CN110298211A - 一种基于深度学习和高分辨率遥感影像的河网提取方法 - Google Patents
一种基于深度学习和高分辨率遥感影像的河网提取方法 Download PDFInfo
- Publication number
- CN110298211A CN110298211A CN201810234115.5A CN201810234115A CN110298211A CN 110298211 A CN110298211 A CN 110298211A CN 201810234115 A CN201810234115 A CN 201810234115A CN 110298211 A CN110298211 A CN 110298211A
- Authority
- CN
- China
- Prior art keywords
- river
- point
- sample
- column
- 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.)
- Granted
Links
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公布了一种基于深度学习和高分辨率遥感影像的河网提取方法,包括:获取多景高分二号多光谱遥感影像,将遥感影像分为训练样本和检测样本;遥感影像预处理,后续处理只采用第4波段和第2波段的影像;选取河流样本点和非河流样本点作为训练样本点;建立深度学习模型,将训练样本输入深度学习模型进行训练,得到训练好的深度学习模型;由待提取河网区域的遥感影像通过网格分割法分割得到检测样本;通过训练好的模型进行分类识别;生成河网。本发明技术方案可使得提取的河网更加真实、准确、精细、连续,且不受山脉阴影、建筑物等因素的干扰。
Description
技术领域
本发明属于遥感图像分析、人工智能与水文学技术交叉领域,涉及水文信息提取技术,尤其涉及一种基于深度学习和高分辨率遥感影像的河网提取方法。
背景技术
流域河网是一种重要的地理要素,是构成地形地貌"骨架"的重要组成部分,在数字流域表达中具有重要作用。传统的河网提取方法主要是通过数字高程模型(DEM)提取。但是,现有的数字高程模型在自动提取虚拟河网过程中易受洼地、平原地区影响,产生不连续的或平行的错误河网。
近年来,随着遥感技术的飞速发展,高分辨率遥感影像的应用越来越普及。众多学者开展了用遥感影像提取水体、河流的研究,但是,利用遥感影像提取河网的研究较少。用遥感影像提取水体、河流信息的算法主要包括水体指数、监督分类、非监督分类、灰度图像、决策树分类、数学形态学等方法。但是,这些算法提取的河流还存在一些问题,如提取的河流易受山脉阴影的干扰、难以提取细小河流、提取的河流有部分中断。
发明内容
为了克服上述现有技术的不足,本发明提供一种基于深度学习和高分辨率遥感影像的河网提取方法,使得提取的河网更加真实、准确、精细、连续。
本发明提供的技术方案是:
一种基于深度学习和高分辨率遥感影像的河网提取方法,步骤如下:
步骤1:获取多景高分二号遥感影像,确定每一景是作为训练样本还是作为检测样本。
本发明采用的高分辨率遥感影像为高分二号(GF-2)卫星遥感影像。高分二号(GF-2)卫星是我国自主研制的首颗空间分辨率优于1米的民用光学遥感卫星,搭载有两台高分辨率1米全色、4米多光谱相机,具有亚米级空间分辨率、高定位精度和快速姿态机动能力等特点。4m分辨率多光谱的光谱范围为0.45-0.52μm,0.52-0.59μm,0.63-0.69μm,0.77-0.89μm,依次记为第1、2、3、4波段。
步骤2:遥感影像预处理,包括正射校正处理和将第4-4-2波段组合成假彩色图,在ENVI软件下保存为tif格式,这样使得像元灰度值最大为255,并进一步归一化,归一化方法是每个像元的灰度值除以255。后续处理只采用第4波段和第2波段的影像;
步骤3:训练样本准备
(1)训练样本的输入
在遥感影像上,选取位于河流上的点,包括大河流和细小河流,对于大河流,不仅要选取河流中心的样本点,还要选取河流边界位置且属于河流的样本点,对于小河流主要选取位于小河流上的样本点。记录河流样本点的横纵坐标。
在遥感影像上,选取非河流的点,包括山脉、阴影、云、建筑、农田、公路、铁路等,非河流样本点尽量不要选在水体附近,记录非河流样本点的横纵坐标。
在遥感影像上,以训练样本点的横坐标和纵坐标为中心,选取中心点的前m/2-1行到后m/2行、左m/2-1列到右m/2列,构成一个m×m方形邻域,其中m属于正整数且为偶数;采用影像第4波段和第2波段,所述m×m方形邻域为m×m×2张量(由样本点的坐标决定),此为一个训练样本的输入数据。
(2)训练样本的输出
每个训练样本的输出为河流或者非河流,为二分类问题。把河流样本的输出记为[1 0],非河流样本的输出记为[0 1]。
步骤4:检测样本准备
(1)检测样本的输入,检测样本由待提取河网区域的遥感影像分割得到;
获取至少一景遥感影像作为待提取河网区域的遥感影像,检测样本由待提取河网区域的遥感影像通过网格分割法分割得到;网格分割法采用多种分割方式(具体实施时包括16种分割方式),将影像分割为多个大小为m行m列的子矩阵,得到多个m×m×2张量;将每个m×m×2张量作为一个检测样本;
