CN101976437B - 基于自适应阈值分割的高分辨率遥感影像变化检测方法 - Google Patents
基于自适应阈值分割的高分辨率遥感影像变化检测方法 Download PDFInfo
- Publication number
- CN101976437B CN101976437B CN201010298068A CN201010298068A CN101976437B CN 101976437 B CN101976437 B CN 101976437B CN 201010298068 A CN201010298068 A CN 201010298068A CN 201010298068 A CN201010298068 A CN 201010298068A CN 101976437 B CN101976437 B CN 101976437B
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- value
- gray
- variation
- 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.)
- Active
Links
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
基于自适应阈值分割的高分辨率遥感影像变化检测方法,首先将两个时期的高分辨遥感影像进行几何配准,然后利用差值法获得二者的差值图像,再通过最大类间方差算法获得变化目标提取的灰度值阈值,并利用灰度值阈值提取出变化目标像素。在检测后处理阶段,针对较杂乱变化图斑,利用形态学变换消除大部分检测出的噪声像素;再利用区域增长算法结合所需提取的变化区域包含像素个数的阈值设定,提取出需要大小的变化区域;最后用边缘检测的方法获得其变化区域的边缘轮廓,再叠加到原始影像上,描绘出完整的变化区域。本发明方法无需过多人工参与,速度较快,可达到良好的检测精度和目视效果。
Description
技术领域
本发明属于图像处理技术领域,涉及影像土地覆盖变化检测的方法,适用于两幅不同时期具备相同土地覆盖范围的单波段或多波段高分辨遥感影像的变化检测。
背景技术
土地覆盖作为人类社会和自然界交互作用的界面具有重要的社会经济意义和生态环境价值。近年来我国城市发展迅速,及时、周期性获取土地覆盖变化的信息有利于管理者掌握城市土地覆盖的变化趋势,在城市建设中统筹考虑生态环境和经济发展的因素,以实现城市的健康可持续发展。随着我国卫星遥感技术的迅速发展,卫星遥感影像由于周期性、连续性、覆盖范围广等特点为我国土地覆盖变化调查提供了有力的数据支持,提高了土地调查的效率。然而受分辨率的限制,往往不能得到较为理想的土地覆盖变化检测结果。随着越来越多的民用高分辨卫星遥感影像的出现,利用高分辨遥感影像进行土地覆盖变化检测将成为一种趋势。与中低分辨率的遥感影像相比,高分辨影像一方面能够反映较为丰富的地物信息,另一方面由于其较多的地物纹理细节给变化检测带来一定难度。
传统的遥感影像变化检测方法一般可分为两类:一类是对不同时间的数据在像素级进行分析,例如差值法、比值法、回归分析法、相关分析法等;另一类是对不同时间的数据相互独立的分类,然后对分类结果进行比较性研究,一般常用的有分类后比较法等。前一种方法根据像素值,提取有关变化性质的信息以找出感兴趣的变化,但要求精确的时域标准化和图像配准。后一种变化检测方法直接给出了有关地物性质的信息,因而受配准及时域标准化结果的影响小,但是所使用的分类器的准确度对它们的影响很大,而且要想达到较好的分类效果,往往需要过多的人工参与。
尽管上述两类变化检测方法已广泛应用到诸多领域,但是仍然存在由于高分辨遥感影像具有较多的地物纹理细节而使得检测结果存在较多的噪声;或是变化检测过程较复杂,需要较多的人工参与,从而降低了变化检测效率的问题。
发明内容
本发明的技术解决问题是:克服现有技术检测噪声较多,检测结果目视效果不好的不足,提供一种速度快、精度好、人工参与较少的基于自适应阈值分割的高分辨率遥感影像变化检测方法。
本发明的技术解决方案是:基于自适应阈值分割的高分辨率遥感影像变化检测方法,步骤如下:
(1)对于同一空间覆盖范围的两个不同时期的遥感影像,以其中一幅作为参考影像,另一幅与之进行几何配准;
(2)利用差值法获取各个波段的差值图像,差值图像上的像素灰度值为经步骤(1)处理后的两个不同时期遥感影像上各个波段相对应图像位置像素灰度值之差的绝对值;
(3)对步骤(2)得到的各个波段的差值图像应用最大类间方差算法求得各个波段的差值图像上变化区域像素的灰度提取阈值,将各个波段差值图像上小于对应波段灰度提取阈值的所有像素的灰度值置为0,各个波段差值图像上不小于对应波段灰度提取阈值的所有像素的灰度值置为相同的非0值,然后将经过阈值分割的各个波段二值化差值图像合并仍得到一个二值化的差异图像;
(4)利用形态学变换去掉步骤(3)得到的差异图像上的噪声像素;
(5)应用区域增长的方式将步骤(4)所得图像上相互邻接的灰度值为非0值的像素先归并至同一区域,再根据所需提取的变化区域的大小确定区域所包括的像素个数阈值,将所包含像素个数小于像素个数阈值的区域中所有像素的灰度值置为0;
(6)通过Sobel边缘检测算子提取经步骤(5)处理后的差值图像上变化区域的边缘轮廓;
(7)将步骤(6)得到的各变化区域的边缘轮廓线叠加在步骤(1)中的参考影像上,得到遥感影像变化检测结果。
所述步骤(1)中对遥感影像进行几何配准的方法为:在两幅图像上选取至少6对同名控制点对,采用二次多项式建立两幅图像的函数关系,对待配准的图像进行空间坐标变换,再采用最近邻元法进行灰度内插,确定待配准图像各像素的灰度值。
所述步骤(3)中单波段差值图像提取阈值的确定方法为:
(31)将单波段差值图像按照灰度值划分为L个等级,统计各等级的像素个数Ni,i=1,2,3...L,计算得到整幅差值图像的像素总个数N=N1+N2+...+Ni+...+NL;
(32)计算单波段差值图像上各等级像素出现的概率Pi=Ni/N;
所述步骤(4)中的形态学变化方法包括腐蚀和膨胀,结构元素采用3乘3的窗口,4邻域运算;对于腐蚀,当窗口中心元素本身为0或者窗口中心元素的4个邻域中有一个为0时,将窗口中心元素设为0;对于膨胀:当窗口中心元素本身不为0或者窗口中心元素的4个邻域中有一个不为0时,则将窗口中心元素设为相同的非零值;对差异图像进行形态学变换时,采用先腐蚀再膨胀的方法,去掉噪声像素。
所述步骤(5)中的区域增长方法为:
(51)设定最小区域阈值,最小区域阈值由所需要得到的变化检测区域的大小确定;
(52)对步骤(4)得到的二值化图像按照从左至右,从上至下的顺序进行逐像素的遍历,当遇到一个满足灰度值不为0且未进行区域标记的像素时,停止遍历,并将该像素作为此次区域增长运算的第一个种子点,对该种子点进行区域标记,并将该种子点存入堆栈,进行下一步;若遍历完整幅图像,未找到满足上述条件的像素时,则步骤(5)结束;
(53)顺序从存储种子点的堆栈中取出种子点,在步骤(4)得到的二值化图像上,遍历种子点的八个邻域内的像素,将灰度值不为0且未进行区域标记的像素与种子点合并至一个区域,同时将这些新合并的像素作为种子点顺序存入堆栈;
(54)重复步骤(53),直到堆栈为空;
(55)统计步骤(54)得到的变化区域所包含的像素个数,若小于预先设定的最小区域阈值,则将该变化区域中所有像素的灰度值置0,并取消其区域标记;
(56)重复步骤(52)~(55),进行下一个区域增长的运算,直至满足步骤(5)结束的条件。
所述步骤(6)中通过Sobel边缘检测算子提取边缘的方法为:对经步骤(5)处理后的差值图像进行如下运算:
fx′=|f(x+1,y-1)+2*f(x+1,y)+f(x+1,y+1)-f(x-1,y-1)-2*f(x-1,y)-f(x-1,y+1)|,
fy′=|f(x-1,y+1)+2*f(x,y+1)+f(x+1,y+1)-f(x-1,y-1)-2*f(x,y-1)-f(x+1,y-1)|,
上式中f(x,y)表示在图像上第x行,第y列处像素的灰度值,fx′为像素(x,y)在x方向上的梯度值,fy′为像素(x,y)在y方向上的梯度值;当fx′或fy′不为0时,将f(x,y)置为相同的非零值,当fx′,fy′都为0时,将f(x,y)置为0。
本发明与现有技术相比的优点在于:
(1)本发明方法采用最大类间方差算法获取差值图像上变化目标与非变化目标像素提取的灰度值阈值,具有自适应的特点,对于任何光学遥感图像都适用,在很大程度上减少了人工的参与,简化了变化区域像素提取的过程;
(2)本发明方法采用形态学变换,可消除大部分高分辨遥感影像因纹理细节较多,在通过灰度值阈值提取变化像素之后产生的众多噪声像素:边缘毛刺、区域内的岛、洞的现象及因几何配准误差导致的错检像素;
(3)本发明方法在区域增长的过程中加入区域大小的阈值设置,对由噪声像素所合并成的小区域再次进行了去除,提高了检测的精度;
(4)本发明方法最终的检测结果为一块块完整的区域,采用边缘检测方法检测出变化区域的边缘像素,获得变化区域边缘轮廓,将其叠加到原始影像上可清楚地勾绘出变化区域,使检测者一目了然;
(5)本发明方法对已配准的遥感影像,在检测之前只需对形态学变化次数以及变化区域大小的阈值进行简单的设置后即可自动完成,操作简单、快捷。
附图说明
图1为本发明方法的实现流程图;
图2为两个不同时期相同区域的单波段高分辨遥感影像;
图3为采用最大类间方差算法获取图2中两个不同时期影像的差异图像;
图4为采用本文发明的方法所获得图2中两个时期影像的变化区域边缘;
图5为两个不同时期相同区域的多段高分辨遥感影像;
图6为采用最大类间方差算法获取图5中两个不同时期影像的差异图像;
图7为采用本文发明方法所获得图5中两个个时期影像的变化区域边缘。
具体实施方式
如图1所示,本发明的具体实施步骤如下:
步骤1:对于同一空间覆盖范围的两个不同时期的遥感影像,以其中一幅作为参考影像,另一幅与之进行几何配准,配准原理如下:首先在两幅图像上选取至少6对同名控制点对,采用二次多项式建立两幅图像的函数关系,对待纠正影像进行空间坐标变换;然后再对待纠正的图像进行灰度内插,采用最近邻元法确定待配准图像各像素的灰度值,由于纠正后的影像各个像素的空间坐标非整数,所以需要将原图像上离此空间点最近的像素的灰度值赋给该空间点,形成重采样后的像素,采用此方法可保证改变影像原有的灰度值。
首先进行几何配准,是考虑到由于卫星轨道漂移、姿态、拍射角度的变化,使得两个时期的影像发生几何定位误差,从而导致两幅影像上相对位置所对应的实际像点不同,几何配准可消除这种误差,配准的精度控制在1个象元之内即可。
步骤2:利用差值法获取两幅影像各个波段的差值图像,差值图像上的像素灰度值为经配准后两个不同时期遥感影像上各个波段相对应图像位置像素灰度值之差的绝对值。
步骤3:将步骤2得到的各个波段的差值图像应用最大类间方差算法求得各个波段的差值图像上变化区域像素的灰度提取阈值,将各个波段差值图像上小于对应波段灰度提取阈值的所有像素的灰度值置为0,各个波段差值图像上不小于对应波段灰度提取阈值的所有像素的灰度值置为相同的非0值,然后将经过阈值分割的各个波段的二值化差值图像合并得到一个二值化的差异图像;具体操作方法如下:
(31)对于单波段差值图像的灰度值按从小到大的顺序划分为L个等级,等级范围设为[0,2,...L],其中L对应影像的最大灰度值,统计各灰度级i的像素个素Ni,计算整幅影像的像素总个数N=N0+N1+...+NL;
(32)计算单波段差值图像各个灰度级像素出现的概率:Pi=Ni/N;
(33)将单波段差值图像分为背景区域C0与变化区域C1两类,C0类灰度级范围为[1,...K],C1类为[K+1,...L],K为变化区域提取的灰度阈值,通过类间方差σ2最大求单波段差值图像灰度阈值K:由于类间方差σ2是K的函数:σ2(K)=a0a1(u0-u1)2,其中ai为类Ci的面积与图像总面积的比,则:a1=1-a0,ui为类Ci的均值,则 分别将Ki代入σ2(K)式计算得出σi 2,其中Ki为单波段差值图像应灰度等级为i的像素的灰度值,通过求σ2最大得到变化区域像素灰度值提取阈值K;
(34)对单波段差值图像根据阈值K进行二值化,获取二值化的差值图像,具体做法是对差值图像上灰度值小于K的像素赋值为0,灰度值大于或等于K的像素赋值为相同的非零值;
(35)对于多波段的影像,重复步骤(31)至(34),获取各个波段的二值化的差值图像,然后对各个波段提取灰度值为非零值的像素进行合并,具体做法是:对各个波段的二值化差值图像上的像素灰度值进行判断,在合并后的二值图像上,将各个波段对应图像位置上灰度值为非零值的像素范围取并集,仍赋值相同的非零值,其余像素灰度值均赋为0。
步骤4:步骤3得到的差值图像存在很多噪声像素,例如:区域内较小的岛或者洞;变化区域边缘个别突出的像素所形成的毛刺;由邻接的变化像素所形成的狭长的区域;由配准误差引起的细小区域等。利用形态学变换去掉大部分的噪声像素:腐蚀则去掉边缘毛刺,及狭长、细小的区域以及变化区域内的小岛,膨胀则可去掉岛和洞。本实施方案所采用的形态学变换的结构元素为3乘3的窗口,为提高效率进行4邻域运算;对于腐蚀,当窗口中心元素本身灰度值为0或者窗口中心元素的4个邻域中有一个灰度值为0时,将窗口中心元素灰度值设为0;对于膨胀:当窗口中心元素本身灰度值不为0或者窗口中心元素的4个邻域中有一个灰度值不为0时,则将窗口中心元素设为相同的非零值。
在具体操作时,首先设定腐蚀和膨胀的次数,然后在步骤3所得二值化差值图像上按照从上到下,从左到右的顺序,依次逐像素执行腐蚀运算,完成一次腐蚀运算后,在得到的图像上再进行一次腐蚀运算,直到达到指定的运算次数为止;然后再在所得图像上执行指定次数的膨胀运算。此步骤中腐蚀和膨胀的次数可以不相同,但是相差不宜超过2次,否则会影响检测的精度。
步骤5:应用区域增长的方式将步骤4所得图像上相互邻接的灰度值为非0值的像素先归并至同一区域,再根据所需提取的变化区域的大小设定区域所包括的像素个数阈值,去掉小区域。具体操作过程如下:
(51)设定最小区域阈值,这个阈值的设定与检测者所要得到的变化检测区域的大小有关,例如检测者如果指定一个区域中若有a*b个像素发生变化,则认为该区域是发生变化的,其中a,b分别为变化区域的行列数,则初始阈值可设定为a*b;
(52)定义一个数组f[xsize][ysize],其中xsize,yszie分别为图像的行数和列数,用f[x][y]为第x行,y列的像素所属区域做标记,首先将所有像素f[x][y]的值初始化0,表示图像上所有像素尚未进行区域的划分;定义一个堆栈d[xszie*yszie],用于存储种子点像素的位置;
(53)对步骤4得到的二值化图像按照从左至右,从上至下的顺序进行逐像素的遍历,当遇到一个满足灰度值不为0且未进行区域标记即f[x][y]=0的像素时,停止遍历,并将该像素作为此次区域增长运算的第一个种子点,并对该点进行区域标记:令f[x][y]=n(n依次取1,2,3......),并将该点的位置:x*yszie+ysize存放入堆栈d;若遍历完整幅图像,未找到满足上述条件的像素时,则步骤5结束;
(54)从堆栈d中顺序取出种子点,在步骤4得到的二值化图像上,遍历种子点的八个邻域内的像素,将灰度值不为0且未进行区域标记的像素合并至种子点所在的区域,并进行区域标记,即令各个像素的F[x][y]=n;并将这些新合并的像素作为新的种子点,顺序放入堆栈d;
(55)重复进行步骤(54)的操作,直到堆栈d为空,此时完成了一个区域的生长过程。
(56)统计步骤(55)得到的变化区域所包含的像素个数,若小于预先设定的最小区域阈值,则将该变化区域中所有像素的灰度值置0,并取消其区域标记,令f[x][y]=0;否则令区域标记n=n+1;
(57)重复步骤(53)~(56),进行下一个区域增长的运算,直至满足则步骤5结束的条件时,完成骤4得到的二值化图像上所有变化区域的像素归并及小区域的去除工作。
步骤6:通过Sobel边缘检测算子提取经步骤5处理后的差值图像上变化区域的边缘轮廓;Solbel算子如下:
fx′=|f(x+1,y-1)+2*f(x+1,y)+f(x+1,y+1)-f(x-1,y-1)-2*f(x-1,y)-f(x-1,y+1)|,
fy′=|f(x-1,y+1)+2*f(x,y+1)+f(x+1,y+1)-f(x-1,y-1)-2*f(x,y-1)-f(x+1,y-1)|
上式中f(x,y)表示在图像上第x行,第y列处像素的灰度值,fx′为像素(x,y)在x方向上的梯度值,fy′为像素(x,y)在y方向上的梯度值;当fx′或fy′不为0时,将f(x,y)置为相同的非零值,当fx′,fy′都为0时,将f(x,y)置为0。
步骤7:将步骤6得到的各变化区域的边缘轮廓线叠加在步骤1的参考影像上,得到遥感影像变化检测结果。
实施例
1、实验数据
本实验数据分为两组,第一组为单波段不同时相覆盖相同区域的高分辨遥感影像,如图2所示:影像来源为分辨率2.36米的CBERS HR全色影像。为保证土地覆盖变化检测的时效性,本文选取时期较为相近的影像,分别于2008年1月1日、2008年12月30日拍摄,图像大小均为533*589(单位:像素);第二组为包含3个波段的不同时相覆盖相同区域的高分辨遥感影像,如图5所示:时相分别为2002年,2003年,图像大小均为1024*1024(单位:像素)。两组数据在所采用的形态学变换过程均为先进行5次腐蚀运算,再进行6次膨胀运算,最终所提取的变化区域所包含的像素个数均大于400个。
2、实验结果分析
表1说明了两组数据在执行本算法的各个步骤阶段,所提取的变化区域个数的变化情况:在进行完本算法第三步,即采用最大类间方差法获取提取变化像素的灰度值阈值后,第一组数据提取的变化区域为2033个,如图3所示,第二组数据提取的变化区域为4373个,如图6所示,图中可以看出存在很多细小的噪声像素;在用形态学变换进行部分细小区域(岛、洞,以及因配准误差所引起的噪声)的去除后,所提取变换区域个数第一组为56个,第二组为182个,分别减少了97%,和96%,可见通过形态学变化可去掉绝大部分的细小区域;在运用区域增长算法将相互邻接的变化区域内在像素在逻辑上归并为一个区域后,通过设计最小区域像素个数的阈值(本实验数据均为400),即提取出所需大小的变化区域,第一组数据为19个,如图4所示,第二组数据为51个,如图7所示。
表2说明了本发明方法所检测出来的结果与实际目测结果的对比:第一组数据共检测出19个变化区域,如图4所示,其中错检区域为1个,漏检的区域为3个;第二组数据共检测出51个变化区域,如图7所示,其中错检区域为10个,漏检的区域为8个;本算法所计算的变化检测精度的公式为:正确检测出变化区域的个数与实际目测检测出来的变化区域个数的比值,即100%*(本算法检测出的变化区域的个数-错检的变化区域个数)/(本算法检测出的变化区域的个数-错检的变化区域个数+漏检变化区域的个数),计算两组数据的变化检测精度分别为:第一组86%;第二组84%。
表1变化区域个数变化情况表
表2本发明方法所检测出来的结果与实际目测结果的对比表
本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。
Claims (1)
1.基于自适应阈值分割的高分辨率遥感影像变化检测方法,其特征在于步骤如下:
(1)对于同一空间覆盖范围的两个不同时期的遥感影像,以其中一幅作为参考影像,另一幅与之进行几何配准,配准的方法为:在两幅图像上选取至少6对同名控制点对,采用二次多项式建立两幅图像的函数关系,对待配准的图像进行空间坐标变换,再采用最近邻元法进行灰度内插,确定待配准图像各像素的灰度值;
(2)利用差值法获取各个波段的差值图像,差值图像上的像素灰度值为经步骤(1)处理后的两个不同时期遥感影像上各个波段相对应图像位置像素灰度值之差的绝对值;
(3)对步骤(2)得到的各个波段的差值图像应用最大类间方差算法求得各个波段的差值图像上变化区域像素的灰度提取阈值,将各个波段差值图像上小于对应波段灰度提取阈值的所有像素的灰度值置为0,各个波段差值图像上不小于对应波段灰度提取阈值的所有像素的灰度值置为相同的非0值,然后将经过阈值分割的各个波段二值化差值图像合并仍得到一个二值化的差异图像,差异图像上的非0值像素取各个波段非0值像素的并集;
单波段差值图像提取阈值的确定方法为:
(31)将单波段差值图像按照灰度值划分为L个等级,统计各等级的像素个数Ni,i=1,2,3...L,计算得到整幅差值图像的像素总个数N=N1+N2+...+Ni+...+NL;
(32)计算单波段差值图像上各等级像素出现的概率Pi=Ni/N;
(4)利用形态学变换去掉步骤(3)得到的差异图像上的噪声像素;形态学变换方法包括腐蚀和膨胀,结构元素采用3乘3的窗口,4邻域运算;对于腐蚀,当窗口中心元素本身为0或者窗口中心元素的4个邻域中有一个为0时,将窗口中心元素设为0;对于膨胀:当窗口中心元素本身不为0或者窗口中心元素的4个邻域中有一个不为0时,则将窗口中心元素设为相同的非零值;对差异图像进行形态学变换时,采用先腐蚀再膨胀的方法,去掉噪声像素;
(5)应用区域增长的方式将步骤(4)所得图像上相互邻接的灰度值为非0值的像素先归并至同一区域,再根据所需提取的变化区域的大小确定区域所包括的像素个数阈值,将所包含像素个数小于像素个数阈值的区域中所有像素的灰度值置为0;
区域增长方法为:
(51)设定最小区域阈值,最小区域阈值由所需要得到的变化检测区域的大小确定;
(52)对步骤(4)得到的图像按照从左至右,从上至下的顺序进行逐像素的遍历,当遇到一个满足灰度值不为0且未进行区域标记的像素时,停止遍历,并将该像素作为此次区域增长运算的第一个种子点,对该种子点进行区域标记,并将该种子点存入堆栈,进行下一步;若遍历完整幅图像,未找到满足上述条件的像素时,则步骤(5)结束;
(53)顺序从存储种子点的堆栈中取出种子点,在步骤(4)得到的图像上,遍历种子点的八个邻域内的像素,将灰度值不为0且未进行区域标记的像素与种子点合并至一个区域,同时将这些新合并的像素作为种子点顺序存入堆栈;
(54)重复步骤(53),直到堆栈为空;
(55)统计步骤(54)得到的变化区域所包含的像素个数,若小于预先设定的最小区域阈值,则将该变化区域中所有像素的灰度值置0,并取消其区域标记;
(56)重复步骤(52)~(55),进行下一个区域增长的运算,直至满足步骤(5)结束的条件;
(6)通过Sobel边缘检测算子提取经步骤(5)处理后的图像上变化区域的边缘轮廓,方法为:对经步骤(5)处理后的图像进行如下运算:
fx′=|f(x+1,y-1)+2*f(x+1,y)+f(x+1,y+1)-f(x-1,y-1)-2*f(x-1,y)-f(x-1,y+1)|,
fy′=|f(x-1,y+1)+2*f(x,y+1)+f(x+1,y+1)-f(x-1,y-1)-2*f(x,y-1)-f(x+1,y-1)|,
上式中f(x,y)表示在图像上第×行,第y列处像素的灰度值,fx′为像素(x,y)在x方向上的梯度值,fy′为像素(x,y)在y方向上的梯度值;当fx′或fy′不为0时,将f(x,y)置为相同的非零值,当fx′,fy′都为0时,将f(x,y)置为0;
(7)将步骤(6)得到的各变化区域的边缘轮廓线叠加在步骤(1)中的参考影像上,得到遥感影像变化检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010298068A CN101976437B (zh) | 2010-09-29 | 2010-09-29 | 基于自适应阈值分割的高分辨率遥感影像变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010298068A CN101976437B (zh) | 2010-09-29 | 2010-09-29 | 基于自适应阈值分割的高分辨率遥感影像变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101976437A CN101976437A (zh) | 2011-02-16 |
CN101976437B true CN101976437B (zh) | 2012-10-03 |
Family
ID=43576319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201010298068A Active CN101976437B (zh) | 2010-09-29 | 2010-09-29 | 基于自适应阈值分割的高分辨率遥感影像变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101976437B (zh) |
Families Citing this family (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521837B (zh) * | 2011-12-19 | 2014-05-28 | 湖南工业大学 | 基于全局信息的图像配准方法 |
CN102750701B (zh) * | 2012-06-15 | 2015-03-04 | 西安电子科技大学 | 针对Landsat TM和ETM图像的厚云及其阴影检测方法 |
CN102867187B (zh) * | 2012-07-04 | 2015-05-27 | 西安电子科技大学 | Nsst域mrf与自适应阈值融合的遥感图像变化检测方法 |
CN102819841B (zh) * | 2012-07-30 | 2015-01-28 | 中国科学院自动化研究所 | 用于目标图像分割的全局阈值分割方法 |
CN103345750A (zh) * | 2013-06-28 | 2013-10-09 | 宁波成电泰克电子信息技术发展有限公司 | 一种电池尾端脱皮检测方法 |
CN103440655A (zh) * | 2013-08-27 | 2013-12-11 | 西北工业大学 | 一种机载遥感图像中跨河桥梁和离岸舰船联合检测方法 |
CN103646380A (zh) * | 2013-11-25 | 2014-03-19 | 大连海洋大学 | 基于堆栈理论去除二值图像中小面积噪声的方法 |
CN104156955A (zh) * | 2014-08-04 | 2014-11-19 | 华中农业大学 | 一种高分辨率遥感影像的变化检测方法 |
CN104392236B (zh) * | 2014-12-15 | 2016-02-10 | 中国地质大学(武汉) | 一种非量测型相机无人机系统图像特征提取方法 |
CN105205801B (zh) * | 2014-12-24 | 2018-05-22 | 天津航天中为数据系统科技有限公司 | 基于变化检测的围填海信息提取方法及装置 |
CN104574394B (zh) * | 2014-12-31 | 2018-02-09 | 北京航天宏图信息技术股份有限公司 | 遥感影像数据处理方法和装置 |
CN104835177B (zh) * | 2015-05-29 | 2016-05-18 | 北京航空航天大学 | 一种月光干扰下星点分割方法及其fpga实现装置 |
CN105260714B (zh) * | 2015-10-10 | 2018-09-28 | 中国资源卫星应用中心 | 一种可见光遥感图像信息提取性能变化检测方法 |
CN108074225B (zh) * | 2016-11-11 | 2022-03-08 | 中国石油化工股份有限公司抚顺石油化工研究院 | 硫化物信息提取方法及装置 |
CN108074254B (zh) * | 2016-11-11 | 2022-03-04 | 中国石油化工股份有限公司抚顺石油化工研究院 | 基于流处理器的硫化物信息提取方法、装置及系统 |
CN108074256B (zh) * | 2016-11-11 | 2022-03-04 | 中国石油化工股份有限公司抚顺石油化工研究院 | 基于分布处理的硫化物信息提取方法、装置及系统 |
CN107274420B (zh) * | 2017-06-15 | 2020-08-14 | 中国水产科学研究院东海水产研究所 | 基于图像分割的海洋锋面提取方法 |
CN108287879A (zh) * | 2018-01-04 | 2018-07-17 | 武汉斗鱼网络科技有限公司 | 直播内容画面的获取方法、存储介质、电子设备及系统 |
CN108846806B (zh) * | 2018-05-14 | 2020-11-10 | 北京洛斯达科技发展有限公司 | 图像处理方法、图像处理装置以及记录介质 |
CN109063564B (zh) * | 2018-06-29 | 2020-09-18 | 北京航天自动控制研究所 | 一种目标变化检测方法 |
CN109784320B (zh) * | 2019-03-25 | 2021-07-30 | 中国科学院地理科学与资源研究所 | 人参设施农业域确定方法 |
CN110148151A (zh) * | 2019-04-08 | 2019-08-20 | 中国航空工业集团公司洛阳电光设备研究所 | 一种运动目标提取方法与装置 |
CN110232709B (zh) * | 2019-04-19 | 2022-07-29 | 武汉大学 | 一种变阈值分割的线结构光光条中心提取方法 |
CN110246139B (zh) * | 2019-04-26 | 2021-01-01 | 清华大学深圳研究生院 | 基于双阈值的浮游生物原位图像roi快速提取方法 |
CN110428440A (zh) * | 2019-07-23 | 2019-11-08 | 浙江树人学院(浙江树人大学) | 一种基于灰度方差的阴影检测方法 |
CN110599479A (zh) * | 2019-09-16 | 2019-12-20 | 北京航天宏图信息技术股份有限公司 | 一种监测区域变化检测方法、装置及存储介质 |
CN111553376B (zh) * | 2019-12-24 | 2023-05-23 | 西安元智系统技术有限责任公司 | 一种文物轮廓监测方法 |
CN111259955B (zh) * | 2020-01-15 | 2023-12-08 | 国家测绘产品质量检验测试中心 | 一种地理国情监测成果可靠性质检方法及系统 |
CN111402283B (zh) * | 2020-02-25 | 2023-11-10 | 上海航天控制技术研究所 | 基于灰度方差导数的火星图像边缘特征自适应提取方法 |
CN111539980B (zh) * | 2020-04-27 | 2023-04-21 | 航天科工微电子系统研究院有限公司 | 一种基于可见光的多目标追踪方法 |
CN111598174B (zh) * | 2020-05-19 | 2020-12-29 | 中国科学院空天信息创新研究院 | 基于半监督对抗学习的模型训练方法及图像变化分析方法 |
CN112101159B (zh) * | 2020-09-04 | 2022-05-24 | 国家林业和草原局中南调查规划设计院 | 多时相林业遥感影像变化监测方法 |
CN112651896A (zh) * | 2020-12-30 | 2021-04-13 | 成都星时代宇航科技有限公司 | 有效矢量范围确定方法、装置、电子设备及可读存储介质 |
CN113592877B (zh) * | 2021-03-25 | 2024-04-12 | 国网新源控股有限公司 | 一种抽水蓄能电站红线超标识别方法及装置 |
CN113079632A (zh) * | 2021-04-01 | 2021-07-06 | 浙江大学 | 一种高分辨率触觉传感器及其制作和检测方法 |
CN113096116B (zh) * | 2021-04-28 | 2022-11-18 | 东南大学 | 一种基于灰阶图像的医用超声设备性能的自动检测方法 |
CN113377891B (zh) * | 2021-06-30 | 2023-11-03 | 中国测绘科学研究院 | 一种面向空间矢量数据图斑面积的平差方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1885346A (zh) * | 2006-06-01 | 2006-12-27 | 电子科技大学 | 一种复杂背景下红外图像序列中运动目标的检测方法 |
CN101650439A (zh) * | 2009-08-28 | 2010-02-17 | 西安电子科技大学 | 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 |
-
2010
- 2010-09-29 CN CN201010298068A patent/CN101976437B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1885346A (zh) * | 2006-06-01 | 2006-12-27 | 电子科技大学 | 一种复杂背景下红外图像序列中运动目标的检测方法 |
CN101650439A (zh) * | 2009-08-28 | 2010-02-17 | 西安电子科技大学 | 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 |
Non-Patent Citations (3)
Title |
---|
姜涛,马国锐,秦前清.基于遥感影像的变化检测技术.《计算机应用研究》.2005,(第2期),第255~257页. * |
杜奇,向健勇,袁胜春.一种改进的最大类间方差法.《红外技术》.2003,第25卷(第5期),第33~36页. * |
赵钦佩,姚莉秀,刘瑞明,杨杰.一种新的基于背景的红外图像分割方法.《计算机仿真》.2007,第24卷(第5期),第202~205页. * |
Also Published As
Publication number | Publication date |
---|---|
CN101976437A (zh) | 2011-02-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101976437B (zh) | 基于自适应阈值分割的高分辨率遥感影像变化检测方法 | |
CN102968798B (zh) | 一种基于小波变换和otsu阈值的sar图像海陆分割方法 | |
CN101923711B (zh) | 基于邻域相似性及掩模增强的sar图像变化检测方法 | |
CN101887586B (zh) | 基于图像轮廓尖锐度的自适应角点检测方法 | |
CN101251926B (zh) | 一种基于局部轮廓协方差矩阵的遥感图像配准方法 | |
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 | |
CN103473764B (zh) | 一种遥感影像目标变化检测方法 | |
CN101980293B (zh) | 一种基于刃边图像的高光谱遥感系统mtf检测方法 | |
CN102279973B (zh) | 基于高梯度关键点的海天线检测方法 | |
CN102096795A (zh) | 磨损二维条码图像识别方法 | |
CN101915910B (zh) | 利用航海雷达识别海上溢油目标的方法及系统 | |
CN103729655A (zh) | 一种用于片式元件视觉定位的检测方法 | |
CN100573190C (zh) | 基于支撑矢量机的合成孔径雷达遮挡目标识别方法 | |
CN104899892A (zh) | 一种快速的星图图像星点提取方法 | |
CN104881677A (zh) | 针对遥感影像地表覆盖分类的最优分割尺度确定方法 | |
CN106920235A (zh) | 基于矢量底图匹配的星载光学遥感影像自动校正方法 | |
CN102609701A (zh) | 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法 | |
CN105182350A (zh) | 一种应用特征跟踪的多波束声呐目标探测方法 | |
CN107610164A (zh) | 一种基于多特征混合的高分四号影像配准方法 | |
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 | |
CN101976436A (zh) | 一种基于差分图修正的像素级多聚焦图像融合方法 | |
CN103226832A (zh) | 基于光谱反射率变化分析的多光谱遥感影像变化检测方法 | |
CN103745221A (zh) | 一种二维码图像矫正方法 | |
CN102081799B (zh) | 基于邻域相似性及双窗口滤波的sar图像变化检测方法 | |
CN103914829B (zh) | 一种含噪图像边缘检测方法 |
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 |