CN116229280B - 崩岗识别方法、装置、电子设备以及存储介质 - Google Patents
崩岗识别方法、装置、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN116229280B CN116229280B CN202310024537.0A CN202310024537A CN116229280B CN 116229280 B CN116229280 B CN 116229280B CN 202310024537 A CN202310024537 A CN 202310024537A CN 116229280 B CN116229280 B CN 116229280B
- Authority
- CN
- China
- Prior art keywords
- collapse
- post
- sentry
- sample
- initial
- 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 52
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000013145 classification model Methods 0.000 claims abstract description 38
- 230000003287 optical effect Effects 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 14
- 239000002689 soil Substances 0.000 claims description 9
- 230000010287 polarization Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000006424 Flood reaction Methods 0.000 description 1
- 208000027066 STING-associated vasculopathy with onset in infancy Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the 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
- G06V10/82—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
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种崩岗识别方法、装置、电子设备以及存储介质,该方法包括:获取待测区域的遥感图像;将所述遥感图像输入至已训练的第一崩岗识别模型,获得若干个初始崩岗区域;获取每个所述初始崩岗区域的预设数量的特征,将每个所述初始崩岗区域的预设数量的特征输入至已训练的崩岗分类模型,获得崩岗分类结果;根据所述崩岗分类结果,从若干个所述初始崩岗区域中确定目标崩岗区域。本申请实施例通过已训练的第一崩岗识别模型获得初步崩岗识别结果,通过已训练的崩岗分类模型从初步崩岗识别结果中确定目标崩岗,无需人工解译崩岗,提高了崩岗识别效率。同时,减少了初步崩岗识别结果中误识别的情况,提高了崩岗识别的准确度。
Description
技术领域
本申请涉及遥感影像处理技术领域,特别是涉及一种崩岗识别方法、装置、电子设备以及存储介质。
背景技术
崩岗,是指山坡土体或岩体风化壳在重力与水力综合作用下分离、崩塌和堆积的侵蚀现象。崩岗严重毁坏土地资源,流失泥沙淹没农田、淤塞水库、抬高河床,破坏农业生产,妨碍水利和航运建设。
目前,对崩岗的识别大多依赖人工解译,对于大的崩岗区域,崩岗识别效率低,且准确度不高。
发明内容
基于此,本申请的目的在于,提供一种崩岗识别方法、装置、电子设备以及存储介质,其可提高崩岗识别的效率以及准确度。
根据本申请实施例的第一方面,提供一种崩岗识别方法,包括如下步骤:
获取待测区域的遥感图像;
将所述遥感图像输入至已训练的第一崩岗识别模型,获得若干个初始崩岗区域;
获取每个所述初始崩岗区域的预设数量的特征,将每个所述初始崩岗区域的预设数量的特征输入至已训练的崩岗分类模型,获得崩岗分类结果;
根据所述崩岗分类结果,从若干个所述初始崩岗区域中确定目标崩岗区域。
根据本申请实施例的第二方面,提供一种崩岗识别装置,包括:
遥感图像获取模块,用于获取待测区域的遥感图像;
初始崩岗区域获得模块,用于将所述遥感图像输入至已训练的第一崩岗识别模型,获得若干个初始崩岗区域;
崩岗分类结果获得模块,用于获取每个所述初始崩岗区域的预设数量的特征,将每个所述初始崩岗区域的预设数量的特征输入至已训练的崩岗分类模型,获得崩岗分类结果;
目标崩岗区域确定模块,用于根据所述崩岗分类结果,从若干个所述初始崩岗区域中确定目标崩岗区域。
根据本申请实施例的第三方面,提供一种电子设备,包括:处理器和存储器;其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行如上述任意一项所述的崩岗识别方法。
根据本申请实施例的第四方面,提供一种计算机可读存储介质,其上储存有计算机程序,该计算机程序被处理器执行时实现如上述任意一项所述的崩岗识别方法。
本申请实施例通过获取待测区域的遥感图像;将所述遥感图像输入至已训练的第一崩岗识别模型,获得若干个初始崩岗区域;获取每个所述初始崩岗区域的预设数量的特征,将每个所述初始崩岗区域的预设数量的特征输入至已训练的崩岗分类模型,获得崩岗分类结果;根据所述崩岗分类结果,从若干个所述初始崩岗区域中确定目标崩岗区域。本申请实施例通过已训练的第一崩岗识别模型获得初步崩岗识别结果,通过已训练的崩岗分类模型从初步崩岗识别结果中确定目标崩岗,无需人工解译崩岗,提高了崩岗识别效率。同时,减少了初步崩岗识别结果中误识别的情况,提高了崩岗识别的准确度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
为了更好地理解和实施,下面结合附图详细说明本发明。
附图说明
图1为本申请一个实施例提供的崩岗识别方法的流程示意图;
图2为本申请一个实施例提供的崩岗识别装置的结构框图;
图3为本申请一个实施例提供的电子设备的结构示意框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施例方式作进一步地详细描述。
应当明确,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
在本申请实施例使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请的描述中,需要理解的是,术语“第一”、“第二”、“第三”等仅用于区别类似的对象,而不必用于描述特定的顺序或先后次序,也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
此外,在本申请的描述中,除非另有说明,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
实施例1
请参阅图1,其为本申请一个实施例提供的崩岗识别方法的流程示意图。本申请实施例提供的崩岗识别方法,包括如下步骤:
S10:获取待测区域的遥感图像。
其中,待测区域为待识别崩岗的区域,遥感图像可以是Bing卫星图像。
在本申请实施例中,可以从Bing等GIS平台获取遥感图像,也可以通过开源GIS软件QGIS,导入Bing卫星图像。
S20:将遥感图像输入至已训练的第一崩岗识别模型,获得若干个初始崩岗区域。
其中,已训练的第一崩岗识别模型可以根据任意输入的遥感图像,对遥感图像中存在的崩岗进行提取,获得初始崩岗区域。具体地,已训练的第一崩岗识别模型可以是SwinTransformer深度学习模型。
在本申请实施例中,可以根据已训练的第一崩岗识别模型的输入图像尺寸要求,将遥感图像进行切片,获得若干个图像块,将每个图像块输入至已训练的第一崩岗识别模型,获得若干个初始崩岗区域。其中,初始崩岗区域可以视为疑似存在崩岗的区域,可能崩岗识别正确,存在崩岗,也可以崩岗识别错误,不存在崩岗。
S30:获取每个初始崩岗区域的预设数量的特征,将每个初始崩岗区域的预设数量的特征输入至已训练的崩岗分类模型,获得崩岗分类结果。
其中,初始崩岗区域的预设数量的特征可以是对识别初始崩岗区域是否存在崩岗贡献度排序靠前的特征。已训练的崩岗分类模型可以根据崩岗区域的预设数量的特征,确定崩岗区域是否存在崩岗。具体地,已训练的崩岗分类模型可以是XGBoost模型。
在本申请实施例中,根据样本崩岗的若干个特征,对第二崩岗识别模型进行训练,获得训练好的第二崩岗分类模型,同时训练过程中,计算每个特征的贡献度排序,确定贡献度排序靠前的预设数量的特征。其中,样本崩岗包括若干个特征,通过贡献度排序,可以筛选出对崩岗识别影响最大的那几个特征。第二崩岗识别模型可以机器学习模型,也可以是深度学习模型,在此不做限定。根据样本崩岗的贡献度排序靠前的预设数量的特征,对崩岗分类模型进行训练,获得已训练的崩岗分类模型。
在确定每个初始崩岗区域是否存在崩岗时,只需要获取每个初始崩岗区域的预设数量的特征,将每个初始崩岗区域的预设数量的特征输入至已训练的崩岗分类模型,获得崩岗分类结果,从而提高了崩岗识别速度。
S40:根据崩岗分类结果,从若干个初始崩岗区域中确定目标崩岗区域。
在本申请实施例中,崩岗分类结果包括存在崩岗和不存在崩岗两种分类结果,根据崩岗分类结果,可以剔除部分不存在崩岗的初始崩岗区域,获得存在崩岗的目标崩岗区域。
应用本申请实施例,通过获取待测区域的遥感图像;将遥感图像输入至已训练的第一崩岗识别模型,获得若干个初始崩岗区域;获取每个初始崩岗区域的预设数量的特征,将每个初始崩岗区域的预设数量的特征输入至已训练的崩岗分类模型,获得崩岗分类结果;根据崩岗分类结果,从若干个初始崩岗区域中确定目标崩岗区域。本申请实施例通过已训练的第一崩岗识别模型获得初步崩岗识别结果,通过已训练的崩岗分类模型从初步崩岗识别结果中确定目标崩岗,无需人工解译崩岗,提高了崩岗识别效率。同时,减少了初步崩岗识别结果中误识别的情况,提高了崩岗识别的准确度。
在一个可选的实施例中,步骤S20之前,包括步骤S21~S23,具体如下:
S21:获取若干个样本遥感图像;
S22:人工标记每个样本遥感图像的崩岗区域,获得若干个样本崩岗图像以及对应的样本崩岗标签;
S23:根据若干个样本崩岗图像以及对应的样本崩岗标签,对第一崩岗识别模型进行训练,获得已训练的第一崩岗识别模型。
在本申请实施例中,对于每个样本遥感图像,可以选定多个子区域进行解译。具体地,将具有崩塌侵蚀特色地貌纹理的图像区域作为子区域,子区域为颜色包含以白色、黄色、黑色为主的纹理,与绿色植被为边界的图像块。对每个子区域,结合现场考察、无人机数据和专家知识进行综合判断,人工解译崩岗边界,获得崩岗区域。将崩岗区域对应的图像作为样本崩岗图像,并制作样本崩岗标签。具体地,将样本崩岗图像的每个像素点的像素值记为1,并保存为shp文件。
将若干个样本崩岗图像以及对应的样本崩岗标签输入至第一崩岗识别模型,对第一崩岗识别模型进行训练,获得已训练的第一崩岗识别模型。其中,可以将若干个样本崩岗图像进行样本分组,将若干个样本崩岗图像分为训练集、验证集以及测试集,用训练集训练模型,用验证集验证模型,根据情况不断调整模型,选择出其中最好的模型,再用训练集合验证集数据训练出一个最终的模型,最后用测试集评估最终的模型。
通过已训练的第一崩岗识别模型,可以自动快捷地获得每个遥感图像的初始崩岗区域。
在一个可选的实施例中,步骤S21之后,包括步骤S211,具体如下:
S211:对若干个样本遥感图像进行预处理,获得预处理后的若干个样本遥感图像;其中,预处理包括:对若干个样本遥感图像进行瓦片拼接以及投影转换。
在本申请实施例中,获取的遥感图像为瓦片格式,需要对各个瓦片的遥感图像进行拼接,获得某个区域的整个遥感图像。同时,对遥感图像进行投影转换,可以将各种投影坐标系数据转换到同一坐标系中。通过对样本遥感图像进行预处理,方便后续处理样本遥感图像。
在一个可选的实施例中,步骤S22之后,包括步骤S221,具体如下:
S221:对若干个样本崩岗图像进行样本增强,获得样本增强后的若干个样本崩岗图像;其中,样本增强包括:
将每个样本崩岗图像进行切片,获得每个样本崩岗图像对应的图像块;
对图像块进行数据扩充,获得扩充后的图像块;其中,数据扩充包括旋转、镜像、亮度、色彩以及云雾调整操作;
将扩充后的图像块调整为统一尺寸大小。
在本申请实施例中,通过对若干个样本崩岗图像进行样本增强,可以提高样本崩岗图像的数量以及质量,从而后续模型训练的鲁棒性。
在一个可选的实施例中,步骤S30之前,包括步骤S31~S35,具体如下:
S31:获取若干个样本崩岗的哨兵1号雷达数据、哨兵2号光学数据以及数字地形高程数据。
其中,哨兵1号卫星由两颗极轨卫星A星和B星组成,两颗卫星搭载的传感器为合成孔径雷达。哨兵2号卫星搭载了多光谱成像仪,可提供高分辨率的光学成像。数字地形高程数据可以是SRTM DEM数据。
在本申请实施例中,可以通过GIS开源软件QGIS导入每个样本崩岗的哨兵1号雷达数据、哨兵2号光学数据以及数字地形高程数据。
S32:根据哨兵1号雷达数据、哨兵2号光学数据以及数字地形高程数据,获得每个样本崩岗的特征集合。
其中,根据哨兵1号雷达数据,可以获得后向散射系数特征以及H-a Alpha分解特征。根据哨兵2号光学数据,可以获得各种指数特征,具体地,包括归一化植被指数(NDVI)、归一化建筑物指数(NDBI)以及调整土壤亮度的植被指数(SAVI)。根据数字地形高程数据,可以获得地形特征,包括坡度以及粗糙度。根据上述特征,获得每个样本崩岗的特征集合。
S33:以每个样本崩岗的特征集合为输入,每个样本崩岗的标签为输出,对第二崩岗识别模型进行训练,获得特征集合中每个特征对于第二崩岗识别模型识别崩岗的贡献度;
S34:将贡献度进行排序,获取贡献度排序靠前的预设数量的特征;
S35:根据预设数量的特征以及每个样本崩岗的标签,对崩岗分类模型进行训练,获得已训练的崩岗分类模型。
在本申请实施例中,在训练好第二崩岗识别模型的同时,可以确定对识别崩岗贡献度排序靠前的预设数量的特征。根据贡献度排序靠前的预设数量的特征,得到已训练的崩岗分类模型,从而提高了已训练的崩岗分类模型的鲁棒性。
在一个可选的实施例中,步骤S32,包括步骤S321~S324,具体如下:
S321:根据哨兵1号雷达数据,获得每个样本崩岗所在区域每个像素的VH后向散射系数、VV后向散射系数、散射角、极化熵以及反熵。
其中,将哨兵1号雷达数据基于H-a Alpha分解,获得H-a Alpha分解特征,包括散射角Alpha、极化熵Entropy以及反熵Anisotropy。
S322:根据哨兵2号光学数据,获得每个样本崩岗所在区域每个像素的归一化植被指数、归一化建筑物指数以及调整土壤亮度的植被指数;
S323:根据数字地形高程数据,获得每个样本崩岗所在区域每个像素的坡度以及粗糙度;
S324:将VH后向散射系数、VV后向散射系数、散射角、极化熵、反熵、归一化植被指数、归一化建筑物指数、调整土壤亮度的植被指数、坡度以及粗糙度对应的均值、中位数、最大值、最小值、极差以及标准差均作为每个样本崩岗的特征,获得每个样本崩岗的特征集合。
在本申请实施例中,每个样本崩岗所在区域每个像素存在VH后向散射系数、VV后向散射系数、散射角、极化熵、反熵、归一化植被指数、归一化建筑物指数、调整土壤亮度的植被指数、坡度以及粗糙度10个特征,统计每个样本崩岗所在区域的均值、中位数、最大值、最小值、极差以及标准差6个指标,可以获得60个特征,这60个特征组成样本崩岗的特征集合。
通过哨兵1号雷达数据、哨兵2号光学数据以及数字地形高程数据,获得样本崩岗的特征集合,丰富了样本崩岗的特征来源,提高了后续训练崩岗分类模型的鲁棒性。
在一个可选的实施例中,步骤S30,包括步骤S301~S303,具体如下:
S301:获取每个初始崩岗区域的哨兵1号雷达数据、哨兵2号光学数据以及数字地形高程数据;
S302:根据每个初始崩岗区域的哨兵1号雷达数据、哨兵2号光学数据以及数字地形高程数据,获得每个初始崩岗区域的预设数量的特征;
S303:将每个初始崩岗区域的预设数量的特征输入至已训练的崩岗分类模型,获得崩岗分类结果。
在本申请实施例中,由于已训练的崩岗分类模型的输入特征已知,从而可以获取每个初始崩岗区域的预设数量的特征。具体地,若已训练的崩岗分类模型的输入特征为VH后向散射系数、散射角、归一化植被指数以及坡度对应的均值、中位数以及标准差,则可以根据初始崩岗区域的哨兵1号雷达数据,获取VH后向散射系数以及散射角特征,根据初始崩岗区域的哨兵2号光学数据,获取归一化植被指数,根据初始崩岗区域的数字地形高程数据,获取坡度。
将每个初始崩岗区域的预设数量的特征输入至已训练的崩岗分类模型,可以自动快捷地获得崩岗分类结果。
实施例2
下述为本申请装置实施例,可以用于执行本申请实施例1中方法的内容。对于本申请装置实施例中未披露的细节,请参照本申请实施例1中方法的内容。
请参见图2,其示出了本申请实施例提供的崩岗识别装置的结构示意图。本申请实施例提供的崩岗识别装置5,包括:
遥感图像获取模块51,用于获取待测区域的遥感图像;
初始崩岗区域获得模块52,用于将遥感图像输入至已训练的第一崩岗识别模型,获得若干个初始崩岗区域;
崩岗分类结果获得模块53,用于获取每个初始崩岗区域的预设数量的特征,将每个初始崩岗区域的预设数量的特征输入至已训练的崩岗分类模型,获得崩岗分类结果;
目标崩岗区域确定模块54,用于根据崩岗分类结果,从若干个初始崩岗区域中确定目标崩岗区域。
可选的,崩岗分类结果获得模块,包括:
数据获取单元,用于获取每个初始崩岗区域的哨兵1号雷达数据、哨兵2号光学数据以及数字地形高程数据;
特征确定单元,用于根据每个初始崩岗区域的哨兵1号雷达数据、哨兵2号光学数据以及数字地形高程数据,获得每个初始崩岗区域的预设数量的特征;
分类结果获得单元,用于将每个初始崩岗区域的预设数量的特征输入至已训练的崩岗分类模型,获得崩岗分类结果。
应用本申请实施例,通过获取待测区域的遥感图像;将遥感图像输入至已训练的第一崩岗识别模型,获得若干个初始崩岗区域;获取每个初始崩岗区域的预设数量的特征,将每个初始崩岗区域的预设数量的特征输入至已训练的崩岗分类模型,获得崩岗分类结果;根据崩岗分类结果,从若干个初始崩岗区域中确定目标崩岗区域。本申请实施例通过已训练的第一崩岗识别模型获得初步崩岗识别结果,通过已训练的崩岗分类模型从初步崩岗识别结果中确定目标崩岗,无需人工解译崩岗,提高了崩岗识别效率。同时,减少了初步崩岗识别结果中误识别的情况,提高了崩岗识别的准确度。
实施例3
下述为本申请设备实施例,可以用于执行本申请实施例1中方法的内容。对于本申请设备实施例中未披露的细节,请参照本申请实施例1中方法的内容。
请参阅图3,本申请还提供一种电子设备300,电子设备可以具体为计算机、手机、平板电脑等,在本申请的示例性实施例中,电子设备300为计算机,计算机可以包括:至少一个处理器301、至少一个存储器302,至少一个显示器,至少一个网络接口303,用户接口304以及至少一个通信总线305。
其中,用户接口304主要用于为用户提供输入的接口,获取用户输入的数据。可选的,用户接口还可以包括标准的有线接口、无线接口。
其中,网络接口303可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中,通信总线305用于实现这些组件之间的连接通信。
其中,处理器301可以包括一个或者多个处理核心。处理器利用各种接口和线路连接整个电子设备内的各个部分,通过运行或执行存储在存储器内的指令、程序、代码集或指令集,以及调用存储在存储器内的数据,执行电子设备的各种功能和处理数据。可选的,处理器可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable Logic Array,PLA)中的至少一种硬件形式来实现。处理器可集成中央处理器(Central ProcessingUnit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作***、用户界面和应用程序等;GPU用于负责显示层所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器中,单独通过一块芯片进行实现。
其中,存储器302可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。可选的,该存储器包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器可用于存储指令、程序、代码、代码集或指令集。存储器可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作***的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器可选的还可以是至少一个位于远离前述处理器的存储装置。作为一种计算机存储介质的存储器中可以包括操作***、网络通信模块、用户接口模块、操作应用程序。
处理器可以用于调用存储器中存储的崩岗识别方法的应用程序,并具体执行上述所示实施例1的方法步骤,具体执行过程可以参见实施例1所示的具体说明,在此不进行赘述。
实施例4
本申请还提供一种计算机可读存储介质,其上储存有计算机程序,指令适于由处理器加载并执行上述所示实施例1的方法步骤,具体执行过程可以参见实施例所示的具体说明,在此不进行赘述。存储介质所在设备可以是个人计算机、笔记本电脑、智能手机、平板电脑等电子设备。
对于设备实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的设备实施例仅仅是示意性的,其中作为分离部件说明的组件可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中选定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中选定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中选定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (8)
1.一种崩岗识别方法,其特征在于,包括如下步骤:
获取待测区域的遥感图像;
将所述遥感图像输入至已训练的第一崩岗识别模型,获得若干个初始崩岗区域;其中,所述初始崩岗区域为疑似存在崩岗的区域;
获取每个所述初始崩岗区域的预设数量的特征,将每个所述初始崩岗区域的预设数量的特征输入至已训练的崩岗分类模型,获得崩岗分类结果;其中,所述初始崩岗区域的预设数量的特征为对识别所述初始崩岗区域是否存在崩岗贡献度排序靠前的特征;
根据所述崩岗分类结果,从若干个所述初始崩岗区域中确定目标崩岗区域;其中,所述崩岗分类结果包括存在崩岗和不存在崩岗两种分类结果;所述获取每个所述初始崩岗区域的预设数量的特征,将每个所述初始崩岗区域的预设数量的特征输入至已训练的崩岗分类模型,获得崩岗分类结果的步骤之前,包括:获取若干个样本崩岗的哨兵1号雷达数据、哨兵2号光学数据以及数字地形高程数据;根据所述哨兵1号雷达数据,获得每个所述样本崩岗所在区域每个像素的VH后向散射系数、VV后向散射系数、散射角、极化熵以及反熵;根据所述哨兵2号光学数据,获得每个所述样本崩岗所在区域每个像素的归一化植被指数、归一化建筑物指数以及调整土壤亮度的植被指数;根据所述数字地形高程数据,获得每个所述样本崩岗所在区域每个像素的坡度以及粗糙度;将所述VH后向散射系数、所述VV后向散射系数、所述散射角、所述极化熵、所述反熵、所述归一化植被指数、所述归一化建筑物指数、所述调整土壤亮度的植被指数、所述坡度以及所述粗糙度对应的均值、中位数、最大值、最小值、极差以及标准差均作为每个所述样本崩岗的特征,获得每个所述样本崩岗的特征集合;以每个所述样本崩岗的特征集合为输入,每个所述样本崩岗的标签为输出,对第二崩岗识别模型进行训练,获得所述特征集合中每个特征对于所述第二崩岗识别模型识别崩岗的贡献度;将所述贡献度进行排序,获取贡献度排序靠前的预设数量的特征;根据所述预设数量的特征以及每个所述样本崩岗的标签,对崩岗分类模型进行训练,获得已训练的崩岗分类模型。
2.根据权利要求1所述的崩岗识别方法,其特征在于:
所述获取每个所述初始崩岗区域的预设数量的特征,将每个所述初始崩岗区域的预设数量的特征输入至已训练的崩岗分类模型,获得崩岗分类结果的步骤,包括:
获取每个所述初始崩岗区域的哨兵1号雷达数据、哨兵2号光学数据以及数字地形高程数据;
根据每个所述初始崩岗区域的哨兵1号雷达数据、哨兵2号光学数据以及数字地形高程数据,获得每个所述初始崩岗区域的预设数量的特征;
将每个所述初始崩岗区域的预设数量的特征输入至已训练的崩岗分类模型,获得崩岗分类结果。
3.根据权利要求1至2任意一项所述的崩岗识别方法,其特征在于:
所述将所述遥感图像输入至已训练的第一崩岗识别模型,获得若干个初始崩岗区域的步骤之前,包括:
获取若干个样本遥感图像;
人工标记每个所述样本遥感图像的崩岗区域,获得若干个样本崩岗图像以及对应的样本崩岗标签;
根据所述若干个样本崩岗图像以及对应的所述样本崩岗标签,对第一崩岗识别模型进行训练,获得已训练的第一崩岗识别模型。
4.根据权利要求3所述的崩岗识别方法,其特征在于:
所述获取若干个样本遥感图像的步骤之后,包括:
对所述若干个样本遥感图像进行预处理,获得预处理后的若干个样本遥感图像;其中,所述预处理包括:对所述若干个样本遥感图像进行瓦片拼接以及投影转换。
5.根据权利要求3所述的崩岗识别方法,其特征在于:
所述人工标记每个所述样本遥感图像的崩岗区域,获得若干个样本崩岗图像以及对应的样本崩岗标签的步骤之后,包括:
对所述若干个样本崩岗图像进行样本增强,获得样本增强后的若干个样本崩岗图像;其中,所述样本增强包括:
将每个所述样本崩岗图像进行切片,获得每个所述样本崩岗图像对应的图像块;
对所述图像块进行数据扩充,获得扩充后的图像块;其中,所述数据扩充包括旋转、镜像、亮度、色彩以及云雾调整操作;
将所述扩充后的图像块调整为统一尺寸大小。
6.一种崩岗识别装置,其特征在于,包括:
遥感图像获取模块,用于获取待测区域的遥感图像;
初始崩岗区域获得模块,用于将所述遥感图像输入至已训练的第一崩岗识别模型,获得若干个初始崩岗区域;其中,所述初始崩岗区域为疑似存在崩岗的区域;
崩岗分类结果获得模块,用于获取每个所述初始崩岗区域的预设数量的特征,将每个所述初始崩岗区域的预设数量的特征输入至已训练的崩岗分类模型,获得崩岗分类结果;其中,所述初始崩岗区域的预设数量的特征为对识别所述初始崩岗区域是否存在崩岗贡献度排序靠前的特征;
目标崩岗区域确定模块,用于根据所述崩岗分类结果,从若干个所述初始崩岗区域中确定目标崩岗区域;其中,所述崩岗分类结果包括存在崩岗和不存在崩岗两种分类结果;所述获取每个所述初始崩岗区域的预设数量的特征,将每个所述初始崩岗区域的预设数量的特征输入至已训练的崩岗分类模型,获得崩岗分类结果的步骤之前,包括:获取若干个样本崩岗的哨兵1号雷达数据、哨兵2号光学数据以及数字地形高程数据;根据所述哨兵1号雷达数据,获得每个所述样本崩岗所在区域每个像素的VH后向散射系数、VV后向散射系数、散射角、极化熵以及反熵;根据所述哨兵2号光学数据,获得每个所述样本崩岗所在区域每个像素的归一化植被指数、归一化建筑物指数以及调整土壤亮度的植被指数;根据所述数字地形高程数据,获得每个所述样本崩岗所在区域每个像素的坡度以及粗糙度;将所述VH后向散射系数、所述VV后向散射系数、所述散射角、所述极化熵、所述反熵、所述归一化植被指数、所述归一化建筑物指数、所述调整土壤亮度的植被指数、所述坡度以及所述粗糙度对应的均值、中位数、最大值、最小值、极差以及标准差均作为每个所述样本崩岗的特征,获得每个所述样本崩岗的特征集合;以每个所述样本崩岗的特征集合为输入,每个所述样本崩岗的标签为输出,对第二崩岗识别模型进行训练,获得所述特征集合中每个特征对于所述第二崩岗识别模型识别崩岗的贡献度;将所述贡献度进行排序,获取贡献度排序靠前的预设数量的特征;根据所述预设数量的特征以及每个所述样本崩岗的标签,对崩岗分类模型进行训练,获得已训练的崩岗分类模型。
7.一种电子设备,包括:处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任意一项所述方法的步骤。
8.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310024537.0A CN116229280B (zh) | 2023-01-09 | 2023-01-09 | 崩岗识别方法、装置、电子设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310024537.0A CN116229280B (zh) | 2023-01-09 | 2023-01-09 | 崩岗识别方法、装置、电子设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116229280A CN116229280A (zh) | 2023-06-06 |
CN116229280B true CN116229280B (zh) | 2024-06-04 |
Family
ID=86583631
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310024537.0A Active CN116229280B (zh) | 2023-01-09 | 2023-01-09 | 崩岗识别方法、装置、电子设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116229280B (zh) |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171103A (zh) * | 2016-12-07 | 2018-06-15 | 北京三星通信技术研究有限公司 | 目标检测方法及装置 |
CN108280440A (zh) * | 2018-02-09 | 2018-07-13 | 三亚中科遥感研究所 | 一种果林识别方法和*** |
WO2018222775A1 (en) * | 2017-05-30 | 2018-12-06 | Digitalglobe, Inc. | Broad area geospatial object detection |
KR20190065813A (ko) * | 2017-12-04 | 2019-06-12 | 재단법인대구경북과학기술원 | 기여도에 기초하여 특징을 추출하는 방법 및 장치 |
CN110008899A (zh) * | 2019-04-02 | 2019-07-12 | 北京市遥感信息研究所 | 一种可见光遥感图像候选目标提取与分类方法 |
CN110942057A (zh) * | 2018-09-25 | 2020-03-31 | 杭州海康威视数字技术股份有限公司 | 一种集装箱箱号识别方法、装置和计算机设备 |
CN111178186A (zh) * | 2019-12-16 | 2020-05-19 | 广州地理研究所 | 基于哨兵遥感数据的水稻提取方法及装置、设备 |
CN111209854A (zh) * | 2020-01-06 | 2020-05-29 | 苏州科达科技股份有限公司 | 司乘人员未系安全带识别方法、装置及存储介质 |
CN111401359A (zh) * | 2020-02-25 | 2020-07-10 | 北京三快在线科技有限公司 | 目标识别方法、装置、电子设备和存储介质 |
CN112598881A (zh) * | 2020-12-03 | 2021-04-02 | 中煤航测遥感集团有限公司 | 一种地质灾害监测方法、装置及计算机设备 |
CN113033453A (zh) * | 2021-04-06 | 2021-06-25 | 北京艾尔思时代科技有限公司 | 一种适用于景观破碎区作物类型遥感识别的方法及*** |
CN113158588A (zh) * | 2021-01-19 | 2021-07-23 | 广东省科学院广州地理研究所 | 一种崩岗内部沟道识别与预测的方法及装置 |
CN113240340A (zh) * | 2021-06-10 | 2021-08-10 | 中国农业科学院农业信息研究所 | 基于模糊分类的大豆种植区分析方法、装置、设备和介质 |
CN113269257A (zh) * | 2021-05-27 | 2021-08-17 | 中山大学孙逸仙纪念医院 | 一种图像分类方法、装置、终端设备及存储介质 |
CN114708521A (zh) * | 2022-04-07 | 2022-07-05 | 中南大学 | 基于街景图像目标关系感知网络的城市功能区识别方法及*** |
CN114913424A (zh) * | 2022-05-27 | 2022-08-16 | 长江水利委员会长江科学院 | 一种基于改进的U-net模型的崩岗提取方法及*** |
CN115205691A (zh) * | 2022-09-15 | 2022-10-18 | 江西农业大学 | 一种水稻种植区域识别方法、装置、存储介质及设备 |
WO2022252799A1 (zh) * | 2021-06-04 | 2022-12-08 | 成都数之联科技股份有限公司 | 模型训练方法及林地变化检测方法及***及装置及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9904849B2 (en) * | 2015-08-26 | 2018-02-27 | Digitalglobe, Inc. | System for simplified generation of systems for broad area geospatial object detection |
-
2023
- 2023-01-09 CN CN202310024537.0A patent/CN116229280B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171103A (zh) * | 2016-12-07 | 2018-06-15 | 北京三星通信技术研究有限公司 | 目标检测方法及装置 |
WO2018222775A1 (en) * | 2017-05-30 | 2018-12-06 | Digitalglobe, Inc. | Broad area geospatial object detection |
KR20190065813A (ko) * | 2017-12-04 | 2019-06-12 | 재단법인대구경북과학기술원 | 기여도에 기초하여 특징을 추출하는 방법 및 장치 |
CN108280440A (zh) * | 2018-02-09 | 2018-07-13 | 三亚中科遥感研究所 | 一种果林识别方法和*** |
CN110942057A (zh) * | 2018-09-25 | 2020-03-31 | 杭州海康威视数字技术股份有限公司 | 一种集装箱箱号识别方法、装置和计算机设备 |
CN110008899A (zh) * | 2019-04-02 | 2019-07-12 | 北京市遥感信息研究所 | 一种可见光遥感图像候选目标提取与分类方法 |
CN111178186A (zh) * | 2019-12-16 | 2020-05-19 | 广州地理研究所 | 基于哨兵遥感数据的水稻提取方法及装置、设备 |
CN111209854A (zh) * | 2020-01-06 | 2020-05-29 | 苏州科达科技股份有限公司 | 司乘人员未系安全带识别方法、装置及存储介质 |
CN111401359A (zh) * | 2020-02-25 | 2020-07-10 | 北京三快在线科技有限公司 | 目标识别方法、装置、电子设备和存储介质 |
CN112598881A (zh) * | 2020-12-03 | 2021-04-02 | 中煤航测遥感集团有限公司 | 一种地质灾害监测方法、装置及计算机设备 |
CN113158588A (zh) * | 2021-01-19 | 2021-07-23 | 广东省科学院广州地理研究所 | 一种崩岗内部沟道识别与预测的方法及装置 |
CN113033453A (zh) * | 2021-04-06 | 2021-06-25 | 北京艾尔思时代科技有限公司 | 一种适用于景观破碎区作物类型遥感识别的方法及*** |
CN113269257A (zh) * | 2021-05-27 | 2021-08-17 | 中山大学孙逸仙纪念医院 | 一种图像分类方法、装置、终端设备及存储介质 |
WO2022252799A1 (zh) * | 2021-06-04 | 2022-12-08 | 成都数之联科技股份有限公司 | 模型训练方法及林地变化检测方法及***及装置及介质 |
CN113240340A (zh) * | 2021-06-10 | 2021-08-10 | 中国农业科学院农业信息研究所 | 基于模糊分类的大豆种植区分析方法、装置、设备和介质 |
CN114708521A (zh) * | 2022-04-07 | 2022-07-05 | 中南大学 | 基于街景图像目标关系感知网络的城市功能区识别方法及*** |
CN114913424A (zh) * | 2022-05-27 | 2022-08-16 | 长江水利委员会长江科学院 | 一种基于改进的U-net模型的崩岗提取方法及*** |
CN115205691A (zh) * | 2022-09-15 | 2022-10-18 | 江西农业大学 | 一种水稻种植区域识别方法、装置、存储介质及设备 |
Non-Patent Citations (2)
Title |
---|
Rapid identification of landslide, collapse and crack based on low-altitude remote sensing image of UAV;Lian Xu-gang 等;《Journal of Mountain Hazards and Environment》;20201231;第2915-2928页 * |
基于双目视觉和差分校正的边坡滑移测量技术研究;杨扬;《CNKI》;20190105;第2019年卷(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116229280A (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111986099B (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及*** | |
CN111126258B (zh) | 图像识别方法及相关装置 | |
Chen et al. | A practical trial of landslide detection from single-temporal Landsat8 images using contour-based proposals and random forest: A case study of national Nepal | |
Drǎguţ et al. | ESP: a tool to estimate scale parameter for multiresolution image segmentation of remotely sensed data | |
CN110910343A (zh) | 路面裂缝检测的方法、装置及计算机设备 | |
US20150310294A1 (en) | Method for processing an image | |
WO2020189242A1 (ja) | 情報処理装置、情報処理方法及びプログラム | |
CN115223054A (zh) | 一种基于分区聚类与卷积的遥感影像变化检测方法 | |
Wang et al. | A feature-supervised generative adversarial network for environmental monitoring during hazy days | |
CN112686184A (zh) | 基于神经网络的遥感房屋变化检测方法 | |
CN114563378A (zh) | 湖库蓝藻水华空间分布定量描述方法、装置、介质和设备 | |
Singh et al. | Detection of 2011 Sikkim earthquake-induced landslides using neuro-fuzzy classifier and digital elevation model | |
CN116152209A (zh) | 一种耳机罩缺陷检测方法、装置、设备及存储介质 | |
CN111738972B (zh) | 建筑检测***、方法和装置 | |
CN107271367B (zh) | 一种水体识别方法及装置 | |
Yates et al. | Evaluation of synthetic aerial imagery using unconditional generative adversarial networks | |
CN109558801B (zh) | 道路网络提取方法、介质、计算机设备及*** | |
CN113673369A (zh) | 遥感图像场景规划方法、装置、电子设备和存储介质 | |
CN116561536B (zh) | 一种滑坡隐患的识别方法、终端设备及介质 | |
EP4296706A1 (en) | Method and system for lulc guided sar visualization | |
CN116229280B (zh) | 崩岗识别方法、装置、电子设备以及存储介质 | |
CN116994084A (zh) | 区域入侵检测模型训练方法及区域入侵检测方法 | |
CN110728311A (zh) | 一种图像处理方法、装置和存储介质 | |
Woźniak et al. | The influence of filtration and decomposition window size on the threshold value and accuracy of land-cover classification of polarimetric SAR images | |
Herrmann et al. | Out-of-the-box calving-front detection method using deep learning |
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 |