CN110334581B - 一种多源遥感影像变化检测方法 - Google Patents
一种多源遥感影像变化检测方法 Download PDFInfo
- Publication number
- CN110334581B CN110334581B CN201910381967.1A CN201910381967A CN110334581B CN 110334581 B CN110334581 B CN 110334581B CN 201910381967 A CN201910381967 A CN 201910381967A CN 110334581 B CN110334581 B CN 110334581B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- time phase
- pair
- grid
- 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 57
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000001228 spectrum Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000000034 method Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000003595 spectral effect Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
- G01C11/04—Interpretation of pictures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- 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
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—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
- G06T2207/10—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
- G06T2207/20048—Transform domain processing
- G06T2207/20052—Discrete cosine transform [DCT]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Biochemistry (AREA)
- Probability & Statistics with Applications (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Image Analysis (AREA)
Abstract
一种多源遥感影像变化检测方法,对前、后时相遥感影像进行相位配准;提取出配准后遥感影像的纹理特征波段,将其与光谱特征波段共同构成特征集;对特征集进行格网划分;采用感知哈希算法计算每对格网单元中每个波段的相似度;对每个波段的相似度值赋予权重,计算每对格网单元中总的加权相似度值;依次判断每对格网单元总的加权相似度值是否小于相似度阈值,如是,则该格网单元为变化位置,如否,则为无变化位置;提取变化位置格网单元的中心点位置,将其作为变化位置的索引;判断整个遥感影像的变化检测结果是否满足精确度要求,如是,则进行变化图斑勾绘,如否,则重新设定相似度阈值,继续变化位置的判断。该检测方法检测精度高且效率高。
Description
技术领域
本发明涉及遥感影像处理技术领域,特别涉及一种多源遥感影像变化检测方法。
背景技术
图像变化检测技术起源于20世纪七十年代,经过几十年的不断发展,光学遥感影像变化检测技术如今已在环境监测、城市规划管理、土地利用调查等方面发挥重要作用。遥感影像变化检测与变化发现方法主要分为人工识别和计算机识别两种。传统人工识别变化发现通过手动对照查看不同时相影像来发现变化的位置、勾绘变化图斑,并标注变化属性信息,这种方法具有较高的检测精度,对变化属性的判读更加精确,但同时也存在人工耗时长,工作效率低的缺陷。
随着技术不断创新,利用机器代替人工来对图像上的变化区域进行标注,是图像变化检测技术发展的动力,也是当前遥感影像变化检测技术研究的热点。机器学习、模式识别、深度学习等技术在图像领域的应用为变化检测提供了新的思路,已越来越多地被应用到图像变化检测问题中。如已有的申请号为201810113902.4的中国发明专利公开了一种双时相遥感影像变化检测方法及系统,该检测方法的步骤为:根据指定块的大小对前后时相影像进行分块裁切,生成前后时相影像分块数据集、分块影像信息的列表文件、以及记录分块影像位置和特征信息的矢量文件;利用深度学习网络模型对前后时相影像分块数据集进行高维特征的特征距离,生成特征距离文件,调整特征距离参数,得到变化的影像块,通过对变化的影像块与参考数据的影像块进行比较,利用误差矩阵得到精度评价结果,判断精度评价结果是否满足要求。该变化检测方法能提高变化检测的精度,但该检测方法中只对遥感影像的光谱特征进行处理,且高维特征的计算量大,检测效率低。
由于遥感影像受拍摄角度差异、时相差异、传感器差异、地物材质差异、行政属性与自然属性不一致等原因导致的同物不同谱,以及地表覆盖种类本身的多样性等特质,对变化检测的计算机自动提取的准确性和效率带来很大影响,目前,受上述类型因素影响,自动化变化检测和图斑提取的冗余率、准确率和漏检率等依旧面临着较大挑战。因此,需要进一步改进。
发明内容
本发明所要解决的技术问题是针对现有技术的现状,提供一种能同时提高检测精度和效率的多源遥感影像变化检测方法。
本发明解决上述技术问题所采用的技术方案为:一种多源遥感影像变化检测方法,其特征在于:包括以下步骤:
步骤1、输入两期相同空间范围、不同时相的多源遥感影像,分别记为前时相遥感影像和后时相遥感影像;
步骤2、对输入的前、后时相遥感影像进行相位配准,使前、后时相遥感影像的空间位置完全匹配,得到配准后的前、后时相遥感影像,其中,配准后的遥感影像中包括光谱特征;
步骤3、分别提取步骤2中配准后的前、后时相遥感影像的纹理特征,并将某时相遥感影像的纹理特征波段与该时相配准后的遥感影像的光谱特征波段共同构成特征集,分别得到前时相遥感影像的特征集和后时相遥感影像的特征集;
步骤4、分别对步骤3中前、后时相遥感影像对应的特征集进行格网划分,分成M×N个大小相同的格网单元,前、后时相遥感影像对应的特征集中相同位置处的格网单元具有一一对应的下标,M和N均为正整数;
步骤5、采用感知哈希算法对每对格网单元中的每个波段进行相似度计算,得到每对格网单元中每个波段的相似度值;
步骤6、对任一对格网单元中每个波段的相似度值赋予权重,并计算任一对格网单元中所有波段总的加权相似度值;
步骤7、遍历每对格网单元总的加权相似度值,依次判断每对格网单元总的加权相似度值是否小于设定的相似度阈值,如是,则标记该格网单元为变化位置,如否,则该格网单元为无变化位置;
步骤8、提取步骤7中标记为变化位置的格网单元,并将该格网单元的中心点位置作为变化位置的索引;
步骤9、判断整个遥感影像的变化检测结果是否满足设定的精确度要求,如满足,则进行变化图斑勾绘,如不满足,则重新设定相似度阈值,并转入步骤7。
作为优选,所述步骤3中采用灰度共生矩阵提取前、后时相遥感影像的纹理特征。
作为改进,所述步骤5中采用感知哈希算法计算相似度的具体步骤为:
步骤5-1、缩小格网单元的尺寸:采用双线性内插方法对每对格网单元进行缩放,缩放至n*n;其中,n为正整数;n ≤8;
步骤5-2、将彩色图像转化成灰度图像;
步骤5-3、计算步骤5-2中灰度图像的离散余弦变换矩阵,并保留左上角8*8低频矩阵值,将该8*8低频矩阵作为最终的DCT矩阵;
步骤5-4、计算步骤5-3中最终的DCT矩阵的均值,将该最终的DCT矩阵中数值大于等于DCT均值的位置处设为1,小于DCT均值的位置处设为0,生成64位的图像指纹;
步骤5-5、将前、后时相遥感影像中每对格网单元分别生成的64位hash指纹进行汉明距离计算,则两影像每对格网单元的相似度d计算公式为:
其中,Dham为前、后时相遥感影像中每对格网单元分别生成的64位hash指纹之间的汉明距离。
进一步的,任一对格网单元中所有波段总的加权相似度值的计算公式为:
其中,D(i)为第i对格网单元中所有波段总的加权相似度值,1≤i≤M×N,M×N为格网单元的总数,k为格网单元中的波段总数,wi(m)为第i对格网单元中第m个波段的权重,di(m)为第i对格网单元中第m个波段的相似度值。
具体的,所述步骤9中的变化检测结果包括冗余率、准确率和漏检率,如果整个遥感影像检测的冗余率、准确率和漏检率均满足设定的精确度要求时,则进行变化图斑勾绘。
与现有技术相比,本发明的优点在于:通过遥感影像的纹理特征波段与遥感影像的光谱特征波段共同组成特征集进行检测,与采用遥感影像的单一光谱特征相比,提高了变化检测的精度;采用基于感知哈希算法进行相似度计算,并对每个波段的相似度值赋予权重,能明显突出每对格网单元中的变化波段,且大大提高了检测效率;另外,直接对发生变化位置进行标记,提取位置索引,减小了人工对变化位置一一对比筛选的工作量。
附图说明
图1为本发明实施例中多源遥感影像变化检测方法的流程图;
图2为本发明实施例中前时相遥感影像格网划分示意图;
图3为本发明实施例中后时相遥感影像格网划分示意图;
图4为本发明实施例中检测出的变化位置索引示意图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
如图1所示,一种多源遥感影像变化检测方法,包括以下步骤:
步骤1、输入两期相同空间范围,不同时相的多源遥感影像,分别记为前时相遥感影像和后时相遥感影像;
步骤2、对输入的前、后时相遥感影像进行相位配准,使前、后时相遥感影像的空间位置完全匹配,得到配准后的前、后时相遥感影像,其中,配准后的遥感影像中包括光谱特征;
步骤3、分别提取步骤2中配准后的前、后时相遥感影像的纹理特征,并将某时相遥感影像的纹理特征波段与该时相配准后的遥感影像的光谱特征波段共同构成特征集,分别得到前时相遥感影像的特征集和后时相遥感影像的特征集;
本实施例中,采用灰度共生矩阵计算提取遥感影像中的纹理特征;
步骤4、分别对步骤3中前、后时相遥感影像对应的特征集进行格网划分,分成M×N个大小相同的格网单元,前、后时相遥感影像对应的特征集中相同位置处的格网单元具有一一对应的下标,M和N均为正整数;本实施例中,M=4;N=8,如图2和图3所示,为前、后时相遥感影像进行格网划分后的示意图,前、后时相遥感影像均具有32个格网单元;
步骤5、采用感知哈希算法对每对格网单元中的每个波段进行相似度计算,得到每对格网单元中每个波段的相似度值;
本实施例中,采用感知哈希算法计算相似度的具体步骤为:
步骤5-1、缩小格网单元的尺寸:采用双线性内插方法对每对格网单元进行缩放,缩放至n*n;其中,n为正整数;n ≤8;本实施例中,根据实验得到的合适的经验值为n=32;
步骤5-2、将彩色图像转化成灰度图像;在RGB彩色图像中,一种彩色由R(红色),G(绿色),B(蓝色)三原色按比例混合而成,图像的基本单元是一个像素,一个像素需要3块表示,分别代表R,G,B,在8位颜色表示中,由0-255区分不同亮度的某种原色,采用常用的经验公式可以表达转换过程,转化后每个像素点的灰度值计算公式为:
Grey=0.299*R+0.587*G+0.114*B;
其中,Grey为转换后的灰度值,R、G和B分别为彩色图像中每个像素点的红、绿、蓝三个颜色通道的像素值;
步骤5-3、计算步骤5-2中灰度图像的离散余弦变换矩阵,并保留左上角8*8低频矩阵值,将该8*8低频矩阵作为最终的DCT矩阵;
步骤5-4、计算步骤5-3中最终的DCT矩阵的均值,将该最终的DCT矩阵中数值大于等于DCT均值的位置处设为1,小于DCT均值的位置处设为0,生成64位的图像指纹;
步骤5-5、将前、后时相遥感影像中每对格网单元分别生成的64位hash指纹进行汉明距离计算,则两影像每对格网单元的相似度d计算公式为:
其中,Dham为前、后时相遥感影像中每对格网单元分别生成的64位hash指纹之间的汉明距离,其中,汉明距离从二进制方面来看就是两个等长字符串的二进制对应bit不相同的位的个数;
步骤6、对任一对格网单元中每个波段的相似度值赋予权重,并计算任一对格网单元中所有波段总的加权相似度值;其中,每个波段的相似性值对应的权重是根据数据质量和实际情况设定的;
本实施例中,任一对格网单元中所有波段总的加权相似度值的计算公式为:
步骤7、遍历每对格网单元总的加权相似度值,依次判断每对格网单元总的加权相似度值是否小于设定的相似度阈值,如是,则标记该格网单元为变化位置,如否,则该格网单元为无变化位置;
步骤8、提取步骤7中标记为变化位置的格网单元,并将该格网单元的中心点位置作为变化位置的索引;如图4所示,为检测出的遥感影像变化位置索引;
步骤9、判断整个遥感影像的变化检测结果是否满足设定的精确度要求,如满足,则进行变化图斑勾绘,如不满足,则重新设定相似度阈值,并转入步骤7。
本实施例中,变化检测结果包括冗余率、准确率和漏检率,如果冗余率、准确率和漏检率均满足设定的精确度要求时,则进行变化图斑勾绘;冗余率、准确率和漏检率的计算公式分别为:
准确率=正检变化数/真实变化数;
漏检率=漏检数/真实变化数;
冗余率=误检数/提取总数;
其中,真实变化数=提取总数+漏检数-误检数;提取总数为格网单元总的个数,漏检数为参考数据中标记为变化但检测结果中标记为未变化的格网个数,误检数为参考数据中标记为未变化但检测结果中标记为变化的格网个数;正检变化数为参考数据中标记为变化且检测结果中也标记为变化的格网个数。
通过对相同空间范围、不同时相的多源遥感影像进行格网划分,引入遥感影像的纹理特征波段作为辅助数据,并与遥感影像的光谱特征波段共同组成变化发现特征集,与采用遥感影像单一的光谱特征相比,本遥感影像检测方法通过计算所有波段的相似度,因此检测更加精确,精度更高;另外,采用基于感知哈希的图像相似度计算算法对特征集进行相似度计算,通过对每个波段的相似值赋予权重,并计算每对格网单元总的加权相似度值,因此该方法能根据每个波段的相似性影响程度不同,重点突出变化的波段,大大提高了变化检测的效率,且直接通过对对发生变化的位置进行标记,提取位置索引,减少了人工对变化位置一一对比筛选的工作量。同时通过计算机自动提取变化位置而不是具体变化图斑,将搜索范围缩小至一定尺度,减少了人工检测在无变化范围内搜索投入的工作量,同时也有效规避了计算机自动提取变化图斑造成的数据冗余。
Claims (5)
1.一种多源遥感影像变化检测方法,其特征在于:包括以下步骤:
步骤1、输入两期相同空间范围、不同时相的多源遥感影像,分别记为前时相遥感影像和后时相遥感影像;
步骤2、对输入的前、后时相遥感影像进行相位配准,使前、后时相遥感影像的空间位置完全匹配,得到配准后的前、后时相遥感影像,其中,配准后的遥感影像中包括光谱特征;
步骤3、分别提取步骤2中配准后的前、后时相遥感影像的纹理特征,并将某时相遥感影像的纹理特征波段与该时相配准后的遥感影像的光谱特征波段共同构成特征集,分别得到前时相遥感影像的特征集和后时相遥感影像的特征集;
步骤4、分别对步骤3中前、后时相遥感影像对应的特征集进行格网划分,分成M×N个大小相同的格网单元,前、后时相遥感影像对应的特征集中相同位置处的格网单元具有一一对应的下标,M和N均为正整数;
步骤5、采用感知哈希算法对每对格网单元中的每个波段进行相似度计算,得到每对格网单元中每个波段的相似度值;
步骤6、对任一对格网单元中每个波段的相似度值赋予权重,并计算任一对格网单元中所有波段总的加权相似度值;
步骤7、遍历每对格网单元总的加权相似度值,依次判断每对格网单元总的加权相似度值是否小于设定的相似度阈值,如是,则标记该格网单元为变化位置,如否,则该格网单元为无变化位置;
步骤8、提取步骤7中标记为变化位置的格网单元,并将该格网单元的中心点位置作为变化位置的索引;
步骤9、判断整个遥感影像的变化检测结果是否满足设定的精确度要求,如满足,则进行变化图斑勾绘,如不满足,则重新设定相似度阈值,并转入步骤7。
2.根据权利要求1所述的多源遥感影像变化检测方法,其特征在于:所述步骤3中采用灰度共生矩阵提取前、后时相遥感影像的纹理特征。
3.根据权利要求1所述的多源遥感影像变化检测方法,其特征在于:所述步骤5中采用感知哈希算法计算相似度的具体步骤为:
步骤5-1、缩小格网单元的尺寸:采用双线性内插方法对每对格网单元进行缩放,缩放至n*n;其中,n为正整数;n≥8;
步骤5-2、将彩色图像转化成灰度图像;
步骤5-3、计算步骤5-2中灰度图像的离散余弦变换矩阵,并保留左上角8*8低频矩阵值,将该8*8低频矩阵作为最终的DCT矩阵;
步骤5-4、计算步骤5-3中最终的DCT矩阵的均值,将该最终的DCT矩阵中数值大于等于DCT均值的位置处设为1,小于DCT均值的位置处设为0,生成64位的图像指纹;
步骤5-5、将前、后时相遥感影像中每对格网单元分别生成的64位hash指纹进行汉明距离计算,则两影像每对格网单元的相似度d计算公式为:
其中,Dham为前、后时相遥感影像中每对格网单元分别生成的64位hash指纹之间的汉明距离。
5.根据权利要求1所述的多源遥感影像变化检测方法,其特征在于:所述步骤9中的变化检测结果包括冗余率、准确率和漏检率,如果整个遥感影像检测的冗余率、准确率和漏检率均满足设定的精确度要求时,则进行变化图斑勾绘。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910381967.1A CN110334581B (zh) | 2019-05-09 | 2019-05-09 | 一种多源遥感影像变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910381967.1A CN110334581B (zh) | 2019-05-09 | 2019-05-09 | 一种多源遥感影像变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110334581A CN110334581A (zh) | 2019-10-15 |
CN110334581B true CN110334581B (zh) | 2022-02-18 |
Family
ID=68140118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910381967.1A Active CN110334581B (zh) | 2019-05-09 | 2019-05-09 | 一种多源遥感影像变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110334581B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110969202B (zh) * | 2019-11-28 | 2023-12-19 | 上海观安信息技术股份有限公司 | 基于颜色分量和感知哈希算法的人像采集环境验证方法及系统 |
CN113125351B (zh) * | 2021-03-25 | 2022-11-29 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种多时次遥感影像优化合成方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254319A (zh) * | 2011-04-19 | 2011-11-23 | 中科九度(北京)空间信息技术有限责任公司 | 一种多层次分割的遥感影像变化检测方法 |
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 |
CN103473764A (zh) * | 2013-09-03 | 2013-12-25 | 中国科学院深圳先进技术研究院 | 一种遥感影像目标变化检测方法 |
CN103489191A (zh) * | 2013-09-24 | 2014-01-01 | 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 |
CN105225227A (zh) * | 2015-09-07 | 2016-01-06 | 中国测绘科学研究院 | 遥感影像变化检测的方法及系统 |
CN108446588A (zh) * | 2018-02-05 | 2018-08-24 | 中国测绘科学研究院 | 一种双时相遥感影像变化检测方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7953280B2 (en) * | 2007-06-15 | 2011-05-31 | Los Alamos National Security Llc | Anomalous change detection in imagery |
US9858479B2 (en) * | 2014-07-25 | 2018-01-02 | Digitalglobe, Inc. | Global-scale damage detection using satellite imagery |
-
2019
- 2019-05-09 CN CN201910381967.1A patent/CN110334581B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254319A (zh) * | 2011-04-19 | 2011-11-23 | 中科九度(北京)空间信息技术有限责任公司 | 一种多层次分割的遥感影像变化检测方法 |
CN103473764A (zh) * | 2013-09-03 | 2013-12-25 | 中国科学院深圳先进技术研究院 | 一种遥感影像目标变化检测方法 |
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 |
CN103489191A (zh) * | 2013-09-24 | 2014-01-01 | 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 |
CN105225227A (zh) * | 2015-09-07 | 2016-01-06 | 中国测绘科学研究院 | 遥感影像变化检测的方法及系统 |
CN108446588A (zh) * | 2018-02-05 | 2018-08-24 | 中国测绘科学研究院 | 一种双时相遥感影像变化检测方法及系统 |
Non-Patent Citations (2)
Title |
---|
Optical Remote Sensing in Urban Environments;XavierBriottet et al;《Land Surface Remote Sensing in Urban and Coastal Areas》;20160923;1-62 * |
融合多特征的遥感影像;李亮 等;《测绘学报》;20140915;945-953 * |
Also Published As
Publication number | Publication date |
---|---|
CN110334581A (zh) | 2019-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103186904B (zh) | 图片轮廓提取方法及装置 | |
CN105956557B (zh) | 一种面向对象的时序遥感影像云覆盖区域自动检测方法 | |
CN108596197B (zh) | 一种印章匹配方法及装置 | |
Rathore et al. | Colour based image segmentation using L* a* b* colour space based on genetic algorithm | |
CN106355607B (zh) | 一种宽基线彩色图像模板匹配方法 | |
CN107145487A (zh) | 图像搜索方法和装置 | |
CN103699532A (zh) | 图像颜色检索方法和系统 | |
CN110334581B (zh) | 一种多源遥感影像变化检测方法 | |
CN113963041A (zh) | 一种图像纹理识别方法及系统 | |
CN109886146B (zh) | 基于机器视觉检测的洪灾信息遥感智能采集方法及设备 | |
CN107992856A (zh) | 城市场景下的高分遥感建筑物阴影检测方法 | |
CN107292328A (zh) | 多尺度多特征融合的遥感影像阴影检测提取方法及系统 | |
CN111008664A (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
CN114067222B (zh) | 一种城市水体遥感分类方法及装置 | |
CN116433940A (zh) | 基于孪生镜像网络的遥感影像变化检测方法 | |
CN109741337B (zh) | 基于Lab色彩空间的区域合并分水岭彩色遥感影像分割方法 | |
CN112818880B (zh) | 基于深度学习的航拍图像植被提取与分类方法 | |
Dhanuja et al. | Areca nut disease detection using image processing technology | |
CN111612797A (zh) | 一种水稻图像信息处理系统 | |
CN103871084B (zh) | 蓝印花布图案识别方法 | |
CN116109933A (zh) | 一种用于废弃矿山生态修复的动态识别方法 | |
CN115311566A (zh) | 一种云掩模图像的生成方法和预训练网络训练方法 | |
CN113643352A (zh) | 一种自然覆冰在线监测运行导线图像覆冰程度评估方法 | |
CN114283157A (zh) | 一种基于椭圆拟合的椭圆形物体分割方法 | |
CN114022782A (zh) | 一种基于modis卫星数据的海雾探测方法 |
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 | ||
CB02 | Change of applicant information |
Address after: 315042 No.36 Heji street, Yinzhou District, Ningbo City, Zhejiang Province Applicant after: Ningbo Institute of Surveying and mapping and remote sensing technology Applicant after: Ningbo alatu Digital Technology Co.,Ltd. Address before: 315042 No.36 Heji street, Yinzhou District, Ningbo City, Zhejiang Province Applicant before: NINGBO INSTITUTE OF SURVEYING & MAPPING Applicant before: NINGBO ALATU DIGITAL TECHNOLOGY CENTER |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |