JP6871658B2 - 反復分類に基づく水域識別方法及び装置 - Google Patents
反復分類に基づく水域識別方法及び装置 Download PDFInfo
- Publication number
- JP6871658B2 JP6871658B2 JP2020139359A JP2020139359A JP6871658B2 JP 6871658 B2 JP6871658 B2 JP 6871658B2 JP 2020139359 A JP2020139359 A JP 2020139359A JP 2020139359 A JP2020139359 A JP 2020139359A JP 6871658 B2 JP6871658 B2 JP 6871658B2
- Authority
- JP
- Japan
- Prior art keywords
- water area
- extraction rule
- band
- training sample
- water
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims description 207
- 238000000034 method Methods 0.000 title claims description 24
- 238000000605 extraction Methods 0.000 claims description 129
- 238000012549 training Methods 0.000 claims description 98
- 230000003595 spectral effect Effects 0.000 claims description 18
- 230000003247 decreasing effect Effects 0.000 claims description 8
- 238000003809 water extraction Methods 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 description 8
- 229930002875 chlorophyll Natural products 0.000 description 4
- 235000019804 chlorophyll Nutrition 0.000 description 4
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 241000195493 Cryptophyta Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000007769 metal material Substances 0.000 description 2
- 238000010422 painting Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Analysis (AREA)
Description
本発明は、リモートセンシング画像処理の技術分野に関し、特に反復分類に基づく水域識別方法及び装置に関する。
水資源は人間の生産と生活に密接に関連しているだけでなく、中国経済の持続可能で安定した発展にも関連している。人口ベースの継続的な増加に伴い、水資源の極端に不均一な分布により、中国の水資源の需給間のギャップが大幅に広がっている。従って、水資源を監視及び識別し、水資源の状態を動的に分析することが特に重要になっている。
従来の技術を用いて水域識別を行うと、以下の課題が存在する。
水指数方法を用いる場合、閾値の決定は重要なことであり、映像取得時の大気と光の条件が異なるため、水指数の固定閾値がなく、実際の操作では、各シーンの映像に対して適切な閾値を決定する必要がある。更に重要なことに、水指数を使用して水域を抽出する場合、従来の研究では、通常、水域の内部スペクトル特徴の相違性を配慮しておらず、画一的に対処し、あるシーンのリモートセンシング映像における水域に対して統一された閾値を用いると、異なる水域タイプの漏れと誤分類を引き起こしやすい。
水指数方法を用いる場合、閾値の決定は重要なことであり、映像取得時の大気と光の条件が異なるため、水指数の固定閾値がなく、実際の操作では、各シーンの映像に対して適切な閾値を決定する必要がある。更に重要なことに、水指数を使用して水域を抽出する場合、従来の研究では、通常、水域の内部スペクトル特徴の相違性を配慮しておらず、画一的に対処し、あるシーンのリモートセンシング映像における水域に対して統一された閾値を用いると、異なる水域タイプの漏れと誤分類を引き起こしやすい。
教師付き分類方法を用いて水域を抽出する場合、分類システムを作成し、トレーニングサンプルと分類器を選択する必要がある。最尤推定分類器（ＭＬＣ）、サポートベクターマシン（ＳＶＭ）、ランダムフォレスト、クラス分類木と回帰木、k近傍法、最小距離分類器などの分類器は広く使用されている。上記分類器は計算効率が非常に高いが、分類正確性がサンプルの代表性、正確性、完全性に大きく依存している。この方法は、さまざまな土地被覆タイプのトレーニングサンプルが完全であると要求されており、サンプル選択担当者に対して高く要求されている。
教師なし分類方法は、まずリモートセンシング映像に対して教師なし分類を行い、次に、事前の知識と補助データを使用してノイズを除去し、水域を抽出し、プロセスが複雑で、後処理作業が非常に膨大である。
本発明は、水域識別方法及び装置を提供する。該方法は、水域の標準スペクトル曲線に基づいて識別すべきマルチスペクトル画像の水域確率画像を取得するステップと、前記水域確率画像を複数の識別すべきユニットとして分割するステップと、前記識別すべきユニットにおける各々のピクセルの水域確率に基づいて適応度値に対してターゲット関数を作成するステップと、前記ターゲット関数に対して反復解法を行って、前記適応度値が最大の場合の前記識別すべきユニットの水域分布を取得して、前記識別すべきユニットに対して水域識別を行うステップとを含む。本発明の実施例では、水域に関連する情報のみを抽出し、非水域情報を排除し、従って、ターゲットが明瞭であるとともに、すべてのスペクトル波帯情報を配慮し、水域情報に対する還元性が高く、水指数（特定スペクトル波帯のみを配慮する）より高い情報利用率を有し、大範囲地域に対して正確に水域識別を行うことを実現する。
本発明の実施例は、水域と非水域のスペクトル特徴に基づいて抽出規則を作成し、トレーニングサンプルを選択し、ＳＶＭと組み合わせて、抽出規則の閾値を絶えず調整し、反復分類することによって、水域の自動識別を実現する、反復分類に基づく水域識別方法を提供することを目的とする。該方法は、水域識別の正確性と信頼性の向上に寄与し、水域を識別する作業効率を効果的に向上できる。
上記目的を実現するために、１つの態様では、本発明の１つの実施例は、反復分類に基づく水域識別方法を提供し、反復分類に基づく水域識別方法は、
水域と非水域のスペクトル特性に基づいて、第１類水域抽出規則及び第２類水域抽出規則を含む水域抽出規則と、非水域抽出規則とを含む抽出規則を作成し、規則に使用される異なる波帯に対して閾値を設定するステップＳ１と、
前記抽出規則に基づいて、水域トレーニングサンプルと非水域トレーニングサンプルとを含むトレーニングサンプルを抽出するステップＳ２と、
前記トレーニングサンプルとＳＶＭ分類器を組み合わせることによって、前記トレーニングサンプルの周りの予め設定された近傍範囲の分類すべきピクセルを分類し、分類結果を得るステップＳ３と、
前記抽出規則のうちの閾値を更新し、更新後の抽出規則に基づいて前記分類結果を判断し、更新後のトレーニングサンプルを得るステップＳ４と、
新しいトレーニングサンプルが生成しなくなるまで、ステップＳ３〜ステップＳ４を繰り返して、最終分類結果を得るステップＳ５とを少なくとも含む。
水域と非水域のスペクトル特性に基づいて、第１類水域抽出規則及び第２類水域抽出規則を含む水域抽出規則と、非水域抽出規則とを含む抽出規則を作成し、規則に使用される異なる波帯に対して閾値を設定するステップＳ１と、
前記抽出規則に基づいて、水域トレーニングサンプルと非水域トレーニングサンプルとを含むトレーニングサンプルを抽出するステップＳ２と、
前記トレーニングサンプルとＳＶＭ分類器を組み合わせることによって、前記トレーニングサンプルの周りの予め設定された近傍範囲の分類すべきピクセルを分類し、分類結果を得るステップＳ３と、
前記抽出規則のうちの閾値を更新し、更新後の抽出規則に基づいて前記分類結果を判断し、更新後のトレーニングサンプルを得るステップＳ４と、
新しいトレーニングサンプルが生成しなくなるまで、ステップＳ３〜ステップＳ４を繰り返して、最終分類結果を得るステップＳ５とを少なくとも含む。
更に、前記第１類水域の抽出規則は、（ＮＤＷＩ＞０）∩（ＭＮＤＷＩ＞０）∩（Ｂａｎｄ ２＜Ａ）であり、ここにおいて、「∩」は、共通部分を求めることを示し、Ａ∈（０．１０，０．１２）、Ｂａｎｄ ｎは第ｎ個の波帯の反射率であり、ＮＤＷＩは正規化水指数であり、ＭＮＤＷＩは改良型正規化水指数であり、前記第２類水域の抽出規則は、（Ｂａｎｄ ４）∩（Ｂａｎｄ ４＜Ｂ）∩（Ｂａｎｄ ３＞Ｂａｎｄ ５）∩（ｓｌｏｐｅ＜Ｃ）∩（ＮＤＶＩ＜Ｄ）であり、ここにおいて、Ｂ∈（０．１３，０．１６）、Ｃ∈（３，４）、Ｄ∈（０．１４，０．２０）、ｓｌｏｐｅデータは地物が位置する箇所のスロープであり、ＮＤＶＩは正規化植生指数Ｎｏｒｍａｌｉｚｅｄ Ｄｉｆｆｅｒｅｎｃｅｄ Ｖｅｇｅｔａｔｉｏｎ Ｉｎｄｅｘの略語であり、前記非水域抽出規則は、（Ｂａｎｄ ４）∩（Ｂａｎｄ ３＜Ｂａｎｄ ５）∩（Ｂａｎｄ ４＞Ｅ）∩（ｓｌｏｐｅ＞Ｆ）∩（ＮＤＶＩ＞Ｇ）であり、ここにおいて、Ｅ∈（０．１６，０．２３）、Ｆ∈（２５，３５）、Ｇ∈（０．３５，０．４０）、前記Ａ、Ｂ、Ｃ、Ｄ、Ｅ、Ｆ、Ｇは異なる波帯の反射率の閾値である。
更に、前記トレーニングサンプルの周りの３×３近傍範囲のピクセルは分類すべきピクセルである。
更に、前記抽出規則のうちの閾値を更新する前記ステップは、具体的には、
各々の前記閾値を５％増加又は減少させ、新しい初期閾値を形成することである。
各々の前記閾値を５％増加又は減少させ、新しい初期閾値を形成することである。
更に、更新後の抽出規則に基づいて前記分類結果を判断し、更新後のトレーニングサンプルを得る前記ステップは、具体的には、
更新後の抽出規則に基づいて前記分類結果を判断し、更新後の水域抽出規則に合致すると、水域トレーニングサンプルに追加し、更新後の非水域トレーニング規則に合致すると、非水域トレーニングサンプルに追加し、判断終了後に更新後のトレーニングサンプルを得ることである。
更新後の抽出規則に基づいて前記分類結果を判断し、更新後の水域抽出規則に合致すると、水域トレーニングサンプルに追加し、更新後の非水域トレーニング規則に合致すると、非水域トレーニングサンプルに追加し、判断終了後に更新後のトレーニングサンプルを得ることである。
他の態様では、本発明の他の実施例は、規則作成モジュールと、抽出モジュールと、分類モジュールと、判断モジュールと反復モジュールとを備える反復分類に基づく水域識別装置を提供し、
前記規則作成モジュールは、水域と非水域のスペクトル特性に基づいて、第１類水域抽出規則及び第２類水域抽出規則を含む水域抽出規則と、非水域抽出規則とを含む抽出規則を作成し、規則に使用される異なる波帯に対して閾値を設定することに用いられ、
前記抽出モジュールは、前記抽出規則に基づいて、水域トレーニングサンプルと非水域トレーニングサンプルとを含むトレーニングサンプルを抽出することに用いられ、
前記分類モジュールは、前記トレーニングサンプルとＳＶＭ分類器を組み合わせることによって、前記トレーニングサンプルの周りの予め設定された近傍範囲の分類すべきピクセルを分類し、分類結果を得ることに用いられ、
前記判断モジュールは、前記抽出規則のうちの閾値を更新し、更新後の抽出規則に基づいて前記分類結果を判断し、更新後のトレーニングサンプルを得ることに用いられ、
前記反復モジュールは、新しいトレーニングサンプルが生成しなくなるまで、トレーニングサンプルを繰り返して分類して分類結果を得、分類結果に基づいて新しいトレーニングサンプルを得、最終分類結果を得ることに用いられる。
前記規則作成モジュールは、水域と非水域のスペクトル特性に基づいて、第１類水域抽出規則及び第２類水域抽出規則を含む水域抽出規則と、非水域抽出規則とを含む抽出規則を作成し、規則に使用される異なる波帯に対して閾値を設定することに用いられ、
前記抽出モジュールは、前記抽出規則に基づいて、水域トレーニングサンプルと非水域トレーニングサンプルとを含むトレーニングサンプルを抽出することに用いられ、
前記分類モジュールは、前記トレーニングサンプルとＳＶＭ分類器を組み合わせることによって、前記トレーニングサンプルの周りの予め設定された近傍範囲の分類すべきピクセルを分類し、分類結果を得ることに用いられ、
前記判断モジュールは、前記抽出規則のうちの閾値を更新し、更新後の抽出規則に基づいて前記分類結果を判断し、更新後のトレーニングサンプルを得ることに用いられ、
前記反復モジュールは、新しいトレーニングサンプルが生成しなくなるまで、トレーニングサンプルを繰り返して分類して分類結果を得、分類結果に基づいて新しいトレーニングサンプルを得、最終分類結果を得ることに用いられる。
更に、前記第１類水域の抽出規則は、（ＮＤＷＩ＞０）∩（ＭＮＤＷＩ＞０）∩（Ｂａｎｄ ２＜Ａ）であり、ここにおいて、「∩」は、共通部分を求めることを示し、Ａ∈（０．１０，０．１２）、Ｂａｎｄ ｎは第ｎ個の波帯の反射率であり、ＮＤＷＩは正規化水指数であり、ＭＮＤＷＩは改良型正規化水指数であり、前記第２類水域の抽出規則は、（Ｂａｎｄ ４）∩（Ｂａｎｄ ４＜Ｂ）∩（Ｂａｎｄ ３＞Ｂａｎｄ ５）∩（ｓｌｏｐｅ＜Ｃ）∩（ＮＤＶＩ＜Ｄ）であり、ここにおいて、Ｂ∈（０．１３，０．１６）、Ｃ∈（３，４）、Ｄ∈（０．１４，０．２０）、ｓｌｏｐｅデータは地物が位置する箇所のスロープであり、ＮＤＶＩは正規化植生指数Ｎｏｒｍａｌｉｚｅｄ Ｄｉｆｆｅｒｅｎｃｅｄ Ｖｅｇｅｔａｔｉｏｎ Ｉｎｄｅｘの略語であり、前記非水域抽出規則は、（Ｂａｎｄ ４）∩（Ｂａｎｄ ３＜Ｂａｎｄ ５）∩（Ｂａｎｄ ４＞Ｅ）∩（ｓｌｏｐｅ＞Ｆ）∩（ＮＤＶＩ＞Ｇ）であり、ここにおいて、Ｅ∈（０．１６，０．２３）、Ｆ∈（２５，３５）、Ｇ∈（０．３５，０．４０）、前記Ａ、Ｂ、Ｃ、Ｄ、Ｅ、Ｆ、Ｇは異なる波帯の反射率の閾値である。
更に、前記トレーニングサンプルの周りの３×３近傍範囲のピクセルは分類すべきピクセルである。
更に、前記抽出規則のうちの閾値を更新する前記ステップは、具体的には、
各々の前記閾値を５％増加又は減少させ、新しい初期閾値を形成することである。
各々の前記閾値を５％増加又は減少させ、新しい初期閾値を形成することである。
更に、更新後の抽出規則に基づいて前記分類結果を判断し、更新後のトレーニングサンプルを得る前記ステップは、具体的には、更新後の抽出規則に基づいて前記分類結果を判断し、更新後の水域抽出規則に合致すると、水域トレーニングサンプルに追加し、更新後の非水域トレーニング規則に合致すると、非水域トレーニングサンプルに追加し、判断終了後に更新後のトレーニングサンプルを得ることである。
本発明の実施例は、水域と非水域のスペクトル特徴に基づいて抽出規則を作成し、トレーニングサンプルを選択し、ＳＶＭと組み合わせて、抽出規則の閾値を絶えず調整し、反復分類することによって、水域の自動識別を実現する、反復分類に基づく水域識別方法を提供することであることを目的とする。該方法は、水域識別の正確性と信頼性の向上に寄与し、水域を識別する作業効率を効果的に向上できる。
以下、本発明の実施例の図面を参照しながら、本発明の実施例における技術案について明瞭、かつ完全に説明し、当然ながら、説明される実施例は、本発明の一部の実施例に過ぎず、全ての実施例ではない。本発明における実施例に基づき、当業者が創造的な労力を要することなく得られる全ての他の実施例は、いずれも本発明の保護範囲に属する。
（実施例１）
図１〜２に示されるように、本発明の実施例による反復分類に基づく水域識別方法であって、
第１類水域抽出規則及び第２類水域抽出規則を含む水域抽出規則と、非水域抽出規則とを含む水域と非水域のスペクトル特性に基づいて抽出規則を作成し、規則に使用される異なる波帯に対して閾値を設定するステップＳ１と、
前記抽出規則に基づいて、水域トレーニングサンプルと非水域トレーニングサンプルとを含むトレーニングサンプルを抽出するステップＳ２と、
前記トレーニングサンプルとＳＶＭ分類器を組み合わせることによって、前記トレーニングサンプルの周りの予め設定された近傍範囲の分類すべきピクセルを分類し、分類結果を得るステップＳ３と、
前記抽出規則のうちの閾値を更新し、更新後の抽出規則に基づいて前記分類結果を判断し、更新後のトレーニングサンプルを得るステップＳ４と、
ステップＳ３〜ステップＳ４を繰り返して、新しいトレーニングサンプルが生成しなくなるまで、最終分類結果を得るステップＳ５とを少なくとも含む。
図１〜２に示されるように、本発明の実施例による反復分類に基づく水域識別方法であって、
第１類水域抽出規則及び第２類水域抽出規則を含む水域抽出規則と、非水域抽出規則とを含む水域と非水域のスペクトル特性に基づいて抽出規則を作成し、規則に使用される異なる波帯に対して閾値を設定するステップＳ１と、
前記抽出規則に基づいて、水域トレーニングサンプルと非水域トレーニングサンプルとを含むトレーニングサンプルを抽出するステップＳ２と、
前記トレーニングサンプルとＳＶＭ分類器を組み合わせることによって、前記トレーニングサンプルの周りの予め設定された近傍範囲の分類すべきピクセルを分類し、分類結果を得るステップＳ３と、
前記抽出規則のうちの閾値を更新し、更新後の抽出規則に基づいて前記分類結果を判断し、更新後のトレーニングサンプルを得るステップＳ４と、
ステップＳ３〜ステップＳ４を繰り返して、新しいトレーニングサンプルが生成しなくなるまで、最終分類結果を得るステップＳ５とを少なくとも含む。
本発明の実施例では、水域を第１類水域と第２類水域に分類し、第１類水域は、反射率が波長の増加に伴って低下する一方、第２類水域は、クロロフィル又は藻類を含むので、スペクトル曲線が植生に類似するが、反射率の数値が低い。
図２を参照すると、水域のスペクトル特徴は、反射率が波長の増加に伴って低下し、各波帯の反射率が０．１５以下であり、一般的に正規化水指数ＮＤＷＩ＞０又は改良型正規化水指数ＭＮＤＷＩ＞０を用いて抽出できることであることが理解できる。しかしながら、いくつかの建物の屋根は、特殊な金属材料を用いるか、又はある特殊色を塗ることによって、ＭＮＤＷＩ＞０，ＮＤＷＩ＞０の条件を満たす。特殊な屋根建物のＢａｎｄ ２の反射率が高いことを配慮すると、本発明の実施例は、第２波帯の反射率に対して予め設定された閾値Ａを設定することで第１類水域と特殊屋根の建物を区別する。第１類水域トレーニングサンプルの抽出規則は、（ＮＤＷＩ＞０）∩（ＭＮＤＷＩ＞０）∩（Ｂａｎｄ ２＜Ａ）であり、ここにおいて、「∩」は、共通部分を求めることを示し、Ａ∈（０．１０，０．１２）。第２類水域は、スペクトル特徴が植生、水田に類似するクロロフィルを含むので、第２類水域を植生、水田と区別するために、第２類水域の水域抽出規則は、（Ｂａｎｄ ４）∩（Ｂａｎｄ ４＜Ｂ）∩（Ｂａｎｄ ３＞Ｂａｎｄ ５）∩（ｓｌｏｐｅ＜Ｃ）∩（ＮＤＶＩ＜Ｄ）であり、ここにおいて、Ｂ∈（０．１３，０．１６）、Ｃ∈（３，４）、Ｄ∈（０．１４，０．２０）、ｓｌｏｐｅデータは地物が位置する箇所のスロープであり、ＮＤＶＩは正規化植生指数Ｎｏｒｍａｌｉｚｅｄ Ｄｉｆｆｅｒｅｎｃｅｄ Ｖｅｇｅｔａｔｉｏｎ Ｉｎｄｅｘの略語である。本発明の実施例の非水域抽出規則は、（Ｂａｎｄ ４）∩（Ｂａｎｄ ３＜Ｂａｎｄ ５）∩（Ｂａｎｄ ４＞Ｅ）∩（ｓｌｏｐｅ＞Ｆ）∩（ＮＤＶＩ＞Ｇ）であり、ここにおいて、Ｅ∈（０．１６，０．２３）、Ｆ∈（２５，３５）、Ｇ∈（０．３５，０．４０）。
本発明の実施例では、異なる波帯の反射率の予め設定された閾値を設定し、抽出規則を作成することによって、条件に合致するトレーニングサンプルを正確に選択でき、それにより、水域識別の正確性を効果的に向上でき、本発明は、閾値を更新することで更に抽出規則を更新し、更新後の抽出規則によって反復分類結果を判断し、手動による介入がなく、水域識別の全自動化を実現し、作業効率を効果的に向上できる。
本発明の実施例の１つの具体的な実施形態としては、第１類水域抽出規則は、（ＮＤＷＩ＞０）∩（ＭＮＤＷＩ＞０）∩（Ｂａｎｄ ２＜Ａ）であり、ここにおいて、「∩」は、共通部分を求めることを示し、Ａ∈（０．１０，０．１２）、Ｂａｎｄ ｎは第ｎ個の波帯の反射率であり、ＮＤＷＩは正規化水指数であり、ＭＮＤＷＩは改良型正規化水指数であり、第２抽出規則は、（Ｂａｎｄ ４）∩（Ｂａｎｄ ４＜Ｂ）∩（Ｂａｎｄ ３＞Ｂａｎｄ ５）∩（ｓｌｏｐｅ＜Ｃ）∩（ＮＤＶＩ＜Ｄ）であり、ここにおいて、Ｂ∈（０．１３，０．１６）、Ｃ∈（３，４）、Ｄ∈（０．１４，０．２０）、ｓｌｏｐｅデータは地物が位置する箇所のスロープであり、ＮＤＶＩは正規化植生指数Ｎｏｒｍａｌｉｚｅｄ Ｄｉｆｆｅｒｅｎｃｅｄ Ｖｅｇｅｔａｔｉｏｎ Ｉｎｄｅｘの略語であり、非水域抽出規則は、（Ｂａｎｄ ４）∩（Ｂａｎｄ ３＜Ｂａｎｄ ５）∩（Ｂａｎｄ ４＞Ｅ）∩（ｓｌｏｐｅ＞Ｆ）∩（ＮＤＶＩ＞Ｇ）であり、ここにおいて、Ｅ∈（０．１６，０．２３）、Ｆ∈（２５，３５）、Ｇ∈（０．３５，０．４０）、Ａ、Ｂ、Ｃ、Ｄ、Ｅ、Ｆ、Ｇは異なる波帯の反射率の閾値であり、以上提案された区間範囲から取得できる。
本発明の実施例では、第１類水域抽出規則を作成することによって、第１類水域を特殊屋根建物と区別し、第２類水域抽出規則を作成することによって、第２類水域を植生と水田と区別し、トレーニングサンプルを正確且つ全面的に抽出できる。
本発明の実施例の１つの具体的な実施形態としては、トレーニングサンプルの周りの予め設定された３×３近傍範囲は分類すべきピクセルである。
本発明の実施例では、トレーニングサンプルの周りの３×３近傍範囲の分類すべきピクセルを分類することによって、新しい分類結果を取得する。
本発明の実施例の１つの具体的な実施形態としては、抽出規則のうちの閾値を更新するステップは、具体的には、
各々の閾値を５％増加又は減少させ、新しい閾値を形成することである。
各々の閾値を５％増加又は減少させ、新しい閾値を形成することである。
抽出規則がある波帯がある値より小さいことである場合、更新する閾値は初期閾値を５％増加させた値であり、抽出規則がある波帯がある値より大きいことである場合、更新する閾値は初期閾値を５％減少させた値である。たとえば、抽出規則がａ＞０．１であると、０．１が初期閾値であり、初期閾値を５％減少させた後、該条件はａ＞０．０９５に変わり、抽出規則がａ＜０．１であると、初期閾値を５％増加させた後、該条件はａ＜０．１０５に変わり、閾値の変化により、抽出規則条件が「広くなり」、それにより、より多くのピクセルが要件を満たす。本発明の実施例は、各々の初期閾値を５％増加又は減少させ、新しい初期閾値を形成することで、更新後の抽出規則を用いて分類結果を判断するとき、より多くのピクセルを取得でき、それにより、水域識別の正確性と全面性の向上に寄与する。
本発明の実施例の１つの具体的な実施形態としては、更新後の抽出規則に基づいて分類結果を判断し、トレーニングサンプルを得るステップは、具体的には、
更新後の抽出規則に基づいて分類結果を判断し、更新後の水域抽出規則に合致すると、水域トレーニングサンプルに追加し、更新後の非水域トレーニング規則に合致すると、非水域トレーニングサンプルに追加し、判断終了後に更新後のトレーニングサンプルを得ることである。
更新後の抽出規則に基づいて分類結果を判断し、更新後の水域抽出規則に合致すると、水域トレーニングサンプルに追加し、更新後の非水域トレーニング規則に合致すると、非水域トレーニングサンプルに追加し、判断終了後に更新後のトレーニングサンプルを得ることである。
本発明の実施例では、抽出規則のうちの閾値を更新することで抽出規則を更新し、更新後の抽出規則によって分類結果を識別及び判断し、抽出規則を満たすより多くの分類すべきピクセルを取得でき、それにより、水域の抽出が全面的かつ正確になる。
本発明の実施例は、以下の有益な効果を有する。
本発明の実施例では、異なる波帯の反射特徴に基づいて抽出規則を作成することによって、条件に合致するトレーニングサンプルを正確に選択でき、それにより、水域識別の正確性を向上させ、本発明は、閾値を更新することで更に抽出規則を更新し、反復分類して、水域の自動識別を実現する。該方法は、手動による介入がなく、水域識別の全自動化を実現し、水域を識別する作業効率を効果的に向上できる。
本発明の実施例では、異なる波帯の反射特徴に基づいて抽出規則を作成することによって、条件に合致するトレーニングサンプルを正確に選択でき、それにより、水域識別の正確性を向上させ、本発明は、閾値を更新することで更に抽出規則を更新し、反復分類して、水域の自動識別を実現する。該方法は、手動による介入がなく、水域識別の全自動化を実現し、水域を識別する作業効率を効果的に向上できる。
（実施例２）
図２〜３に示すように、本発明の実施例による反復分類に基づく水域識別装置であって、規則作成モジュール１０１と、抽出モジュール１０２と、分類モジュール１０３と、判断モジュール１０４と、反復モジュール１０５とを備え、
規則作成モジュール１０１は、水域と非水域のスペクトル特性に基づいて、第１類水域抽出規則及び第２類水域抽出規則を含む水域抽出規則と、非水域抽出規則とを含む抽出規則を作成し、規則に使用される異なる波帯に対して閾値を設定することに用いられ、
抽出モジュール１０２は、前記抽出規則に基づいて、水域トレーニングサンプルと非水域トレーニングサンプルとを含むトレーニングサンプルを抽出することに用いられ、
分類モジュール１０３は、前記トレーニングサンプルとＳＶＭ分類器を組み合わせることによって、前記トレーニングサンプルの周りの予め設定された近傍範囲の分類すべきピクセルを分類し、分類結果を得ることに用いられ、
判断モジュール１０４は、前記抽出規則のうちの閾値を更新し、更新後の抽出規則に基づいて前記分類結果を判断し、更新後のトレーニングサンプルを得ることに用いられ、
反復モジュール１０５は、新しいトレーニングサンプルが生成しなくなるまで、トレーニングサンプルを繰り返して分類して分類結果を得、前記分類結果に基づいて新しいトレーニングサンプルを得、最終分類結果を得ることに用いられる。本発明の実施例では、水域分類を第１類水域と第２類水域に分類し、第１類水域は、反射率が波長の増加に伴って低下する一方、第２類水域は、クロロフィル又は藻類を含むので、スペクトル曲線が植生に類似するが、反射率数値が低い。
図２〜３に示すように、本発明の実施例による反復分類に基づく水域識別装置であって、規則作成モジュール１０１と、抽出モジュール１０２と、分類モジュール１０３と、判断モジュール１０４と、反復モジュール１０５とを備え、
規則作成モジュール１０１は、水域と非水域のスペクトル特性に基づいて、第１類水域抽出規則及び第２類水域抽出規則を含む水域抽出規則と、非水域抽出規則とを含む抽出規則を作成し、規則に使用される異なる波帯に対して閾値を設定することに用いられ、
抽出モジュール１０２は、前記抽出規則に基づいて、水域トレーニングサンプルと非水域トレーニングサンプルとを含むトレーニングサンプルを抽出することに用いられ、
分類モジュール１０３は、前記トレーニングサンプルとＳＶＭ分類器を組み合わせることによって、前記トレーニングサンプルの周りの予め設定された近傍範囲の分類すべきピクセルを分類し、分類結果を得ることに用いられ、
判断モジュール１０４は、前記抽出規則のうちの閾値を更新し、更新後の抽出規則に基づいて前記分類結果を判断し、更新後のトレーニングサンプルを得ることに用いられ、
反復モジュール１０５は、新しいトレーニングサンプルが生成しなくなるまで、トレーニングサンプルを繰り返して分類して分類結果を得、前記分類結果に基づいて新しいトレーニングサンプルを得、最終分類結果を得ることに用いられる。本発明の実施例では、水域分類を第１類水域と第２類水域に分類し、第１類水域は、反射率が波長の増加に伴って低下する一方、第２類水域は、クロロフィル又は藻類を含むので、スペクトル曲線が植生に類似するが、反射率数値が低い。
図２を参照すると、水域のスペクトル特徴は、反射率が波長の増加に伴って低下し、各波帯の反射率が０．１５以下であり、一般的に正規化水指数ＮＤＷＩ＞０又は改良型正規化水指数ＭＮＤＷＩ＞０を用いて抽出できることであることが理解できる。しかしながら、いくつかの建物の屋根は、特殊な金属材料を用いるか、又はある特殊色を塗ることによって、ＭＮＤＷＩ＞０，ＮＤＷＩ＞０の条件を満たす。特殊な屋根建物のＢａｎｄ ２の反射率が高いことを配慮すると、本発明の実施例は、第２波帯の反射率に対して予め設定された閾値Ａを設定することで第１類水域と特殊屋根の建物を区別する。第１類水域トレーニングサンプルの抽出規則は、（ＮＤＷＩ＞０）∩（ＭＮＤＷＩ＞０）∩（Ｂａｎｄ ２＜Ａ）であり、ここにおいて、「∩」は、共通部分を求めることを示し、Ａ∈（０．１０，０．１２）。第２類水域は、スペクトル特徴が植生、水田に類似するクロロフィルを含むので、第２類水域を植生、水田と区別するために、第２類水域の水域抽出規則は、（Ｂａｎｄ ４）∩（Ｂａｎｄ ４＜Ｂ）∩（Ｂａｎｄ ３＞Ｂａｎｄ ５）∩（ｓｌｏｐｅ＜Ｃ）∩（ＮＤＶＩ＜Ｄ）であり、ここにおいて、Ｂ∈（０．１３，０．１６）、Ｃ∈（３，４）、Ｄ∈（０．１４，０．２０）、ｓｌｏｐｅデータは地物が位置する箇所のスロープであり、ＮＤＶＩは正規化植生指数Ｎｏｒｍａｌｉｚｅｄ Ｄｉｆｆｅｒｅｎｃｅｄ Ｖｅｇｅｔａｔｉｏｎ Ｉｎｄｅｘの略語である。本発明の実施例の非水域抽出規則は、（Ｂａｎｄ ４）∩（Ｂａｎｄ ３＜Ｂａｎｄ ５）∩（Ｂａｎｄ ４＞Ｅ）∩（ｓｌｏｐｅ＞Ｆ）∩（ＮＤＶＩ＞Ｇ）であり、ここにおいて、Ｅ∈（０．１６，０．２３）、Ｆ∈（２５，３５）、Ｇ∈（０．３５，０．４０）。
本発明の実施例では、異なる波帯の反射率の予め設定された閾値を設定し、抽出規則を作成することによって、条件に合致するトレーニングサンプルを正確に選択でき、それにより、水域識別の正確性を効果的に向上でき、本発明は、閾値を更新することで更に抽出規則を更新し、更新後の抽出規則によって反復分類結果を判断し、手動による介入がなく、水域識別の全自動化を実現し、作業効率を効果的に向上できる。
本発明の実施例の１つの具体的な実施形態としては、第１類水域抽出規則は、（ＮＤＷＩ＞０）∩（ＭＮＤＷＩ＞０）∩（Ｂａｎｄ ２＜Ａ）であり、ここにおいて、「∩」は、共通部分を求めることを示し、Ａ∈（０．１０，０．１２）、Ｂａｎｄ ｎは第ｎ個の波帯の反射率であり、ＮＤＷＩは正規化水指数であり、ＭＮＤＷＩは改良型正規化水指数であり、第２抽出規則は、（Ｂａｎｄ ４）∩（Ｂａｎｄ ４＜Ｂ）∩（Ｂａｎｄ ３＞Ｂａｎｄ ５）∩（ｓｌｏｐｅ＜Ｃ）∩（ＮＤＶＩ＜Ｄ）であり、ここにおいて、Ｂ∈（０．１３，０．１６）、Ｃ∈（３，４）、Ｄ∈（０．１４，０．２０）、ｓｌｏｐｅデータは地物が位置する箇所のスロープであり、ＮＤＶＩは正規化植生指数Ｎｏｒｍａｌｉｚｅｄ Ｄｉｆｆｅｒｅｎｃｅｄ Ｖｅｇｅｔａｔｉｏｎ Ｉｎｄｅｘの略語であり、非水域抽出規則は、（Ｂａｎｄ ４）∩（Ｂａｎｄ ３＜Ｂａｎｄ ５）∩（Ｂａｎｄ ４＞Ｅ）∩（ｓｌｏｐｅ＞Ｆ）∩（ＮＤＶＩ＞Ｇ）であり、ここにおいて、Ｅ∈（０．１６，０．２３）、Ｆ∈（２５，３５）、Ｇ∈（０．３５，０．４０）、Ａ、Ｂ、Ｃ、Ｄ、Ｅ、Ｆ、Ｇは異なる波帯の反射率の閾値であり、以上提案された区間範囲から取得できる。
本発明の実施例では、第１類水域抽出規則を作成することによって、第１類水域を特殊屋根建物と区別し、第２類水域抽出規則を作成することによって、第２類水域を植生と水田と区別し、トレーニングサンプルを正確且つ全面的に抽出できる。
本発明の実施例の１つの具体的な実施形態としては、トレーニングサンプルの周りの予め設定された３×３近傍範囲は分類すべきピクセルである。
本発明の実施例では、トレーニングサンプルの周りの３×３近傍範囲の分類すべきピクセルを分類することによって、新しい分類結果を取得する。
本発明の実施例の１つの具体的な実施形態としては、抽出規則のうちの閾値を更新するステップは、具体的には、
各々の閾値を５％増加又は減少させ、新しい閾値を形成することである。
各々の閾値を５％増加又は減少させ、新しい閾値を形成することである。
抽出規則がある波帯がある値より小さいことである場合、更新する閾値は初期閾値を５％増加させた値であり、抽出規則がある波帯がある値より大きいことである場合、更新する閾値は初期閾値を５％減少させた値である。たとえば、抽出規則がａ＞０．１であると、０．１が初期閾値であり、初期閾値を５％減少させた後、該条件はａ＞０．０９５に変わり、抽出規則がａ＜０．１であると、初期閾値を５％増加させた後、該条件はａ＜０．１０５に変わり、閾値の変化により、抽出規則条件が「広くなり」、それにより、より多くのピクセルが要件を満たす。本発明の実施例は、各々の初期閾値を５％増加又は減少させ、新しい初期閾値を形成することで、更新後の抽出規則を用いて分類結果を判断するとき、より多くのピクセルを取得でき、それにより、水域識別の正確性と全面性の向上に寄与する。
本発明の実施例の１つの具体的な実施形態としては、更新後の抽出規則に基づいて分類結果を判断し、トレーニングサンプルを得るステップは、具体的には、
更新後の抽出規則に基づいて分類結果を判断し、更新後の水域抽出規則に合致すると、水域トレーニングサンプルに追加し、更新後の非水域トレーニング規則に合致すると、非水域トレーニングサンプルに追加し、判断終了後に更新後のトレーニングサンプルを得ることである。
更新後の抽出規則に基づいて分類結果を判断し、更新後の水域抽出規則に合致すると、水域トレーニングサンプルに追加し、更新後の非水域トレーニング規則に合致すると、非水域トレーニングサンプルに追加し、判断終了後に更新後のトレーニングサンプルを得ることである。
本発明の実施例では、抽出規則のうちの閾値を更新することで抽出規則を更新し、更新後の抽出規則によって分類結果を識別及び判断し、抽出規則を満たすより多くの分類すべきピクセルを取得でき、それにより、水域の抽出が全面的かつ正確になる。
本発明の実施例は、以下の有益な効果を有する。
本発明の実施例では、異なる波帯の反射特徴に基づいて抽出規則を作成することによって、条件に合致するトレーニングサンプルを正確に選択でき、それにより、水域識別の正確性を向上させ、本発明は、閾値を更新することで更に抽出規則を更新し、反復分類して、水域の自動識別を実現する。該方法は、手動による介入がなく、水域識別の全自動化を実現し、水域を識別する作業効率を効果的に向上できる。
本発明の実施例では、異なる波帯の反射特徴に基づいて抽出規則を作成することによって、条件に合致するトレーニングサンプルを正確に選択でき、それにより、水域識別の正確性を向上させ、本発明は、閾値を更新することで更に抽出規則を更新し、反復分類して、水域の自動識別を実現する。該方法は、手動による介入がなく、水域識別の全自動化を実現し、水域を識別する作業効率を効果的に向上できる。
以上は、本発明の好適な実施形態であり、なお、当業者にとっては、本発明の原理から逸脱することなく、更にいくつかの改良や修飾を行うことができ、これらの改良や修飾も本発明の保護範囲と見なされるべきである。
Claims (8)
- 水域と非水域のスペクトル特性に基づいて、第１類水域抽出規則及び第２類水域抽出規則を含む水域抽出規則と、非水域抽出規則とを含む抽出規則を作成し、規則に使用される異なる波帯に対して閾値を設定するステップＳ１と、
前記抽出規則に基づいて、水域トレーニングサンプルと非水域トレーニングサンプルとを含むトレーニングサンプルを抽出するステップＳ２と、
前記トレーニングサンプルとＳＶＭ分類器を組み合わせることによって、前記トレーニングサンプルの周りの予め設定された近傍範囲の分類すべきピクセルを分類し、分類結果を得るステップＳ３と、
前記抽出規則のうちの閾値を更新し、更新後の抽出規則に基づいて前記分類結果を判断し、更新後のトレーニングサンプルを得るステップＳ４と、
新しいトレーニングサンプルが生成しなくなるまで、ステップＳ３〜ステップＳ４を繰り返して、最終分類結果を得るステップＳ５とを少なくとも含み、
前記第１類水域の抽出規則は、（ＮＤＷＩ＞０）∩（ＭＮＤＷＩ＞０）∩（Ｂａｎｄ ２＜Ａ＝であり、ここにおいて、「∩」は、共通部分を求めることを示し、Ａ∈（０．１０，０．１２）、Ｂａｎｄ ｎは第ｎ番目の波帯の反射率であり、ＮＤＷＩは正規化水指数であり、ＭＮＤＷＩは改良型正規化水指数であり、前記第２類水域の抽出規則は、（Ｂａｎｄ ４）∩（Ｂａｎｄ ４＜Ｂ＝∩（Ｂａｎｄ ３＞Ｂａｎｄ ５）∩（ｓｌｏｐｅ＜Ｃ＝∩（ＮＤＶＩ＜Ｄ＝であり、ここにおいて、Ｂ∈（０．１３，０．１６）、Ｃ∈（３，４）、Ｄ∈（０．１４，０．２０）、ｓｌｏｐｅデータは地物が位置する箇所の地形の傾きに関するデータであるスロープであり、前記非水域抽出規則は、（Ｂａｎｄ ４）∩（Ｂａｎｄ ３＜Ｂａｎｄ ５＝∩（Ｂａｎｄ ４＞Ｅ）∩（ｓｌｏｐｅ＞Ｆ）∩（ＮＤＶＩ＞Ｇ）であり、ここにおいて、Ｅ∈（０．１６，０．２３）、Ｆ∈（２５，３５）、Ｇ∈（０．３５，０．４０）、ＮＤＶＩは正規化植生指数Ｎｏｒｍａｌｉｚｅｄ Ｄｉｆｆｅｒｅｎｃｅｄ Ｖｅｇｅｔａｔｉｏｎ Ｉｎｄｅｘの略語であり、前記Ａ、Ｂ、Ｃ、Ｄ、Ｅ、Ｆ、Ｇは異なる波帯の反射率の初期閾値であり、
前記第１類水域の抽出規則を作成することによって、前記第１類水域を特殊屋根建物と区別し、前記第２類水域の抽出規則を作成することによって、前記第２類水域を植生と水田と区別することを特徴とする反復分類に基づく水域識別方法。 - 前記トレーニングサンプルの周りの３×３近傍範囲のピクセルは分類すべきピクセルである、ことを特徴とする請求項１に記載の反復分類に基づく水域識別方法。
- 前記抽出規則のうちの閾値を更新する前記ステップは、具体的には、
各々の前記閾値を５％増加又は減少させ、新しい閾値を形成することである、ことを特徴とする請求項１に記載の反復分類に基づく水域識別方法。 - 更新後の抽出規則に基づいて前記分類結果を判断し、更新後のトレーニングサンプルを得る前記ステップは、具体的には、
更新後の抽出規則に基づいて前記分類結果を判断し、更新後の水域抽出規則に合致すると、水域トレーニングサンプルに追加し、更新後の非水域トレーニング規則に合致すると、非水域トレーニングサンプルに追加し、判断終了後に更新後のトレーニングサンプルを得ることである、ことを特徴とする請求項１に記載の反復分類に基づく水域識別方法。 - 規則作成モジュールと、抽出モジュールと、分類モジュールと、判断モジュールと、反復モジュールとを備え、
前記規則作成モジュールは、水域と非水域のスペクトル特性に基づいて、第１類水域抽出規則及び第２類水域抽出規則を含む水域抽出規則と、非水域抽出規則とを含む抽出規則を作成し、規則に使用される異なる波帯に対して閾値を設定することに用いられ、
前記抽出モジュールは、前記抽出規則に基づいて、水域トレーニングサンプルと非水域トレーニングサンプルとを含むトレーニングサンプルを抽出することに用いられ、
前記分類モジュールは、前記トレーニングサンプルとＳＶＭ分類器を組み合わせることによって、前記トレーニングサンプルの周りの予め設定された近傍範囲の分類すべきピクセルを分類し、分類結果を得ることに用いられ、
前記判断モジュールは、前記抽出規則のうちの閾値を更新し、更新後の抽出規則に基づいて前記分類結果を判断し、更新後のトレーニングサンプルを得ることに用いられ、
前記反復モジュールは、新しいトレーニングサンプルが生成しなくなるまで、トレーニングサンプルを繰り返して分類して分類結果を得、前記分類結果に基づいて新しいトレーニングサンプルを得、最終分類結果を得ることに用いられ、
前記第１類水域の抽出規則は、（ＮＤＷＩ＞０）∩（ＭＮＤＷＩ＞０）∩（Ｂａｎｄ ２＜Ａ）であり、ここにおいて、「∩」は、共通部分を求めることを示し、Ａ∈（０．１０，０．１２）、Ｂａｎｄ ｎは第ｎ番目の波帯の反射率であり、ＮＤＷＩは正規化水指数であり、ＭＮＤＷＩは改良型正規化水指数であり、前記第２類水域の抽出規則は、（Ｂａｎｄ ４）∩（Ｂａｎｄ ４＜Ｂ）∩（Ｂａｎｄ ３＞Ｂａｎｄ ５）∩（ｓｌｏｐｅ＜Ｃ）∩（ＮＤＶＩ＜Ｄ）であり、ここにおいて、Ｂ∈（０．１３，０．１６）、Ｃ∈（３，４）、Ｄ∈（０．１４，０．２０）、ｓｌｏｐｅデータは地物が位置する箇所の地形の傾きに関するデータであるスロープであり、ＮＤＶＩは正規化植生指数Ｎｏｒｍａｌｉｚｅｄ Ｄｉｆｆｅｒｅｎｃｅｄ Ｖｅｇｅｔａｔｉｏｎ Ｉｎｄｅｘの略語であり、前記非水域抽出規則は、（Ｂａｎｄ ４）∩（Ｂａｎｄ ３＜Ｂａｎｄ ５）∩（Ｂａｎｄ ４＞Ｅ）∩（ｓｌｏｐｅ＞Ｆ）∩（ＮＤＶＩ＞Ｇ）であり、ここにおいて、Ｅ∈（０．１６，０．２３）、Ｆ∈（２５，３５）、Ｇ∈（０．３５，０．４０）、前記Ａ、Ｂ、Ｃ、Ｄ、Ｅ、Ｆ、Ｇは異なる波帯の反射率の閾値であり、
前記第１類水域の抽出規則を作成することによって、前記第１類水域を特殊屋根建物と区別し、前記第２類水域の抽出規則を作成することによって、前記第２類水域を植生と水田と区別することを特徴とする反復分類に基づく水域識別装置。 - 前記トレーニングサンプルの周りの３×３近傍範囲のピクセルは分類すべきピクセルである、ことを特徴とする請求項５に記載の反復分類に基づく水域識別装置。
- 前記抽出規則のうちの閾値を更新する前記ステップは、具体的には、
各々の前記閾値を５％増加又は減少させ、新しい初期閾値を形成することである、ことを特徴とする請求項５に記載の反復分類に基づく水域識別装置。 - 更新後の抽出規則に基づいて前記分類結果を判断し、更新後のトレーニングサンプルを 得る前記ステップは、具体的には、
更新後の抽出規則に基づいて前記分類結果を判断し、更新後の水域抽出規則に合致すると、水域トレーニングサンプルに追加し、更新後の非水域トレーニング規則に合致すると、非水域トレーニングサンプルに追加し、判断終了後に更新後のトレーニングサンプルを得ることである、ことを特徴とする請求項５に記載の反復分類に基づく水域識別装置。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910779699.9A CN110472697B (zh) | 2019-08-22 | 2019-08-22 | 一种基于迭代分类的水体识别方法及装置 |
| CN201910779699.9 | 2019-08-22 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2021032898A JP2021032898A (ja) | 2021-03-01 |
| JP6871658B2 true JP6871658B2 (ja) | 2021-05-12 |
Family
ID=68513340
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020139359A Active JP6871658B2 (ja) | 2019-08-22 | 2020-08-20 | 反復分類に基づく水域識別方法及び装置 |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JP6871658B2 (ja) |
| CN (1) | CN110472697B (ja) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113610882A (zh) * | 2021-04-23 | 2021-11-05 | 华北水利水电大学 | 地表水体制图方法、装置、电子设备及存储介质 |
| CN113341407B (zh) * | 2021-06-02 | 2024-02-06 | 中国水产科学研究院南海水产研究所 | 一种基于雷达探测的渔业捕捞追踪系统及方法 |
| CN116297251B (zh) * | 2023-05-17 | 2023-08-29 | 安徽新宇环保科技股份有限公司 | 一种多传感器组合的水质检测系统及其检测探头 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6201507B2 (ja) * | 2013-08-12 | 2017-09-27 | 日本電気株式会社 | 画像処理装置、画像処理方法および画像処理プログラム |
| CN105957079B (zh) * | 2016-04-28 | 2018-12-25 | 淮阴师范学院 | 基于Landsat OLI多光谱影像的湖泊水域信息提取方法 |
| CN106442420A (zh) * | 2016-09-21 | 2017-02-22 | 河海大学 | 一种定性与定量结合的水质监测方法 |
| CN106950177A (zh) * | 2016-11-16 | 2017-07-14 | 中国科学院遥感与数字地球研究所 | 一种gf‑4卫星遥感影像的水体提取方法 |
| CN106442422A (zh) * | 2016-11-18 | 2017-02-22 | 中国水利水电科学研究院 | 水草型湖泊水草区水质遥感间接监测方法 |
| CN107271405A (zh) * | 2017-06-30 | 2017-10-20 | 中国水利水电科学研究院 | 一种多模型协同的水质参数浓度反演方法和装置 |
| CN107590816B (zh) * | 2017-09-08 | 2021-06-15 | 哈尔滨工业大学 | 一种基于遥感图像的水体信息拟合方法 |
| CN109448016A (zh) * | 2018-11-02 | 2019-03-08 | 三亚中科遥感研究所 | 一种基于面向对象及其隶属规则的遥感影像海岸线提取方法 |
-
2019
- 2019-08-22 CN CN201910779699.9A patent/CN110472697B/zh active Active
-
2020
- 2020-08-20 JP JP2020139359A patent/JP6871658B2/ja active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110472697B (zh) | 2021-04-30 |
| JP2021032898A (ja) | 2021-03-01 |
| CN110472697A (zh) | 2019-11-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tan et al. | Recognising blueberry fruit of different maturity using histogram oriented gradients and colour features in outdoor scenes | |
| US11037291B2 (en) | System and method for detecting plant diseases | |
| JP6871658B2 (ja) | 反復分類に基づく水域識別方法及び装置 | |
| US11205098B1 (en) | Single-stage small-sample-object detection method based on decoupled metric | |
| Zhou et al. | Wheat ears counting in field conditions based on multi-feature optimization and TWSVM | |
| CN110046631B (zh) | 用于自动推断时空图像的变化的系统和方法 | |
| Zhao et al. | Detecting tomatoes in greenhouse scenes by combining AdaBoost classifier and colour analysis | |
| Sadeghi-Tehran et al. | Multi-feature machine learning model for automatic segmentation of green fractional vegetation cover for high-throughput field phenotyping | |
| Moghimi et al. | Comparison of keypoint detectors and descriptors for relative radiometric normalization of bitemporal remote sensing images | |
| CN105956612B (zh) | 基于主动学习和半监督学习的高光谱图像分类方法 | |
| CN110309781B (zh) | 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法 | |
| CN108133212A (zh) | 一种基于深度学习的定额发票金额识别系统 | |
| Patil et al. | Enhanced radial basis function neural network for tomato plant disease leaf image segmentation | |
| US20120213440A1 (en) | Systems and Methods for Automatically Identifying Shadows in Images | |
| CN109299668A (zh) | 一种基于主动学习和聚类分析的高光谱图像分类方法 | |
| KR20210096439A (ko) | 딥러닝 학습을 이용한 병충해 검출 및 발병가능성을 판단하기 위한 시스템 및 방법 | |
| CN116863345A (zh) | 一种基于双重注意力和尺度融合的高分影像农田识别方法 | |
| CN112164030A (zh) | 水稻穗粒快速检测方法、装置、计算机设备及存储介质 | |
| CN110852207A (zh) | 基于面向对象影像分类技术的蓝色屋顶建筑物提取方法 | |
| CN115410096A (zh) | 卫星遥感影像多尺度融合变化检测方法、介质及电子装置 | |
| Lin et al. | Citrus segmentation for automatic harvester combined with adaboost classifier and Leung-Malik filter bank | |
| Zhang et al. | An improved target detection method based on YOLOv5 in natural orchard environments | |
| Hu et al. | Computer vision based method for severity estimation of tea leaf blight in natural scene images | |
| Lou et al. | Smoke root detection from video sequences based on multi-feature fusion | |
| Bhugra et al. | Automatic quantification of stomata for high-throughput plant phenotyping |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200820 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20200820 |
|
| A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20200907 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20201001 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20201001 |
|
| A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20201006 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20201117 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210210 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20210406 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210409 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6871658 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |