CN109872331A - 一种基于深度学习的遥感图像数据自动识别分类方法 - Google Patents
一种基于深度学习的遥感图像数据自动识别分类方法 Download PDFInfo
- Publication number
- CN109872331A CN109872331A CN201910088823.7A CN201910088823A CN109872331A CN 109872331 A CN109872331 A CN 109872331A CN 201910088823 A CN201910088823 A CN 201910088823A CN 109872331 A CN109872331 A CN 109872331A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing images
- image
- pretreatment
- images
- 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 47
- 238000013135 deep learning Methods 0.000 title claims abstract description 16
- 230000002708 enhancing effect Effects 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000012546 transfer Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000003708 edge detection Methods 0.000 claims description 7
- 230000009977 dual effect Effects 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 230000001629 suppression Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000009966 trimming Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract description 11
- 230000011218 segmentation Effects 0.000 abstract description 7
- 238000013527 convolutional neural network Methods 0.000 description 17
- 210000002569 neuron Anatomy 0.000 description 14
- 238000003709 image segmentation Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- RWYFURDDADFSHT-RBBHPAOJSA-N diane Chemical compound OC1=CC=C2[C@H]3CC[C@](C)([C@](CC4)(O)C#C)[C@@H]4[C@@H]3CCC2=C1.C1=C(Cl)C2=CC(=O)[C@@H]3CC3[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@@](C(C)=O)(OC(=O)C)[C@@]1(C)CC2 RWYFURDDADFSHT-RBBHPAOJSA-N 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学***滑度差、分割准确率不高的问题；同时克服了神经网络因遥感图像明暗程度不同、分辨率不同、拍摄角度不同而导致准确率不高的问题。
Description
技术领域
本发明涉及图像分割、图像分类和深度学习领域，涉及全卷积神经网络技术和遥感图像处理技术领域，尤其涉及一种基于深度学习的遥感图像数据自动识别分类方法。
背景技术
传统的图像分割方法有很多，主要包括以下几种：基于边缘的图像分割、基于区域增长法的图像分割、基于聚类法的图像分割、基于阈值的图像分割。由于遥感图像具有信息量很大、目标结构较为复杂、边界不清晰、灰度级繁多等诸多问题，如果采用穷举法来进行阈值的选取，则会出现效率较低的问题，因此可以使用最大似然相似或遗传算法来提高阈值选取的效率。但是传统的图像分割方法仍然会出现分割结果适用面有限、过分割、边缘平滑度差、分割准确率不高等诸多问题。
随着计算机技术的快速发展，大量的新方法已经不断地应用于遥感图像的分型识别，例如人工神经网络、支持向量机、模糊分类等方法。其中Awad,M和DIANE M.MILLER等人使用人工神经网络的方法对遥感图像数据进行分型识别，并结合图像的纹理信息分析。而Mercier,G等人使用支持向量机对遥感图像进行了分型识别的研究，实验结果表明支持向量机比经典的监督分类算法更好，而且在此基础上提出了一些改进之后的核函数来考虑支持向量之间的光谱相似性，并减少了由传统内核引起的误报现象。除此之外，模糊聚类是遥感卫星图像无监督分类的重要工具。Mukhopadhyay等人提出了一种基于模拟退火的模糊聚类方法，并且还使用这种方法与支持向量机相结合，以达到改进模糊聚类的性能的效果。
除此之外，由于良好的泛化能力，以及对图像进行旋转、平移和局部变形后不会影响实验结果的特点，卷积神经网络(Convolution Neural Network，CNN)也逐渐被广泛应用到了图像分类与分割等任务之中。卷积神经网络是一种基于生物学的多层次的深度学习模型，通常具有更好的识别效果和更广泛的实用性。2015年，Papandreou,George等人采用深度卷积神经网络(Deep Convolution Neural Network，DCNN)开发出了用于语义图像分割模型训练的期望-最大化(Expectation-Maximization，EM)方法。但是，由于将卷积神经网络应用于图像分割时每个像素点需要使用其周围的像素块作为卷积神经网络的输入的原因，从而导致了存储开销大，计算效率低等问题的出现。除此之外，卷积神经网络的输入图像大小不能是变化的，所有的输入图像尺寸都要一致。
为了解决这个问题，Jonathan Long等人在2015年提出了全卷积神经网络(FullyConvolutional Networks，FCN)，这种网络结构使用卷积层来代替标准卷积神经网络中所有的完全连接层，同时还可以保持图像的二维结构。全卷积神经网络有着非常明显的优点，比如全卷积神经网络使用的输入图像无需限制尺寸的大小，不需要训练图像的尺寸与测试图像的尺寸保持一致，而且由于全卷积神经网络不使用像素块，所以不会出现计算卷积和重复存储的问题，从而使得全卷积神经网络的效率更高。随着研究的越来越深入，Gang Fu等人提出了一种基于改进全卷积神经网络模型来对遥感图像进行分类的方法，通过引入Atrous卷积来提高输出类图的密度，并能做到对高分辨率遥感图像的精确分类。但是，其主要局限性在于它需要大量高质量的Ground Truth(真实有效)标签进行模型训练，这很大程度上依赖于专业的解释经验和大量的手工工作。
发明内容
本发明提供了一种基于深度学***滑度差、分割准确率不高的问题；同时克服了神经网络因遥感图像明暗程度不同、分辨率不同、拍摄角度不同而导致准确率不高的问题，详见下文描述：
一种基于深度学习的遥感图像数据自动识别分类方法，所述方法包括以下步骤：
对遥感图像进行色彩迁移处理，得到第一预处理后遥感图像；
对第一次预处理后遥感图像进行特征增强处理，获取第二预处理后遥感图像；
对第二预处理后遥感影像进行数据增强处理，获取第三预处理后遥感图像；
将第三预处理后遥感图像分为训练集和测试集，然后用训练集训练模型，最后用训练好的模型对测试集进行测试。
其中，所述对遥感图像进行色彩迁移处理具体为：
其中，L、A、B表示变换后图像通道值，L'、L″、L″′、A'、A″、A″′、B'、B″、B″′为中间变量，l、a、b表示原图像通道值，ml、ma、mb和ml'、ma'、mb'表示图像通道均值，nl、na、nb和nl'、na'、nb'表示图像通道标准方差。
进一步地，所述对第一次预处理后遥感图像进行特征增强处理具体为：
先使用高斯滤波器来平滑第一预处理后遥感影像的图像，并滤除噪声，随后计算出图像中每个像素点的梯度强度与方向；
使用非极大值抑制的方法消除边缘检测产生的杂散响应，用双阈值检测真正的和潜在的边缘，最后对孤立的弱边缘进行抑制。
其中，所述对第二预处理后遥感图像进行数据增强处理具体为：
对现有图像进行旋转、平移、缩放和裁剪操作来实现数据增强，训练时，将同一张图像的不同环境以及不同数据增强操作下的数据放在一起进行训练。
进一步地，所述方法还包括：
将处理后的遥感图像的边缘细节信息作为一个重要信息加入到图像之中，将原遥感图像扩展成一个5维的遥感图像作为输入图像。
本发明提供的技术方案的有益效果是：本发明通过引入深度学习技术，使得遥感图像数据自动分类的准确率更高、收敛性更好、适用范围更广；并且通过一系列数据预处理操作，克服了传统神经网络因数据不一致而造成的误差。
附图说明
图1为一种基于深度学习的遥感图像数据自动识别分类方法的流程图；
图2为全卷积神经网络的结构示意图；
图3为特征增强前后图像对比的示意图；
图4为实验效果图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。
实施例1
本发明实施例提出了一种基于深度学习的遥感图像数据自动识别分类方法，参见图1，该方法包含以下步骤：
101：对遥感图像进行色彩迁移处理，得到第一预处理后遥感图像；
因为不同遥感图像数据之间会存在比较大的差异(比如明暗程度不同、分辨率不同、拍摄角度不同等等)，所以本方法采用Reinhard等人提出的可以针对各个颜色分量进行色彩迁移的方法。先将两张不同的图像都转换到LAB(色彩模型)下，然后分别计算出两张图像在LAB中的标准差nl，nl’与均值ml，ml’。得到标准差nl，nl’与均值ml，ml’之后，用目标图像的每个像素点的值l都与目标图像的均值ml做差，再用所得的差值L'与参考图像的标准差nl’求积，接着除以目标图像的标准差nl，最后再加一个参考图像的均值ml’得出一个最后的结果L，计算出结果之后再将目标图像转换到RGB空间。
102：对第一次预处理后遥感图像进行特征增强处理，获取第二预处理后遥感图像；
由于全卷积神经网络使用池化层而引起一些不可避免的图像信息的丢失，从而导致分割图像时会出现边缘信息不够明显的问题，所以本方法使用Canny边缘检测算法来进行特征增强。
即，先使用高斯滤波器来平滑第一预处理后遥感图像的图像，并滤除噪声，随后计算出图像中每个像素点的梯度强度与方向，之后使用非极大值抑制的方法消除边缘检测产生的杂散响应。接着用双阈值检测真正的和潜在的边缘，最后对孤立的弱边缘进行抑制。
103：对第二预处理后遥感图像进行数据增强处理，获取第三预处理后遥感图像；
首先对现有图像进行旋转、平移、缩放和裁剪等操作来实现数据增强。在进行训练时，将同一张图像的不同环境以及不同数据增强操作下的数据放在一起进行训练。
104：将第三预处理后遥感图像分为训练集和测试集，然后用训练集训练模型，最后用训练好的模型对测试集进行测试。
其中，该步骤104具体如下：
向前传播时，先将第三预处理后遥感图像放入输入层中，通过多次卷积操作得到一张张尺寸越来越小的特征图。在经过所有卷积层之后，最终会得到一张最小尺寸的热图。
然后进行反向传播，对该热图进行上采样操作就可以在图像中还原当前卷积核的特征。通过不断的向前迭代，每次卷积操作都对之前上采样以后得到的图像进行反卷积，这样就可以保留原来图像数据中的细节信息，最后就可以将图像整个还原得到最后结果。
综上所述，本发明实施例通过引入深度学习技术，使得遥感图像数据自动分类的准确率更高、收敛性更好、适用范围更广。
实施例2
下面结合具体的实例、计算公式对实施例1中的方案进行进一步地介绍，本发明实施例采用的全卷积神经网络结构如图2所示，详见下文描述：
201：色彩迁移
先将两张不同的图像都转换到LAB颜色空间下，以L为例，分别计算出两张图像在LAB颜色空间中的标准差nl，nl’与均值ml，ml’。得到标准差nl，nl’与均值ml，ml’之后，用目标图像的每个像素点的值l都与目标图像的均值ml做差，再用所得的差值L'与参考图像的标准差nl’求积，接着除以目标图像的标准差nl，最后再加一个参考图像的均值ml’得出一个最后的结果L，计算出结果之后再将目标图像转换到RGB空间，具体公式如公式(1)、(2)、(3)、(4)；
其中，L、A、B表示变换后图像通道值，L'、L″、L″′、A'、A″、A″′、B'、B″、B″′为中间变量，l、a、b表示原图像通道值，ml、ma、mb和ml'、ma'、mb'表示图像通道均值，nl、na、nb和nl'、na'、nb'表示图像通道标准方差。
202：特征增强；
为了将遥感图像的边缘变得更加明显，可以使用Canny边缘检测算法来进行特征增强，其主要流程如下：先使用高斯滤波器来平滑图像并滤除噪声。计算出图像中每个像素点的梯度强度与方向。具体公式如公式(5)、(6)所示：
θ＝arctan(Gy/Gx) (6)
其中，G为梯度强度，θ为梯度方向，Gx为像素点x轴方向值，Gy为像素点y轴方向值。
之后使用非极大值抑制的方法消除边缘检测产生的杂散响应，接着用双阈值检测真正的和潜在的边缘，最后对孤立的弱边缘进行抑制。如图3所示为特征增强前后效果对比，可以看出使用Canny边缘检测算法进行特征增强之后，可以得到原遥感图像的边缘信息，并且结果比较清晰。
203：数据增强；
通过对现有图像进行旋转、平移、缩放和裁剪等操作来实现数据增强。这样可以使得遥感图像数据的种类更加齐全和完善。在进行训练时，将同一张图像的不同环境以及不同数据增强操作下的数据放在一起进行训练，就可以让神经网络学习到不同环境、不同模式、不同类型的遥感图像数据的特征，这样学习到的特征普遍性更强，可信度更高，从而可以得到更加准确的实验结果。
204：将处理后的遥感图像数据分为训练集和测试集，然后用训练集训练模型，最后用训练好的模型对测试集进行测试。
具体方法是先将处理后的遥感图像的边缘细节信息作为一个额外的重要信息加入到图像之中，这样就可以将原遥感图像扩展成一个5维的遥感图像作为输入图像。
向前传播时，先将输入图像数据放入输入层中，通过多次卷积操作来得到一张张尺寸越来越小的特征图。在经过所有卷积层之后，最终会得到一张最小尺寸的热图。
然后进行反向传播，对该热图进行上采样操作就可以在图像中还原当前卷积核的特征。反向传播的主要流程如下：
1)向人工神经网络的输入层输入训练集数据，通过多个隐藏层之后得到输出结果；
2)计算出输出结果与实际结果的误差；
3)将计算出的误差值反向传播，先从输出层传播到隐藏层，然后再通过一系列隐藏层传播到输入层，并且在反向传播过程中根据误差值来修改参数；
4)反复迭代以上三个步骤，直到最后数值收敛为止。
其中，误差的计算是由输出层到隐藏层再到输入层不断进行展开的，具体公式如下：输出层：
其中，E1表示输出层误差，dk表示输出层第k个神经元期望输出，yk表示输出层第k个神经元实际输出，l为输出层神经元个数。
隐藏层：
其中，E2表示隐藏层误差，dk表示输出层第k个神经元期望输出，ωjk表示隐藏层第j个神经元与输出层第k个神经元之间的连接权，yj表示隐藏层第j个神经元的值，f为Sigmoid函数，m为隐藏层神经元个数。
输入层：
其中，E3表示输入层误差，dk表示输出层第k个神经元期望输出，ωjk表示隐藏层第j个神经元与输出层第k个神经元之间的连接权，vij表示输入层第i个神经元与隐藏层第j个神经元之间的连接权，xi表示输入层第i个神经元的输入值，n为输入层神经元个数。
计算出各层误差之后，再分别对各层误差进行求偏导数就可以得到最优的权重参数，公式如下：
其中，η表示学习率。
通过不断的向前迭代，每次卷积操作都对之前上采样以后得到的图像进行反卷积，这样就可以保留原来图像数据中的细节信息，最后就可以将图像整个还原得到最后结果。
综上所述，本发明实施例提供了一种基于深度学***滑度差、分割准确率不高的问题；同时解决了神经网络因遥感影像明暗程度不同、分辨率不同、拍摄角度不同而准确率不高的瓶颈。
实施例3
下面结合具体的实验数据对实施例1和2中的方案进行可行性验证，详见下文描述：
实验结果的准确性以平均分类的准确度和Kappa系数来表示。使用实验最终分割结果图像与人工标注的图像进行对比，然后计算分类结果一致的像素数量占整张图片像素数量的比例即分类准确度，平均分类的准确度就是所有图像分类准确的一个平均值。Kappa系数是基于混淆矩阵计算的一种对分类结果精准度进行统计测量的衡量标准。Kappa系数具体的定义，如公式(12)、(13)所示：
其中，k表示Kappa系数。p0表示整体分类精度，即每一类正确分类的样本数量之和除以样本总数正确分类的样本总数。pe表示理论分类精度。nk1和nk2分别代表每个类别的预测像素的数量和实际像素的数量。N是样本的总数，即像素的总数量。具体实验结果如表1所示：
表1实验结果数据
由表1中的实验结果数据可以看出在经过色彩迁移、特征增强、数据增强一系列数据预处理的FCN网络，以及添加细节信息和预处理方法的改进FCN网络之后，实验结果的准确率有一定程度的提升。
通过上述实验结果，可以看出本方法对遥感图像数据的预处理和添加细节信息的全卷积神经网络是有助于提高遥感图像识别分型的准确程度的。从图4(第一列为原遥感图像，第二列为Ground Truth，第三列为最终分割结果)中可以看出，整体分割的效果较好。
本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于深度学习的遥感图像数据自动识别分类方法，其特征在于，所述方法包括以下步骤：
对遥感图像进行色彩迁移处理，得到第一预处理后遥感图像；
对第一次预处理后遥感图像进行特征增强处理，获取第二预处理后遥感图像；
对第二预处理后遥感影像进行数据增强处理，获取第三预处理后遥感图像；
将第三预处理后遥感图像分为训练集和测试集，然后用训练集训练模型，最后用训练好的模型对测试集进行测试。
2.根据权利要求1所述的一种基于深度学习的遥感图像数据自动识别分类方法，其特征在于，所述对遥感图像进行色彩迁移处理具体为：
其中，L、A、B表示变换后图像通道值，L'、L”、L”'、A'、A”、A”'、B'、B”、B”'为中间变量，l、a、b表示原图像通道值，ml、ma、mb和ml'、ma'、mb'表示图像通道均值，nl、na、nb和nl'、na'、nb'表示图像通道标准方差。
3.根据权利要求1所述的一种基于深度学习的遥感影像数据自动识别分类方法，其特征在于，所述对第一次预处理后遥感图像进行特征增强处理具体为：
先使用高斯滤波器来平滑第一预处理后遥感影像的图像，并滤除噪声，随后计算出图像中每个像素点的梯度强度与方向；
使用非极大值抑制的方法消除边缘检测产生的杂散响应，用双阈值检测真正的和潜在的边缘，最后对孤立的弱边缘进行抑制。
4.根据权利要求1所述的一种基于深度学习的遥感图像数据自动识别分类方法，其特征在于，所述对第二预处理后遥感图像进行数据增强处理具体为：
对现有图像进行旋转、平移、缩放和裁剪操作来实现数据增强，训练时，将同一张图像的不同环境以及不同数据增强操作下的数据放在一起进行训练。
5.根据权利要求1-4中任一权利要求所述的一种基于深度学习的遥感图像数据自动识别分类方法，其特征在于，所述方法还包括：
将处理后的遥感图像的边缘细节信息作为一个重要信息加入到图像之中，将原遥感图像扩展成一个5维的遥感图像作为输入图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910088823.7A CN109872331A (zh) | 2019-01-30 | 2019-01-30 | 一种基于深度学习的遥感图像数据自动识别分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910088823.7A CN109872331A (zh) | 2019-01-30 | 2019-01-30 | 一种基于深度学习的遥感图像数据自动识别分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109872331A true CN109872331A (zh) | 2019-06-11 |
Family
ID=66918362
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910088823.7A Pending CN109872331A (zh) | 2019-01-30 | 2019-01-30 | 一种基于深度学习的遥感图像数据自动识别分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109872331A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111008986A (zh) * | 2019-11-20 | 2020-04-14 | 天津大学 | 一种基于多任务半卷积的遥感图像分割方法 |
| CN111091532A (zh) * | 2019-10-30 | 2020-05-01 | 中国资源卫星应用中心 | 一种基于多层感知机的遥感影像色彩评价方法和*** |
| CN112163549A (zh) * | 2020-10-14 | 2021-01-01 | 中南大学 | 一种基于自动机器学习的遥感影像场景分类方法 |
| CN112348823A (zh) * | 2020-09-22 | 2021-02-09 | 陕西土豆数据科技有限公司 | 一种面向对象的高分辨率遥感影像分割算法 |
| CN113077405A (zh) * | 2021-03-27 | 2021-07-06 | 荆门汇易佳信息科技有限公司 | 二分割分块的颜色传递及其质量评价体系 |
| CN113963249A (zh) * | 2021-10-29 | 2022-01-21 | 山东大学 | 一种星系图像的检测方法和*** |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103955901A (zh) * | 2014-05-08 | 2014-07-30 | 国网上海市电力公司 | 一种弱光照视频图像的增强方法 |
| CN103955902A (zh) * | 2014-05-08 | 2014-07-30 | 国网上海市电力公司 | 基于Retinex和Reinhard色彩迁移的弱光照图像的增强方法 |
| CN107610141A (zh) * | 2017-09-05 | 2018-01-19 | 华南理工大学 | 一种基于深度学习的遥感图像语义分割方法 |
| CN108596213A (zh) * | 2018-04-03 | 2018-09-28 | 中国地质大学（武汉） | 一种基于卷积神经网络的高光谱遥感图像分类方法及*** |
| CN108765347A (zh) * | 2018-05-30 | 2018-11-06 | 长光卫星技术有限公司 | 一种适合遥感影像的色彩增强方法 |
| CN108805861A (zh) * | 2018-04-28 | 2018-11-13 | 中国人民解放军国防科技大学 | 一种基于深度学习的遥感图像云检测方法 |
| CN108846380A (zh) * | 2018-04-09 | 2018-11-20 | 北京理工大学 | 一种基于代价敏感卷积神经网络的人脸表情识别方法 |
| CN109255334A (zh) * | 2018-09-27 | 2019-01-22 | 中国电子科技集团公司第五十四研究所 | 基于深度学习语义分割网络的遥感影像地物分类方法 |
-
2019
- 2019-01-30 CN CN201910088823.7A patent/CN109872331A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103955901A (zh) * | 2014-05-08 | 2014-07-30 | 国网上海市电力公司 | 一种弱光照视频图像的增强方法 |
| CN103955902A (zh) * | 2014-05-08 | 2014-07-30 | 国网上海市电力公司 | 基于Retinex和Reinhard色彩迁移的弱光照图像的增强方法 |
| CN107610141A (zh) * | 2017-09-05 | 2018-01-19 | 华南理工大学 | 一种基于深度学习的遥感图像语义分割方法 |
| CN108596213A (zh) * | 2018-04-03 | 2018-09-28 | 中国地质大学（武汉） | 一种基于卷积神经网络的高光谱遥感图像分类方法及*** |
| CN108846380A (zh) * | 2018-04-09 | 2018-11-20 | 北京理工大学 | 一种基于代价敏感卷积神经网络的人脸表情识别方法 |
| CN108805861A (zh) * | 2018-04-28 | 2018-11-13 | 中国人民解放军国防科技大学 | 一种基于深度学习的遥感图像云检测方法 |
| CN108765347A (zh) * | 2018-05-30 | 2018-11-06 | 长光卫星技术有限公司 | 一种适合遥感影像的色彩增强方法 |
| CN109255334A (zh) * | 2018-09-27 | 2019-01-22 | 中国电子科技集团公司第五十四研究所 | 基于深度学习语义分割网络的遥感影像地物分类方法 |
Non-Patent Citations (3)
| Title |
|---|
| ADIA: "color transfer between images", 《COLOR TRANSFER BETWEEN IMAGES - 知乎 (ZHIHU.COM)》 * |
| ERIK REINHARD, MICHAEL ASHIKHMIN, BRUCE GOOCH, PETER SHIRLEY: "Color Transfer between Images", 《IEEE COMPUTER GRAPHICS AND APPLICATIONS》 * |
| 霍冠英等: "《侧扫声呐图像目标分割》", 31 December 2017 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111091532A (zh) * | 2019-10-30 | 2020-05-01 | 中国资源卫星应用中心 | 一种基于多层感知机的遥感影像色彩评价方法和*** |
| CN111008986A (zh) * | 2019-11-20 | 2020-04-14 | 天津大学 | 一种基于多任务半卷积的遥感图像分割方法 |
| CN111008986B (zh) * | 2019-11-20 | 2023-09-05 | 天津大学 | 一种基于多任务半卷积的遥感图像分割方法 |
| CN112348823A (zh) * | 2020-09-22 | 2021-02-09 | 陕西土豆数据科技有限公司 | 一种面向对象的高分辨率遥感影像分割算法 |
| CN112163549A (zh) * | 2020-10-14 | 2021-01-01 | 中南大学 | 一种基于自动机器学习的遥感影像场景分类方法 |
| CN112163549B (zh) * | 2020-10-14 | 2022-06-10 | 中南大学 | 一种基于自动机器学习的遥感影像场景分类方法 |
| CN113077405A (zh) * | 2021-03-27 | 2021-07-06 | 荆门汇易佳信息科技有限公司 | 二分割分块的颜色传递及其质量评价体系 |
| CN113963249A (zh) * | 2021-10-29 | 2022-01-21 | 山东大学 | 一种星系图像的检测方法和*** |
| CN113963249B (zh) * | 2021-10-29 | 2024-04-09 | 山东大学 | 一种星系图像的检测方法和*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109872331A (zh) | 一种基于深度学习的遥感图像数据自动识别分类方法 | |
| CN106920243B (zh) | 改进的全卷积神经网络的陶瓷材质件序列图像分割方法 | |
| CN113408605B (zh) | 基于小样本学习的高光谱图像半监督分类方法 | |
| CN111445488B (zh) | 一种弱监督学习自动识别和分割盐体的方法 | |
| CN111753828B (zh) | 一种基于深度卷积神经网络的自然场景水平文字检测方法 | |
| CN111178432A (zh) | 多分支神经网络模型的弱监督细粒度图像分类方法 | |
| CN109583425A (zh) | 一种基于深度学习的遥感图像船只集成识别方法 | |
| CN112347970B (zh) | 一种基于图卷积神经网络的遥感影像地物识别方法 | |
| CN111553837B (zh) | 一种基于神经风格迁移的艺术文本图像生成方法 | |
| CN111191718B (zh) | 基于图注意力网络的小样本sar目标识别方法 | |
| CN109583483A (zh) | 一种基于卷积神经网络的目标检测方法和*** | |
| CN112862792B (zh) | 一种用于小样本图像数据集的小麦白粉病孢子分割方法 | |
| CN109829449A (zh) | 一种基于超像素时空上下文的rgb-d室内场景标注方法 | |
| CN109448015A (zh) | 基于显著图融合的图像协同分割方法 | |
| CN109285162A (zh) | 一种基于局部区域条件随机场模型的图像语义分割方法 | |
| CN111986125A (zh) | 一种用于多目标任务实例分割的方法 | |
| CN109741341A (zh) | 一种基于超像素和长短时记忆网络的图像分割方法 | |
| CN108230330B (zh) | 一种快速的高速公路路面分割和摄像机定位的方法 | |
| CN110853070A (zh) | 基于显著性与Grabcut的水下海参图像分割方法 | |
| CN104657980A (zh) | 一种改进的基于Meanshift的多通道图像分割算法 | |
| CN114863263B (zh) | 基于跨尺度分层特征融合对类内遮挡的乌鳢检测的方法 | |
| CN111986126B (zh) | 一种基于改进vgg16网络的多目标检测方法 | |
| CN113870157A (zh) | 一种基于CycleGAN的SAR图像合成方法 | |
| CN112733614A (zh) | 一种带有相似尺寸强化识别的害虫图像检测方法 | |
| CN110633727A (zh) | 基于选择性搜索的深度神经网络舰船目标细粒度识别方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190611 |
|
| RJ01 | Rejection of invention patent application after publication |