CN115423829A - 一种单波段遥感影像水体快速提取方法及系统 - Google Patents
一种单波段遥感影像水体快速提取方法及系统 Download PDFInfo
- Publication number
- CN115423829A CN115423829A CN202211049378.1A CN202211049378A CN115423829A CN 115423829 A CN115423829 A CN 115423829A CN 202211049378 A CN202211049378 A CN 202211049378A CN 115423829 A CN115423829 A CN 115423829A
- Authority
- CN
- China
- Prior art keywords
- water body
- image
- remote sensing
- extraction result
- sensing image
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 158
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000000605 extraction Methods 0.000 claims abstract description 90
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 13
- 210000000746 body region Anatomy 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 18
- 238000013135 deep learning Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 2
- 238000013136 deep learning model Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 238000002372 labelling Methods 0.000 description 4
- 238000003809 water extraction Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000282840 Vicugna vicugna Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种单波段遥感影像水体快速提取方法及系统，获取单波段遥感影像数据；基于训练得到的卷积神经网络FCN模型对单波段遥感影像中的水体区域进行提取得到第一影像水体提取结果；基于区域生长法对单波段遥感影像中的水体区域进行提取得到第二影像水体提取结果；结合第一影像水体提取结果和第一影像水体提取结果得到最终影像水体提取结果。本发明通过结合两种算法，修正了区域生长法提取的斑点问题以及深度学习模型提取的边界范围误差问题，提高了对单波段遥感影像中水体细节的刻画，实现了更优的水体提取效果。
Description
技术领域
本发明涉及遥感技术领域，具体涉及一种单波段遥感影像水体快速提取方法及系统。
背景技术
河湖水体是水资源的重要组成部分，对全球气候变化响应极为敏感，具有调节气候、维持生态平衡、灌溉、防洪等多重功能，利用遥感技术分析河湖水体时空分布特征对水资源监测和洪涝灾害防治具有重要意义，基于卫星遥感数据快速获取水体边界、面积等参数是水体监测的有效手段之一。目前，水体提取较为常用的算法主要有水体指数、谱间关系、监督分类和机器学习等，上述方法主要适用于多波段遥感影像信息提取，无法应用于单波段遥感影像信息提取。同时目视解译难以实现大范围水体的快速提取。
发明内容
为此，本发明提供一种单波段遥感影像水体快速提取方法及系统，以解决现有各类水体提取算法主要适用于多波段影像信息提取，对单波段黑白影像不具有普适性，且目视解译难以实现大范围水体的快速提取的问题。
为了实现上述目的，本发明提供如下技术方案：
根据本发明实施例的第一方面，提出了一种单波段遥感影像水体快速提取方法，所述方法包括：
获取单波段遥感影像数据；
基于训练得到的卷积神经网络FCN模型对单波段遥感影像中的水体区域进行提取得到第一影像水体提取结果；
基于区域生长法对单波段遥感影像中的水体区域进行提取得到第二影像水体提取结果；
结合第一影像水体提取结果和第一影像水体提取结果得到最终影像水体提取结果。
进一步地，所述方法还包括：
对数据进行预处理，具体包括对原始影像多余部分进行裁剪以及对原始影像进行几何精校正。
进一步地，所述方法还包括：
构建遥感水体深度学习样本库，并划分训练集和测试集；
使用所述训练集对构建的卷积神经网络FCN模型进行训练，并使用所述测试集对模型进行测试。
进一步地，所述方法还包括：
对单波段影像中的水体进行标注并保存，基于单波段影像文件和标注文件构建深度学习样本库；所述深度学习样本库中样本包含多种形态样本水体特征，包括面状、长条状等。
进一步地，基于训练得到的卷积神经网络FCN模型对单波段遥感影像中的水体区域进行提取得到第一影像水体提取结果，具体包括：
将FCN模型输出的影像水体分类预测结果存储为TIF格式；
将像元值大于0的部分存储为水体，像元值设置为1，其余部分存储为非水体，像元值设置为0；
将水体部分转换为矢量，剔除周边细小支流的水体，获得第一影像水体提取结果。
进一步地，基于区域生长法对单波段遥感影像中的水体区域进行提取得到第二影像水体提取结果，具体包括：
在影像的水体反射均匀区域内选取种子点，以每组种子点作为生长的起点，选取合适的阈值，在种子点周围像素内搜寻与种子点相似光谱特征和纹理特征的像素点，并持续向外生长，直至没有相似相邻的像素点为止；最后将以所有种子点提取的水体区域合并为一个整体，并保存为矢量，得到第二影像水体提取结果。
进一步地，结合第一影像水体提取结果和第一影像水体提取结果得到最终影像水体提取结果，具体包括：
对两个矢量结果进行交集取反操作，将交集取反得到的矢量分成两部分，一部分为深度学习算法提取精度不高，对应包括支流的区域，对该部分矢量进行联合操作以修正卷积神经网络提取结果边界范围，其余的部分进行擦除操作，最终得到两种算法的合并提取结果，最后对提取结果进行简单的人工修正。
根据本发明实施例的第二方面，提出了一种单波段遥感影像水体快速提取系统，所述系统包括：
数据获取模块，用于获取单波段遥感影像数据；
第一影像水体提取结果获取模块，用于基于训练得到的卷积神经网络FCN模型对单波段遥感影像中的水体区域进行提取得到第一影像水体提取结果；
第二影像水体提取结果获取模块，用于基于区域生长法对单波段遥感影像中的水体区域进行提取得到第二影像水体提取结果；
提取结果合并模块，用于结合第一影像水体提取结果和第一影像水体提取结果得到最终影像水体提取结果。
根据本发明实施例的第三方面，提出了一种电子设备，包括：处理器和存储器；
所述存储器用于存储一个或多个程序指令；
所述处理器，用于运行一个或多个程序指令，用以执行如上任一项所述的方法。
根据本发明实施例的第四方面，提出了一种计算机存储介质，所述计算机存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于被一种单波段遥感影像水体快速提取系统执行如上任一项所述的方法。
本发明具有如下优点：
本发明提出的一种单波段遥感影像水体快速提取方法及系统，深度学习模型具有“自学习”特性，在单波段遥感影像信息提取问题上具有较强的适应性，但水体边界提取范围有少许误差。区域生长法通过选取种子点和阈值，可快速提取连片的水体，但该方法在浅滩位置出现斑驳点。本发明通过结合两种算法，修正了区域生长法提取的斑点问题以及深度学习模型提取的边界范围误差问题，提高了对单波段遥感影像中水体细节的刻画，实现了更优的水体提取效果。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式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示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例1提供的一种单波段遥感影像水体快速提取方法的流程示意图；
图2为本发明实施例1提供的一种单波段遥感影像水体快速提取方法的具体实施例流程示意图；
图3为本发明实施例1提供的一种单波段遥感影像水体快速提取方法中研究区域图像；
图4为本发明实施例1提供的一种单波段遥感影像水体快速提取方法中不同形态样本图；
图5为本发明实施例1提供的一种单波段遥感影像水体快速提取方法中第一影像水体提取结果；
图6为本发明实施例1提供的一种单波段遥感影像水体快速提取方法中第二影像水体提取结果；
图7为本发明实施例1提供的一种单波段遥感影像水体快速提取方法中最终影像水体提取结果。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，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。
实施例1
如图1所示，本实施例提出了一种单波段遥感影像水体快速提取方法，所述方法包括：
S100、获取单波段遥感影像数据；
S200、基于训练得到的卷积神经网络FCN模型对单波段遥感影像中的水体区域进行提取得到第一影像水体提取结果；
S300、基于区域生长法对单波段遥感影像中的水体区域进行提取得到第二影像水体提取结果；
S400、结合第一影像水体提取结果和第一影像水体提取结果得到最终影像水体提取结果。
具体实施内容如下，如图2所示：
本实施例基于CORONA单波段遥感影像，采用深度学习算法结合区域生长法提取骆马湖水面面积。
1、数据预处理
CORONA影像属于单波段黑白摄影影像，没有坐标和投影信息，原始影像存在畸变，故需要进行校正。首先选择CGCS2000坐标系对原始影像进行投影，并以骆马湖为研究区，裁剪影像中多余的部分；使用ArcGIS软件，以高分辨率的GF卫星影像为基准，通过详细比对，选取多个明显不变的地物点作为地面标准控制点对原始影像进行几何精校正。
2、遥感水体样本生成
如图3所示，骆马湖位于江苏省北部，跨宿迁和徐州两市，属淮河下游沂、沭、泗水系，周边河网密布，有沂河、大运河、新沂河等河流，具有地表水体常见的存在形式，因此以骆马湖为研究区能提取多种不同水体的形态特征。
考虑到深度学习模型需要对不同形态样本水体特征进行正确学习，选取骆马湖的影像包含面状、长条状等多种形态的特征，如图4所示，满足深度学习样本库的构建。
3、FCN模型构建和结果预测
步骤1：数据预处理和输入准备
基于python下的labelme软件，读取裁剪后单波段影像数据，对影像中水体部分进行标注，同时命名为water，待所有水体标注完成之后，将标注文件保存为json格式，与影像文件名相同；
步骤2：模型训练和结果预测
同时输入所有影像文件和标注文件，调整图像尺寸，将影像和标注切分为合适的大小输入，按照4:1将所有数据分为训练集和验证集，设计九层卷积神经网络模型，输出测试精度并预测影像水体分类结果。
步骤3:水体矢量获取
将影像预测结果存储为.tif，投影坐标系设置为CGCS2000坐标系；在arcmap中打开，利用ArcToolBox-Spatial Analyst Tools-Map Algebra-Raster Calculator，将像元值大于0的部分存储为水体，像元值设置为1，其余部分存储为非水体，像元值设置为0。
最后利用Conversion Tools-From Raster-Raster to Polygon工具将水体部分转换为矢量，剔除周边细小支流的水体，获得FCN模型最终水体提取结果，如图5所示。
4、利用区域生长法提取水体
输入单波段遥感影像，在水体反射均匀区域内选取种子点，以每组种子点作为生长的起点，选取合适的阈值，在种子点周围像素内搜寻与种子点相似光谱特征和纹理特征的像素点，并持续向外生长，直至没有相似相邻的像素点为止；最后将以所有种子点提取的水体区域合并为一个整体，并保存为矢量，得到最终区域生长法水体提取结果，如图6所示。
5、两种算法提取结果合并
在arcgis中，首先对两个矢量进行交集取反操作，将提取出的矢量分成两部分，对两个矢量结果进行交集取反操作，将交集取反得到的矢量分成两部分，一部分为深度学习算法提取精度不高，对应骆马湖支流，对该部分矢量进行联合操作以修正卷积神经网络提取结果边界范围，其余的部分进行擦除操作，最终得到两种算法的合并提取结果如图7所示；，最后对提取结果进行简单的人工修正，通过此方法实现了单波段遥感影像中水体细节的刻画和提取，实现了更优的水体提取效果。
实施例2
与上述实施例1相对应的，本实施例提出了一种单波段遥感影像水体快速提取系统，所述系统包括：
数据获取模块，用于获取单波段遥感影像数据；
第一影像水体提取结果获取模块，用于基于训练得到的卷积神经网络FCN模型对单波段遥感影像中的水体区域进行提取得到第一影像水体提取结果；
第二影像水体提取结果获取模块，用于基于区域生长法对单波段遥感影像中的水体区域进行提取得到第二影像水体提取结果；
提取结果合并模块，用于结合第一影像水体提取结果和第一影像水体提取结果得到最终影像水体提取结果。
本发明实施例提供的一种单波段遥感影像水体快速提取系统中各部件所执行的功能均已在上述实施例1中做了详细介绍，因此这里不做过多赘述。
实施例3
与上述实施例相对应的，本实施例提出了一种电子设备，包括：处理器和存储器；
所述存储器用于存储一个或多个程序指令；
所述处理器，用于运行一个或多个程序指令，用以执行如上实施例1所述的方法。
实施例4
与上述实施例相对应的，本实施例提出了一种计算机存储介质，计算机存储介质中包含一个或多个程序指令，一个或多个程序指令用于被一种单波段遥感影像水体快速提取系统执行如实施例1的方法。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
Claims (10)
1.一种单波段遥感影像水体快速提取方法，其特征在于，所述方法包括：
获取单波段遥感影像数据；
基于训练得到的卷积神经网络FCN模型对单波段遥感影像中的水体区域进行提取得到第一影像水体提取结果；
基于区域生长法对单波段遥感影像中的水体区域进行提取得到第二影像水体提取结果；
结合第一影像水体提取结果和第一影像水体提取结果得到最终影像水体提取结果。
2.根据权利要求1所述的一种单波段遥感影像水体快速提取方法，其特征在于，所述方法还包括：
对数据进行预处理，具体包括对原始影像多余部分进行裁剪以及对原始影像进行几何精校正。
3.根据权利要求1所述的一种单波段遥感影像水体快速提取方法，其特征在于，所述方法还包括：
构建遥感水体深度学习样本库，并划分训练集和测试集；
使用所述训练集对构建的卷积神经网络FCN模型进行训练，并使用所述测试集对模型进行测试。
4.根据权利要求1所述的一种单波段遥感影像水体快速提取方法，其特征在于，所述方法还包括：
对单波段影像中的水体进行标注并保存，基于单波段影像文件和标注文件构建深度学习样本库；所述深度学习样本库中样本包含多种形态样本水体特征，包括面状、长条状等。
5.根据权利要求1所述的一种单波段遥感影像水体快速提取方法，其特征在于，基于训练得到的卷积神经网络FCN模型对单波段遥感影像中的水体区域进行提取得到第一影像水体提取结果，具体包括：
将FCN模型输出的影像水体分类预测结果存储为TIF格式；
将像元值大于0的部分存储为水体，像元值设置为1，其余部分存储为非水体，像元值设置为0；
将水体部分转换为矢量，剔除周边细小支流的水体，获得第一影像水体提取结果。
6.根据权利要求1所述的一种单波段遥感影像水体快速提取方法，其特征在于，基于区域生长法对单波段遥感影像中的水体区域进行提取得到第二影像水体提取结果，具体包括：
在影像的水体反射均匀区域内选取种子点，以每组种子点作为生长的起点，选取合适的阈值，在种子点周围像素内搜寻与种子点相似光谱特征和纹理特征的像素点，并持续向外生长，直至没有相似相邻的像素点为止；最后将以所有种子点提取的水体区域合并为一个整体，并保存为矢量，得到第二影像水体提取结果。
7.根据权利要求1所述的一种单波段遥感影像水体快速提取方法，其特征在于，结合第一影像水体提取结果和第一影像水体提取结果得到最终影像水体提取结果，具体包括：
对两个矢量结果进行交集取反操作，将交集取反得到的矢量分成两部分，一部分为深度学习算法提取精度不高，对应包括支流的区域，对该部分矢量进行联合操作以修正卷积神经网络提取结果边界范围，其余的部分进行擦除操作，最终得到两种算法的合并提取结果，最后对提取结果进行简单的人工修正。
8.一种单波段遥感影像水体快速提取系统，其特征在于，所述系统包括：
数据获取模块，用于获取单波段遥感影像数据；
第一影像水体提取结果获取模块，用于基于训练得到的卷积神经网络FCN模型对单波段遥感影像中的水体区域进行提取得到第一影像水体提取结果；
第二影像水体提取结果获取模块，用于基于区域生长法对单波段遥感影像中的水体区域进行提取得到第二影像水体提取结果；
提取结果合并模块，用于结合第一影像水体提取结果和第一影像水体提取结果得到最终影像水体提取结果。
9.一种电子设备，其特征在于，包括：处理器和存储器；
所述存储器用于存储一个或多个程序指令；
所述处理器，用于运行一个或多个程序指令，用以执行如权利要求1-7任一项所述的方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于被一种单波段遥感影像水体快速提取系统执行如权利要求1-7任一项所述的方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2022109098141 | 2022-07-29 | ||
| CN202210909814 | 2022-07-29 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115423829A true CN115423829A (zh) | 2022-12-02 |
| CN115423829B CN115423829B (zh) | 2024-03-01 |
Family
ID=84199843
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211049378.1A Active CN115423829B (zh) | 2022-07-29 | 2022-08-30 | 一种单波段遥感影像水体快速提取方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115423829B (zh) |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107247927A (zh) * | 2017-05-23 | 2017-10-13 | 浙江海洋大学 | 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 |
| CN108564587A (zh) * | 2018-03-07 | 2018-09-21 | 浙江大学 | 一种基于全卷积神经网络的大范围遥感影像语义分割方法 |
| WO2018214195A1 (zh) * | 2017-05-25 | 2018-11-29 | 中国矿业大学 | 一种基于卷积神经网络的遥感图像桥梁检测方法 |
| CN109934095A (zh) * | 2019-01-22 | 2019-06-25 | 中交信息技术国家工程实验室有限公司 | 一种基于深度学习的遥感图像水体提取方法及系统 |
| US20200026953A1 (en) * | 2018-07-23 | 2020-01-23 | Wuhan University | Method and system of extraction of impervious surface of remote sensing image |
| WO2020046213A1 (en) * | 2018-08-31 | 2020-03-05 | Agency For Science, Technology And Research | A method and apparatus for training a neural network to identify cracks |
| WO2020164270A1 (zh) * | 2019-02-15 | 2020-08-20 | 平安科技（深圳）有限公司 | 基于深度学习的行人检测方法、系统、装置及存储介质 |
| CN111767801A (zh) * | 2020-06-03 | 2020-10-13 | 中国地质大学（武汉） | 一种基于深度学习的遥感影像水域自动提取方法及系统 |
| CN111931709A (zh) * | 2020-09-17 | 2020-11-13 | 航天宏图信息技术股份有限公司 | 遥感影像的水体提取方法、装置、电子设备及存储介质 |
| CN112800851A (zh) * | 2020-12-31 | 2021-05-14 | 浙江省测绘科学技术研究院 | 基于全卷积神经元网络的水体轮廓自动提取方法及系统 |
| US20210166020A1 (en) * | 2019-06-25 | 2021-06-03 | Southeast University | Method and apparatus for extracting mountain landscape buildings based on high-resolution remote sensing images |
| CN113033390A (zh) * | 2021-03-23 | 2021-06-25 | 中国科学院空天信息创新研究院 | 一种基于深度学习的大坝遥感智能检测方法 |
| CN113516135A (zh) * | 2021-06-23 | 2021-10-19 | 江苏师范大学 | 一种基于深度学习的遥感影像建筑物提取及轮廓优化方法 |
| US20210358132A1 (en) * | 2018-06-29 | 2021-11-18 | Boe Technology Group Co., Ltd. | Method and apparatus for extracting edge of object in depth image and computer readable storage medium |
| CN113989677A (zh) * | 2021-11-11 | 2022-01-28 | 云南大学 | 一种山区河流提取方法及系统 |
| CN114119642A (zh) * | 2021-10-18 | 2022-03-01 | 中国科学院空天信息创新研究院 | 洪涝灾害水体提取方法及装置、设备和存储介质 |
| WO2022052367A1 (zh) * | 2020-09-10 | 2022-03-17 | 中国科学院深圳先进技术研究院 | 一种用于遥感图像分类的神经网络优化方法、终端以及存储介质 |
| CN114266795A (zh) * | 2021-09-15 | 2022-04-01 | 海南大学 | 一种基于金字塔池化u型网络的遥感图像海陆分割方法 |
-
2022
- 2022-08-30 CN CN202211049378.1A patent/CN115423829B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107247927A (zh) * | 2017-05-23 | 2017-10-13 | 浙江海洋大学 | 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 |
| WO2018214195A1 (zh) * | 2017-05-25 | 2018-11-29 | 中国矿业大学 | 一种基于卷积神经网络的遥感图像桥梁检测方法 |
| CN108564587A (zh) * | 2018-03-07 | 2018-09-21 | 浙江大学 | 一种基于全卷积神经网络的大范围遥感影像语义分割方法 |
| US20210358132A1 (en) * | 2018-06-29 | 2021-11-18 | Boe Technology Group Co., Ltd. | Method and apparatus for extracting edge of object in depth image and computer readable storage medium |
| US20200026953A1 (en) * | 2018-07-23 | 2020-01-23 | Wuhan University | Method and system of extraction of impervious surface of remote sensing image |
| WO2020046213A1 (en) * | 2018-08-31 | 2020-03-05 | Agency For Science, Technology And Research | A method and apparatus for training a neural network to identify cracks |
| CN109934095A (zh) * | 2019-01-22 | 2019-06-25 | 中交信息技术国家工程实验室有限公司 | 一种基于深度学习的遥感图像水体提取方法及系统 |
| WO2020164270A1 (zh) * | 2019-02-15 | 2020-08-20 | 平安科技（深圳）有限公司 | 基于深度学习的行人检测方法、系统、装置及存储介质 |
| US20210166020A1 (en) * | 2019-06-25 | 2021-06-03 | Southeast University | Method and apparatus for extracting mountain landscape buildings based on high-resolution remote sensing images |
| CN111767801A (zh) * | 2020-06-03 | 2020-10-13 | 中国地质大学（武汉） | 一种基于深度学习的遥感影像水域自动提取方法及系统 |
| WO2022052367A1 (zh) * | 2020-09-10 | 2022-03-17 | 中国科学院深圳先进技术研究院 | 一种用于遥感图像分类的神经网络优化方法、终端以及存储介质 |
| CN111931709A (zh) * | 2020-09-17 | 2020-11-13 | 航天宏图信息技术股份有限公司 | 遥感影像的水体提取方法、装置、电子设备及存储介质 |
| CN112800851A (zh) * | 2020-12-31 | 2021-05-14 | 浙江省测绘科学技术研究院 | 基于全卷积神经元网络的水体轮廓自动提取方法及系统 |
| CN113033390A (zh) * | 2021-03-23 | 2021-06-25 | 中国科学院空天信息创新研究院 | 一种基于深度学习的大坝遥感智能检测方法 |
| CN113516135A (zh) * | 2021-06-23 | 2021-10-19 | 江苏师范大学 | 一种基于深度学习的遥感影像建筑物提取及轮廓优化方法 |
| CN114266795A (zh) * | 2021-09-15 | 2022-04-01 | 海南大学 | 一种基于金字塔池化u型网络的遥感图像海陆分割方法 |
| CN114119642A (zh) * | 2021-10-18 | 2022-03-01 | 中国科学院空天信息创新研究院 | 洪涝灾害水体提取方法及装置、设备和存储介质 |
| CN113989677A (zh) * | 2021-11-11 | 2022-01-28 | 云南大学 | 一种山区河流提取方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| 李修霞等: "参考1维光谱差异的区域生长种子点选取方法", 中国图像图形学报, vol. 21, no. 9, pages 1256 - 1264 * |
| 杜敬;: "基于深度学习的无人机遥感影像水体识别", 江西科学, vol. 35, no. 01, 28 February 2017 (2017-02-28), pages 158 - 170 * |
| 郑泰皓等: "基于深度学习的高分六号影像自动提取", 科学技术与工程, vol. 21, no. 4, pages 1459 - 1470 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115423829B (zh) | 2024-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108596248B (zh) | 一种基于改进深度卷积神经网络的遥感影像分类方法 | |
| US11521379B1 (en) | Method for flood disaster monitoring and disaster analysis based on vision transformer | |
| CN106295613A (zh) | 一种无人机目标定位方法及系统 | |
| CN112508079B (zh) | 海洋锋面的精细化识别方法、系统、设备、终端及应用 | |
| CN111008664B (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
| CN116994140A (zh) | 基于遥感影像的耕地提取方法、装置、设备和介质 | |
| CN113486975A (zh) | 遥感图像的地物分类方法、装置、设备及存储介质 | |
| CN111178438A (zh) | 一种基于ResNet101的天气类型识别方法 | |
| CN115546656A (zh) | 一种基于深度学习的遥感影像养殖区域提取方法 | |
| CN113239736A (zh) | 一种基于多源遥感数据的土地覆盖分类标注图获取方法、存储介质及系统 | |
| CN112800851B (zh) | 基于全卷积神经元网络的水体轮廓自动提取方法及系统 | |
| CN114387446A (zh) | 一种高分率遥感影像水体自动提取方法 | |
| CN111079807B (zh) | 一种地物分类方法及装置 | |
| CN116416136B (zh) | 可见光遥感图像舰船目标检测的数据扩增方法、电子设备 | |
| CN116342628A (zh) | 病理图像分割方法、装置和计算机设备 | |
| CN115423829A (zh) | 一种单波段遥感影像水体快速提取方法及系统 | |
| CN113139617B (zh) | 一种输电线路自主定位方法、装置及终端设备 | |
| CN113627292B (zh) | 基于融合网络的遥感图像识别方法及装置 | |
| CN114913430A (zh) | 一种基于高分影像和Unet阴影检测的物体高度识别方法 | |
| CN108563674B (zh) | 基于rs和gis的海域地理要素测量方法、系统及装置 | |
| CN113011295A (zh) | 基于遥感影像识别光伏发电站的方法、计算机设备和介质 | |
| CN113963271A (zh) | 用于从遥感图像中识别不透水面的模型及训练模型的方法 | |
| CN111435086B (zh) | 基于拼接图的导航方法和装置 | |
| CN117765410B (zh) | 遥感影像双分支特征融合固废识别方法、系统及电子设备 | |
| CN116844058B (zh) | 一种指针式仪表示数的识别方法、装置、设备及存储介质 |
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 |