CN118379637A - Sar图像变化检测方法和系统 - Google Patents
Sar图像变化检测方法和系统 Download PDFInfo
- Publication number
- CN118379637A CN118379637A CN202410797826.9A CN202410797826A CN118379637A CN 118379637 A CN118379637 A CN 118379637A CN 202410797826 A CN202410797826 A CN 202410797826A CN 118379637 A CN118379637 A CN 118379637A
- Authority
- CN
- China
- Prior art keywords
- image
- difference
- denoising
- preprocessed
- sar
- 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
- 230000008859 change Effects 0.000 title claims abstract description 51
- 238000001514 detection method Methods 0.000 title claims abstract description 50
- 238000007781 pre-processing Methods 0.000 claims abstract description 27
- 238000001914 filtration Methods 0.000 claims abstract description 25
- 230000009466 transformation Effects 0.000 claims description 34
- 238000004422 calculation algorithm Methods 0.000 claims description 31
- 230000004927 fusion Effects 0.000 claims description 28
- 238000001228 spectrum Methods 0.000 claims description 27
- 238000000034 method Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000006243 chemical reaction Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种SAR图像变化检测方法，该方法包括：获取目标场景的SAR图像，包括第一图像和第二图像，对SAR图像进行图像配准并裁剪，得到保留重叠区域第一预处理图像和第二预处理图像，对第一预处理图像和第二预处理图像进行同态滤波去噪，分别基于对数比算子和对数差分算子，生成去噪后第一预处理图像和第二预处理图像的去噪差异图和细节差异图，融合去噪差异图和细节差异图，并在融合差异图像中确定变化类像素点和非变化类像素点。通过本申请，解决了SAR图像变化检测方法准确率低的问题，通过融合去噪差异图和细节差异图，保留更多的细节和边缘信息，提高变化检测的准确率，同时，采用图像配准技术，允许SAR图像有一定偏移，提高变化检测的鲁棒性。
Description
技术领域
本申请涉及图像处理领域，特别是涉及SAR图像变化检测方法和系统。
背景技术
变化检测在遥感领域中的关键技术，它通过分析同一地区在不同时像对应图像之间的差异来获得所需要的地物变化信息。
在相关技术中，SAR图像变化检测的方法，主要分为有监督和无监督两种。无监督的变化检测方法简单且时间复杂度低，但是缺乏对空间特征的考虑，通常受噪音影响严重。有监督的变化检测方法需要获取足够的标注数据和计算资源进行训练，这在实际应用中很难做到，且有监督的变化检测方法通常用于处理较大分辨率的SAR图像，需要对图像进行缩放处理，会导致信息细节损失，或需要对图像进行切片处理，需要的推理时间长。
发明内容
本申请实施例提供了一种SAR图像变化检测方法、系统、电子设备和存储介质，以至少解决相关技术中SAR图像变化检测方法准确率低的问题。
第一方面，本申请实施例提供了一种SAR图像变化检测方法，所述方法包括：
获取目标场景的SAR图像，所述SAR图像包括摄于不同时刻的第一图像和第二图像；
对所述SAR图像进行图像配准并裁剪，保留所述第一图像和所述第二图像中的重叠区域，得到第一预处理图像和第二预处理图像；
对所述第一预处理图像和所述第二预处理图像进行同态滤波去噪，分别基于对数比算子和对数差分算子，生成去噪后所述第一预处理图像和所述第二预处理图像的去噪差异图和细节差异图；
融合所述去噪差异图和所述细节差异图，得到融合差异图像，基于预设聚类算法，在所述融合差异图像中确定变化类像素点和非变化类像素点。
在其中一些实施例中，所述分别基于对数比算子和对数差分算子，生成去噪后所述第一预处理图像和所述第二预处理图像的去噪差异图和细节差异图包括：
基于对数比算子，生成去噪后两张所述第一预处理图像和所述第二预处理图像的初始差异图；
通过频谱残差的显著性检测算法，对所述初始差异图进行去噪处理，得到去噪差异图；
基于对数差分算子，生成去噪后所述第一预处理图像和所述第二预处理图像的细节差异图。
在其中一些实施例中，所述通过频谱残差的显著性检测算法，对所述初始差异图进行去噪处理，得到去噪差异图包括：
获取所述初始差异图的频域数据，根据所述频域数据，得到频谱幅度和所述频谱幅度的第一对数；
基于局部平均滤波，对所述第一对数进行平滑处理，得到所述频谱幅度的第二对数；
基于所述第一对数和所述第二对数的差值得到频谱残差，将所述频谱残差转换为空间域数据，得到预处理差异图；
对所述预处理差异图进行高斯模糊和归一化处理，得到所述去噪差异图。
在其中一些实施例中，所述融合所述去噪差异图和所述细节差异图，得到融合差异图像包括：
对所述SAR图像进行非下采样轮廓变换，得到不同的图像层级；
将所述去噪差异图和所述细节差异图中，每一层所述图像层级对应的高频部分和低频部分分别进行加权平均融合，得到融合图层；
通过非下采样轮廓逆变换，基于所述融合图层，生成融合差异图像。
在其中一些实施例中，所述基于预设聚类算法，在所述融合差异图像中确定变化类像素点和非变化类像素点包括：
基于模糊C均值聚类算法，对所述融合差异图像中的像素点进行聚类；
根据聚类结果，得到所述变化类像素点和所述非变化类像素点。
在其中一些实施例中，所述对所述SAR图像进行图像配准并裁剪，保留所述第一图像和所述第二图像中的重叠区域，得到第一预处理图像和第二预处理图像包括：
对所述SAR图像进行识别，得到所述SAR图像中的关键点和所述关键点的描述符；
基于所述描述符，确定所有所述第一图像中关键点，与所有所述第二图像中关键点的欧式距离；
根据所述欧式距离得到所述关键点的均方根误差，并基于所述均方根误差对所述关键点进行匹配，得到关键点匹配对；
基于所述关键点匹配对，对所述第一图像和所述第二图像进行配准，得到所述重叠区域；
根据所述重叠区域，对所述第一图像和所述第二图像进行裁剪，得到所述第一预处理图像和所述第二预处理图像。
在其中一些实施例中，所述基于所述关键点匹配对，对所述第一图像和所述第二图像进行配准，得到所述重叠区域包括：
基于RANSAC算法，根据所述关键点匹配对，得到所述第一图像和所述第二图像的变换矩阵；
根据所述变换矩阵，将所述第二图像的数据变换到所述第一图像的坐标系下，以对所述第一图像和所述第二图像进行配准；
根据配准结果得到所述重叠区域。
在其中一些实施例中，所述对所述第一预处理图像和所述第二预处理图像进行同态滤波去噪包括：
获取所述第一预处理图像和所述第二预处理图像的频域数据；
对所述频域数据进行高斯滤波去噪处理，并将去噪后的频域数据转换回空间域。
第二方面，本申请实施例提供了一种SAR图像变化检测系统，所述系统包括：图像获取模块、预处理模块、差异图生成模块和聚类模块，
所述图像获取模块，用于获取目标场景的SAR图像，所述SAR图像包括摄于不同时刻的第一图像和第二图像；
所述预处理模块，用于对所述SAR图像进行图像配准并裁剪，保留所述第一图像和所述第二图像中的重叠区域，得到第一预处理图像和第二预处理图像；
所述差异图生成模块，用于对所述第一预处理图像和所述第二预处理图像进行同态滤波去噪，分别基于对数比算子和对数差分算子，生成去噪后所述第一预处理图像和所述第二预处理图像的去噪差异图和细节差异图；
所述聚类模块，用于融合所述去噪差异图和所述细节差异图，得到融合差异图像，基于预设聚类算法，在所述融合差异图像中确定变化类像素点和非变化类像素点。
第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的SAR图像变化检测方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的SAR图像变化检测方法。
相比于相关技术，本申请实施例提供的SAR图像变化检测方法，通过获取目标场景的SAR图像，SAR图像包括摄于不同时刻的第一图像和第二图像，对SAR图像进行图像配准并裁剪，保留第一图像和第二图像中的重叠区域，得到第一预处理图像和第二预处理图像，对第一预处理图像和第二预处理图像进行同态滤波去噪，分别基于对数比算子和对数差分算子，生成去噪后第一预处理图像和第二预处理图像的去噪差异图和细节差异图，融合去噪差异图和细节差异图得到融合差异图像，基于预设聚类算法，在融合差异图像中确定变化类像素点和非变化类像素点，解决了SAR图像变化检测方法准确率低。通过融合去噪差异图和细节差异图，能够保留更多的细节和边缘信息，提高变化检测的准确率，同时，采用图像配准技术，允许输入的SAR图像具有一定偏移，提高变化检测的鲁棒性。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的SAR图像变化检测方法的流程图；
图2是根据本申请实施例的一种差异图融合方法的示意图；
图3是根据本申请实施例的一种SAR图像变化检测具体方法的流程图；
图4是根据本申请实施例的SAR图像变化检测系统的结构框图；
图5是根据本申请实施例的电子设备的内部结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块（单元）的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
本实施例提供了一种SAR图像变化检测方法。图1是根据本申请实施例的SAR图像变化检测方法的流程图，如图1所示，该流程包括如下步骤：
步骤S101，获取目标场景的SAR图像，SAR图像包括摄于不同时刻的第一图像和第二图像。
获取同一场景不同时相下的两张SAR图像，需要说明的是，这两张SAR图像可以来自不同视角。
步骤S102，对SAR图像进行图像配准并裁剪，保留第一图像和第二图像中的重叠区域，得到第一预处理图像和第二预处理图像。
通过图像配准技术，提高对不同视角或不同光照角度的SAR图像的鲁棒性，可选地，通过改进的SAR-SIFT配准方法进行图像配准。配准后裁剪出两张SAR图像的重叠区域。
在其中一些实施例中，步骤S102具体包括：
步骤S1021，对SAR图像进行识别，得到SAR图像中的关键点和关键点的描述符。
可选地，通过SAR-KAZE图像配准技术检测SAR图像中的关键点，以及关键点的描述符。
步骤S1022，基于描述符，确定所有第一图像中关键点，与所有所述第二图像中关键点的欧式距离，根据所述欧式距离得到所述关键点的均方根误差，并基于所述均方根误差对所述关键点进行匹配，得到关键点匹配对。
步骤S1023，基于关键点匹配对，对第一图像和第二图像进行配准，得到重叠区域。
在其中一些实施例中，步骤S1023具体包括：
步骤S201，基于RANSAC算法，根据关键点匹配对，得到第一图像和第二图像的变换矩阵。
步骤S202，根据变换矩阵，将第二图像的数据变换到第一图像的坐标系下，以对第一图像和第二图像进行配准。
步骤S203，根据配准结果得到重叠区域。
采用随机抽样一致性（RANSAC）来筛选出可靠的匹配点对，剔除误匹配点对，从而估计变换矩阵，其中，RANSAC算法的目标函数可以通过最小二乘法优化求解。通过变换矩阵将第二SAR图像的数据变换到第一SAR图像的坐标空间，以获取两张图像的重叠区域。
步骤S1024，根据重叠区域，对第一图像和第二图像进行裁剪，得到第一预处理图像和第二预处理图像。
保留两张SAR图像的重叠区域，后续对两张SAR图像的重叠区域进行变化检测。
步骤S103，对第一预处理图像和第二预处理图像进行同态滤波去噪，分别基于对数比算子和对数差分算子，生成去噪后第一预处理图像和第二预处理图像的去噪差异图和细节差异图；
进行同态滤波去噪时，将SAR预处理图像从空间域转换到频率域，进行高斯滤波处理，再转回空间域。
在其中一些实施例中，步骤S103中对第一预处理图像和第二预处理图像进行同态滤波去噪包括：
步骤S1031，获取所述第一预处理图像和所述第二预处理图像的频域数据。
对预处理图像进行对数变换，以减少图像的动态范围，并将图像中的乘性噪声转化为加性噪声。
对数变换公式为：
Ilog=log（1+I）
其中，I是输入的SAR预处理图像，Ilog是对数变换后的SAR预处理图像。
进一步的，对对数变换后的图像进行快速傅里叶变换（FFT），将其转换到频率域。
通过傅里叶变换获取图像的频域数据，傅里叶变换的公式为：
Ifft=FFT（Ilog）
其中，Ifft为SAR预处理图像的频域数据，FFT表示傅里叶变换。
步骤S1032，对所述频域数据进行高斯滤波去噪处理，并将去噪后的频域数据转换回空间域。
通过高斯滤波器，对频域数据进行调制，得到去噪频域数据。
高斯滤波器的表达式如下：
其中，D(u,v)是频率距离，即从频域图像的中心点(P,Q)到任意像素点(u,v)的距离，σ是高斯滤波器的标准差。
该高斯滤波器的表达式也可以改写为：
其中，(u,v)是像素点坐标，（P,Q）是中心点坐标。
将滤波后的频域数据像通过傅里叶逆变换（IFFT）转换回空间域。
傅里叶逆变换的公式如下：
Ifilt=IFFT(HIfft)
其中，Ifilt为滤波后转换回空间域的图像，HIfft为去噪后的频域数据，IFFT表示傅里叶逆变换。
最后，对滤波后的图像进行指数变换，以恢复其原始的亮度范围。
指数变换公式如下：
其中，Ifinal为最终得到的去噪后的SAR预处理图像。
继续参照图1，在步骤S102之后，执行步骤S103。
在其中一些实施例中，步骤S103中分别基于对数比算子和对数差分算子，生成去噪后第一预处理图像和第二预处理图像的去噪差异图和细节差异图包括：
步骤S1034，基于对数比算子，生成去噪后两张第一预处理图像和第二预处理图像的初始差异图。
对数比算子得到初始差异图的表达式如下：
其中，I1为第一张去噪后的SAR预处理图像，I2为第二张去噪后的SAR预处理图像，DIlog为生成的初始差异图。
步骤S1035，通过频谱残差的显著性检测算法，对初始差异图进行去噪处理，得到去噪差异图。
在其中一些实施例中，步骤S1035具体包括：
步骤S301，获取初始差异图的频域数据，根据频域数据，得到频谱幅度和频谱幅度的第一对数。
通过离散傅里叶变换，将初始差异图从空间域转换到频域，转化公式为：C=DFT(DIlog)，C是初始差异图在频域的复数表示，DFT表示离散傅里叶变换。
通过合并实部和虚部的平方和后取平方根，获取初始差异图的复数频域数据的幅度。
幅度计算公式如下：
其中，Creal和Cimag分别表示复数频谱C的实部和虚部，M为初始差异图复数频域数据的幅度。计算频谱幅度的对数，即第一对数。
步骤S302，基于局部平均滤波，对第一对数进行平滑处理，得到频谱幅度的第二对数。
对第一对数进行局部平均滤波得到第二对数，以平滑频谱，减少噪声，同时保留重要的频率成分。
步骤S303，基于第一对数和第二对数的差值得到频谱残差，将频谱残差转换为空间域数据，得到预处理差异图。
频谱残差为平滑后的对数幅度与原始对数幅度之间的差值。对频谱残差进行逆傅里叶变换，将图像从频域转换回空间域。
步骤S304，对预处理差异图进行高斯模糊和归一化处理，得到去噪差异图。
通过对逆变换后得到的预处理差异图进行高斯模糊和归一化处理，生成最终的去噪差异图。
步骤S1036，基于对数差分算子，生成去噪后第一预处理图像和第二预处理图像的细节差异图。
对数差分算子得到细节差异图的数学表达式如下：
DIdetail=log(1+I1)–log(1+I2)
其中，I1为去噪后的第一预处理图像，I2为去噪后的第二预处理图像，DIdetail表示生成的细节差异图。
步骤S104，融合去噪差异图和细节差异图，得到融合差异图像，基于预设聚类算法，在融合差异图像中确定变化类像素点和非变化类像素点。
使用非下采样轮廓变换（NSCT）融合DIlog，DIdetail两张差异图，并在融合过程中完成去噪，融合高频信息，增强边界，得到融合差异图像。
将融合差异图像中的像素点分为变化类和非变化类，得到变化检测结果。
在其中一些实施例中，步骤S104中融合去噪差异图和细节差异图，得到融合差异图像包括：
步骤S1041，对SAR图像进行非下采样轮廓变换，得到不同的图像层级。
对SAR图像进行非下采样轮廓变换，分解得到多尺度、多方向的细节层级。
步骤S1042，将去噪差异图和细节差异图中，每一层图像层级对应的高频部分和低频部分分别进行加权平均融合，得到融合图层。
以SAR图像的层级为准，对每一层的细节系数（高频部分）和近似系数（低频部分）分别进行加权平均融合。
步骤S1043，通过非下采样轮廓逆变换，基于融合图层，生成融合差异图像。
采用NSCT的逆变换将融合后的系数重建成一幅单一的图像，保证图像的所有重要信息被有效保留。
图2是根据本申请实施例的一种差异图融合方法的示意图，如图2所示，DI1表示去噪差异图，DI2表示细节差异图。分别对DI1和DI2进行NSCT变换，得到DI1的高频系数和低频系数，以及DI2的高频系数和低频系数。分别将DI1的高频系数和DI2的高频系数进行加权平均融合，得到高频融合系数；DI1的低频系数和DI2的低频系数进行加权平均融合，得到低频融合系数。基于NSCT逆变换，对低频融合系数和高频融合系数进行系数重建，得到融合后的差异图。
在其中一些实施例中，步骤S104中，基于预设聚类算法，在融合差异图像中确定变化类像素点和非变化类像素点包括：
步骤S1044，基于模糊C均值聚类算法，对融合差异图像中的像素点进行聚类。
步骤S1045，根据聚类结果，得到变化类像素点和非变化类像素点。
通过模糊C均值聚类(FCM)算法，将像素点分为变化和未变化两种状态。
可选地，FCM算法的具体流程如下：
初始化参数：
将聚类数目设定为2，选择模糊权重m=2，控制算法中隶属度的模糊程度。
随机选择2个聚类中心。
隶属度初始化，初始隶属度随机分配，并进行归一化，保证每个数据点对所有聚类中心的隶属度之和为1。
迭代过程：
计算聚类中心yi：
yi表示第i个簇类中心，Z表示像素点的个数，uηi表示像素点yη与聚类中心yi之间的隶属度。
更新隶属度，使用FCM的隶属度更新公式，为每个数据点更新其对每个聚类中心的隶属度。
需要计算和比较所有聚类中心yi到各像素点yη的距离，其中，ｍ代表模糊权重。
FCM聚类的目标函数为：
聚类的目标是最小化Jm，循环迭代，直到Jm达到预设的阈值，或者到达预设迭代次数。
聚类结束后，输出每个聚类中心的位置以及每个像素点的隶属度矩阵。
通过比较每个像素点的隶属度大小得到最终的变化检测结果。则最终得到的检测结果变化掩码表示如下：
其中，ｕη１和ｕη２分别表示预设的隶属度上下限，cm(i,j)=0表示该像素点属于非变化类，cm(i,j)=255表示该像素点属于变化类。图3是根据本申请实施例的一种SAR图像变化检测具体方法的流程图。
通过上述步骤，获取目标场景的SAR图像，SAR图像包括摄于不同时刻的第一图像和第二图像，对SAR图像进行图像配准并裁剪，保留第一图像和第二图像中的重叠区域，得到第一预处理图像和第二预处理图像，对第一预处理图像和第二预处理图像进行同态滤波去噪，分别基于对数比算子和对数差分算子，生成去噪后第一预处理图像和第二预处理图像的去噪差异图和细节差异图，融合去噪差异图和细节差异图得到融合差异图像，基于预设聚类算法，在融合差异图像中确定变化类像素点和非变化类像素点，解决了SAR图像变化检测方法准确率低。
通过融合去噪差异图和细节差异图，能够保留更多的细节和边缘信息，提高变化检测的准确率，同时，采用图像配准技术，允许输入的SAR图像具有一定偏移，提高变化检测的鲁棒性。SAR图像总是伴随着乘性斑点噪声，导致一些传统的使用差异图的变化检测方法受噪声干扰严重，上述方法的去噪除了可以减少对散斑噪声的影响，并保证高分辨率图像下的运行速度。
需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例还提供了一种SAR图像变化检测系统，该系统用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图4是根据本申请实施例的SAR图像变化检测系统的结构框图，如图4所示，该系统包括：图像获取模块41、预处理模块42、差异图生成模块43和聚类模块44，其中，
图像获取模块41，用于获取目标场景的SAR图像，SAR图像包括摄于不同时刻的第一图像和第二图像。
预处理模块42，用于对SAR图像进行图像配准并裁剪，保留第一图像和第二图像中的重叠区域，得到第一预处理图像和第二预处理图像。
差异图生成模块43，用于对第一预处理图像和第二预处理图像进行同态滤波去噪，分别基于对数比算子和对数差分算子，生成去噪后第一预处理图像和第二预处理图像的去噪差异图和细节差异图。
聚类模块44，用于融合去噪差异图和细节差异图，得到融合差异图像，基于预设聚类算法，在融合差异图像中确定变化类像素点和非变化类像素点。
在其中一些实施例中，差异图生成模块43包括：第一差异图生成模块、去噪模块和第二差异图生成模块。
第一差异图生成模块，用于基于对数比算子，生成去噪后两张第一预处理图像和第二预处理图像的初始差异图。
去噪模块，用于通过频谱残差的显著性检测算法，对初始差异图进行去噪处理，得到去噪差异图。
第二差异图生成模块，用于基于对数差分算子，生成去噪后第一预处理图像和第二预处理图像的细节差异图。
在其中一些实施例中，去噪模块包括：第一对数获取模块、第二对数获取模块、逆频域转换模块和高斯去噪模块。
第一对数获取模块，用于获取初始差异图的频域数据，根据频域数据，得到频谱幅度和频谱幅度的第一对数。
第二对数获取模块，基于局部平均滤波，对第一对数进行平滑处理，得到频谱幅度的第二对数。
逆频域转换模块，用于基于第一对数和第二对数的差值得到频谱残差，将频谱残差转换为空间域数据，得到预处理差异图。
高斯去噪模块，用于对预处理差异图进行高斯模糊和归一化处理，得到去噪差异图。
在其中一些实施例中，聚类模块44包括：NSCT变换模块、融合模块和NSCT逆变换模块。
NSCT变换模块，用于对SAR图像进行非下采样轮廓变换，得到不同的图像层级。
融合模块，用于将去噪差异图和细节差异图中，每一层图像层级对应的高频部分和低频部分分别进行加权平均融合，得到融合图层。
NSCT逆变换模块，用于通过非下采样轮廓逆变换，基于融合图层，生成融合差异图像。
在其中一些实施例中，聚类模块44还包括：聚类模块和像素点聚类模块。
聚类模块，用于基于模糊C均值聚类算法，对融合差异图像中的像素点进行聚类。
像素点聚类模块，用于根据聚类结果，得到变化类像素点和非变化类像素点。
在其中一些实施例中，预处理模块42包括：关键点识别模块、匹配模块、重叠区域确定模块和裁剪模块。
关键点识别模块，用于对SAR图像进行识别，得到SAR图像中的关键点和关键点的描述符。
匹配模块，用于基于所述描述符，确定所有所述第一图像中关键点，与所有所述第二图像中关键点的欧式距离，根据所述欧式距离得到所述关键点的均方根误差，并基于均方根误差对关键点进行匹配，得到关键点匹配对。
重叠区域确定模块，用于基于关键点匹配对，对第一图像和第二图像进行配准，得到重叠区域。
裁剪模块，用于根据重叠区域，对第一图像和第二图像进行裁剪，得到第一预处理图像和第二预处理图像。
在其中一些实施例中，重叠区域确定模块包括：预估变换矩阵模块、坐标转换模块和重叠区域获取模块。
预估变换矩阵模块，用于基于RANSAC算法，根据关键点匹配对，得到第一图像和第二图像的变换矩阵。
坐标转换模块，用于根据变换矩阵，将第二图像的数据变换到第一图像的坐标系下，以对第一图像和第二图像进行配准。
重叠区域获取模块，用于根据配准结果得到重叠区域。
在其中一些实施例中，差异图生成模块43还包括：频域转换模块和去噪模块。
频域转换模块，用于获取所述第一预处理图像和所述第二预处理图像的频域数据。
去噪模块，用于对所述频域数据进行高斯滤波去噪处理，并将去噪后的频域数据转换回空间域。
通过上述系统，图像获取模块41用于获取目标场景的SAR图像，SAR图像包括摄于不同时刻的第一图像和第二图像，预处理模块42用于对SAR图像进行图像配准并裁剪，保留第一图像和第二图像中的重叠区域，得到第一预处理图像和第二预处理图像，差异图生成模块43对第一预处理图像和第二预处理图像进行同态滤波去噪，分别基于对数比算子和对数差分算子，生成去噪后第一预处理图像和第二预处理图像的去噪差异图和细节差异图，聚类模块44融合去噪差异图和细节差异图得到融合差异图像，基于预设聚类算法，在融合差异图像中确定变化类像素点和非变化类像素点，解决了SAR图像变化检测方法准确率低。通过融合去噪差异图和细节差异图，能够保留更多的细节和边缘信息，提高变化检测的准确率，同时，采用图像配准技术，允许输入的SAR图像具有一定偏移，提高变化检测的鲁棒性。
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
本实施例还提供了一种电子设备，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地，上述电子设备还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，获取目标场景的SAR图像，SAR图像包括摄于不同时刻的第一图像和第二图像。
S2，对SAR图像进行图像配准并裁剪，保留第一图像和第二图像中的重叠区域，得到第一预处理图像和第二预处理图像。
S3，对第一预处理图像和第二预处理图像进行同态滤波去噪，分别基于对数比算子和对数差分算子，生成去噪后第一预处理图像和第二预处理图像的去噪差异图和细节差异图。
S4，融合去噪差异图和细节差异图，得到融合差异图像，基于预设聚类算法，在融合差异图像中确定变化类像素点和非变化类像素点。
需要说明的是，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
在一个实施例中，图5是根据本申请实施例的电子设备的内部结构示意图，如图5所示，提供了一种电子设备，该电子设备可以是服务器，其内部结构图可以如图5所示。该电子设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的数据库用于存储数据。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种SAR图像变化检测方法。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
本领域的技术人员应该明白，以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种SAR图像变化检测方法，其特征在于，所述方法包括：
获取目标场景的SAR图像，所述SAR图像包括摄于不同时刻的第一图像和第二图像；
对所述SAR图像进行图像配准并裁剪，保留所述第一图像和所述第二图像中的重叠区域，得到第一预处理图像和第二预处理图像；
对所述第一预处理图像和所述第二预处理图像进行同态滤波去噪，分别基于对数比算子和对数差分算子，生成去噪后所述第一预处理图像和所述第二预处理图像的去噪差异图和细节差异图；
融合所述去噪差异图和所述细节差异图，得到融合差异图像，基于预设聚类算法，在所述融合差异图像中确定变化类像素点和非变化类像素点。
2.根据权利要求1所述的方法，其特征在于，所述分别基于对数比算子和对数差分算子，生成去噪后所述第一预处理图像和所述第二预处理图像的去噪差异图和细节差异图包括：
基于所述对数比算子，生成去噪后两张所述第一预处理图像和所述第二预处理图像的初始差异图；
通过频谱残差的显著性检测算法，对所述初始差异图进行去噪处理，得到去噪差异图；
基于所述对数差分算子，生成去噪后所述第一预处理图像和所述第二预处理图像的细节差异图。
3.根据权利要求2所述的方法，其特征在于，所述通过频谱残差的显著性检测算法，对所述初始差异图进行去噪处理，得到去噪差异图包括：
获取所述初始差异图的频域数据，根据所述频域数据，得到频谱幅度和所述频谱幅度的第一对数；
基于局部平均滤波，对所述第一对数进行平滑处理，得到所述频谱幅度的第二对数；
基于所述第一对数和所述第二对数的差值得到频谱残差，将所述频谱残差转换为空间域数据，得到预处理差异图；
对所述预处理差异图进行高斯模糊和归一化处理，得到所述去噪差异图。
4.根据权利要求1所述的方法，其特征在于，所述融合所述去噪差异图和所述细节差异图，得到融合差异图像包括：
对所述SAR图像进行非下采样轮廓变换，得到不同的图像层级；
将所述去噪差异图和所述细节差异图中，每一层所述图像层级对应的高频部分和低频部分分别进行加权平均融合，得到融合图层；
通过非下采样轮廓逆变换，基于所述融合图层，生成融合差异图像。
5.根据权利要求1所述的方法，其特征在于，所述基于预设聚类算法，在所述融合差异图像中确定变化类像素点和非变化类像素点包括：
基于模糊C均值聚类算法，对所述融合差异图像中的像素点进行聚类；
根据聚类结果，得到所述变化类像素点和所述非变化类像素点。
6.根据权利要求1所述的方法，其特征在于，所述对所述SAR图像进行图像配准并裁剪，保留所述第一图像和所述第二图像中的重叠区域，得到第一预处理图像和第二预处理图像包括：
对所述SAR图像进行识别，得到所述SAR图像中的关键点和所述关键点的描述符；
基于所述描述符，确定所有所述第一图像中关键点，与所有所述第二图像中关键点的欧式距离；
根据所述欧式距离得到所述关键点的均方根误差，并基于所述均方根误差对所述关键点进行匹配，得到关键点匹配对；
基于所述关键点匹配对，对所述第一图像和所述第二图像进行配准，得到所述重叠区域；
根据所述重叠区域，对所述第一图像和所述第二图像进行裁剪，得到所述第一预处理图像和所述第二预处理图像。
7.根据权利要求6所述的方法，其特征在于，所述基于所述关键点匹配对，对所述第一图像和所述第二图像进行配准，得到所述重叠区域包括：
基于RANSAC算法，根据所述关键点匹配对，得到所述第一图像和所述第二图像的变换矩阵；
根据所述变换矩阵，将所述第二图像的数据变换到所述第一图像的坐标系下，以对所述第一图像和所述第二图像进行配准；
根据配准结果得到所述重叠区域。
8.根据权利要求1所述的方法，其特征在于，所述对所述第一预处理图像和所述第二预处理图像进行同态滤波去噪包括：
获取所述第一预处理图像和所述第二预处理图像的频域数据；
对所述频域数据进行高斯滤波去噪处理，并将去噪后的频域数据转换回空间域。
9.一种SAR图像变化检测系统，其特征在于，所述系统包括：图像获取模块、预处理模块、差异图生成模块和聚类模块，其中，
所述图像获取模块，用于获取目标场景的SAR图像，所述SAR图像包括摄于不同时刻的第一图像和第二图像；
所述预处理模块，用于对所述SAR图像进行图像配准并裁剪，保留所述第一图像和所述第二图像中的重叠区域，得到第一预处理图像和第二预处理图像；
所述差异图生成模块，用于对所述第一预处理图像和所述第二预处理图像进行同态滤波去噪，分别基于对数比算子和对数差分算子，生成去噪后所述第一预处理图像和所述第二预处理图像的去噪差异图和细节差异图；
所述聚类模块，用于融合所述去噪差异图和所述细节差异图，得到融合差异图像，基于预设聚类算法，在所述融合差异图像中确定变化类像素点和非变化类像素点。
10.一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8中任一项所述的SAR图像变化检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410797826.9A CN118379637B (zh) | 2024-06-20 | 2024-06-20 | Sar图像变化检测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410797826.9A CN118379637B (zh) | 2024-06-20 | 2024-06-20 | Sar图像变化检测方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118379637A true CN118379637A (zh) | 2024-07-23 |
| CN118379637B CN118379637B (zh) | 2024-09-13 |
Family
ID=91901901
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410797826.9A Active CN118379637B (zh) | 2024-06-20 | 2024-06-20 | Sar图像变化检测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118379637B (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110200238A1 (en) * | 2010-02-16 | 2011-08-18 | Texas Instruments Incorporated | Method and system for determining skinline in digital mammogram images |
| US20110222781A1 (en) * | 2010-03-15 | 2011-09-15 | U.S. Government As Represented By The Secretary Of The Army | Method and system for image registration and change detection |
| CN102254319A (zh) * | 2011-04-19 | 2011-11-23 | 中科九度(北京)空间信息技术有限责任公司 | 一种多层次分割的遥感影像变化检测方法 |
| CN104751185A (zh) * | 2015-04-08 | 2015-07-01 | 西安电子科技大学 | 基于均值漂移遗传聚类的sar图像变化检测方法 |
| US20150332458A1 (en) * | 2014-05-16 | 2015-11-19 | CUREXO, Inc | Method for detecting positions of tissues and apparatus using the same |
| CN106934797A (zh) * | 2017-02-16 | 2017-07-07 | 中国测绘科学研究院 | 一种基于邻域相对熵的sar影像变化检测方法 |
| JP2020160814A (ja) * | 2019-03-27 | 2020-10-01 | 沖電気工業株式会社 | 認識装置、認識方法およびプログラム |
| CN112200769A (zh) * | 2020-09-08 | 2021-01-08 | 东南大学 | 一种用于违建检测的定点监控新旧时相图像变化检测方法 |
| CN113379640A (zh) * | 2021-06-25 | 2021-09-10 | 哈尔滨工业大学 | 一种融合边缘信息的多级滤波图像去噪方法 |
| WO2022016884A1 (zh) * | 2020-07-22 | 2022-01-27 | 江苏科技大学 | 一种基于K-means聚类算法的海面风速方法 |
| CN114331909A (zh) * | 2021-12-31 | 2022-04-12 | 江南大学 | 一种基于分解的sar图像多目标模糊变化检测方法 |
| CN114331897A (zh) * | 2021-12-31 | 2022-04-12 | 江南大学 | 一种基于分解的两目标模糊变化检测方法 |
| CN115249227A (zh) * | 2021-11-24 | 2022-10-28 | 云南师范大学 | 基于融合差异图和形态学重建的sar图像变化检测方法 |
| CN117455868A (zh) * | 2023-10-30 | 2024-01-26 | 天津工业大学 | 基于显著融合差异图和深度学习的sar图像变化检测方法 |
| CN117522817A (zh) * | 2023-11-10 | 2024-02-06 | 华北理工大学 | 一种基于人工智能算法的医学图像处理方法及系统 |
| CN117690032A (zh) * | 2023-11-06 | 2024-03-12 | 中国人民解放军61540部队 | 一种遥感影像目标变化检测方法 |
-
2024
- 2024-06-20 CN CN202410797826.9A patent/CN118379637B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110200238A1 (en) * | 2010-02-16 | 2011-08-18 | Texas Instruments Incorporated | Method and system for determining skinline in digital mammogram images |
| US20110222781A1 (en) * | 2010-03-15 | 2011-09-15 | U.S. Government As Represented By The Secretary Of The Army | Method and system for image registration and change detection |
| CN102254319A (zh) * | 2011-04-19 | 2011-11-23 | 中科九度(北京)空间信息技术有限责任公司 | 一种多层次分割的遥感影像变化检测方法 |
| US20150332458A1 (en) * | 2014-05-16 | 2015-11-19 | CUREXO, Inc | Method for detecting positions of tissues and apparatus using the same |
| CN104751185A (zh) * | 2015-04-08 | 2015-07-01 | 西安电子科技大学 | 基于均值漂移遗传聚类的sar图像变化检测方法 |
| CN106934797A (zh) * | 2017-02-16 | 2017-07-07 | 中国测绘科学研究院 | 一种基于邻域相对熵的sar影像变化检测方法 |
| JP2020160814A (ja) * | 2019-03-27 | 2020-10-01 | 沖電気工業株式会社 | 認識装置、認識方法およびプログラム |
| WO2022016884A1 (zh) * | 2020-07-22 | 2022-01-27 | 江苏科技大学 | 一种基于K-means聚类算法的海面风速方法 |
| CN112200769A (zh) * | 2020-09-08 | 2021-01-08 | 东南大学 | 一种用于违建检测的定点监控新旧时相图像变化检测方法 |
| CN113379640A (zh) * | 2021-06-25 | 2021-09-10 | 哈尔滨工业大学 | 一种融合边缘信息的多级滤波图像去噪方法 |
| CN115249227A (zh) * | 2021-11-24 | 2022-10-28 | 云南师范大学 | 基于融合差异图和形态学重建的sar图像变化检测方法 |
| CN114331909A (zh) * | 2021-12-31 | 2022-04-12 | 江南大学 | 一种基于分解的sar图像多目标模糊变化检测方法 |
| CN114331897A (zh) * | 2021-12-31 | 2022-04-12 | 江南大学 | 一种基于分解的两目标模糊变化检测方法 |
| CN117455868A (zh) * | 2023-10-30 | 2024-01-26 | 天津工业大学 | 基于显著融合差异图和深度学习的sar图像变化检测方法 |
| CN117690032A (zh) * | 2023-11-06 | 2024-03-12 | 中国人民解放军61540部队 | 一种遥感影像目标变化检测方法 |
| CN117522817A (zh) * | 2023-11-10 | 2024-02-06 | 华北理工大学 | 一种基于人工智能算法的医学图像处理方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 王平;: "基于差异图和块分类的雷达图像变化检测", 长春师范大学学报, no. 08, 20 August 2020 (2020-08-20) * |
| 王雪国;贾振红;覃锡忠;杨杰;NIKOLA KASABOV;: "基于PM扩散方程的SAR图像变化检测", 激光杂志, no. 04, 25 April 2017 (2017-04-25) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118379637B (zh) | 2024-09-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105917353B (zh) | 用于生物认证的特征提取及匹配以及模板更新 | |
| CN110795976B (zh) | 一种训练物体检测模型的方法、装置以及设备 | |
| JP5503018B2 (ja) | 一様なおよび一様でない照明の変化の中での特徴検出を改善するための尺度空間正規化技術 | |
| Manzanera et al. | Line and circle detection using dense one-to-one Hough transforms on greyscale images | |
| CN111340077A (zh) | 基于注意力机制的视差图获取方法和装置 | |
| CN112115979A (zh) | 一种红外图像和可见图像的融合方法及设备 | |
| CN111882565B (zh) | 一种图像二值化方法、装置、设备及存储介质 | |
| Dhar et al. | Accurate segmentation of complex document image using digital shearlet transform with neutrosophic set as uncertainty handling tool | |
| CN114066816B (zh) | 基于静态小波变换提取的sar图像无监督变化检测方法 | |
| CN111915645B (zh) | 影像匹配方法、装置、计算机设备及计算机可读存储介质 | |
| CN114155161B (zh) | 图像去噪方法、装置、电子设备与存储介质 | |
| Zhou et al. | Sparse representation with enhanced nonlocal self-similarity for image denoising | |
| CN113077379B (zh) | 特征潜码的提取方法及装置、设备及存储介质 | |
| CN118379637B (zh) | Sar图像变化检测方法和系统 | |
| Kim et al. | Adaptive descriptor-based robust stereo matching under radiometric changes | |
| Zhang | Feature mining simulation of video image information in multimedia learning environment based on BOW algorithm | |
| CN117196954A (zh) | 一种面向飞机蒙皮的弱纹理曲面图像拼接方法和装置 | |
| CN115689947B (zh) | 一种图像锐化的方法、系统、电子装置和存储介质 | |
| CN109697474B (zh) | 基于迭代贝叶斯的合成孔径雷达影像变化检测方法 | |
| Elashry et al. | Feature matching enhancement using the graph neural network (gnn-ransac) | |
| CN114240935B (zh) | 一种空频域特征融合的医学影像特征识别方法及装置 | |
| Yu et al. | Intensity guided depth upsampling using edge sparsity and super-weighted $ l_0 $ gradient minimization | |
| Risnandar et al. | Real-time deep satellite image quality assessment | |
| CN116152542A (zh) | 图像分类模型的训练方法、装置、设备及存储介质 | |
| CN116363175A (zh) | 基于注意力机制的极化sar图像配准方法 |
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 |