遥感图像处理笔记之【Сrор field boundary detection: approaches and main challenges】

合集 - 遥感图像(15)

1.遥感图像处理笔记之【Land use/Land cover classification with Deep Learning】2024-01-24 2.遥感图像处理笔记之【Deep learning for Geospatial data applications — Multi-label Classification】2024-01-24 3.遥感图像处理笔记之【Multi-label Land Cover Classification with Deep Learning】2024-01-24 4.遥感图像处理笔记之【FastAI Multi-label image classification】2024-01-24 5.遥感图像处理笔记之【U-Net for Semantic Segmentation on Unbalanced Aerial Imagery】2024-01-24

6.遥感图像处理笔记之【Сrор field boundary detection: approaches and main challenges】2024-01-24

7.遥感图像处理笔记之【Automatic Flood Detection from Satellite Images Using Deep Learning】2024-01-24 8.遥感图像处理笔记之【Machine Learning CS-433 - Class Project 2 - Road Segmentation - EPFL】2024-01-02 9.遥感图像处理笔记之【多模态遥感图像综述】2024-01-15 10.遥感图像处理笔记之【图像融合综述】2024-01-16 11.【Trento】遥感图像数据集提供下载2024-01-18 12.遥感图像处理笔记之【论文：一种图像融合新方法】2024-01-26 13.【Pavia】遥感图像数据集下载地址和读取数据集代码2024-03-28 14.特征融合与特征交互的区别2024-04-18 15.遥感图像Trento原始数据集下载2024-11-01

遥感图像处理学习（6）

前言

遥感系列第6篇。遥感图像处理方向的学习者可以参考或者复刻

本文初编辑于2023年12月16日
2024年1月24日搬运至本人博客园平台

文章标题：Сrор field boundary detection: approaches and main challenges

文章地址：https://medium.com/geekculture/%D1%81r%D0%BE%D1%80-field-boundary-detection-approaches-and-main-challenges-46e37dd276bc

文章所涉及的代码：无

这篇文章着眼于农田边界检测，是文章作者对多篇论文的简单介绍和总结。

文章提到，现有的土地使用情况图是基于历史行政地图或基于观测数据手工开发的。前者精度不高，后者需要大量人力。作物田边界检测问题是一个多领域问题，尽管已经有许多解决方案，但仍在开发中。

经典CV边界检测方法：
Boundary Delineation of Agricultural Fields in Multitemporal Satellite Imagery
https://www.researchgate.net/publication/329817494_Boundary_Delineation_of_Agricultural_Fields_in_Multitemporal_Satellite_Imagery
研究人员的目标是开发一种算法，从卫星图像中检测新西兰农田的边界。
算法对春季拍摄的图像有效，而对秋季拍摄的图像则不能提供很好的效果。

经典机器学习边界检测方法：
A machine learning approach for agricultural parcel delineation through agglomerative segmentation
https://www.tandfonline.com/doi/full/10.1080/01431161.2016.1278312
研究小组通过计算指标得到图像，进而得到超像素、像素簇和特征图，通过RUSboost分类器进行像素分类。

图的等高线方法：
Extracting Agricultural Fields from Remote SensingImagery Using Graph-Based Growing Contours
https://www.researchgate.net/publication/340534499_Extracting_Agricultural_Fields_from_Remote_Sensing_Imagery_Using_Graph-Based_Growing_Contours
研究人员在划定轮廓前进行了一系列的变换，特别是双线性滤波、使用YUV和RGB颜色空间之间的颜色空间变换来采用梯度寻找局部各向异性。论文作者提到靠近城市边界的土地容易被误判，建议过滤掉城市结构。

CNN方法：
Deep learning on edge: extracting field boundaries from satellite images with a convolutional neural network
论文使用ResUNet网络和Sentinel-2数据集，使用RGB和进红外波段图像。
研究人员为了将基于区域和基于边缘的检测相结合，研究人员将场边界标记为一个类，将整个区域标记为另一类。后面发现使用UNet++效果更好，故猜测进红外波段图像是不必要的。

CNN边界检测方法：
Detection, Classification and Boundary Regularization of Buildings in Satellite Imagery Using Faster Edge Region Convolutional Neural Networks
https://www.mdpi.com/2072-4292/12/14/2240/htm
训练一个Mask R-CNN再结合一个mini-network网络就是RPN（Region Proposal Network）模型了，研究人员发现FER-CNN（Faster Edge Region CNN）更有效。
FER-CNN在特征图的多个分辨率上分析区域，一个特征图可以减少2、4或8倍，创建区域方案，选择那些在多个尺度上达成一致的区域。

剑走偏锋的方法：
Hierarchical graph-based segmentation for extracting road networks from high-resolution satellite images
https://www.researchgate.net/publication/314729725_Hierarchical_graph-based_segmentation_for_extracting_road_networks_from_high-resolution_satellite_images
把农田边界划分视为道路检测的副产品，但是农田边界和道路不一样，农田边界不全是直的。

对文章所涉及的代码的说明（全文无代码）

posted @ 2024-01-24 16:10 这可就有点麻烦了阅读(35) 评论(0) 编辑收藏举报

hassle