CN110070525A - 基于对象级半监督cv模型的遥感影像变化检测方法 - Google Patents
基于对象级半监督cv模型的遥感影像变化检测方法 Download PDFInfo
- Publication number
- CN110070525A CN110070525A CN201910303873.2A CN201910303873A CN110070525A CN 110070525 A CN110070525 A CN 110070525A CN 201910303873 A CN201910303873 A CN 201910303873A CN 110070525 A CN110070525 A CN 110070525A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- model
- image
- category label
- sensing image
- 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.)
- Granted
Links
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
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- 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
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供基于对象级半监督CV模型的遥感影像变化检测方法,包括:对各时相遥感影像进行预处理;将影像叠加后进行多尺度分割,形成同质的影像对象;计算各影像对象的变化强度特征,并对像素进行特征映射,得到变化强度特征图;将对象变化强度特征进行初始聚类,得到隶属度矩阵;采用信息熵度量方法计算每个对象的类别标记信息熵,进而进行类别初始标注,生成类别标记知识;将变化强度特征图作为输入特征,将类别标记知识引入CV模型,构造顾及类别标记知识的能量泛函,建立对象级半监督CV模型;通过求解能量泛函对应的欧拉方程,构造能量约束,引导曲线向目标轮廓的快速演化,实现遥感影像自动变化检测。
Description
技术领域
本发明属于遥感技术领域,具体涉及基于对象级半监督CV模型的遥感影像变化检测方法。
背景技术
遥感变化检测能够提供地球表面大范围、长时间、周期性的地表变化信息,已经成为一种有效的监测地表变化信息的手段。随着航空航天技术的飞速发展,遥感影像数据的空间分辨率、光谱分辨率、时间分辨率越来越高。高空间分辨率的遥感影像能够提供丰富的地物细节和空间信息,为变化检测提供了充足的数据源。如何智能化、快速、准确的从遥感影像中提取变化信息已成为变化检测的重要研究内容。
根据算法的自动化程度,可将现有高分辨率遥感影像变化检测方法分为两大类:监督变化检测与非监督变化检测。监督变化检测首先对两时相影像进行独立分类,然后比较分类结果并检测变化。分类后比较变化检测的精度受分类精度影响严重。此外,影像分类通常需依靠人工知识经验,并消耗大量时间进行样本选取,随着遥感影像空间分辨率的提高,影像数量级的增加,获取样本数据所需的工作量也相应增长。非监督变化检测方法通过直接比较不同时相的遥感影像来提取地物变化信息,不需要训练样本,对于高分辨率影像的变化检测更具实用性。
主动轮廓模型是一种基于曲线演化和几何流的非监督算法,在遥感影像变化检测领域得到了广泛应用(Li等,2016;Zhang等,2017)。Chan等(2001)提出一种无边缘主动轮廓(CV模型)利用区域统计量进行分割,该方法以Mumford–Shah能量泛函为基础(Mumford等,1989),简化了最优化求解过程。CV模型避免利用边缘梯度信息,可以检测边缘梯度无定义的目标,并且能够自然地处理拓扑变化。在此基础上,Bazi等(2010)提出多分辨率水平集(MLS)方法用于变化检测;Celik等(2011)用小波变换将差分影像进行多尺度表达,然后与主动轮廓结合进行变化检测;Li等(2015)提出了模糊主动轮廓算法,以增强变换信息并减少噪声,用于SAR影像变化检测。Li等(2016)提出了快速水平集演化算法,简化水平集演化算法中的参数,用于多时相遥感影像滑坡提取。
目前,CV变化检测方法大多基于像素级变化强度特征,主要适用于中低分辨率遥感影像,对于包含细节信息较多的高分辨率遥感影像变化检测效果不理想。并且缺乏先验知识与规则集的引导,导致噪声较多并且曲线演化速度较慢。因此,探索在无标记样本的情况下,能够自动获取监督信息并对变化检测进行知识层面引导的一种半监督学习框架,是遥感影像变化检测的一个重要的研究方向。
发明内容
本发明目的在于提供一种基于对象级半监督CV模型的遥感影像变化检测方法,能够有效解决CV模型变化检测算法对于高分辨率遥感影像椒盐噪声较多和计算效率不高的问题,并且保持地物内部同质性,保留地物准确的边缘,切实提高CV模型变化检测的整体效率和检测结果可靠性。本发明为了实现上述目的,采用了以下方案:
本发明提供一种基于对象级半监督CV模型的遥感影像变化检测方法,其特征在于,包括以下步骤:步骤1:获取各时相遥感影像,分别对各时段遥感影像进行影像配准和相对辐射校正处理;
步骤2:将处理后的各时相遥感影像叠加构成联合影像,对联合影像进行多尺度分割,形成同质的影像对象;
步骤3:采用对象级变化向量分析方法计算每个影像对象的变化强度特征,并对像素进行特征映射,得到变化强度特征图;
步骤4:采用模糊c-均值聚类算法对步骤3获得的对象变化强度特征进行初始聚类,得到标识每个对象所属类别的隶属度矩阵;
步骤5:基于隶属度矩阵,采用信息熵度量方法,按下式计算每个对象的类别标记信息熵:
Ek=-wk,c log2wk,c-wk,u log2wk,u,
式中,wk,c,wk,u分别表示对象k属于“变化”与“不变”的隶属度;Ek表示对象k的类别标记信息熵且Ek∈[0,1);
依据对象类别标记信息熵和变化强度特征进行类别初始标注,生成“变化”与“不变”的类别标记数据集Qc,Qu:
式中,ΔT为确定类别标记数据集大小的阈值,将数据集中“变化”与“不变”的类别特征值,作为类别标记先验知识;
步骤6:将步骤3所得到变化强度特征图作为输入特征,将步骤5所得的类别标记知识引入CV模型,改进CV模型能量泛函,建立对象级半监督CV模型;改进后的CV模型能量泛函公式为:
FOSCV(c1,c2,φ)=Fglo+α·Fsup+μ·Freg,
Fglo=∫Ω|Q-c1|2H(φ)dxdy+∫Ω|Q-c2|2(1-H(φ))dxdy,
Fsup=Min{[∫Ω|Q-ui|2H(φ)dxdy]1×N}+Min{[∫Ω|Q-vj|2(1-H(φ))dxdy]1×M},
Freg=∫Ω|▽H(φ)|dxdy,
式中,FOSCV表示所提出的OSCV算法的能量泛函,Fglo为CV模型中的全局能量项,Fsup为引入的半监督能量项,Freg为正则化项,μ为正则化参数,α为类别标记知识贡献度,φ为水平集函数,Ω表示影像域,H(φ)为海维赛德函数的正则化形式,c1和c2分别为演化曲线内部和外部的图像灰度均值,ui、vj表示分布为“变化”与“不变”类别标记数据集中的特征值,N表示变化的类别标记数据集的维度,M表示未变化的类别标记数据集的维度;
通过求解能量泛函对应的欧拉方程来实现曲线演化,水平集演化方程如下式所示:
通过构建顾及类别标记知识的水平集演化方程,对曲线演化构造能量约束,引导曲线向目标轮廓的快速演化,自动提取类别标记知识。
本发明提供的基于对象级半监督CV模型的遥感影像变化检测方法,还可以具有以下特征:在步骤1中,是以第一时相的影像为参考,对该时相的影像进行几何配准,配准精度达到0.5个像素;将第一时相影像同第二时相影像辐射值做匹配,通过直方图匹配方法进行相对辐射校正。
本发明提供的基于对象级半监督CV模型的遥感影像变化检测方法,还可以具有以下特征:在步骤2中,是采用分形网络演化方法,设定分割尺度、形状参数、紧致度参数,进行多尺度分割,得到同质的影像对象。
本发明提供的基于对象级半监督CV模型的遥感影像变化检测方法,还可以具有以下特征:在步骤3中,假设两个时相的遥感影像分别为I1和I2,影像对象的变化强度可表示为:
式中,B为波段数;Qk为第k个对象的变化强度特征,表示两时相遥感影像的光谱差异程度;||Rk||表示区域Rk内的像素个数;为影像I1第b个波段的光谱值;为影像I2第b个波段的光谱值。
本发明提供的基于对象级半监督CV模型的遥感影像变化检测方法,还可以具有以下特征:在步骤6中,正则化参数类别标记知识贡献度α取值范围优选为0.6~0.8。正则化参数μ取值范围优选为0.1~0.4,过大会造成边界过度平滑,过小会造成边界形状不规整,μ最优值为0.1;类别标记知识贡献度α取值范围优选为0.6~0.8,过大会造成滑坡提取结果完整性较差,过小会影响提取结果准确性,α最优值为0.8。
发明的作用与效果
本发明首次将半监督学习引入CV变化检测算法中,构建一种自动获取监督类别标记知识并对CV模型变化检测进行知识层面引导的半监督学习框架,提升CV变化检测算法学习性能:首先利用多尺度分割和CVA方法,得到地物的对象级变化强度特征,然后利用模糊聚类和信息熵获得类别标记知识,构造知识引导下的对象级半监督CV模型,优化水平集演化能量泛函,引导水平集函数向准确的目标轮廓快速演化。本发明可解决CV模型变化检测算法对于高分辨率遥感影像椒盐噪声较多和计算效率不高的问题,在保持地物内部同质性的同时,保留地物准确的边缘,提高CV模型变化检测的整体效率和检测结果的可靠性。本发明可为遥感影像变化检测提供新的研究思路和解决方法,对于提高变化检测的精度和算法效率具有重要意义,有利于促进变化检测的自动化和智能化发展。
附图说明
图1为本发明实施例中所涉及的基于对象级半监督CV模型的遥感影像变化检测方法的流程图;
图2为本发明实施例中所涉及的t1时刻的遥感影像;
图3为本发明实施例中所涉及的t2时刻的遥感影像;
图4为本发明实施例中所涉及的地面参考影像;
图5为本发明实施例中所涉及的多时相遥感影像联合分割得到的影像对象;
图6为本发明实施例中所涉及的自动标注的“变化”、“不变”与“不确定”的对象;
图7为本发明实施例中所涉及的变化检测结果图;
图8为基于CV模型的变化检测结果图。
具体实施方式
以下结合附图对本发明涉及的基于对象级半监督CV模型的遥感影像变化检测方法的具体实施方案进行详细地说明。
<实施例>
本实施例中,以土地覆盖变化检测为例,对基于对象级半监督CV模型的遥感影像变化检测方法进行说明。
如图1所示,本实施例所提供的基于对象级半监督CV模型的遥感影像变化检测方法包括以下步骤:
1)获取各时相遥感影像,分别对各时段遥感影像进行影像配准和相对辐射校正的预处理。
对各时段遥感影像预处理的方法是,以第一时相的影像为参考,对该时相的影像进行几何配准,配准精度达到0.5个像素;将第一时相影像同第二时相影像辐射值做匹配,通过直方图匹配方法进行相对辐射校正。
本实施例中,是以t2时相的影像为参考,对t1时相的影像进行几何配准,配准精度达到0.5个像素。将t1时相影像同t2时相影像辐射值做匹配,通过直方图匹配方法进行相对辐射校正。
如图2和3所示,本实施例中使用的数据为实验地区天津市武清区(36°6′N,117°4′E)的SPOT 5卫星遥感影像,获取时间分别为2008年4月(t1)和2009年2月(t2);图4为实验地区的地面参考影像。分别对两幅影像进行全色波段与多光谱波段的融合,获得2.5米空间分辨率的多光谱影像。
2)将各时相遥感影像叠加构成联合影像,对联合影像进行多尺度分割,形成同质的影像对象。
多尺度分割的方法是,采用分形网络演化方法(fractal net evolutionapproach,FNEA),即设定分割尺度、形状参数、紧致度参数,据此分割得到的影像对象。
本实施例中,设定分割尺度为30,形状参数为0.4,紧致度参数为0.5,如图5所示,为多时相联合影像分割得到的影像对象。
3)采用对象级CVA(object-based change vector analysis)方法计算步骤2)所得的每个影像对象的变化强度特征,并对像素进行特征映射,得到变化强度特征图。
假设两个时相的遥感影像分别为I1和I2,影像对象的变化强度可表示为:
式中,B为波段数;Qk为第k个对象的变化强度特征,表示两时相遥感影像的光谱差异程度;||Rk||表示区域Rk内的像素个数;为影像I1第b个波段的光谱值;为影像I2第b个波段的光谱值。
4)采用FCM(fuzzy C-means)算法对步骤3)获得的对象变化强度特征进行初始聚类,得到标识每个对象所属类别的隶属度矩阵。
5)根据步骤4)获得的隶属度矩阵,采用信息熵(entropy)度量方法,按下式计算每个对象的类别标记信息熵:
Ek=-wk,c log2wk,c-wk,u log2wk,u,
式中,wk,c,wk,u分别标识对象k属于“变化”与“不变”的隶属度,Ek表示对象k的类别标记信息熵且Ek∈[0,1)。
依据对象类别标记信息熵和变化强度特征进行类别初始标注,生成“变化”与“不变”的类别标记数据集Qc,Qu,计算公式如下:
式中,ΔT为确定类别标记数据集大小的阈值;数据集中“变化”与“不变”的类别特征值,作为类别标记先验知识。
实施例设定ΔT=0.2;Sc={(Qi c,Li)|i=1,...,N}(Li=1)可作为“变化”的类别标记数据集,可作为“不变”的类别标记数据集。自动标注的“变化”、“不变”与“不确定”的影像对象见图6。
6)将步骤3)所得得到变化强度特征图作为输入特征,将步骤5)所得的类别标记知识引入CV模型,改进CV模型能量泛函,建立对象级半监督CV模型(Object-based Semi-supervised CV,OSCV)。改进CV模型能量泛函,建立对象级半监督CV模型改进后的能量泛函如下式所示:
FOSCV(c1,c2,φ)=Fglo+α·Fsup+μ·Freg,
Fglo=∫Ω|Q-c1|2H(φ)dxdy+∫Ω|Q-c2|2(1-H(φ))dxdy,
Fsup=Min{[∫Ω|Q-ui|2H(φ)dxdy]1×N}+Min{[∫Ω|Q-vj|2(1-H(φ))dxdy]1×M},
Freg=∫Ω|▽H(φ)|dxdy,
式中,FOSCV表示所提出的OSCV算法的能量泛函,Fglo为CV模型中的全局能量项,Fsup为引入的半监督能量项,Freg为正则化项,μ为正则化参数,α为类别标记知识贡献度,φ为水平集函数,Ω表示影像域,H(φ)为海维赛德函数的正则化形式,c1和c2分别为演化曲线内部和外部的图像灰度均值,ui、vj分别表示分布为“变化”与“不变”类别标记数据集中的特征值,N表示变化的类别标记数据集的维度,M表示未变化的类别标记数据集的维度,x和y表示图像的行列号。实施例设定参数α=0.8、μ=0.1。
通过求解能量泛函对应的欧拉(Euler-Lagrange)方程来实现曲线演化,水平集演化方程如下式所示:
具体演化过程:
(1)设定n=0,设定时间步长Δt。本实施例设定Δt=0.2。设置初始轮廓位置,并进行水平集函数初始化
式中,Ω0为影像域的一个子集。
(2)计算c1,c2和|▽φ|。
(3)按照公式更新水平集函数φ,
(4)判断水平集演化终止准则是否得到满足,如果是的,算法结束,返回最终的变化检测结果,否则转到第(2)步。
通过构建顾及类别标记知识的水平集演化方程,对曲线演化构造能量约束,引导曲线向目标轮廓的快速演化。自动提取类别标记知识,提升变化检测精度,提高曲线演化效率的目的。求解半监督CV模型的能量泛函极值,获得如图7所示的最终的变化检测结果。
为了证实本实施例方案的进步性,基于相同的数据采用现有技术方案也做出了变化检测结果,如图8所示,为基于经典CV模型的变化检测结果图,将该结果与图7所示本实施例的变化检测结果图进行比较,见下表1:
表1两种检测方法的统计结果比较情况
从图7和8以及上表1可以看出,本实施例的变化检测效果明显优于基于经典CV模型的变化检测结果,本发明在保持地物内部同质性的同时,保留了地物准确的轮廓边缘,虚检错误、漏检错误和总体错误显著减少。此外由于先验知识的引导,水平集演化方程可以更快的收敛,计算效率提高了近两倍。
以上实施例仅仅是对本发明技术方案所做的举例说明。本发明所涉及的基于对象级半监督CV模型的遥感影像变化检测方法并不仅仅限定于在以上实施例中所描述的内容,而是以权利要求所限定的范围为准。本发明所属领域技术人员在该实施例的基础上所做的任何修改或补充或等效替换,都在本发明的权利要求所要求保护的范围内。
Claims (6)
1.一种基于对象级半监督CV模型的遥感影像变化检测方法,其特征在于,包括以下步骤:
步骤1:获取各时相遥感影像,分别对各时段遥感影像进行影像配准和相对辐射校正处理;
步骤2:将处理后的各时相遥感影像叠加构成联合影像,对联合影像进行多尺度分割,形成同质的影像对象;
步骤3:采用对象级变化向量分析方法计算每个影像对象的变化强度特征,并对像素进行特征映射,得到变化强度特征图;
步骤4:采用模糊c-均值聚类算法对步骤3获得的对象变化强度特征进行初始聚类,得到标识每个对象所属类别的隶属度矩阵;
步骤5:基于隶属度矩阵,采用信息熵度量方法,按下式计算每个对象的类别标记信息熵:
Ek=-wk,c log2 wk,c-wk,u log2 wk,u,
式中,wk,c,wk,u分别表示对象k属于“变化”与“不变”的隶属度;Ek表示对象k的类别标记信息熵且Ek∈[0,1);
依据对象类别标记信息熵和变化强度特征进行类别初始标注,生成“变化”与“不变”的类别标记数据集Qc,Qu:
式中,ΔT为确定类别标记数据集大小的阈值,将数据集中“变化”与“不变”的类别特征值,作为类别标记先验知识;
步骤6:将步骤3所得到变化强度特征图作为输入特征,将步骤5所得的类别标记知识引入CV模型,改进CV模型能量泛函,建立对象级半监督CV模型;
改进后的CV模型能量泛函公式为:
FOSCV(c1,c2,φ)=Fglo+α·Fsup+μ·Freg,
Fglo=∫Ω|Q-c1|2H(φ)dxdy+∫Ω|Q-c2|2(1-H(φ))dxdy,
Fsup=Min{[∫Ω|Q-ui|2H(φ)dxdy]1×N}+Min{[∫Ω|Q-vj|2(1-H(φ))dxdy]1×M},
式中,FOSCV表示所提出的OSCV算法的能量泛函,Fglo为CV模型中的全局能量项,Fsup为引入的半监督能量项,Freg为正则化项,μ为正则化参数,α为类别标记知识贡献度,φ为水平集函数,Ω表示影像域,H(φ)为海维赛德函数的正则化形式,c1和c2分别为演化曲线内部和外部的图像灰度均值,ui、vj分别表示分布为“变化”与“不变”类别标记数据集中的特征值,N表示变化的类别标记数据集的维度,M表示未变化的类别标记数据集的维度;
通过求解能量泛函对应的欧拉方程实现曲线演化,水平集演化方程如下式所示:
通过构建顾及类别标记知识的水平集演化方程,对曲线演化构造能量约束,引导曲线向目标轮廓的快速演化,自动提取类别标记知识。
2.根据权利要求1所述的基于对象级半监督CV模型的遥感影像变化检测方法,其特征在于:
其中,在所述步骤1中,是以第一时相的影像为参考,对该时相的影像进行几何配准,配准精度达到0.5个像素;将第一时相影像同第二时相影像辐射值做匹配,通过直方图匹配方法进行相对辐射校正。
3.根据权利要求1所述的基于对象级半监督CV模型的遥感影像变化检测方法,其特征在于:
其中,在步骤2中,是采用分形网络演化方法,设定分割尺度、形状参数、紧致度参数,进行多尺度分割,得到同质的影像对象。
4.根据权利要求1所述的基于对象级半监督CV模型的遥感影像变化检测方法,其特征在于:
其中,在步骤3中,假设两个时相的遥感影像分别为I1和I2,影像对象的变化强度可表示为:
式中,B为波段数;Qk为第k个对象的变化强度特征,表示两时相遥感影像的光谱差异程度;||Rk||表示区域Rk内的像素个数;为影像I1第b个波段的光谱值;为影像I2第b个波段的光谱值。
5.根据权利要求1所述的基于对象级半监督CV模型的遥感影像变化检测方法,其特征在于:
其中,在所述步骤6中,正则化参数μ取值范围为0.1~0.4,类别标记知识贡献度α取值范围为0.6~0.8。
6.根据权利要求1所述的基于对象级半监督CV模型的遥感影像变化检测方法,其特征在于:
其中,在所述步骤6中,正则化参数μ=0.1,类别标记知识贡献度α=0.8。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910303873.2A CN110070525B (zh) | 2019-04-16 | 2019-04-16 | 基于对象级半监督cv模型的遥感影像变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910303873.2A CN110070525B (zh) | 2019-04-16 | 2019-04-16 | 基于对象级半监督cv模型的遥感影像变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110070525A true CN110070525A (zh) | 2019-07-30 |
CN110070525B CN110070525B (zh) | 2021-01-01 |
Family
ID=67367831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910303873.2A Active CN110070525B (zh) | 2019-04-16 | 2019-04-16 | 基于对象级半监督cv模型的遥感影像变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110070525B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111986193A (zh) * | 2020-08-31 | 2020-11-24 | 香港中文大学(深圳) | 一种遥感影像变化检测方法、电子设备及存储介质 |
CN112560740A (zh) * | 2020-12-23 | 2021-03-26 | 中国水利水电科学研究院 | 一种基于PCA-Kmeans的可见光遥感影像变化检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101126812A (zh) * | 2007-09-27 | 2008-02-20 | 武汉大学 | 高分辨率遥感影像的分割和分类及变化检测一体化方法 |
CN101976335A (zh) * | 2010-09-03 | 2011-02-16 | 浙江大学 | 基于改进c-v模型的遥感图路网提取方法 |
CN104680151A (zh) * | 2015-03-12 | 2015-06-03 | 武汉大学 | 一种顾及雪覆盖影响的高分辨全色遥感影像变化检测方法 |
-
2019
- 2019-04-16 CN CN201910303873.2A patent/CN110070525B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101126812A (zh) * | 2007-09-27 | 2008-02-20 | 武汉大学 | 高分辨率遥感影像的分割和分类及变化检测一体化方法 |
CN101976335A (zh) * | 2010-09-03 | 2011-02-16 | 浙江大学 | 基于改进c-v模型的遥感图路网提取方法 |
CN104680151A (zh) * | 2015-03-12 | 2015-06-03 | 武汉大学 | 一种顾及雪覆盖影响的高分辨全色遥感影像变化检测方法 |
Non-Patent Citations (3)
Title |
---|
FRANCESCA BOVOLO 等: "A Novel Approach to Unsupervised Change Detection Based on a Semisupervised SVM and a Similarity Measure", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
QINGJIE LIU 等: "Unsupervised Change Detection for Multispectral Remote Sensing Images Using Random Walks", 《REMOTE SENSING》 * |
彭钢 等: "自适应PCNN和改进C-V结合的遥感图像变化检测", 《计算机工程与设计》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111986193A (zh) * | 2020-08-31 | 2020-11-24 | 香港中文大学(深圳) | 一种遥感影像变化检测方法、电子设备及存储介质 |
CN111986193B (zh) * | 2020-08-31 | 2024-03-19 | 香港中文大学(深圳) | 一种遥感影像变化检测方法、电子设备及存储介质 |
CN112560740A (zh) * | 2020-12-23 | 2021-03-26 | 中国水利水电科学研究院 | 一种基于PCA-Kmeans的可见光遥感影像变化检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110070525B (zh) | 2021-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hossain et al. | Segmentation for Object-Based Image Analysis (OBIA): A review of algorithms and challenges from remote sensing perspective | |
Xiao et al. | Change detection of built-up land: A framework of combining pixel-based detection and object-based recognition | |
Wang et al. | Optimal segmentation of high-resolution remote sensing image by combining superpixels with the minimum spanning tree | |
Chen et al. | An automated approach for updating land cover maps based on integrated change detection and classification methods | |
Zhang et al. | Automated delineation of agricultural field boundaries from Sentinel-2 images using recurrent residual U-Net | |
Li et al. | Adaptive scale selection for multiscale segmentation of satellite images | |
CN103578110B (zh) | 基于灰度共生矩阵的多波段高分辨率遥感影像分割方法 | |
Gupta et al. | Object based information extraction from high resolution satellite imagery using eCognition | |
CN106897679A (zh) | 一种基于改进模糊c均值聚类的语义变化检测方法及系统 | |
CN108830870A (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 | |
CN106846322B (zh) | 基于曲线波滤波器和卷积结构学习的sar图像分割方法 | |
Xu et al. | Delineation of cultivated land parcels based on deep convolutional networks and geographical thematic scene division of remotely sensed images | |
CN105956612A (zh) | 基于主动学习和半监督学习的高光谱图像分类方法 | |
CN104899897A (zh) | 一种基于历史数据挖掘的高分遥感影像土地覆盖变化检测方法 | |
Chen et al. | Agricultural remote sensing image cultivated land extraction technology based on deep learning | |
Liang et al. | Maximum likelihood classification of soil remote sensing image based on deep learning | |
CN110070525A (zh) | 基于对象级半监督cv模型的遥感影像变化检测方法 | |
Hossain et al. | A hybrid image segmentation method for building extraction from high-resolution RGB images | |
Devi et al. | Change detection techniques–A survey | |
Ming et al. | Cropland extraction based on OBIA and adaptive scale pre-estimation | |
Patel et al. | Adaboosted extra trees classifier for object-based multispectral image classification of urban fringe area | |
Wang et al. | A novel sampling design considering the local heterogeneity of soil for farm field-level mapping with multiple soil properties | |
Bi | Optimal allocation algorithm of geological and ecological high-resolution remote sensing monitoring sampling points | |
Xie et al. | Superpixel-based PolSAR images change detection | |
Han et al. | A novel active contour model driven by J-divergence entropy for SAR river image segmentation |
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 |