CN110414566B - 一种基于时间序列PolSAR影像的土地覆盖类型变化检测方法 - Google Patents

一种基于时间序列PolSAR影像的土地覆盖类型变化检测方法 Download PDF

Info

Publication number
CN110414566B
CN110414566B CN201910583151.7A CN201910583151A CN110414566B CN 110414566 B CN110414566 B CN 110414566B CN 201910583151 A CN201910583151 A CN 201910583151A CN 110414566 B CN110414566 B CN 110414566B
Authority
CN
China
Prior art keywords
image
polsar
time sequence
images
time
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
CN201910583151.7A
Other languages
English (en)
Other versions
CN110414566A (zh
Inventor
杨杰
刘文宋
李平湘
赵金奇
时洪涛
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN201910583151.7A priority Critical patent/CN110414566B/zh
Publication of CN110414566A publication Critical patent/CN110414566A/zh
Application granted granted Critical
Publication of CN110414566B publication Critical patent/CN110414566B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于时间序列PolSAR影像的土地覆盖类型变化检测方法，目的在于解决现阶段变化检测方法存在难以充分利用时间序列影像间的时间维度信息，且通常需要每一影像大量、高质量训练样本等问题。本发明利用Omnibus假设检验似然比算法充分挖掘历史累计的时间序列PolSAR影像的时间维度信息，并结合已标注的类别标签、分类专题图等丰富的先验知识，利用主动学习、关联知识迁移学习等机器学习算法实现每一景影像的类别标签自动标注，获取可靠训练样本，进而实现土地覆盖类别动态变化信息高精度提取。

Description

一种基于时间序列PolSAR影像的土地覆盖类型变化检测方法
技术领域
本发明属于极化合成孔径雷达影像解译领域，是一种利用时间序列极化SAR(Polarimetric Synthetic Aperture Radar，PolSAR)影像进行土地覆盖类型动态变化的新方法。
背景技术
随着全球经济持续快速发展以及人类对自然环境的改造，地表土地覆盖类型频繁地发生变化。其中，基于遥感影像的土地覆盖变化检测是研究区域乃至全球土地覆盖类型变化的一种重要手段。由于光学遥感影像具有覆盖范围广、重访周期短、影像易获取等优势，因此，基于遥感影像土地覆盖变化检测方法已广泛应用于各个领域。然而，光学遥感传感器易受天气、光照等因素影响，极大限制了其在某些特殊行业的具体应用。合成孔径雷达(Synthetic Aperture Radar，SAR)采用主动微波成像模式，不受昼夜、云雨等条件限制，具备全天时、全天候成像能力，可以有效地降低光学传感器受天气等因素的影响。现阶段大多数研究是依靠不同地物对应SAR影像强度信息的差异，识别不同土地覆盖类别并进行土地覆盖类型变化分析，但解译结果精度不高。PolSAR系统通过收发不同方向的电磁波，可以获取地物更为丰富的后向散射信息和极化信息，对地表土地覆盖类型变化具有较高敏感性。同时，随着极化SAR遥感技术发展，获取PolSAR影像的数量进入爆炸式增长阶段，为基于时间序列PolSAR影像的土地覆盖类型动态变化的研究提供了数据支持。
现阶段，利用PolSAR影像识别土地覆盖类型动态变化方法主要包括：分类后比较变化检测方法、直接多时相分类变化检测方法以及联合分类比较变化检测方法。其中，分类后比较变化检测为土地覆盖类型动态变化最常用的方法，但该方法没有顾及不同时相PolSAR影像间的时间维度信息，同时由于不同时相间分类误差的累积，导致最终类别变化的总体检测精度不高。虽然直接多时相分类变化检测方法、联合分类比较变化检测方法顾及了PolSAR影像时间维度信息，提高了检测精度，但需要多时相内每一影像足够多的训练样本。然而，获取每一时相足够多的训练样本通常费时、费力。且目前基于时间序列PolSAR影像的监督变化检测方法大多是将时间序列影像分解为若干对双时相影像，然后进行逐一比较，忽略了时间序列影像间的时间维度信息，易产生检测结果虚警率较高，总体检测精度不佳的问题。同时，针对时间序列PolSAR影像的变化检测方法主要针对某一种地物的变化趋势进行分析，缺少对变化区域识别及变化类型随时间变化的分析。
发明内容
本发明的目的在于，解决现阶段基于时间序列PolSAR影像的土地覆盖监督变化检测方法存在难以充分利用时间序列影像间的时间维度信息，且通常需要每一影像大量、高质量训练样本等问题。该发明利用Omnibus假设检验似然比算法充分挖掘历史累计的时间序列PolSAR影像的时间维度信息，并结合已标注的类别标签、分类专题图等丰富的先验知识，利用主动学习、关联知识迁移学习等机器学习算法实现每一景影像的类别标签自动标注，获取可靠训练样本，进而实现土地覆盖类别动态变化信息高精度提取。
本发明所采用的技术方案是：一种基于时间序列PolSAR影像的土地覆盖类型变化检测方法，包括以下步骤：
步骤1，时间序列PolSAR影像预处理；
步骤2，利用基于主动学习的面向对象监督分类方法对源域影像进行分类；
步骤3，对预处理后的时间序列PolSAR影像利用Omnibus假设检验似然比算法生成时间序列总体差异影像；然后，利用GSRM算法对生成的时间序列差异影像进行分割，保证差异影像中“疑似”变化区域的同质性；随后，利用GGMM拟合分割后的时间序列差异影像的概率密度函数；最后，获取时间序列影像的变化类与非变化类；
步骤4，利用样本迁移算法对时间序列PolSAR影像的目标域进行类别标签迁移，并利用随机森林方法对目标域影像进行分类；
步骤5，逐像素比较时间序列PolSAR影像的分类结果，并获取土地覆盖类型动态变化信息。
进一步的，所述步骤1的时间序列PolSAR影像预处理过程包括对时间序列PolSAR影像进行辐射校正、相干斑滤波、几何校正以及影像配准处理。
进一步的，所述步骤2利用基于主动学习的面向对象监督分类方法对源域影像进行分类的具体过程如下：
首先，利用GSRM分割算法对源域的PolSAR影像T3矩阵进行分割；然后，利用不同的极化特征提取算法对PolSAR影像进行特征提取，并筛选出最有利于分类的若干个特征；随后，利用主动学习算法的不同样本选择策略获取可靠的训练样本；最后，利用随机森林分类器鉴别PolSAR影像不同地表覆盖类型。
进一步的，利用不同的极化特征提取算法对PolSAR影像进行特征提取，其中提取的特征如下：
Figure GDA0002189186190000031
Figure GDA0002189186190000041
进一步的，利用随机森林和线性鉴别拉普拉斯算法对提取的特征重要性进行评价，从而筛选出最有利于分类的20个特征。
进一步的，所述步骤3利用Omnibus假设检验似然比算法获取时间序列PolSAR影像总体变化检测结果，其具体过程如下：
PolSAR影像的极化协方差矩阵C3服从复Wishart分布，即：
Figure GDA0002189186190000042
Figure GDA0002189186190000043
|·|代表矩阵的行列式，Tr(·)表示矩阵的迹，Γ(·)表示伽马函数，n为PolSAR影像的视数，p为PolSAR影像的维数；
假设时间序列(t1<t2…<tk)PolSAR影像之间的多变量参数
Figure GDA0002189186190000044
Figure GDA0002189186190000045
是相互独立的，且均服从复Wishart分布：
Figure GDA0002189186190000046
Figure GDA0002189186190000047
…
Figure GDA0002189186190000048
根据Omnibus假设检验的相关理论，H0假设可以描述为:
Figure GDA0002189186190000049
Figure GDA00021891861900000410
表明时间序列PolSAR影像在整个时间序列[t1,tk]内未发生变化；相反地，若当H1假设成立时，即满足
Figure GDA00021891861900000411
Figure GDA00021891861900000412
时，时间序列PolSAR影像在[t1,tk]时刻间内至少有一个时间间隔发生变化；
假设基于最大似然估计(MLE)的Omnibus假设检验的联合密度函数为
Figure GDA0002189186190000051
其中，θ代表概率密度函数的相关参数，则Omnibus假设检验似然比可以描述为：
Figure GDA0002189186190000052
其中，
Figure GDA0002189186190000053
Figure GDA0002189186190000054
如果时间序列PolSAR影像的视数n1＝n2＝…＝nk＝n，则Omnibus假设检验似然比可以简化为：
Figure GDA0002189186190000055
其中，
Figure GDA0002189186190000056
Xi＝n＜C＞i，将上式进行对数运算可得：
Figure GDA0002189186190000057
一般地，用-lnQ表征时间序列PolSAR影像的总体相似性程度，它的取值范围为[0,+∞)；当-lnQ值越接近0时，表明时间序列影像总体变化的可能性越小；相反，当-lnQ值越大，表明变化的可能性越大。
进一步的，所述步骤4的具体实现过程如下：
对时间序列PolSAR影像进行类别标签迁移学习，即对整个时间序列PolSAR影像一直未发生变化的区域赋予对应源域影像相同位置所属的类别，对变化的区域，根据赋予的训练样本信息，利用随机森林的方法对目标域进行分类，获取时间序列内每一景影像的分类结果。
与现有技术相比，本发明的优点和有益效果：本发明仅需要时间序列任意一景影像的少量训练样本，可以减少标记样本的成本，提高时间序列变化检测的效率。
附图说明
图1是本发明实施例的流程图。
具体实施方式
以下结合附图和实施例详细说明本发明技术方案。
本发明技术方案可采用计算机技术实现自动运行，如图1所示，本发明实施例的流程包括以下几个步骤：
步骤1：时间序列PolSAR影像预处理。
在进行土地覆盖监督变化检测之前，本发明需要对时间序列PolSAR影像预处理，利用PolSARpro软件以及NEST软件对时间序列PolSAR影像进行辐射校正和几何校正；选择7×7 Lee Sigma滤波器抑制相干斑噪声对变化检测结果的影响；利用ENVI软件对时间序列PolSAR影像进行配准。
步骤2：利用基于主动学习的面向对象监督分类方法对基准影像进行分类。
首先，利用GSRM分割算法对PolSAR影像的T3矩阵进行分割减少相干斑噪声对分类结果的影响；然后，对PolSAR影像进行极化特征提取并进行特征选择，在此基础上筛选出最有利于分类的前20个特征(本实施例选取的前20个特征为：TSVM_tau_m1；Alpha；An_Yang4_Vol；TSVM_alpha_s1；Yamaguchi4_Hlx；Yamaguchi4_Vol；Yamaguchi4_Dbl；An_Yang4_Odd；H；VanZyl3_Odd；VanZyl3_Dbl；TSVM_alpha_s1；T12_real；Freeman_Vol；TSVM_phi_s2；A；Yamaguchi4_Odd；Freeman_Dbl；An_Yang4_Dbl；TSVM_psi2)；随后，利用主动学习算法的不同样本选择策略获取可靠的训练样本；最后，利用随机森林分类器鉴别PolSAR影像不同地表覆盖类型。本实施例中提取的极化分解参数如下表所示，共63维。
表1极化散射特征集
Figure GDA0002189186190000061
Figure GDA0002189186190000071
步骤3：首先，对预处理后的时间序列PolSAR影像利用Omnibus假设检验似然比算法生成时间序列总体差异影像；然后，利用GSRM算法[1]对生成的时间序列差异影像进行分割，保证差异影像中“疑似”变化区域的同质性；随后，利用改进的高斯混合模型(GGMM)[2]拟合分割后的时间序列差异影像的概率密度函数；最后，获取时间序列影像的变化类与非变化类。
[1]Fengkai Lang,J.Y.,Deren Li,Lingli Zhao,and Lei Shi,2014.Polarimetric SAR Image Segmentation Using Statistical RegionMerging.IEEE Geoscience and Remote Sensing Letters.
[2]Liu,W.,J.Yang,J.Zhao and L.Yang,2017.A Novel Method ofUnsupervised Change Detection Using Multi-Temporal PolSAR Images.RemoteSensing,9(12):1135.
步骤3中利用Omnibus假设检验似然比算法获取整个时间序列PolSAR影像总体变化检测结果，其具体实现方式如下：
PolSAR影像的极化协方差矩阵C3服从复Wishart分布，即:
Figure GDA0002189186190000081
Figure GDA0002189186190000082
|·|代表矩阵的行列式，Tr(·)表示矩阵的迹，Γ(·)表示伽马函数，n为PolSAR影像的视数，p为PolSAR影像的维数，一般取值为3。
本实施例中假设时间序列(t1<t2…<tk)PolSAR影像之间的多变量参数
Figure GDA0002189186190000083
Figure GDA0002189186190000084
是相互独立的，且均服从复Wishart分布:
Figure GDA0002189186190000085
Figure GDA0002189186190000086
…
Figure GDA0002189186190000087
根据Omnibus假设检验的相关理论，H0假设可以描述为:
Figure GDA0002189186190000088
Figure GDA0002189186190000089
表明时间序列PolSAR影像在整个时间序列[t1,tk]内未发生变化。相反地，若当H1假设成立时，即满足
Figure GDA00021891861900000810
Figure GDA00021891861900000811
时，时间序列PolSAR影像在[t1,tk]时刻间内至少有一个时间间隔发生变化。
假设基于最大似然估计(MLE)的Omnibus假设检验的联合密度函数为
Figure GDA0002189186190000091
其中，θ代表概率密度函数的相关参数，则Omnibus假设检验似然比可以描述为：
Figure GDA0002189186190000092
其中，
Figure GDA0002189186190000093
Figure GDA0002189186190000094
如果时间序列PolSAR影像的视数n1＝n2＝…＝nk＝n，则Omnibus假设检验似然比可以简化为：
Figure GDA0002189186190000095
其中，
Figure GDA0002189186190000096
Xi＝n＜C＞i，将上式进行对数运算可得：
Figure GDA0002189186190000097
一般地，用-lnQ表征时间序列PolSAR影像的总体相似性程度，它的取值范围为[0,+∞)。当-lnQ值越接近0时，表明时间序列影像总体变化的可能性越小；相反，当-lnQ值越大，表明变化的可能性越大。
步骤4：利用样本迁移算法对时间序列PolSAR影像进行类别标签迁移。
通过类别标签迁移学习算法，对时间序列PolSAR影像一直未发生变化的目标域位置赋予对应源域影像相同位置所属的类别，对变化的区域利用随机森林的方法进行分类，获取时间序列内每一景影像的分类结果。
步骤5，逐像素比较多时相PolSAR影像的分类结果，并获取多时相内任意时间间隔的类别变化信息，实现土地覆盖类型动态变化检测。
为了定量比较本发明方法和其他监督变化检测方法的具体表现，选取武汉东湖风景区两景不同时相(2011年和2015年)Radarsat-2影像进行实验。为了定量分析不同变化检测方法的表现，下表列举了顾及时间信息的不同监督变化检测方法获得的检测精度。
表2顾及时间信息的不同监督变化检测方法获得的检测精度
Figure GDA0002189186190000101
通过上表可以发现：相对于其他监督变化检测方法，本发明方法提高了监督变化检测的精度。这是由于本发明方法通过主动学习样本选择算法选择少量最具信息量的训练样本，提高了基准影像监督分类的精度；同时利用非监督变化检测方法的约束，通过关联知识迁移算法将源域未变化地物的类别迁移学习到目标域上，避免了不同时相的相同地物被分为不同地物，提高了监督变化检测的精度与效率。

Claims (5)

1.一种基于时间序列PolSAR影像的土地覆盖类型变化检测方法，其特征在于，包括以下步骤：
步骤1，时间序列PolSAR影像预处理；
步骤2，利用基于主动学习的面向对象监督分类方法对源域影像进行分类；
步骤3，对预处理后的时间序列PolSAR影像利用Omnibus假设检验似然比算法生成时间序列总体差异影像；然后，利用GSRM算法对生成的时间序列差异影像进行分割，保证差异影像中“疑似”变化区域的同质性；随后，利用GGMM拟合分割后的时间序列差异影像的概率密度函数；最后，获取时间序列影像的变化类与非变化类；
利用GSRM算法对生成的时间序列差异影像进行分割的具体流程为，首先，针对生成的时间序列差异影像通过计算4-邻域 像素对的期望值并估计相邻像素对之间的梯度；然后，根据4-邻域 梯度的大小进行排序；随后，根据合并准则进行区域合并；最后，获取差异影像的分割结果；
利用GGMM拟合分割后的时间序列差异影像的概率密度函数，具体流程为，假设分割后差异影像的概率密度函数是由多个高斯密度函数构成的混合体，利用一个加权的混合概率密度函数表示，其权值为每类像素在整体像素集中所占的比例，具体的概率密度函数表示为：
Figure FDA0002706303640000011
式中，x表示经过分割后的差异影像，L表示混合高斯概率密度函数的个数；αb代表第b个高斯密度函数的权重，各个权重之和等于1；fb(x；Θb)表示第b个高斯密度函数，Θb为第b个高斯密度函数所包含的对应的两个未知数，即第b个高斯密度函数均值μb和标准差σb；其中，第b个高斯密度函数模型的表达式为：
Figure FDA0002706303640000012
其中，μb为均值，σb为标准差；
所述步骤3利用Omnibus假设检验似然比算法获取时间序列PolSAR影像总体变化检测结果，其具体过程如下：
PolSAR影像的极化协方差矩阵C3服从复Wishart分布，即：
Figure FDA0002706303640000021
Figure FDA0002706303640000022
|·|代表矩阵的行列式，Tr(·)表示矩阵的迹，Γ(·)表示伽马函数，n为PolSAR影像的视数，p为PolSAR影像的维数；
假设时间序列(t1<t2…<tk)PolSAR影像之间的多变量参数
Figure FDA0002706303640000023
Figure FDA0002706303640000024
是相互独立的，且均服从复Wishart分布：
Figure FDA0002706303640000025
根据Omnibus假设检验的相关理论，H0假设可以描述为:H0:
Figure FDA0002706303640000026
表明时间序列PolSAR影像在整个时间序列[t1,tk]内未发生变化；相反地，若当H1假设成立时，即满足H1:
Figure FDA0002706303640000027
Figure FDA0002706303640000028
时，时间序列PolSAR影像在[t1,tk]时刻间内至少有一个时间间隔发生变化；
假设基于最大似然估计的Omnibus假设检验的联合密度函数为
Figure FDA0002706303640000029
其中，θ代表概率密度函数的相关参数，则Omnibus假设检验似然比可以描述为：
Figure FDA00027063036400000210
其中，
Figure FDA00027063036400000211
Figure FDA0002706303640000031
如果时间序列PolSAR影像的视数n1＝n2＝…＝nk＝n，则Omnibus假设检验似然比可以简化为：
Figure FDA0002706303640000032
其中，
Figure FDA0002706303640000033
Xi＝n<C>i，将上式进行对数运算可得：
Figure FDA0002706303640000034
一般地，用-lnQ表征时间序列PolSAR影像的总体相似性程度，它的取值范围为[0,+∞)；当-lnQ值越接近0时，表明时间序列影像总体变化的可能性越小；相反，当-lnQ值越大，表明变化的可能性越大；
步骤4，通过类别标签迁移学习算法，对时间序列PolSAR影像一直未发生变化的目标域位置赋予对应源域影像相同位置所属的类别，对变化的区域利用随机森林的方法进行分类，获取时间序列内每一景影像的分类结果；
步骤5，逐像素比较步骤4中时间序列PolSAR影像的分类结果，并获取土地覆盖类型动态变化信息。
2.根据权利要求1所述的一种基于时间序列PolSAR影像的土地覆盖类型变化检测方法，其特征在于：所述步骤1的时间序列PolSAR影像预处理过程包括对时间序列PolSAR影像进行辐射校正、相干斑滤波、几何校正以及影像配准处理。
3.根据权利要求1所述的一种基于时间序列PolSAR影像的土地覆盖类型变化检测方法，其特征在于：所述步骤2利用基于主动学习的面向对象监督分类方法对源域影像进行分类的具体过程如下：
首先，利用GSRM分割算法对源域的PolSAR影像T3矩阵进行分割；然后，利用不同的极化特征提取算法对PolSAR影像进行特征提取，并筛选出最有利于分类的若干个特征；随后，利用主动学习算法的不同样本选择策略获取可靠的训练样本；最后，利用随机森林分类器鉴别PolSAR影像不同地表覆盖类型。
4.根据权利要求3所述的一种基于时间序列PolSAR影像的土地覆盖类型变化检测方法，其特征在于：利用不同的极化特征提取算法对PolSAR影像进行特征提取，其中提取的特征如下：
Figure FDA0002706303640000041
Figure FDA0002706303640000051
上述物理含义描述是对极化特征的含义的解释。
5.根据权利要求3所述的一种基于时间序列PolSAR影像的土地覆盖类型变化检测方法，其特征在于：利用随机森林和线性鉴别拉普拉斯算法对提取的特征重要性进行评价，从而筛选出最有利于分类的20个特征。
CN201910583151.7A 2019-07-01 2019-07-01 一种基于时间序列PolSAR影像的土地覆盖类型变化检测方法 Active CN110414566B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910583151.7A CN110414566B (zh) 2019-07-01 2019-07-01 一种基于时间序列PolSAR影像的土地覆盖类型变化检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910583151.7A CN110414566B (zh) 2019-07-01 2019-07-01 一种基于时间序列PolSAR影像的土地覆盖类型变化检测方法

Publications (2)

Publication Number Publication Date
CN110414566A CN110414566A (zh) 2019-11-05
CN110414566B true CN110414566B (zh) 2020-11-17

Family

ID=68358612

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910583151.7A Active CN110414566B (zh) 2019-07-01 2019-07-01 一种基于时间序列PolSAR影像的土地覆盖类型变化检测方法

Country Status (1)

Country Link
CN (1) CN110414566B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111582277A (zh) * 2020-06-15 2020-08-25 深圳天海宸光科技有限公司 一种基于迁移学习的车牌识别系统及方法
CN113222997A (zh) * 2021-03-31 2021-08-06 上海商汤智能科技有限公司 神经网络的生成、图像处理方法、装置、电子设备及介质
CN117392311A (zh) * 2023-09-28 2024-01-12 北京化工大学 毁伤场景sar图像仿真方法及装置
CN117333468B (zh) * 2023-10-17 2024-05-24 南京北斗创新应用科技研究院有限公司 面向多模式时序PolSAR影像的洪涝灾害监测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106846332A (zh) * 2016-12-30 2017-06-13 中国人民解放军61540部队 一种基于dsm的遥感影像变化检测方法及装置
CN107358142A (zh) * 2017-05-15 2017-11-17 西安电子科技大学 基于随机森林构图的极化sar图像半监督分类方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040052412A1 (en) * 2002-05-10 2004-03-18 Large Scale Biology Corporation Satellite image enhancement and feature identification using information theory radial-basis bio-marker filter
JPWO2015041295A1 (ja) * 2013-09-18 2017-03-02 国立大学法人 東京大学 地表種別分類方法および地表種別分類プログラム並びに地表種別分類装置
CN104166128B (zh) * 2014-08-06 2016-11-09 电子科技大学 基于广义似然比的多航过sar相干变化检测方法
CN108351915B (zh) * 2015-08-28 2022-09-09 纽约市哥伦比亚大学信托人 通过调节子富集测定进行的蛋白质活性的虚拟推断
CN108053408B (zh) * 2017-12-05 2020-05-19 中国资源卫星应用中心 一种基于遥感卫星影像的高自动化土地利用更新方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106846332A (zh) * 2016-12-30 2017-06-13 中国人民解放军61540部队 一种基于dsm的遥感影像变化检测方法及装置
CN107358142A (zh) * 2017-05-15 2017-11-17 西安电子科技大学 基于随机森林构图的极化sar图像半监督分类方法

Also Published As

Publication number Publication date
CN110414566A (zh) 2019-11-05

Similar Documents

Publication Publication Date Title
CN110414566B (zh) 一种基于时间序列PolSAR影像的土地覆盖类型变化检测方法
Lang et al. Ship detection in high-resolution SAR images by clustering spatially enhanced pixel descriptor
CN109871875B (zh) 一种基于深度学习的建筑物变化检测方法
CN109829426B (zh) 基于高分遥感影像的铁路建设临时建筑监测方法及系统
Foga et al. Application of satellite remote sensing techniques to quantify terminus and ice mélange behavior at Helheim Glacier, East Greenland
Wang et al. Revisiting SLIC: Fast superpixel segmentation of marine SAR images using density features
CN107292920B (zh) 一种联合分类的多时相全极化sar影像变化检测方法
Harsono et al. Cloud satellite image segmentation using meng hee heng k-means and dbscan clustering
Zhang et al. Evaluation and improvement of generalization performance of SAR ship recognition algorithms
Huang et al. Superpixel-based change detection in high resolution sar images using region covariance features
Xu et al. The comparative study of three methods of remote sensing image change detection
CN114119621A (zh) 基于深度编解码融合网络的sar遥感图像水域分割方法
Buck et al. Enhanced ship detection from overhead imagery
Chaabouni-Chouayakh et al. Coarse-to-fine approach for urban area interpretation using TerraSAR-X data
Khanday et al. Change detection in hyper spectral images
CN112270285A (zh) 一种基于稀疏表示和胶囊网络的sar图像变化检测方法
Moughal et al. An automatic unsupervised method based on context-sensitive spectral angle mapper for change detection of remote sensing images
Che et al. Spatio-temporal urban change mapping with time-series SAR data
Han et al. Innovative solutions based on the EM-algorithm for covariance structure detection and classification in polarimetric SAR images
Seddon et al. Segmentation of clouds using cluster analysis
Li et al. SARDet-100K: Towards Open-Source Benchmark and ToolKit for Large-Scale SAR Object Detection
Fani et al. U-net based water region segmentation for lapan-a2 msi
CN109271939B (zh) 基于单调波方向能量直方图的热红外人体目标识别方法
Marapareddy et al. Runway detection using k-means clustering method using UAVSAR data
Kalpana et al. LULC image classifications using k-means clustering and knn algorithm

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