷积进行降通道数使之与高级语义特征图所占通道比重一样,更有利于模型学习,DeepLabv3+算法采用空间金字塔池化模块(Spatial Pyramid Pooling,SPP)通过在不同尺度上对特征图做池化操作可以提取更丰富的语义信息,有利于不同特征的水体提取,使水体边界更加清晰,语义分割Xception改为ResNetv2减少主干特征提取网络的参量,将1/2大小的特征图和解码特征进行融合,增加对底层特征的融合,展示更多的遥感水体信息细节,有利于水体工作的进行,通过两种策略,最终实现对遥感影像中水体的准确定位和自动分割;
4、模型训练和精度验证:
如图5-6所示,训练过程使用软件Python3.8、Pytorch,经过100次迭代训练,经过约12小时的训练,语义分割模型收敛,DeepLabv3+模型网络训练完成后,将测试图像输入到训练好的模型中,输出模型计算出的水提取结果,将结果与测试集对应的标签数据进行比较,以确定模型的准确性,选取召回率(Recall,R)、准确率(Precision,P)、F1分数(F1score,F1)和交并比(Intersection over Union,IOU)四个指标用来检验模型的准确度,Precision是正确预测为水像素占所有预测像素的比例,召回率被正确预测为水像素与所有实际水像素的比率,IOU被正确预测为水像素与所有水像素的比率,F1 score是Precision和Recall的调和平均值,综合评价模型的性能,公式如下:
Precision=TP/(TP+FP)
Recall=TP/(TP+FN)
IOU=TP/(TP+FP+FN)
F1Score=2×(Precision×Recall)/(Precision+Recall)
式中,TP为True Positives,表示水体识别正确,FP为False Positives,表示其他地面特征被识别为水体,FN为False Negatives,表示水体被识别为其他特征。
5、遥感水体自动提取模型迁移:
至此基于Deepladv3+模型算法的自动水体遥感识别工作完成,选取其他研究区域(如太湖流域、青藏高原等)进行迁移实验的验证,对算法的步长、学习率、优化器等超参数进行微调,能很好的提取效果,可以满足对水体遥感识别较高精度的需求,实现端到端的遥感水体信息的自动提取。
本发明提供的高分率遥感影像水体自动提取方法,该方法以一种端到端的方法规避了传统人工选取经验阈值问题以及机器学习中的特征工程构建工作,使得高分辨率遥感影像水体提取工作变得自动化和智能化,通过替换主干提取网络及网络底层特征的融合等优化策略对DeepLabv3+模型优化,实现水体特征有效提取,提升水体信息提取的准确性,摒弃传统阈值法与机器算法技术体系,采用深度学习算法提高遥感图像水体提取的与效率,为宏观的水体识别与监测提供科学依据和技术支持,采用的DeepLabv3+模型的空洞卷积与优化策略能很好地捕捉到水体的深层特征,提升小型水体信息提取准确性。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种高分率遥感影像水体自动提取方法,其特征在于,包括如下步骤:
步骤1:采集高分辨率遥感图像,并对其进行预处理操作;
步骤2:对预处理完毕的高分辨率遥感图像进行切片处理,得到切片数据,并在切片数据上进行标签标注,对切片数据与对应的标签进行数据集分类,将其分为训练集、验证集及测试集;
步骤3:根据高分辨率遥感图像上的水体特征构建DeepLabv3+模型,并对其进行结构优化,根据训练集对DeepLabv3+模型进行训练;
步骤4:通过测试集对DeepLabv3+模型进行准确率、召回率、F1分数及交并比精度评价;
步骤5:在其他研究区域进行模型迁移,验证模型的稳定性与鲁棒性。
2.根据权利要求1所述的高分率遥感影像水体自动提取方法,其特征在于,步骤1中,采集高分辨率遥感图像,并对其进行预处理操作,具体为:
采集高分辨率遥感图像,采用影像自带的rpb文件对高分辨率遥感图像进行正射校正,通过已经公布的定标参数及光谱响应函数对正射矫正后的影像进行辐射定标,得到地表反射率影像,通过基准影像对地表反射率影像进行几何校正,通过数据融合方法将几何校正后的地表反射率影像及多光谱影像、全色影像进行融合处理,得到预处理完毕的高分辨率遥感图像。
3.根据权利要求2所述的高分率遥感影像水体自动提取方法,其特征在于,步骤2中,对预处理完毕的高分辨率遥感图像进行切片处理,得到切片数据,并在切片数据上进行标签标注,对切片数据与对应的标签进行数据集分类,将其分为训练集、验证集及测试集,具体为:
对预处理完毕的高分辨率遥感图像进行切片处理,根据硬件设置切片大小,得到切片数据,在切片过程中,通过自动标注软件对切片数据中的水体信息进行标签标注,标注完成后,通过图像亮度增强和降低、镜像、多角度旋转、随机噪声对切片数据进行扩展,通过与切片数据对应的标签对扩展完毕后的切片数据进行数据集分类,按照7:2:1的比例将其分为训练集、验证集、测试集,其中训练集用于构建深度学习模型,验证集用于反映模型参数的泛化能力,判断模型在训练过程中是否过拟合,测试集用于模型评估。
4.根据权利要求3所述的高分率遥感影像水体自动提取方法,其特征在于,步骤3中,根据高分辨率遥感图像上的水体特征构建DeepLabv3+模型,并对其进行结构优化,根据训练集对DeepLabv3+模型进行训练,具体为:
根据高分辨率遥感图像上的水体特征构建DeepLabv3+模型,对原始的DeepLabv3+模型进行修改,将DeepLabv3+模型主干特征提取网络修改为ResNetv2,增加DeepLabv3+模型网络底层特征的融合,完成后,通过训练集对DeepLabv3+模型进行训练。
5.根据权利要求4所述的高分率遥感影像水体自动提取方法,其特征在于,步骤4中,通过测试集对DeepLabv3+模型进行准确率、召回率、F1分数及交并比精度评价,具体为:
对DeepLabv3+模型训练完成后,将测试集的测试图像输入DeepLabv3+模型模型中,得到模型计算出的水提取结果,将水提取结果与测试集对应的标签进行比较,分别计算准确率、召回率、F1分数及交并比,根据计算得到的准确率、召回率、F1分数及交并比检验DeepLabv3+模型的准确度。
6.根据权利要求1所述的高分率遥感影像水体自动提取方法,其特征在于,步骤5中,在其他研究区域进行模型迁移,验证模型的稳定性与鲁棒性,具体为:
对DeepLabv3+模型进行试验区域的迁移,对迁移后的区域重复进行步骤1及步骤2的工作,根据试验区域的变化对DeepLabv3+模型网络中的参数进行微调。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210060001.XA CN114387446A (zh) | 2022-01-19 | 2022-01-19 | 一种高分率遥感影像水体自动提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210060001.XA CN114387446A (zh) | 2022-01-19 | 2022-01-19 | 一种高分率遥感影像水体自动提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114387446A true CN114387446A (zh) | 2022-04-22 |
Family
ID=81203219
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210060001.XA Pending CN114387446A (zh) | 2022-01-19 | 2022-01-19 | 一种高分率遥感影像水体自动提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114387446A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114972991A (zh) * | 2022-05-27 | 2022-08-30 | 长江水利委员会长江科学院 | 一种崩岗的自动识别方法及系统 |
CN116844051A (zh) * | 2023-07-10 | 2023-10-03 | 贵州师范大学 | 一种融合aspp和深度残差的遥感图像建筑物提取方法 |
-
2022
- 2022-01-19 CN CN202210060001.XA patent/CN114387446A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114972991A (zh) * | 2022-05-27 | 2022-08-30 | 长江水利委员会长江科学院 | 一种崩岗的自动识别方法及系统 |
CN114972991B (zh) * | 2022-05-27 | 2023-04-07 | 长江水利委员会长江科学院 | 一种崩岗的自动识别方法及系统 |
CN116844051A (zh) * | 2023-07-10 | 2023-10-03 | 贵州师范大学 | 一种融合aspp和深度残差的遥感图像建筑物提取方法 |
CN116844051B (zh) * | 2023-07-10 | 2024-02-23 | 贵州师范大学 | 一种融合aspp和深度残差的遥感图像建筑物提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zeng et al. | A fast approach for large-scale Sky View Factor estimation using street view images | |
CN111598174B (zh) | 基于半监督对抗学习的模型训练方法及图像变化分析方法 | |
CN110866494B (zh) | 一种基于光学遥感影像的城镇群提取方法及系统 | |
CN108830844B (zh) | 一种基于多时相高分辨率遥感影像的设施蔬菜提取方法 | |
CN114387446A (zh) | 一种高分率遥感影像水体自动提取方法 | |
CN111028255A (zh) | 基于先验信息与深度学习的农田区域预筛选方法及装置 | |
CN114758252B (zh) | 基于图像的分布式光伏屋顶资源分割与提取方法及系统 | |
CN107247927B (zh) | 一种基于缨帽变换的遥感图像海岸线信息提取方法及系统 | |
CN111178149B (zh) | 一种基于残差金字塔网络的遥感影像水体自动提取方法 | |
CN111008664B (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
CN111881816A (zh) | 一种长时序的河湖围埂养殖区域监测方法 | |
CN114444791A (zh) | 一种基于机器学习的洪涝灾害遥感监测评估方法 | |
CN114022408A (zh) | 基于多尺度卷积神经网络的遥感图像云检测方法 | |
CN115452759A (zh) | 一种基于卫星遥感数据的河湖健康指标评价方法及系统 | |
CN112949612A (zh) | 一种基于无人机高分辨率遥感影像海岸带地物分类方法 | |
Thati et al. | A systematic extraction of glacial lakes for satellite imagery using deep learning based technique | |
CN114943902A (zh) | 基于多尺度特征感知网络的城市植被无人机遥感分类方法 | |
Husain et al. | An automated approach for street trees detection using mobile laser scanner data | |
CN113780117B (zh) | 一种快速识别并提取河口羽状流轮廓相关参数的方法 | |
CN112990100A (zh) | 一种基于深度学习的道路灾情遥感智能检测方法 | |
CN114387501A (zh) | 冲洪积扇沉积遥感智能识别方法及装置 | |
Sun et al. | Check dam extraction from remote sensing images using deep learning and geospatial analysis: A case study in the Yanhe River Basin of the Loess Plateau, China | |
Meng | Remote Sensing of Urban Green Space | |
CN112686254B (zh) | 一种基于红外卫星云图的台风中心定位方法 | |
CN116052019B (zh) | 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 |
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 |