CN111242050A - 一种面向大尺度复杂场景下遥感影像的自动变化检测方法 - Google Patents

一种面向大尺度复杂场景下遥感影像的自动变化检测方法 Download PDF

Info

Publication number
CN111242050A
CN111242050A CN202010043769.7A CN202010043769A CN111242050A CN 111242050 A CN111242050 A CN 111242050A CN 202010043769 A CN202010043769 A CN 202010043769A CN 111242050 A CN111242050 A CN 111242050A
Authority
CN
China
Prior art keywords
remote sensing
pixels
image
scale complex
difference
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
Application number
CN202010043769.7A
Other languages
English (en)
Inventor
柳思聪
郑永杰
童小华
杜谦
冯毅
谢欢
冯永玖
许雄
王超
金雁敏
刘世杰
陈鹏
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.)
Tongji University
Original Assignee
Tongji 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 Tongji University filed Critical Tongji University
Priority to CN202010043769.7A priority Critical patent/CN111242050A/zh
Publication of CN111242050A publication Critical patent/CN111242050A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]

Landscapes

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

Abstract

本发明涉及一种面向大尺度复杂场景下遥感影像的自动变化检测方法，包括以下步骤：S1：获取前后时相的遥感影像数据对；S2：从遥感影像数据对中提取特征点，并进行影像配准；S3：基于配准后的遥感影像数据对，通过差值法获取差值影像；S4：提取差值影像的显著度，生成变化类伪训练样本和不变化类伪训练样本；S5：将变化类伪训练样本和不变化类伪训练样本输入分类器中，对步骤S3获取的差值影像进行二值分类，获取关于变化和不变化两种类别的二值检测结果。与现有技术相比，本发明可应用于大尺度复杂场景下遥感影像的变化检测，具有检测识别精度高、效率高等优点。

Description

一种面向大尺度复杂场景下遥感影像的自动变化检测方法
技术领域
本发明涉及多时相遥感影像自动检测领域，尤其是涉及一种面向大尺度复杂场景下遥感影像的自动变化检测方法。
背景技术
变化检测是利用不同时期的遥感影像，定量地分析和确定地物变化的特征和过程。近年来，随着陆表的加速变化，准确自动地识别多时相遥感影像中的土地覆盖变化已成为一个日益迫切的任务。在过去的几十年里，各国学者不断地提出许多新颖的变化检测技术，一些较为先进的变化检测技术可以实现遥感影像精细尺度上的稳健检测，并在不同的遥感应用中得到有效利用如农业、林业、城市以及灾害监测等。
但在实际的变化检测应用中，遥感变化检测仍然面临着许多问题和挑战。一项突出的问题是如何在大尺度复杂场景影像上有效使用变化检测技术，实现自动化、高准确性的变化识别。一方面，当前大多数的变化检测技术主要被开发并集中应用于小范围区域的图像对中。影像的覆盖范围相对较小，变化类型相对简单，并且易于通过遵循一定的统计分布(例如，高斯分布)进行建模。一旦所考虑的变化检测问题扩展到大范围，则可能存在更复杂的条件，如更多不确定类型的变化。一些非监督的变化检测算法(例如，期望最大化)可能会由于无法转化为局部最优解而失败。在这种情况下，监督的方法可以提供更好的变化检测解决方案，但是大量训练样本的选择始终是一项耗时的任务。尤其是在大尺度图像场景中，现实中几乎不可能拥有较为全面的地面真实数据或先验知识。另一方面，传统变化检测方法的设计高度依赖于精确的多时相遥感影像配准过程。此过程通常是手动执行，配准残差可能导致同一土地覆盖物错位进而引起非相关变化的误检。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种识别精度高的面向大尺度复杂场景下遥感影像的自动变化检测方法。
本发明的目的可以通过以下技术方案来实现：
一种面向大尺度复杂场景下遥感影像的自动变化检测方法，包括以下步骤：
S1：获取前后时相的遥感影像数据对；
S2：从遥感影像数据对中提取特征点，并进行影像配准；
S3：基于配准后的遥感影像数据对，通过差值法获取差值影像；
S4：提取差值影像的显著度，生成变化类伪训练样本和不变化类伪训练样本；
S5：将变化类伪训练样本和不变化类伪训练样本输入分类器中，对步骤S3获取的差值影像进行二值分类，获取关于变化和不变化两种类别的二值检测结果。
进一步地，所述步骤S2具体包括以下步骤：
S201：利用SIFT算法对遥感影像数据对进行粗匹配，提取特征点；
S202：根据特征点，生成SIFT特征向量，并进行SIFT特征向量间相似性判定度量的计算；
S203：根据SIFT特征向量间相似性判定度量的计算结果，进行特征点匹配，获取特征点对；
S204：去除特征点对中的误匹配点；
S205：根据去除误匹配点后的特征点对，估算仿射模型参数，对步骤S1中获取的遥感影像数据对进行重采样和仿射变换，获取配准影像。
进一步地，步骤S201中，利用SIFT算法进行粗匹配包括，采用高斯差分DoG算子检测特征点，通过拟合三维二次函数确定特征点的位置和尺度，采用图像梯度的方法为每个特征点分配基准方向。
具体地，粗匹配包括尺度空间极值检测、关键点定位、方向分配以及关键点描述四个部分。首先使用DoG算子在尺度空间检测稳定的关键点。由于检测到的极值点是离散空间的极值点，通过拟合三维二次函数精确确定关键点的位置和尺度，同时去除低对比度的关键点和不稳定的边缘响应点。为了使描述符具有旋转不变性，需要利用图像的局部特征为给每一个关键点分配一个基准方向，因此使用图像梯度的方法求取局部结构的稳定方向。最后将4×4个样本子区域上的所有方向直方图级联生成128维的SIFT特征向量。
进一步地，步骤S202中，生成SIFT特征向量具体为，将4×4个样本子区域上的所有方向直方图级联生成128维的SIFT特征向量。
进一步地，步骤S202中，当两张影像的SIFT特征向量生成后，采用关键点特征向量的欧式距离作为两幅影像中关键点的相似性判定度量，所述相似性判定度量的计算表达式为：
Figure BDA0002368646190000031
式中，df为相似性判定度量，a为不同维度，f1,i为第a个维度中第1个SIFT特征向量，f2,i为第a个维度中第2个SIFT特征向量。
进一步地，步骤S204中，为了消除初始候选中的错误匹配，采用了两种离群值去除策略。一种有效的度量是最近邻距离比，它表示最近邻距离与次近邻距离之比。另一种是利用随机样本一致性RANSAC方法，通过鲁棒性的几何约束去除误匹配点。
进一步地，步骤S3中，提取差值影像的显著度具体为，首先利用DoG滤波和均值滤波函数分别对差值影像进行滤波，并将DoG滤波后的图像从RGB颜色空间转换到LAB颜色空间，然后计算差值影像中每个像素的显著度，每个像素的显著性定义为均值滤波得到的平均矢量Fμ与转换到LAB颜色空间的像素矢量Fωhc之间的欧式距离，所述每个像素的显著度的计算表达式为：
SM(i,j)＝||Fμ-Fωhc(i,j)||
式中，SM(i,j)为第i行第j列像素的显著度，Fμ为均值滤波后的差值影像的平均矢量，Fωhc(i,j)为差值影像由DoG滤波转换到LAB颜色空间的图像中第i行第j列像素的像素矢量，||·||为范数计算符。
进一步地，步骤S3中，所述不变化类伪训练样本包括第一部分像素和第二部分像素，所述第一部分像素为特征点及其5×5领域中显著度小于第一阈值的像素，所述第二部分像素为从显著度小于所述第一阈值的像素中随机选取5％的像素，所述第一阈值为计算差值影像显著度获取的视觉显著图中像素值的均值。
进一步地，步骤S3中，所述变化类伪训练样本包括从显著度大于第二阈值的像素中，随机选取5％的像素，所述第二阈值为计算差值影像显著度获取的视觉显著图中像素值的二倍均值。
进一步地，步骤S4中，所述分类器为线性支持向量机。
与现有技术相比，本发明具有以下优点：
(1)本发明面向大尺度复杂场景下遥感影像的自动变化检测方法结合了影像的自动配准和检测过程，自动生成关于变化和不变化两类的伪训练样本，然后载入分类器对差值影像分类，与常规的非监督变化检测方法相比，本发明在实现较高自动化程度的基础上，可获得更高的检测识别精度且兼顾效率，且可应用于大尺度复杂场景下遥感影像的变化检测。
(2)本发明采用LSVM分类器对差值影像分类，保证了分类的精度和运算效率。
(3)本发明为消除特征点对中的误匹配点，提供了两种离群值去除策略，一种基于最近邻距离比进行度量；另一种是利用随机样本一致性RANSAC方法，通过鲁棒性的几何约束去除误匹配点。
(4)经过试验对比，证明本发明方法具有更高的变化检测性能，而且适用于检测覆盖范围较大、地类较为复杂的遥感影像场景。
附图说明
图1为本发明方法的流程示意图；
图2为前后时相的遥感影像数据对的变化强度图；
图3(a)到图3(e)为不同方法得到的二值变化检测图，其中，图3(a)为KI二值检测图，图3(b)为OTSU二值检测图，图3(c)为FCM二值检测图，图3(d)为本发明基于变化强度图分类得到的二值检测图，图3(e)为本发明基于差值影像分类得到的二值检测图；
图4(a)到图4(f)为火灾局部区域A的对比图，其中，图4(a)为局部变化强度图，图4(b)为KI的局部二值检测图，图4(c)为OTSU的局部二值检测图，图4(d)为FCM的局部二值检测图，图4(e)为本发明基于变化强度图分类得到的局部二值检测图，图4(f)为本发明基于差值影像分类得到的局部二值检测图；
图5(a)到图5(f)为水体局部区域B的对比图，其中，图5(a)为局部变化强度图，图5(b)为KI的局部二值检测图，图5(c)为OTSU的局部二值检测图，图5(d)为FCM的局部二值检测图，图5(e)为本发明基于变化强度图分类得到的局部二值检测图，图5(f)为本发明基于差值影像分类得到的局部二值检测图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例1
如图1所示，本实施例提供一种面向大尺度复杂场景下遥感影像的自动变化检测方法，本方法主要由以下三个步骤组成：
1)获取大区域场景下的前后时相遥感影像数据对，并进行自动配准；
