CN102842044B - 高分辨率可见光遥感图像变化检测方法 - Google Patents
高分辨率可见光遥感图像变化检测方法 Download PDFInfo
- Publication number
- CN102842044B CN102842044B CN201210247866.3A CN201210247866A CN102842044B CN 102842044 B CN102842044 B CN 102842044B CN 201210247866 A CN201210247866 A CN 201210247866A CN 102842044 B CN102842044 B CN 102842044B
- Authority
- CN
- China
- Prior art keywords
- target
- image
- change
- targets
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 230000008859 change Effects 0.000 claims description 74
- 238000005516 engineering process Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 230000003595 spectral effect Effects 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000003287 optical effect Effects 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 5
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Abstract
本发明公开一种高分辨率可见光遥感图像变化检测方法，包括：步骤S1：获取图像目标；步骤S2：去除虚假目标；步骤S3：提取目标的变化特征；步骤S4：计算目标的初始变化置信度，选择变化置信度高的部分目标作为正样本，选择变化置信度低的部分目标作为负样本，得到变化检测模型；步骤S5：利用训练得到的变化检测模型对目标进行变化检测；步骤S6：利用目标的纹理特性对变化目标进行提炼，得到最终的变化检测结果。本发明通过形状分析有效去除由于局部配准误差引起的虚假目标，同时综合利用多种图像特征作为目标的变化特征，适用范围广，提高变化检测准确率的同时降低虚警率，此外，通过变化目标的纹理分析进一步有效去除部分虚警。
Description
技术领域
本发明涉及一种用于高分辨率可见光遥感图像的变化检测方法，具体说是一种基于机器学习和多特征支持的高分辨率可见光遥感图像变化检测方法，相关技术涉及遥感图像信息处理、目标特征提取与描述、机器学习等技术领域。
背景技术
随着对地观测技术和传感器技术的飞速发展，遥感影像数据已经成为人们获取信息的重要手段之一。遥感图像变化检测旨在利用图像处理和模式识别等技术，针对同一场景在不同时期拍摄得到的两幅已配准的遥感图像，自动地检测出地物的变化信息，它在农业、环境监测、城市建设规划、水利、目标监测、灾害监测等民事和军事领域有着极其广泛的应用价值和重要的应用前景。近年来，随着航天技术和传感器技术的不断发展，遥感图像的空间分辨率越来越高，其中所呈现的地物细节也越来越丰富。虽然高分辨率可见光遥感图像极大地提高了对地观测信息量，但是地物的多样性也增加了图像的复杂性，给遥感图像的自动分析技术带来了前所未有的挑战。传统的可见光遥感图像变化检测技术主要针对中低分辨率的可见光遥感图像设计，高分辨率可见光遥感图像丰富的地物细节信息所带来的图像复杂性使得直接应用传统的变化检测方法无法获得令人满意的结果，大大制约了高分辨率遥感图像的应用。因此，高分辨率可见光遥感图像变化检测技术应运而生，受到了国际上广泛的关注。
除了要面对传统中低分辨率可见光遥感图像变化检测的难点，高分辨率可见光遥感图像变化检测还有其特有的难点。这些难点包括：(1)图像拍摄视角变化所导致的局部图像无法配准；(2)阴影的影响更加显著；(3)图像相邻像素之间高度相关；(4)拍摄时间不同引起相同地物光谱特性的差异更加显著。为此，有必要研究新的高分辨率可见光遥感图像变化检测技术来有效克服上述难点。
发明内容
本发明的目的是针对高分辨率可见光遥感图像变化检测的难点，综合利用图像处理、模式识别和机器学习技术，提供一种有效的高分辨率可见光遥感图像变化检测方法。
本发明的基于目标多特征和机器学习的高分辨率可见光遥感图像变化检测方法步骤如下：步骤S1：对输入的两幅已配准的可见光遥感图像进行两时相图像分割，得到图像目标，即分割后的图像区域；步骤S2：通过对步骤S1得到的目标进行形状分析，去除部分由于局部配准误差引起的虚假目标；步骤S3：对于步骤S2中去除虚假目标之后的目标，提取多种图像特征作为目标的变化特征，包括光谱特征、局部梯度分布特征、局部纹理分布特征；步骤S4：对于步骤S2中去除虚假目标之后的目标，根据目标在所有波段上SIFT描述子之间的距离，计算目标的初始变化置信度，选择变化置信度高的部分目标作为正样本，选择变化置信度低的部分目标作为负样本，利用这些正负样本在步骤S3提取的变化特征进行SVM训练，得到变化检测模型；步骤S5：基于步骤S3提取的变化特征，利用步骤S4训练得到的变化检测模型对步骤S2中去除虚假目标之后的所有目标进行变化检测；步骤S6：利用目标的纹理特性对变化目标进行提炼，得到最终的变化检测结果。
本发明所述方法对于提高变化检测的检测率、降低变化检测的虚警率以及提高变化检测的鲁棒性具有重要的意义，其主要优点如下：1、本发明利用目标形状等特征对多时相分割的结果进行筛选，可以去除一些由于局部配准误差引起的虚警，从而降低变化检测结果的虚警率。2、在提取目标变化特征时，本发明综合考虑了目标的多种特征，以此来提高变化检测的检测率，同时有效地减少虚警率。3、本发明利用目标的纹理特性对变化检测结果进行筛选，可以有效减少植被等地物由于时间变化而产生的虚警。
本发明使高效鲁棒的高分辨率可见光遥感图像变化检测成为可能，极大地提高了现有高分辨率可见光遥感图像变化检测系统的精度和鲁棒性，可广泛应用于目标监测、灾害监测、城市规划等系统中。
附图说明
图1是本发明基于目标多特征和机器学习的高分辨率可见光遥感图像变化检测方法流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
本发明使用的方法既可以在个人计算机、工控机及服务器上以软件的形式安装并执行，也可将方法做成嵌入式芯片以硬件的形式来体现。
图1是本发明基于目标多特征和机器学习的高分辨率可见光遥感图像变化检测方法流程图。
参照图1，本发明的高分辨率可见光遥感图像变化检测方法流程包括：在步骤S1，进行两时相图像分割。首先将输入的两幅已配准图像合成一幅多波段图像(该图像称为两时相图像)，然后利用基于图的快速图像分割技术对其进行分割，得到一个区域的集合作为两时相图像分割的结果，经过分割之后得到的每一个图像区域称为目标，是后续步骤处理的对象。图像分割具体步骤如下：
S11：根据合成的多波段图像，构造图G＝(V，E)，其中V是顶点集合，每一个像素点构成一个顶点，E是边的集合。w(e)＝wij＝|I(vi)-I(vj)|表示连接顶点vi和顶点vj的边e的权重，I(vi)和I(vj)表示像素点vi和vj的光谱值。在构造以vi为顶点的边时，只在vi的四邻域内构造，即：当顶点vi和顶点vj对应的像素之间的距离为1时，wij≠0，否则wij＝0；
S12：对E中的边按权值从小到大进行排序，得到{e1，e2，…，en}，其中n为总的边数；
S13：初始化分割结果即在初始分割结果中，每个顶点构成一个分割区域，m为顶点个数；
S14：分别令q＝1，2，…，n重复步骤S141；
S141：找到第q条边连接的两个顶点vi，vj，令和分别为Sq-1中包含vi和vj的区域，如果并且那么合并Sq-1中的和得到Sq，否则Sq＝Sq-1；其中M(R1，R2)＝min(Int(R1)+τ(R1)，Int(R2)+τ(R2))，Int(R)＝maxe∈MST(R，E)w(e)，MST(R，E)表示由R中顶点和E中边产生的最小生成树，|R|表示R中顶点的个数，k是一个固定的常数，反映了观测尺度，k值越大最后得到分割区域也越大，一般取值为200。
S15：输出最终图像分割的结果为Sn。
在步骤S2，对步骤S1得到的图像目标进行形状分析。可以先对分割结果提取最小外接正矩形(四条边分别和图像四条边平行的矩形)，然后计算外接矩形的长宽比，去掉比值大于5的长条形目标；同时，计算目标大小与外接矩形面积的比值，去掉比值小于0.3的目标。通过这两方面的筛选，可以有效地去除大部分由于局部配准误差造成的虚假目标。
在步骤S3，对步骤S2筛选之后的目标提取特征，用于变化检测。为了避免不同目标大小对特征提取以及之后的变化检测结果的影响，首先将目标最小外接正矩形归一化至大小为k×k的正方形区域，k一般取值为16，得到变换关系其中m1，m2为目标最小外接正矩形的长和宽，x′，y′为归一化之后的像素位置，x，y为原图像上目标内像素点的位置；然后根据这个变换关系，将原图像上的目标映射至k×k的正方形区域内，对其提取目标的变化特征，包括光谱特征、局部梯度分布特征、局部纹理分布特征。给定一个归一化之后的目标，其特征可以记为：(meani(I)，δi(I)，histi(LBP)，meani(|dx|+dx，|dx|-dx，|dy|+dy，|dy|-dy)，δi(|dx|+dx，|dx|-dx，|dy|+dy，|dy|-dy))，其中i＝1，…，n指步骤S1合成的多波段图像的每个波段，meani(I)指第i个波段该目标光谱特性的均值，δi(I)指第i个波段该目标光谱特性的标准差，histi(LBP)指第i个波段该目标LBP特征的直方图，dx和dy分别指x方向和y方向的梯度值。
在步骤S4，对变化检测模型进行训练。为了提高本发明的自动化程度，可以采用无监督的模型训练过程。首先，在不同波段分别提取目标在变化前图像上和变化后图像上的SIFT描述子，计算SIFT描述子之间的欧式距离，这样给定一个目标，就能得到n/2个距离，其中n/2是变化前图像以及变化后图像的波段数。由于变化的目标，它在任一波段图像来看都应该是具有明显变化的，因此在选择变化目标样本(正样本)时，针对每个目标，用其n/2个距离中最小者d来计算该目标的变化概率P＝1-e-d，选择变化概率最大的15％样本作为正样本。另一方面，对于不变化的目标，它在任一波段图像来看都应该是不发生变化的，因此在选择不变化目标样本(负样本)时，针对每个目标，用其n/2个距离中最大者d′来计算该目标的变化概率P＝1-e-d′，选择变化概率最小的15％样本作为负样本。将这些选择好的正负样本的变化特征(步骤S3计算得到)作为训练数据，对SVM训练，得到变化检测模型。
在步骤S5，基于步骤S3提取的变化特征，利用步骤S4训练得到的变化检测模型对步骤S2中去除虚假目标之后的所有目标进行变化检测，确定变化目标。
在步骤S6，对步骤S5得到的变化检测结果进行提炼，得到最终的输出变化检测结果。由于变化前图像和变化后图像的拍摄时间不同，会使得图像中植被等地物的光谱特性发生比较大的变化(尤其是在不同季节拍摄得到的图像)，由此可能进一步产生变化检测虚警。为了有效减少此类虚警，本发明最后一步对变化检测结果提炼，利用纹理分析的方法来有效去除此类虚警。在具体实施时，对变化目标计算其每个波段图像内容的Harris矩阵，如果每个波段上变化前图像以及变化后图像上的Harris矩阵的最大特征值都小于0.005(该值对应图像灰度值为0-255的情况)，那么判定该变化目标为虚警，不作为最后的输出结果。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或更替，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。
Claims (4)
1.一种高分辨率可见光遥感图像变化检测方法，其特征在于，包括以下步骤：
步骤S1：对两幅已配准的可见光遥感图像进行两时相分割，分割得到的图像区域称为目标，是后续处理的对象，在该步骤，将输入的两幅已配准图像合成一幅多波段图像，该图像称为两时相图像，然后利用基于图的快速图像分割技术对其分割，分割得到的图像区域称为目标；
步骤S2：通过对步骤S1得到的目标进行形状分析，去除部分由于局部配准误差引起的虚假目标；
步骤S3：对于步骤S2中去除虚假目标之后的目标，提取多种图像特征作为目标的变化特征，包括光谱特征、局部梯度分布特征、局部纹理分布特征，在该步骤，首先将目标根据其最小外接矩形归一化至一个统一大小的区域，然后对目标提取特征，包括光谱特征、局部梯度分布特征、局部纹理分布特征；
步骤S4：对于步骤S2中去除虚假目标之后的目标，根据目标在所有波段上SIFT描述子之间的距离，计算目标的初始变化置信度，选择变化置信度高的部分目标作为正样本，选择变化置信度低的部分目标作为负样本，利用这些正负样本在步骤S3提取的变化特征进行SVM训练，得到变化检测模型，在该步骤，利用目标的SIFT特征计算目标变化的初始置信度，根据初始置信度选择一部分样本作为正样本和负样本对SVM分类器进行训练；
步骤S5：基于步骤S3提取的变化特征，利用步骤S4训练得到的变 化检测模型对步骤S2中去除虚假目标之后的所有目标进行变化检测；
步骤S6：利用目标的纹理特性对变化目标进行提炼，得到最终的变化检测结果，在该步骤，对变化目标计算其每个波段图像内容的Harris矩阵，如果每个波段上变化前图像以及变化后图像上的Harris矩阵的最大特征值都小于0.005，该值对应图像灰度值为0-255的情况，那么判定该变化目标为虚警，不作为最后的输出结果。
2.如权利要求1所述的变化检测方法，其特征在于，在步骤S2，先对步骤S1得到的目标提取最小外接矩形，然后计算外接矩形的长宽比，去掉该比值超过5的长条形目标；同时，计算目标大小与其外接矩形面积的比值，去掉该比值小于0.3的目标。
3.如权利要求2所述的变化检测方法，其特征在于，在步骤S3，给定一个归一化之后的目标，其特征记为：(meani(I)，δi(I)，histi(LBP)，meani(|dx|+dx，|dx|-dx，|dy|+dy，|dy|-dy)，δi(|dx|+dx，|dx|-dx，|dy|+dy，|dy|-dy))，其中i＝1，...，n指步骤S1合成的多波段图像的每个波段，I指目标光谱特征，meani(I)指第i个波段该目标光谱特性的均值，δi(I)指第i个波段该目标光谱特性的标准差，histi(LBP)指第i个波段该目标LBP特征的直方图，dx和dy分别指x方向和y方向的梯度值，|dx|和|dy|分别为dx和dy的绝对值，meani(|dx|+dx，|dx|-dx，|dy|+dy，|dy|-dy)指第i个波段(|dx|+dx，|dx|-dx，|dy|+dy，|dy|-dy)的均值，δi(|dx|+dx，|dx|-dx，|dy|+dy，|dy|-dy)指第i个波段(|dx|+dx，|dx|-dx，|dy|+dy，|dy|-dy)的标准差。
4.如权利要求3所述的变化检测方法，其特征在于，在步骤S4，首先，在不同波段分别提取目标在变化前图像上和变化后图像上的SIFT描 述子，计算SIFT描述子之间的欧式距离，这样给定一个目标，就能得到n/2个距离，其中n/2是变化前图像以及变化后图像的波段数；在选择变化目标样本时，针对每个目标，用其n/2个距离中最小者d来计算该目标的变化概率P＝1-e-d，选择变化概率最大的一定百分比的样本作为正样本；在选择不变化目标样本时，针对每个目标，用其n/2个距离中最大者d′来计算该目标的变化概率P＝1-e-d′，选择变化概率最小的一定百分比的样本作为负样本。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210247866.3A CN102842044B (zh) | 2012-07-17 | 2012-07-17 | 高分辨率可见光遥感图像变化检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210247866.3A CN102842044B (zh) | 2012-07-17 | 2012-07-17 | 高分辨率可见光遥感图像变化检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102842044A CN102842044A (zh) | 2012-12-26 |
| CN102842044B true CN102842044B (zh) | 2015-06-03 |
Family
ID=47369379
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201210247866.3A Expired - Fee Related CN102842044B (zh) | 2012-07-17 | 2012-07-17 | 高分辨率可见光遥感图像变化检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102842044B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103093472B (zh) * | 2013-01-24 | 2015-09-30 | 西安电子科技大学 | 基于双字典交叉稀疏表示的光学遥感图像变化检测方法 |
| CN104143191A (zh) * | 2014-07-29 | 2014-11-12 | 中国科学院遥感与数字地球研究所 | 一种基于纹理元的遥感图像变化检测方法 |
| CN104182985B (zh) * | 2014-09-01 | 2017-02-01 | 西安电子科技大学 | 遥感图像变化检测方法 |
| CN104517124B (zh) * | 2014-12-25 | 2018-03-20 | 西安电子科技大学 | 基于sift特征点的sar图像变化检测方法 |
| CN105205807B (zh) * | 2015-08-19 | 2018-03-27 | 西安电子科技大学 | 基于稀疏自动编码机的遥感图像变化检测方法 |
| CN105512622B (zh) * | 2015-12-01 | 2018-11-09 | 北京航空航天大学 | 一种基于图分割和监督学习的可见光遥感图像海陆分割方法 |
| CN107092935A (zh) * | 2017-04-26 | 2017-08-25 | 国家电网公司 | 一种资产变更检测方法 |
| CN107480712B (zh) * | 2017-08-08 | 2020-07-31 | 江西师范大学 | 基于局部不变特征的高分辨率遥感图像变化检测方法 |
| CN110162578B (zh) * | 2019-05-13 | 2021-08-17 | 李少帅 | 一种高标准农田建设空间形态识别方法及装置 |
| CN111144328A (zh) * | 2019-12-25 | 2020-05-12 | 中国地质调查局南京地质调查中心 | 浅层不良地质体分布获取方法、装置和电子设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN101650728A (zh) * | 2009-08-26 | 2010-02-17 | 北京邮电大学 | 视频高层特征检索系统及其实现 |
| CN101937079A (zh) * | 2010-06-29 | 2011-01-05 | 中国农业大学 | 基于区域相似度的遥感影像变化检测方法 |
-
2012
- 2012-07-17 CN CN201210247866.3A patent/CN102842044B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN101650728A (zh) * | 2009-08-26 | 2010-02-17 | 北京邮电大学 | 视频高层特征检索系统及其实现 |
| CN101937079A (zh) * | 2010-06-29 | 2011-01-05 | 中国农业大学 | 基于区域相似度的遥感影像变化检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 《基于多时相遥感图像的人造目标变化检测算法》;苏娟 等;《自动化学报》;20081119;1041页右边栏图1 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN102842044A (zh) | 2012-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102842044B (zh) | 高分辨率可见光遥感图像变化检测方法 | |
| CN108510467B (zh) | 基于深度可变形卷积神经网络的sar图像目标识别方法 | |
| CN103971115B (zh) | 一种基于NDVI和PanTex指数的新增建设用地图斑自动提取方法 | |
| Zhou et al. | Individual tree parameters estimation for plantation forests based on UAV oblique photography | |
| Chen et al. | The application of the tasseled cap transformation and feature knowledge for the extraction of coastline information from remote sensing images | |
| CN105389799B (zh) | 基于素描图与低秩分解的sar图像目标检测方法 | |
| CN110390255A (zh) | 基于多维度特征提取的高铁环境变化监测方法 | |
| 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 | |
| CN106971397B (zh) | 基于改进jseg算法的城市高分辨率遥感影像分割方法 | |
| CN105512622B (zh) | 一种基于图分割和监督学习的可见光遥感图像海陆分割方法 | |
| CN108734200A (zh) | 基于bing特征的人体目标视觉检测方法和装置 | |
| Dong et al. | Cloud detection method for high resolution remote sensing imagery based on the spectrum and texture of superpixels | |
| CN116433940A (zh) | 基于孪生镜像网络的遥感影像变化检测方法 | |
| Singh et al. | A hybrid approach for information extraction from high resolution satellite imagery | |
| Manandhar et al. | Segmentation based building detection in high resolution satellite images | |
| Larsen et al. | Automatic avalanche mapping using texture classification of optical satellite imagery | |
| Ji et al. | Discriminating saltcedar (Tamarix ramosissima) from sparsely distributed cottonwood (Populus euphratica) using a summer season satellite image | |
| Bartels et al. | Maximum likelihood classification of LIDAR data incorporating multiple co-registered bands | |
| DadrasJavan et al. | An object-level strategy for pan-sharpening quality assessment of high-resolution satellite imagery | |
| Ren et al. | Building recognition from aerial images combining segmentation and shadow | |
| Tatar et al. | a New Object-Based Framework to Detect Shodows in High-Resolution Satellite Imagery Over Urban Areas | |
| CN104504409A (zh) | 一种基于全局字典特征的古代壁画病害标识方法 | |
| Liu et al. | Identification of Damaged Building Regions from High-Resolution Images Using Superpixel-Based Gradient and Autocorrelation Analysis | |
| CN114266887B (zh) | 一种基于深度学习的大规模商标检测方法 | |
| Ankayarkanni et al. | Object based segmentation techniques for classification of satellite image |
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: 20150603 Termination date: 20210717 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |