CN116758361A - 基于空间与光谱联合特征的工程岩组遥感分类方法及系统 - Google Patents
基于空间与光谱联合特征的工程岩组遥感分类方法及系统 Download PDFInfo
- Publication number
- CN116758361A CN116758361A CN202311054979.6A CN202311054979A CN116758361A CN 116758361 A CN116758361 A CN 116758361A CN 202311054979 A CN202311054979 A CN 202311054979A CN 116758361 A CN116758361 A CN 116758361A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- image
- spatial
- rock
- spectral
- 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
- 239000011435 rock Substances 0.000 title claims abstract description 98
- 230000003595 spectral effect Effects 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000001228 spectrum Methods 0.000 claims abstract description 58
- 230000011218 segmentation Effects 0.000 claims abstract description 47
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 32
- 238000000513 principal component analysis Methods 0.000 claims abstract description 17
- 238000003708 edge detection Methods 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 11
- 238000010521 absorption reaction Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims description 2
- 230000005855 radiation Effects 0.000 claims description 2
- 230000001629 suppression Effects 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims 1
- 238000005259 measurement Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 10
- 238000011835 investigation Methods 0.000 abstract description 6
- 238000011160 research Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 10
- 229910052500 inorganic mineral Inorganic materials 0.000 description 6
- 239000011707 mineral Substances 0.000 description 6
- 230000009466 transformation Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06V10/20—Image preprocessing
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/30—Noise filtering
-
- 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
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (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)
- Spectroscopy & Molecular Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于空间与光谱联合特征的工程岩组遥感分类方法及系统，属于高光谱遥感的岩组分类技术领域。通过主成分分析、边缘检测法、滤波器提取纹理特征、超像素分割等得到各个分割的子区域，通过各个子区域的平均光谱拐点数，对大量光谱进行特征波段的选取，避免无效光谱数据的干扰；利用同步获取的高空间分辨率全色影像，通过图像增强和基于区域生长的分割算法来提取研究区内地质体更详细的空间特征；通过充分利用高光谱遥感影像自身提供的空间信息、高空间分辨率全色影像更详细的空间特征，实现了在空间特征约束下的岩组光谱分类。本发明增强了高光谱遥感技术在工程地质岩组勘察中的实用性，提高了工程地质岩组遥感分类地质岩组遥感分类精度，具有较好的应用前景。
Description
技术领域
本发明涉及基于高光谱遥感的岩组分类技术领域，尤其涉及一种基于空间与光谱联合特征的工程岩组遥感分类方法及系统。
背景技术
高光谱分辨率遥感（简称高光谱遥感）技术可同时获取观测目标（如岩石）的空间特征和精细的光谱特征，是现代遥感的前沿技术之一，实现了对地观测的图谱合一，可在描述地物二维空间分布特性的同时，提供地物的光谱反射特性，能够极大提升工程地质勘察遥感判释中，岩组分类识别的精度。岩石由多种矿物组成，不同岩石的基本物质成分和结构不同，进而，不同岩石对可见光和近红外光的反射光谱特性不同；换言之，像每个人有独一无二的指纹一样，每种岩石都具备其特有的光谱特性。其中，岩石的光谱特性主要包括光谱吸收峰（或反射峰）位置、光谱吸收峰（或反射峰）宽度、光谱吸收峰（或反射峰）深度等特征参数；可通过上述特征或其组合，来对岩石进行分类识别。
现有基于高光谱遥感影像分类识别岩石的方法，大部分只利用了高光谱遥感影像光谱维的信息，致力于通过光谱特征来分类和识别岩性岩组，即基于光谱维设计岩性分类识别方法。然而，由于岩石的光谱特征是由岩石的矿物组分、表面状态、大气环境、背景地物等因素综合影响的结果。因此，在工程勘察过程中，受光照条件、传感器系统误差、岩石表面风化等影响，普遍存在同一种岩石呈现出不同的光谱特征（简称“同物异谱”现象），以及不同岩石出现了极相似的光谱特征（简称“同谱异物”现象）。显然，仅通过光谱特征分类识别岩石时，易受“同物异谱”和“同谱异物”现象的影响，导致分类精度不高的问题，这也是现有基于高光谱遥感技术的岩组分类方法存在的主要问题之一。
高光谱遥感影像除包含丰富的光谱信息外，还可提供观测地物的空间信息；并且，在工程地质勘察遥感判释阶段，除了高光谱遥感影像，还可以同步获取高空间分辨率遥感影像（简称高分辨率影像），能够提供岩石空间维的颜色、形状等纹理特征，这些空间特征对岩性分类识别的作用也是巨大的，可以在很大程度上校准和提升基于光谱维岩性分类识别精度。因此，忽略岩石的空间纹理特征，只依赖岩石的光谱特征进行岩性分类识别，使得现有方法大多存在对遥感数据的光谱反演精度要求苛刻、类间相似性过高而导致的错分现象等问题。
中国地质大学戈文艳的博士学位论文《面向岩性信息增强的多源遥感数据融合研究》、核工业北京地质研究院公开了“一种基于光谱信息自动识别岩石矿物的方法CN109283148A”、王建刚的硕士学位论文《基于机器学习的航空高光谱遥感岩性识别技术研究》。中国自然资源航空物探遥感中心公开了“一种基于非监督特征提取的岩性识别方法、装置及介质 CN113486869A”。中国地质大学张宗贵的博士学位论文《成像光谱岩矿识别方法技术研究和影响因素分析》。甘甫平、李万伦等编写的书籍《高光谱遥感地质作用建模及应用》。长安大学姜廷轩的期刊论文《高光谱遥感技术在地质领域的发展与应用概况》。可通过上述文献，进一步了解相关技术原理。
现有技术的缺点是，在利用高光谱遥感技术进行工程地质岩组分类识别时，仅考虑了高光谱遥感影像提供的光谱信息，忽略了高光谱遥感影像包含的空间纹理信息，使得现有方法易受“同物异谱”和“同谱异物”现象的影响，大多存在对遥感数据的光谱反演精度要求苛刻、类间相似性过高等问题，进而导致实际工程应用时分类精度不高，这也是现有基于高光谱遥感技术的岩性分类方法在工程应用中存在的主要问题之一。
此外，现有全谱段高光谱成像仪与全谱段地物光谱仪设备可获取岩石矿物在可见/近红外波段范围内的光谱特征，对应波长范围为380nm-2500nm，包含约200个波段，数据维度较高，波段间冗余严重；而在岩性分类实际应用中，岩石矿物的光谱吸收峰或反射峰等特征波段主要集中于1000nm-2400nm波长范围内，换言之，约50%的波段对岩性分析不具备实际参考意义；因此，如何根据任务需求对光谱特征进行有效的选择，如何将选择的光谱特征与高空间分辨率影像提供的空间特征进行融合，提高工程中岩性分类分析的精度是本申请急需解决的问题。
发明内容
因此，本发明提供一种基于空间与光谱联合特征的工程岩组遥感分类方法及系统，解决现在利用高光谱遥感技术进行地质岩组分类时，无法将光谱信息与空间纹理信息进行结合，无法避免“同物异谱”和“同谱异物”现象的发生， 进而导致实际工程应用时分类精度不高的问题。
为了实现上述目的，本发明提供的一种基于空间与光谱联合特征的工程岩组遥感分类方法，包括如下过程：
S1、基于高光谱遥感影像获取地质体的光谱特征，包括：
S101、对原始高光谱遥感影像预处理，并进行主成分分析，得到高光谱遥感影像的第一主成分影像；
S102、利用边缘检测算法对第一主成分影像，提取出观测区域内不同类型地质体之间的分界线；
S103、利用三维Gabor滤波器对预处理后的高光谱遥感影像滤波，得到高光谱遥感影像的Gabor空间分布特征；
S104、将S103和S102得到的空间分布特征及不同类型地质体之间的分界线，利用超像素分割算法进行超像素分割，根据不同地质体的空间纹理特征，将原始高光谱遥感影像分为若干子区域，记录各个子区域的索引；
S105、计算各个子区域的平均光谱拐点数，得到岩石特征波段，对得到的岩石特征波段，利用主成分分析提取光谱特征，得到岩石光谱维特征数据；
S2、基于高分辨率全色影像获取地质体的空间特征，包括：
S201、对预处理后的全色影像进行图像增强并归一化；
S202、基于区域生长的多尺度分割算法对归一化后的全色影像进行分割合并，得到不同地质体的精细分割结果；
S203、对得到的分割结果进行降采样，使降采样后形成的图像与高光谱遥感数据具有相同的像元数；
S3、将降采样后形成的图像作为单独的逻辑波段叠加至光谱维特征数据组成包含高光谱分辨率信息与高空间分辨率信息的遥感数据；
S4、利用向量机对组合后的遥感数据进行分类，得到工程地质岩组分类结果。
另一方面，本发明还提供一种基于空间与光谱联合特征的工程岩组遥感分类系统，包括：特征波段获取模块，空间特征获取模块、数据融合模块和岩组分类模块；
所述特征波段获取模块用于对原始高光谱遥感影像预处理，并进行主成分分析，得到高光谱遥感影像的第一主成分影像；利用边缘检测算法对第一主成分影像，提取出观测区域内不同类型地质体之间的分界线；利用三维Gabor滤波器对预处理后的高光谱遥感影像滤波，得到高光谱遥感影像的Gabor空间分布特征；将得到的空间分布特征及不同类型地质体之间的分界线，利用超像素分割算法进行超像素分割，根据不同地质体的空间纹理特征，将原始高光谱遥感影像分给为若干子区域，记录各个子区域的索引；计算各个子区域的平均光谱拐点数，得到岩石特征波段，对得到的岩石特征波段，利用主成分分析提取光谱特征，得到光谱维特征数据；
所述空间特征获取模块用于对预处理后的全色影像进行图像增强并归一化；基于区域生长的多尺度分割算法对归一化后的全色影像进行分割合并，得到不同地质体的精细分割结果；对得到的分割结果进行降采样，使降采样后形成的图像与高光谱遥感数据相同的像元数；
所述数据融合模块用于将降采样后形成的图像作为单独的逻辑波段叠加至光谱维特征数据组成包含高光谱分辨率信息与高空间分辨率信息的遥感数据；
所述岩组分类模块，利用向量机对组合后的遥感数据进行分类，得到工程地质岩组分类结果。
本发明还提供一种计算机存储介质，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述基于空间与光谱联合特征的工程岩组遥感分类方法的步骤。
本申请公开的基于空间与光谱联合特征的工程岩组遥感分类方法及系统，相比于现有技术至少具有以下优点：
本申请实现了对地质体的光谱特性和空间纹理特性两方面数据信息进行综合分析从而得到准确的岩组分类数据，在本申请中通过主成分分析、边缘检测法、滤波器提取纹理特征、超像素分割等得到各个分割的子区域，通过各个子区域的平均光谱拐点数，对大量光谱进行特征波段的选取，避免无效光谱数据的干扰；利用同步获取与高光谱遥感影像相同或相近拍摄时间的高空间分辨率全色影像，通过图像增强和基于区域生长的分割算法来提取研究区内地质体更详细的空间特征；通过充分利用高光谱遥感影像自身提供的空间信息、以及同一区域高空间分辨率影像提供的详细空间信息，实现了在空间特征约束下的岩组光谱分类。本发明增强了高光谱遥感技术在工程地质岩组勘察中的实用性，提高了地质岩组遥感分类精度，具有较好的应用前景。
本发明提供的基于遥感技术的工程地质岩组分类方法，不仅可基于不同岩组具备不同的光谱特征进行分析，同样也可以结合不同岩组和颜色、纹理等空间特征进行分析。并且，同时利用空间特征与光谱特征时，就会抑制一部分由于“同物异谱”和“同谱异物”等现象造成的类内噪声等错分类问题；当同时利用光谱特征和多尺度空间特征时，算法岩组分类的精度理论上会更高。
附图说明
图1为本发明提供的基于空间与光谱联合特征的工程岩组遥感分类方法的流程示意图；
图2为本发明实施例提供的基于空间与光谱联合特征的工程岩组遥感分类方法的具体流程图；
图3是工程地质岩组勘察区域示意图；
图4是基于光谱特征的地质岩组遥感分类结果示意图；
图5是基于空间和光谱联合特征的地质岩组遥感分类结果示意图。
具体实施方式
以下通过附图和具体实施方式对本发明作进一步的详细说明。
如图1所示，本发明一方面实施例提供的一种基于空间与光谱联合特征的工程岩组遥感分类方法，包括如下过程：
S1、基于高光谱遥感影像获取地质体的特征波段，具体包括：
获取的高光谱遥感影像为数据立方体，/>代表影像高度也即像元行数，/>代表影像宽度也即像元列数，/>代表波段总数也即像元特征维度。本发明将高光谱数据转换为/>进行处理，其中/>是影像的像元总数，/>是高光谱影像的波段总数，即将高光谱影像的/>个像元看作/>个向量，而每个向量有/>个坐标，故影像所有像元样本可表示为/>
S101、对原始高光谱遥感影像预处理，并进行主成分分析，得到高光谱遥感影像的第一主成分影像；
其中，预处理过程包括利用标准化对已完成辐射校正、降噪等预处理操作后的高光谱遥感影像进行归一化处理，将每个像元在各波段的灰度值映射至/>内。
具体地：应用标准化方法对高光谱遥感影像/>进行归一化；
其中，是其最小值，/>是其最大值。
由于影像所有像元样本可表示为，因此具体可以采用以下步骤进行第一主成分提取。
Step1.1：构造集合，计算该集合的协方差矩阵/>：
式中，
Step1.2：求协方差矩阵的最大特征值相对应的单位特征向量/>;
Step1.3：用特征向量组成投影矩阵/>;
Step1.4：计算，/>，所得到的/>分别为输入量/>降维后的向量。
Step1.5：得到第一主成分影像。
S102、利用边缘检测算法对第一主成分影像，提取出观测区域内不同类型地质体之间的分界线；
基于Canny算子的边缘检测方法对step2中得到的第一主成分影像进行分割，具体地：
Step2.1：应用高斯滤波模板进行卷积以平滑影像，去除噪声；
Step2.2：利用微分算子，计算梯度的幅值和方向；
Step2.3：对梯度幅值进行非极大值抑制，即遍历影像，若某个像素的灰度值与其梯度方向上前后两个像素的灰度值的差值小于设定值，则该像素值置为0，即不是边缘。
S103、利用三维Gabor滤波器对预处理后的高光谱遥感影像滤波，得到高光谱遥感影像的Gabor空间分布特征；
应用3D Gabor滤波器对step1得到的进行处理，得到高光谱遥感影像的Gabor空间分布特征，具体地，Gabor 变换是一种短时加窗傅里叶变换，即在特定时间窗内做傅里叶变换，是短时傅里叶变换中窗函数取为高斯函数时的一种特殊情况；因此，Gabor滤波器可以在频域上不同尺度、不同方向上提取相关的特征。另外，Gabor函数与人眼的作用相仿，常用于纹理识别，并取得了较好的效果。
S104、将S102和S103得到的空间分布特征及不同类型地质体之间的分界线，利用超像素分割算法进行超像素分割，根据不同地质体的空间纹理特征，将原始高光谱遥感影像分为若干子区域，记录各个子区域的索引；
具体而言，目标函数由两部分组成：图上随机游动的熵率和平衡项。前者，即熵率，有利于形成紧凑均匀的连通区域；后者，即平衡函数，则有利于形成面积大小相似的连通区域。这两者保证了分割后的各超像素位置紧凑、尺寸大小相似，避免了分割后各子区域面积相差较大的问题。具体地，ERS算法对无向图的定义为：
其中是顶点集，/>是边线集，通过选择边线集的子集/>（/>），将输入图像划分为预设数量的连通子区域。于是，新的无向图/>由更小尺寸的连通区域组成：
ERS算法的目标函数便是基于熵率和平衡项/>进行优化的，其目标函数优化式为：
其中，是平衡项的权重参数；/>为矩阵迹的求解函数。如前文所述，熵率有利于形成紧凑均匀的连通区域；平衡项/> 有利于形成面积大小相似的连通区域。
应用熵率超像素分割（Entropy Rate Superpixel Segmentation，ERS）算法，将超像素分割为若干子区域；经过ERS算法处理后，原始图像中每10个像元组合成一个新的像元，这个新的像元称为超像素；例如：一幅100*100像元的图像，经ERS处理后，变成了10*10像素的图像；这样做的好处是，增加类内一致性，增加类间差异性。
S105、计算各个子区域的平均光谱拐点数，得到岩石特征波段，对得到的岩石特征波段，利用主成分分析提取光谱特征，得到高光谱数据；
基于本发明提出光谱拐点分数（Spectral Change Point Fractions，SCPF）的概念，来评价高光谱遥感图像各个波段在岩性分析中重要性程度。具体地，将归一化后的高光谱遥感图像中第/>个像元/>，其在第/>个波段的/>定义为：
其中，表示求方差函数；/>表示像元/>在第/>至/>共5个波段内的平均值，/>表示像元/>在第/>至/>共5个波段内的平均值。（显然，光谱拐点分数/>值越大，表示该波段越有可能存在拐点，也即该波段越有可能是岩石的吸收峰或反射峰所在波段，换言之，该波段在岩性分析中重要程度较高。）按照/>值大小次序，选取前10个作为岩石光谱吸收峰或反射峰所在的特征波段，每个特征波段前后各保留5个波段作为岩性分类有效波段，也即通过光谱拐点分数/>值，选取在岩性分析中重要性程度排名前100的波段进行后续分析，舍弃其余波段，记为/>；
还包括利用主成分分析（PCA）对step6得到包含100个波段的高光谱遥感影像进行光谱特征提取，保留的前9个主成分，记为/>,具体包括：
Step5.1：构造集合，计算该集合的协方差矩阵/>：
式中，
Step5.2：求协方差矩阵特征值最大的前九个所对应的单位特征向量;
Step5.3：用特征向量组成投影矩阵/>;
Step5.4：计算，/>，所得到的/>分别为输入量/>降维后的向量。
Step5.5：得到前九主成分所组成的高光谱数据。
S2、基于高分辨率全色影像获取地质体的空间特征；
S201、对预处理后的全色影像进行图像增强并归一化；具体包括获取与高光谱遥感影像 对应位置的高空间分辨率全色遥感影像/>；用直方图均衡化方法对进行图像增强处理；
应用标准化方法对高空间分辨率全色影像/>进行归一化处理，具体地：
其中，表示影像大小为/>行/>列，/>是其最小值，/>是其最大值。
S202、基于区域生长的多尺度分割算法对归一化后的全色影像进行分割合并，得到不同地质体的精细分割结果；
由于高空间分辨率遥感影像的空间分辨率高，因此这一步分割操作可以将遥感图像分割成比S104更精细的若干子区域；
所述基于区域生长的多尺度分割算法具体包括：
Step2-1：选取种子点，即利用Sobel算子计算的梯度，将梯度值大于预设阈值的像元判为边界，进而将每个闭合边界的内部视为一个匀质区域，随机选取其中一个作为种子点；
Step2-2：区域生长，即利用局域最佳相互适配思想合并分割单元，假定任意选择一个种子点，从其邻域中搜索与特征差异最小的对象/>，对/>执行同样的搜索，得到与其特征差异最小的对象/>，若/>，则认为/>和/>之间满足同质准则，否则，令、/>并重复上述搜索过程，直至满足/>。
Step2-3：区域合并，即利用光滑度和紧致度/>两个形状差异性度量准则指导区域合并，其中光滑度/>可表征合并后区域边界的光滑程度，紧致度/>可保证合并后的区域更加紧凑，其公式表达为：
为区域周长，/>为区域最小外接矩形周长，/>为区域面积，将两相邻区域的形状参数记为/>、/>、/>、/>，合并后的形状参数记为/>、/>，则光滑度/>和紧致度/>两个形状差异性度量准则可表示为：
式中：为合并后的区域周长，/>为合并区域最小外接矩形周长，/>为合并后的区域面积， />为相邻的两区域中其中一个区域的周长，/>为相邻的两个区域中其中一个区域的最小外接矩形周长，/>为另一个区域的周长、/>为另一个区域的最小外接矩形周长，/>为其中一个区域的面积，/>为另一个区域的面积。
Step2-4：尺度参数选择，即通过计算所有区域的平均面积作为图像分割的尺度参数和终止生长的准则。经上述区域合并后形成的各子区域进行平均面积计算，以平均面积作为图像分割的尺度参数，得到最终的分割结果。
S203、对得到的分割结果进行降采样，使降采样后形成的图像与高光谱遥感数据具有相同的像元数；
S3、将降采样后形成的图像作为单独的逻辑波段叠加至高光谱数据组成包含高光谱分辨率信息与高空间分辨率信息的遥感数据；具体为，将降采样后形成的图像作为单独的逻辑波段叠加至Step5.5得到的降维后高光谱数据中，组成包含高光谱分辨率信息与高空间分辨率信息的遥感数据/>；
S4、利用向量机对组合后的遥感数据进行分类，得到工程地质岩组分类结果。应用支持向量机对进行岩性分类，所述SVM分类方法具体步骤为：
Step4-1：选取训练集和测试集，即结合高空间分辨率遥感图像与区域地质图等资料，选取可通过先验知识判别其岩性的小部分像元组成训练集；
Step4-2：进行特征映射，即以S104中得到的每个子区域为处理单元，利用径向基核函数将高光谱数据映射至更高维度空间；
Step4-3：计算超平面，即在高维空间中寻找一个超平面，使得各类数据点到该超平面的距离最大；
Step4-4：使用上述训练的模型对剩余像元进行分类。由此得到岩组的分类结果。
本发明还提供基于空间与光谱联合特征的工程岩组遥感分类系统，用于实施上述方法，包括：特征波段获取模块，空间特征获取模块、数据融合模块和岩组分类模块；
所述特征波段获取模块用于对原始高光谱遥感影像预处理，并进行主成分分析，得到高光谱遥感影像的第一主成分影像；利用边缘检测算法对第一主成分影像，提取出观测区域内不同类型地质体之间的分界线；利用三维Gabor滤波器对预处理后的高光谱遥感影像滤波，得到高光谱遥感影像的Gabor空间分布特征；、将得到的空间分布特征及不同类型地质体之间的分界线，利用超像素分割算法进行超像素分割，根据不同地质体的空间纹理特征，将原始高光谱遥感影像分给为若干子区域，记录各个子区域的索引；计算各个子区域的平均光谱拐点数，得到岩石特征波段，对得到的岩石特征波段，利用主成分分析提取光谱特征，得到光谱维特征数据；
所述空间特征获取模块用于对预处理后的全色影像进行图像增强并归一化；基于区域生长的多尺度分割算法对归一化后的全色影像进行分割合并，得到不同地质体的精细分割结果；对得到的分割结果进行降采样，使降采样后形成的图像与高光谱遥感数据相同的像元数；
所述数据融合模块用于将降采样后形成的图像作为单独的逻辑波段叠加至光谱维特征数据组成包含高光谱分辨率信息与高空间分辨率信息的遥感数据；
所述岩组分类模块，利用向量机对组合后的遥感数据进行分类，得到工程地质岩组分类结果。
一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述基于基于空间与光谱联合特征的工程岩组遥感分类方法的步骤。
如图2所示，下述将以具体实施例对上述方法的实施过程以及结果进行详细解释
本发明的仿真实验是在基准频率2.5GHz*12的12th Gen Intel(R) Core(TM) i9-12950HX CPU、内存为64GB的硬件环境下进行的。
选用的高光谱遥感实验数据是由EO-1（Earth Observing-1）卫星Hyperion传感器获取的高光谱遥感影像，共有242个波段，波长覆盖范围为355 ~ 2577nm，光谱分辨率为10nm，空间分辨率 30 米，截取如图2阴影区域所示部分，经水汽波段去除等预处理，保留176个波段；将该实验数据记为；同时，获取图2阴影区域的高分2号卫星获取高空间分辨率全色遥感影像（简称高分辨率全色影像），全色波段的空间分辨率为0.8m，根据实际经纬度坐标情况将高分辨率全色影像拼接和裁剪至与图2阴影区域重合，经几何校正等预处理后，将其记为/>。/>。
一方面，将实验数据转化为/>的形式进行处理，即转化为120000行176列的矩阵/>进行处理；其中，矩阵的120000行代表影像的120000个像元，换言之，每个行向量代表影像的一个像元，且每个行向量由176个坐标组成，对应高光谱数据的176个波段。归一化后利用主成分分析（PCA）将原始数据/>降维至只包含第一主成分的数据/>。进一步地，基于上述所得第一主成分影像，利用基于边缘检测的方法进行影像分割，提取出研究区域内不同地质体的边界线。同时，利用三维Gabor（记为3D-Gabor）滤波器对归一化后的高光谱遥感影像/>进行处理，提取研究区域内不同地质体的空间分布特征。基于前述步骤得到的地质体间的边界与地质体分布特征，运用超像素分割方法将原始高光谱影像划分为若干个超像素（也即划分为若干个子区域）；例如，将高光谱数据/>划分为/>、/>、、…、/>20个子区域。
求解每个子区域的平均光谱拐点分数（Spectral Change Point Fractions，SCPF），按照值大小次序，选取前10个作为岩石光谱吸收峰或反射峰所在的特征波段，每个特征波段前后各保留5个波段作为岩性分类有效波段，也即通过光谱拐点分数值，选取在岩性分析中重要性程度排名前100的波段进行后续分析，舍弃其余波段，记为/>。（此时高光谱数据/>可表示为 />，上述20个子区域可表示为、/>、/>、…、/>）。
进一步地，利用主成分分析（PCA）对上述得到包含100个波段的高光谱遥感影像进行光谱特征提取，保留的前9个主成分，记为/>。（此时高光谱数据/>可表示为，上述20个子区域可表示为/>、/>、/>、…、/>）。
另一方面，基于直方图均衡化方法，对预处理后的高分辨率全色影像进行图像增强处理，对增强后的全色影像/>进行归一化处理，并应用基于区域生长的多尺度分割算法对/>进行分割，获取高空间分辨率遥感影像中不同地质体的精细分割结果（因为高空间分辨率遥感影像的空间分辨率高，因此这一步分割操作可以将遥感图像分割成比step5更精细的若干子区域；换言之，这一步分割操作将图像划分为比step5面积更小的若干子区域）。
进一步地，将上述经基于区域生长的多尺度分割方法得到的地质体空间维分割结果进行降采样处理，使其具备与高光谱遥感数据相同的像元数；并进一步将其作为单独的逻辑波段叠加至高光谱数据中，组成包含高光谱分辨率信息与高空间分辨率信息的遥感数据/>，显然，/>包含九个维度的光谱特征和一个维度的空间特征；此时，上述20个子区域可表示为/>、/>、/>、…、/>）。
进一步地，应用SVM分类器，基于该子区域内每个像元九个维度的光谱特征和一个维度的空间特征求解该像元的归属类别，进而得到如图5所示整幅影像120000个像元各自的归属类别。
如果不将高分辨率全色影像的分割结果作为单独的逻辑波段叠加至光谱维特征数据/>，在/>各子区域内应用SVM，基于光谱维特征进行分类，将会得到如图4所示的分类结果；显然，与如图5所示的分类结果相比，其类内错分现象较明显，总体分类精度较低。
显然，上述实施例仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种基于空间与光谱联合特征的工程岩组遥感分类方法，其特征在于，包括如下过程：
S1、基于高光谱遥感影像获取地质体的光谱特征，包括：
S101、对原始高光谱遥感影像预处理，并进行主成分分析，得到高光谱遥感影像的第一主成分影像；
S102、利用边缘检测算法对第一主成分影像，提取出观测区域内不同类型地质体之间的分界线；
S103、利用三维Gabor滤波器对预处理后的高光谱遥感影像滤波，得到高光谱遥感影像的Gabor空间分布特征；
S104、将S102和S103得到的不同类型地质体之间的分界线及空间分布特征，利用超像素分割算法进行超像素分割，根据不同地质体的空间纹理特征，将原始高光谱遥感影像分为若干子区域，记录各个子区域的索引；
S105、计算各个子区域的平均光谱拐点数，得到岩石特征波段，对得到的岩石特征波段，利用主成分分析提取光谱特征，得到岩石光谱维特征数据；
S2、基于高分辨率全色影像获取地质体的空间特征，包括：
S201、对预处理后的全色影像进行图像增强并归一化；
S202、基于区域生长的多尺度分割算法对归一化后的全色影像进行分割合并，得到不同地质体的精细分割结果；
S203、对得到的分割结果进行降采样，使降采样后形成的图像与高光谱遥感数据具有相同的像元数；
S3、将降采样后形成的图像作为单独的逻辑波段叠加至光谱维特征数据组成包含高光谱分辨率信息与高空间分辨率信息的遥感数据；
S4、利用向量机对组合后的遥感数据进行分类，得到工程地质岩组分类结果。
2.根据权利要求1所述的基于空间与光谱联合特征的工程岩组遥感分类方法，其特征在于，在S105中，所述计算各个子区域的平均光谱拐点数，包括如下方法：将高光谱遥感图像中第行第/>列个像元/>，其在第/>个波段的SCPF定义为：
其中，表示求方差函数；/>表示像元/>在第/>至/>共10个波段内的平均值，/>表示像元/>在第/>至/>共10个波段内的平均值；/>表示第/>个波段的光谱拐点分数，/>值越大，表示该波段越有可能存在拐点，该波段越有可能是岩石的吸收峰或反射峰所在波段。
3.根据权利要求1所述的基于空间与光谱联合特征的工程岩组遥感分类方法，其特征在于，在S101中，对高光谱遥感影像预处理，并进行主成分分析，得到高光谱遥感影像的第一主成分影像具体包括以下过程：
对原始的高光谱遥感影像，进行辐射校正和降噪后，进行归一化处理，将每个像元在各波段的灰度值映射至/>内，其中，/>为像元行数，代表影像高度，/>为像元列数代表影像宽度，/>为像元特征维度，代表波段总数；
将归一化后的高光谱遥感影像进行主成分分析包括：
将高光谱遥感影像转换为/>其中/>，N为像元总数；将高光谱影像的/>个像元视为/>个向量，则每个向量有/>个坐标，因此所有像元样本表示为/>
构造集合，计算该集合的协方差矩阵/>：
式中，
求协方差矩阵的最大特征值相对应的单位特征向量/>;将特征向量/>组成投影矩阵;
计算，/>，所得到的/>分别为输入量降维后的向量；得到第一主成分影像/>。
4.根据权利要求1所述的基于空间与光谱联合特征的工程岩组遥感分类方法，其特征在于，在S102中，利用边缘检测算法对第一主成分影像，提取出观测区域内不同类型地质体之间的分界线包括如下过程：
对第一主成分影像，采用高斯滤波模板进行卷积以平滑影像，去除噪声；
利用微分算子，计算梯度的幅值和方向；
对梯度幅值进行非极大值抑制，遍历影像，若某个像素的灰度值与其梯度方向上前后两个像素的灰度值的差值小于设定值，则像素值置为0，否则将像素值保留为边缘。
5.根据权利要求1所述的基于空间与光谱联合特征的工程岩组遥感分类方法，其特征在于，在S104中、所述利用超像素分割算法进行超像素分割，包括如下过程：
将S102得到的空间分布特征作为顶点集；将S103得到的不同类型地质体之间的分界线作为边线集；
采用熵率超像素分割ERS算法将原始高光谱遥感影像划分为预设数量的连通子区域；所述熵率超像素分割ERS算法中，按如下公式设置目标函数，对连通子区域和连通域的紧凑性进行优化：
其中，是平衡项的权重参数；/>为矩阵迹的求解函数，熵率/>有利于形成紧凑均匀的连通区域；平衡项/> 有利于形成面积大小相似的连通区域；
经过熵率超像素分割ERS算法将输入的原始高光谱遥感影像分给为若干子区域。
6.根据权利要求2所述的基于空间与光谱联合特征的工程岩组遥感分类方法，其特征在于，在S105中，根据各个子区域的平均光谱拐点数，得到岩石特征波段，对得到的岩石特征波段，利用主成分分析提取光谱特征，得到岩石光谱维特征数据；具体包括如下过程：
将各个子区域的平均光谱拐点数按照值进行排序，选取前10个作为岩石光谱吸收峰或反射峰所在的特征波段，每个特征波段前后各保留5个波段；形成100个岩性有效波段，舍弃其余波段；
利用主成分分析对得到的100个岩性有效波段的高光谱遥感影像进行光谱特征提取；提取之中前九个主成分作为最终的光谱维特征数据。
7.根据权利要求1所述的基于空间与光谱联合特征的工程岩组遥感分类方法，其特征在于，在S202中，所述基于区域生长的多尺度分割算法对归一化后的全色影像进行分割，得到不同地质体的精细分割结果，包括以下过程：
利用Sobel算子计算全色影像的梯度，将梯度值大于预设阈值的像元作为边界，将每个闭合边界的内部视为一个匀质区域，随机选取其中一个作为种子点；
利用局域最佳相互适配原则合并分割单元，假定任意选择一个种子点，从/>邻域中搜索与特征差异最小的对象/>，对/>执行同样搜索，得到与/>特征差异最小的对象/>，若，则认为/>和/>之间满足同质准则，将/>和/>这两个分割单元进行合并，否则，令、/>并重复上述搜索过程，直至满足/>。
8.根据权利要求7所述的基于空间与光谱联合特征的工程岩组遥感分类方法，其特征在于，合并时还包括利用光滑度和紧致度/>两个形状差异性度量准则对合并区域进行约束，则
两个形状差异性度量准则可表示为：
式中：为合并后的区域周长，/>为合并区域最小外接矩形周长，/>为合并后的区域面积， />为相邻的两区域中其中一个区域的周长，/>为相邻的两个区域中其中一个区域的最小外接矩形周长，/>为另一个区域的周长、/>为另一个区域的最小外接矩形周长，/>为其中一个区域的面积，/>为另一个区域的面积；
通过计算所有区域的平均面积作为图像分割的尺度参数和终止生长的准则。
9.基于空间与光谱联合特征的工程岩组遥感分类系统，其特征在于，包括：特征波段获取模块，空间特征获取模块、数据融合模块和岩组分类模块；
所述特征波段获取模块用于对原始高光谱遥感影像预处理，并进行主成分分析，得到高光谱遥感影像的第一主成分影像；利用边缘检测算法对第一主成分影像，提取出观测区域内不同类型地质体之间的分界线；利用三维Gabor滤波器对预处理后的高光谱遥感影像滤波，得到高光谱遥感影像的Gabor空间分布特征；将得到的空间分布特征及不同类型地质体之间的分界线，利用超像素分割算法进行超像素分割，根据不同地质体的空间纹理特征，将原始高光谱遥感影像分给为若干子区域，记录各个子区域的索引；计算各个子区域的平均光谱拐点数，得到岩石特征波段，对得到的岩石特征波段，利用主成分分析提取光谱特征，得到光谱维特征数据；
所述空间特征获取模块用于对预处理后的全色影像进行图像增强并归一化；基于区域生长的多尺度分割算法对归一化后的全色影像进行分割合并，得到不同地质体的精细分割结果；对得到的分割结果进行降采样，使降采样后形成的图像与高光谱遥感数据相同的像元数；
所述数据融合模块用于将降采样后形成的图像作为单独的逻辑波段叠加至光谱维特征数据组成包含高光谱分辨率信息与高空间分辨率信息的遥感数据；
所述岩组分类模块，利用向量机对组合后的遥感数据进行分类，得到工程地质岩组分类结果。
10.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述基于空间与光谱联合特征的工程岩组遥感分类方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311054979.6A CN116758361B (zh) | 2023-08-22 | 2023-08-22 | 基于空间与光谱联合特征的工程岩组遥感分类方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311054979.6A CN116758361B (zh) | 2023-08-22 | 2023-08-22 | 基于空间与光谱联合特征的工程岩组遥感分类方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116758361A true CN116758361A (zh) | 2023-09-15 |
| CN116758361B CN116758361B (zh) | 2023-10-27 |
Family
ID=87961340
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311054979.6A Active CN116758361B (zh) | 2023-08-22 | 2023-08-22 | 基于空间与光谱联合特征的工程岩组遥感分类方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116758361B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117132778A (zh) * | 2023-10-27 | 2023-11-28 | 昆山尚瑞智能科技有限公司 | 一种光谱测量校正计算方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018045626A1 (zh) * | 2016-09-07 | 2018-03-15 | 深圳大学 | 基于超像素级信息融合的高光谱图像的分类方法及系统 |
| CN108875659A (zh) * | 2018-06-26 | 2018-11-23 | 上海海事大学 | 一种基于多光谱遥感影像的海图养殖区识别方法 |
| CN112990313A (zh) * | 2021-03-16 | 2021-06-18 | 中国科学院长春光学精密机械与物理研究所 | 高光谱图像异常检测方法、装置、计算机设备及存储介质 |
| CN112990314A (zh) * | 2021-03-16 | 2021-06-18 | 中国科学院长春光学精密机械与物理研究所 | 基于改进孤立森林算法的高光谱图像异常检测方法及装置 |
| CN113240017A (zh) * | 2021-05-18 | 2021-08-10 | 西安理工大学 | 一种基于注意力机制的多光谱和全色图像分类方法 |
| CN115170956A (zh) * | 2022-06-28 | 2022-10-11 | 桂林电子科技大学 | 基于多尺度熵率超像素的后验概率高光谱图像分类方法 |
| WO2023000160A1 (zh) * | 2021-07-20 | 2023-01-26 | 海南长光卫星信息技术有限公司 | 高光谱遥感影像半监督分类方法、装置、设备及存储介质 |
-
2023
- 2023-08-22 CN CN202311054979.6A patent/CN116758361B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018045626A1 (zh) * | 2016-09-07 | 2018-03-15 | 深圳大学 | 基于超像素级信息融合的高光谱图像的分类方法及系统 |
| CN108875659A (zh) * | 2018-06-26 | 2018-11-23 | 上海海事大学 | 一种基于多光谱遥感影像的海图养殖区识别方法 |
| CN112990313A (zh) * | 2021-03-16 | 2021-06-18 | 中国科学院长春光学精密机械与物理研究所 | 高光谱图像异常检测方法、装置、计算机设备及存储介质 |
| CN112990314A (zh) * | 2021-03-16 | 2021-06-18 | 中国科学院长春光学精密机械与物理研究所 | 基于改进孤立森林算法的高光谱图像异常检测方法及装置 |
| CN113240017A (zh) * | 2021-05-18 | 2021-08-10 | 西安理工大学 | 一种基于注意力机制的多光谱和全色图像分类方法 |
| WO2023000160A1 (zh) * | 2021-07-20 | 2023-01-26 | 海南长光卫星信息技术有限公司 | 高光谱遥感影像半监督分类方法、装置、设备及存储介质 |
| CN115170956A (zh) * | 2022-06-28 | 2022-10-11 | 桂林电子科技大学 | 基于多尺度熵率超像素的后验概率高光谱图像分类方法 |
Non-Patent Citations (1)
| Title |
|---|
| 秦凯;陈建平;赵英俊;孙雨;周家晶;杨国防;: "基于航空高光谱遥感岩性识别技术研究", 矿产勘查, no. 05 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117132778A (zh) * | 2023-10-27 | 2023-11-28 | 昆山尚瑞智能科技有限公司 | 一种光谱测量校正计算方法及系统 |
| CN117132778B (zh) * | 2023-10-27 | 2024-02-06 | 昆山尚瑞智能科技有限公司 | 一种光谱测量校正计算方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116758361B (zh) | 2023-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | A review of remote sensing image classification techniques: The role of spatio-contextual information | |
| Yuan et al. | Remote sensing image segmentation by combining spectral and texture features | |
| Hou et al. | Three-order tucker decomposition and reconstruction detector for unsupervised hyperspectral change detection | |
| Xiang et al. | Visual attention and background subtraction with adaptive weight for hyperspectral anomaly detection | |
| CN116758361B (zh) | 基于空间与光谱联合特征的工程岩组遥感分类方法及系统 | |
| Dibs et al. | Multi-fusion algorithms for detecting land surface pattern changes using multi-high spatial resolution images and remote sensing analysis | |
| He et al. | Hyperspectral image spectral–spatial-range Gabor filtering | |
| Byun et al. | A multispectral image segmentation approach for object-based image classification of high resolution satellite imagery | |
| Wan et al. | Mangrove species discrimination from very high resolution imagery using gaussian markov random field model | |
| Shihavuddin et al. | Automated classification and thematic mapping of bacterial mats in the north sea | |
| Yuan et al. | ROBUST PCANet for hyperspectral image change detection | |
| Chen et al. | Scene segmentation of remotely sensed images with data augmentation using U-net++ | |
| Singh et al. | Cloud detection using sentinel 2 imageries: a comparison of XGBoost, RF, SVM, and CNN algorithms | |
| Liu et al. | Extraction of earthquake-induced collapsed buildings from bi-temporal VHR images using object-level homogeneity index and histogram | |
| Haq et al. | 3D-cnnhsr: A 3-dimensional convolutional neural network for hyperspectral super-resolution | |
| Ball et al. | Level set hyperspectral image classification using best band analysis | |
| Jing et al. | Island road centerline extraction based on a multiscale united feature | |
| Tian et al. | Classifying tree species in the plantations of southern China based on wavelet analysis and mathematical morphology | |
| Setiyoko et al. | Recent development of feature extraction and classification multispectral/hyperspectral images: a systematic literature review | |
| Li et al. | Color and texture feature fusion using kernel PCA with application to object-based vegetation species classification | |
| Lv et al. | Contextual analysis based approach for detecting change from high resolution satellite imagery | |
| Yang et al. | Texture feature extraction of mountain economic forest using high spatial resolution remote sensing images | |
| Yuan et al. | Research on remote sensing image classification based on feature level fusion | |
| Zhang et al. | Hyperspectral image kernel sparse subspace clustering with spatial max pooling operation | |
| Ding et al. | Ensemble classification of hyperspectral images by integrating spectral and texture features |
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 |