CN105957054B - 一种图像变化检测方法 - Google Patents
一种图像变化检测方法 Download PDFInfo
- Publication number
- CN105957054B CN105957054B CN201610245590.3A CN201610245590A CN105957054B CN 105957054 B CN105957054 B CN 105957054B CN 201610245590 A CN201610245590 A CN 201610245590A CN 105957054 B CN105957054 B CN 105957054B
- Authority
- CN
- China
- Prior art keywords
- notable
- entropy
- image
- follows
- initial difference
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- 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
本发明公开了一种图像变化检测方法,应用于同一地区不同时期的遥感图像变化区域检测问题,所述方法包括:通过对所述图像的对数比值差异图进行双边滤波得到初始差异图;通过对上述初始差异图进行频率调谐显著性区域检测得到显著图;通过对所述显著图进行局部熵计算得到加熵显著图;根据小波变换法融合初始差异图和加熵显著图得到融合图;通过最大类间方差法对融合图进行分割得到最终的变化检测结果图。本发明将显著性检测模型引入到变化检测问题中,对差异图和显著图进行融合,在保留图像细节的基础上最大程度地突出变化区域,利于进一步提取和分析。实验结果表明,本发明方法能够有效地降低误检率,提高了变化检测结果的精度。
Description
技术领域
本发明属于图像处理技术领域,尤其涉及一种图像变化检测方法。
背景技术
遥感图像变化检测技术是通过提取、分析和判别多时相遥感图像中的同一目标或区域,来获取其中的变化信息。遥感图像变化检测技术从人类获得多时相的航拍照片开始,就成为遥感研究的重要方向,从早期的人工目视解译、胶片重叠等方法,到计算机自动进行分析处理,变化检测技术取得了很大进步。随着各国高分辨率遥感卫星的次第发射以及对全球环境变化的关注,遥感图像变化检测技术的研究成为遥感技术研究的热点领域之一。
在利用计算机进行遥感图像变化检测之前,主要通过人工的方法对遥感图像进行观察、比较和分析、标注,尽管效率低,但能够保证检测结果的精度。随着计算机技术的发展,遥感图像自动变化检测的相关研究逐渐增多,提出了多种实现方法,但是相对于人工判别,计算机始终存在局限性,检测结果的精度收到限制。因此,研究高效可行的图像变化检测算法具有十分重要的理论和研究价值。
在计算机视觉和模式识别领域,视觉注意力模型的研究得到了很大的发展。使用计算机进行人类视觉注意力系统模拟的模型,能够将人眼所能观察到的感兴趣区域从一幅图像中提取出来,而对于变化检测问题,通常变化区域的面积小于非变化区域的面积,因此,变化区域能够被视觉注意力模型当作显著区域被进一步突出。近年来,已有学者从不同的角度对视觉注意力模型应用于图像变化检测进行了探讨,典型方法有以下两种:(1)基于ITTI模型的遥感图像变化检测方法,该方法通过模拟人眼视觉注意机制,来进行变化检测研究;(2)基于视觉注意和上下文的非监督变化检测方法,能够有效降低噪声对变化检测的影响。但是,以上两种方法都是直接对显著图进行分割得到检测结果,并且由于采用的ITTI视觉注意力模型要做下采样处理,故降低了分辨率,显著图中变化区域轮廓不明显,所以检测精度受到限制。
发明内容
有鉴于上述问题,本发明期望提供一种图像变化检测方法,以降低误检率,提高变化检测结果的精度。
本发明实施例的技术方案是这样实现的:
一种图像变化检测方法,应用于同一地区不同时期的遥感图像,其特征在于,包括以下步骤:
通过对所述遥感图像的对数比值差异图进行双边滤波得到初始差异图;
通过对所述初始差异图进行频率调谐显著性区域检测得到显著图;
通过对所述显著图进行局部熵计算得到加熵显著图;
根据小波变换法融合所述初始差异图和加熵显著图得到融合图;
通过最大类间方差法对所述融合图进行分割得到最终的变化检测结果图。
上述方案中,所述通过对数比值差异图进行双边滤波得到初始差异图的步骤,过程为:
对已配准的两幅遥感图像进行计算,得到对数比值差异图;
对所述对数比值差异图进行双边滤波,得到初始差异图。
上述方案中,所述对数比值差异图的计算公式为:
其中,X1和X2分别为已配准的两幅遥感图像,DL为所求得的对数比值差异图。
上述方案中,所述双边滤波的公式为:
其中,DL(x)为像素点x的对数比值差异图,DI(x)为像素点x的初始差异图;
其中,归一化系数k(x)计算公式为:
其中,基于空间距离的高斯权重c(ξ,x)的计算公式为:
其中,基于像素间相似性度的高斯权重s(DL(ξ),DL(x))的计算公式为:
其中,d(ξ,x)和δ(DL(ξ),DL(x))分别表示图像像素点之间的空间距离和灰度距离,σd和σr分别表示控制空间距离的参数和控制灰度距离的参数。
上述方案中,所述通过对所述初始差异图进行频率调谐显著性区域检测得到显著图的步骤,包括:
步骤1:使用高斯滤波器对所述初始差异图进行平滑处理;
步骤2:将平滑处理后的图像从RGB颜色空间转换到Lab颜色空间,以获得亮度特征和颜色特征;
步骤3:计算各亮度特征和颜色特征在整幅图像上的均值;
步骤4:在各亮度特征和颜色特征下,计算每个像素点与整幅图像均值之间的距离;
步骤5:融合所有亮度特征和颜色特征,得到每个像素点的最终显著性值,从而得到显著图。
上述方案中,所述通过对所述显著图进行局部熵计算得到加熵显著图,求取过程为:
确定局部窗口的范围,定义为M×N;
计算所述局部窗口M×N内的灰度分布,记为pij;
利用所述灰度分布pij计算图像中像素点(i,j)的局部熵,公式为:
得到全图局部熵,记为加熵显著图。
上述方案中,所述根据小波变换法融合所述初始差异图和加熵显著图得到融合图,方法如下:
选择Haar小波基对所述初始差异图和加熵显著图分别进行小波变换,分解层数为两层;
使用加权平均法对小波变换后的图像进行融合;
对融合后的图像进行反变换,得到最终融合图。
上述方案中,所述加权平均法的融合规则为:
低频系数公式为:Cj+1,F(m,n)=0.75×Cj+1,I(m,n)+0.25×Cj+1,s(m,n),其中,Cj+1,F(m,n),Cj+1,I(m,n)和Cj+1,S(m,n)分别表示融合图DF、初始差异图DI和加熵显著图DS在像素点(m,n)处的第j+1层的小波变换近似系数;
高频系数为加熵显著图经小波变换后的高频系数。
有益效果:本发明的方法基于显著性检测和小波融合,将基于频率调谐的显著性检测模型引入到变化检测问题中,该模型不用进行下采样的计算,输出的显著图和原始图像大小一致,同时,该方法将差异图与显著图进行融合,不仅保留了变化信息的细节,同时突出了变化区域,有利于下一步的提取。实验结果表明,本发明方法能够有效地降低误检率,提高了变化检测结果的精度。
附图说明
图1为本发明实施例提供的图像变化检测方法的流程图;
图2为具体实施方案中在Ottawa真实遥感图像数据集中五种方法变化检测结果对比图,(a)~(e)分别表示SOBO方法、LOGO方法、NOENO方法、ITTI方法和本发明方法。
为了能明确实现本发明的实施例的结构,在图中标注了特定的尺寸、结构和器件,但这仅为示意需要,并非意图将本发明限定在该特定尺寸、结构、器件和环境中,根据具体需要,本领域的普通技术人员可以将这些器件和环境进行调整或者修改,所进行的调整或者修改仍然包括在后附的权利要求的范围中。
具体实施方式
在以下的描述中,将描述本发明的多个不同的方面,然而,对于本领域内的普通技术人员而言,可以仅仅利用本发明的一些或者全部结构或者流程来实施本发明。为了解释的明确性而言,阐述了特定的数目、配置和顺序,但是很明显,在没有这些特定细节的情况下也可以实施本发明。在其他情况下,为了不混淆本发明,对于一些众所周知的特征将不再进行详细阐述。
一、发明方案
为了解决现有图像变化检测方法存在的技术问题,本发明实施例期望提供一种图像的变化检测方法,应用于同一地区不同时期的两幅遥感图像,如图1所示,所述方法包括以下步骤:
(1)通过对两幅遥感图像的对数比值差异图进行双边滤波得到初始差异图;
本步骤中,首先对已配准的两幅遥感图像进行计算,得到对数比值差异图;然后对上述对数比值差异图进行双边滤波,在有效去除噪声的基础上,保留了图像边缘信息,从而得到初始差异图。
(2)通过对上述初始差异图进行频率调谐显著性区域检测得到显著图;
在初始差异图中,变化区域像素具有较大值,非变化区域像素值接近于零值,并且通常变化区域在整幅图像中所占面积比较小,因此,变化区域能够被视觉注意力模型当作显著区域而检测出来。
基于此,本发明实施例将频率调谐显著性区域检测方法引入到变化检测领域,来模拟人类视觉对变化区域的感知,以弥补计算机相对于人类大脑存在的局限性,提高检测结果的精度。该方法具体实施步骤为:首先对图像进行高斯平滑处理,然后将Lab颜色空间作为图像特征,计算每个颜色通道中某个像素与整幅图像的平均色差之间的欧几里得距离,最后将这3个通道值相加,得到的结果作为该像素的显著性值。
(3)通过对所述显著图进行局部熵计算得到加熵显著图;
局部熵反映了图像灰度的离散程度,而与图像的灰度均值无关,依照局部熵值,可以从图像中把相对均匀的目标分割出来。
在生成的显著图中,变化区域进一步地突出,但是一些小目标和边缘信息随之减弱,为了弥补该缺点造成的结果不准确,本发明实施例对显著图进行局部熵计算,得到加熵显著图,具体实现方式为:确定局部窗口的范围,计算该局部窗口内的灰度分布,利用上述灰度分布计算图像上所有点的局部熵。
(4)根据小波变换法融合初始差异图和加熵显著图得到融合图;
小波变换是一种多尺度的分析方法,具有时频局部化和多分辨率特性,因而它可以同时进行时域和频域的分析。
为了得到既能突出变化区域,又可以保留细节信息及边缘信息的差异图,本发明实施例使用基于小波变换的融合方法来融合初始差异图和加熵显著图,该融合方法减少了层间的相关性,能够获得所需的融合效果,具体实现方式为:首先选择Haar小波基对图像进行小波变换,再使用加权平均法对上述小波变换后的图像进行融合,最后对融合图像进行反变换,得到融合图。
(5)通过最大类间方差法对融合图进行分割得到最终的变化检测结果图。
具体地,步骤(1)包括:
(1a)对已配准的两幅遥感图像进行计算,得到对数比值差异图;
X1和X2为已配准的两幅遥感图像,分别代表不同时间、同一地理位置所获得的遥感图像。按照以下公式得到对数比值差异图DL:
(1b)对上述对数比值差异图进行双边滤波,得到初始差异图。
双边滤波算法除了使用像素间几何上的靠近程度外,还考虑了像素之间像素值的差异,因此,双边滤波不仅能够有效地去除图像噪声,同时还保留了边缘信息。同时,由于图像噪声对变化检测的结果有很大的影响,而传统的低通滤波器在滤波的过程中又会不可避免地丢失边缘信息,因此本发明选用双边滤波对对数比值差异图进行降噪,得到初始差异图。
已知,DL(x)为像素点x的对数比值差异图,DI(x)为像素点x的初始差异图,双边滤波过程表示为:
其中,归一化系数k(x)计算公式为:
其中,基于空间距离的高斯权重c(ξ,x)的计算公式为:
其中,基于像素间相似性度的高斯权重s(DL(ξ),DL(x))的计算公式为:
其中,像素间空间距离和像素距离的计算公式为:
其中,σd为控制空间距离的参数,σr为控制灰度距离的参数。
具体地,步骤(2)包括:
(2a)使用高斯滤波器对输入图像I进行平滑处理,得到输出图像Ig,公式为:
式中,(i,j)表示像素坐标,符号表示卷积运算,G表示高斯滤波器滤波算子,其尺度大小一般选择为3×3;
(2b)将图像Ig从RGB颜色空间转换到Lab颜色空间,从而获得亮度特征L和颜色特征a,b,特别地,对于待灰度遥感图像来说,仅需使用一维的灰度特征作为亮度特征来进行计算;
(2c)计算每个特征在整幅图像上的均值,公式为:
其中,彩色图像I的大小为H×W,其中H为高度,W为宽度。
(2d)在各特征下,计算每个像素点与整幅图像均值之间的距离,公式为:
SL(i,j)=(L(i,j)-uL)2
Sa(i,j)=(a(i,j)-ua)2
Sb(i,j)=(b(i,j)-ub)2
(2e)融合上述所有特征,得到每个像素点的最终显著性值,公式为:
S(i,j)=SL(i,j)+Sa(i,j)+Sb(i,j)
最后得到显著图。
具体地,步骤(3)包括:
设Ds(i,j)为显著图中像素点(i,j)处的灰度,对于图像中一个M×N大小的局部窗口,定义其局部熵为:
其中,pij为图像灰度分布,计算公式为:
推广得到全图局部熵,记为加熵显著图。
