CN111709927B - 一种类型异常图斑自动识别方法及*** - Google Patents

一种类型异常图斑自动识别方法及*** Download PDF

Info

Publication number
CN111709927B
CN111709927B CN202010534638.9A CN202010534638A CN111709927B CN 111709927 B CN111709927 B CN 111709927B CN 202010534638 A CN202010534638 A CN 202010534638A CN 111709927 B CN111709927 B CN 111709927B
Authority
CN
China
Prior art keywords
image
spots
spot
index
abnormal
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.)
Active
Application number
CN202010534638.9A
Other languages
English (en)
Other versions
CN111709927A (zh
Inventor
李冲
李昊霖
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.)
Sichuan Surveying And Mapping Product Quality Supervision And Inspection Station Ministry Of Natural Resources (sichuan Surveying And Mapping Product Quality Supervision And Inspection Station)
Original Assignee
Sichuan Surveying And Mapping Product Quality Supervision And Inspection Station Ministry Of Natural Resources (sichuan Surveying And Mapping Product Quality Supervision And Inspection Station)
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 Sichuan Surveying And Mapping Product Quality Supervision And Inspection Station Ministry Of Natural Resources (sichuan Surveying And Mapping Product Quality Supervision And Inspection Station) filed Critical Sichuan Surveying And Mapping Product Quality Supervision And Inspection Station Ministry Of Natural Resources (sichuan Surveying And Mapping Product Quality Supervision And Inspection Station)
Priority to CN202010534638.9A priority Critical patent/CN111709927B/zh
Priority to PCT/CN2020/100451 priority patent/WO2021248599A1/zh
Publication of CN111709927A publication Critical patent/CN111709927A/zh
Priority to AU2021102441A priority patent/AU2021102441A4/en
Application granted granted Critical
Publication of CN111709927B publication Critical patent/CN111709927B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10036—Multispectral image; Hyperspectral image

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种类型异常图斑自动识别方法及***。该方法包括：获取待识别多光谱遥感影像；对多光谱遥感影像进行裁切，以获得类别易出错或易混淆的图斑的影像；计算各图斑影像的综合光谱指数；根据各图斑影像综合光谱指数的大小，分要素类对各图斑影像进行排序；确定图斑影像序列前后设定数量的图斑影像中是否存在类别异常图斑；如果存在，则在图斑影像序列的前和/或后增加设定数量的图斑影像，并对增加的图斑影像进行类别异常识别，如果增加的图斑影像中存在类别异常图斑，则跳转至“在图斑影像序列的前和/或后增加设定数量的图斑影像进行识别”步骤，直至增加的图斑影像中不存在类别异常图斑为止。本发明能够实现类别异常图斑的自动识别。

Description

一种类型异常图斑自动识别方法及***
技术领域
本发明涉及图像处理技术领域，特别是涉及一种类型异常图斑自动识别方法及***。
背景技术
随着社会的发展，在地理国情监测领域，对地表覆盖数据的准确度、精细度提出了更高的要求。然而，由于我国地表情况复杂、遥感影像质量不一、解译受人员主观影响大等因素，地表覆盖数据中经常出现图斑分类错误问题，严重影响了地理国情监测成果的质量，每年各生产单位、质检单位需要花费大量人力、物力、财力去排查地表覆盖数据中的大图斑及同谱异物错误。
发明内容
本发明的目的是提供一种类型异常图斑自动识别方法及***。
为实现上述目的，本发明提供了如下方案：
一种类型异常图斑自动识别方法，包括：
获取待识别多光谱遥感影像；
基于图斑的几何范围，对所述多光谱遥感影像进行裁切，以获得类别易出错或易混淆的图斑的影像；
计算各图斑影像的综合光谱指数，所述综合光谱指数由植被指数、水体指数以及差分建筑物指数加权组合构成，用以区分图斑要素类别；
根据各图斑影像的综合光谱指数的大小，分要素类对各图斑影像进行排序；
确定图斑影像序列前后设定数量的图斑影像中是否存在类别异常图斑；
如果存在类别异常图斑，则在图斑影像序列的前和/或后增加设定数量的图斑影像，并对增加的图斑影像进行类别异常识别，如果增加的图斑影像中存在类别异常图斑，则跳转至“在图斑影像序列的前和/或后增加设定数量的图斑影像进行识别”步骤，直至增加的图斑影像中不存在类别异常图斑为止，
输出异常图斑影像。
可选的，在所述基于图斑的几何范围，对所述多光谱遥感影像进行裁切之前，还包括：
根据历史数据确定易出错或易混淆的要素类别以及用以区分易出错或易混淆的要素类别的综合光谱指数中植被指数、水体指数以及差分建筑物指数的权重系数。
可选的，所述根据各图斑影像的综合光谱指数的大小，分要素类对各图斑影像进行排序，具体包括：
确定每一所述图斑影像的综合光谱指数的中间值或平均值；
根据图斑影像的综合光谱指数的中间值或平均值的大小，分要素类对各图斑影像进行排序。
可选的，所述类别异常图斑检测方法包括：
判断相邻图斑影像的综合光谱指数的差值是否大于设定阈值；
如果是，则表示存在类别异常图斑，且类别异常图斑为所述相邻图斑影像到图斑序列第一端之间所有的图斑，所述第一端为图斑序列距离所述相邻图斑影像较近的一端。
可选的，在所述计算各图斑影像的综合光谱指数之前，还包括：
对所述植被指数和所述水体指数进行归一化处理；
对所述差分建筑物指数以及归一化的植被指数和水体指数进行拉伸处理。
可选的，所述方法还包括：
向人机交互端输出计算机识别出的类别异常图斑影像，以供人工进行二次识别。
可选的，所述多光谱遥感影像的裁切过程在计算机内存中进行。
本发明还提供了一种类型异常图斑自动识别***，包括：
待识别多光谱遥感影像获取模块，用于获取待识别多光谱遥感影像；
图斑影像裁切模块，用于基于图斑的几何范围，对所述多光谱遥感影像进行裁切，以获得类别易出错或易混淆的图斑的影像；
综合光谱指数计算模块，用于计算各图斑影像的综合光谱指数，所述综合光谱指数由植被指数、水体指数以及差分建筑物指数加权组合构成，用以区分图斑要素类别；
排序模块，用于根据各图斑影像的综合光谱指数的大小，分要素类对各图斑影像进行排序；
类别异常确定模块，用于确定图斑影像序列前后设定数量的图斑影像中是否存在类别异常图斑，以及确定增加的图斑影像中是否存在类别异常图斑。
可选的，所述***还包括：
初始参数确定模块，用于根据历史数据确定易出错或易混淆的要素类别以及用以区分易出错或易混淆的要素类别的综合光谱指数中植被指数、水体指数以及差分建筑物指数的权重系数。
可选的，所述排序模块，具体包括：
数值确定单元，用于确定每一所述图斑影像的综合光谱指数的中间值或平均值；
排序单元，用于根据图斑影像的综合光谱指数的中间值或平均值的大小，分要素类对各图斑影像进行排序。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的类型异常图斑自动识别方法及***首先提取待识别多光谱遥感影像中易于出错或易于混淆的图斑，然后对各图斑的能够区分出易出错或易混淆图斑的光谱指数进行计算，并根据该光谱指数的大小对各可图斑进行排序，最后通过对序列两端设定数量的图斑进行类别异常检测以确定类别异常图斑。本发明实现了图斑类别异常的自动识别，提高了检测的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的类型异常图斑自动识别方法流程示意图；
图2为本发明实施例2提供的类型异常图斑自动识别***结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
图1为本发明实施例1提供的类型异常图斑自动识别方法流程示意图，参见图1，本实施例提供的类型异常图斑自动识别方法包括以下步骤：
步骤101：获取待识别多光谱遥感影像；
步骤102：基于图斑的几何范围，对多光谱遥感影像进行裁切，以获得类别易出错或易混淆的图斑的影像；
步骤103：计算各图斑影像的综合光谱指数，所述综合光谱指数由植被指数、水体指数以及差分建筑物指数加权组合构成，用以区分图斑要素类别；
步骤104：根据各图斑影像的综合光谱指数的大小，分要素类对各图斑影像进行排序；
步骤105：确定图斑影像序列前后设定数量的图斑影像中是否存在类别异常图斑；
步骤106：如果存在类别异常图斑，则在图斑影像序列的前和/或后增加设定数量的图斑影像，并对增加的图斑影像进行类别异常识别，如果增加的图斑影像中存在类别异常图斑，则跳转至“在图斑影像序列的前和/或后增加设定数量的图斑影像进行识别”步骤，直至增加的图斑影像中不存在类别异常图斑为止；
步骤107：输出类别异常图斑影像。
在本实施例中，依次从地表覆盖矢量数据中获取各图斑的几何范围，定义影像裁切函数，裁切的范围为图斑的几何范围，被裁切的影像为待识别多光谱遥感影像，待识别多光谱遥感影像的波段数应不少于4个，至少包括红、绿、蓝、近红外等波段，影像裁切函数面向图斑光谱指数定义了影像数据的处理方式，其中，优选的，处理过程在计算机内存中进行，不输出裁切结果到计算机硬盘。计算各图斑影像的综合光谱指数，综合光谱指数由植被指数、水体指数以及差分建筑物指数加权组合构成，用以区分图斑要素类别。当然，在其他实施例中，也可以采用其他可以区分图斑要素类别的光谱特征数据。在计算得到各图斑影像的综合光谱指数后，可以选取图斑影像综合光谱指数的中间值代表该图斑按照大小进行图斑排序。当然，在其他实施例中，也可以选取图斑影像综合光谱指数的平均值代表该图斑进行图斑排序。在排序时，要分要素类进行排序，也就是说，不是所有要素类的图斑混合在一起进行排序，而是将属于同一要素类的图斑单独进行排序，比如，所有要素类别属性为水田类的图斑为一组进行排序，所有要素类别属性为湖泊的图斑为一组进行排序。在得到图斑序列后，首先判断图斑序列的前后设定数量(比如2个)的图斑影像中是否存在类别异常图斑，如果不存在，则认为整个图斑序列中的图斑都正常，不存在类别异常图斑，如果图斑序列的前后设定数量的图斑影像中存在类别异常图斑，比如，图斑序列的前端(后端)设定数量的图斑影像中存在类别异常图斑，则在图斑序列前端(后端)增加设定数量(比如2～3个)的图斑进行类别异常检测，直至增加的设定数量的图斑均为正常图斑时为止，此时，则认为最后一次增加的图斑为类别正常图斑，在这之前识别的图斑均为类别异常图斑。
其中，图斑影像综合光谱指数的中间值的确定方式如下：当图斑内的像素点数为奇数时，像素综合光谱指数序列中最中间的一个数值即是该图斑的图斑综合光谱指数中间值，当图斑内的像素点数为偶数时，取出像素综合光谱指数序列中最中间的两个数值，计算两个数值的平均值，即是该图斑的图斑综合光谱指数中间值。
在本实施例中，在确定异常图斑后，可以将类别异常图斑直接输出，也可以将类别异常图斑输出到人机交互端，由人工进行二次识别。
在本实施例中，在步骤102之前，还可以包括：根据历史数据确定易出错或易混淆的要素类别以及用以区分易出错或易混淆的要素类别的综合光谱指数中植被指数、水体指数以及差分建筑物指数的权重系数。比如，统计历年国家基础性地理国情监测数据中发现的大图斑和同谱异物质量问题，重点针对易出错、易混淆的要素类别，如水田与旱地、果园与林地等，研究分析其影像的非可见光波段、可见光波段的光谱信息，获得能够区分易出错、易混淆要素类别的图斑综合光谱指数中植被指数、水体指数以及差分建筑物指数的权重系数。
作为一种实施方式，所述类别异常图斑检测方法具体可以为：
判断相邻图斑影像的综合光谱指数的差值是否大于设定阈值；
如果是，则表示存在类别异常图斑，且类别异常图斑为相邻图斑影像到图斑序列第一端之间所有的图斑，所述第一端为图斑序列中距离所述相邻图斑影像较近的一端。
比如，判断图斑序列前5个图斑中是否存在类别异常图斑，具体的操作方法为：判断5个图斑中相邻两个图斑的综合光谱指数(比如综合光谱指数的中间值)的差值是否大于设定阈值，设定阈值一般可以设为0.04，如果第4个和第5个图斑的综合光谱指数(比如综合光谱指数的中间值)的差值大于设定阈值，则认为前4个图斑均为类别异常图斑。
在本实施例中，在计算各图斑的综合光谱指数时，需要对各指数进行预处理，预处理过程可以包括归一化处理以及拉伸处理，具体过程如下：
首先，利用以下公式计算图斑的归一化植被指数NDVI，突出影像中的植被信息。
Figure BDA0002536580630000061
其中，Bnir为遥感影像的近红外波段，Bred为遥感影像的红色波段。
然后，利用以下公式计算图斑的归一化水体指数NDWI，突出影像中的水体信息。
Figure BDA0002536580630000062
其中，Bnir为遥感影像的近红外波段，Bgreen为遥感影像的绿色波段。
之后，利用以下公式计算图斑的差分建筑物指数DSBI。
DSBI＝k*(Bblue-Bred)+(1-k)*(Bblue-Bgreen)
其中，k为计算系数，一般可以设置为0.5，Bblue为遥感影像的蓝色波段，Bred为遥感影像的红色波段，Bgreen为遥感影像的绿色波段。
最后，拉伸处理归一化植被指数、归一化水体指数、差分建筑物指数，将值域范围拉伸至[0,1]，归一化植被指数和归一化水体指数按以下公式进行拉伸处理。
Figure BDA0002536580630000071
其中，Pixelv为原始归一化水体或植被指数上的像素值，Pixel'v为拉伸处理后的像素值。
差分建筑物指数按以下公式进行拉伸处理。
Figure BDA0002536580630000072
其中，Pixelv为原始差分建筑物指数上的像素值，Pixel'v为拉伸处理后的像素值，Pixelv_min为整景原始差分建筑物指数的最小像素值，Pixelv_max为整景原始差分建筑物指数的最大像素值。
按以下公式综合加权处理拉伸后的植被指数NDVI、水体指数NDWI、建筑物指数NSBI，计算图斑的综合光谱指数NCI。
Figure BDA0002536580630000073
其中，k1为NDVI的系数，k2为NDWI的系数，k3为NSBI的系数。k1、k2、k3的值可依据对各类别要素光谱信息统计分析结果确定，当NDVI的值更容易把某一要素类别与其他要素类别区分开来时，则计算该类要素的NCI时，k1值设为1、k2和k3的值设为0；当NDWI的值更容易把某一要素类别与其他要素类别区分开来时，则计算该类要素的NCI时，k2值设为1、k1和k3的值设为0；当NSBI的值更容易把某一要素类别与其他要素类别区分开来时，则计算该类要素的NCI时，k3值设为1、k1和k2的值设为0。
实施例2
图2为本发明实施例2提供的类型异常图斑自动识别***结构示意图，参见图2，本实施例提供的类型异常图斑自动识别***包括：
待识别多光谱遥感影像获取模块201，用于获取待识别多光谱遥感影像；
图斑影像裁切模块202，用于基于图斑的几何范围，对所述多光谱遥感影像进行裁切，以获得类别易出错或易混淆的图斑的影像；
综合光谱指数计算模块203，用于计算各图斑影像的综合光谱指数，所述综合光谱指数由植被指数、水体指数以及差分建筑物指数加权组合构成，用以区分图斑要素类别；
排序模块204，用于根据各图斑影像的综合光谱指数的大小，分要素类对各图斑影像进行排序；
类别异常确定模块205，用于确定图斑影像序列前后设定数量的图斑影像中是否存在类别异常图斑，以及确定增加的图斑影像中是否存在类别异常图斑。
作为一种实施方式，所述***还包括：
初始参数确定模块，用于根据历史数据确定易出错或易混淆的要素类别以及用以区分易出错或易混淆的要素类别的综合光谱指数中植被指数、水体指数以及差分建筑物指数的权重系数。
作为一种实施方式，排序模块204具体包括：
数值确定单元，用于确定每一所述图斑影像的综合光谱指数的中间值或平均值；
排序单元，用于根据图斑影像的综合光谱指数的中间值或平均值的大小，分要素类对各图斑影像进行排序。
作为一种实施方式，所述类别异常确定模块205具体包括：
判断单元，用于判断相邻图斑影像的综合光谱指数的差值是否大于设定阈值；
类别异常图斑确定单元，用于在相邻图斑影像的综合光谱指数的差值大于设定阈值时，将相邻图斑影像到图斑序列第一端之间所有的图斑确定我类别异常图斑，所述第一端为图斑序列中距离所述相邻图斑影像较近的一端。
作为一种实施方式，所述***还包括：
归一化处理模块，用于对所述植被指数和所述水体指数进行归一化处理；
拉伸处理模块，用于对所述差分建筑物指数以及归一化的植被指数和水体指数进行拉伸处理。
本发明提供的类型异常图斑自动识别方法及***实现了大图斑及同谱异物错误的自动提取，提高了地表覆盖数据质量检测的效率和可靠性，有效提升了地理国情成果的质量。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种类型异常图斑自动识别方法，其特征在于，包括：
获取待识别多光谱遥感影像；
基于图斑的几何范围，对所述多光谱遥感影像进行裁切，以获得类别易出错或易混淆的图斑的影像；
计算各图斑影像的综合光谱指数，所述综合光谱指数由植被指数、水体指数以及差分建筑物指数加权组合构成，用以区分图斑要素类别；
根据各图斑影像的综合光谱指数的大小，分要素类对各图斑影像进行排序；
确定图斑影像序列前后设定数量的图斑影像中是否存在类别异常图斑；
如果存在类别异常图斑，则在图斑影像序列的前和/或后增加设定数量的图斑影像，并对增加的图斑影像进行类别异常识别，如果增加的图斑影像中存在类别异常图斑，则跳转至“在图斑影像序列的前和/或后增加设定数量的图斑影像进行识别”步骤，直至增加的图斑影像中不存在类别异常图斑为止，
输出异常图斑影像；
其中，所述类别异常图斑检测方法包括：
判断相邻图斑影像的综合光谱指数的差值是否大于设定阈值；
如果是，则表示存在类别异常图斑，且类别异常图斑为所述相邻图斑影像到图斑序列第一端之间所有的图斑，所述第一端为图斑序列距离所述相邻图斑影像较近的一端。
2.根据权利要求1所述的类型异常图斑自动识别方法，其特征在于，在所述基于图斑的几何范围，对所述多光谱遥感影像进行裁切之前，还包括：
根据历史数据确定易出错或易混淆的要素类别以及用以区分易出错或易混淆的要素类别的综合光谱指数中植被指数、水体指数以及差分建筑物指数的权重系数。
3.根据权利要求1所述的类型异常图斑自动识别方法，其特征在于，所述根据各图斑影像的综合光谱指数的大小，分要素类对各图斑影像进行排序，具体包括：
确定每一所述图斑影像的综合光谱指数的中间值或平均值；
根据图斑影像的综合光谱指数的中间值或平均值的大小，分要素类对各图斑影像进行排序。
4.根据权利要求1所述的类型异常图斑自动识别方法，其特征在于，在所述计算各图斑影像的综合光谱指数之前，还包括：
对所述植被指数和所述水体指数进行归一化处理；
对所述差分建筑物指数以及归一化的植被指数和水体指数进行拉伸处理。
5.根据权利要求1所述的类型异常图斑自动识别方法，其特征在于，所述方法还包括：
向人机交互端输出计算机识别出的类别异常图斑影像，以供人工进行二次识别。
6.根据权利要求1所述的类型异常图斑自动识别方法，其特征在于，所述多光谱遥感影像的裁切过程在计算机内存中进行。
7.一种类型异常图斑自动识别***，其特征在于，包括：
待识别多光谱遥感影像获取模块，用于获取待识别多光谱遥感影像；
图斑影像裁切模块，用于基于图斑的几何范围，对所述多光谱遥感影像进行裁切，以获得类别易出错或易混淆的图斑的影像；
综合光谱指数计算模块，用于计算各图斑影像的综合光谱指数，所述综合光谱指数由植被指数、水体指数以及差分建筑物指数加权组合构成，用以区分图斑要素类别；
排序模块，用于根据各图斑影像的综合光谱指数的大小，分要素类对各图斑影像进行排序；
类别异常确定模块，用于确定图斑影像序列前后设定数量的图斑影像中是否存在类别异常图斑，如果存在类别异常图斑，则在图斑影像序列的前和/或后增加设定数量的图斑影像，并对增加的图斑影像进行类别异常识别，如果增加的图斑影像中存在类别异常图斑，则跳转至“在图斑影像序列的前和/或后增加设定数量的图斑影像进行识别”步骤，直至增加的图斑影像中不存在类别异常图斑为止；其中，所述类别异常图斑检测方法包括：
判断相邻图斑影像的综合光谱指数的差值是否大于设定阈值；
如果是，则表示存在类别异常图斑，且类别异常图斑为所述相邻图斑影像到图斑序列第一端之间所有的图斑，所述第一端为图斑序列距离所述相邻图斑影像较近的一端。
8.根据权利要求7所述的类型异常图斑自动识别***，其特征在于，所述***还包括：
初始参数确定模块，用于根据历史数据确定易出错或易混淆的要素类别以及用以区分易出错或易混淆的要素类别的综合光谱指数中植被指数、水体指数以及差分建筑物指数的权重系数。
9.根据权利要求7所述的类型异常图斑自动识别***，其特征在于，所述排序模块，具体包括：
数值确定单元，用于确定每一所述图斑影像的综合光谱指数的中间值或平均值；
排序单元，用于根据图斑影像的综合光谱指数的中间值或平均值的大小，分要素类对各图斑影像进行排序。
CN202010534638.9A 2020-06-12 2020-06-12 一种类型异常图斑自动识别方法及*** Active CN111709927B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010534638.9A CN111709927B (zh) 2020-06-12 2020-06-12 一种类型异常图斑自动识别方法及***
PCT/CN2020/100451 WO2021248599A1 (zh) 2020-06-12 2020-07-06 一种类型异常图斑自动识别方法及***
AU2021102441A AU2021102441A4 (en) 2020-06-12 2021-05-10 Method for automatically identifying abnormal category pattern spots and system thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010534638.9A CN111709927B (zh) 2020-06-12 2020-06-12 一种类型异常图斑自动识别方法及***

Publications (2)

Publication Number Publication Date
CN111709927A CN111709927A (zh) 2020-09-25
CN111709927B true CN111709927B (zh) 2022-05-27

Family

ID=72540346

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010534638.9A Active CN111709927B (zh) 2020-06-12 2020-06-12 一种类型异常图斑自动识别方法及***

Country Status (3)

Country Link
CN (1) CN111709927B (zh)
AU (1) AU2021102441A4 (zh)
WO (1) WO2021248599A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113484245B (zh) * 2021-07-05 2022-11-22 重庆市规划和自然资源调查监测院 一种丘陵山区水田种植模式遥感快速监测方法、***及计算机可读存储介质
CN114491187B (zh) * 2022-01-20 2022-11-18 重庆市规划和自然资源调查监测院 一种自然资源智能监测集成***
CN118155005B (zh) * 2024-05-13 2024-08-02 成都坤舆空间科技有限公司 一种基于RAFT-Stereo算法的生态修复图斑匹配分类方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593852A (zh) * 2013-11-29 2014-02-19 中国科学院光电研究院 基于同质图斑的高光谱影像异常探测方法
CN103593853A (zh) * 2013-11-29 2014-02-19 武汉大学 基于联合稀疏表达的遥感影像多尺度面向对象分类方法
CN104408463A (zh) * 2014-10-15 2015-03-11 中国土地勘测规划院 一种基于PanTex和直线特征的高分辨率建设用地图斑识别方法
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
CN111144249A (zh) * 2019-12-16 2020-05-12 广州地理研究所 基于自动优化mesma的地表覆盖类型确定方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120271609A1 (en) * 2011-04-20 2012-10-25 Westerngeco L.L.C. Methods and computing systems for hydrocarbon exploration
EP3173975A1 (en) * 2015-11-30 2017-05-31 Delphi Technologies, Inc. Method for identification of candidate points as possible characteristic points of a calibration pattern within an image of the calibration pattern
KR101756380B1 (ko) * 2017-03-06 2017-07-10 한국지질자원연구원 공작석 초분광 영상을 이용한 반암동 광체 탐지 방법
CN109726679B (zh) * 2018-12-28 2020-11-27 常州市星图测绘科技有限公司 一种遥感分类误差空间分布制图方法
CN110135310A (zh) * 2019-04-30 2019-08-16 云南财经大学 一种基于单变量特征选择方法的农作物遥感识别方法
CN111178169B (zh) * 2019-12-12 2023-03-10 广州地理研究所 一种基于遥感影像的城市地表覆盖物精细分类方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593852A (zh) * 2013-11-29 2014-02-19 中国科学院光电研究院 基于同质图斑的高光谱影像异常探测方法
CN103593853A (zh) * 2013-11-29 2014-02-19 武汉大学 基于联合稀疏表达的遥感影像多尺度面向对象分类方法
CN104408463A (zh) * 2014-10-15 2015-03-11 中国土地勘测规划院 一种基于PanTex和直线特征的高分辨率建设用地图斑识别方法
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
CN111144249A (zh) * 2019-12-16 2020-05-12 广州地理研究所 基于自动优化mesma的地表覆盖类型确定方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
主题模型建模框架下的高分辨率遥感影像尺度自适应分类;吴林梅;《中国优秀硕士学位论文全文数据库 (基础科学辑)》;20170715;全文 *
土地利用/覆被变化信息遥感图像自动分类识别与提取方法研究;刘炜;《中国博士学位论文全文数据库 (信息科技辑)》;20121115;全文 *
基于像斑直方图G统计量的遥感影像分类;李亮 等;《国土资源遥感》;20161231;第28卷(第4期);全文 *

Also Published As

Publication number Publication date
AU2021102441A4 (en) 2021-06-24
CN111709927A (zh) 2020-09-25
WO2021248599A1 (zh) 2021-12-16

Similar Documents

Publication Publication Date Title
CN111709927B (zh) 一种类型异常图斑自动识别方法及***
Kurniawati et al. Investigation on image processing techniques for diagnosing paddy diseases
US7184890B2 (en) Cloud shadow detection: VNIR-SWIR
Leckie et al. Detection and assessment of trees with Phellinus weirii (laminated root rot) using high resolution multi-spectral imagery
CN106915462A (zh) 基于多源影像信息的林业病虫害智能识别***
CN109726705B (zh) 红树林信息的提取方法、装置及电子设备
CN104990892B (zh) 种子的光谱图像无损鉴别模型建立方法及种子鉴别方法
CN112766075A (zh) 一种基于半监督学习策略的高光谱遥感黑臭水体分级方法
US20050111692A1 (en) Cloud cover assessment: VNIR-SWIR
CN112699756B (zh) 一种基于高光谱图像的茶叶原产地识别方法和***
KR102177985B1 (ko) 산사태 발생 영역 자동 탐지 장치 및 탐지 방법
CN116310826B (zh) 一种基于图神经网络的高分遥感影像林地二级分类方法
Font et al. An image processing method for in-line nectarine variety verification based on the comparison of skin feature histogram vectors
CN107330882A (zh) 一种基于机器视觉的烟草切丝后异物在线检测方法
CN116559111A (zh) 一种基于高光谱成像技术的高粱品种识别方法
US7058511B2 (en) Sub-visible cloud cover assessment: VNIR-SWIR
CN117710096B (zh) 基于地块信息的农业贷款的贷后风险监测方法及***
CN111060455A (zh) 面向东北冷凉区的遥感图像作物标记方法和装置
CN114398595A (zh) 一种基于bp神经网络的火点遥感识别方法
CN112183489A (zh) 一种松材变色立木识别定位方法、装置、设备及存储介质
JP5644655B2 (ja) 食用果実の検査方法、検査装置およびプログラム
Busuioceanu et al. Evaluation of the CASSI-DD hyperspectral compressive sensing imaging system
Sims et al. Assessing the health of Pinus radiata plantations using remote sensing data and decision tree analysis
CN111754591A (zh) 一种基于高光谱的刑侦现场血迹的检测***及方法
Khoje et al. Determination of applicability of mother wavelet for coarse and fine grading of mangoes

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