CN109360190B - 基于图像超像素融合的建筑损毁检测方法及装置 - Google Patents

基于图像超像素融合的建筑损毁检测方法及装置 Download PDF

Info

Publication number
CN109360190B
CN109360190B CN201811105522.2A CN201811105522A CN109360190B CN 109360190 B CN109360190 B CN 109360190B CN 201811105522 A CN201811105522 A CN 201811105522A CN 109360190 B CN109360190 B CN 109360190B
Authority
CN
China
Prior art keywords
building damage
image
damage detection
superpixel
building
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
CN201811105522.2A
Other languages
English (en)
Other versions
CN109360190A (zh
Inventor
李刚
蒋骁
何友
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.)
Tsinghua University
Original Assignee
Tsinghua 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 Tsinghua University filed Critical Tsinghua University
Priority to CN201811105522.2A priority Critical patent/CN109360190B/zh
Publication of CN109360190A publication Critical patent/CN109360190A/zh
Application granted granted Critical
Publication of CN109360190B publication Critical patent/CN109360190B/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
    • G06T5/50—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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge 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
    • 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
    • G06T2207/10052—Images from lightfield camera
    • 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)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于图像超像素融合的建筑损毁检测方法及装置，其中，该方法包括以下步骤：对至少一幅合成孔径雷达图像和至少一幅光学图像进行超像素分割及相互对应处理，以提取多幅建筑物损毁检测图像的超像素；根据多幅建筑物损毁检测图像的超像素并利用BBA逐个超像素描述每幅建筑物损毁检测图像中建筑物损毁的置信度；融合多幅建筑物损毁检测图像中相互对应的超像素的BBA，以获取最终建筑物损毁检测结果。该方法可以在合成孔径雷达图像和光学图像的分辨率存在较大差异时仍然能够进行建筑物损毁检测，具有较高的准确率和有效性，解决了应用场景的局限性问题。

Description

基于图像超像素融合的建筑损毁检测方法及装置
技术领域
本发明涉及遥感图像融合目标检测技术领域，特别涉及一种基于图像超像素融合的建筑损毁检测方法及装置。
背景技术
超像素分割是近年来提出的一种新型的图像分割方法，可以将图像分割成一系列内部具有很强一致性的子区域，即超像素，和像素相比，超像素的形状和大小并没有严格的限制，这意味着超像素能够以一种灵活的方式表示遥感图像。信度分配函数(Basic BeliefAssignment，BBA)是一种专门用于信息融合的函数，其不仅能够描述数据所属类别的置信度，同时还可以评估置信度描述的可靠性。
相关技术中，如基于SAR图像和光学图像融合的建筑物损毁检测方法，通过分别提取SAR图像和光学图像中的地物特征，以像素作为图像的基本融合单元，统一输入到支持向量机(Support Vector Machine，SVM)等分类器中进行损毁建筑物的检测。该方法通过融合SAR和光学图像的特征，提高了损毁建筑物的检测率，缺点是只适用于SAR和光学图像分辨率差异不大的情况。由于采用了图像插值操作强制消除SAR图像和光学图像之间的分辨率差异，在SAR和光学图像分辨率差异较大时会引发图像失真及融合错误。
又例如基于变化检测和建筑物识别相结合的建筑物损毁检测方法。通过地震前后的SAR图像检测地物的变化区域，借助光学图像检测建筑物的位置信息，并通过图像插值和逐像素融合确认地震前后建筑物发生变化的区域，即建筑物发生损毁的区域。缺点是该融合方法对SAR和光学图像的分辨率差异比较敏感，在大差异分辨率下，图像插值会引发图像的变形和信息损失。
再如基于构造同质仿真图像的建筑物毁损检测算法。算法基于高分辨率震前光学图像和震后SAR图像的采集参数，仿真出震前SAR图像，进而构造出，通过进行震前仿真SAR图像和震后真实SAR图像之间的同质图像对比，检测建筑物的损毁区域。该方法能够直接检测异质图像之间的变化区域，缺点是对图像的分辨率要求较高，同时需要遥感图像的采集参数。
又如在相关技术中提出的分步融合光学图像和SAR图像的策略。通过光学图像检测建筑物是否发生损毁，再利用SAR图像在已检测到的损毁区域判断建筑物损毁的级别。该方法的优点是对建筑物损毁的情况进行了细分，缺点是仅能应用于光学图像和SAR图像均为高分辨率的情况。
在相关技术中，绝大部分的现有融合检测方法采用像素作为基本融合单位或者逐像素对合成孔径雷达(Synthetic Aperture Radar,SAR)图像和光学图像进行融合，当被融合的SAR和光学图像分辨率一致或差异较小时，以上融合检测方法并不需要图像插值或者采用图像插值但引发的图像失真较小，对融合结果的影响并不严重。但是，在SAR图像和光学图像分辨率差异较大时，这些方法中普遍采用的图像插值操作会引入严重的插值误差，进而造成图像失真，因此融合这些失真图像将引发融合错误并难以得到可靠的建筑物损毁检测结果。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的一个目的在于提出一种基于图像超像素融合的建筑损毁检测方法，该方法可以在合成孔径雷达图像和光学图像的分辨率存在较大差异时仍然能够进行建筑物损毁检测，具有较高的准确率和有效性，解决了应用场景的局限性问题。
本发明的另一个目的在于提出一种基于图像超像素融合的建筑损毁检测装置。
为达到上述目的，本发明一方面实施例提出了一种基于图像超像素融合的建筑损毁检测方法，包括以下步骤：对至少一幅合成孔径雷达图像和至少一幅光学图像进行超像素分割及相互对应处理，以提取多幅建筑物损毁检测图像的超像素；根据所述多幅建筑物损毁检测图像的超像素并利用BBA逐个超像素描述每幅建筑物损毁检测图像中建筑物损毁的置信度；融合所述多幅建筑物损毁检测图像中相互对应的超像素的BBA，以获取最终建筑物损毁检测结果。
本发明实施例的基于图像超像素融合的建筑损毁检测方法，通过以超像素作为图像的基本融合单元，同时在融合过程中基于被融合图像的分辨率差异和噪声水平构造基本信度分配函数，可以在合成孔径雷达图像和光学图像的分辨率存在较大差异时仍然能够进行建筑物损毁检测，具有较高的准确率和有效性，解决了应用场景的局限性问题。
另外，根据本发明上述实施例的基于图像超像素融合的建筑损毁检测方法还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，所述对至少一幅合成孔径雷达图像和至少一幅光学图像进行超像素分割及相互对应处理，包括：选取参考图像；对所述参考图像进行超像素分割，以得到超像素分割结果；将所述超像素分割结果同时应用于所述多幅建筑物损毁检测图像，以在所述多幅建筑物损毁检测图像的相同位置的超像素指向同一地物，并产生相互对应的关系。
进一步地，在本发明的一个实施例中，所述根据所述多幅建筑物损毁检测图像的超像素并利用BBA逐个超像素描述每幅建筑物损毁检测图像中建筑物损毁的置信度，包括：根据所述多幅建筑物损毁检测图像的超像素逐个获取所述多幅建筑物损毁检测图像的BBA；根据所述多幅建筑物损毁检测图像的BBA描述每个超像素属于损毁类别和完好类别的置信度，并获取描述可靠信息。
其中，所述BBA的定义为：
Figure GDA0002566740410000031
其中，d和u为两种类别情况，bd(s)和bu(s)为超像素s隶属于类别d和u的置信度，bd∪u(s)是d∪u的BBA值，
Figure GDA0002566740410000032
和
Figure GDA0002566740410000033
是类别d和u的初始置信度，n(s)为超像素s内的像素总数，nd(s)和nu(s)为s内被检测为损毁和完好的像素数，nn(s)是超像素s内检测为噪声的像素点总数，α是可靠性系数，α1(s)＝e-βr(s)，
Figure GDA0002566740410000034
r(s)是s所属的建筑物损毁图像的分辨率，β是一个控制常数。
进一步地，在本发明的一个实施例中，所述融合所述多幅建筑物损毁检测图像中相互对应的超像素的BBA，包括：采用证据理论DST对所述多幅建筑物损毁检测图像进行融合。
为达到上述目的，本发明另一方面实施例提出了一种基于图像超像素融合的建筑损毁检测装置，包括：提取模块，用于对至少一幅合成孔径雷达图像和至少一幅光学图像进行超像素分割及相互对应处理，以提取多幅建筑物损毁检测图像的超像素；描述模块，用于根据所述多幅建筑物损毁检测图像的超像素并利用BBA逐个超像素描述每幅建筑物损毁检测图像中建筑物损毁的置信度；检测模块，用于融合所述多幅建筑物损毁检测图像中相互对应的超像素的BBA，以获取最终建筑物损毁检测结果。
本发明实施例的基于图像超像素融合的建筑损毁检测装置，通过以超像素作为图像的基本融合单元，同时在融合过程中基于被融合图像的分辨率差异和噪声水平构造基本信度分配函数，可以在合成孔径雷达图像和光学图像的分辨率存在较大差异时仍然能够进行建筑物损毁检测，具有较高的准确率和有效性，解决了应用场景的局限性问题。
另外，根据本发明上述实施例的基于图像超像素融合的建筑损毁检测装置还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，所述提取模块包括：选取单元，用于选取参考图像；分割单元，用于对所述参考图像进行超像素分割，以得到超像素分割结果；处理单元，用于将所述超像素分割结果同时应用于所述多幅建筑物损毁检测图像，以在所述多幅建筑物损毁检测图像的相同位置的超像素指向同一地物，并产生相互对应的关系。
进一步地，在本发明的一个实施例中，所述描述模块进一步用于根据所述多幅建筑物损毁检测图像的超像素逐个获取所述多幅建筑物损毁检测图像的BBA，并且根据所述多幅建筑物损毁检测图像的BBA描述每个超像素属于损毁类别和完好类别的置信度，并获取描述可靠信息。
其中，所述BBA的定义为：
Figure GDA0002566740410000041
其中，d和u为两种类别情况，bd(s)和bu(s)为超像素s隶属于类别d和u的置信度，bd∪u(s)是d∪u的BBA值，
Figure GDA0002566740410000051
和
Figure GDA0002566740410000052
是类别d和u的初始置信度，n(s)为超像素s内的像素总数，nd(s)和nu(s)为s内被检测为损毁和完好的像素数，nn(s)是超像素s内检测为噪声的像素点总数，α是可靠性系数，α1(s)＝e-βr(s)，
Figure GDA0002566740410000053
r(s)是s所属的建筑物损毁图像的分辨率，β是一个控制常数。
进一步地，在本发明的一个实施例中，所述检测模块，包括：采用证据理论DST对所述多幅建筑物损毁检测图像进行融合。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本发明实施例的基于图像超像素融合的建筑损毁检测方法流程图；
图2为根据本发明一个实施例的震前光学图像中部分区域进行超像素分割的结果图；
图3为根据本发明实施例的基于超像素的BBA计算流程图；
图4为根据本发明一个实施例的基于图像超像素融合的建筑损毁检测方法的流程图；
图5为根据本发明具体实施例一的图像数据图；
图6为根据本发明具体实施例一的建筑物损毁检测结果比较与相应的真值图像图；
图7为根据本发明具体实施例二的图像数据图；
图8为根据本发明具体实施例二的建筑物损毁检测结果比较与相应的真值图像图；
图9为根据本发明实施例的基于图像超像素融合的建筑损毁检测装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
在描述本发明实施例的基于图像超像素融合的建筑损毁检测方法及装置之前，先来简单描述一下相关技术中的缺陷。
相关技术中，如提出的基于多互信息的建筑物损毁检测算法。算法基于从震前光学图像中提取的建筑物的几何参数，仿真这些建筑物在SAR图像中的形态，通过和真实震后SAR图像的对比，借助多互信息的变化确认建筑物损毁情况，但是缺点是对遥感图像的分辨率要求较高，此外建筑物的区域需要手工标注。
例如提出的针对光学图像和SAR图像分别提取了对地物变化敏感的参数，包括光学图像中的归一化差异指数(Normalized Difference Index,NDI)，KL熵(Kullback-LiblerDivergence,KLD)和互信息(Mutual Information,MI)以及SAR图像中的强度相关差异(Intensity Correlation Difference,ICD)和KLD，利用SVM对这些参数进行分类，提取建筑物的损毁区域。该方法优点是对SAR和光学图像的变化信息利用较为充分，缺点是对SAR和光学图像的分辨率差异较为敏感。
再如基于变化信息和GIS信息相结合的建筑物损毁检测算法。该方法从地震前后的高分辨率SAR图像中提取变化信息，从高分辨率光学图像中提取地理信息系统(Geo-Information Systyem,GIS)信息，通过结合变化信息和GIS信息判断建筑物的损毁情况。该算法的缺点在于存在同时需要高分辨率的SAR图像和光学图像数据的限制。
又如提出了一种基于SAR图像相关性和光学图像波谱段融合的建筑物损毁检测算法。该方法针对地震前后SAR图像提取逐像素点的相关系数，同时融合震后光学图像的波谱段得出最终的建筑物损毁检测结果。该方法对光学图像和SAR图像的分辨率差异比较敏感，逐像素点操作所带来的图像插值运算造成的谱段失真和配准误差会降低建筑物损毁检测准确率。
总结了一系列的基于遥感图像的建筑物损毁检测算法，包括基于光学图像、SAR图像、LiDAR图像以及光学和SAR图像融合的建筑物损毁检测算法。传统算法的缺点在于只利用单个信息源的信息，与基于融合的算法相比，可靠性和准确性较低。基于光学图像和SAR图像的建筑损毁检测算法的主要缺点是对被融合的图像的分辨率较为敏感，在分辨率差异较大时所采用的图像插值操作会引发图像失真及融合错误。
正是为了解决上述技术问题，本发明提出了基于图像超像素融合的建筑损毁检测方法及装置。
下面参照附图描述根据本发明实施例提出的基于图像超像素融合的建筑损毁检测方法及装置，首先将参照附图描述根据本发明实施例提出的基于图像超像素融合的建筑损毁检测方法。
图1是本发明一个实施例的基于图像超像素融合的建筑损毁检测方法流程图。
如图1所示，基于图像超像素融合的建筑损毁检测方法包括以下步骤：
在步骤S101中，对至少一幅合成孔径雷达图像和至少一幅光学图像进行超像素分割及相互对应处理，以提取多幅建筑物损毁检测图像的超像素。
进一步地，在本发明的一个实施例中，对至少一幅合成孔径雷达图像和至少一幅光学图像进行超像素分割及相互对应处理，包括：选取参考图像；对参考图像进行超像素分割，以得到超像素分割结果；将超像素分割结果同时应用于多幅建筑物损毁检测图像，以在多幅建筑物损毁检测图像的相同位置的超像素指向同一地物，并产生相互对应的关系。
具体地，在本发明的实施例中，考虑来自灾区同一场景的四幅遥感图像，其中两幅是同源SAR图像，拍摄的时间分别为震前和震后，记为X1和X2，另外两幅是同源光学图像，同样获取自地震灾害发生之前和之后，分别记为Y1和Y2。为了验证本发明实施例方法的有效性，这里SAR图像和光学图像的分辨率存在较大差异，X1和X2的图像分辨率远低于Y1和Y2的图像分辨率。假定这四幅图像已经相互配准，则它们可以表示为如下形式：
Figure GDA0002566740410000071
其中，I1和J1分别为SAR图像的宽和高，I2和J2分别为光学图像的宽和高。利用马尔可夫随机场(Markov Random Field,MRF)算法处理SAR图像X1和X2，可以得到一幅建筑物损毁检测图像，记为MSAR。与此类似，对于Y1和Y2，采用Gabor纹理和支持向量机(SupportVector Machine,SVM)相结合的技术，可以得到基于光学图像的另外一幅建筑物损毁检测图像，记为Mopt。因此，被融合的对象可以由SAR和光学图像X1，X2，Y1和Y2转化为损毁检测图像MSAR和Mopt。
为了避免逐像素融合时图像插值带来的失真问题，下面简单介绍超像素的分割策略，并实现MSAR和Mopt之间的超像素对应。
为实现对两幅建筑物损毁检测图像MSAR和Mopt进行相同的超像素分割，首先需要选取一张参考图像，并且将参考图像的超像素分割结果应用在MSAR和Mopt，即可在MSAR和Mopt获取相同的超像素分割结果。本发明的实施例考虑到分割获取的超像素的准确性和对地物表达的完整性，可以选取灾前光学图像Y1作为参考图像，原因有二：(1)光学图像的质量较高，采用光学图像进行分割的结果更加准确。(2)震前图像中地物未受破坏，分割得到的超像素对地物的描述完整度高。然后对Y1进行超像素分割，这里采用提出的简单线性迭代聚类算法(Simple Linear Iterative Clustering,SLIC)，SLIC算法分割效率较高且准确性强。图2是震前图像Y1利用SLIC进行超像素分割的部分区域。如图2所示，通过超像素分割，白色建筑可以准确地被超像素所表示。
在本发明的实施例中，将Y1的超像素分割结果同时应用于MSAR和Mopt，则在这两幅建筑物损毁检测图像的相同位置的超像素将会指向同一地物，并产生相互对应的关系，其中，相互对应的超像素可以取代像素作为之后融合处理的基本单元。和逐像素融合的方法相比，对于存在分辨率差异的SAR图像和光学图像，本发明的方法并不需要采用图像插值的方法。此外，由于对MSAR和Mopt采用了相同的超像素分割策略，这两幅图像中的超像素能够相互对应并可以在之后的融合处理中取代像素作为基本融合单元，从而避免了大差异分辨率下图像插值操作带来的图像失真及引发的融合错误。
在步骤S102中，根据多幅建筑物损毁检测图像的超像素并利用BBA逐个超像素描述每幅建筑物损毁检测图像中建筑物损毁的置信度。
进一步地，在本发明的一个实施例中，根据多幅建筑物损毁检测图像的超像素并利用BBA逐个超像素描述每幅建筑物损毁检测图像中建筑物损毁的置信度，包括：根据多幅建筑物损毁检测图像的超像素逐个获取多幅建筑物损毁检测图像的BBA；根据多幅建筑物损毁检测图像的BBA描述每个超像素属于损毁类别和完好类别的置信度，并获取描述可靠信息。
其中，如图3所示，本发明实施例的基于图像超像素融合的建筑损毁检测方法中BBA的定义为：
Figure GDA0002566740410000091
其中，d和u为两种类别情况，bd(s)和bu(s)为超像素s隶属于类别d和u的置信度，bd∪u(s)是d∪u的BBA值，
Figure GDA0002566740410000092
和
Figure GDA0002566740410000093
是类别d和u的初始置信度，n(s)为超像素s内的像素总数，nd(s)和nu(s)为s内被检测为损毁和完好的像素数，nn(s)是超像素s内检测为噪声的像素点总数，α是可靠性系数，α1(s)＝e-βr(s)，
Figure GDA0002566740410000094
r(s)是s所属的建筑物损毁图像的分辨率，β是一个控制常数。
具体地，根据步骤S101成功提取了两幅建筑物损毁检测图像MSAR和Mopt的超像素作为基本融合单元，在此基础上逐个超像素计算这两幅建筑物损毁检测图像的BBA，以此描述每个超像素属于损毁和完好两种类别的置信度，并刻画这种描述的可靠性。
一般而言，在进行融合时，信源的可靠性是必须考虑的因素，BBA可以在描述信源输出类别的置信度的前提下，同时刻画这种描述的可靠性，因此，BBA可以适用于MSAR和Mopt的融合。然而绝大部分图像融合检测的方法均基于像素应用BBA。下面将简单介绍BBA在像素中的定义，并基于MSAR和Mopt的分辨率差异和噪声水平将BBA的定义延伸到超像素。
为方便起见，这里考虑信源输出为两种类别的情况，分别记为d和u。对于像素p，其BBA的定义为：
Figure GDA0002566740410000095
其中，bd(p)和bu(p)分别描述像素p隶属于类别d和u的置信度。bd∪u(p)是d∪u的BBA值，它度量了像素p在类别d和u之间的模糊度。
Figure GDA0002566740410000101
和
Figure GDA0002566740410000102
是类别d和u的初始置信度，一般由信源直接给出。α是可靠性系数，用于度量信源所给出的初始置信度
Figure GDA0002566740410000103
和
Figure GDA0002566740410000104
的可靠程度。借助α和bd∪u(p)，即可以有效地度量信源的可靠性。
现考虑将BBA的定义由像素拓展到超像素。首先，作为BBA的计算框架，式(2)在BBA拓展到超像素的过程中可以保留，然而，
Figure GDA0002566740410000105
和α需要根据超像素中建筑物损毁的具体情况重新定义。
为了方便起见，仍然使用符号d和u简记建筑物损毁检测的两种类别：损毁和完好。对于两幅建筑物损毁检测图像MSAR和Mopt内的任意超像素s，其隶属于类别d和u的初始置信度
Figure GDA0002566740410000106
和
Figure GDA0002566740410000107
可以直接由s内被检测为损毁及完好的像素数所确定:
Figure GDA0002566740410000108
其中n(s)为超像素s内的像素总数，而nd(s)和nu(s)分别为s内被检测为损毁和完好的像素数。
图像的分辨率和噪声是影响可靠性的两个重要因素，因此，在可靠性系数α的定义中分别考虑分辨率和噪声的影响。在本发明实施例中，对于s，受分辨率影响的可靠性系数α1可以定义为：
α1(s)＝e-βr(s) (4)
其中，r(s)是s所属的建筑物损毁图像的分辨率，而β是一个控制常数。可以看出，当分辨率降低时，可靠性系数α1也随之下降。另一方面，受噪声影响的可靠性系数α2定义为：
Figure GDA0002566740410000109
其中，nn(s)是超像素s内检测为噪声的像素点总数。从式(5)可以看出，s内噪声点数nn(s)的增加，表明噪声水平上升，进而引发α2(s)的降低。
这里采用乘法法则计算分辨率和噪声对可靠性的联合影响，结合式(2)、(3)、(4)和(5)，超像素s关于类别d和u的BBA可以定义为：
Figure GDA0002566740410000111
关于超像素s计算BBA的流程图参见图3。并且利用式(6)计算两幅建筑物损毁检测图像MSAR和Mopt中所有的超像素的BBA，用于下一步的融合处理。
在步骤S103中,融合多幅建筑物损毁检测图像中相互对应的超像素的BBA，以获取最终建筑物损毁检测结果。
其中，在本发明的一个实施例中，融合多幅建筑物损毁检测图像中相互对应的超像素的BBA，包括：采用证据理论DST对多幅建筑物损毁检测图像进行融合。
具体地，在本发明实施例中，DST在信息融合中常用于不同信源之间BBA的融合处理，它在融合中能够考虑到不同信源的可靠性。因此，采用DST对两幅建筑物损毁检测图像MSAR和Mopt进行融合。
假定sSAR和sopt是在步骤一得到的任意一对相互对应的超像素，并分别位于MSAR和Mopt中，它们二者的BBA已经通过(6)给出，那么基于DST的融合可以表示为：
Figure GDA0002566740410000112
其中，sfusion代表sopt和ssAR融合后的超像素，而K描述了sopt和sSAR二者BBA的差异，并表示为:
K＝bd(sopt)·bu(sSAR)+bd(sSAR)·bu(sopt) (8)
为了获取最终的建筑物损毁检测结果，可以采用阈值操作对融合后的BBA进行二值化处理：
Figure GDA0002566740410000121
若同时满足式(9)中三个条件，即认为超像素sfusion属于类别d，即检测为损毁，否则，检测为完好。式(9)中的ε1和ε2是两个预先设定的阈值，对于融合后的建筑物损毁检测图像，其每一像素的检测结果与所属的超像素的检测结果一致。
本发明的基于超像素分割的针对SAR图像和光学图像融合的建筑物损毁检测方法，基于异质图像融合的目标检测过程一般需要重点关注图像之间的基本融合单元和图像分辨率。主要针对目前SAR图像和光学图像融合目标检测算法应用场景的局限性问题，提出针对SAR图像和光学图像分辨率差异大的场景，利用超像素分割模型和BBA函数，具有较高准确率的新型建筑物损毁检测方法。
如图4所示，下面对本发明基于图像超像素融合的建筑损毁检测方法的具体实施例流程进行详细描述。
a)卫星上利用SAR和光学传感器分别获取灾害前后同一区域的SAR图像和光学图像：X1，X2，Y1和Y2，并将这四幅图像进行配准。
b)利用现有方法分别在SAR图像X1，X2和光学图像Y1，Y2进行建筑物损毁检测，获取检测结果图像MSAR和Mopt。
c)对灾前光学图像Y1进行超像素分割，并将分割结果同时应用于建筑物损毁检测图像MSAR和Mopt，获取这两幅图像中超像素的对应关系。
d)逐个超像素计算MSAR和Mopt中的BBA。
e)以超像素为基本融合单位，融合MSAR和Mopt在c)中形成对应关系的超像素的BBA。
f)对融合后的BBA采用阈值操作，获取每一个超像素的建筑物损毁检测结果。对于融合后的建筑物损毁检测图像，其每一像素的检测结果与所属的超像素的检测结果一致。
本发明的实施例首先利用已有方法分别得到基于SAR图像和基于光学图像的建筑物损毁检测结果，基于以上获取的两幅建筑物损毁检测图像采用相同的超像素分割策略，形成其中超像素的相互对应关系，即使在不同分辨率下，SAR图像和光学图像之间也可以在超像素下相互融合，避免了逐像素融合中图像插值运算造成的图像失真及引发的融合错误。其次，利用BBA逐个超像素描述所获取的建筑物损毁检测图像中建筑物损毁的置信度，BBA不仅能够度量各个超像素的损毁和完好两种类别的置信度，而且可以刻画这种度量的可靠性。由于度量的可靠性与图像的分辨率和噪声直接相关，因此可以基于图像的分辨率和噪声给出BBA中关于损毁度量可靠性的定量化描述。最后，利用Dempster-Shafer证据理论(Dempster-Shafer Theory,DST)融合两幅建筑物损毁检测图像中相互对应的超像素的BBA，并给出最终的建筑物损毁检测结果。通过超像素和BBA相结合的融合策略，可以解决被融合图像之间分辨率存在较大差异时带来的图像失真并引发的融合错误并给出可靠的建筑物损毁检测结果。
举例而言，利用两个具体实施例对本发明提出的基于图像超像素融合的建筑损毁检测方法进行详细赘述。
例如，如图5所示，为研究场景设置为在2010年海地地震建筑物发生严重损毁的一部分沿海区域地震前后的SAR图像和光学图像，其中，(a)震前SAR图像，(b)震后SAR图像，(c)震前光学图像和(d)震后光学图像，图中SAR图像的分辨率为6m，光学图像的分辨率为0.6m，二者差异较大，现有以像素为基本融合单元的方法不再适用。
将本发明的实施例与四种传统的建筑物损毁检测方法进行了比较，其中，两种分别单独基于SAR和光学图像，它们的输出结果分别作为本发明提出方的MSAR和Mopt。另外两种是对SAR图像和光学图像进行逐像素融合的方法。在本发明实施例的参数设置中，β取值为0.12，ε1和ε2分别为0.3和0.5。最终的检测结果和相应的真值图像，如图6所示，其中，(a)仅利用震前及震后SAR图像的方法，(b)仅利用震前及震后光学图像的方法，(c)基于震前及震后SAR图像和光学图像的逐像素融合方法，图(d)基于震前及震后SAR图像和光学图像的逐像素融合方法，(e)本发明提出的方法，(f)真值图像。从检测结果的对比可以看出，本发明提出的方法实施例不仅有效地融合了SAR图像和光学图像，而且大幅度地减弱了分辨率差异对融合检测带来的影响，由于图像插值带来的失真及引发的融合错误，两种作为对比的融合方法的性能产生了明显的下降。
此外，如表1基于总体分类精度(OA)和Kappa系数的实验结果比较所示，使用总体分类精度(Overall Accuracy,OA)和Kappa系数(Cohen’s Kappa)对上述五种方法进行了比较。可以用OA衡量整体检测结果的好坏，Kappa系数基于混淆矩阵，可以在类别分布不均匀时仍然能够衡量检测结果的准确性，这两个标准常用于遥感图像地物检测与分类中。从中可以看出，无论是总体分类精度还是Kappa系数，本发明实施例均优于其他四种方法。
表1
方法 OA(％) Kappa系数(％)
单独利用SAR图像 85.85 7.48
单独利用光学图像 94.45 31.91
逐像素融合 94.39 32.27
逐像素融合 90.70 8.97
本发明提出的方法 99.18 74.96
在本发明具体实施例二中，如图7所示，其中，(a)震前SAR图像，(b)震后SAR图像，(c)震前光学图像和(d)震后光学图像，考虑到地表环境更为复杂的情况，本发明的实施例选取在海地地震中受损严重的一部分城区，和具体实施例一中的场景比较，具体实施例二中全部为陆地区域，存在多种不同类型的地物，加大了建筑物损毁检测的难度。
在具体实施例二中依然采用实施例一中的对照方法说明本发明实施例的有效性。其中，参数β、ε1和ε2与实施例一中的设置保持一致，相应的建筑物损毁检测结果和相应的真值图像，如图8所示，其中，(a)仅利用震前及震后SAR图像的方法，(b)仅利用震前及震后光学图像的方法，(c)基于震前及震后SAR图像和光学图像的逐像素融合方法，(d)基于震前及震后SAR图像和光学图像的逐像素融合方法，(e)本发明提出的方法和(f)真值图像。
从结果的对比可以看出，在复杂的地物环境的情况下，本发明提出的实施例方法依旧可以准确地检测出受地震损毁的建筑物，然而，其他方法均未获得准确的检测结果。由于受传感器条件的限制，单独使用SAR或是光学图像的方法获取的检测结果存在大量的虚警，其中虚警一部分来源于SAR中的斑点噪声，另一部分来自于复杂的地物环境，而另外两种利用SAR和光学图像逐像素融合的方法由于插值带来的图像失真及引发的融合错误，也未能成功检测出建筑物的损毁区域。
和实施例一相同，可以使用OA和Kappa系数对以上五种方法进行了对比，结果如表2基于总体分类精度(OA)和Kappa系数的实验结果比较所示。可以看出，当处理复杂的地物环境时，本发明的基于图像超像素融合的建筑损毁检测方法依然能够取得较好的建筑物损毁检测结果。与其他四种方法相比较，再一次说明了本发明的方法的有效性。
表2
方法 OA(％) Kappa系数(％)
单独利用SAR图像 84.61 12.83
单独利用光学图像 95.52 63.43
逐像素融合 97.13 71.93
逐像素融合 91.61 12.75
本发明提出的方法 98.10 78.12
综上所述，根据本发明的两个具体实施例，本发明实施例的基于图像超像素融合的建筑损毁检测方法和现有的基于逐像素融合的建筑物损毁检测方法不同的是：本发明提出的方法针对SAR图像和光学图像之间分辨率存在差异较大的场景，通过以超像素取代像素作为基本融合单元，并利用BBA描述各个超像素中损毁和完好两种类别的置信度。本发明实施例的方法能够在SAR图像和光学图像分辨率差异较大时仍然能够准确地检测建筑物的损毁区域，从而突破了建筑物损毁融合检测对于SAR图像和光学图像分辨率差异的限制。另外，以海地地震为场景的实测数据的处理结果展示了该方法的有效性。
本发明实施例的基于图像超像素融合的建筑损毁检测方法，通过以超像素作为图像的基本融合单元，同时在融合过程中基于被融合图像的分辨率差异和噪声水平构造基本信度分配函数，可以在合成孔径雷达图像和光学图像的分辨率存在较大差异时仍然能够进行建筑物损毁检测，具有较高的准确率和有效性，解决了应用场景的局限性问题。
其次参照附图描述根据本发明实施例提出的基于图像超像素融合的建筑损毁检测装置。
图9是根据本发明实施例基于图像超像素融合的建筑损毁检测装置的结构示意图。
如图9所示，基于图像超像素融合的建筑损毁检测装置10包括以下模块：提取模块100、描述模块200和检测模块300。
其中，提取模块100用于对至少一幅合成孔径雷达图像和至少一幅光学图像进行超像素分割及相互对应处理，以提取多幅建筑物损毁检测图像的超像素。描述模块200用于根据多幅建筑物损毁检测图像的超像素并利用BBA逐个超像素描述每幅建筑物损毁检测图像中建筑物损毁的置信度。检测模块300用于融合多幅建筑物损毁检测图像中相互对应的超像素的BBA，以获取最终建筑物损毁检测结果。本发明实施例基于图像超像素融合的建筑损毁检测装置10可以在合成孔径雷达图像和光学图像的分辨率存在较大差异时仍然能够进行建筑物损毁检测，具有较高的准确率和有效性，解决了应用场景的局限性问题。
进一步地，在本发明的一个实施例中，提取模块100包括：选取单元用于选取参考图像。分割单元用于对参考图像进行超像素分割，以得到超像素分割结果。处理单元用于将超像素分割结果同时应用于多幅建筑物损毁检测图像，以在多幅建筑物损毁检测图像的相同位置的超像素指向同一地物，并产生相互对应的关系。
进一步地，在本发明的一个实施例中，描述模块200进一步用于根据多幅建筑物损毁检测图像的超像素逐个获取多幅建筑物损毁检测图像的BBA，并且根据多幅建筑物损毁检测图像的BBA描述每个超像素属于损毁类别和完好类别的置信度，并获取描述可靠信息。
其中，BBA的定义为：
Figure GDA0002566740410000161
其中，d和u为两种类别情况，bd(s)和bu(s)为超像素s隶属于类别d和u的置信度，bd∪u(s)是d∪u的BBA值，
Figure GDA0002566740410000162
和
Figure GDA0002566740410000163
是类别d和u的初始置信度，n(s)为超像素s内的像素总数，nd(s)和nu(s)为s内被检测为损毁和完好的像素数，nn(s)是超像素s内检测为噪声的像素点总数，α是可靠性系数，α1(s)＝e-βr(s)，
Figure GDA0002566740410000164
r(s)是s所属的建筑物损毁图像的分辨率，β是一个控制常数。
进一步地，在本发明的一个实施例中，检测模块300包括：采用证据理论DST对多幅建筑物损毁检测图像进行融合。
需要说明的是，前述对基于图像超像素融合的建筑损毁检测方法实施例的解释说明也适用于该实施例的装置，此处不再赘述。
本发明实施例的基于图像超像素融合的建筑损毁检测装置，通过以超像素作为图像的基本融合单元，同时在融合过程中基于被融合图像的分辨率差异和噪声水平构造基本信度分配函数，从而能在SAR图像和光学图像分辨率差异较大的情况下完成建筑物的融合损毁检测，还可以突破传统的基于图像融合的目标检测算法中对被融合图像分辨率要求的限制，同时能够规避被融合图像分辨率之间存在大差异情况下应用插值算法引起的图像失真及引发的融合错误，解决应用场景的局限性问题。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (8)

1.一种基于图像超像素融合的建筑损毁检测方法，其特征在于，包括以下步骤：
对至少一幅合成孔径雷达图像和至少一幅光学图像进行超像素分割及相互对应处理，以提取多幅建筑物损毁检测图像的超像素；
根据所述多幅建筑物损毁检测图像的超像素并利用信度分配函数逐个超像素描述每幅建筑物损毁检测图像中建筑物损毁的置信度；
所述信度分配函数的定义为：
Figure FDA0002566740400000011
其中，d和u为两种类别情况，bd(s)和bu(s)为超像素s隶属于类别d和u的置信度，bd∪u(s)是d∪u的信度分配函数值，
Figure FDA0002566740400000013
和
Figure FDA0002566740400000014
是类别d和u的初始置信度，n(s)为超像素s内的像素总数，nd(s)和nu(s)为s内被检测为损毁和完好的像素数，nn(s)是超像素s内检测为噪声的像素点总数，α是可靠性系数，α1(s)＝e-βr(s)，
Figure FDA0002566740400000012
r(s)是s所属的建筑物损毁图像的分辨率，β是一个控制常数；以及
融合所述多幅建筑物损毁检测图像中相互对应的超像素的信度分配函数，采用阈值操作对融合后的信度分配函数进行二值化处理，以获取最终建筑物损毁检测结果。
2.根据权利要求1所述的基于图像超像素融合的建筑损毁检测方法，其特征在于，所述对至少一幅合成孔径雷达图像和至少一幅光学图像进行超像素分割及相互对应处理，包括：
选取参考图像；
对所述参考图像进行超像素分割，以得到超像素分割结果；
将所述超像素分割结果同时应用于所述多幅建筑物损毁检测图像，以在所述多幅建筑物损毁检测图像的相同位置的超像素指向同一地物，并产生相互对应的关系。
3.根据权利要求1所述的基于图像超像素融合的建筑损毁检测方法，其特征在于，所述根据所述多幅建筑物损毁检测图像的超像素并利用信度分配函数逐个超像素描述每幅建筑物损毁检测图像中建筑物损毁的置信度，包括：
根据所述多幅建筑物损毁检测图像的超像素逐个获取所述多幅建筑物损毁检测图像的信度分配函数；
根据所述多幅建筑物损毁检测图像的信度分配函数描述每个超像素属于损毁类别和完好类别的置信度，并获取描述可靠信息。
4.根据权利要求1所述的基于图像超像素融合的建筑损毁检测方法，其特征在于，所述融合所述多幅建筑物损毁检测图像中相互对应的超像素的信度分配函数，包括：
采用证据理论DST对所述多幅建筑物损毁检测图像进行融合。
5.一种基于图像超像素融合的建筑损毁检测装置，其特征在于，包括：
提取模块，用于对至少一幅合成孔径雷达图像和至少一幅光学图像进行超像素分割及相互对应处理，以提取多幅建筑物损毁检测图像的超像素；
描述模块，用于根据所述多幅建筑物损毁检测图像的超像素并利用信度分配函数逐个超像素描述每幅建筑物损毁检测图像中建筑物损毁的置信度；
所述信度分配函数的定义为：
Figure FDA0002566740400000021
其中，d和u为两种类别情况，bd(s)和bu(s)为超像素s隶属于类别d和u的置信度，bd∪u(s)是d∪u的信度分配函数值，
Figure FDA0002566740400000022
和
Figure FDA0002566740400000023
是类别d和u的初始置信度，n(s)为超像素s内的像素总数，nd(s)和nu(s)为s内被检测为损毁和完好的像素数，nn(s)是超像素s内检测为噪声的像素点总数，α是可靠性系数，α1(s)＝e-βr(s)，
Figure FDA0002566740400000031
r(s)是s所属的建筑物损毁图像的分辨率，β是一个控制常数；以及
检测模块，用于融合所述多幅建筑物损毁检测图像中相互对应的超像素的信度分配函数，采用阈值操作对融合后的信度分配函数进行二值化处理，以获取最终建筑物损毁检测结果。
6.根据权利要求5所述的基于图像超像素融合的建筑损毁检测装置，其特征在于，所述提取模块包括：
选取单元，用于选取参考图像；
分割单元，用于对所述参考图像进行超像素分割，以得到超像素分割结果；
处理单元，用于将所述超像素分割结果同时应用于所述多幅建筑物损毁检测图像，以在所述多幅建筑物损毁检测图像的相同位置的超像素指向同一地物，并产生相互对应的关系。
7.根据权利要求5所述的基于图像超像素融合的建筑损毁检测装置，其特征在于，所述描述模块进一步用于根据所述多幅建筑物损毁检测图像的超像素逐个获取所述多幅建筑物损毁检测图像的信度分配函数，并且根据所述多幅建筑物损毁检测图像的信度分配函数描述每个超像素属于损毁类别和完好类别的置信度，并获取描述可靠信息。
8.根据权利要求5所述的基于图像超像素融合的建筑损毁检测装置，其特征在于，所述检测模块，包括：
采用证据理论DST对所述多幅建筑物损毁检测图像进行融合。
CN201811105522.2A 2018-09-21 2018-09-21 基于图像超像素融合的建筑损毁检测方法及装置 Active CN109360190B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811105522.2A CN109360190B (zh) 2018-09-21 2018-09-21 基于图像超像素融合的建筑损毁检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811105522.2A CN109360190B (zh) 2018-09-21 2018-09-21 基于图像超像素融合的建筑损毁检测方法及装置

Publications (2)

Publication Number Publication Date
CN109360190A CN109360190A (zh) 2019-02-19
CN109360190B true CN109360190B (zh) 2020-10-16

Family

ID=65351190

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811105522.2A Active CN109360190B (zh) 2018-09-21 2018-09-21 基于图像超像素融合的建筑损毁检测方法及装置

Country Status (1)

Country Link
CN (1) CN109360190B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109949320B (zh) * 2019-03-20 2020-12-11 哈尔滨工业大学 基于熵与互信息的高光谱图像超像元分割方法
CN110334656B (zh) * 2019-07-08 2021-09-21 中国人民解放军战略支援部队信息工程大学 基于信源概率加权的多源遥感图像水体提取方法及装置
CN111126184B (zh) * 2019-12-09 2022-04-12 武汉大学 一种基于无人机视频的震后建筑物损毁检测方法
CN111144246B (zh) * 2019-12-15 2021-09-03 东南大学 利用多时相sar影像和光学辅助信息的道路提取方法
CN111368716B (zh) * 2020-02-28 2023-04-28 重庆市规划和自然资源调查监测院 一种基于多源时空数据的地质灾害灾毁耕地提取方法
CN111340788B (zh) * 2020-02-28 2024-03-29 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 硬件木马版图检测方法、装置、电子设备和可读存储介质
CN115015910B (zh) * 2022-05-30 2024-02-13 深圳大学 微波与光学视觉的交互感知识别方法、装置、终端及介质
CN118657785A (zh) * 2024-08-21 2024-09-17 湖南苏科智能科技有限公司 建筑物变化检测方法、系统、设备及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108509835A (zh) * 2018-01-25 2018-09-07 西安电子科技大学 基于DFIC超像素的PolSAR图像地物分类方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103632363B (zh) * 2013-08-27 2016-06-08 河海大学 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
CN105913402B (zh) * 2016-05-20 2019-04-16 上海海洋大学 一种基于ds证据理论的多幅遥感图像融合去噪方法
US10521694B2 (en) * 2016-09-09 2019-12-31 The Chinese University Of Hong Kong 3D building extraction apparatus, method and system
CN107884768A (zh) * 2017-10-12 2018-04-06 上海无线电设备研究所 基于大数据分析技术的复杂环境自适应主动雷达系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108509835A (zh) * 2018-01-25 2018-09-07 西安电子科技大学 基于DFIC超像素的PolSAR图像地物分类方法

Also Published As

Publication number Publication date
CN109360190A (zh) 2019-02-19

Similar Documents

Publication Publication Date Title
CN109360190B (zh) 基于图像超像素融合的建筑损毁检测方法及装置
Wei et al. Toward automatic building footprint delineation from aerial images using CNN and regularization
WO2020059706A1 (ja) 学習用データ収集装置、学習用データ収集方法、及びプログラム
CN110598748B (zh) 基于卷积神经网络融合的异质图像变化检测方法及装置
CN104732546B (zh) 区域相似性和局部空间约束的非刚性sar图像配准方法
CN114972191A (zh) 一种耕地变化检测方法和装置
CN116228780B (zh) 基于计算机视觉的硅片缺陷检测方法及系统
CN110197185B (zh) 一种基于尺度不变特征变换算法监测桥下空间的方法和系统
CN101976436A (zh) 一种基于差分图修正的像素级多聚焦图像融合方法
CN115830004A (zh) 表面缺陷检测方法、装置、计算机设备和存储介质
CN115147418B (zh) 缺陷检测模型的压缩训练方法和装置
CN116563262A (zh) 基于多模态的建筑裂缝检测算法
CN114140623A (zh) 一种图像特征点提取方法及系统
CN110852207A (zh) 基于面向对象影像分类技术的蓝色屋顶建筑物提取方法
CN103065320A (zh) 基于恒虚警阈值的sar图像变化检测方法
CN113038123A (zh) 无参考全景视频质量评价方法、系统、终端及介质
CN113988222A (zh) 一种基于Faster-RCNN的森林火灾检测与识别方法
CN104700427B (zh) 一种基于sar图像的道路损毁信息提取方法
CN106778822B (zh) 基于漏斗变换的图像直线检测方法
CN109978859B (zh) 一种基于可见失真池化的图像显示适应质量评估方法
CN116612097A (zh) 一种基于表面缺陷图像的木材内部节子形态预测方法及系统
CN114529543B (zh) 一种航空发动机外周螺钉垫片的安装检测方法及装置
CN116128919A (zh) 基于极线约束的多时相图像异动目标检测方法及系统
CN117495848B (zh) 基于图像识别的输电线路舞动检测方法和系统
CN115908243B (zh) 一种无损检测图像的分割方法、装置、设备及存储介质

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