CN115049834B - 基于夜间灯光数据与高分辨率影像的城市建成区提取方法 - Google Patents
基于夜间灯光数据与高分辨率影像的城市建成区提取方法 Download PDFInfo
- Publication number
- CN115049834B CN115049834B CN202210971201.0A CN202210971201A CN115049834B CN 115049834 B CN115049834 B CN 115049834B CN 202210971201 A CN202210971201 A CN 202210971201A CN 115049834 B CN115049834 B CN 115049834B
- Authority
- CN
- China
- Prior art keywords
- area
- remote sensing
- built
- sensing image
- urban
- 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
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 31
- 230000011218 segmentation Effects 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000002372 labelling Methods 0.000 claims abstract description 5
- 230000014509 gene expression Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000005855 radiation Effects 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 7
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 19
- 230000000694 effects Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012937 correction Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 239000005441 aurora Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of 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
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及城市遥感信息技术应用领域,具体涉及一种基于夜间灯光数据与高分辨率影像的城市建成区提取方法,包括:采集同一区域的夜间灯光遥感图像和高分辨率全色遥感图像,并分别对这两种图像进行预处理;对高分辨率全色遥感图像样本内的建筑区域与其它区域进行分割标注;将同一区域的高分辨率全色遥感图像样本和夜间灯光遥感图像的分辨率进行调整,使两种图像的分辨率相同;利用同一区域的两种图像中每行每列的像素及其权重构建交叉熵损失函数;利用交叉熵损失函数得到训练好的语义分割网络;将预处理后的两种图像输入到训练好的语义分割网络中,完成城市建成区的提取。上述方法用于城市建成区的提取,可提高建成区的提取准确性。
Description
技术领域
本发明涉及城市遥感信息技术应用领域,具体涉及一种基于夜间灯光数据与高分辨率影像的城市建成区提取方法。
背景技术
NPP/VIIRS夜间灯光数据由于其较高的分辨率以及覆盖面广、成本低廉、效率高等特点,被广泛用来衡量人类活动的强度与广度,主要应用于城市建成区提取、区域经济、地缘政治等研究领域。在目前利用夜间灯光数据提取城市建成区的研究中,常用的最佳阈值分割法主要有四种:经验阈值法、突变检测法、统计数据验证法和较高分辨率影像比较法。关于高分辨率影像提取城市建成区的研究大致可以分为两类:一类是基于区域增长方法的半自动提取方法,另一类方法则主要是基于分类的思想,根据光谱和纹理特征进行分类并作进一步处理以达到提取城市建成区的目的。
然而,利用NPP/VIIRS夜间灯光数据提取城市建成区仍然存在挑战:主要是NPP/VIIRS夜间灯光数据受到溢出效应的影响。由于非相干光从光源向各个方向辐射,比如,灯光亮度在周围区域的弥散,造成灯光亮度的溢出效应,导致对城市土地用地面积的高估,限制了NPP/VIIRS夜间灯光数据在城市土地用地精确提取的广泛应用。
发明内容
为了克服上述现有技术的缺点,本发明提供了一种基于夜间灯光数据与高分辨率影像的城市建成区提取方法,以实现对城市建成区的精确提取。
为达到上述目的,本发明采用以下技术方案,一种基于夜间灯光数据与高分辨率影像的城市建成区提取方法,包括:
S1:采集同一区域的NPP/VIIRS夜间灯光遥感图像和高分辨率全色遥感图像,并分别对这两种图像进行预处理;
S2:构建语义分割网络模型:
S201:对预处理后的高分辨率全色遥感图像样本内的建筑区域与其它区域进行分割标注;
S202:将同一区域的高分辨率全色遥感图像样本和夜间灯光遥感图像的分辨率进行调整,使同一区域的高分辨率全色遥感图像样本和夜间灯光遥感图像的分辨率相同;
S203:利用同一区域的高分辨率全色遥感图像样本和夜间灯光遥感图像中每行每列的像素及其权重构建交叉熵损失函数;
S204:利用构建的交叉熵损失函数对语义分割网络模型进行监督训练,直至语义分割网络收敛为止,得到训练好的语义分割网络;
S3:将预处理后的同一区域的NPP/VIIRS夜间灯光遥感图像和高分辨率全色遥感图像输入到训练好的语义分割网络模型中,完成城市建成区的提取。
所述一种基于夜间灯光数据与高分辨率影像的城市建成区提取方法,所述交叉熵损失函数的表达式为:
所述一种基于夜间灯光数据与高分辨率影像的城市建成区提取方法,所述图像中第i行第j列像素的权重的表达式为:
将夜间灯光遥感图像分为三个区域,该三个区域包括:建成区、过渡区和非建成区;
对建成区和非建成区进行中值滤波去噪,然后在两个区域中各选取一个中心邻域,并对中心邻域内各个像素的灰度值按大小进行排序,选取排序序列中的中值作为该中心邻域中心像素的灰度值;
对建成区和非建成区进行形态重构,获取形态重构后的夜间灯光遥感图像;
获取形态重构后的夜间灯光遥感图像的梯度图像;
利用分水岭分割算法提取梯度图像中的建成区;
所述一种基于夜间灯光数据与高分辨率影像的城市建成区提取方法,所述最优阈值是按照以下方式获取:
设置初始阈值,并将该初始阈值为基础,以间隔权重为间隔进行迭代增加;
利用迭代后的结果获得城市斑块的周长随阈值迭代的分布情况;
找出城市斑块的周长突变时所对应的辐射值,该辐射值减掉间隔权重即为最优阈值。
本发明的有益效果是:通过结合NPP/VIIRS夜间灯光数据和高分辨率影像提供了一种城市建成区的提取方法,该提取方法可以有效减少NPP/VIIRS夜间灯光数据溢出效应的影响,尤其在水体、建筑区内的植被区域等的夜间灯光亮度溢出现象,弥补当前已有方法的不足。同时本发明构建一种语义分割网络模型:利用夜间灯光数据提取不同形态城市建成区的最佳阈值,获取加权交叉熵。
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,下面将对实施例或现有技术描述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是本发明的城市建成区提取方法的流程示意图;
图2是本发明的语义分割网络模型的构建过程示意图;
图3是本发明的城市建成区的最优阈值获取过程示意图。
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。
实施例
本实施例提供了一种基于夜间灯光数据与高分辨率影像的城市建成区提取方法,如图1所示,包括:
S1:采集同一区域的NPP/VIIRS夜间灯光遥感图像和高分辨率全色遥感图像,并分别对这两种图像进行预处理。
1.对NPP/VIIRS夜间灯光遥感图像进行预处理。
首先用ArcMap完成NPP/VIIRS夜间灯光遥感图像的裁剪、重采样和重投影,裁剪、重采样和重投影属于常见的遥感图像预处理,过程细节不再赘述。NPP/VIIRS夜间灯光遥感图像的原始数据采用WGS1984坐标系,将其转换为Albers等积投影坐标系。然后将其重采样到0.5km×0.5km的网格中,本步骤主要是为了避免由坐标系引起的图像失真并简化图像区域的计算。
对NPP/VIIRS夜间灯光遥感图像进行年度均值图像的合成。在下载时月合成数据出现5、6月份缺失的情况,这可能是因为极光等污染光源的影响,且这种现象在每年的月合成数据中基本都会出现,因此采取了剔除这两个月的数据然后把剩余10个月数据求平均的方法来合成年度均值图像。合成公式如下所示:
对NPP/VIIRS夜间灯光遥感图像进行不稳定光源和背景噪声消除、极值消除,把小于零的值设为0.001(近似为0,对统计分析没影响),把背景值设为0;把大于235的数值设为235(根据推理经验值),以删除一些异常值。
2.对高分辨率全色遥感图像进行预处理。
首先对高分辨率全色遥感图像进行辐射校正、大气校正,然后利用小波变换算法对校正后的图像进行去云处理,对图像进行直方图均衡化拉伸,其作用是通过拉伸像素强度分布范围来增强图像对比度。辐射校正、大气校正和直方图均衡化拉伸属于常见的遥感图像预处理,过程细节不再赘述。
S2:构建语义分割网络模型。
构建的网络模型采用基于深度学习的语义分割方法,具体有Unet、SegNet和FCN等模型,采用编码器-解码器结构。
如图2所示,本实施例所述语义分割网络模型的构建过程具体为:
S201:对预处理后的高分辨率全色遥感图像样本内的建筑区域与其它区域进行分割标注。
对高分辨率全色遥感图像样本进行标注,像素位置为建筑区域的标注为0,其它标注为1,最终得到一张像素值包含0,1的标注图像。
S202:将同一区域的高分辨率全色遥感图像样本和夜间灯光遥感图像的分辨率进行调整,使同一区域的高分辨率全色遥感图像样本和夜间灯光遥感图像的分辨率相同。
对同一区域的夜间灯光遥感图像和高分辨率全色遥感图像样本进行分块处理并调整分辨率。由于遥感图像数据分辨率较大,输入网络时需要进行分块处理,例如一个10000*10000的图像,可以分块成400块500*500大小的。同时由于两种图像分辨率不同,需要采用图像插值的方法把两种图像调到相同分辨率,常用的图像插值方法有:最邻近元法、双线性内插法和三次内插法。本实施例图像插值方法采用三次内插法,该方法利用三次多项式求逼近理论上最佳插值函数。
S203:利用同一区域的高分辨率全色遥感图像样本和夜间灯光遥感图像中每行每列的像素及其权重构建交叉熵损失函数。
语义分割网络模型采用交叉熵,它是对给定随机变量或事件集的两个概率分布之间的差异的度量,分类任务采用softmax激活函数+交叉熵损失函数,softmax激活函数将一个向量进行“归一化”成概率分布的形式,再采用交叉熵损失函数计算Loss。
其中M、N分别为图像的宽、高,表示第i行第j列像素的权重,加权交叉熵基于图
像位置进行加权,可以使得网络更注意VBANUI大的区域,且可以学习到DN与建成区的关系,
提高提取城市建成区的准确性。表示语义分割网络预测的第i行第j列像素的概率。表
示语义分割网络的第i行第j列像素的标签值。
上述加权交叉熵是基于图像位置进行加权,可以使得网络更注意VBANUI大的区域,且可以学习到DN与建成区的关系,提高城市建成区的提取准确性,每个像素的权重的获取方法具体如下:
(1)将夜间灯光遥感图像分为三个区域:建成区、非建成区和过渡区。将亮度辐射值大于c的像元作为建成区,像元亮度辐射值介于a和c的作为过渡区,亮度辐射值低于a的像元作为非建成区。将整幅夜间灯光遥感图像输入做如下处理:
①对建成区和非建成区进行中值滤波去噪,各选取一个中心邻域,然后对中心邻域内各个像素的灰度值按大小进行排序,选取排序序列中的中值作为该中心邻域中心像素点的灰度值;
③利用Sobel算子计算梯度数据,该算子是一种1阶微分算子,它利用像素邻近区域的梯度值来计算1个像素的梯度,然后根据一定的绝对值来取舍。
④利用分水岭分割算法提取建成区,通常把梯度图像作为输入图像。
(2)对预处理后的夜间遥感图像采用周长突变检测法,由于城市建成区是聚合人类活动的整体,且NPP/VIIRS夜间灯光遥感图像分辨率较低,所以城市建成区内部应该很少有破碎斑块,且其夜间灯光数值应该比非城市建成区和城郊都更高。因此,随着设置的阈值不断增大,划归城市建成区的像元不断减少,城市建成区的周长相应也变小。但是,当阈值增大到一定程度时,城市建成区内部开始破碎,进而导致城市建成区周长没有变小,反而骤然增大。正确的阈值应该能够保证提取出来的城市结构的整体性,使之鲜少存在破碎区,所以将突变点之前的灯光值识别为最优阈值。
如图3所示,获取最优阈值的具体实现步骤如下:
2.将连续的城市像元聚合成城市斑块,计算城市斑块的总数量,记为Q;
3.从1到Q标识城市斑块,计算每一个城市斑块的周长,并求和;
4.城市斑块的周长计算公式如下:
6.找出最优阈值。找到城市斑块的周长突然剧烈增加时对应的辐射值,这个辐射值减掉0.01就是最优阈值;
其中,是带宽(根据经验值,在二维情况下=1),控制径向作用范围,换句话说,控制高斯核函数的局部作用范围。在图形上,正态分布是一种钟形曲线,越接近中心,取
值越大,越远离中心,取值越小。表示每个城市斑块中像素的坐标,当和的欧式距
离处于某一个区间范围内的时候,假设固定,随的变化而变化,且变化程度相当
显著。
8.提取每一个城市斑块内的年平均夜间灯光总量,最终每个城市斑块都得到一个权重,则每个城市斑块的平均灯光强度计算公式如下:
(3)从高分辨率全色遥感图像样本中提取NDVI和NDBI,其中NDVI为归一化植被指数,NDBI为归一化建筑指数,NDVI和NDBI的表达式如下:
NDVI取值为[-1,1],NDVI>0为植被覆盖区,NDVI<0为非植被覆盖区。表达式(1-NDVI)则表征了较大的非植被覆盖区权重在城市核心地区,(1-NDVI)与NTL的结合可减少城市核心区夜间灯光的饱和现象,并增加城市内部核心区变化特征的快速识别。
其次,NDBI取值范围也在[-1,1]之间。研究表明NDBI正值为城市用地区域,NDBI负值为非城市用地区域。融入NDBI后,在水体对城市建成区混淆或者NDVI和NTL有溢出效应时,都可以有效控制并减弱其影响。
(4)由上述公式计算可知:
最终得到每个像素的权重的表达式为:
S204:利用构建的交叉熵损失函数对语义分割网络模型进行监督训练,直至语义分割网络收敛为止,得到训练好的语义分割网络。
S3:将预处理后的同一区域的NPP/VIIRS夜间灯光遥感图像和高分辨率全色遥感图像输入到训练好的语义分割网络模型中,完成城市建成区的提取。
将上述两种图像输入编码器,经过编码器特征提取,输出为特征图,解码器输入为特征图,经过解码器的上采样和拟合,得到目标分割图。
对语义分割网络进行优化,常用优化器有:SGD、Adam和Lookahead优化器,本实施例优选使用Lookahead优化器。
综上所述,本实施例提出的方法能够结合夜间灯光数据和高分辨率数据,提出加权交叉熵的方法,再引入NDVI和NDBI指标,有效减少了灯光亮度与NDVI溢出效应的影响,达到提高城市建成区提取准确性的目的。
以上所述仅为本发明的较佳实施例而已,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 (2)
1.一种基于夜间灯光数据与高分辨率影像的城市建成区提取方法,其特征在于,包括:
S1:采集同一区域的NPP/VIIRS夜间灯光遥感图像和高分辨率全色遥感图像,并分别对这两种图像进行预处理;
S2:构建语义分割网络模型:
S201:对预处理后的高分辨率全色遥感图像样本内的建筑区域与其它区域进行分割标注;
S202:将同一区域的高分辨率全色遥感图像样本和夜间灯光遥感图像的分辨率进行调整,使同一区域的高分辨率全色遥感图像样本和夜间灯光遥感图像的分辨率相同;
S203:利用同一区域的高分辨率全色遥感图像样本和夜间灯光遥感图像中每行每列的像素及其权重构建交叉熵损失函数;
所述交叉熵损失函数的表达式为:
所述图像中第i行第j列像素的权重的表达式为:
将夜间灯光遥感图像分为三个区域,该三个区域包括:建成区、过渡区和非建成区;
对建成区和非建成区进行中值滤波去噪,然后在两个区域中各选取一个中心邻域,并对中心邻域内各个像素的灰度值按大小进行排序,选取排序序列中的中值作为该中心邻域中心像素的灰度值;
对建成区和非建成区进行形态重构,获取形态重构后的夜间灯光遥感图像;
获取形态重构后的夜间灯光遥感图像的梯度图像;
利用分水岭分割算法提取梯度图像中的建成区;
将梯度图像中的建成区和非建成区进行标记,得到城市建成区的二值图,将该城市建成区的二值图的像素值作为;
S204:利用构建的交叉熵损失函数对语义分割网络模型进行监督训练,直至语义分割网络收敛为止,得到训练好的语义分割网络;
S3:将预处理后的同一区域的NPP/VIIRS夜间灯光遥感图像和高分辨率全色遥感图像输入到训练好的语义分割网络模型中,完成城市建成区的提取。
2.根据权利要求1所述的一种基于夜间灯光数据与高分辨率影像的城市建成区提取方法,其特征在于,所述最优阈值是按照以下方式获取:
设置初始阈值,并将该初始阈值为基础,以间隔权重为间隔进行迭代增加;
利用迭代后的结果获得城市斑块的周长随阈值迭代的分布情况;
找出城市斑块的周长突变时所对应的辐射值,该辐射值减掉间隔权重即为最优阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210971201.0A CN115049834B (zh) | 2022-08-15 | 2022-08-15 | 基于夜间灯光数据与高分辨率影像的城市建成区提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210971201.0A CN115049834B (zh) | 2022-08-15 | 2022-08-15 | 基于夜间灯光数据与高分辨率影像的城市建成区提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115049834A CN115049834A (zh) | 2022-09-13 |
CN115049834B true CN115049834B (zh) | 2022-11-11 |
Family
ID=83167533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210971201.0A Active CN115049834B (zh) | 2022-08-15 | 2022-08-15 | 基于夜间灯光数据与高分辨率影像的城市建成区提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115049834B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115690576B (zh) * | 2022-10-17 | 2024-05-31 | 武汉大学 | 基于夜光影像多特征的贫困率估算方法及*** |
CN117612003B (zh) * | 2023-11-27 | 2024-07-23 | 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 |
CN117495425B (zh) * | 2023-12-29 | 2024-04-12 | 武汉大学 | 一种基于多维夜光特征的资产财富估算方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596139A (zh) * | 2018-05-03 | 2018-09-28 | 武汉大学 | 一种基于Gabor特征显著性的遥感影像城市区域提取方法 |
CN111597949A (zh) * | 2020-05-12 | 2020-08-28 | 中国科学院城市环境研究所 | 一种基于npp-viirs夜间灯光数据的城市建成区提取方法 |
CN112989985A (zh) * | 2021-03-08 | 2021-06-18 | 武汉大学 | 一种融合夜间灯光数据与Landsat8 OLI影像的城市建成区提取方法 |
US11189034B1 (en) * | 2020-07-22 | 2021-11-30 | Zhejiang University | Semantic segmentation method and system for high-resolution remote sensing image based on random blocks |
-
2022
- 2022-08-15 CN CN202210971201.0A patent/CN115049834B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596139A (zh) * | 2018-05-03 | 2018-09-28 | 武汉大学 | 一种基于Gabor特征显著性的遥感影像城市区域提取方法 |
CN111597949A (zh) * | 2020-05-12 | 2020-08-28 | 中国科学院城市环境研究所 | 一种基于npp-viirs夜间灯光数据的城市建成区提取方法 |
US11189034B1 (en) * | 2020-07-22 | 2021-11-30 | Zhejiang University | Semantic segmentation method and system for high-resolution remote sensing image based on random blocks |
CN112989985A (zh) * | 2021-03-08 | 2021-06-18 | 武汉大学 | 一种融合夜间灯光数据与Landsat8 OLI影像的城市建成区提取方法 |
Non-Patent Citations (1)
Title |
---|
基于NPP-VIIRS夜间灯光数据和Landsat-8数据的城镇建筑用地提取方法改进――以广州市为例;唐梁博等;《测绘与空间地理信息》;20170925(第09期);第79-83页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115049834A (zh) | 2022-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115049834B (zh) | 基于夜间灯光数据与高分辨率影像的城市建成区提取方法 | |
CN107045629B (zh) | 一种多车道线检测方法 | |
CN103400151B (zh) | 一体化的光学遥感影像与gis自动配准与水体提取方法 | |
Zhang et al. | A fusion algorithm for infrared and visible images based on saliency analysis and non-subsampled Shearlet transform | |
CN101599120B (zh) | 一种遥感影像建筑物识别方法 | |
CN109472200B (zh) | 一种智能的海面垃圾检测方法、***和存储介质 | |
CN111797712B (zh) | 基于多尺度特征融合网络的遥感影像云与云阴影检测方法 | |
CN111027446B (zh) | 一种高分辨率影像的海岸线自动提取方法 | |
CN111310771B (zh) | 遥感影像的道路图像提取方法、装置、设备及存储介质 | |
CN105405138B (zh) | 基于显著性检测的水面目标跟踪方法 | |
CN110176005B (zh) | 基于归一化指数和多尺度模型的遥感图像分割方法 | |
CN110070545B (zh) | 一种城镇纹理特征密度自动提取城镇建成区的方法 | |
CN115861359B (zh) | 一种水面漂浮垃圾图像自适应分割提取方法 | |
CN112200083B (zh) | 一种基于多元高斯混合模型的机载多光谱LiDAR数据分割方法 | |
CN103984947A (zh) | 基于形态学房屋指数的高分辨率遥感影像房屋提取方法 | |
CN106529472B (zh) | 基于大尺度高分辨率高光谱图像的目标探测方法及装置 | |
CN115631372B (zh) | 基于土壤遥感数据的土地信息分类管理方法 | |
CN117079117B (zh) | 水下图像处理及目标识别的方法及装置、存储介质及电子设备 | |
CN111199195A (zh) | 一种基于遥感图像的池塘状态全自动监测方法和装置 | |
CN116091937A (zh) | 基于深度学习的高分辨率遥感影像地物识别模型计算方法 | |
Ju et al. | A novel fully convolutional network based on marker-controlled watershed segmentation algorithm for industrial soot robot target segmentation | |
Wang et al. | Simultaneous extracting area and quantity of agricultural greenhouses in large scale with deep learning method and high-resolution remote sensing images | |
CN113705433A (zh) | 一种基于可见光航拍图像的电力线检测方法 | |
CN109165590A (zh) | 利用稀疏形态成分的高分辨率遥感图像道路提取方法 | |
Subhashini et al. | An innovative hybrid technique for road extraction from noisy satellite images |
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 | ||
CP03 | Change of name, title or address |
Address after: 226200 group 11, Chengbei Village, Huilong Town, Qidong City, Nantong City, Jiangsu Province Patentee after: Jiangsu Dianboshi Energy Equipment Co.,Ltd. Address before: 226000 group 11, Chengbei Village, Huilong Town, Qidong City, Nantong City, Jiangsu Province Patentee before: Nantong Electric doctor automation equipment Co.,Ltd. |
|
CP03 | Change of name, title or address |