CN114821333A - 一种高分辨率遥感影像道路材质识别方法及装置 - Google Patents
一种高分辨率遥感影像道路材质识别方法及装置 Download PDFInfo
- Publication number
- CN114821333A CN114821333A CN202210531999.7A CN202210531999A CN114821333A CN 114821333 A CN114821333 A CN 114821333A CN 202210531999 A CN202210531999 A CN 202210531999A CN 114821333 A CN114821333 A CN 114821333A
- Authority
- CN
- China
- Prior art keywords
- road
- remote sensing
- image
- pixel
- information
- 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.)
- Granted
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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/047—Probabilistic or stochastic 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)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种高分辨率遥感影像道路材质识别方法及装置,该方法包括:获取高分辨率遥感影像信息,包括若干张遥感道路区域图像;对高分辨率遥感影像信息进行标准化处理;对标准化遥感道路区域图像进行特征提取处理,获取光谱‑纹理特征向量集;一道路像元对应一光谱‑纹理特征向量;利用预设的道路材质识别网络模型对高分辨率遥感影像信息进行道路像元材质识别处理,得到道路像元材质信息集合,包括若干个道路像元的材质概率。可见,本发明充分利用了高分辨率遥感影像中道路的光谱信息和空间信息,并且构建深度学习模型进行自动识别,有利于提升高分辨率遥感影像中道路的材质识别精度和检测效率。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种高分辨率遥感影像道路材质识别方法及装置。
背景技术
道路系统是一个非常复杂的系统,既没有固定的形状,也没有统一的颜色。道路信息在交通运输中起着核心作用,也是GIS的重要数据层。同时,道路材料信息的获取有助于测量道路的承载能力和车辆通行能力。
现有针对高分辨率遥感影像的道路材质识别技术主要是基于光谱特征,利用高分影像中道路像元的原始波段信息进行道路材质判断,高分辨率遥感影像中的道路属于小目标,且部分材质(如:水泥、沥青)之间的差异较小,现有技术识别精度低,容易造成误判,且效率较低,因此提高高分辨率遥感影像的道路材质识别精度和检测效率显得尤为重要。
发明内容
本发明提供一种高分辨率遥感影像的道路材质识别方法及装置,有利于提高高分辨率遥感影像中道路的材质识别精度和检测效率。
本发明实施例第一方面公开了一种高分辨率遥感影像的道路材质识别方法,所述方法包括:
获取高分辨率遥感影像信息;所述高分辨率遥感影像信息包括若干张遥感道路区域图像;对所述高分辨率遥感影像信息进行标准化处理,获取所述遥感道路区域图像中任一道路像元的若干波段影像像元亮度值的最大值和最小值,采用极差标准化法对任一道路像元分别计算各波段的标准化值,输出标准化遥感道路区域图像集;所述标准化遥感道路区域图像集中包括若干张标准化遥感道路区域图像;对所述标准化遥感道路区域图像进行特征提取处理,获取光谱-纹理特征向量集;一所述道路像元对应一光谱-纹理特征向量;利用预设的道路材质识别网络模型对所述高分辨率遥感影像信息进行道路像元材质识别处理,得到道路像元材质信息集合;所述道路材质识别网络模型包括深度自编码网络模块和回归分类器模块;所述深度自编码网络模块用于对所述标准化光谱-纹理特征向量集进行数据深层特征的提取以及数据的降维,获取道路像元特征集,所述道路像元特征信息集包括若干个道路像元的特征信息;所述回归分类器模块用于处理所述道路像元特征集,获得所述道路像元材质信息集合,所述道路像元材质信息集合包括若干个道路像元的材质概率。
作为本发明的进一步改进,对所述标准化遥感道路区域图像进行特征提取处理包括:采用灰度共生矩阵对所述标准化遥感道路区域图像集中的灰度信息进行统计,获取第一灰度特征集;所述第一灰度特征集中包含有若干种灰度信息出现的频次;对于任一第一灰度特征,利用预设的纹理模型进行转化处理,得到该道路像元对应的纹理特征向量;对于任一标准化遥感道路区域图像集中的道路像元,记录其红、绿、蓝、近红外四个波段的影像像元亮度值,并通过波段组合的方式得到该所述道路像元的光谱指数集;所述光谱指数集包括若干种类的光谱指数;对于任一道路像元,将光谱指数集与纹理特征向量组合形成该道路像元的光谱-纹理特征。
作为本发明的进一步改进,所述纹理模型包括:对所述第一灰度特征集进行统计处理,使用均值、方差、均匀性、对比度、相异性、熵、能量、相关性、自相关性9种统计特征描述道路像元的纹理特征。
作为本发明的进一步改进,所述若干种类的光谱指数包括:比值指数、差值指数、归一化指数。
作为本发明的进一步改进,所述道路材质识别网络模型的构建包括:构建和训练第一检测模型,所述第一检测模型为自编码器结构,所述多个自编码器包括一个编码模块和一个解码模块,通过所述编码模块将输入数据映射到特征空间形成编码数据,再通过所述解码模块将特征空间的编码数据映射回输入数据空间,通过无监督训练以使得所述特征空间的编码数据最大程度逼近所述输入数据;构建第二检测模型,所述第二检测模型包括完成训练的所述第一检测模型的编码模块;构建和训练第三检测模型,所述第三检测模型包括所述第二检测模型和所述分类器模块,通过有监督训练获取所述道路材质识别网络模型,用以提高输出的所述道路像元的材质概率的准确率。
作为本发明的进一步改进,所述训练第三检测模型的步骤包括:采集大量高分辨率遥感影像中的遥感道路区域样本图像,通过样本图像的光谱曲线差异结合谷歌街景数据,获取样本图像中的道路材质区分结果,区分结果包括泥土材质、沥青材质和水泥材质;根据区分结果对遥感道路区域样本图像设置类别标签,形成遥感道路区域标签图像;大量遥感道路区域标签图像组成训练样本集D;采用随机抽样的方法将训练样本D划分为训练集、验证集和测试集;对训练样本D中的遥感道路区域标签图像进行所述特征提取处理,获取道路像元对应的光谱-纹理特征向量,将光谱-纹理特征向量输入至所述第三检测模型中进行训练,得到道路材质识别网络模型。
本发明实施例第二方面公开了一种高分辨率遥感影像的道路材质识别装置,装置包括:获取模块:被配置为获取高分辨率遥感影像信息;所述高分辨率遥感影像信息包括若干张遥感道路区域图像;标准化模块:被配置为对所述高分辨率遥感影像信息进行标准化处理,获取所述遥感道路区域图像中任一道路像元的若干波段影像像元亮度值的最大值和最小值,采用极差标准化法对任一道路像元分别计算各波段的标准化值,输出标准化遥感道路区域图像集;所述标准化遥感道路区域图像集中包括若干张标准化遥感道路区域图像;特征提取模块:被配置为对所述标准化遥感道路区域图像进行特征提取处理,获取光谱-纹理特征向量集;一所述道路像元对应一光谱-纹理特征向量;识别模块:被配置为利用预设的道路材质识别网络模型对所述高分辨率遥感影像信息进行道路像元材质识别处理,得到道路像元材质信息集合;所述道路材质识别网络模型包括深度自编码网络模块和回归分类器模块;所述深度自编码网络模块用于对所述标准化光谱-纹理特征向量集进行数据深层特征的提取以及数据的降维,获取道路像元特征集,所述道路像元特征信息集包括若干个道路像元的特征信息;所述回归分类器模块用于处理所述道路像元特征集,获得所述道路像元材质信息集合,所述道路像元材质信息集合包括若干个道路像元的材质概率。
本发明第三方面公开了另一种高分辨率遥感影像的道路材质识别装置,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明实施例第一方面公开的高分辨率遥感影像的道路材质识别方法中的部分或全部步骤。
本发明第四方面公开了一种计算机存储介质,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行本发明实施例第一方面公开的高分辨率遥感影像的道路材质识别方法中的部分或全部步骤。
与现有技术相比,本发明实施例具有以下有益效果:
(1)充分利用了高分辨率遥感影像中道路的光谱信息和空间信息,并且构建深度学习模型进行自动识别,有利于提升高分辨率遥感影像中道路的材质识别精度和检测效率。
(2)采用灰度共生矩阵处理图像上规律分布的灰度组合,使得获取的图像纹理信息中包含了图像中灰度级分布上存在的空间相关性,有利于提升材质识别精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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是本发明实施例提供的一种高分辨率遥感影像道路材质识别方法的流程示意图;
图2是本发明实施例提供的一种高分影像道路材质识别方法的道路材质识别网络模型的结构示意图;
图3是本发明实施例公开的一种高分辨率遥感影像道路材质识别装置的结构示意图;
图4是本发明实施例公开的又一种高分辨率遥感影像道路材质识别装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种光学遥感图像检测方法及装置,能够通过检测遥感目标模型对光学遥感图像进行定位识别处理和后处理以得到目标图像检测信息,有利于提升对光学遥感图像的特征提取能力,弱化对复杂背景的关注度,解决在光学遥感图像检测中因图像背景复杂而易出现错漏检的问题,提高光学遥感图像的检测精度和检测效果。以下分别进行详细说明。
实施例一
请参阅图1,图1是本发明实施例公开的一种高分辨率遥感影像道路材质识别方法的流程示意图。其中,图1所描述的高分辨率遥感影像道路材质识别方法应用于图像处理系统中,如用于高分辨率遥感影像道路材质识别的本地服务器或云端服务器等,本发明实施例不做限定。如图1所示,该高分辨率遥感影像道路材质识别方法可以包括以下操作:
101、获取高分辨率遥感影像信息。
本发明实施例中,上述高分辨率遥感影像信息包括若干张遥感道路区域图像。
102、对高分辨率遥感影像信息进行标准化处理,获取上述遥感道路区域图像中任一道路像元的若干波段影像像元亮度值的最大值和最小值,采用极差标准化法对任一道路像元分别计算各波段的标准化值,输出标准化遥感道路区域图像集;上述标准化遥感道路区域图像集中包括若干张标准化遥感道路区域图像;
本发明实施例中,上述若干波段可以为蓝波段、和/或、绿波段、和/或、红波段、和/或、近红外波段。
上述若干波段中的每一个波段对应一张标准化遥感道路区域图像。
103、对上述标准化遥感道路区域图像进行特征提取处理,获取光谱-纹理特征向量集。
本发明实施例中,道路像元集包括若干个道路像元。
本发明实施例中,一道路像元对应一光谱-纹理特征向量。
104、利用预设的道路材质识别网络模型对高分辨率遥感影像信息进行道路像元材质识别处理,得到道路像元材质信息集合。
本发明实施例中,道路像元材质信息为该道路像元的材质概率。
可选的,材质概率为该道路像元是水泥材质的概率,和/或,是沥青材质的概率,和/或,是泥土材质的概率,本发明实施例不做限定。
本发明实施例中,道路材质识别网络模型包括深度自编码网络模块和回归分类器模块。
本发明实施例中,深度自编码网络模块用于对光谱-纹理特征向量集进行数据深层特征的提取以及数据的降维,获取道路像元特征集,道路像元特征信息集包括若干个道路像元的特征信息;
本发明实施例中,回归分类器模块用于处理道路像元特征集,获得道路像元材质信息集合,道路像元材质信息集合包括若干个道路像元的材质概率。
可见,实施本发明实施例所描述的高分辨率遥感影像道路材质识别方法能够通过道路材质识别网络模型对高分辨率遥感影像中的道路区域图像进行识别处理,充分利用道路像元的光谱信息和纹理信息,有利于提升对道路区域图像的特征提取能力,解决在高分辨率遥感影像的道路提取中由于光谱特征复杂而易出现的错漏检的问题,提高道路材质的识别精度和检测效率。
在本发明实施例中,上述对标准化遥感道路区域图像进行特征提取处理包括:
1021、对于任一标准化遥感道路区域图像,采用灰度共生矩阵对灰度信息进行统计,遍历标准化遥感道路区域图像集以获取第一灰度特征集。
上述第一灰度特征集中包含有若干种灰度信息出现的频次。
采用灰度共生矩阵方法能够通过灰度的空间相关特性来描述纹理。由于纹理是由灰度分布在空间位置上反复出现而形成的,因而在图像空间中相隔某距离的两象素之间会存在一定的灰度关系,即图像中灰度的空间相关特性。
1022、对于任一第一灰度特征,利用预设的纹理模型进行转化处理,得到该道路像元对应的纹理特征。
在本发明实施例中,上述纹理模型包括:
对第一灰度特征集中的灰度信息进行统计处理,使用灰度信息的均值、方差、均匀性、对比度、相异性、熵、能量、相关性、自相关性9种统计特征描述对应道路像元的纹理特征。
(1)均值:反映局部图像灰度变化的平均值。
其中P(i,j)表示特定位置关系下的像素对的频数。i和j为像素坐标值,M和N分别为两个维度的像素数量。
(2)方差:是局部图像的各个灰度值与其均值之差的平方和的平均数,反映了图像各灰度值之间的稳定性。
其中μ为均值,μ=MEAN。
(3)均匀性(逆差分矩):用于反映图像分布平滑度的度量。
对于元素均匀分布的区域,灰度共生矩阵的元素都集中在对角线上。其中均匀度值较小,表示纹理较细;反之均匀度的值较大,则表示纹理较粗。
(4)对比度(非相似性):用于反映图像的清晰度,也反映纹理凹槽的深度。
对比度越大,纹理的凹槽越深,效果越清晰;反之,对比度越小,则纹理的凹槽越浅,效果越模糊。
(5)相异性:和对比度的衡量类似,但是相异性对于局部特点衡量性较好,随着局部对比度增加,其相异性也随之增加。
(6)熵:表示图像内容的随机性,也反映了图像的信息量和复杂度。
若纹理复杂,熵值大,反之,若图像中灰度均匀,纹理较为简单,则熵值小。
(7)能量(角二阶矩):可用来反映图像区域内灰度分布的均匀性。
其中P(i,j)表示特定位置关系下的像素对的频数。粗纹理能量值较大,而细纹理则较小。当共生矩阵中全部P(i,j)相等时,能量值达到最小。
(8)相关性:反映了纹理的局部灰度相关性。
其中:
其中μx表示灰度共生矩阵行方向的均值;μy表示灰度共生矩阵列方向的均值;δx表示灰度共生矩阵行方向的标准差;δy表示灰度共生矩阵列方向的标准差。当矩阵的某些元素的值均匀相等时,相关值则较大。如果图像中存在水平方向的纹理,则水平方向矩阵的相关值就大于其他矩阵的相关值。
(9)自相关性:反映图像纹理的一致性,可通过公式(2.13)进行计算。
分别针对遥感道路区域图像中蓝、绿、红、近红外波段的灰度图像建立灰度共生矩阵,然后计算各波段的“均值(反映局部图像灰度变化的平均值)”、“方差(是局部图像的各个灰度值与其均值之差的平方和的平均数,反映了图像各灰度值之间的稳定性)”、“均匀性(用于反映图像分布平滑度的度量)”、“对比度(非相似性)”、“相异性(和对比度的衡量类似,但是相异性对于局部特点衡量性较好,随着局部对比度增加,其相异性也随之增加)”、“熵(表示图像内容的随机性,也反映了图像的信息量和复杂度)”、“能量(可用来反映图像区域内灰度分布的均匀性)”、“相关性(反映了纹理的局部灰度相关性)”、“自相关性(反映图像纹理的一致性)”等9类纹理特征,4个波段共计36个特征。
1023、对于任一标准化遥感道路区域图像集中的道路像元,记录其红、绿、蓝、近红外四个波段的影像像元亮度值(DN,Digital Number),并通过波段组合的方式得到该道路像元的光谱指数集。
地物光谱特征是自然界中任何地物都具有其自身的电磁辐射规律,如具有反射,吸收外来的紫外线、可见光、红外线和微波的某些波段的特性,它们又都具有发射某些红外线、微波的特性;少数地物还具有透射电磁波的特性,这种特性称为地物的光谱特性。
可选的,上述光谱指数集包括若干种类的光谱指数。
可选的,光谱指数的种类包括:比值指数、差值指数、归一化指数。
其中,差值指数、比值指数和归一化指数3个波段特征均为波段的组合特征,用于增强不同材质类型道路的光谱特征。光谱差值指数是基于近红外波段与蓝光波段的DN值之差构建;光谱比值指数是基于近红外波段与蓝光波段的DN值之比构建;光谱归一化指数是基于近红外波段与蓝光波段的DN值归一化值构建。
1024、对于任一道路像元,将若干种光谱指数与纹理特征组合形成该道路像元的光谱-纹理特征。
可选的,将光谱特征向量与纹理特征向量进行拼接,其中红、绿、蓝、近红外四个波段的影像像元亮度值作为该道路像元对应的光谱-纹理特征的1-4位,上述光谱指数为5-7位,上述36个纹理特征组成为该道路像元的纹理特征向量,作为该道路像元对应的光谱-纹理特征的8-43位。得到该道路像元的43维度的光谱-纹理特征向量。
光谱-纹理特征向量具体结构如下表1所示。
表1光谱-纹理特征向量
1025、对于任一道路像元的光谱-纹理特征向量,获取光谱-纹理特征向量中43个波段的最大值和最小值,应用极差标准化法分别计算43维度道路像元的标准化值,最后输出标准化后的像元光谱-纹理特征向量。
图像纹理是以某种规律分布的灰度组合在图像上反复出现而产生的,因此图像中间隔一定距离的像素格之间在灰度级分布上存在着空间相关性,而灰度共生矩阵则是研究图像上相邻像素格之间灰度级分布关系的矩阵。
可见,实施本发明实施例所描述的高分辨率遥感影像道路材质识别方法能够利用灰度共生矩阵,反映出图像灰度的方向、相邻间隔和变化幅度的综合信息,对灰度共生矩阵的进一步统计处理,能够充分利用灰度信息中提炼出来的空间相关性信息,更好的描述图像的纹理信息。
此外,实施本发明实施例所描述的高分辨率遥感影像道路材质识别方法,针对纹理特征向量的顺序,采取先按蓝、绿、红、近红外的波段顺序排列,再按照均值、方差、均匀性、对比度、相异性、熵、能量、相关性、自相关性的顺序排列的组合方式。按照上述的特征排列方式组成的纹理特征向量,不仅能够从多角度提取遥感道路区域图像各个波段对应灰度图像中道路像元局部区域的纹理特征,同时还能够保留道路像元的光谱特征,使得光谱信息能够被充分利用。
实施例二
本发明实施例公开的另一种高分辨率遥感影像道路材质识别方法应用于图像处理系统中,如用于高分辨率遥感影像道路材质识别的本地服务器或云端服务器等,本发明实施例不做限定。该高分辨率遥感影像道路材质识别方法可以包括以下操作:
201、获取高分辨率遥感影像信息。
本发明实施例中,上述高分辨率遥感影像信息包括若干张遥感道路区域图像。
202、对高分辨率遥感影像信息进行标准化处理,获取上述遥感道路区域图像中任一道路像元的若干波段影像像元亮度值的最大值和最小值,采用极差标准化法对任一道路像元分别计算各波段的标准化值,输出标准化遥感道路区域图像集;上述标准化遥感道路区域图像集中包括若干张标准化遥感道路区域图像;
本发明实施例中,上述若干波段可以为蓝波段、和/或、绿波段、和/或、红波段、和/或、近红外波段。
上述若干波段中的每一个波段对应一张标准化遥感道路区域图像。
203、对标准化遥感道路区域图像进行特征提取处理,获取光谱-纹理特征向量集。
本发明实施例中,道路像元集包括若干个道路像元。
本发明实施例中,一道路像元对应一光谱-纹理特征向量。
204、利用预设的道路材质识别网络模型对高分辨率遥感影像信息进行道路像元材质识别处理,得到道路像元材质信息集合。
图2是本发明实施例提供的一种高分影像道路材质识别方法的道路材质识别网络模型的结构示意图,上述道路材质识别网络模型的构建包括:
2041、构建和训练第一检测模型,第一检测模型为自编码器结构,自编码器包括一个编码模块和一个解码模块,通过编码模块将输入数据映射到特征空间形成编码数据,再通过解码模块分将特征空间的编码数据映射回输入数据空间,应用训练样本集D中的训练集进行无监督训练,以使得特征空间的编码数据最大程度逼近输入数据;
本发明实施例中,自编码器(Autoencoder,AE)是一种非监督学习数据特征的神经网络模型,以输出数据尽可能还原输入数据为训练目标,该模型使得大量的非标记训练样本数据能够被运用到模型训练中,能够解决深度学习模型存在参数过多,标记训练样本数据过少可能导致的过拟合和局部极值问题。
本实施例中将自编码器结构加入道路材质识别网络模型,能够解决现有技术中由于专业性较强,识别难度较大,导致用于训练的标记样本难以取得,数量较少的问题。
可选的,上述第一检测模型采用含8层隐藏层的编码模块和8层隐藏层的解码模块的自动编码器串联结构形成的深度自编码器(Deep Autoencoder,DAE),进行数据深层特征的提取以及数据的降维。
可选的,编码模块的8层隐藏层对应节点个数分别为:38、34、28、24、20、16、14、12。
可选的,解码模块的8层隐藏层对应节点个数分别为:14、16、20、24、28、34、38、42。
在上述编码模块中,采用了8层隐藏层,其相邻隐藏层节点数差距在6以内,以实现多层逐层小幅度降维,防止因维数下降过快而造成信息损失。同时,采取8层隐藏层结构而非更多层,则可以防止在深度学习网络的训练过程中因参数过多而导致的过拟合现象。
采用上述自动编码器深度学习网络能够通过编码部分将输入数据映射到特征空间,再利用解码部分将特征空间的编码数据映射回输入数据空间,自动寻找最优网络参数使得解码重构的数据最大程度逼近原始输入数据。
2042、构建第二检测模型,第二检测模型包括完成训练的第一检测模型的编码模块;
在本发明实施例中,完成第一检测模型的训练后,去掉第一检测模型中的解码模块,只利用训练完成后的第一检测模型的编码模块对道路像元集的光谱-纹理特征向量集进行深度特征提取,利用深度特征代替光谱-纹理特征向量的原始高维数据,实现数据的降维。
可选的,道路材质识别网络模型所包括的深度自编码网络模块为上述第二检测模型。
可选的,降维以后的深度特征为包含12个特征值的向量。
2043、构建和训练第三检测模型,上述第三检测模型包括上述第二检测模型和上述分类器模块,通过有监督训练获取上述道路材质识别网络模型,用以提高输出的上述道路像元的材质概率的准确率。
在本发明实施例中,将第二检测模型与分类器模块连接,输出道路像元的材质概率,使用带标签的数据进行有监督的训练,调整第三检测模型的网络参数。
可选的,本发明实施例采用的分类器模块为Softmax回归分类器。
通过上述第二检测模型得到道路像元特征降维以后的深度特征后(包含12个特征值的向量),输入Softmax回归分类器中,得到一个对应于该道路像元特征的长度为3的一维向量,该向量表征该道路像元属于某一类(水泥、沥青、泥土)的概率。
可选的,取其中概率最高的类别作为该道路像元的材质分类结果。
本发明实施例中,针对步骤201-步骤203的具体技术细节和技术名词解释,可以参照实施例一中针对步骤101-步骤103的详细描述,本发明实施例不再赘述。
在本发明实施例中,上述训练第三检测模型的步骤包括:
20431、采集大量高分辨率遥感影像中的遥感道路区域样本图像,通过样本图像的光谱曲线差异结合谷歌街景数据,获取样本图像中的道路材质区分结果,区分结果包括泥土路、沥青路和水泥路;根据区分结果对遥感道路区域样本图像设置类别标签,形成遥感道路区域标签图像;大量遥感道路区域标签图像组成训练样本集D。
第三检测模型的训练需要大量标记好的、准确的训练数据样本,虽然高分影像像元分辨率达1m,但普通高分影像中的道路属于小目标,且部分材质(如:水泥、沥青)之间的差异较小,同一地区影像中的同类地物相似度较高,不同地区影像中的同一类地物仍存在一定的差异,容易造成误判。
方法一:通过道路像元光谱曲线差异判断道路材质类别。
通过光谱曲线及其像元的DN(Digital Number,影像像元亮度值)值范围判断道路材质类型。其中光谱曲线以波段类型为横坐标,以像元DN值为纵坐标绘制而成。其中横坐标波段顺序依次为蓝波段,绿波段,红波段,近红外波段。
对于沥青路,其光谱曲线呈现斜率逐渐减小的下降趋势。其蓝波段的DN值范围在550-610,绿波段的DN值范围在380-410,红波段的DN值范围在290-330,近红外波段的DN值范围在220-240。相比于其他类型的道路,沥青路所有波段的DN值均为最小。
水泥路的光谱曲线呈现斜率先减小后增大的下降趋势。其蓝波段的DN值范围在750-940,绿波段的DN值范围在570-670,红波段的DN值范围在460-550,近红外波段的DN值范围在300-350。
泥土路的光谱曲线呈现斜率逐渐减小的下降趋势,或呈先下降后上升趋势2种情况。其蓝波段的DN值范围在680-770,绿波段的DN值范围在540-620,红波段的DN值范围在450-550,近红外波段的DN值范围在470-530。与水泥路相比的主要差异在于,泥土路蓝波段的平均DN值小于水泥路红波段DN值,而泥土路近红外波段的平均DN值大于水泥路近红外波段平均DN值。
方法二:遥感道路区域图像结合对应空间位置的谷歌街景图像判断道路材质类别。
可选的,在标记训练样本时,可使用方法一和/或方法二,本实施例不做限定。
20432、采用随机抽样的方法按照8∶1∶1的比例将训练样本D划分为训练集、验证集和测试集。
20433、对训练样本D中的遥感道路区域标签图像采用步骤103进行特征提取处理,获取道路像元对应的光谱-纹理特征向量,将光谱-纹理特征向量输入至第三检测模型中进行训练,得到道路材质识别网络模型。
可见,实施本发明实施例所描述的高分辨率遥感影像道路材质识别方法,通过道路像元光谱曲线差异及对应空间位置的谷歌街景图像结合遥感道路区域图像判断道路材质类别,对训练样本进行标记,能够提高样本标记的准确度,使得道路材质识别网络模型的训练更为有效,提高高分辨率遥感影像道路材质识别精度和检测效果。
实施例三
请参阅图3,图3是本发明实施例公开的一种高分辨率遥感影像道路材质识别装置的结构示意图。该装置实施例与前述方法实施例一、二对应,为便于阅读,本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述,但应当明确,本实施例中的装置能够对应实现前述方法实施例中的全部内容。其中,图3所描述的装置能够应用于图像处理系统中,如用于高分辨率遥感影像道路材质识别的本地服务器或云端服务器等,本发明实施例不做限定。
如图3所示,该装置可以包括:
301、获取模块:被配置为获取高分辨率遥感影像信息;上述高分辨率遥感影像信息包括若干张遥感道路区域图像;
302、标准化模块:被配置为对高分辨率遥感影像信息进行标准化处理,获取遥感道路区域图像中任一道路像元的若干波段影像像元亮度值的最大值和最小值,采用极差标准化法对任一道路像元分别计算各波段的标准化值,输出标准化遥感道路区域图像集;标准化遥感道路区域图像集中包括若干张标准化遥感道路区域图像;
303、特征提取模块:被配置为对标准化遥感道路区域图像进行特征提取处理,获取光谱-纹理特征向量集;一道路像元对应一光谱-纹理特征向量;
304、识别模块:被配置为利用预设的道路材质识别网络模型对高分辨率遥感影像信息进行道路像元材质识别处理,得到道路像元材质信息集合;道路材质识别网络模型包括深度自编码网络模块和回归分类器模块;深度自编码网络模块用于对标准化光谱-纹理特征向量集进行数据深层特征的提取以及数据的降维,获取道路像元特征集,道路像元特征信息集包括若干个道路像元的特征信息;回归分类器模块用于处理道路像元特征集,获得道路像元材质信息集合,道路像元材质信息集合包括若干个道路像元的材质概率。
实施例四
请参阅图4,图4是本发明实施例公开的又一种高分辨率遥感影像道路材质识别装置的结构示意图。其中,图4所描述的装置能够应用于图像处理系统中,如用于高分辨率遥感影像道路材质识别的本地服务器或云端服务器等,本发明实施例不做限定。如图4所示,该装置可以包括:
存储有可执行程序代码的存储器401;
与存储器401耦合的处理器402;
处理器402调用存储器401中存储的可执行程序代码,用于执行实施例一或实施例二所描述的高分辨率遥感影像道路材质识别方法中的步骤。
实施例五
本发明实施例公开了一种计算机读存储介质,其存储用于电子数据交换的计算机程序,其中,该计算机程序使得计算机执行实施例一或实施例二所描述的高分辨率遥感影像道路材质识别方法中的步骤。
实施例六
本发明实施例公开了一种计算机程序产品,该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,且该计算机程序可操作来使计算机执行实施例一或实施例二所描述的高分辨率遥感影像道路材质识别方法中的步骤。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
以上所描述的装置实施例仅是示意性的,其中作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施例的具体描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是:本发明实施例公开的一种光学遥感图像检测方法及装置所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各项实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (9)
1.一种高分辨率遥感影像道路材质识别方法,其特征在于,所述方法包括:
获取高分辨率遥感影像信息;所述高分辨率遥感影像信息包括若干张遥感道路区域图像;
对所述高分辨率遥感影像信息进行标准化处理,获取所述遥感道路区域图像中任一道路像元的若干波段影像像元亮度值的最大值和最小值,采用极差标准化法对任一道路像元分别计算各波段的标准化值,输出标准化遥感道路区域图像集;所述标准化遥感道路区域图像集中包括若干张标准化遥感道路区域图像;
对所述标准化遥感道路区域图像进行特征提取处理,获取光谱-纹理特征向量集;一所述道路像元对应一光谱-纹理特征向量;
利用预设的道路材质识别网络模型对所述高分辨率遥感影像信息进行道路像元材质识别处理,得到道路像元材质信息集合;所述道路材质识别网络模型包括深度自编码网络模块和回归分类器模块;所述深度自编码网络模块用于对所述标准化光谱-纹理特征向量集进行数据深层特征的提取以及数据的降维,获取道路像元特征集,所述道路像元特征信息集包括若干个道路像元的特征信息;所述回归分类器模块用于处理所述道路像元特征集,获得所述道路像元材质信息集合,所述道路像元材质信息集合包括若干个道路像元的材质概率。
2.根据权利要求1所述的高分辨率遥感影像道路材质识别方法,其特征在于,对所述标准化遥感道路区域图像进行特征提取处理包括:
采用灰度共生矩阵对所述标准化遥感道路区域图像集中的灰度信息进行统计,获取第一灰度特征集;所述第一灰度特征集中包含有若干种灰度信息出现的频次;
对于任一第一灰度特征,利用预设的纹理模型进行转化处理,得到该道路像元对应的纹理特征向量;
对于任一标准化遥感道路区域图像集中的道路像元,记录其红、绿、蓝、近红外四个波段的影像像元亮度值,并通过波段组合的方式得到该所述道路像元的光谱指数集;所述光谱指数集包括若干种类的光谱指数;
对于任一道路像元,将光谱指数集与纹理特征向量组合形成该道路像元的光谱-纹理特征。
3.根据权利要求2所述的高分辨率遥感影像道路材质识别方法,其特征在于,所述纹理模型包括:
对所述第一灰度特征集进行统计处理,使用均值、方差、均匀性、对比度、相异性、熵、能量、相关性、自相关性9种统计特征描述道路像元的纹理特征。
4.根据权利要求2所述的高分辨率遥感影像道路材质识别方法,其特征在于,所述若干种类的光谱指数包括:比值指数、差值指数、归一化指数。
5.根据权利要求1所述的高分辨率遥感影像道路材质识别方法,其特征在于,所述道路材质识别网络模型的构建包括:
构建和训练第一检测模型,所述第一检测模型为自编码器结构,所述多个自编码器包括一个编码模块和一个解码模块,通过所述编码模块将输入数据映射到特征空间形成编码数据,再通过所述解码模块将特征空间的编码数据映射回输入数据空间,通过无监督训练以使得所述特征空间的编码数据最大程度逼近所述输入数据;
构建第二检测模型,所述第二检测模型包括完成训练的所述第一检测模型的编码模块;
构建和训练第三检测模型,所述第三检测模型包括所述第二检测模型和所述分类器模块,通过有监督训练获取所述道路材质识别网络模型,用以提高输出的所述道路像元的材质概率的准确率。
6.根据权利要求5所述的高分辨率遥感影像道路材质识别方法,其特征在于,所述训练第三检测模型的步骤包括:
采集大量高分辨率遥感影像中的遥感道路区域样本图像,通过样本图像的光谱曲线差异结合谷歌街景数据,获取样本图像中的道路材质区分结果,区分结果包括泥土材质、沥青材质和水泥材质;根据区分结果对遥感道路区域样本图像设置类别标签,形成遥感道路区域标签图像;大量遥感道路区域标签图像组成训练样本集D;
采用随机抽样的方法将训练样本D划分为训练集、验证集和测试集;
对训练样本D中的遥感道路区域标签图像进行所述特征提取处理,获取道路像元对应的光谱-纹理特征向量,将所述光谱-纹理特征向量输入至所述第三检测模型中进行训练,得到道路材质识别网络模型。
7.一种高分辨率遥感影像道路材质识别装置,其特征在于,所述装置包括:
获取模块:被配置为获取高分辨率遥感影像信息;所述高分辨率遥感影像信息包括若干张遥感道路区域图像;
标准化模块:被配置为对所述高分辨率遥感影像信息进行标准化处理,获取所述遥感道路区域图像中任一道路像元的若干波段影像像元亮度值的最大值和最小值,采用极差标准化法对任一道路像元分别计算各波段的标准化值,输出标准化遥感道路区域图像集;所述标准化遥感道路区域图像集中包括若干张标准化遥感道路区域图像;
特征提取模块:被配置为对所述标准化遥感道路区域图像进行特征提取处理,获取光谱-纹理特征向量集;一所述道路像元对应一光谱-纹理特征向量;
识别模块:被配置为利用预设的道路材质识别网络模型对所述高分辨率遥感影像信息进行道路像元材质识别处理,得到道路像元材质信息集合;所述道路材质识别网络模型包括深度自编码网络模块和回归分类器模块;所述深度自编码网络模块用于对所述标准化光谱-纹理特征向量集进行数据深层特征的提取以及数据的降维,获取道路像元特征集,所述道路像元特征信息集包括若干个道路像元的特征信息;所述回归分类器模块用于处理所述道路像元特征集,获得所述道路像元材质信息集合,所述道路像元材质信息集合包括若干个道路像元的材质概率。
8.一种高分辨率遥感影像道路材质识别装置,其特征在于,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如权利要求1-7任一项所述的高分辨率遥感影像道路材质识别方法。
9.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行如权利要求1-7任一项所述的高分辨率遥感影像道路材质识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210531999.7A CN114821333B (zh) | 2022-05-16 | 2022-05-16 | 一种高分辨率遥感影像道路材质识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210531999.7A CN114821333B (zh) | 2022-05-16 | 2022-05-16 | 一种高分辨率遥感影像道路材质识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114821333A true CN114821333A (zh) | 2022-07-29 |
CN114821333B CN114821333B (zh) | 2022-11-18 |
Family
ID=82515797
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210531999.7A Active CN114821333B (zh) | 2022-05-16 | 2022-05-16 | 一种高分辨率遥感影像道路材质识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114821333B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116310734A (zh) * | 2023-04-25 | 2023-06-23 | 慧铁科技有限公司 | 基于深度学习的铁路货车走行部的故障检测方法及系统 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708354A (zh) * | 2011-12-31 | 2012-10-03 | 中国科学院遥感应用研究所 | 一种高尔夫球场的识别方法 |
WO2013110072A1 (en) * | 2012-01-20 | 2013-07-25 | University Of Alaska | Surface feature detection by radiation analysis |
US9898846B1 (en) * | 2016-08-11 | 2018-02-20 | Noa, Inc. | Method and apparatus for traffic condition diagram generation |
CN109190481A (zh) * | 2018-08-06 | 2019-01-11 | 中国交通通信信息中心 | 一种遥感影像道路材质提取方法和系统 |
EP3614308A1 (en) * | 2018-08-24 | 2020-02-26 | Ordnance Survey Limited | Joint deep learning for land cover and land use classification |
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 |
CN111274968A (zh) * | 2020-01-20 | 2020-06-12 | 广州市城市规划自动化中心 | 面向对象的道路信息提取方法、装置及电子设备 |
CN111783686A (zh) * | 2020-07-03 | 2020-10-16 | 中国交通通信信息中心 | 一种沥青路面健康状态监测系统和方法 |
CN111814771A (zh) * | 2020-09-04 | 2020-10-23 | 支付宝(杭州)信息技术有限公司 | 图像处理的方法及装置 |
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 |
CN113159044A (zh) * | 2021-04-01 | 2021-07-23 | 中国公路工程咨询集团有限公司 | 一种基于深度学习的卷积神经网络的道路材质识别方法 |
CN113627331A (zh) * | 2021-08-10 | 2021-11-09 | 苏州琛百软件科技有限公司 | 一种基于扩展道路形状指数的高分辨率影像道路提取方法 |
CN113936204A (zh) * | 2021-11-22 | 2022-01-14 | 安徽师范大学 | 融合地形数据与深度神经网络的高分辨率遥感影像云雪识别方法及装置 |
CN114112906A (zh) * | 2021-10-12 | 2022-03-01 | 中通服咨询设计研究院有限公司 | 一种基于无人机低空遥感和局部地形的水体特征提取系统 |
CN114494897A (zh) * | 2021-12-23 | 2022-05-13 | 中国矿业大学 | 一种融合斑块形状指数的高分辨率遥感影像道路提取方法 |
-
2022
- 2022-05-16 CN CN202210531999.7A patent/CN114821333B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708354A (zh) * | 2011-12-31 | 2012-10-03 | 中国科学院遥感应用研究所 | 一种高尔夫球场的识别方法 |
WO2013110072A1 (en) * | 2012-01-20 | 2013-07-25 | University Of Alaska | Surface feature detection by radiation analysis |
US9898846B1 (en) * | 2016-08-11 | 2018-02-20 | Noa, Inc. | Method and apparatus for traffic condition diagram generation |
CN109190481A (zh) * | 2018-08-06 | 2019-01-11 | 中国交通通信信息中心 | 一种遥感影像道路材质提取方法和系统 |
EP3614308A1 (en) * | 2018-08-24 | 2020-02-26 | Ordnance Survey Limited | Joint deep learning for land cover and land use classification |
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 |
CN111274968A (zh) * | 2020-01-20 | 2020-06-12 | 广州市城市规划自动化中心 | 面向对象的道路信息提取方法、装置及电子设备 |
CN111783686A (zh) * | 2020-07-03 | 2020-10-16 | 中国交通通信信息中心 | 一种沥青路面健康状态监测系统和方法 |
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 |
CN111814771A (zh) * | 2020-09-04 | 2020-10-23 | 支付宝(杭州)信息技术有限公司 | 图像处理的方法及装置 |
CN113159044A (zh) * | 2021-04-01 | 2021-07-23 | 中国公路工程咨询集团有限公司 | 一种基于深度学习的卷积神经网络的道路材质识别方法 |
CN113627331A (zh) * | 2021-08-10 | 2021-11-09 | 苏州琛百软件科技有限公司 | 一种基于扩展道路形状指数的高分辨率影像道路提取方法 |
CN114112906A (zh) * | 2021-10-12 | 2022-03-01 | 中通服咨询设计研究院有限公司 | 一种基于无人机低空遥感和局部地形的水体特征提取系统 |
CN113936204A (zh) * | 2021-11-22 | 2022-01-14 | 安徽师范大学 | 融合地形数据与深度神经网络的高分辨率遥感影像云雪识别方法及装置 |
CN114494897A (zh) * | 2021-12-23 | 2022-05-13 | 中国矿业大学 | 一种融合斑块形状指数的高分辨率遥感影像道路提取方法 |
Non-Patent Citations (4)
Title |
---|
姚国红等: "面向对象的高分辨率遥感影像地理要素提取", 《测绘科学》 * |
朱江等: "基于深度神经网络的高光谱遥感影像分类方法研究", 《装备学院学报》 * |
王威等: "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》 * |
胡华龙等: "结合Gabor纹理与几何特征的高分辨率遥感影像城区道路提取方法", 《测绘科学技术学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116310734A (zh) * | 2023-04-25 | 2023-06-23 | 慧铁科技有限公司 | 基于深度学习的铁路货车走行部的故障检测方法及系统 |
CN116310734B (zh) * | 2023-04-25 | 2023-12-15 | 慧铁科技股份有限公司 | 基于深度学习的铁路货车走行部的故障检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114821333B (zh) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110321963B (zh) | 基于融合多尺度多维空谱特征的高光谱图像分类方法 | |
CN109871902B (zh) | 一种基于超分辨率对抗生成级联网络的sar小样本识别方法 | |
CN108154094B (zh) | 基于子区间划分的高光谱图像非监督波段选择方法 | |
CN108229551B (zh) | 一种基于紧凑字典稀疏表示的高光谱遥感图像分类方法 | |
CN108460400B (zh) | 一种结合多种特征信息的高光谱图像分类方法 | |
Deng et al. | Cloud detection in satellite images based on natural scene statistics and gabor features | |
Xiao et al. | Pavement crack detection with hybrid-window attentive vision transformers | |
CN110689060B (zh) | 一种基于聚合特征差异学习网络的异源图像匹配方法 | |
CN114821333B (zh) | 一种高分辨率遥感影像道路材质识别方法及装置 | |
Jiang et al. | Hyperspectral image classification with CapsNet and Markov random fields | |
Sebai et al. | Dual-tree complex wavelet transform applied on color descriptors for remote-sensed images retrieval | |
CN110766708B (zh) | 基于轮廓相似度的图像比较方法 | |
Wang et al. | Scale‐invariant feature matching based on pairs of feature points | |
CN104820992A (zh) | 一种基于超图模型的遥感图像语义相似性度量方法及装置 | |
CN116188956A (zh) | 一种深度伪造人脸图像检测的方法及相关设备 | |
Devesh et al. | Retrieval of monuments images through ACO optimization approach | |
Rohith et al. | Super-resolution decision-making tool using deep convolution neural networks for panchromatic images | |
CN114626459A (zh) | 使用粒子群优化多核支持向量机的高光谱图像空谱联合分类方法及系统 | |
CN108984601B (zh) | 一种基于概率直方图面积相似度的图像检索方法及系统 | |
Ko et al. | Adaptive growing and merging algorithm for image segmentation | |
CN116309581B (zh) | 一种微光成像单元的成像评价方法、系统及存储介质 | |
Lv et al. | Region of interest extraction based on saliency detection and contrast analysis for remote sensing images | |
CN116188830B (zh) | 基于多层级特征对齐的高光谱图像跨域分类方法 | |
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 | |
CN117853931B (zh) | 基于最近邻距离的高光谱图像孤立异常检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |