CN109697466A - 一种自适应区间型空间模糊c均值的地物分类方法 - Google Patents
一种自适应区间型空间模糊c均值的地物分类方法 Download PDFInfo
- Publication number
- CN109697466A CN109697466A CN201811564920.0A CN201811564920A CN109697466A CN 109697466 A CN109697466 A CN 109697466A CN 201811564920 A CN201811564920 A CN 201811564920A CN 109697466 A CN109697466 A CN 109697466A
- Authority
- CN
- China
- Prior art keywords
- classification
- space
- degree
- membership
- pixel
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 20
- 238000001228 spectrum Methods 0.000 claims abstract description 30
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims description 13
- 238000013480 data collection Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 abstract description 8
- 230000008859 change Effects 0.000 abstract description 4
- 238000007418 data mining Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 6
- 239000003643 water by type Substances 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- NNBFNNNWANBMTI-UHFFFAOYSA-M brilliant green Chemical compound OS([O-])(=O)=O.C1=CC(N(CC)CC)=CC=C1C(C=1C=CC=CC=1)=C1C=CC(=[N+](CC)CC)C=C1 NNBFNNNWANBMTI-UHFFFAOYSA-M 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
发明公开了一种自适应区间型空间模糊C均值的地物分类方法,属于数据挖掘与遥感图像处理交叉领域。本发明设计了一种新的自适应的区间模型,利用像素点的最大隶属度控制区间宽度变化,避免了初始参数的依赖性,提高了数据的可分性;定义了新的空间相关性度量方法,综合考量局部空间内像素点的隶属度与空间距离,在控制“噪声”的同时,保留了图像的细节信息;基于空间邻域信息模型,设计了新的区间型模糊C均值算法的类别中心与隶属度的计算方法。自适应区间型空间模糊C均值的地物分类方法具有更好的分类结果,对多光谱遥感影像数据具有良好的准确性与鲁棒性,相比于现有的模糊C均值的方法精度有了提升。
Description
技术领域
本发明属于数据挖掘、遥感图像处理交叉领域,是一种基于自适应区间建模与空间邻域信息的模糊C均值的遥感影像地物分类方法。
背景技术
遥感影像分类是遥感地物信息提取的关键手段,其最终目的是对遥感图像数据中的每一个像素点赋予唯一的类别标志。目前,遥感影像分类的主要问题是:①多光谱遥感影像中的像元信息往往是多种地表成分的复合,存在一定的模糊性,因此对于影像中细节的划分非常困难。②复杂的自然环境以及遥感光谱相互作用,使像素光谱测度的空间相关性越来越复杂,产生许多类属不确定性的“噪声”。多数分类方法对于“噪声”的敏感性强、鲁棒性差,而处理“噪声”较好的分类方法,往往会产生细节丢失的问题。由于以上的问题,导致了已有分类方法不适用于具有严重“噪声”与细节丰富的遥感影像分类。
发明内容
为解决现有技术中的上述问题,本发明提供了一种自适应区间型空间模糊C均值的地物分类方法进行遥感地物分类。本发明的分类方法结合区间建模方法与空间邻域信息,设计了一种新的自适应的区间模型,并定义了新的空间相关性度量方法。
发明公开了一种自适应区间型空间模糊C均值的地物分类方法,属于数据挖掘与遥感图像处理交叉领域。本发明设计了一种新的自适应的区间模型,利用像素点的最大隶属度控制区间宽度变化,避免了初始参数的依赖性,提高了数据的可分性;定义了新的空间相关性度量方法,综合考量局部空间内像素点的隶属度与空间距离,在控制“噪声”的同时,保留了图像的细节信息;基于空间邻域信息模型,设计了新的区间型模糊C均值算法的类别中心与隶属度的计算方法。技术思路如下:
1)初始化各分类参数,把多光谱遥感数据的每个像素点作为分类特征向量;
2)由各像素点的局部空间偏差确定各像素点的最大区间宽度,利用各像素点的最大隶属度作为调节因子,对待测数据进行动态区间计算;
3)结合隶属度与空间距离,计算各局部空间内的空间相关性;基于空间相关性模型,分别计算类别中心区间的上、下边界;
4)利用最大相异性度量方法,计算待测数据与类别中心的距离;结合空间邻域信息,计算隶属度;
5)重复2)-4)过程,直到满足终止条件,分类完成;
6)保持待测数据的隶属度不变,用最大隶属度规则对待测样本点进行类别归一化。
具体的技术方案如下所述:
一种自适应区间型空间模糊C均值的地物分类方法(本发明中简称AIVSFCM方法),包括如下步骤:
1)按照需求确定类别数c,模糊加权指数m,迭代次数最大值T,阈值ε,初始化迭代次数t=1;设定待测多光谱遥感影像数据为n维矢量空间数据集,即待测数据集X={x1,x2,…,xi,…,xN},xi∈Rn,N是矢量特征的个数,R是实数集,随机初始化待测数据集X对类别质心V={v1,v2,…,vc},(vi={vi1,vi2,…,vin},i=1,2,…,c)的隶属度矩阵U={u1,u2,…,uc}(ui={ui1,ui2,…,uiN},i=1,2,…,c);
2)计算待测数据集的自适应区间值,计算公式如式(1)所示,
其中,ui表示像素点xi隶属于各个类别的隶属度矢量,max(ui)表示隶属度的最大值,ωi表示xi所处局部空间(如3×3邻域)的偏差;
3)更新中心的上、下边界,计算公式分别如式(2)、(3)所示,
其中,Ni表示以xi为中心的局部空间,||Ni||表示局部空间内像素点个数,uki表示像素点xi隶属于第k个簇的隶属度,SCij(k)表示像素点xi和xj属于第k类别的空间相关性,计算公式如(4)所示,
其中,Dij表示两像素点的空间距离;
4)更新隶属度uki,如式(5)所示,
其中,表示矢量区间数据与矢量区间中心的距离,计算公式如(6)所示,
5)如果或t<T,终止迭代,否则t=t+1,返回2);
6)根据最大隶属度原则,对每个像素点Pi进行类别划分,如式(7)所示,
Pi=argk∈[1,c]{max(uki)} (7)
优选,步骤3)的Dij表示两像素点的空间距离为欧氏距离。
上述一种自适应区间型空间模糊C均值的地物分类方法,其中,多光谱遥感影像为同一传感器、多个波段的遥感影像。
本发明的创新在于设计了一种新的自适应的区间模型,利用像素点的最大隶属度控制区间宽度变化,避免了初始参数的依赖性,提高了数据的可分性;定义了新的空间相关性度量方法,综合考量局部空间内像素点的隶属度与空间距离,在控制“噪声”的同时,保留了图像的细节信息;基于空间邻域信息模型,设计了新的区间型模糊C均值算法的类别中心与隶属度的计算方法。分析如下:步骤2)新的区间建模方法将像素点最大隶属度作为控制区间宽度变化的参数,通过对像素点隶属度大小的调整控制像素点的区间宽度,避免了对初始参数的依赖性,即步骤2)的建模不需要对不同遥感图像数据进行特定的参数初始设定;步骤3)结合隶属度与空间距离设计了新的空间相关性度量模型,在控制敏感“噪声”的同时,保留了图像的细节信息;步骤4)结合空间邻域信息和计算隶属度设计了最大相异性度量方法,考虑了数据各维度间的各向异性,取不同维度之间的最大值,进一步提高了数据的可分离性,因此本专利的方法适用于多光谱的区间遥感图像数据,相比于多光谱遥感数据中单一的度量方式难以刻画光谱近似或混叠像素的最大分离性具有显著的进步。
本发明结合自适应区间建模与空间领域信息,通过新的自适应区间建模方法,解决遥感影像数据分类中数据的难分或不可分问题;引入空间邻域信息,不仅可以减少“噪声”的影响,而且较好的平衡了图像的细节保留问题,最终改善了分类结果。
本发明的遥感影像分类方法具有更好的分类结果,对多光谱遥感影像数据具有良好的准确性与鲁棒性,相比于现有的模糊C均值的方法精度有了提升。
附图说明
图1(a)是广东省珠海市横琴岛区域原图像SPOT5多光谱遥感影像假彩色合成图;
图1(b)是广东省珠海市横琴岛区域SPOT5多光谱遥感影像FCM方法的分类结果图;
图1(c)是广东省珠海市横琴岛区域SPOT5多光谱遥感影像ADFLICM方法的分类结果图;
图1(d)是广东省珠海市横琴岛区域SPOT5多光谱遥感影像IVFCM方法的分类结果图;
图1(e)是广东省珠海市横琴岛区域SPOT5多光谱遥感影像AIVFCM方法的分类结果图;
图1(f)是广东省珠海市横琴岛区域SPOT5多光谱遥感影像AIVSFCM方法的分类结果图。
其中,图1(a)-图1(f)中每幅图下方的三幅小图选取的是存在明显分类差异的区域放大图(分别标为区域1、区域2、区域3)。
图2(a)是北京市昌平区域原图像SPOT5多光谱遥感影像假彩色合成图;
图2(b)是北京市昌平区域SPOT5多光谱遥感影像FCM方法的分类结果图;
图2(c)是北京市昌平区域SPOT5多光谱遥感影像ADFLICM方法的分类结果图;
图2(d)是北京市昌平区域SPOT5多光谱遥感影像IVFCM方法的分类结果图;
图2(e)是北京市昌平区域SPOT5多光谱遥感影像AIVFCM方法的分类结果图;
图2(f)是北京市昌平区域SPOT5多光谱遥感影像AIVSFCM方法的分类结果图。
其中,图1(a)-图1(f)中每幅图下方的两幅小图选取的是存在明显分类差异的区域放大图(分别标为区域1、区域2),图2(a)-图2(f)中每幅图下方的三幅小图选取的是存在明显分类差异的区域放大图(分别标为区域1、区域2、区域3)。
图3为图1(a)-图1(f)和图2(a)-图2(f)中地形标识说明。
具体实施方式
实施例
针对选自广东省珠海市横琴岛区域(北到磨刀门,南到二井国,西到滩尾角,东到大、小横琴岛中间区域)和北京市昌平区域(北到秦上路,南到温榆河,西到翠明湖,东到吕各庄)的影像数据,对地物类型复杂、光谱混叠的多光谱遥感影像分类,具体实施方式如下所述:
1)按照需求确定类别数c,模糊加权指数m,迭代次数最大值T,阈值ε,初始化迭代次数t=1;设定待测多光谱遥感影像数据是一个n维矢量空间数据集,即待测数据集X={x1,x2,…,xi,…,xN},xi∈Rn,N是矢量特征的个数。随机初始化待测数据集X对类别质心V={v1,v2,…,vc},(vi={vi1,vi2,…,vin},i=1,2,…,c)的隶属度矩阵U={u1,u2,…,uc}(ui={ui1,ui2,…,uiN},i=1,2,…,c);
2)计算待测数据集的自适应区间值,计算公式如式(1)所示,
其中,ui表示像素点xi隶属于各个类别的隶属度矢量,max(ui)表示隶属度的最大值,ωi表示xi所处局部空间的偏差;
3)更新中心的上、下边界,计算公式分别如式(2)、(3)所示,
其中,Ni表示以xi为中心的局部空间,||Ni||表示局部空间内像素点个数,uki表示像素点xi隶属于第k个簇的隶属度,SCij(k)表示像素点xi和xj属于第k类别的空间相关性,计算公式如(4)所示,
其中,Dij表示两像素点空间坐标的欧氏距离;
4)更新隶属度uki,如式(5)所示,
其中,表示矢量区间数据与矢量区间中心的距离,计算公式如(6)所示,
5)如果或t<T,终止迭代,否则t=t+1,返回2);
6)根据最大隶属度原则,对每个像素点进行类别划分,如式(7)所示,
Pi=argk∈[1,c]{max(uki)} (7)
本例中设置参数为:c=5,m=2,T=300,ε=10^(-5)。
仿真试验如下:
1)遥感影像的地物分类
实验数据选取了具有高阶模糊性、干扰性、地物复杂的广东省珠海市横琴岛区域与北京市昌平区域的多光谱遥感影像数据。
分类结果的评价计算方法和度量标准如下:
①总体分类精度(OA,Overall Accuracy):指被正确分类的类别像元数与总的类别个数的比值,计算方法如式(8)所示。
其中,N表示像素总个数,xii表示混淆矩阵对角线元素,即各类别结果的正确个数。若Pe越大,则表明分类精度越高,反之亦然。
②Kappa系数(Cohen's kappa)。Kappa系数是一种比例,代表着分类与完全随机的分类产生错误减少的比例,用于衡量分类精度,计算方法如式(9)所示。
其中,N表示像素总个数,xii表示混淆矩阵对角线元素,即各类别结果的正确个数,xi+、x+i分别表示混淆矩阵各行、各列之和。若K越大,则表示分类精度越高,反之亦然。
参照的分类方法分别为:一型模糊C均值方法(FCM)、自适应模糊局部信息C均值方法(ADFLICM)、区间型模糊C均值方法(IVFCM)、自适应区间型模糊C均值方法(AIVFCM)、自适应区间型空间模糊C均值方法(AIVSFCM)。
仿真1:广东省珠海市横琴岛区域遥感影像分类
本组实验数据的高分辨率遥感影像选自广东省珠海市横琴岛的部分区域(北到磨刀门,南到二井国,西到滩尾角,东到大、小横琴岛中间区域),地物类型如下表1所示,土地覆盖了林地、水域、草地、建筑用地、农业用地5个类别。多光谱遥感影像选自SPOT5号卫星拍摄的相应地区的分辨率为10m的多光谱图像,波谱范围为0.43~0.89μm,由源影像数据1、2、3三个波段合成的假彩色图像(400×400pixels),如图1(a)所示。表2给出了不同方法分类结果的统计参数对比,参考图像为待分类的多光谱遥感影像。
FCM(图1(b))的分类结果中,难以区分光谱近似的地物类别,如区域1中的鱼塘错分为水域与裸地,区域2中的水库面积划分明显变小,水库边缘淹没在裸地中。ADFLICM(图1(c))出现了与FCM(图1(b))相同的错分问题,但是由于ADFLICM结合了局部空间信息,分类结果明显更加平滑紧凑,“噪声”更少。IVFCM(图1(d))使用区间建模的方法提高了数据的可分性,在区域1与区域2的水域划分中得到了较为理想的结果,边界较为清晰,但是静态的区间宽度并不能提高所有像元的可分性,因此在区域1中还有少许水域错分为裸地。AIVFCM(图1(e))则得到了区域1与区域2中更加清晰完整的划分结果,这是因为AIVFCM采用了动态的区间建模方法。AIVSFCM(图1(f))相较于AIVFCM(图1(e)),综合了区间建模与空间信息的优势,分类结果中类别间边界清晰、类内更加紧凑、“噪声”更少。
表1广东省珠海市横琴岛区域SPOT5遥感影像数据地物类别描述
表2实验方法聚类结果统计
仿真2:北京市昌平区域遥感影像分类
本组实验采用的数据是北京市昌平区域影像数据(北到秦上路,南到温榆河,西到翠明湖,东到吕各庄),地物类型如下图表3所示,土地覆盖了林地、水域、草地、建筑用地、农业用地5个类别。多光谱遥感影像选自SPOT5号卫星拍摄的相应地区的分辨率为10m的多光谱图像,波谱范围为0.43~0.89μm,由源影像数据1、2、3三个波段合成的假彩色图像(800×600pixels),如图2(a)所示。表4给出了不同方法分类结果的统计参数对比,参考图像为待分类的多光谱遥感影像。
FCM(图2(b))对于分布复杂、光谱混叠地物的分类性能较差,如区域1中草地被错分为林地,区域2中的受林地阴影影响将林地错分为水域,在区域3中出现了与区域1、区域2相同的错分问题,上方的实线箭头处受林地阴影影响严重。ADFLICM(图2(c))在区域1中草地的错分变少,受区域2、区域3中林地阴影影响较小,但是出现了由于过分考虑空间信息导致的细节消失问题,如下方实线箭头处。IVFCM(图2(d))静态的区间建模并没有得到更好的分类结果,如草地与林地错分现象严重。AIVFCM(图2(e))得到了更为准确的划分结果,但是结果中“噪声”较多。AIVSFCM(图2(f))得到了最佳的分类结果,更好的平衡了图像细节与类内异质性,如区域1中裸地清晰可见,错分为林地的像素点更少,区域2中受林地阴影影响更小,区域3中准确抑制了林地阴影的影响,下方的实线箭头处划分更加平滑且保留了细节信息。
表3北京市昌平区域SPOT5遥感影像数据地物类别描述
表4实验方法聚类结果统计
由仿真1和仿真2的实验结果,从目视效果(图1(a)-图1(f)和图2(a)-图2(f))和客观指标统计(表2和表4)两个方面分别对原始遥感影像和分类后图像进行对比和分析,可以得出如下结论:
(1)FCM对分布复杂、光谱混叠地物的分类性能较差,ADFLICM由于过分考虑空间邻域信息易出现细节消失问题与错分问题,IVFCM对于不同的遥感影像数据适应性不强,没有整体考虑对像素点的区间建模,AIVFCM易受“噪声”影响,分类效果不理想。
(2)目视来看,相比FCM、ADFLICM、IVFCM、AIVFCM、AIVSFCM的遥感影像分类方法,AIVSFCM得到分类后图像的类别与土地利用图最相似,这说明本发明的方法(AIVSFCM)的分类结果更精确,更好的平衡了图像细节与类内异质性的矛盾,类别紧凑,边界明显,具有一定的抗噪能力。
(3)由表2和表4可见,各方法的分类总体精度与KAPPA系数相近,AIVSFCM指标数值最高。
Claims (2)
1.一种自适应区间型空间模糊C均值的地物分类方法,其特征在于包括如下步骤:
1)按照需求确定类别数c,模糊加权指数m,迭代次数最大值T,阈值ε,初始化迭代次数t=1;设定待测多光谱遥感影像数据为n维矢量空间数据集,即待测数据集X={x1,x2,…,xi,…,xN},xi∈Rn,N是矢量特征的个数,R是实数集,随机初始化待测数据集X对类别质心V={v1,v2,…,vc},(vi={vi1,vi2,...,vin},i=1,2,…,c)的隶属度矩阵U={u1,u2,...,uc}(ui={ui1,ui2,...,uiN},i=1,2,…,c);
2)计算待测数据集的自适应区间值,计算公式如式(1)所示,
其中,ui表示像素点xi隶属于各个类别的隶属度矢量,max(ui)表示隶属度的最大值,ωi表示xi所处局部空间的偏差;
3)更新中心的上、下边界,计算公式分别如式(2)、(3)所示,
其中,Ni表示以xi为中心的局部空间,||Ni||表示局部空间内像素点个数,uki表示像素点xi隶属于第k个簇的隶属度,SCij(k)表示像素点xi和xj属于第k类别的空间相关性,计算公式如(4)所示,
其中,Dij表示两像素点的空间距离;
4)更新隶属度uki,如式(5)所示,
其中,表示矢量区间数据与矢量区间中心的距离,计算公式如(6)所示,
5)如果或t<T,终止迭代,否则t=t+1,返回2);,
6)对每个像素点进行类别划分,如式(7)所示,
Pi=argk∈[1,c]{max(uki)} (7)
2.根据权利要求1所述的方法,其特征在于Dij表示两像素点的空间距离为欧氏距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811564920.0A CN109697466B (zh) | 2018-12-20 | 2018-12-20 | 一种自适应区间型空间模糊c均值的地物分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811564920.0A CN109697466B (zh) | 2018-12-20 | 2018-12-20 | 一种自适应区间型空间模糊c均值的地物分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109697466A true CN109697466A (zh) | 2019-04-30 |
CN109697466B CN109697466B (zh) | 2022-10-25 |
Family
ID=66231766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811564920.0A Active CN109697466B (zh) | 2018-12-20 | 2018-12-20 | 一种自适应区间型空间模糊c均值的地物分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109697466B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116385866A (zh) * | 2023-02-09 | 2023-07-04 | 中国铁道科学研究院集团有限公司铁道建筑研究所 | 基于sar图像的铁路沿线彩钢房变化检测方法和装置 |
CN116976915A (zh) * | 2023-05-24 | 2023-10-31 | 南京审计大学 | 地理信息支持的种植类地理标志产品溯源方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080114564A1 (en) * | 2004-11-25 | 2008-05-15 | Masayoshi Ihara | Information Classifying Device, Information Classifying Method, Information Classifying Program, Information Classifying System |
CN103440505A (zh) * | 2013-09-16 | 2013-12-11 | 重庆邮电大学 | 空间邻域信息加权的高光谱遥感图像分类方法 |
CN104123561A (zh) * | 2014-07-10 | 2014-10-29 | 中国矿业大学 | 基于空间引力模型的模糊c均值遥感影像自动分类方法 |
CN104463203A (zh) * | 2014-12-03 | 2015-03-25 | 复旦大学 | 基于地物类别隶属度评分的高光谱遥感图像半监督分类方法 |
CN104834942A (zh) * | 2015-05-22 | 2015-08-12 | 武汉大学 | 基于掩膜分类的遥感影像变化检测方法及*** |
CN108830297A (zh) * | 2018-05-19 | 2018-11-16 | 烟台大学 | 一种多光谱遥感影像地物分类方法 |
-
2018
- 2018-12-20 CN CN201811564920.0A patent/CN109697466B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080114564A1 (en) * | 2004-11-25 | 2008-05-15 | Masayoshi Ihara | Information Classifying Device, Information Classifying Method, Information Classifying Program, Information Classifying System |
CN103440505A (zh) * | 2013-09-16 | 2013-12-11 | 重庆邮电大学 | 空间邻域信息加权的高光谱遥感图像分类方法 |
CN104123561A (zh) * | 2014-07-10 | 2014-10-29 | 中国矿业大学 | 基于空间引力模型的模糊c均值遥感影像自动分类方法 |
CN104463203A (zh) * | 2014-12-03 | 2015-03-25 | 复旦大学 | 基于地物类别隶属度评分的高光谱遥感图像半监督分类方法 |
CN104834942A (zh) * | 2015-05-22 | 2015-08-12 | 武汉大学 | 基于掩膜分类的遥感影像变化检测方法及*** |
CN108830297A (zh) * | 2018-05-19 | 2018-11-16 | 烟台大学 | 一种多光谱遥感影像地物分类方法 |
Non-Patent Citations (4)
Title |
---|
HE,TAO: "enhanced land use/cover classification using support vector machines and fuzzy k-means clustering algorithms", 《JOURNAL OF APPLIED REMOTE SENSING》 * |
权佳成: "基于模糊理论的图像分割算法的研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
谢志伟: "一种区间型数据的自适应模糊c均值聚类算法", 《计算机工程与应用》 * |
贺辉等: "基于自适应区间二型模糊聚类的遥感土地覆盖自动分类", 《地球物理学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116385866A (zh) * | 2023-02-09 | 2023-07-04 | 中国铁道科学研究院集团有限公司铁道建筑研究所 | 基于sar图像的铁路沿线彩钢房变化检测方法和装置 |
CN116385866B (zh) * | 2023-02-09 | 2024-05-10 | 中国铁道科学研究院集团有限公司铁道建筑研究所 | 基于sar图像的铁路沿线彩钢房变化检测方法和装置 |
CN116976915A (zh) * | 2023-05-24 | 2023-10-31 | 南京审计大学 | 地理信息支持的种植类地理标志产品溯源方法 |
CN116976915B (zh) * | 2023-05-24 | 2024-04-05 | 南京审计大学 | 地理信息支持的种植类地理标志产品溯源方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109697466B (zh) | 2022-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Optimal segmentation of high-resolution remote sensing image by combining superpixels with the minimum spanning tree | |
CN103971115B (zh) | 一种基于NDVI和PanTex指数的新增建设用地图斑自动提取方法 | |
CN111242224B (zh) | 一种基于无人机提取分类样本点的多源遥感数据分类方法 | |
Khazai et al. | An approach for subpixel anomaly detection in hyperspectral images | |
CN109711446A (zh) | 一种基于多光谱影像和sar影像的地物分类方法及装置 | |
CN102982338B (zh) | 基于谱聚类的极化sar图像分类方法 | |
CN107944370B (zh) | 基于dccgan模型的极化sar图像分类方法 | |
CN105930772A (zh) | 基于sar影像与光学遥感影像融合的城市不透水面提取方法 | |
CN107229917A (zh) | 一种基于迭代聚类的多幅遥感影像共性显著目标检测方法 | |
CN111339947A (zh) | 遥感影像模糊边界地物的提取方法及***、存储介质、设备 | |
CN110309780A (zh) | 基于bfd-iga-svm模型的高分辨率影像房屋信息快速监督识别 | |
CN103578110A (zh) | 基于灰度共生矩阵的多波段高分辨率遥感影像分割方法 | |
CN106611423B (zh) | 基于脊波滤波器和反卷积结构模型的sar图像分割方法 | |
Sun et al. | Object-oriented land cover classification using HJ-1 remote sensing imagery | |
CN104102928B (zh) | 一种基于纹理基元的遥感图像分类方法 | |
CN109871884A (zh) | 一种融合多特征的支持向量机面向对象遥感影像分类方法 | |
CN109446894A (zh) | 基于概率分割及高斯混合聚类的多光谱图像变化检测方法 | |
Tang et al. | A multiple-point spatially weighted k-NN method for object-based classification | |
CN113628234B (zh) | 基于综合邻域信息的显著性极化sar图像变化检测方法 | |
CN109829423A (zh) | 一种结冰湖泊红外成像检测方法 | |
CN110879992A (zh) | 基于迁移学习的草原地表覆盖物分类方法和*** | |
CN109859219A (zh) | 结合相位与光谱的高分遥感影像分割方法 | |
CN108766203A (zh) | 一种紧致极化水稻制图的方法及*** | |
CN109697466A (zh) | 一种自适应区间型空间模糊c均值的地物分类方法 | |
CN115205528A (zh) | 一种用于面向地理对象影像分析的特征选择方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240410 Address after: No. 314, Building 1, 300-2 Changjiang Road, Development Zone, Yantai City, Shandong Province, China, 264000 yuan Patentee after: Yantai Rongshuo Software Technology Co.,Ltd. Country or region after: China Address before: 264005, Qingquan Road, Laishan District, Shandong, Yantai, 30 Patentee before: Yantai University Country or region before: China |
|
TR01 | Transfer of patent right |