CN104361585A - 一种遥感图像变化检测性能在轨评价方法 - Google Patents
一种遥感图像变化检测性能在轨评价方法 Download PDFInfo
- Publication number
- CN104361585A CN104361585A CN201410599301.0A CN201410599301A CN104361585A CN 104361585 A CN104361585 A CN 104361585A CN 201410599301 A CN201410599301 A CN 201410599301A CN 104361585 A CN104361585 A CN 104361585A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing images
- well
- multidate
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000011156 evaluation Methods 0.000 title claims abstract description 15
- 230000003595 spectral effect Effects 0.000 claims abstract description 32
- 239000000284 extract Substances 0.000 claims abstract description 18
- 238000005259 measurement Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 238000009792 diffusion process Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 238000012854 evaluation process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000000819 phase cycle Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Abstract
本发明是一种遥感图像变化检测性能在轨评价方法,该方法包括以下步骤:步骤S1:以遥感图像灰度的离散余弦变换的符号函数作为显著性度量标准,在当前遥感图像和历史遥感图像上分别提取显著区域,将显著区域的并集作为多时相图像的显著区域;步骤S2:在当前遥感图像和历史遥感图像生成的多时相图像光谱特征上进行自动聚类,根据聚类类别和空间位置关系提取多时相超像素区域;步骤S3:在当前遥感图像和历史遥感图像的多时相超像素区域分别提取显著目标面元,用结构特征描述每一个显著目标面元;步骤S4:根据每一个显著目标面元结构特征的变化类和非变化类的类间可分性,对待评价的目标区域变化的检测结果的性能进行在轨评价。
Description
技术领域
本发明涉及遥感图像处理和目标在线监测等技术领域,特别是一种星载多时相遥感图像的变化检测性能在轨评价方法。
背景技术
变化检测是指利用同一地点的、配准的多时相遥感图像检测出变化区域的过程。变化检测是目标发现、灾害监测、城市地理信息更新等众多应用的关键技术。目前,随着高空间分辨率、高时相分辨率遥感卫星的发展,通过遥感卫星在轨、自动进行变化检测有着很强的应用需求。
与传统的在地面处理系统上进行的变化检测任务相比,在轨变化检测有着特殊的要求。首先,在轨变化检测是完全基于图像的自动的变化检测,基本上不能有人的干预。其次,传统的地面处理系统一般对多时相遥感图像的质量、变化区域与非变化区域的比例等具有一定的先验知识,这些先验知识对变化检测方法的选择及性能评价有重要的帮助;而在轨变化检测对图像质量、变化区域的比例及类型没有先验,加大了变化检测的难点。第三,与传统的地面变化检测系统相比,在轨变化检测更侧重关注目标的变化情况,即在轨变化检测对变化区域具有一定的选择性。
变化检测性能评价是根据已经配准的当前遥感图像和历史遥感图像对某种方法的变换检测结果的可信度进行定量评价的过程。变化检测性能在轨自动评价是衡量星载变化检测处理系统性能的重要依据,是变化检测方法自动选择和切换的重要基础。然而,在轨变化检测的上述特殊性使得仅依靠图像对变化检测性能在轨、自动、准确地评估非常困难。
发明内容
本发明的目的是针对在轨处理的特殊性,提供一种有效的星载遥感图像变化检测性能在轨自动评价方法。
为了实现上述目的,本发明的星载遥感图像变化检测性能在轨自动评价方法,该方法包括以下步骤:
步骤S1:以遥感图像灰度的离散余弦变换的符号函数作为显著性度量标准,在当前遥感图像和历史遥感图像上分别提取显著区域,将显著区域的并集作为多时相图像的显著区域;
步骤S2:在当前遥感图像和历史遥感图像生成的多时相图像光谱特征上进行自动聚类,根据聚类类别和空间位置关系提取多时相超像素区域;
步骤S3:在当前遥感图像和历史遥感图像的多时相超像素区域分别提取显著目标面元,用结构特征描述每一个显著目标面元;
步骤S4:根据每一个显著目标面元结构特征的变化类和非变化类的类间可分性,对待评价的目标区域变化的检测结果的性能进行在轨评价。
本发明所述方法对于星载图像处理变化检测系统具有重要的意义,其主要优点如下:
本发明在只有当前遥感图像和历史遥感图像的条件下对待评价的目标区域变化的检测结果的性能进行在轨评价,无需其它数据和知识;
在性能评价过程中考虑了目标的结构特性,所述基于显著目标面元对应的协方差矩阵的广义特征值距离能够反映目标的结构变化,对视角变化有较强的鲁棒性,可以在轨对变化检测的性能进行更加准确、客观的评判。
在性能评价过程中考虑了显著目标区域的重要性,只对显著目标区域的变化性能进行评价,减少了灰度变化、噪声等因素的干扰,减少了计算时间;
得益于上述优点,本发明可以可靠地对各种变化检测方法的性能进行评价,可广泛应用于星载及地面遥感图像变化检测等系统的性能评价中。
附图说明
图1是本发明星载多时相遥感图像的变化检测性能在轨评价流程图。
具体实施方式
下面结合附图说明本发明技术方案中所涉及的技术问题。应指出的是,所描述的实施方式仅旨在便于对本发明的理解,而对其不起任何限定作用。
如图1示出本发明提出一种遥感图像变化检测性能在轨评价方法,该方法包括以下步骤:
步骤S1:多时相显著区域提取是以图像灰度的离散余弦变换的符号函数作为显著性度量标准,先在当前遥感图像和历史遥感图像上分别提取显著区域,然后将显著区域的并集作为多时相图像的显著区域。所述多时相显著区域提取具体过程如下:
步骤S11:单时相图像显著区域提取是以图像灰度的离散余弦变换的符号函数作为显著性度量标准,分别在当前遥感图像X1和历史遥感图像X2上分别提取显著区域。提取显著区域的具体步骤如下:
步骤S111:对图像Xt的平均波段图像计算显著特征图像其中,t为时相序号,(t=1,2)。DCT(·)和IDCT(·)分别表示离散余弦变换和离散余弦逆变换。
步骤S112:计算显著特征映射图像。表示矩阵的Hadamard乘积运算符,g表示高斯核函数,*表示卷积运算。
步骤S113:提取显著区域;对显著特征映射图像进行直方图统计,直方图的灰度级数为3。直方图的频数较多的部分为背景,频数较少的像素组成的区域为显著目标区域。
步骤S12:多时相图像显著区域合并;设当前遥感图像X1和历史遥感图像X2提取的显著区域掩码图像分别为M1和M2,Mt(t=1,2)是与图像Xt大小相同的二值图像,0表示背景,1表示显著区域。对M1和M2实行“或”操作得到多时相显著区域掩码图像M,M中像素值为1的像素表示该像素在当前遥感图像X1和历史遥感图像X2中为显著区域。
步骤S2:多时相超像素区域提取;在当前遥感图像和历史遥感图像组成的多时相图像光谱特征上进行自动聚类,根据聚类类别和空间位置关系获得多时相超像素区域。所述提取多时相超像素区域的具体步骤如下:
步骤S21:多时相光谱特征生成;将每个像素的当前遥感图像和历史遥感图像的光谱向量的并集作为多时相图像在该像素的多时相光谱特征。
步骤S22:多时相光谱特征自动聚类;将多时相光谱特征间的互相关系数作为相似性度量准则,在初始化时把所有像素处的多时相光谱特征都设定为潜在的中心点,并通过迭代传播责任感消息和可用性消息寻找每个聚类的聚类中心,并确定每个像素的多时相光谱特征的类别。
责任感消息r(i,k)表示多时相光谱特征p12(k)适合作为多时相光谱特征p12(i)的聚类中心的程度。i和k均为像素坐标的一维表示,1≤i≤h*w,1≤k≤h*w。设图像的高为h,图像的宽为w,则i所在的列为mod(i,w),行为(i-mod(i,w))/w,mod(i,w)表示i整除w后的余数。可用性消息a(i,k),表示多时相光谱特征p12(i)选择多时相光谱特征p12(k)作为其聚类中心的可能性。多时相光谱特征自动聚类的具体过程如下:
步骤S221:初始状态:对所有的1≤i≤h*w,1≤k≤h*w,令a(i,k)=0;
步骤S222:对所有的1≤i≤h*w,1≤k≤h*w,根据可用性消息更新所有的责任感消息r(i,k),即
s(i,k)表示多时相光谱特征p12(i)和p12(k)的互相关系数,s(i,j)表示多时相光谱特征p12(i)和p12(j)(j≠k)的互相关系数,j均为像素坐标的一维表示,1≤j≤h*w。
步骤S223:对所有的1≤i≤h*w,1≤k≤h*w,根据可用性消息更新所有的责任感消息,即
a(k,k)=∑j,j≠kmax[0,r(j,k)]
步骤S224:对所有的1≤i≤h*w,1≤k≤h*w,结合可用性消息和责任感消息来确定中心点。对于数据点i,若使得a(i,k)+r(i,k)取最大值时的k等于i,则说明数据点i本身是中心点;若k与i不相等,则说明数据点i是附属点,其聚类中心为数据点k。
步骤S225:若达到设定的最大迭代次数T或数据点中的消息变化量小于给定的阈值τ,则算法结束;否则,转到第S222步。本发明中,T=100,τ=10。
步骤S23:多时相超像素区域提取;根据聚类类别和空间位置关系得到多时相超像素区域。显著区域包含多个目标,而每个目标由多个多时相超像素区域组成。多时相超像素区域是表示目标的基本单元,特征提取和变化特征生成步骤基于多时相超像素区域进行。将每个像素的多时相光谱特征的类别中具有同一聚类类别的像素集合还原到二维图像平面后可能是多个区域,根据区域的连通性将每一聚类的像素集合分成空间孤立的若干区域即多时相超像素区域。
步骤S3:显著目标面元提取和描述;在当前遥感图像和历史遥感图像的多时相超像素区域分别提取显著目标面元,用结构特征描述每一个显著目标面元。所述显著目标面元提取和描述的具体过程如下:
步骤S31:显著目标面元提取;将位于显著区域内的超像素区域选取出来,显著区域内的超像素区域是可能的感兴趣目标的组成部分。称显著区域内的超像素区域为显著目标面元。
步骤S32:显著目标面元特征描述;利用基于光谱特征、梯度特征构成的协方差矩阵来综合表示当前遥感图像X1和历史遥感图像X2的每个显著目标面元特征的描述。所述显著目标面元特征描述是每个显著目标面元的光谱特征、结构特征和纹理特征。显著目标面元特征描述具体过程如下:
设Rkk为第kk个显著目标面元,则图像Xt(t=1,2)的第kk个显著目标面元Rkk处的特征表示为:
其中,光谱特征、梯度特征向量
步骤S4:变化检测性能评价;根据每一个显著目标面元结构特征的变化类和非变化类的类间可分性,对待评价的目标区域变化检测结果的性能进行在轨评价。所述显著目标面元结构特征的变化类和非变化类的类间可分性是基于显著目标面元对应的协方差矩阵的广义特征值距离来度量。所述基于显著目标面元对应的协方差矩阵的广义特征值距离能够反映目标的结构变化,用于对在轨变化检测的性能进行评判。作为某种方法变化检测性能的衡量标准。理想情况下,变化类和非变化类的类间可分性应最好。若某变化检测方法的结果与真实的变化结果完全一致,则变化类和非变化类的类间可分性取得最大值。
设显著目标面元个数为n,这些显著目标面元被判为变化类和非变化类的个数分别为nc和nU。Ai2和Bi2为当前遥感图像和历史遥感图像第i2个变化类的显著目标面元对应的协方差矩阵,Cj2和Dj2为当前遥感图像和历史遥感图像第j2个非变化类的显著目标面元对应的协方差矩阵,则变化检测性能置信度s表示如下:
其中λμ(Ai2,Bi2)表示协方差矩阵Ai2和Bi2的第μ个广征值;λμ(Cj2,Dj2)表示协方差矩阵Cj2和Dj2的第μ个广征值;S为图像的波段数。在轨系统往往搭载几种变化检测方法,变化检测性能置信度s越大,表示变化检测结果的可信度越高。因此,变化检测性能置信度s可以作为最终结果选择或方法自动切换的依据。
本发明利用协方差矩阵和广义特征值作为显著目标面元对应的特征向量和距离度量具有如下优点:
(1)如果同一未变化目标在当前遥感图像和历史遥感图像存在视角变化,传统的基于特征向量的欧式距离的度量准则会将该目标误判为变化。而对于协方差矩阵,视角差异引起的变化可视为协方差矩阵的扰动矩阵,由此引起的广义特征值的变化很小,基于广义特征值的距离度量仍可以将该区域正确的判为非变化区域。因此,协方差矩阵和广义特征值对视角变化很鲁棒,可以对非变化区域及变化检测方法对视角变化的鲁棒性进行更加准确的评判。
(2)协方差矩阵本身不包含位置信息,因此若用显著目标面元对应的协方差矩阵的特征值之间的差异来表示显著目标面元的变化程度将会忽略显著目标面元的拓扑结构特征,即发生变化的目标可能被误判为没有发生变化。而广义特征值是两个协方差矩阵的在相同的特征向量下的特征值,对协方差矩阵各元素的位置关系进行了约束,因此基于广义特征值的距离度量可以更加准确的对变化区域的可分性进行评判。
以上所述,仅为本发明中的具体实施方式,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替换,都应涵盖在本发明的保护范围之内,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 (7)
1.一种遥感图像变化检测性能在轨评价方法,其特征在于,该方法包括以下步骤:
步骤S1:以遥感图像灰度的离散余弦变换的符号函数作为显著性度量标准,在当前遥感图像和历史遥感图像上分别提取显著区域,将显著区域的并集作为多时相图像的显著区域;
步骤S2:在当前遥感图像和历史遥感图像生成的多时相图像光谱特征上进行自动聚类,根据聚类类别和空间位置关系提取多时相超像素区域;
步骤S3:在当前遥感图像和历史遥感图像的多时相超像素区域分别提取显著目标面元,用结构特征描述每一个显著目标面元;
步骤S4:根据每一个显著目标面元结构特征的变化类和非变化类的类间可分性,对待评价的目标区域变化检测结果的性能进行在轨评价。
2.根据权利要求1所述的方法,其特征在于,在只有当前遥感图像和历史遥感图像的条件下,对待评价的当前遥感图像和历史遥感图像的变化检测结果进行评价,无需其它辅助数据和知识。
3.根据权利要求1所述的方法,其特征在于,所述提取多时相超像素区域的步骤包括如下:
步骤S21:将每个像素的当前遥感图像和历史遥感图像的光谱向量的并集作为多时相图像在该像素的多时相光谱特征;
步骤S22:将多时相光谱特征间的互相关系数作为相似性度量准则,把所有像素处的多时相光谱特征设定为潜在的中心点,并通过迭代传播责任感消息和可用性消息寻找每个聚类的聚类中心,得到每个像素的多时相光谱特征的类别;
步骤S23:将每个像素的多时相光谱特征的类别中具有同一聚类类别的像素集合还原到二维图像平面后是多个区域,根据区域的连通性将每一聚类的像素集合分成空间孤立的多时相超像素区域。
4.根据权利要求1所述的方法,其特征在于,所述显著目标面元提取和描述步骤包括如下:
步骤S31:选取位于显著区域内的超像素区域为显著目标面元;
步骤S32:利用基于光谱特征、梯度特征构成的协方差矩阵,得到综合表示当前遥感图像和历史遥感图像的每个显著目标面元特征的描述。
5.根据权利要求4所述的方法,其特征在于,所述显著目标面元特征描述是每个显著目标面元的光谱特征、结构特征和纹理特征。
6.根据权利要求1所述的方法,其特征在于,所述显著目标面元结构特征的变化类和非变化类的类间可分性是基于显著目标面元对应的协方差矩阵的广义特征值距离来度量。
7.根据权利要求6所述的方法,其特征在于,所述基于显著目标面元对应的协方差矩阵的广义特征值距离能够反映目标的结构变化,用于对在轨变化检测的性能进行评判。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410599301.0A CN104361585B (zh) | 2014-10-30 | 2014-10-30 | 一种遥感图像变化检测性能在轨评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410599301.0A CN104361585B (zh) | 2014-10-30 | 2014-10-30 | 一种遥感图像变化检测性能在轨评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104361585A true CN104361585A (zh) | 2015-02-18 |
CN104361585B CN104361585B (zh) | 2017-05-10 |
Family
ID=52528843
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410599301.0A Active CN104361585B (zh) | 2014-10-30 | 2014-10-30 | 一种遥感图像变化检测性能在轨评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104361585B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105469392A (zh) * | 2015-11-18 | 2016-04-06 | 西北工业大学 | 基于区域光谱梯度特征对比的高光谱图像显著性检测方法 |
CN107341800A (zh) * | 2017-07-10 | 2017-11-10 | 西安电子科技大学 | 基于超像素显著性分析的sar图像变化检测方法 |
CN110443176A (zh) * | 2019-07-29 | 2019-11-12 | 中国科学院国家空间科学中心 | 一种基于统计特征空间的暗弱小天体关联检测方法及系统 |
CN114627087A (zh) * | 2022-03-21 | 2022-06-14 | 国网江苏省电力有限公司无锡供电分公司 | 一种多时相卫星遥感图像的地物变化自动检测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100092045A1 (en) * | 2008-10-15 | 2010-04-15 | The Boeing Company | System and method for airport mapping database automatic change detection |
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 |
CN103489191A (zh) * | 2013-09-24 | 2014-01-01 | 中国科学院自动化研究所 | 一种遥感图像显著目标变化检测方法 |
CN103810710A (zh) * | 2014-02-26 | 2014-05-21 | 西安电子科技大学 | 基于半监督降维和显著图的多光谱图像变化检测方法 |
-
2014
- 2014-10-30 CN CN201410599301.0A patent/CN104361585B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100092045A1 (en) * | 2008-10-15 | 2010-04-15 | The Boeing Company | System and method for airport mapping database automatic change detection |
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 |
CN103489191A (zh) * | 2013-09-24 | 2014-01-01 | 中国科学院自动化研究所 | 一种遥感图像显著目标变化检测方法 |
CN103810710A (zh) * | 2014-02-26 | 2014-05-21 | 西安电子科技大学 | 基于半监督降维和显著图的多光谱图像变化检测方法 |
Non-Patent Citations (3)
Title |
---|
CHEN KEMING ET AL.: "Semantic Annotation of High-Resolution Remote Sensing Images via Gaussian Process Multi-Intance Multilabel Learning", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
周启鸣: "多时相遥感影像变化检测综述", 《地理信息世界》 * |
随银岭: "多时相遥感图像变化检测技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105469392A (zh) * | 2015-11-18 | 2016-04-06 | 西北工业大学 | 基于区域光谱梯度特征对比的高光谱图像显著性检测方法 |
CN105469392B (zh) * | 2015-11-18 | 2019-02-01 | 西北工业大学 | 基于区域光谱梯度特征对比的高光谱图像显著性检测方法 |
CN107341800A (zh) * | 2017-07-10 | 2017-11-10 | 西安电子科技大学 | 基于超像素显著性分析的sar图像变化检测方法 |
CN107341800B (zh) * | 2017-07-10 | 2019-10-11 | 西安电子科技大学 | 基于超像素显著性分析的sar图像变化检测方法 |
CN110443176A (zh) * | 2019-07-29 | 2019-11-12 | 中国科学院国家空间科学中心 | 一种基于统计特征空间的暗弱小天体关联检测方法及系统 |
CN114627087A (zh) * | 2022-03-21 | 2022-06-14 | 国网江苏省电力有限公司无锡供电分公司 | 一种多时相卫星遥感图像的地物变化自动检测方法及系统 |
CN114627087B (zh) * | 2022-03-21 | 2024-04-12 | 国网江苏省电力有限公司无锡供电分公司 | 一种多时相卫星遥感图像的地物变化自动检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104361585B (zh) | 2017-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103475898B (zh) | 一种基于信息熵特征的无参考图像质量评价方法 | |
CN105069811B (zh) | 一种多时相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 | |
CN102402685B (zh) | 基于Gabor特征的三马尔可夫场SAR图像分割方法 | |
CN102629380B (zh) | 基于多组滤波和降维的遥感图像变化检测方法 | |
CN103065136A (zh) | 一种基于视觉注意机制的sar图像协同目标识别方法 | |
CN103955926A (zh) | 基于Semi-NMF的遥感图像变化检测方法 | |
CN104361585A (zh) | 一种遥感图像变化检测性能在轨评价方法 | |
CN103473755B (zh) | 基于变化检测的sar图像稀疏去噪方法 | |
CN101526995A (zh) | 基于对角子类判决分析的合成孔径雷达目标识别方法 | |
CN104463907A (zh) | 一种基于视觉显著性特征的自适应目标跟踪方法 | |
CN104794729A (zh) | 基于显著性引导的sar图像变化检测方法 | |
CN103456020A (zh) | 基于treelet特征融合的遥感图像变化检测方法 | |
CN102722734B (zh) | 一种基于曲波域双边二维主成分分析的图像目标识别方法 | |
Lv et al. | An adaptive multifeature sparsity-based model for semiautomatic road extraction from high-resolution satellite images in urban areas | |
CN105184804A (zh) | 基于机载红外相机航拍图像的海面小目标检测方法 | |
CN104517286A (zh) | 基于自适应阈值分割和组合优化的sar图像配准 | |
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 | |
Fan et al. | Road vanishing point detection using weber adaptive local filter and salient‐block‐wise weighted soft voting | |
CN107835998B (zh) | 用于识别数字图像中的表面类型的分层平铺方法 | |
CN109508674B (zh) | 基于区域划分的机载下视异构图像匹配方法 | |
CN112329677B (zh) | 基于特征融合的遥感图像河道目标检测方法和装置 | |
CN101996312A (zh) | 跟踪目标的方法和装置 | |
CN106971402B (zh) | 一种基于光学辅助的sar图像变化检测方法 | |
CN111275680B (zh) | 基于Gabor卷积网络的SAR图像变化检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |