CN107392926B - 基于前期土地专题图的遥感影像特征选择方法 - Google Patents

基于前期土地专题图的遥感影像特征选择方法 Download PDF

Info

Publication number
CN107392926B
CN107392926B CN201710839939.0A CN201710839939A CN107392926B CN 107392926 B CN107392926 B CN 107392926B CN 201710839939 A CN201710839939 A CN 201710839939A CN 107392926 B CN107392926 B CN 107392926B
Authority
CN
China
Prior art keywords
image
map
land
feature
remote sensing
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
Application number
CN201710839939.0A
Other languages
English (en)
Other versions
CN107392926A (zh
Inventor
周亚男
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hohai University HHU
Original Assignee
Hohai University HHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hohai University HHU filed Critical Hohai University HHU
Priority to CN201710839939.0A priority Critical patent/CN107392926B/zh
Publication of CN107392926A publication Critical patent/CN107392926A/zh
Application granted granted Critical
Publication of CN107392926B publication Critical patent/CN107392926B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20152—Watershed segmentation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于前期土地专题图的遥感影像特征选择方法，包括以下步骤：选定一种遥感影像分割算法及分割对象的影像特征集合，并设置相应的分割参数和特征提取算法；按地块类别将前期土地专题图切分成对应数量的图层，并提取影响强度图以及特征权重矩阵，生成特征权重分布图；对待分析的遥感影像进行分割，提取分割对象的影像特征；选定一种影像分类器，并改进其分类特征的权重设置，构建特征加权的分类器；根据特征权重分布图为分割图中的对象设置特征权重，并将其影像特征和权重输入到特征加权分类器中，计算分割对象的土地类别，生成土地专题图。本发明能够实现遥感影像局部区域特征权重的自适应优化调整，可以提高遥感影像分析精度。

