CN116453117B - 一种图像解译图斑定位与精度评估方法 - Google Patents
一种图像解译图斑定位与精度评估方法 Download PDFInfo
- Publication number
- CN116453117B CN116453117B CN202310110524.5A CN202310110524A CN116453117B CN 116453117 B CN116453117 B CN 116453117B CN 202310110524 A CN202310110524 A CN 202310110524A CN 116453117 B CN116453117 B CN 116453117B
- Authority
- CN
- China
- Prior art keywords
- image
- interpretation
- pixel
- result
- spot
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 28
- 230000003628 erosive effect Effects 0.000 claims abstract description 16
- 238000002372 labelling Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 abstract description 8
- 238000009826 distribution Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012946 outsourcing Methods 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图像解译图斑定位与精度评估方法，图像解译图斑的定位与精度评估步骤为：对解译图斑逐斑块进行区分标注；利用图像灰度侵蚀算法配合栅格迭代求和计算图斑像元的距中度；利用逐像元距中度评估结果，配合图斑标注，逐斑块定位中心像元并二值化为栅格；对比中心像元定位结果与参考真值图斑评估图像解译图斑的定位精度。本发明得到的图像解译图斑定位结果可用于定量评估图斑的定位精度。本发明基于栅格图斑分析其定位精度，避免了进行栅格图斑矢量化过程中产生的分析误差，且不需要分析图斑的中心像元与矢量化图斑的拓扑空间关系。本发明提出的方法操作简单，物理意义明确，分析结果可靠，可辅助用户高效评估图斑定位精度。
Description
技术领域
本发明属于基于图像像元级的解译结果的图像解译精度评估技术领域，具体涉及一种图像解译图斑定位与精度评估方法。
背景技术
图像解译用于从灰度图像中识别并提取出目标像元集合，解译结果将呈现不同语义的图斑和图像背景。基于一定图像像元级的解译结果的图像解译过程本质上是识别并区分像元的类型，广泛用于医学图像分析，基于图像的土地利用分类和目标地物分布区域提取。图像解译可利用非监督算法，此类算法基于图像像元值和多波段像元值的变化趋势，逐像元判断其归属类别，将原始图像的所有像元划分为若干图斑。图像解译的监督分类方法需要利用训练样本像元的属性值，利用一定的机器学习方法隐式提取样本的灰度或纹理特征。经过模型迭代训练和参数优化后，逐像元评估其归属于样本中已标注目标物体的概率，并最终根据像元归属概率最大化规则或设置阈值得到解译图斑。基于图像像元级的解译结果的图像解译结果会受到地物复杂程度、图像成像条件与地物反射光谱性质的影响。在应用监督解译算法时，样本的质量和数量也会影响图像解译结果。因此，机助灰度图像解译结果必然存在误差，需要利用定性与定量相结合的方式，参考目视解译或实地调研并钩绘图像感兴趣区的图斑，来评估图像解译精度。定性方法可以通过空间叠加机助解译结果与参考真值图层，目视定位解译误差区，包括机助解译结果中错误识别区域和遗漏区域。这两类错误区域会共同降低机助解译精度。定量化精度评估可利用解译图斑的像元数量混淆矩阵，已有的评估指标包括总体解译精度、准确度、召回率、交并比等。对于二分类图像解译结果，设定其中背景像元的语义标签为0，目标像元的语义标签为1，则解译结果的目标像元与背景用P/N表示，参考图斑中的目标像元与背景用T/F表示，可利用如下公式评估准确率与召回率：
准确率也可称为用户精度，用于评估解译结果中正确识别的目标像元数占该类别真实像元数的比例。召回率等同于制图精度，用于评估正确识别的像元数占图像解译结果中目标类型总像元数的比例。总体解译精度是图像解译结果中正确识别的目标与背景像元数占图像总像元数的比例。
根据公式(3)，对于目标像元数量(TP)占比较低的图像，总体解译精度的评估结果偏高，无法合理评估解译精度。因此，需要综合准确率和召回率来评估图像解译精度。图像解译结果也可以利用交互比进行评估，即机助解译结果中目标地物图斑的外包矩形框与参考真值图斑的外包矩形框的交集与并集之比，数值越大说明解译精度越高。上述指标都是围绕机助解译图斑与参考图斑的覆盖范围一致性评估解译精度。在实际生产应用中，图像解译结果需要支持外业调查定位与目标地物分布密度分析。在这种应用需求下，需要评估图像的解译结果是否准确定位到目标地物，但上述指标尚不支持此类定量化精度评估。
发明内容
本发明的目的在于提供一种图像解译图斑定位与精度评估方法，以解决的在实际生产应用中，图像解译结果需要支持外业调查定位与目标地物分布密度分析。在这种应用需求下，需要评估图像的解译结果是否准确定位到目标地物，但上述指标尚不支持此类定量化精度评估问题。
为实现上述目的，本发明提供如下技术方案：一种图像解译图斑定位与精度评估方法，主要包括以下分析步骤：
(1)利用具有图像解译功能的图像像元级的解译结果完成图像解译，解译结果为感兴趣目标覆盖像元和背景像元，这里的具有图像解译功能的机器可参考例如：以卷积神经网络为核心的模型；
(2)对图像解译结果进行像元连通性分析，并对不连通的像元斑块进行唯一性标注，得到解译结果中的非连通性图斑数量；
(3)对图像解译图斑进行迭代灰度侵蚀分析，并将单次分析结果累加，得到距中度评估栅格图层；
(4)基于图斑标注结果和各图斑内像元距中度评估结果，检索各图斑的中心像元，基于中心像元索引，定义二值栅格；
对比参考图像解译结果，评估图像解译图斑的定位精度。
优选的，所述步骤(1)是基于图像像元级的解译结果分析得到的图像解译结果，为像元集合构成的图斑。
优选的，所述步骤(2)为基于图斑的空间连通性与单一图斑内像元的距中度分析结果来辅助检索并确定各非连通图斑的中心像元。
优选的，所述步骤(2)使用累加迭代灰度侵蚀结果分析图斑内像元的距中度。
优选的，所述步骤(4)基于非连通性图斑标注与各图斑内像元的距中度分析，综合利用统计阈值法和像元距离标准差检索单一图斑的中心像元。
优选的，所述步骤(5)利用中心像元索引定义与原始图像解译结果相同尺寸和空间分辨率的专题栅格，其中，各图斑的中心像元索引位置栅格值设置为“1”，其余像元值均设置为“0”。该二值化栅格可标识解译结果中各图斑的中心像元位置，用于对比参考解译结果，评估各解译图斑的定位精度。
优选的，所述步骤(5)利用图像解译结果的图斑中心像元定位栅格，对比图像的参考解译结果，使用总体定位精度、准确率和召回率三个指标评估解译图斑的定位精度。
本发明的技术效果和优点：本发明得到的图像解译图斑定位结果可用于定量评估图斑的定位精度。本发明基于栅格图斑分析其定位精度，避免了进行栅格图斑矢量化过程中产生的分析误差，且不需要分析图斑的中心像元与矢量化图斑的拓扑空间关系。本发明提出的方法操作简单，物理意义明确，分析结果可靠，可辅助用户高效评估图斑定位精度，并利用解译结果选定图像中的感兴趣区。
附图说明
图1为本发明的分析流程示意图；
图2为非连通性解译图斑标注结果示意图；
图3为图斑迭代灰度侵蚀与栅格求和结果图；
图4为图像解译图斑候选中心像元检索示意图；
图5为图像解译图斑中心像元提取结果示意图。
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。
本发明提供了如图中所示的一种图像解译图斑定位与精度评估方法，主要包括以下分析步骤：
(1)利用具有图像解译功能的图像像元级的解译结果完成图像解译，解译结果为感兴趣目标覆盖像元和背景像元；
(2)对图像解译结果进行像元连通性分析，并对不连通的像元斑块进行唯一性标注，得到解译结果中的非连通性图斑数量；
(3)对图像解译图斑进行迭代灰度侵蚀分析，并将单次分析结果累加，得到距中度评估栅格图层；
(4)基于图斑标注结果和各图斑内像元距中度评估结果，检索各图斑的中心像元，基于中心像元索引，定义二值栅格；
对比参考图像解译结果，评估图像解译图斑的定位精度。
具体的，所述步骤(1)是基于图像像元级的解译结果分析得到的图像解译结果，为像元集合构成的图斑。
具体的，所述步骤(2)为基于图斑的空间连通性与单一图斑内像元的距中度分析结果来辅助检索并确定各非连通图斑的中心像元。
具体的，所述步骤(2)使用累加迭代灰度侵蚀结果分析图斑内像元的距中度。
具体的，所述步骤(4)基于非连通性图斑标注与各图斑内像元的距中度分析，综合利用统计阈值法和像元距离标准差检索单一图斑的中心像元。
具体的，所述步骤(5)利用中心像元索引定义与原始图像解译结果相同尺寸和空间分辨率的专题栅格，其中，各图斑的中心像元索引位置栅格值设置为“1”，其余像元值均设置为“0”。该二值化栅格可标识解译结果中各图斑的中心像元位置，用于对比参考解译结果，评估各解译图斑的定位精度。
具体的，所述步骤(5)利用图像解译结果的图斑中心像元定位栅格，对比图像的参考解译结果，使用总体定位精度、准确率和召回率三个指标评估解译图斑的定位精度。
工作原理：基于某类图像像元级的解译结果的图像解译结果作为待分析数据源，图像的空间分辨率为2米，解译图斑为建筑工程开挖区。图像总体云量小于图面范围的5％，图像各波段的光谱信息稳定且无明显阴影区域，成像总体条件良好。图像解译结果为栅格二值化灰度图，其中，像元值为“1”的是目标地物分布区，像元值为“0”的是非目标地物分布区。结合图2，具体说明本发明的分析案例；
编写程序读取解译后的栅格灰度图为数组，数组尺寸等同于输入栅格，数组元素类型为整形或浮点型均可。然执行非连通性图斑标注。标注过程首先判断相邻像元的连通性，为了保证图面信息完整性，需要滤除“椒盐”噪声像元，即噪声像元在标注过程中被重定义为背景像元，视为步骤(a)。为了避免标注中占地面积较小的建筑工程区的图斑被误识别为“椒盐”噪声像元，本发明设置默认检索窗口大小为3╳3个像元。在本发明应用中，需要根据地物复杂度和图像空间分辨率动态调整窗口尺寸。图斑标注结果如图3所示，其中不具有空间连通性的图斑被标注唯一的编码标签＝；继续以图像解译图斑作为输入，执行迭代的灰度侵蚀分析，并以第N次迭代结果全部为背景像元为迭代侵蚀分析的终止条件，视为步(b)。N次迭代完成，执行栅格累加操作，输出分析结果如图4所示，利用步骤(a)的结果来检索各解译图斑的像元集合，利用步骤(b)的分析结果来检索并定位各图斑的中心像元。中心像元的检索使用阈值法配合单一图斑内像元间的索引距离标准差分析。最终获取各非连通解译图斑的中心像元，利用检索出各图斑的中心像元定义一个二值化栅格，该图层的空间尺寸等同于解译图像，各中心像元索引位置的像元值设置为“1”，其余像元值设置为“0”。然后，利用定位结果的二值化栅格和图像解译结果，统计解译结果中正确定位的图斑数、被遗漏的图斑数和被错误识别的图斑数，来综合评估图像解译图斑的定位精度。
上述图像解译图斑定位精度是图像解译结果的定量化评估指标之一，用于评估图像解译结果中无空间联通性的各栅格图斑的定位准确性。在解译图斑定位精度评估过程中，认为存在空间联通的像元集合归属于同一图斑。在同一栅格像元索引中，图斑定位精度评估参考目标图斑几何中心像元的空间索引，判断该图斑的中心像元是否在参考真值图斑覆盖的空间索引范围内。如果目标图斑的中心像元包含在参考图斑的覆盖范围内，则认为解译图斑定位准确，否则，则认为解译图斑定位不准确。图像解译定位精度评估区别于图像解译精度评估。图像解译精度评估是基于解译图斑覆盖范围的栅格索引集合与参考图斑覆盖范围的栅格索引集合的一致性，两者一致性越高则评定图像解译结果越精确。图像解译定位精度评估用于评估目标图斑的几何中心像元是否在参考图斑覆盖范围内，区别于判断两者像元覆盖范围(栅格空间索引集合)的一致性。如果解译图斑的几何中心像元在参考图斑内，则解译图斑定位准确。图像解译定位精度评估结果更加适用于确定图像解译结果的外业调查点位，分析图像解译图斑的空间分布密度与分布模式，服务于相关空间分布模式评估；
上述像元灰度侵蚀是灰度图像形态学分析算法的一种，通常适用于二值灰度图像。灰度侵蚀分析可以用来去除图斑的不规则边缘、辅助剔除灰度图像的噪声像元等。对于待分析栅格，侵蚀算法将沿着空间非连通图斑边缘，按照设置分析窗口大小，逐步移除靠近边缘且紧邻滑动窗口中心(不大于滑动窗口大小的一半)的非背景像元。移除过程中，将待移除像元的灰度重新赋值为背景像元值，使目标图斑覆盖范围逐渐缩小并向图斑中心聚拢。灰度侵蚀速率与结果与滑动分析窗口形状(通常为正方形或圆形窗口)、窗口尺寸(半径)、迭代分析次数相关。目标图斑在经过数次迭代侵蚀分析后从二值灰度图像消失，即图斑像元值变为背景像元值。灰度侵蚀分析会破坏原有图斑内像元的连通性，缩小单一图斑面积，并有助于分离相邻且不连通图斑。迭代分析过程对单一图斑的中心像元在原始灰度图像中的空间位置无影响；
上述栅格像元具有灰度值，可以通过设置分级阈值的方式将图像中像元灰度值的集合进行二分类，即灰度值高于阈值和低于阈值的栅格像元各归属一类，用于对栅格像元逐一进行前景与背景像元类型标注。像元灰度的二值化阈值可通过经验设置，也可利用像元灰度值集合的统计值进行分析，常用方法有OSTUs算法、ISODATA算法、基于灰度熵的分析算法等。由于本发明不涉及灰度统计值的二值化阈值分析，不再说明栅格灰度二值化阈值分析方法；
上述图像解译结果包含目标物图斑与背景图斑。图像解译精度是评价图像解译图斑与参考真值图斑的相符程度和语义一致性。在图像解译结果中，与参考真值图斑语义一致的像元子集构成正确解译图斑(TR)，可能是解译图斑的全部或一部分。错误解译像元集合包含解译结果中非目标像元被识别为目标像元(FR)的像元集合与解译中被遗漏的目标像元(MR)集合的并集。利用图像解译结果和参考图像解译结果构建像元混淆矩阵，可用于定量化评估图像解译精度。对于像元数为N的图像解译结果，其像元混淆矩阵如表(1)所示：
表1图像解译精度评估混淆矩阵
| 像元类型 | 参考目标解译图斑 | 参考背景解译图斑 |
| 机助目标解译图斑 | TR | FR |
| 机助背景解译图斑 | MR | N-TR-FR-MR |
利用混淆矩阵可计算图像解译结果的总体精度、精确度、召回率、F1-Score等多类指标。这些指标用于评价图像解译图斑与参考真值图斑的相符程度，但无法评估图像解译图斑的定位精度，即图像各解译图斑(像元集合)的几何中心是否在相同语义的参考真值图斑内.最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各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,凡在本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 (5)
1.一种图像解译图斑定位与精度评估方法，主要包括以下分析步骤：
（1）利用具有图像解译功能的图像像元级的解译结果完成图像解译，解译结果为感兴趣目标覆盖像元和背景像元；
（2）对图像解译结果进行像元连通性分析，并对不连通的像元斑块进行唯一性标注，得到解译结果中的非连通性图斑数量；
（3）对图像解译图斑进行迭代灰度侵蚀分析，并将单次分析结果累加，得到距中度评估栅格图层；
（4）基于图斑标注结果和各图斑内像元距中度评估结果，检索各图斑的中心像元，基于中心像元索引，定义二值栅格；
利用中心像元索引定义与原始图像解译结果相同尺寸和空间分辨率的专题栅格，其中，各图斑的中心像元索引位置栅格值设置为“1”，其余像元值均设置为“0”，该二值化栅格可标识解译结果中各图斑的中心像元位置，用于对比参考解译结果，评估各解译图斑的定位精度；
利用图像解译结果的图斑中心像元定位栅格，对比图像的参考解译结果，使用总体定位精度、准确率和召回率三个指标评估解译图斑的定位精度。
2.根据权利要求1所述的一种图像解译图斑定位与精度评估方法，其特征在于：所述步骤（1）是基于图像像元级的解译结果分析得到的图像解译结果，为像元集合构成的图斑。
3.根据权利要求1所述的一种图像解译图斑定位与精度评估方法，其特征在于：所述步骤（2）为基于图斑的空间连通性与单一图斑内像元的距中度分析结果来辅助检索并确定各非连通图斑的中心像元。
4.根据权利要求1所述的一种图像解译图斑定位与精度评估方法，其特征在于：所述步骤（2）使用累加迭代灰度侵蚀结果分析图斑内像元的距中度。
5.根据权利要求1所述的一种图像解译图斑定位与精度评估方法，其特征在于：所述步骤（4）基于非连通性图斑标注与各图斑内像元的距中度分析，综合利用统计阈值法和像元距离标准差检索单一图斑的中心像元。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310110524.5A CN116453117B (zh) | 2023-02-14 | 2023-02-14 | 一种图像解译图斑定位与精度评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310110524.5A CN116453117B (zh) | 2023-02-14 | 2023-02-14 | 一种图像解译图斑定位与精度评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116453117A CN116453117A (zh) | 2023-07-18 |
| CN116453117B true CN116453117B (zh) | 2024-01-26 |
Family
ID=87124506
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310110524.5A Active CN116453117B (zh) | 2023-02-14 | 2023-02-14 | 一种图像解译图斑定位与精度评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116453117B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104679822A (zh) * | 2014-12-30 | 2015-06-03 | 北京市测绘设计研究院 | 一种地理国情外业调绘方法 |
| CN105279223A (zh) * | 2015-10-20 | 2016-01-27 | 西南林业大学 | 一种遥感图像计算机自动解译的方法 |
| CN106780581A (zh) * | 2016-11-18 | 2017-05-31 | 中国科学院光电研究院 | 一种sar图像解译能力的评估方法 |
| CN106846344A (zh) * | 2016-12-14 | 2017-06-13 | 国家海洋局第二海洋研究所 | 一种基于边缘完备度的图像分割最优识别方法 |
| CN111444964A (zh) * | 2020-03-27 | 2020-07-24 | 江南大学 | 一种基于自适应roi划分的多目标快速图像匹配方法 |
| CN114461841A (zh) * | 2022-04-14 | 2022-05-10 | 自然资源部第三地理信息制图院 | 一种土地利用数据自动缩编方法 |
| CN114863299A (zh) * | 2022-04-28 | 2022-08-05 | 哈尔滨理工大学 | 一种航空图像目标精细识别系统 |
| CN115526816A (zh) * | 2022-09-26 | 2022-12-27 | 阿里巴巴（中国）有限公司 | 遥感图像处理方法、存储介质和电子设备 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2596456B1 (en) * | 2010-07-21 | 2019-09-25 | Diopsys, Inc. | Method and system for analyzing optical coherence tomography (oct) results using color reflectivity discretization analysis |
| BR112020003713A2 (pt) * | 2017-08-25 | 2020-11-17 | The Board Of Trustees Of The University Of Illinois | aparelho e método para coleta de dados agrícolas e operações agrícolas |
-
2023
- 2023-02-14 CN CN202310110524.5A patent/CN116453117B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104679822A (zh) * | 2014-12-30 | 2015-06-03 | 北京市测绘设计研究院 | 一种地理国情外业调绘方法 |
| CN105279223A (zh) * | 2015-10-20 | 2016-01-27 | 西南林业大学 | 一种遥感图像计算机自动解译的方法 |
| CN106780581A (zh) * | 2016-11-18 | 2017-05-31 | 中国科学院光电研究院 | 一种sar图像解译能力的评估方法 |
| CN106846344A (zh) * | 2016-12-14 | 2017-06-13 | 国家海洋局第二海洋研究所 | 一种基于边缘完备度的图像分割最优识别方法 |
| CN111444964A (zh) * | 2020-03-27 | 2020-07-24 | 江南大学 | 一种基于自适应roi划分的多目标快速图像匹配方法 |
| CN114461841A (zh) * | 2022-04-14 | 2022-05-10 | 自然资源部第三地理信息制图院 | 一种土地利用数据自动缩编方法 |
| CN114863299A (zh) * | 2022-04-28 | 2022-08-05 | 哈尔滨理工大学 | 一种航空图像目标精细识别系统 |
| CN115526816A (zh) * | 2022-09-26 | 2022-12-27 | 阿里巴巴（中国）有限公司 | 遥感图像处理方法、存储介质和电子设备 |
Non-Patent Citations (2)
| Title |
|---|
| Jili Li et al.A Two-Level Approach for Species Identification of Coniferous Trees in Central Ontario Forests Based on Multispectral Images.《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》.2015,第1487-1497页. * |
| 叶江霞.基于对地观测数据的三江源地区植被解译模型.《万方数据》.2007,第1、9、12-53页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116453117A (zh) | 2023-07-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108846832B (zh) | 一种基于多时相遥感影像与gis数据的变化检测方法及系统 | |
| CN112101159B (zh) | 多时相林业遥感影像变化监测方法 | |
| Liu et al. | A vision-based robust grape berry counting algorithm for fast calibration-free bunch weight estimation in the field | |
| CN110633758A (zh) | 针对小样本或样本不平衡的癌症区域检测定位的方法 | |
| CN114972191A (zh) | 一种耕地变化检测方法和装置 | |
| CN115393657B (zh) | 基于图像处理的金属管材生产异常识别方法 | |
| CN116363520B (zh) | 一种城市绿地规划用景观生态检测系统 | |
| CN116012364B (zh) | Sar图像变化检测方法和装置 | |
| Li et al. | SPM-IS: An auto-algorithm to acquire a mature soybean phenotype based on instance segmentation | |
| CN113313149B (zh) | 一种基于注意力机制和度量学习的菜品识别方法 | |
| CN113240623A (zh) | 一种路面病害检测方法及装置 | |
| CN115294377A (zh) | 一种道路裂缝的识别系统及方法 | |
| CN105654042B (zh) | 玻璃温度计的检定温度字符识别方法 | |
| CN111882573B (zh) | 一种基于高分辨率影像数据的耕地地块提取方法及系统 | |
| CN116468690B (zh) | 基于深度学习的浸润性非粘液性肺腺癌的亚型分析系统 | |
| CN116453117B (zh) | 一种图像解译图斑定位与精度评估方法 | |
| CN110287970B (zh) | 一种基于cam与掩盖的弱监督物体定位方法 | |
| CN109344837B (zh) | 一种基于深度卷积网络和弱监督学习的sar图像语义分割方法 | |
| Zhao et al. | Improving object-oriented land use/cover classification from high resolution imagery by spectral similarity-based post-classification | |
| CN115564776A (zh) | 基于机器学习的异常细胞样本检测方法和装置 | |
| CN112906627B (zh) | 一种基于语义分割的青花椒识别方法 | |
| Li et al. | Crack Detection and Recognition Model of Parts Based on Machine Vision. | |
| Guan et al. | Optimal segmentation and improved abundance estimation for superpixel-based Hyperspectral Unmixing | |
| Xing et al. | Research on crack extraction based on the improved tensor voting algorithm | |
| Bernad et al. | Hierarchical feature-based classification approach for fast and user-interactive SAR image interpretation |
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 |