CN107239795A - 基于稀疏自编码器和卷积神经网络的sar图像变化检测系统及方法 - Google Patents

基于稀疏自编码器和卷积神经网络的sar图像变化检测系统及方法 Download PDF

Info

Publication number
CN107239795A
CN107239795A CN201710358877.1A CN201710358877A CN107239795A CN 107239795 A CN107239795 A CN 107239795A CN 201710358877 A CN201710358877 A CN 201710358877A CN 107239795 A CN107239795 A CN 107239795A
Authority
CN
China
Prior art keywords
convolutional neural
neural networks
sample
pixel
mrow
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
Application number
CN201710358877.1A
Other languages
English (en)
Inventor
公茂果
杨海伦
张普照
赵秋楠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201710358877.1A priority Critical patent/CN107239795A/zh
Publication of CN107239795A publication Critical patent/CN107239795A/zh
Pending legal-status Critical Current

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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

一种基于稀疏自编码器和卷积神经网络的SAR图像变化检测系统及方法，属于SAR图像处理领域，该方法通过稀疏自编码器SAE对差异图提取特征，进而根据图像的特征用FCM聚类对差异图进行聚类，得到初始的分类结果，结合差异图和初始分类结果来训练卷积神经网络CNN，通过训练好的CNN对初始的分类结果进行微调，得到最终的分类结果图。该方法充分的利用图像像素的特征信息和邻域信息，进一步提高了变化检测结果的准确率。仿真结果表明，本发明采用的基于稀疏自编码器和卷积神经网络的SAR图像变化检测方法与KI、FCM等传统算法相比，正确检测率明显提高，Kappa系数也得到明显提高。

Description

基于稀疏自编码器和卷积神经网络的SAR图像变化检测系统 及方法
技术领域
本发明属于SAR图像处理领域，涉及SAR图像的变化检测，具体为基于稀疏自编码器和卷积神经网络的SAR图像变化检测系统及方法。
背景技术
合成孔径雷达(Synthetic Aperture Radar，SAR)具有传统光学遥感不可比拟的全天候、全天时的优势而逐渐成为变化检测的重要数据源，在城市规划、环境监测和灾害评估与监测等各个方面起到日益重要的作用。SAR图像变化检测是通过对同一地区不同时期的两幅SAR图像进行比较，根据图像之间的差异来得到所需的地物变化信息。目前，变化检测技术广泛应用在多个领域，如森林覆盖变化、城市环境变化，尤其是在自然灾害评估和灾后建设方面得到了充分的应用。
目前，图像变化检测有很多方法，从算法的角度可以将目前的变化检测方法分为四类：(1)基于简单代数运算的变化检测；(2)基于图像变换的变化检测；(3)基于图像分类的变化检测；(4)基于特征描述的变化检测。下面分别对上述四种方法的代表算法进行阐述。
图像比值法：图像比值法是一种基于简单代数运算的变化检测方法。图像比值法被认为是辨识变化区域相对较快的手段，它是将多时相遥感图像按波段进行逐像素的相除。显然，在图像中未发生变化的像素其比值应近似为1，反之，比值将明显高于或低于1。根据比值设定阈值，再确定变化范围。这种方法容易掌握，变化检测速度快，但这种方法过于简单，很难考虑到所有因素的影响，容易造成大量信息的流失，同时该方法对图像的配准精度要求比较高。
主成分分析法：主成分分析法是一种基于图像变换的变化检测方法。它是建立在统计特征基础上的多维正交线性变换，是一种离散的K-L变换。它应用于遥感图像处理中，其作用主要是数据压缩、图像增强和特征选取等。一幅多波段遥感图像的不同波段之间往往存在着很高的相关性，对其进行主成分变换的实质是将具有相关性的多波段数据压缩到完全独立的较少的几个波段上，使新图像数据更易于解译。将不同时相的多波段数据经主成分变换后，新图像中各主分量正交即各主分量之间的相关系数为零或接近零，并且新图像中的几个主分量就包含了原始遥感影像中的绝大部分信息。一般来说，第一主分量包括了原始多波段影像信息的绝大部分内容，相当于原来各波段的加权和，每个波段的权值与该波段的方差大小成正比。其他各主分量所包括的信息逐渐减少，相当于相关程度较低的波段之间的差异。因此，对几个变化后的主分量进行合成，就可以达到数据压缩和突出变化信息的目的。
分类后比较法：分类后比较法是一种基于图像分类的变化检测方法。分类后比较法首先对研究区的不同时相的影像进行各自分类，然后比较影像同一位置分类结果，进而确定变化信息的位置和类型。这种方法的优点是可以回避基于差异影像分析方法所要求的影像系列时相一致的条件，以及影像间辐射校正、匹配等问题，但这一方法必须进行两次图像分类且制定统一的分类标准，而变化分析的精度依赖于图像分类的精度，这就明显受到单独分类所带来的误差影响，会不可避免地夸大变化的程度。
基于边缘的变化检测方法：基于边缘的变化检测方法是一种基于特征描述的变化检测方法。基于边缘的变化检测方法通过提取多时相图像边缘，再比较边缘图的差异，标注的差异边缘作为变化目标的轮廓。该方法的优点是比较稳健，它对光照条件和视角差异等不敏感，一般用于检测线性目标的变化。
总之，现有技术中的变化检测方法，如Kittler&Illingworth(KI)算法、Fuzzy C-means(FCM)算法等中，在进行图像变化检测时，仅仅利用图像的像素值信息进行变化检测，忽略或过滤了每个像素特征中包含的大量可以用于图像变化检测的信息；同时SAR图像容易受斑点噪声的影响，现有技术中的变化检测方法不能很好地处理噪声；导致检测准确率会受到影响，不能满足需求。
发明内容
针对现有技术中存在的问题，本发明提供一种基于稀疏自编码器和卷积神经网络的SAR图像变化检测系统及方法；充分利用了差异图的特征信息和邻域信息，实现了对图像的准确分类，提高了图像变化检测的分类效果，使得检测准确度高。
本发明是通过以下技术方案来实现：
一种基于稀疏自编码器和卷积神经网络的SAR图像变化检测方法，包括如下步骤：
步骤1，确定两幅配准后的同一地区不同时刻的SAR图像作为输入的被检测图像；
步骤2，由输入的两幅图像得到图像的差异图DI；
步骤3，将差异图DI中每个像素点作为输入样本，用稀疏自编码器SAE对差异图DI每个像素点进行特征提取；
步骤4，根据每个像素提取的特征，用FCM聚类方法对差异图DI进行聚类，进而得到初始的分类结果PI；
步骤5，结合初始分类结果图PI，从差异图DI中选择样本对卷积神经网络CNN进行训练，进而得到训练好的卷积神经网络CNN，将整幅差异图DI输入到训练好的卷积神经网络CNN里，得到最终的变化检测结果图CNI，完成基于稀疏自编码器和卷积神经网络的SAR图像变化检测。
优选的，所述的步骤5中得到训练好的卷积神经网络CNN的具体步骤如下，
步骤51，将差异图DI中的每个像素点以及它的邻域像素点作为样本，将每个样本中的像素点映射到初始分类结果图PI中的相应位置，并将初始分类结果图中对应位置的值作为样本中该像素点的标签；
步骤52，在步骤51中的样本分类中选择满足相对正确条件的样本作为卷积神经网络CNN的训练样本；
步骤53，将选择好的样本和其对应的标签作为训练样本输入到CNN中，得到训练好的卷积神经网络CNN模型；然后将所有的样本作为测试样本输入到训练好的卷积神经网络CNN中，得到最终的分类结果图；完成卷积神经网络CNN训练，得到训练好的卷积神经网络CNN。
优选的，步骤51中，样本分类相对正确的条件为：
式中，Mmn(x)为满足条件x的像素点数目；Nij为在位置(i，j)的像素点邻域；C(m，n)表示在初始分类结果图PI中位置(m，n)的像素点，并且该像素点在邻域Nij中，i、j、n、m均为实数；β表示样本中心位置(i，j)的标签；q×q表示邻域的大小；W为控制样本选择的参数。
优选的，W的取值范围为[0.5，1)。
优选的，若位置(i，j)邻域内有大于等于q×q×W个像素点与样本中心位置(i，j)的像素点具有相同的标签β，则该样本被选择为训练样本时，其标签为β。
一种基于稀疏自编码器和卷积神经网络的SAR图像变化检测系统，包括处理器、存储器和储存在存储器中的程序；所述的处理器用于执行程序；所述程序包括的步骤为权利要求1-5中任意一项所述方法的步骤。
与现有技术相比，本发明具有以下有益的技术效果：
本发明利用稀疏自编码器SAE对差异图提取特征，进而根据图像的特征用FCM聚类对差异图进行聚类，得到初始的分类结果，结合差异图和初始分类结果来训练卷积神经网络CNN，通过训练好的CNN对初始的分类结果进行微调，得到最终的分类结果图。本方法充分的利用图像像素的特征信息和邻域信息，进一步提高了变化检测结果的准确率。仿真结果表明，本发明采用的基于稀疏自编码器和卷积神经网络的SAR图像变化检测方法与KI、FCM等传统算法相比，正确检测率明显提高，Kappa系数也得到明显提高。
附图说明
图1是基于稀疏自编码器和卷积神经网络的SAR图像变化检测方法主流程图；
图2是卷积神经网络CNN的样本选择及训练过程；
图3a和图3b是第一组仿真图中两幅配准后的同一地点不同时间图。
图3c为第一组仿真图中的参考图。
图4a为对应第一组仿真图的KI算法构造的结果图。
图4b为对应第一组仿真图的FCM算法的结果图。
图4c为对应第一组仿真图的本发明所述方法的结果图。
图5a和图5b是第二组仿真图中两幅配准后的同一地点不同时间图。
图5c为第二组仿真图中的参考图。
图6a为对应第二组仿真图的KI算法构造的结果图。
图6b为对应第二组仿真图的FCM算法的结果图。
图6c为对应第二组仿真图的本发明所述方法的结果图。
具体实施方式
下面结合具体的实施例对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。
本发明一种基于稀疏自编码器和卷积神经网络的SAR图像变化检测方法，利用稀疏自编码器SAE和卷积神经网络CNN对差异图DI进行特征提取，将差异图DI转换到特征空间中，降低了噪声的影响。同时本发明充分利用图像像素的特征信息和像素之间的邻域信息，大大提高了SAR图像变化检测的准确率。其实现过程为：(1)输入两幅配准后的同一地区不同时刻的SAR图像。(2)对输入的两幅图像进行计算，得到差异图。(3)用稀疏自编码器SAE对差异图提取特征。(4)根据提取的特征，由FCM对差异图DI进行聚类，得到初始的分类结果图PI。(5)结合初始分类结果图PI，从差异图DI中选择样本对卷积神经网络CNN进行训练，进而得到训练好的卷积神经网络CNN，将整幅差异图输入到训练好的卷积神经网络CNN里，得到最终的变化检测结果图。本发明充分利用了图像的特征信息和邻域信息，使图像的变化检测准确率得到明显的提高。
具体的如图1所示，包括如下步骤。
步骤101：开始基于稀疏自编码器和卷积神经网络的SAR图像变化检测方法；
步骤102：输入两幅配准后的同一地区不同时刻的SAR图像；
步骤103：由输入的两幅图像得到图像的差异图DI；
步骤104：将差异图DI中每个像素点作为输入样本，用稀疏自编码器SAE对差异图DI每个像素点进行特征提取；
步骤105：根据每个像素提取的特征，用FCM聚类方法对差异图DI进行聚类，进而得到初始的分类结果PI；
步骤106：结合初始分类结果图PI，从差异图DI中选择样本对卷积神经网络CNN进行训练，进而得到训练好的卷积神经网络CNN，将整幅差异图DI输入到训练好的卷积神经网络CNN里，得到最终的变化检测结果图CNI；
步骤107：结束基于稀疏自编码器和卷积神经网络的SAR图像变化检测方法。
其中，步骤106的具体步骤，如图2所示，包括如下步骤。
步骤201：开始训练卷积神经网络CNN；
步骤202：将差异图中的每个像素点以及它的邻域像素点作为样本，将每个样本中的像素点映射到初始分类结果图PI中的相应位置，并将初始分类结果图中对应位置的值作为样本中该像素点的标签；
步骤203：若步骤202中的样本分类相对正确，则该样本会被选择为卷积神经网络CNN的训练样本，样本分类相对正确的条件为：
式中，Mmn(x)为满足条件x的像素点数目；Nij为在位置(i，j)的像素点邻域；C(m，n)表示在初始分类结果图PI中位置(m，n)的像素点，并且该像素点在邻域Nij中，i、j、n、m均为实数；β表示样本中心位置(i，j)的标签；q×q表示邻域的大小；W为控制样本选择的参数，考虑到噪声的影响，W的取值范围为[0.5，1)；若位置(i，j)邻域内有大于等于q×q×W个像素点与样本中心位置(i，j)的像素点具有相同的标签β，则该样本被选择为训练样本，其标签为β；
步骤204：将选择好的样本和其对应的标签作为训练样本输入到CNN中，得到训练好的卷积神经网络CNN模型；然后将所有的样本作为测试样本输入到训练好的卷积神经网络CNN中，得到最终的分类结果图；
步骤205：结束训练卷积神经网络CNN。
本实施实例没有详细叙述的部分属于行业公知的常用手段，这里不再一一叙述。
本发明的效果可以通过以下仿真进一步说明：
1、仿真参数。
对于参考图的实验仿真图，可进行定量的变化检测结果分析：
(1)计算漏检个数：统计实验结果图中发生变化区域的像素个数，与参考图中变化区域的像素个数进行对比，把参考图中发生变化而实验结果图中检测为未变化的像素个数，称为漏检个数FN；
(2)计算错检个数：统计实验结果中未发生变化区域的像素个数，与参考图中未变化区域像素个数进行对比，把参考图中未发生变化但实验结果图中检测为变化的像素个数，称为错检个数FP；
(3)正确分类的概率PCC：其中TP表示参考图中发生变化且实验结果图中检测为变化的像素个数；TN表示参考图中未发生变化且实验结果图中检测为未发生变化的像素个数；FP表示参考图中未发生变化但实验结果图中检测为变化的像素个数；FN表示参考图中发生变化而实验结果图中检测为未变化的像素个数；
(4)衡量检测结果图与参考图一致性的Kappa系数：Kappa＝(PCC-PRE)/(1-PRE)，其中
其中，TP表示参考图中发生变化且实验结果图中检测为变化的像素个数；TN表示参考图中未发生变化且实验结果图中检测为未发生变化的像素个数；FP表示参考图中未发生变化但实验结果图中检测为变化的像素个数；FN表示参考图中发生变化而实验结果图中检测为未变化的像素个数；
3、仿真实验结果分析：
(1)反映Bern城市的SAR图像如图3a、图3b和图3c所示，图3a和图3b为两幅配准后的不同时间同一地点图，图3c为参考图。
用不同的算法做出的结果图如图4a、图4b和图4c所示，其分别表示由KI算法、FCM算法和由本发明所得的结果图，由图4可以看出，本发明方法结果图变化检测效果更好。
表1 KI算法、FCM算法与本发明方法变化检测结果比较
方法 FP FN PCC Kappa
KI算法 586 52 0.9930 0.7722
FCM算法 285 76 0.9960 0.8204
本发明 257 55 0.9969 0.9012
从表1中可以看出，本发明方法变化检测正确率以及Kappa系数的值，比KI算法和FCM算法都要高，而且在误检数和漏检数上比KI算法和FCM算法要低。
(1)反映Ottawa城市的SAR图像如图5a、图5b、图5c所示，图5a和图5b为两幅配准后的不同时间同一地点图，图5c为参考图。
(2)用不同的算法做出的结果图如图6a、图6b、图6c所示，其分别表示由KI算法、FCM算法和由本发明所得的结果图，由图6可以看出，本发明方法结果图变化检测效果更好。
表2 KI算法、FCM算法与本发明方法变化检测结果比较
从表2中可以看出，本发明方法变化检测正确率以及Kappa系数的值，比KI算法和FCM算法都要高，而且在误检数和漏检数上比KI算法和FCM算法要低。

Claims (6)

1.一种基于稀疏自编码器和卷积神经网络的SAR图像变化检测方法，其特征在于，包括如下步骤：
步骤1，确定两幅配准后的同一地区不同时刻的SAR图像作为输入的被检测图像；
步骤2，由输入的两幅图像得到图像的差异图DI；
步骤3，将差异图DI中每个像素点作为输入样本，用稀疏自编码器SAE对差异图DI每个像素点进行特征提取；
步骤4，根据每个像素提取的特征，用FCM聚类方法对差异图DI进行聚类，进而得到初始的分类结果PI；
步骤5，结合初始分类结果图PI，从差异图DI中选择样本对卷积神经网络CNN进行训练，进而得到训练好的卷积神经网络CNN，将整幅差异图DI输入到训练好的卷积神经网络CNN里，得到最终的变化检测结果图CNI，完成基于稀疏自编码器和卷积神经网络的SAR图像变化检测。
2.根据权利要求1所述的一种基于稀疏自编码器和卷积神经网络的SAR图像变化检测方法，其特征在于，所述的步骤5中得到训练好的卷积神经网络CNN的具体步骤如下，
步骤51，将差异图DI中的每个像素点以及它的邻域像素点作为样本，将每个样本中的像素点映射到初始分类结果图PI中的相应位置，并将初始分类结果图中对应位置的值作为样本中该像素点的标签；
步骤52，在步骤51中的样本分类中选择满足相对正确条件的样本作为卷积神经网络CNN的训练样本；
步骤53，将选择好的样本和其对应的标签作为训练样本输入到CNN中，得到训练好的卷积神经网络CNN模型；然后将所有的样本作为测试样本输入到训练好的卷积神经网络CNN中，得到最终的分类结果图；完成卷积神经网络CNN训练，得到训练好的卷积神经网络CNN。
3.根据权利要求2所述的一种基于稀疏自编码器和卷积神经网络的SAR图像变化检测方法，其特征在于，步骤51中，样本分类相对正确的条件为：
<mrow> <mfrac> <mrow> <msub> <mi>M</mi> <mrow> <mi>m</mi> <mi>n</mi> </mrow> </msub> <mo>&amp;lsqb;</mo> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>&amp;Element;</mo> <msub> <mi>N</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>&amp;cap;</mo> <mi>C</mi> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>&amp;beta;</mi> <mo>&amp;rsqb;</mo> </mrow> <mrow> <mi>q</mi> <mo>&amp;times;</mo> <mi>q</mi> </mrow> </mfrac> <mo>&amp;GreaterEqual;</mo> <mi>W</mi> <mo>;</mo> </mrow>
式中，Mmn(x)为满足条件x的像素点数目；Nij为在位置(i，j)的像素点邻域；C(m，n)表示在初始分类结果图PI中位置(m，n)的像素点，并且该像素点在邻域Nij中，i、j、n、m均为实数；β表示样本中心位置(i，j)的标签；q×q表示邻域的大小；W为控制样本选择的参数。
4.根据权利要求3所述的一种基于稀疏自编码器和卷积神经网络的SAR图像变化检测方法，其特征在于，W的取值范围为[0.5，1]。
5.根据权利要求3所述的一种基于稀疏自编码器和卷积神经网络的SAR图像变化检测方法，其特征在于，若位置(i，j)邻域内有大于等于q×q×W个像素点与样本中心位置(i，j)的像素点具有相同的标签β，则该样本被选择为训练样本时，其标签为β。
6.基于稀疏自编码器和卷积神经网络的SAR图像变化检测系统，其特征在于，包括处理器、存储器和储存在存储器中的程序；所述的处理器用于执行程序；所述程序包括的步骤为权利要求1-5中任意一项所述方法的步骤。
CN201710358877.1A 2017-05-19 2017-05-19 基于稀疏自编码器和卷积神经网络的sar图像变化检测系统及方法 Pending CN107239795A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710358877.1A CN107239795A (zh) 2017-05-19 2017-05-19 基于稀疏自编码器和卷积神经网络的sar图像变化检测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710358877.1A CN107239795A (zh) 2017-05-19 2017-05-19 基于稀疏自编码器和卷积神经网络的sar图像变化检测系统及方法

Publications (1)

Publication Number Publication Date
CN107239795A true CN107239795A (zh) 2017-10-10

Family

ID=59985174

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710358877.1A Pending CN107239795A (zh) 2017-05-19 2017-05-19 基于稀疏自编码器和卷积神经网络的sar图像变化检测系统及方法

Country Status (1)

Country Link
CN (1) CN107239795A (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107992897A (zh) * 2017-12-14 2018-05-04 重庆邮电大学 基于卷积拉普拉斯稀疏编码的商品图像分类方法
CN108171119A (zh) * 2017-12-08 2018-06-15 西安电子科技大学 基于残差网络的sar图像变化检测方法
CN108257151A (zh) * 2017-12-22 2018-07-06 西安电子科技大学 基于显著性分析的PCANet图像变化检测方法
CN108257154A (zh) * 2018-01-12 2018-07-06 西安电子科技大学 基于区域信息和cnn的极化sar图像变化检测方法
CN108416371A (zh) * 2018-02-11 2018-08-17 艾视医疗科技成都有限公司 一种糖尿病性视网膜病变自动检测方法
CN108898180A (zh) * 2018-06-28 2018-11-27 中国人民解放军国防科技大学 一种面向单颗粒冷冻电镜图像的深度聚类方法
CN108960321A (zh) * 2018-07-02 2018-12-07 国电南瑞科技股份有限公司 一种大型锂电池储能电站电池故障预测方法
CN109285168A (zh) * 2018-07-27 2019-01-29 河海大学 一种基于深度学习的sar图像湖泊边界提取方法
CN109949345A (zh) * 2019-02-21 2019-06-28 西北大学 基于神经网络的获取非均衡sar图像变化检测图的方法
CN109977968A (zh) * 2019-03-25 2019-07-05 合肥工业大学 一种深度学习分类后比较的sar变化检测方法
CN110020693A (zh) * 2019-04-15 2019-07-16 西安电子科技大学 基于特征注意和特征改善网络的极化sar图像分类方法
CN110135309A (zh) * 2019-05-02 2019-08-16 西安电子科技大学 基于深度共享表示的sar图像变化检测方法
CN111626122A (zh) * 2020-04-24 2020-09-04 贝壳技术有限公司 合成孔径雷达图像识别方法、装置、电子设备和存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106023154A (zh) * 2016-05-09 2016-10-12 西北工业大学 基于双通道卷积神经网络的多时相sar图像变化检测方法
CN106203521A (zh) * 2016-07-15 2016-12-07 西安电子科技大学 基于差异图自步学习的sar图像变化检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106023154A (zh) * 2016-05-09 2016-10-12 西北工业大学 基于双通道卷积神经网络的多时相sar图像变化检测方法
CN106203521A (zh) * 2016-07-15 2016-12-07 西安电子科技大学 基于差异图自步学习的sar图像变化检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
FENG CHEN 等: "Differencing Neural Network for Change Detection in Synthetic Aperture Radar Images", 《SPRINGER NATURE SINGAPORE PTE LTD. 2016》 *
MAOGUO GONG 等: "Feature learning and change feature classification based on deep learning for ternary change detection in SAR images", 《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》 *
公茂果 等: "合成孔径雷达影像变化检测研究进展", 《计算机研究与发展》 *

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108171119A (zh) * 2017-12-08 2018-06-15 西安电子科技大学 基于残差网络的sar图像变化检测方法
CN108171119B (zh) * 2017-12-08 2020-01-07 西安电子科技大学 基于残差网络的sar图像变化检测方法
CN107992897A (zh) * 2017-12-14 2018-05-04 重庆邮电大学 基于卷积拉普拉斯稀疏编码的商品图像分类方法
CN108257151A (zh) * 2017-12-22 2018-07-06 西安电子科技大学 基于显著性分析的PCANet图像变化检测方法
CN108257151B (zh) * 2017-12-22 2019-08-13 西安电子科技大学 基于显著性分析的PCANet图像变化检测方法
CN108257154A (zh) * 2018-01-12 2018-07-06 西安电子科技大学 基于区域信息和cnn的极化sar图像变化检测方法
CN108257154B (zh) * 2018-01-12 2021-10-29 西安电子科技大学 基于区域信息和cnn的极化sar图像变化检测方法
CN108416371A (zh) * 2018-02-11 2018-08-17 艾视医疗科技成都有限公司 一种糖尿病性视网膜病变自动检测方法
CN108898180A (zh) * 2018-06-28 2018-11-27 中国人民解放军国防科技大学 一种面向单颗粒冷冻电镜图像的深度聚类方法
CN108898180B (zh) * 2018-06-28 2020-09-01 中国人民解放军国防科技大学 一种面向单颗粒冷冻电镜图像的深度聚类方法
CN108960321B (zh) * 2018-07-02 2021-10-22 国电南瑞科技股份有限公司 一种大型锂电池储能电站电池故障预测方法
CN108960321A (zh) * 2018-07-02 2018-12-07 国电南瑞科技股份有限公司 一种大型锂电池储能电站电池故障预测方法
CN109285168B (zh) * 2018-07-27 2022-02-11 河海大学 一种基于深度学习的sar图像湖泊边界提取方法
CN109285168A (zh) * 2018-07-27 2019-01-29 河海大学 一种基于深度学习的sar图像湖泊边界提取方法
CN109949345A (zh) * 2019-02-21 2019-06-28 西北大学 基于神经网络的获取非均衡sar图像变化检测图的方法
CN109977968A (zh) * 2019-03-25 2019-07-05 合肥工业大学 一种深度学习分类后比较的sar变化检测方法
CN110020693A (zh) * 2019-04-15 2019-07-16 西安电子科技大学 基于特征注意和特征改善网络的极化sar图像分类方法
CN110020693B (zh) * 2019-04-15 2021-06-08 西安电子科技大学 基于特征注意和特征改善网络的极化sar图像分类方法
CN110135309B (zh) * 2019-05-02 2021-09-10 西安电子科技大学 基于深度共享表示的sar图像变化检测方法
CN110135309A (zh) * 2019-05-02 2019-08-16 西安电子科技大学 基于深度共享表示的sar图像变化检测方法
CN111626122A (zh) * 2020-04-24 2020-09-04 贝壳技术有限公司 合成孔径雷达图像识别方法、装置、电子设备和存储介质
CN111626122B (zh) * 2020-04-24 2024-01-05 贝壳技术有限公司 合成孔径雷达图像识别方法、装置、电子设备和存储介质

Similar Documents

Publication Publication Date Title
CN107239795A (zh) 基于稀疏自编码器和卷积神经网络的sar图像变化检测系统及方法
US10949703B2 (en) Method and system of extraction of impervious surface of remote sensing image
CN110136170B (zh) 一种基于卷积神经网络的遥感影像建筑物变化检测方法
CN104680542B (zh) 基于在线学习的遥感影像变化检测方法
CN109740588B (zh) 基于弱监督和深度响应重分配的x光图片违禁品定位方法
CN110929607B (zh) 一种城市建筑物施工进度的遥感识别方法和系统
CN103632363B (zh) 基于多尺度融合的对象级高分辨率遥感影像变化检测方法
CN103761742B (zh) 一种基于同质指数的高光谱遥感图像稀疏解混方法
CN107808138B (zh) 一种基于FasterR-CNN的通信信号识别方法
CN105844279A (zh) 基于深度学习和sift特征的sar图像变化检测方法
CN109446894A (zh) 基于概率分割及高斯混合聚类的多光谱图像变化检测方法
CN103839257A (zh) 一种广义高斯k&amp;i的sar图像变化检测方法
CN108171119B (zh) 基于残差网络的sar图像变化检测方法
CN104809724A (zh) 多波段遥感影像的自动精配准方法
CN104361351A (zh) 一种基于区域统计相似度的合成孔径雷达图像分类方法
CN104680185B (zh) 基于边界点重分类的高光谱图像分类方法
CN109829494A (zh) 一种基于加权相似性度量的聚类集成方法
CN105095913A (zh) 基于近邻正则联合稀疏表示的遥感图像分类方法及系统
CN108537790A (zh) 基于耦合翻译网络的异源图像变化检测方法
CN111639587A (zh) 基于多尺度谱空卷积神经网络的高光谱图像分类方法
CN102609944A (zh) 基于距离几何理论的高光谱遥感图像混合像元分解方法
CN104809471A (zh) 一种基于空间光谱信息的高光谱图像残差融合分类方法
CN102360503A (zh) 基于空间贴近度和像素相似性的sar图像变化检测方法
CN103093243A (zh) 高分辨率全色遥感图像云判方法
CN114332534B (zh) 一种高光谱图像小样本分类方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20171010