具体地,步骤(4)包括:
(4a)选择Haar小波基对图像进行小波变换,分解层数为两层,采用二维Mallat算法进行分解,表示如下:
其中,Hr、Gr分别表示镜像共轭滤波器H和G在行上的作用分量,Hc、Gc分别表示镜像共轭滤波器H和G在列上的作用分量,Cj为第j层的小波系数,Cj+1为第j+1层的小波变换近似系数,为计算得到的小波变换细节系数,分别表示行方向、列方向和对角线方向的细节。
进行二维小波变换时,首先进行行方向的一维小波变换,得到左右两张子图,再对两张子图分别进行列方向的一维小波变换,共得到四张变换后图像,分别代表低频分量、水平方向高频分量、垂直方向高频分量以及对角线方向高频分量。
(4b)使用加权平均法对上述小波变换后图像进行融合,融合规则为:
低频系数公式:
Cj+1,F(m,n)=0.75×Cj+1,I(m,n)+0.25×Cj+1,S(m,n)
其中,Cj+1,F(m,n),Cj+1,I(m,n)和Cj+1,S(m,n)分别表示融合图DF、初始差异图DI和加熵显著图DS在像素点(m,n)处第j+1层的小波变换近似系数;
高频系数即为加熵显著图经小波变换后的高频系数。
(4c)对融合图像进行反变换,得到最终融合图。重构算法公式为:
其中,H*,G*为H,G的共轭转置矩阵。
具体地,步骤(5)的实现方法为:
由于最大类间方差法在图像处理领域的广泛应用及稳健表现,本发明采用该方法来对融合后的图像进行分割,进而提取出变化区域。
二、实验验证
(1)实验数据说明
本实验采用五组遥感图像数据集,包括模拟数据集及基准变化图和真实遥感图像数据集。其中,真实遥感图像数据集包括Mexico数据集、Sardinia数据集、Bern数据集和Ottawa数据集和它们的基准变化图。
(2)验证方法说明
对以下五种遥感图像变化检测方法进行对比实验:
a)为了体现本发明方法良好的差异图构造能力,将由图像差值法获得的差异图直接进行大津阈值分割得到的结果与本发明方法的结果进行比较。图像差值图进行大津阈值分割的方法记为SUBO方法。
b)为了说明本发明方法改进了传统对数比值差异图构造方法,将由对数比值法获得的差异图直接进行大津阈值分割得到的结果与本发明方法的结果进行比较。对数比值法进行大津阈值分割的方法记为LOGO方法。
c)为了体现本发明方法对显著图计算局部熵的作用,将不加熵法获取的差异图直接进行大津阈值分割得到的检测结果与本发明方法的结果进行对比,该方法记为NOENO方法。
d)为了说明本发明方法进行变化检测的效果,将基于视觉注意机制ITTI模型的方法与本发明方法进行对比,该方法记为ITTI方法。
e)本发明所述的基于显著性和小波融合的变化检测方法。
(3)实验结果及分析
分别使用上述五种方法在五组遥感图像数据集上进行测试。图2所示为使用五种方法在Ottawa真实SAR图像数据集上进行变化检测得到的结果图像,从图中可以直观地看出:SUBO方法的虚警过多检测效果较差;LOGO、NOENO方法的效果较为接近,存在一定的虚警和噪声点;ITTI方法虚警数较少,但存在较多漏检的情况,丢失了很多变化区域的细节信息;而本发明所述方法在背景噪声的抑制和变化区域轮廓及内部细节的检测等方面都要优于其他四种方法。
表1五种方法对五组实验数据集的结果性能评价表
从数据角度分析,如表1所示,对于模拟遥感图像数据集,五种方法的检测结果正确率都比较高,其中ITTI方法和本发明所述方法表现最优;对于真实遥感图像数据集,本发明的方法体现出较强的优越性:由实验结果数据可以看出,在保证漏检数在可接受范围内的同时,本发明所述方法的虚警数较少,在上述四个真实遥感图像数据集中总错误数最少、正确率表现最优。
表2五种方法在五组实验数据集上的平均正确率表
方法 | 平均正确率 |
SUBK方法 | 92.89% |
LOGK方法 | 98.45% |
NOENO方法 | 98.38% |
ITTI方法 | 98.25% |
本发明方法 | 98.81% |
再由表2可知,在五个实验数据集上,本发明方法的平均正确率分别比SUBO方法、LOGO方法、NOENO方法和ITTI方法高5.92%、0.36%、0.43和0.56%,说明了本发明方法能够有效地提高变化检测结果的精确度。
由上述的实验结果分析可知,本发明提出的基于显著性检测和小波融合的遥感图像变化检测方法可以减少漏检数,能够有效地检测到变化信息,并且在真实遥感图像数据集上表现出更强的优越性,适宜于实际应用。
三、方案及实验总结
本发明将基于频率调谐的显著性检测模型引入到遥感图像的变化检测问题中,提出了一种基于显著性检测和小波融合的遥感图像变化检测方法,这种方法将对数比值差异图和加熵显著图进行融合,从而得到一幅既能有效地突出变化区域,又能保留细节及边缘信息的差异图,为后续的变化区域提取提供了有利的条件。实验结果表明,本发明方法能够有效地降低误检率,提高了变化检测结果的精度。
在本申请所提供的具体实施方案中,应该理解到,所揭露的方法,可以通过其它的方式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,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以所述权利要求的保护范围为准。
Claims (4)
1.一种图像变化检测方法,应用于同一地区不同时期的遥感图像,其特征在于,包括以下步骤:
通过对所述遥感图像的对数比值差异图进行双边滤波得到初始差异图;
通过对所述初始差异图进行频率调谐显著性区域检测得到显著图;所述通过对所述初始差异图进行频率调谐显著性区域检测得到显著图的步骤,包括:
步骤1:使用高斯滤波器对所述初始差异图进行平滑处理;
步骤2:将平滑处理后的图像从RGB颜色空间转换到Lab颜色空间,以获得亮度特征和颜色特征;
步骤3:计算各亮度特征和颜色特征在整幅图像上的均值;
步骤4:在各亮度特征和颜色特征下,计算每个像素点与整幅图像均值之间的距离;
步骤5:融合所有亮度特征和颜色特征,得到每个像素点的最终显著性值,从而得到显著图;
通过对所述显著图进行局部熵计算得到加熵显著图;所述通过对所述显著图进行局部熵计算得到加熵显著图,求取过程为:
确定局部窗口的范围,定义为M×N;
计算所述局部窗口M×N内的灰度分布,记为pij;
利用所述灰度分布pij计算图像中像素点(i,j)的局部熵,公式为:
得到全图局部熵,记为加熵显著图;
根据小波变换法融合所述初始差异图和加熵显著图得到融合图;所述根据小波变换法融合所述初始差异图和加熵显著图得到融合图,方法如下:
选择Haar小波基对所述初始差异图和加熵显著图分别进行小波变换,分解层数为两层;
使用加权平均法对小波变换后的图像进行融合;
对融合后的图像进行反变换,得到最终融合图;所述加权平均法的融合规则为:
低频系数公式为:Cj+1,F(m,n)=0.75×Cj+1,I(m,n)+0.25×Cj+1,S(m,n),其中,Cj+1,F(m,n),Cj+1,I(m,n)和Cj+1,S(m,n)分别表示融合图DF、初始差异图DI和加熵显著图DS在像素点(m,n)处的第j+1层的小波变换近似系数;
高频系数为加熵显著图经小波变换后的高频系数;
通过最大类间方差法对所述融合图进行分割得到最终的变化检测结果图。
2.根据权利要求1所述的方法,其特征在于,所述通过对数比值差异图进行双边滤波得到初始差异图的步骤,过程为:
对已配准的两幅遥感图像进行计算,得到对数比值差异图;
对所述对数比值差异图进行双边滤波,得到初始差异图。
3.根据权利要求2所述的方法,其特征在于,所述对数比值差异图的计算公式为:
其中,X1和X2分别为已配准的两幅遥感图像,DL为所求得的对数比值差异图。
4.根据权利要求2所述的方法,其特征在于,所述双边滤波的公式为:
其中,DL(x)为像素点x的对数比值差异图,DI(x)为像素点x的初始差异图;
其中,归一化系数k(x)计算公式为:
其中,基于空间距离的高斯权重c(ξ,x)的计算公式为:
其中,基于像素间相似性度的高斯权重s(DL(ξ),DL(x))的计算公式为:
其中,d(ξ,x)和δ(DL(ξ),DL(x))分别表示图像像素点之间的空间距离和灰度距离,σd和σr分别表示控制空间距离的参数和控制灰度距离的参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610245590.3A CN105957054B (zh) | 2016-04-20 | 2016-04-20 | 一种图像变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610245590.3A CN105957054B (zh) | 2016-04-20 | 2016-04-20 | 一种图像变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105957054A CN105957054A (zh) | 2016-09-21 |
CN105957054B true CN105957054B (zh) | 2019-03-19 |
Family
ID=56917738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610245590.3A Active CN105957054B (zh) | 2016-04-20 | 2016-04-20 | 一种图像变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105957054B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106898008A (zh) * | 2017-03-01 | 2017-06-27 | 南京航空航天大学 | 岩石检测方法及装置 |
CN107122715A (zh) * | 2017-03-29 | 2017-09-01 | 哈尔滨工程大学 | 一种基于频‑时显著性结合的运动目标检测方法 |
CN107977935A (zh) * | 2017-11-15 | 2018-05-01 | 合肥中科奔巴科技有限公司 | 一种掌静脉图像纹理滤波增强方法 |
CN108447057B (zh) * | 2018-04-02 | 2021-11-30 | 西安电子科技大学 | 基于显著性和深度卷积网络的sar图像变化检测方法 |
CN108764119B (zh) * | 2018-05-24 | 2022-03-18 | 西安电子科技大学 | 基于迭代最大类间方差的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 |
CN109242877B (zh) * | 2018-09-21 | 2021-09-21 | 新疆大学 | 图像分割方法及装置 |
CN110097569B (zh) * | 2019-04-04 | 2020-12-22 | 北京航空航天大学 | 基于颜色马尔科夫链显著性模型的油罐目标检测方法 |
CN110246091B (zh) * | 2019-04-25 | 2022-08-30 | 新疆大学 | 确定sar图差异区域的方法和装置 |
CN111062962B (zh) * | 2019-12-06 | 2022-09-27 | 昆明理工大学 | 一种基于差分搜索算法的多阈值超声图像分割方法 |
CN111161177B (zh) * | 2019-12-25 | 2023-09-26 | Tcl华星光电技术有限公司 | 图像自适应降噪方法和装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101634709A (zh) * | 2009-08-19 | 2010-01-27 | 西安电子科技大学 | 基于多尺度积和主成分分析的sar图像变化检测方法 |
CN103226825A (zh) * | 2013-03-20 | 2013-07-31 | 西安电子科技大学 | 基于低秩稀疏模型的遥感图像变化检测方法 |
-
2016
- 2016-04-20 CN CN201610245590.3A patent/CN105957054B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101634709A (zh) * | 2009-08-19 | 2010-01-27 | 西安电子科技大学 | 基于多尺度积和主成分分析的sar图像变化检测方法 |
CN103226825A (zh) * | 2013-03-20 | 2013-07-31 | 西安电子科技大学 | 基于低秩稀疏模型的遥感图像变化检测方法 |
Non-Patent Citations (3)
Title |
---|
Change Detection of Multi-temporal Remote Sensing Data Based on Image Fusion and Fuzzy Clustering;Xiaoyan Liu et al.;《2013 6th International Congress on Image and Signal Processing》;20131231;第819-823页 |
Frequency-tuned Salient Region Detection;Radhakrishna Achanta et al.;《2009 IEEE Conference on Computer Vision and Pattern Recognition》;20090625;第1597-1604页 |
基于图和稀疏表示的遥感图像变化检测方法;余田田;《中国优秀硕士学位论文全文数据库(电子期刊)-信息科技辑》;20131215(第S2期);第三章 |
Also Published As
Publication number | Publication date |
---|---|
CN105957054A (zh) | 2016-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105957054B (zh) | 一种图像变化检测方法 | |
Yin et al. | Hot region selection based on selective search and modified fuzzy C-means in remote sensing images | |
CN109242888B (zh) | 一种结合图像显著性和非下采样轮廓波变换的红外与可见光图像融合方法 | |
CN103116763B (zh) | 一种基于hsv颜色空间统计特征的活体人脸检测方法 | |
CN112288008B (zh) | 一种基于深度学习的马赛克多光谱图像伪装目标检测方法 | |
CN102819740B (zh) | 一种单帧红外图像弱小目标检测和定位方法 | |
CN108875600A (zh) | 一种基于yolo的车辆信息检测和跟踪方法、装置及计算机存储介质 | |
CN109816641A (zh) | 基于多尺度形态学融合的加权局部熵红外小目标检测方法 | |
CN106557740B (zh) | 一种遥感图像中油库目标的识别方法 | |
CN111666854B (zh) | 融合统计显著性的高分辨率sar影像车辆目标检测方法 | |
CN110232387A (zh) | 一种基于kaze-hog算法的异源图像匹配方法 | |
CN108564085A (zh) | 一种自动读取指针式仪表读数的方法 | |
CN111986162B (zh) | 基于粗定位和协同表示的高光谱异常点快速检测方法 | |
CN103745453B (zh) | 基于Google Earth遥感影像的城镇信息提取方法 | |
CN111008664B (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
CN106682678A (zh) | 一种基于支撑域的图像角点检测和分类方法 | |
CN105869166A (zh) | 一种基于双目视觉的人体动作识别方法及系统 | |
CN107341781A (zh) | 基于改进相位一致性特征矢量底图匹配的sar影像校正方法 | |
CN101957993A (zh) | 自适应红外小目标检测方法 | |
CN109657717A (zh) | 一种基于多尺度密集结构特征提取的异源图像匹配方法 | |
CN112669249A (zh) | 结合改进nsct变换和深度学习的红外与可见光图像融合方法 | |
CN105512622A (zh) | 一种基于图分割和监督学习的可见光遥感图像海陆分割方法 | |
CN107194896A (zh) | 一种基于邻域结构的背景抑制方法和系统 | |
CN106056115B (zh) | 一种非均匀背景下的红外小目标检测方法 | |
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 |