-
公开(公告)号：CN116434064A
公开(公告)日：2023-07-14
申请号：CN202310398075.9
申请日：2023-04-14
Applicant: 安徽大学
IPC: G06V20/10 , G06V10/764 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于SK‑UNet深度学习网络的遥感影像大豆种植区域提取方法，包括：获取10m分辨率的哨兵二号遥感影像并进行预处理，构成遥感影像数据集；构建改进的UNet网络模型即SK‑UNet模型作为大豆种植区影像提取网络；得到训练后的SK‑UNet模型；获取待提取的遥感影像并进行预处理；将预处理后的待提取的遥感影像输入训练后的SK‑UNet模型，得到大豆种植区影像提取结果。本发明基于对UNet网络的改进，在每个双层卷积后加入SKNet Block模块，其可扩展性好且提取精度高，可调整参数应用于不同传感器的遥感卫星影像；通过验证，本发明得到的高分辨率遥感影像分类结果在评价指标优上优于对比分类算法，并且产生的分类结果能够更好的保持了边缘的平滑和完整性。
-
公开(公告)号：CN115861836A
公开(公告)日：2023-03-28
申请号：CN202211480121.1
申请日：2022-11-24
Applicant: 安徽大学
IPC: G06V20/13 , G06V20/10 , G06V10/764 , G06V10/771 , G06V10/80 , G06V10/70
Abstract: 本发明涉及一种基于多时相Sentinel‑2数据的大豆种植区提取方法，包括：获取Sentinel‑2影像数据和辅助数据，进行预处理；将研究区的影像内的非农作物像元进行剔除，得到研究区的植被总体分布；生成所有特征的集合，并将数据融合在一起，进行掩膜；进行特征优选，筛选出各个分类器对应的最佳特征子集，选出最佳分类器；通过获取的最佳分类器和该分类器对应的最佳特征子集，组成大豆最佳提取模型，并对大豆最佳提取模型的大豆提取效果进行评估，并得到该研究区内的大豆最佳制图效果。本发明提高了精度，减少错分漏分的概率；丰富了光谱特征，还提取了部分地物是光谱难以区分的，以用作辅助数据；极大的减少了工作量，减少了特征冗余以及噪声，提高了工作效率。
-
公开(公告)号：CN115063610A
公开(公告)日：2022-09-16
申请号：CN202210596186.6
申请日：2022-05-30
Applicant: 安徽大学
IPC: G06V10/62 , G06T7/62 , G06V10/764 , G06V10/774 , G06T7/11 , G06K9/62 , G06N5/00 , G06N20/10 , G06N20/20
Abstract: 本发明涉及基于Sentinel‑1、2影像的大豆种植区识别方法及其面积测算方法，与现有技术相比解决了大豆与其他作物光谱相似度高导致其依靠高维特征难以实现种植区识别的缺陷。本发明包括以下步骤：Sentinel‑1、2影像的获取和预处理；时间序列特征提取；支持向量机模型的构建；优选特征子集确定；大豆种植区识别。本发明借助GEE云计算平台，利用线性谐波模型提取大豆生长季内Sentinel‑1、2影像的时间序列特征，然后构造支持向量机模型，同时结合随机森林分类模型及斯皮尔曼相关系数探究大豆识别优选特征子集，最终利用支持向量机模型提取大豆种植区并测算面积。
-
公开(公告)号：CN115063610B
公开(公告)日：2024-03-12
申请号：CN202210596186.6
申请日：2022-05-30
Applicant: 安徽大学
IPC: G06V10/62 , G06T7/62 , G06V10/764 , G06V10/774 , G06T7/11 , G06N5/01 , G06N20/10 , G06N20/20
Abstract: 本发明涉及基于Sentinel‑1、2影像的大豆种植区识别方法及其面积测算方法，与现有技术相比解决了大豆与其他作物光谱相似度高导致其依靠高维特征难以实现种植区识别的缺陷。本发明包括以下步骤：Sentinel‑1、2影像的获取和预处理；时间序列特征提取；支持向量机模型的构建；优选特征子集确定；大豆种植区识别。本发明借助GEE云计算平台，利用线性谐波模型提取大豆生长季内Sentinel‑1、2影像的时间序列特征，然后构造支持向量机模型，同时结合随机森林分类模型及斯皮尔曼相关系数探究大豆识别优选特征子集，最终利用支持向量机模型提取大豆种植区并测算面积。
-
-
-
Search Results
4
records
(took 0.02 seconds)
