CN106960443A - 基于全极化时序sar图像的非监督变化检测的方法及装置 - Google Patents
基于全极化时序sar图像的非监督变化检测的方法及装置 Download PDFInfo
- Publication number
- CN106960443A CN106960443A CN201710170746.0A CN201710170746A CN106960443A CN 106960443 A CN106960443 A CN 106960443A CN 201710170746 A CN201710170746 A CN 201710170746A CN 106960443 A CN106960443 A CN 106960443A
- Authority
- CN
- China
- Prior art keywords
- image
- difference image
- complete polarization
- tau
- optimal threshold
- 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.)
- Granted
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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
Abstract
本发明的基于全极化时序SAR图像的非监督变化检测装置,包括:图像预处理单元,对同一地理范围的不同时相的一对全极化时序SAR图像进行配准和滤波;初步差异影像生成单元,对所述一对全极化时序SAR图像中相对应的位置进行假设检验而生成初步差异影像;最优阈值选取单元,利用KI算法,对所述生成的初步差异影像选取最优阈值;以及检测结果生成单元,利用所述选取的最优阈值对所述初步差异影像进行二值分割,对小于阈值的像素赋予表示没有发生变化的值,对于大于阈值的像素赋予表示发生了变化的值,最后生成检测结果。根据本发明,可充分利用SAR图像的全极化信息,实现对不同时相的SAR图像全自动、高精度地提取变化信息。
Description
技术领域
本发明属于遥感图像处理技术领域,涉及一种对时序图像进行非监督变化检测的方法,具体涉及利用符合全极化信息的Wishart分布的假设检验和KI最小分类误差方法对时序合成孔径雷达(Synthetic Aperture Radar,SAR)图像进行非监督变化检测的方法及系统。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)技术是一种重要的对地观测手段,与光学遥感技术相比,合成孔径雷达(Synthetic Aperture Radar,SAR)系统具有全天候、全天时获取遥感数据的优势。同时,SAR对探测目标的几何特征和物理特征也非常敏感,是一种较好的变化检测信息源,因此,广泛应用于军事、民用等众多领域。
基于SAR图像变化检测技术是通过对不同时期SAR图像比较分析,根据对图像的差异分析来获取所需要的地物变化信息。该技术可以应用于很多方面,诸如对地震区域的定位和灾害评估、对农作物生长状况的监测以及对土地使用的监测等等。变化检测技术中最重要的两个环节是差异图像的构造和变化信息的提取。目前,基于SAR图像的变化检测方法有很多,如构造差异图像的方法主要有差值法、比值法、对数比值法、主成分分析法、变化向量分析法、去相关法、分类法;变化信息的提取方法主要有阈值法、考虑空间上下文关系的变化信息提取方法(如马尔科夫随机场、神经网络、小波变换)等。但现有变化检测算法存在对极化信息利用不足,需要人工干预等问题。
并且,在复杂的地理环境下,地物的后向散射特征易受多种因素的影响:如地物的生物、物理参数、介电常数、环境因素(如天气状况)、雷达参数(雷达波入射角、波长、极化方式)等,因而即使是未变的地物,在不同时相SAR图像上的灰度值及其统计特征也存在着不同程度的差异,这些差异增加了变化类型的复杂性和变化检测技术的难度。
发明内容
所要解决的技术问题
鉴于现有技术中存在的上述问题,本发明的目的在于提出一种实现全自动、高精度地提取变化信息的基于全极化时序SAR图像的非监督变化检测的方法及装置,其基于假设检验理论思想,并利用KI最小分类误差方法自动选择最优阈值来对时序全极化合成孔径雷达图像进行变化检测。
解决方案
用于实现上述技术问题的本发明的基于全极化时序SAR图像的非监督变化检测装置,包括:图像预处理单元,对同一地理范围的不同时相的一对全极化时序SAR图像进行配准和滤波;初步差异影像生成单元,对所述经配准和滤波的一对全极化时序SAR图像中相对应的位置进行假设检验而生成初步差异影像;最优阈值选取单元,利用KI算法,对所述生成的初步差异影像选取最优阈值;以及检测结果生成单元,利用所述选取的最优阈值对所述初步差异影像进行二值分割,对小于阈值的像素赋予表示没有发生变化的值,对于大于阈值的像素赋予表示发生了变化的值,最后生成检测结果。
进一步,所述配准是通过重采样的方法将所述全极化时序SAR图像设置到相同分辨率上,通过对地理坐标的对应关系进行配准;
所述滤波是对所述全极化时序SAR图像进行精致Lee滤波处理来滤除斑点噪声对变化检测的影响。
进一步,所述初步差异影像生成单元生成初步差异影像时,通过函数-2ρlnQ进行相似度测量,
-2ρlnQ=-2ρn(2pln2+ln|X|+ln|Y|-2ln|X+Y|)
其中,ρ表示调节因子,p代表协方差矩阵的维度,m和n代表待处理图像的视数,Q代表似然比的结果,X和Y表示独立且服从复Wishart分布,X和Y的表达式为:
X∈WC(p,n,Σ)
Y∈WC(p,m,Σ)。
进一步,所述最优阈值选取单元,具体通过以下过程选取最优阈值:
首先,利用所述初步差异影像的概率密度直方图和对数似然概率求得最优的决策函数,该决策函数表达式如下:
其中,h(z)代表所述初步差异图像的概率密度直方图,
c(z,τ)表示对数似然概率,
其中,p表示灰度级Z和阈值为τ的情况下为变化(或非变化的)后验概率密度函数;
之后,计算最小误差作为最优阈值T,表达式为:
T=argmin{J(τ):τ=0,1,2...Z-1}。
用于实现上述技术问题的本发明的基于全极化时序SAR图像的非监督变化检测方法,包括:图像预处理步骤,对同一地理范围的不同时相的一对全极化时序SAR图像进行配准和滤波;初步差异影像生成步骤,对所述经配准和滤波的一对全极化时序SAR图像中相对应的位置进行假设检验而生成初步差异影像;最优阈值选取步骤,利用KI算法,对所述生成的初步差异影像选取最优阈值;以及检测结果生成步骤,利用所述选取的最优阈值对所述初步差异影像进行二值分割,对小于阈值的像素赋予表示没有发生变化的值,对于大于阈值的像素赋予表示发生了变化的值,最后生成检测结果。
进一步,所述配准是通过重采样的方法将所述全极化时序SAR图像设置到相同分辨率上,通过对地理坐标的对应关系进行配准;
所述滤波是对所述全极化时序SAR图像进行精致Lee滤波处理来滤除斑点噪声对变化检测的影响。
进一步,在所述初步差异影像生成步骤生成初步差异影像时,通过函数-2ρlnQ进行相似度测量,
-2ρlnQ=-2ρn(2pln2+ln|X|+ln|Y|-2ln|X+Y|)
其中,ρ表示调节因子,p代表协方差矩阵的维度,m和n代表待处理图像的视数,Q代表似然比的结果,X和Y表示独立且服从复Wishart分布,X和Y的表达式为:
X∈WC(p,n,Σ)
Y∈WC(p,m,Σ)。
进一步,在最优阈值选取步骤,具体通过以下过程选取最优阈值:
首先,利用所述初步差异影像的概率密度直方图和对数似然概率求得最优的决策函数,该决策函数表达式如下:
其中,h(z)代表所述初步差异图像的概率密度直方图,
c(z,τ)表示对数似然概率,
其中,p表示灰度级Z和阈值为τ的情况下为变化(或非变化的)后验概率密度函数;
之后,计算最小误差作为最优阈值T,表达式为:
T=argmin{J(τ):τ=0,1,2...Z-1}。
技术效果
通过本发明的基于全极化时序SAR图像的非监督变化检测方法和装置,可充分利用全极化时序SAR图像的全极化信息,实现对不同时相的全极化时序SAR图像全自动、高精度地提取变化信息。
附图说明
图1是示出本发明的一优选实施方式的基于全极化时序SAR图像的非监督变化检测装置的框图。
图2是示出本发明的一优选实施方式的基于全极化时序SAR图像的非监督变化检测方法的流程图。
图3是上述优选实施方式的实例中所使用的一对全极化时序SAR图像。
图4是对图3中所示的一对全极化时序SAR图像进行非监督变化检测得到的实验结果图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明的优选实施方式进行详细说明。
如前所述,地物的变化非常复杂,为了从SAR图像上提取出更丰富的信息,对于变化区域,需要识别出后向散射增强区域和后向散射减弱区域,并且这两种区域中像素灰度值的统计特征也不相同。因此,本发明的实施方式基于假设检验理论思想,并利用KI最小分类误差方法自动选择最优阈值来对全极化时序SAR图像进行变化检测,实现全自动、高精度地提取变化信息。
下面,具体说明本发明的一优选实施方式。
图1是示出本发明的一优选实施方式的基于全极化时序SAR图像的非监督变化检测装置的框图。图2是示出本发明的一优选实施方式的基于全极化时序SAR图像的非监督变化检测方法的流程图。
如图1所示,本发明的一优选实施方式的基于全极化时序SAR图像的非监督变化检测装置100包括图像预处理单元110、初步差异影像生成单元120、最优阈值选取单元130和检测结果生成单元140。
下面,结合图1和图2具体说明本发明的一优选实施方式的基于全极化时序SAR图像的非监督变化检测装置进行非监督变化检测的方法。
首先,在S110步骤,图像预处理单元110对待检测的同一地理范围的不同时相的一对全极化时序SAR图像进行配准和滤波。具体来说,作为优选的配准方式,通过重采样的方法将所述全极化时序SAR图像设置到相同分辨率上,通过对地理坐标的对应关系进行配准。滤波是对所述全极化时序SAR图像进行精致Lee滤波处理来滤除斑点噪声对变化检测的影响,该滤波也可以采用均值法滤波算法,优选使用Lee滤波算法。
之后,在S120步骤,初步差异影像生成单元120对所述一对全极化时序SAR图像中相对应的位置进行假设检验而生成初步差异影像。
所述初步差异影像生成单元120生成初步差异影像时,优选通过函数-2ρlnQ进行相似度测量,
-2ρlnQ=-2ρn(2pln2+ln|X|+ln|Y|-2ln|X+Y|)
其中,ρ表示调节因子,ρ的经验公式为
p代表协方差矩阵的维度,例如,本实施例中用到的是全极化数据,这里取p=3;
m和n代表待处理图像的视数,例如,如本实施例中设前后时相的视数m=n=4;
Q代表似然比的结果,Q的值一般在0到1之间;
X和Y表示独立且服从复Wishart分布,X和Y的表达式如下。
X∈WC(p,n,Σ)
Y∈WC(p,m,Σ)
之后,在S130步骤,最优阈值选取单元130利用KI(KI是Kittler和Illingworth两个人名的缩写)算法,对所述生成的初步差异影像选取最优阈值。
作为选取最优阈值的优选方式,具体实现过程如下:
第一步,利用初步差异影像的概率密度统计直方图和对数似然概率求得最优的决策函数,表达式如下:
其中,h(z)代表了差异图像的概率密度直方图,
c(z,τ)表示对数似然概率。
其中,p表示灰度级Z和阈值为τ的情况下为变化(或非变化的)后验概率密度函数。
第二步,计算最小误差作为最优阈值T,表达式为:
T=argmin{J(τ):τ=0,1,2...Z-1}。
最后,在S140步骤,检测结果生成单元140利用所述选取的最优阈值对所述初步差异影像进行二值分割,对小于阈值的像素赋予表示没有发生变化的值,对于大于阈值的像素赋予表示发生了变化的值,最后生成检测结果。
以图3中所示的一对全极化时序SAR图像为例,利用上述优选实施方式的全极化时序SAR图像的非监督变化检测装置进行非监督变化检测的结果如图4所示。
以上结合附图详细描述了本发明的优选实施方式,但是,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种简单变型,这些简单变型均属于本发明的保护范围。
任何本发明所属技术领域中的技术人员,在不脱离本发明的精神和范围内,应当可以作各种变化与修改。因此本发明的保护范围应当以所附权利要求书所界定的范围为准。
Claims (8)
1.一种基于全极化时序SAR图像的非监督变化检测装置,其特征在于,包括:
图像预处理单元,对同一地理范围的不同时相的一对全极化时序SAR图像进行配准和滤波;
初步差异影像生成单元,对所述经配准和滤波的一对全极化时序SAR图像中相对应的位置进行假设检验而生成初步差异影像;
最优阈值选取单元,利用KI算法,对所述生成的初步差异影像选取最优阈值;以及
检测结果生成单元,利用所述选取的最优阈值对所述初步差异影像进行二值分割,对小于阈值的像素赋予表示没有发生变化的值,对于大于阈值的像素赋予表示发生了变化的值,最后生成检测结果。
2.根据权利要求1所述的装置,其特征在于,
所述配准是通过重采样的方法将所述全极化时序SAR图像设置到相同分辨率上,通过对地理坐标的对应关系进行配准;
所述滤波是对所述全极化时序SAR图像进行精致Lee滤波处理来滤除斑点噪声对变化检测的影响。
3.根据权利要求1或2所述的装置,其特征在于,
所述初步差异影像生成单元生成初步差异影像时,通过函数-2ρlnQ进行相似度测量,
-2ρlnQ=-2ρn(2pln2+ln|X|+ln|Y|-2ln|X+Y|)
其中,ρ表示调节因子,p代表协方差矩阵的维度,m和n代表待处理图像的视数,Q代表似然比的结果,X和Y表示独立且服从复Wishart分布,X和Y的表达式为:
X∈WC(p,n,Σ)
Y∈WC(p,m,Σ)。
4.根据权利要求1-3中任一项所述的装置,其特征在于,
所述最优阈值选取单元,具体通过以下过程选取最优阈值:
首先,利用所述初步差异影像的概率密度直方图和对数似然概率求得最优的决策函数,该决策函数表达式如下:
其中,h(z)代表所述初步差异图像的概率密度直方图,
c(z,τ)表示对数似然概率,
其中,p表示灰度级Z和阈值为τ的情况下为变化(或非变化的)后验概率密度函数;
之后,计算最小误差作为最优阈值T,表达式为:
T=argmin{J(τ):τ=0,1,2...Z-1}。
5.一种基于全极化时序SAR图像的非监督变化检测方法,其特征在于,包括:
图像预处理步骤,对同一地理范围的不同时相的一对全极化时序SAR图像进行配准和滤波;
初步差异影像生成步骤,对所述经配准和滤波的一对全极化时序SAR图像中相对应的位置进行假设检验而生成初步差异影像;
最优阈值选取步骤,利用KI算法,对所述生成的初步差异影像选取最优阈值;以及
检测结果生成步骤,利用所述选取的最优阈值对所述初步差异影像进行二值分割,对小于阈值的像素赋予表示没有发生变化的值,对于大于阈值的像素赋予表示发生了变化的值,最后生成检测结果。
6.根据权利要求5所述的方法,其特征在于,
所述配准是通过重采样的方法将所述全极化时序SAR图像设置到相同分辨率上,通过对地理坐标的对应关系进行配准;
所述滤波是对所述全极化时序SAR图像进行精致Lee滤波处理来滤除斑点噪声对变化检测的影响。
7.根据权利要求5或6所述的方法,其特征在于,
在所述初步差异影像生成步骤生成初步差异影像时,通过函数-2ρlnQ进行相似度测量,
-2ρlnQ=-2ρn(2pln2+ln|X|+ln|Y|-2ln|X+Y|)
其中,ρ表示调节因子,p代表协方差矩阵的维度,m和n代表待处理图像的视数,Q代表似然比的结果,X和Y表示独立且服从复Wishart分布,X和Y的表达式为:
X∈WC(p,n,Σ)
Y∈WC(p,m,Σ)。
8.根据权利要求5~7中任一项所述的方法,其特征在于,
在最优阈值选取步骤,具体通过以下过程选取最优阈值:
首先,利用所述初步差异影像的概率密度直方图和对数似然概率求得最优的决策函数,该决策函数表达式如下:
其中,h(z)代表所述初步差异图像的概率密度直方图,
c(z,τ)表示对数似然概率,
其中,p表示灰度级Z和阈值为τ的情况下为变化(或非变化的)后验概率密度函数;
之后,计算最小误差作为最优阈值T,表达式为:
T=arg min{J(τ):τ=0,1,2...Z-1}。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710170746.0A CN106960443B (zh) | 2017-03-21 | 2017-03-21 | 基于全极化时序sar图像的非监督变化检测的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710170746.0A CN106960443B (zh) | 2017-03-21 | 2017-03-21 | 基于全极化时序sar图像的非监督变化检测的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106960443A true CN106960443A (zh) | 2017-07-18 |
CN106960443B CN106960443B (zh) | 2020-06-05 |
Family
ID=59470876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710170746.0A Expired - Fee Related CN106960443B (zh) | 2017-03-21 | 2017-03-21 | 基于全极化时序sar图像的非监督变化检测的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106960443B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108062767A (zh) * | 2018-02-11 | 2018-05-22 | 河海大学 | 基于时序sar图像的统计同分布空间像素选择方法 |
CN111429496A (zh) * | 2020-03-05 | 2020-07-17 | 武汉大学 | 一种顾及统计特性的时序PolSAR影像无监督变化检测方法 |
CN117310705A (zh) * | 2023-11-28 | 2023-12-29 | 中国石油大学(华东) | 一种基于双极化sar影像的洪涝灾害快速检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102081799A (zh) * | 2011-01-10 | 2011-06-01 | 西安电子科技大学 | 基于邻域相似性及双窗口滤波的sar图像变化检测方法 |
CN102867309A (zh) * | 2012-09-12 | 2013-01-09 | 西安电子科技大学 | 基于混合模型的sar图像变化检测方法 |
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 |
CN103927737A (zh) * | 2013-10-31 | 2014-07-16 | 王浩然 | 基于非局部均值的sar图像变化检测方法 |
CN104166128A (zh) * | 2014-08-06 | 2014-11-26 | 电子科技大学 | 基于广义似然比的多航过sar相干变化检测方法 |
CN106023229A (zh) * | 2016-06-02 | 2016-10-12 | 中国矿业大学 | 结合半高斯模型与高斯模型的sar影像变化检测方法 |
-
2017
- 2017-03-21 CN CN201710170746.0A patent/CN106960443B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102081799A (zh) * | 2011-01-10 | 2011-06-01 | 西安电子科技大学 | 基于邻域相似性及双窗口滤波的sar图像变化检测方法 |
CN102867309A (zh) * | 2012-09-12 | 2013-01-09 | 西安电子科技大学 | 基于混合模型的sar图像变化检测方法 |
CN103927737A (zh) * | 2013-10-31 | 2014-07-16 | 王浩然 | 基于非局部均值的sar图像变化检测方法 |
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 |
CN104166128A (zh) * | 2014-08-06 | 2014-11-26 | 电子科技大学 | 基于广义似然比的多航过sar相干变化检测方法 |
CN106023229A (zh) * | 2016-06-02 | 2016-10-12 | 中国矿业大学 | 结合半高斯模型与高斯模型的sar影像变化检测方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108062767A (zh) * | 2018-02-11 | 2018-05-22 | 河海大学 | 基于时序sar图像的统计同分布空间像素选择方法 |
CN108062767B (zh) * | 2018-02-11 | 2022-02-11 | 河海大学 | 基于时序sar图像的统计同分布空间像素选择方法 |
CN111429496A (zh) * | 2020-03-05 | 2020-07-17 | 武汉大学 | 一种顾及统计特性的时序PolSAR影像无监督变化检测方法 |
CN117310705A (zh) * | 2023-11-28 | 2023-12-29 | 中国石油大学(华东) | 一种基于双极化sar影像的洪涝灾害快速检测方法 |
CN117310705B (zh) * | 2023-11-28 | 2024-02-09 | 中国石油大学(华东) | 一种基于双极化sar影像的洪涝灾害快速检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106960443B (zh) | 2020-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Prendes et al. | A new multivariate statistical model for change detection in images acquired by homogeneous and heterogeneous sensors | |
Lin et al. | Radiometric normalization and cloud detection of optical satellite images using invariant pixels | |
Nielsen | The regularized iteratively reweighted MAD method for change detection in multi-and hyperspectral data | |
Wu et al. | A subspace-based change detection method for hyperspectral images | |
Frery et al. | Classifying multifrequency fully polarimetric imagery with multiple sources of statistical evidence and contextual information | |
Khazai et al. | An approach for subpixel anomaly detection in hyperspectral images | |
Colditz et al. | Influence of image fusion approaches on classification accuracy: a case study | |
JPS63118889A (ja) | 画像を用いた変化検出方法 | |
Zhong et al. | Change detection based on pulse-coupled neural networks and the NMI feature for high spatial resolution remote sensing imagery | |
Chu et al. | Technical framework for shallow-water bathymetry with high reliability and no missing data based on time-series sentinel-2 images | |
US11747498B1 (en) | Method, system, device and medium for landslide identification based on full polarimetric SAR | |
CN106960443A (zh) | 基于全极化时序sar图像的非监督变化检测的方法及装置 | |
Zhuang et al. | Adaptive generalized likelihood ratio test for change detection in SAR images | |
Meng et al. | Closest spectral fit for removing clouds and cloud shadows | |
Pasquarella et al. | Comprehensive quality assessment of optical satellite imagery using weakly supervised video learning | |
Zhang et al. | A novel multitemporal cloud and cloud shadow detection method using the integrated cloud Z-scores model | |
Xu et al. | The comparative study of three methods of remote sensing image change detection | |
Teodoro et al. | Identification of beach hydromorphological patterns/forms through image classification techniques applied to remotely sensed data | |
Zhang et al. | Anisotropic-scale-space-based salient-region detection for SAR images | |
Ghanbari et al. | Radiometric normalization of multitemporal and multisensor remote sensing images based on a Gaussian mixture model and error ellipse | |
Anjos et al. | Change detection techniques using multisensor data | |
CN108710816B (zh) | 一种基于概率融合的极化sar图像建筑物检测方法 | |
CN111460943A (zh) | 一种遥感影像地物分类方法及系统 | |
Pelliza et al. | Optimal Canny’s parameters regressions for coastal line detection in satellite-based SAR images | |
Zhang et al. | Feature Bands Based Unsupervised Hyperspectral Underwater Target Detection Near the Coastline |
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: 20200605 |