CN105513079B - 大尺度时间序列遥感图像变化区域的检测方法 - Google Patents
大尺度时间序列遥感图像变化区域的检测方法 Download PDFInfo
- Publication number
- CN105513079B CN105513079B CN201510940348.3A CN201510940348A CN105513079B CN 105513079 B CN105513079 B CN 105513079B CN 201510940348 A CN201510940348 A CN 201510940348A CN 105513079 B CN105513079 B CN 105513079B
- Authority
- CN
- China
- Prior art keywords
- image
- region
- bag
- feature
- words
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- G06T2207/20081—Training; Learning
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供了一种大尺度时间序列遥感图像变化区域的检测方法。在该检测方法中,通过将大尺度高分辨率时间序列遥感图像变化区域检测问题转化为图像区域时间序列变化信息标注问题,实现了大尺度时间序列图像中变化区域的快速定位,降低大尺度遥感图像变化检测的难度,增强大尺度时间序列图像判读解译的实用性。
Description
技术领域
本发明涉及遥感技术领域,尤其涉及一种大尺度时间序列遥感图像变化区域的检测方法。
背景技术
大尺度高分辨率时间序列遥感图像变化区域检测是实现土地类型长期变化跟踪分析的关键基础,特别是随着近年来遥感数据爆炸式增加,高分辨率遥感图像数据量极大,直接对大尺度高分辨率时间序列遥感图像进行有监督变化检测处理困难较大:需要对每个时间序列图像均提供训练样本,耗时费力,可操作性不强。
多示例学习方法(Multi-Instance Learning,简称MIL)是近年来提出的一种方便的图像分类、标注方法。与传统的图像标注方法相比,多示例学习方法在分类器训练过程中不需要对每一个图像区域进行标记,只需要对包的标记进行标记,指示包中是否包含示例标记,因此,在分类器训练中比较简单方便,实际可操作性比较强。
从多示例学习思想出发,将大尺度高分辨率时间序列遥感图像变化区域检测问题转化为图像区域时间序列变化信息标注问题,降低了有监督变化检测对训练样本的要求:只需要标记是否发生了变化,不需要标记哪里发生了变化,从而极大地提高了针对大尺度高分辨率时间序列遥感图像的有监督变化检测方法的可操作性。
发明内容
(一)要解决的技术问题
鉴于上述技术问题,本发明提供了一种大尺度时间序列遥感图像变化区域的检测方法,以提高了针对大尺度高分辨率时间序列遥感图像的有监督变化检测方法的可操作性。
(二)技术方案
本发明大尺度时间序列遥感图像变化区域的检测方法包括:步骤A,将大尺度时间序列遥感图像,即在同一区域不同时间获取的n幅大尺度遥感图像,进行配准处理,得到配准后的n幅大尺度遥感图像{X1,X2,...,Xn};步骤B,将经配准处理后的在同一区域不同时间获取的n幅大尺度遥感图像{X1,X2,...,Xn}按照时间序列(t1,t2,…,tn)排列,按照预设大小的窗口将每个时相上的图像均匀分割成不重叠的k个图像区域将同一位置上的图像区域按照时间序列排列其中,i=1、2、……,n;j=1、2、……、k;步骤C,以每个时间序列图像区域为多示例学习中词袋,以词袋中连续两个时间点上的图像区域为多示例学习中的示例,通过“图像区域-示例,图像序列-词袋”的映射,在大尺度时间序列遥感图像上完成多示例学习框架的构造;步骤D,以图像区域为单位对每个图像区域提取颜色特征、纹理特征,SIFT特征以及熵特征,以每个图像区域为单位构造特征向量;对词袋中的每个示例计算特征向量;以及步骤E,利用训练样本对多示例学习框架中的分类器进行训练,得到最佳分类器参数设置;利用已训练的多示例分类器,对测试集进行测试,给出k个词袋的标记,从而将时间序列上发生过变化的图像区域标记出来,并以概率形式给出每个区域发生变化的百分比。
(三)有益效果
从上述技术方案可以看出,本发明大尺度时间序列遥感图像变化区域的检测方法具有以下有益效果:
(1)降低了有监督变化检测对训练样本的要求,极大地提高了针对大尺度高分辨率时间序列遥感图像的有监督变化检测方法的可操作性,提高了大尺度时间序列图像判读解译的实用性。
(2)以区域百分比形式给出每个区域发生变化的概率,方便后续进一步的细化变化分析处理。
附图说明
图1为根据本发明实施例大尺度时间序列遥感图像变化区域的检测方法的流程图;
图2为真实测试数据集;
图3为应用本发明实施例的检测方法对图2所示的真实测试数据集进行检测的结果。
具体实施方式
本发明通过将大尺度高分辨率时间序列遥感图像变化区域检测问题转化为图像区域时间序列变化信息标注问题,实现了大尺度时间序列图像中变化区域的快速定位,降低大尺度遥感图像变化检测的难度,增强大尺度时间序列图像判读解译的实用性。
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。
在本发明的一个示例性实施例中,提供了大尺度时间序列遥感图像变化区域的检测方法。图1为根据本发明实施例大尺度时间序列遥感图像变化区域的检测方法的流程图。如图1所示,本实施例包括以下步骤:
步骤A,图像配准预处理:将大尺度时间序列遥感图像,即在同一区域不同时间获取的n幅大尺度遥感图像,进行配准处理,得到配准后的n幅大尺度遥感图像{X1,X2,...,Xn};
其中,大尺度时间序列遥感图像优选高分辨率光学遥感图像,其时间序列至少包括5个以上时相,每个时相上图像的大小不小于1000*1000像素,图像至少包含RGB三个波段。此外,此处的大尺度是指单幅图像大小不小于1000*1000像素,高分辨率是指图像空间分辨率在2.0米~0.5米/像素范围内。
步骤B,时间序列图像区域划分:将经配准处理后的在同一区域不同时间获取的n幅大尺度遥感图像{X1,X2,...,Xn}按照时间序列(t1,t2,…,tn)排列,按照预设大小的窗口将每个时相上的图像均匀分割成不重叠的k个图像区域将同一位置上的图像区域按照时间序列排列 其中,i=1、2、……,n;j=1、2、……、k;
本步骤中,窗口的大小依据感兴趣变化目标的大小确定,一般情况下,取最小感兴趣目标面积大小的二倍以上,本发明中取50*50像素。k由图像自身大小和窗口大小确定,当窗口大小和图像大小确定时,k为常数。
步骤C,时间序列图像的多示例框架构建:以每个时间序列图像区域为多示例学习中词袋,以词袋中连续两个时间点上的图像区域为多示例学习中的示例,通过“图像区域-示例,图像序列-词袋”的映射,在大尺度时间序列遥感图像上完成多示例学习框架的构造;
其步骤为:将步骤B产生的同一位置上的按时间序列排列的图像区域视为多示例学习框架中的一个词袋;将词袋中连续两个时间点(ti,ti+1)上的图像区域视为多示例学习框架中的一个示例;如果一个词袋中所有的示例均为不变化的区域,则该词袋标记为不变化词袋,反之,如果词袋中有一个示例为变化的区域,则该词袋标记为变化词袋。
步骤D,以图像区域为单位对每个图像区域提取颜色特征、纹理特征,SIFT特征以及熵特征,以每个区域为单位构造特征向量;对词袋中的每个示例计算特征向量;
该步骤又可以分为以下步骤:
分步骤D1,颜色特征主要是提取CIELab颜色特征,其步骤为:对原始输入图像进行平滑滤波,图像中的每个像素p(m,n),以坐标(m,n)为中心,取3*3大小的图像区域,计算图像区域中像素的光谱均值作为当前像素p(m,n)的滤波后光谱值,得到滤波处理后的两时相遥感图像;将图像RGB颜色空间投影CIELab颜色空间,得到图像中每个像素在CIELab颜色空间中的颜色特征值;以前一步获取的过分割图像为基础,每个过分割区域中所有像素的Lab颜色特征的均值作为该区域的CIELab特征,得到每个区域的3维CIELab颜色特征;其中,RGB颜色空间到CIELab颜色空间的转换计算公式为:
其中,X、Y、Z仅为计算中间值,没有具体的物理含义。R、G和B分别为相应像素的RGB颜色体系的R/G/B分量值。L、a和b分别为转换后的相应像素的CIELab颜色体系的L、a和b各分量的值。
f(·)为转换函数,无具体物理含义,以t为变量的f(t)函数的定义如下:
分步骤D2,纹理特征主要是提取Gabor纹理特征,其步骤为:将原始输入遥感图像转化为灰度图像,转化方法为直接将图像R、G、B三个通道上每个像素的光谱值相加求均值,作为灰度图像的光谱值;构造Gabor滤波器如下:
其中,λ为波长,θ为Gabor滤波器的条带方向,为Gabor滤波器的相位参数,γ为长宽比,控制Gabor滤波器的椭球率。Gabor能量函数定义如下形式:
其中,和分别为gλ,θ,0(x,y)和与灰度图像卷积的结果;本实施例中设定Gabor滤波器的尺度参数λ分别取[12345],方向参数θ分别取[0 π/4(2*π)/4(3*π)/4(4*π)/4(5*π)/4(6*π)/4(7*π)/4](π≈3.1415926),可以构造40中Gabor滤波器,使用每个滤波器对灰度图像滤波,即将每个Gabor滤波器与灰度图像进行卷积;以图像过分割区域为单位,区域中所有像素的Gabor纹理特征的均值作为该区域的Gabor特征,得到每个区域的40维Gabor纹理特征;
分步骤D3,SIFT特征(D.Lowe,“Distinctive image features from scaleinvariant keypoints,”Int.J.Computer Vision,vol.60,no.2,pp.91-110,Dec.2004.)提取步骤为:
首先,对图像进行归一化预处理,再将图像放大两倍并预滤波剔除噪声。定义图像的尺度空间为L(m,n,σ),它是由可变尺度高斯G(m,n,σ)和输入图像I(m,n)卷积得到:
式中,为m和n的卷积算子,σ为尺度因子,(m,n)为图像坐标;
其次,在图像二维平面空间和高斯差分(DOG,Difference ofGaussian)尺度空间中同时检测局部极值以作为特征点,DOG算子如下:
D(m,n,σ)=L(m,n,kσ)-L(m,n,σ) (6)
式中,k为常数因子;
再次,得到精确特征点后,去除其中对比度低和稳定性差的边缘特征点;
最后,当检测完图像的特征点后,这时每个特征点包含了三个信息:位置、所在尺度、方向。SIFT特征是在此关键点及其邻近的4×4的小块中,计算8个方向的梯度直方图,得到一个128维的向量。此时SIFT特征向量已经去除了尺度变化、旋转等几何变形因素的影响,再继续将特征向量的长度归一化,则可以进一步去除光照变化的影响。
对全部用来测试的图像提取了SIFT特征。
分步骤D4,熵特征提取步骤为:将原始输入遥感图像转化为灰度图像,转化方法为直接将图像R、G、B三个通道上每个像素的光谱值相加求均值,作为灰度图像的光谱值;以过分割图像中每个区域为单位,计算图像区域的熵,得到每个区域的1维熵特征。熵特征的计算公式如下:
其中,pi表示图像区域中灰度值为i的像素个数占整个图像区域中像素个数的比例。
分步骤D5,计算每个图像区域内像素各特征均值作为该待处理图像区域的特征;
分步骤D6,分别对分步骤D1~分步骤D5中获取的每个图像区域的颜色特征、纹理特征、SIFT特征和熵特征进行归一化处理,将归一化之后的颜色特征、纹理特征、SIFT特征和熵特征合并为一个特征向量,作为该图像区域的特征向量。其中,归一化处理公式表示如下:
f′=(f-min(min(f)))/(max(max(f))-min(min(f))) (8)
其中,f分别为上述的CIELab颜色特征、Gabor纹理特征、SIFT特征、熵特征,f′为归一化处理后的特征向量。
分步骤D7,按照步骤C中示例构建方法,对每个示例计算特征向量。
对于每个示例,利用分步骤D6中获取的归一化特征向量,计算每个示例的特征向量如下:
其中,和分别为时间点ti和ti+1上图像区域的经公式(8)归一化处理后的特征向量。
步骤E,利用训练样本对多示例学习框架中的分类器进行训练,得到最佳分类器参数设置;利用已训练的多示例分类器,对测试集进行测试,给出k个词袋的标记,从而将时间序列上发生过变化的图像区域标记出来,并以概率形式给出每个区域发生变化的百分比,以供后续变化分析使用
该步骤又可以分为以下步骤:
分步骤E1,训练样本数据集准备:其中,Xi *为某一大尺度高分辨率遥感图像序列{X1 *,X2 *,...,Xl *}按照时间序列(t1,t2,…,tl)排列,按照步骤B和步骤C将Xi *构造为词袋和示例;按照步骤D计算每个示例的特征向量Yi *为训练样本Xi *中对应每个词袋的类别概率标记,指示训练样本Xi *中每个区域属于变化类或者属于不变化类的概率;如果一个词袋中所有的示例均为不变化的区域,则该词袋标记为不变化词袋Yi *=-1,反之,如果词袋中有一个示例为变化的区域,则该词袋标记为变化词袋Yi *=+1;
分步骤E2,分类器训练:本发明中采用支持向量机(Support Vector Machine,SVM)分类器,分类器使用高斯径向基核函数(Gaussian Radial Basis Function,RBF),表达式如下:
其中,θ0为高斯径向基核函数的幅值控制参数,σ为高斯径向基核函数的尺度控制参数;分别表示步骤D中获取的第i个示例和第j个示例的特征向量集合,θ0和σ即为需要训练设置的两个高斯核参数;利用给定的训练样本集对应的特征向量集合和标记集合Yi *,对支持向量机分类器进行训练,得到最佳的分类器参数设置;
分步骤E3,利用步骤E2训练所得的支持向量机分类器,对待测试数据Xi={X1,X2,...,Xn}由步骤D所获取的特征向量组成的测试特征集finstance进行分类,得到每个词袋的标注类别概率Yi。
以下进一步说明本发明的应用实例:实例给出了一组QuickBird遥感图像序列。图2所示,给出了时间序列数据样本集合。该图像序列包含8幅图像,每幅图像的大小为16476*16386像素,图像序列的时间跨度为2002年至2013。将本实施例的检测方法应用于真实数据集上的部分测试应用实例如图3所示。
需要说明的是,上述对各元件的定义并不仅限于实施方式中提到的各种具体结构或形状,本领域的普通技术人员可对其进行简单地熟知地替换,例如:
(1)步骤C中图像区域均匀分割的窗口大小的选择可以根据应用目的进行经验选取;
(2)步骤D中特征提取方法可以使用其他类型图像特征描述方法,对图像进行特征提取;
(3)步骤E中分类器的选取可以使用其他分类器,例如Boosting分类器、高斯过程分类器、KNN分类器等,这些分类器均为本领域内公知的方法,此处不再详细描述。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种大尺度时间序列遥感图像变化区域的检测方法,其特征在于,包括:
步骤A,将大尺度时间序列遥感图像,即在同一区域不同时间获取的n幅大尺度遥感图像,进行配准处理,得到配准后的n幅大尺度遥感图像{X1,X2,…,Xn};
步骤B,将经配准处理后的在同一区域不同时间获取的n幅大尺度遥感图像{X1,X2,…,Xn}按照时间序列(t1,t2,…,tn)排列,按照预设大小的窗口将每个时相上的图像均匀分割成不重叠的k个图像区域 将同一位置上的图像区域按照时间序列排列其中,i=1、2、……,n;j=1、2、……、k;
步骤C,以每个时间序列图像区域为多示例学习中词袋,以词袋中连续两个时间点上的图像区域为多示例学习中的示例,通过“图像区域-示例,图像序列-词袋”的映射,在大尺度时间序列遥感图像上完成多示例学习框架的构造;
步骤D,以图像区域为单位对每个图像区域提取颜色特征、纹理特征,SIFT特征以及熵特征,以每个图像区域为单位构造特征向量;对词袋中的每个示例计算特征向量;以及
步骤E,利用训练样本对多示例学习框架中的分类器进行训练,得到最佳分类器参数设置;利用已训练的多示例分类器,对测试集进行测试,给出k个词袋的标记,从而将时间序列上发生过变化的图像区域标记出来,并以概率形式给出每个区域发生变化的百分比;
其中,所述步骤C包括:将步骤B产生的同一位置上的按时间序列排列的图像区域视为多示例学习框架中的一个词袋;将词袋中连续两个时间点(ti,ti+1)上的图像区域视为多示例学习框架中的一个示例;如果一个词袋中所有的示例均为不变化的区域,则该词袋标记为不变化词袋,反之,如果词袋中有一个示例为变化的区域,则该词袋标记为变化词袋。
2.根据权利要求1所述的检测方法,其特征在于,所述步骤D中对每个图像区域为单位构造特征向量包括:
分步骤D1,提取该图像区域的CIELab颜色特征;
分步骤D2,提取该图像区域的Gabor纹理特征;
分步骤D3,提取该图像区域的SIFT特征;
分步骤D4,提取该图像区域的熵特征;
分步骤D5,计算每个图像区域内像素各特征均值作为该待处理图像区域的特征;
分步骤D6,对该图像区域的颜色特征、纹理特征、SIFT特征和熵特征进行归一化处理,将归一化之后的颜色特征、纹理特征、SIFT特征和熵特征合并为一个特征向量,作为该图像区域的特征向量;以及
分步骤D7,对词袋中的每个示例计算特征向量。
3.根据权利要求2所述的检测方法,其特征在于,所述分步骤D3中提取图像区域的SIFT特征包括;
首先,对图像进行归一化预处理,再将图像放大两倍并预滤波剔除噪声,定义图像的尺度空间为L(m,n,σ),它是由可变尺度高斯G(m,n,σ)和输入图像I(m,n)卷积得到:
式中,为m和n的卷积算子,σ为尺度因子,(m,n)为图像坐标;
其次,在图像二维平面空间和高斯差分DOG尺度空间中同时检测局部极值以作为特征点,DOG算子如下:
D(m,n,σ)=L(m,n,kσ)-L(m,n,σ) (6)
式中,k为常数因子;
再次,得到精确特征点后,去除其中对比度低和稳定性差的边缘特征点;
最后,当检测完图像的特征点后,这时每个特征点包含了三个信息:位置、所在尺度、方向,SIFT特征是在此关键点及其邻近的4×4的小块中,计算8个方向的梯度直方图,得到一个128维的向量,再继续将特征向量的长度归一化,则可以进一步去除光照变化的影响。
4.根据权利要求2所述的检测方法,其特征在于,所述分步骤D4中提取图像区域的熵特征包括:将原始输入遥感图像转化为灰度图像,转化方法为直接将图像R、G、B三个通道上每个像素的光谱值相加求均值,作为灰度图像的光谱值;以过分割图像中每个区域为单位,计算图像区域的熵,得到每个区域的1维熵特征,熵特征的计算公式如下:
其中,pi表示图像区域中灰度值为i的像素个数占整个图像区域中像素个数的比例。
5.根据权利要求2所述的检测方法,其特征在于,所述分步骤D6中,归一化处理公式表示如下:
f'=(f-min(min(f)))/(max(max(f))-min(min(f))) (8)
其中,f分别为上述的CIELab颜色特征、Gabor纹理特征、SIFT特征、熵特征,f'为归一化处理后的特征向量。
6.根据权利要求5所述的检测方法,其特征在于,所述分步骤D7包括:对于每个示例,利用获取的归一化特征向量,计算每个示例的特征向量如下:
其中,和分别为时间点ti和ti+1上图像区域归一化处理后的特征向量。
7.根据权利要求1所述的检测方法,其特征在于,所述步骤E包括:
分步骤E1,训练样本数据集准备:其中,Xi *为某一大尺度高分辨率遥感图像序列{X1 *,X2 *,…,Xl *}按照时间序列(t1,t2,…,tl)排列,按照步骤B和步骤C将Xi *构造为词袋和示例;按照步骤D计算每个示例的特征向量Yi *为训练样本Xi *中对应每个词袋的类别概率标记,指示训练样本Xi *中每个区域属于变化类或者属于不变化类的概率;如果一个词袋中所有的示例均为不变化的区域,则该词袋标记为不变化词袋Yi *=-1,反之,如果词袋中有一个示例为变化的区域,则该词袋标记为变化词袋Yi *=+1;
分步骤E2,分类器训练:采用支持向量机分类器,分类器使用高斯径向基核函数,表达式如下:
其中,θ0为高斯径向基核函数的幅值控制参数,σ为高斯径向基核函数的尺度控制参数;分别表示步骤D中获取的第i个示例和第j个示例的特征向量集合,θ0和σ即为需要训练设置的两个高斯核参数;利用给定的训练样本集对应的特征向量集合和标记集合Yi *,对支持向量机分类器进行训练,得到最佳的分类器参数设置;
分步骤E3,利用分步骤E2训练所得的支持向量机分类器,对待测试数据Xi={X1,X2,…,Xn}由步骤D所获取的特征向量组成的测试特征集finstance进行分类,得到每个词袋的标注类别概率Yi。
8.根据权利要求1至7中任一项所述的检测方法,其特征在于,所述步骤A中大尺度时间序列遥感图像的时间序列至少包括5个以上时相,每个时相上图像的大小不小于1000*1000像素,图像至少包含RGB三个波段。
9.根据权利要求1至7中任一项所述的检测方法,其特征在于,所述步骤B中窗口的大小取最小感兴趣目标面积大小的二倍以上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510940348.3A CN105513079B (zh) | 2015-12-16 | 2015-12-16 | 大尺度时间序列遥感图像变化区域的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510940348.3A CN105513079B (zh) | 2015-12-16 | 2015-12-16 | 大尺度时间序列遥感图像变化区域的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105513079A CN105513079A (zh) | 2016-04-20 |
CN105513079B true CN105513079B (zh) | 2018-07-10 |
Family
ID=55721036
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510940348.3A Active CN105513079B (zh) | 2015-12-16 | 2015-12-16 | 大尺度时间序列遥感图像变化区域的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105513079B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107092935A (zh) * | 2017-04-26 | 2017-08-25 | 国家电网公司 | 一种资产变更检测方法 |
CN108776772B (zh) * | 2018-05-02 | 2022-02-08 | 北京佳格天地科技有限公司 | 一种跨时间建筑物变化检测建模方法以及检测装置、方法及存储介质 |
CN110188682B (zh) * | 2019-05-30 | 2021-01-19 | 西安电子科技大学 | 基于几何结构双路卷积网络的光学遥感图像目标检测方法 |
CN112270236B (zh) * | 2020-10-21 | 2022-07-19 | 长春工程学院 | 基于渐变尺度间隔变化规律算子的遥感影像植被分类方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150718A (zh) * | 2011-12-06 | 2013-06-12 | 中国科学院电子学研究所 | 基于变化矢量分析与分类后比较的遥感图像变化检测方法 |
CN103198333A (zh) * | 2013-04-15 | 2013-07-10 | 中国科学院电子学研究所 | 一种高分辨率遥感图像自动语义标记方法 |
CN103426158A (zh) * | 2012-05-17 | 2013-12-04 | 中国科学院电子学研究所 | 两时相遥感图像变化检测的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5374135B2 (ja) * | 2008-12-16 | 2013-12-25 | オリンパス株式会社 | 画像処理装置、画像処理装置の作動方法および画像処理プログラム |
-
2015
- 2015-12-16 CN CN201510940348.3A patent/CN105513079B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150718A (zh) * | 2011-12-06 | 2013-06-12 | 中国科学院电子学研究所 | 基于变化矢量分析与分类后比较的遥感图像变化检测方法 |
CN103426158A (zh) * | 2012-05-17 | 2013-12-04 | 中国科学院电子学研究所 | 两时相遥感图像变化检测的方法 |
CN103198333A (zh) * | 2013-04-15 | 2013-07-10 | 中国科学院电子学研究所 | 一种高分辨率遥感图像自动语义标记方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105513079A (zh) | 2016-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Duan et al. | Fusion of multiple edge-preserving operations for hyperspectral image classification | |
Xiao et al. | Change detection of built-up land: A framework of combining pixel-based detection and object-based recognition | |
Zhang et al. | Global and local saliency analysis for the extraction of residential areas in high-spatial-resolution remote sensing image | |
Huang et al. | Morphological building/shadow index for building extraction from high-resolution imagery over urban areas | |
Huang et al. | A new building extraction postprocessing framework for high-spatial-resolution remote-sensing imagery | |
Sirmacek et al. | Urban-area and building detection using SIFT keypoints and graph theory | |
Zhang et al. | Hybrid region merging method for segmentation of high-resolution remote sensing images | |
KR101995294B1 (ko) | 영상 분석 장치 및 방법 | |
Wang et al. | Airport detection in remote sensing images: A method based on saliency map | |
CN105513079B (zh) | 大尺度时间序列遥感图像变化区域的检测方法 | |
Zhang et al. | Region of interest extraction in remote sensing images by saliency analysis with the normal directional lifting wavelet transform | |
Huang et al. | Local binary patterns and superpixel-based multiple kernels for hyperspectral image classification | |
Bazi et al. | An automatic approach for palm tree counting in UAV images | |
Huang et al. | Remote sensing image segmentation based on dynamic statistical region merging | |
Herrault et al. | Automatic extraction of forests from historical maps based on unsupervised classification in the CIELab color space | |
CN110070545B (zh) | 一种城镇纹理特征密度自动提取城镇建成区的方法 | |
Cao et al. | Salient target detection in hyperspectral images using spectral saliency | |
CN108492288B (zh) | 基于随机森林的多尺度分层采样的高分卫星影像变化检测方法 | |
Liu et al. | Object-oriented detection of building shadow in TripleSat-2 remote sensing imagery | |
Hasanlou et al. | A sub-pixel multiple change detection approach for hyperspectral imagery | |
CN104820992B (zh) | 一种基于超图模型的遥感图像语义相似性度量方法及装置 | |
Misra et al. | SPRINT: Spectra Preserving Radiance Image Fusion Technique using holistic deep edge spatial attention and Minnaert guided Bayesian probabilistic model | |
Kokila et al. | Hybrid Behrens-Fisher-and gray contrast–based feature point selection for building detection from satellite images | |
CN109785318B (zh) | 基于面线基元关联约束的遥感图像变化检测方法 | |
Wang et al. | Constructing hierarchical segmentation tree for feature extraction and land cover classification of high resolution MS imagery |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20180403 Address after: 100190 Beijing City, North Fourth Ring Road West, No. 19, No. Applicant after: Institute of Electronics, Chinese Academy of Sciences Applicant after: Chinese Academy of Sciences Holdings Limited Address before: 100190 Beijing City, North Fourth Ring Road West, No. 19, No. Applicant before: Institute of Electronics, Chinese Academy of Sciences |
|
GR01 | Patent grant | ||
GR01 | Patent grant |