CN107392887B - 一种基于同质像素点转化的异质遥感图像变化检测方法 - Google Patents
一种基于同质像素点转化的异质遥感图像变化检测方法 Download PDFInfo
- Publication number
- CN107392887B CN107392887B CN201710456185.0A CN201710456185A CN107392887B CN 107392887 B CN107392887 B CN 107392887B CN 201710456185 A CN201710456185 A CN 201710456185A CN 107392887 B CN107392887 B CN 107392887B
- Authority
- CN
- China
- Prior art keywords
- image
- pixel point
- pixel
- event
- remote sensing
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 49
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 13
- 230000004927 fusion Effects 0.000 claims abstract description 17
- 238000013507 mapping Methods 0.000 claims description 42
- 238000000034 method Methods 0.000 claims description 27
- 230000009466 transformation Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000003672 processing method Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000002457 bidirectional effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 239000002131 composite material Substances 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
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
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
- G06T2207/10036—Multispectral image; Hyperspectral 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
- G06T2207/10—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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于同质像素点转化的异质遥感图像变化检测方法,分别选择事件发生前图像和事件发生后图像中未变化区域内的多个像素点作为样本,得到样本X1和Y1,其中X1为事件发生前图像中的样本,Y1为事件发生后图像中的样本;结合样本X1和Y1计算得出事件发生前图像和事件发生后图像中所有像素点的前向差值和后向差值;根据前向差值和后向差值计算所有像素点的融合差值,并得出所有像素点的变化情况,生成变化检测二值图,得出图像变化区域;采用基于同质像素点转化的处理方法,将位于两个不同特征空间两幅图像中的像素点转化到同一个特征空间,以实现像素点的直接比较,完成异质遥感图像的变化检测,推升了图像中变化区域的检测精度。
Description
【技术领域】
本发明属于遥感图像处理和模式识别技术领域,尤其涉及一种基于同质像素点转化的异质遥感图像变化检测方法。
【背景技术】
遥感图像变化检测技术对监测地球表面覆盖变化具有十分重要的作用。这种技术被广泛应用到各个领域,比如说自然灾害引起的区域变化检测,土地使用的监测,植被和矿物资源变化的调查。随着卫星技术的不断发展,遥感图像资源(例如SAR图像和光谱图像)获取的周期越来越短。通过变化检测技术替代人力对事件发生前后的遥感图像进行比较,不仅节省了大量的人力,而且缩短了工作时间。遥感图像变化检测技术是将来自同一地域不同时间的两幅图像进行比较,最终呈现由事件造成变化的区域。
目前,很多遥感变化检测技术都是针对同质图像,即两幅遥感图像位于完全相同的特征空间,同是SAR图像(一维特征空间)或者同是多光谱图像(多维特征空间),其像素点具有相同的属性(例如,SAR图像具有灰度属性,光谱图像能够反映多个波段的属性),并存在一定的线性关系,因此可以通过直接比较像素点的方式实现变化区域的检测。而现实中,尤其当某个地区发生自然灾害时,由于该地区遥感卫星发生变化,拍摄条件限制等原因,往往灾害之前卫星拍摄的图像类型与灾害之后能够获取的图像类型不同,导致人们最终不能获取两幅同质的遥感图像,但又需要马上对受灾地区实施救灾。因此,异质遥感图像变化检测技术显得尤为重要。遥感图像变化检测技术通常分为三种类型:对象级,特征级和像素级,其中前两种方法需要首先从图像中提取合适的对象或者特征,然后根据提取的对象或者特征将两幅图像进行比较。这两种方法的准确率往往受到对象或特征提取过程的影响,如果提取结果的精确度不高,就会对最终的变化检测结果造成较大误差。基于像素级的变化检测能够减少上述特征提取过程带来的误差影响,同时由于基于像素点处理能够保留更多检测细节。
【发明内容】
本发明的目的是提供一种基于同质像素点转化的异质遥感图像变化检测方法,以解决两幅异质遥感图像的比较困难、检测精度低、误差大的问题。
本发明采用以下技术方案:一种基于同质像素点转化的异质遥感图像变化检测方法,包括以下步骤:
步骤1、分别选择事件发生前图像和事件发生后图像中未变化区域内的多个像素点作为样本,得到样本X1和Y1,其中X1为事件发生前图像中的样本,Y1为事件发生后图像中的样本;
步骤2、结合样本X1和Y1,计算得到事件发生前图像和事件发生后图像中所有像素点的前向差值和后向差值;
步骤3、根据前向差值和后向差值计算所有像素点的融合差值,并得出所有像素点的变化情况,生成变化检测二值图,得出图像变化区域。
进一步地,步骤2具体实现方法为:
步骤2.2、找出像素点xi的对应像素点yi,并通过计算yi和之间的距离,得出前向差值D1=[d1,d2,...,dn]T,其中,i=1,2,…,n;n为大于1的整数,k代表和yi的维数,表示第i个预测像素点的第j维,yi,j表示第i个实际像素点的第j维;
步骤2.3、计算得出后向差值D2=[d1’,d2’,…,dn’]T,其中,n’=n。
进一步地,步骤2.1的具体方法为:
步骤2.1.1、通过自组织映射神经网络将样本X1聚类成M类,得出M个聚类中心,M为大于1的整数;
步骤2.1.2、将待预测像素点xi与M个聚类中心比较,得出与待预测像素点xi距离最小的聚类中心ml,l=1,2,...,M,将聚类中心ml所在聚类中的像素点作为待预测像素点xi的近邻点;
步骤2.1.3、在样本Y1的对应位置,找到X1中n个近邻点的对应映射值n’个近邻点,其中n=n’;
进一步地,步骤3具体实现方法为:
步骤3.1、将前向差值和后向差值进行融合:D=D1+D2,得出融合之后的差值D=[d1”,d2”,…,dn”]T;
步骤3.2、针对D中每个像素点的融合差值,采用模糊聚类算法,估计其变化结果,并生成二值图像;
步骤3.3、采用中值滤波法将步骤3.2生成的二值图像进行去噪,得到最终变化结果。
进一步地,M的值为56。
本发明的有益效果是:采用基于同质像素点转化的处理方法,将位于两个不同特征空间两幅图像中的像素点转化到同一个特征空间,以实现像素点的直接比较,完成异质遥感图像的变化检测,推升了图像中变化区域的检测精度。
另外,通过多值映射的思想,使用待转化像素点的多个近邻值来预测一个特征空间中的像素点在另外一个特征空间中的映射值,降低了图像异质性对像素点转化的影响,提高了像素点估计值的准确性,而且将双向像素点预测值与实际值差值融合,在变化检测过程中,减少了由于像素点属性不同而造成的近邻点映射位置不确定性的影响,实现了在保证较高变化检测准确率的同时,大大缩短了处理时间。
【附图说明】
图1为本发明基于同质像素点转化的异质图像变化检测流程图;
图2为本发明中不同特征空间像素点的映射关系;
图3为不同方法的异质遥感图像变化检测结果图。
【具体实施方式】
下面结合附图和具体实施方式对本发明进行详细说明。
本发明公开了一种基于同质像素点转化的异质遥感图像变化检测方法,如图1所示,异质遥感图像中的像素点属性不同,不能直接进行比较,本发明将不同特征空间的像素点转化到相同的特征空间进而实现遥感图像的变化检测。为了减少异质性对变化检测过程的影响,提出了多值映射预测像素点映射值和融合双向(前向和后向)像素点预测值与实际值的差值。
步骤1:分别选择事件发生前图像和时间发生后图像中未变化区域内的多个像素点作为样本。
一般来讲,两幅异质遥感图像中,未变化区域在整幅图像中占较大比例,因此,我们在事件发生前图像和事件发生后图像中未变化区域的对应位置分别选取多个像素点作为样本,并分别表示为X1和Y1,其中X1为从事件发生前图像中选取的样本,Y1为从事件发生后图像中选取的样本。
需要说明的是,本发明中选择的样本需满足两个条件:第一,每个样本中像素点能够涵盖其所在遥感图像中几乎所有的类别,但并不需要知道每个像素点所属的具体类别;第二,两个样本中的像素点数目相同并存在一一对应的关系。
步骤2:结合样本X1和Y1,计算得到两组得出事件发生前图像和事件发生后图像中所有像素点的前向差值和后向差值。
从事件发生前图像到事件发生后图像,计算事件发生前图像中所有像素点在事件发生后图像特征空间中的预测值,并将预测值与事件发生后图像中对应的真实值比较差异,定义此差异值为前向预测的前向差值;同样地,从事件发生后图像到事件发生前图像,计算事件发生后图像中所有像素点在事件发生前图像特征空间中的预测值,并将预测值与事件发生前图像中对应的真实值做差值,定义此差值为后向预测的后向差值。
为了最终将得到的预测映射点同实际映射点比较,判断待测像素点是否变化,需先确定异质遥感图像像素点的映射关系。
异质遥感图像位于不同的特征空间,像素点属性值不同且不存在线性关系,因此,不能直接进行比较。如图2所示,展示了不同特征空间像素点变化和不变化情况的映射关系,图中yi(y'i)是xi的映射点。
在第一个特征空间中,点x0如果没有受到事件的影响,映射之后的点y0应仍在原来的点堆中。如果点x0发生改变,那么映射之后的点y'0将与其近邻点特征不再相同,在第二特征空间中,y'0远离原来的点堆并位于新的点堆中。
但对于异质遥感图像,当像素点不受事件影响时,由于异质性,像素点在一个特征空间中具有相同特征且距离非常相近的像素点,在另外一个特征空间中的距离不一定相近。图2(a)中点x0的最近邻为点x2,当映射到第二个特征空间之后,y0的最近邻变成了y1(即x1的映射点)而不是y2(即x2的映射点),并且其他近邻点的位置也发生了小范围的波动。
因此,本发明提出通过多值映射而不是单个近邻点来预测像素点的映射值,实现将不同特征空间的两幅图像转化到同一个特征空间,使两幅图像像素点位于同一特征空间进而进行比较。
通过多值映射预测像素点映射值,该步骤的主要目的是预测第一特征空间像素点xi在第二特征空间的估计值,也可以叫做预测映射点。
对于像素点xi,在样本X1中估计与其特征相同或者相似的n个近邻点。在样本YI中找到这n个近邻点的映射像素点,并被我们记作n’个近邻点,其中n为大于1的整数,n=n’。
根据异质遥感图像的映射关系,一个像素点往往不能映射到我们所期望的对应位置。所以,在估计xi映射值时,我们选择多值预测,就是在估计某个像素点的预测值时,通过多个近邻点来预测,而不是一个近邻点,这里‘多值’就是指多个近邻点。避免通过一个近邻点带来预测的不确定性,同时这种方法增强了对噪声的容忍性。
由于遥感图像数据量大,通过直接遍历整幅图像来估计像素点的近邻点不仅加大了算法的复杂度还将增加变化检测过程的处理时间。本发明中,我们基于自组织映射神经网络(SOM)来估计一个像素点的近邻值。
步骤2.1.1、通过自组织映射神经网络(SOM)将样本X1聚类成M类,与此同时我们能够获得M个聚类中心,M为大于1的整数。
每一个聚类堆中的像素点具有相同或者相似的特征,可以直接表示为某个像素点的近邻点。通过大量的实际实验得出,使聚类数M=56时,能够在保证变化检测结果准确率较高的同时,检测过程所需处理时间最短。
步骤2.1.2、聚类之后,将待预测像素点xi与M个聚类中心比较,得出与待预测像素点xi距离最小的聚类中心ml,l=1,2,...,M,然后将这个聚类中心ml所在聚类堆中的像素点作为xi的近邻点。这种方法可以避免多次遍历整幅图像,仅需和较少数量的值(即M个聚类中心)进行比较就能估计出近邻点。
步骤2.1.3、根据两个样本中像素点一一对应的关系,在样本Y1的对应位置,找到与X1中n个近邻点的对应映射值n’个近邻点,其中,n=n’。
步骤2.1.4、多值映射,即多个近邻点映射的最终目的是估计第一特征空间中(事件发生前图像)像素点xi在第二特征空间(事件发生后图像)的预测映射值。除映射的近邻点之外,在事件发生后遥感图像中可以找到与待预测点xi相对应位置的对应像素点yi,之后计算实际映射点yi和n’个映射后的近邻点之间的距离,并将n’个近邻点中与yi距离最近的点作为xi的预测映射点
步骤2.2、找出像素点xi的对应像素点yi,并计算出yi和之间的距离,得出前向差值D1=[d1,d2,...,dn]T,其中,i=1,2,…,n;n为大于1的整数,k代表和yi的维数,表示第i个预测像素点的第j维,yi,j表示第i个实际像素点的第j维;
将图像全部像素点做前向转化(预测)(计算事件前图像像素点转化到事件后图像所在特征空间的预测值),得到一组差值D1=[d1,d2,...,dn]T,dn表示第n个像素点转化后预测映射值与其实际对应位置值的欧式距离,n为大于1的整数,其代表事件前图像的像素点的总数,且事件前图像和事件后图像的像素点总数相同。
步骤2.3、由于异质遥感图像像素点属性不同,如果只做一个方向的像素点转化,比如将SAR图像中像素点转化到多光谱图像所在特征空间,SAR图像中代表同一类的像素点映射到多光谱特征空间中可能代表不止一种类别。然而如果再进行一次后向的像素点转化(将多光谱图像像素点转化到SAR图像所在特征空间),这种由于异质性带来的差异能够被减弱。
所以,根据上述计算前向差值D1的原理,继续进行计算(继续进行反向计算),可以得到另一组差值(后向差值)D2=[d1’,d2’,…,dn’]T,n’=n,D2是后向预测过程的差值,即估计事件发生后图像中所有像素点在第一特征空间(事件发生前图像)的预测值,与事件发生前图像中真实值比较得到的差异结果。
步骤3、根据前向差值和后向差值计算所有像素点的融合差值,并得出所有像素点的变化情况,生成变化检测二值图,得出图像的变化区域。
步骤3.1、将前向差值和后向差值进行融合:D=D1+D2,得到融合差值D=[d1”,d2”,…,dn”]T;D为前向差值和后向差值融合后的融合结果。双向差值的融合能够减小异质性引入的误差,增强对噪声的容忍性,更重要的是,这种融合能够将变化像素点估计值与实际值的差异放大,像素点变化越明显,差值越大;否则,结果就会很小。
步骤3.2、针对D中每个像素点的融合差值,采用模糊聚类算法,估计其变化结果,并生成二值图像。
针对得出每个像素点的变化结果,基于模糊聚类算法,将像素点的融合差值分成两类,一类代表变化,一类代表不变化,并通过二值图呈现。本发明采用了模糊聚类算法,该算法给定每个融合差值两个隶属度概率,一个代表变化(或不变化)的概率,一个代表不变化(或变化)的概率,两个概率值哪个概率值大于等于0.5,就属于哪一类。
步骤3.3、最后,为了减少噪声的影响,保留更多变化检测细节,采用中值滤波法将步骤3.2中生成的二值图像进行去噪处理,滤波模板选择3×3,
得到最终变化结果。
实施例:实际异质遥感图像变化检测
我们通过一组真实的异质遥感图像实验证明本发明的有效性和准确性。如图3(a)和图3(b)表示,两幅图像均来自英国格洛斯特,尺寸为590×330,其中SAR图像拍摄于1999年9月9日洪水之前,SPOT图像于2000年10月21日洪水发生后获取,由三个波段组成:波段1(绿:0.5–0.59μm),波段2(红:0.61–0.68μm),波段3(近红外:0.79–0.98μm)。图3(c)是真实发生变化区域的参考图。
将本发明与一阶线性回归方法进行比较,比较结果图见图3(d)和图3(e)。图中白色像素点代表变化的区域而黑色像素点代表没有发生变化的区域。线性回归方法能够检测出大部分变化的区域,但引入了大量的虚警像素点(实际没有变化却被检测成变化的像素点)。然而通过得到的变化检测结果非常清晰,图中虚警和漏检像素点的数量都很少,这是由于针对异质遥感图像变化检测,本发明提出的多值映射预测和双向差值融合思想减小了两幅图像异质性的影响。表1是对两种方法变化检测结果精确度的评估,其中Ra是准确率,Rm是漏检率,Rf是虚警率,Kappa系数能够全面地反应变化检测的精确度。通过本发明得到的异质遥感图像变化检测结果同参考图像比较,漏检率Rm和和虚警率Rf明显降低,并且Kappa系数比较理想,超过了85%。
表1不同方法变化检测结果精确度评估
方法 | R<sub>a</sub> | R<sub>m</sub> | R<sub>f</sub> | Kappa |
一阶线性回归 | 33.22 | 27.99 | 66.78 | 34.83 |
本项发明方法 | 90.56 | 12.45 | 9.44 | 87.58 |
Claims (5)
1.一种基于同质像素点转化的异质遥感图像变化检测方法,其特征在于,包括以下步骤:
步骤1、分别选择事件发生前图像和事件发生后图像中未变化区域内的多个像素点作为样本,得到样本X1和Y1,其中X1为事件发生前图像中的样本,Y1为事件发生后图像中的样本;
步骤2、结合样本X1和Y1,计算得到事件发生前图像和事件发生后图像中所有像素点的前向差值和后向差值;
步骤3、根据所述前向差值和后向差值计算所有像素点的融合差值,并得出所有像素点的变化情况,生成变化检测二值图,得出图像变化区域。
3.如权利要求2所述的基于同质像素点转化的异质遥感图像变化检测方法,其特征在于,步骤2.1的具体方法为:
步骤2.1.1、通过自组织映射神经网络将样本X1聚类成M类,得出M个聚类中心,M为大于1的整数;
步骤2.1.2、将待预测像素点xi与M个聚类中心比较,得出与待预测像素点xi距离最小的聚类中心ml,l=1,2,...,M,将聚类中心ml所在聚类中的像素点作为待预测像素点xi的近邻点;
步骤2.1.3、在样本Y1的对应位置,找到X1中n个近邻点的对应映射值n’个近邻点,其中n=n’;
4.如权利要求1-3任一所述的基于同质像素点转化的异质遥感图像变化检测方法,其特征在于,步骤3具体实现方法为:
步骤3.1、将前向差值和后向差值进行融合:D=D1+D2,得出融合之后的差值D=[d1”,d2”,…,dn”]T;
步骤3.2、针对D中每个像素点的融合差值,采用模糊聚类算法,估计其变化结果,并生成二值图像;
步骤3.3、采用中值滤波法将步骤3.2生成的二值图像进行去噪,得到最终变化结果。
5.如权利要求3所述的基于同质像素点转化的异质遥感图像变化检测方法,其特征在于,所述M的值为56。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710456185.0A CN107392887B (zh) | 2017-06-16 | 2017-06-16 | 一种基于同质像素点转化的异质遥感图像变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710456185.0A CN107392887B (zh) | 2017-06-16 | 2017-06-16 | 一种基于同质像素点转化的异质遥感图像变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107392887A CN107392887A (zh) | 2017-11-24 |
CN107392887B true CN107392887B (zh) | 2020-06-09 |
Family
ID=60332275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710456185.0A Active CN107392887B (zh) | 2017-06-16 | 2017-06-16 | 一种基于同质像素点转化的异质遥感图像变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107392887B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108427967B (zh) * | 2018-03-13 | 2021-08-27 | 中国人民解放军战略支援部队信息工程大学 | 一种实时影像聚类方法 |
CN108764136B (zh) * | 2018-05-29 | 2021-06-25 | 长春工程学院 | 一种在高分辨率遥感影像中识别建筑物的方法 |
CN109255388B (zh) * | 2018-09-28 | 2021-12-31 | 西北工业大学 | 一种无监督的异质遥感图像变化检测方法 |
CN110598748B (zh) * | 2019-08-13 | 2021-09-21 | 清华大学 | 基于卷积神经网络融合的异质图像变化检测方法及装置 |
CN111292220B (zh) * | 2020-01-19 | 2021-09-28 | 西北工业大学 | 面向合成孔径雷达目标图像识别的靶向伪装图像生成方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663724A (zh) * | 2012-03-03 | 2012-09-12 | 西安电子科技大学 | 基于自适应差异图的遥感图像变化检测方法 |
CN102968790A (zh) * | 2012-10-25 | 2013-03-13 | 西安电子科技大学 | 基于图像融合的遥感图像变化检测方法 |
CN103456018A (zh) * | 2013-09-08 | 2013-12-18 | 西安电子科技大学 | 基于融合和pca核模糊聚类的遥感图像变化检测方法 |
CN103729653A (zh) * | 2014-01-21 | 2014-04-16 | 武汉大学 | 一种高分辨率遥感影像监督变化检测的方法 |
CN104200471A (zh) * | 2014-08-30 | 2014-12-10 | 西安电子科技大学 | 基于自适应权值图像融合的sar图像变化检测方法 |
-
2017
- 2017-06-16 CN CN201710456185.0A patent/CN107392887B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663724A (zh) * | 2012-03-03 | 2012-09-12 | 西安电子科技大学 | 基于自适应差异图的遥感图像变化检测方法 |
CN102968790A (zh) * | 2012-10-25 | 2013-03-13 | 西安电子科技大学 | 基于图像融合的遥感图像变化检测方法 |
CN103456018A (zh) * | 2013-09-08 | 2013-12-18 | 西安电子科技大学 | 基于融合和pca核模糊聚类的遥感图像变化检测方法 |
CN103729653A (zh) * | 2014-01-21 | 2014-04-16 | 武汉大学 | 一种高分辨率遥感影像监督变化检测的方法 |
CN104200471A (zh) * | 2014-08-30 | 2014-12-10 | 西安电子科技大学 | 基于自适应权值图像融合的sar图像变化检测方法 |
Non-Patent Citations (2)
Title |
---|
Change Detection in Synthetic Aperture Radar Images based on Image Fusion and Fuzzy Clustering;Maoguo Gong 等;《IEEE TRANSACTIONS ON IMAGE PROCESSING》;20120430;第21卷(第4期);第2141-2151页 * |
基于卫星遥感图像的变化检测算法;邹杨修 等;《计算机系统应用》;20170531;第26卷(第5期);第155-162页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107392887A (zh) | 2017-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107392887B (zh) | 一种基于同质像素点转化的异质遥感图像变化检测方法 | |
CN102254319B (zh) | 一种多层次分割的遥感影像变化检测方法 | |
CN108830870B (zh) | 基于多尺度结构学习的卫星影像高精度农田边界提取方法 | |
CN112288008B (zh) | 一种基于深度学习的马赛克多光谱图像伪装目标检测方法 | |
CN112084869B (zh) | 一种基于紧致四边形表示的建筑物目标检测方法 | |
CN110309781B (zh) | 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法 | |
CN101976436B (zh) | 一种基于差分图修正的像素级多聚焦图像融合方法 | |
CN104463200B (zh) | 一种基于规则挖掘的卫星遥感图像分类方法 | |
CN103198480B (zh) | 基于区域和Kmeans聚类的遥感图像变化检测方法 | |
Sandborn et al. | Determining the relationship between census data and spatial features derived from high-resolution imagery in Accra, Ghana | |
Vu et al. | Context-based mapping of damaged buildings from high-resolution optical satellite images | |
CN106897681B (zh) | 一种遥感图像对比分析方法及系统 | |
CN111027446A (zh) | 一种高分辨率影像的海岸线自动提取方法 | |
CN103426158A (zh) | 两时相遥感图像变化检测的方法 | |
CN113269028B (zh) | 一种基于深度卷积神经网络的水体变化检测方法和系统 | |
CN109191418A (zh) | 一种基于收缩自编码器特征学习的遥感图像变化检测方法 | |
CN104616026A (zh) | 一种面向智能视频监控的监控场景类型辨识方法 | |
CN117575953B (zh) | 一种高分辨率林业遥感图像细节增强方法 | |
CN113361407B (zh) | 基于PCANet的空谱特征联合高光谱海冰图像分类方法 | |
CN106971402B (zh) | 一种基于光学辅助的sar图像变化检测方法 | |
JP4285640B2 (ja) | オブジェクト識別方法および装置ならびにプログラム | |
Babu | Optimized performance and utilization analysis of real-time multi spectral data/image categorization algorithms for computer vision applications | |
CN104392209A (zh) | 一种目标与背景的图像复杂度评价模型 | |
CN112270289A (zh) | 一种基于图卷积注意力网络的智能监测方法 | |
CN103793913A (zh) | 一种结合均值漂移的谱聚类图像分割方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |