CN102663724A - 基于自适应差异图的遥感图像变化检测方法 - Google Patents
基于自适应差异图的遥感图像变化检测方法 Download PDFInfo
- Publication number
- CN102663724A CN102663724A CN2012100542538A CN201210054253A CN102663724A CN 102663724 A CN102663724 A CN 102663724A CN 2012100542538 A CN2012100542538 A CN 2012100542538A CN 201210054253 A CN201210054253 A CN 201210054253A CN 102663724 A CN102663724 A CN 102663724A
- Authority
- CN
- China
- Prior art keywords
- centerdot
- matrix
- disparity map
- difference
- pixel
- 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.)
- Granted
Links
Images
Abstract
本发明公开了一种基于自适应Treelet构造差异图的遥感图像变化检测方法,它属于图像处理技术领域,主要解决现有技术中变化检测精度不足的问题。其实现过程是:对输入的两幅不同时相遥感图像进行块处理,即计算第二幅图像搜索窗内的图像块与第一幅图像的中心图像块的差值,得到样本矩阵;利用Treelet算法对样本矩阵进行聚类,得到自适应差异图;计算差值差异图和自适应差异图的Otsu阈值,利用该阈值融合差值差异图和自适应差异图得到最终差异图,对最终差异图进行Otsu阈值分割,得到变化检测结果。本发明能够有效地提高变化检测精度,保持图像的边缘信息,可用于灾情监测和土地利用。
Description
技术领域
本发明属于数字图像处理技术领域,具体的说是一种基于自适应Treelet构造差异图的遥感图像变化检测方法,适用于环境、城市规划中的数字图像处理。
背景技术
遥感图像的变化检测是指对同一地理位置不同时期的遥感图像进行分析获得其中的变化信息,它是当前遥感数据处理技术的主要发展方向。
对配准后的两幅遥感图像的变化检测方法通常是通过直接运算获取差异图像,然后对差异图像进行分析处理,得到变化与非变化分类的检测结果图。这种方法具有相对简单、直接、易于实现的特点,缺点是获取的差异图像对遥感图像数据的预处理要求较高,差异图中的噪声对检测结果的影响很大。
为了改善直接差异图像的检测效果,提高变化检测的精度,Lingcao Huang等学者在文章“An Object-based Change Detection Approach by Integrating Intensity andTexture Differences”中提出了加权融合Sobel边缘纹理图和差值差异图得到概率差异图,利用阈值对融合后的概率差异图进行分割得到变化检测图像,在保持变化区域的同时引入了大量的噪声点,从而影响了变化检测的结果。Wei He在文章“Applicationof Euclidean norm in Multi-temporal Remote Sensing Image Change Detection”中提出的利用两幅遥感图像之间差值的欧式距离范数表示差异图,再利用最大熵阈值法提取变化部分,该方法抑制了噪声信息,但对边缘等细节保持不好,降低了变化区域的视觉效果。
发明内容
本发明的目的在于克服上述已有构造差异图像变化检测方法的不足,提出一种基于自适应差异图的遥感图像变化检测方法,以有效、准确的检测出变化区域边缘,减少伪变化信息,提高变化检测的准确度。
为实现上述目的,本发明的检测方法包括如下步骤:
(1)输入两幅已配准的多时相遥感图像T1和T2,并将图像T1和T2空间位置对应像素的灰度值进行差值计算,得到差值差异图X;
(2)对第一幅图像T1以像素点i为中心取3×3大小的滑窗Ei,对第二幅图像T2同样以像素点i为中心取7×7像素大小搜索窗Gi,i为当前像素点,在搜索窗Gi内逐像素取3×3大小的滑窗,得到滑窗集合{Fj},Fj为滑窗集合内以j为中心点的一个滑窗,定义滑窗集合{Fj}内的滑窗数目为Q个,此处Q=25;
