CN108230365B - 基于多源差异图像内容融合的sar图像变化检测方法 - Google Patents

基于多源差异图像内容融合的sar图像变化检测方法 Download PDF

Info

Publication number
CN108230365B
CN108230365B CN201711434653.0A CN201711434653A CN108230365B CN 108230365 B CN108230365 B CN 108230365B CN 201711434653 A CN201711434653 A CN 201711434653A CN 108230365 B CN108230365 B CN 108230365B
Authority
CN
China
Prior art keywords
fusion
image
difference
difference image
images
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
Application number
CN201711434653.0A
Other languages
English (en)
Other versions
CN108230365A (zh
Inventor
贾萌
王磊
赵志强
陈浩
邱原
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.)
Xian University of Technology
Original Assignee
Xian University of Technology
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 Xian University of Technology filed Critical Xian University of Technology
Priority to CN201711434653.0A priority Critical patent/CN108230365B/zh
Publication of CN108230365A publication Critical patent/CN108230365A/zh
Application granted granted Critical
Publication of CN108230365B publication Critical patent/CN108230365B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/254—Analysis of motion involving subtraction of images
    • 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
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20064—Wavelet transform [DWT]
    • 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
    • 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)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于多源差异图像内容融合的SAR图像变化检测方法，其实现步骤为：首先对在不同时间获取到的同一地理位置区域的SAR图像对进行预处理，利用log‑ratio和mean‑ratio运算产生两个不同的差异图像，接着采用小波融合的方法获取融合差异图，计算融合差异图的空间相关信息，以及两幅差异图像与融合差异图之间的相关信息，再利用获取到的图像相关性信息对融合差异图的进行局部修正，最后对获得的融合差异图像进行k均值聚类，产生变化检测结果图并输出。该发明能够处理分布复杂的遥感图像，当单一差异图像不能真实反映区域中的变化区域和非变化区域时，仍然能够有效的检测变化区域，可用于对环境变化的自动检测。

Description

基于多源差异图像内容融合的SAR图像变化检测方法
技术领域
本发明属于遥感图像处理技术领域，涉及一种基于多源差异图像内容融合的SAR图像变化检测方法。
背景技术
SAR图像变化检测技术是利用在不同时间对同一区域获取到的两幅图像来确定地表覆盖物的变化情况，该技术对地球自然环境监测和军事目标侦察等有重要意义。
变化检测技术的一般流程主要分为三个步骤：1)预处理；2)产生差异图像；3)分析差异图像。显然，最终变化区域的检测结果取决于产生差异图像的质量，这是由于差异图像中包含了所有反映真实变化的信息。然而，由于SAR图像中斑点噪声的存在，使得差异图像中的某些细节信息损失，严重影响差异图像质量，进而导致检测变化区域的关键信息的丢失。因此，如何提高产生的差异图像的质量是SAR图像变化检测技术中的一项关键内容。
目前提出的SAR图像变化检测技术中差异图像的产生方法有：
为了能够减少斑点噪声存在所产生的影响，log-ratio运算是一种较为行之有效的差异图产生方法，因为该方法可以将乘性的斑点噪声转化为加性分量，有利于对于噪声分量的滤除，减少斑点噪声对最终检测结果的影响。因为，log运算符的使用能够有效地压缩ratio图像像素灰度值的变化范围，使得处于低灰度区域的像素得到增强。然而，log运算符在增强低灰度区域的同时减弱了高灰度值区域的像素灰度值变化范围，使得变化类像素和非变化类像素的分布更加对称，因此该方法获得的变化区域的信息不能反映真实的变化情况。
另一种常用的差异图产生方法是mean-ratio运算，该方法同样对于斑点噪声具有一定的鲁棒性，假设：变化区域表现为图像局部平均值的改变。由该方法获得的差异图对于背景区域(非变化区域)的表现是十分粗糙的，例如：150/30＝5，15/3＝5。
公茂果等在文章“基于图像融合和模糊聚类的SAR图像变化检测”中提出了一种图像融合的差异图像产生方法，采用基于小波变换的图像融合技术，平均低频分量对应低频系数，有利于保持变化区域边缘信息，而高频分量则选取对应最小能量的高频系数，可以较好的解决背景中斑点噪声干扰的问题。该方法在小波融合的过程中损失了部分有用的信息，变化检测出的结果准确度不高。
综上所述，最理想的差异图是背景区域的像素值尽可能小，而变化区域的像素值则分布于高灰度值区域，当图像背景复杂，且受到噪声的影响较大时，变化区域与非变化区域的像素在直方图上存在较大重叠时，这些算法不能准确地检测变化检测区域。
发明内容
本发明的目的是提供一种基于多源差异图像内容融合的SAR图像变化检测方法，解决了现有方法对复杂分布的SAR图像，利用单幅差异图像不能准确检测变化区域的问题。
本发明所采用的技术方案是，利用在不同时间获取到的同一地理位置区域的SAR图像产生两种不同的差异图像，接着采用小波融合的方法获取融合差异图，计算融合差异图的空间相关信息，以及两幅差异图像与融合差异图之间的相关信息，再利用获取到的图像相关性信息对融合差异图的进行局部修正，最后对获得的融合差异图像进行k均值聚类输出差异图像，其具体步骤包括如下：
步骤1，选取窗口大小为3×3的Lee滤波器分别对两幅原始的SAR图像进行滤波预处理；
步骤2，利用log-ratio和mean-ratio运算获取两幅不同的差异图像；
步骤3，对两幅差异图像采用基于小波变换的融合方法进行融合，得到融合差异图像；
步骤4，计算融合差异图像中每个像素的空间相关系数；
步骤5，分别计算出融合差异图像与两幅差异图像的内容相关系数；
步骤6，利用获得的相关信息对融合差异图像进行局部较正；
步骤7，利用k均值聚类方法对经过局部校正处理获得的融合差异图像进行聚类；
步骤8，对聚类结果的变化类区域标记为“1”，非变化类标记为“0”，输出最终的变化检测结果。
本发明的特点还在于，
步骤2的用log-ratio和mean-ratio运算获取两幅不同的差异图像log-ratio的公式为：
Figure BDA0001525595820000031
其中，X1，X2分别为获取于不同时间的SAR图像，DILR为产生的log-ratio差异图像。
mean-ratio的公式为：
Figure BDA0001525595820000041
其中，
Figure BDA0001525595820000045
分别为两幅SAR图像的局部均值，DIMR为产生的mean-ratio差异图像。
步骤4的计算融合差异图像DIWF中每个像素的空间相关性，其计算公式如下：
Figure BDA0001525595820000042
其中，DIWF为基于小波融合的差异图像，γ为常数，用来控制权值方程的步长，βsp为融合差异图像的空间相关性，N(m,n)代表大小为以像素(m,n)为中心大小为w×w的邻域，(ν,
Figure BDA0001525595820000046
)代表像素在N(m,n)邻域内的位置。
其中步骤5的计算融合差异图像分别与两幅差异图像的内容相关性信息，其计算公式如下：
Figure BDA0001525595820000043
Figure BDA0001525595820000044
其中，DILR、DIMR分别为log-ratio差异图和mean-ratio差异图，DIWF为基于小波融合的差异图像。N(m,n)代表大小为以像素(m,n)为中心大小为w×w的邻域，(ν,
Figure BDA0001525595820000047
)代表像素在N(m,n)邻域内的位置，βfm、βfl分别为求出融合差异图像分别与两幅差异图像的内容相关性。
步骤6的利用获得的相关性信息对融合差异图像进行局部较正，按如下公式进行操作：
Figure BDA0001525595820000051
其中，DILR、DIMR分别为log-ratio差异图和mean-ratio差异图，N(m,n)为以像素(m,n)为中心，大小为w×w邻域，DIWF为基于小波融合的差异图像，βfm、βfl分别为融合差异图像与两幅差异图像的内容相关性，βsp为融合差异图像的空间相关性，DICF为最终获得的融合差异图像。
其中步骤7的利用k均值聚类方法对最终获得的融合差异图像进行聚类，本发明中设置类别数K＝2，随机产生两个点作为初始聚类中心，获得的最终聚类结果转化为二值图像输出，具体的产生方法为：对聚类结果的变化类区域标记为“1”，非变化类标记为“0”，输出最终的变化检测结果。
本发明的基于多源差异图像内容融合的SAR图像变化检测方法，采用基于内容融合方法获取差异图像，然后利用k均值聚类的方法获得最终的变化检测结果图，具有如下优点：对于复杂分布的SAR图像，可以有效的检测出变化区域；当单一差异图像不能真实反映区域中的变化区域和非变化区域时，仍然能够有效的检测变化区域，可用于对环境变化的自动检测，对SAR图像可以准确的检测变化区域。
附图说明
图1是本发明的基于多源差异图像内容融合的SAR图像变化检测方法流程图；
图2本发明的基于多源差异图像内容融合的SAR图像变化检测方法的原始SAR图；
图3本发明的基于多源差异图像内容融合的SAR图像变化检测方法的一段时期后SAR图；
图4是本发明的基于多源差异图像内容融合的SAR图像变化检测方法的融合差异图像局部校正图结果图；
图5本发明的基于多源差异图像内容融合的SAR图像变化检测方法的测试参考图；
图6本发明的基于多源差异图像内容融合的SAR图像变化检测方法变化区域检测结果图。
具体实施方式
本发明的基于多源差异图像内容融合的SAR图像变化检测方法具体实施步骤结合图1，本发明的具体实现步骤如下：
步骤1，对原始SAR图像预处理
选取Lee滤波器分别对两幅原始的SAR图像进行滤波处理，本发明中的Lee滤波器的窗口大小设置为3×3；
步骤2，产生差异图像
采用log-ratio以及mean-ratio运算分别获取两幅差异图像。log-ratio的公式为：
Figure BDA0001525595820000061
其中，X1，X2分别为获取于不同时间的SAR图像，DILR为产生的log-ratio差异图像。
mean-ratio的公式为：
Figure BDA0001525595820000071
其中，μX1，μX2分别为两幅SAR图像的局部均值，DIMR为产生的mean-ratio差异图像；
步骤3，对两幅差异图像进行小波融合
本发明采用小波融合的方法对产生的两幅差异图像进行融合。对差异图像进行小波分解后，低频分量反映差异图像中变化区域的轮廓信息，高频分量反映变化区域中纹理、边缘等细节信息。因此，融合规则为：对于低频分量采用平均对应低频系数的方法，有利于保持变化区域边缘信息；高频分量采用选取对应最小能量的高频系数，可以较好的解决背景中斑点噪声干扰的问题；
步骤4，计算融合差异图像中每个像素的空间相关系数。
本发明中采用高斯径向基函数计算获得的融合差异图内的空间相关系数，由于图像中的像素与其周围像素具有相似的灰度值，计算融合差异图像DIWF中每个像素的空间相关性，其计算公式如下：
Figure BDA0001525595820000072
其中，DIWF为基于小波融合的差异图像，γ为常数，用来控制权值方程的步长，βsp为融合差异图像的空间相关性，N(m,n)代表大小为以像素(m,n)为中心大小为w×w的邻域，(ν,
Figure BDA0001525595820000073
)代表像素在N(m,n)邻域内的位置；
步骤5，计算融合差异图像分别与两幅差异图像的内容相关系数
本发明采用高斯径向基函数计算融合差异图像分别与两幅差异图像的内容相关性信息，其计算公式如下：
Figure BDA0001525595820000081
Figure BDA0001525595820000082
其中，DILR、DIMR分别为log-ratio差异图和mean-ratio差异图，DIWF为基于小波融合的差异图像，N(m,n)代表大小为以像素(m,n)为中心大小为w×w的邻域，(ν,
Figure BDA0001525595820000084
)代表像素在N(m,n)邻域内的位置，βfm、βfl分别为求出融合差异图像分别与两幅差异图像的内容相关性；
步骤6，利用获得的相关信息对融合差异图像进行局部较正
本发明中利用获得的相关性信息对融合差异图像进行局部较正。对log-ratio差异图和mean-ratio差异图与融合差异图之间的相关系数进行比较，选取相关性更大的差异图信息对融合图像进行局部修改，该操作既可以避免小波融合造成的信息损失，又有利于抑制背景中斑点噪声的干扰，按如下公式进行操作：
Figure BDA0001525595820000083
其中，DILR、DIMR分别为log-ratio差异图和mean-ratio差异图，N(m,n)为以像素(m,n)为中心，大小为w×w邻域，DIWF为基于小波融合的差异图像，βfm、βfl分别为融合差异图像与两幅差异图像的内容相关性，βsp为融合差异图像的空间相关性，DICF为最终获得的融合差异图像；
步骤7，利用k均值聚类方法对最终获得的融合差异图像进行聚类
本发明中设置类别数K＝2，随机产生两个点作为初始聚类中心，将DICF中所有像素聚集为两类；
步骤8，对提取结果进行低通滤波平滑输出
本发明中将对DICF的聚类结果转化为二值图像输出。具体的产生方法为：对聚类结果的变化类区域标记为“1”，非变化类标记为“0”，输出最终的变化检测结果。
本发明的效果可以通过仿真实验具体说明，
1.实验条件
实验所用微机CPU为Intel Pentium4 3.0GHz内存1GB，编程平台是Matlab 7.0.1，实验中采用的图像数据为分辨率为12.5m的C波段SAR图像。
2.实验内容
首先对在不同时间获取到的同一地理位置区域的SAR图像(如图2和图3所示)进行预处理，利用log-ratio和mean-ratio运算符产生两个不同的差异图像，接着采用小波融合的方法获取融合差异图，计算融合差异图的空间相关信息，以及两幅差异图像与融合差异图之间的相关信息，再利用获取到的图像相关性信息对融合差异图进行局部修正(如图4所示)，最后对获得的融合差异图像进行k均值聚类，产生变化检测结果图(如图6所示)并输出。
测试参考图(如图5所示)由先验的信息和图像判读获得的，通过对变化检测测试参考图和实验得到的变化检测结果图对比，来评价本发明的效果。
3.实验结果
图2和图3的原始SAR图像受到斑点噪声的影响，通过比较图5和图6，可以看出，该数据集的变化区域可以被准确的检测出来。

Claims (3)

1.基于多源差异图像内容融合的SAR图像变化检测方法，其特征在于，具体按照如下步骤实施：
步骤1，选取窗口大小为3×3的Lee滤波器分别对两幅原始的SAR图像进行滤波预处理；
步骤2，利用log-ratio和mean-ratio运算获取两幅不同的差异图像；
步骤3，对两幅差异图像采用基于小波变换的融合方法进行融合，得到融合差异图像；
步骤4，计算融合差异图像中每个像素的空间相关系数，其计算公式如下：
Figure FDA0002974242810000011
其中，DIWF为基于小波融合的差异图像，γ为常数，用来控制权值方程的步长，βsp为融合差异图像的空间相关性，N(m,n)代表大小为以像素(m,n)为中心大小为w×w的邻域，
Figure FDA0002974242810000014
代表像素在N(m,n)邻域内的位置；
步骤5，分别计算出融合差异图像与两幅差异图像的内容相关系数，其计算公式如下：
Figure FDA0002974242810000012
Figure FDA0002974242810000013
其中，DILR、DIMR分别为log-ratio差异图和mean-ratio差异图，DIWF为基于小波融合的差异图像，N(m,n)代表大小为以像素(m,n)为中心大小为w×w的邻域，
Figure FDA0002974242810000021
代表像素在N(m,n)邻域内的位置，βfm、βfl分别为求出融合差异图像分别与两幅差异图像的内容相关性；
步骤6，利用获得的相关信息对融合差异图像进行局部较正，
按如下公式进行操作：
Figure FDA0002974242810000022
其中，DILR、DIMR分别为log-ratio差异图和mean-ratio差异图，N(m,n)代表大小为以像素(m,n)为中心大小为w×w的邻域，DIWF为基于小波融合的差异图像，βfm、βfl分别为融合差异图像与两幅差异图像的内容相关性，βsp为融合差异图像的空间相关性，DICF为最终获得的融合差异图像；
步骤7，利用k均值聚类方法对经过局部校正处理获得的融合差异图像进行聚类；
步骤8，对聚类结果的变化类区域标记为“1”，非变化类标记为“0”，输出最终的变化检测结果。
2.根据权利要求1所述的基于多源差异图像内容融合的SAR图像变化检测方法，其特征在于，所述步骤2利用log-ratio和mean-ratio运算获取两幅不同的差异图像log-ratio的公式为：
Figure FDA0002974242810000023
其中，X1，X2分别为获取于不同时间的SAR图像，DILR为产生的log-ratio差异图像；
mean-ratio的公式为：
Figure FDA0002974242810000031
其中，
Figure FDA0002974242810000032
分别为两幅SAR图像的局部均值，DIMR为产生的mean-ratio差异图像。
3.根据权利要求1所述的基于多源差异图像内容融合的SAR图像变化检测方法，其中步骤7所述的利用k均值聚类方法对最终获得的融合差异图像进行聚类，设置类别数K＝2，随机产生两个点作为初始聚类中心，获得的最终聚类结果转化为二值图像输出，具体的产生方法为：对聚类结果的变化类区域标记为“1”，非变化类标记为“0”，输出最终的变化检测结果。
CN201711434653.0A 2017-12-26 2017-12-26 基于多源差异图像内容融合的sar图像变化检测方法 Expired - Fee Related CN108230365B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711434653.0A CN108230365B (zh) 2017-12-26 2017-12-26 基于多源差异图像内容融合的sar图像变化检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711434653.0A CN108230365B (zh) 2017-12-26 2017-12-26 基于多源差异图像内容融合的sar图像变化检测方法

Publications (2)

Publication Number Publication Date
CN108230365A CN108230365A (zh) 2018-06-29
CN108230365B true CN108230365B (zh) 2021-06-15

Family

ID=62648053

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711434653.0A Expired - Fee Related CN108230365B (zh) 2017-12-26 2017-12-26 基于多源差异图像内容融合的sar图像变化检测方法

Country Status (1)

Country Link
CN (1) CN108230365B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112862740B (zh) * 2019-11-28 2022-07-19 宁波微科光电股份有限公司 一种地铁障碍物检测方法
CN112634217A (zh) * 2020-12-17 2021-04-09 中国人民解放军火箭军工程大学 一种sar图像区域变化检测方法
CN113689455B (zh) * 2021-07-01 2023-10-20 上海交通大学 热流体图像处理方法、系统、终端及介质
CN116385866B (zh) * 2023-02-09 2024-05-10 中国铁道科学研究院集团有限公司铁道建筑研究所 基于sar图像的铁路沿线彩钢房变化检测方法和装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102800074A (zh) * 2012-07-12 2012-11-28 西安电子科技大学 基于轮廓波变换的sar图像变化检测差异图生成方法
CN103955943A (zh) * 2014-05-21 2014-07-30 西安电子科技大学 基于融合变化检测算子与尺度驱动的无监督变化检测方法
CN105528619A (zh) * 2015-12-10 2016-04-27 河海大学 基于小波变换和svm的sar遥感影像变化检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1136948A1 (en) * 2000-03-21 2001-09-26 European Community Method of multitime filtering coherent-sensor detected images

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102800074A (zh) * 2012-07-12 2012-11-28 西安电子科技大学 基于轮廓波变换的sar图像变化检测差异图生成方法
CN103955943A (zh) * 2014-05-21 2014-07-30 西安电子科技大学 基于融合变化检测算子与尺度驱动的无监督变化检测方法
CN105528619A (zh) * 2015-12-10 2016-04-27 河海大学 基于小波变换和svm的sar遥感影像变化检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
《SAR change detection based on intensity and texture changes》;Maoguo Gong，et al;《ISPRS Journal of Photogrammetry and Remote Sensing》;20140630;第93卷;第123-135页 *
《Wavelet Fusion on Ratio Images for Change Detection in SAR Images》;JingJing Ma，et al;《IEEE Geoscience and remote sensing letters》;20121130;第9卷(第6期);第1122-1126页 *
《合成孔径雷达影像变化检测研究进展》;公茂果;《计算机研究与发展》;20161231;第53卷(第1期);第123-137页 *

Also Published As

Publication number Publication date
CN108230365A (zh) 2018-06-29

Similar Documents

Publication Publication Date Title
CN108230365B (zh) 基于多源差异图像内容融合的sar图像变化检测方法
CN104751478B (zh) 一种基于多特征融合的面向对象的建筑物变化检测方法
CN104574347B (zh) 基于多源遥感数据的在轨卫星图像几何定位精度评价方法
CN102254319B (zh) 一种多层次分割的遥感影像变化检测方法
CN107301661A (zh) 基于边缘点特征的高分辨率遥感图像配准方法
TWI497450B (zh) 視訊物件追蹤方法
CN112307901B (zh) 一种面向滑坡检测的sar与光学影像融合方法及系统
CN101126813A (zh) 一种高分辨率卫星遥感影像中构筑物轮廓提取方法
CN102360503B (zh) 基于空间贴近度和像素相似性的sar图像变化检测方法
CN107590785B (zh) 一种基于sobel算子的布里渊散射谱图像识别方法
CN110245600B (zh) 自适应起始快速笔画宽度无人机道路检测方法
CN111008644B (zh) 基于局部动态能量函数fcn-crf模型的生态变化监测方法
CN103871039A (zh) 一种sar图像变化检测差异图生成方法
CN108830814A (zh) 一种遥感影像的相对辐射校正方法
CN104517286A (zh) 基于自适应阈值分割和组合优化的sar图像配准
Zhang et al. A study on coastline extraction and its trend based on remote sensing image data mining
CN105488798B (zh) 基于点集对比的sar图像相似性度量方法
CN113111706B (zh) 一种面向方位角连续缺失的sar目标特征解缠与识别方法
CN112784777B (zh) 基于对抗学习的无监督高光谱图像变化检测方法
CN111340741B (zh) 基于四元数与l1范数的粒子群优化灰度图像增强方法
Zaveri et al. Novel hybrid multispectral image fusion method using fuzzy logic
CN105205485B (zh) 基于多类类间最大方差算法的大尺度图像分割算法
CN108564585B (zh) 一种基于自组织映射与深度神经网络的图像变化检测方法
CN110689510A (zh) 一种引入字典信息基于稀疏表示的图像融合方法
CN113781375B (zh) 一种基于多曝光融合的车载视觉增强方法

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210615

Termination date: 20211226

CF01 Termination of patent right due to non-payment of annual fee