Advertisement

2022年武汉的1米分辨率谷歌遥感影像

  • 5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：TXT

简介：
2022年武汉1米分辨率的谷歌遥感影像

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 高分辨率遥感影像阴影消除技术(2008年)
    优质
    本研究聚焦于开发先进的算法和技术，用于处理和分析高分辨率遥感图像中的阴影问题。通过创新的方法去除或减少阴影干扰，提高图像解析精度及信息提取效率，为环境监测、城市规划等领域提供有力支持。 本段落提出了一种全自动彩色影像阴影去除算法，基于对阴影属性的分析。首先将图像转换为HSI（色调、饱和度、亮度）空间，并利用阴影区域亮度低且饱和度高的特点，结合小区域处理与数学形态学方法来精确定位阴影区域。接着，在各独立的阴影区域内以及其邻近非阴影区域中分别进行匹配补偿操作，针对I、H和S分量图中的变化做出调整。最后将图像转换回RGB空间以完成去影过程。实验结果显示该算法能够在不改变原始影像非阴影部分信息的前提下有效去除阴影影响。
  • 武汉全市12级谷歌卫星影像
    优质
    《武汉全市12级谷歌卫星影像》是一套高分辨率的城市地图集，详细记录了武汉市的地理地貌与城市布局，为规划、研究提供精准数据支持。 武汉全市的谷歌卫星影像，分辨率为12级，格式为.tif。数据来源于LSV平台。如果清晰度不够，请自行下载所需资料。注意：原文中没有提及具体链接或联系方式信息，因此重写时未做相应修改。
  • 8-1 遥感影像分类.ppt
    优质
    本PPT探讨遥感影像分类的基本原理与方法，包括监督与非监督分类技术、特征提取、图像预处理及实际应用案例分析。 遥感图像计算机分类是运用模式识别理论，借助计算机技术自动将遥感图像划分成不同地物类别的一种方法。这类分类包括土地覆盖与利用、森林类型、植被类型以及岩性等的区分。
  • 基于深度学习的高分辨率遥感影像语义分割
    优质
    本研究利用深度学习技术，针对高分辨率遥感影像进行高效准确的语义分割，旨在提升图像解译精度与自动化水平。 高分辨率遥感影像包含大量地理信息。然而，基于传统神经网络的语义分割模型难以从这些图像中的小物体提取高层次特征，导致较高的分割错误率。本段落提出了一种改进DeconvNet网络的方法，通过编码与解码结构特征连接来提升性能。在编码阶段，该方法记录池化操作的位置并在上采样过程中加以利用，有助于保留空间信息；而在解码阶段，则采用对应层的特征融合以实现更有效的特征提取。训练模型时使用预训练模型可以有效扩充数据集，从而避免过拟合问题的发生。 实验结果显示，在优化器、学习率和损失函数适当调整的基础上，并通过扩增的数据进行训练后，该方法在验证遥感影像上的分割精确度达到了约95%，明显优于DeconvNet和UNet网络的表现。
  • 全国30米分辨率土地利用遥感数据
    优质
    简介：全国30米分辨率土地利用遥感数据提供高精度的土地覆盖信息，适用于自然资源管理、城市规划及生态环境研究等领域。 全国土地利用30米数据及其分类说明提供了详细的地理信息资料，帮助用户更好地理解和分析不同类型的土地使用情况。这些数据涵盖了各种土地覆盖类型，并且附有相应的分类解释，便于研究者、规划师以及相关领域的专业人士进行深入的研究和应用。
  • 山东省2018年0.5米分辨率历史影像LRC图源
    优质
    本数据集包含山东省2018年的高分辨率（0.5米）遥感影像，旨在为土地资源管理、城市规划与环境监测等领域提供详实的基础信息。 11个不同年份的历史影像图源包含高分、资源、spot等多个卫星数据，可以直接加载到图新地球。
  • 基于面向对象的高分辨率遥感影像分割技术探讨
    优质
    本研究聚焦于采用面向对象的方法，对高分辨率遥感影像进行有效分割的技术探究，旨在提高图像分析与理解的精确度。 本段落提出了一种结合光谱、形状和纹理的图像分割算法，该方法在处理高分辨率遥感图像时表现出色，并符合人的视觉习惯。此外，这种方法还达到了面向对象遥感处理系统ELU对分类精度的要求。
  • 基于HJ-1A/B卫星CCD影像的武汉市东湖水色三要素遥感分析（2011年）
    优质
    本研究利用HJ-1A/B卫星CCD影像，对2011年武汉市东湖水质中的叶绿素、黄色物质和悬浮泥沙浓度进行了遥感监测与分析。 以武汉市东湖为研究区域，利用同步的MODIS-Terra气溶胶光学厚度数据作为输入参数，采用FlAASH模型对2010年3月11日HJ-1AB卫星CCD影像进行大气校正处理，并基于多年实测数据建立了叶绿素a浓度、悬浮泥沙浓度和黄色物质吸收系数的神经网络反演模型。通过对比分析反演结果与实测数据，发现悬浮泥沙浓度、黄色物质吸收系数以及叶绿素a浓度的平均相对误差分别为28.052%、17.628%和35.621%，表明HJ-1AB卫星CCD传感器基本能够满足II类水体水色要素的遥感监测需求。