CN115620149B - 一种基于遥感图像的道路检测方法 - Google Patents
一种基于遥感图像的道路检测方法 Download PDFInfo
- Publication number
- CN115620149B CN115620149B CN202211545341.8A CN202211545341A CN115620149B CN 115620149 B CN115620149 B CN 115620149B CN 202211545341 A CN202211545341 A CN 202211545341A CN 115620149 B CN115620149 B CN 115620149B
- Authority
- CN
- China
- Prior art keywords
- road
- remote sensing
- representing
- synthetic aperture
- aperture radar
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 60
- 230000003287 optical effect Effects 0.000 claims abstract description 103
- 230000004927 fusion Effects 0.000 claims abstract description 62
- 238000000605 extraction Methods 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 33
- 230000011218 segmentation Effects 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 abstract description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像数据处理技术领域,公开了一种基于遥感图像的道路检测方法,包括:获取遥感图像,提取合成孔径雷达道路特征,提取光学遥感道路特征,将所述合成孔径雷达道路特征和所述光学遥感道路特征进行融合得到融合道路特征,将所述融合道路特征输入至道路提取网络,得到道路检测结果。本发明充分利用光学遥感图像和合成孔径雷达图像的观测信息优势,通过两个分支提取各自的道路特征,使用融合分支将多源遥感数据的道路特征进行合并融合,采用多尺度融合损失对网络进行训练,得到预测的道路检测结果,同时考虑合成孔径雷达图像全天时全天候的特性和光学遥感图像的地物观察色彩信息,有效提高对于遥感图像的道路检测精度。
Description
技术领域
本发明涉及图像数据处理领域,尤其涉及一种基于遥感图像的道路检测方法。
背景技术
光学遥感图像受其成像机制的限制,容易受到光照和天气(如云、雾)等因素的影响,无法在夜晚和极端恶劣天气条件下进行地物的道路检测。合成孔径雷达(SyntheticAperture Radar,SAR)图像具有全天时和全天候的工作能力,可以在任何时间段、任何天气条件工作。但合成孔径雷达图像没有色彩信息,且容易收到斑点噪声的污染,使得观测的道路信息较为模糊,难以直接容易地进行视觉辨认。光学遥感图像具有直观丰富的色彩信息,直观易懂。两者各具优势与劣势,可互相弥补。因此,利用多源遥感信息(即融合光学遥感图像和合成孔径雷达图像)可充分利用两者的优势,在保持观测稳定性的前提下提高对地表的道路检测精度。
近年来,深度学习广泛应用于遥感图像处理领域,包括对于遥感图像的道路检测任务。如中国发明专利“一种识别光学遥感图像道路的Y型神经网络系统及方法”(CN201811215645.1)公开了一种识别光学遥感图像道路的Y型神经网络,通过对光学遥感图像的环境背景细节抑制和深层细节信息分析,进而得出光学遥感图像中的道路识别结果。再如中国发明专利“基于全卷积神经网络的道路提取方法及系统”(CN202210605408.6)公开了一种基于全卷积神经网络的道路提取方法及系统,在FCN的基础上改进网络模型,并将合成孔径雷达图像作为网络输入从而提取道路预测。通过国内外专利和文献检索,目前关于遥感图像的道路检测的研究比较多,但是现有的研究一般采用单源遥感图像进行道路检测,未见利用多源遥感数据(尤其是光学遥感图像和合成孔径雷达图像)融合的深度学习遥感图像道路检测。
发明内容
本发明的目的在于克服上述一种或多种现有的技术问题,提供一种基于遥感图像的道路检测方法。
为实现上述目的,本发明提供的一种基于遥感图像的道路检测方法,包括:
获取遥感图像;
提取合成孔径雷达道路特征;
提取光学遥感道路特征;
将所述合成孔径雷达道路特征和所述光学遥感道路特征进行融合得到融合道路特征;
将所述融合道路特征输入至道路提取网络,得到道路检测结果。
根据本发明的一个方面,提取合成孔径雷达道路特征的方法为:
提取所述遥感图像中的合成孔径雷达图像,将所述合成孔径雷达图像标记为,使用合成孔径雷达道路提取分支提取所述合成孔径雷达图像的道路特征得到所述合成孔径雷达道路特征,所述合成孔径雷达道路提取分支包含9个合成孔径雷达模块,得到所述合成孔径雷达道路特征的计算公式为,
根据本发明的一个方面,提取所述光学遥感道路特征的方法为:
提取所述遥感图像中的光学遥感图像,将所述光学遥感图像标记为,使用光学遥感道路提取分支提取所述光学遥感图像的道路特征得到所述光学遥感道路特征,所述光学遥感道路提取分支包含9个光学遥感模块,得到所述光学遥感道路特征的计算公式为,
根据本发明的一个方面,所述合成孔径雷达道路特征和所述光学遥感道路特征通过融合分支进行多尺度融合得到所述融合道路特征,根据所述融合道路特征得到所述道路提取网络,得到所述融合道路特征的计算公式为,
根据本发明的一个方面,使用二元交叉熵损失函数对所述道路提取网络进行训练,使用所述二元交叉熵损失函数的计算公式为:
根据本发明的一个方面,使用多尺度分割融合损失函数对所述道路提取网络进行训练,使用所述多尺度分割融合损失函数的计算公式为:
根据本发明的一个方面,将所述融合道路特征输入至所述道路提取网络中得到所述检测结果,计算所述检测结果的计算公式为,
为实现上述目的,本发明提供一种基于遥感图像的道路检测系统,包括:
遥感图像获取模块:获取遥感图像;
合成孔径雷达道路特征获取模块:提取合成孔径雷达道路特征;
光学遥感道路特征获取模块:提取光学遥感道路特征;
融合道路特征获取模块:将所述合成孔径雷达道路特征和所述光学遥感道路特征进行融合得到融合道路特征;
检测模块:将所述融合道路特征输入至道路提取网络,得到道路检测结果。
为实现上述目的,本发明提供一种电子设备,包括处理器、存储器及存储在存储器上并可在处理器上运行的计算机程序,计算机程序被处理器执行时实现上述针对一种基于遥感图像的道路检测方法。
为实现上述目的,本发明提供一种计算机可读存储介质,计算机可读存储介质上存储计算机程序,计算机程序被处理器执行时实现上述针对一种基于遥感图像的道路检测方法。
基于此,本发明的有益效果在于:
可以充分利用光学遥感图像和合成孔径雷达图像的各自的观测信息优势,通过两个分支提取各自的道路特征,使用融合分支将多源遥感数据的道路特征进行合并融合,进而采用多尺度融合损失对网络进行训练,最终得到预测的道路检测结果,通过这样的方法,可以同时考虑合成孔径雷达图像全天时全天候的特性和光学遥感图像的地物观察色彩信息,有效提高对于遥感图像的道路检测精度。
附图说明
图1示意性表示根据本发明的一种基于遥感图像的道路检测方法的流程图;
图2示意性表示根据本发明的一种基于遥感图像的道路检测方法的道路提取网络图;
图3示意性表示根据本发明的一种基于遥感图像的道路检测系统的流程图。
具体实施方式
现在将参照示例性实施例来论述本发明的内容,应当理解,论述的实施例仅是为了使得本领域普通技术人员能够更好地理解且因此实现本发明的内容,而不是暗示对本发明的范围的任何限制。
如本文中所使用的,术语“包括”及其变体要被解读为意味着“包括但不限于”的开放式术语。术语“基于”要被解读为“至少部分地基于”,术语“一个实施例”和“一种实施例”要被解读为“至少一个实施例”。
图1示意性表示根据本发明的一种基于遥感图像的道路检测方法的流程图,如图1所示,本发明的一种基于遥感图像的道路检测方法,包括:
获取遥感图像;
提取合成孔径雷达道路特征;
提取光学遥感道路特征;
将合成孔径雷达道路特征和光学遥感道路特征进行融合得到融合道路特征;
将融合道路特征输入至道路提取网络,得到道路检测结果。
根据本发明的一个实施方式,提取合成孔径雷达道路特征的方法为:
图2示意性表示根据本发明的一种基于遥感图像的道路检测方法的道路提取网络图,如图2所示,提取遥感图像中的合成孔径雷达图像,将合成孔径雷达图像标记为,使用合成孔径雷达道路提取分支提取合成孔径雷达图像的道路特征得到合成孔径雷达道路特征,合成孔径雷达道路提取分支包含9个合成孔径雷达模块,得到合成孔径雷达道路特征的计算公式为,
根据本发明的一个实施方式,提取光学遥感道路特征的方法为:
提取遥感图像中的光学遥感图像,将光学遥感图像标记为,使用光学遥感道路提取分支提取光学遥感图像的道路特征得到光学遥感道路特征,光学遥感道路提取分支包含9个光学遥感模块,得到光学遥感道路特征的计算公式为,
根据本发明的一个实施方式,合成孔径雷达道路特征和光学遥感道路特征通过融合分支进行多尺度融合得到融合道路特征,根据融合道路特征得到道路提取网络,得到融合道路特征的计算公式为,
根据本发明的一个实施方式,使用二元交叉熵损失函数对道路提取网络进行训练,使用二元交叉熵损失函数的计算公式为:
根据本发明的一个实施方式,使用多尺度分割融合损失函数对道路提取网络进行训练,使用多尺度分割融合损失函数的计算公式为:
根据本发明的一个实施方式,将融合道路特征输入至道路提取网络中得到检测结果,计算检测结果的计算公式为,
不仅如此,为实现上述发明目的,本发明还提供一种基于遥感图像的道路检测系统,图3示意性表示根据本发明的一种基于遥感图像的道路检测系统的流程图,如图3所示,根据本发明的一种基于遥感图像的道路检测系统,该系统包括:
遥感图像获取模块:获取遥感图像;
合成孔径雷达道路特征获取模块:提取合成孔径雷达道路特征;
光学遥感道路特征获取模块:提取光学遥感道路特征;
融合道路特征获取模块:将所述合成孔径雷达道路特征和所述光学遥感道路特征进行融合得到融合道路特征;
检测模块:将所述融合道路特征输入至道路提取网络,得到道路检测结果。
根据本发明的一个实施方式,提取合成孔径雷达道路特征的方法为:
图2示意性表示根据本发明的一种基于遥感图像的道路检测方法的道路提取网络图,如图2所示,提取遥感图像中的合成孔径雷达图像,将合成孔径雷达图像标记为,使用合成孔径雷达道路提取分支提取合成孔径雷达图像的道路特征得到合成孔径雷达道路特征,合成孔径雷达道路提取分支包含9个合成孔径雷达模块,得到合成孔径雷达道路特征的计算公式为,
根据本发明的一个实施方式,提取光学遥感道路特征的方法为:
提取遥感图像中的光学遥感图像,将光学遥感图像标记为,使用光学遥感道路提取分支提取光学遥感图像的道路特征得到光学遥感道路特征,光学遥感道路提取分支包含9个光学遥感模块,得到光学遥感道路特征的计算公式为,
根据本发明的一个实施方式,合成孔径雷达道路特征和光学遥感道路特征通过融合分支进行多尺度融合得到融合道路特征,根据融合道路特征得到道路提取网络,得到融合道路特征的计算公式为,
根据本发明的一个实施方式,使用二元交叉熵损失函数对道路提取网络进行训练,使用二元交叉熵损失函数的计算公式为:
根据本发明的一个实施方式,使用多尺度分割融合损失函数对道路提取网络进行训练,使用多尺度分割融合损失函数的计算公式为:
根据本发明的一个实施方式,将融合道路特征输入至道路提取网络中得到检测结果,计算检测结果的计算公式为,
为实现上述发明目的,本发明还提供一种电子设备,该电子设备包括:处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,计算机程序被处理器执行时实现上述一种基于遥感图像的道路检测方法。
为实现上述发明目的,本发明还提供一种计算机可读存储介质,计算机可读存储介质上存储计算机程序,计算机程序被处理器执行时实现上述一种基于遥感图像的道路检测方法。
基于此,本发明的有益效果在于,可以充分利用光学遥感图像和合成孔径雷达图像的各自的观测信息优势,通过两个分支提取各自的道路特征,使用融合分支将多源遥感数据的道路特征进行合并融合,进而采用多尺度融合损失对网络进行训练,最终得到预测的道路检测结果,通过这样的方法,可以同时考虑合成孔径雷达图像全天时全天候的特性和光学遥感图像的地物观察色彩信息,有效提高对于遥感图像的道路检测精度。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的模块及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
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,上述描述的装置和设备的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述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发明实施例方案的目的。
另外,在本发明实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例节能信号发送/接收的方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
应理解,本发明的发明内容及实施例中各步骤的序号的大小并不绝对意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
Claims (6)
1.一种基于遥感图像的道路检测方法,其特征在于,包括:
获取遥感图像;
提取合成孔径雷达道路特征;
提取合成孔径雷达道路特征的方法为,
提取所述遥感图像中的合成孔径雷达图像,将所述合成孔径雷达图像标记为,使用合成孔径雷达道路提取分支提取所述合成孔径雷达图像的道路特征得到所述合成孔径雷达道路特征,所述合成孔径雷达道路提取分支包含9个合成孔径雷达模块,得到所述合成孔径雷达道路特征的计算公式为,
提取光学遥感道路特征;
提取所述光学遥感道路特征的方法为,
提取所述遥感图像中的光学遥感图像,将所述光学遥感图像标记为,使用光学遥感道路提取分支提取所述光学遥感图像的道路特征得到所述光学遥感道路特征,所述光学遥感道路提取分支包含9个光学遥感模块,得到所述光学遥感道路特征的计算公式为,
将所述合成孔径雷达道路特征和所述光学遥感道路特征进行融合得到融合道路特征;
所述合成孔径雷达道路特征和所述光学遥感道路特征通过融合分支进行多尺度融合得到所述融合道路特征,根据所述融合道路特征得到道路提取网络,得到所述融合道路特征的计算公式为,
将所述融合道路特征输入至所述道路提取网络,得到道路检测结果;使用二元交叉熵损失函数对所述道路提取网络进行训练,使用所述二元交叉熵损失函数的计算公式为:
4.一种基于遥感图像的道路检测系统,其特征在于,包括:
遥感图像获取模块:获取遥感图像;
合成孔径雷达道路特征获取模块:提取合成孔径雷达道路特征;
提取合成孔径雷达道路特征的方法为,
提取所述遥感图像中的合成孔径雷达图像,将所述合成孔径雷达图像标记为 ,使用合成孔径雷达道路提取分支提取所述合成孔径雷达图像的道路特征得到所述合成孔径雷达道路特征,所述合成孔径雷达道路提取分支包含9个合成孔径雷达模块,得到所述合成孔径雷达道路特征的计算公式为,
光学遥感道路特征获取模块:提取光学遥感道路特征;
提取所述光学遥感道路特征的方法为,
提取所述遥感图像中的光学遥感图像,将所述光学遥感图像标记为,使用光学遥感道路提取分支提取所述光学遥感图像的道路特征得到所述光学遥感道路特征,所述光学遥感道路提取分支包含9个光学遥感模块,得到所述光学遥感道路特征的计算公式为,
融合道路特征获取模块:将所述合成孔径雷达道路特征和所述光学遥感道路特征进行融合得到融合道路特征;
所述合成孔径雷达道路特征和所述光学遥感道路特征通过融合分支进行多尺度融合得到所述融合道路特征,根据所述融合道路特征得到道路提取网络,得到所述融合道路特征的计算公式为,
检测模块:将所述融合道路特征输入至所述道路提取网络,得到道路检测结果;
使用二元交叉熵损失函数对所述道路提取网络进行训练,使用所述二元交叉熵损失函数的计算公式为:
5.一种电子设备,其特征在于,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至3中任一项所述的一种基于遥感图像的道路检测方法。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至3中任一项所述的一种基于遥感图像的道路检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211545341.8A CN115620149B (zh) | 2022-12-05 | 2022-12-05 | 一种基于遥感图像的道路检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211545341.8A CN115620149B (zh) | 2022-12-05 | 2022-12-05 | 一种基于遥感图像的道路检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115620149A CN115620149A (zh) | 2023-01-17 |
CN115620149B true CN115620149B (zh) | 2023-07-11 |
Family
ID=84880677
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211545341.8A Active CN115620149B (zh) | 2022-12-05 | 2022-12-05 | 一种基于遥感图像的道路检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115620149B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116109829B (zh) * | 2023-04-11 | 2023-06-16 | 耕宇牧星(北京)空间科技有限公司 | 一种基于融合网络的珊瑚礁水域图像分割方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112464745A (zh) * | 2020-11-09 | 2021-03-09 | 中国科学院计算机网络信息中心 | 一种基于语义分割的地物识别与分类方法和装置 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886566B (zh) * | 2014-03-18 | 2017-03-15 | 河海大学常州校区 | 一种恶劣天气下基于图像融合的城市交通调度系统及方法 |
ITUB20152610A1 (it) * | 2015-07-29 | 2017-01-29 | Neptune S R L | Metodo e sistema per ricercare perdite idriche attraverso l'analisi di immagini generate da sistemi di telerilevamento |
CN107944377B (zh) * | 2017-11-20 | 2020-05-15 | 中交信息技术国家工程实验室有限公司 | 一种交通基础设施安全监控方法和系统 |
CN110070012B (zh) * | 2019-04-11 | 2022-04-19 | 电子科技大学 | 一种应用于遥感影像道路网络提取的细化和全局连接方法 |
CN111160199B (zh) * | 2019-12-23 | 2022-09-13 | 云南省交通规划设计研究院有限公司 | 一种基于高分辨率遥感影像的公路灾害信息检测方法 |
CN111274976B (zh) * | 2020-01-22 | 2020-09-18 | 清华大学 | 基于视觉与激光雷达多层次融合的车道检测方法及系统 |
CN111860233B (zh) * | 2020-07-06 | 2021-05-18 | 中国科学院空天信息创新研究院 | 基于选择注意力网络的sar图像复杂建筑物提取方法及系统 |
CN113239736B (zh) * | 2021-04-16 | 2023-06-06 | 广州大学 | 一种基于多源遥感数据的土地覆盖分类标注图获取方法 |
CN113850824B (zh) * | 2021-09-27 | 2024-03-29 | 太原理工大学 | 一种基于多尺度特征融合的遥感图像路网提取方法 |
CN114550000A (zh) * | 2022-01-05 | 2022-05-27 | 中国科学院计算机网络信息中心 | 一种基于多分辨率特征融合的遥感图像分类方法和装置 |
CN115077406A (zh) * | 2022-05-17 | 2022-09-20 | 中国交通通信信息中心 | 一种利用桥梁目标提取结果的InSAR形变监测方法 |
-
2022
- 2022-12-05 CN CN202211545341.8A patent/CN115620149B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112464745A (zh) * | 2020-11-09 | 2021-03-09 | 中国科学院计算机网络信息中心 | 一种基于语义分割的地物识别与分类方法和装置 |
Non-Patent Citations (1)
Title |
---|
高分辨率SAR与光学遥感影像中道路提取方法的研究;陈颖 等;测绘与空间地理信息;第34卷(第04期);第40-44页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115620149A (zh) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110363140B (zh) | 一种基于红外图像的人体动作实时识别方法 | |
CN111209810B (zh) | 向可见光与红外图像准确实时行人检测的边界框分割监督深度神经网络架构 | |
Zhang et al. | VAIS: A dataset for recognizing maritime imagery in the visible and infrared spectrums | |
CN109800629B (zh) | 一种基于卷积神经网络的遥感图像目标检测方法 | |
CN111915592B (zh) | 基于深度学习的遥感图像云检测方法 | |
CN103020965B (zh) | 一种基于显著性检测的前景分割方法 | |
CN112419212B (zh) | 一种基于侧窗引导滤波的红外与可见光图像融合方法 | |
CN113222835A (zh) | 基于残差网络的遥感全色和多光谱图像分布式融合方法 | |
CN112036455B (zh) | 一种图像识别方法、智能终端和存储介质 | |
CN103996198A (zh) | 复杂自然环境下感兴趣区域的检测方法 | |
CN109993692B (zh) | 一种基于深度学习的电子海图和雷达图像的数据融合方法 | |
CN115620149B (zh) | 一种基于遥感图像的道路检测方法 | |
WO2023284255A1 (en) | Systems and methods for processing images | |
CN115641442B (zh) | 一种基于融合网络的山体图像山脊线分割方法 | |
CN114913498A (zh) | 一种基于关键点估计的并行多尺度特征聚合车道线检测方法 | |
CN115731257A (zh) | 基于图像的叶片形态信息提取方法 | |
Bustos et al. | A systematic literature review on object detection using near infrared and thermal images | |
CN116109829B (zh) | 一种基于融合网络的珊瑚礁水域图像分割方法 | |
CN116543165B (zh) | 一种基于双通道复合深度网络的遥感图像果树分割方法 | |
CN104463182A (zh) | 基于关键点检测的nbi胃镜图像处理方法 | |
CN115546033B (zh) | 一种基于遥感图像的图像矫正方法 | |
CN115731443A (zh) | 一种输变电设备热缺陷识别方法、装置、设备和存储介质 | |
CN115601538A (zh) | 目标检测方法及目标检测器、系统和介质 | |
Cao et al. | A stable land cover patches method for automatic registration of multitemporal remote sensing images | |
Yu et al. | MarkCapsNet: Road marking extraction from aerial images using self-attention-guided capsule network |
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 |