基于高分可见光遥感指数的城市阴影高效提取研究

doi:10.11873/j.issn.1004-0323.2023.4.0945

遥感技术与应用

2023, Vol. 38

Issue (4): 945-955 DOI: 10.11873/j.issn.1004-0323.2023.4.0945

遥感应用

基于高分可见光遥感指数的城市阴影高效提取研究

唐晔^1,²(

),刘小燕^1,²,崔耀平^1,²(

),史志方^1,²,邓亮^1,²,陈准³

^1.河南大学黄河中下游数字地理技术教育部重点实验室，河南开封 475004
^2.河南大学地理与环境学院，河南开封 475004
^3.河南大学哲学与公共管理学院，河南开封 475004

Research on Efficient Extraction of Urban Shadow based on High-resolution Visible Light Remote Sensing Index

Ye TANG^1,²(

),Yaoping CUI^1,²,Xiaoyan LIU^1,²(

),Zhifang SHI^1,²,Zhun CHEN^1,²,Liang DENG³

^1.Key Laboratory of Geospatial Technology for the Middle and Lower Yellow River Regions （Henan University），Ministry of Education，Kaifeng 475004，China
^2.School of Geography and Environmental Science，Henan University，Kaifeng 475004，China
^3.School of Philosophy and Public Administration Henan University，Kaifeng 475004，China

全文: PDF(6893 KB) HTML

摘要：

高效识别阴影信息是利用阴影和消除阴影的关键前提，有助于城市遥感应用研究的开展，现有关于城市阴影检测多关注在近红外和可见光的多波段合成方面，而对可见光提取阴影的能力检测有待深入。针对这一问题，基于红、绿、蓝（R、G、B）高分卫星影像，结合色彩空间变换和影像多波段运算，研究并提出一种由绿光波段、蓝光波段和亮度分量构建的城市阴影优化指数OUSI （Optimization Urban Shadow Index），从视觉效果及提取精度评估角度进行验证分析。结果表明：OUSI可较完整地提取城市阴影，总体精度达90.46％，高于当前常见的指数法和深度学习阴影检测算法；OUSI受不同土地覆被类型的影响较小，阴影检测结果稳定。与既往基于特征的方法不同，研究构建的阴影指数对原始影像数据仅依赖RGB三波段信息，OUSI指数简洁有效、运算耗时少，进而可以为实现大区域和高精度的城市阴影检测提供切实可行的方案。

关键词： 阴影指数; 深度学习; 色彩空间; 高分影像; 可见光

Abstract:

Efficient recognition of shadow information is a key prerequisite for utilizing and eliminating shadows， most of the existing studies on urban shadow detection have been attached to the multi-band synthesis of near-infrared and visible light， while the detection ability of shadows extraction from visible light still remains insufficient. In this study， based on red， green， and blue （R， G， B） high-resolution satellite images， we used color space transformation and image multi-band operation to constructed an Optimization Urban Shadow Index （OUSI） with green light band， blue light band， and luminance component. The visual effect and accuracy evaluation were also be analyzed. The results showed that a more complete urban shadow can be extracted by OUSI with an overall accuracy of 90.46%， outperforming the current common exponential method and deep learning shadow detection algorithms； the shadow detection results were the most stable as it suffered less from the influence of different land cover types. In contrast to the previous feature-based methods， the raw image data of this study only rely on RGB three-band information. The OUSI consumes fewer computing hours and thus providing an effective practical solution to achieve urban shadow detection in large areas.

Key words: Shadow index Deep learning Color space High-resolution image Visible light

收稿日期: 2022-04-18 出版日期: 2023-09-11

ZTFLH:

TP751.1

基金资助: 国家自然科学基金项目(42071415);河南省自然科学基金优秀青年科学基金项目(202300410049);信阳生态研究院开放基金(2023XYMS014);河南省研究生教育改革与质量提升工程项目(YJS2023JC22)

通讯作者: 崔耀平 E-mail: tangyhenu@163.com;cuiyp@lreis.ac.cn

作者简介: 唐晔（1995-）,女,河南南阳人，硕士研究生,主要从事遥感大数据与城市规划研究。E?mail: tangyhenu@163.com

	服务
	把本文推荐给朋友
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	唐晔
	刘小燕
	崔耀平
	史志方
	邓亮
	陈准

引用本文:

唐晔,刘小燕,崔耀平,史志方,邓亮,陈准. 基于高分可见光遥感指数的城市阴影高效提取研究[J]. 遥感技术与应用, 2023, 38(4): 945-955.

Ye TANG,Yaoping CUI,Xiaoyan LIU,Zhifang SHI,Zhun CHEN,Liang DENG. Research on Efficient Extraction of Urban Shadow based on High-resolution Visible Light Remote Sensing Index. Remote Sensing Technology and Application, 2023, 38(4): 945-955.

链接本文:

http://www.rsta.ac.cn/CN/10.11873/j.issn.1004-0323.2023.4.0945 或 http://www.rsta.ac.cn/CN/Y2023/V38/I4/945

图1 研究区概况

图2 典型地物光谱特征均值统计

图3 OUSI阴影检测方法流程图

图4 精度分析区：A-F

图5 4种阴影检测方法的结果对比：NSVDI、USI、深度学习、本研究构建的OUSI指数

方法/研究区	生产者精度		用户精度		总体精度
	阴影	非阴影	阴影	非阴影	总体精度
	$η s$ /%	$η s$ /%	$ρ s$ /%	$ρ s$ /%	$τ$ /%
NSVDI	89.65	50.00	63.40	83.33	69.49
	92.50	47.50	63.79	86.36	70.00
	66.67	50.00	57.10	60.00	58.30
	83.33	76.66	78.12	82.14	80.00
	63.33	73.33	70.37	66.66	68.30
	90.00	80.00	81.81	88.88	85.00
USI	86.20	93.33	92.59	87.50	89.83
	80.00	97.50	96.96	82.97	88.75
	63.33	86.66	82.61	70.27	75.00
	86.66	96.66	96.29	87.87	91.66
	66.66	96.66	95.23	74.35	81.66
	76.66	100.00	100.00	81.08	88.33
深度学习	82.75	90.00	88.88	84.37	86.40
	72.50	87.87	90.00	76.59	81.25
	46.66	96.66	93.33	64.44	71.66
	83.33	93.33	92.59	84.84	88.33
	70.00	96.66	95.45	76.31	83.33
	66.66	90.00	86.95	72.97	78.33
OUSI	89.65	93.33	92.85	90.32	91.52
	82.50	100.00	100.00	85.00	91.25
	73.33	96.66	95.65	78.37	85.00
	96.66	96.66	96.66	96.66	96.66
	76.66	96.66	95.83	80.55	86.66
	83.33	100.00	100.00	85.71	91.66

表1 各精度分析区在NSVDI、USI、深度学习和OUSI的精度评价

研究方法

NSVDI

USI

深度学习

本研究

生产者

精度

阴影 $η s$ /%

非阴影 $η n$ /%

80.91%

62.92%

76.59%

95.14%

70.32%

92.42%

83.69%

97.21%

用户

精度

阴影 $ρ s$ /%

非阴影 $ρ n$ /%

69.10%

77.90%

93.95%

80.67%

91.20%

76.59%

96.83%

86.10%

总体精度方正汇总行

τ

71.85%

85.87%

81.55%

90.46%

表2 研究区在NSVDI、USI、深度学习和OUSI的精度评价

图6 新老城区的阴影面积和占比

1	WEN Zhaofei， WU Shengjun， CHEN Jilong， et al. Radiance transfer process-based shadow correction method for urban regions in high spatial resolution image［J］. Journal of Remote Sensing， 2016，20（1）：138-148.
1	温兆飞，吴胜军，陈吉龙，等. 辐射特征支持下的城市高分影像阴影校正［J］. 遥感学报，2016，20（1）：138-148.
2	XIA Huaiying， GUO Ping. A shadow detection of remote sensing images based on statistical texture features［J］. Journal of Remote Sensing， 2011， 15（4）：778-791.
2	夏怀英，郭平. 基于统计混合模型的遥感影像阴影检测［J］. 遥感学报， 2011， 15（4）： 778-791.
3	NATH B， NI-MEISTER W， ÖZDOĞAN M. Fine-scale urban heat patterns in New York City measured by ASTER satellite—The role of complex spatial structures［J］.Remote Sen-sing，2021，13（19）：3797. DOI：10.3390/rs13193797 doi: 10.3390/rs13193797
4	TATAR N， SAADATSERESHT M， AREFI H， et al. A robust object-based shadow detection method for cloud-free high resolution satellite images over urban areas and waterodies［J］. Advances in Space Research， 2018， 61（11）： 2787-800. DOI： 10.1016/j.asr.2018.03.011 doi: 10.1016/j.asr.2018.03.011
5	ŽIŽLAVSKÁ N， MIKITA T， PATOČKA Z.The effects of roa-dside woo-dy vegetation on the surface temperature of cycle paths［J］.Land，2021，10（5）：483.DOI：10.3390/LAND10050483 doi: 10.3390/LAND10050483
6	MAKARAU A， RICHTER R， MULLER R， et al. Adaptive Shadow detection using a blackbody radiator model［J］.IEEE Transactions on Geoscience and Remote Sensing，2011，49（6）： 2049-2059. DOI： 10.1109/TGRS.2010.2096515 doi: 10.1109/TGRS.2010.2096515
7	LUO S， LI H， SHEN H. Deeply supervised convolutional neural network for shadow detection based on a novel aerial shadow imagery dataset［J］. ISPRS Journal of Photogrammetry and Remote Sensing，2020，167： 443-457. DOI： 10.1016/j.isprsjprs.2020.07.016 doi: 10.1016/j.isprsjprs.2020.07.016
8	MA H， QIN Q， SHEN X. Shadow segmentation and compensation in high resolution satellite images［C］∥IGARSS 2008-2008 IEEE International Geoscience and Remote Sensing Symposium.IEEE，2008，2：II-1036-II-1039. DOI： 10.1109/ igarss.2008.4779175 . doi: 10.1109/ igarss.2008.4779175
9	HAN H， HAN C， XUE X， et al. A Mixed property-based automatic shadow detection approach for vhr multispectral remote sensing images［J］.Applied Sciences，2018，8（10）：1883. DOI： 10.3390/app8101883 doi: 10.3390/app8101883
10	ZHANG Y， ROFFEY M， LEBLANC S G. A novel framework for rapid detection of damaged buildings using pre-event LiDAR data and shadow change information［J］. Remote Sensing， 2021， 13（16）： 3297. DOI： 10.3390/rs 13163297 doi: 10.3390/rs 13163297
11	GAO X， WANG M， YANG Y， et al. Building Extraction from RGB VHR images using shifted shadow algorithm［J］. Ieee Access，2018，6：22034-22045. DOI：10.1109/access. 2018. 2819705 doi: 10.1109/access. 2018. 2819705
12	ZHANG Feizhou， LIU Hualiang， ZHANG Lifu， et al. Review of change detection algorithm using optical remote sensing images in post-earthquake damage investigation［J］. Remote Sensing Technology and Application， 2022， 37（2）：306-318.
12	张飞舟，刘华亮，张立福等.高分辨率光学遥感影像变化检测算法在地震灾情调查中的应用［J］.遥感技术与应用，2022，37（2）：306-318.
13	YANG L， SIDDIQI A， DE WECK O L. Urban roads network detection from high resolution remote sensing［C］∥IGARSS 2019-2019 IEEE International Geoscience and Remote Sensing Symposium. IEEE， 2019： 7431-7434. DOI： 10.1109/igarss.2019.8899328 doi: 10.1109/igarss.2019.8899328
14	CHEN J， YUAN Z， PENG J， et al. DASNet： Dual attentive fully convolutional siamese networks for change detection in high-resolution satellite images［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2020，14：1194-1206. DOI： 10.1109/jstars.2020.3037893 doi: 10.1109/jstars.2020.3037893
15	ZHANG Chi， LI Huifang， SHEN Huanfeng. Thin cloud correction for GF-5 AHSI visible images by combining statistical information with scattering model［J］. Journal of Remote Sensing，2020，24（4）：368-378.
15	张弛，李慧芳，沈焕锋. 联合统计信息与散射模型的GF-5 AHSI可见光影像薄云校正［J］.遥感学报，2020，24（4）：368-37 .
16	NAKAJIMA T， TAO G， YASUOKA Y. Simulated recovery of information in shadow areas on IKONOS image by combing ALS data［C］∥Proceeding of Asian conference on remote sensing （ACRS）. 2002.
17	DARE P M. Shadow analysis in high-resolution satellite imagery of urban areas［J］. Photogrammetric Engineering & Remote Sensing，2005，71（2）：169-177. DOI：10.14358/pers. 71.2.169 . doi: 10.14358/pers. 71.2.169
18	DUAN Guangyao， GONG Huili， LI Xiaojuan， et al. Shadow extraction based on characteristic components and object-oriented methed for high-resolution images［J］. Journal of Remote Sensing， 2014， 18（4）：760-770.
18	段光耀，宫辉力，李小娟，等. 结合特征分量构建和面向对象方法提取高分辨率卫星影像阴影［J］. 遥感学报， 2014， 18（4）： 760-770.
19	LIU Hui， XIE Tianwen. Study on shadow detection in high resolution remote sensing image based on PCA and HIS model［J］.Remote Sensing Technology and Application，2013，28（1）：78-84.
19	刘辉，谢天文.基于PCA与HIS模型的高分辨率遥感影像阴影检测研究［J］. 遥感技术与应用，2013，28（1）：78-84.
20	BAO Haiying， LI Yan， YIN Yongyi. The study on shadow detection and shadow elimination in the urban aerial images［J］. Remote Sensing Information， 2010（1）：44-47.
20	鲍海英，李艳，尹永宜. 城市航空影像的阴影检测和阴影消除方法研究［J］. 遥感信息， 2010（1）：44-47.
21	HUANG J， XIE W， TANG L. Detection of and compensation for shadows in colored urban aerial images［C］∥Fifth World Congress on Intelligent Control and Automation IEEE Cat. No. 04EX788. IEEE， 2004， 4： 3098-3100
22	SARABANDI P， YAMAZAKI F， MATSUOKA M， et al. Shadow detection and radiometric restoration in satellite high resolution images［C］∥IGARSS 2004. 2004 IEEE International Geoscience and Remote Sensing Symposium. IEEE，2004，6：3744-3747. DOI：10.1109/igarss. 2004. 1369936 doi: 10.1109/igarss. 2004. 1369936
23	MOSTAFA Y， ABDELHAFIZ A. Accurate shadow detection from high-resolution satellite images［J］. IEEE Geoscience and Remote Sensing Letters， 2017， 14（4）： 494-498. DOI： 10.1109/lgrs.2017.2650996 doi: 10.1109/lgrs.2017.2650996
24	ZHANG Xianpeng， CHEN Fan， HE Hongjie. Shadow detection in high resolution remote sensing images using multiple features［J］. Acta Automatica Sinica， 2016， 42（2）： 290-298.
24	张先鹏，陈帆，和红杰. 结合多种特征的高分辨率遥感影像阴影检测［J］. 自动化学报， 2016， 42（2）： 290-298.
25	XU Miaozhong， YU Zhihui.Automated extraction of shadows in very-high hesolution sptellite images［J］.Journal of Geomatics， 2003（1）：20-22.
25	许妙忠，余志惠. 高分辨率卫星影像中阴影的自动提取与处理［J］. 测绘信息与工程，2003（1）：20-22.
26	HAN Yanxiang， ZHANG Zhisheng， HAO Fei， et al. Shadow detection based on texture features in gray sequence images［J］. Optics and Precision Engineering， 2013， 21（11）： 2931-2942.
26	韩延祥，张志胜，郝飞，等.灰度序列图像中基于纹理特征的移动阴影检测［J］. 光学精密工程， 2013， 21（11）： 2931-2942.
27	SHAO Wenjing， SUN Weiwei， YANG Gang. Comparison of texture feature extraction methods for hyperspectral imagery classification［J］. Remote Sensing Technology and Application， 2021，36（2）：431-440.
27	邵文静，孙伟伟，杨刚.高光谱遥感影像纹理特征提取的对比分析［J］.遥感技术与应用，2021，36（2）：431-440.
28	JIANG Jianguo， LI Ting， YANG Lingmin， et al. Improvement of shadow detection algorithm based on c3 component for high-resolution remote sensing images［J］. Journal of Computer-Aided Design and Computer Graphics， 2015，27（8）： 1490-149.
28	姜建国，李婷，杨玲敏，等. C3通道高分辨率遥感图像阴影检测算法的改进［J］. 计算机辅助设计与图形学学报， 2015， 27（8）： 1490-1497.
29	MUSLEH S， SARFRAZ M， RAAFAT H. Shadow detection of the satellite images of earth using ratio image pixels［J］. Earth Science Informatics，2021，14（1）：377-392. DOI：10. 1007/s12145-020-00537-7 doi: 10. 1007/s12145-020-00537-7
30	LI Shu， LIU Yong. Land Use/Cover Classification of Remotely Sensed Imagery Based on Multi-features at the Southeastern Marginal Area of the Tengle Desert. Remote Sensing Technology and Application， 2006（2）： 154-158，173.
30	李述，刘勇. 基于多特征的遥感影像土地利用/覆盖分类——以腾格里沙漠东南边缘地区为例. 遥感技术与应用， 2006（2）： 154-158，173.
31	LIU J， FANG T， LI D. Shadow detection in remotely sensed images based on self-adaptive feature selection［J］. IEEE Transactions on Geoscience and Remote Sensing， 2011， 49（12）： 5092-5103. DOI： 10.1109/tgrs.2011.2158221 doi: 10.1109/tgrs.2011.2158221
32	KHAN S H， BENNAMOUN M， SOHEL F， et al. Automatic feature learning for robust shadow detection［C］∥2014 IEEE Conference on Computer Vision and Pattern Recognition. IEEE， 2014： 1939-1946. DOI： 10.1109/cvpr.2014.249 doi: 10.1109/cvpr.2014.249
33	WANG J， LI X， YANG J. Stacked conditional generative adversarial networks for jointly learning shadow detection and shadow removal［C］∥Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018： 1788-1797. DOI： 10.1109/cvpr.2018.00192 doi: 10.1109/cvpr.2018.00192
34	DING B， LONG C， ZHANG L， et al. Argan： Attentive recurrent generative adversarial network for shadow detection and removal［C］∥Proceedings of the IEEE/CVF International Conference on Computer Vision，2019：10213-10222. DOI： 10.48550/arXiv.1908.01323 doi: 10.48550/arXiv.1908.01323
35	YANG Guangyi， XUE Ruoyao， ZHANG Junxi，et al. Feature fusion remote sensing image shadow detection based on BP neural network［J］. Engineering Journal of Wuhan University， 2023，56（6）：757-763.
35	杨光义，薛若尧，张莙茜等.基于BP神经网络的特征融合遥感图像阴影检测［J］.武汉大学学报（工学版），2023，56（6）：757-763.
36	HOSSEINZADEH S， SHAKERI M， ZHANG H. Fast shadow detection from a single image using a patched convolutional neural network［C］∥2018 IEEE/RSJ International Conference on Intelligent Robots and Systems （IROS）. IEEE， 2018： 3124-3129. DOI： 10.1109/iros.2018.8594050 doi: 10.1109/iros.2018.8594050
37	VICENTE T F Y， HOU L， YU C P， et al. Large-scale training of shadow detectors with noisily-annotated shadow examples［C］∥European Conference on Computer Vision. Springer， Cham， 2016： 816-832.
38	NGUYEN V， YAGO VICENTE T F， ZHAO M， et al. Shadow detection with conditional generative adversarial networks［C］∥Proceedings of the IEEE International Conference on Computer Vision. 2017： 4510-4518. DOI： 10.1109/iccv.2017.483 doi: 10.1109/iccv.2017.483
39	WANG X， SHRIVASTAVA A， GUPTA A. A-fast-rcnn： Hard positive generation via adversary for object detection［C］∥Proceedings of the IEEE conference on computer vision and pattern recognition. 2017： 2606-2615.
40	ZHU J Y， PARK T， ISOLA P，et al.Unpaired image-to-image tran-slation using cycle-consistent adversarial networks［C］∥Proceedings of the IEEE international conference on computer vision. 2017： 2223-2232. DOI： 10.1109/iccv.2017.244 doi: 10.1109/iccv.2017.244
41	WANG E K， LI Y， NIE Z， et al. Deep fusion feature based object detection method for high resolution optical remote sensing images［J］. Applied Sciences， 2019， 9（6）： 1130. DOI： 10.3390/app9061130 doi: 10.3390/app9061130
42	ZHANG Y， CHEN G， VUKOMANOVIC J， et al. Recurrent Shadow Attention Model （RSAM） for shadow removal in high-resolution urban land-cover mapping［J］. Remote Sensing of Environment，2020，247：111945. DOI：10.1016/j.rse. 2020. 111945 doi: 10.1016/j.rse. 2020. 111945
43	SHI Heng， ZHANG Ling. Image shadow removal algorithm based on generative adversarial network［J］.Computer Science，2021，48（6）：145-152.
43	石恒，张玲.基于生成对抗网络的图像阴影消除算法［J］. 计算机科学，2021，48（6）：145-152.
44	TAN Daoqiang， ZENG Cheng， QIAO Jinxia， et al. Shadow detection method based on hybrid attention model［J］. Journal of Computer Applications， 2021， 41（7）： 2076-2081.
44	谭道强，曾诚，乔金霞，张俊.基于混合注意力模型的阴影检测方法［J］. 计算机应用， 2021， 41（7）： 2076-2081.
45	CHEN Qichao， HUANG Gang， ZHANG Min. An efficient shadow detection algorithm based on attention mechanism［J］. Computer Applications and Software，2022，39（9）：225-232.
45	陈啟超，黄刚，张敏.一种基于注意力机制的高效阴影检测算法［J］.计算机应用与软件，2022，39（9）：225-232.
46	LI Qiang， FENG Dejun， HU Minjun， et al. Shadow detection of integrated characteristic components for GF-2 image［J］. Remote Sensing Technology and Application， 2019， 34（6）： 1252-1260.
46	李强，冯德俊，瑚敏君，伍燚垚，杨历辉.集成特征分量的高分二号影像阴影检测［J］.遥感技术与应用，2019，34（6）：1252-1260.
47	MOVIA A， BEINAT A， CROSILLA F. Shadow detection and removal in RGB VHR images for land use unsupervised classification［J］. ISPRS Journal of Photogrammetry and Remote Sensing，2016，119：485-495. DOI：10.1016/j.isprsjprs. 2016. 05.004 doi: 10.1016/j.isprsjprs. 2016. 05.004
48	WANG J, GAO S, GUO L,et al.Impervious surface extraction from high-resolution images based on multi-scale feature fusion in U-Net network［J］. Remote Sensing Technology and Application， 2022，37（4）：811-819.
48	王晶，高帅，郭亮等.基于多尺度特征融合的U-Net网络高分影像不透水面提取研究［J］.遥感技术与应用，2022，37（4）：811-819.
49	LUO Yan， XIN Junwei， XIA Yuanping. An improved method for shadow detection of multispectral remote sensing image［J］. Science of Surveying and Mapping， 2020， 45（12）： 102-107.
49	罗艳，辛俊伟，夏元平. 一种改进的多光谱遥感影像阴影检测方法［J］. 测绘科学， 2020， 45（12）： 102-107.
50	HAN Hongyin. Research on shadow detection and compensation technology for high resolution optical remote sensing images［D］. Changchun： Changchun Institute of Optics， Fine Mechanics and Physics， Chinese Academy of Sciences， 2021.
50	韩红印. 高分辨率光学遥感图像阴影检测与补偿技术研究［D］.长春：中国科学院大学（中国科学院长春光学精密机械与物理研究所），2021.
51	WU W， LI Q， ZHANG Y， et al. Two-Step Urban Water Index （TSUWI）： A new technique for high-resolution mapping of urban surface water［J］. Remote sensing， 2018， 10（11）： 1704. DOI： 10.3390/rs10111704 doi: 10.3390/rs10111704
52	REN K， SUN H， JIA Q， et al. Building recognition from aerial images combining segmentation and shadow［C］∥2009 IEEE International Conference on Intelligent Computing and Intelligent Systems. IEEE，2009，4：578-582. DOI： 10.1109/icicisys.2009.5357616 doi: 10.1109/icicisys.2009.5357616
53	REICHSTEIN M， CAMPS-VALLS G， STEVENS B， et al. Deep learning and process understanding for data-driven earth system science［J］.Nature，2019，566（7743）：195-204. DOI：10.1038/ s41586-019-0912-1 doi: 10.1038/ s41586-019-0912-1
54	BRANDT M， TUCKER C J， KARIRYAA A， et al. An unexpectedly large count of trees in the west african sahara and sahel［J］. Nature， 2020， 587（7832）： 78-82. DOI： 10.1038/s41586-020-2824-5 doi: 10.1038/s41586-020-2824-5
55	RONNEBERGER O， FISCHER P， BROX T. U-net： Convolutional networks for biomedical image segmentation［C］∥International Conference on Medical image computing and computer-assisted intervention. Springer， Cham， 2015： 234-241. DOI： 10.1007/978-3-319-24574-4_28 doi: 10.1007/978-3-319-24574-4_28
56	SRIVASTAVA N， HINTON G， KRIZHEVSKY A， et al. Dropout： A simple way to prevent neural networks from overfitting［J］. The Journal of Machine Learning Research， 2014， 15（1）： 1929-1958.
57	KOCH T L， PERSLEV M， IGEL C， et al. Accurate segmentation of dental panoramic radiographs with U-Nets［C］∥2019 IEEE 16th International Symposium on Biomedical Imaging （ISBI 2019）. IEEE， 2019： 15-19. DOI： 10.1109/isbi.2019.8759563 doi: 10.1109/isbi.2019.8759563

[1]	胡腾云,解鹏飞,温亚楠,慕号伟. 基于不同深度学习模型提取建筑轮廓的方法研究[J]. 遥感技术与应用, 2023, 38(4): 892-902.
[2]	金梦婷,徐权,郭鹏,韩宝华,金军. 基于面向对象多特征学习的无人机影像农作物精细分类方法[J]. 遥感技术与应用, 2023, 38(3): 588-598.
[3]	陈燕丽,房世波,莫建飞,刘志平. 基于地基可见光图像的喀斯特典型植被长势监测[J]. 遥感技术与应用, 2023, 38(2): 518-526.
[4]	邴芳飞,金永涛,张文豪,徐娜,余涛,张丽丽,裴莹莹. 基于机器学习的遥感影像云检测研究进展[J]. 遥感技术与应用, 2023, 38(1): 129-142.
[5]	于枫世,隋毅,王常颖,初佳兰. 基于深度学习的高分辨率卫星遥感影像围填海检测识别[J]. 遥感技术与应用, 2022, 37(4): 789-799.
[6]	隋冰清,殷志祥,吴鹏海,吴艳兰. 面向云覆盖的遥感影像时空融合深度学习方法及其应用[J]. 遥感技术与应用, 2022, 37(4): 800-810.
[7]	付涵,范湘涛,严珍珍,杜小平. 基于深度学习的遥感图像目标检测技术研究进展[J]. 遥感技术与应用, 2022, 37(2): 290-305.
[8]	吕冬梅,马玥,李华朋. 基于CNN的吉林一号卫星城市土地覆被制图潜力评估[J]. 遥感技术与应用, 2022, 37(2): 368-378.
[9]	张弛,姜红涛,谢成,赖少川,沈焕锋. 基于类内拟合的遥感影像薄云雾校正方法[J]. 遥感技术与应用, 2021, 36(5): 1092-1099.
[10]	杨雪峰. 使用高分遥感影像获取塔里木河胡杨高度信息[J]. 遥感技术与应用, 2021, 36(5): 1199-1208.
[11]	路春燕,雷依凡,苏颖,黄雨菲,刘明月,贾明明. 基于面向对象—深度学习的闽东南低海拔海岸带地区湿地动态遥感分析[J]. 遥感技术与应用, 2021, 36(4): 713-727.
[12]	郑磊,何直蒙,丁海勇. 基于ENVINet5的高分辨率遥感影像稀疏塑料大棚提取研究[J]. 遥感技术与应用, 2021, 36(4): 908-915.
[13]	胡乃勋,陈涛,甄娜,牛瑞卿. 基于卷积神经网络的面向对象露天采场提取[J]. 遥感技术与应用, 2021, 36(2): 265-274.
[14]	林娜,冯丽蓉,张小青. 基于优化Faster-RCNN的遥感影像飞机检测[J]. 遥感技术与应用, 2021, 36(2): 275-284.
[15]	李庆,陈俊杰,李庆亭,李柏鹏,卢凯旋,昝露洋,陈正超. 基于SSD模型的京津冀地区尾矿库检测[J]. 遥感技术与应用, 2021, 36(2): 293-303.

Viewed

Full text

Abstract

Cited

Shared

Discussed