CN111666856A - 基于结构特性的高分辨率单极化sar影像建筑目标检测方法 - Google Patents
基于结构特性的高分辨率单极化sar影像建筑目标检测方法 Download PDFInfo
- Publication number
- CN111666856A CN111666856A CN202010475776.4A CN202010475776A CN111666856A CN 111666856 A CN111666856 A CN 111666856A CN 202010475776 A CN202010475776 A CN 202010475776A CN 111666856 A CN111666856 A CN 111666856A
- Authority
- CN
- China
- Prior art keywords
- region
- reg
- area
- image
- building
- 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
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
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于结构特性的高分辨率单极化SAR影像建筑目标检测方法,包括输入高分辨率单极化SAR影像,进行图像分割,通过深度语义分割网络,获得SAR影像像素属于“建筑目标”和“背景”的概率值prob;利用区域编号和连通域编号,进行交运算,获得图像的过分割结果;计算区域邻接图,根据区域邻接关系,利用区域几何特征、统计特征、纹理特征,以及获得的概率值prob,进行相邻区域的相似性分析,合并满足相似性阈值的区域,并依次向外扩展合并,计算合并区域后图像各区域的邻接图;基于SAR影像中建筑目标的房顶、墙体和地面阴影表现出的不同图像特征,利用区域邻接图,判断初步提取区域是否能与邻接区域形成建筑目标的相应结构,得到建筑目标检测结果。
Description
技术领域
本发明属于合成孔径雷达(Synthetic Aperture Radar,SAR)图像目标识别技术领域,更进一步涉及SAR影像目标识别领域中的基于结构特性的高分辨率单极化SAR影像建筑目标检测方法。
背景技术
微波遥感是遥感技术中重要的分支,其中,SAR作为一种微波成像雷达,可以不受云层、天气等影响,实时监测地面活动,受到广泛关注。SAR影像在城区监测、城市规划、城市灾害分析等任务中发挥了重要作用,因而,对SAR图像中建筑目标的提取工作引起了人们的重视。
在高分辨率SAR图像中,由于成像机制特殊,建筑区域在成像过程中会出现叠掩、二面角反射、阴影等效应。随着SAR系统成像性能的不断提升,SAR影像分辨率已经可以达到亚米水平,从而在SAR图像中呈现出丰富的结构信息,这使得SAR影像建筑检测从“建筑区域检测”发展为“建筑目标检测”成为可能,也为SAR图像建筑目标的提取提供了基础。
SAR影像建筑区域或建筑目标检测方法大致可以分为如下四类。其一是基于统计特征的建筑检测方法。在SAR的成像机制下,建筑具有二次反射、阴影、叠掩等效应,使得建筑区域中的像素统计分布呈现一定的规律。恒虚警率(Constant False Alarm Rate,CFAR)算法是利用统计特征的一类经典SAR目标检测算法。文献1:高贵,周蝶飞,蒋咏梅,等.SAR图像目标检测研究综述[J].信号处理,2009,24(6):971-981.总结了基于CFAR特征进行SAR目标检测的技术方法,文献2:赵凌君.高分辨率SAR图像建筑物提取方法研究[D].长沙:国防科技大学,2009.利用CFAR算法对回波信息处理,结合分水岭算法提取SAR图像中的建筑区域。其二是基于纹理特征的建筑检测方法,其中灰度共生矩阵、Gabor滤波器等算法是广泛使用的SAR影像纹理提取算法。如文献3:Yang W,Zou T,Dai D,et al.Supervised land-cover classification of TerraSAR-X imagery over urban areas using extremelyrandomized clustering forests[C]//Urban Remote Sensing Event,2009Joint.IEEE,2009.利用Gabor滤波器提取建筑区域的纹理特征,从而实现建筑区域的检测。然而,随着SAR分辨率的提升,SAR影像中建筑结构特征突出,细节得以呈现,表现出复杂的统计特性或纹理特征,此时对建筑目标进行统计建模或纹理描述变得十分复杂。因此,仅基于统计或纹理特征的建筑目标检测方法在高分辨率SAR影像中很难达到精准的检测效果。其三是基于建筑结构特征的检测算法,充分利用SAR影像中建筑目标高亮“L”形特征进行建筑目标提取,如文献4:Zhao L.J.,Zhou X.G.,Kuang,G.Y..Building detection from urban SARimage using building characteristics and contextual information[J].EURASIPJournal on Advances in Signal Processing,2013,56.利用基于标记控制分水岭变换分割的方法,提取SAR影像中的长条形或L形建筑物的亮区;文献5:Chen S.S.,Wang H.P.,XuF.,et al..Automatic Recognition of Isolated Buildings on Single-Aspect SARImage Using Range Detector[J].IEEE Geoscience and Remote Sensing Letters,2015,12(7):219-223.采用探测算子实现朝向一致且具有强偶次散射的长条形建筑提取。但由于检测的特征相对简单,使用场景比较单一,该类方法在对具有复杂结构的单体建筑提取时并不适用。其四是基于深度学习的建筑检测方法。借鉴光学影像的处理思路,深度学习在SAR影像目标检测中同样表现出强大潜力。文献6:Li J.,Zhang R.,Li Y.,Multi-scale Convolutional Neural Network for the Detection of Built-up Areas inHigh-resolution SAR Images[C]//International Geoscience and Remote SensingSymposium(IGARSS).IEEE,2016:019-913.利用多尺度卷积神经网络进行建筑目标检测,文献7:Gao D.L.,Zhang R.,Xue D.X.Improved Fully Convolutional Network for theDetection of Built-up Areas in High Resolution SAR Images[C]//InternationalConference on Image and Graphics.Springer,Cham,2017:611-620.改进全卷积神经网络,结合上下文信息进行建筑提取。文献8:吴云飞.基于高分辨率SAR图像的建筑区域检测[D].中国科学技术大学,2019.利用注意力机制与对抗训练的思路训练卷积神经网络,获得建筑目标检测结果。然而,SAR成像机制与光学不同,相干斑、复杂背景环境等干扰,不同成像条件、参数下的目标特征差异较大,这些问题带给基于深度学习的建筑目标检测方法巨大的挑战,直接将深度学习目标检测方法或语义分割算法使用到高分辨率SAR影像中无法达到最佳性能。
综上,随着SAR影像成像技术的发展,其分辨率不断提升,建筑目标细节得以体现,但同时也呈现出复杂、多样的结构特性。依赖建筑目标的统计特征、纹理特征和特定特征难以对高分辨率SAR影像单体建筑进行准确建模。因此,如何利用SAR影像独特的成像特点,以及高分辨率下得以体现的建筑目标结构信息,是高分辨率单极化SAR影像建筑目标的检测的研究热点和重点。
发明内容
本发明目的在于,充分利用SAR影像成像特点和建筑目标在SAR影像中的结构信息,对具有复杂、多样结构、不同朝向的建筑目标实现简单、有效的检测,提出基于结构特性的高分辨率单极化SAR影像建筑目标检测方法。
本发明所采用的技术方案是一种基于结构特性的高分辨率单极化SAR影像建筑目标检测方法,包括以下步骤:
步骤1,读入高分辨率单极化SAR影像;
步骤2,利用统计区域合并的方法进行图像分割,利用统计特征将输入的高分辨率单极化SAR影像划分为若干区域,并获得每一区域的编号seg_label;
步骤3,将输入的高分辨率单极化SAR影像通过深度语义分割网络,获得SAR影像每一像素位置属于“建筑目标”和“背景”的概率值prob,并根据概率值prob的大小对每一个像素位置赋予一个伪标签pseudo_label,实现如下,
当该像素属于“建筑目标”的概率值prob建筑大于该像素属于“背景”的概率值prob背景时,该像素的伪标签为“建筑”,pseudo_label=1,
否则为“背景”,pseudo_label=0;
步骤4,计算伪标签pseudo_label对应的二值图像的连通域,并获得连通域编号connect_label;
步骤5,利用步骤2获得的区域编号seg_label和步骤4获得的连通域编号connect_label,对原始SAR影像进行区域的交运算,获得图像的过分割结果及相应的区域编号oseg_label;过分割的结果保证了目标区域既有统一的统计特征,又具有相似的高层语义特征;
步骤6,计算步骤5中过分割后图像的区域邻接图,获得每一区域与之邻接的区域编号和连结关系对;
步骤7,计算步骤5中过分割后图像的每一区域的几何特征、统计特征和纹理特征;
步骤8,根据区域邻接关系,利用步骤7所得区域几何特征、统计特征、纹理特征,以及步骤3获得的概率值prob,进行相邻区域的相似性分析,合并满足相似性阈值的区域,并依次向外扩展合并,直至全部相邻区域均不满足合并条件,获得合并区域结果及每一个区域的编号merge_label,并再次计算合并后各区域的几何特征、统计特征、纹理特征;
步骤9,计算步骤8中合并区域后图像各区域的邻接图,获得每一区域与之邻接的区域编号和连结关系对;
步骤10,将数据集中的建筑目标随机划分为训练样本和测试样本,训练样本中的建筑目标标注有“房顶”、“墙体”、“建筑地面阴影”三类区域,
步骤11,基于SAR影像中建筑目标的房顶、墙体和地面阴影表现出的不同图像特征,利用步骤9建立的区域邻接图,判断步骤10中初步提取结果所属区域是否能够与邻接区域形成建筑目标的相应结构,得到建筑目标检测结果。
而且,步骤2中,统计区域合并方法包含如下两步,
第一步,分别计算坐标位置为(x,y)的像素与其四邻域的四个像素之间的关系f(p,q)的值,并将f(p,q)的值从小到大排序;
第二步,根据f(p,q)的值,从大到小依次遍历所有像素对,满足以下合并准则即合并,
其中,R',R分别表示两个相邻的区域,分别表示区域R',R的像素均值,表示取相邻区域R'与R的像素均值之差的绝对值,其中Q为尺度因子,为2的幂,Q值越大,分割结果越精细。实施例中Q设为256。||R||为区域R包含的像素个数,为包含像素个数为||R||的区域集合,δ=1/(6||I||2),其中||I||为输入图像的像素总个数。
而且,步骤3中,深度语义分割网络采用编码-解码网络结构,编码网络由卷积层、批归一化、激活函数和池化层组成,用于提取输入数据的多尺度语义特征;解码网络由上采样、反卷积层、批归一化组成,用于恢复特征图的空间分辨率并预测目标像素位置;同时,解码网络利用编码网络池化时保存的相应特征层的最大池化索引信息,将低分辨率的特征图映射到高分辨率的特征图,实现低维向量到高维向量的重构;
将高分辨率单极化SAR影像输入深度语义分割网络,网络模型将根据学习到的权重参数进行前向运算,输出与输入影像尺寸等大的预测概率和预测结果;其中,预测概率给出了每一像素位置属于建筑目标的概率大小和属于背景的概率大小,预测结果根据预测概率值为每一像素位置赋予建筑目标或背景的标签。
而且,步骤7中,几何特征包括区域最小外接矩形长宽比、区域面积与最小外接矩形面积的比值,统计特征包括区域灰度均值、区域灰度方差,纹理特征包括区域最小外接矩形内部的熵、能量值、同质性、差异性。
而且,步骤8中,进行相邻区域的相似性分析时,采用如下相似性分析准则,
s(reg1,reg2)=λstfstat(reg1,reg2)+∑λtftexture,t(reg1,reg2)+∑λsfshape,s(reg1,reg2)+λpΔprob
其中,regi,i=1,2,代表相邻接的两个区域,s(reg1,reg2)为reg1,reg2两个区域的相似性函数,fstat为统计特征相似度度量函数,
μi为区域灰度均值,σi为区域灰度方差,i=1,2,代表相邻接的两个区域;
ftexture,t为纹理特征相似度度量函数,t=1,2,3,4,代表4个不同的纹理特征相似度度量函数,
ftexture,1(reg1,reg2)=|entropy1-entropy2|2
ftexture,2(reg1,reg2)=|energy1-energy2|2
ftexture,3(reg1,reg2)=|homo1-homo2|2
ftexture,4(reg1,reg2)=|hetero1-hetero2|2
entroyi,energyi,homoi,heteroi分别为区域最小外接矩形内部的熵、能量值、同质性和差异性特征,i=1,2,代表相邻接的两个区域;
fshape,s为几何特征相似度度量函数,s=1,2,代表2个不同的几何特征相似度度量函数,
arc_ratioi,area_ratioi分别为区域regi的区域面积与最小外接面积的比值,区域最小外接矩形长宽比,i=1,2,代表相邻接的两个区域;
Δprob为相邻两区域预测概率的平均值之差;
λst,λt,λs,λp均为加权系数,用于平衡各相似度度量函数对区域相似性函数的权重。
而且,步骤10中,以步骤8中提取的合并区域的几何特征、统计特征、纹理特征特征以及区域内属于“建筑目标”的平均概率值prob共计10维特征作为输入,采用随机森林分类器,将测试图像中对应的建筑目标“房顶”、“墙体”、“建筑地面阴影”三类区域提取出来,获得建筑目标区域的初步提取结果。
而且,步骤11中,针对步骤10中初步提取结果所属区域与邻接区域,判断是否形成高亮区域-匀质区域-暗黑区域相互邻接的区域邻接结构,若可以形成,则判定为建筑目标,否则不是建筑目标。
本发明充分利用建筑目标在SAR影像中“高亮房顶/墙体”—“地面阴影”—“匀质背景”的独特成像特性和结构特性,将包含目标的子区域以特定的结构组织聚合为完整的目标区域,实现建筑区域的有效检测。
和现有技术相比,本发明的优点是:
1、基于SAR影像成像特点和建筑目标结构信息构建检测方法,充分利用建筑目标在SAR影像中“房顶-墙体-建筑地面阴影”的独特成像特性和结构特性,将包含目标的子区域以特定的结构组织聚合为完整的目标区域,以建筑目标的成像结构特征构建的这一规则简单、有效且具有普适性,能够适用于多种尺寸、不同朝向、不同结构特征的建筑,提高了方法的准确性和实用性;
2、采用顾及影像统计信息的统计区域合并图像分割方法,充分利用SAR影像区域统计特征,获得图像分割结果,减少了相干斑噪声的影响,且分割结果有利于区域几何特征、统计特征的提取及邻接关系的建立,有助于建筑目标结构特性的分析。
3、融合统计特征与深度语义特征,结合统计区域合并分割方法与深度学习语义分割方法对原始图像进行过分割,深度语义特征的引入提高了对目标区域分割的准确性和稳定性,过分割的结果保证了目标区域既有统一的统计特征,又具有相似的高层语义特征。
附图说明
图1是本发明实施例的流程图;
图2是本发明实施例的高分辨率单极化SAR影像及分割结果图,其中图2a为高分辨率单极化SAR影像图,图2b为相应分割结果图;
图3是本发明实施例的深度语义分割网络结构示意图;
图4是本发明实施例的区域过分割方法示意图;
图5是本发明实施例的局部区域的邻接关系示意图;
图6是本发明实施例的建筑目标“高亮房顶”—“地面阴影”—“匀质背景”成像特性示意图;
图7是本发明实施例的部分测试使用的高分辨率单极化SAR影像图,其中图7a为机载0.5米分辨率单极化SAR影像,图7b为Sandia实验室机载miniSAR0.1米分辨率单极化SAR影像,图7c为Sandia实验室机载FARAD Ka波段0.1米分辨率单极化SAR影像;
图8是本发明实施例的部分测试影像、分割结果及初选区域的邻接关系示意图;其中图8a、8b、8c为三幅不同的局部测试影像,图8d、8e、8f分别为对应的影像分割结果,图8g、8h、8i分别为对应的建筑提取结果及邻接关系图;
图9是本发明实施例的部分测试影像及建筑目标检测结果图,其中图9a、9b、9c为三幅不同的局部测试影像,图9d、9e、9f分别为对应的建筑目标检测结果。
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的具体实施方式。
本发明实施例中基于结构特性的高分辨率单极化SAR影像建筑目标检测方法流程如附图1所示,包括以下步骤,
步骤1:读入高分辨率单极化SAR影像,高分辨率一般指分辨率优于1米,具体实施时根据情况输入。
步骤2:利用统计区域合并的方法进行图像分割,利用统计特征将输入的高分辨率单极化SAR影像划分为若干区域,并获得每一区域的编号seg_label。
实施例中,统计区域合并方法包含如下两步:
第一步,分别计算坐标位置为(x,y)的像素与其四邻域的四个像素之间的关系f(p,q)的值,并将f(p,q)的值从小到大排序。其中,x和y分别为像素的横、纵坐标,其四邻域的四个像素坐标分别为(x-1,y),(x+1,y),(x,y-1),(x,y+1),f(p,q)为像素关系函数,(p,q)为一个像素对,其中p为坐标位置为(x,y)处的图像像素,q分别取图像坐标为(x-1,y),(x+1,y),(x,y-1),(x,y+1)的四个像素,即位置为(x,y)的像素与其四邻域的每一个像素均构成一个像素对。本实施例中,令f(p,q)=|p-q|,即两像素值之差的绝对值。应注意,f(p,q)可根据具体应用场景选择不同函数。
第二步,根据f(p,q)的值,从大到小依次遍历所有像素对,满足合并准则即合并。
本发明中,优选提出的合并准则为:
其中,R',R分别表示两个相邻的区域,分别表示区域R',R的像素均值,表示取相邻区域R'与R的像素均值之差的绝对值,其中Q为尺度因子,为2的幂,Q值越大,分割结果越精细。实施例中Q设为256。||R||为区域R包含的像素个数,为包含像素个数为||R||的区域集合,δ=1/(6||I||2),其中||I||为输入图像的像素总个数。
附图2展示了Q=256时统计区域合并方法对高分辨率单极化SAR影像的分割效果。
步骤3:将输入的高分辨率单极化SAR影像通过深度语义分割网络,获得SAR影像每一像素位置属于“建筑目标”和“背景”的概率值prob,并根据概率值prob的大小对每一个像素位置赋予一个伪标签pseudo_label,即:
当该像素属于“建筑目标”的概率值prob建筑大于该像素属于“背景”的概率值prob背景时,该像素的伪标签为“建筑”,pseudo_label=1,
否则为“背景”,pseudo_label=0。
深度语义分割网络结构如附图3所示。深度语义分割网络是一个典型的编码-解码网络结构。编码网络由卷积层、批归一化、激活函数和池化层组成,通过卷积等运算提取输入数据的多尺度语义特征。解码网络由上采样、反卷积层、批归一化组成,用于恢复特征图的空间分辨率并预测目标像素位置。同时,网络具有跳跃结构,即解码网络利用编码网络池化时保存的相应特征层的最大池化索引信息,将低分辨率的特征图映射到高分辨率的特征图,实现低维向量到高维向量的重构。将输入的高分辨率单极化SAR影像通过深度语义分割网络,网络模型可以根据学习到的权重参数进行前向运算,输出与输入影像尺寸等大的预测概率和预测结果。其中,预测概率给出了每一像素位置属于建筑目标的概率大小和属于背景的概率大小,预测结果则是根据预测概率值为每一像素位置赋予建筑目标或背景的标签。如附图3所示,输入的SAR影像通过深度语义分割网络后输出预测结果图,其中白色区域代表预测为建筑目标的区域,黑色区域代表预测为背景的区域。
实施例提供的深度语义分割网络结构的具体参数如下表所示:
具体实施时可以采用其他网络结构形式或参数,本实施例中采用如表所示的网络参数,能够取得较好的分割效果。
实施例中,深度语义分割网络依次包括层1-9,编码网络部分的层1-4分别由卷积层、批归一化、激活函数和池化层组成,解码网络部分的层5-8由上采样、反卷积层、批归一化组成,层1映射到层8,层2映射到层7,层3映射到层6,层4映射到层5。
步骤4:计算伪标签pseudo_label对应的二值图像的连通域,并获得连通域编号connect_label。具体方法为:
第一步逐行扫描图像,标记每一行中连续的像素值为1的像素起止位置及其所在的行号;
第二步对图像第一行,赋予具有连续的像素值为1的区域一个编号;
第三步对于除了第一行外的所有标记,判断是否与上一行像素值为1的区域有连通,若无则给它一个新的标号,否则使用与其连通的上一行区域的编号;若当前行与其上一行的2个以上的区域有连通,则给当前区域赋一个相连区域的最小标号,并记录上一行与之相连的区域标号,这些区域称为等价区域;
第四步根据记录的等价区域标号查找等价区域,给予它们新的标记。
步骤5:利用步骤2获得的区域编号seg_label和步骤4获得的连通域编号connect_label,对原始SAR影像进行区域的交运算,获得图像的过分割结果及相应的区域编号oseg_label,如附图4所示。
过分割的区域编号oseg_label的具体计算方法为:
第一步,获得连通域编号connect_label的最大值Max_cl,并创立空白的区域编号oseg_label图像,该过程如附图4中的step1所示。附图4所示的例子中,共有2个连通域,connect_label分别为1,2,因此Max_cl为2;
第二步,设置计数器counter值为从1到Max_cl,创建二值模板图像,每次令连通域编号connect_label为counter的像素位置对应的模板图像像素位置的值为1,其他像素位置值为0,将二值模板图像与区域编号seg_label进行按位相乘计算,该过程如附图4所示中的step2-1、step2-2所示。在附图4的step2-1中,将connect_label为1的像素位置置为1,其他位置置为0,并与seg_label按位相乘,获得一个过分割结果,在step2-2中,将connect_label为2的像素位置置为1,其他位置置为0,并与seg_label按位相乘,再次获得一个过分割结果;
第三步,将相乘后的区域编号seg_label从小到大排序,依次赋予新的区域编号,并放入区域编号oseg_label图像的对应位置,该过程如附图4中的step3所示。
利用上述操作将统计区域合并分割方法与深度学习语义分割方法相结合,过分割的结果保证了目标区域既有统一的统计特征,又具有相似的高层语义特征;
步骤6:计算步骤5中过分割后图像的区域邻接图,获得每一区域与之邻接的区域编号和连结关系对。
建立区域邻接图的具体方法为:
第一步,步骤5中分割后的每一个图像区域都获得了一个编号oseg_label,对每一个编号,在邻接图建立一个对应的节点,标记为Rn,初始化邻接图G;
第二步,顺序扫描标号图,并在每一个像素角标(i,j)完成第三到五步,其中(i,j)为行列号;
第三步,令变量Label1=oseg_label(i,j);
第四步,查看像素(i,j)的右邻像素(i,j+1),令变量Label2=oseg_label(i,j+1),若Label1≠Label2,查看邻接图G中RLabel1与RLabel2是否建立连接,即GLabel1,Label2是否为1,若不为1,则置为1;
第五步,判断是否遍历所有像素位置,若否,则回到第二步,若是,则完成区域邻接图的建立。
其中,Label1、Label2为运算过程中用于暂存变量值的两个变量:Label1为像素位置为(i,j)处的过分割编号oseg_label,Label2为像素位置为(i,j+1)处的过分割编号oseg_label。RLabel1表示编号为Label1的节点,RLabel2表示编号为Label2的节点,GLabel1,Label2表示邻接图G中编号为Label1的节点和编号为Label2的节点之间的边。
附图5展示了局部区域的邻接关系图。
步骤7:计算步骤5中过分割后图像的每一区域的几何特征、统计特征、纹理特征。其中几何特征包括:区域最小外接矩形长宽比、区域面积与最小外接矩形面积的比值,统计特征包括:区域灰度均值、区域灰度方差,纹理特征包括:区域最小外接矩形内部的熵、能量值、同质性、差异性。
上述特征的定义或计算方式如下:
①标号为i的区域面积为标号为i的像素总个数;
②区域最小外接矩形定义为包含区域所有像素的面积最小的矩形,区域最小外接矩形面积可由Matlab软件中的regionprops函数计算获得。
③区域最小外接矩形长宽比为区域最小外接矩形的长除以区域最小外接矩形的宽;
④区域面积与最小外接面积的比值为区域面积除以区域最小外接矩形面积;
⑤标号为i的区域灰度均值为标号为i的像素灰度平均值,反应对象的平均亮度;
⑤标号为i的区域灰度方差为标号为i的像素灰度方差,反应区域内灰度值的离散程度;
步骤8:根据区域邻接关系,利用步骤7计算获得区域几何特征、统计特征、纹理特征,以及步骤3获得的概率值prob,进行相邻区域的相似性分析,合并满足相似性阈值的区域,并依次向外扩展合并,直至全部相邻区域均不满足合并条件,获得合并区域结果及每一个区域的编号merge_label,并再次计算合并后各区域的几何特征、统计特征、纹理特征。
本实施例中,相似性分析准则为:
s(reg1,reg2)=λstfstat(reg1,reg2)+∑λtftexture,t(reg1,reg2)+∑λsfshape,s(reg1,reg2)+λpΔprob
其中,regi,i=1,2,代表相邻接的两个区域,s(reg1,reg2)为reg1,reg2两个区域的相似性函数,fstat为统计特征相似度度量函数:
μi为区域灰度均值,σi为区域灰度方差,i=1,2,代表相邻接的两个区域;
ftexture,t为纹理特征相似度度量函数,t=1,2,3,4,代表4个不同的纹理特征相似度度量函数:
ftexture,1(reg1,reg2)=|entropy1-entropy2|2
ftexture,2(reg1,reg2)=|energy1-energy2|2
ftexture,3(reg1,reg2)=|homo1-homo2|2
ftexture,4(reg1,reg2)=|hetero1-hetero2|2
entroyi,energyi,homoi,heteroi分别为区域最小外接矩形内部的熵、能量值、同质性和差异性特征,i=1,2,代表相邻接的两个区域;
fshape,s为几何特征相似度度量函数,s=1,2,代表2个不同的几何特征相似度度量函数:
arc_ratioi,area_ratioi分别为区域regi的区域面积与最小外接矩形面积的比值,区域最小外接矩形长宽比,i=1,2,代表相邻接的两个区域;
Δprob为相邻两区域预测概率的平均值之差。λst,λt,λs,λp均为加权系数,用于平衡各相似度度量函数对区域相似性函数的权重,本实施例中, 即各加权系数为对应相似度度量函数最大值的倒数,使各相似度度量函数值归一化。
上述相似性指标s(reg1,reg2)越小,则两邻接区域相似度越高。
步骤9:计算步骤8中合并区域后图像各区域的邻接图,获得每一区域与之邻接的区域编号和连结关系对。具体方法同步骤6。
步骤10:将数据集中的建筑目标随机划分为20%用于训练,80%用于测试。选择20%的建筑目标为训练样本,训练样本中的建筑目标标注有“房顶”、“墙体”、“建筑地面阴影”三类区域,
实施例以步骤8中提取的合并区域的几何特征、统计特征、纹理特征特征以及区域内属于“建筑目标”的平均概率值prob共计10维特征作为输入,采用随机森林分类器,将测试图像中对应的建筑目标“房顶”、“墙体”、“建筑地面阴影”三类区域提取出来,获得建筑目标区域的初步提取结果。
随机森林分类器是通用的分类方法,为现有技术,具体可参见Breiman L.RandomForest[J],Machine Learning.2001,45(1),5—32.Matlab、python等科学计算平台均支持随机森林分类器方法。
步骤11:利用步骤9建立的区域邻接图,判断步骤10中初步提取结果所属区域是否能够与其邻接区域形成建筑目标的相应独特结构。
建筑目标一般可以视为由房顶和墙体组成的目标,并且在SAR成像时会因建筑遮挡而产生地面的阴影。在SAR影像中建筑目标的房顶、墙体和地面阴影表现出不同的图像特征。
其中,建筑目标的房顶和墙体具有较强的后向散射,因此房顶区域和墙体区域像素值一般较大,表现出高亮的图像特征;
地面阴影区域是由建筑遮挡产生,因此后向散射微弱,地面阴影区域一般表现出暗黑的图像特征;
建筑目标周围的背景区域,一般像素分布均匀,表现出均匀的亮度和纹理特征。
因此,当某一区域与其邻接区域若构成建筑目标,则应包含房顶和墙体、图像背景、建筑地面阴影三个区域,其中房顶和墙体区域具有高亮的灰度特点,图像背景具有匀质的灰度特点、建筑地面阴影区域具有暗黑的灰度特点,因此可通过判断步骤10中初步提取结果所属区域与其邻接区域是否形成高亮区域-匀质区域-暗黑区域相互邻接的区域邻接结构,若可以形成,则可判定为建筑目标,否则该区域不是建筑目标。通过这一方式,可以进一步筛选步骤10中提取的区域是否为建筑区域。
本实施例中,若区域的灰度均值高于全图灰度值的前15%,则认为该区域为具有高亮区域,若低于全图灰度值的后15%,则认为该区域为暗黑区域,其他属于匀质区域。此参数属于经验参数,可根据检测效果进行调整,或设计具有自适应选择参数的方法划定高亮区域、暗黑区域的判定标准。
具体实施时,以上流程可采用计算机软件技术实现自动运行,运行本发明方法流程的系统装置也应当在保护范围内。
为便于实施参考起见,结合Sandia实验室机载FARAD Ka波段0.1米分辨率单极化SAR影像、miniSAR0.1米分辨率单极化SAR影像,以及机载0.5米分辨率单极化SAR影像对本发明的有效性和准确性做进一步说明。
1.测试数据
测试数据7幅影像,其中0.1米分辨率影像4幅,图像尺寸为2510x1638,0.5米分辨率影像3幅,图像尺寸为4000x2000。测试数据中共包含建筑目标173个。附图7a、7b、7c分别展示了机载0.5米分辨率单极化SAR影像、Sandia实验室机载miniSAR0.1米分辨率单极化SAR影像和FARAD Ka波段0.1米分辨率单极化SAR影像。机载FARAD Ka波段0.1米分辨率单极化SAR影像、miniSAR0.1米分辨率单极化SAR影像分辨率高,建筑目标较大,结构信息、成像细节丰富,图像中的主要目标有建筑、树木、道路和车辆等。机载0.5米分辨率单极化SAR影像分辨率相对较低,建筑目标尺寸相对较小,但建筑目标结构特征显著,轮廓清晰。附图7中建筑目标类型多样、朝向不同,且建筑结构各不相同,但都具有“高亮房顶/L形墙体”—“地面阴影”—“匀质背景”这一独特的建筑目标成像特性。
2.建筑目标检测试验
依据本专利步骤,依次进行影像分割、区域分类、区域邻接结构筛选及获得建筑目标检测结果。附图8展示了三幅测试影像分割结果、建筑区域的初步提取结果及与其邻接的区域,其中图8a、8b、8c为三幅不同的测试影像,8d-8f分别为对应的影像分割结果,8g-8i分别为对应的建筑提取结果及邻接关系图。可以看出,利用统计区域合并分割影像后,同质像元组成大小不同的区域,每个区域都具有形状、纹理、空间拓扑关系、层次等属性;同时,分割结果还可以提供SAR图像整体的结构信息、确定边缘的位置,有助于发现潜在的感兴趣区域。分类后,大量背景区域被剔除,保留了建筑区域和少量与建筑区域特征相似的背景区域。通过“高亮-匀质-暗黑”得区域邻接结构筛选后,可获得建筑目标检测结果。部分建筑目标检测结果图如图9所示,其中图9a、9b、9c为原始影像,图9d、9e、9f分别为对应的建筑目标检测结果。在包含173个建筑目标的7幅测试影像中进行实验,利用本专利方法,建筑目标发现率达91.90%,虚警率为14.7%。
通过以上实验结果以及精度评价,可以看出充分利用SAR影像成像特点和建筑目标在SAR影像中的结构信息,能够对具有复杂、多样结构、不同朝向的建筑目标实现简单、有效的检测。
本发明的创新之处在于,基于SAR影像成像特点和建筑目标结构信息构建检测方法,充分利用建筑目标在SAR影像中具有高亮区域-匀质区域-暗黑区域相互邻接的独特成像特性和结构特性,通过区域分割和邻接区域特性分析,使用统计、纹理等特征制定建筑目标筛选规则,将包含目标的子区域以特定的结构组织聚合为完整的目标区域。以建筑目标的成像结构特征构建的“建筑区域聚合规则”简单、有效且具有普适性,能够适用于多种尺寸、不同朝向、不同结构特征的建筑,提高了方法的准确性和实用性。
以上所述仅为本发明的优选实施例而已,并不用以限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于结构特性的高分辨率单极化SAR影像建筑目标检测方法,其特征在于,包括以下步骤:
步骤1,读入高分辨率单极化SAR影像;
步骤2,利用统计区域合并的方法进行图像分割,利用统计特征将输入的高分辨率单极化SAR影像划分为若干区域,并获得每一区域的编号seg_label;
步骤3,将输入的高分辨率单极化SAR影像通过深度语义分割网络,获得SAR影像每一像素位置属于“建筑目标”和“背景”的概率值prob,并根据概率值prob的大小对每一个像素位置赋予一个伪标签pseudo_label,实现如下,
当该像素属于“建筑目标”的概率值prob建筑大于该像素属于“背景”的概率值prob背景时,该像素的伪标签为“建筑”,pseudo_label=1,
否则为“背景”,pseudo_label=0;
步骤4,计算伪标签pseudo_label对应的二值图像的连通域,并获得连通域编号connect_label;
步骤5,利用步骤2获得的区域编号seg_label和步骤4获得的连通域编号connect_label,对原始SAR影像进行区域的交运算,获得图像的过分割结果及相应的区域编号oseg_label;过分割的结果保证了目标区域既有统一的统计特征,又具有相似的高层语义特征;
步骤6,计算步骤5中过分割后图像的区域邻接图,获得每一区域与之邻接的区域编号和连结关系对;
步骤7,计算步骤5中过分割后图像的每一区域的几何特征、统计特征和纹理特征;
步骤8,根据区域邻接关系,利用步骤7所得区域几何特征、统计特征、纹理特征,以及步骤3获得的概率值prob,进行相邻区域的相似性分析,合并满足相似性阈值的区域,并依次向外扩展合并,直至全部相邻区域均不满足合并条件,获得合并区域结果及每一个区域的编号merge_label,并再次计算合并后各区域的几何特征、统计特征、纹理特征;
步骤9,计算步骤8中合并区域后图像各区域的邻接图,获得每一区域与之邻接的区域编号和连结关系对;
步骤10,将数据集中的建筑目标随机划分为训练样本和测试样本,训练样本中的建筑目标标注有“房顶”、“墙体”、“建筑地面阴影”三类区域,
步骤11,基于SAR影像中建筑目标的房顶、墙体和地面阴影表现出的不同图像特征,利用步骤9建立的区域邻接图,判断步骤10中初步提取结果所属区域是否能够与邻接区域形成建筑目标的相应结构,得到建筑目标检测结果。
2.根据权利要求1所述基于结构特性的高分辨率单极化SAR影像建筑目标检测方法,其特征在于:步骤2中,统计区域合并方法包含如下两步,
第一步,分别计算坐标位置为(x,y)的像素与其四邻域的四个像素之间的关系f(p,q)的值,并将f(p,q)的值从小到大排序;
第二步,根据f(p,q)的值,从大到小依次遍历所有像素对,满足以下合并准则即合并,
3.根据权利要求1所述基于结构特性的高分辨率单极化SAR影像建筑目标检测方法,其特征在于:步骤3中,深度语义分割网络采用编码-解码网络结构,编码网络由卷积层、批归一化、激活函数和池化层组成,用于提取输入数据的多尺度语义特征;解码网络由上采样、反卷积层、批归一化组成,用于恢复特征图的空间分辨率并预测目标像素位置;同时,解码网络利用编码网络池化时保存的相应特征层的最大池化索引信息,将低分辨率的特征图映射到高分辨率的特征图,实现低维向量到高维向量的重构;
将高分辨率单极化SAR影像输入深度语义分割网络,网络模型将根据学习到的权重参数进行前向运算,输出与输入影像尺寸等大的预测概率和预测结果;其中,预测概率给出了每一像素位置属于建筑目标的概率大小和属于背景的概率大小,预测结果根据预测概率值为每一像素位置赋予建筑目标或背景的标签。
4.根据权利要求1或2或3所述基于结构特性的高分辨率单极化SAR影像建筑目标检测方法,其特征在于:步骤7中,几何特征包括区域最小外接矩形长宽比、区域面积与最小外接矩形面积的比值,统计特征包括区域灰度均值、区域灰度方差,纹理特征包括区域最小外接矩形内部的熵、能量值、同质性、差异性。
5.根据权利要求4所述基于结构特性的高分辨率单极化SAR影像建筑目标检测方法,其特征在于:步骤8中,进行相邻区域的相似性分析时,采用如下相似性分析准则,
s(reg1,reg2)=λstfstat(reg1,reg2)+∑λtftexture,t(reg1,reg2)+∑λsfshape,s(reg1,reg2)+λpΔprob
其中,regi,i=1,2,代表相邻接的两个区域,s(reg1,reg2)为reg1,reg2两个区域的相似性函数,fstat为统计特征相似度度量函数,
μi为区域灰度均值,σi为区域灰度方差,i=1,2,代表相邻接的两个区域;
ftexture,t为纹理特征相似度度量函数,t=1,2,3,4,代表4个不同的纹理特征相似度度量函数,
ftexture,1(reg1,reg2)=|entropy1-entropy2|2
ftexture,2(reg1,reg2)=|energy1-energy2|2
ftexture,3(reg1,reg2)=|homo1-homo2|2
ftexture,4(reg1,reg2)=|hetero1-hetero2|2
entroyi,energyi,homoi,heteroi分别为区域最小外接矩形内部的熵、能量值、同质性和差异性特征,i=1,2,代表相邻接的两个区域;
fshape,s为几何特征相似度度量函数,s=1,2,代表2个不同的几何特征相似度度量函数,
arc_ratioi,area_ratioi分别为区域regi的区域面积与最小外接面积的比值,区域最小外接矩形长宽比,i=1,2,代表相邻接的两个区域;
Δprob为相邻两区域预测概率的平均值之差;
λst,λt,λs,λp均为加权系数,用于平衡各相似度度量函数对区域相似性函数的权重。
6.根据权利要求1或2或3或4或5所述基于结构特性的高分辨率单极化SAR影像建筑目标检测方法,其特征在于:步骤10中,以步骤8中提取的合并区域的几何特征、统计特征、纹理特征特征以及区域内属于“建筑目标”的平均概率值prob共计10维特征作为输入,采用随机森林分类器,将测试图像中对应的建筑目标“房顶”、“墙体”、“建筑地面阴影”三类区域提取出来,获得建筑目标区域的初步提取结果。
7.根据权利要求6所述基于结构特性的高分辨率单极化SAR影像建筑目标检测方法,其特征在于:步骤11中,针对步骤10中初步提取结果所属区域与邻接区域,判断是否形成高亮区域-匀质区域-暗黑区域相互邻接的区域邻接结构,若可以形成,则判定为建筑目标,否则不是建筑目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010475776.4A CN111666856B (zh) | 2020-05-29 | 2020-05-29 | 基于结构特性的高分辨率单极化sar影像建筑目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010475776.4A CN111666856B (zh) | 2020-05-29 | 2020-05-29 | 基于结构特性的高分辨率单极化sar影像建筑目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111666856A true CN111666856A (zh) | 2020-09-15 |
CN111666856B CN111666856B (zh) | 2022-08-05 |
Family
ID=72385291
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010475776.4A Active CN111666856B (zh) | 2020-05-29 | 2020-05-29 | 基于结构特性的高分辨率单极化sar影像建筑目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111666856B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113268493A (zh) * | 2021-04-26 | 2021-08-17 | 上海卫星工程研究所 | 高分辨率星载sar海量数据快速预处理方法及系统 |
CN113780422A (zh) * | 2021-09-13 | 2021-12-10 | 北京环境特性研究所 | 背景杂波相似性评估方法及装置 |
CN114842330A (zh) * | 2022-03-29 | 2022-08-02 | 深圳市规划和自然资源数据管理中心 | 一种多尺度背景感知池化弱监督建筑物提取方法 |
CN115239746A (zh) * | 2022-09-23 | 2022-10-25 | 成都国星宇航科技股份有限公司 | 一种面向对象的遥感图像分割方法、装置、设备及介质 |
CN116818830A (zh) * | 2023-08-29 | 2023-09-29 | 山东津庭名企建材有限公司 | 一种低碳建筑材料的保温隔热性能检测方法 |
CN117237804A (zh) * | 2023-09-15 | 2023-12-15 | 江苏三棱智慧物联发展股份有限公司 | 基于联邦学习的烟火识别系统及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130108148A1 (en) * | 2011-05-04 | 2013-05-02 | Raytheon Company | Automated building detecting |
CN103198479A (zh) * | 2013-03-27 | 2013-07-10 | 西安电子科技大学 | 基于语义信息分类的sar图像分割方法 |
CN104200521A (zh) * | 2014-09-04 | 2014-12-10 | 中国科学院遥感与数字地球研究所 | 基于模型先验的高分辨率 sar 图像建筑物目标三维重建方法 |
CN104778714A (zh) * | 2015-05-04 | 2015-07-15 | 福建师范大学 | 一种基于阴影和分割的高空间分辨率遥感影像建筑物检测方法 |
CN105608691A (zh) * | 2015-12-17 | 2016-05-25 | 武汉大学 | 一种高分辨率sar影像单体建筑提取方法 |
CN108389191A (zh) * | 2018-02-09 | 2018-08-10 | 中国科学院电子学研究所 | 一种sar图像中目标阴影区域的检测方法 |
CN111126183A (zh) * | 2019-12-09 | 2020-05-08 | 武汉大学 | 一种基于近地面影像数据的震后建筑物损毁检测方法 |
-
2020
- 2020-05-29 CN CN202010475776.4A patent/CN111666856B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130108148A1 (en) * | 2011-05-04 | 2013-05-02 | Raytheon Company | Automated building detecting |
CN103198479A (zh) * | 2013-03-27 | 2013-07-10 | 西安电子科技大学 | 基于语义信息分类的sar图像分割方法 |
CN104200521A (zh) * | 2014-09-04 | 2014-12-10 | 中国科学院遥感与数字地球研究所 | 基于模型先验的高分辨率 sar 图像建筑物目标三维重建方法 |
CN104778714A (zh) * | 2015-05-04 | 2015-07-15 | 福建师范大学 | 一种基于阴影和分割的高空间分辨率遥感影像建筑物检测方法 |
CN105608691A (zh) * | 2015-12-17 | 2016-05-25 | 武汉大学 | 一种高分辨率sar影像单体建筑提取方法 |
CN108389191A (zh) * | 2018-02-09 | 2018-08-10 | 中国科学院电子学研究所 | 一种sar图像中目标阴影区域的检测方法 |
CN111126183A (zh) * | 2019-12-09 | 2020-05-08 | 武汉大学 | 一种基于近地面影像数据的震后建筑物损毁检测方法 |
Non-Patent Citations (3)
Title |
---|
CHU H.等: "The algorithm of building area extraction based on boundary prior and conditional random field for SAR image", 《2013 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM - IGARSS》 * |
吴文福 等: "全极化SAR图像的建筑物提取研究", 《测绘科学》 * |
李晓斌 等: "光学遥感图像目标检测技术综述", 《航天返回与遥感》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113268493A (zh) * | 2021-04-26 | 2021-08-17 | 上海卫星工程研究所 | 高分辨率星载sar海量数据快速预处理方法及系统 |
CN113780422A (zh) * | 2021-09-13 | 2021-12-10 | 北京环境特性研究所 | 背景杂波相似性评估方法及装置 |
CN113780422B (zh) * | 2021-09-13 | 2023-06-27 | 北京环境特性研究所 | 背景杂波相似性评估方法及装置 |
CN114842330A (zh) * | 2022-03-29 | 2022-08-02 | 深圳市规划和自然资源数据管理中心 | 一种多尺度背景感知池化弱监督建筑物提取方法 |
CN114842330B (zh) * | 2022-03-29 | 2023-08-18 | 深圳市规划和自然资源数据管理中心 | 一种多尺度背景感知池化弱监督建筑物提取方法 |
CN115239746A (zh) * | 2022-09-23 | 2022-10-25 | 成都国星宇航科技股份有限公司 | 一种面向对象的遥感图像分割方法、装置、设备及介质 |
CN115239746B (zh) * | 2022-09-23 | 2022-12-06 | 成都国星宇航科技股份有限公司 | 一种面向对象的遥感图像分割方法、装置、设备及介质 |
CN116818830A (zh) * | 2023-08-29 | 2023-09-29 | 山东津庭名企建材有限公司 | 一种低碳建筑材料的保温隔热性能检测方法 |
CN116818830B (zh) * | 2023-08-29 | 2023-12-01 | 山东津庭名企建材有限公司 | 一种低碳建筑材料的保温隔热性能检测方法 |
CN117237804A (zh) * | 2023-09-15 | 2023-12-15 | 江苏三棱智慧物联发展股份有限公司 | 基于联邦学习的烟火识别系统及方法 |
CN117237804B (zh) * | 2023-09-15 | 2024-02-13 | 江苏三棱智慧物联发展股份有限公司 | 基于联邦学习的烟火识别系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111666856B (zh) | 2022-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111666856B (zh) | 基于结构特性的高分辨率单极化sar影像建筑目标检测方法 | |
Cheng et al. | Automated detection of sewer pipe defects in closed-circuit television images using deep learning techniques | |
Lei et al. | Multiscale superpixel segmentation with deep features for change detection | |
CN109871902B (zh) | 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 | |
Niemeyer et al. | Classification of urban LiDAR data using conditional random field and random forests | |
CN107067405B (zh) | 基于尺度优选的遥感影像分割方法 | |
CN103871039B (zh) | 一种sar图像变化检测差异图生成方法 | |
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 | |
CN109446894B (zh) | 基于概率分割及高斯混合聚类的多光谱图像变化检测方法 | |
CN113159120A (zh) | 一种基于多尺度跨图像弱监督学习的违禁物检测方法 | |
Medina-Carnicer et al. | Unimodal thresholding for edge detection | |
Tang et al. | A multiple-point spatially weighted k-NN method for object-based classification | |
Zhang et al. | Endmember extraction from hyperspectral image based on discrete firefly algorithm (EE-DFA) | |
Guo et al. | Surface defect detection of civil structures using images: Review from data perspective | |
Fan | Detection of multidamage to reinforced concrete using support vector machine‐based clustering from digital images | |
CN115170978A (zh) | 车辆目标检测方法、装置、电子设备及存储介质 | |
dos Santos et al. | The use of Otsu algorithm and multi-temporal airborne LiDAR data to detect building changes in urban space | |
CN109961028A (zh) | 基于三维块匹配和全连接条件随机场的sar检测方法 | |
CN110136143A (zh) | 基于admm算法的马氏场下多分辨率遥感图像分割方法 | |
CN112164087B (zh) | 基于边缘约束和分割边界搜索的超像素分割方法及装置 | |
CN116129280B (zh) | 一种遥感影像雪检测的方法 | |
Mu et al. | Change detection in SAR images based on the salient map guidance and an accelerated genetic algorithm | |
Al-Shammri et al. | A combined method for object detection under rain conditions using deep learning | |
CN115984712A (zh) | 基于多尺度特征的遥感图像小目标检测方法及系统 | |
CN113963270A (zh) | 一种高分遥感影像建筑物检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |