CN112633155A - 一种基于多尺度特征融合的自然保护地人类活动变化检测方法 - Google Patents
一种基于多尺度特征融合的自然保护地人类活动变化检测方法 Download PDFInfo
- Publication number
- CN112633155A CN112633155A CN202011528979.1A CN202011528979A CN112633155A CN 112633155 A CN112633155 A CN 112633155A CN 202011528979 A CN202011528979 A CN 202011528979A CN 112633155 A CN112633155 A CN 112633155A
- Authority
- CN
- China
- Prior art keywords
- image
- change
- natural
- human activity
- images
- 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
- G06V20/13—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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (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)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提出了一种基于多尺度特征融合的自然保护地人类活动变化检测方法,可以服务于自然保护地人类活动监管业务,提高自然保护地人类活动变化监测业务的工作效率,降低工作成本。本发明的检测方法主要包括数据挑选、数据预处理、主成分分析、影像分割、光谱变化向量构建、光谱变化度度量、后处理七个步骤,进而提取出最终的变化对象。本发明的检测方法由于工作效率的提升,可以更及时的发现自然保护地内存在的人类活动,实现对人类活动的早发现,早处理,以更好地守护好自然保护地,保障国家生态环境安全。
Description
技术领域
本发明属于对地监测和生态环境保护技术领域,涉及的是一种基于多尺度特征融合的自然保护地人类活动变化的检测方法。
背景技术
遥感变化检测是根据对同一物体或现象的不同时间的观测来确定其不同的处理过程。遥感影像变化检测是利用不同时期覆盖同一地表区域的多源遥感影像和相关地理空间数据,结合相应地物特性和遥感成像机理,确定和分析该地域地物的变化,包括地物位置、范围的变化和地物信息、状态的变化。其目的是找出感兴趣的变化信息,滤除作为干扰因素的不相干的变化信息。遥感变化检测技术涉及地理科学、统计学和计算机科学等多学科交叉技术,已成为遥感技术最重要的关键技术之一,是目前遥感领域的研究热点。
目前,针对遥感变化检测已经提出了大量的方法,包括代数法、变化法、分类法、高级模型法等传统方法以及深度学习等新方法。但是,尽管目前遥感变化检测的方法很多,达百余种,但是许多学者对变化检测方法和技术进行了综述,普遍认为:
1、遥感变化检测是一个复杂的综合处理过程,现有的检测方法没有哪一种是最优的,能够适合所有的应用场景,而且自动化程度低。基于遥感影像的变化检测过程是复杂的,涉及影像预处理、阈值分割、特征提取、影像分割及分类等环节。现有的算法在各个环节中还不能实现智能化处理,并且每个环节都可能会造成检测误差。目前多数算法仅针对特定的数据或应用领域,没有通用的遥感影像变化检测算法,而且自动化程度低。
2、目前的遥感变化检测方法,还普遍存在以下几个问题:
(1)大都是只利用了像元、邻域、对象(斑块)等其中一种尺度上的特征进行变化检测分析,未能综合发挥光谱在像元、邻域、对象(斑块)、场景等多种尺度上的特征。
(2)大都对两期影像之间的配准精度有较高的要求,尤其是基于像元级的变化检测类方法。
(3)大都对两期影像之间的成像条件的一致性要求较高,比如传感器、成像时间、成像光照条件等。
(4)大都专长于或发挥了某一种方法,缺乏多种方法和策略综合融合的集大成者的方法,比如要不侧重于光谱代数、要不侧重于光谱变化,要不侧重于分类,未能发挥多种方法的优势。
3、在自然保护地人类活动变化遥感监测领域,相关自动检测技术方法的研究较少,行业应用方面目前主要依靠人工解译。
本发明正是紧密围绕当前自然保护地人类活动监管业务领域的迫切需求,针对当前自然保护地人类活动变化自动监测技术缺乏、现有的其它各领域遥感自动变化检测技术存在的未能充分利用遥感影像多尺度特征、未能综合多种技术方法优势等问题,基于自然保护地及其人类活动的特征(人类活动变化幅度相对较小,一旦变化容易与周边背景形成比较强烈对比度等),综合利用了时序遥感影像上基于像元、邻域、对象(斑块)、场景等多种尺度的特征,并结合变换法、代数法以及面向对象等多重变化监测方法,建立了一种基于多尺度特征融合的自然保护地人类活动变化监测方法。
发明内容
本发明提出一种基于多尺度特征融合的自然保护地人类活动变化检测方法,能够高效、精准的实现自然保护地人类活动变化的遥感快速识别与提取,以及时发现自然保护地内人类活动的变化,为自然保护地监管提供可靠的技术支撑。
本发明的技术方案是这样实现的:一种基于多尺度特征融合的自然保护地人类活动变化检测方法,包括如下顺序步骤
S1.数据挑选,根据关注的监测时间段,选择前后两期多光谱遥感影像;
S2.数据预处理,包括对影像进行几何精纠正和光谱匹配;
S3.主成分分析,通过融合和压缩处理,将两期影像融合为1个影像,实现两期影像相关性特征融合和变化分异度增强,以更好的进行分割;
S4.影像分割,基于像元邻域之间的光谱纹理关系,将主成分分析后的影像转换为均质的斑块对象集;
S5.光谱变化向量构建,建立一种能够表征光谱变化的数学表达模型;
S6.光谱变化度度量,对光谱的变化程度进行定量化的计算和评估;
S7.后处理,基于设定的置信度阈值,提取出最终的变化对象。
作为一种优选的实施方式,步骤S1中
选取遥感影像时,要结合关注的人类活动的尺度大小、时空分布特征,选取合适的、质量好的遥感影像,以减少云、雪、雾、阴影的干扰。
作为一种优选的实施方式,步骤S2中
几何精纠正时,分别对两期影像进行纠正,纠正误差平原区小于2个像元,山区小于3个像元;
光谱匹配时,从前后两期影像中,选择影像质量更好、与实际色差较小的那一期作为参考影像,将另一期影像的光谱匹配到该参考影像的光谱空间上,形成匹配后的影像。
作为一种优选的实施方式,步骤S3中
利用主成分分析方法,将做过预处理后的前时刻影像的3个波段和后时刻影像的3个波段合计6个波段进行主成分分析,得到各主成分波段。
作为一种优选的实施方式,步骤S4中
将主成分分析的前4个主成分波段合成一个影像文件,并基于这个影像文件,利用影像分割算法,对影像进行分割,并将分割的一块块影像区域转换为一个个的斑块对象,形成均质的斑块对象数据集。
作为一种优选的实施方式,步骤S5中
以分割后的对象为单元,基于经过数据预处理的前后两期遥感影像,构建光谱变化向量,采用基于对象和基于对象周边背景的2次光谱变化向量,以抑制两幅影像在光谱空间上总体差异的影响。
作为一种优选的实施方式,步骤S6中,包括变化向量距离计算、基于向量距离的迭代二值聚类、基于迭代二值聚类结果的变化置信度计算。
作为一种优选的实施方式,步骤S7中,包括基于设定的置信度阈值分割的变化提取和其它后处理。
采用了上述技术方案后,本发明的有益效果是:本发明可以服务于自然保护地人类活动监管业务,提高自然保护地人类活动变化监测业务的工作效率,降低工作成本;此外,由于工作效率的提升,可以更及时的发现自然保护地内存在的人类活动,实现对人类活动的早发现,早处理,以更好地守护好自然保护地,保障国家生态环境安全。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明的流程示意图;
图2为光谱变化向量构建中对象及对象所在场景的示意图;
图3为光谱变化度度量中迭代深度为1的示意图;
图4为光谱变化度度量中迭代深度为2的示意图;
图5为光谱变化度度量中迭代深度为3的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例:
如图1所示,为本发明的流程示意图,其主要包括以下七个步骤:数据挑选、数据预处理、主成分分析、影像分割、光谱变化向量构建、光谱变化度度量、后处理,下面就每个步骤做详细说明。
S1.数据挑选
根据关注的监测时间段,选取前后两期多光谱遥感影像,数据选取时要结合监测区域的自然气候等方面特征以及关注的人类活动的尺度大小、时空分布特征,选取合适的遥感影像。尽量选择质量好的遥感影像,以减少云、雪、雾、阴影等的干扰,尽量选取来源于同一传感器的遥感影像,以避免不同传感器之间成像差异导致的色差等影像的影响。
S2.数据预处理
包括几何纠正和光谱匹配两个内容,几何纠正是为了使前后两期遥感影像在空间上能匹配起来,避免之间有较大的位置偏差,具有地理空间上的可比性;光谱匹配的目的是为了使前后两期遥感影像在光谱空间上比较一致,具有光谱空间的可比性。
1、几何精纠正
为确保两期影像之间有较高的配准精度,也为了确保监测数据的质量,需要分别对两期影像进行几何精纠正,并且要求纠正误差平原区小于2个像元,山区小于3个像元。如果对绝对定位要求不高,也可以两期影像之间直接作相对配准。
2、光谱匹配
为了尽量使两期影像之间光谱一致,需要对两期数据进行光谱匹配。光谱匹配的具体方法如下:
从前后两期影像中,选择影像质量更好、与实际色差较小的那一期作为参考影像(a),将另一期影像(b)的光谱匹配到参考影像(a)的光谱空间上,形成匹配后的影像b’。具体方式为:
对于b’影像的每一个波段中的每个像元,其对应的值为:
P’i,j b=Pi,j b+(Mj a–Mj b)+(Pi,j b–Mj b)/Sj b*(Sj a–Sj b)
其中:
(1)Pi,j b,P’i,j b分别为b影像中第i个像元在第j波段上的原始像元值和光谱匹配计算后的像元值;
(2)Mj a,Mj b分别为原始影像a、b在第j波段上的平均值;
(3)Sj a,Sj b分别为原始影像a、b在第j波段上的标准差。
S3.主成分分析
主成分分析的主要目的是,通过融合和压缩处理,将两期影像融合为1个影像,以更好的进行分割。其方法是,利用主成分分析方法,将做过预处理后的前时刻遥感的3个波段和后时刻影像的3个波段合计6个波段进行主成分分析,得到各主成分波段。
具体来说,融合和压缩是将两个影像融合成一个影像,避免分开处理时数据量大带来的工作量大(分别分割需要分割两次),以及分别分割时边界再融合带来的破碎化等问题(同一个地区的两景影像,即便没有发生任何地物变化,用相同的分割方法所得到的分割结果也不会完全一致,两者叠加必然带来破碎化问题)。此外,该技术手段还利用了同一区域两影像之间的内在关系,即如果一个区域没有发生变化,即便是不同的传感器下的影像,两期影像的像元光谱之间应该是有很大的相关或相干关系;但是如果某些区域发生了变化,那相关性或相干性就会降低。正是利用了这种特征,通过融合,把这种相关和不相干合成在一个影像中,从而实现两期影像间相关性特征的融合和变化分异度的增强,从而可以在一个影像中将变化和不变化区分出来,为后续分割、识别出这些变化差异提供数学机理基础。
S4.影像分割
影像分割的目的是基于像元之间的光谱纹理关系,将影像转换为均质的对象(矢量斑块)。其方法是:将主成分分析的前4个主成分波段合成一个影像文件,并基于这个影像文件,利用影像分割算法,对影像进行分割,并将分割的一块块影像区域转换为一个个的对象(矢量斑块),形成对象集。
S5.光谱变化向量构建
光谱变化向量构建的目的是建立一种能够表征光谱变化的数学表达模型。其主要是以分割后的对象(矢量斑块)为单元,基于经过数据预处理的前后两期遥感影像,构建光谱变化向量。采用基于对象和基于对象周边背景的2次光谱变化向量,可以抑制两幅影像在光谱空间总体差异的影响。主要包括两个步骤:
1、1次光谱变化向量构建
主要包括基于对象和基于场景的光谱向量构建。
(1)基于对象的1次光谱变化向量(Vo 1),主要表达对象本身的光谱变化情况。
以分割后的斑块对象为单元,以经过预处理后的前后两期遥感影像,其基于对象的1次光谱变化向量如下:
Vo 1=(Ro Δ,Go Δ,Bo Δ),
Ro Δ=Ro c-Ro p
Go Δ=Go c-Go p
Bo Δ=Bo c-Bo p
其中:Ro c、Ro p分别为该对象在前后两期遥感影像的红波段的均值;Go c、Go p分别为该对象在前后两期遥感影像的绿波段的均值;Bo c、Bo p分别为该对象在前后两期遥感影像的蓝波段的均值。
(2)如图2所示,基于场景的1次光谱变化向量(Vs 1),主要表达对象所在背景区域(即所在场景)的光谱变化情况。其中对象所在场景范围以该对象为中心、以r为缓冲距离的区域。其中r根据遥感影像所在区域背景均质性分布特征设定。通常区域背景单一,r可以设置大一些;背景复杂、地物类型多样,r可以设置小一些。一般取该对象尺度的10倍左右大小;或者基于区域背景均质性分布特征,设置得一个适宜的固定的尺度。
以分割后的对象为单元,以经过预处理后的前后两期遥感影像,其基于场景的1次光谱变化向量。
Vs 1=(Rs Δ,Gs Δ,Bs Δ)。
Rs Δ=Rs c-Rs p
Gs Δ=Gs c-Gs p
Bs Δ=Bs c-Bs p
其中:Rs c、Rs p分别为该对象所在场景在两期遥感影像的红波段的均值;Gs c、Gs p分别为该对象所在场景在前后两期遥感影像的绿波段的均值;Bs c、Bs p分别为该对象所在场景在前后两期遥感影像的蓝波段的均值。
2、2次光谱变化向量构建(V2),主要表达对象的光谱变化情况与对象所在场景的光谱变化情况之间的差异。
V2=(RΔ,GΔ,BΔ),
RΔ=Ro Δ-Rs Δ
GΔ=Bo Δ-Bs Δ
BΔ=Bo Δ-Bs Δ
S6.光谱变化度度量
光谱变化度度量的目的是对光谱的变化进行定量化的计算和评估,主要包括三个步骤
1、变化向量距离计算
变化向量距离计算是利用向量的距离计算方法,为每一个对象,计算其2次光谱变化向量的模(长度),主要方法为:
D=sqrt(RΔ*RΔ+GΔ*GΔ+BΔ*BΔ)。
2、基于向量距离的迭代二值聚类
该步骤的目的是利用迭代聚类的方式,反复利用自适应的阈值分割算法,寻找关键的最佳分割阈值序列,实现将对象按照其光谱变化向量距离进行科学分组,避免人为阈值分组的盲目和不自适应。其方法是基于计算的向量距离,利用二值聚类方法(即每次都是分为两组),将对象数据集进行反复的分组。每次聚类都分为2组,每次都对上次聚类后的形成的所有组,再进行二分组,反复的迭代,直到到达设定的迭代深度n。
3、基于迭代二值聚类结果的变化置信度(C)计算:主要目的是对二值聚类结果中的每一组,利用置信度配置函数,对其进行置信度计算。其主要方法为:
假设迭代聚类的迭代深度为n,则二值迭代聚类总计会形成2n个分组。每个组用Gi进行标志。i是一个长度为n的二进制序列,其中每一位均取0或1,表示该次迭代中分组结果(0表示为值小的那一组,1表示为值大的那一组),其中第1位代表第1次迭代聚类结果,最后1位表示最后一次迭代聚类结果。
对于某个组Gi,其置信度的计算方法为C(Gi)=x*(1/2)n,其中x=BinaryValue(i);其中BinaryValue(i),是取二进制序列i对应的十进制值。比如BinaryValue(1101)=13。具体事例如下:
(1)如果迭代深度为1(如图3),则2个组的概率分别为:
G1=1*(1/2)1=1/2,其中BinaryValue(1)=1。
G0=0*(1/2)1=0,其中BinaryValue(0)=0。
(2)如果迭代深度为2(如图4),则4个组的概率分别为:
G11=3*(1/2)2=3/4,其中BinaryValue(11)=3。
G10=2*(1/2)2=2/4,其中BinaryValue(10)=2。
G01=1*(1/2)2=1/4,其中BinaryValue(01)=1。
G00=0*(1/2)2=0,其中BinaryValue(00)=0。
(3)如果迭代深度为3(如图5),则8个组的概率分别为:
G111=7*(1/2)3=7/8,其中BinaryValue(111)=7。
G110=6*(1/2)3=6/8,其中BinaryValue(110)=6。
G101=5*(1/2)3=5/8,其中BinaryValue(101)=5。
G100=4*(1/2)3=4/8,其中BinaryValue(100)=4。
G011=3*(1/2)3=3/8,其中BinaryValue(011)=3。
G010=2*(1/2)3=2/8,其中BinaryValue(010)=2。
G001=1*(1/2)3=1/8,其中BinaryValue(001)=1。
G000=0*(1/2)3=0,其中BinaryValue(000)=0。
S7.后处理
后处理主要是基于置信度和其它一些条件,提取出最终的变化对象。包括两个步骤:
1、基于置信度阈值分割的变化提取
的设置,通常可以根据监测区域在一定周期内变化率μ(即一定周期内,可能发生变化的区域面积占该区域总面积的比例)进行设定:比如对于某个区域的保护区,该保护区的年度变化率μ可能约为0.5%,则进行该保护区的人类活动年度变化监测时可设置为1-μ=0.995。
2、其它后处理
针对提取出来的变化对象,再基于对象的面积、形态指数等其它辅助信息,进一步剔除不在关注范围内的变化对象,形成最终的关注变化数据。
本发明可以服务于自然保护地人类活动监管业务,提高自然保护地人类活动变化监测业务的工作效率,降低工作成本;由于工作效率的提升,可以更及时的发现自然保护地内存在的人类活动,实现对人类活动的早发现,早处理,以更好的守护好自然保护地,保障国家生态环境安全。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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 (8)
1.一种基于多尺度特征融合的自然保护地人类活动变化检测方法,其特征在于:包括如下顺序步骤
S1.数据挑选,根据关注的监测时间段,选择前后两期多光谱遥感影像;
S2.数据预处理,包括对影像进行几何精纠正和光谱匹配;
S3.主成分分析,通过融合和压缩处理,将两期影像融合为1个影像,实现两期影像相关性特征融合和变化分异度增强,以更好的进行分割;
S4.影像分割,基于像元邻域之间的光谱纹理关系,将主成分分析后的影像转换为均质的斑块对象集;
S5.光谱变化向量构建,建立一种能够表征光谱变化的数学表达模型;
S6.光谱变化度度量,对光谱的变化程度进行定量化的计算和评估;
S7.后处理,基于设定的置信度阈值,提取出最终的变化对象。
2.如权利要求1所述的基于多尺度特征融合的自然保护地人类活动变化检测方法,其特征在于:步骤S1中
选取遥感影像时,要结合关注的人类活动的尺度大小、时空分布特征,选取合适的、质量好的遥感影像,以减少云、雪、雾、阴影的干扰。
3.如权利要求2所述的基于多尺度特征融合的自然保护地人类活动变化检测方法,其特征在于:步骤S2中
几何精纠正时,分别对两期影像进行纠正,纠正误差平原区小于2个像元,山区小于3个像元;
光谱匹配时,从前后两期影像中,选择影像质量更好、与实际色差较小的那一期作为参考影像,将另一期影像的光谱匹配到该参考影像的光谱空间上,形成匹配后的影像。
4.如权利要求3所述的基于多尺度特征融合的自然保护地人类活动变化检测方法,其特征在于:步骤S3中
利用主成分分析方法,将做过预处理后的前时刻影像的3个波段和后时刻影像的3个波段合计6个波段进行主成分分析,得到各主成分波段。
5.如权利要求4所述的基于多尺度特征融合的自然保护地人类活动变化检测方法,其特征在于:步骤S4中
将主成分分析的前4个主成分波段合成一个影像文件,并基于这个影像文件,利用影像分割算法,对影像进行分割,并将分割的一块块影像区域转换为一个个的斑块对象,形成均质的斑块对象数据集。
6.如权利要求5所述的基于多尺度特征融合的自然保护地人类活动变化检测方法,其特征在于:步骤S5中
以分割后的对象为单元,基于经过数据预处理的前后两期遥感影像,构建光谱变化向量,采用基于对象和基于对象周边背景的2次光谱变化向量,以抑制两幅影像在光谱空间上总体差异的影响。
7.如权利要求6所述的基于多尺度特征融合的自然保护地人类活动变化检测方法,其特征在于:步骤S6中,包括变化向量距离计算、基于向量距离的迭代二值聚类、基于迭代二值聚类结果的变化置信度计算。
8.如权利要求7所述的基于多尺度特征融合的自然保护地人类活动变化检测方法,其特征在于:步骤S7中,包括基于设定的置信度阈值分割的变化提取和其它后处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011528979.1A CN112633155B (zh) | 2020-12-22 | 2020-12-22 | 一种基于多尺度特征融合的自然保护地人类活动变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011528979.1A CN112633155B (zh) | 2020-12-22 | 2020-12-22 | 一种基于多尺度特征融合的自然保护地人类活动变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112633155A true CN112633155A (zh) | 2021-04-09 |
CN112633155B CN112633155B (zh) | 2021-08-31 |
Family
ID=75321116
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011528979.1A Active CN112633155B (zh) | 2020-12-22 | 2020-12-22 | 一种基于多尺度特征融合的自然保护地人类活动变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112633155B (zh) |
Citations (10)
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 |
US20110221926A1 (en) * | 2010-03-12 | 2011-09-15 | Kanaev Andrey V | Spectral Anomaly Detection in Deep Shadows |
CN103035006A (zh) * | 2012-12-14 | 2013-04-10 | 南京大学 | 一种LiDAR辅助下基于LEGION的高分辨率航空影像分割方法 |
CN103383775A (zh) * | 2013-07-02 | 2013-11-06 | 中国科学院东北地理与农业生态研究所 | 一种遥感影像融合效果评价方法 |
CN103729848A (zh) * | 2013-12-28 | 2014-04-16 | 北京工业大学 | 基于光谱显著性的高光谱遥感图像小目标检测方法 |
CN106841035A (zh) * | 2017-01-25 | 2017-06-13 | 成都中信华瑞科技有限公司 | 检测方法及装置 |
CN107346549A (zh) * | 2017-06-09 | 2017-11-14 | 中国矿业大学 | 一种利用遥感影像多特征的多类别变化动态阈值检测方法 |
CN109856056A (zh) * | 2018-12-26 | 2019-06-07 | 北京林业大学 | 一种沙化土地遥感快速识别方法 |
US10325370B1 (en) * | 2016-05-31 | 2019-06-18 | University Of New Brunswick | Method and system of coregistration of remote sensing images |
CN109903246A (zh) * | 2019-02-22 | 2019-06-18 | 新疆大学 | 检测图像变化的方法及装置 |
-
2020
- 2020-12-22 CN CN202011528979.1A patent/CN112633155B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110221926A1 (en) * | 2010-03-12 | 2011-09-15 | Kanaev Andrey V | Spectral Anomaly Detection in Deep Shadows |
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 |
CN103035006A (zh) * | 2012-12-14 | 2013-04-10 | 南京大学 | 一种LiDAR辅助下基于LEGION的高分辨率航空影像分割方法 |
CN103383775A (zh) * | 2013-07-02 | 2013-11-06 | 中国科学院东北地理与农业生态研究所 | 一种遥感影像融合效果评价方法 |
CN103729848A (zh) * | 2013-12-28 | 2014-04-16 | 北京工业大学 | 基于光谱显著性的高光谱遥感图像小目标检测方法 |
US10325370B1 (en) * | 2016-05-31 | 2019-06-18 | University Of New Brunswick | Method and system of coregistration of remote sensing images |
CN106841035A (zh) * | 2017-01-25 | 2017-06-13 | 成都中信华瑞科技有限公司 | 检测方法及装置 |
CN107346549A (zh) * | 2017-06-09 | 2017-11-14 | 中国矿业大学 | 一种利用遥感影像多特征的多类别变化动态阈值检测方法 |
CN109856056A (zh) * | 2018-12-26 | 2019-06-07 | 北京林业大学 | 一种沙化土地遥感快速识别方法 |
CN109903246A (zh) * | 2019-02-22 | 2019-06-18 | 新疆大学 | 检测图像变化的方法及装置 |
Non-Patent Citations (5)
Title |
---|
MAOGUO GONG ET AL.: "Superpixel-Based Difference Representation Learning for Change Detection in Multispectral Remote Sensing Images", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
唐侃等: "融合像素级和对象级的遥感图像变化检测方法", 《测绘科学》 * |
张建龙: "《信号检测与估值理论及应用》", 30 September 2017 * |
沈渭等: "《雅鲁藏布江流域风沙化土地遥感监测与生态恢复研究》", 31 August 2012 * |
郭云开等: "《卫星遥感技术及应用》", 31 August 2016 * |
Also Published As
Publication number | Publication date |
---|---|
CN112633155B (zh) | 2021-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110321963B (zh) | 基于融合多尺度多维空谱特征的高光谱图像分类方法 | |
CN103679675B (zh) | 一种面向水质定量遥感应用的遥感影像融合方法 | |
Miao et al. | Classification of farmland images based on color features | |
CN111898543A (zh) | 一种融合几何感知与图像理解的建筑物自动提取方法 | |
CN103839267B (zh) | 一种基于形态学建筑物指数的建筑物提取方法 | |
CN113963222B (zh) | 一种基于多策略组合的高分辨率遥感影像变化检测方法 | |
Sun et al. | Wheat head counting in the wild by an augmented feature pyramid networks-based convolutional neural network | |
CN110705449A (zh) | 一种土地利用变化遥感监测分析方法 | |
CN114398948A (zh) | 一种基于空-谱联合注意力网络的多光谱影像变化检测方法 | |
CN113033315A (zh) | 一种稀土开采高分影像识别与定位方法 | |
CN116433940A (zh) | 基于孪生镜像网络的遥感影像变化检测方法 | |
CN113435254A (zh) | 一种基于哨兵二号影像的耕地深度学习提取方法 | |
Li et al. | An object-oriented CNN model based on improved superpixel segmentation for high-resolution remote sensing image classification | |
CN113850769B (zh) | 一种基于Siamese空谱联合卷积网络的高光谱变化检测方法 | |
Guo et al. | Dual-concentrated network with morphological features for tree species classification using hyperspectral image | |
CN108229426B (zh) | 一种基于差分描述子的遥感图像变化向量变化检测法 | |
Li et al. | Mixing Self-Attention and Convolution: A Unified Framework for Multi-source Remote Sensing Data Classification | |
CN112633155B (zh) | 一种基于多尺度特征融合的自然保护地人类活动变化检测方法 | |
Dhanuja et al. | Areca nut disease detection using image processing technology | |
CN115861788A (zh) | 一种基于高分辨率卫星遥感影像的耕地地块提取方法 | |
He et al. | Glacier identification from Landsat8 OLI imagery using deep U-NET | |
CN115311566A (zh) | 一种云掩模图像的生成方法和预训练网络训练方法 | |
Jing et al. | Time series land cover classification based on semi-supervised convolutional long short-term memory neural networks | |
Yadav et al. | Crop Yield Prediction Using Image Processing | |
Simin et al. | Band selection of hyperspectral images based on Bhattacharyya distance |
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 |