CN105528619B - 基于小波变换和svm的sar遥感影像变化检测方法 - Google Patents
基于小波变换和svm的sar遥感影像变化检测方法 Download PDFInfo
- Publication number
- CN105528619B CN105528619B CN201510908269.4A CN201510908269A CN105528619B CN 105528619 B CN105528619 B CN 105528619B CN 201510908269 A CN201510908269 A CN 201510908269A CN 105528619 B CN105528619 B CN 105528619B
- Authority
- CN
- China
- Prior art keywords
- frequency coefficient
- image
- remote sensing
- formula
- follows
- 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.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Abstract
本发明公开了一种基于小波变换和SVM的SAR遥感影像变化检测方法,其特征是,首先对两个时相遥感影像作对数比值图和均值比值图,然后采用平稳小波变换对对数比值图和均值比值图进行融合构造差异影像,最后通过渐进直推式支持向量机对差异影像进行二分类(变化类和非变化类),获取最终的变化检测结果。本方法可以用来解决多时相SAR遥感影像变化检测精度不高和抗噪性差的问题,有效抑制了SAR遥感图像中的相干斑噪声,解决了单一类型差异影像检测精度低、适用范围窄的问题。
Description
技术领域
本发明涉及一种基于小波变换和SVM的SAR遥感影像变化检测方法,属于多时相SAR遥感影像变化检测技术领域。
背景技术
遥感图像变化检测是指通过比较分析同一地理区域不同时相的遥感图像,获得该地区这段时间的地物变化信息。近几年,遥感图像变换检测技术已广泛应用于众多领域,如环境监测、农业研究,城镇变化调查、森林植被变化监测等。
合成孔径雷达(SAR)具有高分辨率、全天候、全天时的特点,可方便地获得同一地区不同时间的图像。但是SAR图像固有的相干斑噪声严重影响了图像质量及后期应用。本文采用基于小波变换的融合方法对差异图像进行处理,有效抑制了图像的背景噪声,使得图像更有利于后续变化检测。
遥感图像变化检测方法通常可以分成有监督的变化检测和无监督的变化检测两大类。有监督的变化检测方法需要获取大量真实的地物信息,通过大量已标记的样本去识别其他未标记的样本。由于实际操作中,有标记的样本数量有限且获取困难,因此有监督方法的实际操作很难实现。无监督的变化检测不需要额外的地物信息,直接通过两幅原始图像进行比较,得到最终的遥感图像变化检测结果。无监督方法成熟,简单易操作,但是检测效果不理想。在实际应用中,存在大量未标记的数据,如何有效利用这些未标记的数据的信息来提高变化检测精度,一直是人们研究的热点。
发明内容
为解决现有技术的不足,本发明的目的在于提供一种基于小波变换和支持向量机的两时相的SAR遥感影像变化检测方法,通过使用的渐进直推式支持向量机这种半监督的方法,不需要大量已知的地物信息,可操作性强,同时充分利用了大量未标记的样本数据,提高了变化检测精度。
为了实现上述目标,本发明采用如下的技术方案:
一种基于小波变换和SVM的SAR遥感影像变化检测方法,其特征是,包括如下步骤:
1)输入同一区域、不同时相的两幅SAR遥感影像,分别记为:I1和I2;
2)利用ENVI对I1和I2进行几何校正;
3)对I1和I2分别提取对数比值图X1和均值比值图X2;
4)对步骤3)得到的对数比值图X1和均值比值图X2进行小波变换,融合两幅影像的低频系数和高频系数,反变换得到差异图像Xd;
5)依据已知的参考图像,随机选择60个已标记的样本点组成初始训练集;
6)以初始训练集为输入数据,利用PTSVM算法对训练集进行训练,得到一个分类超平面;
7)利用步骤6)得到的分类超平面对步骤4)得到的差异影像Xd进行二分类,确定影像的变化区域和非变化区域。
前述的基于小波变换和SVM的SAR遥感影像变化检测方法,其特征是,所述步骤2)中几何校正的具体步骤如下:
26)显示基准影像和待校正影像;
27)启动几何校正模块;
28)采集地面控制点GCPs;
29)选择校正参数输出结果;
30)检验校正结果。
前述的基于小波变换和SVM的SAR遥感影像变化检测方法,其特征是,所述步骤3)
中用式(1)、(2)计算对数比值图X1和均值比值图X2:
式中,μ1(i,j)和μ2(i,j)分别表示待检测图像I1和I2中以坐标(i,j)为中心的3×3邻域窗口
内所有像素灰度值的平均值。
前述的基于小波变换和SVM的SAR遥感影像变化检测方法,其特征是,所述步骤4)中的具体步骤如下:
41)分别对步骤3)得到的对数比值图X1和均值比值图X2进行归一化处理:
式中,表示X1归一化之后的图像,表示X2归一化
之后的图像,X1max表示X1中所有像素点的最大值,X2max表示X2中所有像素点的最大值;
42)对和分别进行3层平稳小波变换,得到每幅图像的各层低频系数和高频系数;其中高频系数包括水平分量、垂直分量和对角分量,低频系数包含源图像的近似特性;
43)低频系数的融合规则为:CA=CA1/2+CA2/2(5),式中,CA是融合后的低频系数,CA1是对数比值图第三层的低频系数,CA2是均值比值图第三层的低频系数;
44)高频系数的融合规则为:式
中,CH3(i,j)表示融合后的第三层的水平方向高频系数,CH31(i,j)表示对数比值图第三
层的水平方向高频系数,CH32(i,j)表示均值比值图第三层的水平方向高频系数,E1(i,j)
表示以CH31(i,j)为中心的3×3窗口内的局部能量,E2(i,j)表
示以CH32(i,j)为中心的3×3窗口内的局部能量,Ni,j表示以坐
标(i,j)为中心的3×3窗口内分所有点的集合;
45)对融合后的低频和高频系数进行平稳小波逆变换,重构得到差异影像Xd。
前述的基于小波变换和SVM的SAR遥感影像变化检测方法,其特征是,所述步骤6)具体步骤如下:
61)初始化惩罚因子C和C*,初始化当前迭代次数i和迭代总次数G,使用基于归纳式学习的SVM对初始训练集进行训练,得到一个初始模型;
62)根据初始模型,求出候选集ψ中的样本个数A,计算公式如下:
式中,分别为初始模型正负边界支持向量数;
63)根据模型求出未标记样本数据到分界面的距离,并分别选择A个最接近分界面的样本加入到候选集ψ±中;
64)计算候选集ψ±中样本点的阈值,计算公式如下:
65)更新训练集和未标记的样本集,当样本点到超平面的距离大于阈值时,将样本点加入到混合训练集,并将数据从候选集中去除;
66)更新惩罚因子,计算公式如下:式中,i表示第i次迭代,C*(0)为C*的初始值;
67)根据新的训练集和惩罚因子重新训练,得到一个新的模型并更新当前迭代次数i=i+1;
68)重复步骤3)到7),直到当前迭代次数i大于G。
本发明所达到的有益效果:采用基于小波变换的融合方法构造差异影像,有效抑制了SAR遥感图像中的相干斑噪声,解决了单一类型差异影像检测精度低、适用范围窄的问题,提高了变换检测方法的抗噪性;采用半监督的PTSVM方法确定差异影像的变化区域和非变化区域,适用于已标记样本数量很少的情况,充分利用了大量未标记的样本,进一步提高了变化检测方法的检测精度。
附图说明
图1是本发明的实现流程示意图。
图2是拍摄时间为1997年5月的加拿大渥太华地区受雨季影响其地表SAR遥感图像;
图3是拍摄时间为1997年8月的加拿大渥太华地区受雨季影响其地表SAR遥感图像;
图4是加拿大渥太华地区的地物变化参考图;
图5是采用插值法对两幅不同时相的SAR遥感影像进行变化检测得到的变化检测结果图;
图6是采用对数比值法对两幅不同时相的SAR遥感影像进行变化检测得到的变化检测结果图;
图7是采用均值比值法对两幅不同时相的SAR遥感影像进行变化检测得到的变化检测结果图;
图8是采用融合-EM法对两幅不同时相的SAR遥感影像进行变化检测得到的变化检测结果图;
图9是采用本发明对两幅不同时相的SAR遥感影像进行变化检测得到的变化检测结果图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
参照图1,本发明的实现步骤如下:
步骤1)输入同一区域、不同时相的两幅SAR遥感影像,分别记为:I1和I2。
步骤2)利用ENVI遥感软件对I1和I2进行几何校正,具体步骤如下:
21)显示基准影像和待校正影像。
22)启动几何校正模块。
23)采集地面控制点GCPs。
24)选择校正参数输出结果。
25)检验校正结果。
步骤3)对几何校正之后的I1和I2,用式(1)、(2)计算对数比值图X1和均值比值图式中,μ1(i,j)和μ2(i,j)分别表示待
检测图像I1和I2中以坐标(i,j)为中心的3×3邻域窗口内所有像素灰度值的平均值。
步骤4)对步骤3)得到的对数比值图X1和均值比值图X2进行小波变换,融合两幅影像的低频系数和高频系数,反变换得到差异图像Xd,具体步骤如下:
41)分别对数比值图X1和均值比值图X2进行归一化处理:式中,表示X1归一化之后的图像,表示X2归一化之后的图
像,X1max表示X1中所有像素点的最大值,X2max表示X2中所有像素点的最大值;
42)对和分别进行3层平稳小波变换,得到每幅图像的各层低频系数和高频系数;其中高频系数包括水平分量、垂直分量和对角分量。其中低频系数包含了源图像的近似特性,大体反映图像轮廓;高频系数体现了图像的细节信息,如边缘、线条以及区域的边界等,这也是人眼最敏感的部分。同一场景的不同传感器得到的图像,其低频系数大小差不多,但高频系数却存在显著差异。因此基于小波变换的图像融合算法的研究重点多集中在高频步骤部分。
43)低频系数的融合规则为:CA=CA1/2+CA2/2(5),式中,CA是融合后的低频系数,CA1是对数比值图第三层的低频系数,CA2是均值比值图第三层的低频系数;
44)高频系数的融合规则为:式
中,CH3(i,j)表示融合后的第三层的水平方向高频系数,CH31(i,j)表示对数比值图第三
层的水平方向高频系数,CH32(i,j)表示均值比值图第三层的水平方向高频系数,E1(i,
j)表示以CH31(i,j)为中心的3×3窗口内的局部能量,E2(i,j)
表示以CH32(i,j)为中心的3×3窗口内的局部能量,Ni,j表示以
坐标(i,j)为中心的3×3窗口内分所有点的集合;采用这种局部能量取小的融合规则可以
抑制背景杂波,提高算法的鲁棒性。
45)对融合后的低频和高频系数进行平稳小波逆变换,重构得到差异影像Xd。
步骤5)依据已知的参考图像,随机选择60个已标记的样本点组成初始训练集。
步骤6)以初始训练集为输入数据,利用PTSVM算法对训练集进行训练,得到一个分类超平面,具体步骤如下:
61)初始化惩罚因子C和C*,初始化当前迭代次数i和迭代总次数G,使用归纳式支持向量机对初始训练集进行训练,得到一个初始模型;
62)根据初始模型,求出候选集ψ中的样本个数A,计算公式如下:
式中,分别为初始模型正负边界支持向量数;
63)根据模型求出未标记样本数据到超平面的距离,并分别选择A个最接近超平面的样本加入到候选集ψ±中;
64)计算候选集ψ±中样本点的阈值,计算公式如下:
65)更新训练集和未标记的样本集,当样本点到超平面的距离大于阈值时,将样本点加入到混合训练集,并将数据从候选集中去除;
66)更新惩罚因子,计算公式如下:式中,i表示第i次迭代,C*(0)为C*的初始值;
67)根据新的训练集和惩罚因子重新训练,得到一个新的模型并更新当前迭代次数i=i+1;
68)重复步骤3)到7),直到当前迭代次数i大于G。
步骤7)利用步骤6)得到的分类超平面对步骤4)得到的差异影像Xd进行二分类,确定影像的变化区域和非变化区域,得到最终的变化检测结果。
本发明的效果可通过以下实验结果与分析进一步说明:
本发明的实验数据是由RADARSAT卫星拍摄的合成孔径雷达图像,反映的是加拿大渥太华(Ottawa)地区受雨季影响其地表变化情况,拍摄时间分别为1997年5月和1997年8月,分别为图2和图3。
从图2和图3可以看出,该组图像数据主要由陆地和水域构成,变化信息主要来自于由洪水引起的地表变化。
图4为地物变化参考图,图中的白色像素表示两时相间发生变化的区域。
针对图2-4这三幅图采用以下方法对数据集进行变化检测:
(1)采用差值法构造差异影像,并用PTSVM方法进行检测,记为“差值法”。
(2)采用对数比值法构造差异影像,并用PTSVM方法进行检测,记为“对数比值法”。
(3)采用均值比值法构造差异影像,并用PTSVM方法进行检测,记为“均值比值法”。
(4)采用本发明提出的方法构造差异影像,并用EM方法[意大利的Bruzzone L.等在文章“Automatic analysis of difference image for unsupervised changedetection”(IEEE Transactions on Geoscience and Remote Sensing,2000,38(3):1171-1182.)中所提的检测方法]进行检测,记为“融合-EM法”。
(5)本发明方法。
根据图5-9中的五幅对应效果图,检测性能用错检数FP、漏检数FN、总错误数OE和Kappa系数四个指标来衡量。FP、FN和OE越接近于0、Kappa系数越接近于1,表明变化检测方法的性能越好。检测结果如表1所示。
表1 Ottawa地区各算法变化检测结果比较
由表1可见,本发明所提的检测方法性能优于其他四种检测方法,这表明本发明所提的变化检测方法是有效的。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (3)
1.一种基于小波变换和SVM的SAR遥感影像变化检测方法,其特征是,包括如下步骤:
1)输入同一区域、不同时相的两幅SAR遥感影像,分别记为:I1和I2;
2)利用ENVI对I1和I2进行几何校正;
3)对I1和I2分别提取对数比值图X1和均值比值图X2;
4)具体步骤如下:
41)分别对步骤3)得到的对数比值图X1和均值比值图X2进行归一化处理:
式中,表示X1归一化之后的图像,表示X2归一化之后的图像,X1max表示X1中所有像素点的最大值,X2max表示X2中所有像素点的最大值;
42)对和分别进行3层平稳小波变换,得到每幅图像的各层低频系数和高频系数;其中高频系数包括水平分量、垂直分量和对角分量,低频系数包含源图像的近似特性;
43)低频系数的融合规则为:CA=CA1/2+CA2/2(5),式中,CA是融合后的低频系数,CA1是对数比值图第三层的低频系数,CA2是均值比值图第三层的低频系数;
44)高频系数的融合规则为:式中,CH3(i,j)表示融合后的第三层的水平方向高频系数,CH31(i,j)表示对数比值图第三层的水平方向高频系数,CH32(i,j)表示均值比值图第三层的水平方向高频系数,E1(i,j)表示以CH31(i,j)为中心的3×3窗口内的局部能量,E2(i,j)表示以CH32(i,j)为中心的3×3窗口内的局部能量,Ni,j表示以坐标(i,j)为中心的3×3窗口内分所有点的集合;
45)对融合后的低频和高频系数进行平稳小波逆变换,重构得到差异影像Xd;
5)依据已知的参考图像,随机选择60个已标记的样本点组成初始训练集;
6)以初始训练集为输入数据,利用PTSVM算法对训练集进行训练,得到一个分类超平面,具体步骤如下:
61)初始化惩罚因子C和C*,初始化当前迭代次数i和迭代总次数G,使用基于归纳式学习的支持向量机SVM(Support Vector Machine)对初始训练集进行训练,得到一个初始模型;
62)根据初始模型,求出候选集ψ中的样本个数A,计算公式如下:
式中,分别为初始模型正负边界支持向量数;
63)根据模型求出未标记样本数据到分界面的距离,并分别选择A个最接近分界面的样本加入到候选集ψ±中;
64)计算候选集ψ±中样本点的阈值,计算公式如下:
65)更新训练集和未标记的样本集,当样本点到超平面的距离大于阈值时,将样本点加入到混合训练集,并将数据从候选集中去除;
66)更新惩罚因子,计算公式如下:式中,i表示第i次迭代,C*(0)为C*的初始值;
67)根据新的训练集和惩罚因子重新训练,得到一个新的模型并更新当前迭代次数i=i+1;
68)重复步骤3)到7),直到当前迭代次数i大于G;
7)利用步骤6)得到的分类超平面对步骤4)得到的差异影像Xd进行二分类,确定影像的变化区域和非变化区域。
2.根据权利要求1所述的基于小波变换和SVM的SAR遥感影像变化检测方法,其特征是,所述步骤2)中几何校正的具体步骤如下:
21)显示基准影像和待校正影像;
22)启动几何校正模块;
23)采集地面控制点GCPs;
24)选择校正参数输出结果;
25)检验校正结果。
3.根据权利要求1所述的基于小波变换和SVM的SAR遥感影像变化检测方法,其特征是,所述步骤3)中用式(1)、(2)计算对数比值图X1和均值比值图X2:式中,μ1(i,j)和μ2(i,j)分别表示待检测图像I1和I2中以坐标(i,j)为中心的3×3邻域窗口内所有像素灰度值的平均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510908269.4A CN105528619B (zh) | 2015-12-10 | 2015-12-10 | 基于小波变换和svm的sar遥感影像变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510908269.4A CN105528619B (zh) | 2015-12-10 | 2015-12-10 | 基于小波变换和svm的sar遥感影像变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105528619A CN105528619A (zh) | 2016-04-27 |
CN105528619B true CN105528619B (zh) | 2019-08-06 |
Family
ID=55770833
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510908269.4A Expired - Fee Related CN105528619B (zh) | 2015-12-10 | 2015-12-10 | 基于小波变换和svm的sar遥感影像变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105528619B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105975994B (zh) * | 2016-05-19 | 2019-05-21 | 西安电子科技大学 | 基于非相似性变换一类svm模型的sar目标鉴别方法 |
CN106203521B (zh) * | 2016-07-15 | 2019-03-26 | 西安电子科技大学 | 基于差异图自步学习的sar图像变化检测方法 |
CN106778916B (zh) * | 2017-01-18 | 2019-12-06 | 西北农林科技大学 | 一种基于H/α参数变化规律的多时相PolSAR农作物监督分类方法 |
CN107590788A (zh) * | 2017-09-12 | 2018-01-16 | 新疆大学 | 一种遥感图像处理方法 |
CN108230365B (zh) * | 2017-12-26 | 2021-06-15 | 西安理工大学 | 基于多源差异图像内容融合的sar图像变化检测方法 |
CN108898155A (zh) * | 2018-05-18 | 2018-11-27 | 浙江工业大学 | 一种小波阈值降噪结合卷积神经网络的sar图像目标识别方法 |
CN108846381B (zh) * | 2018-07-06 | 2022-03-18 | 西安电子科技大学 | 基于最大边缘度量学习的sar图像变化检测方法 |
CN109102503A (zh) * | 2018-08-13 | 2018-12-28 | 北京市遥感信息研究所 | 一种基于色彩空间平滑和改进频率调谐显著模型的高分图像变化检测方法 |
CN110031847B (zh) * | 2018-09-29 | 2022-08-23 | 浙江师范大学 | 小波变换和支持向量机结合雷达反射率的动态短临定量降水估测方法 |
CN110427997B (zh) * | 2019-07-25 | 2022-03-08 | 南京信息工程大学 | 面向复杂遥感影像背景的改进cva变化检测方法 |
CN111134667B (zh) * | 2020-01-19 | 2024-01-26 | 中国人民解放军战略支援部队信息工程大学 | 基于脑电信号的时间迁移情绪识别方法及系统 |
CN112269173B (zh) * | 2020-12-21 | 2021-03-09 | 中国电子科技集团公司第二十八研究所 | 一种多平台雷达一维图像信号进行融合的方法 |
CN115995048A (zh) * | 2023-03-23 | 2023-04-21 | 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) | 一种海草床固碳量的遥感测算方法、装置及设备 |
CN117036987B (zh) * | 2023-10-10 | 2023-12-08 | 武汉大学 | 一种基于小波域交叉配对的遥感影像时空融合方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218807A (zh) * | 2013-03-25 | 2013-07-24 | 河海大学 | 一种多光谱遥感影像变化检测方法 |
CN103456018A (zh) * | 2013-09-08 | 2013-12-18 | 西安电子科技大学 | 基于融合和pca核模糊聚类的遥感图像变化检测方法 |
CN103489194A (zh) * | 2013-09-30 | 2014-01-01 | 河海大学 | 基于安全半监督支持向量机的遥感影像变化检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IL191615A (en) * | 2007-10-23 | 2015-05-31 | Israel Aerospace Ind Ltd | A method and system for producing tie points for use in stereo adjustment of stereoscopic images and a method for identifying differences in the landscape taken between two time points |
-
2015
- 2015-12-10 CN CN201510908269.4A patent/CN105528619B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218807A (zh) * | 2013-03-25 | 2013-07-24 | 河海大学 | 一种多光谱遥感影像变化检测方法 |
CN103456018A (zh) * | 2013-09-08 | 2013-12-18 | 西安电子科技大学 | 基于融合和pca核模糊聚类的遥感图像变化检测方法 |
CN103489194A (zh) * | 2013-09-30 | 2014-01-01 | 河海大学 | 基于安全半监督支持向量机的遥感影像变化检测方法 |
Non-Patent Citations (2)
Title |
---|
"A novel multi-scale segmentation algorithm for high resolution remote sensing images based on wavelet transform and improved JSEG algorithm";Chao Wang et al.;《Optik 125 (2014)》;20141231;第5588-5595页 |
"基于支持向量机的渐进直推式分类学习算法";陈毅松 等;《软件学报》;20031231;第14卷(第3期);第451-460页 |
Also Published As
Publication number | Publication date |
---|---|
CN105528619A (zh) | 2016-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105528619B (zh) | 基于小波变换和svm的sar遥感影像变化检测方法 | |
CN109684925B (zh) | 一种基于深度图像的人脸活体检测方法及设备 | |
Zheng et al. | Unsupervised saliency-guided SAR image change detection | |
CN102214298B (zh) | 基于选择性视觉注意机制的遥感图像机场目标检测与识别方法 | |
CN106952288B (zh) | 基于卷积特征和全局搜索检测的长时遮挡鲁棒跟踪方法 | |
CN112395987B (zh) | 基于无监督域适应cnn的sar图像目标检测方法 | |
CN107230197B (zh) | 基于卫星云图和rvm的热带气旋客观定强方法 | |
CN106156758B (zh) | 一种sar海岸图像中海岸线提取方法 | |
Shaoqing et al. | The comparative study of three methods of remote sensing image change detection | |
Wang et al. | Airport detection in remote sensing images based on visual attention | |
CN103824302B (zh) | 基于方向波域图像融合的sar图像变化检测方法 | |
CN110263646A (zh) | 一种基于卷积神经网络的海面弱目标探测方法和系统 | |
CN102750705A (zh) | 基于图像融合的光学遥感图像变化检测 | |
CN103745453A (zh) | 基于Google Earth遥感影像的城镇信息提取方法 | |
CN105184804A (zh) | 基于机载红外相机航拍图像的海面小目标检测方法 | |
Wang et al. | YOLOv5_CSL_F: YOLOv5’s loss improvement and attention mechanism application for remote sensing image object detection | |
Xu et al. | The comparative study of three methods of remote sensing image change detection | |
Ma et al. | Image fast template matching algorithm based on projection and sequential similarity detecting | |
CN108230365A (zh) | 基于多源差异图像内容融合的sar图像变化检测方法 | |
Li et al. | Wafer crack detection based on yolov4 target detection method | |
CN108764016B (zh) | 基于旋转域特征与cnn的极化sar图像舰船检测方法 | |
Si-ming et al. | Moving shadow detection based on Susan algorithm | |
CN107122728B (zh) | 基于证据理论算法的sar图像中检测建筑物方法 | |
CN110874833B (zh) | 基于超图匹配的sar图像变化检测方法 | |
CN107945195B (zh) | 基于轮廓波集成dbn的极化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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190806 Termination date: 20211210 |