CN106846332A - 一种基于dsm的遥感影像变化检测方法及装置 - Google Patents
一种基于dsm的遥感影像变化检测方法及装置 Download PDFInfo
- Publication number
- CN106846332A CN106846332A CN201611258727.5A CN201611258727A CN106846332A CN 106846332 A CN106846332 A CN 106846332A CN 201611258727 A CN201611258727 A CN 201611258727A CN 106846332 A CN106846332 A CN 106846332A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- image data
- dsm
- phase
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 46
- 230000008859 change Effects 0.000 title claims abstract description 38
- 230000011218 segmentation Effects 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 19
- 230000003595 spectral effect Effects 0.000 claims abstract description 15
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 claims description 39
- 241001269238 Data Species 0.000 claims description 15
- 238000000638 solvent extraction Methods 0.000 claims description 10
- 230000004069 differentiation Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 3
- 238000007689 inspection Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000005314 correlation function Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- VAYOSLLFUXYJDT-RDTXWAMCSA-N Lysergic acid diethylamide Chemical compound C1=CC(C=2[C@H](N(C)C[C@@H](C=2)C(=O)N(CC)CC)C2)=C3C2=CNC3=C1 VAYOSLLFUXYJDT-RDTXWAMCSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
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
-
- 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
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明适用于图像处理技术领域，提供了一种基于DSM的遥感影像变化检测方法及装置。该方法包括：对目标区域的至少两个时相的遥感影像数据分别进行多尺度分割；叠加分割结果和DSM辅助数据，并根据目标地物的影像光谱信息和高程起伏特征生成分类器，对各个时相的所述遥感影像数据进行分类；对比各个时相的所述遥感影像分类后的几何图斑，对所述目标地物进行变化检测。该方法通过叠加高程几何信息来表达地物起伏情况，辅助识别不同地物的变化，能够有效提高分类及地物变化检测精度。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于DSM的遥感影像变化检测方法及装置。
背景技术
遥感影像变化检测的方法包括单变量图像差值法、图像比值法、植被指数法和主成分分析法等。然而，上述算法依赖的信息基础是影像的辐射信息，易受影像光谱特征影响较大，尤其是随着影像分辨率提高、地物复杂度提高，导致地物变化检测可靠性迅速降低。
发明内容
有鉴于此，本发明实施例提供基于DSM的遥感影像变化检测方法及装置，解决现有技术中高影像分辨率和高地物复杂度使得地物变化检测可靠性迅速降低的技术问题。
本发明实施例的第一方面，提供一种基于DSM的遥感影像变化检测方法，包括：
对目标区域的至少两个时相的遥感影像数据分别进行多尺度分割；
叠加分割结果和DSM辅助数据，并根据目标地物的影像光谱信息和高程起伏特征生成分类器，对各个时相的所述遥感影像数据进行分类；
对比各个时相的所述遥感影像分类后的几何图斑，对所述目标地物进行变化检测。
本发明实施例的第二方面，提供一种基于DSM的遥感影像变化检测装置，包括：
分割模块，用于对目标区域的至少两个时相的遥感影像数据分别进行多尺度分割；
分类模块，用于将DSM辅助数据和所述分割模块的分割结果进行叠加，并根据目标地物的影像光谱信息和高程起伏特征生成分类器，对各个时相的所述遥感影像数据进行分类；
变化检测模块，用于对比各个时相的所述遥感影像分类后的几何图斑，对所述目标地物进行变化检测。
采用上述技术方案，本发明至少可取得下述技术效果：本发明实施例对目标区域的至少两个时相的遥感影像数据分别进行多尺度分割，叠加分割结果和DSM辅助数据，并根据目标地物的影像光谱信息和高程起伏特征生成分类器，对各个时相的所述遥感影像数据进行分类，然后对比各个时相的所述遥感影像分类后的几何图斑，对所述目标地物进行变化检测，通过叠加高程几何信息来表达地物起伏情况，辅助识别不同地物的变化，能够有效提高分类及地物变化检测精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对本发明实施例描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据本发明实施例的内容和这些附图获得其他的附图。
图1是本实施例所述的基于DSM的遥感影像变化检测方法的流程图；
图2是本实施例所述的对目标区域的至少两个时相的遥感影像数据分别进行多尺度分割的实现流程图；
图3是本实施例所述的叠加分割结果和DSM辅助数据，并根据目标地物的影像光谱信息和高程起伏特征生成分类器，对各个时相的所述遥感影像数据进行分类的实现流程图；
图4是本实施例所述的对北京市房山区的遥感影像的匹配度检查图；
图5是本实施例所述的对北京市房山区的遥感影像的多尺度分割结果图；
图6是本实施例所述的对北京市房山区的遥感影像的DSM辅助数据加载显示图；
图7是本实施例所述的对北京市房山区的遥感影像的设定阈值后对应的地类覆盖范围图；
图8是本实施例所述的对北京市房山区的遥感影像的分类结果叠加显图；
图9是本实施例所述的对北京市房山区的遥感影像的变化检测结果叠加显示图图；
图10是本实施例所述的基于DSM的遥感影像变化检测装置的结构框图；
图11是本实施例所述的分割模块的结构框图；
图12是本实施例所述的分类模块的结构框图。
具体实施方式
提供以下参照附图的描述来帮助全面理解由权利要求及其等同物限定的本公开的各种实施例。以下描述包括帮助理解的各种具体细节，但是这些细节将被视为仅是示例性的。因此，本领域普通技术人员将认识到，在不脱离本公开的范围和精神的情况下，可对本文所述的各种实施例进行各种改变和修改。另外，为了清晰和简洁，公知功能和构造的描述可被省略。
以下描述和权利要求书中所使用的术语和词汇不限于文献含义，而是仅由发明人用来使本公开能够被清晰和一致地理解。因此，对于本领域技术人员而言应该明显的是，提供以下对本公开的各种实施例的描述仅是为了示例性目的，而非限制由所附权利要求及其等同物限定的本公开的目的。
应该理解，除非上下文明确另外指示，否则单数形式也包括复数指代。因此，例如，对“组件表面”的引用包括对一个或更多个这样的表面的引用。
实施例一
图1是本实施例基于DSM的遥感影像变化检测方法的流程图。
参考图1，本实施例所述的基于DSM的遥感影像变化检测方法如下步骤：
步骤S101，对目标区域的至少两个时相的遥感影像数据分别进行多尺度分割。
参见图2，一个实施例中，步骤S101可以通过以下过程实现：
步骤S201，设置分割参数，根据所述分割参数定义异质度的阈值。其中，所述分割参数包括面积尺度、形状因子权值和紧凑度权值等中的至少一种。
步骤S202，根据所述异质度的阈值对所述遥感影像数据进行分割。
具体的，可以首先设置参数，包括面积尺度、形状因子权值和紧凑度权值等。从一个单个像元开始，分别与其邻域进行计算，以降低最终结果的异质性，当一轮合并结束后，以上一轮生成的对象为基本单元，继续分别于其邻域对象进行计算，这一过程将一直持续到在用户指定尺度上已经不能再进行任何对象的合并为止，并采用局部相互最适应准则来保证每次合并的结果是所有可能合并方案中异质度最小。在实际应用中，要通过设置分割尺度参数来定义异质度的阈值，在阈值内的就合并，异质度超过阈值的就不能合并，并根据不同的分类目标选择合适的参数，以得到合理的分割结果。
进一步的，在步骤S101之前，还可以包括：对所述目标区域的各个时相的遥感影像数据进行匹配度检测；并在匹配度满足预设要求时，执行步骤S101。
具体的，可以首先获取目标区域的第一时相遥感影像信号，然后取出该遥感影像信号在另一时相的遥感影像中相应目标区域的第二时相遥感影像信号。计算第一时相遥感影像信号和第二时相遥感影像信号相关函数，以相关函数最大值对应的区域中心点为同名点。根据该同名点对各个时相的遥感影像数据进行匹配度检测。即，利用互相关函数评价两块影像的相似性实现两景不同时相影像的匹配度检查。
步骤S102，叠加分割结果和DSM辅助数据，并根据目标地物的影像光谱信息和高程起伏特征生成分类器，对各个时相的所述遥感影像数据进行分类。
具体的，将分割结果、高分辨率影像以及DSM数据进行叠加，通过人机交互方式构建一个包含对象光谱特征、几何特征以及高程起伏特征的分类表达式作为分类器。根据该分类器对各个时相的所述遥感影像数据进行分类。
