CN106650571B - 一种基于自适应卡方变换的多时相遥感影像变化检测方法 - Google Patents
一种基于自适应卡方变换的多时相遥感影像变化检测方法 Download PDFInfo
- Publication number
- CN106650571B CN106650571B CN201610814220.7A CN201610814220A CN106650571B CN 106650571 B CN106650571 B CN 106650571B CN 201610814220 A CN201610814220 A CN 201610814220A CN 106650571 B CN106650571 B CN 106650571B
- Authority
- CN
- China
- Prior art keywords
- image
- variance matrix
- remote sensing
- pixel
- threshold value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000008859 change Effects 0.000 title claims abstract description 35
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 14
- 238000001514 detection method Methods 0.000 claims abstract description 46
- 239000011159 matrix material Substances 0.000 claims abstract description 37
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 238000012937 correction Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 8
- 230000004075 alteration Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 230000003287 optical effect Effects 0.000 claims description 4
- 230000005855 radiation Effects 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 abstract description 3
- 230000011218 segmentation Effects 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or 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
- G06T2207/10—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
- G06T2207/20004—Adaptive image processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于自适应卡方变换的多时相遥感影像变化检测方法,首先计算多时相多光谱影像的差异影像,在此基础上,先基于自适应的方法估计高斯分布的均值和方差矩阵,然后再计算影像上每一个点的CST值,然后基于迭代的方法寻找最优阈值,使得在最优阈值得分割后所得的非变化区域均值和方差矩阵和自适应估计的结果最接近,在最优分割阈值基础上,并获取最终的变化检测结果。本发明采用自适应卡方变换方法克服现有变化检测技术中由多时相多光谱遥感影像背景信息复杂、噪声干扰严重带来的影响。
Description
技术领域
本发明属于遥感影像处理技术领域,特别涉及了一种基于自适应卡方变换的多时相遥感影像变化检测方法。
背景技术
随着多时相遥感数据的不断积累以及空间数据库的相继建立,如何从这些遥感数据中提取和检测变化信息已成为遥感科学和地理信息科学的重要研究课题。根据同一区域不同时相的遥感影像,可以提取城市、环境等动态变化的信息,为资源管理与规划、环境保护等部门提供科学决策的依据。
