CN106023229B - 结合半高斯模型与高斯模型的sar影像变化检测方法 - Google Patents
结合半高斯模型与高斯模型的sar影像变化检测方法 Download PDFInfo
- Publication number
- CN106023229B CN106023229B CN201610388621.0A CN201610388621A CN106023229B CN 106023229 B CN106023229 B CN 106023229B CN 201610388621 A CN201610388621 A CN 201610388621A CN 106023229 B CN106023229 B CN 106023229B
- Authority
- CN
- China
- Prior art keywords
- class
- image
- gauss model
- variation
- pixel
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- G06T2207/20076—Probabilistic image processing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
一种结合半高斯模型与高斯模型的SAR影像变化检测方法,适用于图像处理领域。其步骤为:1利用两时相SAR影像生成差值影像;2使用半高斯模型估计差值影像中未变化类似然概率密度分布;3使用高斯模型估计差值影像中变化类似然概率密度分布;4根据估计的未变化类和变化类似然概率密度分布,计算满足Kittler–Illingworth最小错误率准则的阈值;5对差值影像进行阈值分割,生成变化检测结果图。有效估计差值影像中未变化类和变化类的似然概率密度分布,分割阈值计算合理,有效提高变化检测的精度,对SAR影像的变化检测效果好。
Description
技术领域
本发明涉及一种SAR影像变化检测方法,尤其适用于图像处理领域中的结合半高斯模型与高斯模型的SAR影像变化检测方法。
背景技术
变化检测属于图像处理领域,是指利用覆盖同一地理区域的多时相遥感影像提取地表覆盖的变化信息,该技术已经被广泛应用于环境监测、城市研究、森林监测、农业调查和灾害评估等领域。随着计算机硬件的发展,为了提高变化检测的自动程度,减少变化检测过程中人工干预造成的不确定性,非监督变化检测逐渐成为遥感影像信息提取研究的热点之一。
与光学影像相比,合成孔径雷达采用侧视方式成像,覆盖面积大,具有穿透云雨雾霾,全天时、全天候获取地面信息的能力,自20世纪50年代以来,已被广泛用于地表沉降监测、地形测绘、资源勘探、环境遥感以及军事等领域。近年来随着SAR技术的迅速发展,利用SAR影像进行变化检测逐渐成为研究的热点。
自动选取阈值是实现多时相遥感影像非监督变化检测的关键。现有阈值自动选取方法按照是否需要先验知识可以分为3类:非参数自动阈值选取、半参数自动阈值选取和基于先验知识的自动阈值选取。与非参数和半参数方法相比,基于先验知识的方法通常能获得更好的阈值,在变化检测中得到广泛应用。差异影像中未变化类和变化类似然概率密度分布估计的准确度会影响基于先验知识方法选择阈值的合理性。然而,现在广泛使用的高斯模型难以有效估计差值影像中未变化类的似然概率密度分布,导致阈值的选取不合理,从而限制了变化检测的精度。
发明内容
本发明的目的在于针对已有技术的不足之处,提供一种步骤简单,精度高,检测效果好的结合半高斯模型与高斯模型的SAR影像变化检测方法。
为实现上述目的,本发明结合半高斯模型与高斯模型的SAR影像变化检测方法,包括以下步骤:
(1)获取覆盖同一地理区域经过配准和几何校正的两幅不同时相SAR影像I1和影像I2;
(2)对影像I1和影像I2,应用差值算子生成差值影像DI;
(3)根据影像I1和影像I2的灰度级确定阈值的值域Ω;
(4)从阈值值域Ω内任意选取一个阈值T将差值影像DI分割为未变化类ωu和变化类ωc;
(5)统计差值影像DI中属于未变化类ωu的像元数量Nu,以及属于变化类ωc的像元数量Nc,利用统计出来的未变化类像元数量Nu和变化类像元数量Nc分别计算差值影像DI中未变化类ωu的先验概率p(ωu)和变化类ωc的先验概率p(ωc);
(6)使用半高斯模型估计差值影像DI中未变化类ωu的似然概率密度分布,利用似然概率密度分布计算灰度值x在未变化类ωu中出现的似然概率密度函数p(x|ωu);
(7)利用高斯模型估计变化类ωc的似然概率密度分布,计算得到灰度值x在变化类ωc中出现的似然概率密度函数p(x|ωc);
(8)利用贝叶斯决策理论计算灰度值x属于未变化类ωu和变化类ωc的后验概率p(ωu|x)和p(ωc|x);
(9)根据Kittler–Illingworth准则计算使用阈值T分割差值影像DI时的错误率J(T);
(10)重复步骤(4)-(9)计算阈值值域Ω内所有可能阈值对应的错误率,排序求得错误率最小的阈值T0;
(11)使用满足Kittler–Illingworth最小错误率准则的阈值T0进行阈值分割生成变化检测结果图。
所述步骤(2)中利用差值算子:DI(i,j)=|I1(i,j)-I2(i,j)|,生成差值影像DI;式中:I1(i,j)是影像I1中位置(i,j)处的像元灰度值,I2(i,j)是影像I2中位置(i,j)处的像元灰度值,DI(i,j)是差值影像DI中位置(i,j)处的像元灰度值;
所述步骤(3)中阈值的值域Ω为:Ω={T|0≤T<L,T∈N*},式中:L是影像I1和I2的灰度级,T是阈值,N*表示正整数;
所述步骤(4)中未变化类ωu和变化类ωc的分割公式为:如果差值影像DI中位置(i,j)处的像元灰度值DI(i,j)小于或等于阈值T,则这个像元划分到未变化类ωu;否则划分到变化类ωc;
所述步骤(5)中,利用公式:计算未变化类ωu的先验概率p(ωu);利用公式:计算变化类ωc的先验概率p(ωc);式中:Na为差值影像中像元的总数量;述步骤(6)中,计算灰度值x在未变化类ωu中出现的似然概率密度函数p(x|ωu)的步骤如下:
6a)利用公式:计算差值影像的灰度频率直方图函数h(x),式中:Nx是差值影像中灰度值为x的像元数量;
6b)利用公式:获得未变化类ωu中半高斯分布参数
6c)利用公式:获得灰度值x在未变化类ωu中出现的似然概率密度函数p(x|ωu);
所述步骤(7)中,计算灰度值x在变化类ωc中出现的似然概率密度函数p(x|ωc)的步骤如下:
7a)利用公式:获得变化类ωc中像素的均值mc;
7b)利用公式:获得变化类ωc中像素的方差
7c)利用公式:获得灰度值x在变化类ωc中出现的似然概率密度函数p(x|ωc);
所述步骤(8)中,利用贝叶斯决策理论计算灰度值x属于未变化类ωu和变化类ωc的后验概率p(ωu|x)和p(ωc|x),利用公式:得到未变化类ωu的后验概率p(ωu|x),利用公式:得到变化类ωc的后验概率p(ωc|x),其中,p(x)=p(x|ωu)+p(x|ωc);
所述步骤(9)中,根据Kittler–Illingworth准则,利用公式:计算使用阈值T分割差值影像时的错误率J(T),式中,代价函数
有益效果:本发明利用半高斯模型估计差值影像中未变化类的似然概率密度分布,利用高斯模型估计差值影像中变化类的似然概率密度分布,与使用高斯模型估计未变化类和变化类似然概率密度分布相比,可以更有效的估计差值影像中未变化类和变化类的似然概率密度分布,分割阈值计算合理,有效提高变化检测的精度。
附图说明
图1是本发明的实现流程图;
图2是本发明实施示例的某地区多时相Radarsat-2影像;
图3是本发明实施示例的参考变化图;
图4是采用OTSU方法得到的变化检测结果;
图5是仅采用高斯模型得到的变化检测结果;
图6是本发明实施示例采用结合半高斯模型与高斯模型的方法得到的变化检测结果。
具体实施方式
下面结合附图及实施示例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
如图1和图2所示,本发明的结合半高斯模型与高斯模型的SAR影像变化检测方法,包括如下步骤:
(1)获取覆盖同一地理区域经过配准和几何校正的两幅不同时相SAR影像I1和影像I2;
(2)对影像I1和影像I2,应用差值算子:DI(i,j)=|I1(i,j)-I2(i,j)|,生成差值影像DI;式中:I1(i,j)是影像I1中位置(i,j)处的像元灰度值,I2(i,j)是影像I2中位置(i,j)处的像元灰度值,DI(i,j)是差值影像DI中位置(i,j)处的像元灰度值;
(3)根据影像I1和影像I2的灰度级确定阈值的值域Ω,阈值的值域Ω为:Ω={T|0≤T<L,T∈N*},式中:L是影像I1和I2的灰度级,T是阈值,N*表示正整数;
(4)从阈值值域Ω内任意选取一个阈值T,利用分割公式:将差值影像DI分割为未变化类ωu和变化类ωc,其中当差值影像DI中位置(i,j)处的像元灰度值DI(i,j)小于或等于阈值T,则这个像元划分到未变化类ωu;否则划分到变化类ωc;
(5)统计差值影像DI中属于未变化类ωu的像元数量Nu,以及属于变化类ωc的像元数量Nc,利用公式:计算差值影像DI中未变化类ωu的先验概率p(ωu),利用公式:计算值影像DI中变化类ωc的先验概率p(ωc),式中:Na为差值影像中像元的总数量;
(6)使用半高斯模型估计差值影像DI中未变化类ωu的似然概率密度分布,利用似然概率密度分布计算灰度值x在未变化类ωu中出现的似然概率密度函数p(x|ωu);
计算灰度值x在未变化类ωu中出现的似然概率密度函数p(x|ωu)的步骤如下:
6a)利用公式:计算差值影像的灰度频率直方图函数h(x),式中:Nx是差值影像中灰度值为x的像元数量;
6b)利用公式:获得未变化类ωu中半高斯分布参数
6c)利用公式:获得灰度值x在未变化类ωu中出现的似然概率密度函数p(x|ωu)。
(7)利用高斯模型估计变化类ωc的似然概率密度分布,计算得到灰度值x在变化类ωc中出现的似然概率密度函数p(x|ωc);
计算灰度值x在变化类ωc中出现的似然概率密度函数p(x|ωc)的步骤如下:
7a)利用公式:获得变化类ωc中像素的均值mc;
7b)利用公式:获得变化类ωc中像素的方差
7c)利用公式:获得灰度值x在变化类ωc中出现的似然概率密度函数p(x|ωc)
(8)利用贝叶斯决策理论计算灰度值x属于未变化类ωu和变化类ωc的后验概率p(ωu|x)和p(ωc|x);其中利用公式:得到未变化类ωu的后验概率p(ωu|x),利用公式:得到变化类ωc的后验概率p(ωc|x),式中,p(x)=p(x|ωu)+p(x|ωc);
(9)根据Kittler–Illingworth准则利用公式:计算使用阈值T分割差值影像DI时的错误率J(T),式中,代价函数
(10)重复步骤(4)-(9),计算阈值值域Ω内所有可能阈值对应的错误率,排序求得错误率最小的阈值T0;
(11)使用满足Kittler–Illingworth最小错误率准则的阈值T0进行阈值分割生成变化检测结果图。
为了进一步证明本发明方法的优越性,将不同方法得到的图4、图5、图6分别与图3进行比较,使用漏检像元、总体误差、检测到的变化像元和Kappa系数4个客观评价指标对生成的变化检测结果图进行定量评价,评价结果如表1所示。
表1不同方法得到变化检测结果图的定量评价结果:
方法 | 漏检像元/像元 | 检测到的变化像元/像元 | 总体误差/像元 | Kappa |
OTSU | 2505 | 6468 | 2892 | 0.8079 |
高斯模型 | 649 | 8324 | 5402 | 0.7375 |
本发明方法 | 1780 | 7193 | 2529 | 0.8421 |
一个较好的变化检测结果图表现为具有较小的总体误差和较大的Kappa系数。由表1可以看出,与OTSU和高斯模型法相比,本发明方法生成的变化检测结果图的总体误差最小为2529,这说明本发明方法得到的变化检测结果图在总体误差方面控制的最好。同时本发明得到的变化检测结果的Kappa系数最大为0.8421,与参考变化图的一致性程度最高。综上所述,本发明方法在变化检测中表现出了较好的性能,可以有效估计差值影像中未变化类和变化类的似然概率密度分布,计算出合理的分割阈值,有效提高变化检测的精度。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是。上述针对实施示例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围的情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (9)
1.一种结合半高斯模型与高斯模型的SAR影像变化检测方法,包括如下步骤:
(1)获取覆盖同一地理区域经过配准和几何校正的两幅不同时相SAR影像I1和影像I2;
(2)对影像I1和影像I2,应用差值算子生成差值影像DI;
(3)根据影像I1和影像I2的灰度级确定阈值的值域Ω;
(4)从阈值值域Ω内任意选取一个阈值T将差值影像DI分割为未变化类ωu和变化类ωc;
(5)统计差值影像DI中属于未变化类ωu的像元数量Nu,以及属于变化类ωc的像元数量Nc,利用统计出来的未变化类像元数量Nu和变化类像元数量Nc分别计算差值影像DI中未变化类ωu的先验概率p(ωu)和变化类ωc的先验概率p(ωc);
(6)使用半高斯模型估计差值影像DI中未变化类ωu的似然概率密度分布,利用似然概率密度分布计算灰度值x在未变化类ωu中出现的似然概率密度函数p(x|ωu);
(7)利用高斯模型估计变化类ωc的似然概率密度分布,计算得到灰度值x在变化类ωc中出现的似然概率密度函数p(x|ωc);
(8)利用贝叶斯决策理论计算灰度值x属于未变化类ωu和变化类ωc的后验概率p(ωu|x)和p(ωc|x);
(9)根据Kittler–Illingworth准则计算使用阈值T分割差值影像DI时的错误率J(T);
(10)重复步骤(4)-(9),计算阈值值域Ω内所有可能阈值对应的错误率,排序求得错误率最小的阈值T0;
(11)使用满足Kittler–Illingworth最小错误率准则的阈值T0进行阈值分割生成变化检测结果图。
2.根据权利要求1所述的结合半高斯模型与高斯模型的SAR影像变化检测方法,其特征在于:所述步骤(2)中利用差值算子:DI(i,j)=|I1(i,j)-I2(i,j)|,生成差值影像DI;
式中:I1(i,j)是影像I1中位置(i,j)处的像元灰度值,I2(i,j)是影像I2中位置(i,j)处的像元灰度值,DI(i,j)是差值影像DI中位置(i,j)处的像元灰度值。
3.根据权利要求1所述结合半高斯模型与高斯模型的SAR影像变化检测方法,其特征在于:所述步骤(3)中阈值的值域Ω为:
Ω={T|0≤T<L,T∈N*},
式中:L是影像I1和I2的灰度级,T是阈值,N*表示正整数。
4.根据权利要求1所述结合半高斯模型与高斯模型的SAR影像变化检测方法,其特征在于:所述步骤(4)中未变化类ωu和变化类ωc的分割公式为:
如果差值影像DI中位置(i,j)处的像元灰度值DI(i,j)小于或等于阈值T,则这个像元划分到未变化类ωu;否则划分到变化类ωc。
5.根据权利要求1所述结合半高斯模型与高斯模型的SAR影像变化检测方法,其特征在于:所述步骤(5)中,利用公式:计算未变化类ωu的先验概率p(ωu);利用公式:计算变化类ωc的先验概率p(ωc);式中:Na为差值影像中像元的总数量。
6.根据权利要求1所述结合半高斯模型与高斯模型的SAR影像变化检测方法,其特征在于:所述步骤(6)中,计算灰度值x在未变化类ωu中出现的似然概率密度函数p(x|ωu)的步骤如下:
6a)利用公式:计算差值影像的灰度频率直方图函数h(x),式中:Nx是差值影像中灰度值为x的像元数量,Na为差值影像中像元的总数量;
6b)利用公式:获得未变化类ωu中半高斯分布参数
6c)利用公式:获得灰度值x在未变化类ωu中出现的似然概率密度函数p(x|ωu)。
7.根据权利要求1或3所述结合半高斯模型与高斯模型的SAR影像变化检测方法,其特征在于:所述步骤(7)中,计算灰度值x在变化类ωc中出现的似然概率密度函数p(x|ωc)的步骤如下:
7a)利用公式:获得变化类ωc中像素的均值mc;
7b)利用公式:获得变化类ωc中像素的方差
7c)利用公式:获得灰度值x在变化类ωc中出现的似然概率密度函数p(x|ωc);
式中:为差值影像的灰度频率直方图函数,Nx是差值影像中灰度值为x的像元数量,Na为差值影像中像元的总数量,L是影像I1和I2的灰度级。
8.根据权利要求1所述结合半高斯模型与高斯模型的SAR影像变化检测方法,其特征在于:所述步骤(8)中,利用贝叶斯决策理论计算灰度值x属于未变化类ωu和变化类ωc的后验概率p(ωu|x)和p(ωc|x),利用公式:得到未变化类ωu的后验概率p(ωu|x),利用公式:得到变化类ωc的后验概率p(ωc|x),其中,p(x)=p(x|ωu)+p(x|ωc)。
9.根据权利要求1所述结合半高斯模型与高斯模型的SAR影像变化检测方法,其特征在于:所述步骤(9)中,根据Kittler–Illingworth准则,利用公式:计算使用阈值T分割差值影像时的错误率J(T),式中,代价函数式中:为差值影像的灰度频率直方图函数,Nx是差值影像中灰度值为x的像元数量,Na为差值影像中像元的总数量,L是影像I1和I2的灰度级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610388621.0A CN106023229B (zh) | 2016-06-02 | 2016-06-02 | 结合半高斯模型与高斯模型的sar影像变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610388621.0A CN106023229B (zh) | 2016-06-02 | 2016-06-02 | 结合半高斯模型与高斯模型的sar影像变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106023229A CN106023229A (zh) | 2016-10-12 |
CN106023229B true CN106023229B (zh) | 2018-12-11 |
Family
ID=57090457
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610388621.0A Active CN106023229B (zh) | 2016-06-02 | 2016-06-02 | 结合半高斯模型与高斯模型的sar影像变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106023229B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106960443B (zh) * | 2017-03-21 | 2020-06-05 | 民政部国家减灾中心 | 基于全极化时序sar图像的非监督变化检测的方法及装置 |
CN109522518B (zh) * | 2018-10-19 | 2021-09-14 | 中国矿业大学 | 数据流值域和频域分布的动态互耦合元数据发布方法 |
CN113254873B (zh) * | 2020-02-10 | 2022-08-16 | 千寻位置网络有限公司 | 卫星钟差预报方法及其系统 |
CN112419266B (zh) * | 2020-11-23 | 2022-09-30 | 山东建筑大学 | 一种地表覆盖类别约束的遥感影像变化检测方法 |
CN113159157B (zh) * | 2021-04-15 | 2023-07-25 | 中山大学 | 改进的低频uwb sar叶簇隐蔽目标融合变化检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101833769A (zh) * | 2009-03-10 | 2010-09-15 | 微星科技股份有限公司 | 利用多个高斯模型以维持图像背景的方法与装置 |
CN103473755A (zh) * | 2013-09-07 | 2013-12-25 | 西安电子科技大学 | 基于变化检测的sar图像稀疏去噪方法 |
CN103839257A (zh) * | 2013-12-24 | 2014-06-04 | 西安电子科技大学 | 一种广义高斯k&i的sar图像变化检测方法 |
-
2016
- 2016-06-02 CN CN201610388621.0A patent/CN106023229B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101833769A (zh) * | 2009-03-10 | 2010-09-15 | 微星科技股份有限公司 | 利用多个高斯模型以维持图像背景的方法与装置 |
CN103473755A (zh) * | 2013-09-07 | 2013-12-25 | 西安电子科技大学 | 基于变化检测的sar图像稀疏去噪方法 |
CN103839257A (zh) * | 2013-12-24 | 2014-06-04 | 西安电子科技大学 | 一种广义高斯k&i的sar图像变化检测方法 |
Non-Patent Citations (4)
Title |
---|
An Unsupervised Approach Bain Multitemporal SAR Imagessed on the Generalized Gaussian Model to Automatic Change Detection;Yakoub Bazi 等;《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》;20050430;第43卷(第4期);第874-887页 * |
SAR change detection based on Generalized Gamma distribution divergence and auto-threshold segmentation;GAO Cong-shan 等;《Journal of Remote Sensing》;20101231;第14卷(第4期);第710-724页 * |
使用半高斯核的冲击扩散滤波图像盲复原方法;徐焕宇 等;《自动化学报》;20140630;第40卷(第6期);第1166-1175页 * |
基于广义高斯模型的多时相SAR图像变化检测;袁增云 等;《江苏师范大学学报(自然科学版)》;20130331;第31卷(第1期);第74-78页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106023229A (zh) | 2016-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106023229B (zh) | 结合半高斯模型与高斯模型的sar影像变化检测方法 | |
Kim et al. | Adaptive smoothness constraints for efficient stereo matching using texture and edge information | |
Sha et al. | A robust 2D Otsu’s thresholding method in image segmentation | |
Zhuang et al. | Strategies combining spectral angle mapper and change vector analysis to unsupervised change detection in multispectral images | |
Cao et al. | A SVM-based method to extract urban areas from DMSP-OLS and SPOT VGT data | |
Lavreniuk et al. | Large-scale classification of land cover using retrospective satellite data | |
CN107330875B (zh) | 基于遥感图像正反向异质性的水体周边环境变化检测方法 | |
Huhle et al. | Robust non-local denoising of colored depth data | |
CN107742113B (zh) | 一种基于目标数量后验的sar图像集群目标检测方法 | |
Yu et al. | Automated delineation of coastline from polarimetric SAR imagery | |
CN104463870A (zh) | 一种图像显著区域检测方法 | |
US20130191082A1 (en) | Method of Modelling Buildings on the Basis of a Georeferenced Image | |
CN106991686B (zh) | 一种基于超像素光流场的水平集轮廓跟踪方法 | |
Zhang et al. | A novel SAR image change detection based on graph-cut and generalized Gaussian model | |
Wang et al. | Noise-robust color edge detector using gradient matrix and anisotropic Gaussian directional derivative matrix | |
CN109389062A (zh) | 利用高分辨率星载sar图像提取湖泊水陆分割线的方法 | |
Yao et al. | Segmentation of touching insects based on optical flow and NCuts | |
CN104899892A (zh) | 一种快速的星图图像星点提取方法 | |
CN108401565B (zh) | 基于改进的KAZE特征和Pseudo-RANSAC算法的遥感图像配准方法 | |
WO2019010932A1 (zh) | 一种利于模糊核估计的图像区域选择方法和系统 | |
CN109727226A (zh) | 一种基于机器学习的位置表自动生成方法 | |
Tatar et al. | High-resolution satellite stereo matching by object-based semiglobal matching and iterative guided edge-preserving filter | |
CN106485716B (zh) | 一种基于区域划分与Gamma混合模型的多视SAR图像分割方法 | |
CN107657628A (zh) | 一种实时彩色目标跟踪方法 | |
CN109697474B (zh) | 基于迭代贝叶斯的合成孔径雷达影像变化检测方法 |
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 |