CN105405133B - 一种遥感影像变化检测方法 - Google Patents
一种遥感影像变化检测方法 Download PDFInfo
- Publication number
- CN105405133B CN105405133B CN201510742564.7A CN201510742564A CN105405133B CN 105405133 B CN105405133 B CN 105405133B CN 201510742564 A CN201510742564 A CN 201510742564A CN 105405133 B CN105405133 B CN 105405133B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msup
- msub
- remote sensing
- sensing image
- 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.)
- Expired - Fee Related
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 36
- 230000003287 optical effect Effects 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 23
- 230000011218 segmentation Effects 0.000 claims abstract description 15
- 238000010606 normalization Methods 0.000 claims abstract description 14
- 230000005855 radiation Effects 0.000 claims abstract description 13
- 238000012937 correction Methods 0.000 claims abstract description 12
- 230000004075 alteration Effects 0.000 claims abstract description 6
- 238000001228 spectrum Methods 0.000 claims abstract description 6
- 230000008859 change Effects 0.000 claims description 39
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005192 partition Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 241001269238 Data Species 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
- G06T2207/10004—Still image; Photographic 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Processing (AREA)
- Measurement Of Radiation (AREA)
Abstract
本发明公开了一种遥感影像变化检测方法,包括:获取两时相高分辨率光学遥感影像X1和X2;对X1和X2进行影像配准;利用多元变化检测方法X1和X2进行辐射归一化校正;根据辐射归一化校正后的X1和X2分别计算变化矢量幅值XM和光谱角信息XSA;根据XM利用Bayes原理和最大期望算法计算得到最优分割阈值T;根据T和XM选择伪训练样本区域;将XM和XSA组合作为核FCM的输入,根据所述伪训练样本区域对核FCM结合空间邻域信息模型进行最优模型参数值选择;根据选择的最优模型参数值,采用核FCM结合空间邻域信息的方法,确定光学遥感影像的变化区域和非变化区域。本发明更稳健、精度更高。
Description
技术领域
本发明涉及遥感影像变化检测技术领域,尤其涉及一种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。我国“十二五”将加大拓展实施“十一五”已启动实施的高分辨率对地观测工程,关注包括高分辨率遥感目标与空间环境特征分析及高可靠性自动解译等基础理论与关键技术研究,正在成为解决国家安全和社会经济发展重大需求的研究焦点。
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)、基于Fuzzy C-means(FCM)的聚类方法等。其中,传统的基于FCM的多时相光学遥感变化检测,多先进行CVA变换,然后对变化矢量的幅值进行FCM聚类,进而得到变化检测结果。该类技术中,使用FCM的不足是仅适用于球状或椭球状聚类,且对噪声及其野值(Outlier)极为敏感。另外,仅仅使用变化矢量的幅值,使得原始多光谱信息没有得到充分的挖掘,不够稳健、精度不高。
针对上述问题,许多学者试图通过在FCM目标函数中加上不同的空间邻域的约束来解决,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,精度不高。为此,有必要研究新的高分辨率可见光遥感图像变化检测技术来有效克服上述难点。
发明内容
本发明所要解决的技术问题在于,提供一种遥感影像变化检测方法,该方法是一种联合CVA和SAM的自适应核FCM的多时相遥感影像变化检测方法,本发明变化检测结果更加稳健、精度较高。
为了解决上述技术问题,本发明提供了一种遥感影像变化检测方法,,包括:
获取两时相高分辨率光学遥感影像X1和X2;
对光学遥感影像X1和X2进行影像配准;
利用多元变化检测方法对光学遥感影像X1和X2进行辐射归一化校正;
根据辐射归一化校正后的光学遥感影像X1和X2分别计算变化矢量幅值XM和光谱角信息XSA;
根据变化矢量幅值XM利用Bayes原理和最大期望算法计算得到最优分割阈值T;
根据最优分割阈值T和变化矢量幅值XM选择伪训练样本区域;
将XM和XSA组合作为核FCM的输入,根据所述伪训练样本区域对核FCM结合空间邻域信息模型进行最优模型参数值选择;
根据选择的最优模型参数值,采用核FCM结合空间邻域信息的方法,确定光学遥感影像的变化区域和非变化区域。
实施本发明,具有如下有益效果:本发明联合多时相遥感影像的变化矢量幅值和多时相的光谱角映射图(Spectral Angle Mapper,SAM)作为核FCM的输入,再基于核FCM结合空间邻域信息的方法,获取最终的变化检测结果。其中,核FCM目标函数中的核参数等,通过基于CVA技术获取的伪训练样本来选择,变化检测结果更加稳健、精度较高。
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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的遥感影像变化检测方法的一个实施例的流程示意图;
图2是原始高分辨率光学遥感影像图;
图3是本发明方法与其他方法的实验结果对比图
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他实施例,都属于本发明保护的范围。
图1是本发明提供的遥感影像变化检测方法的一个实施例的流程示意图,本发明是一种多时相遥感影像变化检测方法,主要适用于高分辨率光学遥感影像,如图1所示,本发明包括步骤:
S101、获取两时相高分辨率光学遥感影像X1和X2。
其中,X1、X2是同一区域不同时相的两幅高分辨率光学遥感影像。
S102、对光学遥感影像X1和X2进行影像配准。
具体的,步骤S102具体包括步骤:
S1021、采用ENVI14.8遥感软件对光学遥感影像X1和X2进行几何粗校正。
几何粗校正具体操作步骤为:(1)显示基准影像和待校正影像;(2)采集地面控制点GCPs;GCPs应均匀分布在整幅图像内,GCPs的数目至少大于等于9;(3)计算误差;(4)选择多项式模型;(5)采用双线性插值进行重采样输出。其中的双线性差值法为:若求未知函数f在点P=(x,y)的值,假设我们已知函数f在Q11=(x1,y1),Q12=(x1,y2),Q21=(x2,y1),及Q22=(x2,y2)四个点的值。如果选择一个坐标***使得这四个点的坐标分别为(0,0)、(0,1)、(1,0)和(1,1),那么双线性插值公式就可以表示为:
f(x,y)≈f(0,0)(1-x)(1-y)+f(1,0)x(1-y)+f(0,1)(1-x)y+f(1,1)xy。
S1022、利用自动匹配与三角剖分法对几何粗校正后的X1和X2进行几何精校正。
其中,三角剖分法为,采用逐点***法构建Delaunay三角网,对每一个三角形,利用其三个顶点的行列号与其对应的基准影像同名点的地理坐标来确定该三角形内部的仿射变换模型参数,对待校正影像进行纠正,得到校正后的遥感影像。
S103、利用多元变化检测方法(Multivariate Alteration Detection,MAD)对光学遥感影像X1和X2进行辐射归一化校正。
具体的,步骤S103具体包括步骤:
S1031、获取光学遥感影像X1和X2各波段亮度值的线性组合,得到变化信息增强的差异影像;
S1032、根据所述差异影像通过阈值确定变化区域和未变化区域;
S1033、通过未变化区域对应的两时相像元对的映射方程,完成相对辐射校正。
S104、根据辐射归一化校正后的光学遥感影像X1和X2分别计算变化矢量幅值XM和光谱角信息XSA。
具体的,步骤S104包括步骤:
S1041、根据辐射归一化校正后的光学遥感影像X1和X2计算得到变化矢量幅值XM。
其中,
式中,B表示每一个时相遥感影像的波段数目,(i,j)是影像的坐标,X1b表示X1的b波段影像,X2b表示X2的b波段影像;
S1042、根据辐射归一化校正后的光学遥感影像X1和X2计算得到光谱角信息XSA,
其中,
S105、根据变化矢量幅值XM利用Bayes原理和最大期望算法(Expectation-Maximization,EM)计算得到最优分割阈值T。
具体的,步骤S105具体包括步骤:
S1051、采用最大期望算法估计XM影像上未变化类ωn的均值mn和方差σn,变化类ωc的均值mc和方差为σc,其中,
式中,t表示迭代次数,t上标表示当前内容的第t次迭代时的值,例如,表示mn第t+1次迭代时的值,其他表示类似,表示第t+1次迭代时的值,
I和J分别表示影像的行数和列数,表示XM影像上未变化类ωn服从的高斯分布,表示XM影像上变化类ωc服从的高斯分布;
S1052、根据Bayes最小误差准则,求解公式
得到最优分割阈值T。
S106、根据最优分割阈值T和变化矢量幅值XM选择伪训练样本区域。
具体的,步骤S106包括步骤:
S1061、根据最优分割阈值T和变化矢量幅值XM选择未变化类伪训练集样本为
S1062、根据最优分割阈值T和变化矢量幅值XM选择变化类伪训练集样本为
其中,δ为XM动态范围的15%。
S107、将XM和XSA组合作为核FCM的输入,根据所述伪训练样本区域对核FCM结合空间邻域信息模型进行最优模型参数值选择。
具体的,步骤S107具体包括步骤:
S1071、将XM和XSA组合作为核FCM的输入,构建核FCM结合空间邻域信息模型为:
式中,C是聚类数目,N是样本的总数,表示第k样本对于第c类聚类中心的模糊隶属度,m为隶属度的加权指数,uck∈[0,1]且参数α控制惩罚效果,为XM的局部均值影像和XSA的局部均值影像的组合,
S1072、设定参数α和核参数g取值范围,利用伪训练样本集,搜索变化指数Cindex为最小时的α和g的值作为最优模型参数值。
其中,变化指数Cindex=DindexkT,kT表示模型参数在伪训练样本集上的Kappa系数,Nn(α,g)表示在给定α和g时利用目标函数最小化获取的整个影像的非变化像素个数;Nc(α,g)表示在给定α和g时,整个影像的变化像素个数;TNn(α,g)表示在给定α和g时,伪训练样本集中的非变化像素个数;TNc(α,g)表示在给定α和g时,伪训练样本集中的变化像素个数。
S108、根据选择的最优模型参数值,采用核FCM结合空间邻域信息的方法,确定光学遥感影像的变化区域和非变化区域。
具体的的,步骤S108具体包括:
S1081、设定核FCM结合空间邻域信息模型中的聚类数目C=2,作为初始的未变化类和变化类的中心,选择和变化矢量幅值XM最小值和最大值相对应的矢量;设隶属度的加权指数m=2,ε为大于0的常量,参数α和核参数g的值为选定的所述最优模型参数值;
S1082、计算XM,XSA的局部窗口均值,窗口大小设置为3×3;
S1083、采用式
更新模糊划分矩阵;
S1084、采用式
更新聚类中心;
S1085、重复更新模糊划分矩阵和聚类中心直到相邻两次迭代的聚类中心聚类小于ε;
S1086、根据模糊划分矩阵uck确定最终的变化检测图,得到光学遥感影像的变化区域和非变化区域。
本发明的效果可通过以下实验结果与分析进一步说明:
本发明的实验数据为法国Littoral地区的多时相SPOT高分辨影像数据,图像大小为400×400,使用B1、B2和B3三个波段。为了验证本发明的有效性,将本发明变化检测方法与下述变化检测方法进行比对:
(1)基于CVA的EM方法(CVA-EM)[意大利的Bruzzone L.等在文章“Automaticanalysis of difference image for unsupervised change detection”(IEEETransactions on Geoscience and Remote Sensing,2000,38(3):1171-1182.)中所提的检测方法]。
(2)FCM结合空间邻域信息的分类方法(FCM-S)[Chen songchan等在文章“RobustImage Segmentation Using FCM With Spatial Constraints Based on New Kernel-Induced Distance Measure”(IEEE Transactions on Systems,Man,and Cybernetics—Part B:Cybernetics,2004,34(4):1907-1916.)中所提的方法]
(3)本发明方法。
检测性能用错检数FP、漏检数FN、总错误数OE和Kappa系数四个指标来衡量。FP、FN和OE越接近于0、Kappa系数越接近于1,表明变化检测方法的性能越好。检测结果如表1所示。由图2、图3和表1可见,本发明所提的检测方法性能优于其他两种检测方法,这表明本发明所提的变化检测方法是有效的。
表1Littoral地区的多时相SPOT5影像变化检测结果比较
方法 | FP | FN | OE | k |
CVA-EM | 7919 | 3882 | 11801 | 0.705 |
FCM-S | 1822 | 6928 | 8750 | 0.737 |
本发明方法 | 2511 | 4689 | 7200 | 0.797 |
理想 | 0 | 0 | 0 | 1 |
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
在本申请所提供的几个实施例中,应该理解到,所揭露的方法可以通过其它的方式实现。例如,以上所描述的***实施例仅仅是示意性的,专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种遥感影像变化检测方法,其特征在于,包括:
获取两时相高分辨率光学遥感影像X1和X2;
对光学遥感影像X1和X2进行影像配准;
利用多元变化检测方法对光学遥感影像X1和X2进行辐射归一化校正;
根据辐射归一化校正后的光学遥感影像X1和X2分别计算变化矢量幅值XM和光谱角信息XSA;
根据变化矢量幅值XM利用Bayes原理和最大期望算法计算得到最优分割阈值T;
根据最优分割阈值T和变化矢量幅值XM选择伪训练样本区域;
将XM和XSA组合作为核FCM的输入,根据所述伪训练样本区域对核FCM结合空间邻域信息模型进行最优模型参数值选择;
根据选择的最优模型参数值,采用核FCM结合空间邻域信息的方法,确定光学遥感影像的变化区域和非变化区域;
所述将XM和XSA组合作为核FCM的输入,根据所述伪训练样本区域对核FCM结合空间邻域信息模型进行最优模型参数选择,具体包括:
将XM和XSA组合作为核FCM的输入,构建核FCM结合空间邻域信息模型为:
式中,C是聚类数目,N是样本的总数,表示第k样本对于第c类聚类中心的模糊隶属度,m为隶属度的加权指数,uck∈[0,1]且参数α控制惩罚效果,为XM的局部均值影像和XSA的局部均值影像的组合,
设定参数α和核参数g取值范围,利用伪训练样本集,搜索变化指数Cindex为最小时的α和g的值作为最优模型参数值;其中,变化指数Cindex=Dindex/kT,kT表示模型参数在伪训练样本集上的Kappa系数,Nn(α,g)表示在给定α和g时利用目标函数最小化获取的整个影像的非变化像素个数;Nc(α,g)表示在给定α和g时,整个影像的变化像素个数;TNn(α,g)表示在给定α和g时,伪训练样本集中的非变化像素个数;TNc(α,g)表示在给定α和g时,伪训练样本集中的变化像素个数。
2.如权利要求1所述的遥感影像变化检测方法,其特征在于,所述对光学遥感影像X1和X2进行影像配准,具体包括:
采用ENVI14.8遥感软件对光学遥感影像X1和X2进行几何粗校正;
利用自动匹配与三角剖分法对几何粗校正后的X1和X2进行几何精校正。
3.如权利要求1所述的遥感影像变化检测方法,其特征在于,所述利用多元变化检测方法对光学遥感影像X1和X2进行辐射归一化校正,具体包括:
获取光学遥感影像X1和X2各波段亮度值的线性组合,得到变化信息增强的差异影像;
根据所述差异影像通过阈值确定变化区域和未变化区域;
通过未变化区域对应的两时相像元对的映射方程,完成相对辐射校正。
4.如权利要求1所述的遥感影像变化检测方法,其特征在于,所述根据辐射归一化校正后的光学遥感影像X1和X2分别计算变化矢量幅值XM和光谱角信息XSA,具体包括:
根据辐射归一化校正后的光学遥感影像X1和X2计算得到变化矢量幅值XM,其中,
式中,B表示每一个时相遥感影像的波段数目,(i,j)是影像的坐标,X1b表示X1的b波段影像,X2b表示X2的b波段影像;
根据辐射归一化校正后的光学遥感影像X1和X2计算得到光谱角信息XSA,
其中,
5.如权利要求1所述的遥感影像变化检测方法,其特征在于,所述根据变化矢量幅值XM利用Bayes原理和最大期望算法计算得到最优分割阈值T,具体包括:
采用最大期望算法估计XM影像上未变化类ωn的均值mn和方差σn,变化类ωc的均值mc和方差为σc,其中,
<mrow>
<msubsup>
<mi>m</mi>
<mi>n</mi>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<mo>{</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>&Element;</mo>
<msub>
<mi>X</mi>
<mi>M</mi>
</msub>
</mrow>
</munder>
<mfrac>
<mrow>
<msup>
<mi>p</mi>
<mi>t</mi>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&omega;</mi>
<mi>n</mi>
</msub>
<mo>)</mo>
</mrow>
<msup>
<mi>p</mi>
<mi>t</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>|</mo>
<msub>
<mi>&omega;</mi>
<mi>n</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>)</mo>
</mrow>
<mrow>
<msup>
<mi>p</mi>
<mi>t</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>)</mo>
</mrow>
</mfrac>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>/</mo>
<mo>{</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>&Element;</mo>
<msub>
<mi>X</mi>
<mi>M</mi>
</msub>
</mrow>
</munder>
<mfrac>
<mrow>
<msup>
<mi>p</mi>
<mi>t</mi>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&omega;</mi>
<mi>n</mi>
</msub>
<mo>)</mo>
</mrow>
<msup>
<mi>p</mi>
<mi>t</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>|</mo>
<msub>
<mi>&omega;</mi>
<mi>n</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>)</mo>
</mrow>
<mrow>
<msup>
<mi>p</mi>
<mi>t</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>)</mo>
</mrow>
</mfrac>
<mo>}</mo>
</mrow>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>&sigma;</mi>
<mi>n</mi>
<mn>2</mn>
</msubsup>
<mo>)</mo>
</mrow>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>=</mo>
<mo>{</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>&Element;</mo>
<msub>
<mi>X</mi>
<mi>M</mi>
</msub>
</mrow>
</munder>
<mfrac>
<mrow>
<msup>
<mi>p</mi>
<mi>t</mi>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&omega;</mi>
<mi>n</mi>
</msub>
<mo>)</mo>
</mrow>
<msup>
<mi>p</mi>
<mi>t</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>|</mo>
<msub>
<mi>&omega;</mi>
<mi>n</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>)</mo>
</mrow>
<mrow>
<msup>
<mi>p</mi>
<mi>t</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>)</mo>
</mrow>
</mfrac>
<mo>&lsqb;</mo>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msubsup>
<mi>m</mi>
<mi>n</mi>
<mi>t</mi>
</msubsup>
<mo>&rsqb;</mo>
<mo>}</mo>
<mo>/</mo>
<mo>{</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>&Element;</mo>
<msub>
<mi>X</mi>
<mi>M</mi>
</msub>
</mrow>
</munder>
<mfrac>
<mrow>
<msup>
<mi>p</mi>
<mi>t</mi>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&omega;</mi>
<mi>n</mi>
</msub>
<mo>)</mo>
</mrow>
<msup>
<mi>p</mi>
<mi>t</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>|</mo>
<msub>
<mi>&omega;</mi>
<mi>n</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>)</mo>
</mrow>
<mrow>
<msup>
<mi>p</mi>
<mi>t</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>)</mo>
</mrow>
</mfrac>
<mo>}</mo>
</mrow>
<mrow>
<msubsup>
<mi>m</mi>
<mi>c</mi>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<mo>{</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>&Element;</mo>
<msub>
<mi>X</mi>
<mi>M</mi>
</msub>
</mrow>
</munder>
<mfrac>
<mrow>
<msup>
<mi>p</mi>
<mi>t</mi>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&omega;</mi>
<mi>c</mi>
</msub>
<mo>)</mo>
</mrow>
<msup>
<mi>p</mi>
<mi>t</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>|</mo>
<msub>
<mi>&omega;</mi>
<mi>c</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>)</mo>
</mrow>
<mrow>
<msup>
<mi>p</mi>
<mi>t</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>)</mo>
</mrow>
</mfrac>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>/</mo>
<mo>{</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>&Element;</mo>
<msub>
<mi>X</mi>
<mi>M</mi>
</msub>
</mrow>
</munder>
<mfrac>
<mrow>
<msup>
<mi>p</mi>
<mi>t</mi>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&omega;</mi>
<mi>c</mi>
</msub>
<mo>)</mo>
</mrow>
<msup>
<mi>p</mi>
<mi>t</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>|</mo>
<msub>
<mi>&omega;</mi>
<mi>c</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>)</mo>
</mrow>
<mrow>
<msup>
<mi>p</mi>
<mi>t</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>)</mo>
</mrow>
</mfrac>
<mo>}</mo>
</mrow>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>&sigma;</mi>
<mi>c</mi>
<mn>2</mn>
</msubsup>
<mo>)</mo>
</mrow>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>=</mo>
<mo>{</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>&Element;</mo>
<msub>
<mi>X</mi>
<mi>M</mi>
</msub>
</mrow>
</munder>
<mfrac>
<mrow>
<msup>
<mi>p</mi>
<mi>t</mi>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&omega;</mi>
<mi>c</mi>
</msub>
<mo>)</mo>
</mrow>
<msup>
<mi>p</mi>
<mi>t</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>|</mo>
<msub>
<mi>&omega;</mi>
<mi>c</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>)</mo>
</mrow>
<mrow>
<msup>
<mi>p</mi>
<mi>t</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>)</mo>
</mrow>
</mfrac>
<mo>&lsqb;</mo>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msubsup>
<mi>m</mi>
<mi>c</mi>
<mi>t</mi>
</msubsup>
<mo>&rsqb;</mo>
<mo>}</mo>
<mo>/</mo>
<mo>{</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>&Element;</mo>
<msub>
<mi>X</mi>
<mi>M</mi>
</msub>
</mrow>
</munder>
<mfrac>
<mrow>
<msup>
<mi>p</mi>
<mi>t</mi>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&omega;</mi>
<mi>c</mi>
</msub>
<mo>)</mo>
</mrow>
<msup>
<mi>p</mi>
<mi>t</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>|</mo>
<msub>
<mi>&omega;</mi>
<mi>c</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>)</mo>
</mrow>
<mrow>
<msup>
<mi>p</mi>
<mi>t</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>)</mo>
</mrow>
</mfrac>
<mo>}</mo>
</mrow>
式中,t表示迭代次数,t上标表示当前内容的第t次迭代时的值,
<mrow>
<msup>
<mi>p</mi>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&omega;</mi>
<mi>n</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>&Element;</mo>
<msub>
<mi>X</mi>
<mi>M</mi>
</msub>
</mrow>
</munder>
<mfrac>
<mrow>
<msup>
<mi>p</mi>
<mi>t</mi>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&omega;</mi>
<mi>n</mi>
</msub>
<mo>)</mo>
</mrow>
<msup>
<mi>p</mi>
<mi>t</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>|</mo>
<msub>
<mi>&omega;</mi>
<mi>n</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>)</mo>
</mrow>
<mrow>
<msup>
<mi>p</mi>
<mi>t</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>)</mo>
</mrow>
</mfrac>
</mrow>
<mrow>
<mi>I</mi>
<mi>J</mi>
</mrow>
</mfrac>
<mo>,</mo>
<msup>
<mi>p</mi>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&omega;</mi>
<mi>c</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>&Element;</mo>
<msub>
<mi>X</mi>
<mi>M</mi>
</msub>
</mrow>
</munder>
<mfrac>
<mrow>
<msup>
<mi>p</mi>
<mi>t</mi>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&omega;</mi>
<mi>c</mi>
</msub>
<mo>)</mo>
</mrow>
<msup>
<mi>p</mi>
<mi>t</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>|</mo>
<msub>
<mi>&omega;</mi>
<mi>c</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>)</mo>
</mrow>
<mrow>
<msup>
<mi>p</mi>
<mi>t</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>)</mo>
</mrow>
</mfrac>
</mrow>
<mrow>
<mi>I</mi>
<mi>J</mi>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
I和J分别表示影像的行数和列数,表示XM影像上未变化类ωn服从的高斯分布,表示XM影像上变化类ωc服从的高斯分布;
根据Bayes最小误差准则,求解公式
得到最优分割阈值T。
6.如权利要求1所述的遥感影像变化检测方法,其特征在于,所述根据最优分割阈值T和变化矢量幅值XM选择伪训练样本区域,具体包括:
根据最优分割阈值T和变化矢量幅值XM选择未变化类伪训练集样本为
根据最优分割阈值T和变化矢量幅值XM选择变化类伪训练集样本为
其中,δ为XM动态范围的15%。
7.如权利要求1所述的遥感影像变化检测方法,其特征在于,所述根据选择的最优模型参数值,采用核FCM结合空间邻域信息的方法,确定高分辨率光学遥感影像的变化区域和非变化区域,具体包括:
设定核FCM结合空间邻域信息模型中的聚类数目C=2,作为初始的未变化类和变化类的中心,选择和变化矢量幅值XM最小值和最大值相对应的矢量;设隶属度的加权指数m=2,ε为大于0的常量,参数α和核参数g的值为选定的所述最优模型参数值;
计算XM,XSA的局部窗口均值,窗口大小设置为3×3;
采用式
更新模糊划分矩阵;
采用式
更新聚类中心;
重复更新模糊划分矩阵和聚类中心直到相邻两次迭代的聚类中心聚类小于ε;
根据模糊划分矩阵uck确定最终的变化检测图,得到光学遥感影像的变化区域和非变化区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510742564.7A CN105405133B (zh) | 2015-11-04 | 2015-11-04 | 一种遥感影像变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510742564.7A CN105405133B (zh) | 2015-11-04 | 2015-11-04 | 一种遥感影像变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105405133A CN105405133A (zh) | 2016-03-16 |
CN105405133B true CN105405133B (zh) | 2018-01-19 |
Family
ID=55470600
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510742564.7A Expired - Fee Related CN105405133B (zh) | 2015-11-04 | 2015-11-04 | 一种遥感影像变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105405133B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106372612A (zh) * | 2016-09-09 | 2017-02-01 | 河海大学 | 一种fcm结合mrf模型的多时相遥感影像变化检测方法 |
CN106384352A (zh) * | 2016-09-09 | 2017-02-08 | 河海大学 | 基于融合策略和fcm的多时相遥感影像变化检测方法 |
CN109934799B (zh) * | 2016-09-09 | 2021-06-25 | 南京工程学院 | 多时相差异影像模值计算及变化检测方法 |
CN106373120B (zh) * | 2016-09-09 | 2019-01-08 | 河海大学 | 基于非负矩阵分解和核fcm的多时相遥感影像变化检测方法 |
CN107248172A (zh) * | 2016-09-27 | 2017-10-13 | 中国交通通信信息中心 | 一种基于cva和样本选择的遥感影像变化检测方法 |
CN106646469B (zh) * | 2016-12-21 | 2019-01-29 | 中国科学院遥感与数字地球研究所 | 基于变异系数法的sar船只检测优化方法 |
CN107346549B (zh) * | 2017-06-09 | 2020-04-14 | 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 |
CN109146933B (zh) * | 2017-06-28 | 2020-12-01 | 中国石油化工股份有限公司 | 多尺度数字岩心建模方法及计算机可读存储介质 |
CN107688777B (zh) * | 2017-07-21 | 2022-11-18 | 同济大学 | 一种协同多源遥感影像的城市绿地提取方法 |
CN107480634A (zh) * | 2017-08-12 | 2017-12-15 | 天津市测绘院 | 一种基于多级对象分类的地理国情地表覆盖监测方法 |
CN107481235A (zh) * | 2017-08-24 | 2017-12-15 | 河海大学 | 一种数学形态学滤波结合卡方变换的多时相遥感影像变化检测方法 |
CN107578040A (zh) * | 2017-09-30 | 2018-01-12 | 中南大学 | 一种基于脉冲耦合神经网络的房屋变化检测方法 |
CN107992891B (zh) * | 2017-12-01 | 2022-01-25 | 西安电子科技大学 | 基于光谱矢量分析多光谱遥感图像变化检测方法 |
CN110232302B (zh) * | 2018-03-06 | 2020-08-25 | 香港理工大学深圳研究院 | 一种集成灰度值、空间信息和类别知识的变化检测方法 |
CN109191503B (zh) * | 2018-08-23 | 2021-08-27 | 河海大学 | 基于条件随机场的遥感影像变化检测方法及*** |
CN109300115B (zh) * | 2018-09-03 | 2021-11-30 | 河海大学 | 一种面向对象的多光谱高分辨率遥感影像变化检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1760888A (zh) * | 2005-11-03 | 2006-04-19 | 复旦大学 | 利用星载sar多时相图像识别地表变化的方法 |
CN101950361A (zh) * | 2010-09-06 | 2011-01-19 | 中国科学院遥感应用研究所 | 一种基于光谱匹配度的遥感影像专题信息自适应提取方法 |
CN103150580A (zh) * | 2013-03-18 | 2013-06-12 | 武汉大学 | 一种高光谱图像半监督分类方法及装置 |
CN104200458A (zh) * | 2014-07-30 | 2014-12-10 | 浙江工业大学 | 基于MeanShift的高分辨率遥感影像分割距离度量优化方法 |
CN104751166A (zh) * | 2013-12-30 | 2015-07-01 | 中国科学院深圳先进技术研究院 | 基于光谱角和欧氏距离的遥感影像分类方法 |
-
2015
- 2015-11-04 CN CN201510742564.7A patent/CN105405133B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1760888A (zh) * | 2005-11-03 | 2006-04-19 | 复旦大学 | 利用星载sar多时相图像识别地表变化的方法 |
CN101950361A (zh) * | 2010-09-06 | 2011-01-19 | 中国科学院遥感应用研究所 | 一种基于光谱匹配度的遥感影像专题信息自适应提取方法 |
CN103150580A (zh) * | 2013-03-18 | 2013-06-12 | 武汉大学 | 一种高光谱图像半监督分类方法及装置 |
CN104751166A (zh) * | 2013-12-30 | 2015-07-01 | 中国科学院深圳先进技术研究院 | 基于光谱角和欧氏距离的遥感影像分类方法 |
CN104200458A (zh) * | 2014-07-30 | 2014-12-10 | 浙江工业大学 | 基于MeanShift的高分辨率遥感影像分割距离度量优化方法 |
Non-Patent Citations (4)
Title |
---|
An Automatic Unsupervised Method Based on Context-Sensitive Spectral Angle Mapper for Change Detection of Remote Sensing Images;Tauqir Ahmed Moughal and Fusheng Yu;《ADMA2014》;20141231;第151-162页 * |
一种基于光谱角和光谱距离自动加权融合分类方法;余先川 等;《地质学刊》;20120331;第36卷(第1期);一种基于光谱角和光谱距离自动加权融合分类方法 * |
光谱角-欧氏距离的高光谱图像辐射归一化;孙艳丽 等;《遥感学报》;20150212;第19卷(第4期);第3.1.1-3.1.2节 * |
基于模糊C均值聚类和了邻域分析的无监督多通道遥感图像变化检测;赵磊 等;《数据采集与处理》;20110731;第26卷(第4期);第396页左栏第3段,右栏第2段 * |
Also Published As
Publication number | Publication date |
---|---|
CN105405133A (zh) | 2016-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105405133B (zh) | 一种遥感影像变化检测方法 | |
Nutkiewicz et al. | Data-driven Urban Energy Simulation (DUE-S): A framework for integrating engineering simulation and machine learning methods in a multi-scale urban energy modeling workflow | |
CN105389817B (zh) | 一种两时相遥感影像变化检测方法 | |
Gilleland et al. | Intercomparison of spatial forecast verification methods | |
Szcześniak et al. | A method for using street view imagery to auto-extract window-to-wall ratios and its relevance for urban-level daylighting and energy simulations | |
CN105551031B (zh) | 基于fcm和证据理论的多时相遥感影像变化检测方法 | |
CN102222313B (zh) | 基于核主成分分析的城市演化模拟元胞模型处理方法 | |
Ranjan et al. | Review of preprocessing methods for univariate volatile time-series in power system applications | |
Biard et al. | Automated detection of weather fronts using a deep learning neural network | |
CN107481235A (zh) | 一种数学形态学滤波结合卡方变换的多时相遥感影像变化检测方法 | |
CN106447653B (zh) | 基于空间约束的卡方变换的多时相遥感影像变化检测方法 | |
Peeters et al. | Automated recognition of urban objects for morphological urban analysis | |
Huang et al. | Automatic building change image quality assessment in high resolution remote sensing based on deep learning | |
CN106372612A (zh) | 一种fcm结合mrf模型的多时相遥感影像变化检测方法 | |
CN113657324A (zh) | 基于遥感影像地物分类的城市功能区识别方法 | |
Kim et al. | Automated classification of thermal defects in the building envelope using thermal and visible images | |
CN106373120B (zh) | 基于非负矩阵分解和核fcm的多时相遥感影像变化检测方法 | |
Christiansen | Analysis of ensemble mean forecasts: The blessings of high dimensionality | |
CN105354845B (zh) | 一种遥感影像半监督变化检测方法 | |
CN106096622A (zh) | 半监督的高光谱遥感图像分类标注方法 | |
Palacios-Rodríguez et al. | Generalized Pareto processes for simulating space-time extreme events: an application to precipitation reanalyses | |
Fan | Research on deep learning energy consumption prediction based on generating confrontation network | |
CN102609721B (zh) | 遥感影像的聚类方法 | |
CN106384352A (zh) | 基于融合策略和fcm的多时相遥感影像变化检测方法 | |
Arbia et al. | Contextual classification in image analysis: an assessment of accuracy of ICM |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180119 |