Description

基于前期土地专题图的遥感影像特征选择方法
技术领域
本发明涉及一种基于前期土地专题图的遥感影像特征选择方法，属于面向对象的遥感影像分析领域。
背景技术
随着高(空间)分辨率遥感的迅猛发展，面向对象的遥感分析(Object-BasedImage Analysis,OBIA)方法成为当前遥感应用的主要技术手段。相对于传统的基于像元(pixel-based)的遥感分析技术，面向对象的影像分析方法在利用影像光谱特征的基础上，能充分挖掘高分辨率影像丰富的几何特征、纹理特征和空间格局特征等，并能进一步融入社会经济、空间模型等高层次知识，实现更高精度和更高效率的影像分析。相应的面向对象遥感分析的参考文献包括，周亚男,骆剑承,程熙等.多特征融入的自适应遥感影像多尺度分割[J].武汉大学学报：信息科学版,2013,38(1):19-22、周成虎,骆剑承等.高分辨率卫星遥感影像地学计算[M].北京:科学出版社,2009、Blaschke,T.,2010.Object based imageanalysis for remote sensing.ISPRS Journal of Photogrammetry and RemoteSensing,65(1):2-16、Myint,S.W.,Gober,P.,Brazel,A.,Grossman-Clarke,S.,Weng,Q.,2011.Per-pixel vs.object-based classification of urban land cover extractionusing high spatial resolution imagery.Remote Sens.Environ.115(5):1145–1161等。
然而在面向对象的遥感分析中，各种各样的影像特征(包括光谱特征、几何特征、纹理特征和空间关系等)被构造和提取出来，对面向对象的分析方法提出了新的挑战。一方面，提取和利用更多的分割对象的影像特征会消耗更多的处理和分析时间；另一方面，相对于数量有限的训练样本，过多的影像特征反而会降低影像分析的精度。因此，研究者试图设计降低特征维度的方法，来寻找特征空间中最重要的特征，以期利用较少的对象特征来获得与利用全部特征相当的分析精度。在数字图像处理和分析领域，常见的降低特征维度(特征降维)的方法可分为特征提取与特征选择两大类。在特征提取中，原有的对象特征空间被转化为新的较低维度的特征空间，以构建和提取出更重要的特征。然而由于特征提取方法改变了原有的特征空间，因此难以提供对降维结果的理论解释；因此更常用的是特征选择方法(也正是本发明所关注的方法)。特征选择的目标是从原有特征集合中选取较少数量的、更重要的特征组成特征子集，并使该特征子集能够接近甚至超过原有特征集合的分析精度。依据方法是利用特征间的属性信息或者是基于对分类结果的评价，遥感应用中的特征选择方法大致分为三类：过滤法(filter)，包裹法(wrapper)和嵌入法(embedded)。过滤法基于特征之间的统计特性(如相关性、信息熵等)对特征进行重要性排序，并选择重要性较高的特征组合，而无需评价后期的分类结果。因此过滤法的效率很高但却难以直接对分类结果进行优化。相应地，包裹法则利用某些机器学***均影响程度来评价特征的重要性。相应的特征降维的参考文献包括，Zhong P,Zhang P,Wang R.Dynamic learning of SMLR for featureselection and classification of hyperspectral data[J].IEEE Geoscience andRemote Sensing Letters,2008,5(2):280-284、Donoho D L.High-dimensional dataanalysis:The curses and blessings of dimensionality[J].AMS Math ChallengesLecture,2000,1:32、Guyon I,Elisseeff A.An Introduction to Variable FeatureSelection[J].Journal of Machine Learning Research,2003,3:1157-1182、Pal M,Foody G M.Feature selection for classification of hyperspectral data by SVM[J].IEEE Transactions on Geoscience and Remote Sensing,2010,48(5):2297-2307、Jain A,Zongker D.Feature selection:Evaluation,application,and small sampleperformance[J].IEEE transactions on pattern analysis and machineintelligence,1997,19(2):153-158、Duro D C,Franklin S E,DubéM G.Multi-scaleobject-based image analysis and feature selection of multi-sensor earthobservation imagery using random forests[J].International Journal of RemoteSensing,2012,33(14):4502-4526、Ma L,Fu T,Blaschke T,et al.Evaluation ofFeature Selection Methods for Object-Based Land Cover Mapping of UnmannedAerial Vehicle Imagery Using Random Forest and Support Vector MachineClassifiers[J].ISPRS International Journal of Geo-Information,2017,6(2):51。
