CN110276746B - 一种鲁棒性遥感图像变化检测方法 - Google Patents
一种鲁棒性遥感图像变化检测方法 Download PDFInfo
- Publication number
- CN110276746B CN110276746B CN201910449743.XA CN201910449743A CN110276746B CN 110276746 B CN110276746 B CN 110276746B CN 201910449743 A CN201910449743 A CN 201910449743A CN 110276746 B CN110276746 B CN 110276746B
- Authority
- CN
- China
- Prior art keywords
- image
- matrix
- value
- feature
- vector
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/58—Extraction of image or video features relating to hyperspectral data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种鲁棒性遥感图像变化检测方法,包括以下步骤:采集获取目标地区两个时相的图像信息;对两个时相的遥感图像进行预处理,获取图像特征;根据Relief算法对图像特征进行选择和筛选;运用PCA算法进行特征降维,得到最终优选的特征变化矢量;利用NR‑Kmeans方法进行分类,得到变化检测结果。本发明改进了传统的kmeans聚类算法,检测精度更高,准确率高。
Description
技术领域
本发明属于图像变化技术领域,尤其涉及一种鲁棒性遥感图像变化检测方法。
背景技术
遥感,即远距离感知。遥感一词最早于1960年出现在美国的一项军事科研计划之中,在1962年密执安大学等单位举行的第一届环境遥感学术研讨会上被正式采用。如今,遥感技术应用于越来越多的领域,比如:森林或植被的动态变化监测、对自然灾害的灾后分析及评估、对土地利用的变化分析、对农田进行监控、对城镇变化实时监测、分析农作物生长状况、对军事战略目标,比如机场、道路,进行动态监视等领域,极大地促进了经济和社会的发展。
遥感图像变化检测属于遥感图像处理领域,用于分析处理同一地点不同时期的遥感图像而获得变化信息。国内外学者已经对遥感图像变化检测问题进行了大量的研究,提出了各种各样的变化检测方法。其中基于特征的变化检测方法是利用图像中的光谱特征、纹理特征、空间结构特性,对遥感图像进行变化检测。基于特征的变化检测方法考虑了图像丰富的特征信息,具有较好的噪声鲁棒性和抗光照、辐射干扰能力。
由于遥感图像受光照、大气环境等影响,而采集的图像特征也受其影响。不仅如此,由于噪声干扰,传统的聚类算法受稀疏数据的影响分类的结果不够精确。选择具有代表性的特征并精确分类成为遥感图像变化检测技术的关键。
发明内容
发明目的:针对以上问题,本发明提出一种鲁棒性遥感图像变化检测方法。该方法是一种基于特征的遥感图影变化检测方法,根据Relief算法对图像特征进行选择和筛选,然后利用PCA算法降维,最后使用NR-Kmeans算法,排除噪声干扰点对检测结果的影响,最后输出结果。本发明排除了噪声干扰点,检测更加精确。
技术方案:为实现本发明的目的,本发明所采用的技术方案是:一种鲁棒性遥感图像变化检测方法,包括如下步骤:
(1)采集获取目标地区T1和T2时刻的遥感图像,所述图像满足分辨率需求并且包含清晰的纹理特征信息;
(2)采用ENVI软件实现图像数据预处理,消除拍摄误差;采用eCogntion软件平台对T1和T2时刻的预处理后的图像进行多尺度分割,将两幅图像分别划分成N个图像块,即分别得到N个对象;分别获取T1和T2时刻的图像的光谱特征和纹理特征,构建特征向量,得到变化矢量集合Md,Md=[m1,m2,...mN],其中,mi表示第i个对象所对应的变化矢量;将Md中元素按照T1或T2时刻图像中N个对象的排列方式排列,构成一幅差值图;
(3)根据Relief特征选择算法,获得变化矢量集合Md的特征子空间Ml中每个对象的特征的权重,选取e个权重最大的变化特征,e取值小于对象包含的特征总数,进而分别在N个对象中选取所述e个变化特征,结合变化矢量集合Md,得到矩阵X;
(4)利用PCA算法对矩阵X进行特征降维,得到变换之后的变化特征矩阵Y,Y=[y1,y2,...,yN];
(5)使用NR-Kmeans算法对变化特征矩阵Y的元素yi进行分类,从变化特征矩阵Y中剔除被噪声干扰的稀疏数据,得到密集点集合Y′;
(6)将密集点集合Y′分为未变化的类和变化的类,未变化的类元素对应的差值图中的对象的灰度值转化为255,变化的类中元素对应的差值图中的对象的灰度值转化为0,根据对象的灰度值输出变化检测结果图,图中标出了图像变化的区域。
进一步,步骤(2)中,采用ENVI软件实现图像数据预处理,消除拍摄误差;采用eCogntion软件平台对T1和T2时刻的预处理后的图像进行多尺度分割,将两幅图像分别划分成N个图像块,即分别得到N个对象;分别获取T1和T2时刻的图像的光谱特征和纹理特征,构建特征向量,得到变化矢量集合,步骤如下:
(2.1)采用ENVI软件分别对T1和T2时刻的图像进行几何校正、图像配准、大气校正操作,实现图像数据预处理;
(2.2)采用eCogntion软件平台对T1和T2时刻的预处理后的图像进行多尺度分割,将两幅图像分别划分成N个图像块,即分别得到N个对象;
(2.3)求取预处理后的图像的Mean-Std特征,作为图像的光谱特征;采用灰度共生矩阵提取预处理后的图像的纹理特征;
(2.4)根据预处理后的两幅图像提取的光谱特征和纹理特征,构建特征向量,获取变化矢量集合Md。
进一步,步骤(2.3)所述求取图像的Mean-Std特征,作为图像的光谱特征;方法如下:
对图像的每个对象,按照下列公式求取光谱特征中的均值Mean和标准差Std:
式中,Mean为对象中像素点灰度的均值,std为对象中像素点灰度的标准差,A表示对象中像素点数,ci代表对象中第i个像素点的灰度大小。
进一步,步骤(2.3)所述采用灰度共生矩阵提取图像的纹理特征;方法如下:
(2.3.1)将图像中任意一像素点(τ1,τ2)及另一像素点(τ1+Δ1,τ2+Δ2)构成点对,其中Δ1,Δ2为整数;设像素点(τ1,τ2)的灰度值为f1,(τ1+Δ1,τ2+Δ2)的灰度值为f2,则该点对的灰度值为(f1,f2),设图像的最大灰度级为L,则f1与f2的组合共有L*L组;
(2.3.2)统计图像中每一组不同的(f1,f2)值出现的次数,然后排列成一个矩阵,其中,位于矩阵位置(L,L)上的矩阵元素值就是两个灰度值均为L的点对出现的次数;
(2.3.3)根据(f1,f2)出现的总次数将每一组不同的(f1,f2)值出现的次数归一化为出现的概率g(f1,f2),归一化之后的的方阵称为灰度共生矩阵;
(2.3.4)灰度共生矩阵提供了14种统计量作为纹理特征,本发明选取6种统计量作为纹理特征,所述6种统计量为对比度、熵、能量、均等性、不相似性、相关性;对比度反映了图像的清晰度和纹理沟纹深浅的程度;熵表示了图像中纹理的非均匀程度或复杂程度;能量反映了图像灰度分布均匀程度和纹理粗细度;均等性反映图像纹理的同质性,度量图像纹理局部变化的多少;相关性反应了图像纹理的一致性;这6种统计量都从各个方面表示了图像的特性,故选择这6种统计量作为纹理特征;
(2.3.5)设灰度共生矩阵的位置(i,j)上的矩阵元素值为g(i,j),L为图像的最大灰度级,则所述纹理特征表示如下:
进一步,步骤(2.4)所述根据预处理后的两幅图像提取的光谱特征和纹理特征,获取变化矢量集合Md;方法如下:
(2.4.1)根据步骤(2.3)得到的T1和T2时刻图像的光谱特征和纹理特征,分别构建特征向量,对两幅图像的相对应的特征向量计算差值;两幅图像相对应的第i个对象的第j个特征向量的差值Md(i,j),表示如下:
Md(i,j)=Md,1(i,j)-Md,2(i,j)
式中,Md,1(i,j)为T1时刻图像第i个对象的第j个特征向量,Md,2(i,j)为T2时刻图像第i个对象的第j个特征向量;i≤N,N为图像中对象的总数;j≤Sfeature,Sfeature为对象包含的特征总数;Sfeature=Sband×8,Sband为对象总波段数;
根据差值Md(i,j),得到第i个对象所对应的变化矢量mi,表示如下:
mi=(Md(i,1),Md(i,2),...,Md(i,Sfeature))
(2.4.2)重复步骤(2.4.1),计算两幅图像中相对应的每一个对象的特征向量的差值,得到每个对象所对应的变化矢量,构成变化矢量集合Md,表示如下:
Md=[m1,m2,…mN]
将Md中元素按照T1和T2时刻图像中N个对象的排列方式排列,构成一幅差值图。
进一步,步骤(3)所述根据Relief特征选择算法,获得变化矢量集合Md的特征子空间Mi中每个对象的特征的权重,选取e个权重最大的变化特征,e取值小于对象包含的特征总数,进而分别在N个对象中选取所述e个变化特征,结合变化矢量集合Md,得到矩阵X;方法如下:
(3.1)变化矢量集合Md也称为特征空间,提取特征空间Md=[m1,m2,m3,…mN]的子空间Ml=[m1,m2,m3,…mn]作为训练集,其中n<N;使用人工解译将特征子空间Ml分为Ml1与Ml2两个数集,其中Ml1包含l1个元素,ML2包含l2个元素,l1+l2=n,Ml1∈Ml,Ml2∈Ml;
(3.2)计算Ml中所有元素两两之间变化矢量的欧式距离,组成距离矩阵,即
(3.3)在特征子空间Ml中,对于对象i的变化矢量mi,i=1,2,3,...,n,若mi∈Ml1,选取Ml1内与其欧式距离最小的s个矢量,并选取Ml2内与其欧氏距离最大的s个矢量;若mi∈Ml2,选取Ml2内与其欧式距离最小的s个矢量,并选取Ml1内与其欧氏距离最大的s个矢量;即对mi求取近邻矩阵Qi=[q1,q2,...,qs,...,q2s],其中,[q1,q2,...,qs]为所述欧式距离最小的s个矢量,[qs+1,qs+2,...,q2s]为所述欧氏距离最大的s个矢量,s=min(l1,l2);
(3.4)根据猜错近邻相关统计量和猜中近邻相关统计量,计算对象i的每个特征对应的权重,即
式中,s=min(l1,l2),i表示对象i,j表示第j个特征,当a=1,2,3,...,s时,Qi(a,j)表示[q1,q2,...,qs],当a=s+1,s+2,...,2s时,Qi(a,j)表示[qs+1,qs+2,...,q2s];当b=1,2,3,...,s时,Qi(b,j)表示[q1,q2,...,qs],当b=s+1,s+2,...,2s时,Qi(b,j)表示[qs+1,qs+2,...,q2s];
(3.5)根据步骤(3.4)计算得到的特征子空间Ml中每个对象的特征的权重,选取e个权重最大的变化特征,进而分别在N个对象中选取所述e个变化特征,结合原变化矢量集合Md,得到矩阵X,表示如下:
式中,Xi=[xi1 xi2 ... xie],i=1,2,...,N;矩阵元素xij表示对象i的e个变化特征中的第j个特征,e取值小于对象包含的特征总数。
进一步,步骤(4)所述利用PCA算法对矩阵X进行特征降维,得到变换之后的变化特征矩阵Y;方法如下:
(4.1)根据步骤(3)得到的矩阵X,计算矩阵每一行的均值μi,i=1,2,...,N:
式中,j=1,2,...,e,E(Xi)表示数学期望;
(4.2)根据均值μi,计算矩阵X的协方差矩阵C,即:
式中,i=1,2,...,N,r=1,2,...,N,j=1,2,...,e;由上述公式可知,协方差矩阵C为实对称矩阵;
(4.3)计算协方差矩阵C的特征值λ1,λ2,...,λN,对应的特征向量为v1,v2,...,vN,即λivi=Cvi,i=1,2,...,N;
(4.4)将特征值λ1,λ2,...,λN进行降序排序,得到λ′1,λ′2,...,λ′N,对应的特征向量为v′1,v′2,...,v′N,取排序后的特征值构成一个对角矩阵P;
(4.5)计算矩阵X在新的特征向量v′1,v′2,...,v′N上的投影,得到降维后的变化特征矩阵Y,即:
Y=X*P=[y1,y2,...,yN]
其中,y1,y2,...,yN表示对象的变化特征。
进一步,所述步骤(5)中使用NR-Kmeans算法对变化特征矩阵Y的元素yi进行分类,从变化特征矩阵Y中剔除被噪声干扰的稀疏数据,得到密集点集合Y′;步骤如下:
(5.1)在矩阵Y=[y1,y2,...,yN]中,对于每一个元素点yα,yα∈Y,给定邻域半径δ,得到符合的元素点Qb(yα)表示包含元素点yα在内的yα的最近邻元素点集合;其中,表示元素点yα、的距离,b为yα在邻域范围内最近邻元素点个数,f=1,2,...,b;
(5.2)计算元素点yα的密度函数值;元素点yα的密度函数值表示邻域半径δ范围内所有最近邻元素点对其影响的函数之和;yα的密度函数值计算公式如下:
(5.3)重复步骤(5.1)~(5.2),直到矩阵Y中所有元素点的密度函数值计算完成;
(5.4)当yβ的密度函数值大于等于矩阵Y中所有元素点平均密度值时,则将元素点yβ视为可用数据放入密集点集合Y′中,即yβ符合:
式中,DF(yβ)表示yβ的密度函数值,DF(yα)为数据点yα的密度函数值;
(5.5)根据步骤(5.4)得到矩阵Y中所有的可用数据,所述可用数据构成密集点集合Y′,Y′为剔除了被噪声干扰的稀疏数据后的元素点集合。
进一步,步骤(6)所述将密集点集合Y′分为未变化的类和变化的类,未变化的类元素对应的差值图中的对象的灰度值转化为255,变化的类中元素对应的差值图中的对象的灰度值转化为0,根据对象的灰度值输出变化检测结果图;方法如下:
(6.1)从密集点集合Y′=[y′1,y′2,...,y′η],η为Y′中元素点个数,η≤N,y′η表示剔除了被噪声干扰的数据后的对象的特征;选取密度值最大的元素点,作为第一个初始聚类中心C1,计算Y′中其他元素点的特征值与聚类中心C1的特征值的差值,选取与C1的特征值相差最大的元素点,即差值绝对值最大的点作为第二个初始聚类中心C2;C1,C2相应的特征值为c1,c2,聚类中心C1和C2对应类D1和D2;
(6.2)计算密集点集合Y′中的元素点y′θ与两个聚类中心的特征值的差值,即
dθ1=|y′θ-c1|
dθ2=|y′θ-c2|
dθ1表示元素点y′θ与聚类中心C1的特征差值的绝对值,dθ2表示元素点y′θ与聚类中心C2的特征差值的绝对值,θ=1,2,...,η;将密集点集合Y′中的元素点分到差值绝对值较小的聚类中心所对应的类;
(6.3)计算类D1,D2内相应的元素点特征值的平均值c′1,c′2,即
式中,c′1,c′2分别为类D1,D2相应的元素点特征值的平均值;|D1|表示类D1中元素点的个数,|D2|表示类D2中元素点的个数,y′对应类内元素点特征值;如果c′1≠c1,将类D1的聚类中心C1的特征值c1更新为c′1;如果c′2≠c2,将类D2的聚类中心C2的特征值c2更新为c′2;
(6.4)重复步骤(6.2)~(6.3),直至两个聚类中心的特征值都不再发生改变;
(6.5)将两个类D1,D2分为未变化的类和变化的类,其中,平均值较小的为未变化的类,平均值较大的为变化的类;未变化的类元素对应的差值图中的对象的灰度值转化为255,变化的类中元素对应的差值图中的对象的灰度值转化为0;
(6.6)根据对象的灰度值输出检测结果图,图中标出了图像变化的区域。
有益效果:与现有技术相比,本发明的技术方案具有以下有益的技术效果:
(1)为了减小噪声对于数据的干扰,使用密度分布函数排除密度稀疏点,剔除一些噪声干扰点。
(2)结合最远距离原则,在高密度数据集合中选取初始聚类中心,避免了原始Kmeans算法随机选取初始聚类中心的缺点。
附图说明
图1是本发明的流程图;
图2是NR-Kmeans算法流程图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
本发明所述的一种鲁棒性遥感图像变化检测方法,如图1所示,包括以下几个步骤:
(1)采集获取目标地区T1和T2时刻的遥感图像,所述图像满足分辨率需求并且包含清晰的纹理特征信息;选择合肥市某区域的图像,包含了农田作物面积覆盖情况;
(2)采用ENVI软件实现图像数据预处理,消除拍摄误差;采用eCogntion软件平台对T1和T2时刻的预处理后的图像进行多尺度分割,将两幅图像分别划分成N个图像块,即分别得到N个对象;分别获取T1和T2时刻的图像的光谱特征和纹理特征,构建特征向量,得到变化矢量集合Md,Md=[m1,m2,...mN],其中,mi表示第i个对象所对应的变化矢量;将Md中元素按照T1或T2时刻图像中N个对象的排列方式排列,构成一幅差值图;
(3)根据Relief特征选择算法,获得变化矢量集合Md的特征子空间Ml中每个对象的特征的权重,选取e个权重最大的变化特征,e取值小于对象包含的特征总数,进而分别在N个对象中选取所述e个变化特征,结合变化矢量集合Md,得到矩阵X;
(4)利用PCA算法对矩阵X进行特征降维,得到变换之后的变化特征矩阵Y,Y=[y1,y2,...,yN];
(5)使用NR-Kmeans算法对变化特征矩阵Y的元素yi进行分类,从变化特征矩阵Y中剔除被噪声干扰的稀疏数据,得到密集点集合Y';
(6)将密集点集合Y'分为未变化的类和变化的类,未变化的类元素对应的差值图中的对象的灰度值转化为255,变化的类中元素对应的差值图中的对象的灰度值转化为0,根据对象的灰度值输出变化检测结果图,图中标出了图像变化的区域。
步骤(2)中,采用ENVI软件实现图像数据预处理,消除拍摄误差;采用eCogntion软件平台对T1和T2时刻的预处理后的图像进行多尺度分割,将两幅图像分别划分成N个图像块,即分别得到N个对象;分别获取T1和T2时刻的图像的光谱特征和纹理特征,构建特征向量,得到变化矢量集合,步骤如下:
(2.1)采用ENVI软件分别对T1和T2时刻的图像进行几何校正、图像配准、大气校正操作,实现图像数据预处理;两幅图像大小均为512*512;
(2.2)采用eCogntion软件平台对T1和T2时刻的预处理后的图像进行多尺度分割,将两幅图像分别划分成N个图像块,即分别得到N个对象;
(2.3)求取预处理后的图像的Mean-Std特征,作为图像的光谱特征;采用灰度共生矩阵提取预处理后的图像的纹理特征;
(2.4)根据预处理后的两幅图像提取的光谱特征和纹理特征,构建特征向量,获取变化矢量集合Md。
步骤(2.3)所述求取图像的Mean-Std特征,作为图像的光谱特征;方法如下:
对图像的每个对象,按照下列公式求取光谱特征中的均值Mean和标准差Std:
式中,Mean为对象中像素点灰度的均值,std为对象中像素点灰度的标准差,A表示对象中像素点数,ci代表对象中第i个像素点的灰度大小。
步骤(2.3)所述采用灰度共生矩阵提取图像的纹理特征;方法如下:
(2.3.1)将图像中任意一像素点(τ1,τ2)及另一像素点(τ1+Δ1,τ2+Δ2)构成点对,其中Δ1,Δ2为整数;设像素点(τ1,τ2)的灰度值为f1,(τ1+Δ1,τ2+Δ2)的灰度值为f2,则该点对的灰度值为(f1,f2),设图像的最大灰度级为L,则f1与f2的组合共有L*L组;本实施例设L=16,则f1与f2的组合共有16*16组;
(2.3.2)统计图像中每一组不同的(f1,f2)值出现的次数,然后排列成一个矩阵,其中,位于矩阵位置(L,L)上的矩阵元素值就是两个灰度值均为L的点对出现的次数;
(2.3.3)根据(f1,f2)出现的总次数将每一组不同的(f1,f2)值出现的次数归一化为出现的概率g(f1,f2),归一化之后的的方阵称为灰度共生矩阵;
(2.3.4)灰度共生矩阵提供了14种统计量作为纹理特征,本发明选取6种统计量作为纹理特征,所述6种统计量为对比度、熵、能量、均等性、不相似性、相关性;对比度反映了图像的清晰度和纹理沟纹深浅的程度;熵表示了图像中纹理的非均匀程度或复杂程度;能量反映了图像灰度分布均匀程度和纹理粗细度;均等性反映图像纹理的同质性,度量图像纹理局部变化的多少;相关性反应了图像纹理的一致性;这6种统计量都从各个方面表示了图像的特性,故选择这6种统计量作为纹理特征;
(2.3.5)设灰度共生矩阵的位置(i,j)上的矩阵元素值为g(i,j),L为图像的最大灰度级,则所述纹理特征表示如下:
步骤(2.4)所述根据预处理后的两幅图像提取的光谱特征和纹理特征,获取变化矢量集合Md;方法如下:
(2.4.1)根据步骤(2.3)得到的T1和T2时刻图像的光谱特征和纹理特征,分别构建特征向量,对两幅图像的相对应的特征向量计算差值;两幅图像相对应的第i个对象的第j个特征向量的差值Md(i,j),表示如下:
Md(i,j)=Md,1(i,j)-Md,2(i,j)
式中,Md,1(i,j)为T1时刻图像第i个对象的第j个特征向量,Md,2(i,j)为T2时刻图像第i个对象的第j个特征向量;i≤N,N为图像中对象的总数;j≤Sfeature,Sfeature为对象包含的特征总数;Sfeature=Sband×8,Sband为对象总波段数;本实施例中图像有4个波段,则Sfeature=32;
根据差值Md(i,j),得到第i个对象所对应的变化矢量mi,表示如下:
mi=(Md(i,1),Md(i,2),...,Md(i,32))
(2.4.2)重复步骤(2.4.1),计算两幅图像中相对应的每一个对象的特征向量的差值,得到每个对象所对应的变化矢量,构成变化矢量集合Md,表示如下:
Md=[m1,m2,...mN]
将Md中元素按照T1和T2时刻图像中N个对象的排列方式排列,构成一幅差值图。
步骤(3)所述根据Relief特征选择算法,获得变化矢量集合Md的特征子空间Ml中每个对象的特征的权重,选取e个权重最大的变化特征,e取值小于对象包含的特征总数,进而分别在N个对象中选取所述e个变化特征,结合变化矢量集合Md,得到矩阵X;方法如下:
(3.1)变化矢量集合Md也称为特征空间,提取特征空间Md=[m1,m2,m3,...mN]的子空间Ml=[m1,m2,m3,...mn]作为训练集,其中n<N;使用人工解译将特征子空间Ml分为Ml1与Ml2两个数集,其中Ml1包含l1个元素,Ml2包含l2个元素,l1+l2=n,Ml1∈Ml,Ml2∈Ml;
(3.2)计算Ml中所有元素两两之间变化矢量的欧式距离,组成距离矩阵,即
(3.3)在特征子空间Ml中,对于对象i的变化矢量mi,i=1,2,3,...,n,若mi∈Ml1,选取Ml1内与其欧式距离最小的s个矢量,并选取Ml2内与其欧氏距离最大的s个矢量;若mi∈Ml2,选取Ml2内与其欧式距离最小的s个矢量,并选取Ml1内与其欧氏距离最大的s个矢量;即对mi求取近邻矩阵Qi=[q1,q2,...,qs,...,q2s],其中,[q1,q2,...,qs]为所述欧式距离最小的s个矢量,[qs+1,qs+2,...,q2s]为所述欧氏距离最大的s个矢量,s=min(l1,l2);
(3.4)根据猜错近邻相关统计量和猜中近邻相关统计量,计算对象i的每个特征对应的权重,即
式中,s=min(l1,l2),i表示对象i,j表示第j个特征,当a=1,2,3,...,s时,Qi(a,j)表示[q1,q2,...,qs],当a=s+1,s+2,...,2s时,Qi(a,j)表示[qs+1,qs+2,...,q2s];当b=1,2,3,...,s时,Qi(b,j)表示[q1,q2,...,qs],当b=s+1,s+2,...,2s时,Qi(b,j)表示[qs+1,qs+2,...,q2s];
(3.5)根据步骤(3.4)计算得到的特征子空间Ml中每个对象的特征的权重,选取e个权重最大的变化特征,进而分别在N个对象中选取所述e个变化特征,结合原变化矢量集合Md,得到矩阵X,表示如下:
式中,Xi=[xi1 xi2 ... xie],i=1,2,...,N;矩阵元素xij表示对象i的e个变化特征中的第j个特征,e取值小于对象包含的特征总数。
步骤(4)所述利用PCA算法对矩阵X进行特征降维,得到变换之后的变化特征矩阵Y;方法如下:
(4.1)根据步骤(3)得到的矩阵X,计算矩阵每一行的均值μi,i=1,2,...,N:
式中,j=1,2,...,e,E(Xi)表示数学期望;
(4.2)根据均值μi,计算矩阵X的协方差矩阵C,即:
式中,i=1,2,...,N,r=1,2,...,N,j=1,2,...,e;由上述公式可知,协方差矩阵C为实对称矩阵;
(4.3)计算协方差矩阵C的特征值λ1,λ2,...,λN,对应的特征向量为v1,v2,...,vN,即λivi=Cvi,i=1,2,…,N;
(4.4)将特征值λ1,λ2,...,λN进行降序排序,得到λ′1,λ′2,...,λ′N,对应的特征向量为v′1,v′2,...,v′N,取排序后的特征值构成一个对角矩阵P;
(4.5)计算矩阵X在新的特征向量v′1,v′2,...,v′N上的投影,得到降维后的变化特征矩阵Y,即:
Y=X*P=[y1,y2,...,yN]
其中,y1,y2,...,yN表示对象的变化特征。
所述步骤(5)中使用NR-Kmeans算法对变化特征矩阵Y的元素yi进行分类,从变化特征矩阵Y中剔除被噪声干扰的稀疏数据,得到密集点集合Y′;步骤如下:
(5.1)在矩阵Y=[y1,y2,...,yN]中,对于每一个元素点yα,yα∈Y,给定邻域半径δ,得到符合的元素点Qb(yα)表示包含元素点yα在内的yα的最近邻元素点集合;其中,表示元素点yα、的距离,b为yα在邻域范围内最近邻元素点个数,f=1,2,...,b;
(5.2)计算元素点yα的密度函数值;元素点yx的密度函数值表示邻域半径δ范围内所有最近邻元素点对其影响的函数之和;yα的密度函数值计算公式如下:
(5.3)重复步骤(5.1)~(5.2),直到矩阵Y中所有元素点的密度函数值计算完成;
(5.4)当yβ的密度函数值大于等于矩阵Y中所有元素点平均密度值时,则将元素点yβ视为可用数据放入密集点集合Y′中,即yβ符合:
式中,DF(yβ)表示yβ的密度函数值,DF(yα)为数据点yα的密度函数值;
(5.5)根据步骤(5.4)得到矩阵Y中所有的可用数据,所述可用数据构成密集点集合Y′,Y′为剔除了被噪声干扰的稀疏数据后的元素点集合。
步骤(6)所述将密集点集合Y′分为未变化的类和变化的类,未变化的类元素对应的差值图中的对象的灰度值转化为255,变化的类中元素对应的差值图中的对象的灰度值转化为0,根据对象的灰度值输出变化检测结果图;方法如下:
(6.1)从密集点集合Y′=[y′1,y′2,...,y′η],η为Y′中元素点个数,η≤N,y′η表示剔除了被噪声干扰的数据后的对象的特征;选取密度值最大的元素点,作为第一个初始聚类中心C1,计算Y′中其他元素点的特征值与聚类中心C1的特征值的差值,选取与C1的特征值相差最大的元素点,即差值绝对值最大的点作为第二个初始聚类中心C2;C1,C2相应的特征值为c1,c2,聚类中心C1和C2对应类D1和D2;
(6.2)计算密集点集合Y′中的元素点y′θ与两个聚类中心的特征值的差值,即
dθ1=|y′θ-c1|
dθ2=|y′θ-c2|
dθ1表示元素点y′θ与聚类中心C1的差值的绝对值,dθ2表示元素点y′θ与聚类中心C2的差值的绝对值,θ=1,2,...,η;将密集点集合Y′中的元素点分到差值绝对值较小的聚类中心所对应的类;
(6.3)计算类D1,D2内相应的元素点特征值的平均值c′1,c′2,即
式中,c′1,c′2分别为类D1,D2相应的元素点特征值的平均值;|D1|表示类D1中元素点的个数,|D2|表示类D2中元素点的个数,y′对应类内元素点特征值;如果c′1≠c1,将类D1的聚类中心C1的特征值c1更新为c′1;如果c′2≠c2,将类D2的聚类中心C2的特征值c2更新为c′2;
(6.4)重复步骤(6.2)~(6.3),直至两个聚类中心的特征值都不再发生改变;
(6.5)将两个类D1,D2分为未变化的类和变化的类,其中,平均值较小的为未变化的类,平均值较大的为变化的类;未变化的类元素对应的差值图中的对象的灰度值转化为255,变化的类中元素对应的差值图中的对象的灰度值转化为0;
(6.6)根据对象的灰度值输出检测结果图,图中标出了图像变化的区域。
本发明改进了传统的kmeans聚类算法,检测精度更高,准确率高。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种鲁棒性遥感图像变化检测方法,其特征在于:该方法包括如下步骤:
(1)采集获取目标地区T1和T2时刻的遥感图像,所述图像满足分辨率需求并且包含清晰的纹理特征信息;
(2)采用ENVI软件实现图像数据预处理,消除拍摄误差;采用eCogntion软件平台对T1和T2时刻的预处理后的图像进行多尺度分割,将两幅图像分别划分成N个图像块,即分别得到N个对象;分别获取T1和T2时刻的图像的光谱特征和纹理特征,构建特征向量,得到变化矢量集合Md,Md=[m1,m2,...mN],其中,mN表示第N个对象所对应的变化矢量;将Md中元素按照T1或T2时刻图像中N个对象的排列方式排列,构成一幅差值图;
(3)根据Relief特征选择算法,获得变化矢量集合Md的特征子空间Ml中每个对象的特征的权重,选取e个权重最大的变化特征,e取值小于对象包含的特征总数,进而分别在N个对象中选取所述e个变化特征,结合变化矢量集合Md,得到矩阵X;
(4)利用PCA算法对矩阵X进行特征降维,得到变换之后的变化特征矩阵Y,Y=[y1,y2,...,yN];
(5)使用NR-Kmeans算法对变化特征矩阵Y的元素yi进行分类,从变化特征矩阵Y中剔除被噪声干扰的稀疏数据,得到密集点集合Y';步骤如下:
(5.1)在矩阵Y=[y1,y2,...,yN]中,对于每一个元素点yα,yα∈Y,给定邻域半径δ,得到符合的元素点 Qb(yα)表示包含元素点yα在内的yα的最近邻元素点集合;其中,表示元素点yα、的距离,b为yα在邻域范围内最近邻元素点个数,f=1,2,...,b;
(5.2)计算元素点yα的密度函数值;元素点yα的密度函数值表示邻域半径δ范围内所有最近邻元素点对其影响的函数之和;yα的密度函数值计算公式如下:
(5.3)重复步骤(5.1)~(5.2),直到矩阵Y中所有元素点的密度函数值计算完成;
(5.4)当yβ的密度函数值大于等于矩阵Y中所有元素点平均密度值时,则将元素点yβ视为可用数据放入密集点集合Y'中,即yβ符合:
式中,DF(yβ)表示yβ的密度函数值,DF(yα)为数据点yα的密度函数值;
(5.5)根据步骤(5.4)得到矩阵Y中所有的可用数据,所述可用数据构成密集点集合Y',Y'为剔除了被噪声干扰的稀疏数据后的元素点集合;
(6)将密集点集合Y'分为未变化的类和变化的类,未变化的类元素对应的差值图中的对象的灰度值转化为255,变化的类中元素对应的差值图中的对象的灰度值转化为0,根据对象的灰度值输出变化检测结果图,图中标出了图像变化的区域。
2.根据权利要求1所述的一种鲁棒性遥感图像变化检测方法,其特征在于:步骤(2)中,采用ENVI软件实现图像数据预处理,消除拍摄误差;采用eCogntion软件平台对T1和T2时刻的预处理后的图像进行多尺度分割,将两幅图像分别划分成N个图像块,即分别得到N个对象;分别获取T1和T2时刻的图像的光谱特征和纹理特征,构建特征向量,得到变化矢量集合,步骤如下:
(2.1)采用ENVI软件分别对T1和T2时刻的图像进行几何校正、图像配准、大气校正操作,实现图像数据预处理;
(2.2)采用eCogntion软件平台对T1和T2时刻的预处理后的图像进行多尺度分割,将两幅图像分别划分成N个图像块,即分别得到N个对象;
(2.3)求取预处理后的图像的Mean-Std特征,作为图像的光谱特征;采用灰度共生矩阵提取预处理后的图像的纹理特征;
(2.4)根据预处理后的两幅图像提取的光谱特征和纹理特征,构建特征向量,获取变化矢量集合Md。
4.根据权利要求2所述的一种鲁棒性遥感图像变化检测方法,其特征在于:步骤(2.3)所述采用灰度共生矩阵提取图像的纹理特征;方法如下:
(2.3.1)将图像中任意一像素点(τ1,τ2)及另一像素点(τ1+△1,τ2+△2)构成点对,其中△1,△2为整数;设像素点(τ1,τ2)的灰度值为f1,(τ1+△1,τ2+△2)的灰度值为f2,则该点对的灰度值为(f1,f2),设图像的最大灰度级为L,则f1与f2的组合共有L*L组;
(2.3.2)统计图像中每一组不同的(f1,f2)值出现的次数,然后排列成一个矩阵,其中,位于矩阵位置(L,L)上的矩阵元素值就是两个灰度值均为L的点对出现的次数;
(2.3.3)根据(f1,f2)出现的总次数将每一组不同的(f1,f2)值出现的次数归一化为出现的概率g(f1,f2),归一化之后的的方阵称为灰度共生矩阵;
(2.3.4)选取灰度共生矩阵所提供的6种统计量作为纹理特征,所述6种统计量为对比度、熵、能量、均等性、不相似性、相关性;
(2.3.5)设灰度共生矩阵的位置(z,t)上的矩阵元素值为g(z,t),L为图像的最大灰度级,则所述纹理特征表示如下:
5.根据权利要求2所述的一种鲁棒性遥感图像变化检测方法,其特征在于:步骤(2.4)所述根据预处理后的两幅图像提取的光谱特征和纹理特征,获取变化矢量集合Md;方法如下:
(2.4.1)根据步骤(2.3)得到的T1和T2时刻图像的光谱特征和纹理特征,分别构建特征向量,对两幅图像的相对应的特征向量计算差值;两幅图像相对应的第i个对象的第j个特征向量的差值Md(i,j),表示如下:
Md(i,j)=Md,1(i,j)-Md,2(i,j)
式中,Md,1(i,j)为T1时刻图像第i个对象的第j个特征向量,Md,2(i,j)为T2时刻图像第i个对象的第j个特征向量;i≤N,N为图像中对象的总数;j≤Sfeature,Sfeature为对象包含的特征总数;Sfeature=Sband×8,Sband为对象总波段数;
根据差值Md(i,j),得到第i个对象所对应的变化矢量mi,表示如下:
mi=(Md(i,1),Md(i,2),...,Md(i,Sfeature))
(2.4.2)重复步骤(2.4.1),计算两幅图像中相对应的每一个对象的特征向量的差值,得到每个对象所对应的变化矢量,构成变化矢量集合Md,表示如下:
Md=[m1,m2,...mN]
将Md中元素按照T1和T2时刻图像中N个对象的排列方式排列,构成一幅差值图。
6.根据权利要求1-5任一所述的一种鲁棒性遥感图像变化检测方法,其特征在于:步骤(3)所述根据Relief特征选择算法,获得变化矢量集合Md的特征子空间Ml中每个对象的特征的权重,选取e个权重最大的变化特征,e取值小于对象包含的特征总数,进而分别在N个对象中选取所述e个变化特征,结合变化矢量集合Md,得到矩阵X;方法如下:
(3.1)变化矢量集合Md也称为特征空间,提取特征空间Md=[m1,m2,m3,...mN]的子空间Ml=[m1,m2,m3,...mn]作为训练集,其中n<N;将特征子空间Ml分为Ml1与Ml2两个数集,其中Ml1包含l1个元素,Ml2包含l2个元素,l1+l2=n,Ml1∈Ml,Ml2∈Ml;
(3.2)计算Ml中所有元素两两之间变化矢量的欧式距离,组成距离矩阵,即:
(3.3)在特征子空间Ml中,对于对象i的变化矢量mi,i=1,2,3,…,n,若mi∈Ml1,选取Ml1内与其欧式距离最小的s个矢量,并选取Ml2内与其欧氏距离最大的s个矢量;若mi∈Ml2,选取Ml2内与其欧式距离最小的s个矢量,并选取Ml1内与其欧氏距离最大的s个矢量;即对mi求取近邻矩阵Qi=[q1,q2,...,qs,...,q2s],其中,[q1,q2,...,qs]为所述欧式距离最小的s个矢量,[qs+1,qs+2,...,q2s]为所述欧氏距离最大的s个矢量,s=min(l1,l2);
(3.4)根据猜错近邻相关统计量和猜中近邻相关统计量,计算对象i的每个特征对应的权重,即
wfj=diffrj-diffwj
式中,wfj是特征fj对应的权重,diffrj是特征fj的猜错近邻相关统计量,diffwj是特征fj的猜中近邻相关统计量;diffrj和diffwj的计算表达式如下:
式中,s=min(l1,l2),i表示对象i,j表示第j个特征,当a=1,2,3,…,s时,Qi(a,j)表示[q1,q2,...,qs],当a=s+1,s+2,…,2s时,Qi(a,j)表示[qs+1,qs+2,...,q2s];当b=1,2,3,…,s时,Qi(b,j)表示[q1,q2,...,qs],当b=s+1,s+2,…,2s时,Qi(b,j)表示[qs+1,qs+2,...,q2s];
(3.5)根据步骤(3.4)计算得到的特征子空间Ml中每个对象的特征的权重,选取e个权重最大的变化特征,进而分别在N个对象中选取所述e个变化特征,结合原变化矢量集合Md,得到矩阵X,表示如下:
式中,Xi=[xi1 xi2...xie],i=1,2,...,N;矩阵元素xij表示对象i的e个变化特征中的第j个特征,e取值小于对象包含的特征总数。
7.根据权利要求1-5任一所述的一种鲁棒性遥感图像变化检测方法,其特征在于:步骤(4)所述利用PCA算法对矩阵X进行特征降维,得到变换之后的变化特征矩阵Y;方法如下:
(4.1)根据步骤(3)得到的矩阵X,计算矩阵每一行的均值μi,i=1,2,...,N:
式中,j=1,2,...,e,E(Xi)表示数学期望;
(4.2)根据均值μi,计算矩阵X的协方差矩阵C,即:
式中,i=1,2,...,N,r=1,2,...,N,j=1,2,...,e;
(4.3)计算协方差矩阵C的特征值λ1,λ2,...,λN,对应的特征向量为ν1,ν2,...,νN,即λivi=Cvi,i=1,2,…,N;
(4.4)将特征值λ1,λ2,...,λN进行降序排序,得到λ'1,λ'2,...,λ'N,对应的特征向量为ν'1,ν'2,...,ν'N,取排序后的特征值构成一个对角矩阵P;
(4.5)计算矩阵X在新的特征向量ν'1,ν'2,...,ν'N上的投影,得到降维后的变化特征矩阵Y,即:
Y=X*P=[y1,y2,...,yN]
其中,y1,y2,...,yN表示对象的变化特征。
8.根据权利要求1-5任一所述的一种鲁棒性遥感图像变化检测方法,其特征在于:步骤(6)所述将密集点集合Y'分为未变化的类和变化的类,未变化的类元素对应的差值图中的对象的灰度值转化为255,变化的类中元素对应的差值图中的对象的灰度值转化为0,根据对象的灰度值输出变化检测结果图;方法如下:
(6.1)从密集点集合Y'=[y'1,y'2,...,y'η],η为Y'中元素点个数,η≤N,y'η表示剔除了被噪声干扰的数据后的对象的特征;选取密度值最大的元素点,作为第一个初始聚类中心C1,计算Y'中其他元素点的特征值与聚类中心C1的特征值的差值,选取与C1的特征值相差最大的元素点,即差值绝对值最大的点作为第二个初始聚类中心C2;C1,C2相应的特征值为c1,c2,聚类中心C1和C2对应类D1和D2;
(6.2)计算密集点集合Y'中的元素点y'θ与两个聚类中心的特征值的差值,即
dθ1=|y'θ-c1|
dθ2=|y'θ-c2|
dθ1表示元素点y'θ与聚类中心C1的特征差值的绝对值,dθ2表示元素点y'θ与聚类中心C2的特征差值的绝对值,θ=1,2,...,η;将密集点集合Y'中的元素点分到差值绝对值较小的聚类中心所对应的类;
(6.3)计算类D1,D2内相应的元素点特征值的平均值c'1,c'2,即
式中,c'1,c'2分别为类D1,D2相应的元素点特征值的平均值;|D1|表示类D1中元素点的个数,|D2|表示类D2中元素点的个数,y'对应类内元素点特征值;如果c'1≠c1,将类D1的聚类中心C1的特征值c1更新为c'1;如果c'2≠c2,将类D2的聚类中心C2的特征值c2更新为c'2;
(6.4)重复步骤(6.2)~(6.3),直至两个聚类中心的特征值都不再发生改变;
(6.5)将两个类D1,D2分为未变化的类和变化的类,其中,平均值较小的为未变化的类,平均值较大的为变化的类;未变化的类元素对应的差值图中的对象的灰度值转化为255,变化的类中元素对应的差值图中的对象的灰度值转化为0;
(6.6)根据对象的灰度值输出检测结果图,图中标出了图像变化的区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910449743.XA CN110276746B (zh) | 2019-05-28 | 2019-05-28 | 一种鲁棒性遥感图像变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910449743.XA CN110276746B (zh) | 2019-05-28 | 2019-05-28 | 一种鲁棒性遥感图像变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110276746A CN110276746A (zh) | 2019-09-24 |
CN110276746B true CN110276746B (zh) | 2022-08-19 |
Family
ID=67960074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910449743.XA Active CN110276746B (zh) | 2019-05-28 | 2019-05-28 | 一种鲁棒性遥感图像变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110276746B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111091054B (zh) * | 2019-11-13 | 2020-11-10 | 广东国地规划科技股份有限公司 | 一种地类变化监测方法、***、装置及存储介质 |
CN111931744B (zh) * | 2020-10-09 | 2021-01-05 | 航天宏图信息技术股份有限公司 | 一种遥感影像变化检测方法和装置 |
CN112329565A (zh) * | 2020-10-26 | 2021-02-05 | 兰州交通大学 | 一种基于高分遥感影像的道路建设监管方法及*** |
CN114066876B (zh) * | 2021-11-25 | 2022-07-08 | 北京建筑大学 | 一种基于分类结果及cva-sgd法的建筑垃圾变化检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102629380A (zh) * | 2012-03-03 | 2012-08-08 | 西安电子科技大学 | 基于多组滤波和降维的遥感图像变化检测方法 |
CN103456020A (zh) * | 2013-09-08 | 2013-12-18 | 西安电子科技大学 | 基于treelet特征融合的遥感图像变化检测方法 |
CN107423771A (zh) * | 2017-08-04 | 2017-12-01 | 河海大学 | 一种两时相遥感图像变化检测方法 |
CN109409389A (zh) * | 2017-08-16 | 2019-03-01 | 香港理工大学深圳研究院 | 一种融合多特征的面向对象变化检测方法 |
-
2019
- 2019-05-28 CN CN201910449743.XA patent/CN110276746B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102629380A (zh) * | 2012-03-03 | 2012-08-08 | 西安电子科技大学 | 基于多组滤波和降维的遥感图像变化检测方法 |
CN103456020A (zh) * | 2013-09-08 | 2013-12-18 | 西安电子科技大学 | 基于treelet特征融合的遥感图像变化检测方法 |
CN107423771A (zh) * | 2017-08-04 | 2017-12-01 | 河海大学 | 一种两时相遥感图像变化检测方法 |
CN109409389A (zh) * | 2017-08-16 | 2019-03-01 | 香港理工大学深圳研究院 | 一种融合多特征的面向对象变化检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110276746A (zh) | 2019-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110276746B (zh) | 一种鲁棒性遥感图像变化检测方法 | |
Lv et al. | Iterative training sample expansion to increase and balance the accuracy of land classification from VHR imagery | |
CN110348399B (zh) | 基于原型学习机制和多维残差网络的高光谱智能分类方法 | |
CN109871902B (zh) | 一种基于超分辨率对抗生成级联网络的sar小样本识别方法 | |
CN107358260B (zh) | 一种基于表面波cnn的多光谱图像分类方法 | |
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*** | |
CN106295124A (zh) | 利用多种图像检测技术综合分析基因子图相似概率量的方法 | |
CN110751087B (zh) | 一种基于eof的无人机信号识别***和方法 | |
CN108446582A (zh) | 基于纹理特征和仿射传播聚类算法的高光谱图像分类方法 | |
CN113139512B (zh) | 基于残差和注意力的深度网络高光谱影像分类方法 | |
CN107895139A (zh) | 一种基于多特征融合的sar图像目标识别方法 | |
CN108154094A (zh) | 基于子区间划分的高光谱图像非监督波段选择方法 | |
CN114821198B (zh) | 基于自监督和小样本学习的跨域高光谱图像分类方法 | |
CN109446894A (zh) | 基于概率分割及高斯混合聚类的多光谱图像变化检测方法 | |
CN111680579B (zh) | 一种自适应权重多视角度量学习的遥感图像分类方法 | |
Rajendran et al. | Hyperspectral image classification model using squeeze and excitation network with deep learning | |
CN111639697B (zh) | 基于非重复采样与原型网络的高光谱图像分类方法 | |
CN115311502A (zh) | 基于多尺度双流架构的遥感图像小样本场景分类方法 | |
Jiang et al. | Hyperspectral image classification with CapsNet and Markov random fields | |
CN109300115B (zh) | 一种面向对象的多光谱高分辨率遥感影像变化检测方法 | |
CN107203779A (zh) | 基于空谱信息保持的高光谱降维方法 | |
CN112734695A (zh) | 基于区域增强卷积神经网络的sar图像变化检测方法 | |
CN112784777A (zh) | 基于对抗学习的无监督高光谱图像变化检测方法 | |
CN112613354A (zh) | 一种基于稀疏降噪自编码器的异质遥感图像变化检测方法 | |
CN111460943A (zh) | 一种遥感影像地物分类方法及*** |
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 |