CN109242832B - 一种多时相多光谱遥感影像变化检测方法及系统 - Google Patents

一种多时相多光谱遥感影像变化检测方法及系统 Download PDF

Info

Publication number
CN109242832B
CN109242832B CN201810964834.2A CN201810964834A CN109242832B CN 109242832 B CN109242832 B CN 109242832B CN 201810964834 A CN201810964834 A CN 201810964834A CN 109242832 B CN109242832 B CN 109242832B
Authority
CN
China
Prior art keywords
remote sensing
sensing image
temporal
image
change detection
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
Application number
CN201810964834.2A
Other languages
English (en)
Other versions
CN109242832A (zh
Inventor
石爱业
李学亮
马贞立
王鑫
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.)
Hohai University HHU
Original Assignee
Hohai University HHU
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 Hohai University HHU filed Critical Hohai University HHU
Priority to CN201810964834.2A priority Critical patent/CN109242832B/zh
Publication of CN109242832A publication Critical patent/CN109242832A/zh
Application granted granted Critical
Publication of CN109242832B publication Critical patent/CN109242832B/zh
Active 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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种多时相多光谱遥感影像变化检测方法及系统，所述方法首先利用非负矩阵分解融合多时相遥感影像的变化矢量幅值和多时相的光谱角映射图，获取新的差异影像。然后，对差异影像应用FCM算法获取CRF的一元能量项。其次，根据图像的邻域和差异影像，获取CRF的二元能量项。最后通过循环信度传播算法对CRF的能量最小化获取最终的变化检测结果。本发明能够更好地刻画图像邻域间的关系，提高了变化检测的精度；变化检测结果更加可靠，也更加具有稳健性。

Description

一种多时相多光谱遥感影像变化检测方法及系统
技术领域
本发明属于图像处理技术领域，尤其涉及一种多时相多光谱遥感影像变化检测方法。
背景技术
遥感影像的变化检测就是从不同时期的遥感数据中，定量地分析和确定地表变化的特征与过程。各国学者从不同的角度和应用研究提出了许多有效的检测算法，总体来说，根据检测过程中是否需要训练样本，可以将变化检测分为三个大类：非监督变化检测算法、半监督变化检测算法和监督变化检测算法。由于非监督变化检测算法无需训练样本，加之建模过程无需先验知识，因此该类算法获得了广泛的应用。常规的非监督变化检测算法有变化矢量分析法(Change Vector Analysis，CVA)、基于主成分变换的检测方法、基于FuzzyC-means(模糊C均值聚类算法，FCM)的聚类方法、基于多元变化检测算法、基于无向图的变化检测算法(包括MRF、CRF等)等。变化检测建模中，像素和其邻域具有高度相关性，MRF和CRF两种概率图模型均可以刻画这种邻域关系。由于CRF能够同时考虑观察场与标记场的空间上下文信息，比MRF建模更加灵活，其在多时相变化检测领域应用具有优势。
2015年12月16日中国专利数据库公开了一种基于非平稳分析与条件随机场的SAR图像变化检测方法(专利号：201510526592.5)，但是检测方法是监督类变化检测，实际应用中需消耗大量的人力成本等去构建训练样本。现有技术中还公开了一种基于CRF的非监督变换检测方法[Guo Cao,Xuesong Li&Licun Zhou.Unsupervised change detection inhigh spatial resolution remote sensing images based on a conditional randomfield model.European Journal of Remote Sensing,2016,49:225-237.]，该检测方法应用于多光谱多时相遥感图像检测过程中，能够提高检测精度，但该方法在构建CRF一元能量项中，没有充分利用多光谱影像多个差异信息，导致检测性能的下降。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种多时相多光谱遥感影像变化检测方法及系统，融合了不同的差异图像，检测结果更加可靠、稳健，检测精度更高。
为达到上述目的，本发明是采用下述技术方案实现的：
一方面，本发明提供了一种多时相多光谱遥感影像变化检测方法，所述方法包括如下步骤：
融合多时相遥感影像的变化矢量幅值和光谱角信息，得到差异影像；
根据差异影像获取条件随机场的一元能量项；
根据多时相遥感影像的邻域和差异影像构建条件随机场的二元能量项；
根据一元能量项和二元能量项构建条件随机场能量项；
以能量最小化为目标，对条件随机场能量项进行优化，获取最终的变化检测结果。
进一步的，采用公式(1)计算多时相遥感影像的变化矢量幅值XM：
Figure BDA0001774705610000021
其中：(i,j)表示遥感影像的坐标；XM(i,j)表示坐标(i,j)处的变化矢量幅值；B表示每一个时相遥感影像的波段数目；b表示波段的序号；X1b(i,j)表示前一时相第b波段遥感影像坐标(i,j)处的像素值；X2b(i,j)表示后一时相第b波段遥感影像坐标(i,j)处的像素值。
进一步的，采用公式(2)计算多时相遥感影像的光谱角信息XSA：
Figure BDA0001774705610000031
其中：XSA(i,j)表示坐标(i,j)处的光谱角值；B表示每一个时相遥感影像的波段数目；(i,j)表示遥感影像的坐标；b表示波段的序号；X1b(i,j)表示前一时相第b波段遥感影像坐标(i,j)处的像素值；X2b(i,j)表示后一时相第b波段遥感影像坐标(i,j)处的像素值。
进一步的，采用非负矩阵分解算法融合多时相遥感影像的变化矢量幅值和光谱角信息。
进一步的，采用模糊C类均值聚类算法获取条件随机场的一元能量项。
进一步的，所构建的条件随机场能量项如下：
Figure BDA0001774705610000032
其中：S表示节点的集合，E表示相邻节点的集合，参数β是正则化参数，用于控制一元能量项和二元能量项间的比重；k,q表示节点k与其相邻的节点q组成的一个相邻节点对，Uk表示节点k处的一元能量项；Uk,q表示相邻节点对(k,q)处的二元能量项。
进一步的，采用循环信度传播优化算法对条件随机场能量项进行优化获取最终的变化检测结果。
进一步的，对多时相遥感影像进行融合前，还包括对多时相遥感影像进行预处理，所述预处理包括：利用ENVI遥感图像处理软件对同一区域、不同时相的遥感影像进行影像配准。
进一步的，所述预处理还包括：利用多元变化检测方法对影像配准后的遥感影像进行辐射归一化校正。
另一方面，本发明提供了一种多时相多光谱遥感影像变化检测系统，包括处理器和存储设备，所述存储设备中存储有多条指令，用于所述处理器加载并执行前述任一项多时相多光谱遥感影像变化检测方法的步骤。
因此，本发明提供了多时相多光谱遥感影像变化检测方法及系统，通过NMF融合变化矢量幅值和光谱角映射图信息后，来构建CRF的能量项，能够更好地刻画图像邻域间的关系，提高了变化检测的精度；变化检测中，融合不同的差异图像，可以使得变化检测的结果更加可靠，也更加具有稳健性。
附图说明
图1是本发明实施例的多时相多光谱遥感影像变化检测方法的流程图；
图2是本发明所采用的2007年1月的沙特阿拉伯Mina地区高分辨率IKONOS图像第3波段示意图；
图3是本发明所采用的2007年12月的沙特阿拉伯的Mina地区高分辨率IKONOS图像第3波段示意图；
图4是变化检测参考(Ground Truth)图像；
图5是EM-MRF算法检测结果图像；
图6是CRF1算法检测结果图像；
图7是CRF2算法的检测结果图像；
图8是采用本发明实施例方法的检测结果图像。
具体实施方式
本发明首先利用非负矩阵分解(NMF)融合多时相遥感影像的变化矢量幅值和多时相的光谱角映射图(Spectral Angle Mapper，SAM)，获取新的差异影像XF。然后，对XF应用FCM算法(Fuzzy C-Means,FCM)算法获取CRF的一元能量项。其次，根据图像的邻域和XF，获取CRF的二元能量项。最后通过循环信度传播(Loopy Belief Propagation,LBP)算法对CRF的能量最小化获取最终的变化检测结果。本发明能够更好地刻画图像邻域间的关系，提高了变化检测的精度；变化检测结果更加可靠，也更加具有稳健性。
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
参照图1，是本发明实施例的多时相多光谱遥感影像变化检测方法的流程图，包括如下步骤：
步骤1：输入同一区域、不同时相的两幅高分辨率光学遥感影像，分别记为：X1和X2。
步骤2：利用ENVI遥感图像处理软件对X1和X2进行影像配准，分为粗校正和精校正两个步骤：
对于几何粗校正，利用ENVI4.8软件中的相关功能实现，具体操作步骤为：(1)显示基准影像和待校正影像；(2)采集地面控制点GCPs；GCPs应均匀分布在整幅图像内，GCPs的数目至少大于等于9；(3)计算误差；(4)选择多项式模型；(5)采用双线性插值进行重采样输出。
双线性差值法，若求未知函数f在点P＝(x,y)的值，假设已知函数f在Q11＝(x1,y1)，Q12＝(x1,y2)，Q21＝(x2,y1)及Q22＝(x2,y2)四个点的值。如果选择一个坐标系统使得这四个点的坐标分别为(0,0)、(0,1)、(1,0)和(1,1)，那么双线性插值公式就可以表示为：
f(x,y)≈f(0,0)(1-x)(1-y)+f(1,0)x(1-y)+f(0,1)(1-x)y+f(1,1)xy(1)
对于几何精校正，将经过几何粗校正的多光谱遥感影像数据，利用自动匹配与三角剖分法进行几何精校正。
三角剖分法为，采用逐点插入法构建Delaunay三角网，对每一个三角形，利用其三个顶点的行列号与其对应的基准影像同名点的地理坐标来确定该三角形内部的仿射变换模型参数，对待校正影像进行纠正，得到校正后的遥感影像。
步骤3：利用多元变化检测(Multivariate Alteration Detection，MAD)方法对X1和X2进行辐射归一化校正。该方法首先找到两期影像各波段亮度值的一个线性组合，得到变化信息增强的差异影像，通过阈值确定变化和未变化区域，然后通过未变化区域对应的两时相像元对的映射方程，完成相对辐射校正。
步骤4：对输入的多时相高分辨率影像分别进行变化矢量幅值XM和光谱角信息XSA的计算。
1)XM的计算如下：
Figure BDA0001774705610000061
2)XSA的计算如下：
Figure BDA0001774705610000062
其中，XM(i,j)表示坐标(i,j)处的变化矢量幅值；B表示每一个时相遥感影像的波段数目；(i,j)表示遥感影像的坐标；b表示波段的序号；X1b(i,j)表示前一时相第b波段遥感影像坐标(i,j)处的像素值；X2b(i,j)表示后一时相第b波段遥感影像坐标(i,j)处的像素值。XSA(i,j)表示坐标(i,j)处的光谱角值。
步骤5：利用NMF融合XM和XSA的信息，得到一幅新的差异影像XF，具体过程如下：
1)将XM和XSA分别按列的顺序排成一列，并组成一个新的矩阵X，其维数为N×2，其中，N表示差异影像的高和宽的乘积。
2)建立NMF的目标函数为：
Figure BDA0001774705610000071
式中，F表示Frobenius范数，A和Y是非负矩阵，A的维数是N×1，Y的维数是1×2。
3)采用交替最小二乘法求解式(4)的A和Y，迭代规则为：
Figure BDA0001774705610000073
Figure BDA0001774705610000074
式中
Figure BDA0001774705610000075
分别表示A和Y的广义逆，[x]+＝max{ε,x}，。
4)将矩阵A重新排列为和原始差异影像XM相同的维数，即为新的融合影像，即差异影像XF。
步骤6：根据步骤5的结果XF，设定隶属度的加权指数m＝2，聚类数目C＝2，具体实施如下：
1)首先构建FCM的模型如下：
Figure BDA0001774705610000072
式中，C是聚类数目，对于本发明的变化检测，由于只涉及变化和非变化两个类别，故此设置C＝2；N是影像XF像素的总数(也等于差异影像XF的高和宽的乘积)，
Figure BDA0001774705610000076
表示在隶属度加权指数为m时第k个样本对于第h类聚类中心的模
糊隶属度，本发明中，设置m为2，uhk∈[0,1]且
Figure BDA0001774705610000077
vh表示第h个类别的
中心；dhk表示第k个样本和第h类聚类中心的欧式距离。
2)式(7)的目标函数最小化可以用下述的公式交替进行：
Figure BDA0001774705610000081
Figure BDA0001774705610000082
式中：
Figure BDA0001774705610000083
表示在隶属度加权指数为m时第k个样本对于第h类聚类中心的模糊隶属度；dhk表示第k个样本和第h类聚类中心的欧式距离；dh′k表示第k个样本和第h′类聚类中心的欧式距离；
3)FCM算法收敛后，获得CRF的一元能量项Uk＝uhk。
步骤7：根据多时相图像中的任一幅图像构建CRF的4邻域系统，并结合步骤5的结果，构建CRF的二元项能量如下：
Figure BDA0001774705610000084
式中，k,q表示遥感影像相邻的两个节点(k,q可以视为k(i,j),q(i′,j′)的简写，(i,j)和(i′,j′)分别表示图像节点k,q处的坐标)；ck,cq表示两个节点k,q处的类别标签；XF(k)表示差异影像XF在节点k处的值；XF(q)表示差异影像XF在节点q处的值；[ck≠cq]表示0-1指示函数。
最后构建的CRF能量项如下：
Figure BDA0001774705610000085
式中S表示节点的集合，E表示相邻节点的集合，参数β是正则化参数，用于控制一元能量项和二元能量项间的比重；k表示当前的节点；k,q表示节点k与其相邻的节点q组成的一个相邻节点对，Uk表示节点k处的一元能量项；Uk,q表示相邻节点对(k,q)处的二元能量项。
步骤8：以能量最小化为目标，采用循环信度传播(Loopy Belief Propagation,LBP)优化算法对CRF能量项U进行优化，获取最终的变化检测结果。
下面结合具体实验数据对本发明做进一步详细说明。本次实验采用的实验数据为沙特阿拉伯的Mina地区的多时相IKNOS高分辨影像数据，图像大小为700×950，使用B1、B2和B3三个波段。为了验证本发明的有效性，将本发明变化检测方法与下述变化检测方法进行比对：
(1)基于CVA的EM-MRF方法(EM-MRF)[意大利的Bruzzone L.等在文章“Automaticanalysis of difference image for unsupervised change detection”(IEEETransactions on Geoscience and Remote Sensing,2000,38(3):1171-1182.)中所提的检测方法]。
(2)Cao等所提的CRF检测(CRF1)方法[Guo Cao,Xuesong Li&LicunZhou.Unsupervised change detection in high spatial resolution remote sensingimages based on aconditional random field model.European Journal of RemoteSensing,2016,49:225-237.]
(3)常规的CRF检测方法(CRF2)，只考虑由幅度值构成的差分影像(不考虑两个时相影像的光谱角SAM信息)。
(4)采用本发明实施例给出的方法：
检测性能用错检数FP、漏检数FN、总错误数OE和Kappa系数四个指标来衡量。FP、FN和OE越接近于0、Kappa系数越接近于1，表明变化检测方法的性能越好。检测结果如表1所示。
表1 Mina地区的多时相IKONOS影像变化检测结果比较
Figure BDA0001774705610000091
Figure BDA0001774705610000101
由表1可见，本发明所提的检测方法Kappa系数最大，比其他三种检测算法相比更接近于1。另外，本发明的漏检数FN和总错误数OE在对比算法中是最小的，更接近于0。综上，本发明变化检测算法的性能优于其他三种检测方法，这表明本发明所提的变化检测方法是有效的。
图2是Mina地区的前一时相多光谱IKONOS影像，图3是Mina地区的后一时相多光谱IKONOS影像，图4是变化检测的参考图。图5是EM-MRF算法的变化检测结果，图6是CRF1算法的变化检测结果，图7是CRF2算法的变化检测结果，图8是采用本发明实施例方法的变化检测结果。从图4的参考图和图5～8的对比来看，目视效果上，本发明所提算法的检测效果是最好的。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种多时相多光谱遥感影像变化检测方法，其特征在于：所述方法包括如下步骤：
融合多时相遥感影像的变化矢量幅值和光谱角信息，得到差异影像；
根据差异影像获取条件随机场的一元能量项；
根据多时相遥感影像的邻域和差异影像构建条件随机场的二元能量项；
根据一元能量项和二元能量项构建条件随机场能量项；
以能量最小化为目标，对条件随机场能量项进行优化，获取最终的变化检测结果；
所构建的二元项能量如下：
Figure FDA0003052085950000011
式中，k,q分别为k(i,j),q(i′,j′)的简写，表示遥感影像相邻的两个节点，(i,j)和(i′,j′)分别表示图像节点k,q处的坐标；ck,cq表示两个节点k,q处的类别标签；XF(k)表示差异影像XF在节点k处的值；XF(q)表示差异影像XF在节点q处的值；[ck≠cq]表示0-1指示函数。
2.根据权利要求1所述的多时相多光谱遥感影像变化检测方法，其特征在于：采用公式(2)计算多时相遥感影像的变化矢量幅值XM：
Figure FDA0003052085950000012
其中：(i,j)表示遥感影像的坐标；XM(i,j)表示坐标(i,j)处的变化矢量幅值；B表示每一个时相遥感影像的波段数目；b表示波段的序号；X1b(i,j)表示前一时相第b波段遥感影像坐标(i,j)处的像素值；X2b(i,j)表示后一时相第b波段遥感影像坐标(i,j)处的像素值。
3.根据权利要求1所述的多时相多光谱遥感影像变化检测方法，其特征在于：采用公式(3)计算多时相遥感影像的光谱角信息XSA：
Figure FDA0003052085950000021
其中：XSA(i,j)表示坐标(i,j)处的光谱角值；B表示每一个时相遥感影像的波段数目；(i,j)表示遥感影像的坐标；b表示波段的序号；X1b(i,j)表示前一时相第b波段遥感影像坐标(i,j)处的像素值；X2b(i,j)表示后一时相第b波段遥感影像坐标(i,j)处的像素值。
4.根据权利要求1所述的多时相多光谱遥感影像变化检测方法，其特征在于：采用非负矩阵分解算法融合多时相遥感影像的变化矢量幅值和光谱角信息。
5.根据权利要求1所述的多时相多光谱遥感影像变化检测方法，其特征在于：采用模糊C类均值聚类算法获取条件随机场的一元能量项。
6.根据权利要求1所述的多时相多光谱遥感影像变化检测方法，其特征在于：所构建的条件随机场能量项如下：
Figure FDA0003052085950000022
其中：S表示节点的集合，E表示相邻节点的集合，参数β是正则化参数，用于控制一元能量项和二元能量项间的比重；k,q表示节点k与其相邻的节点q组成的一个相邻节点对，Uk表示节点k处的一元能量项；Uk,q表示相邻节点对(k,q)处的二元能量项。
7.根据权利要求1所述的多时相多光谱遥感影像变化检测方法，其特征在于：采用循环信度传播优化算法对条件随机场能量项进行优化获取最终的变化检测结果。
8.根据权利要求1所述的多时相多光谱遥感影像变化检测方法，其特征在于：对多时相遥感影像进行融合前，还包括对多时相遥感影像进行预处理，所述预处理包括：利用ENVI遥感图像处理软件对同一区域、不同时相的遥感影像进行影像配准。
9.根据权利要求8所述的多时相多光谱遥感影像变化检测方法，其特征在于：所述预处理还包括：利用多元变化检测方法对影像配准后的遥感影像进行辐射归一化校正。
10.一种多时相多光谱遥感影像变化检测系统，其特征在于，包括处理器和存储设备，所述存储设备中存储有多条指令，用于所述处理器加载并执行权利要求1～9任一项所述的方法的步骤。
CN201810964834.2A 2018-08-23 2018-08-23 一种多时相多光谱遥感影像变化检测方法及系统 Active CN109242832B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810964834.2A CN109242832B (zh) 2018-08-23 2018-08-23 一种多时相多光谱遥感影像变化检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810964834.2A CN109242832B (zh) 2018-08-23 2018-08-23 一种多时相多光谱遥感影像变化检测方法及系统

Publications (2)

Publication Number Publication Date
CN109242832A CN109242832A (zh) 2019-01-18
CN109242832B true CN109242832B (zh) 2021-08-27

Family

ID=65069276

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810964834.2A Active CN109242832B (zh) 2018-08-23 2018-08-23 一种多时相多光谱遥感影像变化检测方法及系统

Country Status (1)

Country Link
CN (1) CN109242832B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109903274B (zh) * 2019-01-31 2020-05-15 兰州交通大学 一种高分辨率遥感影像变化检测方法及系统
CN110349173B (zh) * 2019-07-15 2020-07-24 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
CN111754501B (zh) * 2020-06-30 2021-08-27 重庆师范大学 基于fcm算法的自适应土壤图像阴影检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105160666A (zh) * 2015-08-25 2015-12-16 西安电子科技大学 基于非平稳分析与条件随机场的sar图像变化检测方法
CN105243378A (zh) * 2015-11-13 2016-01-13 清华大学 基于眼部信息的活体人脸检测方法及装置
CN106373120A (zh) * 2016-09-09 2017-02-01 河海大学 基于非负矩阵分解和核fcm的多时相遥感影像变化检测方法
CN106384352A (zh) * 2016-09-09 2017-02-08 河海大学 基于融合策略和fcm的多时相遥感影像变化检测方法
CN106447653A (zh) * 2016-09-09 2017-02-22 河海大学 基于空间约束的卡方变换的多时相遥感影像变化检测方法
CN107481235A (zh) * 2017-08-24 2017-12-15 河海大学 一种数学形态学滤波结合卡方变换的多时相遥感影像变化检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8620093B2 (en) * 2010-03-15 2013-12-31 The United States Of America As Represented By The Secretary Of The Army Method and system for image registration and change detection
WO2015042772A1 (zh) * 2013-09-24 2015-04-02 中国科学院自动化研究所 一种遥感图像显著目标变化检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105160666A (zh) * 2015-08-25 2015-12-16 西安电子科技大学 基于非平稳分析与条件随机场的sar图像变化检测方法
CN105243378A (zh) * 2015-11-13 2016-01-13 清华大学 基于眼部信息的活体人脸检测方法及装置
CN106373120A (zh) * 2016-09-09 2017-02-01 河海大学 基于非负矩阵分解和核fcm的多时相遥感影像变化检测方法
CN106384352A (zh) * 2016-09-09 2017-02-08 河海大学 基于融合策略和fcm的多时相遥感影像变化检测方法
CN106447653A (zh) * 2016-09-09 2017-02-22 河海大学 基于空间约束的卡方变换的多时相遥感影像变化检测方法
CN107481235A (zh) * 2017-08-24 2017-12-15 河海大学 一种数学形态学滤波结合卡方变换的多时相遥感影像变化检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A new change-detection method in high-resolution remote sensing images based on a conditional random field model;Guo Cao 等;《International Journal of Remote Sensing》;20160218;全文 *
Unsupervised change detection in high spatial resolution remote sensing images based on a conditional random field model;Guo Cao 等;《European Journal of Remote Sensing》;20170217;论文第227-231页 *
基于 CＲF 模型的高分辨率遥感影像变化检测;魏立飞 等;《测绘通报》;20170930;全文 *
基于空- 谱先验条件随机场的高分辨率遥感影像变化检测方法;吕鹏远 等;《南京信息工程大学学报》;20180131;全文 *

Also Published As

Publication number Publication date
CN109242832A (zh) 2019-01-18

Similar Documents

Publication Publication Date Title
US11556797B2 (en) Systems and methods for polygon object annotation and a method of training an object annotation system
Wu et al. Pointpwc-net: A coarse-to-fine network for supervised and self-supervised scene flow estimation on 3d point clouds
Maggiori et al. Recurrent neural networks to correct satellite image classification maps
CN110826458A (zh) 一种基于深度学习的多光谱遥感图像变化检测方法及系统
CN109255781B (zh) 一种面向对象的多光谱高分辨率遥感影像变化检测方法
CN109242832B (zh) 一种多时相多光谱遥感影像变化检测方法及系统
CN105551031B (zh) 基于fcm和证据理论的多时相遥感影像变化检测方法
CN105389817B (zh) 一种两时相遥感影像变化检测方法
Liu et al. Robust feature matching via advanced neighborhood topology consensus
CN109934799B (zh) 多时相差异影像模值计算及变化检测方法
CN107481235A (zh) 一种数学形态学滤波结合卡方变换的多时相遥感影像变化检测方法
Yu et al. Fast non-rigid image feature matching for agricultural UAV via probabilistic inference with regularization techniques
CN109191503B (zh) 基于条件随机场的遥感影像变化检测方法及系统
Fu et al. Contextual online dictionary learning for hyperspectral image classification
Jiang et al. Learning for mismatch removal via graph attention networks
Bellavia et al. HarrisZ+: Harris corner selection for next-gen image matching pipelines
Choi et al. Comparative Analysis of Generalized Intersection over Union and Error Matrix for Vegetation Cover Classification Assessment.
CN109300115B (zh) 一种面向对象的多光谱高分辨率遥感影像变化检测方法
Fan et al. VLSG-SANet: A feature matching algorithm for remote sensing image registration
CN110837787A (zh) 一种三方生成对抗网络的多光谱遥感图像检测方法及系统
CN116258877A (zh) 土地利用场景相似度变化检测方法、装置、介质及设备
Schonsheck et al. Parallel transport convolution: Deformable convolutional networks on manifold-structured data
EP2161689A1 (en) Registration and visualization of image structures based on confiners
Nakane et al. Image deformation estimation via multiobjective optimization
CN110751189B (zh) 一种基于感知对比度和特征选择的椭圆检测方法

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