参见图3，一个实施例中，步骤S102可以通过以下过程实现：
步骤S301，通过DSM获取分割对象内高程数据，并根据不同地物落在不同区域的高程均值和标准差，得出目标区域内地物高程的特征。
步骤S302，结合遥感影像光谱信息，对不同地物高程的特征值进行差异化处理，通过调整不同属性参数的值域范围，选取对不同地物具有较大差异显示的属性值作为分割阈值。
具体的，可以利用DSM数据建立方差表达式，通过调整方差特征值值域范围，结合实际地物分布状况，获取代表不同地物(如绿地、城区等)的特征阈值。本实施例中以分割对象为单元，通过获取各个对象区域内的DSM均值辅助完成分类器设计，实现目标地物的最大化区分。
例如，对裸地或道路而言，DSM方差特征值较小，能够表达出的地物起伏特征则不明显；而对建筑物来说，在DSM中表现为大块亮色区域，形状较为规则，DSM方差统计量较大，则地物起伏特征明显。因此可将DSM辅助数据与多尺度分割后的影像叠加，统计各分割单元的DSM方差，根据方差特征值大小识别不同地物，以此作为分类器设计的依据。
步骤S303，根据所述分割阈值对各个时相的所述遥感影像数据进行分类。
具体的，可以按照设定的分类表达式，对对象集合进行划分，使得到的每个子集形成一个与现实地物相对应的区域，且各个区域内部具有一致的属性。利用影像中待提取的目标物与其背景在灰度特性上的差异，把图像视为具有不同灰度级的两类区域(目标和背景)的组合，选取一个合适的阈值，以确定图像中每个像素点应该属于目标区域还是背景区域，从而产生对应的二值影像。
分别截取DSM方差在相应值域内的部分，并赋值，如建筑类标识为1，植被标识为2，水体标识为3等，剩余部分赋值为0，表示背景，分别对两个时相影像中各类目标地物通过上述方法进行类别划分，生成两个时相分类结果数据，其中，最佳阈值的选择是通过手动调整特征值值域范围进行目视判读实现的。
步骤S103，对比各个时相的所述遥感影像分类后的几何图斑，对所述目标地物进行变化检测。
本步骤中，可以将各个不同时相的遥感影像分类结果进行叠加分析，并根据叠加分析结果确定目标地物的变化信息。
具体的，可以将两个不同时期的影像分类结果转为矢量数据导出，对其进行叠加分析，并统计叠加分析结果，从而确定地物变化信息，如位置、面积、变化类型等。对每一种地物赋予唯一的分类标识码，叠加结果形如11、22则表示该区域地物没有发生变化，类别属性信息形如12、21的则说明该区域地物类型由1类变为2类或由2类变为1类。
以下通过一具体实施例，对本发明实施例进行详细说明。
采用2014年与2015年天绘一号卫星拍摄的北京市房山区2m分辨率的多光谱、全色影像数据，通过将不同时相的多光谱与全色影像融合，并添加相应的DSM辅助数据，利用本专利所述方法，实现对两时相影像中建筑与绿地两类地物的变化检测。
步骤一：对预处理后的不同时相的试验区影像进行匹配度检查。
首先加载两个不同时相的影像数据，然后执行匹配度检查。在分割分类之前对两个不同时相的遥感影像进行匹配度检查，以便于采用统一的分割分类方法处理两个不同时相的影像，提高变化监测结果的可靠性，如图4所示，此处采用目视匹配检查。
步骤二：对不同时相的房山区天绘一号影像进行多尺度分割。
1.加载房山区天绘一号影像数据。
2.设置多尺度动态分割参数，如最大尺度、尺度间隔、平滑度等。
3.执行多尺度分割。
如图5所示，多尺度分割依据地物光谱信息，基于分割尺度等参数将对象分为像元灰度值相近的小区域，为地物分类奠定基础，结合特征值表达式，方便地物提取。
步骤三：分类器设计。
首先，添加房山区DSM辅助数据，如图6所示，亮色部分表示建筑物明显区域，暗色部分表示非建筑区域(包含建筑高度不明显居民区及水体)。
其次，读取DSM数据包含的高程值信息，结合像元DSM均值建立方差表达式如下：
其中，S表示方差值，n表示分割单元内包含的像元个数，D表示分割单元内的高程均值，D1、D2、D3、…、Dn分别表示分割单元内各个像元的DSM高程属性值。
接着，查看方差表达式对应的属性特征值，通过调整特征值值域确定分类阈值。
最后，根据阈值建立地物提取表达式：“DSM影像方差”>S阈，再结合形状因子、面积等其他参数完成分类器设计，从而实现对绿地、建筑等不同地物的提取。其中，DSM影像方差是指DSM影像中像元的方差值，S阈是指能够将不同地物特征进行显著区别的特定的影像方差值。图7为设定阈值后对应绿地地物的覆盖范围。
步骤四：执行分类。
按照分类器设计规则分别对两时相影像作分类处理。将分类结果与实际影像叠加，针对错分要素作细部处理，校正分类结果，最终分类结果与影像叠加显示如图8所示。
步骤五：变化检测及结果获取。
将分类结果转为矢量数据导出，对北京市房山区两时相影像的分类结果作叠加分析。然后，提取发生变化的区域，并确定变化前后的地物类型。
以2015年遥感影像为底图，将变化检测结果与之叠加显示，如图9所示。明确变化范围，完成变化检测结果统计，如表1所示，表中数值表示地物类别发生变化的百分比。
表1统计分析结果
| 类别 | 绿地 | 建筑 | 合计 |
| 绿地 | 0.179385 | 0.117928 | 0.297313 |
| 建筑 | 0.027054 | 0.675633 | 0.702687 |
| 合计 | 0.206439 | 0.793561 | 1 |
