CN115170979B - 一种多源数据融合的矿区精细用地分类方法 - Google Patents
一种多源数据融合的矿区精细用地分类方法 Download PDFInfo
- Publication number
- CN115170979B CN115170979B CN202210769160.7A CN202210769160A CN115170979B CN 115170979 B CN115170979 B CN 115170979B CN 202210769160 A CN202210769160 A CN 202210769160A CN 115170979 B CN115170979 B CN 115170979B
- Authority
- CN
- China
- Prior art keywords
- feature
- depth
- fusion
- features
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000005065 mining Methods 0.000 title claims abstract description 61
- 230000004927 fusion Effects 0.000 title claims abstract description 55
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 40
- 239000013598 vector Substances 0.000 claims abstract description 23
- 238000007637 random forest analysis Methods 0.000 claims abstract description 22
- 230000011218 segmentation Effects 0.000 claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 34
- 238000000605 extraction Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 21
- 230000003595 spectral effect Effects 0.000 claims description 20
- 238000012937 correction Methods 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000008030 elimination Effects 0.000 claims description 9
- 238000003379 elimination reaction Methods 0.000 claims description 9
- 238000007499 fusion processing Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000012952 Resampling Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000012946 outsourcing Methods 0.000 claims description 4
- 239000003245 coal Substances 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 239000002689 soil Substances 0.000 claims description 3
- 244000025254 Cannabis sativa Species 0.000 claims description 2
- 230000003750 conditioning effect Effects 0.000 claims 1
- 238000007726 management method Methods 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000002310 reflectometry Methods 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
- 239000000443 aerosol Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000008093 supporting effect Effects 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/58—Extraction of image or video features relating to hyperspectral data
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/771—Feature selection, e.g. selecting representative features from a multi-dimensional feature space
-
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
-
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/817—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level by voting
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural 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
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
-
- 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)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种多源数据融合的矿区精细用地分类方法,首先获取多源数据进行预处理并多尺度分割得到影像对象,并对影像对象裁剪高分影像块用于深度特征提取;然后,多分支卷积神经网络模型自动提取特征列向量和深度语义特征;利用多源特征深度融合模块进行特征融合并利用特征重要性权重计算模块计算多源数据深度特征重要性权重,实现有效信息的自适应融合;最后通过随机森林分类器利用深度融合特征进行矿区地物精细分类,得到矿区用地精细分类结果。本发明提供一种多源数据融合的矿区精细用地分类方法,实现了矿区精细用地分类,为矿区用地监测、管理和矿区生态环境保护提供基础数据支持,对于矿区用地监测管理与生态环境保护具有重要意义。
Description
技术领域
本发明涉及遥感影像处理、土地分类、深度学习领域,尤其涉及一种多源数据融合的矿区精细用地分类方法。
背景技术
基于遥感影像的土地覆盖/利用分类技术众多,传统方法采用目视解译进行分类,虽然具备较高的精度,但该方法存在效率低,成本高的问题。除此之外,还有利用传统的机器学习算法进行分类,相较于目视解译极大的提高了分类效率,但是对于分类精度提高有限,存在高维数据难处理、泛化能力不理想的问题。加之,矿区用地类型多且地形破碎度高,导致现有的矿区用地分类方法仅能识别植被、采矿用地、水体、裸地、道路等的用地情况,难以对植被、采矿用地进行更为精细的分类。
现有的土地覆盖/利用分类方法常采用单一的遥感影像数据,研究者们采用合成孔径雷达(Synthetic Aperture Radar,SAR)影像进行用地分类,其影像具有较好的纹理信息,一定程度上能够减少因多光谱遥感同物异谱或异物同谱所产生的用地分类误差,但其图像噪声污染较严重,空间分辨率也不高。因此,为解决单一影像分类结果精度低,获得更丰富且精确度更高的土地覆盖/利用信息,有研究者提出了融合多源遥感数据的方法,但目前多源数据融合方法利用传统人工设计的方法提取特征,并在此基础上进行分类,然而人工提取特征由于对不同地物的表达能力有限,没有充分利用不同数据源的优势,使得这种方法精度不高。
矿区是人类活动与自然环境相互作用的复杂场景,矿区资源开采、矿山复垦等人类活动影响矿区用地变化以及生态环境,矿区用地情况的掌握对于了解矿区自然资源现状,开展土地利用管理以及实现矿区可持续发展等具有基础性数据支撑的作用,因此,实现矿区精细用地分类是目前亟待解决的问题。
发明内容
针对现有技术面向矿区精细用地分类的技术难题,本发明的目的在于提供一种多源数据融合的矿区精细用地分类方法,利用了Sentinel-1SAR影像、Sentinel-2等多光谱遥感影像、SAR影像与高分辨率遥感影像,从而可以综合高分影像的高空间分辨率、多光谱影像的光谱信息和SAR影像的纹理特征数据的优势,来解决单一影像分类精度低和植被、采矿用地等无法进行细分的问题;首先获取多源数据进行预处理,对高分影像进行多尺度分割得到影像对象,分别利用多光谱影像和SAR影像提取影像对象的光谱、纹理特征列向量,并对影像对象裁剪高分影像块用于深度特征提取;然后,多分支卷积神经网络模型自动提取特征列向量和高分影像对象的深度语义特征;其次,为了给后续分类提供足够多的光谱特征、纹理特征和细节信息,利用多源特征深度融合模块将多源数据的深度语义特征进行融合,多源特征深度融合模块是利用特征重要性权重计算模块计算多源数据深度特征重要性权重,实现有效信息的自适应融合;利用特征冗余剔除模块减少和消除多源信息之间的信息冗余;最后鉴于随机森林有抗干扰性和抗过拟合能力强、平衡误差、训练速度快和易于实现等优势,通过随机森林分类器利用深度融合特征进行矿区地物精细分类,得到矿区用地精细分类结果。
本发明的目的通过下述技术方案实现:
一种多源数据融合的矿区精细用地分类方法,其方法如下:
A、采集多源数据进行融合处理得到高分影像数据,多源数据包括多光谱遥感影像、SAR影像和高分辨率遥感影像,对高分影像数据集中的高分影像数据分割得到影像对象,计算各个影像对象的多光谱影像光谱特征、SAR影像纹理特征,并对各个影像对象构建高分影像数据集;
B、搭建多分支卷积神经网络模型,多分支卷积神经网络模型对高分影像数据集进行深度特征提取及深度特征融合处理;
B1、多分支卷积神经网络模型包括两个1D-Net特征提取网络,两个1D-Net特征提取网络分别对应提取得到光谱特征、纹理特征两个特征列向量,1D-Net特征提取网络依次包括第一卷积层、第一最大池化层、第二卷积层、第二最大池化层和全连接层,第一卷积层含有四个尺寸为3、步长为1的卷积核,激活函数为ReLU,经过第一卷积层会生成数量与卷积核个数相同的特征图,第一最大池化层对第一卷积层的特征图进行下采样;第二卷积层含有八个尺寸为3、步长为1的卷积核,激活函数为ReLU,经过第二卷积层会生成数量与卷积核个数相同的特征图,第二最大池化层对第二卷积层的特征图进行下采样;全连接层对特征进行重新提取并输出由特征列向量得到的深度语义特征;
多分支卷积神经网络模型还包括空洞卷积Dilated-ResNet50,空洞卷积Dilated-ResNet50包括Conv Block模块和Identity Block模块,空洞卷积Dilated-ResNet50对影像对象进行深度特征提取;
B2、多分支卷积神经网络模型还包括多源特征深度融合模块,多源特征深度融合模块对步骤B1得到的深度语义特征及深度特征进行特征融合处理,融合后得到融合深度特征;
C、制作矿区各用地类型的样本数据集,样本数据集与高分影像数据集相对应,通过样本数据集对多分支卷积神经网络模型进行模型训练;
D、将高分影像数据集输入训练后的多分支卷积神经网络模型中得到每个影像对象的融合深度特征,然后输入到随机森林分类器中进行矿区用地类型分类。
为了更好地实现本发明矿区精细用地分类方法,本发明步骤A包括如下方法:
A1、多源数据中的多光谱遥感影像选择含云量最小的一景Sentinel-2L1C级多光谱遥感影像或/和高分数据影像;多源数据中的SAR影像数据选择相关联或相邻日期Sentinel-1的干涉宽幅模式双极化地距影像;
A2、通过SNAP软件对高分影像数据中的多光谱遥感影像进行大气校正,剔除60米分辨率波段数据、保留10米和20米的波段数据,并对5、6、7、8b、11、12波段进行重采样,得到涵盖包括可见光、红边、近红外、短波红外在内空间分辨率为10米的多光谱波段集;通过SNAP软件对高分影像数据中的SAR影像数据进行轨道校正、辐射定标、红外热噪声去除、地形校正、滤波、重投影和裁剪的预处理,并对其进行重采样,使空间分辨率达到10米,再进行几何校正;
A3、从高分影像数据中的多光谱遥感影像提取10个光谱波段和12个光谱特征;从高分影像数据中的SAR影像计算得到两个后向散射系数,再选择5×5的滤波器窗口,利用灰度共生矩阵方法分别基于0°,45°,90°,135°这四种角度进行计算提取32个纹理特征;
A4、采用ESP工具自动获得最佳分割尺度并利用多尺度分割算法对高分影像数据进行面向对象分割得到分割结果。
本发明矿区精细用地分类方法的步骤C中多分支卷积神经网络模型的模型训练方法如下:
C1、样本数据集中的样本数据为采集的矿区遥感影像数据,对样本数据集的样本数据进行分类标注,标注的分类类别包括露天采场、排土场、煤堆、矿山建筑、乔木、灌木、高/中/低覆盖度草地、草灌乔混交、水体、道路和裸地;然后按照6:2:2的比例将每个类别的样本数据随机分为训练集、验证集和测试集;
C2、利用训练集对多分支卷积神经网络模型进行迭代训练,利用验证集检验每次迭代训练后的模型精度,训练过程中采用交叉熵损失函数,交叉熵损失函数的表达式如下:
C3、设置多分支卷积神经网络模型的迭代训练次数,并利用梯度下降算法降低模型损失值,同时优化并更新模型的参数;
C4、将影像对象的融合深度特征输入到随机森林分类器,利用训练集训练随机森林分类器,通过随机森林分类器进行矿区用地类型分类。
本发明矿区精细用地分类方法的步骤A4还包括如下方法:对分割结果创建每一个分割对象的最小外包矩形来生成高分影像块,该高分影像块作为影像对象构建高分影像数据集。
本发明矿区精细用地分类方法在步骤B1中,空洞卷积Dilated-ResNet50的ConvBlock模块、Identity Block模块均包括主干与残差边两个部分,Conv Block模块的主干部分包括卷积处理、标准化处理,Conv Block模块采用激活函数ReLU,卷积处理包括使用尺寸为1×1的卷积核对特征图像进行降维处理、利用dilation rate=2的3×3空洞卷积核做卷积处理;Conv Block模块的残差边部分包括1×1的卷积处理和标准化处理。
本发明矿区精细用地分类方法在步骤B2中,多分支卷积神经网络模型的多源特征深度融合模块还包括特征重要性权重计算模块,通过特征重要性权重计算模块获得每一维的特征权重,方法如下:对步骤B1得到的深度语义特征及深度特征进行重排列,然后利用全局平均池化对重排列的深度语义特征及深度特征分别以三个特征列向量为单位进行均值化,再通过两个全连接层计算得到多源数据特征重要性的三个权重值;
将权重值和多分支卷积神经网络模型提取的深度语义特征及深度特征的特征列向量求乘积,并利用concat方法将赋权后的特征列向量进行融合。
本发明矿区精细用地分类方法在步骤B2中还包括如下方法:
多源特征深度融合模块还包括特征冗余剔除模块,特征冗余剔除模块对融合深度特征剔除不相关或冗余的特征。
优选地,本发明还包括C5;
C5、利用测试集对多分支卷积神经网络模型、随机森林分类器进行精度评价。
优选地,本发明在步骤A3中,光谱特征包括归一化植被指数、增强植被指数、比值植被指数、差值植被指数、绿色归一化植被指数、大气阻抗植被指数、改良土壤调整植被指数、红边归一化植被指数、归一化水体指数、多波段水体指数、归一化建筑指数、归一化燃烧指数。
优选地,本发明在步骤A3中,纹理特征包括各角度下的均值、方差、同质性、对比度、差异性、熵、角二阶矩、相关性。
本发明较现有技术相比,具有以下优点及有益效果:
(1)本发明采用多分支卷积神经网络对多源数据分别进行深度特征提取,然后使用多源深度特征融合模块进行特征的深度融合,最后基于融合的多源特征使用随机森林分类器实现矿区用地的精细分类;本发明提供一种多源数据融合的矿区精细用地分类方法,实现了矿区精细用地分类,为矿区用地监测、管理和矿区生态环境保护提供基础数据支持。
(2)本发明使用多光谱影像、SAR影像和高分影像构建了包含光谱、纹理特征列向量和高分影像块的高分影像数据集,避免不同传感器获取的影像数据在几何、光谱和空间分辨率等方面存在着一定的局限性问题,能够提供足够的光谱、纹理特征与细节信息来对土地类型做出更准确的判断,从而提高分类结果的精度。
(3)本发明将高分影像数据集输入到多分支卷积神经网络中,进行深度特征的自学习与提取,通过1D-Net特征提取网络处理特征列向量得到深度语义特征,能够并行计算,提高训练效率,通过空洞卷积Dilated-ResNet50处理高分影像块得到深度语义特征,其中空洞卷积的引入增大了感受野,并解决由于矿区植被稀疏特点所造成的错分问题;多分支卷积神经网络能够针对多源遥感数据各自的异构性特点,分别进行深度特征提取,也为多源数据融合分类提供了可能。
(4)本发明多源特征深度融合模块对提取的深度特征进行融合,包含了特征重要性权重计算模块和特征冗余剔除模块,利用特征重要性权重计算模块来计算每一维的特征权重,为多源深度语义特征赋权,然后利用乘积进行融合,利用特征冗余剔除模块消除多源特征的冗余,从而对特征降维。
(5)本发明使用随机森林对深度融合特征进行分类,随机森林采用多个决策树的投票机制,具有抗干扰性和抗过拟合能力强、平衡误差和易于实现的优势,有助于利用深度特征实现精确的矿区土地利用类型分类。
(6)本发明能够替代传统的目视解译、机器学习算法等矿区用地分类方法实现矿区用地精细分类工作,兼顾了分类的效率和精度,能够广泛适用于矿区土地利用分类,对于矿区用地监测与管理和生态环境保护具有重要的意义。
附图说明
图1为本发明矿区精细用地分类方法的流程示意图;
图2为实施例中多分支卷积神经网络模型、随机森林分类器的原理结构示意图;
图3为实施例中多分支卷积神经网络模型的1D-Net特征提取网络的原理结构示意图;
图4为实施例中多分支卷积神经网络模型的Conv Block模块与Identity Block模块的原理结构示意图;
图5为实施例中多分支卷积神经网络模型的空洞卷积Dilated-ResNet50的原理示意图;
图6为实施例中特征重要性权重计算模块的结构示意图;
图7为实施例中特征冗余剔除模块的结构示意图。
具体实施方式
下面结合实施例对本发明作进一步地详细说明:
实施例
如图1~图7所示,一种多源数据融合的矿区精细用地分类方法,其方法如下:
A、采集多源数据进行融合处理得到高分影像数据,多源数据包括多光谱遥感影像、SAR影像和高分辨率遥感影像,对高分影像数据集中的高分影像数据分割得到影像对象,计算各个影像对象的多光谱影像光谱特征、SAR影像纹理特征,并对各个影像对象构建高分影像数据集;本实施例的多光谱遥感影像可以选择含云量最小的一景Sentinel-2L1C级多光谱遥感影像或/和包含红、绿、蓝、近红外四个波段的高分一号遥感影像(本实施例以Sentinel-2L1C级多光谱遥感影像为例进行技术原理介绍);本实施例的SAR影像可以选择相邻日期Sentinel-1的干涉宽幅模式(IW)双极化地距影像,采用VV和VH双极化方式。
在一些实施例中,步骤A包括如下方法:
A1、多源数据中的多光谱遥感影像选择含云量最小的一景Sentinel-2L1C级多光谱遥感影像或/和高分数据影像;多源数据中的SAR影像数据选择相关联或相邻日期Sentinel-1的干涉宽幅模式双极化地距影像(采用VV和VH双极化方式);
A2、通过SNAP软件(本实施例具体采用SNAP软件中的Sen2Cor插件)对高分影像数据中的多光谱遥感影像(本实施例举例为Sentinel-2L1C级多光谱遥感影像)进行大气校正,剔除60米分辨率波段数据、保留10米和20米的波段数据,并用Sen2Cor插件对5、6、7、8b、11、12波段进行重采样,得到涵盖包括可见光、红边、近红外、短波红外在内等10个空间分辨率为10米的多光谱波段集;通过SNAP软件对高分影像数据中的SAR影像数据(本实施例举例为Sentinel-1的干涉宽幅模式双极化地距影像)进行轨道校正、辐射定标、红外热噪声去除、地形校正、滤波、重投影和裁剪的预处理,并对其进行重采样,使空间分辨率达到10米,再进行几何校正;本实施例最后对预处理后的Sentinel-1SAR影像和Sentinel-2多光谱影像以高分影像为参考进行几何校正,并使纠正结果的误差小于一个像元。
A3、从高分影像数据中的多光谱遥感影像(本实施例举例为Sentinel-2多光谱影像)提取10个光谱波段(包括波段2、波段3、波段4、波段5、波段6、波段7、波段8a、波段8b、波段11、波段12)和12个光谱特征;归一化植被指数(Normalized Difference VegetationIndex,NDVI)、增强植被指数(Enhanced Vegetation Index,EVI)、比值植被指数(RatioVegetation Index,RVI)、差值植被指数(Difference vegetation index,DVI)、绿色归一化植被指数(Green Normalized Difference Vegetation Index,GNDVI)、大气阻抗植被指数(Atmospherically Resistant Vegetation Index,ARVI)、改良土壤调整植被指数(Modified soil-Adjusted Vegetation Index,MSAVI)、红边归一化植被指数(Red EdgeNormalized Difference Vegetation Index,RNDVI)、归一化水体指数(NormalizedDifference Water Index,NDWI)、多波段水体指数(Multi-Band Water Index,MBWI)、归一化建筑指数(Normalized Difference Built-up Index,NDBI)、归一化燃烧指数(Normalized Burn Ratio,NBR)。不同类型植被和矿区用地会表现出不同的纹理特征,通过提取图像纹理特征能够实现精细分类,本发明从高分影像数据中的SAR影像(本实施例举例为Sentinel-1SAR影像)计算得到两个后向散射系数(即VH、VV),再选择5×5的滤波器窗口,利用灰度共生矩阵(Grey Level Co-occurrence Matrix,GLCM)方法分别基于0°,45°,90°,135°这四种角度进行计算提取SAR影像(本实施例举例为Sentinel-1SAR影像)的32个纹理特征;纹理特征包括各角度下的均值(Mean)、方差(Variance)、同质性(Homogeneity)、对比度(Contrast)、差异性(Dissimilarity)、熵(Entropy)、角二阶矩(Angular SecondMoment)、相关性(Correlation)。
本发明的光谱波段、纹理特征统计如下表:
表1光谱波段、纹理特征统计表
在光谱波段、纹理特征统计表中,ρnir、ρred、ρblue、ρgreen、ρvegetation red edge、ρSWIR为红边波段地表反射率表示近红外波段、红光波段、蓝光波段反射率、红边波段地表反射率,在Sentinel-2中分别为波段8a、波段4、波段2、波段3、波段5、波段11;L是土壤背景的调节系数,设置为1;C1和C2是气溶胶系数,分别设置为6、7.5;G为增益系数,设置为2.5;gamma为光学路径效应因子,设置为1.0。ρ0(db)为后向散射系数σ0分贝化;P(m,n)表示在给定空间距离d和方向θ时,以灰度级i为起始点,出现灰度级j的概率(m=1,2,G;n=1,2,G),G为所考查图像区域内灰度级的最大值;μx,σx分别为{px(i);i=1,2,3,G}的均值和方差;μy,σy分别为{py(i);i=1,2,3,G}的均值和方差。
A4、采用ESP工具自动获得最佳分割尺度并利用多尺度分割算法(Multi-resolution Segmentation)对高分影像数据进行面向对象分割得到分割结果。多尺度分割算法的参数设置为:尺度参数为50、形状因子为0.3、颜色因子为0.7,紧致度因子为0.5、平滑度因子为0.5。
在一些实施例中,步骤A4还包括如下方法:对分割结果创建每一个分割对象的最小外包矩形来生成高分影像块,该高分影像块作为影像对象构建高分影像数据集。
