CN114663767A - 一种遥感影像沙埋路段识别方法 - Google Patents
一种遥感影像沙埋路段识别方法 Download PDFInfo
- Publication number
- CN114663767A CN114663767A CN202210352114.7A CN202210352114A CN114663767A CN 114663767 A CN114663767 A CN 114663767A CN 202210352114 A CN202210352114 A CN 202210352114A CN 114663767 A CN114663767 A CN 114663767A
- Authority
- CN
- China
- Prior art keywords
- sand
- road section
- buried
- training
- encoder
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 63
- 239000013598 vector Substances 0.000 claims abstract description 28
- 230000003595 spectral effect Effects 0.000 claims abstract description 24
- 239000004576 sand Substances 0.000 claims abstract description 19
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 238000013135 deep learning Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000004519 manufacturing process Methods 0.000 claims abstract description 4
- 238000000605 extraction Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000009933 burial Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种遥感影像沙埋路段识别方法,包括:获取遥感影像;对遥感影像进行图像处理,根据路段是否沙埋制作检测路段像元及关联的像元标签;对检测路段像元提取光谱特征和纹理特征,并将光谱特征和纹理特征进行向量拼接,得到光谱‑纹理特征向量;将光谱‑纹理特征向量及关联的像元标签划分为训练集和测试集;将训练集输入深度自编码器进行训练,构建深度自编码器模型;将测试集输入深度自编码器模型中,得到沙埋路段与非沙埋路段的分类识别结果。本发明结合现有的传统遥感影像分类技术与深度学习方法,采用高分辨率遥感影像,能最大限度保留数据中重要信息,实现高精度的沙埋路段识别,具有覆盖范围广、空间分辨率较高、快捷方便的效果。
Description
技术领域
本发明涉及遥感影像信息提取技术领域,具体地涉及一种遥感影像沙埋路段识别方法。
背景技术
沙埋是风沙危害沙漠道路的主要类型。沙埋路段的存在影响交通运输、危及道路交通安全,实时获取区域内沙埋路段信息可用于道路通勤状况的判断,为决策提供辅助信息。
现有的沙埋路段检测方法主要包括现场测量、装置检测等方法,现场测量法可采用现场丈量、观测、拍摄照片等方式进行,装置检测法则通过在固定路段设置沙埋检测装置实现沙埋道路的检测,但是现有沙埋路段定位检测方式耗费大量的时间成本、经济成本,且难以实现大范围区域的沙埋路段检测识别,因此,急需一种沙埋路段识别的方法。
发明内容
为解决上述提出的技术问题,本发明提供一种遥感影像沙埋路段识别方法,结合现有的传统遥感影像分类技术与深度学习方法,采用高分辨率遥感影像,能最大限度保留数据中重要信息,实现高精度的沙埋路段识别,具有覆盖范围广、空间分辨率较高、快捷方便的效果。
在本发明提供了一种遥感影像沙埋路段识别方法,包括:
获取遥感影像;对遥感影像进行图像处理,根据路段是否沙埋制作检测路段像元及关联的像元标签;对检测路段像元提取光谱特征和纹理特征,并将光谱特征和纹理特征进行向量拼接,得到光谱-纹理特征向量;将光谱-纹理特征向量及关联的像元标签划分为训练集和测试集;将训练集输入深度自编码器进行训练,构建深度自编码器模型;将测试集输入深度自编码器模型中,得到沙埋路段与非沙埋路段的分类识别结果。
进一步的,根据遥感影像的矢量路网数据、道路二值图像提取路段信息,经正射校正、图像融合后,分析路段的光谱曲线差异,根据是否沙埋,确定检测路段像元及与之关联的像元标签。
进一步的,统计检测路段像元的红波段、绿波段、篮波段、近红外波段的像元值,通过波段组合得到差值指数、比值指数、归一化指数,提取检测路段像元的光谱特征。
进一步的,采用灰度共生矩阵对检测路段像元所包含的灰度信息进行统计处理,得到对比度、熵、能量及相关性的统计量作为特征参数来描述纹理特征;
