CN112241957A - 一种仿生高分遥感影像变化检测方法 - Google Patents
一种仿生高分遥感影像变化检测方法 Download PDFInfo
- Publication number
- CN112241957A CN112241957A CN202011211147.7A CN202011211147A CN112241957A CN 112241957 A CN112241957 A CN 112241957A CN 202011211147 A CN202011211147 A CN 202011211147A CN 112241957 A CN112241957 A CN 112241957A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- image
- resolution remote
- sensing image
- change detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 51
- 230000008859 change Effects 0.000 title claims abstract description 47
- 239000011664 nicotinic acid Substances 0.000 title claims abstract description 16
- 150000001875 compounds Chemical class 0.000 claims abstract description 11
- 230000004927 fusion Effects 0.000 claims abstract description 7
- 238000003709 image segmentation Methods 0.000 claims abstract description 6
- 230000001052 transient effect Effects 0.000 claims abstract description 3
- 230000011218 segmentation Effects 0.000 claims description 12
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 238000000034 method Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000000875 corresponding effect Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000002146 bilateral effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000000717 retained effect Effects 0.000 claims description 4
- 230000005764 inhibitory process Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 2
- 230000008030 elimination Effects 0.000 abstract description 3
- 238000003379 elimination reaction Methods 0.000 abstract description 3
- 230000035945 sensitivity Effects 0.000 abstract description 3
- 210000000608 photoreceptor cell Anatomy 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 2
- 230000003915 cell function Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Images
Classifications
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge 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
- G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
-
- 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
- G06T2207/10024—Color image
-
- 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
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种仿生高分遥感影像变化检测方法，步骤如下：首先，建立多时相影像自适应配准模型。在此基础上，建立仿复眼“弹药筒”的信息融合模型，并通过融合多种特征信息对高分辨遥感影像进行分割；最后，对上述的影像分割结果，建立仿复眼瞬态整流单元的高分辨率变化检测方法。本发明通过转化蝇复眼对目标检测的精准性和动态变化的强敏感性以及多小眼间精准配准和消除视差等优势，建立了一种仿生高分辨率遥感影像变化检测模型，可为解决高分遥感变化检测的难点提供一种有效的技术路线。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及到一种仿生高分遥感影像变化检测方法。
背景技术
随着多时相高分辨率遥感数据的不断积累以及空间数据库的相继建立，如何从这些遥感数据中提取和检测变化信息已成为遥感科学和地理信息科学的重要研究课题。根据同一区域不同时相的遥感影像，可以提取城市、环境等动态变化的信息，为资源管理与规划、环境保护等部门提供科学决策的依据。
遥感影像的变化检测就是从不同时期的遥感数据中，定量地分析和确定地表变化的特征与过程。各国学者从不同的角度和应用研究提出了许多有效的检测算法，如变化矢量分析法（Change Vector Analysis，CVA）、分类后比较法等。然而，上述这些传统的变化检测方法应用于高分辨率（光学）遥感影像时，又会出现新的难点和问题，比如：（1）配准误差和视差效果对高分辨率遥感影像变化检测的影响更加明显；（2）空间分辨率的提高会产生“同物异谱”和“同谱异物”现象，从而导致变化类和非变化类的可分性降低。
针对上述难点和存在的问题，许多学者试图通过对传统算法的改进，或者引入诸多约束条件，或者借助人工智能领域的知识来解决高分辨率遥感影像变化检测中的问题。尽管这些检测方法都具有一定的潜力，但是高分辨率影像检测环境的复杂化以及目标先验信息匮乏等，导致这些算法都存在着一定的局限性。
发明内容
为了解决高分遥感变化检测的上述难点，本发明提供了一种仿生高分遥感影像变化检测方法。
本发明采用的技术方案如下：一种仿生高分遥感影像变化检测方法，步骤如下：
步骤1．建立高分辨率遥感影像的自适应配准模型，实现多时相高分辨率遥感影像数据的辐射校正，以及多时相遥感数据的自适应配准；
步骤2．建立仿复眼“弹药筒”的融合模型，实现数据冗余的去除、融合和增强；
步骤3．建立仿复眼瞬态整流单元的高分辨率遥感影像变化检测模型，实现非线性自适应调整、局部侧抑制和相反极性通道的功能，完成变化检测。
优选的，步骤1中，所述自适应配准模型采用基于相位一致性的自适应配准算法，并通过对数Gabor小波来求取影像的局部能量函数、各次谐波的幅度。
优选的，步骤2具体为：首先对输入经过辐射校正和几何校正的影像进行迭合，然后应用非线性滤波去除背景噪声、配准误差噪声，再提取空域、频域特征和多尺度影像分割，最后将分割结果按照坐标投影到影像的对应位置中。
优选的，步骤2中，所述非线性滤波的步骤为：
采用彩色双边滤波器，先将滤波过的多光谱遥感数据经过IHS变换，然后经过下式获取新的强度分量，
式中I 1 表示滤波输出的新的强度分量影像，I表示原始彩色影像的强度分量，f(p-s)表示空域滤波器，g(E p -E s )像素相似性度量函数，Ω是p的邻域；
保持原多光谱影像的H分量和S分量不变，用I 1 替换I，经过IHS逆变换，得到滤波处理后的多光谱影像。
优选的，步骤2中，所述多尺度影像分割采用基于多尺度分析的联合空域、频域特征分割策略。
优选的，步骤3具体为：在步骤2的基础上，利用两个时相的分割单元，构建面向对象的变分信息计算模型，以此来衡量提取的特征对象是否发生变化；经过非线性自适应处理之后，相应于背景的特征信息得到抑制，而目标的特征信息则被保留；再利用中心侧抑制机理可以将变化的目标特征进行增强，从而降低检测结果的虚警率。
优选的，步骤3中，对于小目标的检测，利用高阶神经元on通道和off通道对应于特征基元的两个边缘，将相反极性通道平移后相关，获得变化信息的检测结果。
本发明的有益效果是：本发明通过转化蝇复眼对目标检测的精准性和动态变化的强敏感性以及多小眼间精准配准和消除视差等优势，建立了一种仿生高分辨率遥感影像变化检测模型，可为解决高分遥感变化检测的难点提供一种有效的技术路线。
附图说明
图1是本发明实施例的技术线路图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
在自然界，蝇能够检测相对于环境的运动，不断地校正以稳定其飞行路线，同时能在复杂的自然环境中或者目标和背景几乎无相对运动的情况下追踪和捕捉目标。因此，蝇的目标变化检测信息处理方式与高分辨率遥感影像的变化检测具有原理上的相通性。本实施例通过转化蝇复眼对目标检测的精准性和动态变化的强敏感性以及多小眼间精准配准和消除视差等优势，建立了一种仿生高分辨率遥感影像变化检测模型，可为解决高分遥感变化检测的难点提供一种有效的技术路线。
如图1所示，本实施例采取的方法包括三个层次：第一个层次，实现多时相高分辨率遥感影像数据的辐射校正，以及多时相遥感数据的自适应配准；第二个层次，将经过配准的多时相高分辨率遥感数据，通过仿蝇的“弹药筒”模型，实现数据冗余的去除、融合和增强；第三个层次，建立仿复眼瞬态整流单元（Rectifying Transient Cell，RTC）的高分辨率变化检测方法，实现非线性自适应调整、局部侧抑制和相反极性通道的功能，完成变化检测。具体的实施步骤如下。
步骤1．基于相位一致性的高分辨率遥感影像自适应配准模型。
由于多时相遥感影像获取的时间及环境可能有较大的不同，会导致影像在整体和局部上会有对比度和光照的变化，造成配准的精度不高。影像的相位谱比幅度谱包含有更重要的信息，考虑到生物视觉感知影像特征总是位于相位一致性高的像点上，而影像特征的类型由相位值来决定。诸多的研究也证明相位一致性模型能够成功地解释生物视觉感知相位信息的有效性及对噪声、亮度和对比度的变化的稳健性。
拟采用基于相位一致性的自适应配准算法，并通过对数Gabor小波来求取影像的局部能量函数、各次谐波的幅度。配准算法设计时，利用正交小波缩小影像的尺寸，以降低配准的复杂度。相位一致特征点提取以低频近似分量为基准，并以相位一致的主矩的最小值来检测特征点。互相关信息量为度量特征点的匹配程度。影像的变换模型的选择以变换后的影像和参考影像的相关系数的最大化进行自适应选择。
步骤2．建立仿复眼“弹药筒”的融合模型。
蝇视觉系统中，薄板层的“弹药筒”对输入的光感细胞信息进行整合，并去除冗余信息。拟建立的模型对输入的经过辐射校正和几何校正的影像首先进行迭合，然后应用非线性滤波去除背景噪声、配准误差噪声。进而，提取空域、频域特征，并做多尺度分割。
A．基于彩色双边滤波器的非线性滤波。
在处理相邻像素值的灰度时，不仅考虑到了空间的邻域关系，也考虑到了灰度的相似关系，可以去除影像的噪声（包括误差配准噪声），并且可以在平滑影像的同时保持影像的边缘。本项目拟采用彩色双边滤波器，先将滤波过的多光谱遥感数据经过IHS变换，然后再经过下式获取新的强度分量：
式中I 1 表示滤波输出的新的强度分量影像，I表示原始彩色影像的强度分量，f(p-s)表示空域滤波器，g(E p -E s )像素相似性度量函数，Ω是p的邻域。最后，保持原多光谱影像的H分量和S分量不变，用I 1 替换I，经过IHS逆变换，得到滤波处理后的多光谱影像。采用彩色双边滤波器，既有效的滤除了噪声，又保留了影像的边缘和色彩的连续性。
B．空域、频域特征抽取和多尺度影像分割。
蝇类视觉系统中，有8个光感细胞R1-R8，其中外围的光感细胞R1-R6用来感知目标，内部的光感细胞R7-R8主要用来感知颜色特征。在仿蝇R1-R6的光感细胞功能时，其中光谱特征采用亮度、方差；形状特征采用面积、密度以及边界长度等；纹理特征采用同质度和熵（灰度共生矩阵的自相关系数、惯性矩、能量）来表示；在仿蝇R7-R8的光感细胞功能时，颜色特征采用假彩色特征。频域特征包括不同尺度的基于傅里叶描述子抽取的特征信息。双时相组合所得的多光谱影像，其分割采用基于多尺度分析的联合空域、频域特征分割策略。另外，拟借鉴光谱角填图（Spetral Angle Mapping，SAM）的思想对分割的结果再进行区域（对象）合并。在此基础上，将分割结果分别套合在T1和T2时相的影像中。所谓套合，就是将分割结果（即边界）按照坐标投影到影像的对应位置中去。
步骤3．建立仿复眼RTC的高分辨率遥感影像变化检测模型。
考虑到蝇的空域的静态处理和时域的动态特征交换是一个非线性自适应的处理过程，在上述影像分割的基础上，利用两个时相的分割单元，构建面向对象的变分信息计算模型，并以此来衡量提取的特征对象是否发生变化。经过非线性自适应处理之后，相应于背景的特征信息得到抑制，而目标的特征信息则被保留。此时利用中心侧抑制机理可以将变化的目标特征进行增强，从而降低检测结果的虚警率。
对于小目标的检测，则利用高阶神经元on通道和off通道对应于特征基元的两个边缘，将相反极性通道平移后相关即可获得变化信息的检测结果。具体的技术设计为：
对于on通道，非线性自适应机理模拟为：
其中，on(i,j)为MS1影像上的第i个对象和MS2影像上第j个对象在on通道的联合变化特征强度，Δs为on(i,j)与on(m,n)像元之间的变分距离。ζ是响应衰减（增强）系数，若(i, j)位置上信号强度低于其周围邻域信号的强度on(m,n)，则ζ的取值大于1，实现对比度的慢速衰减；反之ζ的取值小于1，实现对比度的快速增加。on通道和off通道就相当于通道1和通道2。
相关计算表示为
其中，(δ,σ)为相反极性边缘分别在水平方向和垂直方向相隔空间距离。通过二阶相关计算，变化的信息因其具有成对出现的相反极性边缘而被保留，其它背景纹理和边缘特征将被抑制。
此外，本实施例还具有应用验证步骤。应用验证时，采用先使用模拟数据后采用真实遥感数据的思路。通过模拟数据来检验仿蝇视觉变化检测模型，并采用类比的方法评价模型的精度。在此基础上，再利用多光谱IKONOS（QuickBird）影像数据，采用所建立的模型验证城区、土地等典型区域的变化检测，比较尺度的不同对遥感变化检测的影响，并对检测结果进行比对分析。在对检测结果评价时，可先采用目视解译的方法，结合变化的属性、特征等因素，从原始影像上获取参考数据，然后采用混淆矩阵，根据Kappa系数、总体精度、漏检率、虚检率等精度指标进行评定，并优化仿蝇“弹药筒”融合模型、仿蝇RTC变化检测模型的相关参数。
显然，本发明的上述实施例仅仅是为了说明本发明所作的举例，而并非对本发明的实施方式的限定。属于本发明的实质精神所引申出的显而易见的变化或变动仍属于本发明的保护范围。
Claims (7)
1.一种仿生高分遥感影像变化检测方法，其特征在于步骤如下：
步骤1．建立高分辨率遥感影像的自适应配准模型，实现多时相高分辨率遥感影像数据的辐射校正，以及多时相遥感数据的自适应配准；
步骤2．建立仿复眼“弹药筒”的融合模型，实现数据冗余的去除、融合和增强；
步骤3．建立仿复眼瞬态整流单元的高分辨率遥感影像变化检测模型，实现非线性自适应调整、局部侧抑制和相反极性通道的功能，完成变化检测。
2.根据权利要求1所述的仿生高分遥感影像变化检测方法，其特征在于步骤1中，所述自适应配准模型采用基于相位一致性的自适应配准算法，并通过对数Gabor小波来求取影像的局部能量函数、各次谐波的幅度。
3.根据权利要求1所述的仿生高分遥感影像变化检测方法，其特征在于步骤2具体为：首先对输入经过辐射校正和几何校正的影像进行迭合，然后应用非线性滤波去除背景噪声、配准误差噪声，再提取空域、频域特征和多尺度影像分割，最后将分割结果按照坐标投影到影像的对应位置中。
4.根据权利要求3所述的仿生高分遥感影像变化检测方法，其特征在于步骤2中，所述非线性滤波的步骤为：
采用彩色双边滤波器，先将滤波过的多光谱遥感数据经过IHS变换，然后经过下式获取新的强度分量，
式中I 1 表示滤波输出的新的强度分量影像，I表示原始彩色影像的强度分量，f(p-s)表示空域滤波器，g(E p -E s )像素相似性度量函数，Ω是p的邻域；
保持原多光谱影像的H分量和S分量不变，用I 1 替换I，经过IHS逆变换，得到滤波处理后的多光谱影像。
5.根据权利要求3所述的仿生高分遥感影像变化检测方法，其特征在于步骤2中，所述多尺度影像分割采用基于多尺度分析的联合空域、频域特征分割策略。
6.根据权利要求1所述的仿生高分遥感影像变化检测方法，其特征在于步骤3具体为：在步骤2的基础上，利用两个时相的分割单元，构建面向对象的变分信息计算模型，以此来衡量提取的特征对象是否发生变化；经过非线性自适应处理之后，相应于背景的特征信息得到抑制，而目标的特征信息则被保留；再利用中心侧抑制机理可以将变化的目标特征进行增强，从而降低检测结果的虚警率。
7.根据权利要求6所述的仿生高分遥感影像变化检测方法，其特征在于步骤3中，对于小目标的检测，利用高阶神经元on通道和off通道对应于特征基元的两个边缘，将相反极性通道平移后相关，获得变化信息的检测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011211147.7A CN112241957A (zh) | 2020-11-03 | 2020-11-03 | 一种仿生高分遥感影像变化检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011211147.7A CN112241957A (zh) | 2020-11-03 | 2020-11-03 | 一种仿生高分遥感影像变化检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112241957A true CN112241957A (zh) | 2021-01-19 |
Family
ID=74170028
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011211147.7A Pending CN112241957A (zh) | 2020-11-03 | 2020-11-03 | 一种仿生高分遥感影像变化检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112241957A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101937079A (zh) * | 2010-06-29 | 2011-01-05 | 中国农业大学 | 基于区域相似度的遥感影像变化检测方法 |
| CN104299194A (zh) * | 2014-09-30 | 2015-01-21 | 杭州电子科技大学 | 一种噪声污染下的名片区域图像分割提取方法 |
| CN104657945A (zh) * | 2015-01-29 | 2015-05-27 | 南昌航空大学 | 复杂背景下多尺度时空联合滤波的红外小目标检测方法 |
| WO2019042232A1 (zh) * | 2017-08-31 | 2019-03-07 | 西南交通大学 | 一种快速鲁棒的多模态遥感影像匹配方法和系统 |
| CN109859219A (zh) * | 2019-02-26 | 2019-06-07 | 江西理工大学 | 结合相位与光谱的高分遥感影像分割方法 |
| CN111739067A (zh) * | 2020-05-28 | 2020-10-02 | 中国国土勘测规划院 | 一种遥感影像变化检测方法及装置 |
-
2020
- 2020-11-03 CN CN202011211147.7A patent/CN112241957A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101937079A (zh) * | 2010-06-29 | 2011-01-05 | 中国农业大学 | 基于区域相似度的遥感影像变化检测方法 |
| CN104299194A (zh) * | 2014-09-30 | 2015-01-21 | 杭州电子科技大学 | 一种噪声污染下的名片区域图像分割提取方法 |
| CN104657945A (zh) * | 2015-01-29 | 2015-05-27 | 南昌航空大学 | 复杂背景下多尺度时空联合滤波的红外小目标检测方法 |
| WO2019042232A1 (zh) * | 2017-08-31 | 2019-03-07 | 西南交通大学 | 一种快速鲁棒的多模态遥感影像匹配方法和系统 |
| CN109859219A (zh) * | 2019-02-26 | 2019-06-07 | 江西理工大学 | 结合相位与光谱的高分遥感影像分割方法 |
| CN111739067A (zh) * | 2020-05-28 | 2020-10-02 | 中国国土勘测规划院 | 一种遥感影像变化检测方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| 彭代锋: "基于多特征信息挖掘的对象级光学卫星影像变化检测研究", 中国博士学位论文全文数据库（基础科学辑）, 15 January 2020 (2020-01-15), pages 3 * |
| 徐立中: "多源监测信息融合仿生复眼型系统模式及感知计算机理", 智能系统学报, vol. 3, no. 4, 31 August 2008 (2008-08-31), pages 328 - 334 * |
| 黄凤辰 等: "受昆虫视觉启发的多光谱遥感影像小目标检测", 通信学报, vol. 32, no. 9, 30 September 2011 (2011-09-30), pages 88 - 93 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cong et al. | RRNet: Relational reasoning network with parallel multiscale attention for salient object detection in optical remote sensing images | |
| Zhang et al. | Global and local saliency analysis for the extraction of residential areas in high-spatial-resolution remote sensing image | |
| Yin et al. | Hot region selection based on selective search and modified fuzzy C-means in remote sensing images | |
| Zhang et al. | A categorization of multiscale-decomposition-based image fusion schemes with a performance study for a digital camera application | |
| Wang et al. | Land cover change detection at subpixel resolution with a Hopfield neural network | |
| CN111079556A (zh) | 一种多时相无人机视频图像变化区域检测及分类方法 | |
| CN109509164B (zh) | 一种基于gdgf的多传感器图像融合方法及系统 | |
| Zhang et al. | Multi-focus image fusion algorithm based on focused region extraction | |
| Zi et al. | Thin cloud removal for multispectral remote sensing images using convolutional neural networks combined with an imaging model | |
| CN109558806A (zh) | 高分遥感图像变化的检测方法和系统 | |
| Zhang et al. | CNN cloud detection algorithm based on channel and spatial attention and probabilistic upsampling for remote sensing image | |
| Wang et al. | Spatiotemporal subpixel mapping of time-series images | |
| CN112308873A (zh) | 多尺度Gabor小波PCA融合图像边缘检测方法 | |
| Huang et al. | A new haze removal algorithm for single urban remote sensing image | |
| Xu et al. | Feature-based constraint deep CNN method for mapping rainfall-induced landslides in remote regions with mountainous terrain: An application to Brazil | |
| CN115272876A (zh) | 一种基于深度学习的遥感图像船舶目标检测方法 | |
| Hua et al. | Background extraction using random walk image fusion | |
| Hu et al. | Cloud removal of remote sensing image based on multi-output support vector regression | |
| Bai et al. | Making the Earth clear at night: A high-resolution nighttime light image deblooming network | |
| Langmann et al. | Comparison of depth super-resolution methods for 2D/3D images | |
| CN109087334A (zh) | 基于显著语境稀疏表示的目标追踪方法 | |
| Zhu et al. | A novel change detection method based on high-resolution SAR images for river course | |
| CN112241957A (zh) | 一种仿生高分遥感影像变化检测方法 | |
| CN110287939A (zh) | 天基智能图像处理方法 | |
| CN115239607A (zh) | 一种红外和可见光图像自适应融合的方法及系统 |
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 |