CN111428781A - 遥感影像地物分类方法及*** - Google Patents

遥感影像地物分类方法及*** Download PDF

Info

Publication number
CN111428781A
CN111428781A CN202010201027.2A CN202010201027A CN111428781A CN 111428781 A CN111428781 A CN 111428781A CN 202010201027 A CN202010201027 A CN 202010201027A CN 111428781 A CN111428781 A CN 111428781A
Authority
CN
China
Prior art keywords
remote sensing
sensing image
network model
green
constructing
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
Application number
CN202010201027.2A
Other languages
English (en)
Inventor
徐文娜
陈劲松
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.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
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 Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN202010201027.2A priority Critical patent/CN111428781A/zh
Publication of CN111428781A publication Critical patent/CN111428781A/zh
Priority to PCT/CN2020/140266 priority patent/WO2021184891A1/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种遥感影像地物分类方法，包括：对遥感影像进行预处理；对经过预处理的遥感影像选择红绿蓝波段、近红外和红绿波段、全波段的数据集并进行图像裁剪，构建训练集和测试集；提出端到端算法框架，构建网络模型；将上述训练集输入上述构建的网络模型进行训练，得到网络参数模型，以便使用得到的网络参数模型对遥感影像进行地物分类。本发明还涉及一种遥感影像地物分类***。本发明不需要进行遥感影像融合，能够改善卷积神经网络中高分辨率信息丢失问题，更好地对遥感影像中的细节信息进行分类，使得地物分类结果的细节更精确，边缘信息更丰富，总体分类精度更高。

Description

遥感影像地物分类方法及***
技术领域
本发明涉及一种遥感影像地物分类方法及***。
背景技术
遥感影像中有着大量的细节信息(边缘信息、梯度信息、小目标等)，由于遥感影像分辨率有限，在地物分类过程中这些细节信息很难被提取和分类，使得最终的分类结果细节丢失严重，地物边缘模糊失真，也影响了最终的地物分类精度。影像中细节信息精确分类要求遥感影像能提供更多的高分辨率信息，而影像中普通地物的提取为了更高的提取效率要求影像具有较大的幅宽，对分辨率要求不高，同时不同分辨率遥感影像由于传感器不同出现融合困难。
近年来，深度学习在遥感影像地物分类领域发展迅速，主要采用的有图片级分类和像素级分类两种方法。
1)在图片级分类算法领域，该方法以单个图像为判别单元，每个图像只能包含一种地物类别，通过卷积神经网络对图像的整体特征进行学习。这类算法的核心是图像的识别，通过将整幅影像切割成包含单一地物的若干子影像后，分别对子影像中的地物进行识别。这种方法的缺点是无法给出像素级的分类结果，对于细节信息分类不准的问题解决不足。
2)在像素级分类算法领域，以每个像素为判别单元，采用的全卷积网络去掉了卷积神经网络中的全连接层，换成了1*1卷积层，来实现端到端(像素到像素)的分类方法。这种替换保留了图像内容的空间信息，解除了卷积神经网络对输入图像大小的限制，同时大大减少了模型参数量，提高了算法效率。其中具有代表性的有，Jamie Sherrah提出了一种不带下采样层的FCN算法，在ISPRS数据集中实现了89.1％的总体精度。Marmanis等人设计了一个像素级分割架构，合成FCN和反卷积网络，并将CRF应用于后处理以进行细化，在基于ISPRS Vaihingen数据集标签的人工数据集中取得了88.5％的总体精度。Chen等人采用叠加策略对FCN的分段结果进行后处理，相比传统的FCN-8和SegNet模型具有更高的精度。
然而，在将像素级分类算法应用到遥感影像耕地提取过程中，为了获取不同尺度区域特征，深度卷积网络往往需要将高分辨率图像转化为低分辨率图像(polling)，来提取抽象不同尺度的语义信息作为特征用于后续分类。而重采样是常用的方式之一，这个过程进一步造成图像细节信息(边缘信息，梯度信息或高频噪声信号等)的丢失，使得地物分类结果边缘模糊，细节不够丰富准确，并影响最终的分类精度。
综上所述，现有技术的缺点主要有：遥感影像上细节信息和普通地物信息对遥感影像分辨率要求不同，不同分辨率遥感影像由于传感器不同融合困难；传统遥感影像分类算法依赖于特征提取，不适用于处理大规模遥感影像；端到端方法中，卷积神经网络的下采样过程导致高分辨率信息丢失，更不利于细节信息分类。
发明内容
有鉴于此，有必要提供一种遥感影像地物分类方法及***。
本发明提供一种遥感影像地物分类方法，该方法包括如下步骤：a.对遥感影像进行预处理；b.对经过预处理的遥感影像选择红绿蓝波段、近红外和红绿波段、全波段的数据集并进行图像裁剪，构建训练集和测试集；c.提出端到端算法框架，构建网络模型；d.将上述训练集输入上述构建的网络模型进行训练，得到网络参数模型，以便使用得到的网络参数模型对遥感影像进行地物分类。
其中，该方法还包括步骤：将测试集输入上述构建的网络模型，评价分类结果。
所述的步骤a具体包括：利用arcgis和ENVI对所述遥感影像进行辐射校正和空间域增强处理滤波。
所述的步骤b具体包括如下步骤：选择所述遥感影像的红绿蓝波段、近红外和红绿波段、全波段的数据，分别构建相应的三个数据集，并将构建数据集后的遥感影像分别剪成256像素*256像素的多个块状图像，获取裁剪后的上述三个数据集，并将每个数据集按照4:1的比例随机分成训练集和测试集。
所述的网络模型包括：
进行特征提取的卷积层模块；
得到多尺度特征的下采样层模块；
恢复各尺度特征信息的上采样层模块；
保留各尺度特征的连续并行多分辨率子网；
以及从低分辨率信息中恢复高分辨率信息的重复多尺度融合模块。
本发明提供一种遥感影像地物分类***，该***包括预处理单元、训练集测试集构建单元、网络模型构建单元、网络模型训练单元，其中：所述预处理单元用于对遥感影像进行预处理；所述训练集测试集构建单元用于对经过预处理的遥感影像选择红绿蓝波段、近红外和红绿波段、全波段的数据集并进行图像裁剪，构建训练集和测试集；所述网络模型构建单元用于提出端到端算法框架，构建网络模型；所述网络模型训练单元用于将上述训练集输入上述构建的网络模型进行训练，得到网络参数模型，以便使用得到的网络参数模型对遥感影像进行地物分类。
其中，所述***还包括：网络模型测试单元，用于将测试集输入上述构建的网络模型，评价分类结果。
所述的预处理单元具体用于：利用arcgis和ENVI对所述遥感影像进行辐射校正和空间域增强处理滤波。
所述的训练集测试集构建单元具体用于：选择所述遥感影像的红绿蓝波段、近红外和红绿波段、全波段的数据，分别构建相应的三个数据集，并将构建数据集后的遥感影像分别剪成256像素*256像素的多个块状图像，获取裁剪后的上述三个数据集，并将每个数据集按照4:1的比例随机分成训练集和测试集。
所述的网络模型包括：
进行特征提取的卷积层模块；
得到多尺度特征的下采样层模块；
恢复各尺度特征信息的上采样层模块；
保留各尺度特征的连续并行多分辨率子网；
以及从低分辨率信息中恢复高分辨率信息的重复多尺度融合模块。
本发明遥感影像地物分类方法及***，不需要进行遥感影像融合，基于多尺度特征的端到端方法，亦适用于处理大规模遥感影像，能够改善卷积神经网络中高分辨率信息丢失问题，更好地对遥感影像中的细节信息进行分类。与现有方法相比，如相比随机森林方法和U-Net算法，本申请能够保持住更多的遥感影像细节信息，使得地物分类结果的细节更精确，边缘信息更丰富，总体分类精度更高。
附图说明
图1为本发明遥感影像地物分类方法的流程图；
图2为本发明实施例提供的基于端到端算法框架构建的网络模型结构示意图；
图3为传统的U-Net全卷积网络结构示意图；
图4为本发明遥感影像地物分类***的硬件架构图；
图5为本发明实施例一各数据集三种方法结果细节分类效果对比示意图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细的说明。
参阅图1所示，是本发明遥感影像地物分类方法较佳实施例的作业流程图。
步骤S1，对遥感影像进行预处理。具体而言：
下载Landset遥感影像，利用arcgis和ENVI对所述遥感影像进行辐射校正和空间域增强处理滤波。
步骤S2，对经过预处理的遥感影像选择特定波段数据集并进行图像裁剪，构建训练集和测试集。具体而言：
选择所述遥感影像的红绿蓝波段、近红外和红绿波段、全波段的数据，分别构建相应的三个数据集，并将构建数据集后的遥感影像分别剪成256像素*256像素的多个块状图像，获取裁剪后的上述三个数据集，并将每个数据集按照4:1的比例随机分成训练集和测试集。
本实施例中裁剪的作用是因为原影像太大，裁剪可以使得训练更快，本实施例直接在构建数据集后的遥感影像上随机采样得到256像素*256像素的块状图像。
步骤S3，提出端到端算法框架，构建网络模型。具体而言：
本实施例的网络模型基于PyTorch深度学习框架构建，使用的硬件为TitanX GPU。
本发明构建的网络模型，相比于卷积神经网络，去掉了全连接层，主要网络结构(请参阅图2)包括卷积层模块、下采样层模块、上采样层模块、连续并行多分辨率子网以及重复多尺度融合模块。
具体内容如下：
(1)卷积层模块，进行特征提取；
卷积层模块的作用主要是进行特征提取。不同特征图中间均包含卷积层模块，每个卷积层模块由两层卷积核为3*3的卷积层组成，后接relu激活函数。
(2)下采样层模块，得到多尺度特征；
本实施例利用步长为2的卷积层模块替代U-Net全卷积网络的池化层进行下采样，在得到多尺度特征时，减少高分辨率信息的丢失。其中，所述卷积层模块由两个卷积核为3*3的卷积构成。
(3)上采样层模块，恢复各尺度特征信息；
利用反卷积方法，把特征图从最低分辨率层逐步恢复成输入图片大小，得到多尺度特征以及和输入图片同样大小的分类结果图。
(4)连续并行多分辨率子网，保留各尺度特征；
本实施例包含5层不同分辨率层，相比于U-Net全卷积网络(请参阅图3)简单的利用跳跃连接融合原始分辨率特征图和上采样后得到的特征图(如图3中横向虚线箭头所示)，本实施例在每个分辨率层全程保留相应分辨率信息，连续并行多分辨率子网可以更好地保持细节信息(如图2横向箭头所示)。
(5)重复多尺度融合模块，尽可能多的从低分辨率信息中恢复高分辨率信息。
本实施例的结构图中，网络***的斜向下箭头主要作用是产生不同分辨率层，内部的斜向上箭头则主要是进行多尺度融合，尽可能多的从低分辨率信息中恢复高分辨率信息，进一步保持遥感影像地物细节信息。
步骤S4，将上述训练集输入上述构建的网络模型进行训练，得到网络参数模型，，以便使用得到的网络参数模型对遥感影像进行地物分类。具体而言：
将建好的训练集输入搭建好的网络模型，设定学习率为0.0001、迭代次数为200个epoch等超参数，设置用于优化网络参数的损失函数，根据训练的损失曲线调整训练过程，最终得到训练好的网络参数模型。
其中，所述网络参数模型包括步骤S3构建的网络模型的具体设定参数。
步骤S5：将测试集输入上述构建的网络模型，评价分类结果。
具体包括：
将上述构建的测试集输入上述训练好的网络参数模型，得到测试集图像的分类结果，对本实施例提出的网络结构进行定量和定性评价。
定量评价使用整体精度、Kappa系数以及F1-score来评价分类精度；定性评价通过分类结果图评估细节分类效果。
参阅图4所示，是本发明遥感影像地物分类***10的硬件架构图。该***包括：预处理单元101、训练集测试集构建单元102、网络模型构建单元103、网络模型训练单元104以及网络模型测试单元105。
所述预处理单元101用于对遥感影像进行预处理。具体而言：
所述预处理单元101下载Landset遥感影像，利用arcgis和ENVI对所述遥感影像进行辐射校正和空间域增强处理滤波。
所述训练集测试集构建单元102用于对经过预处理的遥感影像选择特定波段数据集并进行图像裁剪，构建训练集和测试集。具体而言：
所述训练集测试集构建单元102选择所述遥感影像的红绿蓝波段，近红外和红绿波段，以及全波段的数据，分别构建相应的三个数据集，并将构建数据集后的遥感影像分别剪成256像素*256像素的多个块状图像，获取裁剪后的上述三个数据集，并将每个数据集按照4:1的比例随机分成训练集和测试集。
本实施例中裁剪的作用是因为原影像太大，裁剪可以使得训练更快，本实施例直接在构建数据集后的遥感影像上随机采样得到256像素*256像素的块状图像。
所述网络模型构建单元103用于提出端到端算法框架，构建网络模型。具体而言：
本实施例的网络模型基于PyTorch深度学习框架构建，使用的硬件为TitanX GPU。
本发明构建的网络模型，相比于卷积神经网络，去掉了全连接层，主要网络结构(请参阅图2)包括卷积层模块、下采样层模块、上采样层模块、连续并行多分辨率子网以及重复多尺度融合模块。
具体内容如下：
(1)卷积层模块，进行特征提取；
卷积层模块的作用主要是进行特征提取。不同特征图中间均包含卷积层模块，每个卷积层模块由两层卷积核为3*3的卷积层组成，后接relu激活函数。
(2)下采样层模块，得到多尺度特征；
本实施例利用步长为2的卷积层模块替代U-Net全卷积网络的池化层进行下采样，在得到多尺度特征时，减少高分辨率信息的丢失。其中，所述卷积层模块由两个卷积核为3*3的卷积构成。
(3)上采样层模块，恢复各尺度特征信息；
利用反卷积方法，把特征图从最低分辨率层逐步恢复成输入图片大小，得到多尺度特征以及和输入图片同样大小的分类结果图。
(4)连续并行多分辨率子网，保留各尺度特征；
本实施例包含5层不同分辨率层，相比于U-Net全卷积网络(请参阅图3)简单的利用跳跃连接融合原始分辨率特征图和上采样后得到的特征图(如图3中横向虚线箭头所示)，本实施例在每个分辨率层全程保留相应分辨率信息，连续并行多分辨率子网可以更好地保持细节信息(如图2横向箭头所示)。
(5)重复多尺度融合模块，尽可能多的从低分辨率信息中恢复高分辨率信息。
本实施例的结构图中，网络***的斜向下箭头主要作用是产生不同分辨率层，内部的斜向上箭头则主要是进行多尺度融合，尽可能多的从低分辨率信息中恢复高分辨率信息，进一步保持遥感影像地物细节信息。
所述网络模型训练单元104用于将上述训练集输入上述构建的网络模型进行训练，得到网络参数模型。具体而言：
将建好的训练集输入搭建好的网络模型，设定学习率为0.0001、迭代次数为200个epoch等超参数，设置用于优化网络参数的损失函数，根据训练的损失曲线调整训练过程，最终得到训练好的网络参数模型。
其中，所述网络参数模型包括述网络模型构建单元103构建的网络模型的具体设定参数。
所述网络模型测试单元105用于将测试集输入上述构建的网络模型，评价分类结果。具体包括：
将上述构建的测试集输入上述训练好的网络参数模型，得到测试集图像的提取结果，对本实施例提出的网络结构进行定量和定性评价。
定量评价使用整体精度、Kappa系数以及F1-score来评价分类精度；定性评价通过分类结果图评估细节分类效果。
本申请实施例一测试结果：
利用Landset影像构成的三个训练集分别对本申请提出的网络模型进行训练，使用测试集进行了测试，同时与随机森林、U-Net全卷积网络的结果进行了对比：
(1)分类精度更高
如表1所示，具体采用了整体精度(Acc.)，kappa系数(K)以及F1-Score(F1)作为评价指标，本申请在三个数据集(TMall，TMnrg，TMnrg)中，采用的三个评价指标均高于随机森林和U-Net算法。
Figure BDA0002419385200000111
(2)细节信息更为丰富准确
如图5所示，分别从三个数据集(TMall，TMnrg，TMnrg)中选取了两张图片，(a)列为原始输入图像，(b)列为参考标签，(c)列为本发明方法结果，(d)列为U-Net方法结果。可以看出相比于U-Net全卷积网络，本申请的结果细节更加精确，边缘信息也更为丰富准确。
虽然本发明参照当前的较佳实施方式进行了描述，但本领域的技术人员应能理解，上述较佳实施方式仅用来说明本发明，并非用来限定本发明的保护范围，任何在本发明的精神和原则范围之内，所做的任何修饰、等效替换、改进等，均应包含在本发明的权利保护范围之内。

Claims (10)

1.一种遥感影像地物分类方法，其特征在于，该方法包括如下步骤：
a.对遥感影像进行预处理；
b.对经过预处理的遥感影像选择红绿蓝波段、近红外和红绿波段、全波段的数据集并进行图像裁剪，构建训练集和测试集；
c.提出端到端算法框架，构建网络模型；
d.将上述训练集输入上述构建的网络模型进行训练，得到网络参数模型，以便使用得到的网络参数模型对遥感影像进行地物分类。
2.如权利要求1所述的方法，其特征在于，该方法还包括步骤：
将测试集输入上述构建的网络模型，评价分类结果。
3.如权利要求1所述的方法，其特征在于，所述的步骤a具体包括：
利用arcgis和ENVI对所述遥感影像进行辐射校正和空间域增强处理滤波。
4.如权利要求3所述的方法，其特征在于，所述的步骤b具体包括如下步骤：
选择所述遥感影像的红绿蓝波段、近红外和红绿波段、全波段的数据，分别构建相应的三个数据集，并将构建数据集后的遥感影像分别剪成256像素*256像素的多个块状图像，获取裁剪后的上述三个数据集，并将每个数据集按照4:1的比例随机分成训练集和测试集。
5.如权利要求4所述的方法，其特征在于，所述的网络模型包括：
进行特征提取的卷积层模块；
得到多尺度特征的下采样层模块；
恢复各尺度特征信息的上采样层模块；
保留各尺度特征的连续并行多分辨率子网；
以及从低分辨率信息中恢复高分辨率信息的重复多尺度融合模块。
6.一种遥感影像地物分类***，其特征在于，该***包括预处理单元、训练集测试集构建单元、网络模型构建单元、网络模型训练单元，其中：
所述预处理单元用于对遥感影像进行预处理；
所述训练集测试集构建单元用于对经过预处理的遥感影像选择红绿蓝波段、近红外和红绿波段、全波段的数据集并进行图像裁剪，构建训练集和测试集；
所述网络模型构建单元用于提出端到端算法框架，构建网络模型；
所述网络模型训练单元用于将上述训练集输入上述构建的网络模型进行训练，得到网络参数模型，以便使用得到的网络参数模型对遥感影像进行地物分类。
7.如权利要求6所述的***，其特征在于，所述***还包括：
网络模型测试单元，用于将测试集输入上述构建的网络模型，评价分类结果。
8.如权利要求7所述的***，其特征在于，所述的预处理单元具体用于：
利用arcgis和ENVI对所述遥感影像进行辐射校正和空间域增强处理滤波。
9.如权利要求8所述的***，其特征在于，所述的训练集测试集构建单元具体用于：
选择所述遥感影像的红绿蓝波段、近红外和红绿波段、全波段的数据，分别构建相应的三个数据集，并将构建数据集后的遥感影像分别剪成256像素*256像素的多个块状图像，获取裁剪后的上述三个数据集，并将每个数据集按照4:1的比例随机分成训练集和测试集。
10.如权利要求9所述的***，其特征在于，所述的网络模型包括：
进行特征提取的卷积层模块；
得到多尺度特征的下采样层模块；
恢复各尺度特征信息的上采样层模块；
保留各尺度特征的连续并行多分辨率子网；
以及从低分辨率信息中恢复高分辨率信息的重复多尺度融合模块。
CN202010201027.2A 2020-03-20 2020-03-20 遥感影像地物分类方法及*** Pending CN111428781A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010201027.2A CN111428781A (zh) 2020-03-20 2020-03-20 遥感影像地物分类方法及***
PCT/CN2020/140266 WO2021184891A1 (zh) 2020-03-20 2020-12-28 遥感影像地物分类方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010201027.2A CN111428781A (zh) 2020-03-20 2020-03-20 遥感影像地物分类方法及***

Publications (1)

Publication Number Publication Date
CN111428781A true CN111428781A (zh) 2020-07-17

Family

ID=71548387

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010201027.2A Pending CN111428781A (zh) 2020-03-20 2020-03-20 遥感影像地物分类方法及***

Country Status (2)

Country Link
CN (1) CN111428781A (zh)
WO (1) WO2021184891A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112836610A (zh) * 2021-01-26 2021-05-25 平衡机器科技(深圳)有限公司 一种基于遥感数据的土地利用变化与碳储量定量估算方法
WO2021184891A1 (zh) * 2020-03-20 2021-09-23 中国科学院深圳先进技术研究院 遥感影像地物分类方法及***
CN115797788A (zh) * 2023-02-17 2023-03-14 武汉大学 基于深度学习的多模态铁路设计要素遥感特征提取方法

Families Citing this family (46)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113887470B (zh) * 2021-10-15 2024-06-14 浙江大学 基于多任务注意力机制的高分辨率遥感图像地物提取方法
CN113902793B (zh) * 2021-11-05 2024-05-14 长光卫星技术股份有限公司 基于单视觉遥感影像端到端建筑物高度预测方法、***和电子设备
CN114091531A (zh) * 2021-11-12 2022-02-25 哈尔滨工程大学 基于多尺度的环境特征提取方法
CN114067245A (zh) * 2021-11-16 2022-02-18 中国铁路兰州局集团有限公司 一种铁路外部环境隐患识别方法及***
CN114494851A (zh) * 2021-12-23 2022-05-13 青岛星科瑞升信息科技有限公司 一种基于多时相遥感影像差异信息的滑坡提取方法
CN113989652B (zh) * 2021-12-27 2022-04-26 中国测绘科学研究院 分层多重判定规则下的耕地变化检测方法及***
CN114387512B (zh) * 2021-12-28 2024-04-19 南京邮电大学 基于多尺度特征融合与增强的遥感影像建筑物提取方法
CN114612315A (zh) * 2022-01-06 2022-06-10 东南数字经济发展研究院 一种基于多任务学习的高分辨率影像缺失区域重建方法
CN114549534B (zh) * 2022-01-17 2022-11-15 中国矿业大学(北京) 矿区土地利用识别方法、装置、设备及介质
CN114549972B (zh) * 2022-01-17 2023-01-03 中国矿业大学(北京) 露天矿采场提取方法、装置、设备及介质
CN114565858B (zh) * 2022-02-25 2024-04-05 辽宁师范大学 基于地理空间感知低秩重建网络的多光谱影像变化检测方法
CN114663301B (zh) * 2022-03-05 2024-03-08 西北工业大学 一种基于小波层的卷积神经网络全色锐化方法
CN114693512A (zh) * 2022-03-16 2022-07-01 北京理工大学 一种基于近场图像的远场遥感图像转化方法
CN114862731B (zh) * 2022-03-29 2024-04-16 武汉大学 低秩先验与空谱信息引导的多-高光谱影像融合方法
CN114724030B (zh) * 2022-04-06 2023-06-02 西安电子科技大学 基于对比学习的极化sar地物分类方法
CN114882139B (zh) * 2022-04-12 2024-06-07 北京理工大学 一种多层级地图的端到端智能生成方法及***
CN114821354B (zh) * 2022-04-19 2024-06-07 福州大学 一种基于孪生多任务网络的城市建筑物变化遥感检测方法
CN114821315B (zh) * 2022-04-24 2024-06-07 福州大学 结合边缘检测和多任务学习的遥感影像耕地地块提取方法
CN114998703B (zh) * 2022-05-10 2024-03-08 西北工业大学 一种基于高分辨卷积神经网络的遥感图像变化检测方法
CN114998758B (zh) * 2022-05-26 2024-05-03 电子科技大学 一种基于多源遥感卫星影像的输电线路绝缘子检测方法
CN114792116B (zh) * 2022-05-26 2024-05-03 中国科学院东北地理与农业生态研究所 一种时间序列深度卷积网络农作物遥感分类方法
CN114898097B (zh) * 2022-06-01 2024-05-10 首都师范大学 图像识别方法及***
CN115082808B (zh) * 2022-06-17 2023-05-09 安徽大学 基于高分一号数据与U-Net模型的大豆种植区提取方法
CN114821376B (zh) * 2022-06-27 2022-09-20 中咨数据有限公司 一种基于深度学习的无人机影像地质灾害自动提取方法
CN115100540B (zh) * 2022-06-30 2024-05-07 电子科技大学 一种高分辨率遥感影像道路自动提取的方法
CN115017418B (zh) * 2022-08-10 2022-11-01 北京数慧时空信息技术有限公司 基于强化学习的遥感影像推荐***及方法
CN115527123B (zh) * 2022-10-21 2023-05-05 河北省科学院地理科学研究所 一种基于多源特征融合的土地覆被遥感监测方法
CN115661655B (zh) * 2022-11-03 2024-03-22 重庆市地理信息和遥感应用中心 高光谱和高分影像深度特征融合的西南山区耕地提取方法
CN115661681B (zh) * 2022-11-17 2023-05-30 中国科学院空天信息创新研究院 一种基于深度学习的滑坡灾害自动识别方法及***
CN115761346A (zh) * 2022-11-22 2023-03-07 山东农业工程学院 一种基于多模型融合的遥感图像分类方法
CN115797184B (zh) * 2023-02-09 2023-06-30 天地信息网络研究院(安徽)有限公司 一种地表水体超分辨率提取方法
CN115841625B (zh) * 2023-02-23 2023-06-06 杭州电子科技大学 一种基于改进U-Net模型的遥感建筑物影像提取方法
CN116563210B (zh) * 2023-03-21 2023-12-08 安徽中新云谷数字技术有限公司 一种虚拟现实图像质量评价方法及***
CN115995005B (zh) * 2023-03-22 2023-08-01 航天宏图信息技术股份有限公司 基于单期高分辨率遥感影像的农作物的提取方法和装置
CN116030352B (zh) * 2023-03-29 2023-07-25 山东锋士信息技术有限公司 融合多尺度分割和超像素分割的长时序土地利用分类方法
CN116129278B (zh) * 2023-04-10 2023-06-30 牧马人(山东)勘察测绘集团有限公司 一种基于遥感影像的土地利用分类识别***
CN116385881B (zh) * 2023-04-10 2023-11-14 北京卫星信息工程研究所 遥感图像地物变化检测方法及装置
CN116702065B (zh) * 2023-05-30 2024-04-16 浙江时空智子大数据有限公司 基于影像数据黑臭水体生态治理污染监测方法及***
CN116503677B (zh) * 2023-06-28 2023-09-05 武汉大学 一种湿地分类信息提取方法、***、电子设备及存储介质
CN116597318B (zh) * 2023-07-17 2023-09-26 山东锋士信息技术有限公司 基于遥感影像的灌区耕地精准提取方法、设备及存储介质
CN116862317B (zh) * 2023-08-08 2024-06-18 广西壮族自治区自然资源遥感院 一种基于项目全生命周期绩效考评管理的卫星遥感监测***
CN116740578B (zh) * 2023-08-14 2023-10-27 北京数慧时空信息技术有限公司 基于用户选择的遥感影像推荐方法
CN116778104B (zh) * 2023-08-16 2023-11-14 江西省国土资源测绘工程总院有限公司 一种动态遥感监测的测绘方法及***
CN117689579B (zh) * 2023-12-12 2024-05-03 安徽大学 一种渐进式双解耦的sar辅助遥感影像厚云去除方法
CN117456369B (zh) * 2023-12-25 2024-02-27 广东海洋大学 智能化红树林生长情况的视觉识别方法
CN117975295B (zh) * 2024-04-01 2024-06-18 南京信息工程大学 一种基于多尺度特征感知神经网络的积雪深度预测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110717420A (zh) * 2019-09-25 2020-01-21 中国科学院深圳先进技术研究院 一种基于遥感图像的耕地提取方法、***及电子设备

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108564109B (zh) * 2018-03-21 2021-08-10 天津大学 一种基于深度学习的遥感图像目标检测方法
US11030486B2 (en) * 2018-04-20 2021-06-08 XNOR.ai, Inc. Image classification through label progression
CN108805874B (zh) * 2018-06-11 2022-04-22 中国电子科技集团公司第三研究所 一种基于卷积神经网络的多光谱图像语义切割方法
CN109711449A (zh) * 2018-12-20 2019-05-03 北京以萨技术股份有限公司 一种基于全卷积网络的图像分类算法
CN110633633B (zh) * 2019-08-08 2022-04-05 北京工业大学 一种基于自适应阈值的遥感影像道路提取方法
CN111428781A (zh) * 2020-03-20 2020-07-17 中国科学院深圳先进技术研究院 遥感影像地物分类方法及***

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110717420A (zh) * 2019-09-25 2020-01-21 中国科学院深圳先进技术研究院 一种基于遥感图像的耕地提取方法、***及电子设备

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021184891A1 (zh) * 2020-03-20 2021-09-23 中国科学院深圳先进技术研究院 遥感影像地物分类方法及***
CN112836610A (zh) * 2021-01-26 2021-05-25 平衡机器科技(深圳)有限公司 一种基于遥感数据的土地利用变化与碳储量定量估算方法
CN112836610B (zh) * 2021-01-26 2022-05-27 平衡机器科技(深圳)有限公司 一种基于遥感数据的土地利用变化与碳储量定量估算方法
CN115797788A (zh) * 2023-02-17 2023-03-14 武汉大学 基于深度学习的多模态铁路设计要素遥感特征提取方法
CN115797788B (zh) * 2023-02-17 2023-04-14 武汉大学 基于深度学习的多模态铁路设计要素遥感特征提取方法

Also Published As

Publication number Publication date
WO2021184891A1 (zh) 2021-09-23

Similar Documents

Publication Publication Date Title
CN111428781A (zh) 遥感影像地物分类方法及***
CN111259905B (zh) 一种基于下采样的特征融合遥感图像语义分割方法
CN111274865B (zh) 一种基于全卷积神经网络的遥感图像云检测方法及装置
CN109102469B (zh) 一种基于卷积神经网络的遥感图像全色锐化方法
CN112446383B (zh) 车牌识别方法及装置、存储介质、终端
CN112154451A (zh) 提取图像中对象的代表性特征的方法、设备和计算机程序
CN110826596A (zh) 一种基于多尺度可变形卷积的语义分割方法
CN110706239B (zh) 融合全卷积神经网络与改进aspp模块的场景分割方法
CN107564009B (zh) 基于深度卷积神经网络的室外场景多目标分割方法
CN111259828A (zh) 基于高分辨率遥感图像多特征的识别方法
CN108647568B (zh) 基于全卷积神经网络的草地退化自动提取方法
CN110544212B (zh) 基于层级特征融合的卷积神经网络高光谱图像锐化方法
CN110717921B (zh) 改进型编码解码结构的全卷积神经网络语义分割方法
CN113609889B (zh) 基于敏感特征聚焦感知的高分辨遥感影像植被提取方法
CN110570440A (zh) 一种基于深度学习边缘检测的图像自动分割方法及装置
CN111914909B (zh) 基于空谱联合三方向卷积网络的高光谱变化检测方法
CN110717420A (zh) 一种基于遥感图像的耕地提取方法、***及电子设备
CN111680690A (zh) 一种文字识别方法及装置
CN114067219A (zh) 一种基于语义分割与超像素分割融合的农田作物识别方法
CN111951164A (zh) 一种图像超分辨率重建网络结构及图像重建效果分析方法
CN115049640B (zh) 一种基于深度学习的道路裂缝检测方法
CN115497010A (zh) 一种基于深度学习的地理信息的识别方法及***
CN108764287B (zh) 基于深度学习和分组卷积的目标检测方法及***
CN116503677B (zh) 一种湿地分类信息提取方法、***、电子设备及存储介质
CN111274936B (zh) 多光谱图像地物分类方法、***、介质及终端

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