进一步的,特征参数还包括:局部二值模式、马尔科夫随机场和分形维。
进一步的,将训练集输入深度自编码器进行训练,使深度自编码器网络权值和偏置值达到最优,具有特征向量拼接融合、深度特征提取与沙埋道路分类识别的功能,构建沙埋路段与非沙埋路段的分类识别的深度学习网络模型,形成深度自编码器模型。
进一步的,将训练集输入深度自编码器进行训练前,深度自编码器通过训练集进行预训练。
进一步的,在预训练后进行微调训练,利用误差方向传播调整深度自编码器的参考值,使网络权值和偏置值达到最优。
进一步的,深度自编码器的网络结构分为编码部和解码部,由输入层、隐藏层、输出层组成;隐藏层设置多层。
进一步的,深度自编码器还包含分类器;
分类器设置在最后一层隐藏层与输出层之间;
分类器设置两个输出分类点,分别输出沙埋路段与非沙埋路段的可能性概率值,得到分类识别结果。
本发明使用多种特征提取方法提取沙埋路段及非沙埋路段特征,并结合深度学习方法进行特征降维与像元分类,实现了高精度的高分辨率遥感影像沙埋路段识别。
应当理解,发明内容部分中所描述的内容并非旨在限定本发明的实施例的关键或重要特征,亦非用于限制本发明的范围。本发明的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明,本发明各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中,相同或相似的附图标记表示相同或相似的元素,其中:
图1是本实施方式的沙埋路段识别方法的技术流程图;
图2是本实施方式的深度自编码器模型的沙埋路段识别框图;
图3是本实施方式的沙埋路段识别方法的识别结果示例一;
图4是本实施方式的沙埋路段识别方法的识别结果示例二;
图5是本实施方式的沙埋路段识别方法的识别结果示例三;
其中,图1-5中的附图标记与部件名称之间的对应关系为:
1非沙埋路段,2沙埋路段。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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作出创造性劳动前提下所获得的全部其他实施例,都属于本发明保护的范围。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
下面参照图1来描述本发明提供的一种遥感影像沙埋路段识别方法,采用高分辨率遥感影像数据,充分利用了高分辨率遥感影像中丰富的目标地物光谱信息、纹理信息,进行沙埋路段的识别;通过数据集制作步骤,制作深度学习网络训练、测试所需的数据集;通过特征提取步骤,提取出遥感影像中沙埋路段和非沙埋路段的光谱和纹理的多种特征;通过模型构建与训练步骤,即基于开源深度学习框架构建深度自编码器模型,并在沙埋路段数据集上完成模型训练;通过沙埋路段识别步骤,采用训练好的模型,实现高分辨率遥感影像沙埋路段识别。具体的识别方法如下:
S1:数据集制作;获取遥感影像;对遥感影像进行图像处理,根据路段是否沙埋制作检测路段像元及关联的像元标签;
S2:特征提取;对检测路段像元提取光谱特征和纹理特征,并将光谱特征和纹理特征进行向量拼接,得到光谱-纹理特征向量;将检测路段像元的光谱-纹理特征向量及像元标签划分为训练集和测试集;
S3:模型构建与训练;
构建深度学习网络模型,该模型为包含分类器的深度自编码器网络模型;
将训练集输入深度自编码器进行预训练;
预训练后进行微调训练,利用误差方向传播调整深度自编码器的参考值,使网络权值和偏置值达到最优;
将训练集输入深度自编码器进行训练,构建深度自编码器模型;
S4:沙埋路段识别:将测试集输入深度自编码器模型中,得到沙埋路段与非沙埋路段的分类识别结果。
在上述实施方式中,以4波段高分二号遥感影像为例进行沙埋路段识别:
S1:数据集制作:为制作高质量的样本,根据遥感影像的矢量路网数据、道路二值图像等提取区域路段信息,经正射校正、图像融合等图像预处理后,分析路段的光谱曲线差异,以目视解译为主,根据是否沙埋,确定检测路段像元及与之关联的像元标签(可将非沙埋路段像元标记为0,沙埋路段像元标记为1,0或1就是像元标签),并将检测路段像元及与之关联的像元标签划分为训练集及测试集。
S2:特征提取:高分辨多光谱影像包含较为丰富的光谱信息、纹理信息,不同地物在相同/不同波段的像元反射率存在差异,沙子和道路的纹理也并不一致,因此,可借助地物光谱、纹理信息进行类别判断。然而单一的光谱特征或纹理特征所包含的信息难以用于区分沙埋及非沙埋路段,为深度挖掘影像信息以实现更高精度的沙埋路段自动识别,采用糅合多种光谱特征与纹理特征,构建光谱-纹理特征向量的方法实现自动识别,具体的特征提取如下:
(1)光谱特征提取:针对每一个像元标签所对应的遥感影像检测路段像元,统计其红波段、绿波段、篮波段、近红外波段四个波段的像元值,通过波段组合得到差值指数、比值指数、归一化指数等光谱指数,提取检测路段像元的光谱特征;
(2)纹理特征提取:针对每一个像元标签所对应的遥感影像检测路段像元,采用灰度共生矩阵对其所包含的灰度信息进行统计处理,为更好描述图像路段像元的纹理信息,不直接使用得到的灰度共生矩阵,而是进行统计处理,得到对比度、熵、能量及相关性4种二次统计量作为图像的特征参数来描述图像路段像元的灰度共生矩阵纹理特征。除此之外,为得到更好的图像路段像元的纹理信息,便于后续深度自编码器降维分类模型的构建训练以及路段识别,还使用局部二值模式(Local Binary Pattern)、马尔科夫随机场(MRF)、分形维来统计描述图像路段像元的纹理特征。
(3)构建光谱-纹理特征向量:将提取的光谱特征和纹理特征向量化,将光谱特征向量与纹理特征向量进行拼接,得到该检测路段像元的光谱-纹理特征向量,具体信息如表1所示,并将检测路段像元的光谱-纹理特征向量补充到与之关联的像元标签对应的训练集及测试集内。
表1光谱-纹理特征向量信息
S3:模型构建与训练:
(1)深度自编码器网络模型构建:构建沙埋路段分类识别深度学习网络模型,该模型的网络结构分为编码部和解码部,由输入层、隐藏层、输出层组成;隐藏层设置多层。深度自编码器还包含Softmax分类器,设置在最后一层隐藏层与输出层之间。本实施方式中,构建了一个包含10个隐藏层的深度自编码器,编码器部分的各隐藏层神经元数量依次递减,实现特征降维,采用的深度自编码器网络结构如表2所示:
表2深度自编码器网络结构
编码部分的隐藏层神经单元数量分别为32、29、27、25、24、22、20、18、16、14,并在编码部分的最后一层隐藏层后添加一个Softmax分类器。由于本实施方式中检测路段像元可分为沙埋路段、非沙埋路段两类,因此所用的Softmax分类器拥有两个输出分类点,并为每个输出分类的结果都赋予一个概率值,表示属于每个类别的可能性,取概率最高的类别为最终的分类结果。
(2)深度学习模型训练:通过深度自编码器的预训练和训练过程,可使整个深度自编码器网络权值和偏置值都达到最优,并拥有特征融合、深度特征提取与沙埋道路识别分类的功能,构建沙埋路段与非沙埋路段的分类识别的深度学习网络模型,形成深度自编码器模型。深度自编码器编码与Softmax分类的流程如图2所示。
其中,预训练是将训练集内的光谱-纹理特征向量数据输入深度自编码器进行预训练;在预训练后还需要进行微调训练,训练整个深度自编码器,并利用误差方向传播调整深度自编码器的参考值,使网络权值和偏置值达到最优;最优标准根据深度学习训练对应的损失函数选择。
综合考虑GPU显存、输入图像大小、算法性能和执行效率,在模型预训练和微调训练阶段,分别选择了一套训练过程中拟采用的超参数组合,如表3和表4所示。
表3预训练实验超参数设置
表4模型微调训练实验超参数设置
其中,训练过程是将训练集内的光谱-纹理特征向量数据输入深度自编码器进行训练,利用深度自编码器实现深度特征提取,得到训练好的深度自编码器模型;
具体的模型训练过程如下:
1)用无监督训练的方式训练深度自编码器的第一个隐藏层;
2)上一个隐藏层训练完成的输出被视为下一个隐藏层的输入,再以无监督方式进行训练;
3)重复执行步骤2),直到把所有的隐藏层都训练结束。
4)在预训练结束后,训练整个深度自编码器,并利用误差反向传播调整整个系统的参数值,使得权值和偏置值都达到最优。
S4:沙埋路段识别:针对多波段高分辨率遥感影像和道路二值图像,利用S2中提到的特征提取操作提取遥感影像目标地物的光谱特征、纹理特征,将测试集内的光谱-纹理特征向量数据输入训练好的深度自编码器模型中,即可得到影像沙埋路段分类识别结果。具体识别情况,请参考图3至图5所示,可见采用本发明的技术方案可以清楚进行沙埋路段的识别,其结构准确。
采用上述实施方式时,首先,该实施方式充分利用了高分辨率遥感影像中丰富的目标地物光谱信息、纹理信息;另外,该实施方式引入了深度学习技术,采用深度自动编码器进行深度特征提取与融合,能最大限度保留数据中重要信息,实现高精度的沙埋路段识别,具有覆盖范围广、空间分辨率较高、快捷方便的效果。
在本发明说明书的描述中,术语“连接”、“安装”、“固定”等均应做广义理解,例如,“连接”可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
在本发明说明书的描述中,术语“一个实施例”、“一些实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或实例。而且,描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上仅为本发明的优选实施,并不用于限制本发明,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种遥感影像沙埋路段识别方法,其特征在于,包括:
获取遥感影像;
对遥感影像进行图像处理,根据路段是否沙埋制作检测路段像元及关联的像元标签;
对所述检测路段像元提取光谱特征和纹理特征,并将所述光谱特征和所述纹理特征进行向量拼接,得到光谱-纹理特征向量;
将所述光谱-纹理特征向量及关联的所述像元标签划分为训练集和测试集;
将所述训练集输入深度自编码器进行训练,构建深度自编码器模型;
将所述测试集输入深度自编码器模型中,得到沙埋路段与非沙埋路段的分类识别结果。
2.根据权利要求1所述的沙埋路段识别方法,其特征在于,
根据遥感影像的矢量路网数据、道路二值图像提取所述路段信息,经正射校正、图像融合后,分析所述路段的光谱曲线差异,根据是否沙埋,确定所述检测路段像元及与之关联的所述像元标签。
3.根据权利要求1所述的沙埋路段识别方法,其特征在于,
统计所述检测路段像元的红波段、绿波段、篮波段、近红外波段的像元值,通过波段组合得到差值指数、比值指数、归一化指数,提取所述检测路段像元的所述光谱特征。
4.根据权利要求1所述的沙埋路段识别方法,其特征在于,
采用灰度共生矩阵对所述检测路段像元所包含的灰度信息进行统计处理,得到对比度、熵、能量及相关性的统计量作为特征参数来描述所述纹理特征。
5.根据权利要求4所述的沙埋路段识别方法,其特征在于,
所述特征参数还包括:局部二值模式、马尔科夫随机场和分形维。
6.根据权利要求1所述的沙埋路段识别方法,其特征在于,
将所述训练集输入所述深度自编码器进行训练,使所述深度自编码器网络权值和偏置值达到最优,具有特征向量拼接融合、深度特征提取与沙埋道路分类识别的功能,构建沙埋路段与非沙埋路段的分类识别的深度学习网络模型,形成所述深度自编码器模型。
7.根据权利要求6所述的沙埋路段识别方法,其特征在于,
将所述训练集输入所述深度自编码器进行训练前,所述深度自编码器通过所述训练集进行预训练。
8.根据权利要求7所述的沙埋路段识别方法,其特征在于,
在所述预训练后进行微调训练,利用误差方向传播调整所述深度自编码器的参考值,使所述网络权值和所述偏置值达到最优。
9.根据权利要求1所述的沙埋路段识别方法,其特征在于,
所述深度自编码器的网络结构分为编码部和解码部,由输入层、隐藏层、输出层组成;所述隐藏层设置多层。
10.根据权利要求9所述的沙埋路段识别方法,其特征在于,
所述深度自编码器还包含分类器;
所述分类器设置在最后一层所述隐藏层与所述输出层之间;
所述分类器设置两个输出分类点,分别输出沙埋路段与非沙埋路段的可能性概率值,得到分类识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210352114.7A CN114663767A (zh) | 2022-04-03 | 2022-04-03 | 一种遥感影像沙埋路段识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210352114.7A CN114663767A (zh) | 2022-04-03 | 2022-04-03 | 一种遥感影像沙埋路段识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114663767A true CN114663767A (zh) | 2022-06-24 |
Family
ID=82035743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210352114.7A Pending CN114663767A (zh) | 2022-04-03 | 2022-04-03 | 一种遥感影像沙埋路段识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114663767A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107945161A (zh) * | 2017-11-21 | 2018-04-20 | 重庆交通大学 | 基于纹理特征提取的道路表面缺陷检测方法 |
CN111157524A (zh) * | 2020-01-09 | 2020-05-15 | 北京观澜智图科技有限公司 | 基于高分影像的道路材质识别方法及装置和电子设备 |
WO2020232905A1 (zh) * | 2019-05-20 | 2020-11-26 | 平安科技(深圳)有限公司 | 基于超对象信息的遥感图像目标提取方法、装置、电子设备及介质 |
CN112017160A (zh) * | 2020-08-05 | 2020-12-01 | 中国公路工程咨询集团有限公司 | 一种基于多策略组合的多源遥感影像道路材质精细提取方法 |
CN112232280A (zh) * | 2020-11-04 | 2021-01-15 | 安徽大学 | 基于自编码器与3d深度残差网络的高光谱图像分类方法 |
CN112784907A (zh) * | 2021-01-27 | 2021-05-11 | 安徽大学 | 基于空谱特征与bp神经网络的高光谱图像分类方法 |
-
2022
- 2022-04-03 CN CN202210352114.7A patent/CN114663767A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107945161A (zh) * | 2017-11-21 | 2018-04-20 | 重庆交通大学 | 基于纹理特征提取的道路表面缺陷检测方法 |
WO2020232905A1 (zh) * | 2019-05-20 | 2020-11-26 | 平安科技(深圳)有限公司 | 基于超对象信息的遥感图像目标提取方法、装置、电子设备及介质 |
CN111157524A (zh) * | 2020-01-09 | 2020-05-15 | 北京观澜智图科技有限公司 | 基于高分影像的道路材质识别方法及装置和电子设备 |
CN112017160A (zh) * | 2020-08-05 | 2020-12-01 | 中国公路工程咨询集团有限公司 | 一种基于多策略组合的多源遥感影像道路材质精细提取方法 |
CN112232280A (zh) * | 2020-11-04 | 2021-01-15 | 安徽大学 | 基于自编码器与3d深度残差网络的高光谱图像分类方法 |
CN112784907A (zh) * | 2021-01-27 | 2021-05-11 | 安徽大学 | 基于空谱特征与bp神经网络的高光谱图像分类方法 |
Non-Patent Citations (1)
Title |
---|
王威;唐权;: "一种基于多特征及BP神经网络的高分辨率遥感影像道路提取方法", 现代测绘, no. 02, 25 March 2020 (2020-03-25) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111914907B (zh) | 一种基于深度学习空谱联合网络的高光谱图像分类方法 | |
CN109948693B (zh) | 基于超像素样本扩充和生成对抗网络高光谱图像分类方法 | |
CN110363215B (zh) | 基于生成式对抗网络的sar图像转化为光学图像的方法 | |
CN107392130A (zh) | 基于阈值自适应和卷积神经网络的多光谱图像分类方法 | |
CN109657610A (zh) | 一种高分辨率多源遥感影像的土地利用变化检测方法 | |
CN111291826B (zh) | 基于相关性融合网络的多源遥感图像的逐像素分类方法 | |
CN106529508A (zh) | 基于局部和非局部多特征语义高光谱图像分类方法 | |
CN105894030B (zh) | 基于分层多特征融合的高分辨率遥感图像场景分类方法 | |
CN107832797B (zh) | 基于深度融合残差网的多光谱图像分类方法 | |
CN111191628B (zh) | 基于决策树与特征优化的遥感影像震害建筑物识别方法 | |
CN106971397B (zh) | 基于改进jseg算法的城市高分辨率遥感影像分割方法 | |
Thoonen et al. | Multisource classification of color and hyperspectral images using color attribute profiles and composite decision fusion | |
CN111292321A (zh) | 一种输电线路绝缘子缺陷图像识别方法 | |
CN110222604A (zh) | 基于共享卷积神经网络的目标识别方法和装置 | |
CN114170418B (zh) | 一种以图搜图的汽车线束连接器多特征融合图像检索方法 | |
CN113673556A (zh) | 一种基于多尺度密集卷积网络的高光谱图像分类方法 | |
CN108537169A (zh) | 一种基于中心线和路宽检测算法的高分辨率遥感影像道路提取方法 | |
CN115240072A (zh) | 一种基于多方向多尺度光谱-空间残差卷积神经网络的高光谱多类变化检测方法 | |
CN111738052A (zh) | 基于深度学习的多特征融合高光谱遥感地物分类方法 | |
Monadjemi et al. | Experiments on high resolution images towards outdoor scene classification | |
Sukhanov et al. | Fusion of LiDAR, hyperspectral and RGB data for urban land use and land cover classification | |
CN111222545A (zh) | 基于线性规划增量学习的图像分类方法 | |
CN109145950B (zh) | 一种基于图信号采样的高光谱图像主动学习方法 | |
CN110458208A (zh) | 基于信息测度的高光谱图像分类方法 | |
CN116977750B (zh) | 土地覆盖场景分类模型构建方法及分类方法 |
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 |