遥感影像的变化检测就是从不同时期的遥感数据中,定量地分析和确定地表变化的特征与过程。各国学者从不同的角度和应用研究提出了许多有效的检测算法,主要包括非监督变化检测和监督变化检测两大类算法。其中非监督变化检测算法比较直观,不需要先验信息,由于不需要训练样本,检测算法成本低。其中代表性的基于变换的检测方法有PCA变换法、ICA变换法、MAD变换法、卡方变换法(Chi-Squared Transform,CST)等检测算法。传统的基于CST的多时相光学遥感变化检测方法,先计算差异影像的均值和方差矩阵,然后再基于置信水平,确定变化检测的阈值,进而得到变化检测结果。该类技术中,假定非变化的像素服从高斯分布,卡方值大的像素看作是出界点(outlier)或变化点,故此不可能属于高斯分布。使用CST的不足有两点:(1)是在估计高斯分布的均值和方差矩阵时,将整个影像视为非变化区域。由于变化的像素点也包括在整个影像中,故此会造成估计的均值和方差矩阵是有偏差的。(2)在计算CST变换值以后,阈值的选择一般靠试错法,使得检测的应用推广性差。
针对上述问题,对关键参数的自适应选择是变化检测技术中的重点。
发明内容
为了解决上述背景技术提出的技术问题,本发明旨在提供一种基于自适应卡方变换的多时相遥感影像变化检测方法,采用自适应卡方变换方法克服现有变化检测技术中由多时相多光谱遥感影像背景信息复杂、噪声干扰严重带来的影响。
为了实现上述技术目的,本发明的技术方案为:
一种基于自适应卡方变换的多时相遥感影像变化检测方法,包括以下步骤:
(1)输入两时相的高分辨率光学遥感影像,分别记为X1和X2;
(2)对X1和X2进行影像配准;
(3)利用多元变化检测方法分别对X1和X2进行辐射归一化校正;
(4)计算多时相差异影像DX=X1-X2;
(5)自适应估计多时相差异影像DX高斯分布的均值m和方差矩阵Σ;
(6)计算多时相差异影像DX上每个点的卡方值;
(7)迭代估计最优检测阈值,利用最优检测阈值进行卡方变换,得到变化检测结果。
进一步地,步骤(5)的具体过程如下:
(A)输入多时相差异影像DX、至少一个像素点不是变化点的概率p、变化点占整个像素的比值r、使用非变化点的系数s、确定采样大小的乘积因子f;
(B)计算用来估计均值和方差矩阵的像素点数目:
上式中,N表示DX的像素点总数,表示取最接近的整数;
(C)计算迭代次数:
上式中,m=f(1+b),b是DX的波段数目;
(D)开始如下迭代过程,直到达到迭代次数为n为止:
a)从DX中随机抽取m个点,估计均值m和方差矩阵Σ;
b)对DX中所有的像素点计算如下的距离:
上式中,Dx(i,j)为DX上坐标(i,j)处的像素;
c)将所有的dij按照从小到大的顺序排列;
d)从步骤c)的排列结果中取得前Nmax个dij对应的像素点坐标;
e)计算步骤d)得到的Nmax个像素点坐标对应的均值和方差矩阵;
f)计算步骤e)得到的方差矩阵的行列式值;
g)如果迭代次数小于n,回到步骤a),否则终止迭代,并找出最小的方差距阵行列式值对应的均值和方差矩阵,即为估计的高斯分布的均值和方差矩阵。
进一步地,在步骤(A)中,令p=0.99,r=0.15,s=0.95,f=2。
进一步地,步骤(7)迭代估计最优检测阈值的具体过程如下:
(Ⅰ)设定检测阈值的下界τmin、阈值的上界τmax、阈值的步长Δτ;
(Ⅱ)从下界τmin开始,计算阈值τ下DX的非变化区域的均值mτ和方差矩阵Στ,直至达到阈值上界τmax;
(Ⅲ)计算m和mτ的欧拉距离dτm,计算Σ和Στ的Frobenius距离dτΣ;
(IV)输出(dτm+dτΣ)最小所对应的阈值τ,即为估计的最优检测阈值。
进一步地,在步骤(2)中,对X1和X2进行影像配准包括几何粗校正和几何精校正,所述几何粗校正的过程:
(ⅰ)选择X1和X2分别作为基准影像和待校正影像;
(ⅱ)在基准影像和待校正影像上分别采集地面控制点,地面控制点的数量大于等于9,且地面控制点均匀分布在影像上;
(ⅲ)计算基准影像和待校正影像各地面控制点处的均方误差;
(ⅳ)采用多项式纠正法对待校正影像进行纠正;
(ⅴ)采用双线性插值法对待校正影像进行重采样;
所述几何精校正是将经过几何粗校正的遥感影像,利用自动匹配与三角剖分法进行校正。
采用上述技术方案带来的有益效果:
(1)本发明在基于CST的变化检测中,针对多波段差异影像,能够自适应估计非变化区域的均值和方差矩阵;
(2)本发明在变化检测中,对CST值,采用基于迭代的方法估计最优的分割阈值,使得该变化检测方法的通用性较好。
附图说明
图1是本发明的方法流程图;
图2(a)、2(b)分别是巴西的亚马逊森林地区不同时相第4波段示意图;
图3是变化检测的参考图像;
图4(a)、4(b)、4(c)分别是EM-CVA算法、ICST算法、本发明算法的检测结果示意图。
具体实施方式
以下将结合附图,对本发明的技术方案进行详细说明。
如图1所示,一种基于自适应卡方变换的多时相遥感影像变化检测方法,包括以下步骤:
步骤1:输入同一区域、不同时相的两幅高分辨率光学遥感影像,分别记为:X1和X2。
步骤2:对X1和X2进行影像配准,分为几何粗校正和几何精校正两个步骤。对于几何粗校正,利用ENVI4.8软件中的相关功能实现,具体操作步骤为:
(1)显示基准影像和待校正影像;
(2)采集地面控制点GCPs,GCPs应均匀分布在整幅图像内,GCPs的数目至少大于等于9;
(3)计算均方误差;
(4)采用多项式纠正法对待校正影像进行纠正;
(5)采用双线性插值进行重采样输出,若求未知函数f在点P=(x,y)的值,假设已知函数f在Q11=(x1,y1),Q12=(x1,y2),Q21=(x2,y1),及Q22=(x2,y2)四个点的值,如果选择一个坐标系统使得这四个点的坐标分别为(0,0)、(0,1)、(1,0)和(1,1),那么双线性插值公式就可以表示为:
f(x,y)≈f(0,0)(1-x)(1-y)+f(1,0)x(1-y)+f(0,1)(1-x)y+f(1,1)xy
对于几何精校正,将经过几何粗校正的多光谱遥感影像数据,利用自动匹配与三角剖分法进行几何精校正。采用逐点插入法构建Delaunay三角网,对每一个三角形,利用其三个顶点的行列号与其对应的基准影像同名点的地理坐标来确定该三角形内部的仿射变换模型参数,对待校正影像进行纠正,得到校正后的遥感影。
步骤3:利用多元变化检测方法分别对X1和X2进行辐射归一化校正。
利用多元变化检测(Multivariate Alteration Detection,MAD)方法对X1和X2进行辐射归一化校正。首先找到X1和X2各波段亮度值的一个线性组合,得到变化信息增强的差异影像,通过阈值确定变化和未变化区域,然后通过未变化区域对应的两时相像元对的映射方程,完成相对辐射校正。
步骤4:对输入的多时相高分辨率影像X1和X2,计算多时相差异影像DX:
DX=X1-X2
步骤5:自适应估计多时相差异影像DX高斯分布的均值和方差矩阵。
1)输入差异影像DX、至少一个像素点不是变化点的概率p、变化点占整个像素的比值r、使用非变化点的系数s、确定采样大小的乘积因子f;
2)计算用来估计均值和方差矩阵的像素点数目:
上式中,N表示差异影像的像素点总数,表示取最接近的整数;
3)计算所需的迭代次数n:
上式中,m=f(1+b),b是差异影像的波段数目。
4)开始如下的迭代过程,直到迭代次数为n为止:
4a)从DX中随机抽取m个点,估计均值m和方差矩阵Σ;
4b)对DX中所有的像素点计算如下的距离:
上式中,Dx(i,j)为DX上坐标(i,j)处的像素;
4c)将所有的dij按照从小到大的顺序排列;
4d)从步骤4c)的排列结果中取得前Nmax个dij对应的像素点坐标;
4e)计算步骤d)得到的Nmax个像素点坐标对应的均值和方差矩阵;
4f)计算步骤4e)得到的方差矩阵的行列式值;
4g)如果迭代次数小于n,回到步骤4a),否则终止迭代,并找出最小的方差距阵行列式值对应的均值和方差矩阵,即为估计的高斯分布的均值和方差矩阵。
步骤6:计算多时相差异影像DX上每个点的卡方值:
Cij=(xij-m)TΣ-1(xij-m)~χ2(b)
上式中,Cij表示差异影像(i,j)坐标点的卡方值,其服从自由度为b的卡方分布;xij表示差异影像(i,j)坐标点的矢量值;Σ-1表示方差矩阵的逆矩阵;b表示差异影像的波段数目。m和Σ为步骤5估计的均值和方差矩阵。
步骤7:迭代估计最优检测阈值,利用最优检测阈值进行卡方变换,得到变化检测结果。具体过程如下:
(Ⅰ)设定检测阈值的下界τmin、阈值的上界τmax、阈值的步长Δτ;
(Ⅱ)从下界τmin开始,计算阈值τ下DX的非变化区域的均值mτ和方差矩阵Στ,直至达到阈值上界τmax;
(Ⅲ)计算m和mτ的欧拉距离dτm,计算Σ和Στ的Frobenius距离dτΣ;
(IV)输出(dτm+dτΣ)最小所对应的阈值τ,即为估计的最优检测阈值。
本发明的效果可通过以下实验结果与分析进一步说明:
本发明的实验数据为Landsat TM数据,位于巴西的亚马逊森林地区的2幅遥感影像,获取时间分别为2000年7月和2006年7月,选用前4个波段,实验区大小为320像元×320像元,图2(a)和2(b)分别为两个时相的第4波段影像。变化参考图如图3所示,共有16,826个变化像素。
为了验证本发明的有效性,将本发明变化检测方法与下述变化检测方法进行比对:
(1)基于CVA的EM方法(CVA-EM)[意大利的Bruzzone L.等在文章“Automaticanalysis of difference image for unsupervised change detection”(IEEETransactions on Geoscience and Remote Sensing,2000,38(3):1171-1182.)中所提的检测方法]。
(2)基于迭代的CST检测(ICST)方法[B.Desclée,P.Bogaert,and P.Defourny在文章“Forest change detection by statistical object-based method”(Remote Sensingof Environment,2006,102(1-2):1-12.)中所提的方法]
(3)本发明方法,其中参数r=0.15,p=0.99,s=0.95,f=2。
上述三种方法的检测结果如图4(a)、4(b)、4(c)所示,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。由表1可见,本发明所提的检测方法性能优于其他两种检测方法,这表明本发明所提的变化检测方法是有效的。
表1
方法 | FP | FN | OE | k |
CVA-EM | 2918 | 3865 | 6783 | 0.753 |
ICST | 5459 | 556 | 6015 | 0.808 |
本发明方法 | 2739 | 1864 | 4603 | 0.840 |
理想 | 0 | 0 | 0 | 1 |
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (4)
1.一种基于自适应卡方变换的多时相遥感影像变化检测方法,其特征在于,包括以下步骤:
(1)输入两时相的高分辨率光学遥感影像,分别记为X1和X2;
(2)对X1和X2进行影像配准;
(3)利用多元变化检测方法分别对X1和X2进行辐射归一化校正;
(4)计算多时相差异影像DX=X1-X2;
(5)自适应估计多时相差异影像DX高斯分布的均值m和方差矩阵Σ;
(6)计算多时相差异影像DX上每个点的卡方值;
(7)迭代估计最优检测阈值,利用最优检测阈值进行卡方变换,得到变化检测结果;
迭代估计最优检测阈值的具体过程如下:
(Ⅰ)设定检测阈值的下界τmin、阈值的上界τmax、阈值的步长Δτ;
(Ⅱ)从下界τmin开始,计算阈值τ下DX的非变化区域的均值mτ和方差矩阵Στ,直至达到阈值上界τmax;
(Ⅲ)计算m和mτ的欧拉距离dτm,计算Σ和Στ的Frobenius距离dτΣ;
(Ⅳ)输出(dτm+dτΣ)最小所对应的阈值τ,即为估计的最优检测阈值。
2.根据权利要求1所述基于自适应卡方变换的多时相遥感影像变化检测方法,其特征在于,步骤(5)的具体过程如下:
(A)输入多时相差异影像DX、至少一个像素点不是变化点的概率p、变化点占所有像素点的比值r、利用非变化点数目计算估计均值和方差矩阵的像素点数目时的系数s、确定采样大小的乘积因子f;
(B)计算用来估计均值和方差矩阵的像素点数目:
上式中,N表示DX的像素点总数,表示取最接近的整数;
(C)计算迭代次数:
上式中,m=f(1+b),b是DX的波段数目;
(D)开始如下迭代过程,直到达到迭代次数为n为止:
a)从DX中随机抽取m个点,估计均值m和方差矩阵Σ;
b)对DX中所有的像素点计算如下的距离:
上式中,Dx(i,j)为DX上坐标(i,j)处的像素;
c)将所有的dij按照从小到大的顺序排列;
d)从步骤c)的排列结果中取得前Nmax个dij对应的像素点坐标;
e)计算步骤d)得到的Nmax个像素点坐标对应的均值和方差矩阵;
f)计算步骤e)得到的方差矩阵的行列式值;
g)如果迭代次数小于n,回到步骤a),否则终止迭代,并找出最小的方差距阵行列式值对应的均值和方差矩阵,即为估计的高斯分布的均值和方差矩阵。
3.根据权利要求2所述基于自适应卡方变换的多时相遥感影像变化检测方法,其特征在于:在步骤(A)中,p=0.99,r=0.15,s=0.95,f=2。
4.根据权利要求1所述基于自适应卡方变换的多时相遥感影像变化检测方法,其特征在于:在步骤(2)中,对X1和X2进行影像配准包括几何粗校正和几何精校正,所述几何粗校正的过程:
(ⅰ)选择X1和X2分别作为基准影像和待校正影像;
(ⅱ)在基准影像和待校正影像上分别采集地面控制点,地面控制点的数量大于等于9,且地面控制点均匀分布在影像上;
(ⅲ)计算基准影像和待校正影像各地面控制点处的均方误差;
(ⅳ)采用多项式纠正法对待校正影像进行纠正;
(ⅴ)采用双线性插值法对待校正影像进行重采样;
所述几何精校正是将经过几何粗校正的遥感影像,利用自动匹配与三角剖分法进行校正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610814220.7A CN106650571B (zh) | 2016-09-09 | 2016-09-09 | 一种基于自适应卡方变换的多时相遥感影像变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610814220.7A CN106650571B (zh) | 2016-09-09 | 2016-09-09 | 一种基于自适应卡方变换的多时相遥感影像变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106650571A CN106650571A (zh) | 2017-05-10 |
CN106650571B true CN106650571B (zh) | 2019-09-10 |
Family
ID=58851937
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610814220.7A Expired - Fee Related CN106650571B (zh) | 2016-09-09 | 2016-09-09 | 一种基于自适应卡方变换的多时相遥感影像变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106650571B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107730496A (zh) * | 2017-10-26 | 2018-02-23 | 武汉大学 | 一种基于影像块的多时相遥感影像建筑物变化检测方法 |
CN108038851B (zh) * | 2017-12-11 | 2020-02-07 | 中国科学技术大学 | 一种基于反馈和迭代的雷达图像差异检测方法 |
CN109191503B (zh) * | 2018-08-23 | 2021-08-27 | 河海大学 | 基于条件随机场的遥感影像变化检测方法及系统 |
CN110827330B (zh) * | 2019-10-31 | 2022-08-12 | 河海大学 | 一种时序集成的多光谱遥感图像变化检测方法及系统 |
CN111814671A (zh) * | 2020-07-08 | 2020-10-23 | 三亚中科遥感研究所 | 一种基于遥感协同的林地动态变化监测方法 |
Citations (6)
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 |
CN103500450A (zh) * | 2013-09-30 | 2014-01-08 | 河海大学 | 一种多光谱遥感影像变化检测方法 |
CN103632155A (zh) * | 2013-12-16 | 2014-03-12 | 武汉大学 | 基于慢特征分析的遥感影像变化检测方法 |
CN105225227A (zh) * | 2015-09-07 | 2016-01-06 | 中国测绘科学研究院 | 遥感影像变化检测的方法及系统 |
CN105389817A (zh) * | 2015-11-04 | 2016-03-09 | 河海大学 | 一种两时相遥感影像变化检测方法 |
CN105741309A (zh) * | 2016-03-18 | 2016-07-06 | 武汉大学 | 一种基于卡方变换和样本选择的遥感影像变化检测方法 |
-
2016
- 2016-09-09 CN CN201610814220.7A patent/CN106650571B/zh not_active Expired - Fee Related
Patent Citations (6)
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 |
CN103500450A (zh) * | 2013-09-30 | 2014-01-08 | 河海大学 | 一种多光谱遥感影像变化检测方法 |
CN103632155A (zh) * | 2013-12-16 | 2014-03-12 | 武汉大学 | 基于慢特征分析的遥感影像变化检测方法 |
CN105225227A (zh) * | 2015-09-07 | 2016-01-06 | 中国测绘科学研究院 | 遥感影像变化检测的方法及系统 |
CN105389817A (zh) * | 2015-11-04 | 2016-03-09 | 河海大学 | 一种两时相遥感影像变化检测方法 |
CN105741309A (zh) * | 2016-03-18 | 2016-07-06 | 武汉大学 | 一种基于卡方变换和样本选择的遥感影像变化检测方法 |
Non-Patent Citations (2)
Title |
---|
《基于卡方分布的矢量图和遥感影像变化检测方法》;李亮等;《地理空间信息》;20160430;第14卷(第4期);第45-48页 |
《基于卡方变换的中分辨率遥感影像土地覆盖变化对象识别方法》;杨晓彤等;《地理与地理信息科学》;20140930;第30卷(第5期);第1节第1段第5-6行,第2.3节以及图2 |
Also Published As
Publication number | Publication date |
---|---|
CN106650571A (zh) | 2017-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106650571B (zh) | 一种基于自适应卡方变换的多时相遥感影像变化检测方法 | |
CN106447653B (zh) | 基于空间约束的卡方变换的多时相遥感影像变化检测方法 | |
CN103971115B (zh) | 一种基于NDVI和PanTex指数的新增建设用地图斑自动提取方法 | |
CN105551031B (zh) | 基于fcm和证据理论的多时相遥感影像变化检测方法 | |
CN111161199B (zh) | 一种空谱融合的高光谱影像混合像元低秩稀疏分解方法 | |
CN112381013B (zh) | 基于高分辨率遥感影像的城市植被反演方法及系统 | |
CN106469452A (zh) | 基于空间约束的卡方变换的多时相遥感影像变化检测方法 | |
CN107481235A (zh) | 一种数学形态学滤波结合卡方变换的多时相遥感影像变化检测方法 | |
CN105405133A (zh) | 一种遥感影像变化检测方法 | |
Uss et al. | Multimodal remote sensing image registration with accuracy estimation at local and global scales | |
CN109255781A (zh) | 一种面向对象的基于crf的多时相多光谱遥感影像变化检测方法 | |
CN106372612A (zh) | 一种fcm结合mrf模型的多时相遥感影像变化检测方法 | |
CN107689055A (zh) | 一种多时相遥感影像变化检测方法 | |
CN111340882B (zh) | 基于图像的室内定位方法及装置 | |
CN103871039A (zh) | 一种sar图像变化检测差异图生成方法 | |
CN102938151A (zh) | 一种高光谱图像异常检测的方法 | |
CN106373120B (zh) | 基于非负矩阵分解和核fcm的多时相遥感影像变化检测方法 | |
CN109300115A (zh) | 一种面向对象的多光谱高分辨率遥感影像变化检测方法 | |
CN106485693B (zh) | 卡方变换结合mrf模型的多时相遥感影像变化检测方法 | |
CN105354845B (zh) | 一种遥感影像半监督变化检测方法 | |
CN106384352A (zh) | 基于融合策略和fcm的多时相遥感影像变化检测方法 | |
CN109191503A (zh) | 基于条件随机场的遥感影像变化检测方法及系统 | |
CN114331976A (zh) | 一种基于多级张量先验约束的高光谱异常检测方法 | |
CN104680181B (zh) | 基于似然比特征的sar图像超像素分割方法 | |
CN109242832A (zh) | 一种多时相多光谱遥感影像变化检测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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: 20190910 |