CN108363951A - 遥感影像地类识别对应深度学习样本库的自动获取方法 - Google Patents
遥感影像地类识别对应深度学习样本库的自动获取方法 Download PDFInfo
- Publication number
- CN108363951A CN108363951A CN201810026909.2A CN201810026909A CN108363951A CN 108363951 A CN108363951 A CN 108363951A CN 201810026909 A CN201810026909 A CN 201810026909A CN 108363951 A CN108363951 A CN 108363951A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- image
- sample database
- mask
- deep learning
- 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
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
- G06V20/13—Satellite images
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明属于土地利用遥感监测技术领域,特别涉及一种遥感影像地类识别对应深度学习样本库的自动获取方法,首先通过在同一坐标系下叠加土地利用现状矢量图和遥感图;通过设定阈值标记遥感图中梯度值较小的点,作为标记点;通过标记点进行漫水填充,并给对应于每个填充区域的掩膜赋值和保存地类信息;根据掩膜提取分割后图像,并根据掩膜保存的土地利用现状的地类信息进行分类保存,形成样本库;本发明通过叠加对比同时相的土地利用现状数据和遥感数据,实现不同地类对应遥感影像特征库的自动收集,相比于传统人工获取样本的工作量大、样本区域难获取的不足,本发明所用获取样本方法更加快速、准确,人工成本显著减少。
Description
技术领域
本发明属于土地利用遥感监测技术领域,特别涉及一种遥感影像地类识别对应深度学习样本库的自动获取方法。
背景技术
在土地利用现状调查技术领域,时效的土地利用信息至关重要,而遥感影像的地类全自动解译是我国国土资源科学技术致力攻克的重大技术问题!近年来,随着以深度学习为代表的机器学习技术的飞速发展,将深度学习应用到遥感影像的自动解译,实现尽可能自动化的用地类型识别目前是我国科研人员重要的研究目标和方向。然而,深度学习对应深度神经网络(Deep Neural Networkm,简称DNN)工作的前提是深度网络得到充分的训练,这一切需要大量的样本作为训练数据。传统上,训练图像多靠人工获取,手动标注,费时费力,工作量巨大,且容易受操作人员的工作情绪和工作疏忽影响。
发明内容
本发明解决现有技术中存在的上述技术问题,提供一种遥感影像地类识别对应深度学习样本库的自动获取方法。
为解决上述问题,本发明的技术方案如下:
一种遥感影像地类识别对应深度学习样本库的自动获取方法,包括如下步骤,
通过叠加土地利用现状矢量图和遥感图,利用矢量数据的图斑边界信息将遥感影像分割成影像像斑,然后对影像像斑进行提取标记点,漫水填充,分类提取,整理得到不同地类对应的遥感影像识别深度神经网络训练所需的大量训练样本库。
优选地,所述遥感影像地类识别对应深度学习样本库的自动获取方法,包括如下步骤,
步骤1:边缘映射,在同一坐标系下叠加土地利用现状矢量图和遥感图,然后将土地利用现状矢量图的边界映射为由遥感图中连续像元组成的闭合边缘;
步骤2:标记点提取,在闭合边缘内部选取标记点;步骤3:漫水填充,通过标记点进行漫水填充,并给对应于每个填充区域的掩膜赋值和保存地类信息;
步骤4:图像分类提取,根据掩膜提取分割后图像,并根据掩膜保存的土地利用现状的地类信息进行分类保存,形成样本库。
优选地,步骤1所述土地利用现状矢量图和遥感图的获取时间相同。
优选地,将土地利用现状矢量图的边界映射为由遥感图中连续像元组成的闭合边缘通过直线光栅化方法(数值微分法)实现。
优选地,将所述闭合边缘上的像元标记为边缘像元,设置边缘像元有较高像素值,以保证边缘像元有较大的梯度值。
优选地,所述步骤2中,采用下列公式提取标记点:
式中:h和l分别为像元的行号和列号;g(h,l)为像元的梯度值;T(h,l)为像元对应的阈值;m(h,l)取值为1时表示标记点,取值为0时表示未标记点。
标记点是影像中的内部点,梯度值较小;未标记点是影像中边缘及其附近的点,梯度值较大;因此可以通过设定一定阈值,依据上述公式将二者区分开。
优选地,所述步骤3中,给每一个闭合区域对应分配一张掩膜且所有像素值设为0,并用每个掩膜以文件路径的形式记录相应闭合区域在土地利用现状中所属地类分类层级结构和命名。
优选地,所述步骤3中,将得到的标记点作为种子点对每个闭合边缘内的区域进行漫水填充,直到标记完边缘约束内的所有像元,因为约束边界设有较高的像素值,梯度值较大,因此漫水填充之后将获得整个约束区域。
优选地,所述步骤3中,选择梯度值最小的标记点作为种子点。
优选地,所述步骤3中,在漫水填充过程中对于每一个闭合区域对应的掩膜,将已经标记的像元对应的掩膜像素值设为1,其余的掩膜像素值为0。
优选地,所述步骤4中,根据得到的掩膜分别提取每个闭合区域的图像,并根据掩膜记录的文件路径和命名分别保存每张图像,最终生成不同类别对应的训练样本库。
相对于现有技术,本发明的优点如下,
本发明提供了一种叠加土地利用现状和遥感图自动获取用于遥感影像解译所需地类识别样本库的自动获取方法,通过叠加对比同时相的土地利用现状数据和遥感数据,实现不同地类对应遥感影像特征库的自动收集,将土地利用现状中的信息用于遥感影像土地样本的提取,从而解决了遥感影像土地分类识别任务中机器学习训练样本不足的难题;相比于传统人工获取样本的工作量大、样本区域难获取的不足,本发明所用获取样本方法更加快速、准确,人工成本显著减少。
附图说明
图1为遥感影像地类识别对应深度学习样本库的自动获取方法的实现流程图;
图2为边缘映射示意图,其中(a)为叠加土地利用现状和遥感图示意图,(b)为边缘像素示意图;
图3为标记点提取示意图;
图4为漫水填充示意图;
图5为掩膜(mask)示意图。
具体实施方式
实施例1:
为了更了解本发明的技术内容,特举具体实施例并配合所附图式说明如下:
如图1所示,根据本发明的较优实施例,遥感影像地类识别对应深度学习样本库的自动获取方法,包括如下步骤:
步骤1:边缘映射,首先通过在同一坐标系下叠加土地利用现状和遥感图,然后将土地利用现状矢量图的边界映射为由遥感图中连续像元组成的闭合边缘;
步骤2:标记点的提取,通过设定阈值标记遥感图中梯度值较小的点,作为标记点;
步骤3:漫水填充,通过标记点进行漫水填充,并给对应于每个填充区域的掩膜赋值和保存地类信息;
步骤4:图像分类提取,根据掩膜提取分割后图像,并根据掩膜保存的土地利用现状的地类信息进行分类保存,形成样本库。
本实施例中,步骤1中,提出的土地利用现状和遥感影像叠加方法首先要将两种数据统一转化到同一坐标系下,以保证土地利用现状与遥感图的完全匹配,保证不会得到不完整的甚至是错误的样本,这类错误将导致获得的样本对于训练学习器几乎没有帮助,因此将两种数据统一到同一坐标系下是必要的。
本实施例中,步骤1中,所叠加分析的土地利用现状和遥感影像获取时间一致,因为不同实相的土地利用现状和遥感图,其中土地利用现状更新会滞后于遥感图,遥感图中地类信息已经变化的在土地利用现状中没有得到更新,导致后续得到错误的土地样本,因而要求实相相同的土地利用现状和遥感图可以减少因土地利用现状与遥感图实相不一致引起的误差。
参考图2,前述步骤1中,边缘映射将土地利用现状矢量图中区域的边界映射到遥感影像上形成闭合边缘约束,从而在后续的漫水填充过程中将洪水限制在约束区域内部,这是实现矢量图约束下影像分割的关键。通过叠加土地利用现状矢量图和遥感图将矢量边界映射到遥感影像上,然后利用计算机图形学中的直线光栅化算法---数值微分法,将矢量图的边界映射为由连续像元组成的闭合边缘,并将闭合边缘上的像元标记为边缘像元且设置较高的像素值,例如设置像素值为像素(RGB)最大值(255*255*255),以保证其有较大的梯度值,形成后续漫水填充的约束区域。
参考图2,前述步骤2中,经过步骤1的边缘映射后,影像像元划分为边缘像元及非边缘像元2种。标记点是非边缘像元中一系列梯度值较小、空间上相邻像元的集合,对应着影像中的内部区域。约束区域提取的关键在于标记点的提取。
标记点是影像中的内部点,梯度值较小(如图3);未标记点是影像中边缘及其附近的点,梯度值较大;因此可以通过设定一定阈值T,依据下列公式将二者区分开。
式中:h和l分别为像元的行号和列号;g(h,l)为像元的梯度值;T(h,l)为像元对应的阈值,可以是与位置无关的全局阈值,也可为与位置相关的局部阈值。m(h,l)取值为1时表示标记点,取值为0时表示未标记点。
阈值T需根据实际图像,在保证每个约束区域都有标记点的前提下进行选取步骤如下:
1、首先计算图像像元梯度值分布,最小和最大梯度值
图像梯度:G(x,y)=dx(i,j)+dy(i,j);
dx(i,j)=|(i+1,j)-|(i,j);
dy(i,j)=l(i,j+1)-l(i,j);
其中,l是图像像素的值(如:RGB值),(i,j)为像素的坐标
2、选取梯度最大和最小值的中点值作为T,并且选中图像中所有梯度值等于或接近(误差在1个像素值内)T的点,
3、以梯度值等于或接近T的点为始点按照梯度下降法寻找梯度值局部的极小值点,
4、判断是否有多个极小值点属于同一约束区域(两极小值之间无边缘点),选取梯度值最小者作为该区域种子点。
因为标记点将作为后面漫水填充操作的种子点,但每个约束区域的标记点会因阈值T的大小可能不只一个,因此在设置适当的阈值T后,某个约束区域的标记点如果不止一个,则选择梯度值最小的作为种子点。
前述步骤3中,在上述标记完成后,首先要求给每一个闭合区域对应分配一张掩膜且所有像素值设为0,并用每个掩膜以文件路径的形式记录相应闭合区域在土地利用现状中所属地类分类层级结构和命名。如:土地利用现状图中对应地类信息,一级分类为:住宅用地,二级分类为:农村宅基地,则掩膜记录路径信息为:“G:\住宅用地\农村宅基地”,命名:“农村宅基地001.jpg”。
参考图4,前述步骤3中,将得到的标记点作为种子点对每个闭合边缘内的区域进行漫水填充,直到标记完边缘约束内的所有像元,因为约束边界设有较高的像素值,梯度值较大,因此漫水填充之后将获得整个约束区域。
参考图5,前述步骤3中,在漫水填充过程中对于每一个闭合区域对应的掩膜,将已经标记的像元对应的掩膜像素值设为1,其余的掩膜像素值仍为0。首先种子点的掩膜像素值为1,随着漫水填充的过程进行掩膜标记为1的像素向边缘延伸,直到约束区域所有的掩膜像素值都为1,因此在下一步可以利用掩膜提取约束区域内完整图像。
前述步骤4中,根据上一步得到的掩膜分别提取每个闭合区域的图像,掩膜像素值为1的区域即为要提取的图像区域(如图5),因此获得每个区域的完整图像,然后根据步骤3中掩膜记录的文件路径和命名分别保存每张图像,最终生成不同类别对应的训练样本库。如:掩膜记录路径信息为:“G:\住宅用地\农村宅基地”,命名:“农村宅基地001.jpg”,则将此图像保存至“G:\住宅用地\农村宅基地”路径自动创建的文件夹中且图像命名为“农村宅基地001.jpg”,如有多张相同类型图像则在命名后面依次按保存次序排序命名为:“农村宅基地002.jpg”、“农村宅基地003.jpg”…最终形成样本库。
需要说明的是上述实施例仅仅是本发明的较佳实施例,并没有用来限定本发明的保护范围,在上述基础上做出的等同替换或者替代均属于本发明的保护范围。
Claims (10)
1.一种遥感影像地类识别对应深度学习样本库的自动获取方法,其特征在于,包括如下步骤,叠加土地利用现状矢量图和遥感图,矢量数据的图斑边界信息将遥感影像分割成影像像斑,然后对影像像斑进行提取标记点,漫水填充,分类提取,得到样本库。
2.如权利要求1所述的遥感影像地类识别对应深度学习样本库的自动获取方法,其特征在于,具体包括如下步骤,
步骤1:边缘映射,首先通过在同一坐标系下叠加土地利用现状矢量图和遥感图,然后将土地利用现状矢量图的边界映射为由遥感图中连续像元组成的闭合边缘;
步骤2:标记点提取,在闭合边缘内部选取标记点;
步骤3:漫水填充,通过标记点进行漫水填充,并给对应于每个填充区域的掩膜赋值和保存地类信息;
步骤4:图像分类提取,根据掩膜提取分割后图像,并根据掩膜保存的土地利用现状的地类信息进行分类保存,形成样本库。
3.如权利要求2所述的遥感影像地类识别对应深度学习样本库的自动获取方法,其特征在于,步骤1所述土地利用现状矢量图和遥感图的获取时间相同。
4.如权利要求2所述的遥感影像地类识别对应深度学习样本库的自动获取方法,其特征在于,步骤1所述将土地利用现状矢量图的边界映射为由遥感图中连续像元组成的闭合边缘通过直线光栅化方法实现。
5.如权利要求2所述的遥感影像地类识别对应深度学习样本库的自动获取方法,其特征在于,将步骤1所述闭合边缘上的像元标记为边缘像元,设置边缘像元有较高像素值。
6.如权利要求5所述的遥感影像地类识别对应深度学习样本库的自动获取方法,其特征在于,所述步骤2中,采用下列公式提取标记点:
式中:h和l分别为像元的行号和列号;g(h,l)为像元的梯度值;T(h,l)为像元对应的阈值;m(h,l)取值为1时表示标记点,取值为0时表示未标记点。
7.如权利要求2所述的遥感影像地类识别对应深度学习样本库的自动获取方法,其特征在于,所述步骤3中,给每一个闭合区域对应分配一张掩膜且所有像素值设为0,并用每个掩膜以文件路径的形式记录相应闭合区域在土地利用现状中所属地类分类层级结构和命名。
8.如权利要求7所述的遥感影像地类识别对应深度学习样本库的自动获取方法,其特征在于,所述步骤3中,将得到的标记点作为种子点对每个闭合边缘内的区域进行漫水填充,直到标记完边缘约束内的所有像元。
9.如权利要求8所述的遥感影像地类识别对应深度学习样本库的自动获取方法,其特征在于,所述步骤3中,在漫水填充过程中对于每一个闭合区域对应的掩膜,将已经标记的像元对应的掩膜像素值设为1,其余的掩膜像素值为0。
10.如权利要求9所述的遥感影像地类识别对应深度学习样本库的自动获取方法,其特征在于,所述步骤4中,根据得到的掩膜分别提取每个闭合区域的图像,并根据掩膜记录的文件路径和命名分别保存每张图像,生成不同类别对应的训练样本库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810026909.2A CN108363951B (zh) | 2018-01-11 | 2018-01-11 | 遥感影像地类识别对应深度学习样本库的自动获取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810026909.2A CN108363951B (zh) | 2018-01-11 | 2018-01-11 | 遥感影像地类识别对应深度学习样本库的自动获取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108363951A true CN108363951A (zh) | 2018-08-03 |
CN108363951B CN108363951B (zh) | 2022-02-22 |
Family
ID=63010981
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810026909.2A Active CN108363951B (zh) | 2018-01-11 | 2018-01-11 | 遥感影像地类识别对应深度学习样本库的自动获取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108363951B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109657728A (zh) * | 2018-12-26 | 2019-04-19 | 江苏省基础地理信息中心 | 样例生产方法及模型训练方法 |
CN109657540A (zh) * | 2018-11-06 | 2019-04-19 | 北京农业信息技术研究中心 | 枯死树定位方法及*** |
CN110363798A (zh) * | 2019-07-24 | 2019-10-22 | 宁波市测绘设计研究院 | 一种遥感影像解译样本集的生成方法 |
CN111091054A (zh) * | 2019-11-13 | 2020-05-01 | 广东国地规划科技股份有限公司 | 一种地类变化监测方法、***及存储介质 |
CN111563928A (zh) * | 2020-03-26 | 2020-08-21 | 广东省国土资源测绘院 | 一种举证照片异常识别及提醒方法、*** |
CN111597377A (zh) * | 2020-04-08 | 2020-08-28 | 广东省国土资源测绘院 | 基于深度学习技术的野外调查方法、*** |
CN113223042A (zh) * | 2021-05-19 | 2021-08-06 | 自然资源部国土卫星遥感应用中心 | 一种遥感影像深度学习样本智能采集方法及设备 |
CN117788982A (zh) * | 2024-02-26 | 2024-03-29 | 中国铁路设计集团有限公司 | 基于铁路工程地形图成果的大规模深度学习数据集制作方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077400A (zh) * | 2012-12-26 | 2013-05-01 | 中国土地勘测规划院 | 土地利用数据库支持的地类信息遥感自动识别方法 |
CN103546726A (zh) * | 2013-10-28 | 2014-01-29 | 东南大学 | 违章用地的自动发现方法 |
CN104484682A (zh) * | 2014-12-31 | 2015-04-01 | 中国科学院遥感与数字地球研究所 | 一种基于主动深度学习的遥感图像分类方法 |
CN105678818A (zh) * | 2016-03-08 | 2016-06-15 | 浙江工商大学 | 面向对象分类技术实现河口滩涂分类面积提取的方法 |
CN105956058A (zh) * | 2016-04-27 | 2016-09-21 | 东南大学 | 一种采用无人机遥感影像的变化用地快速发现方法 |
CN107133360A (zh) * | 2017-05-31 | 2017-09-05 | 东南大学 | 一种大尺度遥感影像特征点库的构建方法 |
-
2018
- 2018-01-11 CN CN201810026909.2A patent/CN108363951B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077400A (zh) * | 2012-12-26 | 2013-05-01 | 中国土地勘测规划院 | 土地利用数据库支持的地类信息遥感自动识别方法 |
CN103546726A (zh) * | 2013-10-28 | 2014-01-29 | 东南大学 | 违章用地的自动发现方法 |
CN104484682A (zh) * | 2014-12-31 | 2015-04-01 | 中国科学院遥感与数字地球研究所 | 一种基于主动深度学习的遥感图像分类方法 |
CN105678818A (zh) * | 2016-03-08 | 2016-06-15 | 浙江工商大学 | 面向对象分类技术实现河口滩涂分类面积提取的方法 |
CN105956058A (zh) * | 2016-04-27 | 2016-09-21 | 东南大学 | 一种采用无人机遥感影像的变化用地快速发现方法 |
CN107133360A (zh) * | 2017-05-31 | 2017-09-05 | 东南大学 | 一种大尺度遥感影像特征点库的构建方法 |
Non-Patent Citations (3)
Title |
---|
LI LING 等: "An algorithm supporting fast scheduling and viewing of remote sensing images in embedded devices", 《万方数据》 * |
张鑫龙 等: "高分辨率遥感影像的深度学习变化检测方法", 《测绘学报》 * |
颜奇 等: "一种新的基于机器视觉的无人机影像自动拼接模型", 《信息技术与信息化》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109657540A (zh) * | 2018-11-06 | 2019-04-19 | 北京农业信息技术研究中心 | 枯死树定位方法及*** |
CN109657728A (zh) * | 2018-12-26 | 2019-04-19 | 江苏省基础地理信息中心 | 样例生产方法及模型训练方法 |
CN110363798A (zh) * | 2019-07-24 | 2019-10-22 | 宁波市测绘设计研究院 | 一种遥感影像解译样本集的生成方法 |
CN111091054A (zh) * | 2019-11-13 | 2020-05-01 | 广东国地规划科技股份有限公司 | 一种地类变化监测方法、***及存储介质 |
CN111563928A (zh) * | 2020-03-26 | 2020-08-21 | 广东省国土资源测绘院 | 一种举证照片异常识别及提醒方法、*** |
CN111597377A (zh) * | 2020-04-08 | 2020-08-28 | 广东省国土资源测绘院 | 基于深度学习技术的野外调查方法、*** |
CN113223042A (zh) * | 2021-05-19 | 2021-08-06 | 自然资源部国土卫星遥感应用中心 | 一种遥感影像深度学习样本智能采集方法及设备 |
CN117788982A (zh) * | 2024-02-26 | 2024-03-29 | 中国铁路设计集团有限公司 | 基于铁路工程地形图成果的大规模深度学习数据集制作方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108363951B (zh) | 2022-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108363951A (zh) | 遥感影像地类识别对应深度学习样本库的自动获取方法 | |
CN111598101B (zh) | 基于遥感影像场景分割的城区智能提取方法、***及设备 | |
CN110334578B (zh) | 图像级别标注自动提取高分遥感影像建筑物的弱监督方法 | |
Ge et al. | Enhanced subpixel mapping with spatial distribution patterns of geographical objects | |
CN104077447B (zh) | 基于纸质平面数据的城市三维空间矢量建模方法 | |
CN110490100A (zh) | 基于深度学习的岩土自动识别定名方法及*** | |
CN108648169A (zh) | 高压输电塔绝缘子缺陷自动识别的方法及装置 | |
CN110348415B (zh) | 一种高分辨率遥感目标大数据集的高效标注方法及*** | |
CN113223042B (zh) | 一种遥感影像深度学习样本智能采集方法及设备 | |
Peeters et al. | Automated recognition of urban objects for morphological urban analysis | |
CN109086649A (zh) | 卫星遥感图像水体识别方法 | |
CN112560675A (zh) | Yolo与旋转-融合策略相结合的鸟类视觉目标检测方法 | |
CN112329559A (zh) | 一种基于深度卷积神经网络的宅基地目标检测方法 | |
CN110689000A (zh) | 一种基于生成复杂环境下车牌样本的车辆车牌识别方法 | |
CN108763575A (zh) | 基于像控点数据库的像控点自动选取方法 | |
CN109344774A (zh) | 遥感影像中的火力发电站目标识别方法 | |
CN109657728B (zh) | 样例生产方法及模型训练方法 | |
CN114693981A (zh) | 一种膝关节特征点自动识别方法 | |
Coulter et al. | Comparison of high spatial resolution imagery for efficient generation of GIS vegetation layers | |
CN114581307A (zh) | 用于目标追踪识别的多图像拼接方法、***、设备及介质 | |
CN112381730B (zh) | 一种遥感影像数据扩增方法 | |
CN113435266A (zh) | 基于极值点特征增强的fcos智能目标检测方法 | |
CN106228553A (zh) | 高分辨率遥感图像阴影检测装置与方法 | |
CN107133360B (zh) | 一种大尺度遥感影像特征点库的构建方法 | |
Kiani et al. | Design and implementation of an expert interpreter system for intelligent acquisition of spatial data from aerial or remotely sensed images |
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 |