(2)检测样本的输出
为了深度学习程序运行的需要,需准备好检测样本的输出,这里设定每一个检测样本的输出为[0 1]。由于河网检测是二分类问题,预测模型输出的结果应为两个值,输出结果预设定为[0 1]即代表有两个输出值。
步骤5:建立深度学习模型
(1)模型的建立
应用TensorFlow框架,在Spyde软件下用python语言建立深度学习模型。深度学习模型的结构为1个输入层、1个卷积层、1个池化层、1个全连接层、1个输出层。
(2)模型的训练
把训练样本的输入、输出数据放入深度学习模型进行训练,并保存训练好的模型。
(3)模型的应用
读取保存的模型,把每一个检测样本的输入、输出数据放入训练好的模型进行识别,得到识别结果。
步骤6:生成河网
(1)对于每一种分割方式,把每一个检测样本的识别结果还原为m×m(如16×16)的矩阵,矩阵中的每个元素值与识别结果一致,要么都为0,要么都为1.
(2)对于每一种分割方式,把识别结果按分割时对应位置组合成完整的大矩阵。
(3)把不同分割方式得到的识别结果叠加,也就是大矩阵相加,矩阵中的元素只要大于0则替换为1。
(4)把叠加的矩阵对应到影像上去,识别结果为非河流,则把影像灰度值替换为0,识别结果为河流的影像灰度值不变。
(5)由于每个检测样本的识别结果不可能完全正确,对于识别错误的样本,从图像上看是零散的点,通过删除小面积区域图像的算法可以得到更清晰、更准确的河网。
(6)提取的河网与对应位置的***地图对比,以检测河网提取效果是否理想。
与现有技术相比,本发明的有益效果是:
(一)与普通的遥感影像相比,高分辨率遥感影像具有更高的分辨率,再结合深度学习方法,能够识别更细小的河流。
(二)与现有技术的单个像元点识别相比,以方形邻域为识别单元,能够从更大的范围综合考察,河流影像局部被遮挡如河流上的桥、河流影像局部不够清晰等不会影像识别结果。同理,也可以更好地识别非河流,减少干扰。
(三)与现有技术相比,应用以深度学习为主的人工智能方法,能够处理更大的数据量,更加智能化,不需要人为设置阈值,完全是自适应的,可以更好地识别河流,确保提取的河网更加真实、准确。
(四)与现有技术相比,增加了后处理技术,包括网格分割法、删除小面积区域,得到更加清晰、连续、精细的河网。
(五)与现有技术相比,河网提取不受平原、冻融、城市、山脉阴影的影响。
附图说明
图1为本发明方法的流程框图。
图2为网格分割法示意图;
其中,F1~F16分别表示本发明提出的网格分割法包括的16种分割方式;A表示待提取河网的遥感影像矩阵;A1x1为矩阵A的第1行第1列的元素,A1x16、A16x1、A16x16分别为矩阵A的第1行第16列、第16行第1列和第16行第16列的元素。
图3为本发明实施例中需要提取河网的高分二号遥感影像。
图4为本发明实施例中河网提取的结果。
图5为本发明实施例中河网提取对应位置的***地图。
具体实施方式
下面结合附图,通过实施例进一步描述本发明,但不以任何方式限制本发明的范围。
本发明提供一种基于深度学习和高分辨率遥感影像的河网提取方法,实现精细、连续地提取河网信息,提高河网信息提取准确性和提取结果的真实程度。
图1所示为本发明提出的基于深度学习和高分辨率遥感影像的河网提取方法的流程;具体实施步骤如下:
步骤1:获取高分二号遥感影像;确定每一景是作为训练样本还是作为检测样本。
获取多景高分二号多光谱遥感影像,作为训练样本的取材,多景遥感影像需要包含有河流、山脉、城市、农田、公路、铁路。另外还要获取至少一景遥感影像作为待提取河网的取材。使用高分二号的多光谱遥感影像,而不用全色影像。
步骤2:遥感影像预处理,包括正射校正处理和将第4-4-2波段组合成假彩色图,在ENVI软件下保存为tif格式,这样使得像元灰度值最大为255,并进一步归一化,归一化方法是每个像元的灰度值除以255。后续处理只采用第4波段和第2波段的影像;
步骤3:训练样本准备
(1)训练样本的输入
在遥感影像上,选取位于河流的点,包括大河流和细小河流。选取非河流的点,包括山脉、阴影、云、建筑、农田、公路、铁路等,记录样本点的横纵坐标。
在遥感影像上,以样本点的横纵坐标为中心,选取中心点的前7行到后8行、左7列到右8列构成一个16×16方形邻域,由于用了两个波段,因此每个样本为16×16×2张量,此为一个训练样本的输入数据。
(2)训练样本的输出
每个训练样本的输出为河流或者非河流,为二分类问题。把河流样本的输出记为[1 0],非河流样本的输出记为[0 1],
步骤4:检测样本准备
(1)检测样本的输入
选定待提取河网区域的遥感影像,采用网格分割法把影像分割为16×16×2张量,此为一个检测样本的输入数据。网格分割法包括16种分割方式。
(2)检测样本的输出
为了深度学习程序运行的需要,需准备好检测样本的输出,这里设定每一个检测样本的输出为[0 1]。
步骤5:建立深度学习模型
(1)模型的建立
应用TensorFlow框架,在Spyde软件下用python语言建立深度学习模型。深度学习模型的结构为1个输入层、1个卷积层、1个池化层、1个全连接层、1个输出层。
(2)模型的训练
把训练样本的输入、输出数据放入深度学习模型进行训练,并保存训练好的模型。
(3)模型的应用
读取保存的模型,把每一个检测样本的输入、输出数据放入训练好的模型进行识别,得到识别结果。
步骤6:生成河网
(1)对于每一种分割方法,把每一个检测样本的识别结果还原为16×16的矩阵,矩阵中的每个元素值与识别结果一致,要么都为0,要么都为1.
(2)对于每一种分割方法,把识别结果按分割时对应位置组合成完整的大矩阵。
(3)把不同分割方法得到的识别结果叠加,也就是大矩阵相加,矩阵中的元素只要大于0则替换为1。
(4)把叠加的矩阵对应到影像上去,识别结果为非河流则把影像灰度值替换为0,识别结果为河流的影像灰度值不变。
(5)由于每个检测样本的识别结果不可能完全正确,对于识别错误的样本,从图像上看是零散的点,通过删除小面积区域图像的算法可以得到更清晰、更准确的河网。
(6)提取的河网与对应位置的***地图对比,以检测河网提取效果是否理想。
实施例:
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
步骤1:获取高分二号遥感影像
高分二号遥感影像来源于水利部。
步骤2:遥感影像预处理
(1)在ENVI软件下,对每一景遥感影像做正射校正。
(2)在ENVI软件下,把经过正射校正后的影像的第4-4-2波段组合成假彩色图,保存为tif格式,这样使得像元灰度值最大为255,并进一步归一化,归一化方法是每个像元的灰度值除以255。后续处理只采用第4波段和第2波段的影像;
步骤3:训练样本准备
(1)在ENVI软件下打开遥感影像,选取位于河流的点,包括大河流的中心、大河流的边界和细小河流的中心,并在Excel里记录点的横纵坐标。本例中选取20000个河流样本点。
(2)在ENVI软件下打开遥感影像,选取非河流的点,包括山脉、阴影、云、建筑、农田、公路、铁路等,并在Excel里记录点的横纵坐标。本例中选取20000个非河流样本点。
(3)在Matlab软件下,选取第4和第2两个波段,以样本点的横纵坐标为中心生成16×16方形邻域矩阵,由于用了两个波段,因此每个样本为16×16×2张量,此为一个训练样本的输入数据。
(4)训练样本的输出,由于是二分类,因此把河流样本的输出记为[1 0],非河流样本的输出记为[0 1],在Matlab软件下生成所有训练样本的输出值。
步骤4:检测样本准备
(1)确定待提取河网区域的遥感影像作为研究对象,为了简化计算,本例从一景经过步骤2预处理的影像中截取一部分,这里选取1600×1600大小的影像,如图3。两条河流汇合点处的经纬度坐标,经度为114度28分52.91秒,维度为27度7分58.37秒。
(2)把1600×1600的影像分割成100×100=10000个检测样本,每个检测样本为16×16×2的张量。
(3)为了后面深度学习程序运行的需要,这里还需要准备好检测样本的输出,即生成10000行2列的矩阵,每一行为[0 1],只是为了程序运行的需要,并不代表实际意义。
(4)为了得到更加完整的河网,本发明对图像进行分割采用了多种分割方式,本发明称之为网格分割法,如图2采用了16种分割方式。如图2所示,每种分割方式以它的起始点命名,分别记为分割方式F1~F16。点F1~F16是待提取河网区域的遥感影像的第一个子矩阵进行4*4均分得到的16个元素。
对于本实施例中的1600×1600的矩阵,分割方式F1表示从点F1开始往下均等分割100行,每一行的宽度为16,从点F1开始往右均等分割100列,每一列的宽度为16。这样,分割方式F1得到100×100=10000个子矩阵,每个子矩阵的大小为16行16列的方阵,每个子矩阵为一个检测样本,于是每个检测样本为16×16×2的张量。分割方式F11为舍弃点F11所在行的上面所有行(子矩阵中的上7行),舍弃F11点所在列的左边所有列(子矩阵中的左7列),F11点所在行和列不舍弃,从点F11开始往下均等分割99行,每一行的宽度为16,从点F11开始往右均等分割99列,每一列的宽度为16。最后,舍弃最下面剩下的行和最右边剩下的列。这样,分割方式F11得到99×99=9801个子矩阵,每个子矩阵的大小为16行16列的方阵。其它分割方式同理类推。
步骤5:建立深度学习模型
(1)模型的建立
应用TensorFlow框架,在Spyde软件下用python语言建立深度学习模型。深度学习模型(具体实施采用卷积神经网络)的结构为1个输入层、1个卷积层、1个池化层、1个全连接层、1个输出层。
(2)模型的训练
把训练样本的输入、输出数据放入深度学习模型进行训练,总共训练30000次,每一次训练随机选取50个样本,训练结束后保存模型。
(3)模型的应用
读取保存的模型,把16种分割方式得到的检测样本的输入数据放入训练好的模型进行分类识别,输出结果为两个数值,分别代表该检测样本属于河流、非河流的概率,哪个概率大则说明该检测样本属于河流还是非河流,从而得到每一个检测样本的分类结果。为了下面生成河网描述的方便,把检测样本识别得到的结果为河流的记为1,为非河流的记为0。
步骤6:生成河网
(1)每一个检测样本得到的识别结果为1或者0。若为1,还原为16×16矩阵,矩阵的每个元素为1;若为0,还原为16×16的零矩阵。把识别结果按分割时对应位置组合成完整的大矩阵。
第1种分割方法F1组合成1600×1600的0、1矩阵,其余15种分割方法组合成(16×99)×(16×99)的0、1矩阵,根据分割时对应位置,用0填补四周的边界得到1600×1600的0、1矩阵。
从而每一种分割方法都得到一个相应的1600×1600的0、1矩阵。把16种分割方法得到的0、1矩阵叠加求和,矩阵中的元素只要大于0则替换为1,这样得到一个综合的1600×1600的0、1矩阵。根据经验,不一定要把16次的结果全部叠加,有时可能只用16个中的若干个效果更好。这一步可通过Matlab软件实现。
(2)把检测样本识别得到的综合的1600×1600的0、1矩阵与经过预处理后截取的1600×1600遥感影像进行对应,若对应位置为0,则把影像的灰度值替换为0;若为1,则影像的灰度值保持不变。
具体地,由于得到的综合的1600×1600的0、1矩阵与经过预处理后截取的1600×1600遥感影像矩阵大小一样,可通过矩阵的横纵坐标对应。对同样位置的两个矩阵里的元素进行对比,遥感影像的矩阵记为A,识别结果的0-1矩阵记为B,若B(i,j)=0,则A(i,j)=0;若B(i,j)不等于0,则A(i,j)保持不变。
由于识别结果可能不完全准确,对于识别错误的样本,从图像上看是零散的点,通过删除小面积区域图像的算法可以得到更好的河网图,最后保存为tif格式。这一步在Matlab软件下实现。
(3)在ENVI软件下打开提取的河网遥感影像,查看河网提取结果,如图4。
(4)根据检测样本的经纬度在***地图上查找到对应地理位置的地图,如图5,从图中可以看出,采用本发明提出的河网提取方法能够提取更加连续的河网,而且能够提取比目前国内***地图上显示的更加细小的河流。
需要注意的是,公布实施例的目的在于帮助进一步理解本发明,但是本领域的技术人员可以理解:在不脱离本发明及所附权利要求的精神和范围内,各种替换和修改都是可能的。因此,本发明不应局限于实施例所公开的内容,本发明要求保护的范围以权利要求书界定的范围为准。
Claims (10)
1.一种基于深度学习和高分辨率遥感影像的河网提取方法,包括如下步骤:
步骤1:获取多景高分二号多光谱遥感影像,将遥感影像分为训练样本和检测样本;
所述高分二号多光谱遥感影像的第1、2、3、4波段的光谱范围分别为0.45-0.52μm,0.52-0.59μm,0.63-0.69μm,0.77-0.89μm;
步骤2:遥感影像预处理,包括正射校正处理和将第4-4-2波段组合成假彩色图,并进一步归一化,后续处理只采用第4波段和第2波段的影像;
步骤3:训练样本准备;
31)获取训练样本点,作为模型输入;执行如下操作:
在训练样本遥感影像上,选取河流样本点和非河流样本点作为训练样本点,记录训练样本点的横坐标和纵坐标;
在遥感影像上,以训练样本点的横坐标和纵坐标为中心,选取中心点的前m/2-1行到后m/2行、左m/2-1列到右m/2列,构成一个m×m方形邻域,其中m属于正整数且为偶数;采用影像第4波段和第2波段,所述m×m方形邻域为m×m×2张量,作为一个训练样本;
32)设置模型输出;
每个训练样本的识别结果为河流或非河流,输出结果为两个数值,分别代表该样本属于河流与属于非河流的概率;将河流样本的输出记为[1 0],非河流样本的输出记为[0 1];
33)建立深度学习模型,将训练样本输入深度学习模型进行分类训练,得到训练好的深度学习模型;
步骤4:检测样本准备;
41)获取至少一景遥感影像作为待提取河网区域的遥感影像,检测样本由待提取河网区域的遥感影像通过网格分割法分割得到;所述网格分割法采用多种分割方式,将影像分割为多个大小为m行m列的子矩阵,得到多个m×m×2张量;将每个m×m×2张量作为一个检测样本;
42)通过训练好的模型进行分类识别;
将每一个检测样本数据放入训练好的模型进行分类识别,得到识别结果,由此识别得到河流或非河流,表示为1或0;
步骤5:生成河网,执行如下操作:
51)把每一个检测样本的识别结果还原为m×m的矩阵,矩阵中的每个元素值与识别结果一致,属于河流分类的矩阵元素值均为1,属于非河流分类的矩阵元素值均为0;
52)针对每一种分割方式,将识别结果按分割时的对应位置进行组合,得到组合后的完整大矩阵;
53)将不同分割方式得到的组合后的大矩阵相加,得到叠加矩阵;若叠加矩阵中的元素值大于0,则该元素取值替换为1;
54)把叠加矩阵对应到影像;若识别结果为非河流,则将影像灰度值替换为0;若识别结果为河流,影像灰度值不变;由此得到河网显示图像;
通过上述步骤,实现基于深度学习和高分辨率遥感影像提取河网并显示。
2.如权利要求1所述的河网提取方法,其特征是,针对步骤54)得到的河网显示图像,通过删除小面积区域图像的算法删除图像中零散的点,用于去除识别错误的样本。
3.如权利要求1所述的河网提取方法,其特征是,步骤2)具体将假彩色图在ENVI软件下保存为tif格式,使得像元灰度值最大为255,并进一步通过将每个像元的灰度值除以255进行归一化。
4.如权利要求1所述的河网提取方法,其特征是,步骤31)在训练样本遥感影像上获取训练样本点,所述河流样本点具体选取位于河流上的点得到;河流包括大河流和细小河流;大河流样本点包括位于河流中心的样本点和位于河流边界且属于河流的样本点;所述非河流样本点包括远离水体的山脉、阴影、云、建筑、农田、公路、铁路的样本点。
5.如权利要求1所述的河网提取方法,其特征是,优选地,步骤31)以训练样本点的横坐标和纵坐标为中心,选取中心点的前7行到后8行、左7列到右8列构成一个16×16方形邻域,每个训练样本为一个16×16×2张量;步骤41)将待提取河网区域的遥感影像分割为多个大小为16行16列的子矩阵,得到多个16×16×2张量;将每个16×16×2张量作为一个检测样本;步骤51)将每一个检测样本的识别结果还原为16×16的矩阵。
6.如权利要求1所述的河网提取方法,其特征是,步骤31)建立深度学习模型,具体应用TensorFlow框架和Spyde软件,应用python语言实现;所述深度学习模型的结构包括输入层、卷积层、池化层、全连接层和输出层。
7.如权利要求1所述的河网提取方法,其特征是,步骤41)通过网格分割法获取检测样本,所述网格分割法包括16种分割方式。
8.如权利要求7所述的河网提取方法,其特征是,所述16种分割方式记为F1~F16;分割方式F1具体为:假定遥感影像数据为n行n列的方阵,n=km,n,k,m都属于正整数,从点F1开始往下均等分割k行,每一行的宽度为m,从点F1开始往右均等分割k列,每一列的宽度为m;得到k*k个子矩阵,每个子矩阵的大小为m行m列的方阵,每个子矩阵为一个检测样本;
点F1~F16是待提取河网区域的遥感影像的第一个子矩阵再进行4*4均分得到的16个元素。
9.如权利要求8所述的河网提取方法,其特征是,分割方式F11为舍弃点F11所在行的上面所有行,舍弃F11点所在列的左边所有列;从点F11所在行和列开始往下均等分割k-1行,每一行的宽度为m,从点F11开始往右均等分割k-1列,每一列的宽度为m;最后,舍弃最下面剩下的行和最右边剩下的列;由此得到(k-1)×(k-1)个子矩阵,每个子矩阵的大小为m行m列的方阵。
10.如权利要求7所述的河网提取方法,其特征是,分割方式F1具体为:从点F1开始往下均等分割100行,每一行的宽度为16,从点F1开始往右均等分割100列,每一列的宽度为16;得到10000个子矩阵,每个子矩阵的大小为16行16列的方阵,每个子矩阵为一个检测样本;分割方式F11为舍弃点F11所在行的上面所有行,舍弃F11点所在列的左边所有列;从点F11所在行和列开始往下均等分割99行,每一行的宽度为16,从点F11开始往右均等分割99列,每一列的宽度为16;最后,舍弃最下面剩下的行和最右边剩下的列;由此得到99×99=9801个子矩阵,每个子矩阵的大小为16行16列的方阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810234115.5A CN110298211B (zh) | 2018-03-21 | 2018-03-21 | 一种基于深度学习和高分辨率遥感影像的河网提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810234115.5A CN110298211B (zh) | 2018-03-21 | 2018-03-21 | 一种基于深度学习和高分辨率遥感影像的河网提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110298211A true CN110298211A (zh) | 2019-10-01 |
CN110298211B CN110298211B (zh) | 2021-03-23 |
Family
ID=68025336
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810234115.5A Active CN110298211B (zh) | 2018-03-21 | 2018-03-21 | 一种基于深度学习和高分辨率遥感影像的河网提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110298211B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110992330A (zh) * | 2019-11-28 | 2020-04-10 | 桂林理工大学 | 人工阴影驱动下多层次整体松弛匹配的高分辨率正射影像阴影检测 |
CN111178230A (zh) * | 2019-12-26 | 2020-05-19 | 武汉大学 | 一种遥感影像内河洲滩智能化提取方法 |
CN111738168A (zh) * | 2020-06-24 | 2020-10-02 | 中水北方勘测设计研究有限责任公司 | 基于深度学习的卫星影像河流两侧采砂提取方法及*** |
CN112084843A (zh) * | 2020-07-28 | 2020-12-15 | 北京工业大学 | 一种基于半监督学习的多光谱河道遥感监测方法 |
CN112785521A (zh) * | 2021-01-19 | 2021-05-11 | 澜途集思生态科技集团有限公司 | 一种雾霾条件下的遥感影像处理方法 |
CN113033386A (zh) * | 2021-03-23 | 2021-06-25 | 广东电网有限责任公司广州供电局 | 一种基于高分辨率遥感影像的输电线路通道隐患识别方法及*** |
CN113888670A (zh) * | 2021-10-18 | 2022-01-04 | 珠江水利委员会珠江水利科学研究院 | 一种基于深度学习生成单向河道高精度二维地形的方法 |
CN114155253A (zh) * | 2021-12-09 | 2022-03-08 | 电子科技大学 | 一种基于遥感影像分割的狭长条带状要素断裂的连接方法 |
CN116630811A (zh) * | 2023-06-07 | 2023-08-22 | 自然资源部国土卫星遥感应用中心 | 一种河流提取方法、装置、终端设备和可读存储介质 |
CN117392539A (zh) * | 2023-10-13 | 2024-01-12 | 哈尔滨师范大学 | 一种基于深度学习的河流水体识别方法、电子设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855490A (zh) * | 2012-07-23 | 2013-01-02 | 黑龙江工程学院 | 高分辨率遥感影像面向对象神经网络分类方法 |
CN104462494A (zh) * | 2014-12-22 | 2015-03-25 | 武汉大学 | 一种基于无监督特征学习的遥感图像检索方法及*** |
CN105303198A (zh) * | 2015-11-17 | 2016-02-03 | 福州大学 | 一种自定步长学习的遥感影像半监督分类方法 |
CN106127784A (zh) * | 2016-07-01 | 2016-11-16 | 辽宁工程技术大学 | 一种高分辨率遥感影像分割方法 |
CN106991411A (zh) * | 2017-04-17 | 2017-07-28 | 中国科学院电子学研究所 | 基于深度形状先验的遥感图像目标精细化提取方法 |
US20170293825A1 (en) * | 2016-04-08 | 2017-10-12 | Wuhan University | Method and system for reconstructing super-resolution image |
CN107247938A (zh) * | 2017-06-08 | 2017-10-13 | 中国科学院遥感与数字地球研究所 | 一种高分辨率遥感影像城市建筑物功能分类的方法 |
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 |
CN107688818A (zh) * | 2016-08-05 | 2018-02-13 | 中国电力科学研究院 | 一种基于卫星遥感影像特征分析的路径智能选择方法及*** |
CN107729922A (zh) * | 2017-09-20 | 2018-02-23 | 千寻位置网络有限公司 | 基于深度学习超分辨率技术的遥感图像道路提取方法 |
-
2018
- 2018-03-21 CN CN201810234115.5A patent/CN110298211B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855490A (zh) * | 2012-07-23 | 2013-01-02 | 黑龙江工程学院 | 高分辨率遥感影像面向对象神经网络分类方法 |
CN104462494A (zh) * | 2014-12-22 | 2015-03-25 | 武汉大学 | 一种基于无监督特征学习的遥感图像检索方法及*** |
CN105303198A (zh) * | 2015-11-17 | 2016-02-03 | 福州大学 | 一种自定步长学习的遥感影像半监督分类方法 |
US20170293825A1 (en) * | 2016-04-08 | 2017-10-12 | Wuhan University | Method and system for reconstructing super-resolution image |
CN106127784A (zh) * | 2016-07-01 | 2016-11-16 | 辽宁工程技术大学 | 一种高分辨率遥感影像分割方法 |
CN107688818A (zh) * | 2016-08-05 | 2018-02-13 | 中国电力科学研究院 | 一种基于卫星遥感影像特征分析的路径智能选择方法及*** |
CN106991411A (zh) * | 2017-04-17 | 2017-07-28 | 中国科学院电子学研究所 | 基于深度形状先验的遥感图像目标精细化提取方法 |
CN107247938A (zh) * | 2017-06-08 | 2017-10-13 | 中国科学院遥感与数字地球研究所 | 一种高分辨率遥感影像城市建筑物功能分类的方法 |
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 |
CN107729922A (zh) * | 2017-09-20 | 2018-02-23 | 千寻位置网络有限公司 | 基于深度学习超分辨率技术的遥感图像道路提取方法 |
Non-Patent Citations (2)
Title |
---|
刘扬 等: "高分辨率遥感影像目标分类与识别研究进展", 《地球信息科学学报》 * |
杜培军 等: "高光谱遥感影像分类研究进展", 《遥感学报》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110992330A (zh) * | 2019-11-28 | 2020-04-10 | 桂林理工大学 | 人工阴影驱动下多层次整体松弛匹配的高分辨率正射影像阴影检测 |
CN111178230A (zh) * | 2019-12-26 | 2020-05-19 | 武汉大学 | 一种遥感影像内河洲滩智能化提取方法 |
CN111738168A (zh) * | 2020-06-24 | 2020-10-02 | 中水北方勘测设计研究有限责任公司 | 基于深度学习的卫星影像河流两侧采砂提取方法及*** |
CN111738168B (zh) * | 2020-06-24 | 2024-07-16 | 中水北方勘测设计研究有限责任公司 | 基于深度学习的卫星影像河流两侧采砂提取方法及*** |
CN112084843A (zh) * | 2020-07-28 | 2020-12-15 | 北京工业大学 | 一种基于半监督学习的多光谱河道遥感监测方法 |
CN112084843B (zh) * | 2020-07-28 | 2024-03-12 | 北京工业大学 | 一种基于半监督学习的多光谱河道遥感监测方法 |
CN112785521A (zh) * | 2021-01-19 | 2021-05-11 | 澜途集思生态科技集团有限公司 | 一种雾霾条件下的遥感影像处理方法 |
CN113033386A (zh) * | 2021-03-23 | 2021-06-25 | 广东电网有限责任公司广州供电局 | 一种基于高分辨率遥感影像的输电线路通道隐患识别方法及*** |
CN113888670B (zh) * | 2021-10-18 | 2022-05-20 | 珠江水利委员会珠江水利科学研究院 | 一种基于深度学习生成单向河道高精度二维地形的方法 |
CN113888670A (zh) * | 2021-10-18 | 2022-01-04 | 珠江水利委员会珠江水利科学研究院 | 一种基于深度学习生成单向河道高精度二维地形的方法 |
CN114155253B (zh) * | 2021-12-09 | 2023-04-07 | 电子科技大学 | 一种基于遥感影像分割的狭长条带状要素断裂的连接方法 |
CN114155253A (zh) * | 2021-12-09 | 2022-03-08 | 电子科技大学 | 一种基于遥感影像分割的狭长条带状要素断裂的连接方法 |
CN116630811A (zh) * | 2023-06-07 | 2023-08-22 | 自然资源部国土卫星遥感应用中心 | 一种河流提取方法、装置、终端设备和可读存储介质 |
CN116630811B (zh) * | 2023-06-07 | 2024-01-02 | 自然资源部国土卫星遥感应用中心 | 一种河流提取方法、装置、终端设备和可读存储介质 |
CN117392539A (zh) * | 2023-10-13 | 2024-01-12 | 哈尔滨师范大学 | 一种基于深度学习的河流水体识别方法、电子设备及存储介质 |
CN117392539B (zh) * | 2023-10-13 | 2024-04-09 | 哈尔滨师范大学 | 一种基于深度学习的河流水体识别方法、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110298211B (zh) | 2021-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110298211A (zh) | 一种基于深度学习和高分辨率遥感影像的河网提取方法 | |
Jia et al. | Spectral matching based on discrete particle swarm optimization: A new method for terrestrial water body extraction using multi-temporal Landsat 8 images | |
CN109934200B (zh) | 一种基于改进M-Net的RGB彩色遥感图像云检测方法及*** | |
Fang et al. | Recognizing global reservoirs from Landsat 8 images: A deep learning approach | |
CN111881816A (zh) | 一种长时序的河湖围埂养殖区域监测方法 | |
Verhulp et al. | Transferability of decision trees for land cover classification in a heterogeneous area | |
Liu et al. | Vietnam wetland cover map: using hydro-periods Sentinel-2 images and Google Earth Engine to explore the mapping method of tropical wetland | |
CN116012723A (zh) | 基于时序遥感影像的湿地类型提取方法、装置及电子设备 | |
Parajuli et al. | Attentional dense convolutional neural network for water body extraction from sentinel-2 images | |
Sahu et al. | Conceptual framework of combined pixel and object-based method for delineation of debris-covered glaciers | |
Liu et al. | Environment monitoring of Shanghai Nanhui intertidal zone with dual-polarimetric SAR data based on deep learning | |
He et al. | Object‐Based Distinction between Building Shadow and Water in High‐Resolution Imagery Using Fuzzy‐Rule Classification and Artificial Bee Colony Optimization | |
Zhang | A time-series approach to detect urbanized areas using biophysical indicators and landsat satellite imagery | |
Huang et al. | An improved deep learning approach for retrieving outfalls into rivers from UAS imagery | |
Li et al. | Characterizing ancient channel of the yellow river from spaceborne sar: Case study of chinese gaofen-3 satellite | |
Dibs et al. | Detection wetland dehydration extent with multi-temporal remotely sensed data using remote sensing analysis and GIS techniques | |
Lv et al. | pyShore: A deep learning toolkit for shoreline structure mapping with high-resolution orthographic imagery and convolutional neural networks | |
Qi et al. | An adaptive threshold selected method from remote sensing image based on water index | |
CN116503755A (zh) | 一种基于云平台和深度学习的岸线遥感自动识别分析方法 | |
Hao et al. | A subpixel mapping method for urban land use by reducing shadow effects | |
Khan et al. | Analyzing the land cover change and degradation in Sundarbans mangrove forest using machine learning and remote sensing technique | |
Hidayat et al. | GEOBIA an (geographic) object-based image analysis for coastal mapping in Indonesia: A review | |
Boussetta et al. | Deep and machine learning methods for the (semi-) automatic extraction of sandy shoreline and erosion risk assessment basing on remote sensing data (case of Jerba island-Tunisia) | |
Duplančić Leder et al. | Application of satellite imagery and water indices to the hydrography of the Cetina River Basin (Middle Adriatic) | |
Sekertekin | Mapping of surface water resources: a comparative analysis of eight image classification methods |
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 |