专利标题 公开号/公告号 公开日期 摘要 专利状态
一种基于高分辨率卫星遥感影像的船舶智能提取方法 CN202410676455.9 - 本发明公开了一种基于高分辨率卫星遥感影像的船舶智能提取方法，涉及遥感影像提取技术领域，包括以下具体步骤：S1、构建私有数据集一套，并对样本数据进行清洗与优化；S2、利用图像处理方法进行样本增强处理；S3、基于HRnet网络模型，设计一套端到端的深度学习分割模型，能够自动输出单体船舶识别模型；S4、对模型进行训练与加速处理，在高分辨率卫星遥感影像上实现船舶自动分割。该基于高分辨率卫星遥感影像的船舶智能提取方法，基于HRnet进行改进，简化网络参数，使网络模型推理速度提升，并设计有端对端的高分辨率语义特征学习的船舶识别模型，在私有和公有船舶数据集上进行模型训练，然后对输入的卫星遥感影像进行分块提取。 实质审查
基于孪生网络的地物目标智能提取方法 CN202410557518.9 - 本发明公开了基于孪生网络的地物目标智能提取方法，涉及遥感影像特征提取技术领域，所述基于孪生网络的地物目标智能提取方法包括下述操作步骤：S1、样本输入孪生网络；S2、最终差异特征图；S3、特征图2和特征图3；S4、特征图4；S5、引入注意力机制；S6、概率分部热图；S7、平衡准确性和效率。该基于孪生网络的地物目标智能提取方法，在网络结构方面，引入了孪生网络架构，通过在特征提取阶段进行同尺度特征融合，以保留每一次编码的特征信息，从而提高了模型的表征能力引入注意力协调机制，而在特征融合阶段加强了模型对建筑物变化关键特征的关注，并抑制了无关的背景特征，有效地提升了模型的精度和效率。 实质审查
一种高分辨率遥感影像的全要素地物分类方法 CN202311617365.4 - 本发明公开了一种高分辨率遥感影像的全要素地物分类方法，通过获取全年高分辨率遥感影像建立样本集，采用样本集及训练标注迭代方式完成基于深度学习的图像分割模型的训练，通过基于深度学习的图像分割模型在分割图像的同时获取了更细粒度的语义类别，尽可能的保留了影响的全要素信息从而保证了地物提取边界的精确性，在此基础上采用由基于深度学习的图像分割模型处理得到的数据完成基于深度可分离卷积的特征提取模型的训练提高了训练精度，最后将由基于深度学习的图像分割模型得到的第一特征与基于深度可分离卷积的特征提取模型得到的第二特征融合确定待分类高分辨率遥感影像的类型，进一步提高了地物分类精度避免了同类地物产生错误检测的问题。 实质审查
一种基于遥感影像的建筑物提取方法 CN202311396287.X - 本发明公开了一种基于遥感影像的建筑物提取方法，其包括：对获取高分辨率遥感影像进行预处理后获取特征图，将低层级特征图和高层级特征图的语义信息进行融合得到原始分辨率特征图，通过卷积神经网络对原始分辨率特征图进行建筑物类别处理得到建筑物掩膜，计算原始分辨率特征图内每个像素点与周围像素点之间的相似度，进行归一化处理后得到每个像素点的权重，将每个像素点的权重和原始尺寸特征图结合得到加权特征图，通过卷积神经网络对加权特征图进行处理得到边界掩膜，将建筑物掩膜和边界掩膜进行处理生成新的掩膜，并对新的掩膜进行后处理得到建筑物区域。本发明能够使得获取的建筑物体的边界更完整，得到的类别信息更准确，建筑物提取效果好。 实质审查
一种多云雾区域水稻种植结构识别及制图方法 CN202311386927.9 - 本发明公开了一种多云雾区域水稻种植结构识别及制图方法，通过待识别区域划分为重点区域和非重点区域，重点区域采用高分辨率遥感数据，非重点区域采用中分辨率遥感数据，针对不同类型的遥感数据分别建立水稻种植结构高分数据识别模型和水稻种植结构中分数据识别模型实现水稻种植结构识别，高分辨率遥感数据的引入改善了数据源单一、空间分辨率较低等问题，为精细化的水稻种植区域识别提供了数据支撑，同时，基于深度语义分割建立的水稻种植结构高分数据识别模型有效提高了重点区域的水稻识别精度，提高了水稻种植区域图的精度。 实质审查
全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法 CN202311030201.1 - 本发明公开了全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法，涉及遥感影像处理技术领域，所述全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法包括下述操作步骤：S1、条件随机场的一元输入；S2、取得类别标记；S3、最终建筑物标记。该全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法，有效利用多尺度建筑物信息的同时保留局部结构信息，解决了传统条件随机场一元势能丢失边界信息的问题，同时，该框架融合分割先验以缓解建筑物类内光谱差异较大的影响，利用更大尺度的上下文信息来精确提取建筑物，并引入局部类别标记代价从而保持细节信息以获取清晰的建筑物边界。 实质审查
一种增强像素级物候特征复合方法 CN202311030198.3 - 本发明公开了一种增强像素级物候特征复合方法，涉及水稻制图技术领域，所述增强像素级物候特征复合方法包括下述操作步骤：S1、影像去云；S2、确定水稻物候期；S3、构建物候期信息的新特征；S4、指标叠加；S5、水稻制图。该增强像素级物候特征复合方法，Eppf‑CM结合了四个不同的物候期，并通过相应物候期的六个特定光谱指数来表示水稻生长周期的全部光谱特性，从而最大限度地提高了水稻与其他作物的光谱可分离性，将Eppf‑CM的物候特征与one‑class adaboost分类方法结合使用，较于单一物候期来说，精确性更高，有效降低了对水稻的漏分和错分。 实质审查
一种遥感影像建筑物覆盖面积提取方法 CN202310240517.7 - 本发明公开了一种遥感影像建筑物覆盖面积提取方法，涉及光学遥感影像技术领域，包括S1遥感影像选取拍摄面积、S2热光谱图像采集、S3建筑物覆盖整体面积提取、S4建筑物覆盖整体面积整体整合、S5建筑激光定高和S6复杂位点定高。本发明采用间隔5分钟对建筑拍摄，能使卫星随着地球的自转在不同角度对同一建筑进行拍摄，以降低单一照片造成的误视影响建筑物面积提取的精度，此外热光谱拍摄能判明每个地区建筑物以及其他物体的温度，通过热光谱图像配合直拍图像，能准确的分辨出图像拍摄时较为模糊的建筑边界，同时树木与混凝土之间的受热存在差异，通过热光谱图像能较为有效的分辨出林木，避免林木与建筑之间发生混淆。 实质审查
一种基于多任务学习的城市建筑物语义变化监测方法 CN202310229332.6 - 本发明公开了一种基于多任务学习的城市建筑物语义变化监测方法，涉及遥感影像技术领域，所述基于多任务学习的城市建筑物语义变化监测方法包括下述操作步骤：S1、遥感影像输入；S2、地理位置获取；S3、建设信息接入；S4、多任务工程图导入；S5、建筑变化图插入和S6、信息注释。该一种基于多任务学习的城市建筑物语义变化监测方法，以前、后期遥感影像为起始点和终点，于两者之间基于城市建设信息库内部的工程信息，以及基于地理位置的获取，在起始点和终点之间对影像中的变化区域基于工程毕工日期依次插入演变图即建筑变化图，实现城市建筑物语义变化的过程可视化，由此有利于为城市规划、环境监测等方面提供更有利的帮助。 实质审查
一种基于长时间序列的水稻种植面积提取方法 CN202310209140.9 - 本发明公开了一种基于长时间序列的水稻种植面积提取方法，涉及水稻种植面积提取技术领域，提取方法包括以下步骤：步骤一：获取目标区域不同时间段的遥感影像数据；步骤二：对遥感影像数据进行预处理获取水稻不同时间段红边波段反射率；步骤三：建立基于植被指数数据和MODIS地表反射率的融合模型；步骤四：进行运算并得出结论；步骤五：对结论进行分类后处理；步骤六：对结论进行辅助校正。该基于长时间序列的水稻种植面提取方法，可以对目标区域内的水稻种植面积进行提取，能够较为清晰的测绘出水稻的种植面积，同时还能够消除遥感影像的细小图斑使测绘的结构更加的精准，引入无人机对测绘的结果进行验证进一步的保证了数据的精准度。 实质审查