CN115018859A - 基于多尺度空间嵌套的城市建成区遥感提取方法及*** - Google Patents
基于多尺度空间嵌套的城市建成区遥感提取方法及*** Download PDFInfo
- Publication number
- CN115018859A CN115018859A CN202210392975.8A CN202210392975A CN115018859A CN 115018859 A CN115018859 A CN 115018859A CN 202210392975 A CN202210392975 A CN 202210392975A CN 115018859 A CN115018859 A CN 115018859A
- Authority
- CN
- China
- Prior art keywords
- urban
- area
- index
- remote sensing
- built
- 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
Images
Classifications
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20128—Atlas-based segmentation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于多尺度空间嵌套的城市建成区遥感提取方法及***,其中,该方法包括:根据MODIS NDVI数据和NPP‑VIIRS夜光数据构建城市指数VANUI;利用城市建成区统计数据对城市指数VANUI进行自适应分割,获得城市建城区边界B1;根据城市建城区边界B1计算形态学建筑指数MBI;构建自适应分割模型,对形态学建筑指数MBI进行分割,获取城市建筑物信息O;对城市建筑物信息O进行聚类分析,获取规则建筑物信息S;计算规则建筑物信息S的凸包,获取城市建成区边界范围。本发明实现了对多尺度空间的嵌套,并对城市建城区提取结果进行约束和不断优化,最终实现城市建城区的自动提取。
Description
技术领域
本发明属于高分遥感图像处理及信息提取技术领域,尤其涉及一种基于多尺度空间嵌套的城市建成区遥感提取方法及***。
背景技术
城市建成区面积是综合衡量一座城市和一个区域所处经济发展阶段的重要判断标准,在城市的发展规划、空间布局和管理优化中发挥着重要的作用。一方面,建成区面积体现了对应区域的产业结构和城市化进程所处阶段。另一方面,建成区面积也是区域经济实力的有力体现。与实地调绘等方法相比,遥感影像可以快速准确的获取城市建成区边界信息,因此,被广泛的研究与应用。
根据城市建成区的属性特点,目前基于遥感的城市建城区提取主要采用4种方法,具体包括:a)基于中分辨率遥感影像的光谱特征提取方法;b)基于高分辨率遥感影像的空间特征提取方法;c)基于夜光数据的提取方法以及d)基于上述方法的组合方法。然而,由于城市的空间信息作为城市建成区的一个重要属性,在城市建城区指数中未得以考虑。此外,阈值的人工选择也制约了城市建城区信息提取结果的高效性和稳定性。
发明内容
本发明解决的技术问题是:克服现有技术的不足,提供了一种基于多尺度空间嵌套的城市建成区遥感提取方法及***,实现了对多尺度空间的嵌套,并对城市建城区提取结果进行约束和不断优化,最终实现城市建城区的自动提取。
本发明目的通过以下技术方案予以实现:一种基于多尺度空间嵌套的城市建成区遥感提取方法,包括:根据MODIS NDVI数据和NPP-VIIRS夜光数据构建城市指数VANUI;利用城市建成区统计数据对城市指数VANUI进行自适应分割,获得城市建城区边界B1;根据城市建城区边界B1计算形态学建筑指数MBI;构建自适应分割模型,对形态学建筑指数MBI进行分割,获取城市建筑物信息O;对城市建筑物信息O进行聚类分析,获取规则建筑物信息S;计算规则建筑物信息S的凸包,获取城市建成区边界范围。
上述基于多尺度空间嵌套的城市建成区遥感提取方法中,所述城市指数VANUI通过如下公式得到:
VANUI=DNNPP×(1-NDVImean);
其中,DNNPP为NPP-VIIRS夜光数据的DN值;NDVImean为经过滤波处理后的MODISNDVI数据的均值;VANUI为城市指数。
上述基于多尺度空间嵌套的城市建成区遥感提取方法中,所述城市建城区边界B1通过如下公式得到:
其中,B1是城市建城区边界;DNVANUI为城市指数特征图像的像素值;t为城市指数特征图像的像素值区间;Areat(VANUI)为城市指数特征图像像素值区间为t时所对应城市指数特征图像分割结果的区域面积。
上述基于多尺度空间嵌套的城市建成区遥感提取方法中,形态学建筑指数MBI通过如下公式得到:
其中,DMPW-TH(d,s)=|MPW-TH(d,(s+Δs))-MPW-TH(d,s)|;
DMPW-TH(d,s)表示基于顶帽变换的差分形态学轮廓;D和S分别表示多角度的数量和多尺度的数量;MPW-TH(d,s)表示基于顶帽变换的形态学轮廓;表示基于b的形态学开重建;b表示遥感影像像素点各个波段中的亮度最大值;d,s和Δs分别表示方向、尺度和尺度增量参数;k表示遥感影像的波段;K表示所应用遥感影像波段的最大值;x表示遥感影像的像素值。
上述基于多尺度空间嵌套的城市建成区遥感提取方法中,城市建筑物信息O通过如下公式得到:
其中,p为形态学建筑指数MBI的像素值区间;Areap(MBI)为形态学建筑指数MBI像素值区间为p时所对应形态学建筑指数分割结果的区域面积;AreaGUF为全球城市足迹数据的面积;Mask为信息掩膜模型。
上述基于多尺度空间嵌套的城市建成区遥感提取方法中,信息掩膜模型Mask为:
其中,GlobeLand30(water,bare)表示GlobeLand30地表覆盖产品中的“水体类型”和“裸地类型”,OSM为Openstreetmap产品的“道路类型”,Hansen为Hansen产品的“植被类型”。
上述基于多尺度空间嵌套的城市建成区遥感提取方法中,采用Kmeans聚类算法对城市建筑物信息O进行聚类分析,获取规则建筑物信息S。
上述基于多尺度空间嵌套的城市建成区遥感提取方法中,规则建筑物信息S通过如下公式得到:
其中,k表示聚类的数量;Ci表示聚类的类型;c表示聚类的类型中所获取的具体类型;μi表示第i个聚类中心;F表示所选择的特征信息;DNF为特征信息所取得像素值。
上述基于多尺度空间嵌套的城市建成区遥感提取方法中,采用Graham扫描法计算规则建筑物信息S的凸包。
一种基于多尺度空间嵌套的城市建成区遥感提取***,包括:第一模块,用于根据MODIS NDVI数据和NPP-VIIRS夜光数据构建城市指数VANUI;第二模块,用于利用城市建成区统计数据对城市指数VANUI进行自适应分割,获得城市建城区边界B1;第三模块,用于根据城市建城区边界B1计算形态学建筑指数MBI;第四模块,用于构建自适应分割模型,对形态学建筑指数MBI进行分割,获取城市建筑物信息O;第五模块,用于对城市建筑物信息O进行聚类分析,获取规则建筑物信息S;第六模块,用于计算规则建筑物信息S的凸包,获取城市建成区边界范围。
本发明与现有技术相比具有如下有益效果:
(1)本发明通过城市建城区统计数据对夜光数据进行自动分割,获取城市建城区粗边界,能够初步确定城市建城区的潜在区域范围;在该区域范围内,基于高分辨率遥感影像及中分辨率专题信息产品,提取城市规则化建筑物信息,进一步细化了城市建筑物边界的潜在区域范围;通过Graham扫描,将城市建筑物边界的潜在区域范围进行自动连接,提升方法的鲁棒性,最终实现城市建城区的自动化信息提取;
(2)本发明对城市建城区,尤其在中大型城市的条件下,具有较好的鲁棒性,并具备在不同城市场景下的自动提取能力。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1是本发明实施例提供的基于多尺度空间信息嵌套的城市建成区高分遥感自动提取方法的流程图;
图2(a)是本发明实施例提供的2016年NPP-VIIRS夜光数据(400米)图;
图2(b)是本发明实施例提供的2016年MODIS MOD13Q1产品数据(250米)图;
图2(c)是本发明实施例提供的2010年GlobeLand30的水体类型和裸地类型信息产品(30米)图;
图2(d)是本发明实施例提供的2013年Hansen植被类型信息产品图;
图2(e)是本发明实施例提供的2015年Openstreetmap道路类型信息产品图;
图2(f)是本发明实施例提供的2011年GUF建筑物信息产品图;
图2(g)是本发明实施例提供的高空间分辨率遥感影像2016年4月9日的高分一号高空间分辨率遥感影像(2米)图;
图3是本发明实施例提供的2016年NPP-VIIRS夜光数据(400米)联合2016年MODISMOD13Q1产品数据(250米)对应的VANUI指数特征图;
图4是本发明实施例提供的利用城市建成区统计数据对VANUI进行自适应分割,获得城市建城区边界B1结果图;
图5是本发明实施例提供的在城市建城区边界B1内计算高分辨率影像的形态学建筑指数MBI结果图;
图6是本发明实施例提供的基于多源中尺度专题信息产品构建自适应分割模型,对MBI指数进行分割,获取城市建筑物信息结果图;
图7是本发明实施例提供的规则建筑物信息结果的示意图;
图8是本发明实施例提供的城市建城区最终提取结果图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
本发明实施例中,所采用的多尺度空间数据包括:1)、宏观尺度遥感数据:2016年NPP-VIIRS夜光数据(400米)(图2(a)所示)和2016年的MODIS MOD13Q1产品数据(250米)(图2(b)所示);2)、中尺度遥感数据产品:2010年GlobeLand30的水体类型和裸地类型信息产品(30米)(图2(c)所示)、2013年Hansen植被类型信息产品(图2(d)所示)、2015年Openstreetmap道路类型信息产品(图2(e)所示)和2011年GUF建筑物信息产品(图2(f)所示);3)、高空间分辨率遥感影像2016年4月9日的高分一号高空间分辨率遥感影像(2米)(图2(g)所示)。其中,高分一号卫星遥感数据的多光谱和全色分辨率分别为8米和2米,含有四个波段,分别是蓝波段(0.45-0.52μm),绿波段(0.52-0.59μm),红波段(0.63-0.69μm),近红外波段(0.77-0.89μm),辐射量化等级为16bit,经过RPC模型和Gram-Schmidt融合处理,获得空间分辨率为2米的高分正射融合遥感影像。MODIS MOD13Q1产品其空间分辨率为250米,时间分辨率为16天,通过MRT进行投影变化、镶嵌和裁切,获得MODIS NDVI时间序列数据,并通过SG滤波算法对MODIS NDVI时间序列进行重构,消除大气、太阳光照和观测视角等因素的影响,获取重构的MODIS NDVI时间序列产品。
图1是本发明实施例提供的基于多尺度空间信息嵌套的城市建成区高分遥感自动提取方法的流程图。如图1所示,该方法包括如下步骤:
1)基于250m MODIS NDVI数据和400m NPP-VIIRS夜光数据,构建城市指数VANUI;
VANUI=DNNPP×(1-NDVImean)
式中,DNNPP为NPP-VIIRS夜光数据的DN值;NDVImean为经过滤波处理后的MODISNDVI时序数据的均值;VANUI为城市指数。本实施例VANUI指数特征图的结果见图3。
2)利用城市建成区统计数据对VANUI进行自适应分割,获得城市建城区边界B1;
式中,B1是城市建城区;DNVANUI为VANUI特征图像的像素值;t为VANUI特征的像素值区间,本实施例中t的区间为[0,1];Area为当VANUI特征像素值区间t时所对应VANUI特征图像分割结果的区域面积;N为参数,表示研究城市的城市建成区统计年鉴中的面积。根据《中国城市统计年鉴2016》,本研究2016年上海市建成区的面积值为998.6km2。本实施例城市建城区边界B1结果图见图4。
3)对城市建城区边界B1内的区域,计算高分辨率影像的形态学建筑指数MBI;
DMPW-TH(d,s)=|MPW-TH(d,(s+Δs))-MPW-TH(d,s)|
其中,MPW-TH(d,s)的计算方法为:
其中,b的计算方法为:
式中,DMPW-TH表示基于顶帽变换的差分形态学轮廓;D和S分别表示多角度的数量和多尺度的数量,本研究通过实验分别为4和6;MPW-TH表示基于顶帽变换的形态学轮廓;表示基于b的形态学开重建;b表示遥感影像像素点各个波段中的亮度最大值;d,s和Δs分别表示方向、尺度和尺度增量参数,本研究通过实验将其分别设置为{0°,45°,90°和135°}、{11,19,27,35,43,51,59}、8;k表示遥感影像的波段;K表示所应用遥感影像波段的最大值,本研究采用的高分一号高分辨率遥感影像,参数为4;x表示遥感影像的像素值。本实施例的形态学建筑指数MBI结果图见图5。
4)基于多源中尺度专题信息产品构建自适应分割模型,对MBI指数进行分割,获取城市建筑物信息O;
其中,Mask的计算方法为:
式中,p为MBI指数的像素值区间,本研究p的区间为[0,255];Areap为当阈值为p时MBI分割结果的区域面积;AreaGUF为专题信息产品GUF(全球城市足迹数据(Global UrbanFootprint,GUF))的面积;Mask为信息掩膜模型;GlobeLand30(water,bare),OSM和Hansen分别表示GlobeLand30地表覆盖产品中的“水体类型”、“裸地类型”,Openstreetmap产品的“道路类型”以及Hansen产品的“植被类型”。本实施例的获取城市建筑物信息结果图见图6。
5)采用Kmeans聚类算法对所提取的城市建筑物结果O进行聚类分析,获取规则建筑物信息结果S;
其中,μi的计算方法为:
式中,k表示聚类的数量,参数为2;Ci表示聚类的类型,参数为2,表示两类;c表示聚类的类型中所获取的具体类型,即:规则类建筑物和非规则类建筑物;μi表示第i个聚类中心;F表示所选择的特征信息,本研究通过实验采用MBI特征、矩形几何特征和纹理特征;DNF为特征信息所取得像素值。本实施例的规则建筑物信息结果S见图7。
6)采用Graham扫描法计算规则建筑物信息S的凸包,获取最终的城市建成区边界范围。
a)先选出点集S(s0,s1,s2,s3,……,sn)中y坐标最小的点记为s0,如果y坐标相同则相同点中x坐标最小的点;需要理解的是,规则建筑物信息S为一个点集S(s0,s1,s2,s3,……,sn),其中,s0为第一个建筑物信息,s1为第二个建筑物信息,s2为第三个建筑物信息,s3为第四个建筑物信息,sn为第n+1个建筑物信息;
b)把(s0,s1,s2,s3,……,sn)按照极角从小到大排序(以s0为极点),极角相同的点按照到s0的距离从小到大排序;
c)把s0,s1,s2压入栈;
d)遍历剩下的点s3,s4,……,sn.通过计算两点之间的叉积(sn-s0)×(sn-1-s0)=(xn-x0)×(yn-y0)-(xn-1-x0)×(yn-1-y0),当两点之间的叉积小于0时,表明是逆时针方向,则该顶点保留。当两点之间的叉积大于0时,表明是顺时针方向,则该顶点被移除;
e)通过遍历,最终获得城市建成区最终的边界范围。本实施例的城市建城区最终提取结果图8。
本实施例还提供了一种基于多尺度空间嵌套的城市建成区遥感提取***,包括:第一模块,用于根据MODIS NDVI数据和NPP-VIIRS夜光数据构建城市指数VANUI;第二模块,用于利用城市建成区统计数据对城市指数VANUI进行自适应分割,获得城市建城区边界B1;第三模块,用于根据城市建城区边界B1计算形态学建筑指数MBI;第四模块,用于构建自适应分割模型,对形态学建筑指数MBI进行分割,获取城市建筑物信息O;第五模块,用于对城市建筑物信息O进行聚类分析,获取规则建筑物信息S;第六模块,用于计算规则建筑物信息S的凸包,获取城市建成区边界范围。
本发明充分发挥了大尺度夜光数据专题信息优势、中尺度光学遥感专题属性优势以及高分辨率遥感影像的空间信息优势,围绕城市建城区的综合属性,应用非结构化统计数据、聚类方法和自适应分割等先验信息技术,构建自适应分割模型,将大-中-小尺度空间信息进行关联,实现了对多尺度空间的嵌套,并对城市建城区提取结果进行约束和不断优化,最终实现城市建城区的自动提取。
本发明通过城市建城区统计数据对夜光数据进行自动分割,获取城市建城区粗边界,能够初步确定城市建城区的潜在区域范围;在该区域范围内,基于高分辨率遥感影像及中分辨率专题信息产品,提取城市规则化建筑物信息,进一步细化了城市建筑物边界的潜在区域范围;通过Graham扫描,将城市建筑物边界的潜在区域范围进行自动连接,提升方法的鲁棒性,最终实现城市建城区的自动化信息提取;本发明对城市建城区,尤其在中大型城市的条件下,具有较好的鲁棒性,并具备在不同城市场景下的自动提取能力。
本发明虽然已以较佳实施例公开如上,但其并不是用来限定本发明,任何本领域技术人员在不脱离本发明的精神和范围内,都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改,因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰,均属于本发明技术方案的保护范围。
Claims (10)
1.一种基于多尺度空间嵌套的城市建成区遥感提取方法,其特征在于包括:
根据MODIS NDVI数据和NPP-VIIRS夜光数据构建城市指数;
利用城市建成区统计数据对城市指数进行自适应分割,获得城市建城区边界;
根据城市建城区边界计算形态学建筑指数;
构建自适应分割模型,对形态学建筑指数进行分割,获取城市建筑物信息;
对城市建筑物信息进行聚类分析,获取规则建筑物信息;
计算规则建筑物信息的凸包,获取城市建成区边界范围。
2.根据权利要求1所述的基于多尺度空间嵌套的城市建成区遥感提取方法,其特征在于:所述城市指数VANUI通过如下公式得到:
VANUI=DNNPP×(1-NDVImean);
其中,DNNPP为NPP-VIIRS夜光数据的DN值;NDVImean为经过滤波处理后的MODIS NDVI数据的均值;VANUI为城市指数。
7.根据权利要求1所述的基于多尺度空间嵌套的城市建成区遥感提取方法,其特征在于:采用Kmeans聚类算法对城市建筑物信息O进行聚类分析,获取规则建筑物信息S。
9.根据权利要求1所述的基于多尺度空间嵌套的城市建成区遥感提取方法,其特征在于:采用Graham扫描法计算规则建筑物信息S的凸包。
10.一种基于多尺度空间嵌套的城市建成区遥感提取***,其特征在于包括:
第一模块,用于根据MODIS NDVI数据和NPP-VIIRS夜光数据构建城市指数;
第二模块,用于利用城市建成区统计数据对城市指数VANUI进行自适应分割,获得城市建城区边界;
第三模块,用于根据城市建城区边界计算形态学建筑指数;
第四模块,用于构建自适应分割模型,对形态学建筑指数进行分割,获取城市建筑物信息;
第五模块,用于对城市建筑物信息进行聚类分析,获取规则建筑物信息;
第六模块,用于计算规则建筑物信息的凸包,获取城市建成区边界范围。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210392975.8A CN115018859A (zh) | 2022-04-14 | 2022-04-14 | 基于多尺度空间嵌套的城市建成区遥感提取方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210392975.8A CN115018859A (zh) | 2022-04-14 | 2022-04-14 | 基于多尺度空间嵌套的城市建成区遥感提取方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115018859A true CN115018859A (zh) | 2022-09-06 |
Family
ID=83067673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210392975.8A Pending CN115018859A (zh) | 2022-04-14 | 2022-04-14 | 基于多尺度空间嵌套的城市建成区遥感提取方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115018859A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117612003A (zh) * | 2023-11-27 | 2024-02-27 | 通友微电(四川)有限公司 | 一种基于多源遥感影像的城市建成区绿地变化识别方法 |
-
2022
- 2022-04-14 CN CN202210392975.8A patent/CN115018859A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117612003A (zh) * | 2023-11-27 | 2024-02-27 | 通友微电(四川)有限公司 | 一种基于多源遥感影像的城市建成区绿地变化识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596103B (zh) | 基于最佳光谱指数选择的高分辨遥感影像建筑物提取方法 | |
CN107610164B (zh) | 一种基于多特征混合的高分四号影像配准方法 | |
CN107067405B (zh) | 基于尺度优选的遥感影像分割方法 | |
CN112396128B (zh) | 一种铁路外部环境风险源样本自动标注方法 | |
Huang et al. | Automatic extraction of impervious surfaces from high resolution remote sensing images based on deep learning | |
CN111008664B (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
CN107491758A (zh) | 长江流域水体信息提取及其空间编码方法 | |
CN107688777B (zh) | 一种协同多源遥感影像的城市绿地提取方法 | |
CN110390255A (zh) | 基于多维度特征提取的高铁环境变化监测方法 | |
CN112017160A (zh) | 一种基于多策略组合的多源遥感影像道路材质精细提取方法 | |
CN113744249B (zh) | 一种海洋生态环境损害调查方法 | |
CN112241661A (zh) | 一种结合机载LiDAR点云数据和航空影像的城市地物精细化分类方法 | |
CN112669459A (zh) | 基于特征库智能决策的卫星影像最优镶嵌线生成方法 | |
CN113780307A (zh) | 一种区域年度最大蓝绿空间信息提取方法 | |
CN112037244B (zh) | 联合指数和轮廓指示器SLIC的Landsat-8图像养殖池提取方法 | |
CN113362359A (zh) | 融合高度和光谱信息的倾斜摄影数据建筑物自动提取方法 | |
CN109598202A (zh) | 一种基于对象的卫星图像多指标建成区自动提取方法 | |
CN113505842A (zh) | 一种适用于大尺度区域遥感影像城市建筑物自动提取方法 | |
CN110070545A (zh) | 一种城镇纹理特征密度自动提取城镇建成区的方法 | |
CN116363522A (zh) | 一种基于深度学习的海岸带围填海变化遥感监测方法 | |
CN115862010A (zh) | 一种基于语义分割模型的高分遥感影像水体提取方法 | |
CN114119630A (zh) | 基于耦合图谱特征的海岸线深度学习遥感提取方法 | |
Yang et al. | An Improved Method for Individual Tree Segmentation in Complex Urban Scene Based on Using Multispectral LiDAR by Deep Learning | |
CN110276270B (zh) | 一种高分辨率遥感影像建筑区提取方法 | |
CN116486282A (zh) | 一种基于深度学习的数字高程模型制作方法及***、电子设备、存储介质 |
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 |