(3)分别将第二幅图像T2得到的Q个滑窗与第一幅图像T1的滑窗Ei进行差值计算,并将差值的结果用列向量进行表示,得到样本矩阵H,该样本矩阵H中包含Q个列向量且维数为9×Q,将第二幅图像T2的滑窗Fi与第一幅图像T1的滑窗Ei的差值列向量表示为hii;
(4)利用Treelet算法对样本矩阵H进行自适应聚类,得到与差值列向量hii相同类别标记的q个列向量,其中1≤q≤Q,将这q个列向量组成矩阵R,并计算该矩阵R的均值mi,将均值mi作为自适应差异图D中像素点i的灰度值;
(5)对两幅遥感图像T1和T2中的每个像素点,重复进行步骤2至步骤4,得到自适应差异图D;
(6)用Otsu阈值法分别计算差值差异图X和自适应差异图D的阈值K1和K2;
(7)利用Otsu阈值K1和K2融合差值差异图X和自适应差异图D,得到最终差异图I;
(8)对最终差异图I利用Otsu阈值法进行分割,得到变化检测的结果图像Z。
本发明与现有的技术相比具有以下优点:
(1)本发明通过对相似窗口进行Treelet聚类构造自适应差异图,能有效的实现变化信息的分散,突出对比度,提高了检测准确性。
(2)本发明通过对差值差异图和自适应差异图进行图像融合,保留了差值差异图的细节信息和自适应差异图中的变化区域,在保证准确性的同时降低了漏检影响。
附图说明
图1是本发明的实现流程图;
图2是本发明使用的两时相遥感数据图像及其变化检测参考图;
图3是用本发明对模拟遥感图像实验的变化检测结果图;
图4是用本发明对真实遥感图像实验的变化检测结果图。
具体实施方式
参照图1,本发明的实施如下:
步骤1,输入两幅已配准的多时相遥感图像T1和T2,将图像T1和图像T2对应位置(x,y)处的像素点灰度值和进行差值计算,得到差值差异图1≤x≤M,1≤y≤N,其中M为遥感图像T1的长,N为遥感图像T1的宽。
步骤2,对第一幅图像T1以像素点i为中心取3×3大小的滑窗Ei,对第二幅图像T2同样以像素点i为中心取7×7像素大小搜索窗Gi,i为当前像素点,在搜索窗Gi内逐像素取3×3大小的滑窗,得到滑窗集合{Fj},Fj为滑窗集合内以j为中心点的一个滑窗,j为搜索窗Gi内任意像素点,设滑窗集合{Fj}内的滑窗数目为Q个,此处Q=25。
步骤3,分别将第二幅图像T2得到的Q个滑窗与第一幅图像T1的滑窗Ei进行差值计算,并将差值的结果用列向量进行表示,得到列向量组成的样本矩阵H,该样本矩阵H中包含Q个列向量且维数为9×Q:
其中xp,t为滑窗集合{Fj}内第p个滑窗与滑窗Ei进行差值计算后的列向量表示,
1≤p≤Q,t为下标,1≤t≤9,hii表示将第二幅图像T2的滑窗Fi与第一幅图像T1的滑窗Ei的差值列向量,Fi为第二幅图像T2内以i为中心点的一个滑窗。
步骤4,利用Treelet算法对样本矩阵H进行自适应聚类,得到自适应差异图D:
(4a)计算样本矩阵H的协方差系数矩阵C:
其中,协方差系数矩阵C中的任意一个元素Cuv的计算公式如下
(4b)计算样本矩阵H的的相关系数矩阵A:
其中,相关系数矩阵A中的任意一个元素Au,v的计算公式如下:
其中Au,v为相关系数矩阵A中第u行第v列的计算值,Cu,v为协方差矩阵C中第u行第v列的值,Cu,u为协方差矩阵C中第u行第v列的值,Cv,v为协方差矩阵C中第v行第v列的值。
(4c)定义分解的层数l=0,1,…,Q-1。当l=0时,初始化和变量为样本矩阵H,即S(0)=H,差变量D(0)为空集,并将和变量的下标由集合Ω表示,Ω={1,2,…,Q},将差变量下标集合Φ作为空集,将正交Dirac基B(0)=[φ0,1,φ0,2,φ0,3,…φ0,L]作为Q×Q维的单位矩阵;
(4d)当分解层数l≠0时,寻找相关系数矩阵A中最大的两个值,将最大值和次大值的对应位置序号分别记为α和β:
此时仅考虑相关系数矩阵A的上三角部分,u和v分别表示相关系数矩阵A中任意值的行和列,且只在和变量集合Ω内进行;
(4e)计算Jacobi旋转矩阵J:
<7>
其中cn=cos(θl),sn=sin(θl);
由矩阵J分别更新去相关后的正交基B(l)=B(l-1)J和协方差矩阵C(l)=JTC(l-1)J,其中B(l)为更新后的正交基,C(l)为更新后的协方差矩阵,并利用协方差矩阵C(l)根据<5>式更新相关系数矩阵A(l);
(4f)定义正交基矩阵B(l)中第α列和第β列的列向量分别为尺度函数φl和细节函数ψl,定义当前l层的尺度向量集合{φl}是尺度函数φl和上一层的尺度向量集合{φl-1}的合集,将β差变量从和变量下标集合Ω中去除,即Ω=Ω\{β},加入到差变量下标集合Φ中,即Φ={β},记B(l)=[φl,1,...φl,Q-l,ψ1,...Ψl],其中φl,1,...φl,Q-l∈{φl};
(4g)计算样本矩阵H沿当前正交基矩阵B(l)的方向上的归一化能量矩阵Fn(l):
(4h)利用正交基矩阵B(L)对样本矩阵H进行投影,得到投影矩阵
En=(H×B(L)′)·(H×B(L)′)T,
提取投影矩阵En中的前Q-L行,得到尺度对应矩阵Em,将尺度对应矩阵Em中各列向量中最大值对应的行标号作为该列向量的类别标记;
(4i)寻找与差值列向量hii相同类别标记的q个列向量,其中1≤q≤Q,将这q个列向量组成矩阵R并计算该矩阵R的均值mi,将均值mi作为自适应差异图D中像素点i的灰度值。
步骤5,对两幅遥感图像T1和T2中的每个像素点,重复进行步骤2至步骤4,得到自适应差异图D。
步骤6,用Otsu阈值法分别计算差值差异图X和自适应差异图D的Otsu阈值K1和K2:
(6a)设差值差异图X的灰度等级为W,差值差异图X中像素取值为[0,…,W],灰度值为r的像素个数是nr,则灰度值r的概率pr=nr/Np,Np为差值差异图X的总像素数,灰度值K为阈值将差值差异图X分为两类,即灰度为[0,…,K]的像素构成一类,记为D0;灰度值为(K,…,W]的像素构成另一类,记为D1,且0≤K≤W;
(6b)计算整幅差值差异图X图像的灰度均值μ:
μ=P0(K)μ0(K)+P1(K)μ1(K)
其中P0(K)为D0类的概率,P1(K)为D1类的概率,μ0(K)为D0类所有像素的灰度均值,μ1(K)为D1类所有像素的灰度均值,具体计算公式如下:
P1(K)=1-P0(K)
(6c)当满足时,K1即为差值差异图X的Otsu阈值;
(6d)根据步骤(6a)至步骤(6c),计算自适应差异图D的Otsu阈值K2。
步骤7,利用Otsu阈值K1和K2,按如下融合规则对差值差异图X和自适应差异图D进行融合:
其中X(f)和D(f)分别为差值差异图X和自适应差异图D空间对应位置f处的像素点灰度值,K1为差值差异图X的Otsu阈值,K2为自适应差异图D的Otsu阈值,I(f)为融合后最终差异图I空间对应位置f处的像素点灰度值。
步骤8,根据步骤(6a)至步骤(6c),计算最终差异图I的Otsu分割阈值K3,将最终差异图I中像素灰度值大于K3的像素点标记为1,其余像素点标记为0,该标记结果即为变化检测结果图Z。
本发明的效果可通过以下实验结果与分析进一步说明:
1.实验数据
本发明的实验数据为一组模拟变化遥感图像和一组真实多时相遥感图像共两组图像,每一组遥感图像都有变化检测结果参考图。模拟原始遥感图像为470×335像素大小、位于英国Feltwell村庄农区的Airborne Thematic Mapper第3波段的图像,模拟变化遥感图像是通过模拟地球的天气变化和电磁波的辐射特性等因素影响并人工的嵌入一些变化区域得到的。真实遥感图像为大小为512×512像素的Landsat7Enhanced Thematic Mapper Plus第4波段光谱图像,由2000年4月和2002年5月的墨西哥郊外的两幅图像组成,变化部分是由于火灾破坏了大面积的当地植被所致。
2.对比实验及实验评价指标
本发明使用的对比实验方法如下所述:
对比方法1,是Lingcao Huang学者在文章“An Object-based Change DetectionApproach by Integrating Intensity and Texture Differences”中提出的加权融合Sobel边缘纹理图和差值差异图得到概率差异图,利用阈值对融合后的概率差异图进行分割得到变化检测图像。
对比方法2,是Wei He在文章“Application of Euclidean norm in Multi-temporalRemote Sensing Image Change Detection”中提出的利用两幅遥感图像之间差值的欧式距离范数表示差异图,再利用最大熵阈值法提取变化区域。
实验的最后是对变化检测结果进行评价和分析。将变化检测结果图与参考图进行主观视觉比较及客观比较,评价指标包括虚警像素数、漏检像素数和总错误像素数,及各方法的实验运行时间。
3.实验的内容与分析
实验1,用不同方法对两幅不同时相的模拟变化遥感图像进行变化检测,如图2所示,其中原始的两幅遥感图像分别如图2(a)和图2(b)所示,变化检测参考图如图2(c)所示,对图2(a)和图2(b)的模拟变化遥感图像进行变化检测得到的结果如图3所示,其中图3(a)为对比方法1得到的变化检测结果图,图3(b)为对比方法2得到的变化检测结果图,图3(c)为用本发明方法得到的变化检测结果图。从图3可以看出对比方法1得到的结果图含有大量的噪声点,虚警数非常多,对比方法2和本发明方法得到的结果图在细节上的保持都比较好,但本发明方法得到的结果图最接近于变化检测参考图的图2(c)。
实验2,用不同方法对两幅不同时相的真实遥感图像进行变化检测,如图2所示,其中原始的两幅遥感图像分别如图2(d)和图2(e)所示,其变化检测参考图如图2(f)所示,对图2(d)和图2(e)的真实遥感图像进行变化检测得到的结果如图4所示,其中图4(a)为对比方法1得到的变化检测结果图,图4(b)为对比方法2得到的变化检测结果图,图4(c)为用本发明方法得到的变化检测结果图。从图4中可看出,对比方法1得到的检测结果图像存在较多的噪声区域,而对比方法2得到的检测结果图像边缘保持不够理想,而本发明的检测结果图与变化检测参考图的图2(f)最为接近。
表1列出了两组遥感图像变化检测结果的评价指标。
表1.遥感图像变化检测结果评价指标
从表1的评价指标中可以更为直观的看出,本发明对遥感图像变化检测的各项指标均优于现有检测方法。
Claims (4)
1.一种基于自适应差异图的遥感图像变化检测方法,包括如下步骤:
(1)输入两幅已配准的多时相遥感图像T1和T2,并将图像T1和T2空间位置对应像素的灰度值进行差值计算,得到差值差异图X;
(2)对第一幅图像T1以像素点i为中心取3×3大小的滑窗Ei,对第二幅图像T2同样以像素点i为中心取7×7像素大小搜索窗Gi,i为当前像素点,在搜索窗Gi内逐像素取3×3大小的滑窗,得到滑窗集合{Fj},Fj为滑窗集合内以j为中心点的一个滑窗,定义滑窗集合{Fj}内的滑窗数目为Q个,此处Q=25;
(3)分别将第二幅图像T2得到的Q个滑窗与第一幅图像T1的滑窗Ei进行差值计算,并将差值的结果用列向量进行表示,得到样本矩阵H,该样本矩阵H中包含Q个列向量且维数为9×Q,将第二幅图像T2的滑窗Fi与第一幅图像T1的滑窗Ei的差值列向量表示为hii;
(4)利用Treelet算法对样本矩阵H进行自适应聚类,得到与差值列向量hii相同类别标记的q个列向量,其中1≤q≤Q,将这q个列向量组成矩阵R,并计算该矩阵R的均值mi,将均值mi作为自适应差异图D中像素点i的灰度值;
(5)对两幅遥感图像T1和T2中的每个像素点,重复进行步骤2至步骤4,得到自适应差异图D;
(6)用Otsu阈值法分别计算差值差异图X和自适应差异图D的阈值K1和K2;
(7)利用Otsu阈值K1和K2融合差值差异图X和自适应差异图D,得到最终差异图I;
(8)对最终差异图I利用Otsu阈值法进行分割,得到变化检测的结果图像Z。
2.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)所述的利用Treelet算法对样本矩阵H进行自适应聚类,按如下步骤进行:
(4a)计算样本矩阵H的协方差系数矩阵C:
其中,协方差系数矩阵C中的任意一个元素Cuv的计算公式如下
(4b)计算样本矩阵H的相关系数矩阵A:
其中,相关系数矩阵A中的任意一个元素Au,v的计算公式如下:
其中Au,v为相关系数矩阵A中第u行第v列的计算值,Cu,v为协方差矩阵C中第u行第v列的值,Cu,u为协方差矩阵C中第u行第v列的值,Cv,v为协方差矩阵C中第v行第v列的值;
(4c)定义分解层数l=0,1,…,Q-1,当l=0时,初始化和变量为样本矩阵H,即S(0)=H,差变量D(0)为空集,并将和变量的下标由集合Ω表示,Ω={1,2,…,Q},将差变量下标集合Φ作为空集,将正交Dirac基B(0)=[φ0,1,φ0,2,φ0,3,…φ0,L]作为Q×Q维的单位矩阵;
(4d)当分解层数l≠0时,寻找相关系数矩阵A中最大的两个值,将最大值和次大值的对应位置序号分别记为α和β:
此时仅考虑相关系数矩阵A的上三角部分,u和v分别表示相关系数矩阵A中任意值的行和列,且只在和变量集合Ω内进行;
(4e)计算Jacobi旋转矩阵J:
其中cn=cos(θl),sn=sin(θl);
由矩阵J分别更新去相关后的正交基B(l)=B(l-1)J和协方差矩阵C(l)=JTC(l-1)J,其中B(l)为更新后的正交基,C(l)为更新后的协方差矩阵,并利用协方差矩阵C(l)按下式更新相关系数矩阵A(l):
(4f)定义正交基矩阵B(l)中第α列和第β列的列向量分别为尺度函数θl和细节函数ψl,定义当前l层的尺度向量集合{φl}是尺度函数φl和上一层的尺度向量集合{φl-1}的合集,将β差变量从和变量下标集合Ω中去除,即Ω=Ω\{β},加入到差变量下标集合Φ中,即Φ={β},此时B(l)=[φl,1,...φl,Q-l,ψ1,...Ψl],其中φl,1,...φl,Q-l∈{φl};
(4g)计算样本矩阵H沿当前正交基矩阵B(l)方向上的归一化能量矩阵Fn(l):
当满足 时,将当前分解层数l作为最终分解层数L;
(4h)利用正交基矩阵B(L)对样本矩阵H进行投影,得到投影矩阵:
En=(H×B(L)′)·(H×B(L)′)T,
提取投影矩阵En中的前Q-L行,得到尺度对应矩阵Em,将尺度对应矩阵Em中各列向量中最大值对应的行标号作为该列向量的类别标记;
(4i)寻找与差值列向量hii相同类别标记的q个列向量,其中1≤q≤Q,将这q个列向量组成矩阵R,并计算该矩阵R的均值mi,将均值mi作为自适应差异图D中像素点i的灰度值。
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(7)所述的利用Otsu阈值K1和K2融合差值差异图X和自适应差异图D,按如下融合规则进行:
其中X(f)和D(f)分别为差值差异图X和自适应差异图D空间对应位置f处的像素点灰度值,K1为差值差异图X的Otsu阈值,K2为自适应差异图D的Otsu阈值,I(f)为融合后最终差异图I空间对应位置f处的像素点灰度值。
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(8)所述的对最终差异图I利用Otsu阈值法进行分割,按如下步骤进行:
(8a)设最终差异图I的灰度等级为W,最终差异图I中像素取值为[0,…,W],灰度值为r的像素个数是nr,则灰度值r的概率pr=nr/Np,Np为最终差异图I的总像素数,灰度值K为阈值将最终差异图I分为两类,即灰度为[0,…,K]的像素构成一类,记为D0;灰度值为(K,…,W]的像素构成另一类,记为D1,且0≤K≤W;
(8b)计算整幅最终差异图I的灰度均值μ:
μ=P0(K)μ0(K)+P1(K)μ1(K)
其中P0(K)为D0类的概率,P1(K)为D1类的概率,μ0(K)为D0类所有像素的灰度均值,μ1(K)为D1类所有像素的灰度均值,具体公式如下:
P1(K)=1-P0(K)
(8d)将最终差异图I中像素灰度值大于K3的所有像素点标记为1,其余像素点标记为0,该标记结果即为变化检测结果图Z。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210054253.8A CN102663724B (zh) | 2012-03-03 | 2012-03-03 | 基于自适应差异图的遥感图像变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210054253.8A CN102663724B (zh) | 2012-03-03 | 2012-03-03 | 基于自适应差异图的遥感图像变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102663724A true CN102663724A (zh) | 2012-09-12 |
CN102663724B CN102663724B (zh) | 2014-08-06 |
Family
ID=46773202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210054253.8A Expired - Fee Related CN102663724B (zh) | 2012-03-03 | 2012-03-03 | 基于自适应差异图的遥感图像变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102663724B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968790A (zh) * | 2012-10-25 | 2013-03-13 | 西安电子科技大学 | 基于图像融合的遥感图像变化检测方法 |
CN103700092A (zh) * | 2013-12-04 | 2014-04-02 | 中国科学院遥感与数字地球研究所 | 一种基于时序遥感影像的森林火烧迹地自动提取方法 |
CN107194917A (zh) * | 2017-05-15 | 2017-09-22 | 西安电子科技大学 | 基于dap和arelm的在轨sar图像变化检测方法 |
CN107392887A (zh) * | 2017-06-16 | 2017-11-24 | 西北工业大学 | 一种基于同质像素点转化的异质遥感图像变化检测方法 |
CN107680070A (zh) * | 2017-09-15 | 2018-02-09 | 电子科技大学 | 一种基于原始图像内容的分层权重图像融合方法 |
CN113449690A (zh) * | 2021-07-21 | 2021-09-28 | 华雁智科(杭州)信息技术有限公司 | 图像场景变化的检测方法、系统及电子设备 |
CN113569792A (zh) * | 2021-08-05 | 2021-10-29 | 北京惠朗时代科技有限公司 | 一种基于精准指纹识别的智能保险柜应用方法及装置 |
CN115113630A (zh) * | 2022-08-26 | 2022-09-27 | 陕西欧卡电子智能科技有限公司 | 无人船过桥方法、装置、计算机设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090326911A1 (en) * | 2008-06-26 | 2009-12-31 | Microsoft Corporation | Machine translation using language order templates |
CN102063720A (zh) * | 2011-01-06 | 2011-05-18 | 西安电子科技大学 | 基于Treelets的遥感图像变化检测方法 |
CN102169584A (zh) * | 2011-05-28 | 2011-08-31 | 西安电子科技大学 | 基于分水岭和treelet的遥感图像变化检测方法 |
CN102254323A (zh) * | 2011-06-10 | 2011-11-23 | 西安电子科技大学 | 基于treelet融合和水平集分割的遥感图像变化检测 |
CN102289807A (zh) * | 2011-07-08 | 2011-12-21 | 西安电子科技大学 | 基于Treelet变换和特征融合的遥感图像变化检测方法 |
CN102360500A (zh) * | 2011-07-08 | 2012-02-22 | 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 |
-
2012
- 2012-03-03 CN CN201210054253.8A patent/CN102663724B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090326911A1 (en) * | 2008-06-26 | 2009-12-31 | Microsoft Corporation | Machine translation using language order templates |
CN102063720A (zh) * | 2011-01-06 | 2011-05-18 | 西安电子科技大学 | 基于Treelets的遥感图像变化检测方法 |
CN102169584A (zh) * | 2011-05-28 | 2011-08-31 | 西安电子科技大学 | 基于分水岭和treelet的遥感图像变化检测方法 |
CN102254323A (zh) * | 2011-06-10 | 2011-11-23 | 西安电子科技大学 | 基于treelet融合和水平集分割的遥感图像变化检测 |