本实施例所构建的高分影像数据集,多光谱遥感影像提取了10个波段和12个光谱特征,共22个变量;SAR影像提取了2个后向散射系数和32个纹理特征,共34个变量;高分影像数据集中的高分影像通过多尺度分割得到影像对象,依据分割后得到的每一个分割对象,分别求各对象内的多光谱影像和SAR影像提取的每个变量的均值,得到含22个均值的特征列向量和34个均值的特征列向量,再对高分影像多尺度分割的结果创建每一个分割对象的最小外包矩形,从而生成高分影像块(便于深度特征的提取)由此构建得到高分影像数据集。
B、搭建多分支卷积神经网络模型,多分支卷积神经网络模型对高分影像数据集进行深度特征提取及深度特征融合处理;
B1、多分支卷积神经网络模型包括两个1D-Net特征提取网络,两个1D-Net特征提取网络分别对应提取得到光谱特征、纹理特征两个特征列向量(利用1D-Net分别处理从Sentinel-1、Sentinel-2影像中分别提取得到),1D-Net特征提取网络依次包括第一卷积层、第一最大池化层、第二卷积层、第二最大池化层和全连接层(如图3所示,1D-Net特征提取网络包括2个卷积层、2个最大池化层和一个全连接层共计5层),第一卷积层含有四个尺寸为3、步长为1的卷积核,激活函数为ReLU,经过第一卷积层会生成数量与卷积核个数相同的特征图,第一最大池化层对第一卷积层的特征图进行下采样;第二卷积层含有八个尺寸为3、步长为1的卷积核,激活函数为ReLU,经过第二卷积层会生成数量与卷积核个数相同的特征图,第二最大池化层对第二卷积层的特征图进行下采样;全连接层对特征进行重新提取并输出由特征列向量得到的深度语义特征(全连接层经过Dropout层随机丢弃一些神经元后,对特征进行重新提取,输出由特征列向量得到的深度语义特征)。
多分支卷积神经网络模型还包括空洞卷积Dilated-ResNet50(对于高分影像块的处理,由于矿区植被稀疏,需要在不丢失分辨率的情况下增大感受野,获得多尺度信息,空洞卷积Dilated-ResNet50引入空洞卷积(Dilated Convolution)),如图4所示,空洞卷积Dilated-ResNet50包括Conv Block模块和Identity Block模块,空洞卷积Dilated-ResNet50对影像对象进行深度特征提取;
在一些实施例中,空洞卷积Dilated-ResNet50的Conv Block模块、IdentityBlock模块均包括主干与残差边两个部分,Conv Block模块的主干部分包括卷积处理、标准化处理,Conv Block模块采用激活函数ReLU,卷积处理包括使用尺寸为1×1的卷积核对特征图像进行降维处理、利用dilation rate=2的3×3空洞卷积核做卷积处理;Conv Block模块的残差边部分包括1×1的卷积处理和标准化处理。
优选地,Conv Block模块、Identity Block模块都可以分为主干与残差边两个部分;在主干部分,Conv Block模块、Identity Block模块都存在两次卷积、标准化(BN)、激活函数(ReLU)、一次卷积、标准化(BN)。第一次卷积使用尺寸为1×1的卷积核对特征图像进行降维,后两次利用dilation rate=2的3×3空洞卷积核(如图5)做卷积;在残差边部分,Conv Block模块中存在一次1×1的卷积和标准化,由于残差边部分存在卷积,所以可以利用Conv Block模块改变输出特征层的宽高和通道数。而Identity Block模块中则是直接与输出相接,由于残差边部分不存在卷积,所以Identity Block模块的输入特征层和输出特征层的shape是相同的,可用于加深网络。最终,通过D空洞卷积Dilated-ResNet50完成对于高分影像块的深度特征提取。
B2、多分支卷积神经网络模型还包括多源特征深度融合模块,多源特征深度融合模块对步骤B1得到的深度语义特征及深度特征进行特征融合处理,融合后得到融合深度特征;
在一些实施例中,在步骤B2中,多分支卷积神经网络模型的多源特征深度融合模块还包括特征重要性权重计算模块,通过特征重要性权重计算模块获得每一维的特征权重,方法如下:对步骤B1得到的深度语义特征及深度特征进行重排列,然后利用全局平均池化对重排列的深度语义特征及深度特征分别以三个特征列向量为单位进行均值化,再通过两个全连接层计算得到多源数据特征重要性的三个权重值;
将权重值和多分支卷积神经网络模型提取的深度语义特征及深度特征的特征列向量求乘积,并利用concat方法将赋权后的特征列向量进行融合,可以增加描述影像的特征维度。
为节省计算资源和运行时间,加之,存在利用多源影像数据提取得到的光谱、纹理等特征不可避免会存在重复的问题,本实施例在步骤B2中还包括如下方法:
多源特征深度融合模块还包括特征冗余剔除模块,特征冗余剔除模块对融合深度特征剔除不相关或冗余的特征(再进行扩张得到分类所需的融合多源数据特征)。
C、制作矿区各用地类型的样本数据集,样本数据集与高分影像数据集相对应,通过样本数据集对多分支卷积神经网络模型进行模型训练;
步骤C中多分支卷积神经网络模型的模型训练方法如下:
C1、样本数据集中的样本数据为采集的矿区遥感影像数据,矿区遥感影像数据与与高分影像数据集的高分影像数据相对应,对样本数据集的样本数据进行分类标注,标注的分类类别包括露天采场、排土场、煤堆、矿山建筑、乔木、灌木、高/中/低覆盖度草地、草灌乔混交、水体、道路和裸地;然后按照6:2:2的比例将每个类别的样本数据随机分为训练集、验证集和测试集;
C2、利用训练集对多分支卷积神经网络模型进行迭代训练,利用验证集检验每次迭代训练后的模型精度,训练过程中采用交叉熵损失函数(本实施例优化器选用Adam),交叉熵损失函数的表达式如下:
C3、设置多分支卷积神经网络模型的迭代训练次数(本实施例具体设置迭代训练次数epoch=100),并利用梯度下降算法降低模型损失值,同时优化并更新模型的参数(模型的参数是指多分支卷积神经网络模型中层与层之间连接的权重值);
C4、将影像对象的融合深度特征输入到随机森林分类器,利用训练集训练随机森林分类器,通过随机森林分类器进行矿区用地类型分类。
本实施例模型的参数配置如表2,服务器配置如表3.
表2多分支卷积神经网络模型的参数设置
表3服务器配置
C5、利用测试集对多分支卷积神经网络模型、随机森林分类器进行精度评价;本实施例中举例的评价指标包括:混淆矩阵;制图精度(Producer Accuracy):某类别正确分类的个数占该类别实际的个数的比例;用户精度(User Accuracy):某类别正确分类的个数占预测为该类别的个数的比例。本实施例中举例的总体精度:所有分类正确的个数占所有个数的比例;Kappa系数。
本实施例采用制图精度、用户精度、总体精度和Kappa系数四个分类评价指标检验模型精度,多次迭代训练之后选取精度最高的模型进行矿区用地精细分类。
D、将高分影像数据集输入训练后的多分支卷积神经网络模型中得到每个影像对象的融合深度特征,然后输入到随机森林分类器中进行矿区用地类型分类。
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、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种多源数据融合的矿区精细用地分类方法,其特征在于:其方法如下:
A、采集多源数据进行融合处理得到高分影像数据,多源数据包括多光谱遥感影像、SAR影像和高分辨率遥感影像,对高分影像数据集中的高分影像数据分割得到影像对象,计算各个影像对象的多光谱影像光谱特征、SAR影像纹理特征,并对各个影像对象构建高分影像数据集;
B、搭建多分支卷积神经网络模型,多分支卷积神经网络模型对高分影像数据集进行深度特征提取及深度特征融合处理;
B1、多分支卷积神经网络模型包括两个1D-Net特征提取网络,两个1D-Net特征提取网络分别对应提取得到光谱特征、纹理特征两个特征列向量,1D-Net特征提取网络依次包括第一卷积层、第一最大池化层、第二卷积层、第二最大池化层和全连接层,第一卷积层含有四个尺寸为3、步长为1的卷积核,激活函数为ReLU,经过第一卷积层会生成数量与卷积核个数相同的特征图,第一最大池化层对第一卷积层的特征图进行下采样;第二卷积层含有八个尺寸为3、步长为1的卷积核,激活函数为ReLU,经过第二卷积层会生成数量与卷积核个数相同的特征图,第二最大池化层对第二卷积层的特征图进行下采样;全连接层对特征进行重新提取并输出由特征列向量得到的深度语义特征;
多分支卷积神经网络模型还包括空洞卷积Dilated-ResNet50,空洞卷积Dilated-ResNet50包括Conv Block模块和Identity Block模块,空洞卷积Dilated-ResNet50对影像对象进行深度特征提取;空洞卷积Dilated-ResNet50的Conv Block模块、Identity Block模块均包括主干与残差边两个部分,Conv Block模块的主干部分包括卷积处理、标准化处理,Conv Block模块采用激活函数ReLU,卷积处理包括使用尺寸为1×1的卷积核对特征图像进行降维处理、利用dilation rate=2的3×3空洞卷积核做卷积处理;Conv Block模块的残差边部分包括1×1的卷积处理和标准化处理;
B2、多分支卷积神经网络模型还包括多源特征深度融合模块,多源特征深度融合模块对步骤B1得到的深度语义特征及深度特征进行特征融合处理,融合后得到融合深度特征;
C、制作矿区各用地类型的样本数据集,样本数据集与高分影像数据集相对应,通过样本数据集对多分支卷积神经网络模型进行模型训练;
D、将高分影像数据集输入训练后的多分支卷积神经网络模型中得到每个影像对象的融合深度特征,然后输入到随机森林分类器中进行矿区用地类型分类。
2.按照权利要求1所述的一种多源数据融合的矿区精细用地分类方法,其特征在于:步骤A包括如下方法:
A1、多源数据中的多光谱遥感影像选择含云量最小的一景Sentinel-2 L1C级多光谱遥感影像或/和高分数据影像;多源数据中的SAR影像数据选择相关联或相邻日期Sentinel-1的干涉宽幅模式双极化地距影像;
A2、通过SNAP软件对高分影像数据中的多光谱遥感影像进行大气校正,剔除60米分辨率波段数据、保留10米和20米的波段数据,并对5、6、7、8b、11、12波段进行重采样,得到涵盖包括可见光、红边、近红外、短波红外在内空间分辨率为10米的多光谱波段集;通过SNAP软件对高分影像数据中的SAR影像数据进行轨道校正、辐射定标、红外热噪声去除、地形校正、滤波、重投影和裁剪的预处理,并对其进行重采样,使空间分辨率达到10米,再进行几何校正;
A3、从高分影像数据中的多光谱遥感影像提取10个光谱波段和12个光谱特征;从高分影像数据中的SAR影像计算得到两个后向散射系数,再选择5×5的滤波器窗口,利用灰度共生矩阵方法分别基于0°,45°,90°,135°这四种角度进行计算提取32个纹理特征;
A4、采用ESP工具自动获得最佳分割尺度并利用多尺度分割算法对高分影像数据进行面向对象分割得到分割结果。
3.按照权利要求1或2所述的一种多源数据融合的矿区精细用地分类方法,其特征在于:步骤C中多分支卷积神经网络模型的模型训练方法如下:
C1、样本数据集中的样本数据为采集的矿区遥感影像数据,对样本数据集的样本数据进行分类标注,标注的分类类别包括露天采场、排土场、煤堆、矿山建筑、乔木、灌木、高/中/低覆盖度草地、草灌乔混交、水体、道路和裸地;然后按照6:2:2的比例将每个类别的样本数据随机分为训练集、验证集和测试集;
C2、利用训练集对多分支卷积神经网络模型进行迭代训练,利用验证集检验每次迭代训练后的模型精度,训练过程中采用交叉熵损失函数,交叉熵损失函数的表达式如下:
C3、设置多分支卷积神经网络模型的迭代训练次数,并利用梯度下降算法降低模型损失值,同时优化并更新模型的参数;
C4、将影像对象的融合深度特征输入到随机森林分类器,利用训练集训练随机森林分类器,通过随机森林分类器进行矿区用地类型分类。
4.按照权利要求2所述的一种多源数据融合的矿区精细用地分类方法,其特征在于:步骤A4还包括如下方法:对分割结果创建每一个分割对象的最小外包矩形来生成高分影像块,该高分影像块作为影像对象构建高分影像数据集。
5.按照权利要求2所述的一种多源数据融合的矿区精细用地分类方法,其特征在于:在步骤B2中,多分支卷积神经网络模型的多源特征深度融合模块还包括特征重要性权重计算模块,通过特征重要性权重计算模块获得每一维的特征权重,方法如下:对步骤B1得到的深度语义特征及深度特征进行重排列,然后利用全局平均池化对重排列的深度语义特征及深度特征分别以三个特征列向量为单位进行均值化,再通过两个全连接层计算得到多源数据特征重要性的三个权重值;
将权重值和多分支卷积神经网络模型提取的深度语义特征及深度特征的特征列向量求乘积,并利用concat方法将赋权后的特征列向量进行融合。
6.按照权利要求5所述的一种多源数据融合的矿区精细用地分类方法,其特征在于:在步骤B2中还包括如下方法:
多源特征深度融合模块还包括特征冗余剔除模块,特征冗余剔除模块对融合深度特征剔除不相关或冗余的特征。
7.按照权利要求3所述的一种多源数据融合的矿区精细用地分类方法,其特征在于:还包括C5;
C5、利用测试集对多分支卷积神经网络模型、随机森林分类器进行精度评价。
8.按照权利要求2所述的一种多源数据融合的矿区精细用地分类方法,其特征在于:在步骤A3中,光谱特征包括归一化植被指数、增强植被指数、比值植被指数、差值植被指数、绿色归一化植被指数、大气阻抗植被指数、改良土壤调整植被指数、红边归一化植被指数、归一化水体指数、多波段水体指数、归一化建筑指数、归一化燃烧指数。
9.按照权利要求2所述的一种多源数据融合的矿区精细用地分类方法,其特征在于:在步骤A3中,纹理特征包括各角度下的均值、方差、同质性、对比度、差异性、熵、角二阶矩、相关性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210769160.7A CN115170979B (zh) | 2022-06-30 | 2022-06-30 | 一种多源数据融合的矿区精细用地分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210769160.7A CN115170979B (zh) | 2022-06-30 | 2022-06-30 | 一种多源数据融合的矿区精细用地分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115170979A CN115170979A (zh) | 2022-10-11 |
CN115170979B true CN115170979B (zh) | 2023-02-24 |
Family
ID=83488292
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210769160.7A Active CN115170979B (zh) | 2022-06-30 | 2022-06-30 | 一种多源数据融合的矿区精细用地分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115170979B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN116051398B (zh) * | 2022-11-23 | 2023-09-22 | 广东省国土资源测绘院 | 面向多源多模态遥感数据调查监测特征库构建方法及装置 |
CN115860695B (zh) * | 2023-02-09 | 2023-05-09 | 广东智环创新环境科技有限公司 | 基于生态空间的环保信息化管理*** |
CN116030355B (zh) * | 2023-03-30 | 2023-08-11 | 武汉城市职业学院 | 一种地物分类方法及*** |
CN116258971B (zh) * | 2023-05-15 | 2023-08-08 | 江西啄木蜂科技有限公司 | 一种多源融合的林业遥感影像智能解译方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0820225B1 (en) * | 1995-03-31 | 2003-03-26 | B. Eugene Guthery | Fast acting and persistent topical antiseptic |
CN110378224A (zh) * | 2019-06-14 | 2019-10-25 | 香港理工大学深圳研究院 | 一种地物变化的检测方法、检测***及终端 |
CN111028277A (zh) * | 2019-12-10 | 2020-04-17 | 中国电子科技集团公司第五十四研究所 | 基于伪孪生卷积神经网络的sar和光学遥感图像配准方法 |
CN111191628A (zh) * | 2020-01-06 | 2020-05-22 | 河海大学 | 基于决策树与特征优化的遥感影像震害建筑物识别方法 |
CN111476170A (zh) * | 2020-04-09 | 2020-07-31 | 首都师范大学 | 一种结合深度学习和随机森林的遥感影像语义分割方法 |
CN111767801A (zh) * | 2020-06-03 | 2020-10-13 | 中国地质大学(武汉) | 一种基于深度学习的遥感影像水域自动提取方法及*** |
CN112101190A (zh) * | 2020-09-11 | 2020-12-18 | 西安电子科技大学 | 一种遥感图像分类方法、存储介质及计算设备 |
CN112580654A (zh) * | 2020-12-25 | 2021-03-30 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 遥感图像地物语义分割方法 |
CN113591766A (zh) * | 2021-08-09 | 2021-11-02 | 中国林业科学研究院资源信息研究所 | 一种无人机多源遥感的树种识别方法 |
-
2022
- 2022-06-30 CN CN202210769160.7A patent/CN115170979B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0820225B1 (en) * | 1995-03-31 | 2003-03-26 | B. Eugene Guthery | Fast acting and persistent topical antiseptic |
CN110378224A (zh) * | 2019-06-14 | 2019-10-25 | 香港理工大学深圳研究院 | 一种地物变化的检测方法、检测***及终端 |
CN111028277A (zh) * | 2019-12-10 | 2020-04-17 | 中国电子科技集团公司第五十四研究所 | 基于伪孪生卷积神经网络的sar和光学遥感图像配准方法 |
CN111191628A (zh) * | 2020-01-06 | 2020-05-22 | 河海大学 | 基于决策树与特征优化的遥感影像震害建筑物识别方法 |
CN111476170A (zh) * | 2020-04-09 | 2020-07-31 | 首都师范大学 | 一种结合深度学习和随机森林的遥感影像语义分割方法 |
CN111767801A (zh) * | 2020-06-03 | 2020-10-13 | 中国地质大学(武汉) | 一种基于深度学习的遥感影像水域自动提取方法及*** |
CN112101190A (zh) * | 2020-09-11 | 2020-12-18 | 西安电子科技大学 | 一种遥感图像分类方法、存储介质及计算设备 |
CN112580654A (zh) * | 2020-12-25 | 2021-03-30 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 遥感图像地物语义分割方法 |
CN113591766A (zh) * | 2021-08-09 | 2021-11-02 | 中国林业科学研究院资源信息研究所 | 一种无人机多源遥感的树种识别方法 |
Non-Patent Citations (1)
Title |
---|
"An End-to-End Trainable Neural Network for Image-based Sequence Recognition and Its Application to Scene Text Recognition";Baoguang Shi.etc;《Arxiv》;20150721;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115170979A (zh) | 2022-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115170979B (zh) | 一种多源数据融合的矿区精细用地分类方法 | |
CN104751478B (zh) | 一种基于多特征融合的面向对象的建筑物变化检测方法 | |
CN102646200B (zh) | 多分类器自适应权值融合的影像分类方法及*** | |
Filippi et al. | Fuzzy learning vector quantization for hyperspectral coastal vegetation classification | |
CN108573276A (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
CN107392130A (zh) | 基于阈值自适应和卷积神经网络的多光谱图像分类方法 | |
CN103679675B (zh) | 一种面向水质定量遥感应用的遥感影像融合方法 | |
CN103440505B (zh) | 空间邻域信息加权的高光谱遥感图像分类方法 | |
CN112131946B (zh) | 光学遥感影像植被和水体信息自动提取方法 | |
CN111985543A (zh) | 一种高光谱图像分类模型的构建方法、分类方法及*** | |
CN113312993B (zh) | 一种基于PSPNet的遥感数据土地覆盖分类方法 | |
CN110309780A (zh) | 基于bfd-iga-svm模型的高分辨率影像房屋信息快速监督识别 | |
CN111339947A (zh) | 遥感影像模糊边界地物的提取方法及***、存储介质、设备 | |
CN107358203A (zh) | 一种基于深度卷积阶梯网络的高分辨sar图像分类方法 | |
CN109146890A (zh) | 基于滤波器的高光谱图像的异常目标检测方法 | |
CN115965812B (zh) | 无人机影像对湿地植被物种和地物分类的评估方法 | |
CN112950780A (zh) | 一种基于遥感影像的网络地图智能生成方法及*** | |
CN109961105A (zh) | 一种基于多任务深度学习的高分辨率遥感影像分类方法 | |
CN117409339A (zh) | 一种用于空地协同的无人机作物状态视觉识别方法 | |
CN111738052A (zh) | 基于深度学习的多特征融合高光谱遥感地物分类方法 | |
CN107133653A (zh) | 一种基于深度阶梯网络的高分辨sar图像分类方法 | |
Qiu | Neuro-fuzzy based analysis of hyperspectral imagery | |
CN116091940B (zh) | 一种基于高分辨率卫星遥感影像的作物分类和识别方法 | |
Babu | Optimized performance and utilization analysis of real-time multi spectral data/image categorization algorithms for computer vision applications | |
CN116310864A (zh) | 一种作物倒伏自动识别方法、***、电子设备及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |