CN112419266B - 一种地表覆盖类别约束的遥感影像变化检测方法 - Google Patents

一种地表覆盖类别约束的遥感影像变化检测方法 Download PDF

Info

Publication number
CN112419266B
CN112419266B CN202011318095.3A CN202011318095A CN112419266B CN 112419266 B CN112419266 B CN 112419266B CN 202011318095 A CN202011318095 A CN 202011318095A CN 112419266 B CN112419266 B CN 112419266B
Authority
CN
China
Prior art keywords
probability
pixel
change
category
class
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
CN202011318095.3A
Other languages
English (en)
Other versions
CN112419266A (zh
Inventor
邢华桥
朱林烨
陈冰瑶
牛婧格
刘畅
于明洋
仇培元
孟飞
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.)
Shandong Jianzhu University
Original Assignee
Shandong Jianzhu 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 Shandong Jianzhu University filed Critical Shandong Jianzhu University
Priority to CN202011318095.3A priority Critical patent/CN112419266B/zh
Publication of CN112419266A publication Critical patent/CN112419266A/zh
Application granted granted Critical
Publication of CN112419266B publication Critical patent/CN112419266B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • 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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

一种地表覆盖类别约束的遥感影像变化检测方法，类条件概率密度定义类别约束变化强度图像是通过人工先验知识，选取训练样本获取两个时相遥感影像的类条件概率密度，利用欧式距离和夹角余弦小波融合法获取变化强度图像，构造类别约束变化强度图像。在阈值选取时，利用加权类别概率Kapur阈值方法，将类别概率引入阈值计算，根据像元的类别概率确定不同的阈值，获取变化检测结果图像。对多时相遥感影像变化检测研究能够获得较高的检测结果，接近真实检测结果，能够较好地避免过检和漏检现象。

Description

一种地表覆盖类别约束的遥感影像变化检测方法
技术领域
本发明涉及多时相遥感影像变化检测领域，具体涉及一种地表覆盖类别约束的遥感影像变化检测方法。
背景技术
多时相遥感变化检测是指对不同时间内同一研究区域的遥感影像提取动态变化信息，进而获得研究区域发生的变化、发生变化的类型以及变化过程的一种变化检测方法。随着遥感技术的不断进步，遥感影像变化检测成为当下较为热门的研究方向，被广泛应用于土地资源管理、自然灾害监测、城市扩张动态监测及其发展趋势的预测与评估，具有良好的应用前景。
遥感变化检测方法可以分为直接比较法和分类后比较法。直接比较法是根据不同时相遥感影像的光谱值差异进行变化检测。已有研究学者提出基于直接比较法的变化检测方法，如：变化矢量分析(CVA)、基于光谱斜率差异的变化检测方法(SGD)等。直接比较法可以有效避免分类后比较法产生的误差累积。然而，直接比较法对不同时相的遥感影像辐射一致性要求较高，受大气条件、太阳高度角、土壤湿度等外在因素的影响，使得影像光谱值不能真实反应地表覆盖信息，容易产生伪变化。由于分类后比较法与直接比较法优势互补，因此，有研究学者提出将二者相结合，利用分类后验概率代替影像光谱值进行基于直接比较法的变化检测，提高变化检测结果的鲁棒性。例如，Hu等人(2018)利用后验概率变化矢量分析进行土地利用变化检测，该方法将原始影像的光谱空间转换为后验概率空间，在一定程度上减少伪变化的产生。然而，这类方法仅考虑后验概率空间，并没有考虑到多时相遥感影像各波段之间的光谱相关性，因而可能会造成信息丢失影响变化检测结果。例如，假设共有三个土地类别分别为A、B、C，计算像素a在T1时刻的后验概率分别为A：51％，B:48％，C:1％，T2时刻的后验概率分别为A：48％，B:50％，C:2％，则像素a产生了A→B的地类变化，变化强度为
Figure GDA0003765235530000011
计算像素b在T1时刻的后验概率分别为A：51％，B:48％，C:1％，T2时刻的后验概率分别为A：51％，B:44％，C:5％，则像素b未发生地类变化，而像素b的变化强度为
Figure GDA0003765235530000021
大于像素a的变化强度，利用阈值获取变化检测结果则会增加误检的可能。变化检测方法的另一个关键问题是阈值选取，当前变化检测方法多为统一的阈值，而实际上不同地物类型的变化强度存在差异。若采用统一的阈值可能影响检测结果的准确性。如：Yu等人(2016)利用CVA获得独立的分类和变化强度，对不同分类设置不同阈值。该方法虽然考虑了不同阈值，但参数需要人为选取，限制了该方法的应用。因此，为了提高变化检测结果的准确性，需要有效整合分类后比较法和直接比较法，并减少自适应阈值选取方法的人为干预程度。
发明内容
本发明为了克服以上技术的不足，提供了一种基于类条件概率密度的地表覆盖类别约束变化检测方法。
本发明克服其技术问题所采用的技术方案是：
一种地表覆盖类别约束的遥感影像变化检测方法，包括：
a)在多时相变化检测过程中，利用类条件概率密度定义类别约束变化强度图像；
b)基于加权类别概率Kapur阈值方法在类别约束变化强度图像中对每个像素选取相应的阈值，如某一像素变化强度值大于等于加权Kapur阈值加上类别概率乘以变化区域的均值，则将该像素定义为变化的像素，如某一像素变化强度值小于加权Kapur阈值加上类别概率乘以不变化区域的均值，则该像素定义为不变化的像素。
进一步的，步骤a)中通过公式
CPCMM(x,y)＝P(x,y|wi)＝P(x|wi)P(y|wi)P(x,y)计算类别约束变化强度图像CPCMM(x,y)，式中x为T1时刻的遥感影像的像素值，y为T2时刻的遥感影像的像素值，wi(i＝1,2,...,M)为对应地类分类，M为地物类数，P(x|wi)与P(y|wi)为训练样本获取到的类条件概率密度，P(x,y|wi)表示在地类为wi时对应x和y的概率密度，P(x,y)为通过欧式距离和夹角余弦小波融合计算出变化强度图像。
进一步的，步骤b)中通过公式
Figure GDA0003765235530000031
计算不变化区域的概率分布对应的熵
Figure GDA0003765235530000032
以及变化区域的概率分布对应的熵
Figure GDA0003765235530000033
式中
Figure GDA0003765235530000034
为基于不变化区域的方差，
Figure GDA0003765235530000035
为基于变化区域的方差，i＝{0,1,2,...,L-1}，{0,1,2,…,L-1}为类别约束变化强度图像的灰度级集合，Pi为灰度级为i的概率，
Figure GDA0003765235530000036
为不变化区域的灰度级概率总和，
Figure GDA0003765235530000037
为变化区域的灰度级概率总和，ωu为不变化区域的概率分布，ωc为变化区域的概率分布，通过公式
Figure GDA0003765235530000038
计算阈值t，式中
Figure GDA0003765235530000039
Figure GDA00037652355300000310
通过公式
Figure GDA00037652355300000311
计算得到表示类别约束变化强度图像CPCMM(x,y)，式中ΔCPCMM(x,y)为类别约束变化强度图像每个像素点的像素值，a(x,y)表示每个像素点的类别概率，
Figure GDA0003765235530000041
及
Figure GDA0003765235530000042
为变化区域和不变化区域的均值。
本发明的有益效果是：类条件概率密度定义类别约束变化强度图像是通过人工先验知识，选取训练样本获取两个时相遥感影像的类条件概率密度，利用欧式距离和夹角余弦小波融合法获取变化强度图像，构造类别约束变化强度图像。在阈值选取时，利用加权类别概率Kapur阈值方法，将类别概率引入阈值计算，根据像元的类别概率确定不同的阈值，获取变化检测结果图像。对多时相遥感影像变化检测研究能够获得较高的检测结果，接近真实检测结果，能够较好地避免过检和漏检现象。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面结合附图1对本发明做进一步说明。
一种地表覆盖类别约束的遥感影像变化检测方法，包括：
a)在多时相变化检测过程中，利用类条件概率密度定义类别约束变化强度图像。
b)基于加权类别概率Kapur阈值方法在类别约束变化强度图像中对每个像素选取相应的阈值，如某一像素变化强度值大于等于加权Kapur阈值加上类别概率乘以变化区域的均值，则将该像素定义为变化的像素，如某一像素变化强度值小于加权Kapur阈值加上类别概率乘以不变化区域的均值，则该像素定义为不变化的像素。
类条件概率密度定义类别约束变化强度图像是通过人工先验知识，选取训练样本获取两个时相遥感影像的类条件概率密度，利用欧式距离和夹角余弦小波融合法获取变化强度图像，构造类别约束变化强度图像。在阈值选取时，利用加权类别概率Kapur阈值方法，将类别概率引入阈值计算，根据像元的类别概率确定不同的阈值，获取变化检测结果图像。对多时相遥感影像变化检测研究能够获得较高的检测结果，接近真实检测结果，能够较好地避免过检和漏检现象。
进一步的，步骤a)中在多时相变化检测过程中，利用类条件概率密度定义类别约束变化强度图像具体公式如下：
CPCMM(x,y)＝P(x,y|wi)＝P(x|wi)P(y|wi)P(x,y)假设多时相变化检测是相互独立的，且每个地类的先验概率P(wi)在遥感影像中是相等的，且在各类别条件下对像素x和y的概率总和均为1，则最终类别约束变化强度图像公式为：
Figure GDA0003765235530000051
计算类别约束变化强度图像CPCMM(x,y)，式中x为T1时刻的遥感影像的像素值，y为T2时刻的遥感影像的像素值，wi(i＝1,2,…,M)为对应地类分类，M为地物类数，P(x|wi)与P(y|wi)为训练样本获取到的类条件概率密度，P(wi|x)为在x条件下wi的概率密度函数，也称为后验概率，P(x,y|wi)表示在地类为wi时对应x和y的概率密度，P(wi|x,y)为在x和y条案件下wi概率密度，也称为后验概率，P(wi|y)为在y条件下wi的概率密度函数，也称为后验概率，P(x,y)为通过欧式距离和夹角余弦小波融合计算出变化强度图像。综上所述，通过训练首先通过训练样本获取类条件概率密度P(x|wi)和P(y|wi)，P(x,y)描述从T1时相到T2时相遥感影像光谱变化的情况，作为灰度值变化的可能性，构成类别约束变化强度图像。
进一步的，基于加权类别概率Kapur阈值方法在类别约束变化强度图像中对每个像素选取合适的阈值。由于Kapur阈值法是基于目标和背景概率分布为均匀性的假设，仅利用灰度信息(即灰度值出现的概率)对图像的内容信息利用不充分(即与像素点灰度值的大小无关)。虽然该方法具有较强的适应性，但对有些图像不能获得满意的分割效果。加权类别概率Kapur阈值方法，在时间复杂度上没有增加，而且考虑类别概率信息，对于遥感影像的分割效果有很大改善。因此步骤b)中通过公式
Figure GDA0003765235530000061
计算不变化区域的概率分布对应的熵
Figure GDA0003765235530000062
以及变化区域的概率分布对应的熵
Figure GDA0003765235530000063
式中
Figure GDA0003765235530000064
为基于不变化区域的方差，
Figure GDA0003765235530000065
为基于变化区域的方差，i＝{0,1,2,…,L-1}，{0,1,2,...,L-1}为类别约束变化强度图像的灰度级集合，Pi为灰度级为i的概率，
Figure GDA0003765235530000066
为不变化区域的灰度级概率总和，
Figure GDA0003765235530000067
为变化区域的灰度级概率总和，ωu为不变化区域的概率分布，ωc为变化区域的概率分布，通过公式
Figure GDA0003765235530000068
计算阈值t，式中
Figure GDA0003765235530000069
Figure GDA00037652355300000610
通常，整个变化强度图像使用单个阈值来确定像素内是否发生了变化，但是单个阈值可能不一定适合于整个变化强度图像。这里提出一种多阈值方法，通过，假设某一像素变化强度值大于加权Kapur阈值加上类别概率乘以变化区域的均值，则将该像素定义为变化的像素，否则，该像素定义为不变化的像素。通过公式
Figure GDA0003765235530000071
计算得到表示类别约束变化强度图像CPCMM(x,y)，式中ΔCPCMM(x,y)为类别约束变化强度图像每个像素点的像素值，a(x,y)表示每个像素点的类别概率，
Figure GDA0003765235530000072
及
Figure GDA0003765235530000073
为变化区域和不变化区域的均值。
通过实验证明，本发明对多时相遥感影像变化检测研究能够获得较高的检测结果，接近真实检测结果，能够较好地避免过检和漏检现象。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。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 (2)

1.一种地表覆盖类别约束的遥感影像变化检测方法，其特征在于，包括：
a)在多时相变化检测过程中，利用类条件概率密度定义类别约束变化强度图像；
b)基于加权类别概率Kapur阈值方法在类别约束变化强度图像中对每个像素选取相应的阈值，如某一像素变化强度值大于等于加权Kapur阈值加上类别概率乘以变化区域的均值，则将该像素定义为变化的像素，如某一像素变化强度值小于加权Kapur阈值加上类别概率乘以不变化区域的均值，则该像素定义为不变化的像素；
步骤a)中通过公式
CPCMM(x,y)＝P(x,y|wi)＝P(x|wi)P(y|wi)P(x,y)计算类别约束变化强度图像CPCMM(x,y)，式中x为T1时刻的遥感影像的像素值，y为T2时刻的遥感影像的像素值，wi(i＝1,2,...,M)为对应地类分类，M为地物类数，P(x|wi)与P(y|wi)为训练样本获取到的类条件概率密度，P(x,y|wi)表示在地类为wi时对应x和y的概率密度，P(x,y)为通过欧式距离和夹角余弦小波融合计算出变化强度图像。
2.根据权利要求1所述的地表覆盖类别约束的遥感影像变化检测方法，其特征在于：步骤b)中通过公式
Figure FDA0003765235520000011
Figure FDA0003765235520000012
计算不变化区域的概率分布对应的熵
Figure FDA0003765235520000013
以及变化区域的概率分布对应的熵
Figure FDA0003765235520000014
式中
Figure FDA0003765235520000015
为基于不变化区域的方差，
Figure FDA0003765235520000016
为基于变化区域的方差，i＝{0,1,2,...,L-1}，{0,1,2,...,L-1}为类别约束变化强度图像的灰度级集合，Pi为灰度级为i的概率，
Figure FDA0003765235520000021
为不变化区域的灰度级概率总和，
Figure FDA0003765235520000022
为变化区域的灰度级概率总和，ωu为不变化区域的概率分布，ωc为变化区域的概率分布，
通过公式
Figure FDA0003765235520000023
计算阈值t，式中
Figure FDA0003765235520000024
Figure FDA0003765235520000025
通过公式
Figure FDA0003765235520000026
计算得到表示类别约束变化强度图像CPCMM(x,y)，式中ΔCPCMM(x,y)为类别约束变化强度图像每个像素点的像素值，a(x,y)表示每个像素点的类别概率，
Figure FDA0003765235520000027
及
Figure FDA0003765235520000028
为变化区域和不变化区域的均值。
CN202011318095.3A 2020-11-23 2020-11-23 一种地表覆盖类别约束的遥感影像变化检测方法 Active CN112419266B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011318095.3A CN112419266B (zh) 2020-11-23 2020-11-23 一种地表覆盖类别约束的遥感影像变化检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011318095.3A CN112419266B (zh) 2020-11-23 2020-11-23 一种地表覆盖类别约束的遥感影像变化检测方法

Publications (2)

Publication Number Publication Date
CN112419266A CN112419266A (zh) 2021-02-26
CN112419266B true CN112419266B (zh) 2022-09-30

Family

ID=74777881

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011318095.3A Active CN112419266B (zh) 2020-11-23 2020-11-23 一种地表覆盖类别约束的遥感影像变化检测方法

Country Status (1)

Country Link
CN (1) CN112419266B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113837074B (zh) * 2021-09-24 2023-08-11 山东建筑大学 结合后验概率和空间邻域信息的遥感影像变化检测方法
CN117455149B (zh) * 2023-10-19 2024-07-05 珠江水利委员会珠江流域水土保持监测中心站 生产建设项目建设全周期变化检测方法、介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102867309A (zh) * 2012-09-12 2013-01-09 西安电子科技大学 基于混合模型的sar图像变化检测方法
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
CN106910202A (zh) * 2017-02-15 2017-06-30 武汉喜恩卓科技有限责任公司 一种遥感图像地物的图像分割方法及系统
CN108229426A (zh) * 2018-01-29 2018-06-29 南京信息工程大学 一种基于差分描述子的遥感图像变化向量变化检测法
WO2020015326A1 (zh) * 2018-07-19 2020-01-23 山东科技大学 一种地表类型数据支持的遥感图像云阴影检测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10037477B2 (en) * 2015-08-31 2018-07-31 Massachusetts Institute Of Technology Combined intensity and coherent change detection in images
CN106023229B (zh) * 2016-06-02 2018-12-11 中国矿业大学 结合半高斯模型与高斯模型的sar影像变化检测方法
CN109523516A (zh) * 2018-10-19 2019-03-26 中国科学院遥感与数字地球研究所 一种基于双重约束条件的对象级土地覆盖变化检测方法
CN110717531A (zh) * 2019-09-27 2020-01-21 华东师范大学 一种基于不确定性分析和贝叶斯融合的分类后变化类型检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102867309A (zh) * 2012-09-12 2013-01-09 西安电子科技大学 基于混合模型的sar图像变化检测方法
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
CN106910202A (zh) * 2017-02-15 2017-06-30 武汉喜恩卓科技有限责任公司 一种遥感图像地物的图像分割方法及系统
CN108229426A (zh) * 2018-01-29 2018-06-29 南京信息工程大学 一种基于差分描述子的遥感图像变化向量变化检测法
WO2020015326A1 (zh) * 2018-07-19 2020-01-23 山东科技大学 一种地表类型数据支持的遥感图像云阴影检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Histogram thresholding for unsupervised change;Swarnajyoti Patra , Susmita Ghosh & Ashish Ghosh;《International Journal of Remote Sensing》;20110802;全文 *
基于三维直方图聚类特性的非监督图像变化检测方法;孙文邦等;《上海交通大学学报》;20120215;全文 *
多时相极化SAR影像土地覆盖变化检测关键算法研究;刘文宋;《中国优秀博士学位论文全文数据库》;20200615;全文 *
灰度图像二维最小类方差递推及差分演化的快速分割;聂方彦等;《计算机辅助设计与图形学学报》;20101115(第11期);全文 *

Also Published As

Publication number Publication date
CN112419266A (zh) 2021-02-26

Similar Documents

Publication Publication Date Title
CN110119728B (zh) 基于多尺度融合语义分割网络的遥感图像云检测方法
CN111539316B (zh) 基于双注意力孪生网络的高分遥感影像变化检测方法
Lee et al. Unsupervised multistage image classification using hierarchical clustering with a Bayesian similarity measure
CN111914686A (zh) 基于周域关联和模式识别的sar遥感图像水域提取方法、装置及系统
CN112419266B (zh) 一种地表覆盖类别约束的遥感影像变化检测方法
CN113343804B (zh) 面向单视全极化sar数据的集成迁移学习分类方法及系统
CN111695468B (zh) 一种基于K-shot学习的极化SAR地物分类方法
CN110717531A (zh) 一种基于不确定性分析和贝叶斯融合的分类后变化类型检测方法
CN114037891A (zh) 基于u型注意力控制网络的高分辨率遥感影像建筑物提取方法及装置
CN107392887A (zh) 一种基于同质像素点转化的异质遥感图像变化检测方法
Yu et al. Toward robust analysis of satellite images using map information-application to urban area detection
CN117475236A (zh) 用于矿产资源勘探的数据处理系统及其方法
Li et al. Remote-Sensing-Based Change Detection Using Change Vector Analysis in Posterior Probability Space: A Context-Sensitive Bayesian Network Approach
CN113408547A (zh) 一种多时相多极化sar滑坡提取方法
CN111967526B (zh) 基于边缘映射和深度学习的遥感图像变化检测方法及系统
Günen et al. A novel edge detection approach based on backtracking search optimization algorithm (BSA) clustering
Zhu et al. MAP-MRF approach to Landsat ETM+ SLC-Off image classification
Akcay et al. Morphological segmentation of urban structures
CN113160345B (zh) 一种基于ConvLSTM的时间序列影像重建方法
Refice et al. Weights determination for minimum cost flow InSAR phase unwrapping
Cohen et al. Quantification of GNSS signals accuracy: An image segmentation method for estimating the percentage of sky
Narayanan et al. Effects of noise on the information content of remote sensing images
Zhang et al. Multiscale fusion of wavelet-domain hidden Markov tree through graph cut
Vaishnav et al. Performance Analysis of Segmentation and Classification In HDR Satellite Imagery Using Neural Network
AlMarzooqi et al. Increase the exploitation of mars satellite images via deep learning techniques

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