CN117115652A - 一种基于可见光谱视觉遥感的林地退化目标检测识别方法 - Google Patents
一种基于可见光谱视觉遥感的林地退化目标检测识别方法 Download PDFInfo
- Publication number
- CN117115652A CN117115652A CN202311128090.8A CN202311128090A CN117115652A CN 117115652 A CN117115652 A CN 117115652A CN 202311128090 A CN202311128090 A CN 202311128090A CN 117115652 A CN117115652 A CN 117115652A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- texture
- forest land
- visible spectrum
- identifying
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000015556 catabolic process Effects 0.000 title claims abstract description 31
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 31
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 230000000007 visual effect Effects 0.000 title claims abstract description 20
- 238000001429 visible spectrum Methods 0.000 title claims abstract description 18
- 238000003066 decision tree Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims description 21
- 238000012937 correction Methods 0.000 claims description 18
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 230000005855 radiation Effects 0.000 claims description 8
- 238000007637 random forest analysis Methods 0.000 claims description 8
- 238000012706 support-vector machine Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000007635 classification algorithm Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000005286 illumination Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 4
- 238000012876 topography Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 abstract description 7
- 230000008859 change Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000011426 transformation method Methods 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
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
Abstract
本发明涉及遥感检测识别技术领域,特别是涉及一种基于可见光谱视觉遥感的林地退化目标检测识别方法;首先进行数据预处理;接下来,通过计算归一化植被指数(NDVI)来获得植被的生长状况信息;在此基础上,对遥感图像进行纹理特征提取,并进行适当的表示和统计,以获得描述纹理的相关特征;然后,将提取和统计的纹理特征输入到分类器中,进行纹理分类与识别;最后,构建决策树模型,判断林地是否退化;本方案能够有效地应用于林地退化目标检测与识别,把遥感影像的纹理特征和光谱信息结合,充分挖掘光谱特征和纹理特征的有效信息,帮助分析人员快速、准确地识别和定位退化区域,为林地保护和管理提供科学依据和决策支持。
Description
技术领域
本发明涉及遥感检测识别技术领域,特别是涉及一种基于可见光谱视觉遥感的林地退化目标检测识别方法。
背景技术
林地不仅是国家的重要资源和战略资源,而且在增强森林生态防护效益、实现国民经济的可持续发展中起着不可估量的作用,具有生态、经济和社会的三大效益功能。林地的变化对区域的生态安全,以至全球的环境变化都起着至关重要的作用。因此,周期性掌握林地的变化情况对生态安全建设、森林资源管理具有重要的现实意义。
传统的林地变化检测主要以现地调查、遥感数据目视判读结合档案资料进行。现地调查是通过采集样地数据、植被样本和土壤样本等,可以获取更详细的退化信息和参数,但是存在工作量大、效率低、成本高等缺点。
遥感技术的出现及快速发展,提供了一种具有覆盖范围广、重复周期短等特征的技术手段,可为林地变化提供一个较为全面和直观的检测方法,已成为森林资源检测中的最基本技术。但是传统的遥感图像处理方法仍存在检测准确率不高的问题。
基于此,申请人考虑设计一种检测准确率高的林地退化目标检测识别方法。
发明内容
针对上述现有技术的不足,本发明所要解决的技术问题是:如何提供一种检测准确率高的林地退化目标检测识别方法。
为了解决上述技术问题,本发明采用了如下的技术方案:一种基于可见光谱视觉遥感的林地退化目标检测识别方法,其包括以下步骤:
步骤一:数据预处理:获取待检测区域不同的两个时期的遥感图像,对两期遥感影像分别进行辐射定标、大气校正、几何纠正等预处理工作,降低不同影像间地形、光照和大气带来的差异;
步骤二:NDVI计算:利用预处理后的遥感影像数据,分别计算不同时间的归一化植被指数;
步骤三:纹理特征提取:对遥感图像进行纹理特征提取并进行合适的表示和统计;
步骤四:纹理分类与识别:将提取和统计的纹理特征输入到分类器中进行纹理分类与识别;
步骤五:设置阈值区分变化区域和未变化区域;
步骤六:构建决策树,判断林地是否退化。
本技术方案一种基于可见光谱视觉遥感的林地退化目标检测识别方法的工作原理与优点为:
首先进行数据预处理,包括对不同时期的遥感图像进行辐射定标、大气校正和几何纠正等处理,以降低影像间的差异性;接下来,通过计算归一化植被指数(NDVI)来获得植被的生长状况信息,分别计算不同时间的NDVI值;在此基础上,对遥感图像进行纹理特征提取,并进行适当的表示和统计,以获得描述纹理的相关特征;然后,将提取和统计的纹理特征输入到分类器中,进行纹理分类与识别;最后,构建决策树模型,通过综合考虑纹理特征和其他相关特征,判断林地是否退化;本方案能够有效地应用于林地退化目标检测与识别,把遥感影像的纹理特征和光谱信息结合,充分挖掘光谱特征和纹理特征的有效信息,帮助分析人员快速、准确地识别和定位退化区域,为林地保护和管理提供科学依据和决策支持。
进一步地,所述步骤一中采用直方图匹配法进行相对辐射校正,通过变换原始影像的灰度分布,使其与参考影像的灰度分布相近,从而使两幅试验影像具有较一致的色调和反差。
进一步地,所述步骤二中的计算方法如下所示:
式中,R、G、B分别表示原始图像的红、绿、蓝波段的光谱值。
进一步地,所述步骤三中,从14种纹理特征指标中选取均值,方差,同质性,对比度,信息熵,二阶矩,相关性7种指标对纹理特征进行分析。
进一步地,使用灰度共生矩阵GLCM纹理提取方法,为确定最佳纹理窗口尺寸,首先选择6组不同尺寸的窗口(3×3,5×5,7×7,9×9,11×11,13×13)进行GLCM纹理提取,并分别计算这6组不同尺寸窗口的纹理特征值,对比数据,选择各个特征值都趋于稳定时的窗口尺寸作为GLCM纹理特征提取的最佳窗口尺寸。
进一步地,设置GLCM纹理的最佳窗口,移动步长,移动方向,分别采用上述7种指标作为GLCM纹理提取指标,对图像进行分类,比较分类精度,选取精度最高的指标作为GLCM提取纹理信息的指标;将提取和统计的纹理特征输入到分类器中进行纹理分类与识别,通过上述方法对遥感影像进行分类,将其分为水域、裸地、林地、建设用地、耕地和草地6类。
进一步地,所述分类器分类算法包括K近邻算法、支持向量机(SVM)、随机森林(Random Forest)、卷积神经网络(CNN)。
进一步地,所述步骤五中的阈值为结合不同阶段的植被特征使用经验阈值法或根据林地与其它类型土地的NDVI平均值确定。
进一步地,所述步骤六中的决策树包括以下条件:前后两期影像的NDVI差值大于阈值;前时相影像的分类结果为林地;后时相影像的分类结果为非林地;同时满足上述三个条件即可判定该区域出现了林地退化。
进一步地,所述步骤二、所述步骤五与所述步骤三、所述步骤四同时进行。
附图说明
图1为本发明实施例基于可见光谱视觉遥感的林地退化目标检测识别方法的总体流程图;
具体实施方式
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
参照图1,本实施例提供了一种基于可见光谱视觉遥感的林地退化目标检测识别方法,其包括以下步骤:
步骤一:数据预处理:获取待检测区域不同的两个时期的遥感图像,对两期遥感影像分别进行辐射定标、大气校正、几何纠正等预处理工作,降低不同影像间地形、光照和大气带来的差异;
步骤二:NDVI计算:利用预处理后的遥感影像数据,分别计算不同时间的归一化植被指数;
步骤三:纹理特征提取:对遥感图像进行纹理特征提取并进行合适的表示和统计;
步骤四:纹理分类与识别:将提取和统计的纹理特征输入到分类器中进行纹理分类与识别;
步骤五:设置阈值区分变化区域和未变化区域;
步骤六:构建决策树,判断林地是否退化。
本实施例中,首先进行数据预处理,包括对不同时期的遥感图像进行辐射定标、大气校正和几何纠正等处理,以降低影像间的差异性;接下来,通过计算归一化植被指数(NDVI)来获得植被的生长状况信息,分别计算不同时间的NDVI值;在此基础上,对遥感图像进行纹理特征提取,并进行适当的表示和统计,以获得描述纹理的相关特征;然后,将提取和统计的纹理特征输入到分类器中,进行纹理分类与识别;最后,构建决策树模型,通过综合考虑纹理特征和其他相关特征,判断林地是否退化;本方案能够有效地应用于林地退化目标检测与识别,把遥感影像的纹理特征和光谱信息结合,充分挖掘光谱特征和纹理特征的有效信息,帮助分析人员快速、准确地识别和定位退化区域,为林地保护和管理提供科学依据和决策支持。
具体的,上述纹理特征提取采取常用的纹理特征提取方法,包括统计法、小波变换法、灰度共生矩阵法、马尔可夫随机场法等。
具体的,纹理分类时采用常用的分类算法包括K近邻算法、支持向量机(SVM)、随机森林(Random Forest)、卷积神经网络(CNN)等。
更具体的,如图1所示,步骤二、步骤五与步骤三、步骤四可同时进行。
优选地,对两期遥感影像分别进行辐射定标、大气校正、几何纠正等预处理工作,在变化检测中,前后时相影像的校正和配准尤为关键;上述步骤一中采用直方图匹配法进行相对辐射校正,通过变换原始影像(即前时相影像)的灰度分布,使其与参考影像(即后时相影像)的灰度分布相近,从而使两幅试验影像具有较一致的色调和反差。
优选地,上述步骤二利用预处理后的遥感影像数据,分别计算不同时间的归一化植被指数,常用的植被指数是归一化植被指数(normalized difference vegetationindex,NDVI)等,但主要是基于可见光和近红外波段计算的,对于可见光波段,NDVI是一种适宜于航空遥感的植被信息提取指数,其计算方法如下所示:
式中,R、G、B分别表示原始图像的红、绿、蓝波段的光谱值;其数值范围是-1~1,数值越高,表示植被覆盖程度越高。
优选地,遥感影像的纹理特征描述了影像范围内对应地物的表面性质;将纹理信息与光谱信息有机结合,能够有效提高影像分类精度;上述步骤三进行纹理特征提取时,从14种纹理特征指标中选取均值,方差,同质性,对比度,信息熵,二阶矩,相关性7种指标对纹理特征进行分析。使用灰度共生矩阵GLCM纹理提取方法,为确定最佳纹理窗口尺寸,首先选择6组不同尺寸的窗口(3×3,5×5,7×7,9×9,11×11,13×13)进行GLCM纹理提取,并分别计算这6组不同尺寸窗口的纹理特征值,对比数据,选择各个特征值都趋于稳定时的窗口尺寸作为GLCM纹理特征提取的最佳窗口尺寸。
优选地,进行纹理分类与识别时,设置GLCM纹理的最佳窗口,移动步长,移动方向,分别采用上述7种指标作为GLCM纹理提取指标,对图像进行分类,比较分类精度,选取精度最高的指标作为GLCM提取纹理信息的指标;将提取和统计的纹理特征输入到分类器中进行纹理分类与识别,常用的分类算法包括K近邻算法、支持向量机(SVM)、随机森林(RandomForest)、卷积神经网络(CNN)等。通过上述方法对遥感影像进行分类,将其分为水域、裸地、林地、建设用地、耕地和草地6类。
优选地,上述步骤五中的阈值通过使用多种方法结合确定一个合适的阈值来区分变化区域和未变化区域。如结合具体资料比如不同阶段的植被特征使用经验阈值法或者根据林地与其它类型土地的NDVI平均值确定。
优选地,上述步骤六中的决策树包括以下条件:前后两期影像的NDVI差值大于阈值;前时相影像的分类结果为林地;后时相影像的分类结果为非林地;同时满足上述三个条件即可判定该区域出现了林地退化。
本方案对某一区域不同的两个时期的遥感图像,采用多阶段的数据预处理流程,包括图像几何校正、大气校正、辐射定标等预处理工作,降低不同影像间地形、光照和大气带来的差异。并从14种纹理特征指标中选取均值,方差,同质性,对比度,信息熵,二阶矩,相关性7种最常见的指标对纹理特征进行分析。确定灰度共生矩阵GLCM纹理提取方法的最佳纹理窗口尺寸,再通过最佳窗口尺寸确定精度最高的纹理信息指标,提高了土地分类准确度。再使用分类算法和归一化植被指数充分挖掘光谱特征和纹理特征的有效信息,使用决策树将分类结果和植被指数相结合,提高了检测林地退化的准确性和可靠性。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于可见光谱视觉遥感的林地退化目标检测识别方法,其特征在于,包括以下步骤:
步骤一:数据预处理:获取待检测区域不同的两个时期的遥感图像,对两期遥感影像分别进行辐射定标、大气校正、几何纠正等预处理工作,降低不同影像间地形、光照和大气带来的差异;
步骤二:NDVI计算:利用预处理后的遥感影像数据,分别计算不同时间的归一化植被指数;
步骤三:纹理特征提取:对遥感图像进行纹理特征提取并进行合适的表示和统计;
步骤四:纹理分类与识别:将提取和统计的纹理特征输入到分类器中进行纹理分类与识别;
步骤五:设置阈值区分变化区域和未变化区域;
步骤六:构建决策树,判断林地是否退化。
2.如权利要求1所述的一种基于可见光谱视觉遥感的林地退化目标检测识别方法,其特征在于,所述步骤一中采用直方图匹配法进行相对辐射校正,通过变换原始影像的灰度分布,使其与参考影像的灰度分布相近,从而使两幅试验影像具有较一致的色调和反差。
3.如权利要求1所述的一种基于可见光谱视觉遥感的林地退化目标检测识别方法,其特征在于,所述步骤二中的计算方法如下所示:
NDVI=2G-R-B
2G+R+B
式中,R、G、B分别表示原始图像的红、绿、蓝波段的光谱值。
4.如权利要求1所述的一种基于可见光谱视觉遥感的林地退化目标检测识别方法,其特征在于,所述步骤三中,从14种纹理特征指标中选取均值,方差,同质性,对比度,信息熵,二阶矩,相关性7种指标对纹理特征进行分析。
5.如权利要求4所述的一种基于可见光谱视觉遥感的林地退化目标检测识别方法,其特征在于,使用灰度共生矩阵GLCM纹理提取方法,为确定最佳纹理窗口尺寸,首先选择6组不同尺寸的窗口(3×3,5×5,7×7,9×9,11×11,13×13)进行GLCM纹理提取,并分别计算这6组不同尺寸窗口的纹理特征值,对比数据,选择各个特征值都趋于稳定时的窗口尺寸作为GLCM纹理特征提取的最佳窗口尺寸。
6.如权利要求5所述的一种基于可见光谱视觉遥感的林地退化目标检测识别方法,其特征在于,设置GLCM纹理的最佳窗口,移动步长,移动方向,分别采用上述7种指标作为GLCM纹理提取指标,对图像进行分类,比较分类精度,选取精度最高的指标作为GLCM提取纹理信息的指标;将提取和统计的纹理特征输入到分类器中进行纹理分类与识别,通过上述方法对遥感影像进行分类,将其分为水域、裸地、林地、建设用地、耕地和草地6类。
7.如权利要求6所述的一种基于可见光谱视觉遥感的林地退化目标检测识别方法,其特征在于,所述分类器分类算法包括K近邻算法、支持向量机(SVM)、随机森林(RandomForest)、卷积神经网络(CNN)。
8.如权利要求1所述的一种基于可见光谱视觉遥感的林地退化目标检测识别方法,其特征在于,所述步骤五中的阈值为结合不同阶段的植被特征使用经验阈值法或根据林地与其它类型土地的NDVI平均值确定。
9.如权利要求1所述的一种基于可见光谱视觉遥感的林地退化目标检测识别方法,其特征在于,所述步骤六中的决策树包括以下条件:前后两期影像的NDVI差值大于阈值;前时相影像的分类结果为林地;后时相影像的分类结果为非林地;同时满足上述三个条件即可判定该区域出现了林地退化。
10.如权利要求1所述的一种基于可见光谱视觉遥感的林地退化目标检测识别方法,其特征在于,所述步骤二、所述步骤五与所述步骤三、所述步骤四同时进行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311128090.8A CN117115652A (zh) | 2023-09-01 | 2023-09-01 | 一种基于可见光谱视觉遥感的林地退化目标检测识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311128090.8A CN117115652A (zh) | 2023-09-01 | 2023-09-01 | 一种基于可见光谱视觉遥感的林地退化目标检测识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117115652A true CN117115652A (zh) | 2023-11-24 |
Family
ID=88808958
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311128090.8A Pending CN117115652A (zh) | 2023-09-01 | 2023-09-01 | 一种基于可见光谱视觉遥感的林地退化目标检测识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117115652A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117935081A (zh) * | 2024-03-21 | 2024-04-26 | 泰安市金土地测绘整理有限公司 | 一种基于遥感卫星数据的耕地变化监测方法及系统 |
-
2023
- 2023-09-01 CN CN202311128090.8A patent/CN117115652A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117935081A (zh) * | 2024-03-21 | 2024-04-26 | 泰安市金土地测绘整理有限公司 | 一种基于遥感卫星数据的耕地变化监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lin et al. | In-field citrus detection and localisation based on RGB-D image analysis | |
CN108510467B (zh) | 基于深度可变形卷积神经网络的sar图像目标识别方法 | |
Liu et al. | A robust automated flower estimation system for grape vines | |
CN112183209A (zh) | 一种基于多维特征融合的区域农作物分类方法及系统 | |
CN111626092B (zh) | 一种基于机器学习的无人机影像地裂缝识别及提取方法 | |
Stankov et al. | Building detection in very high spatial resolution multispectral images using the hit-or-miss transform | |
CN113963222B (zh) | 一种基于多策略组合的高分辨率遥感影像变化检测方法 | |
CN107992856B (zh) | 城市场景下的高分遥感建筑物阴影检测方法 | |
Patil et al. | Enhanced radial basis function neural network for tomato plant disease leaf image segmentation | |
CN117115652A (zh) | 一种基于可见光谱视觉遥感的林地退化目标检测识别方法 | |
Kim et al. | Building detection in high resolution remotely sensed images based on automatic histogram-based fuzzy c-means algorithm | |
CN117710399B (zh) | 一种基于视觉的地质调查中裂缝轮廓提取方法 | |
CN111007013A (zh) | 面向东北冷凉区的作物轮作休耕遥感监测方法与装置 | |
Azevedo et al. | Shadow detection using object area-based and morphological filtering for very high-resolution satellite imagery of urban areas | |
CN111046838A (zh) | 一种湿地遥感信息的识别方法及装置 | |
CN113128388B (zh) | 一种基于时空谱特征的光学遥感图像变化检测方法 | |
CN106169086B (zh) | 导航数据辅助下的高分辨率光学影像损毁道路提取方法 | |
CN111292346B (zh) | 一种噪声环境下浇铸箱体轮廓的检测方法 | |
Beguet et al. | Retrieving forest structure variables from very high resolution satellite images using an automatic method | |
CN111882573A (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 | |
CN109829511B (zh) | 基于纹理分类的下视红外图像中云层区域检测方法 | |
CN116682024A (zh) | 一种基于四波段遥感影像的快速云检测方法 | |
CN113902759B (zh) | 一种空谱信息联合的星载高光谱影像分割与聚类方法 | |
CN111768101B (zh) | 一种顾及物候特征的遥感耕地变化检测方法及系统 | |
CN114998420A (zh) | 基于拉普拉斯算子的烟雾浓集中心识别及火点定位方法 |
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 |