CN102289807A (zh) * | 2011-07-08 | 2011-12-21 | 西安电子科技大学 | 基于Treelet变换和特征融合的遥感图像变化检测方法 |
CN102360500A (zh) * | 2011-07-08 | 2012-02-22 | 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 |
Non-Patent Citations (5)
Title |
---|
GUITING WANG等: "A new change detection method based on non-parametric density estimation and Markov random fields", 《MIPPR 2009: MEDICAL IMAGING, PARALLEL PROCESSING OF IMAGES, AND OPTIMIZATION TECHNIQUES》 * |
GUITING WANG等: "Unsupervised change detection for remote sensing images using multiscale decomposition and treelet fusion: A level set approach", 《RADAR(RADAR), 2011 IEEE CIE INTERNATIONAL CONFERENCE ON》 * |
LIFEI WEI等: "An advanced change detection method based on object-oriented classification of multi-band remote sensing image", 《GEOINFORMATICS, 2010 18TH INTERNATIONAL CONFERENCE ON》 * |
范元章: "多时相遥感图像变化检测方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
黄姗: "遥感图像目标检测", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968790A (zh) * | 2012-10-25 | 2013-03-13 | 西安电子科技大学 | 基于图像融合的遥感图像变化检测方法 |
CN103700092A (zh) * | 2013-12-04 | 2014-04-02 | 中国科学院遥感与数字地球研究所 | 一种基于时序遥感影像的森林火烧迹地自动提取方法 |
CN103700092B (zh) * | 2013-12-04 | 2016-06-29 | 中国科学院遥感与数字地球研究所 | 一种基于时序遥感影像的森林火烧迹地自动提取方法 |
CN107194917A (zh) * | 2017-05-15 | 2017-09-22 | 西安电子科技大学 | 基于dap和arelm的在轨sar图像变化检测方法 |
CN107194917B (zh) * | 2017-05-15 | 2020-07-10 | 西安电子科技大学 | 基于dap和arelm的在轨sar图像变化检测方法 |
CN107392887B (zh) * | 2017-06-16 | 2020-06-09 | 西北工业大学 | 一种基于同质像素点转化的异质遥感图像变化检测方法 |
CN107392887A (zh) * | 2017-06-16 | 2017-11-24 | 西北工业大学 | 一种基于同质像素点转化的异质遥感图像变化检测方法 |
CN107680070A (zh) * | 2017-09-15 | 2018-02-09 | 电子科技大学 | 一种基于原始图像内容的分层权重图像融合方法 |
CN113449690A (zh) * | 2021-07-21 | 2021-09-28 | 华雁智科(杭州)信息技术有限公司 | 图像场景变化的检测方法、系统及电子设备 |
CN113569792A (zh) * | 2021-08-05 | 2021-10-29 | 北京惠朗时代科技有限公司 | 一种基于精准指纹识别的智能保险柜应用方法及装置 |
CN113569792B (zh) * | 2021-08-05 | 2023-12-01 | 北京惠朗时代科技有限公司 | 一种基于精准指纹识别的智能保险柜应用方法及装置 |
CN115113630A (zh) * | 2022-08-26 | 2022-09-27 | 陕西欧卡电子智能科技有限公司 | 无人船过桥方法、装置、计算机设备及存储介质 |
CN115113630B (zh) * | 2022-08-26 | 2022-12-09 | 陕西欧卡电子智能科技有限公司 | 无人船过桥方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN102663724B (zh) | 2014-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102663724B (zh) | 基于自适应差异图的遥感图像变化检测方法 | |
CN102169584B (zh) | 基于分水岭和treelet的遥感图像变化检测方法 | |
Wang et al. | Road network extraction: A neural-dynamic framework based on deep learning and a finite state machine | |
CN102629380B (zh) | 基于多组滤波和降维的遥感图像变化检测方法 | |
CN102831598B (zh) | 多分辨率NMF和Treelet融合的遥感图像变化检测方法 | |
CN102063720B (zh) | 基于Treelets的遥感图像变化检测方法 | |
Liu et al. | Hierarchical semantic model and scattering mechanism based PolSAR image classification | |
CN102254323B (zh) | 基于treelet融合和水平集分割的遥感图像变化检测 | |
CN101853509B (zh) | 基于Treelets和模糊C-均值聚类的SAR图像分割方法 | |
CN109614936B (zh) | 遥感图像飞机目标的分层识别方法 | |
CN102629378B (zh) | 基于多特征融合的遥感图像变化检测方法 | |
Zhang et al. | Region of interest extraction in remote sensing images by saliency analysis with the normal directional lifting wavelet transform | |
CN102945378B (zh) | 一种基于监督方法的遥感图像潜在目标区域检测方法 | |
CN102402685B (zh) | 基于Gabor特征的三马尔可夫场SAR图像分割方法 | |
CN106339674A (zh) | 基于边缘保持与图割模型的高光谱影像分类方法 | |
CN106846322B (zh) | 基于曲线波滤波器和卷积结构学习的sar图像分割方法 | |
CN105069811A (zh) | 一种多时相遥感图像变化检测方法 | |
CN105069796B (zh) | 基于小波散射网络的sar图像分割方法 | |
CN103578110A (zh) | 基于灰度共生矩阵的多波段高分辨率遥感影像分割方法 | |
CN103065136A (zh) | 一种基于视觉注意机制的sar图像协同目标识别方法 | |
Peeters et al. | Automated recognition of urban objects for morphological urban analysis | |
CN101251893A (zh) | 基于小波和均值漂移的自适应多尺度纹理图像分割方法 | |
Sirmacek et al. | Road network extraction using edge detection and spatial voting | |
CN103456020A (zh) | 基于treelet特征融合的遥感图像变化检测方法 | |
CN106611423A (zh) | 基于脊波滤波器和反卷积结构模型的sar图像分割方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140806 Termination date: 20200303 |