尽管学者提出了大量的特征选择方法，也开展了众多的特征选择实验；但大多数的方法和实验都是非监督的(没有先验知识的支持)、全局一致的(面向整个实验区的最优特征选择难以针对影像局部的特性做自适应优化)，因此对影像分析效果的提升有限。
综上所述，在当前可见的专利和文献研究中，大多数的特征选择方法都是非监督的、全局固定的，而能够有效融入先验知识并能局部自适应优化的特征选择方法较少，特别是在先验知识的融入机制、特征权重的自适应优化方法和流程、特征权重在遥感分析的应用等方法尚存在较多的问题，更没有发展出切实可行的解决方案。
发明内容
本发明所要解决的技术问题是，提供一种可以提高遥感影像分析精度的基于前期土地专题图的遥感影像特征选择方法。
为解决上述技术问题，本发明采用的技术方案为：
基于前期土地专题图的遥感影像特征选择方法，包括以下步骤：
(1)选定一种遥感影像分割算法及分割对象的影像特征集合，并设置相应的分割参数和特征提取算法；
(2)按地块类别将前期土地专题图切分成对应数量的图层，并提取每种土地类别的影响强度图；
(3)将前期土地专题图配准到其对应的前期遥感影像上，根据步骤(1)所述的特征提取算法提取前期土地专题图中地块的影像特征，并存储到专题图的属性表中，按地块类别将前期土地专题图切分成对应数量的图层，并提取每种土地类别的特征权重矩阵；
(4)结合步骤(2)中的影响强度图以及步骤(3)中的特征权重矩阵生成实验区的特征权重分布图；
(5)根据步骤(1)所述的分割算法以及特征提取算法对待分析的遥感影像进行分割，提取分割对象的影像特征，并存储到分割图的属性表中；
(6)选定一种影像分类器，并改进其分类特征的权重设置，构建特征加权的分类器；
(7)基于步骤(4)中所述特征权重分布图为分割图中的对象设置特征权重，并将其影像特征和权重输入到特征加权分类器中，计算分割对象的土地类别，生成土地专题图。
步骤(1)中所述分割算法包括分水岭分割算法、均值漂移分割算法或多分辨率分割算法。
步骤(1)中所述影像特征集合包括光谱特征、几何特征以及纹理特征。
步骤(2)中对单个图层进行琐碎区域剔除和矢量栅格化生成二值图像，然后对二值图像进行距离变换进而生成该种土地类别的影响强度图，对其他图层进行同样处理，即得到各土地类别的影响强度图。
步骤(3)中对单个图层进行“目标—背景”的二值重分类，以与图层同类别的地物为目标，其他地物为背景生成二类图，然后利用随机森林算法来计算该目标类别的特征权重向量，对其他图层进行同样处理，即得到特征权重矩阵。
步骤(6)中所述影像分类器包括最小距离分类器、贝叶斯分类器或K近邻分类器。
本发明所达到的有益效果：
前期的土地专题图(如土地利用/覆被图、植被专题图等)记录有实验区中地物的多样属性(特征、类别、空间大小和分布等信息)；且短时间内局部区域的土地利用/覆被性质也变化较小，因此前期土地专题图可以作为一类先验知识用于遥感影像的分析理解。将前期土地专题图配准到待分析的遥感影像上，并提取专题图的先验知识来辅助选择更优的特征组合(比如在湖泊水体区，地物的光谱特征和纹理特征赋予更高的特征权重；而在城市区，地物的形状特征赋予更高的权重)。另一方面，地理空间场景是复杂的，其由不同尺度、不同类别、不同属性的地物组合而成；且局部区域的地物性质不同于整体实验区的性质，不同局部区域的地物性质也不尽相同。因此适用于整体实验区的特征选择子集并不一定是某个局部区域的最优特征组合；需要对影像局部区域进行更具有针对性和目标性的特征选择，进一步提高特征选择和影像分析的效果。本发明基于前期土地专题图及其对应的前期遥感影像，能有效提取各土地类别的影响强度图和特征权重矩阵，并构建出试验区的特征权重图；进而结合特征权重的分类器，实现分类中特征权重的自适应优化，提高遥感影像分析的精度。本发明所涉及的自适应特征选择方法不仅适用于遥感影像的分类，也适合于其他遥感影像分析，如遥感影像的分割、遥感影像的专题图提取和目标识别等。
附图说明
图1是前期土地专题图支持下的遥感影像特征选择的示意图；
图2是前期土地专题图支持下的遥感影像特征选择的实现流程图；
图3是遥感影像分割(以均值漂移为例)与分割对象特征提取的流程图；
图4是(各)土地类别的距离(影响)强度图生成的流程图；
图5是(各)土地类别特征权重计算的流程图；
图6是特征权重图生成的示意图；
图7是某地遥感影像的土地分类效果示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
图1是前期土地专题图支持下的遥感影像特征选择的示意图，其中在计算特征权重图的步骤中，从前期土地专题图及其对应遥感影像中提取各土地类别的距离强度图和土地类别的特征权重矩阵，并构建实验区的特征权重图；在特征加权的分类步骤中，根据分割图中待分析对象的空间位置，从特征权重图中查询其各特征的权重，并以此设置分类器的权重；以此实现遥感影像的自适应特征优选；
图2是前期土地专题图支持下的遥感影像特征选择的具体流程图，包含有遥感影像的分割与特征提取、各土地类别的距离(影响)强度图的生成、土地类别的特征权重矩阵的构建、特征权重(分布)图的计算、特征加权分类器的设计、土地专题分类图的生成等6个实现单元；
如图3所示，在遥感影像分割(本发明的具体实施以均值漂移分割算法为例)与特征提取中。基于均值漂移的影像分割通常包含影像滤波和区域合并两个步骤；其中均值漂移算法运用于滤波过程，目的在于寻找影像中的局部极值点并生成均值的影像区域；合并过程则是寻找均值块的连通区域并形成最终的分割对象。在滤波过程中，联合考虑影像的空间位置和光谱特征，组成一个d＝p+2维的联合向量x＝(xs,xr)，其中xs表示影像中网格/像素的位置坐标，xr表示影像中网格/像素的p维向量特征。均值漂移算法依据核函数的概率密度估计，在上述向量空间中寻找局部极值点。其中多维核函数定义为：
