CN101650439B - 基于差异边缘和联合概率一致性的遥感图像变化检测方法 - Google Patents
基于差异边缘和联合概率一致性的遥感图像变化检测方法 Download PDFInfo
- Publication number
- CN101650439B CN101650439B CN2009100237232A CN200910023723A CN101650439B CN 101650439 B CN101650439 B CN 101650439B CN 2009100237232 A CN2009100237232 A CN 2009100237232A CN 200910023723 A CN200910023723 A CN 200910023723A CN 101650439 B CN101650439 B CN 101650439B
- Authority
- CN
- China
- Prior art keywords
- edge
- point
- consistency
- image
- filtering
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于差异边缘和联合概率一致性的遥感影像变化检测方法,主要解决传统方法在提高抗噪声能力时,无法较好地保持变化区完整性的问题。具体实现步骤为:对输入的两时相影像采用灰度一致性校正,并创建联合概率一致性图;求取两时相原始图像的canny边缘图,并获得差异边缘图;确定引起配准噪声的差异边缘的位置;结合联合概率一致性构建新差异图;对新差异图取OTSU阈值,获得最终的变化检测结果。本分明在消除噪声的同时实现了变化区块空间一致性的保持,提高了的变化检测结果的精度,可用于多时相遥感影像的火灾、水灾等灾害的评估。
Description
技术领域
本发明属于图像处理领域,涉及遥感图像的变化检测方法,具体地说是一种基于差异边缘和联合概率一致性的遥感图像变化检测方法。
背景技术
遥感图像变化检测技术旨在通过分析同一地区不同时相的遥感图像,提取遥感图像中地物的变化信息,可应用于森林资源调查、土地利用/覆盖动态监测、环境灾害评估、城市规划检测和国防军情监控等对地观测中。
遥感图像变化检测技术本质上是将遥感图像数据分为变化类和未变化类的两分类问题。遥感图像含有如光照变化、大气环境变化、几何形变等多种因素引起的噪声,这些噪声影响了变化类与非变化类的可分性,降低了变化检测的精度,成为无监督变化检测方法研究的难点。
针对无监督变化检测方法中低数据可分性的问题,研究人员主要尝试从变化阈值的选取、空间关系的有效利用方面进行相关工作。变化阈值的选取方面的研究工作一般是先提出概率模型分布的假设,然后在此前提条件下结合一些阈值方法进行变化检测。例如Bruzzone等提出的基于EM算法的贝叶斯阈值自动选取方法,在一定的分布模型假设前提条件下,通过EM算法来估计变化类和非变化类的分布模型参数,然后应用统计模式识别中的贝叶斯决策理论加以解决,但EM算法在进行变化分类的参数估计时,存在收敛速度过慢和估计出现较大偏差等问题,影响了变化检测的性能。且该类方法都存在一个前提假设,认为数据符合高斯分布、混合高斯分布、瑞利高斯分布、Gamma分布等等概率分布模型,但实际获取的遥感数据由于地物等各种因素千差万别,简单的概率模型分布很难对多种变化和噪声均获得良好的检测结果,且目标区域的一致性无法很好的保持。变化检测中空间关系的利用方面,目前的研究工作一般是从空间上下文关系,如隐马尔科夫链、马尔科夫随机场(Markov random field,MRF)等方法着手,如2000年Bruzzone和Prieto提出利用贝叶斯最小错误率阈值进行初始分类并结合Markov随机场的变化检测方法,在考虑概率统计的同时充分考虑了局部邻域的一致性,取得了较好的效果。但是能量函数的选择、区域边界的各向异性、迭代算法寻找最优解时的问题等等使其在达到较好的检测结果方面应用不便。
目前也有一些基于边缘信息的变化检测方法,但都是基于图像中的目标边缘检测分割的,检测的结果很大程度上依赖于目标边缘检测的精度,要求目标(如建筑物、道路、汽车等)边缘比较突出并对检测出目标区边缘的连续性要求较高。
本发明的目的在于克服变化检测中输入图像数据难以有效区分的不足,针对以上变化检测方法中的不足之处,提出了一种基于差异边缘和联合概率一致性的遥感图像变化检测方法,以减少配准噪声的影响,同时充分利用了联合概率一致性对变化区块边缘细节的保持,取得了较好的变化检测结果。
实现本发明目的的技术方案是:首先,准确定位由配准噪声引起的差异边缘,即利用差异边缘并结合联合概率一致性确定未变化区域差异边缘的位置;其次,对两时相图像中的未变化区差异边缘,做加权均值滤波以减少差异图中的噪声干扰;最后,利用处理后得到的差异图,并结合联合概率一致性图,进行阈值分割,获得精确的变化检测结果。具体步骤包括如下:
(1)对输入的两时相图像采用灰度一致性校正;
(2)取步骤(1)校正后图像I1和I2中位于(i,j)点处的灰度值v1和v2,组成灰度点对(v1,v2),并统计图像I1和I2中点对(v1,v2)出现的概率P(v1,v2),然后构建一幅与图像I1和I2相同大小的图像IP,对应I1和I2出现灰度点对(v1,v2)的位置处的IP的像素值赋为概率P(v1,v2),得到一幅联合概率一致性图IP;
(3)求取步骤(1)校正后图像I1和I2的canny边缘图,并对canny边缘图相减后取绝对值,获得差异边缘图ID;
(4)从差异边缘图中粗提取可能噪声边缘;
(5)对图像I1和I2中1~2像素宽噪声边缘上的点和3像素宽噪声边缘上的点分别采用5*5的加权均值滤波和7*7的加权均值滤波,最后将滤波后的两时相图像相减后取绝对值,得到一幅滤波后差异图IF;
(6)采用Otsu阈值法将滤波后差异图分成变化区和非变化区,依据联合概率空间一致图IP的空间一致性对其中的变化区进行区域修正,得到初始分割结果图;
(7)对步骤(1)校正后图像I1和I2中处于初始分割结果图非变化区的可能噪声边缘上的点采用k×k加权模板均值滤波,并对滤波后的两时相图像相减后取绝对值,得到一幅修正后差异图IM;
(8)对步骤(7)修正后差异图IM处于初始分割结果图变化区的点采用5×5像素大小的加权模板均值滤波,对非变化区的点采用5×5像素大小的八方向加权均值滤波,将加权均值滤波后差异图中灰度值大于滤波前灰度值的点,用加权滤波前的灰度值替代加权滤波后的灰度值,得到一幅加权方向滤波差异图;
(9)根据Otsu阈值将步骤(8)得到的差异图分为变化类与非变化类,获得最终的变化检测结果;
本发明由于将差异边缘信息与联合概率的空间一致性相结合,创建出了新差异图,与现有技术相比较具有如下优点:
a、本发明对配准误差和雷达入射角度不同引起的投影干扰具有一定的鲁棒性。
b、本发明不受变化区域形状和边缘联通性的限制。
c、本发明对于变化区域内部的一致性保持较好。
d、本发明对变化区域边缘的细节信息保持较好。
e、提高了变化检测的精度。
附图说明
图1是本发明的实现流程图;
图2是本发明联合概率一致性图创建的示意图;
图3是本发明的8个方向加权均值滤波权值模板的示意图;
图4是本发明的第一组实验数据和结果图;
图5是本发明的第二组实验数据和结果图;
具体实施方式
参照图1,本发明的实现步骤如下:
步骤1,对输入的两时相图像采用灰度一致性校正,得到图像I1和I2。
步骤2,对经过灰度一致性校正的两时相图像I1和I2,创建联合概率一致性图IP。
如图2所示,取已经校正图像I1和I2中位于(i,j)点(其中i=1,2…M,j=1,2…N)处的灰度值v1和v2,组成灰度点对(v1,v2),并统计图像I1和I2中点对(v1,v2)出现的概率P(v1,v2);然后构建一幅与图像I1和I2相同大小的图像IP,对应I1和I2出现灰度点对(v1,v2)的位置处的IP的像素值赋为概率P(v1,v2),得到一幅联合概率一致性图IP。
步骤3,求取图像I1和I2的canny边缘图,将两时相canny边缘图相减后取绝对值,获得一幅差异边缘图ID。
对经过步骤(1)处理后的两时相图像I1和I2利用canny边缘检测算子检测得到两时相图的canny边缘图,其中边缘点的值为1,非边缘点值为0;然后将两时相的canny边缘图相减,对其差值图再取绝对值,得到一幅差异边缘图ID。
步骤4,从差异边缘图中提取可能噪声边缘。
利用5×5像素大小的滑窗从差异边缘图ID中提取符合以下条件的边缘,本发明称之为可能噪声边缘。所要求的边缘条件符合以下三个之一即可:①2个素宽的边缘;②由相隔1个像素的错位边缘及其中间区域所组成的3个像素宽的边缘;③与2个像素或者与3个像素宽的边缘存在四连通的1个像素宽的边缘;
步骤5,对图像I1和I2中1~2像素宽噪声边缘上的点和3像素宽噪声边缘上的点分别采用5*5的加权均值滤波和7*7的加权均值滤波,最后将滤波后的两时相图像相减后取绝对值,得到一幅滤波后差异图IF。
5a)对于两时相图像I1和I2中可能噪声边缘上的点,采用k×k像素大小的加权模板。这里k×k加权均值滤波模板是指:对两时相图像I1和I2所取的当前k×k像素大小的窗口计算其联合概率一致性图IP对应位置处窗口内的均值μw和方差σw,将联合概率一致性图IP的当前窗口内像素值不在(μw-2×σw,μw+2×σw)范围内的点置0,当前窗口内剩余像素值作归一化处理,得到k×k窗口的加权模板;
5b)对两时相图像I1和I2中可能噪声边缘上的点,依据k×k窗口的加权模板进行均值滤波。当噪声边缘为1~2个像素宽时滤波窗口大小k取值为5;当噪声边缘为3个像素宽时滤波窗口大小k取值为7。
5c)对滤波后的两时相图像相减的差值取绝对值,得到一幅滤波后差异图IF;
步骤6,对滤波后差异图采用Otsu取阈法得到变化区和非变化区,对其中的变化区进行基于联合概率空间一致图IP的区域修正,得到初始分割结果图。
对滤波后差异图采用Otsu取阈法得到变化区和非变化区,统计变化区域内各变化区块在联合概率一致性图IP中对应位置区块的均值μr和方差σr,对其中属于(μr-2×σr,μr+2×σr)灰度范围内且与当前变化区块存在四连通的像素点标记为变化点,得到修正变化区后的图像。
步骤7,然后依据此修正的变化区对差异边缘图ID中的边缘分类为变化区边缘和非变化区边缘,对非变化区边缘上的点再次用k×k加权模板均值滤波,并对滤波后的两时相图像相减后取绝对值,得到一幅修正后差异图IM。
7a)将步骤(6)所得图像与差异边缘图ID做与运算,将差异边缘图中的边缘分为变化区边缘和非变化区边缘两类。
7b)将两时相图像I1和I2的非变化区边缘上的点,再次计算其k×k窗口的加权模板并进行均值滤波。当可能噪声边缘为1~2个像素宽时滤波窗口大小k取值为5;当可能噪声边缘为3个像素宽时滤波窗口大小k取值为7。
7c)将步骤(7b)处理后的两时相图像相减的差值取绝对值,得到修正后差异图IM。
步骤8,对步骤(7)修正后差异图IM处于初始分割结果图变化区的点采用5×5像素大小的加权模板均值滤波,对非变化区的点采用5×5像素大小的八方向加权均值滤波,将加权均值滤波后差异图中灰度值大于滤波前灰度值的点,用加权滤波前的灰度值替代加权滤波后的灰度值,得到一幅加权方向滤波差异图。这里5×5像素大小的八方向加权均值滤波的方向加权模板如图3所示,各个方向模板的中心位置处灰色点为当前像素点,黑色点为计算方向加权的点,其权值为联合概率一致性图中当前方向模板中所有黑色点对应值的归一化,模板内其他点的权值为零。
步骤9,根据Otsu阈值将步骤(6)得到的差异图分为变化类与非变化类,获得最终的变化检测结果。
本发明的效果通过以下实验具体说明:
本发明使用了两组真实遥感图像。第一组真实实验数据集是通过Landsat 7ETM+4波段获得的墨西哥郊外的两幅大小为512×512的真实图像,第一时相图像是在2000年4月获得,如图4(a)所示;第二时相SAR图像是在2002年5月获得,如图4(b)所示,变化区域主要为大火破坏了大面积的当地植被所致。图4(c)为图4(a)和图4(b)变化检测结果参考图,图4(d)为本发明关于图4(a)和图4(b)的变化检测结果。第二组真实实验数据集是通过Landsat 5 TM 4波段获得的意大利Elba岛的两幅大小为414×326的真实图像,第一时相图像是在1992年8月获得,如图5(a)所示;第二时相SAR图像是在1994年8月获得,如图5(b)所示,变化区域主要是野火破坏的植被。图5(c)为图5(a)和图5(b)的变化检测结果参考图,图5(d)为本发明关于图5(a)和图5(b)的变化检测结果。
本发明设计了两个实验,第一个实验比较了直接差值法手动阈值的最优结果和本发明的结果,用于证明去噪声的必要性及发明中去噪声的有效性;第二个实验比较了引入空间一致性和未引入一致性的结果,用于说明本发明提出的空间一致性的必要性和有效性。
表1给出了实验一中第一组实验数据结果技术指标,表2给出了实验一中第二组实验数据结果技术指标。从表1和表2可以看出,对两组真实的遥感图像,本发明的总错误数比直接差值法的总错误数分别少了25%和93%,明显的减少了噪声的影响。表3给出了实验二中第一组实验数据结果技术指标,表4给出了实验二中第二组实验数据结果技术指标。从表3和表4可以看出,本发明引入概率空间一致性后,在保持误检测点数基本不变的情况下,总错误数减分别减少了7.9%和42%,说明变化区的完整性得到了保持。总的来说,本发明实现了噪声的消除,同时较好的保持了变化区的完整性。
表1实验一的第一组实验数据结果
表2实验一的第二组实验数据结果
表3实验二的第一组实验数据结果
表4实验二的第二组实验数据结果
Claims (6)
1.一种基于差异边缘与联合概率一致性的遥感图像变化检测方法,包括如下步骤:
1)对输入的两时相图像采用灰度一致性校正;
2)取步骤1)校正后图像I1和I2中位于(i,j)点处的灰度值v1和v2,组成灰度点对(v1,v2),并统计图像I1和I2中点对(v1,v2)出现的概率P(v1,v2),然后构建一幅与图像I1和I2相同大小的图像IP,对应I1和I2出现灰度点对(v1,v2)的位置处的IP的像素值赋为概率P(v1,v2),得到一幅联合概率空间一致性图IP;
3)求取步骤1)校正后图像I1和I2的canny边缘图,并对canny边缘图相减后取绝对值,获得差异边缘图ID;
4)从差异边缘图中粗提取可能的噪声边缘;
5)对图像I1和I2中1-2像素宽噪声边缘上的点和3像素宽噪声边缘上的点分别采用5*5的加权均值滤波和7*7的加权均值滤波,最后将滤波后的两时相图像相减后取绝对值,得到一幅滤波后差异图IF;
6)采用Otsu阈值法将滤波后差异图分成变化区和非变化区,依据联合概率空间一致图IP的空间一致性对其中的变化区进行区域修正,得到初始分割结果图;
7)对步骤1)校正后图像I1和I2中处于初始分割结果图非变化区的噪声边缘上的点采用k×k加权模板均值滤波,并对滤波后的两时相图像相减后取绝对值,得到一幅修正后差异图IM;
8)对步骤7)修正后差异图IM处于初始分割结果图变化区的点采用5×5像素大小的加权模板均值滤波,对非变化区的点采用5×5像素大小的八方向加权均值滤波,将加权均值滤波后差异图中灰度值大于滤波前灰度值的点,用加权滤波前的灰度值替代加权滤波后的灰度值,得到一幅加权方向滤波差异图;
9)根据Otsu阈值将步骤8)得到的差异图分为变化类与非变化类,获得最终的变化检测结果。
3.根据权利要求1所述的遥感图像变化检测方法,其中步骤4)所述的从差异边缘图中提取可能噪声边缘,是利用5×5像素大小的滑窗从差异边缘图ID中选取出三种边缘:第一种是2个像素宽的边缘;第二种是由相隔1个像素的错位边缘及其中间区域所组成的3个像素宽的边缘;第三种是与2个像素宽边缘和3个像素宽的边缘存在四连通的1个像素宽的边缘。
4.根据权利要求1所述的遥感图像变化检测方法,其中步骤7)所述k×k加权模板均值滤波,是将联合概率空间一致性图中当前k*k窗口内(μ-2*σ,μ+2*σ)范围内的点作归一化处理,并将其他点置零得到权值模板,计算加权均值得到当前点的加权均值滤波结果,其中μ和σ分别为窗口内点的均值和方差。
5.根据权利要求1所述的遥感图像变化检测方法,其中步骤6)所述采用Otsu阈值法将滤波后差异图分成变化区和非变化区,并依据联合概率空间一致图IP的空间一致性对其中的变化区进行区域修正,是依次统计变化区内各变化区块在联合概率空间一致性图中对应区块的均值μr和方差σr,对于联合概率空间一致性图中属于(μr-2*σr,μr+2*σr)灰度范围内且与当前变化区块四联通的点标记为变化点,得到初始分割结果图。
6.根据权利要求1所述的遥感图像变化检测方法,其中步骤8)所述5×5像素大小的八方向加权均值滤波,是以联合概率空间一致性图中当前方向所有黑色点对应值的归一化值为权值,计算各方向黑色点的加权均值,选取与中心点值最近的加权均值为八方向加权均值滤波结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009100237232A CN101650439B (zh) | 2009-08-28 | 2009-08-28 | 基于差异边缘和联合概率一致性的遥感图像变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009100237232A CN101650439B (zh) | 2009-08-28 | 2009-08-28 | 基于差异边缘和联合概率一致性的遥感图像变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101650439A CN101650439A (zh) | 2010-02-17 |
CN101650439B true CN101650439B (zh) | 2011-12-07 |
Family
ID=41672713
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009100237232A Expired - Fee Related CN101650439B (zh) | 2009-08-28 | 2009-08-28 | 基于差异边缘和联合概率一致性的遥感图像变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101650439B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894372A (zh) * | 2010-08-03 | 2010-11-24 | 新疆大学 | 含噪遥感图像分割的新方法 |
CN101950364A (zh) * | 2010-08-30 | 2011-01-19 | 西安电子科技大学 | 基于邻域相似度和阈值分割的遥感图像变化检测方法 |
CN101968885A (zh) * | 2010-09-25 | 2011-02-09 | 西北工业大学 | 一种基于边缘和灰度的遥感图像变化检测方法 |
CN101976437B (zh) * | 2010-09-29 | 2012-10-03 | 中国资源卫星应用中心 | 基于自适应阈值分割的高分辨率遥感影像变化检测方法 |
CN102034227B (zh) * | 2010-12-29 | 2012-06-06 | 四川九洲电器集团有限责任公司 | 一种图像去噪的方法 |
CN102360500B (zh) * | 2011-07-08 | 2013-06-12 | 西安电子科技大学 | 基于Treelet曲波域去噪的遥感图像变化检测方法 |
CN102938071B (zh) * | 2012-09-18 | 2015-06-03 | 西安电子科技大学 | 基于非局部均值的sar图像变化检测模糊聚类分析方法 |
CN102937725B (zh) * | 2012-11-12 | 2016-04-20 | 中国科学院地质与地球物理研究所 | 一种基于过渡区与相叠合的位场异常边缘增强方法 |
CN104008534B (zh) * | 2014-06-18 | 2017-12-29 | 福建天晴数码有限公司 | 一种人脸智能美化方法及装置 |
CN104408482B (zh) * | 2014-12-08 | 2019-02-12 | 电子科技大学 | 一种高分辨率sar图像目标检测方法 |
CN106709923B (zh) * | 2015-11-16 | 2019-11-29 | 中国科学院沈阳自动化研究所 | 一种面向异源序列图像的变化检测及其测试方法 |
CN105447494B (zh) * | 2015-12-01 | 2019-07-09 | 二十一世纪空间技术应用股份有限公司 | 基于多源多时相遥感影像数据的菜田监测方法 |
CN106446813B (zh) * | 2016-09-13 | 2019-10-11 | 广州广电运通金融电子股份有限公司 | 一种指静脉识别装置的校准方法 |
CN111369383B (zh) * | 2020-03-03 | 2020-11-17 | 春光线缆有限公司 | 一种用于电线电缆生产的智能集成管理系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1790052A (zh) * | 2005-12-19 | 2006-06-21 | 武汉大学 | 基于遥感影像和gis数据的面状地物变化检测方法 |
EP1865466A1 (en) * | 2005-03-28 | 2007-12-12 | Kyushu Institute of Technology | Operation detection device and operation detection method |
CN101126812A (zh) * | 2007-09-27 | 2008-02-20 | 武汉大学 | 高分辨率遥感影像的分割和分类及变化检测一体化方法 |
-
2009
- 2009-08-28 CN CN2009100237232A patent/CN101650439B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1865466A1 (en) * | 2005-03-28 | 2007-12-12 | Kyushu Institute of Technology | Operation detection device and operation detection method |
CN1790052A (zh) * | 2005-12-19 | 2006-06-21 | 武汉大学 | 基于遥感影像和gis数据的面状地物变化检测方法 |
CN101126812A (zh) * | 2007-09-27 | 2008-02-20 | 武汉大学 | 高分辨率遥感影像的分割和分类及变化检测一体化方法 |
Non-Patent Citations (2)
Title |
---|
JP特开平11-102442A 1999.04.13 |
陈蓓青等.基于最大联合概率的土地覆盖变化自动检测方法.《长江科学院院报》.2008,第25卷(第6期), * |
Also Published As
Publication number | Publication date |
---|---|
CN101650439A (zh) | 2010-02-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101650439B (zh) | 基于差异边缘和联合概率一致性的遥感图像变化检测方法 | |
CN103198480B (zh) | 基于区域和Kmeans聚类的遥感图像变化检测方法 | |
Tolt et al. | A shadow detection method for remote sensing images using VHR hyperspectral and LIDAR data | |
CN102254319B (zh) | 一种多层次分割的遥感影像变化检测方法 | |
CN101727662B (zh) | Sar图像非局部均值去斑方法 | |
CN101694720B (zh) | 基于空间关联条件概率融合的多时相sar图像变化检测方法 | |
CN102629378B (zh) | 基于多特征融合的遥感图像变化检测方法 | |
CN102629380B (zh) | 基于多组滤波和降维的遥感图像变化检测方法 | |
CN101976436B (zh) | 一种基于差分图修正的像素级多聚焦图像融合方法 | |
CN103020605A (zh) | 基于决策层融合的桥梁识别方法 | |
CN102542570B (zh) | 一种微波图像中人体隐藏危险物体自动检测方法 | |
CN103198482B (zh) | 基于差异图模糊隶属度融合的遥感图像变化检测方法 | |
CN103473755B (zh) | 基于变化检测的sar图像稀疏去噪方法 | |
CN104361590A (zh) | 一种控制点自适应分布的高分辨率遥感影像配准方法 | |
CN103871039A (zh) | 一种sar图像变化检测差异图生成方法 | |
CN102903102A (zh) | 基于非局部的三马尔可夫随机场sar图像分割方法 | |
CN103971364A (zh) | 基于加权Gabor小波特征和两级聚类的遥感图像变化检测方法 | |
CN104899892A (zh) | 一种快速的星图图像星点提取方法 | |
CN102968790A (zh) | 基于图像融合的遥感图像变化检测方法 | |
CN104200471A (zh) | 基于自适应权值图像融合的sar图像变化检测方法 | |
CN107341781A (zh) | 基于改进相位一致性特征矢量底图匹配的sar影像校正方法 | |
CN104217436A (zh) | 基于多特征联合稀疏图的sar图像分割方法 | |
CN104680536A (zh) | 利用改进的非局部均值算法对sar图像变化的检测方法 | |
CN103065320A (zh) | 基于恒虚警阈值的sar图像变化检测方法 | |
Wan et al. | An assessment of shadow enhanced urban remote sensing imagery of a complex city–Hong Kong |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20111207 Termination date: 20170828 |
|
CF01 | Termination of patent right due to non-payment of annual fee |