CN110363792A - 一种基于光照不变性特征提取的遥感图像变化检测方法 - Google Patents
一种基于光照不变性特征提取的遥感图像变化检测方法 Download PDFInfo
- Publication number
- CN110363792A CN110363792A CN201910655019.2A CN201910655019A CN110363792A CN 110363792 A CN110363792 A CN 110363792A CN 201910655019 A CN201910655019 A CN 201910655019A CN 110363792 A CN110363792 A CN 110363792A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- resolution
- image
- illumination
- characteristic pattern
- 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.)
- Pending
Links
- 238000005286 illumination Methods 0.000 title claims abstract description 119
- 230000008859 change Effects 0.000 title claims abstract description 67
- 238000000605 extraction Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000001514 detection method Methods 0.000 claims abstract description 77
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 53
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 238000003860 storage Methods 0.000 claims abstract description 13
- 238000013135 deep learning Methods 0.000 claims abstract description 10
- 230000004075 alteration Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 4
- 230000008447 perception Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000003471 mutagenic agent Substances 0.000 description 1
- 231100000707 mutagenic chemical Toxicity 0.000 description 1
- 238000001615 p wave Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- 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
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- 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
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于光照不变性特征提取的遥感图像变化检测方法、装置、设备以及计算机可读存储介质，包括：利用预选的基于深度学习的图像超分辨算法对待检测的原始遥感图像进行图像超分辨率，得到高分辨率遥感图像；利用基于位置敏感直方图的光照不变性特征提取算法对所述高分辨率遥感图像进行光照不变性特征提取，得到所述高分辨率遥感图像的光照特征图；利用预选的遥感图像变化检测算法对所述光照特征图进行变化检测，得到所述原始遥感图像的变化检测结果图。本发明所提供的方法、装置、设备以及计算机可读存储介质，避免了光照不同导致变化检测中对同一物体判断出现极大差异的影响，提高了变化检测结果的准确性。
Description
技术领域
本发明涉及遥感图像处理技术领域，特别是涉及一种基于光照不变性特征提取的遥感图像变化检测方法、装置、设备以及计算机可读存储介质。
背景技术
在卫星遥感图像处理中，变化检测算法应用十分广泛，在民用、测绘以及自然灾害方面都有一席之地，主要用于森林和植被变化、城市扩展等变化信息获取和地震、洪水、泥石流和森林大火等灾情监测与评估。变化检测通过在不同时期的遥感图像中，定量地分析和确定地物变化。
然而，传统的变化检测算法对于在不同时期遥感图像的相似性有着较为苛刻的要求。对于光照的差异，传统算法会存在对同一目标判断为变化元错判的情况，导致变化检测的准确性大幅度降低。再者，品质低分辨率低的遥感图像对变化检测也存在一定的影响。
综上所述可以看出，如何提高遥感图像变化检测的准确性是目前有待解决的问题。
发明内容
本发明的目的是提供一种基于光照不变性特征提取的遥感图像变化检测方法、装置、设备以及计算机可读存储介质，以解决现有技术中的变化检测算法受光照差异影响，导致变化检测准确性大幅度降低的问题。
为解决上述技术问题，本发明提供一种基于光照不变性特征提取的遥感图像变化检测方法，包括：利用预选的基于深度学习的图像超分辨算法对待检测的原始遥感图像进行图像超分辨率，得到高分辨率遥感图像；利用基于位置敏感直方图的光照不变性特征提取算法对所述高分辨率遥感图像进行光照不变性特征提取，得到所述高分辨率遥感图像的光照特征图；利用预选的遥感图像变化检测算法对所述光照特征图进行变化检测，得到所述原始遥感图像的变化检测结果图。
优选地，所述利用基于位置敏感直方图的光照不变性特征提取算法对所述高分辨率遥感图像进行光照不变性特征提取，得到所述高分辨率遥感图像的光照特征图包括：
利用位置直方图算法提取所述高分辨率遥感图像中每个像素的LSH特征；
根据所述高分辨率遥感图像中每个像素的LSH特征，提取所述高分辨率遥感图像的光照不变性特征，得到所述高分辨率遥感图像的光照特征图。
优选地，所述利用预选的基于深度学习的图像超分辨算法对待检测的原始遥感图像进行图像超分辨率，得到高分辨率遥感图像包括：
利用超分辨变率对抗生成网络对待检测的原始遥感图像进行图像超分辨率，得到高分辨率遥感图像。
优选地，所述利用预选的遥感图像变化检测算法对所述光照特征图进行变化检测，得到所述原始遥感图像的变化检测结果图包括：
利用迭代加权的多元变化检测算法对所述光照特征图进行变化检测，得到所述原始遥感图像的变化检测结果图。
优选地，所述利用迭代加权的多元变化检测算法对所述光照特征图进行变化检测，得到所述原始遥感图像的变化检测结果图包括：
利用迭代加权的多元变化检测算法将所述光照特征图中的每个像素权重初始值赋为1；
迭代执行对所述光照特征图中任意两个像素赋予新的权值后，确定所述光照特征图中的权值的步骤，直至迭代次数等于预设次数阈值；
分别将所述光照特征图中每个像素的当前权值与所述预设权值阈值进行比较，查找所述光照特征图中属于变化元的目标像素点；
根据所述属于变化元的目标像素点确定所述原始遥感图像内的变化区域，得到所述原始遥感图像的变化检测结果图。
本发明还提供了一种基于光照不变性特征提取的遥感图像变化检测装置，包括：
超分辨率模块，用于利用预选的基于深度学习的图像超分辨算法对待检测的原始遥感图像进行图像超分辨率，得到高分辨率遥感图像；
光照不变性特征提取模块，用于利用基于位置敏感直方图的光照不变性特征提取算法对所述高分辨率遥感图像进行光照不变性特征提取，得到所述高分辨率遥感图像的光照特征图；
变化检测模块，用于利用预选的遥感图像变化检测算法对所述光照特征图进行变化检测，得到所述原始遥感图像的变化检测结果图。
优选地，所述光照不变性特征提取模块包括：
第一提取单元，用于利用位置直方图算法提取所述高分辨率遥感图像中每个像素的LSH特征；
第二提取单元，用于根据所述高分辨率遥感图像中每个像素的LSH特征，提取所述高分辨率遥感图像的光照不变性特征，得到所述高分辨率遥感图像的光照特征图。
优选地，所述超分辨率模块具体用于：
利用超分辨变率对抗生成网络对待检测的原始遥感图像进行图像超分辨率，得到高分辨率遥感图像。
本发明还提供了一种基于光照不变性特征提取的遥感图像变化检测设备，包括：
存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现上述一种基于光照不变性特征提取的遥感图像变化检测方法的步骤。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述一种基于光照不变性特征提取的遥感图像变化检测方法的步骤。
本发明所提供的基于光照不变性特征提取的遥感图像变化检测方法，首先利用基于深度学习的图像超分辨率算法对原始遥感图像进行超分辨率，得到高分辨率遥感图像，解决了原始遥感图像分辨率较差的问题，以便检测到的变化区域结果图更为真实。基于位置敏感直方图，提取所述高分辨率遥感图像中每个像素的LSH特征，从而提所述高分辨率图像的光照不变性特征，得到所述高分辨率遥感图像对应的光照特征图；避免了由于光照差异导致的变化检测算法对同一目标判断为变化元错判的现象，提高了遥感图像变化检测结果的准确性。利用预选的遥感图像变化检测算法对所述光照特征图进行变化检测，得到所述原始遥感图像的变化检测结果图。本发明所提供的方法，可以很好地解决分辨率低和品质低的遥感图像，同时能避免光照不同导致变化检测中对同一物体判断出现极大差异的影响，避免遥感图像进行变化检测时的误判。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所提供的基于光照不变性特征提取的遥感图像变化检测方法的第一种具体实施例的流程图；
图2为SGRAN算法的网络结构示意图；
图3为本发明所提供的基于光照不变性特征提取的遥感图像变化检测方法的第二种具体实施例的流程图；
图4为本发明实施例提供的一种基于光照不变性特征提取的遥感图像变化检测装置的结构框图。
具体实施方式
本发明的核心是提供一种基于光照不变性特征提取的遥感图像变化检测方法、装置、设备以及计算机可读存储介质，利用基于位置敏感直方图的光照不变性特征提取算法，避免了由于光照差异导致的变化检测算法检测结果准确率低的问题，提高了遥感图像变化检测结果的准确性。
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参考图1，图1为本发明所提供的基于光照不变性特征提取的遥感图像变化检测方法的第一种具体实施例的流程图；具体操作步骤如下：
步骤S101：利用预选的基于深度学习的图像超分辨算法对待检测的原始遥感图像进行图像超分辨率，得到高分辨率遥感图像；
在本实施例中，可以利用超分辨变率对抗生成网络(Super-ResolutionGenerative Adversarial Network SRGAN)对待检测的原始遥感图像进行图像超分辨率，得到高分辨率遥感图像。在本发明提供的其他实施例中，还可以使用其他图像超分辨率算法对所述原始遥感图像进行超分辨率。
利用所述SRGAN算法对所述原始遥感图像进行处理前，首先训练一个生成函数G来估计给定的LR输入图像与其对应的HR。在训练中，首先对IHR应用高斯滤波器，然后进行降采样操作，降采样因子r，得到ILR；其中，LR为处理后低分辨率图像，HR为原本高分辨率图像；IHR为原本高分辨图像的彩色三通道图像，ILR为处理后的低分辨率图像的彩色三通道图像。训练一个生成器网络作为一个前馈卷积神经网络参数为θG。为了训练，n＝1,2,…,N，对应于有：
设计一个感知损失lSR作为几个损失组件的加权组合，这些损失组件会对恢复后的SR图像的不同期望特征进行建模，其中，N表示输入训练集的图像数，n为当前的个数，则当前训练的处理后的低分辨率图，为当前训练的处理原本高率图像，。对于对抗问题：
其中，SR图像为处理后的高分辨图像，是该网络的网络参数，G为一个生成式模型，D为一个可分辨的判别器。
所述SRGAN算法利用感知损失(perceptual loss)和对抗损失(adversarialloss)来提升输出图像的真实感。第一部分是基于内容的代价函数，第二部分值基于对抗学习的代价函数。
所述感知损失为：利用卷积神经网络(CNN)提取遥感图像的特征，通过比较生成的遥感图像经过CNN后的特征和目标遥感图像经过CNN后的特征差别，使得生成的图片和目标图片在语义上更加相似。感知损失优化的是超分辨率模型的特征空间而不是像素空间。代价函数为：
其中，为内容损失；对抗网络损失。
基于内容的代价函数除了使用基于上述逐个像素空间的最小均方误差(MSE)以外，还使用了一个基于特征空间的最小均方误差，这个特征空间是利用VGG网络提取图像的高层次特征，具体方法用公式表示如下：
其中，i和j分别为VGG19网络中第i个最大池化层(max pooling)后的第j个卷积层得到的特征，Wi,jHi,j为VGG网络中各自特征图的维度，为生成图像和参考图像特征表示的欧氏距离，为第i个最大池化层后的第j个卷积层得到的特征。第二部分是将特征进行对抗损失，其计算公式如下：
其中，DθG()为一个图像属于真实的高分辨率图像的概率。为重建的高分辨率图像。进一步采用基于总变分的正则化器来激励空间相干解。正则化损失计算如下：
步骤S102：利用基于位置敏感直方图的光照不变性特征提取算法对所述高分辨率遥感图像进行光照不变性特征提取，得到所述高分辨率遥感图像的光照特征图；
所述位置敏感直方图(Locality Sensitive Histograms LSH)，是一种位置关联的图像统计特征。定义三维矩阵Q(i,j,n)统计一桩灰度图像的灰度分布。其中(i,j)为每个像素坐标，n为直方图子区域(bins)的个数，将灰度区间分段，属于某子区域的像素在该Q(i,j,b)＝1，则于是Q(i,j,b)＝0每个像素的分布特征为：Q(Iq,b)＝Q(i,j,b)；可以知道Q(Iq,b)是一个仅含一个非零项的单位向量。位置敏感直方图(LSH)用公式表示为：
其中，α为当像素远离目标中心时控制减小权重的参数。
所述位置敏感直方图将距离纳入考量，在积分直方图基础上引入距离权重系数，使背景因素干扰减小，更好地分析目标的外观特征。上述积分是已当前像素位置作为上限的，因此只是像素左侧像素集合的积分直方图，考虑目标域的完整性需要整合右侧的积分直方图。假设光照变化满足仿射性，即：
I′p＝Ap(Ip)＝a1,pIp+a2,p
其中，Ip是位置p之前像素，I′p位置p是变化后的像素。仿射变换定义为Ap和定义为Sp以位置p为中心的窗口，bp为位置p的bin值。图像直方图中对区间[bp-rp,bp+rp]求和，rp决定着积分区间。在光照变化过程中，rp尺度也会线性变化即：
rp′＝a1,prp
rp变化后，在新的积分区间内，忽略量化误差，像素的响应值会保持不变，但是估计仿射变换即求出像素p处的仿射变换Ap的两个参数a1,p和a2,p比较困难，因此提出另一种rp表示方式：
最终得到位置敏感直方图特征生成不变响应为：
步骤S103：利用预选的遥感图像变化检测算法对所述光照特征图进行变化检测，得到所述原始遥感图像的变化检测结果图。
在本实施例中，可以利用迭代加权的多元变化检测算法对所述光照特征图进行变化检测，得到所述原始遥感图像的变化检测结果图。在本发明其他实施例中，还可以采用其他变化检测算法对所述光照特征图进行变化检测。
迭代加权多元变化检测(IR-MAD)中的想法仅仅是在迭代方案中，对于随时间变化很小的观察结果赋予高权重。这是通过基于每次迭代中的平方，标准化MAD变量之和计算无变化的度量来完成的。然后将该度量用作加权函数，用于计算用于在下一次迭代中计算MAD变换的统计量。使用这种方案的想法是建立一个越来越好的无变化背景来检测变化。假设X和Y分别是两个遥感影像，各自有p个波段，则变化向量可以表示为：D＝aTX+bTY；其中，a和b分别表示X和Y的投影向量。我们的目标是令变化向量的方差最大即得到：
argmaxa,bVar(aTX+bTY)
其中存在约束条件：Var(aTX)＝1，Var(bTX)＝1，因此目标函数又可以表示为：
Var(aTX+bTY)＝2(1-Corr(aTX+bTY))
因此特征值方差最大就相当于aTX和bTX之间的特征典型相关性最小。我们用ρ来表示两个特征的相关性。为了不失一般性，对原始的数据进行中心化，使得数据的均值为0，从而可以得到：
对遥感影像的每个像素赋权初始值为1，每一次迭代过程中给两个影像赋予新的权值，权值的区间为[0，1]，通过计算未发生变化的像素具有较大的权重，最终得到的权重是各个像素是否发生变化的唯一依据。经过若干次迭代之后，每个像素的权重会区域稳定，此时每个像素点的权值和阈值进行比较，判定每个像素点是属于变化还是未变化像元。迭代过程中的加权方法：MAD特征满足高斯分布的性质，所以我们可以计算差值影像的卡方距离，它满足自由度为n的卡方分布：
其中，p为影像的波段数目，σk为第k波段的方差。在迭代赋权过程中，我们为所有像素分配相同的权重。一个自然的选择是在下一次迭代中对像素进行加权，这是一种无变化的度量，X2即卡方分布Tij中找到更大值的概率。这个权重进入平均值的计算，方差和协方差的平均值为：
而XK与Xl的协和差为：
上述加权方案映射应用于[0，1]的权重并避免非常高的权重。与增强方法不同，在该方案中不使用来自早期迭代的权重，仅使用来自最终迭代的权重。
本实施例所提供的基于光照不变性特征提取的遥感图像变化检测方法，利用生成器与鉴别器的生成对抗网络对原始遥感图像进行超分辨率处理，以解决遥感图像分辨率较差的问题，与其他的超分辨率算法相比，能更好地提高真实感，如图2所示。为了能更好地提高语义分割的准确性，对所述高分辨率遥感图像使用位置敏感直方图进行光照不变性特征提取，对每个像素进行LSH特征的放射变换，产生不变的响应。相比于传统响应方法，避免光照变化要具有一致性来进行仿射变换，考量的是全体像素而不仅是窗口。利用迭代加权的多元变化检测使用在预处理后的所述光照特征图上，所述迭代加权的多元变化检测具有更高的准确性、误差更小，相比传统的算法，计算的网络更加精细。本实施例所提供的方法，克服了组图进行变化检测中光照差异大以及品质不高的问题，从而在预处理的基础上实现对特征组图变化误差较小的检测。
基于上述实施例，在本实施例中，利用超分辨变率对抗生成网络对待检测的原始遥感图像进行图像超分辨率，得到高分辨率遥感图像，同时利用迭代加权的多元变化检测算法对预处理后的遥感图像进行变化检测，得到所述原始遥感图像的变化检测结果图。
请参考图3，图3为本发明所提供的基于光照不变性特征提取的遥感图像变化检测方法的第二种具体实施例的流程图；具体操作步骤如下：
步骤S301：利用超分辨变率对抗生成网络对待检测的原始遥感图像进行图像超分辨率，得到高分辨率遥感图像；
步骤S302：利用位置直方图算法提取所述高分辨率遥感图像中每个像素的LSH特征；
步骤S303：根据所述高分辨率遥感图像中每个像素的LSH特征，提取所述高分辨率遥感图像的光照不变性特征，得到所述高分辨率遥感图像的光照特征图；
步骤S304：利用迭代加权的多元变化检测算法将所述光照特征图中的每个像素权重初始值赋为1；
步骤S305：迭代执行对所述光照特征图中任意两个像素赋予新的权值后，确定所述光照特征图中的权值的步骤，直至迭代次数等于预设次数阈值；
步骤S306：分别将所述光照特征图中每个像素的当前权值与所述预设权值阈值进行比较，查找所述光照特征图中属于变化元的目标像素点；
步骤S307：根据所述属于变化元的目标像素点确定所述原始遥感图像内的变化区域，得到所述原始遥感图像的变化检测结果图。
在本实施例中，利用所述SRGAN算法对所述原始遥感图像进行图像超分辨率后，利用所述基于位置敏感直方图的光照不变性特征提取算法对所述高分辨率遥感图像进行光照不变性特征提取，得到所述高分辨率遥感图像的光照特征图；最后使用所述IR-MAD算法对所述光照特征图进行变化检测，得到所述原始遥感图像的变化区域结果图。本实施例所提供的方法，解决了由于光照差异导致的现有技术中变化检测算法检测结果准确率低的问题，提高了遥感图像变化检测结果的准确性。
请参考图4，图4为本发明实施例提供的一种基于光照不变性特征提取的遥感图像变化检测装置的结构框图；具体装置可以包括：
超分辨率模块100，用于利用预选的基于深度学习的图像超分辨算法对待检测的原始遥感图像进行图像超分辨率，得到高分辨率遥感图像；
光照不变性特征提取模块200，用于利用基于位置敏感直方图的光照不变性特征提取算法对所述高分辨率遥感图像进行光照不变性特征提取，得到所述高分辨率遥感图像的光照特征图；
变化检测模块300，用于利用预选的遥感图像变化检测算法对所述光照特征图进行变化检测，得到所述原始遥感图像的变化检测结果图。
本实施例的基于光照不变性特征提取的遥感图像变化检测装置用于实现前述的基于光照不变性特征提取的遥感图像变化检测方法，因此基于光照不变性特征提取的遥感图像变化检测装置中的具体实施方式可见前文中的基于光照不变性特征提取的遥感图像变化检测方法的实施例部分，例如，超分辨率模块100，光照不变性特征提取模块200，变化检测模块300，分别用于实现上述基于光照不变性特征提取的遥感图像变化检测方法中步骤S101，S102和S103，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再赘述。
本发明具体实施例还提供了一种基于光照不变性特征提取的遥感图像变化检测设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现上述一种基于光照不变性特征提取的遥感图像变化检测方法的步骤。
本发明具体实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述一种基于光照不变性特征提取的遥感图像变化检测方法的步骤。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的基于光照不变性特征提取的遥感图像变化检测方法、装置、设备以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种基于光照不变性特征提取的遥感图像变化检测方法，其特征在于，包括：
利用预选的基于深度学习的图像超分辨算法对待检测的原始遥感图像进行图像超分辨率，得到高分辨率遥感图像；
利用基于位置敏感直方图的光照不变性特征提取算法对所述高分辨率遥感图像进行光照不变性特征提取，得到所述高分辨率遥感图像的光照特征图；
利用预选的遥感图像变化检测算法对所述光照特征图进行变化检测，得到所述原始遥感图像的变化检测结果图。
2.如权利要求1所述的方法，其特征在于，所述利用基于位置敏感直方图的光照不变性特征提取算法对所述高分辨率遥感图像进行光照不变性特征提取，得到所述高分辨率遥感图像的光照特征图包括：
利用位置直方图算法提取所述高分辨率遥感图像中每个像素的LSH特征；
根据所述高分辨率遥感图像中每个像素的LSH特征，提取所述高分辨率遥感图像的光照不变性特征，得到所述高分辨率遥感图像的光照特征图。
3.如权利要求1所述的方法，其特征在于，所述利用预选的基于深度学习的图像超分辨算法对待检测的原始遥感图像进行图像超分辨率，得到高分辨率遥感图像包括：
利用超分辨变率对抗生成网络对待检测的原始遥感图像进行图像超分辨率，得到高分辨率遥感图像。
4.如权利要求3所述的方法，其特征在于，所述利用预选的遥感图像变化检测算法对所述光照特征图进行变化检测，得到所述原始遥感图像的变化检测结果图包括：
利用迭代加权的多元变化检测算法对所述光照特征图进行变化检测，得到所述原始遥感图像的变化检测结果图。
5.如权利要求4所述的方法，其特征在于，所述利用迭代加权的多元变化检测算法对所述光照特征图进行变化检测，得到所述原始遥感图像的变化检测结果图包括：
利用迭代加权的多元变化检测算法将所述光照特征图中的每个像素权重初始值赋为1；
迭代执行对所述光照特征图中任意两个像素赋予新的权值后，确定所述光照特征图中的权值的步骤，直至迭代次数等于预设次数阈值；
分别将所述光照特征图中每个像素的当前权值与所述预设权值阈值进行比较，查找所述光照特征图中属于变化元的目标像素点；
根据所述属于变化元的目标像素点确定所述原始遥感图像内的变化区域，得到所述原始遥感图像的变化检测结果图。
6.一种基于光照不变性特征提取的遥感图像变化检测装置，其特征在于，包括：
超分辨率模块，用于利用预选的基于深度学习的图像超分辨算法对待检测的原始遥感图像进行图像超分辨率，得到高分辨率遥感图像；
光照不变性特征提取模块，用于利用基于位置敏感直方图的光照不变性特征提取算法对所述高分辨率遥感图像进行光照不变性特征提取，得到所述高分辨率遥感图像的光照特征图；
变化检测模块，用于利用预选的遥感图像变化检测算法对所述光照特征图进行变化检测，得到所述原始遥感图像的变化检测结果图。
7.如权利要求6所述的装置，其特征在于，所述光照不变性特征提取模块包括：
第一提取单元，用于利用位置直方图算法提取所述高分辨率遥感图像中每个像素的LSH特征；
第二提取单元，用于根据所述高分辨率遥感图像中每个像素的LSH特征，提取所述高分辨率遥感图像的光照不变性特征，得到所述高分辨率遥感图像的光照特征图。
8.如权利要求6所述的装置，其特征在于，所述超分辨率模块具体用于：
利用超分辨变率对抗生成网络对待检测的原始遥感图像进行图像超分辨率，得到高分辨率遥感图像。
9.一种基于光照不变性特征提取的遥感图像变化检测设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至5任一项所述一种基于光照不变性特征提取的遥感图像变化检测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述一种基于光照不变性特征提取的遥感图像变化检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910655019.2A CN110363792A (zh) | 2019-07-19 | 2019-07-19 | 一种基于光照不变性特征提取的遥感图像变化检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910655019.2A CN110363792A (zh) | 2019-07-19 | 2019-07-19 | 一种基于光照不变性特征提取的遥感图像变化检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110363792A true CN110363792A (zh) | 2019-10-22 |
Family
ID=68220390
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910655019.2A Pending CN110363792A (zh) | 2019-07-19 | 2019-07-19 | 一种基于光照不变性特征提取的遥感图像变化检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110363792A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111340792A (zh) * | 2020-03-05 | 2020-06-26 | 宁波市测绘设计研究院 | 一种遥感影像变化检测方法 |
| CN111476095A (zh) * | 2020-03-05 | 2020-07-31 | 平安科技（深圳）有限公司 | 一种表情属性识别方法、装置、计算机设备及存储介质 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104933542A (zh) * | 2015-06-12 | 2015-09-23 | 临沂大学 | 一种基于计算机视觉的物流仓储监控方法 |
| CN105069811A (zh) * | 2015-09-08 | 2015-11-18 | 中国人民解放军重庆通信学院 | 一种多时相遥感图像变化检测方法 |
| CN107154023A (zh) * | 2017-05-17 | 2017-09-12 | 电子科技大学 | 基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法 |
| CN107507134A (zh) * | 2017-09-21 | 2017-12-22 | 大连理工大学 | 基于卷积神经网络的超分辨率方法 |
| CN107545270A (zh) * | 2017-09-20 | 2018-01-05 | 中国科学院微电子研究所 | 一种目标检测方法及系统 |
| CN108830814A (zh) * | 2018-06-15 | 2018-11-16 | 武汉大学 | 一种遥感影像的相对辐射校正方法 |
| CN109271883A (zh) * | 2018-08-28 | 2019-01-25 | 武汉科技大学 | 一种融合学习机制的目标跟踪方法 |
| CN109461120A (zh) * | 2018-09-19 | 2019-03-12 | 华中科技大学 | 一种基于srgan的微波遥感亮温图像重构方法 |
| CN109859107A (zh) * | 2019-02-12 | 2019-06-07 | 广东工业大学 | 遥感图像超分辨率方法、装置、设备及可读存储介质 |
| CN109871902A (zh) * | 2019-03-08 | 2019-06-11 | 哈尔滨工程大学 | 一种基于超分辨率对抗生成级联网络的sar小样本识别方法 |
| CN109949219A (zh) * | 2019-01-12 | 2019-06-28 | 深圳先进技术研究院 | 一种超分辨率图像的重构方法、装置及设备 |
| CN109978762A (zh) * | 2019-02-27 | 2019-07-05 | 南京信息工程大学 | 一种基于条件生成对抗网络的超分辨率重建方法 |
-
2019
- 2019-07-19 CN CN201910655019.2A patent/CN110363792A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104933542A (zh) * | 2015-06-12 | 2015-09-23 | 临沂大学 | 一种基于计算机视觉的物流仓储监控方法 |
| CN105069811A (zh) * | 2015-09-08 | 2015-11-18 | 中国人民解放军重庆通信学院 | 一种多时相遥感图像变化检测方法 |
| CN107154023A (zh) * | 2017-05-17 | 2017-09-12 | 电子科技大学 | 基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法 |
| CN107545270A (zh) * | 2017-09-20 | 2018-01-05 | 中国科学院微电子研究所 | 一种目标检测方法及系统 |
| CN107507134A (zh) * | 2017-09-21 | 2017-12-22 | 大连理工大学 | 基于卷积神经网络的超分辨率方法 |
| CN108830814A (zh) * | 2018-06-15 | 2018-11-16 | 武汉大学 | 一种遥感影像的相对辐射校正方法 |
| CN109271883A (zh) * | 2018-08-28 | 2019-01-25 | 武汉科技大学 | 一种融合学习机制的目标跟踪方法 |
| CN109461120A (zh) * | 2018-09-19 | 2019-03-12 | 华中科技大学 | 一种基于srgan的微波遥感亮温图像重构方法 |
| CN109949219A (zh) * | 2019-01-12 | 2019-06-28 | 深圳先进技术研究院 | 一种超分辨率图像的重构方法、装置及设备 |
| CN109859107A (zh) * | 2019-02-12 | 2019-06-07 | 广东工业大学 | 遥感图像超分辨率方法、装置、设备及可读存储介质 |
| CN109978762A (zh) * | 2019-02-27 | 2019-07-05 | 南京信息工程大学 | 一种基于条件生成对抗网络的超分辨率重建方法 |
| CN109871902A (zh) * | 2019-03-08 | 2019-06-11 | 哈尔滨工程大学 | 一种基于超分辨率对抗生成级联网络的sar小样本识别方法 |
Non-Patent Citations (9)
| Title |
|---|
| 娄玉强，等: "基于EdgeBoxes与旋转不变特征的车辆检测", 《信息技术与网络安全》 * |
| 娄玉强;蒋华涛;常琳;李庆;陈大鹏: "基于EdgeBoxes与旋转不变特征的车辆检测" * |
| 曹洁，等: "融合LSH和LoG特征的人脸识别", 《计算机工程与应用》 * |
| 曹洁;朱晶晶;李伟;王进花: "融合LSH和LoG特征的人脸识别" * |
| 李伟: "面向对象的遥感变化检测研究", 《北京测绘》 * |
| 秦慧杰等: "集成不变特征和纹理特征的遥感影像变化检测方法研究", 《现代测绘》 * |
| 葛骁倩，等: "基于局部敏感直方图的时空上下文跟踪", 《传感器与微系统》 * |
| 葛骁倩;陈秀宏;傅俊鹏: "基于局部敏感直方图的时空上下文跟踪" * |
| 董志鹏等: "利用对象光谱与纹理实现高分辨率遥感影像云检测方法", 《测绘学报》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111340792A (zh) * | 2020-03-05 | 2020-06-26 | 宁波市测绘设计研究院 | 一种遥感影像变化检测方法 |
| CN111476095A (zh) * | 2020-03-05 | 2020-07-31 | 平安科技（深圳）有限公司 | 一种表情属性识别方法、装置、计算机设备及存储介质 |
| CN111340792B (zh) * | 2020-03-05 | 2022-04-12 | 宁波市测绘和遥感技术研究院 | 一种遥感影像变化检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Salient object detection based on multi-scale contrast | |
| CN111797716A (zh) | 一种基于Siamese网络的单目标跟踪方法 | |
| CN107564022B (zh) | 基于贝叶斯融合的视频显著性检测方法 | |
| CN107204025B (zh) | 基于视觉感知的自适应服装动画建模方法 | |
| CN106886995A (zh) | 多线性示例回归器聚合的图像显著对象分割方法 | |
| Sun et al. | Receptive-field and direction induced attention network for infrared dim small target detection with a large-scale dataset IRDST | |
| CN106991686B (zh) | 一种基于超像素光流场的水平集轮廓跟踪方法 | |
| CN113963445B (zh) | 一种基于姿态估计的行人摔倒动作识别方法及设备 | |
| CN105160310A (zh) | 基于3d卷积神经网络的人体行为识别方法 | |
| CN108416266A (zh) | 一种利用光流提取运动目标的视频行为快速识别方法 | |
| CN106778687A (zh) | 基于局部评估和全局优化的注视点检测方法 | |
| CN107633226A (zh) | 一种人体动作跟踪识别方法及系统 | |
| CN109919053A (zh) | 一种基于监控视频的深度学习车辆停车检测方法 | |
| CN113160392B (zh) | 基于深度神经网络的光学建筑目标三维重建方法 | |
| CN112101344B (zh) | 一种视频文本跟踪方法及装置 | |
| CN111507416B (zh) | 一种基于深度学习的吸烟行为实时检测方法 | |
| Liu et al. | Image edge recognition of virtual reality scene based on multi-operator dynamic weight detection | |
| CN110363792A (zh) | 一种基于光照不变性特征提取的遥感图像变化检测方法 | |
| Zhang et al. | Crowd counting based on attention-guided multi-scale fusion networks | |
| CN111967399A (zh) | 一种基于改进的Faster RCNN行为识别方法 | |
| Wang et al. | Not just select samples, but exploration: Genetic programming aided remote sensing target detection under deep learning | |
| Lee et al. | An edge detection–based eGAN model for connectivity in ambient intelligence environments | |
| Beaini et al. | Deep green function convolution for improving saliency in convolutional neural networks | |
| CN116824485A (zh) | 一种基于深度学习的开放场景伪装人员小目标检测方法 | |
| CN113627342B (zh) | 视频深度特征提取优化的方法、系统、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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191022 |
|
| RJ01 | Rejection of invention patent application after publication |