2)根据匹配提取的特征点以及配准后差值影像提取的显著图，自动生成变化和不变化两种伪训练样本；
3)将生成的伪训练样本输入到LSVM对差值影像执行二值分类，生成关于变化和不变化两种类别的检测结果，从而实现大尺度复杂场景下遥感影像的自动变化检测。
下面对本实施例自动变化检测方法关键部分和试验对比进行详细描述。
1、基于SIFT的影像自动配准
利用SIFT算法实现粗匹配并生成初始候选点。SIFT粗匹配包括尺度空间极值检测、关键点定位、方向分配以及关键点描述四个部分。首先使用DoG算子在尺度空间检测稳定的关键点。由于检测到的极值点是离散空间的极值点，通过拟合三维二次函数精确确定关键点的位置和尺度，同时去除低对比度的关键点和不稳定的边缘响应点。为了使描述符具有旋转不变性，需要利用图像的局部特征为给每一个关键点分配一个基准方向，因此使用图像梯度的方法求取局部结构的稳定方向。最后将4×4个样本子区域上的所有方向直方图级联生成128维的SIFT特征向量。
当两张影像的SIFT特征向量生成后，采用关键点特征向量的欧式距离作为两幅影像中关键点的相似性判定度量：
Figure BDA0002368646190000051
其中，df是两幅影像上相应特征向量f1和f2之间的特征距离，i代表不同维度。
初始候选点中的误匹配点去除。为了消除初始候选中的错误匹配，采用了两种离群值去除策略。一种有效的度量是最近邻距离比，它表示最近邻距离与次近邻距离之比。另一种是利用随机样本一致性RANSAC方法，通过鲁棒性的几何约束去除误匹配点。
选择仿射模型进行几何变换和影像变形。根据去除误匹配后的特征点对估算仿射模型参数，然后对输入影像进行重采样和仿射变换，最终生成用于变化检测的配准影像。
2、生成伪训练样本
针对配准后的影像，首先通过差值法得到前后时相影像的差值影像，得到差值影像XD：
XD＝X2-X1 (2)
Figure BDA0002368646190000061
其中，X1为配准的前一时相影像，X2为配准的后一时相影像，XD代表前后时相影像的差值影像，B代表差值影像的波段数，ρ代表差值影像的变化强度图。
提取差值影像的视觉显著图。首先利用DoG滤波和均值滤波函数分别对XD进行滤波，并将DoG滤波后的图像从RGB颜色空间转换到LAB颜色空间，此时获得视觉显著图SM。每个像素的显著性定义为均值滤波得到的平均矢量Fμ与转换到LAB颜色空间的像素矢量Fωhc之间的欧式距离：
SM(i,j)＝||Fμ-Fωhc(i,j)|| (4)
其中，Fμ代表XD均值滤波得到的均值图像，Fωhc代表经DoG滤波转换到LAB颜色空间的图像，SM(i,j)代表对应像素(i,j)处的显著性值。
最后利用匹配提取的特征点以及差值影像提取的视觉显著图，自动生成变化和不变化两种伪训练样本。不变类伪训练样本是由匹配提取的特征点和差值影像提取的显著图两部分生成。第一部分来自特征匹配提取的特征点及其5×5邻域显著性小于给定阈值Tnc(Tnc：定义为SM图像素值的均值)的像素。第二部分是从显著性小于给定阈值Tnc的像素中随机生成5％的像素。两部分像素共同作为不变类伪训练样本集合。变化类伪训练样本是基于差值影像提取的显著图生成。从显著性大于给定阈值Tc(Tc：定义为SM图像素值的2倍均值)的像素中随机选择5％的像素作为变化类伪训练样本。
3、执行LSVM分类，实现大尺度复杂场景下遥感影像的二值变化检测
选用主流的SVM作为本实施例的分类器。对比SVM中线性核(L)和高斯核(RBF)两种核函数的性能，发现二者对大尺度遥感影像分类的精度相差不大，但LSVM(线性支持向量机)的运算时间远低于RBFSVM(高斯核支持向量机)。因此将变化和不变化两种伪训练样本输入到效率较高的LSVM中对XD执行二值分类，生成关于变化和不变化两种类别的二值检测结果，从而实现大尺度复杂场景下遥感影像的自动变化检测。
4、试验对比
为综合对比不同变化检测方法的性能并验证本实施例所提自动变化检测方法的有效性和优势，选取Kittler-Illingworth阈值法(KI)、大津阈值法(OTSU)以及模糊C均值聚类法(FCM)对变化强度图进行自动阈值分割，得到二值变化检测结果。为了保证对比实验的一致性，将本实施例分别基于变化强度图以及差值影像执行二值分类，并与其它三种方法一同进行对比分析。
4.1、具体实施方式
试验数据采用中等分辨率Landsat-8卫星遥感1级(L1)产品数据，地图投影为UTM-WGS84南极洲极地投影，源于美国地质调查局(USGS)官网。本实验使用了覆盖美国门多西诺2018年火灾区的整景影像数据，火灾前后时相影像的获取时间分别是2018年7月17日和2018年8月11日，影像大小为7750×7870像素，地表覆盖类型较为复杂。选择Landsat-8影像数据中显示变化效果最好的短波红外2(SWIR2)、短波红外1(SWIR1)和近红外(NIR)三个波段作为变化检测的输入影像。
4.2、试验结果
对比分析不同方法得到的二值变化检测结果
手动选取10000像素的真实训练样本(变化类和不变化类各5000像素)，通过计算二值变化检测图与真实训练样本的混淆矩阵，评价KI、OTSU、FCM以及本实施例(基于变化强度图和差值影像分类两种方式)4种变化检测方法的精度指标。选取总体精度(OverallAccuracy，简称OA)，Kappa系数(Kappa Coefficient，简称K)，错分误差(CommissionError，简称CE)，漏分误差(Omission Error，简称OE)，总误差(Total Error，简称TE)五类评价指标。评价结果见表1，然后对比分析4种方法的二值变化检测图，同时选取两处局部区域(A和B)深入对比分析。
表1精度评价表
Figure BDA0002368646190000081
从精度评价结果来看，本实施例提出的一种面向大尺度复杂场景下遥感影像的自动变化检测方法，无论是基于变化强度图还是基于差值影像分类，总精度均远高于其它三种方法。由于本实施例基于差值影像分类方式输入的信息更加全面，精度要高于基于变化强度图分类的结果。因此，本实施例最终采用的是基于差值影像分类的方式。
整景影像的变化可从图2给出的变化强度图看出，图中白点表示变化类像素，黑点表示不变化类像素。强度图的左侧区域基本都是海水，由于前后时相影像仅相差一个月，大量的变化其实是来自于陆地上的火灾区域。图3给出了4种方法的全局二值检测图。与变化强度图相比，可以明显地看出KI(图(3a))、OTSU(图(3b))以及FCM(图(3c))三种方法的二值检测图上存在大量的错分像素。本实施例的两种方法都能很好地抑制非变化类的背景干扰。图4和图5分别是局部区域A和B的放大对比图。其中，A主要反映火灾区域的变化，B主要反映水体区域的变化。与图(4a)给出的强度图相比，效果最好的是本实施例基于差值影像分类的结果(图(4f))，图(4e)给出的基于变化强度图分类结果虽然也能较好地抑制背景像素的错分，但火灾区域像素存在一些漏检现象。其余三种方法均将大量的背景像素错分为变化类。对比图(5a)给出的强度图，KI(图(5b))、OTSU(图(5c))以及FCM(图(5d))三种方法对水体区域的检测效果较差，效果最好的依旧是本实施例方法(图(5f))。因此，本实施例提出的自动检测方法在用于大尺度复杂场景遥感影像变化检测时效果最好。
综上，经过一系列的对比分析，证明所提出的一种面向大尺度复杂场景下遥感影像的自动变化检测方法与所参照的其它方法对比来看，具有更高的变化检测性能，而且适用于检测覆盖范围较大、地类较为复杂的遥感影像场景。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种面向大尺度复杂场景下遥感影像的自动变化检测方法，其特征在于，包括以下步骤：
S1：获取前后时相的遥感影像数据对；
S2：从遥感影像数据对中提取特征点，并进行影像配准；
S3：基于配准后的遥感影像数据对，通过差值法获取差值影像；
S4：提取差值影像的显著度，生成变化类伪训练样本和不变化类伪训练样本；
S5：将变化类伪训练样本和不变化类伪训练样本输入分类器中，对步骤S3获取的差值影像进行二值分类，获取关于变化和不变化两种类别的二值检测结果。
2.根据权利要求1所述的一种面向大尺度复杂场景下遥感影像的自动变化检测方法，其特征在于，所述步骤S2具体包括以下步骤：
S201：利用SIFT算法对遥感影像数据对进行粗匹配，提取特征点；
S202：根据特征点，生成SIFT特征向量，并进行SIFT特征向量间相似性判定度量的计算；
S203：根据SIFT特征向量间相似性判定度量的计算结果，进行特征点匹配，获取特征点对；
S204：去除特征点对中的误匹配点；
S205：根据去除误匹配点后的特征点对，估算仿射模型参数，对步骤S1中获取的遥感影像数据对进行重采样和仿射变换，获取配准影像。
3.根据权利要求2所述的一种面向大尺度复杂场景下遥感影像的自动变化检测方法，其特征在于，步骤S201中，利用SIFT算法进行粗匹配具体为，采用高斯差分DoG算子检测特征点，通过拟合三维二次函数确定特征点的位置和尺度，采用图像梯度的方法为每个特征点分配基准方向。
4.根据权利要求3所述的一种面向大尺度复杂场景下遥感影像的自动变化检测方法，其特征在于，步骤S202中，生成SIFT特征向量具体为，将4×4个样本子区域上的所有方向直方图级联生成128维的SIFT特征向量。
5.根据权利要求4所述的一种面向大尺度复杂场景下遥感影像的自动变化检测方法，其特征在于，步骤S202中，所述相似性判定度量的计算表达式为：
Figure FDA0002368646180000021
式中，df为相似性判定度量，a为不同维度，f1,i为第a个维度中第1个SIFT特征向量，f2,i为第a个维度中第2个SIFT特征向量。
6.根据权利要求2所述的一种面向大尺度复杂场景下遥感影像的自动变化检测方法，其特征在于，步骤S204中，采用基于最近邻距离比的离群值去除策略，去除特征点对中的误匹配点。
7.根据权利要求1所述的一种面向大尺度复杂场景下遥感影像的自动变化检测方法，其特征在于，步骤S3中，提取差值影像的显著度具体为，首先利用DoG滤波和均值滤波函数分别对差值影像进行滤波，并将DoG滤波后的图像从RGB颜色空间转换到LAB颜色空间，然后计算差值影像中每个像素的显著度，所述每个像素的显著度的计算表达式为：
SM(i,j)＝||Fμ-Fωhc(i,j)||
式中，SM(i,j)为第i行第j列像素的显著度，Fμ为均值滤波后的差值影像的平均矢量，Fωhc(i,j)为差值影像由DoG滤波转换到LAB颜色空间的图像中第i行第j列像素的像素矢量，||·||为范数计算符。
8.根据权利要求1所述的一种面向大尺度复杂场景下遥感影像的自动变化检测方法，其特征在于，步骤S3中，所述不变化类伪训练样本包括第一部分像素和第二部分像素，所述第一部分像素为特征点及其5×5领域中显著度小于第一阈值的像素，所述第二部分像素为从显著度小于所述第一阈值的像素中随机选取5％的像素，所述第一阈值为计算差值影像显著度获取的视觉显著图中像素值的均值。
9.根据权利要求1所述的一种面向大尺度复杂场景下遥感影像的自动变化检测方法，其特征在于，步骤S3中，所述变化类伪训练样本包括从显著度大于第二阈值的像素中，随机选取5％的像素，所述第二阈值为计算差值影像显著度获取的视觉显著图中像素值的二倍均值。
10.根据权利要求1所述的一种面向大尺度复杂场景下遥感影像的自动变化检测方法，其特征在于，步骤S4中，所述分类器为线性支持向量机。
CN202010043769.7A 2020-01-15 2020-01-15 一种面向大尺度复杂场景下遥感影像的自动变化检测方法 Pending CN111242050A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010043769.7A CN111242050A (zh) 2020-01-15 2020-01-15 一种面向大尺度复杂场景下遥感影像的自动变化检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010043769.7A CN111242050A (zh) 2020-01-15 2020-01-15 一种面向大尺度复杂场景下遥感影像的自动变化检测方法

Publications (1)

Publication Number Publication Date
CN111242050A true CN111242050A (zh) 2020-06-05

Family

ID=70880875

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010043769.7A Pending CN111242050A (zh) 2020-01-15 2020-01-15 一种面向大尺度复杂场景下遥感影像的自动变化检测方法

Country Status (1)

Country Link
CN (1) CN111242050A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112418049A (zh) * 2020-11-17 2021-02-26 浙江大学德清先进技术与产业研究院 一种基于高分遥感影像的水体变化检测方法
CN112907485A (zh) * 2021-03-18 2021-06-04 国家海洋信息中心 一种基于lαβ空间色彩映射的遥感影像批量调色方法
CN113776451A (zh) * 2021-11-11 2021-12-10 长江空间信息技术工程有限公司(武汉) 一种基于无人机摄影测量的变形监测自动化方法
CN115410096A (zh) * 2022-11-03 2022-11-29 成都国星宇航科技股份有限公司 卫星遥感影像多尺度融合变化检测方法、介质及电子装置
CN115965622A (zh) * 2023-02-15 2023-04-14 航天宏图信息技术股份有限公司 一种遥感瓦片数据的变化检测方法和装置
CN117612020A (zh) * 2024-01-24 2024-02-27 西安宇速防务集团有限公司 基于sgan对抗神经网络遥感影像要素变化的检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015042772A1 (zh) * 2013-09-24 2015-04-02 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
CN105260738A (zh) * 2015-09-15 2016-01-20 武汉大学 基于主动学习的高分辨率遥感影像变化检测方法及系统
US20160078359A1 (en) * 2014-09-12 2016-03-17 Xerox Corporation System for domain adaptation with a domain-specific class means classifier
CN110427997A (zh) * 2019-07-25 2019-11-08 南京信息工程大学 面向复杂遥感影像背景的改进cva变化检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015042772A1 (zh) * 2013-09-24 2015-04-02 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
US20160078359A1 (en) * 2014-09-12 2016-03-17 Xerox Corporation System for domain adaptation with a domain-specific class means classifier
CN105260738A (zh) * 2015-09-15 2016-01-20 武汉大学 基于主动学习的高分辨率遥感影像变化检测方法及系统
CN110427997A (zh) * 2019-07-25 2019-11-08 南京信息工程大学 面向复杂遥感影像背景的改进cva变化检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SICONG LIU等: "An Automatic Approach For Change Detection In Large-Scale Remote Sensing Images" *
张学等: "一种扩展的土地覆盖转换像元变化检测方法" *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112418049A (zh) * 2020-11-17 2021-02-26 浙江大学德清先进技术与产业研究院 一种基于高分遥感影像的水体变化检测方法
CN112418049B (zh) * 2020-11-17 2023-06-13 浙江大学德清先进技术与产业研究院 一种基于高分遥感影像的水体变化检测方法
CN112907485A (zh) * 2021-03-18 2021-06-04 国家海洋信息中心 一种基于lαβ空间色彩映射的遥感影像批量调色方法
CN113776451A (zh) * 2021-11-11 2021-12-10 长江空间信息技术工程有限公司(武汉) 一种基于无人机摄影测量的变形监测自动化方法
CN113776451B (zh) * 2021-11-11 2022-02-11 长江空间信息技术工程有限公司(武汉) 一种基于无人机摄影测量的变形监测自动化方法
CN115410096A (zh) * 2022-11-03 2022-11-29 成都国星宇航科技股份有限公司 卫星遥感影像多尺度融合变化检测方法、介质及电子装置
CN115965622A (zh) * 2023-02-15 2023-04-14 航天宏图信息技术股份有限公司 一种遥感瓦片数据的变化检测方法和装置
CN117612020A (zh) * 2024-01-24 2024-02-27 西安宇速防务集团有限公司 基于sgan对抗神经网络遥感影像要素变化的检测方法

Similar Documents

Publication Publication Date Title
Hughes et al. A deep learning framework for matching of SAR and optical imagery
Gao et al. Automatic change detection in synthetic aperture radar images based on PCANet
CN111242050A (zh) 一种面向大尺度复杂场景下遥感影像的自动变化检测方法
Sirmacek et al. Urban-area and building detection using SIFT keypoints and graph theory
Wang et al. Unsupervised SAR image change detection based on SIFT keypoints and region information
Bouchiha et al. Automatic remote-sensing image registration using SURF
US20130089260A1 (en) Systems, Methods, and Software Implementing Affine-Invariant Feature Detection Implementing Iterative Searching of an Affine Space
Zhan et al. Unsupervised scale-driven change detection with deep spatial–spectral features for VHR images
CN108021890B (zh) 一种基于plsa和bow的高分遥感影像港口检测方法
Stankov et al. Building detection in very high spatial resolution multispectral images using the hit-or-miss transform
CN112200121A (zh) 基于evm和深度学习的高光谱未知目标检测方法
Wu et al. Strong shadow removal via patch-based shadow edge detection
Gao et al. Sea ice change detection in SAR images based on collaborative representation
Palenichka et al. Multiscale isotropic matched filtering for individual tree detection in LiDAR images
Zhao et al. Road damage detection from post-disaster high-resolution remote sensing images based on tld framework
Jivane et al. Enhancement of an Algorithm for Oil Tank Detection in Satellite Images.
Changjie et al. Algorithm of remote sensing image matching based on corner-point
Bhandarkar et al. Leaf identification using morphology and structural decomposition
Lu et al. Knowledge-based object localization in scanning electron microscopy images for hardware assurance
CN116503733B (zh) 遥感图像目标检测方法、设备及存储介质
Moughal et al. An automatic unsupervised method based on context-sensitive spectral angle mapper for change detection of remote sensing images
Malinas et al. Vehicle track detection in CCD imagery via conditional random field
CN113822361B (zh) 一种基于汉明距离的sar图像相似程度度量方法和系统
Wu et al. An accurate feature point matching algorithm for automatic remote sensing image registration
Huqqani et al. Comparative study of supervised classification of urban area hyperspectral satellite imagery

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