CN102663740B - 基于图切的sar图像变化检测方法 - Google Patents
基于图切的sar图像变化检测方法 Download PDFInfo
- Publication number
- CN102663740B CN102663740B CN201210078273.9A CN201210078273A CN102663740B CN 102663740 B CN102663740 B CN 102663740B CN 201210078273 A CN201210078273 A CN 201210078273A CN 102663740 B CN102663740 B CN 102663740B
- Authority
- CN
- China
- Prior art keywords
- image
- variation
- matrix
- class
- 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.)
- Active
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图切的SAR图像变化检测方法,主要解决现有技术中检测精度低的问题。其实现过程是:将变化前后的SAR图像用图切的方法进行分块预处理;然后用分块后的变化前后的SAR图像,分别构造变化前邻接图和变化后邻接图;连接两个邻接图的对应顶点,将两个邻接图融合得到变化前后SAR图像的二维图;最后用NJW谱聚类的方法对二维图进行切割,得到变化后图像各块的标签,将变化后图像中表示了变化区域的一类数据块提取出来,得到最终的变化检测结果图。本发明避免了已有技术中构造差异图对图像进行降唯,所造成的信息丢失和累积误差,提高了变化检测的检测精度。
Description
技术领域
本发明涉及图像处理技术领域,特别是SAR图像的处理,主要可应用于生态和环境的监控以及自然灾害的评测与预防。
背景技术
由于合成口径雷达SAR不受大气条件和云层覆盖等相关条件的影响,因此,多时相SAR图像技术在人们的生产生活中发挥着越来越重要的作用。而SAR图像变化检测技术,在相关应用中正起着至关重要的作用,例如生态和环境的监控以及自然灾害的评测与预防,都在起着越来越重要的作用。图像变化检测就是研究同一场景不同时段的两幅或多幅图像之间发生的变化,不同时段同一场景的SAR图像的获得,使通过SAR图像变化检测技术提供目标与场景实时动态信息成为可能,使得SAR图像变化检测技术在实际应用中变得越来越重要。
在SAR图像中寻找“非变化”和“变化”两分类的研究目前还处于初步阶段,大致有两个路线,一条路线是分类后比较方法,也称后分类比较法,该方法先对两个时相的图像进行独立分类,再对两幅分类图像进行逐像素的比较,最后得到变化检测图;另外一条路线是差异图分类方法,该方法先对两个时相的图像进行逐像素的比较,比如逐像素点的差值、比值、CVA等,再对比较得出的差异图像进行进一步地多种变换、概率分布等处理以达到两分类,最后得到变化检测图。后分类比较法能够减少由于数据获取平台和环境的不同引起的伪变化信息,不需要数据的辐射校正等复杂的预处理,目前较多的研究是沿着差异分类模型这个路线进行的。差异图分类方法简单直观,得到的变化细节较为显著。
目前变化检测方法的缺陷主要有:对于差异图分类法而言,差异图可分性的高低直接影响着变化检测结果,而高可分性差异图的构建至今是一个难题,同时在构造差异图的过程中不可避免的造成了图像信息的丢失;对于分类后比较法而言,各时相分类后的效果对后续的分类结果起着比较至关重要的作用,而图像分类本身就是个比较困难的问题,分类的精度很难保证,在比较的过程中存在着误差累积的问题。
发明内容
本发明的目的在于针对上述已有技术的不足,提出了一种基于图切的SAR图像变化检测方法,以减小信息丢失和累积误差,提高SAR图像变化检测的检测精度。
为实现上述目的,本发明基于图切的SAR图像变化检测方法,包括如下步骤:
(1)输入变化前后的SAR图像P1和P2,并选用变化前后SAR图像的变化检测标准结果图q0;
(2)将变化前后的SAR图像P1和P2进行分块预处理,得到m块以及预处理后的变化前图像I1和变化后图像I2,其中预处理后的变化前图像I1中的块标记为d1i,i=1,2,…,m,预处理后的变化后后图像I2中的块标记为d2i,i=1,2,…,m;
(3)用分块预处理后的变化前图像I1构造变化前邻接图:G1=[V1,S1],变化前邻接图G1的顶点V1表示分块预处理后的变化前图像I1中的各个小块,S1表示变化前邻接图G1的加权边集合:S1={s1(i,j)}i,j=1,2,…,m,
其中,σ是高斯核的尺度参数,exp是自然指数;
(4)用分块预处理后的变化后图像I2构造变化后邻接图:G2=[V2,S2],变化后邻接图G2的顶点V2表示分块预处理后的变化后图像I2中的各个小块,S2表示变化后邻接图G1的加权边集合:S2={s2(i,j)}i,j=1,2,…,m,
(5)将变化前邻接图G1和变化后邻接图G2中对应顶点连接,得到融合图:G=[V0,S0],融合图G的顶点V0表示分块预处理后的变化前图像I1和变化后图像I2中的各个小块,融合图G中的加权边的集合S0=S1∪S2∪V,V表示变化连接变化前邻接图G1和变化后邻接图G2对应顶点的加权边集合:
V={v(i)}i=1,2,…,m,
(6)计算融合图G的差异矩阵W=[w(i,j)],i,j=1,2,…,m,
其中,v(i)表示分块预处理后的变化前图像I1和变化后图像I2中块d1i和d2i之间的不相似度,s1(i,j)表示分块预处理后的变化前图像I1中块d1i与块d1j之间的相似度,s2(i,j)表示分块预处理后的变化后图像I2中块d2i与块d2j之间的相似度;
(7)对差异矩阵W进行NJW谱聚类,类别数k=3,得到差异矩阵W的第i行wi的类别标签,i=1,2,…,m;
(8)根据差异矩阵W中行wi的类别标签,给对应块d2i指派类别标签,将分块处理后的变化后图像I2聚为k类,得到第h类的数据集合Ah,1≤h≤k;
(9)根据标准结果图q0,找到聚类后的k类变化后图像I2中代表变化区域的一类数据块Ah,将从分块处理后的变化后图像I2中提取出来的Ah作为最终的变化检测结果图。
本发明与现有的技术相比具有以下优点:
1.本发明以构造图的形式将变化前后的SAR图像之间的相关信息体现在一个二维图中,通过对图的切割和后续处理,完成了变化前后SAR图像中变化区域和非变化区域的划分,实现了图像的变化检测;
2.本发明克服了已有技术中对数据维数的限制,避免了已有技术中首先对图像进行降维所造成的信息丢失和累积误差问题,降低了错误率;
3.本发明中采用NJW谱聚类的方法实现对图的切割,使得本发明不会陷入局部最优以及较充分的利用了类内和类间信息,提高了变化检测的检测精度。
附图说明
图1是本发明的流程图;
图2是本发明仿真所使用的Feltwell SAR图像数据集;
图3是现有的对Feltwell SAR图像数据集变化检测的标准结果图;
图4是用本发明和传统变化检测方法对图2的变化检测结果图;
图5是本发明仿真所使用的撒丁岛SAR图像数据集;
图6是现有的对撒丁岛SAR图像数据集变化检测的标准结果图;
图7是用本发明和传统变化检测方法对图5的变化检测结果图。
具体实施方式
参照图1,本发明基于图切的SAR图像变化检测方法,包括如下步骤:
步骤1:输入变化前的SAR图像P1和变化后的SAR图像P2,以及选用变化前后SAR图像的变化检测标准结果图q0,用图切的方法对变化前后的SAR图像P1和p2进行分块预处理。
1a)将变化前的SAR图像P1和变化后的SAR图像P2相减得到差值图:I=|P1-P2|;
1b)用图切的方法将差值图I分割成若干小块,并分别记录各小块标记e,e∈{1,…,m},m为块的个数;
1c)根据差值图像I的块标记,将变化前后的SAR图像P1和P2分割成与差值图像I具有相同划分的预处理后的变化前图像I1和变化后图像I2,分别得到块d1i和d2i,i=1,2,…,m。
步骤2:分别用分块预处理后的变化前图像I1和变化后图像I2,构造变化前邻接图G1和变化后邻接图G2。
2a)用分块预处理后的变化前图像I1构造变化前邻接图:G1=[V1,S1],变化前邻接图G1的顶点V1表示分块预处理后的变化前图像I1中的各个小块,S1表示变化前邻接图G1的加权边集合:S1={s1(i,j)}i,j=1,2,…,m,
其中,σ是高斯核的尺度参数,exp是自然指数。
2b)用分块预处理后的变化后图像I2构造变化后邻接图:G2=[V2,S2],变化后邻接图G2的顶点V2表示分块预处理后的变化后图像I2中的各个小块,S2表示变化后邻接图G1的加权边集合:S2={s2(i,j)}i,j=1,2,…,m,
步骤3:连接变化前邻接图G1和变化后邻接图G2的对应顶点,将变化前邻接图G1和变化后邻接图G2融合,得到二维图:G=[V0,S0],二维图G的顶点V0表示分块预处理后的变化前图像I1和变化后图像I2中的各个小块,二维图G中的加权边集合S0=S1∪S2∪V,V表示连接变化前邻接图G1和变化后邻接图G2的加权边集合:V={v(i)}i=1,2,…,m,
步骤4:计算二维图G的差异矩阵W=[w(i,j)],i,j=1,2,…,m,
其中,v(i)表示分块预处理后的变化前图像I1和变化后图像I2中块d1i和d2i之间的不相似度,s1(i,j)表示分块预处理后的变化前图像I1中块d1i与块d1j之间的相似度,s2(i,j)表示分块预处理后的变化后图像I2中块d2i与块d2j之间的相似度。
步骤5:对差异矩阵W进行NJW谱聚类,类别数k=3,得到差异矩阵W的行数为wi的标签,i=1,2,…,m。
5a)定义对角矩阵为D,将差异矩阵W的wi行元素之和作为对角矩阵D对角上的元素:
5b)构造拉普拉斯矩阵:L=D-1/2WD-1/2;
5c)对L进行SVD奇异值分解,得到它的前k个最大特征值所对应的特征向量v1,v2,...,vk,k>1且k∈N并构造特征向量矩阵U=[v1,v2,...,vk],其中vi,i=1,2,…,k为列向量;
步骤6:根据差异矩阵W的行数为wi的标签,给对应块d2i指派类别标签,将分块处理后的变化后图像I2聚为k类,即如果差异矩阵W的wi行为第h类,1≤h≤k且h∈N,就将原数据块d2i也划分到第h类,得到第h类的数据集合Ah。
步骤7:将分块处理后的变化后图像I2中k类的每一类数据块Ah分别从分块处理后的变化后图像I2中提取出来对其赋值255,在剩余区域赋值0,得到与标准结果图大小相同的类别图像qh,1≤h≤k,将k幅类别图像q1,…,qh,…,qk分别与标准结果图q0相减,得到k幅比较图像c1,…,ch,…ck,
ch=|qh-q0|,
其中,标准结果图q0中变化区域的灰度值为255,非变化区域的灰度值为0。
步骤8:在k幅比较图像c1,…,ch,…ck中查找非零元素最少的比较图像ch,将对应的类别图像qh作为最终的变化检测结果图。
本发明的效果可以通过以下实验进一步说明:
1.实验条件
实验环境为:windows XP,SPI,CPU Pentium(R)4,基本频率2.4GHZ,软件平台为Matlab7.0.4。
仿真选用的第一个数据集为英格兰Feltwell村庄SAR图像数据集,如图2所示,其中图2(a)为英格兰Feltwell村庄变化前的SAR图像,图2(b)为英格兰Feltwell村庄变化后的SAR图像。该图像位于英国Feltwell村庄的一个农田区,模拟变化图像通过模拟地球的天气变化和电磁波的辐射特性等因素影响并人工地嵌入一些变化区域得到,图像大小均为470×335像素,灰度级为256,包括153214个非变化像素和4236个变化像素。检测的标准结果图采用如图3所示的对Feltwell SAR图像数据集变化检测的结果图。在实验过程中的高斯核的尺度参数σ选取的是0.5。
第二个数据集为意大利撒丁岛SAR图像数据集,如图5所示,其中图5(a)为意大利撒丁岛变化前的SAR图像,图5(b)为意大利撒丁岛变化后的SAR图像。该组真实遥感数据集由1995年9月和1996年7月Landsat-5卫星TM传感器接收的两幅多光谱图像构成。图像大小均为300×412像素,灰度级为256。包括115974个非变化像素和7626个变化像素。检测的标准结果图采用如图6所示的对撒丁岛SAR图像数据集变化检测的结果图。在实验过程中的高斯核的尺度参数σ选取的是0.3。
2.实验内容和实验结果
实验一:用本发明方法和两种变化检测传统方法:ID差值法和KI阈值分割法,对图2进行变化检测。实验结果如图4所示,其中4(a)为现有ID差值法对图2(b)进行变化检测的结果图,4(b)为现有KI阈值分割法对图2(b)进行变化检测的结果图,4(c)为本发明方法对图2(b)进行变化检测的结果图。
实验二:用本发明方法和两种变化检测传统方法:ID差值法和KI阈值分割法,对图5进行变化检测。实验结果如图7所示,其中7(a)为现有ID差值法对图5(b)进行变化检测的结果图,7(b)为现有KI阈值分割法对图5(b)进行变化检测的结果图,7(c)为本发明方法对图5(b)进行变化检测的结果图。
从图4(a)和图7(a)中可以看出,ID差值法对图像进行变化检测的实验结果中有很多的杂点;从图4(b)和图7(b)中可以看出,KI阈值分割法对图像进行变化检测的实验结果产生了很多的细节丢失,边缘很模糊,图4(b)丢失了大部分的变化区域;从图4(c)和图7(c)中可以看出,本发明方法能够在较好保持边缘细节的情况下,减少杂点的个数。
本发明方法和所述两种传统变化检测方法,对图2和图5进行变化检测的结果数据,如表1所示:
表1试验结果数据
表1中列出了三种评价指标:分别为虚警数FA,漏检数MA和总错误数OE,其中,虚警数FA为实际没有发生变化但被当作变化检测出来的像素,漏检数MA为没有检测出来的实际发生了变化的像素,总错误数OE=FA+MA。
从表1可以看出,本发明与所述的两种传统变化检测方法相比,可以获得较少的虚警数FA和漏检数MA,以及最少的总错误数OE,提高了变化检测的检测精度。
Claims (4)
1.一种基于图切的SAR图像变化检测方法,包括如下步骤:
(1)输入变化前后的SAR图像P1和P2,并选用变化前后SAR图像的变化检测标准结果图q0;
(2)将变化前后的SAR图像P1和P2进行分块预处理,得到m块以及预处理后的变化前图像I1和变化后图像I2,其中预处理后的变化前图像I1中的块标记为d1i,i=1,2,...,m,预处理后的变化后图像I2中的块标记为d2i,i=1,2,...,m;
(3)用分块预处理后的变化前图像I1构造变化前邻接图:G1=[V1,S1],变化前邻接图G1的顶点V1表示分块预处理后的变化前图像I1中的各个小块,S1表示变化前邻接图G1的加权边集合:S1={s1(i,j)},i,j=1,2,...,m,
其中,σ是高斯核的尺度参数,exp是自然指数;
(4)用分块预处理后的变化后图像I2构造变化后邻接图:G2=[V2,S2],变化后邻接图G2的顶点V2表示分块预处理后的变化后图像I2中的各个小块,S2表示变化后邻接图G1的加权边集合:S2={s2(i,j)},i,j=1,2,...,m,
(5)将变化前邻接图G1和变化后邻接图G2中对应顶点连接,得到融合图:G=[V0,S0],融合图G的顶点V0表示分块预处理后的变化前图像I1和变化后图像I2中的各个小块,融合图G中的加权边的集合S0=S1∪S2∪V,V表示变化前邻接图G1和变化后邻接图G2对应顶点的加权边集合:V={v(i)},i=1,2,...,m,
(6)计算融合图G的差异矩阵W=[w(i,j)],i,j=1,2,...,m,
其中,v(i)表示分块预处理后的变化前图像I1和变化后图像I2中块d1i和d2i之间的不相似度,s1(i,j)表示分块预处理后的变化前图像I1中块d1i与块d1j之间的相似度,s2(i,j)表示分块预处理后的变化后图像I2中块d2i与块d2j之间的相似度;
(7)对差异矩阵W进行NJW谱聚类,类别数k=3,得到差异矩阵W的第i行wi的类别标签,i=1,2,...,m;
(8)根据差异矩阵W中行wi的类别标签,给对应块d2i指派类别标签,将分块处理后的变化后图像I2聚为k类,得到第h类的数据集合Ah,1≤h≤k;
(9)根据标准结果图q0,找到聚类后的k类变化后图像I2中代表变化区域的一类数据块Ah,得到最终的变化检测结果。
2.根据权利要求1所述的方法,其中步骤(2)所述的将变化前后的SAR图像P1和P2进行分块预处理,按如下步骤进行:
2a)将变化前的SAR图像P1和变化后的SAR图像P2相减得到差值图像I;
2b)用图切的方法将差值图像I分割成若干小块e,e∈{1,...,m},m为块的个数;
2c)根据差值图像I的块标记,将变化前后的SAR图像P1和P2分割成与差值图像I具有相同划分的预处理后的变化前图像I1和变化后图像I2,分别得到块d1i和d2i,i=1,2,...,m。
3.根据权利要求1所述的方法,其中步骤(7)所述的对差异矩阵W进行NJW谱聚类,按如下步骤进行:
7a)定义对角矩阵为D,将差异矩阵W的wi行元素之和作为对角矩阵D对角上的元素:
7b)构造拉普拉斯矩阵:L=D-1/2WD-1/2;
7c)对拉普拉斯矩阵L进行SVD奇异值分解,得到它的前k个最大特征值所对应的特征向量v1,v2,...,vk,k>1且k∈N,并构造特征向量矩阵:U=[v1v2...vk]∈Rn×k,其中vi,i=1,2,...,k为列向量;
7d)归一化特征向量矩阵U的行向量,得到归一化后的矩阵Y,将归一化后的矩阵Y的每一行看成是Rk空间内的一点,用模糊C均值FCM的方法将归一化后的矩阵Y聚为k类。
4.根据权利要求1所述的方法,其中步骤(9)所述的根据标准结果图q0,找到聚类后的k类变化后图像I2中表示变化区域的一类数据块Ah,按如下步骤进行:
9a)将分块处理后的变化后图像I2中k类的每一类数据块Ah分别从分块处理后的变化后图像I2中提取出来对其赋值255,在剩余区域赋值0,得到与标准结果图大小相同的类别图像qh,1≤h≤k,将k幅类别图像q1,...,qh,...,qk分别与标准结果图q0相减,得到k幅比较图像c1,...,ch,...ck,
ch=|qh-q0|,
其中,标准结果图q0中变化区域的灰度值为255,非变化区域的灰度值为0;
9b)在k幅比较图像c1,...,ch,...ck中查找非零元素最少的比较图像ch,将对应的类别图像qh作为最终的变化检测结果图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210078273.9A CN102663740B (zh) | 2012-03-22 | 2012-03-22 | 基于图切的sar图像变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210078273.9A CN102663740B (zh) | 2012-03-22 | 2012-03-22 | 基于图切的sar图像变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102663740A CN102663740A (zh) | 2012-09-12 |
CN102663740B true CN102663740B (zh) | 2014-05-14 |
Family
ID=46773218
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210078273.9A Active CN102663740B (zh) | 2012-03-22 | 2012-03-22 | 基于图切的sar图像变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102663740B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930288A (zh) * | 2012-09-28 | 2013-02-13 | 中国科学院自动化研究所 | 交互式图像变化检测方法 |
CN103383451B (zh) * | 2013-06-07 | 2015-05-06 | 杭州电子科技大学 | 基于恒边长梯度加权图切的优化雷达微弱目标检测方法 |
CN106204607B (zh) * | 2016-07-15 | 2019-05-21 | 西安电子科技大学 | 基于波动参数划分的sar图像变化检测方法 |
CN108010070B (zh) * | 2017-05-27 | 2018-12-14 | 北京航空航天大学 | 一种基于sar序贯图像的场景变化检测方法及装置 |
CN108446637B (zh) * | 2018-03-21 | 2020-11-06 | 合肥工业大学 | 基于立体图模型的sar图像变化检测方法 |
CN110163294B (zh) * | 2019-05-29 | 2023-05-09 | 广东工业大学 | 基于降维操作和卷积网络的遥感图像变化区域检测方法 |
CN110188830B (zh) * | 2019-06-01 | 2022-09-06 | 合肥工业大学 | 基于多核图割的sar图像变化检测方法 |
-
2012
- 2012-03-22 CN CN201210078273.9A patent/CN102663740B/zh active Active
Non-Patent Citations (10)
Title |
---|
An Image Change Detection Algorithm Based on Markov Random Field Models;Teerasit Kasetkasem et al;《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》;20020831;第40卷(第8期);全文 * |
Change detection in remote sensing images with graph cuts;Fernando Pérez Nava et al;《Image and Signal Processing for Remote Sensing XI》;20050919;全文 * |
Fernando Pérez Nava et al.Change detection in remote sensing images with graph cuts.《Image and Signal Processing for Remote Sensing XI》.2005,全文. |
Graphcut Textures: Image and Video Synthesis Using Graph Cuts;Vivek Kwatra et al;《ACM Transactions on Graphics》;20030731;第22卷(第3期);全文 * |
Keming Chen et al.Unsupervised Change Detection in SAR Image using Graph Cuts.《IGARSS 2008》.2008,第3卷全文. |
Keming Chen et al.Unsupervised change detection on SAR images using markovian fusion.《MIPPR 2007》.2007,全文. |
Teerasit Kasetkasem et al.An Image Change Detection Algorithm Based on Markov Random Field Models.《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》.2002,第40卷(第8期),全文. |
Unsupervised Change Detection in SAR Image using Graph Cuts;Keming Chen et al;《IGARSS 2008》;20080711;第3卷;全文 * |
Unsupervised change detection on SAR images using markovian fusion;Keming Chen et al;《MIPPR 2007》;20071115;全文 * |
Vivek Kwatra et al.Graphcut Textures: Image and Video Synthesis Using Graph Cuts.《ACM Transactions on Graphics》.2003,第22卷(第3期),全文. |
Also Published As
Publication number | Publication date |
---|---|
CN102663740A (zh) | 2012-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102663740B (zh) | 基于图切的sar图像变化检测方法 | |
CN110929607B (zh) | 一种城市建筑物施工进度的遥感识别方法和*** | |
CN107451614B (zh) | 基于空间坐标与空谱特征融合的高光谱分类方法 | |
Joshi et al. | Cloud detection algorithm using SVM with SWIR2 and tasseled cap applied to Landsat 8 | |
CN106503739A (zh) | 联合光谱和纹理特征的高光谱遥感影像svm分类方法及*** | |
CN106339674A (zh) | 基于边缘保持与图割模型的高光谱影像分类方法 | |
CN103208011B (zh) | 基于均值漂移和组稀疏编码的高光谱图像空谱域分类方法 | |
CN103632363A (zh) | 基于多尺度融合的对象级高分辨率遥感影像变化检测方法 | |
CN102968790A (zh) | 基于图像融合的遥感图像变化检测方法 | |
CN102521624B (zh) | 一种土地利用类型分类的方法和*** | |
CN105069811A (zh) | 一种多时相遥感图像变化检测方法 | |
CN106408030A (zh) | 基于中层语义属性和卷积神经网络的sar图像分类方法 | |
CN105718942A (zh) | 基于均值漂移和过采样的高光谱图像不平衡分类方法 | |
CN104834942A (zh) | 基于掩膜分类的遥感影像变化检测方法及*** | |
CN103226826B (zh) | 基于局部熵视觉注意模型的遥感图像变化检测方法 | |
Shahi et al. | Road condition assessment by OBIA and feature selection techniques using very high-resolution WorldView-2 imagery | |
CN104182985A (zh) | 遥感图像变化检测方法 | |
CN102938072A (zh) | 一种基于分块低秩张量分析的高光谱图像降维和分类方法 | |
CN108154094A (zh) | 基于子区间划分的高光谱图像非监督波段选择方法 | |
CN112287983B (zh) | 一种基于深度学习的遥感图像目标提取***和方法 | |
CN103258324A (zh) | 基于可控核回归和超像素分割的遥感图像变化检测方法 | |
CN103593853A (zh) | 基于联合稀疏表达的遥感影像多尺度面向对象分类方法 | |
CN103226825B (zh) | 基于低秩稀疏模型的遥感图像变化检测方法 | |
CN103093243B (zh) | 高分辨率全色遥感图像云判方法 | |
CN107256407A (zh) | 一种高光谱遥感图像分类方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |