CN116503677A - 一种湿地分类信息提取方法、系统、电子设备及存储介质 - Google Patents
一种湿地分类信息提取方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116503677A CN116503677A CN202310768348.4A CN202310768348A CN116503677A CN 116503677 A CN116503677 A CN 116503677A CN 202310768348 A CN202310768348 A CN 202310768348A CN 116503677 A CN116503677 A CN 116503677A
- Authority
- CN
- China
- Prior art keywords
- image
- wetland
- remote sensing
- scale
- model
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000000605 extraction Methods 0.000 title claims description 37
- 238000013145 classification model Methods 0.000 claims abstract description 97
- 230000011218 segmentation Effects 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000004927 fusion Effects 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 230000000007 visual effect Effects 0.000 claims abstract description 13
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 3
- 238000011176 pooling Methods 0.000 claims description 38
- 238000011156 evaluation Methods 0.000 claims description 21
- 238000012937 correction Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 230000005855 radiation Effects 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 8
- 238000012952 Resampling Methods 0.000 claims description 7
- 230000002776 aggregation Effects 0.000 claims description 7
- 238000004220 aggregation Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000001174 ascending effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000003786 synthesis reaction Methods 0.000 claims description 4
- 238000003491 array Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 5
- 238000007635 classification algorithm Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 7
- 238000011835 investigation Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 239000004973 liquid crystal related substance Substances 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Classifications
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/803—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种湿地分类信息提取方法、系统、电子设备及存储介质，属于遥感影像处理技术领域，包括：融合预处理高分二号影像和预处理航拍影像得到融合影像；基于融合影像构建多尺度场景数据集，采用预设分类模型对多尺度场景数据集进行分类，对分类后的数据集扩充后融合多尺度特征模型，得到场景层次遥感影像湿地分类模型；对融合影像进行目视解译和数据增强，采用预设语义分割模型对解译增强后的数据进行分类，得到像元层次遥感影像湿地分类模型；综合两种分类模型，获取湿地分类信息。本发明通过综合利用高分影像和航空影像，从场景层级和像元层次分别进行精细化湿地分类信息提取，简化了分类算法的结构，运行效率高，且能大幅提高分类精度。
Description
技术领域
本发明涉及遥感影像处理技术领域，尤其涉及一种湿地分类信息提取方法、系统、电子设备及存储介质。
背景技术
对土地自然资源分布进行分析识别过程中，湿地分类信息是其中非常重要的信息。
对于土地覆盖资源的调查大多还依赖于人工实地调研，虽然在精度上具有优势，但人力成本过高，数据处理周期过长，使其难以大范围推广。在此基础上，采用基于智能算法的土地自然资源监测技术开始大量运用，其中以遥感影像最常见，遥感影像获取周期短、覆盖面积广、包含信息丰富，高分辨率遥感图像已成为湿地调查监测的重要数据基础，但基于不同理解单元层级的遥感图像分类与变化检测方法存在较大差异、缺乏有效整理，识别的数据成果可能具有不同的语义内涵，无法直接比较、融合及分析，严重限制了对城市湿地的全方位调查监测。以卷积神经网络（Convolutional Neural Networks，CNN）为代表的深度学习方法在遥感图像智能分类、变化检测等领域受到广泛重视，在城市湿地相关领域的遥感图像分类和变化检测研究中取得了普遍优于经典机器学习方法的图像理解效果。
目前，现有的湿地精细化分类信息提取方法有利用Landsat影像进行湿地遥感制图、混合面向对象与分层结构的方法。然而，目前已有的基于深度学习的湿地精细化分类信息提取方法，存在分类精细化程度不够、分类效果不好等缺点。
发明内容
本发明提供一种湿地分类信息提取方法、系统、电子设备及存储介质，用以解决现有技术中针对土地湿地分类信息的获取大多依赖于现有的单一识别方法，容易造成识别结果精度不高，识别效率低等的缺陷。
第一方面，本发明提供一种湿地分类信息提取方法，包括：
获取高分二号遥感影像和无人机航拍影像，分别对所述高分二号遥感影像和所述无人机航拍影像进行预处理，得到预处理高分二号影像和预处理航拍影像，融合所述预处理高分二号影像和所述预处理航拍影像得到融合影像；
基于所述融合影像构建多尺度场景数据集，采用预设分类模型对所述多尺度场景数据集进行分类，对分类后的数据集扩充后融合多尺度特征模型，得到场景层次遥感影像湿地分类模型；
对所述融合影像进行目视解译和数据增强，采用预设语义分割模型对解译增强后的数据进行分类，得到像元层次遥感影像湿地分类模型；
综合所述场景层次遥感影像湿地分类模型和所述像元层次遥感影像湿地分类模型，获取湿地分类信息。
根据本发明提供的一种湿地分类信息提取方法，对高分二号遥感影像进行预处理，得到预处理高分二号影像，包括：
将所述高分二号遥感影像中的全色影像进行正射校正，得到全色影像数据；
将所述高分二号遥感影像中的多光谱影像进行辐射定标和大气校正，得到多光谱影像数据；
分别对所述全色影像数据和所述多光谱影像数据进行最大值及最小值归一化，得到归一化影像数据；
利用矩匹配算法对所述归一化影像数据去除条带噪声，基于全色数据对去除条带噪声的归一化影像数据进行几何配准，并采用预设低分辨率多光谱影像和预设高分辨率单波段影像进行重采样，生成预设高分辨率多光谱遥感影像；
对所述预设高分辨率多光谱遥感影像进行去云操作与图像拼接，得到所述预处理高分二号影像。
根据本发明提供的一种湿地分类信息提取方法，对无人机航拍影像进行预处理，得到预处理航拍影像，包括：
对所述无人机航拍影像进行辐射定标和大气校正，得到航拍影像数据；
对所述航拍影像数据进行最大值及最小值归一化，得到归一化航拍数据；
利用矩匹配算法对所述归一化航拍数据去除条带噪声后进行波段融合，得到单波段的预处理航拍影像。
根据本发明提供的一种湿地分类信息提取方法，基于所述融合影像构建多尺度场景数据集，采用预设分类模型对所述多尺度场景数据集进行分类，对分类后的数据集扩充后融合多尺度特征模型，得到场景层次遥感影像湿地分类模型，包括：
确定所述融合影像的湿地场景分布信息、图像语义分割信息以及场景尺寸推广信息，构建所述多尺度场景数据集；
确定所述预设分类模型，保留所述预设分类模型的特征提取部分，采用交替连接的1个全局平均池化层、2个全连接层及2个Dropout层替换所述预设分类模型中的Softmax函数，得到不同尺度分类模型；
采用多种预设评价指标对所述不同尺度分类模型进行评价，确定评价值最高的分类模型作为初始场景层次遥感影像湿地分类模型；
由所述初始场景层次遥感影像湿度分类模型对所述多尺度场景数据集进行分类，得到所述分类后的数据集；
对所述分类后的数据集进行加密采样和交叉采样，得到扩充数据集；
基于所述扩充数据集，获取融合多尺度特征模型；
利用多种预设评价指标对所述融合多尺度特征模型进行评价，获得所述场景层次遥感影像湿地分类模型。
根据本发明提供的一种湿地分类信息提取方法，所述基于所述扩充数据集，获取融合多尺度特征模型，包括：
依次提取网络中每一次池化计算前的第一尺度特征、第二尺度特征、第三尺度特征和第四尺度特征；
分别基于第一预设尺寸池化核、第二预设尺寸池化核、第三预设尺寸池化核和第四预设尺寸池化核将所述第一尺度特征、所述第二尺度特征、所述第三尺度特征和所述第四尺度特征进行特征聚合；
确定原有网络中的深度特征为第五尺度特征，将特征聚合后的所述第一尺度特征、所述第二尺度特征、所述第三尺度特征、所述第四尺度特征和所述第五尺度特征进行全局平均池化后进行逐一融合比较，得到所述融合多尺度特征模型。
根据本发明提供的一种湿地分类信息提取方法，对所述融合影像进行目视解译和数据增强，采用预设语义分割模型对解译增强后的数据进行分类，得到像元层次遥感影像湿地分类模型，包括：
对所述融合影像采用人工目视解译，得到解译后的数据；
基于水平翻转、垂直翻转以及对角镜像对所述解译后的数据进行数据增强，得到所述解译增强后的数据；
采用U-Net网络构建所述预设语义分割模型，保留所述预设语义分割模型的卷积层、池化层和上采样层，在所述预设语义分割模型的特征图输出增加Dropout层和BatchNormalization层；
对所述预设语义分割模型的输入特征图进行重排序得到数列，以所述数列作为输入像素图像矩阵，对所述输入像素图像矩阵进行重采样，并根据池化核尺寸进行升序和降序，获得不同种类的分类模型；
利用多种预设评价指标对所述不同种类的分类模型进行评价，得到所述像元层次遥感影像湿地分类模型。
根据本发明提供的一种湿地分类信息提取方法，所述对所述预设语义分割模型的输入特征图进行重排序得到数列，包括：
将任意输入尺寸为1的输入特征图进行质因数分解，得到素数集合；
利用整理函数和排序方向对所述素数集合进行重排序，得到所述数列；
其中，所述数列根据所述排序方向、元素数量和池化核尺寸划分为若干种数列。
第二方面，本发明还提供一种湿地分类信息提取系统，包括：
预处理模块，用于获取高分二号遥感影像和无人机航拍影像，分别对所述高分二号遥感影像和所述无人机航拍影像进行预处理，得到预处理高分二号影像和预处理航拍影像，融合所述预处理高分二号影像和所述预处理航拍影像得到融合影像；
场景分类模块，用于基于所述融合影像构建多尺度场景数据集，采用预设分类模型对所述多尺度场景数据集进行分类，对分类后的数据集扩充后融合多尺度特征模型，得到场景层次遥感影像湿地分类模型；
像元分类模块，用于对所述融合影像进行目视解译和数据增强，采用预设语义分割模型对解译增强后的数据进行分类，得到像元层次遥感影像湿地分类模型；
综合模块，用于综合所述场景层次遥感影像湿地分类模型和所述像元层次遥感影像湿地分类模型，获取湿地分类信息。
第三方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述湿地分类信息提取方法。
第四方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述湿地分类信息提取方法。
本发明提供的湿地分类信息提取方法、系统、电子设备及存储介质，通过综合利用高分影像和航空影像，从场景层级和像元层次分别进行精细化湿地分类信息提取，简化了分类算法的结构，运行效率高，且能大幅提高分类精度。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例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是本发明提供的湿地分类信息提取方法的流程示意图；
图2是本发明提供的湿地分类信息提取方法的整体逻辑图；
图3是本发明提供的影像预处理流程图；
图4是本发明提供的湿地分类信息提取流程图；
图5是本发明提供的湿地分类信息提取系统的结构示意图；
图6是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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。
针对现有技术中土地湿地分类信息提取不够精细化的局限，本发明提出一种融合高分影像和航空影像的湿地分类信息提取方法，充分利用深度学习技术，尤其是采用卷积神经网络，充分利用高空间分辨率遥感影像丰富的光谱、形状、纹理等特征，通过影像多尺度分割、多特征分析与提取、样本采集、监督分类等技术，可得到较高精度的分类结果，具有可靠的分类精度，能够实现针对土地覆盖类型的精准、快速自动识别分类。
图1是本发明实施例提供的湿地分类信息提取方法的流程示意图，如图1所示，包括：
步骤100：获取高分二号遥感影像和无人机航拍影像，分别对所述高分二号遥感影像和所述无人机航拍影像进行预处理，得到预处理高分二号影像和预处理航拍影像，融合所述预处理高分二号影像和所述预处理航拍影像得到融合影像；
步骤200：基于所述融合影像构建多尺度场景数据集，采用预设分类模型对所述多尺度场景数据集进行分类，对分类后的数据集扩充后融合多尺度特征模型，得到场景层次遥感影像湿地分类模型；
步骤300：对所述融合影像进行目视解译和数据增强，采用预设语义分割模型对解译增强后的数据进行分类，得到像元层次遥感影像湿地分类模型；
步骤400：综合所述场景层次遥感影像湿地分类模型和所述像元层次遥感影像湿地分类模型，获取湿地分类信息。
需要说明的是，本发明实施例基于高分二号（GF-2）遥感影像和无人机航拍影像，综合两种影像构建土地湿度分类模型，是由于传统的遥感影像RGB波段缺少对植被敏感的热红外信息，而无人机航拍影像具有非常高的分辨率，边缘和纹理信息更加丰富的特点，将具有高分辨率的高分遥感影像与航拍影像进行融合，可以为湿地精细化分类提供更加敏感、精确的信息。基于此，本发明实施例将GF-2影像与航空影像融合，提升影像的分辨率与地物识别敏感程度，将处理好的影像数据应用于深度学习湿地精细化分类模型中，进而实现更加精细化的湿地分类信息提取。
具体地，如图2所示，获取高分二号遥感影像和无人机航拍影像之后，分别进行预处理，并融合预处理后的影像数据，得到融合影像，分别从两个方面构建土地湿度分类模型，具体包括：
第一方面是由融合影像构建多尺度场景数据集，由多尺度场景数据集构建场景层次湿地分类模型，对不同尺度模型进行交叉评价，然后进行数据集补充，得到融合多尺度特征模型，对模型进行评价得到场景层次遥感影像湿地精细化分类模型（UWSC-Net模型）；
第二方面是对融合影像进行目视解译和数据增强，构建语义分割模型，并对不同的语义分割模型进行交叉评价，得到像元层次遥感影像湿地精细化分类模型（UWPC-Net模型）。
最后综合上述两个分类模型，综合得到最优的湿地分类信息。
本发明通过综合利用高分影像和航空影像，从场景层级和像元层次分别进行精细化湿地分类信息提取，简化了分类算法的结构，运行效率高，且能大幅提高分类精度。
在上述实施例的基础上，对高分二号遥感影像进行预处理，得到预处理高分二号影像，包括：
将所述高分二号遥感影像中的全色影像进行正射校正，得到全色影像数据；
将所述高分二号遥感影像中的多光谱影像进行辐射定标和大气校正，得到多光谱影像数据；
分别对所述全色影像数据和所述多光谱影像数据进行最大值及最小值归一化，得到归一化影像数据；
利用矩匹配算法对所述归一化影像数据去除条带噪声，基于全色数据对去除条带噪声的归一化影像数据进行几何配准，并采用预设低分辨率多光谱影像和预设高分辨率单波段影像进行重采样，生成预设高分辨率多光谱遥感影像；
对所述预设高分辨率多光谱遥感影像进行去云操作与图像拼接，得到所述预处理高分二号影像。
具体地，如图3所示，本发明实施例对高分二号影像进行预处理，先对其中的全色影像进行正射校正得到全色影像数据，对其中的多光谱影像进行辐射定标和大气校正得到多光谱影像数据。
对全色影像数据和多光谱影像数据进行最大值及最小值归一化，得到归一化影像数据：
其中，为全色影像数据和多光谱影像数据的原始像元值，、/>分别为波段的最大值和最小值。
基于矩匹配算法归一化影像数据去除条带噪声，矩匹配如下：
其中，和/>分别为传感器成像第/>个像素校正前、校正后的辐射亮度值，/>和分别为传感器成像第/>个像素的均值和方差，/>和/>分别为传感器成像整景图像的均值和方差。
将上述处理好的高分数据，以全色数据为基准，对多光谱数据进行几何配准；利用低分辨率的多光谱影像与高分辨率的单波段影像重采样生成一幅高分辨率多光谱遥感图像；最后将融合后的图像进行云检测与去云处理，再将处理好的几幅影像拼接形成一幅影像，即预处理高分二号影像。
在上述实施例的基础上，对无人机航拍影像进行预处理，得到预处理航拍影像，包括：
对所述无人机航拍影像进行辐射定标和大气校正，得到航拍影像数据；
对所述航拍影像数据进行最大值及最小值归一化，得到归一化航拍数据；
利用矩匹配算法对所述归一化航拍数据去除条带噪声后进行波段融合，得到单波段的预处理航拍影像。
可以理解的是，本发明实施例采用与处理高分影像相同的图像预处理方法对无人机航拍影像进行预处理。
具体地，对无人机航拍影像进行辐射定标和大气校正，得到航拍影像数据，进一步对航拍影像数据进行最大值及最小值归一化，得到归一化航拍数据。
然后利用矩匹配算法对归一化航拍数据去除条带噪声后进行波段融合，得到单波段的预处理航拍影像。
将无人机航拍影像进行波段融合，形成一幅灰度影像：
其中，R、G和B分别表示RGB三通道波段图像。
最后配准航拍影像与高分影像，将高分影像近红外波段与航拍灰度影像进行融合。
本发明综合利用了高分影像数据和航空影像数据，利用无人机的可见光与热红外波段影像一定程度上弥补了遥感影像缺失的对植被敏感的热红外信息，同时又提升了影像的分辨率。
在上述实施例的基础上，基于所述融合影像构建多尺度场景数据集，采用预设分类模型对所述多尺度场景数据集进行分类，对分类后的数据集扩充后融合多尺度特征模型，得到场景层次遥感影像湿地分类模型，包括：
确定所述融合影像的湿地场景分布信息、图像语义分割信息以及场景尺寸推广信息，构建所述多尺度场景数据集；
确定所述预设分类模型，保留所述预设分类模型的特征提取部分，采用交替连接的1个全局平均池化层、2个全连接层及2个Dropout层替换所述预设分类模型中的Softmax函数，得到不同尺度分类模型；
采用多种预设评价指标对所述不同尺度分类模型进行评价，确定评价值最高的分类模型作为初始场景层次遥感影像湿地分类模型；
由所述初始场景层次遥感影像湿度分类模型对所述多尺度场景数据集进行分类，得到所述分类后的数据集；
对所述分类后的数据集进行加密采样和交叉采样，得到扩充数据集；
基于所述扩充数据集，获取融合多尺度特征模型；
利用多种预设评价指标对所述融合多尺度特征模型进行评价，获得所述场景层次遥感影像湿地分类模型。
其中，所述基于所述扩充数据集，获取融合多尺度特征模型，包括：
依次提取网络中每一次池化计算前的第一尺度特征、第二尺度特征、第三尺度特征和第四尺度特征；
分别基于第一预设尺寸池化核、第二预设尺寸池化核、第三预设尺寸池化核和第四预设尺寸池化核将所述第一尺度特征、所述第二尺度特征、所述第三尺度特征和所述第四尺度特征进行特征聚合；
确定原有网络中的深度特征为第五尺度特征，将特征聚合后的所述第一尺度特征、所述第二尺度特征、所述第三尺度特征、所述第四尺度特征和所述第五尺度特征进行全局平均池化后进行逐一融合比较，得到所述融合多尺度特征模型。
具体地，如图4所示，首先从场景层次遥感影像湿地精细化分类入手，根据场景的分布情况、图像语义分割对感受野的要求以及场景尺寸在自然资源调查监测工作中的可推广性，构建多个尺度场景数据集来开展比较实验。
选取几种经典网络模型，如VGG19、InceptionV3、ResNet152、InceptionResNetV2和DenseNet169等，对网络结构进行微调，保留网络结构中的特征提取部分，用交替连接的1个全局平均池化层、2个全连接层及2个Dropout层来替代使用经典的Softmax函数实现分类任务。
然后采用基于常用的OA、Kappa系数以及平均F1值对模型的分类进行评价，对不同场景尺寸和不同CNN模型的分类效果进行比较，选取评价值最高的CNN模型作为最适宜的场景层次湿地遥感图像分类模型，评价指标公式包括：
其中，和/>分别表示被正确分类的样本数量和样本总数，而/>和分别表示数据j的样本标注值和模型预测值，P则表示了二值间的偶然一致性。OA和Kappa系数的值通常分布在0~1范围内，而愈接近1时说明模型的总体分类效果愈佳，可结合判断分类结果和样本间的总体一致性。
进一步地，通过加密采样和交叉采样方法进行数据集扩充，得到扩充数据集；将网络中每一次池化计算前学习到的特征图单独提取出来，依次命名为尺度特征F1~F4，并分别以 16×16、8×8、4×4和2×2尺寸的池化核进行特征聚合。而原有网络中为分类而正常输出的深度特征 也被命名为尺度特征F5，便于与F1~F4的多尺度特征在全局平均池化后逐一融合比较，以获得最优的多尺度特征融合模型。
最后基于OA值、Kappa系数以及F1均值对融合效果进行评价，选取评价最优结果模型作为适宜湿地场景分类的模型，即为UWSC-Net模型。
本发明通过融合基础模型的多尺度特征构建了用于高精度城市湿地场景分类的UWSC-Net模型，并实现了总体分类精度OA和Kappa值均为0.95左右的评价效果。
在上述实施例的基础上，对所述融合影像进行目视解译和数据增强，采用预设语义分割模型对解译增强后的数据进行分类，得到像元层次遥感影像湿地分类模型，包括：
对所述融合影像采用人工目视解译，得到解译后的数据；
基于水平翻转、垂直翻转以及对角镜像对所述解译后的数据进行数据增强，得到所述解译增强后的数据；
采用U-Net网络构建所述预设语义分割模型，保留所述预设语义分割模型的卷积层、池化层和上采样层，在所述预设语义分割模型的特征图输出增加Dropout层和BatchNormalization层；
对所述预设语义分割模型的输入特征图进行重排序得到数列，以所述数列作为输入像素图像矩阵，对所述输入像素图像矩阵进行重采样，并根据池化核尺寸进行升序和降序，获得不同种类的分类模型；
利用多种预设评价指标对所述不同种类的分类模型进行评价，得到所述像元层次遥感影像湿地分类模型。
其中，所述对所述预设语义分割模型的输入特征图进行重排序得到数列，包括：
将任意输入尺寸为1的输入特征图进行质因数分解，得到素数集合；
利用整理函数和排序方向对所述素数集合进行重排序，得到所述数列；
其中，所述数列根据所述排序方向、元素数量和池化核尺寸划分为若干种数列。
具体地，如图4所示，本发明实施例参照高分辨率遥感图像，对融合影像逐个进行人工目视解译，并使用水平翻转、垂直翻转及对角镜像的方法进行数据增强，得到解译增强后的数据。
基于经典U-Net网络构建适用于湿地图像精细化分类的语义分割模型，在网络结构方面，保留了卷积层、池化层、上采样层等U-Net网络的骨干内容，另在特征图输出环节添加了Dropout层和Batch Normalization层，以抑制可能出现的过拟合问题。在输入尺寸方面，经典U-Net网络的编码过程包括了4次下采样操作，而解码过程也包括了4次对应的上采样操作，且均是采用2×2尺寸的池化核函数和间隔步长进行；
其中，对于任意输入尺寸为1的特征图，通过质因数分解可得到一个素数集合p(l)，再利用整理函数Sort进行重排序得到数列{an}，参数trend表示排序方向，包括了升序和降序两种情况。
其中，要求{an}的元素数量n必须大于等于5个，根据数列{an}即可提取出符合要求的池化核尺寸。
将输入像素图像矩阵重采样以及根据池化核尺寸升序和降序两种情况得到的采样池化核尺寸分别设立为四种方案模型。
基于OA值、Kappa系数、平均F1值以及平均loU值对四种模型进行比较评价，选取评价值最高的为最佳语义分割模型，并命名为UWPC-Net模型。评价指标计算公式包括：
其中，precision和recall分别表示模型的查准率和查全率，也分别被称为精准率和召回率，TP则表示某类城市湿地中正确识别的样本数量，而FP和FN分别表示该类城市湿地中识别错误的样本数量和错误判断为其它类城市湿地的样本数量，precision、recall和F1score均分布在0~1范围内，且评价值对分类效果具有正响应。
其中，Dpredict为湿地像元的预测分布范围，Dlabel为样本标注分布范围，IoU分布在0~1范围内。当IoU=0时，预测分布范围和标注的分布范围完全不相交；而IoU=1时，二者完全重合。
本发明通过综合场景和像元两个层次进行湿地分类，整体算法所需输入参数较少，运行效率较高，适合大范围湿地精细化分类产品的生产。
下面对本发明提供的湿地分类信息提取系统进行描述，下文描述的湿地分类信息提取系统与上文描述的湿地分类信息提取方法可相互对应参照。
图5是本发明实施例提供的湿地分类信息提取系统的结构示意图，如图5所示，包括：预处理模块51、场景分类模块52、像元分类模块53和综合模块54，其中：
预处理模块51用于获取高分二号遥感影像和无人机航拍影像，分别对所述高分二号遥感影像和所述无人机航拍影像进行预处理，得到预处理高分二号影像和预处理航拍影像，融合所述预处理高分二号影像和所述预处理航拍影像得到融合影像；场景分类模块52用于基于所述融合影像构建多尺度场景数据集，采用预设分类模型对所述多尺度场景数据集进行分类，对分类后的数据集扩充后融合多尺度特征模型，得到场景层次遥感影像湿地分类模型；像元分类模块53用于对所述融合影像进行目视解译和数据增强，采用预设语义分割模型对解译增强后的数据进行分类，得到像元层次遥感影像湿地分类模型；综合模块54用于综合所述场景层次遥感影像湿地分类模型和所述像元层次遥感影像湿地分类模型，获取湿地分类信息。
图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行湿地分类信息提取方法，该方法包括：获取高分二号遥感影像和无人机航拍影像，分别对所述高分二号遥感影像和所述无人机航拍影像进行预处理，得到预处理高分二号影像和预处理航拍影像，融合所述预处理高分二号影像和所述预处理航拍影像得到融合影像；基于所述融合影像构建多尺度场景数据集，采用预设分类模型对所述多尺度场景数据集进行分类，对分类后的数据集扩充后融合多尺度特征模型，得到场景层次遥感影像湿地分类模型；对所述融合影像进行目视解译和数据增强，采用预设语义分割模型对解译增强后的数据进行分类，得到像元层次遥感影像湿地分类模型；综合所述场景层次遥感影像湿地分类模型和所述像元层次遥感影像湿地分类模型，获取湿地分类信息。
此外，上述的存储器630中的逻辑指令可以通过软件功能单元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所述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、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的湿地分类信息提取方法，该方法包括：获取高分二号遥感影像和无人机航拍影像，分别对所述高分二号遥感影像和所述无人机航拍影像进行预处理，得到预处理高分二号影像和预处理航拍影像，融合所述预处理高分二号影像和所述预处理航拍影像得到融合影像；基于所述融合影像构建多尺度场景数据集，采用预设分类模型对所述多尺度场景数据集进行分类，对分类后的数据集扩充后融合多尺度特征模型，得到场景层次遥感影像湿地分类模型；对所述融合影像进行目视解译和数据增强，采用预设语义分割模型对解译增强后的数据进行分类，得到像元层次遥感影像湿地分类模型；综合所述场景层次遥感影像湿地分类模型和所述像元层次遥感影像湿地分类模型，获取湿地分类信息。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。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。
通过以上的实施方式的描述，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，如ROM/RAM、磁碟、光盘等，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）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以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；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种湿地分类信息提取方法，其特征在于，包括：
获取高分二号遥感影像和无人机航拍影像，分别对所述高分二号遥感影像和所述无人机航拍影像进行预处理，得到预处理高分二号影像和预处理航拍影像，融合所述预处理高分二号影像和所述预处理航拍影像得到融合影像；
基于所述融合影像构建多尺度场景数据集，采用预设分类模型对所述多尺度场景数据集进行分类，对分类后的数据集扩充后融合多尺度特征模型，得到场景层次遥感影像湿地分类模型；
对所述融合影像进行目视解译和数据增强，采用预设语义分割模型对解译增强后的数据进行分类，得到像元层次遥感影像湿地分类模型；
综合所述场景层次遥感影像湿地分类模型和所述像元层次遥感影像湿地分类模型，获取湿地分类信息。
2.根据权利要求1所述的湿地分类信息提取方法，其特征在于，对高分二号遥感影像进行预处理，得到预处理高分二号影像，包括：
将所述高分二号遥感影像中的全色影像进行正射校正，得到全色影像数据；
将所述高分二号遥感影像中的多光谱影像进行辐射定标和大气校正，得到多光谱影像数据；
分别对所述全色影像数据和所述多光谱影像数据进行最大值及最小值归一化，得到归一化影像数据；
利用矩匹配算法对所述归一化影像数据去除条带噪声，基于全色数据对去除条带噪声的归一化影像数据进行几何配准，并采用预设低分辨率多光谱影像和预设高分辨率单波段影像进行重采样，生成预设高分辨率多光谱遥感影像；
对所述预设高分辨率多光谱遥感影像进行去云操作与图像拼接，得到所述预处理高分二号影像。
3.根据权利要求1所述的湿地分类信息提取方法，其特征在于，对无人机航拍影像进行预处理，得到预处理航拍影像，包括：
对所述无人机航拍影像进行辐射定标和大气校正，得到航拍影像数据；
对所述航拍影像数据进行最大值及最小值归一化，得到归一化航拍数据；
利用矩匹配算法对所述归一化航拍数据去除条带噪声后进行波段融合，得到单波段的预处理航拍影像。
4.根据权利要求1所述的湿地分类信息提取方法，其特征在于，基于所述融合影像构建多尺度场景数据集，采用预设分类模型对所述多尺度场景数据集进行分类，对分类后的数据集扩充后融合多尺度特征模型，得到场景层次遥感影像湿地分类模型，包括：
确定所述融合影像的湿地场景分布信息、图像语义分割信息以及场景尺寸推广信息，构建所述多尺度场景数据集；
确定所述预设分类模型，保留所述预设分类模型的特征提取部分，采用交替连接的1个全局平均池化层、2个全连接层及2个Dropout层替换所述预设分类模型中的Softmax函数，得到不同尺度分类模型；
采用多种预设评价指标对所述不同尺度分类模型进行评价，确定评价值最高的分类模型作为初始场景层次遥感影像湿地分类模型；
由所述初始场景层次遥感影像湿度分类模型对所述多尺度场景数据集进行分类，得到所述分类后的数据集；
对所述分类后的数据集进行加密采样和交叉采样，得到扩充数据集；
基于所述扩充数据集，获取融合多尺度特征模型；
利用多种预设评价指标对所述融合多尺度特征模型进行评价，获得所述场景层次遥感影像湿地分类模型。
5.根据权利要求4所述的湿地分类信息提取方法，其特征在于，所述基于所述扩充数据集，获取融合多尺度特征模型，包括：
依次提取网络中每一次池化计算前的第一尺度特征、第二尺度特征、第三尺度特征和第四尺度特征；
分别基于第一预设尺寸池化核、第二预设尺寸池化核、第三预设尺寸池化核和第四预设尺寸池化核将所述第一尺度特征、所述第二尺度特征、所述第三尺度特征和所述第四尺度特征进行特征聚合；
确定原有网络中的深度特征为第五尺度特征，将特征聚合后的所述第一尺度特征、所述第二尺度特征、所述第三尺度特征、所述第四尺度特征和所述第五尺度特征进行全局平均池化后进行逐一融合比较，得到所述融合多尺度特征模型。
6.根据权利要求1所述的湿地分类信息提取方法，其特征在于，对所述融合影像进行目视解译和数据增强，采用预设语义分割模型对解译增强后的数据进行分类，得到像元层次遥感影像湿地分类模型，包括：
对所述融合影像采用人工目视解译，得到解译后的数据；
基于水平翻转、垂直翻转以及对角镜像对所述解译后的数据进行数据增强，得到所述解译增强后的数据；
采用U-Net网络构建所述预设语义分割模型，保留所述预设语义分割模型的卷积层、池化层和上采样层，在所述预设语义分割模型的特征图输出增加Dropout层和BatchNormalization层；
对所述预设语义分割模型的输入特征图进行重排序得到数列，以所述数列作为输入像素图像矩阵，对所述输入像素图像矩阵进行重采样，并根据池化核尺寸进行升序和降序，获得不同种类的分类模型；
利用多种预设评价指标对所述不同种类的分类模型进行评价，得到所述像元层次遥感影像湿地分类模型。
7.根据权利要求6所述的湿地分类信息提取方法，其特征在于，所述对所述预设语义分割模型的输入特征图进行重排序得到数列，包括：
将任意输入尺寸为1的输入特征图进行质因数分解，得到素数集合；
利用整理函数和排序方向对所述素数集合进行重排序，得到所述数列；
其中，所述数列根据所述排序方向、元素数量和池化核尺寸划分为若干种数列。
8.一种湿地分类信息提取系统，其特征在于，包括：
预处理模块，用于获取高分二号遥感影像和无人机航拍影像，分别对所述高分二号遥感影像和所述无人机航拍影像进行预处理，得到预处理高分二号影像和预处理航拍影像，融合所述预处理高分二号影像和所述预处理航拍影像得到融合影像；
场景分类模块，用于基于所述融合影像构建多尺度场景数据集，采用预设分类模型对所述多尺度场景数据集进行分类，对分类后的数据集扩充后融合多尺度特征模型，得到场景层次遥感影像湿地分类模型；
像元分类模块，用于对所述融合影像进行目视解译和数据增强，采用预设语义分割模型对解译增强后的数据进行分类，得到像元层次遥感影像湿地分类模型；
综合模块，用于综合所述场景层次遥感影像湿地分类模型和所述像元层次遥感影像湿地分类模型，获取湿地分类信息。
9.一种电子设备，包括存储器、处理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，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述湿地分类信息提取方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述湿地分类信息提取方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310768348.4A CN116503677B (zh) | 2023-06-28 | 2023-06-28 | 一种湿地分类信息提取方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310768348.4A CN116503677B (zh) | 2023-06-28 | 2023-06-28 | 一种湿地分类信息提取方法、系统、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116503677A true CN116503677A (zh) | 2023-07-28 |
| CN116503677B CN116503677B (zh) | 2023-09-05 |
Family
ID=87328779
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310768348.4A Active CN116503677B (zh) | 2023-06-28 | 2023-06-28 | 一种湿地分类信息提取方法、系统、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116503677B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116824396A (zh) * | 2023-08-29 | 2023-09-29 | 湖北省泛星信息技术有限公司 | 一种多卫星数据融合自动化解译的方法 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109697475A (zh) * | 2019-01-17 | 2019-04-30 | 中国地质大学（北京） | 一种湿地植被信息分析方法、遥感监测组件及监测方法 |
| CN109816707A (zh) * | 2018-12-25 | 2019-05-28 | 中铁第四勘察设计院集团有限公司 | 一种基于高分辨率卫星影像的露天采矿场信息提取方法 |
| CN110309780A (zh) * | 2019-07-01 | 2019-10-08 | 中国科学院遥感与数字地球研究所 | 基于bfd-iga-svm模型的高分辨率影像房屋信息快速监督识别 |
| CN111709379A (zh) * | 2020-06-18 | 2020-09-25 | 谢国雪 | 基于遥感影像的丘陵区柑橘种植地块监测方法及系统 |
| CN113420662A (zh) * | 2021-06-23 | 2021-09-21 | 西安电子科技大学 | 基于孪生多尺度差异特征融合的遥感影像变化检测方法 |
| WO2021184891A1 (zh) * | 2020-03-20 | 2021-09-23 | 中国科学院深圳先进技术研究院 | 遥感影像地物分类方法及系统 |
| CN113936214A (zh) * | 2021-10-19 | 2022-01-14 | 桂林理工大学 | 一种基于融合空天遥感影像的岩溶湿地植被群落分类方法 |
| WO2022073452A1 (zh) * | 2020-10-07 | 2022-04-14 | 武汉大学 | 一种基于自注意力上下文网络的高光谱遥感图像分类方法 |
| CN114494851A (zh) * | 2021-12-23 | 2022-05-13 | 青岛星科瑞升信息科技有限公司 | 一种基于多时相遥感影像差异信息的滑坡提取方法 |
| CN114595975A (zh) * | 2022-03-11 | 2022-06-07 | 安徽大学 | 基于深度学习模型的无人机遥感松材线虫病害监测方法 |
| WO2022133194A1 (en) * | 2020-12-17 | 2022-06-23 | Trustees Of Tufts College | Deep perceptual image enhancement |
| CN115546656A (zh) * | 2022-09-14 | 2022-12-30 | 山东科技大学 | 一种基于深度学习的遥感影像养殖区域提取方法 |
| CN115861837A (zh) * | 2022-12-02 | 2023-03-28 | 湖南省第二测绘院 | 基于Ares-UNet++网络的耕地识别方法及相关装置 |
| CN115984603A (zh) * | 2022-11-24 | 2023-04-18 | 中国矿业大学 | 基于gf-2与开放地图数据的城市绿地精细化分类方法与系统 |
-
2023
- 2023-06-28 CN CN202310768348.4A patent/CN116503677B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109816707A (zh) * | 2018-12-25 | 2019-05-28 | 中铁第四勘察设计院集团有限公司 | 一种基于高分辨率卫星影像的露天采矿场信息提取方法 |
| CN109697475A (zh) * | 2019-01-17 | 2019-04-30 | 中国地质大学（北京） | 一种湿地植被信息分析方法、遥感监测组件及监测方法 |
| CN110309780A (zh) * | 2019-07-01 | 2019-10-08 | 中国科学院遥感与数字地球研究所 | 基于bfd-iga-svm模型的高分辨率影像房屋信息快速监督识别 |
| WO2021184891A1 (zh) * | 2020-03-20 | 2021-09-23 | 中国科学院深圳先进技术研究院 | 遥感影像地物分类方法及系统 |
| CN111709379A (zh) * | 2020-06-18 | 2020-09-25 | 谢国雪 | 基于遥感影像的丘陵区柑橘种植地块监测方法及系统 |
| WO2022073452A1 (zh) * | 2020-10-07 | 2022-04-14 | 武汉大学 | 一种基于自注意力上下文网络的高光谱遥感图像分类方法 |
| WO2022133194A1 (en) * | 2020-12-17 | 2022-06-23 | Trustees Of Tufts College | Deep perceptual image enhancement |
| CN113420662A (zh) * | 2021-06-23 | 2021-09-21 | 西安电子科技大学 | 基于孪生多尺度差异特征融合的遥感影像变化检测方法 |
| CN113936214A (zh) * | 2021-10-19 | 2022-01-14 | 桂林理工大学 | 一种基于融合空天遥感影像的岩溶湿地植被群落分类方法 |
| CN114494851A (zh) * | 2021-12-23 | 2022-05-13 | 青岛星科瑞升信息科技有限公司 | 一种基于多时相遥感影像差异信息的滑坡提取方法 |
| CN114595975A (zh) * | 2022-03-11 | 2022-06-07 | 安徽大学 | 基于深度学习模型的无人机遥感松材线虫病害监测方法 |
| CN115546656A (zh) * | 2022-09-14 | 2022-12-30 | 山东科技大学 | 一种基于深度学习的遥感影像养殖区域提取方法 |
| CN115984603A (zh) * | 2022-11-24 | 2023-04-18 | 中国矿业大学 | 基于gf-2与开放地图数据的城市绿地精细化分类方法与系统 |
| CN115861837A (zh) * | 2022-12-02 | 2023-03-28 | 湖南省第二测绘院 | 基于Ares-UNet++网络的耕地识别方法及相关装置 |
Non-Patent Citations (2)
| Title |
|---|
| ZHONGYI ZHAN等: "Combining GF-2 and Sentinel-2 Images to Detect Tree Mortality Caused by Red Turpentine Beetle during the Early Outbreak Stage in North China", 《FORESTS》, pages 1 - 17 * |
| 赵雪: "辽河口芦苇湿地生态环境修复遥感监测研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》, no. 2, pages 027 - 206 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116824396A (zh) * | 2023-08-29 | 2023-09-29 | 湖北省泛星信息技术有限公司 | 一种多卫星数据融合自动化解译的方法 |
| CN116824396B (zh) * | 2023-08-29 | 2023-11-21 | 湖北省泛星信息技术有限公司 | 一种多卫星数据融合自动化解译的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116503677B (zh) | 2023-09-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110929607B (zh) | 一种城市建筑物施工进度的遥感识别方法和系统 | |
| CN111428781A (zh) | 遥感影像地物分类方法及系统 | |
| CN110046550B (zh) | 基于多层特征学习的行人属性识别系统及方法 | |
| CN111652273B (zh) | 一种基于深度学习的rgb-d图像分类方法 | |
| CN112906662B (zh) | 一种遥感图像变化检测方法、装置、设备及存储介质 | |
| CN113838064B (zh) | 一种基于分支gan使用多时相遥感数据的云去除方法 | |
| CN116503677B (zh) | 一种湿地分类信息提取方法、系统、电子设备及存储介质 | |
| CN113988147B (zh) | 基于图网络的遥感图像场景多标签分类方法及装置、多标签检索方法及装置 | |
| CN113901900A (zh) | 一种同源或异源遥感图像用无监督变化检测方法及系统 | |
| CN115049640B (zh) | 一种基于深度学习的道路裂缝检测方法 | |
| CN113435254A (zh) | 一种基于哨兵二号影像的耕地深度学习提取方法 | |
| CN113724286A (zh) | 显著性目标的检测方法、检测设备及计算机可读存储介质 | |
| CN116469020A (zh) | 一种基于多尺度和高斯Wasserstein距离的无人机图像目标检测方法 | |
| CN117197763A (zh) | 基于交叉注意引导特征对齐网络的道路裂缝检测方法和系统 | |
| CN111046838A (zh) | 一种湿地遥感信息的识别方法及装置 | |
| CN109101977A (zh) | 一种基于无人机的数据处理的方法及装置 | |
| CN111079807B (zh) | 一种地物分类方法及装置 | |
| CN112084941A (zh) | 一种基于遥感图像的目标检测与识别方法 | |
| CN116758419A (zh) | 针对遥感图像的多尺度目标检测方法、装置和设备 | |
| CN115937736A (zh) | 基于注意力和上下文感知的小目标检测方法 | |
| CN110796716A (zh) | 一种基于多重残差网络和正则化迁移学习的图像着色方法 | |
| CN116091946A (zh) | 一种基于YOLOv5的无人机航拍图像目标检测方法 | |
| CN113313185B (zh) | 一种基于自适应空谱特征提取的高光谱图像分类方法 | |
| CN114187477A (zh) | 一种基于监督自对比学习的小样本高光谱图像分类方法 | |
| CN114463764A (zh) | 表格线检测方法、装置、计算机设备和存储介质 |
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 |