Figure BDA0001410478810000061
其中k(x)为空间和光谱域中的核函数，hs、hr分别为空间域和光谱域的核带宽，C为标准化常数。那么均值漂移迭代函数则为：
Figure BDA0001410478810000062
其中xt为经过t次迭代后模点(mode)的位置，wi为x领域中像素点i的作用权重。迭代中x所经过的位置，即序列{x,m(x),m(m(x)),...}为x的轨迹；均值漂移总是指向具有最大局部密度的地方，在密度函数极大值处漂移量趋于零，则迭代结束。均值滤波通过计算特征空间中局部(邻域内)样本点的加权和来实现漂移；一方面对影像中地物内部的像元进行了平滑处理，另一方面又保留了地物的边界特征。在区域合并中首先利用传递闭包(transitive closure)算法迭代地将在空间上相邻的两个(多个)具有相似模式(mode)和较小边界强度(edge strength)的均质区域合并，以生成更大的分割区域。然后将较小的分割区域(像素数目少于S)合并到相邻的分割区域中，生成最终的分割对象。
在上述均值漂移分割的基础上，提取分割对象的光谱特征、纹理特征、形状特征等多种属性特征，具体如表1所示。
表1.分割对象的影像特征
Figure BDA0001410478810000063
Figure BDA0001410478810000071
如图4所示，在生成(各)土地类别的距离(影响)强度图中。距离变换用于描述二值图像中与兴趣区的分离程度，距离变换图则记录了二值图像中背景像元到兴趣区的最小距离。本发明以某种类别的土地区域(比如水体)为兴趣区，利用距离变换计算非兴趣区(除水体外的地物如耕地、林地等)到兴趣区的最小距离，并用于刻画该土地类型的影响(距离)强度图；进而生成(各)土地类别的影响强度图。在具体实现中，首先按照类别将土地专题图切分为多个图层(一种土地类别对应一个图层)；然后对单个图层进行琐碎区域剔除和矢量栅格化并生成二值图像；接着对二值图像进行距离变换生成该种土地类别的影响(距离)强度图；最后对其他土地类别进行同样的处理，即得到实验区中各土地类别的影响强度图。对实验区中任意空间位置上的对象S，都能够从土地类别的影响强度图中找到对应的类别强度值，并线性归一化得到该点处的类别影响强度向量D＝(di,i＝1,2,…,N,其中0<di<1,∑di＝1,N为土地类别的个数)。
如图5所示，在计算土地类别的特征权重中。随机森林是一种集成多棵决策树的机器学习方法，并能够评估回归和分类问题中变量(特征)的重要性。本发明将利用随机森林算法来计算各土地类型的各种特征的重要程度(权重)。在具体实现中，首先将前期的土地专题图几何映射到前期的卫星影像上，计算土地专题图中每个地块的多种影像特征(如表1所示)；然后按照类别将土地专题图切分为多个图层(一种土地类别对应一个图层)；接着对单个图层进行“目标—背景”的二值重分类(和图层同类别的地物为目标，其他地物为背景)生成二类图，并利用随机森林算法估算该目标类别的特征权重向量；最后对其他图层进行同样的处理，即得到土地类别的特征权重矩阵W＝(wij,i＝1,2,…,N,j＝1,2,…,M,其中0<wij<1,N为土地类别的个数,M是影像特征的个数)。
如图6所示，在生成特征权重(分布)图中。按照图4所示流程能够计算实验区任意位置处各种土地类型的影响强度图，按照图5所示流程能够推算土地类型的特征权重矩阵。进一步利用公式(1)能够推算任意位置S处的特征权重向量WF＝(wfj,j＝1,2,…,M,其中M是影像特征的个数)，其中di为第i种土地类型的影像强度，wij为第i种土地类型的第j维特征的权重。
Figure BDA0001410478810000081
在构建特征加权的分类器(本发明的具体实施以K近邻分类算法为例)与特征提取中)中。K近邻(K-nearest neighbor,K-NN)分类器仅考虑先验样本的空间分布而忽略对类别概率分布的假设，是常用的遥感影像分类方法之一。在K-NN分类过程中，首先搜寻到测试样本距离最近的K个先验样本，然后基于多数表决方案的规则根据先验样本的类别来判定测试样本的类别。本发明将改造K-NN分类法来构建特征加权的分类器。在具体实现中，利用公式(2)来计算测试样本到先验样本的近邻距离，其中Δfj为第j维的特征距离。
Figure BDA0001410478810000082
在标准K-NN分类中，wfj全部设为1.0(等权设置)；而在特征加权改进的K-NN分类器中，需要设置样本不同特征的权重wfj；即实现特征加权分类器的重要特征的作用大、非重要特征的作用小的设计假设，为后续生成土地专题图提供方法支撑。
在生成土地专题分类图中。按照常规的面向对象遥感分类过程，依次进行实验区的训练样本和验证样本的选择、改进的加权特征的K-NN分类、分类结果的验证等。在改进的K-NN分类中，需要根据待分类样本的空间位置从特征权重图中查询出各影像特征的权重，并带入到改进K-NN的类别判定中。
图7示意了利用本发明中的方法实施的某地卫星影像的土地专题分类效果。从整体分类效果来看，本发明方法无论是在影像的水体、林地等简单区域还是在影像的建设用地、水浇地、道路等复杂区域均能取得较好的分类效果。
本发明的实例是在PC平台上实现的。经实验证明，本发明能够有效地评估实验区中局部影像区域的特征权重，且在后续的面向对象分类中，较常规的全局特征选择方法(比如卡方选择(Chi-square)和递归消除(Recursive Feature Elimination))有着较大程度的精度提高(本发明所给实例影像的土地分类精度，相对于卡方选择方法提高约8％、相对于递归消除方法提高约9％)。本发明所提及的方法可广泛应用于高分辨率遥感影像的面向对象的影像分析、分类和识别等过程中，如第三次全国农业普查、国土资源调查等大型应用。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (5)

1.基于前期土地专题图的遥感影像特征选择方法，其特征是，包括以下步骤：
（1）选定一种遥感影像分割算法及分割对象的影像特征集合，并设置相应的分割参数和特征提取算法；
（2）按地块类别将前期土地专题图切分成对应数量的图层，并提取每种土地类别的影响强度图；所述影响强度图的获得方法如下：
对单个图层进行琐碎区域剔除和矢量栅格化生成二值图像，然后对二值图像进行距离变换进而生成该种土地类别的影响强度图，对其他图层进行同样处理，即得到各土地类别的影响强度图；
（3）将前期土地专题图配准到其对应的前期遥感影像上，根据步骤（1）所述的特征提取算法提取前期土地专题图中地块的影像特征，并存储到专题图的属性表中，按地块类别将前期土地专题图切分成对应数量的图层，并提取每种土地类别的特征权重矩阵；
（4）结合步骤（2）中的影响强度图以及步骤（3）中的特征权重矩阵生成实验区的特征权重分布图；
（5）根据步骤（1）所述的分割算法以及特征提取算法对待分析的遥感影像进行分割，提取分割对象的影像特征，并存储到分割图的属性表中；
（6）选定一种影像分类器，并改进其分类特征的权重设置，构建特征加权的分类器；
（7）基于步骤（4）中所述特征权重分布图为分割图中的对象设置特征权重，并将其影像特征和权重输入到特征加权分类器中，计算分割对象的土地类别，生成土地专题图。
2.根据权利要求1所述的基于前期土地专题图的遥感影像特征选择方法，其特征是，步骤（1）中所述分割算法包括分水岭分割算法、均值漂移分割算法或多分辨率分割算法。
3.根据权利要求1所述的基于前期土地专题图的遥感影像特征选择方法，其特征是，步骤（1）中所述影像特征集合包括光谱特征、几何特征以及纹理特征。
4.根据权利要求1所述的基于前期土地专题图的遥感影像特征选择方法，其特征是，步骤（3）中对单个图层进行“目标—背景”的二值重分类，以与图层同类别的地物为目标，其他地物为背景生成二类图，然后利用随机森林算法来计算该目标类别的特征权重向量，对其他图层进行同样处理，即得到特征权重矩阵。
5.根据权利要求1所述的基于前期土地专题图的遥感影像特征选择方法，其特征是，步骤（6）中所述影像分类器包括最小距离分类器、贝叶斯分类器或K近邻分类器。
CN201710839939.0A 2017-09-18 2017-09-18 基于前期土地专题图的遥感影像特征选择方法 Active CN107392926B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710839939.0A CN107392926B (zh) 2017-09-18 2017-09-18 基于前期土地专题图的遥感影像特征选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710839939.0A CN107392926B (zh) 2017-09-18 2017-09-18 基于前期土地专题图的遥感影像特征选择方法

Publications (2)

Publication Number Publication Date
CN107392926A CN107392926A (zh) 2017-11-24
CN107392926B true CN107392926B (zh) 2020-12-01

Family

ID=60350563

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710839939.0A Active CN107392926B (zh) 2017-09-18 2017-09-18 基于前期土地专题图的遥感影像特征选择方法

Country Status (1)

Country Link
CN (1) CN107392926B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108376232A (zh) * 2018-01-04 2018-08-07 北京星衡科技有限公司 一种用于遥感影像的自动解译的方法与装置
CN109657616A (zh) * 2018-12-19 2019-04-19 四川立维空间信息技术有限公司 一种遥感影像土地覆盖自动分类方法
CN111723711A (zh) * 2020-06-10 2020-09-29 内蒙古农业大学 基于Pléiades和面向对象的地膜信息提取方法及***

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6266442B1 (en) * 1998-10-23 2001-07-24 Facet Technology Corp. Method and apparatus for identifying objects depicted in a videostream
CN101661497B (zh) * 2009-09-10 2011-05-11 北京农业信息技术研究中心 遥感土地利用变化检测方法及***
CN101840581B (zh) * 2010-02-05 2011-12-28 北京交通大学 一种从卫星遥感影像中提取建筑物轮廓的方法
CN101930547A (zh) * 2010-06-24 2010-12-29 北京师范大学 一种基于面向对象的无监督分类的遥感影像自动分类方法
CN102024258B (zh) * 2010-12-15 2012-07-25 中国科学院遥感应用研究所 具有边界保持特性的遥感图像多尺度分割方法
CN103839261B (zh) * 2014-02-18 2017-01-25 西安电子科技大学 基于分解进化多目标优化和fcm的sar图像分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"Object-Based Land Cover Mapping using Adaptive Scale Segmentation from";Ya Nan Zhou等;《2017 IEEE International Geoscience and Remote Sensing Symposium》;20170728;全文 *

Also Published As

Publication number Publication date
CN107392926A (zh) 2017-11-24

Similar Documents

Publication Publication Date Title
Wu et al. ORSIm detector: A novel object detection framework in optical remote sensing imagery using spatial-frequency channel features
Shi et al. Road detection from remote sensing images by generative adversarial networks
Chen et al. Superpixel based land cover classification of VHR satellite image combining multi-scale CNN and scale parameter estimation
CN107067405B (zh) 基于尺度优选的遥感影像分割方法
CN108830870B (zh) 基于多尺度结构学习的卫星影像高精度农田边界提取方法
Zhu et al. Scene classification based on the sparse homogeneous–heterogeneous topic feature model
CN107909039B (zh) 基于并行算法的高分辨率遥感影像的地表覆盖分类方法
CN106897679A (zh) 一种基于改进模糊c均值聚类的语义变化检测方法及***
CN105761238B (zh) 一种通过灰度统计数据深度信息提取显著目标的方法
Zhong et al. Multiagent object-based classifier for high spatial resolution imagery
Zhuang et al. Normal endmember spectral unmixing method for hyperspectral imagery
CN107392926B (zh) 基于前期土地专题图的遥感影像特征选择方法
Zhong et al. Multiscale and multifeature normalized cut segmentation for high spatial resolution remote sensing imagery
Zhang et al. Polygon structure-guided hyperspectral image classification with single sample for strong geometric characteristics scenes
CN109034213B (zh) 基于相关熵原则的高光谱图像分类方法和***
CN113223042A (zh) 一种遥感影像深度学习样本智能采集方法及设备
Xu et al. Using linear spectral unmixing for subpixel mapping of hyperspectral imagery: A quantitative assessment
CN109117739A (zh) 一种基于邻域样本定向鉴别投影特征提取方法
Sutha Object based classification of high resolution remote sensing image using HRSVM-CNN classifier
Bhil et al. Recent progress in object detection in satellite imagery: A review
Nurwauziyah et al. Satellite image classification using decision tree, SVM and k-nearest neighbor
Wu et al. Instant water body variation detection via analysis on remote sensing imagery
Xu et al. The image segmentation algorithm of colorimetric sensor array based on fuzzy C-means clustering
Li et al. Standardized object-based dual CNNs for very high-resolution remote sensing image classification and standardization combination effect analysis
Liu et al. Method of target recognition in high-resolution remote sensing image based on visual saliency mechanism and ROI region extraction

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