CN103366373A - 基于模糊相容图的多时相遥感影像变化检测方法 - Google Patents
基于模糊相容图的多时相遥感影像变化检测方法 Download PDFInfo
- Publication number
- CN103366373A CN103366373A CN2013102900611A CN201310290061A CN103366373A CN 103366373 A CN103366373 A CN 103366373A CN 2013102900611 A CN2013102900611 A CN 2013102900611A CN 201310290061 A CN201310290061 A CN 201310290061A CN 103366373 A CN103366373 A CN 103366373A
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- image
- variation
- remote sensing
- sensing image
- 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
- 230000008859 change Effects 0.000 title claims abstract description 40
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 64
- 238000001914 filtration Methods 0.000 claims abstract description 13
- 230000004069 differentiation Effects 0.000 claims description 8
- 239000004744 fabric Substances 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 2
- 230000004044 response Effects 0.000 claims description 2
- 238000012360 testing method Methods 0.000 description 19
- 238000002474 experimental method Methods 0.000 description 10
- 238000011156 evaluation Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011158 quantitative evaluation Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 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 2
- 241001269238 Data Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于模糊相容图的多时相遥感影像变化检测方法,具体包括以下步骤:A1、对输入的两个不同时相的遥感影像分别进行Frost滤波;A2、对滤波后的两个时相的遥感影像进行比值运算,构成差异影像;A3、对差异影像构造模糊开关函数f:[0,1]n→[0,1],将变化区域和非变化区域视作开关函数的开和关;A4、对构建的模糊开关函数采用模糊相容图结合选取的判别因子进行模糊聚类的方法自动识别差异影像的变化区域。利用模糊相容图结合判别因子对构建的模糊开关函数进行聚类从而自动实现变化区域和非变化区域的识别,解决了阈值选取难的问题;将多维特征作为像素点是否发生变化的判别因子,从而有效地提高了变化检测的精确度。
Description
技术领域
本发明属于图像处理技术领域,针对多时相遥感影像变化检测,具体地说是一种基于模糊相容图的多时相遥感影像变化检测的方法,适用于遥感影像分析与处理。
背景技术
基于多时相遥感影像的变化检测技术是指利用具有同一地理位置但不同时相的遥感影像来识别其中发生变化的区域的技术。变化检测作为遥感影像分析的重要任务之一,已经应用于诸多领域,如土地使用监测、森林监测、农业测量以及城市研究等。
针对多时相遥感影像变化检测已提出很多方法,也有很多学者对已有的变化检测方法进行了综述和分析,如Singh(1989)首次对遥感影像变化检测进行综述,将其分为以下几种方法:影像差分法、影像回归法、影像比值法、植被指数差分法、主成分分析法、分类后比较法、多时相影像直接分类、变化矢量分析、背景减除以及其它方法;Coppin(1996)则从森林监测的角度讨论了遥感影像变化检测的方法;李德仁(2003)根据图像配准与变化检测的数据源两个因素将变化检测方法分为两大类七种方法;Gong(2008)等和周启鸣(2011)将变化检测分为两大类(双时相影像变化检测和时间序列影像变化检测)七种方法(直接比较法、分类比较法、面向对象比较法、模型法、时间序列分析法以及混合法)。综上,可以将变化检测分为两类:直接比较检测法和分类后比较法。对于这两类方法针对不同的影像单元又可以分为像元级和对象级。由于目前对象级变化检测还存在诸多问题,如对象获取难、面向对象的影像分类也难以得到高精度结果以及对象间直接运算困难等。因而目前对于多时相遥感影像变化检测还主要采用像元级变化检测。下面主要分析像元级的直接比较检测法和分类后检测法。
(1)直接比较检测法:一般是应用两幅影像的代数运算进行变化检测的方法,其过程为:a.变化特征的选择:光谱、边缘、纹理;b.差异影像的构成;c.变化检测策略的选择:依据模式识别的理论方法;d.变化检测精度评价:定性评价,定量评价。其中,差异影像的构成主要有以下方法:影像差值法、影像回归法、影像比值法、变化矢量分析法、相关系数法等。
直接比较法优势在于算法简单,易实现,但不足在于难以克服由大气条件、噪声和大气辐射的差异带来的干扰,因而对预处理敏感,同时变化阈值也难以确定。
(2)分类后比较法:分类后比较法是通过对每幅影像均进行分类,然后根据相应像素类别的差异识别区域是否发生变化。分类方法一般分为监督分类和非监督分类。监督方法需知道一定的先验知识,可以得到较高的分类精度,但地物信息的获取较为困难,因而在无任何先验知识的情况下,非监督方法的使用范围更为广阔[Bruzzone等,2002;Bovolo等,2005;Mura等,2008;辛芳芳等,2012]。如Gabriele M(2009)等提出的基于MRF(Markov Random Field)理论的非监督法;Pacifici等(2010)提出的基于非监督的PNCC(Pulse-Coupled Neural Network)高分辨率遥感影像的自动变化检测方法;Bovolo等(2008)提出的基于半监督SVM和相似性测度的非监督变化检测方法;Mura等(2008)提出的基于形态学滤波器的高分辨率遥感影像非监督变化检测技术。
分类后比较法的优势在于可以克服由于多时相影像的传感器性质、分辨率等因素的差异所带来的不利影响,无需数据进行归一化处理。但局限性也较大,如a.对类别的划分要求高,不合理的划分易造成检测精度下降;b.变化检测在分类的基础上进行,而检测过程基于处理后的信息,这样会产生信息量的减少,从而降低检测结果的准确性;c.分类后比较法对两幅影像的分类错误较为敏感,任何一幅影像的分类结果出错都将造成变化检测的结果出错。
发明内容
本发明的目的在于解决上述已有的多时相遥感影像变化检测技术的不足,提出一种基于模糊相容图的多时相遥感影像变化检测方法,以克服现有方法的检测精度低、检测错误率高的问题。
为实现上述目的,本发明提出的基于模糊相容图的多时相遥感影像变化检测方法,具体包括以下步骤:
1)对输入的两个不同时相的遥感影像分别进行Frost滤波;
2)对滤波后的两个时相的遥感影像进行归一化处理,并进行比值运算构造差异影像;
3)构建模糊开关函数,将变化区域和非变化区域视作开关函数的开和关,把由若干个变化区域和非变化区域A1,A2,…,AK组成一个集合称为“开关集合”,一个“开关集合”具有两种状态,变化区域用1表示,非变化区域用0表示,它的状态由开关变量Ai(i=1,2,…,k)的状态决定,因而可用一个函数f(A1,A2,...,AK)来表示,f的取值是0或1,则f为开关函数;
4)判别因子选取,并将其作为模糊开关函数的开关变量。对于判别因子的选取主要取决于实验区,不同的实验区可能选取不同的特征,如植被为主的区域,可以采用NDVI和光谱均值;城区为主的区域,则可以选取地物的空间特征中的梯度和边缘,纹理特征中的能量、熵、相关性、逆差距和对比度,以及光谱均值等;对于复杂研究区,则可以首先采用NDVI(归一化植被指数)和MNDVI(归一化水体指数)优先确定植被和水系的变化,然后采用边缘、梯度以及纹理,确定人工地物的变化情况,最后根据实验区情况,选择相应的特征提取其它的变化区域;
5)对构建的模糊开关函数采用模糊相容图结合选取的判别因子进行模糊聚类的方法自动识别差异影像的变化区域;
6)为了量化项目提出方法的有效性,本发明通过构造误差矩阵(亦称混淆矩阵,Confusion Matrix)计算相关精度指标来定量评价本发明的精度。
本发明同以往的方法相比具有以下优点:
(1)本发明由差异影像的若干变化区域和非变化区域构建模糊开关函数,然后利用模糊相容图结合判别因子对构建的模糊开关函数进行聚类从而自动实现变化区域和非变化区域的识别,解决了阈值选取难的问题;
(2)本发明在采用模糊相容图识别变化区域的同时,将多维特征作为像素点是否发生变化的判别因子,其充分利用的像素点的多维特征属性,从而有效地提高了变化检测的精确度。
附图说明
图1是本发明的实现流程图;
图2是本发明使用的第一组两个时相的遥感影像,其中(a)和(b)分别为athabasca某区域1984年07月23日(T1时相)和2011年05月15日(T2时相)的遥感影像;
图3是本发明第一组两个时相的遥感影像经Frost滤波后得到的影像,其中(a)和(b)分别为T1和T2时相遥感影像经Frost滤波后得到的影像;
图4为构造的第一组两个时相的遥感影像的差异影像;
图5是本发明方法和现有方法进行第一组实验得到的变化检测结果图,其中(a)和(b)分别为本发明方法和现有方法得到的结果;
图6是本发明使用的第二组两个时相的遥感影像,其中(a)和(b)分别为内蒙古某区域2001年07月03日(T1时相)和2006年06月30日(T2时相)的遥感影像;
图7是本发明第二组两个时相的遥感影像经Frost滤波后得到的影像,其中(a)和(b)分别为T1和T2时相遥感影像经Frost滤波后得到的影像;
图8为构造的第二组两个时相的遥感影像的差异影像;
图9是本发明方法和现有方法进行第二组实验得到的变化检测结果图,其中(a)和(b)分别为本发明方法和现有方法得到的结果。
具体实施方式
以下结合具体实施例,对本发明进行详细说明。
参照图1,本发明的具体实施如下:
(1)对同一区域不同时相的两幅遥感影像进行几何校正和配准。在实际应用中,遥感影像大多已进行了几何校正和配准,故本发明只针对经几何校正和配准后的遥感影像进行仿真实验;
(2)输入两幅同一区域不同时相的遥感影像:X1={x1(i,j)|1≤i≤M,1≤j≤N|}和X2={x2(i,j)|1≤i≤M,1≤j≤N|},其中M和N表示影像的大小,如图2(a)和2(b)所示,首先对X1和X2分别进行灰度转换,然后对得到的灰度影像分别进行滤波,得到滤波后的两个不同时相影像图X1_F和X2_F,如图3所示。本发明采用Frost滤波器,一种特定大小窗口的像素值和指数脉冲响应m卷积的Wiener自适应滤波器:
m=exp[-KCy(t0)|t|]
(3)采用图像比值法获取差异影像,首先对滤波后影像X1_F和X2_F分别进行归一化处理,然后按波段进行逐像元相除,得到一幅差异影像Xd={xd(i,j)|1≤i≤M,1≤j≤N|},如图4所示。本发明采用对数比值法,采用对数来拉伸增强较小的灰度值,即:
Xd(i,j)=|logx2(i,j)/x1(i,j)|=|logx2(i,j)-logx1(i,j)|
(4)在获得差异影像之后,就需要确定差异影像的变化和非变化区域。利用差异影像Xd={xd(i,j)|1≤i≤M,1≤j≤N|}建立一个二值掩膜CR={cr(i,j)|1≤i≤M,1≤j≤N|},其中cr(i,j)∈[0,1]。
(5)对差异影像构造模糊开关函数f:[0,1]n→[0,1],将变化区域和非变化区域视作开关函数的开和关,把由若干个变化区域和非变化区域A1,A2,…,AK组成一个集合称为“开关集合”,一个“开关集合”具有两种状态,即当cr(i,j)=1表示相应的像元属于变化区域,cr(i,j)=0表示相应的像元属于非变化区域,它的状态由开关变量Ai(i=1,2,…,k)的状态决定,因而可用一个函数f(A1,A2,...,AK)来表示,f的取值是0或1,则f为开关函数;
(6)为了可以更好地判别像元是否发生变化,本发明选取多维特征作为变化与否的判别因子,并将其作为开关函数的开关变量。其中判别因子的选取取决于实验区,不同的实验区可能选取不同的特征,如植被为主的区域,可以采用NDVI和光谱均值;城区为主的区域,则可以选取地物的空间特征中的梯度和边缘,纹理特征中的能量、熵、相关性、逆差距和对比度,以及光谱均值等;对于复杂研究区,则可以首先采用NDVI和MNDVI优先确定植被和水系的变化,然后采用边缘、梯度以及纹理,确定人工地物的变化情况,最后根据实验区情况,选择相应的特征提取其它的变化区域;
(7)对构建的模糊开关函数采用模糊相容图结合选取的判别因子进行模糊聚类的方法自动识别差异影像的变化区域,如图5(a)所示。具体步骤如下:
7a)模糊开关函数建立之后均需极小化,本发明通过建立模糊相容图,来求解模糊开关函数的极小覆盖;
7b)对极小化了的模糊开关函数进行模糊聚类:①初始化聚类中心,本发明将其分为三类;②计算隶属度u,对于一个数据集其隶属度的和总等于1;③计算聚类中心z;④通过选取的判别因子建立判结束条件;⑤显示最终分类结果,聚类结束;
为了量化项目提出方法的有效性,本发明通过总体检测精度、虚检率和漏检率来定量评价本发明的精度,即:
总体检测精度:
虚检率:
上述指标的参数意义见表1。
表1变化误差矩阵
本发明的效果可以通过下面的内容进一步说明:
(1)实验数据
本发明采用两组实验数据:第一组实验数据为三波段两时相的Landsat遥感影像数据,两个时相的遥感影像是Landsat-5TM分别在1984年07月23日和2011年05月15日在athabasca得到的某区域影像数据,时相1影像如图2(a),时相2影像如图2(b)所示,影像大小均为3200×3200像元,真彩影像;第二组实验数据为三波段两时相的Landsat遥感影像数据,两个时相的遥感影像是Landsat-5TM分别在2001年07月03日和2006年06月30日在内蒙古得到的某区域影像数据,时相1影像如图6(a),时相2影像如图6(b)所示,影像大小均为3911×2347像元,真彩影像。
(2)对比实验及实验评价
图5(a)是本发明的第一组实验变化检测结果图,图5(b)是采用Erdas Imagine9.2平台的第一组实验变化检测结果图;图9(a)是本发明的第二组实验变化检测结果图,图9(b)是采用Erdas Imagine9.2平台的第二组实验变化检测结果图。从两组实验的变化检测结果图可以看出,本发明方法优于Erdas Imagine9.2平台下的变化检测方法,本发明方法得到的检测结果虚检明显少于Erdas Imagine9.2平台下的变化检测结果。
对于实验结果的评价,本发明主要从主观和客观两个方面进行评价,主观评价是将变化检测结果图5(a)、5(b)和9(a)、9(b)分别与参考图进行主观视觉对比;客观评价则采用评价指标总体检测精度、虚警率和漏检率,两组实验的评价指标见表2。
综上,本发明提出的基于模糊相容图的遥感影像变化检测方法能够达到较高的检测精度,比Erdas Imagine9.2平台下的变化检测方法具有更高的检测精度、虚检较少,可以有效地用于多时相遥感影像变化检测。
表2本发明方法和对比方法的检测结果比较
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (4)
1.一种基于模糊相容图的多时相遥感影像变化检测方法,其特征在于,包括以下步骤:
A1、对输入的两个不同时相的遥感影像分别进行Frost滤波;
A2、对滤波后的两个时相的遥感影像进行比值运算,构成差异影像;
A3、对差异影像构造模糊开关函数f:[0,1]n→[0,1],将变化区域和非变化区域视作开关函数的开和关,把由若干个变化区域和非变化区域A1,A2,…,AK组成一个集合称为“开关集合”,一个“开关集合”具有两种状态,即当cr(i,j)=1,表示相应的像元属于变化区域,cr(i,j)=0表示相应的像元属于非变化区域,它的状态由开关变量Ai(i=1,2,…,k)的状态决定,因而可用一个函数f(A1,A2,...,AK)来表示,f的取值是0或1,则f为开关函数;选取多维特征作为变化与否的判别因子,并将其作为开关函数的开关变量;
A4、对构建的模糊开关函数采用模糊相容图结合选取的判别因子进行模糊聚类的方法自动识别差异影像的变化区域。
3.根据权利要求1所述的遥感影像变化检测方法,其特征在于,其中步骤(2)所述的构造差异影像,按下列步骤进行:
(3a)分别对Frost滤波后影像进行归一化处理;
(3b)采用图像比值法对两个不同时相的归一化影像(x1(i,j)和x2(i,j))按波段进行逐像元相除得到一幅差异影像Xd(i,j);其中图像比值法采用对数比值法,采用对数来拉伸增强较小的灰度值,即:
Xd(i,j)=|logx2(i,j)/x1(i,j)|=|logx2(i,j)-logx1(i,j)|。
4.根据权利要求1所述的遥感影像变化检测方法,其特征在于,其中步骤(5)所述的构造差异影像,按下列步骤进行:
(4a)模糊开关函数建立之后均需极小化,通过建立模糊相容图,来求解模糊开关函数的极小覆盖;
(4b)对极小化了的模糊开关函数进行模糊聚类:①初始化聚类中心,分为三类;②计算隶属度u,对于一个数据集其隶属度的和总等于1;③计算聚类中心z;④通过选取的判别因子建立判结束条件;⑤显示最终分类结果,聚类结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310290061.1A CN103366373B (zh) | 2013-07-10 | 2013-07-10 | 基于模糊相容图的多时相遥感影像变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310290061.1A CN103366373B (zh) | 2013-07-10 | 2013-07-10 | 基于模糊相容图的多时相遥感影像变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103366373A true CN103366373A (zh) | 2013-10-23 |
CN103366373B CN103366373B (zh) | 2017-04-26 |
Family
ID=49367641
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310290061.1A Active CN103366373B (zh) | 2013-07-10 | 2013-07-10 | 基于模糊相容图的多时相遥感影像变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103366373B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103606172A (zh) * | 2013-12-09 | 2014-02-26 | 武汉大学 | 一种基于模糊拓扑的非监督变化检测方法 |
CN104834942A (zh) * | 2015-05-22 | 2015-08-12 | 武汉大学 | 基于掩膜分类的遥感影像变化检测方法及系统 |
CN104867150A (zh) * | 2015-05-22 | 2015-08-26 | 武汉大学 | 遥感影像模糊聚类的波段修正变化检测方法及系统 |
CN108764212A (zh) * | 2018-06-14 | 2018-11-06 | 内蒙古蒙草生态环境(集团)股份有限公司 | 一种用于调查打草场地的遥感自动识别方法 |
CN109409389A (zh) * | 2017-08-16 | 2019-03-01 | 香港理工大学深圳研究院 | 一种融合多特征的面向对象变化检测方法 |
CN114821069A (zh) * | 2022-05-27 | 2022-07-29 | 昆明理工大学 | 融合富尺度特征的双分支网络遥感图像建筑语义分割方法 |
CN116012334A (zh) * | 2023-01-04 | 2023-04-25 | 南京大学 | 一种领域知识约束的建设用地非监督变化检测方法 |
CN117494765A (zh) * | 2023-10-23 | 2024-02-02 | 昆明理工大学 | 一种超高空间分辨率遥感图像变化检测孪生网络及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102629377A (zh) * | 2012-03-01 | 2012-08-08 | 西安电子科技大学 | 基于显著性度量的遥感图像变化检测方法 |
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 |
-
2013
- 2013-07-10 CN CN201310290061.1A patent/CN103366373B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102629377A (zh) * | 2012-03-01 | 2012-08-08 | 西安电子科技大学 | 基于显著性度量的遥感图像变化检测方法 |
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 |
Non-Patent Citations (7)
Title |
---|
MASROOR HUSSAIN ET AL: "Change detection from remotely sensed images: From pixel-based to object-based approaches", 《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》, 19 April 2013 (2013-04-19) * |
PEIJUN DU ET AL: "Fusion of Difference Images for Change Detection Over Urban Areas", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》, vol. 5, no. 4, 21 June 2012 (2012-06-21), pages 1077 - 1080 * |
PEIJUN DU ET AL: "Information fusion techniques for change detection from multi-temporal remote sensing images", 《INFORMATION FUSION》, 24 May 2012 (2012-05-24) * |
刘汉龙: "模糊相容图", 《自动化学报》, vol. 12, no. 3, 31 July 1986 (1986-07-31), pages 291 - 293 * |
汪闽等: "多特征证据融合的遥感图像变化检测", 《遥感学报》, vol. 14, no. 3, 25 May 2010 (2010-05-25), pages 564 - 566 * |
王桂婷等: "基于快速EM算法和模糊融合的多波段遥感影像变化检测", 《红外与毫米波学报》, vol. 29, no. 5, 15 October 2010 (2010-10-15) * |
贾彩杰: "基于模糊聚类的SAR图像变化检测", 《电子科技》, vol. 25, no. 10, 15 October 2012 (2012-10-15), pages 23 - 25 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103606172A (zh) * | 2013-12-09 | 2014-02-26 | 武汉大学 | 一种基于模糊拓扑的非监督变化检测方法 |
CN104834942A (zh) * | 2015-05-22 | 2015-08-12 | 武汉大学 | 基于掩膜分类的遥感影像变化检测方法及系统 |
CN104867150A (zh) * | 2015-05-22 | 2015-08-26 | 武汉大学 | 遥感影像模糊聚类的波段修正变化检测方法及系统 |
CN104834942B (zh) * | 2015-05-22 | 2018-02-09 | 武汉大学 | 基于掩膜分类的遥感影像变化检测方法及系统 |
CN109409389A (zh) * | 2017-08-16 | 2019-03-01 | 香港理工大学深圳研究院 | 一种融合多特征的面向对象变化检测方法 |
CN108764212A (zh) * | 2018-06-14 | 2018-11-06 | 内蒙古蒙草生态环境(集团)股份有限公司 | 一种用于调查打草场地的遥感自动识别方法 |
CN114821069A (zh) * | 2022-05-27 | 2022-07-29 | 昆明理工大学 | 融合富尺度特征的双分支网络遥感图像建筑语义分割方法 |
CN114821069B (zh) * | 2022-05-27 | 2024-04-26 | 昆明理工大学 | 融合富尺度特征的双分支网络遥感图像建筑语义分割方法 |
CN116012334A (zh) * | 2023-01-04 | 2023-04-25 | 南京大学 | 一种领域知识约束的建设用地非监督变化检测方法 |
CN117494765A (zh) * | 2023-10-23 | 2024-02-02 | 昆明理工大学 | 一种超高空间分辨率遥感图像变化检测孪生网络及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103366373B (zh) | 2017-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hu et al. | An automatic approach for land-change detection and land updates based on integrated NDVI timing analysis and the CVAPS method with GEE support | |
Shao et al. | Cloud detection in remote sensing images based on multiscale features-convolutional neural network | |
CN103366373A (zh) | 基于模糊相容图的多时相遥感影像变化检测方法 | |
Li et al. | A review of remote sensing image classification techniques: The role of spatio-contextual information | |
Seydi et al. | A new land-cover match-based change detection for hyperspectral imagery | |
CN106408030B (zh) | 基于中层语义属性和卷积神经网络的sar图像分类方法 | |
CN104408469A (zh) | 基于图像深度学习的烟火识别方法及系统 | |
Wang et al. | The role of spatial heterogeneity in detecting urban slums | |
Peng et al. | Object-based change detection from satellite imagery by segmentation optimization and multi-features fusion | |
CN104182985A (zh) | 遥感图像变化检测方法 | |
Zeng et al. | Image fusion for land cover change detection | |
CN104008399A (zh) | 一种仪表检测中基于支持向量机的仪表指针抖动的识别方法 | |
Shao et al. | BASI: a new index to extract built-up areas from high-resolution remote sensing images by visual attention model | |
Nurmasari et al. | Oil palm plantation detection in Indonesia using Sentinel-2 and Landsat-8 optical satellite imagery (case study: Rokan Hulu regency, Riau Province) | |
Shahi et al. | Road condition assessment by OBIA and feature selection techniques using very high-resolution WorldView-2 imagery | |
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 | |
Yue et al. | Texture extraction for object-oriented classification of high spatial resolution remotely sensed images using a semivariogram | |
CN108197650A (zh) | 局部相似性保持的高光谱图像极限学习机聚类方法 | |
CN112990313A (zh) | 高光谱图像异常检测方法、装置、计算机设备及存储介质 | |
Malambo et al. | Automated training sample definition for seasonal burned area mapping | |
CN105512622A (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 | |
CN103020592A (zh) | 一种基于局部上下文的遥感图像舰船检测虚警剔除方法 | |
Zhang et al. | Feature extraction for high-resolution imagery based on human visual perception | |
CN104866852B (zh) | 提取遥感影像中土地覆被信息的方法及装置 | |
Albanwan et al. | A novel spectrum enhancement technique for multi-temporal, multi-spectral data using spatial-temporal filtering |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |