CN104517124B - 基于sift特征点的sar图像变化检测方法 - Google Patents
基于sift特征点的sar图像变化检测方法 Download PDFInfo
- Publication number
- CN104517124B CN104517124B CN201410818305.3A CN201410818305A CN104517124B CN 104517124 B CN104517124 B CN 104517124B CN 201410818305 A CN201410818305 A CN 201410818305A CN 104517124 B CN104517124 B CN 104517124B
- Authority
- CN
- China
- Prior art keywords
- mrow
- matrix
- value
- mask1
- msup
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06T2207/10044—Radar image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Abstract
本发明公开了一种基于SIFT特征点的SAR图像变化检测方法,主要解决现有检测方法受“斑点”噪声影响较大的问题。其实现过程是:(1)将已配准且进行辐射校正和几何校正的两幅待检测SAR图像进行归一化处理;(2)利用归一化后的待检测的两幅图获得差异图;(3)利用尺度不变特征变换方法提取差异图中的SIFT特征点;(4)将SIFT特征点作为种子点进行区域生长,得到变化图。本发明具有对“斑点”噪声鲁棒性强的优点,可用于低性噪比下的SAR图像变化检测。
Description
技术领域
本发明属于雷达技术领域,涉及SAR图像检测方法,可用于对不同时段同一场景的变化区域的检测。
背景技术
雷达成像技术是20世纪50年代发展起来的,在此后的60年里得到了突飞猛进的发展,目前,已经在军事、农林、地质、海洋、灾害、绘测等诸多方面得到广泛的应用。
SAR作为一种主动微波传感器,具有全天候、全天时、分辨率高以及穿透能力强等特点,在突发事件、自然灾害的检测和评估等方面具有独特优势,利用SAR图像进行变化检测具有重要意义。目前,SAR图像变化检测已经在多个方面取得广泛的应用,如土地分析、森林采伐监测、灾情估计、军事侦察、打击效果评估等。
SAR图像变化检测分为监督和非监督两大类。其中,非监督变化检测不需要先验变化信息的支持,可直接从配准好的前后两个时刻SAR图像获取变化信息,这种检测方法不仅降低人为误差的影响,同时也符合实际中先验变化信息缺失的现实情况,因此非监督变化检测成为国内外研究的重点。SAR图像变化检测的流程可概括为三个步骤,首先对待检测的两幅图像进行图像配准、斑噪滤波、辐射校正、几何校正等预处理,然后比较两幅图像获得差异图,最后对差异图进行分割得到最终的检测结果。
现有文献中提出很多非监督SAR图像变化检测方法,例如基于统计模型变化检测、基于聚类变化检测方法等。Yakoub Bazi等人在文献《An Unsupervised Approach Basedon the Generalized Gaussian Model to Automatic Change Detection inMultitemporal SAR Images》中针对高斯分布模型和广义高斯分布模型,利用Kittler-Illingworth算法确定门限,对差异图进行分割的检测方法;公茂果等人在《ChangeDetection in Synthetic Aperture Radar Images based on Image Fusion and FuzzyClustering》中提出利用模糊C均值以及改进的模糊C均值方法对融合后的差异图进行聚类,区分变化区域和非变化区域,得到检测结果。在现有的SAR图像变化检测方法中,SAR图像特有的“斑点”噪声对检测性能有很大的影响。例如基于统计模型的检测方法,进行检测之前必须对其进行滤波,否则检测无法进行,此外,该方法一旦模型失配,其检测性能将急剧下降;又如基于聚类的检测方法,当噪声较强时,其检测性能会受到极大的影响。
发明内容
本发明的目的在于针对上述已有方法的不足,提出一种基于SIFT特征点的SAR图像变化检测方法,以提高对变化区域的检测率,尤其是在低性噪比下的检测率。
本发明是这样实现的:
一、技术思路
变化检测的关键在于找到一个域或特征,在这个域或特征下,变化区域和未变化区域具有可分性。本发明中利用尺度不变特征变换SIFT提取差异图中的特征点,再联合使用图像分割后的区域信息,得到变化区域。SIFT特征点可以反映图像的局部特征,对图像旋转、尺度放缩和亮度变化具有不变性,对视角变化、仿射变换以及噪声也保持一定程度的稳定性。本发明利用SIFT特征点对噪声具有的稳定性的特性,联合图像分割对边界的精细化处理,使检测结果不仅对噪声具有鲁棒性,还有更精确的边界。
二.技术方案
本发明的实现步骤包括如下:
(1)对已进行配准、几何校正、辐射校正的两幅待检测的SAR参考图像X和测试图像Y数据进行归一化,得到归一化后的参考图像X'和测试图像Y';
(2)将归一化后的参考图像X'和测试图像Y'所对应像素值相除,取对数的绝对值,获得差异图D;
(3)用尺度不变特征变换SIFT方法提取差异图D中的尺度不变特征变换特征点;
(4)在归一化后的测试图像Y'中,以步骤(3)中提取的特征点为种子点进行区域生长,得到分割结果:
(4a)生成一个与测试图像Y同等大小的初始矩阵mask和生长矩阵mask',以及更新矩阵mask1,将初始矩阵mask中每个特征点对应位置的值标记为1,剩余位置的值均标记为0,将生长矩阵mask'和更新矩阵mask1的值全部标记为0;
(4b)在测试图像Y中,将在初始矩阵mask中对应位置被标记为1的像素值与其相邻8个点像素值相比较,如果像素值相差不超过门限T=0.05599,则在生长矩阵mask'中将相邻像素对应位置的值标记为1,否则不进行任何操作;
(4c)对初始矩阵mask中所有被标记为1的位置进行(4b)的操作;
(4d)将初始矩阵mask与生长矩阵mask'相加,并将相加后的结果存入更新矩阵mask1中;
(4e)将更新矩阵mask1中所有的非零值置为1;
(4f)判断初始矩阵mask与更新矩阵mask1是否相等,若不相等,则将生长矩阵mask1的值赋予初始矩阵mask矩阵,并将生长矩阵mask'的值全部置0,重复(4b)到(4e)的操作,否则,生长结束,更新矩阵mask1即为分割结果。
与现有技术相比,本发明具有以下优点:
第一,本发明由于提取了差异图D中的尺度不变特征变换特征点,可以较为准确地确定图像变化区域,缩小了变化区域检测范围,能有效抑制变化区域外“斑点”噪声的干扰。
第二,本发明由于引入尺度不变特征变换特征点SIFT,使得整幅图的检测问题转化为尺度不变特征变换特征点周围较小区域的分割问题,可以利用成熟的SAR图像分割方法对小区域进行分割,得到变化区域更为精细的检测结果。
附图说明
图1为本发明的流程图;
图2为Bern地区洪水发生前SAR图像;
图3为Bern地区洪水发生后SAR图像;
图4为参考实际地形的Bern地区发生洪水前后的标准变化图;
图5为用现有的基于高斯统计模型方法对图2和图3检测得到的变化图;
图6为用现有的基于模糊C均值FCM方法对图2和图3检测得到的变化图;
图7为用本发明方法对图2和图3检测得到的变化图。
具体实施方式
参照图1,本发明的具体实现步骤包括如下:
步骤1,图像预处理。
对已进行配准、几何校正、辐射校正的两幅待检测的SAR参考图像X和测试图像Y数据进行归一化,得到归一化后的参考图像X'和测试图像Y':
步骤2,获取差异图。
将归一化后的参考图像X'和测试图像Y'所对应像素值相除,取对数的绝对值,获得差异图D;
步骤3,用尺度不变特征变换SIFT方法提取差异图D中的尺度不变特征变换特征点。
尺度不变特征变换SIFT方法是由D.G.Lowe于1999年在其文献《Objectrecognition from local scale-invariant features》中提出,并于2004年在其文献《Distinctive Image Features from Scale-Invariant Keypoints》中完善总结。该方法在空间尺度中寻找极值点,进而提取出SIFT特征点以及描述符算子,所提取出的SIFT特征点和描述符算子可以反映图像的局部特征,对图像旋转、尺度放缩和亮度变化具有不变性,对视角变化、仿射变换以及噪声也保持一定程度的稳定性,被广泛应用图像配准,目标识别等领域。本发明将SIFT特征点应用于SAR图像变化检测,利用SIFT点对噪声具有一定程度稳定性的优点,以抑制SAR图像中“斑点”噪声对SAR图像变化检测的影响。
用该尺度不变特征变换SIFT方法提取差异图D中SIFT特征点的步骤如下:
(3a)生成高斯尺度差图像:
(3a1)利用不同尺度的高斯核G(x,y,σ(0,s))与差异图D相卷积,得到高斯尺度图L(x,y,σ(0,s)):
L(x,y,σ(0,s))=G(x,y,σ(0,s))*D,s=0,...,K-1
其中,σ(0,s)=1.6*2s/2,(x,y)是空间坐标,(0,s)是尺度坐标,高斯尺度图L(x,y,σ(0,s))共有K=5个图像,分别为L(x,y,σ(0,0)),L(x,y,σ(0,1)),…,L(x,y,σ(0,K-1));
(3a2)将步骤(3a1)中得到的高斯尺度图L(x,y,σ(0,s))中相邻的两个高斯尺度图相减,取绝对值,得到高斯尺度差图像DOG(x,y,σ(0,s)),即:
DOG(x,y,σ(0,s))=|L(x,y,σ(0,s+1))-L(x,y,σ(0,s))|,s∈[0,...,K-2];
(3a3)对步骤(3a1)中获得的图像L(x,y,σ(0,K-2))进行下采样,得到下采样图像L'(x,y,σ(0,K-2));
(3a4)设置初始组数i=1;
(3a5)用不同尺度的高斯核G(x,y,σ(i,s))与图像L'(x,y,σ(i-1,K-2))相卷积,获得高斯尺度图像L(x,y,σ(i,s)):
L(x,y,σ(i,s))=G(x,y,σ(i,s))*L'(x,y,σ(i-1,K-2)),s∈[0,...,K-1]
其中,σ(i,s)=1.6*2i+s/2,得到的高斯尺度图像共K个,分别为L(x,y,σ(i,0)),…,L(x,y,σ(i,K-1));
(3a6)将步骤(3a5)中得到的高斯尺度图L(x,y,σ(i,s))相邻的两个高斯尺度图相减,取绝对值,得到高斯尺度差图像DOG(x,y,σ(i,s)),即:
DOG(x,y,σ(i,s))=|L(x,y,σ(i,s+1))-L(x,y,σ(i,s))|;
(3a7)对步骤(3a5)中获得的图像L(x,y,σ(i,K-2))进行下采样,得到下采样图像L'(x,y,σ(i,K-2));
(3a8)将组数i更新为i+1,若更新后组数i<4,则重复(3a5)到(3a7)的操作,否则循环终止,得到高斯尺度差图像DOG,共4组,每组有K个图像;
(3b)特征点检测
在高斯尺度差图像DOG中,每组图像从第二幅图像DOG(x,y,σ(i,1))开始,图像上每个点的像素值和它同尺度的8个相邻点以及上下相邻尺度对应的9×2个点组成一个共27个元素的集合:
{DOG(x+Δm,y+Δn,σ(i+Δl,1))},Δm=-1,0,1,Δn=-1,0,1,Δl=-1,0,1;
若DOG(x,y,σ(i,1))为该集合的最大值或最小值,则认为该点是图像在该尺度下的一个特征点;
(3c)去除低对比度的特征点
检查每个特征点在DOG中的像素值DOG(x,y,σ(i,s)),若|DOG(x,y,σ(i,s))|≥0.03,则将该特征点保留,否则丢弃;
(3d)去除不稳定的边缘响应特征点:
(3d1)计算每个特征点的Hessian矩阵H:
其中,二阶导数Dxx、Dxy、Dyy由特征点与其相邻点像素差估计得到,计算公式如下:
Dxx=DOG(x-1,y,σ(i,s))+DOG(x+1,y,σ(i,s))-2×DOG(x,y,σ(i,s))
Dyy=DOG(x,y-1,σ(i,s))+DOG(x,y+1,σ(i,s))-2×DOG(x,y,σ(i,s))
Dxy=DOG(x+1,y+1,σ(i,s))+DOG(x,y,σ(i,s))
-DOG(x+1,y,σ(i,s))-DOG(x,y+1,σ(i,s))
其中,DOG(·,·,σ(i,s))表示高斯尺度差图像DOG中位置(·,·,σ(i,s))处的值;
(3d2)计算H的迹tr(H)和行列式det(H),计算公式如下:
tr(H)=Dxx+Dyy
det(H)=DxxDyy-Dx 2 y
若则将该特征点保留,否则丢弃,r=10。
步骤4,在归一化后的测试图Y中,以步骤(3)中提取的尺度不变特征变换特征点作为种子点进行区域生长,得到分割结果。
(4a)生成一个与测试图像Y同等大小的初始矩阵mask和生长矩阵mask',以及更新矩阵mask1,将初始矩阵mask中每个特征点对应位置的值标记为1,剩余位置的值均标记为0,将生长矩阵mask'和更新矩阵mask1的值全部标记为0;
(4b)在测试图像Y中,将在初始矩阵mask中对应位置被标记为1的像素值与其相邻8个点像素值相比较,如果像素值相差不超过门限T=0.05599,则在生长矩阵mask'中将相邻像素对应位置的值标记为1,否则不进行任何操作;
(4c)对初始矩阵mask中所有被标记为1的位置进行(4b)的操作;
(4d)将初始矩阵mask与生长矩阵mask'相加,并将相加后的结果存入更新矩阵mask1中;
(4e)将更新矩阵mask1中所有的非零值置为1;
(4f)判断初始矩阵mask与更新矩阵mask1是否相等,若不相等,则将生长矩阵mask1的值赋予初始矩阵mask矩阵,并将生长矩阵mask'的值全部置0,重复(4b)到(4e)的操作,否则,生长结束,更新矩阵mask1即为分割结果。
本步骤也可以采用其它的区域分割算法对检测到的特征点周围区域进行分割。
本发明的效果通过以下对实测数据的实验进一步说明:
1、实验场景:
本发明所用的实测数据为Bern地区发生洪水前SAR图像,如图2所示,Bern地区发生洪水后SAR图像,如图3所示,以及参考实际地形给出的标准变化图,如图4所示。
2、实验内容:
实验1,利用实测数据进行实验,分别采用基于高斯统计模型检测方法、基于模糊C均值FCM聚类检测方法以及本发明的方法对实测数据图2和图3进行检测,得到变化图。其中:
采用现有的基于高斯统计模型检测方法对图2和图3进行检测,其结果如图5所示;
采用现有的基于模糊C均值FCM聚类检测方法对图2和图3进行检测,其结果如图6
所示;采用本发明方法对图2和图3进行检测,其结果如图7所示。
3、实验结果分析
从上述三种检测方法得到的变化图,图5、图6和图7,可以看出,与现有的基于高斯统计模型检测方法和基于模糊C均值FCM聚类检测方法相比,本发明中利用提取SIFT特征点的检测方法,缩小了变化检测的范围,有效抑制了未变化区域噪声对检测的影响,增强了对“斑点”噪声的鲁棒性。
将采用上述三种方法得到的变化图与参考实际地形给出的标准变化图4相比较,找出检测得到的变化图与标准变化图相同的部分,计算检测率,检测率的计算公式如下:
采用基于高斯统计模型检测方法、基于模糊C均值聚类检测方法以及本发明检测方法的检测率比较如表1所示:
表1 本发明方法与其他方法检测率的比较
由表1可以看出,与现有的基于统计高斯模型和模糊C均值的聚类方法相比较,本发明中利用提取SIFT特征点的检测方法,提高了对“斑点”噪声的鲁棒性,检测率有了一定的提高。
Claims (2)
1.一种SAR图像变化检测方法,包括如下步骤:
(1)对已进行配准、几何校正、辐射校正的两幅待检测的SAR参考图像X和测试图像Y数据进行归一化,得到归一化后的参考图像X'和测试图像Y';
(2)将归一化后的参考图像X'和测试图像Y'所对应像素值相除,取对数的绝对值,获得差异图D,获取差异图D的表达式为:
<mrow>
<mi>D</mi>
<mo>=</mo>
<mo>|</mo>
<msub>
<mi>log</mi>
<mn>10</mn>
</msub>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msup>
<mi>X</mi>
<mo>&prime;</mo>
</msup>
<mo>+</mo>
<mn>2</mn>
</mrow>
<mrow>
<msup>
<mi>Y</mi>
<mo>&prime;</mo>
</msup>
<mo>+</mo>
<mn>2</mn>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>;</mo>
</mrow>
(3)用尺度不变特征变换SIFT方法提取差异图D中的特征点;
(4)在归一化后的测试图像Y'中,以步骤(3)中提取的特征点为种子点进行区域生长,得到分割结果:
(4a)生成一个与测试图像Y同等大小的初始矩阵mask和生长矩阵mask',以及更新矩阵mask1,将初始矩阵mask中每个特征点对应位置的值标记为1,剩余位置的值均标记为0,将生长矩阵mask'和更新矩阵mask1的值全部标记为0;
(4b)在测试图像Y中,将在初始矩阵mask中对应位置被标记为1的像素值与其相邻8个点像素值相比较,如果像素值相差不超过门限T=0.05599,则在生长矩阵mask'中将相邻像素对应位置的值标记为1,否则不进行任何操作;
(4c)对初始矩阵mask中所有被标记为1的位置进行(4b)的操作;
(4d)将初始矩阵mask与生长矩阵mask'相加,并将相加后的结果存入更新矩阵mask1中;
(4e)将更新矩阵mask1中所有的非零值置为1;
(4f)判断初始矩阵mask与更新矩阵mask1是否相等,若不相等,则将生长矩阵mask1的值赋予初始矩阵mask矩阵,并将生长矩阵mask'的值全部置0,重复(4b)到(4e)的操作,否则,生长结束,更新矩阵mask1即为分割结果。
2.根据权利要求1所述的用于SAR图像变化检测方法,其中所述步骤(1)中归一化后的参考图像X'和测试图像Y',分别表示如下:
<mrow>
<msup>
<mi>X</mi>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<mfrac>
<mrow>
<mi>X</mi>
<mo>-</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
<mrow>
<msup>
<mi>Y</mi>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<mfrac>
<mrow>
<mi>Y</mi>
<mo>-</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>Y</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>Y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中,X为归一化前的参考图像,Y为归一化前的测试图像,min(·)表示取最小值,max(·)表示取最大值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410818305.3A CN104517124B (zh) | 2014-12-25 | 2014-12-25 | 基于sift特征点的sar图像变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410818305.3A CN104517124B (zh) | 2014-12-25 | 2014-12-25 | 基于sift特征点的sar图像变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104517124A CN104517124A (zh) | 2015-04-15 |
CN104517124B true CN104517124B (zh) | 2018-03-20 |
Family
ID=52792390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410818305.3A Active CN104517124B (zh) | 2014-12-25 | 2014-12-25 | 基于sift特征点的sar图像变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104517124B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956058B (zh) * | 2016-04-27 | 2019-05-21 | 东南大学 | 一种采用无人机遥感影像的变化用地快速发现方法 |
CN106548462B (zh) * | 2016-11-02 | 2019-02-19 | 西安电子科技大学 | 基于薄板样条插值的非线性sar图像几何校正方法 |
FR3082007B1 (fr) * | 2018-06-01 | 2020-09-11 | Thales Sa | Procede et systeme de determination d'une dimension caracteristique d'un navire |
CN109815859B (zh) * | 2019-01-10 | 2021-10-01 | 中交信息技术国家工程实验室有限公司 | 一种低等级道路自动提取及变化分析方法 |
CN111487620B (zh) * | 2020-04-28 | 2022-02-01 | 电子科技大学 | 一种基于特征变换的机载sar成像性能评估方法 |
CN112686842B (zh) * | 2020-12-21 | 2021-08-24 | 苏州炫感信息科技有限公司 | 一种光斑检测方法、装置、电子设备及可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102842044A (zh) * | 2012-07-17 | 2012-12-26 | 北京市遥感信息研究所 | 高分辨率可见光遥感图像变化检测方法 |
CN102867309A (zh) * | 2012-09-12 | 2013-01-09 | 西安电子科技大学 | 基于混合模型的sar图像变化检测方法 |
CN103473764A (zh) * | 2013-09-03 | 2013-12-25 | 中国科学院深圳先进技术研究院 | 一种遥感影像目标变化检测方法 |
-
2014
- 2014-12-25 CN CN201410818305.3A patent/CN104517124B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102842044A (zh) * | 2012-07-17 | 2012-12-26 | 北京市遥感信息研究所 | 高分辨率可见光遥感图像变化检测方法 |
CN102867309A (zh) * | 2012-09-12 | 2013-01-09 | 西安电子科技大学 | 基于混合模型的sar图像变化检测方法 |
CN103473764A (zh) * | 2013-09-03 | 2013-12-25 | 中国科学院深圳先进技术研究院 | 一种遥感影像目标变化检测方法 |
Non-Patent Citations (3)
Title |
---|
"A Performence Evaluation of Local Descriptors";Krystian Mikolajczyk,Cordelia Schmid;《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》;20051031;第27卷(第10期);第1615-1630页 * |
"融合改进分水岭和区域生长的彩色图像分割算法";陈丽芳,刘一鸣,刘渊;《计算机工程与科学》;20130430;第35卷(第4期);第93-98页 * |
"遥感图像的变化检测与标注方法研究";罗旺;《中国博士学位论文全文数据库 信息科技辑》;20121215(第12期);第6、11、14页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104517124A (zh) | 2015-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104517124B (zh) | 基于sift特征点的sar图像变化检测方法 | |
Ding et al. | Automatic recognition of landslide based on CNN and texture change detection | |
Gao et al. | Automatic change detection in synthetic aperture radar images based on PCANet | |
Liu et al. | A novel region-merging approach for coastline extraction from sentinel-1A IW mode SAR imagery | |
CN108805904B (zh) | 一种基于卫星序列图像的运动舰船检测与跟踪方法 | |
Gonçalves et al. | HAIRIS: A method for automatic image registration through histogram-based image segmentation | |
CN104778721B (zh) | 一种双目图像中显著性目标的距离测量方法 | |
CN104091324B (zh) | 一种基于连通域分割的棋盘格图像快速特征匹配算法 | |
CN110097093A (zh) | 一种异源图像精确匹配方法 | |
CN103473764B (zh) | 一种遥感影像目标变化检测方法 | |
CN104835175B (zh) | 一种基于视觉注意机制的核环境中目标检测方法 | |
EP2816529A2 (en) | Automatic water area segmentation method and device for SAR image of complex terrain | |
CN103198480B (zh) | 基于区域和Kmeans聚类的遥感图像变化检测方法 | |
CN106529591A (zh) | 一种基于改进的mser图像匹配算法 | |
Sheng et al. | Automated image registration for hydrologic change detection in the lake-rich Arctic | |
CN105787943B (zh) | 基于多尺度图像块特征和稀疏表示的sar图像配准方法 | |
CN107085708A (zh) | 基于多尺度分割和融合的高分辨率遥感图像变化检测方法 | |
Fan et al. | SAR image registration using multiscale image patch features with sparse representation | |
CN102629380B (zh) | 基于多组滤波和降维的遥感图像变化检测方法 | |
CN104268853A (zh) | 一种红外图像与可见光图像配准方法 | |
CN110598748B (zh) | 基于卷积神经网络融合的异质图像变化检测方法及装置 | |
Sirmacek et al. | Road network extraction using edge detection and spatial voting | |
CN109461132A (zh) | 基于特征点几何拓扑关系的sar图像自动配准方法 | |
CN106940782B (zh) | 基于变差函数的高分sar新增建设用地提取软件 | |
CN103198482A (zh) | 基于差异图模糊隶属度融合的遥感图像变化检测方法 |
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 |