上述基于DSM的遥感影像变化检测方法，对目标区域的至少两个时相的遥感影像数据分别进行多尺度分割，叠加分割结果和DSM辅助数据，并根据目标地物的影像光谱信息和高程起伏特征生成分类器，对各个时相的所述遥感影像数据进行分类，然后对比各个时相的所述遥感影像分类后的几何图斑，对所述目标地物进行变化检测，通过叠加高程几何信息来表达地物起伏情况，辅助识别不同地物的变化，能够有效提高分类及地物变化检测精度。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
实施例二
对应于上文实施例所述的基于DSM的遥感影像变化检测方法，图10示出了本发明实施例所述的基于DSM的遥感影像变化检测装置的结构框图。为了便于说明，仅示出了与本实施例相关的部分。
图10为本实施例所述的基于DSM的遥感影像变化检测图。参见图10，基于DSM的遥感影像变化检测装置可以包括分割模块101、分类模块102和变化检测模块103。其中，分割模块101，用于对目标区域的至少两个时相的遥感影像数据分别进行多尺度分割。分类模块102，用于将DSM辅助数据和所述分割模块的分割结果进行叠加，并根据目标地物的影像光谱信息和高程起伏特征生成分类器，对各个时相的所述遥感影像数据进行分类。变化检测模块103，用于对比各个时相的所述遥感影像分类后的几何图斑，对所述目标地物进行变化检测。
参见图11，一个实施例中，所述分割模块101可以包括设置单元201和分割单元202。其中，设置单元201，用于设置分割参数，根据所述分割参数定义异质度的阈值。所述分割参数包括面积尺度、形状因子权值和紧凑度权值等中的至少一种。分割单元202，用于根据所述异质度的阈值对所述遥感影像数据进行分割。
参见图12，一个实施例中，所述分类模块102可以包括特征值单元301、阈值单元302和分类单元303。其中，特征值单元301，用于通过DSM获取分割对象内高程数据，并根据不同地物落在不同区域的高程均值和标准差，得出目标区域内地物高程的特征值。阈值单元302，用于结合遥感影像光谱信息，对不同地物高程的特征值进行差异化处理，通过调整不同属性参数的值域范围，选取对不同地物具有较大差异显示的属性值作为分割阈值。分类单元303，用于根据所述分割阈值对各个时相的所述遥感影像数据进行分类。
可选的，所述变化检测模块103具体可以用于：将各个不同时相的遥感影像分类结果进行叠加分析，并根据叠加分析结果确定目标地物的变化信息。
优选的，所述基于DSM的遥感影像变化检测装置还可以包括匹配度检测模块104。其中，所述匹配度检测模块104，用于对所述目标区域的各个时相的遥感影像数据进行匹配度检测。在所述匹配度检测模块104检测出的匹配度满足预设要求时，所述分割模块101对目标区域的至少两个时相的遥感影像数据分别进行多尺度分割。
上述基于DSM的遥感影像变化检测装置，对目标区域的至少两个时相的遥感影像数据分别进行多尺度分割，叠加分割结果和DSM辅助数据，并根据目标地物的影像光谱信息和高程起伏特征生成分类器，对各个时相的所述遥感影像数据进行分类，然后对比各个时相的所述遥感影像分类后的几何图斑，对所述目标地物进行变化检测，通过叠加高程几何信息来表达地物起伏情况，辅助识别不同地物的变化，能够有效提高分类及地物变化检测精度。
应该注意的是，如上所述的本公开的各种实施例通常在一定程度上涉及输入数据的处理和输出数据的生成。此输入数据处理和输出数据生成可在与硬件结合的软件中实现。例如，可在移动装置或者相似、相关的电路中采用特定电子组件以用于实现与如上所述本公开的各种实施例关联的功能。另外，依据所存储的指令来操作的一个或多个处理器可实现与如上所述本公开的各种实施例关联的功能。如果是这样，则这些指令可被存储在一个或多个非暂时性处理器可读介质上，这是在本公开的范围内。处理器可读介质的示例包括只读存储器(ROM)、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光学数据存储装置。另外，用于实现本公开的功能计算机程序、指令和指令段可由本公开所属领域的程序员容易地解释。
尽管已参照本公开的各种实施例示出并描述了本公开，但是本领域技术人员将理解，在不脱离由所附权利要求及其等同物限定的本公开的精神和范围的情况下，可对其进行形式和细节上的各种改变。
Claims (10)
1.一种基于DSM的遥感影像变化检测方法，其特征在于，包括：
对目标区域的至少两个时相的遥感影像数据分别进行多尺度分割；
叠加分割结果和DSM辅助数据，并根据目标地物的影像光谱信息和高程起伏特征生成分类器，对各个时相的所述遥感影像数据进行分类；
对比各个时相的所述遥感影像分类后的几何图斑，对所述目标地物进行变化检测。
2.如权利要求1所述方法，其特征在于，所述对目标区域的至少两个时相的遥感影像数据分别进行多尺度分割包括：
设置分割参数，根据所述分割参数定义异质度的阈值；所述分割参数包括面积尺度、形状因子权值和紧凑度权值中的至少一种；
根据所述异质度的阈值对所述遥感影像数据进行分割。
3.如权利要求1所述方法，其特征在于，所述叠加分割结果和DSM辅助数据，并根据目标地物的影像光谱信息和高程起伏特征生成分类器，对各个时相的所述遥感影像数据进行分类包括：
通过DSM获取分割对象内高程数据，并根据不同地物落在不同区域的高程均值和标准差，得出目标区域内地物高程的特征；
结合遥感影像光谱信息，对不同地物高程的特征值进行差异化处理，通过调整不同属性参数的值域范围，选取对不同地物具有较大差异显示的属性值作为分割阈值；
根据所述分割阈值对各个时相的所述遥感影像数据进行分类。
4.如权利要求1所述方法，其特征在于，所述对比各个时相的所述遥感影像分类后的几何图斑，对所述目标地物进行变化检测具体为：
将各个不同时相的遥感影像分类结果进行叠加分析，并根据叠加分析结果确定目标地物的变化信息。
5.如权利要求1所述方法，其特征在于，在所述对覆盖目标区域的至少两个时相的遥感影像数据进行多尺度分割之前，还包括：
对所述目标区域的各个时相的遥感影像数据进行匹配度检测；
并在匹配度满足预设要求时，执行所述对目标区域的至少两个时相的遥感影像数据分别进行多尺度分割步骤。
6.一种基于DSM的遥感影像变化检测装置，其特征在于，包括：
分割模块，用于对目标区域的至少两个时相的遥感影像数据分别进行多尺度分割；
分类模块，用于将DSM辅助数据和所述分割模块的分割结果进行叠加，并根据目标地物的影像光谱信息和高程起伏特征生成分类器，对各个时相的所述遥感影像数据进行分类；
变化检测模块，用于对比各个时相的所述遥感影像分类后的几何图斑，对所述目标地物进行变化检测。
7.如权利要求6所述装置，其特征在于，所述分割模块包括：
设置单元，用于设置分割参数，根据所述分割参数定义异质度的阈值；所述分割参数包括面积尺度、形状因子权值和紧凑度权值中的至少一种；
分割单元，用于根据所述异质度的阈值对所述遥感影像数据进行分割。
8.如权利要求6所述装置，其特征在于，所述分类模块包括：
特征值单元，用于通过DSM获取分割对象内高程数据，并根据不同地物落在不同区域的高程均值和标准差，得出目标区域内地物高程的特征值；
阈值单元，用于结合遥感影像光谱信息，对不同地物高程的特征值进行差异化处理，通过调整不同属性参数的值域范围，选取对不同地物具有较大差异显示的属性值作为分割阈值；
分类单元，用于根据所述分割阈值对各个时相的所述遥感影像数据进行分类。
9.如权利要求6所述装置，其特征在于，所述变化检测模块具体用于：将各个不同时相的遥感影像分类结果进行叠加分析，并根据叠加分析结果确定目标地物的变化信息。
10.如权利要求6所述装置，其特征在于，还包括：
匹配度检测模块，用于对所述目标区域的各个时相的遥感影像数据进行匹配度检测；
在所述匹配度检测模块检测出的匹配度满足预设要求时，所述分割模块对目标区域的至少两个时相的遥感影像数据分别进行多尺度分割。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611258727.5A CN106846332A (zh) | 2016-12-30 | 2016-12-30 | 一种基于dsm的遥感影像变化检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611258727.5A CN106846332A (zh) | 2016-12-30 | 2016-12-30 | 一种基于dsm的遥感影像变化检测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106846332A true CN106846332A (zh) | 2017-06-13 |
Family
ID=59112819
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611258727.5A Pending CN106846332A (zh) | 2016-12-30 | 2016-12-30 | 一种基于dsm的遥感影像变化检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106846332A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108446636A (zh) * | 2018-03-20 | 2018-08-24 | 中国科学院地理科学与资源研究所 | 地物识别方法及系统 |
| CN110349173A (zh) * | 2019-07-15 | 2019-10-18 | 长光卫星技术有限公司 | 基于高分辨率遥感影像的地物变化监测方法 |
| CN110414566A (zh) * | 2019-07-01 | 2019-11-05 | 武汉大学 | 一种基于时间序列PolSAR影像的土地覆盖类型变化检测方法 |
| CN111144328A (zh) * | 2019-12-25 | 2020-05-12 | 中国地质调查局南京地质调查中心 | 浅层不良地质体分布获取方法、装置和电子设备 |
| CN111915669A (zh) * | 2020-08-03 | 2020-11-10 | 北京吉威空间信息股份有限公司 | 一种基于总量控制的土地调查线状地物图斑化方法 |
| CN112070780A (zh) * | 2020-08-05 | 2020-12-11 | 中国人民解放军61540部队 | 居民地提取结果轮廓直线性处理方法和装置及设备 |
| CN112233062A (zh) * | 2020-09-10 | 2021-01-15 | 浙江大华技术股份有限公司 | 地物变化检测方法、电子装置和存储介质 |
| CN112906659A (zh) * | 2021-03-31 | 2021-06-04 | 夏程巧 | 基于虚拟样本的遥感影像变化检测方法 |
| CN113569760A (zh) * | 2021-07-29 | 2021-10-29 | 重庆交通大学 | 基于多模态深度学习的三维变化检测方法 |
| CN113989660A (zh) * | 2021-10-14 | 2022-01-28 | 浙江数维科技有限公司 | 一种不同时相影像变化的检测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104006802A (zh) * | 2014-05-06 | 2014-08-27 | 国家基础地理信息中心 | 一种基于信息融合的地表三维变化检测方法及系统 |
| CN104766341A (zh) * | 2015-05-04 | 2015-07-08 | 福建师范大学 | 一种基于dsm和核密度估计的遥感影像建筑物变化检测方法 |
-
2016
- 2016-12-30 CN CN201611258727.5A patent/CN106846332A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104006802A (zh) * | 2014-05-06 | 2014-08-27 | 国家基础地理信息中心 | 一种基于信息融合的地表三维变化检测方法及系统 |
| CN104766341A (zh) * | 2015-05-04 | 2015-07-08 | 福建师范大学 | 一种基于dsm和核密度估计的遥感影像建筑物变化检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 朱江涛等: ""基于Adaboost的高光谱与LiDAR数据特征选择与分类"", 《遥感信息》 * |
| 林党辉: ""基于光谱纹理信息融合的SAR图像特征级变化检测研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 王荣等: ""面向对象最优分割尺度的选择及评价"", 《测绘科学》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108446636A (zh) * | 2018-03-20 | 2018-08-24 | 中国科学院地理科学与资源研究所 | 地物识别方法及系统 |
| CN110414566A (zh) * | 2019-07-01 | 2019-11-05 | 武汉大学 | 一种基于时间序列PolSAR影像的土地覆盖类型变化检测方法 |
| CN110414566B (zh) * | 2019-07-01 | 2020-11-17 | 武汉大学 | 一种基于时间序列PolSAR影像的土地覆盖类型变化检测方法 |
| CN110349173A (zh) * | 2019-07-15 | 2019-10-18 | 长光卫星技术有限公司 | 基于高分辨率遥感影像的地物变化监测方法 |
| CN111144328A (zh) * | 2019-12-25 | 2020-05-12 | 中国地质调查局南京地质调查中心 | 浅层不良地质体分布获取方法、装置和电子设备 |
| CN111915669A (zh) * | 2020-08-03 | 2020-11-10 | 北京吉威空间信息股份有限公司 | 一种基于总量控制的土地调查线状地物图斑化方法 |
| CN111915669B (zh) * | 2020-08-03 | 2024-04-05 | 北京吉威空间信息股份有限公司 | 一种基于总量控制的土地调查线状地物图斑化方法 |
| CN112070780A (zh) * | 2020-08-05 | 2020-12-11 | 中国人民解放军61540部队 | 居民地提取结果轮廓直线性处理方法和装置及设备 |
| CN112233062A (zh) * | 2020-09-10 | 2021-01-15 | 浙江大华技术股份有限公司 | 地物变化检测方法、电子装置和存储介质 |
| CN112906659A (zh) * | 2021-03-31 | 2021-06-04 | 夏程巧 | 基于虚拟样本的遥感影像变化检测方法 |
| CN113569760A (zh) * | 2021-07-29 | 2021-10-29 | 重庆交通大学 | 基于多模态深度学习的三维变化检测方法 |
| CN113989660A (zh) * | 2021-10-14 | 2022-01-28 | 浙江数维科技有限公司 | 一种不同时相影像变化的检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106846332A (zh) | 一种基于dsm的遥感影像变化检测方法及装置 | |
| CN110287932B (zh) | 基于深度学习图像语义分割的道路阻断信息提取方法 | |
| Huang et al. | Morphological building/shadow index for building extraction from high-resolution imagery over urban areas | |
| Hussain et al. | Change detection from remotely sensed images: From pixel-based to object-based approaches | |
| Rizeei et al. | Oil palm counting and age estimation from WorldView‐3 imagery and LiDAR data using an integrated OBIA height model and regression analysis | |
| Awrangjeb et al. | Automatic detection of residential buildings using LIDAR data and multispectral imagery | |
| Gao et al. | Building extraction from RGB VHR images using shifted shadow algorithm | |
| CN108710913A (zh) | 一种基于深度学习的开关柜图像开关状态自动识别方法 | |
| CN103186904A (zh) | 图片轮廓提取方法及装置 | |
| CN106339674A (zh) | 基于边缘保持与图割模型的高光谱影像分类方法 | |
| CN101937079A (zh) | 基于区域相似度的遥感影像变化检测方法 | |
| Singh et al. | A two-stage framework for road extraction from high-resolution satellite images by using prominent features of impervious surfaces | |
| Wu et al. | An object-based image analysis for building seismic vulnerability assessment using high-resolution remote sensing imagery | |
| CN110889421A (zh) | 目标物检测方法及装置 | |
| EP3680608A1 (en) | Antenna downward inclination angle measurement method based on multi-scale detection algorithm | |
| Uzar | Automatic building extraction with multi-sensor data using rule-based classification | |
| CN104952070A (zh) | 一种类矩形引导的玉米田遥感图像分割方法 | |
| US11790636B1 (en) | System and method for detection of gas in the atmosphere from a multispectral image | |
| Norman et al. | Spatio-statistical optimization of image segmentation process for building footprint extraction using very high-resolution WorldView 3 satellite data | |
| CN108446636A (zh) | 地物识别方法及系统 | |
| JP6334281B2 (ja) | 林相解析装置、林相解析方法及びプログラム | |
| CN110427961B (zh) | 一种基于规则和样本融合的建筑信息提取方法及系统 | |
| Koc-San et al. | A model-based approach for automatic building database updating from high-resolution space imagery | |
| CN117036748A (zh) | 高分辨率遥感影像标注的迁移修正方法、系统及存储介质 | |
| Georganos et al. | Extracting urban deprivation indicators using superspectral very-high-resolution satellite imagery |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170613 |