CN108961284A - 旁瓣效应污染的sar影像建筑物提取方法、设备及存储介质 - Google Patents
旁瓣效应污染的sar影像建筑物提取方法、设备及存储介质 Download PDFInfo
- Publication number
- CN108961284A CN108961284A CN201810598678.2A CN201810598678A CN108961284A CN 108961284 A CN108961284 A CN 108961284A CN 201810598678 A CN201810598678 A CN 201810598678A CN 108961284 A CN108961284 A CN 108961284A
- Authority
- CN
- China
- Prior art keywords
- sar image
- side lobe
- polarization
- building
- lobe effect
- 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.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种用于旁瓣效应污染的SAR影像建筑物提取方法,具体包括步骤:(1)将待处理SAR影像平面像素标记为边缘点和非边缘点;(2)以所述边缘点和非边缘点为起点,根据极化相似度进行区域生长合并得到对象单元;(3)对所述对象单元像素进行散射占优标记,根据所述散射占优标记进行建筑物提取。该方法实现简单,实施方便,建筑物提取精度高,具有高鲁棒性,可直接用于各种极化SAR***获得的极化SAR图像处理。
Description
技术领域
本发明涉及遥感影像处理领域,尤其是旁瓣效应污染的SAR影像建筑物提取方法、设备及存储介质。
背景技术
SAR(合成孔径雷达)相较于其他传统遥感图像获取手段,具有全天时、全天候及穿云透雾的特点,并具有实时对地进行观测及探测获取地表以下信息的显著优势。极化合成孔径雷达是在原有单极化合成孔径雷达基础上发展来的能接收不同极化散射通道散射信息的新型雷达。高分辨率不同极化方式的SAR影像是研究城区地物、变化监测的重要数据来源。为满足城市经济飞速发展以及数字城市建设需要,建筑物信息提取为日益增加的城市地理空间信息提供了准确有效的数据支持,建筑物的空间分布信息分析可为城镇扩展和环境变化研究等提供必要的基础数据,这些对测绘地理信息、地理国情监测、城市规划、土地利用调查等领域有着重要的意义。建筑物提取方法的研究依赖于其利用的遥感影像,遥感影像分辨率的提高实现将建筑物信息获取水平从区块提取到位置检测和外形描述的蜕变。由于SAR影像成像采用雷达波的特殊性及特殊距离成像方式的限制,SAR影像建筑物信息解译研究进展较慢,在高分辨率SAR影像中,建筑物、构筑物的旁瓣效应使建筑物的提取结果准确度降低,如何在旁瓣效应污染的SAR影像中更准确获取建筑物信息仍是SAR影像地物解译的难点和热点。
发明内容
基于现有技术的上述缺陷,本发明实施例提供一种目标信息提取精度高、具有鲁棒高效性、实现简单的旁瓣效应污染的SAR影像建筑物提取方法、设备及存储介质。
本发明能够以多种方式实现,包括方法、***、设备、装置或计算机可读介质,在下面论述本发明的几个实施例。
一种用于旁瓣效应污染的SAR影像建筑物提取方法,具体包括步骤:
(1)将待处理SAR影像平面像素标记为边缘点和非边缘点;
(2)以所述边缘点和非边缘点为起点,根据极化相似度进行区域生长合并得到对象单元;
(3)对所述对象单元像素进行散射占优标记,根据所述散射占优标记进行建筑物提取。
进一步地,步骤(1)具体包括:
(1-1)计算待处理SAR影像的极化总功率;
(1-2)计算所述极化总功率的梯度矢量,根据所述梯度矢量计算梯度幅度累积概率和置信度;
(1-3)对累积概率-置信度空间进行非极大值抑制和磁滞阈值操作,将所述SAR影像平面像素标记为边缘点和非边缘点。
进一步地,所述SAR影像极化总功率为:
span=|SHH|2+|SHV|2+|SVH|2+|SVV|2
其中,|S**|2代表HH、HV、VH、VV四个极化通道复数数据的强度。
进一步地,根据所述梯度矢量计算置信度的方法为:
ζ=|tTγ|
其中,γ表示归一化数据矢量,t为梯度方向上的标准边缘模板。
进一步地,步骤(1-3)中根据旁瓣效应污染区分布设定置信度高低判决条件,并根据所述置信度高低判决条件对经非极大值抑制处理后的累积概率-置信度空间进行磁滞阈值操作。
进一步地,步骤(2)中极化相似度表达式为
其中,σ表示输入数据的标准差,n表示输入数据的权重,σmi表示第i个特征的第m个像元的标准差。
进一步地,步骤(3)对所述对象单元全极化复数数据进行四分量非相干分解操作,对非相干分解后像素进行占优散射标记,根据所述占优散射标记进行对象单元内建筑物投票,并结合地物极化散射特性先验知识进行建筑物粗提取。
进一步地,设置极化散射功率阈值,从所述建筑物粗提取结果中进行旁瓣效应污染区剔除。
一种存储设备,其中存储多条指令,所述指令适用于由处理器加载并执行如权利要求1至8任一项所述的提取方法的步骤。
一种用于旁瓣效应污染的SAR影像建筑物提取设备,包括处理器,适于实现各指令;以及存储设备,适于存储多条指令,所述指令适于由处理器加载并执行权利要求1至8任一项所述的提取方法。
本发明所述的用于旁瓣效应污染的SAR影像建筑物提取方法,通过将待处理SAR影像平面像素标记为边缘点和非边缘点,实现建筑物区域的边缘检测,以边缘点和非边缘点为起点进行区域生长合并得到对象单元,在对象单元内进行像素散射占优标记,并根据散射占优标记进行建筑物提取,实现简单,实施方便,建筑物提取精度高,具有高鲁棒性,可直接用于各种极化SAR***获得的极化SAR图像处理。
本发明的其他方面和优点根据下面结合附图的详细的描述而变得明显,所述附图通过示例说明本发明的原理。
附图说明
本发明将通过例子并参照附图的方式说明,其中:
图1为本发明实施例提供的建筑物提取方法流程图。
具体实施方式
本说明书中公开的所有特征,或公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合。
本说明书中公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换。即,除非特别叙述,每个特征只是一系列等效或类似特征中的一个例子而已。
图1为本发明实施例提供的用于旁瓣效应污染的SAR影像建筑物提取方法流程图,如图1所示,具体包括步骤:
(1)将待处理SAR影像平面像素标记为边缘点和非边缘点;
(2)以所述边缘点和非边缘点为起点,根据极化相似度进行区域生长合并得到对象单元;
(3)对所述对象单元像素进行散射占优标记,根据所述散射占优标记进行建筑物提取。
其中,待处理SAR影像为已经完成相干斑噪声抑制的极化SAR影像,具体可采用Simitest算法进行相干斑滤波处理。
其中,步骤(1)具体包括:
(1-1)计算待处理SAR影像的极化总功率;
(1-2)计算所述极化总功率的梯度矢量,根据所述梯度矢量计算梯度幅度累积概率和置信度;
(1-3)对累积概率-置信度空间进行非极大值抑制和磁滞阈值操作,将所述SAR影像平面像素标记为边缘点和非边缘点。
所述SAR影像极化总功率为:
span=|SHH|2+|SHV|2+|SVH|2+|SVV|2
其中,|S**|2代表HH、HV、VH、VV四个极化通道复数数据的强度,即四个极化通道复数数据的模的平方。
计算SAR影像极化总功率的梯度矢量,SAR影像极化总功率沿梯度方向变化最快,变化率最大,其中变化率为梯度矢量的模值。根据梯度矢量计算梯度幅度累积概率的方法为其中表示梯度矢量的幅度,将梯度矢量幅度从小到大排列,表示第n个梯度矢量幅度,Prob函数返回区域中的数值落在指定区间的概率。根据梯度矢量计算置信度的方法为ζ=|tTγ|,其中,γ表示归一化数据矢量,t为梯度方向上的标准边缘模板,T为转置运算符,tT表示对t矩阵进行转置运算,置信度用于表征归一化数据矢量与标准边缘模板间的相关性。
步骤(1-3)中对累积概率-置信度空间进行非极大值抑制处理,通过抑制非极大值的元素,搜索局部极大值来实现目标物***置检测,非极大值抑制窗口大小根据SAR影像建筑物平均尺寸设定。非极大值抑制处理后,继续对所述累积概率-置信度空间进行磁滞阈值操作。具体地,根据旁瓣效应污染区分布设定置信度高低判决条件,并根据所述置信度高低判决条件对经非极大值抑制处理后的累积概率-置信度空间进行磁滞阈值操作,将SAR影像平面像素标记为边缘点和非边缘点。磁滞阈值处理过程中,将置信度高于所述高低判决条件的像素点设为边缘点,将置信度低于所述高低判决条件的像素点设为非边缘点,置信度落在所述高低判决条件中间的像素点,若其邻域内有边缘点,则将该像素点设为边缘点,否则设为非边缘点,磁滞阈值处理可实现根据高低判决条件灵活调整获取边缘点的程度。通过设置置信度高低判决条件,将实际建筑物区域和旁瓣效应污染区域分割开,初步解决了利用高分辨率极化SAR影像提取建筑物时将旁瓣效应污染区误判为建筑物的问题。
磁滞阈值处理过程中,置信度低判决条件设置过低,会导致标记的边缘点多且杂乱,影响旁瓣效应污染区与非污染区的分离;若置信度高判决条件设置过高,会导致标记的边缘点过少,同样影响分离。置信度高低判决条件的设定需保证旁瓣效应污染区与与非污染区过渡地带的大部分像素点的置信度高于高判决条件,或在其附近。
以步骤(1)得到的边缘点和非边缘点为起点,根据极化相似度进行区域生长合并得到对象单元,其中极化相似度表达式为
其中,σ表示输入数据的标准差,n表示输入数据的权重,σmi表示第i个特征的第m个像元的标准差。对象单元生长过程中,生长标准的确定是关乎算法有效性的重要问题之一,基于对象单元的同质性,并入同一对象单元的像素符合同一判定标准,例如,以边缘点和非边缘点为起点,将极化相似度满足阈值条件的像素点合并至同一区域,或者将多光谱SAR图像看作多维空间,测量像素点之间的欧式距离作为生长标准,以边缘点和非边缘点作为起点,将像素点欧氏距离满足阈值距离条件的像素点合并至同一区域,该标准为合并单元生长及结束的判定标准。以极化相似度作为生长合并判定标准时,计算区域与像元的极化相似度,极化相似度差值在用户设定阈值范围内则进行合并,否则不合并终止生长,执行本发明该步骤时,阈值并不会过分影响结果,而是仅仅起到初始合并对象的作用。
对步骤(2)得到的对象单元全极化复数数据进行四分量非相干分解操作,得到奇次散射、偶次散射、体散射和螺旋体散射功率,对非相干分解后像素进行占优散射标记,根据所述占优散射标记进行对象单元内建筑物投票,并结合地物极化散射特性先验知识进行建筑物粗提取。占优散射标记是比较像元的偶次散射、体散射、表面散射的散射功率值大小,并把像元标记为散射功率值最大的散射类型,判定出像元占优散射类型后,即可根据建筑物偶次散射占优的极化散射特性来完成建筑物粗提取。极化相似性满足尺度不变性,仅能表达目标的极化散射特征,不能表达目标散射的回波强度信息,为综合利用极化散射特征和回波强度信息,可利用占优散射机制(Dominant scattering Mechanism)和占优散射强度(Dominant scattering Power)二维变量来描述目标散射,利用占优散射强度将占优散射类别中的像元划分为多个初始聚类,初始聚类中的像元个数近似相等。计算每一聚类的平均相干矩阵,在每一类别中根据类间Whishart距离进行初始聚类合并,合并标准是聚类占优散射类别相同,且类间距离小于阈值距离,这样可实现将初始聚类合并至最终分类所需的类别个数,然后计算合并后各个聚类的期望相干矩阵为聚类中心,迭代聚类2-4次完成聚类过程。
优化地,设置极化散射功率阈值,在极化总功率约束的条件下,从所述建筑物粗提取结果中进行旁瓣效应污染区剔除,有利于进一步提高建筑物提取的准确度。具体地,通常建筑物极化散射功率较高,旁瓣效应污染区的极化散射功率与建筑物极化散射功率存在差异,基于该差异设定阈值可实现二者分离。
本发明实施例所述用于旁瓣效应污染的SAR影像建筑物提取方法同样适用于极化SAR道路检测、海岸线提取、农作物边缘提取等图像边缘检测领域。
一种存储设备,其中存储多条指令,所述指令适用于由处理器加载并执行如权利要求1至8任一项所述的提取方法的步骤。
一种用于旁瓣效应污染的SAR影像建筑物提取设备,包括处理器,适于实现各指令;以及存储设备,适于存储多条指令,所述指令适于由处理器加载并执行权利要求1至8任一项所述的提取方法。
本发明的不同方面、实施例、实施方式或特征能够单独使用或任意组合使用。
本发明优选由软件实现,但是也能够以硬件或硬件和软件的组合实现。本发明也能够被实施为计算机可读介质上的计算机可读代码。计算机可读介质是能够存储之后可由计算机***读取的数据的任何数据存储设备。计算机可读介质的示例包括:只读存储器、随机存储存储器、CD-ROM、DVD、磁带、光学数据存储设备和载波。计算机可读介质也可分布在网络连接的计算机***上,从而以分布式方式存储和执行计算机可读代码。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合,以及披露的任一新的方法或过程的步骤或任何新的组合。
Claims (10)
1.一种用于旁瓣效应污染的SAR影像建筑物提取方法,其特征在于包括步骤:
(1)将待处理SAR影像平面像素标记为边缘点和非边缘点;
(2)以所述边缘点和非边缘点为起点,根据极化相似度进行区域生长合并得到对象单元;
(3)对所述对象单元像素进行散射占优标记,根据所述散射占优标记进行建筑物提取。
2.根据权利要求1所述的一种用于旁瓣效应污染的SAR影像建筑物提取方法,其特征在于,步骤(1)具体包括:
(1-1)计算待处理SAR影像的极化总功率;
(1-2)计算所述极化总功率的梯度矢量,根据所述梯度矢量计算梯度幅度累积概率和置信度;
(1-3)对累积概率-置信度空间进行非极大值抑制和磁滞阈值操作,将所述SAR影像平面像素标记为边缘点和非边缘点。
3.根据权利要求2所述的一种用于旁瓣效应污染的SAR影像建筑物提取方法,其特征在于,所述SAR影像极化总功率为:
span=|SHH|2+|SHV|2+|SVH|2+|SVV|2
其中,|S**|2代表HH、HV、VH、VV四个极化通道复数数据的强度。
4.根据权利要求2所述的一种用于旁瓣效应污染的SAR影像建筑物提取方法,其特征在于,根据所述梯度矢量计算置信度的方法为:
ζ=|tTγ|
其中,γ表示归一化数据矢量,t为梯度方向上的标准边缘模板。
5.根据权利要求2所述的一种用于旁瓣效应污染的SAR影像建筑物提取方法,其特征在于,步骤(1-3)中根据旁瓣效应污染区分布设定置信度高低判决条件,并根据所述置信度高低判决条件对经非极大值抑制处理后的累积概率-置信度空间进行磁滞阈值操作。
6.根据权利要求1所述的一种用于旁瓣效应污染的SAR影像建筑物提取方法,其特征在于,步骤(2)中极化相似度表达式为
其中,σ表示输入数据的标准差,n表示输入数据的权重,σmi表示第i个特征的第m个像元的标准差。
7.根据权利要求1所述的一种用于旁瓣效应污染的SAR影像建筑物提取方法,其特征在于,步骤(3)对所述对象单元全极化复数数据进行四分量非相干分解操作,对非相干分解后像素进行占优散射标记,根据所述占优散射标记进行对象单元内建筑物投票,并结合地物极化散射特性先验知识进行建筑物粗提取。
8.根据权利要求7所述的一种用于旁瓣效应污染的SAR影像建筑物提取方法,其特征在于,设置极化散射功率阈值,从所述建筑物粗提取结果中进行旁瓣效应污染区剔除。
9.一种存储设备,其中存储多条指令,所述指令适用于由处理器加载并执行如权利要求1至8任一项所述的提取方法的步骤。
10.一种用于旁瓣效应污染的SAR影像建筑物提取设备,其特征在于包括处理器,适于实现各指令;以及存储设备,适于存储多条指令,所述指令适于由处理器加载并执行权利要求1至8任一项所述的提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810598678.2A CN108961284A (zh) | 2018-06-12 | 2018-06-12 | 旁瓣效应污染的sar影像建筑物提取方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810598678.2A CN108961284A (zh) | 2018-06-12 | 2018-06-12 | 旁瓣效应污染的sar影像建筑物提取方法、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108961284A true CN108961284A (zh) | 2018-12-07 |
Family
ID=64488233
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810598678.2A Withdrawn CN108961284A (zh) | 2018-06-12 | 2018-06-12 | 旁瓣效应污染的sar影像建筑物提取方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108961284A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615025A (zh) * | 2018-12-28 | 2019-04-12 | 内蒙古工业大学 | 快速地物分类方法 |
CN110853050A (zh) * | 2019-10-21 | 2020-02-28 | 中国电子科技集团公司第二十九研究所 | 一种sar图像河流分割方法、装置及介质 |
CN112305538A (zh) * | 2020-09-22 | 2021-02-02 | 中国电子科技集团公司第二十九研究所 | 一种合成孔径雷达图像旁瓣抑制处理方法 |
CN113705582A (zh) * | 2021-08-04 | 2021-11-26 | 南京林业大学 | 一种建筑立面边缘特征关键点提取方法 |
US20220230364A1 (en) * | 2021-01-19 | 2022-07-21 | Si Analytics Co., Ltd. | Method And Apparatus For Processing Radar Image |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104166856A (zh) * | 2014-07-30 | 2014-11-26 | 西安电子科技大学 | 基于近邻传播聚类与区域增长的极化sar图像分类方法 |
CN104240234A (zh) * | 2014-08-19 | 2014-12-24 | 中国测绘科学研究院 | 基于极化相似度合并的全极化sar影像分割方法和装置 |
CN104376330A (zh) * | 2014-11-19 | 2015-02-25 | 西安电子科技大学 | 基于超像素散射机制的极化sar图像舰船目标检测方法 |
CN105374017A (zh) * | 2015-11-30 | 2016-03-02 | 西安电子科技大学 | 一种结合极化分解向量统计分布的极化sar图像滤波方法 |
US20160170019A1 (en) * | 2014-07-09 | 2016-06-16 | Bae Systems Information & Electronic Systems Integration Inc. | Radar detection of endo-clutter high-value targets using tracker feedback |
CN106291550A (zh) * | 2016-07-27 | 2017-01-04 | 西安电子科技大学 | 基于局部散射机制差异回归核的极化sar舰船检测方法 |
-
2018
- 2018-06-12 CN CN201810598678.2A patent/CN108961284A/zh not_active Withdrawn
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160170019A1 (en) * | 2014-07-09 | 2016-06-16 | Bae Systems Information & Electronic Systems Integration Inc. | Radar detection of endo-clutter high-value targets using tracker feedback |
CN104166856A (zh) * | 2014-07-30 | 2014-11-26 | 西安电子科技大学 | 基于近邻传播聚类与区域增长的极化sar图像分类方法 |
CN104240234A (zh) * | 2014-08-19 | 2014-12-24 | 中国测绘科学研究院 | 基于极化相似度合并的全极化sar影像分割方法和装置 |
CN104376330A (zh) * | 2014-11-19 | 2015-02-25 | 西安电子科技大学 | 基于超像素散射机制的极化sar图像舰船目标检测方法 |
CN105374017A (zh) * | 2015-11-30 | 2016-03-02 | 西安电子科技大学 | 一种结合极化分解向量统计分布的极化sar图像滤波方法 |
CN106291550A (zh) * | 2016-07-27 | 2017-01-04 | 西安电子科技大学 | 基于局部散射机制差异回归核的极化sar舰船检测方法 |
Non-Patent Citations (3)
Title |
---|
牛蕾: "SAR图像舰船目标去旁瓣处理", 《雷达科学与技术》 * |
郑长利: "综合极化信息和改进FNEA的PolSAR影像建筑物提取", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
闫丽丽: "基于散射特征的极化SAR影像建筑物提取研究", 《中国优秀博硕士学位论文全文数据库(博士) 基础科学辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615025A (zh) * | 2018-12-28 | 2019-04-12 | 内蒙古工业大学 | 快速地物分类方法 |
CN110853050A (zh) * | 2019-10-21 | 2020-02-28 | 中国电子科技集团公司第二十九研究所 | 一种sar图像河流分割方法、装置及介质 |
CN110853050B (zh) * | 2019-10-21 | 2023-05-26 | 中国电子科技集团公司第二十九研究所 | 一种sar图像河流分割方法、装置及介质 |
CN112305538A (zh) * | 2020-09-22 | 2021-02-02 | 中国电子科技集团公司第二十九研究所 | 一种合成孔径雷达图像旁瓣抑制处理方法 |
CN112305538B (zh) * | 2020-09-22 | 2023-06-20 | 中国电子科技集团公司第二十九研究所 | 一种合成孔径雷达图像旁瓣抑制处理方法 |
US20220230364A1 (en) * | 2021-01-19 | 2022-07-21 | Si Analytics Co., Ltd. | Method And Apparatus For Processing Radar Image |
CN113705582A (zh) * | 2021-08-04 | 2021-11-26 | 南京林业大学 | 一种建筑立面边缘特征关键点提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108961284A (zh) | 旁瓣效应污染的sar影像建筑物提取方法、设备及存储介质 | |
Huang et al. | A new building extraction postprocessing framework for high-spatial-resolution remote-sensing imagery | |
CN105427314B (zh) | 基于贝叶斯显著性的sar图像目标检测方法 | |
Feng et al. | Robust non-local fuzzy c-means algorithm with edge preservation for SAR image segmentation | |
CN105389589B (zh) | 一种基于随机森林回归的胸腔x光片肋骨检测方法 | |
Zhan et al. | Unsupervised scale-driven change detection with deep spatial–spectral features for VHR images | |
CN102945374A (zh) | 一种高分辨率遥感图像中民航飞机自动检测方法 | |
CN106295498A (zh) | 光学遥感图像目标区域检测装置与方法 | |
Abdulraqeb et al. | A novel segmentation algorithm for MRI brain tumor images | |
Al-Ghrairi et al. | Classification of satellite images based on color features using remote sensing | |
Huang et al. | Superpixel-based change detection in high resolution sar images using region covariance features | |
An et al. | A modified PSO algorithm for remote sensing image template matching | |
Su et al. | Which CAM is better for extracting geographic objects? A perspective from principles and experiments | |
Reichman et al. | Learning improved pooling regions for the histogram of oriented gradient (HOG) feature for Buried Threat Detection in Ground Penetrating Radar | |
Samanta et al. | Spatial-resolution independent object detection framework for aerial imagery | |
CN108805186A (zh) | 一种基于多维显著特征聚类的sar图像圆形油库检测方法 | |
Zhang et al. | Robust DEM co-registration method for terrain changes assessment using least trimmed squares estimator | |
Naeem et al. | A new approach for image detection based on refined Bag of Words algorithm | |
Surya et al. | Super-pixel Segmentation based Skin texture pattern recognition | |
Tu et al. | Automatic target recognition scheme for a high-resolution and large-scale synthetic aperture radar image | |
Liu et al. | An unsupervised automatic change detection approach based on visual attention mechanism | |
Jenicka et al. | Distributed texture-based land cover classification algorithm using hidden Markov model for multispectral data | |
Bharathi et al. | Automatic land use/land cover classification using texture and data mining classifier | |
Karem et al. | Comparison of several single and multiple instance learning methods for detecting buried explosive objects using gpr data | |
Guo et al. | High speed detection of aircraft targets based on proposal oriented FAST and adaptive matching of local invariant features |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20181207 |
|
WW01 | Invention patent application withdrawn after publication |