CN105183795A - 基于内容的遥感图像变化检测信息检索方法 - Google Patents
基于内容的遥感图像变化检测信息检索方法 Download PDFInfo
- Publication number
- CN105183795A CN105183795A CN201510523171.7A CN201510523171A CN105183795A CN 105183795 A CN105183795 A CN 105183795A CN 201510523171 A CN201510523171 A CN 201510523171A CN 105183795 A CN105183795 A CN 105183795A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- image
- change
- eigenvector
- change detection
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Library & Information Science (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种基于内容的遥感图像变化检测信息检索方法。该方法包括:用户根据各自的应用需求,输入需要查询的目标变化影像对;对目标变化影像对提取影像特征,创建高维索引,形成目标变化特征矢量/索引;在特征库/索引库中,查询与目标变化特征矢量相似的变化特征矢量;根据相似变化特征矢量的排序,结合遥感影像库和元数据库信息,输出对应的相似变化检测影像对。该方法作为一种新的变化检测信息发现方式,降低了传统变化检测方法对影像预处理的严格要求,并在一定程度上克服了同物异谱、季节变化等因素对变化检测信息发现所造成的干扰问题,具有较好普适性和自动化性,满足了不同应用领域的用户快速、有效地发现不同变化目标信息的需求。
Description
技术领域
本发明涉及图像检索技术领域和变化检测信息发掘领域,更具体的说,是涉及一种基于内容的遥感图像变化检测信息检索方法和模型。
技术背景
由于自然和人为的因素,人类赖以生存的地球及其环境随着时间的不断变化而变化,对于地表地物准确而及时的变化信息的掌握对于人类应对自然环境的变化至关重要,这些变化信息能够很好地辅助人类决策。遥感技术是能够宏观研究环境变化与人类活动的影响因素的重要手段,目前遥感数据作为一种重要的空间数据源,已经在环境监测、资源管理、灾害预报、重大工程监理、国防安全等领域发挥着不可或缺的作用。近年来,随着航天和航空遥感技术的飞速发展,遥感数据的获取技术正向三多(多传感器、多平台、多角度)和三高(高空间分辨率、高光谱分辨率、高时相分辨率)的方向发展,因此遥感数据量正以每天TB级的速度在增长。这些不同遥感平台获取的具备多空间分辨率、多光谱分辨率、多时间分辨率的遥感数据,能够为不同应用领域的用户提供遥感信息支持。而由于传统的变化检测方法,多半是基于同物同谱的假设下,针对某类特定应用、特定区域的变化信息检测模型,其对于不同时相影像的预处理要求严格,其并不适用于海量影像数据背景下的自动化、实时化和在轨化运行需求。因此,如何能够从多样化、复杂、海量的遥感数据中快速和有效地获取不同用户不同应用需求的特定目标对象的遥感变化检测信息则成为一个关键问题,解决这个关键问题则必须具备高效准确的遥感图像变化检测信息检索方法。
基于内容的图像检索(content-basedimageretrieval,CBIR)20世纪90年代初提出的,该方法是对图像按从高到低的层次进行分析和理解的角度来获取图像的各类视觉特征(如颜色、纹理、形状等),然后再根据这些图像的内容特征来进行图像的检索。这种查询模式是对基于“关键字找图”的一大突破,它不需要或者涉及少量的人为干预,用户可以通过提交样例图像或者草图的检索方式进行图像搜索,系统通过提取样例图像和草图的特征后,与数据库中的图像特征进行相似性匹配,检索得到的图像再通过用户提供的反馈信息再进行重新搜索,经过多次反馈后,最终将检索得到的图像集返回给用户。这种检索方式就可以很好地避免了因人工图像标注导致的“答非所问”的问题,已经成为国际视觉信息领域中的研究热点,在医学图像、电子图书馆、专利商标检索、建筑设计等领域有着广泛的应用。遥感图像作为图像的一种,基于内容的遥感图像的检索CBRSIR(Content-BasedRemoteSensingImageRetrieval)也得到了一定的发展。在此基础之上,本文创造性的将基于内容的遥感图像的检索模式应用到遥感图像变化检测信息检索当中,提出了基于内容的遥感图像变化检测信息检索(Content-BasedRemoteSensingImageChangeInformationRetrieval,CBRSICIR)模型。针对目前遥感图像变化检测信息提取和检索存在的缺陷和关键性难点问题,结合CBIR方法原理,开展遥感图像变化检测信息数据管理模型构建、多元特征选择与高维索引模型研究,最终为基于内容的遥感图像变化检测信息快速获取提供一套新的智能化解决方案与检索技术,实现遥感变化检测信息的快速获取与服务,提高遥感变化检测信息服务的水平和效率。同时,由于该种变化信息检索模式,是基于计算机对于变化遥感影像对的内容理解的基础上,因此该模型对变化检测影像的预处理要求较低,并能在一定程度上克服同物异谱的缺陷,具有较好普适性和自动化性,能满足不同应用领域的特定变化信息发现的需求。
发明内容
本发明提出了一种新的遥感图像变化检测信息的发现方式,即基于内容的遥感图像变化检测信息检索方法。其目的在大大降低了传统变化检测方法对影像的严格预处理(辐射校正、几何配准)的要求的同时,并在一定程度上克服了同物异谱、季节变化等因素对变化检测信息发现造成的干扰问题,从而大大提高了该方法模型的普适性和自动化性。同时,作为一种基于内容的变化检测信息的发现方式,较好地满足了不同应用领域的用户从海量的遥感数据集中,快速、有效地发现不同变化目标信息的需求。
本发明一种基于内容的遥感图像变化检测信息检索方法包括以下几个步骤:
(1)建立分层分块的遥感数据管理模型
在综合考虑遥感影像数据幅宽大、变化检测数据时序长等特点,并遵循MPEG-7规范的前提下,建立合理的遥感影像分层分块的数据组织架构。其涉及的数据库有:元数据库、遥感影像库、分块图像库、特征库和变化索引库。
(2)遥感图像变化检测信息入库
遥感图像变化检测信息入库,当获取一景新的遥感影像后,经过粗配准,实现元数据信息、原始影像数据和特征数据入库归档的工作。其包括的步骤有:
(2-1)遥感影像入库,提取遥感图像的元数据信息,将其存储入元数据库;
(2-2)遥感影像预处理,依据遥感影像的元数据信息,尤其是传感器、轨道号、日期等信息,对入库的遥感影像进行粗配准和裁切操作,以实现不同日期的相同轨道区域的影像内容基本一致;
(2-3)按照分层分块的切割策略,对遥感影像进行切割,切割成分块的图像块,并实现分块后图像入库管理操作;
(2-4)对分块的图像块,提取图像块的特征,形成图像的特征矢量,并对特征矢量进行归一化处理,最后将其特征矢量入库管理;
(2-5)结合元数据信息,对不同日期的相同图像块的特征矢量,按照某种顺序组合形成为变化特征矢量;
(2-6)采用一定的高维索引机制,对上述变化特征矢量创建变化索引库。
(3)基于内容的遥感图像变化检测信息检索
(3-1)用户根据各自不同的应用需求,输入需要查询的变化前/后的目标变化影像对;
(3-2)对目标变化影像对各自提取特征矢量,并按照变化的顺序组成目标变化矢量;
(3-3)对目标变化特征矢量创建高维索引,形成目标变化特征矢量的索引;
(3-4)按照一定的相似度匹配算法,在变化特征库/变化索引库中,查询与目标变化特征矢量相似的变化特征矢量;
(3-5)根据相似变化特征矢量的排序结果,结合遥感影像库和元数据库信息,输出对应的相似变化检测影像对。
其中,遥感图像块特征提取,是指针对遥感图像的各个波段均提取以下图像特征:
(1)64维颜色直方图特征提取,计算遥感图像块的64维的直方图,构成64维颜色直方图特征矢量;
(2)三阶颜色矩特征提取,计算遥感图像块灰度的最小值,最大值,中值、一阶矩、二阶中心矩和三阶中心矩特征,构成6维的三阶颜色矩特征矢量;
(3)改进的纹理谱特征提取,计算遥感图像块的纹理谱,利并用纹理模式的对称不变性将256维直方图描述子划分为51维,使量化后的纹理谱更加紧凑,更加符合纹理的视觉特征,构成51维的改进的纹理谱特征矢量;
(4)灰度共生矩阵特征提取,计算遥感图像块的灰度共生矩阵,选取灰度共生矩阵能量、惯性矩、相关性和熵四个描述子的均值和方差构成8维的灰度共生矩阵特征矢量;
(5)矩不变量特征提取,计算遥感图像块的7阶矩不变量特征,构成7维矩不变量特征矢量;
(6)快速小波特征提取,计算遥感图像块3层小波分解后的10个子图的均值和方差,构成20维的快速小波特征矢量。
本发明分析了当前遥感影像变化检测的研究现状,将基于内容的图像检索和高维索引技术应用在遥感图像变化检测信息检索的建模中,提出了一种基于内容的遥感图像变化信息检索方法。作为一种新的变化检测信息的发现方式,其在满足了不同应用领域的用户从海量的遥感数据集中,快速、有效地发现不同变化目标信息的需求的同时,还具有以下有益效果及优点:
(1)本发明是基于计算机对于变化遥感影像对的内容理解的基础上,因此该模型对变化检测影像的预处理(辐射校正、几何配准)要求较低,并能在一定程度上克服同物异谱、季节变化等因素对变化检测信息发现造成的干扰问题,具有较好普适性和自动化性。
(2)综合多特征的遥感图像变化检测信息检索模式,鉴于单一特征的信息表达能力有限,提出了综合多特征变化检测信息检索方式,以提高本发明检索的准确率和稳定性。
(3)高维索引建立,由于遥感图像库的数据量庞大,以及变化检测信息的高维描述形式,提出高维索引变化检测信息检索方案,提高了变化信息检索的查询速度和检索效率。
附图说明
此处提供的附图仅用于进一步阐述本发明,构成本发明的一部分,本申请的示意性实时例机器说明用于解释本发明申请,并不构成对本申请的不当限定,在附图中:
图1是本发明基于内容的遥感图像变化检测信息检索方法的一实施例的流程图;
图2是本发明基于内容的遥感图像变化检测信息检索方法系统的系统架构设计示意图;
图3是本发明快速小波特征提取3层小波分解的示意图。
具体实施过程
下文结合说明书附图1,以Landsat-5卫星遥感影像数据为例,对本发明的具体实施方式作详细说明。
下面结合说明书附图对本发明作进一步阐述。
如图1和图2所示,基于内容的遥感图像变化检测信息检索方法包括以下几个步骤:
(1)建立分层分块的遥感数据管理模型,建立合理的遥感影像分层分块的数据组织架构。其涉及的数据库有:元数据库、遥感影像库、分块图像库、特征库和变化索引库。
(2)遥感图像变化检测信息入库
在得到一景新的Landsat-5遥感影像时,对其进行遥感影像、分块图像、特征和变化矢量的入库操作。其具体的步骤有:
(2-1)遥感影像入库,新的Landsat-5遥感影像的元数据信息,将其存储入元数据库;
(2-2)遥感影像预处理,依据遥感影像的元数据信息,尤其是传感器、轨道号、日期等信息,对待入库的遥感影像进行粗配准和裁切操作,以实现不同日期的相同轨道区域的影像内容基本一致;
(2-3)按照分层分块的切割策略,对遥感影像进行切割,切割成分块的图像块,并实现分块后图像入库管理操作。本发明的实施例中,图像块切割尺寸为128px*128px;
(2-4)对分块的图像块,提取图像块的特征,形成图像的特征矢量,并对特征矢量进行归一化处理,最后将其特征矢量入库管理。以Landsat-5遥感影像为例,选取其7个波段特征值,其图像块的特征矢量维数为1092(156*7);
(2-5)结合元数据信息,对不同日期的相同图像块的特征矢量,按照某种顺序组合形成为变化特征矢量。本文中变化特征矢量的组成顺序分为:正向全排法、正向顺排法、逆向全排法和逆向逆排法,变化特征矢量维数为特征矢量*2。以1996、1997、1998、1999、2000、2001和2002七年连续数据为例,简介几种组成方式。正向全排法,是指按照时间顺序的正序进行全排列,也即1996→1997、1996→1998、1996→1999、1996→2000、1996→2001、1996→2002、1997→1998、…、2001→2002,总共21组变化矢量;正向顺排法,是指按照时间顺序的正序进行相邻排列,也即1996→1997、1997→1998、1998→1999、1999→2000、2000→2001和2001→2002,总共6组变化矢量;逆向全排法,是指按照时间顺序的逆序进行全排列,与正向全排法相似的组织方式,只是顺序相反,总共21组变化矢量;逆向逆排法,是指按照时间顺序的逆序进行相邻排列,与正向顺排法相似的组织方式,只是逆序相反,总共6组变化矢量;
(2-6)采用局部哈希(LSH)的高维索引机制,对上述变化特征矢量创建变化索引库。
(3)基于内容的遥感图像变化检测信息检索
(3-1)用户根据各自不同的应用需求,输入需要查询的变化前和变化后的目标变化影像对;
(3-2)对目标变化影像对,各自提取特征矢量,并按照变化的顺序组成目标变化矢量;
(3-3)对目标变化特征矢量创建高维索引,形成目标变化特征矢量的索引;
(3-4)按照一定的相似度匹配算法,在变化特征库/变化索引库中,查询与目标变化特征矢量相似的变化特征矢量;
(3-5)根据相似变化特征矢量的排序结果,结合遥感影像库和元数据库信息,输出对应的相似变化检测影像对。
其中,遥感图像块特征提取,是指针对遥感图像的各个波段均提取以下图像特征:
(1)64维颜色直方图特征提取,计算遥感图像块的64维的直方图,构成64维颜色直方图特征矢量;
(2)三阶颜色矩特征提取,计算遥感图像块灰度的最小值,最大值,中值、一阶矩、二阶中心矩和三阶中心矩特征,构成6维的三阶颜色矩特征矢量;
(3)改进的纹理谱特征(施智平,胡宏,李清勇等.基于纹理普描述子的图像检索[J].软件学报.16(6)(2005)pp:1039-1045)提取,计算遥感图像块的纹理谱,利并用纹理模式的对称不变性将256维直方图描述子划分为51维,使量化后的纹理谱更加紧凑,更加符合纹理的视觉特征,构成51维的改进的纹理谱特征矢量;
(4)灰度共生矩阵特征提取,计算遥感图像块的灰度共生矩阵,选取灰度共生矩阵能量、惯性矩、相关性和熵四个描述子的均值和方差构成8维的灰度共生矩阵特征矢量;
(5)矩不变量特征(HuMK.Visualpatternrecognitionbymomentinvariant[J].IRETransInformationTheory,1962,8:179-187)提取,计算遥感图像块的7阶矩不变量特征,构成7维矩不变量特征矢量,矩不变量特征的计算方式如下所示;
h1=η20+η02
h3=(η30-η12)2+(3η21-η03)2
h4=(η30+η12)2+(η21+η03)2
h5=(η30+η12)(η20-η02)[(η30+η12)2-3(η21+η03)2]+
(1-1)
(3η21-η03)(η21+η03)[3(η30+η12)2-(η21+η03)2]
h6=(η20-η02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03)
h7=(3η21-η03)(η21+η03)[3(η30+η12)2-(η21+η03)2]-
(η30-3η12)(η21-η03)[3(η30+η12)2-(η21+η03)2]
(6)快速小波特征提取,计算遥感图像块3层小波分解后的10个子图的均值和方差,构成20维的快速小波特征矢量,其对应的小波变化的示意图如图3所示。
Claims (5)
1.一种基于内容的遥感图像变化检测信息检索方法,其特征在于,包括:
(1)建立分层分块的遥感数据管理模型,其涉及的数据库有:元数据库、遥感影像库、分块图像库、特征库和变化索引库;
(2)遥感图像变化检测信息入库,即当获取一景新的遥感影像后,经过粗配准,实现元数据信息、原始影像数据和特征数据入库归档的工作;
(3)基于内容的遥感图像变化检测信息检索。
2.如权利要求1所述的方法,其特征在于,遥感图像变化检测信息入库,还包括:
(2-1)提取遥感图像的元数据信息,将其存储入元数据库;
(2-2)遥感影像预处理,依据遥感影像的元数据信息,尤其是传感器、轨道号、日期等信息,对入库的遥感影像进行粗配准和裁切操作,以实现不同日期的相同轨道区域的影像内容基本一致;
(2-3)按照分层分块的切割策略,对遥感影像进行切割,切割成分块的图像块,并实现分块后图像入库管理操作;
(2-4)对分块的图像块,提取图像块的特征,形成图像的特征矢量,并对特征矢量进行归一化处理,最后将其特征矢量入库管理;
(2-5)结合元数据信息,对不同日期的相同图像块的特征矢量,按照某种顺序组合形成为变化特征矢量;
(2-6)采用LSH高维索引机制,对上述变化特征矢量创建变化索引库。
3.如权利要求1所述的方法,其特征在于,基于内容的遥感图像变化检测信息检索,还包括:
(3-1)用户根据各自不同的应用需求,输入需要查询的变化前/后的目标变化影像对;
(3-2)对目标变化影像对各自提取特征矢量,并按照变化的顺序组成目标变化矢量;
(3-3)对目标变化特征矢量创建高维索引,形成目标变化特征矢量的索引;
(3-4)按照一定的相似度匹配算法,在变化特征库/变化索引库中,查询与目标变化特征矢量相似的变化特征矢量;
(3-5)根据相似变化特征矢量的排序结果,结合遥感影像库和元数据库信息,输出对应的相似变化检测影像对。
4.如权利要求2或3所述的方法,其特征在于,对分块的图像块/目标变化影像,提取图像块的特征,形成图像的特征矢量,遥感图像块特征提取,还包括:
(4-1)64维颜色直方图特征提取,计算遥感图像块的64维的直方图,构成64维颜色直方图特征矢量;
(4-2)三阶颜色矩特征提取,计算遥感图像块灰度的最小值,最大值,中值、一阶矩、二阶中心矩和三阶中心矩特征,构成6维的三阶颜色矩特征矢量;
(4-3)改进的纹理谱特征提取,计算遥感图像块的纹理谱,利并用纹理模式的对称不变性将256维直方图描述子划分为51维,使量化后的纹理谱,更加紧凑、更加符合纹理的视觉特征,构成51维的改进的纹理谱特征矢量;
(4-4)灰度共生矩阵特征提取,计算遥感图像块的灰度共生矩阵,选取灰度共生矩阵能量、惯性矩、相关性和熵四个描述子的均值和方差构成8维的灰度共生矩阵特征矢量;
(4-5)矩不变量特征提取,计算遥感图像块的7阶矩不变量特征,构成7维矩不变量特征矢量;
(4-6)快速小波特征提取,计算遥感图像块三层小波分解后的10个子图的均值和方差,构成20维的快速小波特征矢量。
5.如权利要求2所述的方法,其特征在于,按照一定的相似度匹配算法,在变化特征库/变化索引库中,查询与目标变化特征矢量相似的变化特征矢量,还包括:
本文中变化特征矢量的组成顺序分为:正向全排法、正向顺排法、逆向全排法和逆向逆排法,变化特征矢量维数为特征矢量*2。以1996、1997、1998、1999、2000、2001和2002七年连续数据为例,简介几种组成方式。正向全排法,是指按照时间顺序的正序进行全排列,也即1996→1997、1996→1998、1996→1999、1996→2000、1996→2001、1996→2002、1997→1998、…、2001→2002,总共21组变化矢量;正向顺排法,是指按照时间顺序的正序进行相邻排列,也即1996→1997、1997→1998、1998→1999、1999→2000、2000→2001和2001→2002,总共6组变化矢量;逆向全排法,是指按照时间顺序的逆序进行全排列,与正向全排法相似的组织方式,只是顺序相反,总共21组变化矢量;逆向逆排法,是指按照时间顺序的逆序进行相邻排列,与正向顺排法相似的组织方式,只是逆序相反,总共6组变化矢量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510523171.7A CN105183795B (zh) | 2015-08-25 | 2015-08-25 | 基于内容的遥感图像变化检测信息检索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510523171.7A CN105183795B (zh) | 2015-08-25 | 2015-08-25 | 基于内容的遥感图像变化检测信息检索方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105183795A true CN105183795A (zh) | 2015-12-23 |
CN105183795B CN105183795B (zh) | 2018-06-19 |
Family
ID=54905878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510523171.7A Active CN105183795B (zh) | 2015-08-25 | 2015-08-25 | 基于内容的遥感图像变化检测信息检索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105183795B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570127A (zh) * | 2016-11-02 | 2017-04-19 | 中国科学院深圳先进技术研究院 | 基于对象属性关联规则的遥感图像检索方法及系统 |
CN106845557A (zh) * | 2017-02-14 | 2017-06-13 | 中国科学院遥感与数字地球研究所 | 一种遥感图像变化信息检索的智能反馈方法 |
CN106844739A (zh) * | 2017-02-14 | 2017-06-13 | 中国科学院遥感与数字地球研究所 | 一种基于神经网络协同训练的遥感图像变化信息检索方法 |
CN109946698A (zh) * | 2019-04-15 | 2019-06-28 | 北京市遥感信息研究所 | 一种极化合成孔径雷达典型目标特征库构建方法及装置 |
CN111125080A (zh) * | 2019-12-23 | 2020-05-08 | 北京航天世景信息技术有限公司 | 基于图斑模型的多源遥感影像一体化管理系统及方法 |
CN117575979A (zh) * | 2023-08-01 | 2024-02-20 | 广东省国土资源测绘院 | 一种遥感图像变化的检测方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070260639A1 (en) * | 2006-05-03 | 2007-11-08 | Tobin Kenneth W | Method for the reduction of image content redundancy in large image libraries |
CN103530409A (zh) * | 2013-10-25 | 2014-01-22 | 中国科学院对地观测与数字地球科学中心 | 遥感图像检索方法及系统 |
-
2015
- 2015-08-25 CN CN201510523171.7A patent/CN105183795B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070260639A1 (en) * | 2006-05-03 | 2007-11-08 | Tobin Kenneth W | Method for the reduction of image content redundancy in large image libraries |
CN103530409A (zh) * | 2013-10-25 | 2014-01-22 | 中国科学院对地观测与数字地球科学中心 | 遥感图像检索方法及系统 |
Non-Patent Citations (3)
Title |
---|
MATTHIEU MOLINIER ET AL: "Detecting Man-Made Structures and Changes in Satellite Imagery With a Content-Based Information Retrieval System Built on Self-Organizing Maps", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
QIN DAI ET AL: "The research on intelligent content-based remote sensing image retrieval with multi-features", 《PROCEEDINGS OF THE IASTED INTERNATIONAL CONFERENCE COMMUNICATION, INTERNET, AND INFORMATION TECHNOLOGY》 * |
施智平 等: "基于纹理谱描述子的图像检索", 《软件学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570127A (zh) * | 2016-11-02 | 2017-04-19 | 中国科学院深圳先进技术研究院 | 基于对象属性关联规则的遥感图像检索方法及系统 |
CN106570127B (zh) * | 2016-11-02 | 2020-07-24 | 中国科学院深圳先进技术研究院 | 基于对象属性关联规则的遥感图像检索方法及系统 |
CN106845557A (zh) * | 2017-02-14 | 2017-06-13 | 中国科学院遥感与数字地球研究所 | 一种遥感图像变化信息检索的智能反馈方法 |
CN106844739A (zh) * | 2017-02-14 | 2017-06-13 | 中国科学院遥感与数字地球研究所 | 一种基于神经网络协同训练的遥感图像变化信息检索方法 |
CN106844739B (zh) * | 2017-02-14 | 2020-05-05 | 中国科学院遥感与数字地球研究所 | 一种基于神经网络协同训练的遥感图像变化信息检索方法 |
CN109946698A (zh) * | 2019-04-15 | 2019-06-28 | 北京市遥感信息研究所 | 一种极化合成孔径雷达典型目标特征库构建方法及装置 |
CN111125080A (zh) * | 2019-12-23 | 2020-05-08 | 北京航天世景信息技术有限公司 | 基于图斑模型的多源遥感影像一体化管理系统及方法 |
CN111125080B (zh) * | 2019-12-23 | 2023-09-26 | 北京航天世景信息技术有限公司 | 基于图斑模型的多源遥感影像一体化管理系统及方法 |
CN117575979A (zh) * | 2023-08-01 | 2024-02-20 | 广东省国土资源测绘院 | 一种遥感图像变化的检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN105183795B (zh) | 2018-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105183795A (zh) | 基于内容的遥感图像变化检测信息检索方法 | |
CN102609441B (zh) | 基于分布熵的局部敏感哈希高维索引方法 | |
CN101692224B (zh) | 融合空间关系语义的高分辨率遥感图像检索方法 | |
CN104572965A (zh) | 基于卷积神经网络的以图搜图系统 | |
CN102890700A (zh) | 一种基于体育比赛视频的相似视频片段检索方法 | |
CN103336957A (zh) | 一种基于时空特征的网络同源视频检测方法 | |
CN103336801A (zh) | 基于多特征lsh索引组合的遥感图像检索方法 | |
Serrano-Talamantes et al. | Self organizing natural scene image retrieval | |
Walia et al. | An effective and fast hybrid framework for color image retrieval | |
CN103810252A (zh) | 一种基于群稀疏特征选择的图像检索方法 | |
CN103049513A (zh) | 一种服饰鞋包类商品图像多视觉特征融合方法 | |
CN102663447A (zh) | 基于判别相关分析的跨媒体检索方法 | |
CN108959379A (zh) | 一种基于视觉显著区域和手绘草图的服装图像检索方法 | |
Pasqualotto et al. | Combining color and shape descriptors for 3D model retrieval | |
Alamdar et al. | A new color feature extraction method based on dynamic color distribution entropy of neighborhoods | |
CN104361135A (zh) | 一种图像检索方法 | |
CN103886072A (zh) | 煤矿搜索引擎中检索结果聚类系统 | |
CN108985346A (zh) | 融合低层图像特征及cnn特征的现勘图像检索方法 | |
Kekre et al. | Retrieval of images using DCT and DCT wavelet over image blocks | |
CN102306179B (zh) | 基于分级颜色分布描述符的图像内容检索方法 | |
Mei et al. | Instance-level object retrieval via deep region CNN | |
CN104111947B (zh) | 一种遥感图像的检索方法 | |
Ji et al. | Efficient semi-supervised multiple feature fusion with out-of-sample extension for 3D model retrieval | |
CN101894267A (zh) | 一种三维对象特征视图选取方法 | |
Xiao et al. | Fast view-based 3D model retrieval via unsupervised multiple feature fusion and online projection learning |
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 |