CN111340792A - 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 PDF

Info

Publication number
CN111340792A
CN111340792A CN202010147402.XA CN202010147402A CN111340792A CN 111340792 A CN111340792 A CN 111340792A CN 202010147402 A CN202010147402 A CN 202010147402A CN 111340792 A CN111340792 A CN 111340792A
Authority
CN
China
Prior art keywords
image
remote sensing
change detection
change
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.)
Granted
Application number
CN202010147402.XA
Other languages
English (en)
Other versions
CN111340792B (zh
Inventor
聂倩
赵艳福
陈立波
廖佳
张伟
七珂珂
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ningbo Institute Of Surveying & Mapping
Original Assignee
Ningbo Institute Of Surveying & Mapping
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ningbo Institute Of Surveying & Mapping filed Critical Ningbo Institute Of Surveying & Mapping
Priority to CN202010147402.XA priority Critical patent/CN111340792B/zh
Publication of CN111340792A publication Critical patent/CN111340792A/zh
Application granted granted Critical
Publication of CN111340792B publication Critical patent/CN111340792B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • 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)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种遥感影像变化检测方法，输入同一区域、不同时相的两幅多光谱遥感影像；并对两幅遥感影像进行影像配准，之后对影像配准后的遥感影像进行相对辐射归一化校正，接着使用迭代加权多元变化检测算法确定出辐射归一化校正的后时相遥感影像相对于前时相遥感影像的变化像元，并将所有变化像元组成变化差异图；并利用均值漂移算法对变化差异图进行处理，得到变化检测图像；最后，采用形态学腐蚀和膨胀算法对变化检测图像进行处理，得到最终的变化检测图像。该方法克服了不同时相多光谱影像背景信息复杂、噪声干扰严重的问题，最大限度地降低阈值选取难度且有效减少了变化检测中的椒盐效应，使得检测结果更加可靠，也更具稳健性。

Description

一种遥感影像变化检测方法
技术领域
本发明涉及遥感影像处理技术领域，特别涉及一种遥感影像变化检测方法。
背景技术
遥感影像变化检测以地物为研究对象，包括自然地物和人造地物。地物特性的改变，例如地物的消失、出现、结构的改变等都会引起遥感影像的变化。除了这些因素引起图像变化，太阳光照射角、大气条件、传感器精度、土壤湿度状况和物候周期特性等因素都会多多少少引起遥感影像变化。通常称这类因素为干扰。在变化检测前需要对遥感影像进行预处理，使干扰因素对变化检测的影响降到最小。
目前根据变化检测基本单元的不同，可将基于遥感影像的变化检测方法划分为基于像元的变化检测方法和面向对象的变化检测方法两大类。其中，基于像元的变化检测方法是以单个像元为基础，通常利用像元的光谱信息直接提取不同时相遥感影像变化信息，该类变化检测方法简单易行故应用较为广泛，但由于该类检测方法只考虑单个像元的特征，缺少周围像元的光谱特征及邻近像元的空间特征信息，检测精度较低，且该类方法对噪声敏感，因而容易产生椒盐效应，增加了大量人工处理的工作量，自动化程度不高。另外，面向对象的变化检测方法则是以影像分割为基础，将影像分割为若干个对象，然后进行变化检测，该类方法进行影像分割时整合了光谱信息和空间信息，能够更好的克服噪声，但由于现有的分割算法具有一定的局限性，很难针对同一类研究目标实现最佳分割，而分割的不准确或不完整很容易造成漏检或过检情况，且在变化检测过程中容易引入新的噪声，降低变化检测结果的精度。因此需要进一步改进。
发明内容
本发明所要解决的技术问题是针对现有技术的现状，提供一种有效减少变化检测中的椒盐效应且检测准确率高的遥感影像变化检测方法。
本发明解决上述技术问题所采用的技术方案为：一种遥感影像变化检测方法，其特征在于：包括以下步骤：
步骤1、输入同一区域、不同时相的两幅多光谱遥感影像，分别记为遥感影像X和遥感影像Y；
步骤2、对遥感影像X和遥感影像Y进行影像配准，得到影像配准后的遥感影像X和遥感影像Y；
步骤3、对影像配准后的遥感影像X和遥感影像Y进行相对辐射归一化校正，得到遥感影像X’和遥感影像Y’；
步骤4、将遥感影像X’和遥感影像Y’中的前时相遥感影像作为参考影像，后时相遥感影像作为待检测影像，使用迭代加权多元变化检测算法确定出待检测影像相对于参考影像中的变化像元，并将所有变化像元组成变化差异图；
步骤5、利用均值漂移算法对变化差异图进行聚类处理，得到变化检测图像；
步骤6、采用形态学腐蚀和膨胀算法对变化检测图像进行图像处理，得到最终的变化检测图像。
作为优选，所述步骤3中相对辐射归一化校正使用的方法为伪不变特征法。
具体的，所述步骤5的具体步骤为：
步骤5-1、在变化差异图中任意选取一个像元x，选取以该像元x为中心的一个窗口；
步骤5-2、计算该像元x的均值漂移向量mh(x)；计算公式为：
Figure BDA0002401235250000021
其中，xi是以像元x为中心的窗口中的第i个像元点，i＝1、2、3…n，n为以像元x为中心的窗口中所有像元点的总数；|| ||为求欧式距离；
Figure BDA0002401235250000022
Figure BDA0002401235250000023
为计算k(y)的梯度，k(y)为高斯核函数，h为高斯核函数的带宽；
步骤5-3、判断|mh(x)-x|<ε是否成立，ε为预设的误差阈值，如成立，则该像元x为收敛点，并转至步骤5-4；如不成立，则使x＝mh(x)，并转至步骤5-2，将更新后的x作为新的像元重新计算出收敛点；
步骤5-4、按照步骤5-1～步骤5-3中相同的方法依次计算出变化差异图中每个像元的收敛点；
步骤5-5、将具有相同收敛点的像元点归为同一类，即将归为同一类的像元点划为同一个分割子区域，得到分割后的图像，该图像为变化检测图像。
在本方案中，所述步骤6中对变化检测图像进行图像处理的步骤为：先对变化检测图像进行腐蚀运算，再对腐蚀之后得到的图像进行膨胀运算，该膨胀运算之后得到的图像为最终的变化检测图像。
与现有技术相比，本发明的优点在于：通过IR-MAD变化迭代方法计算得到变化差异图，克服了不同时相多光谱影像背景信息复杂、噪声干扰严重的问题，最大限度地降低阈值选取难度；采用均值漂移算法与形态运算的方式，有效减少了变化检测中的椒盐效应，使得检测结果更加可靠，也更具稳健性。因此该遥感影像变化检测方法的准确率高且可靠性强。
附图说明
图1为本发明实施例中遥感影像变化检测方法的流程图；
图2为本发明实施例中的数据源；其中(a)摄于2016年，(b)摄于2018年；
图3为本发明实施例中对2018年遥感影像进行PIF校正后的图像；
图4为本发明实施例中使用IR-MAD方法得到的变化差异图；
图5为本发明实施例中使用均值漂移算法处理后得到的示意图；
图6为本发明实施例中最终变化检测结果示意图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
如图1所示，一种遥感影像变化检测方法，包括以下步骤：
步骤1、输入同一区域、不同时相的两幅多光谱遥感影像，分别记为遥感影像X和遥感影像Y；本实施例中使用的数据源，如图2所示，其中，图像(a)为Landsat8卫星在2016年拍摄的某地区的遥感影像，图像(b)为该卫星在2018年拍摄与图像(a)中相同地区的遥感影像，图像(a)和图像(b)的区域完全相同；
步骤2、对遥感影像X和遥感影像Y进行影像配准，得到影像配准后的遥感影像X和遥感影像Y；其中，影像配准使用现有技术中常规的方法，本实施例中，利用ENVI5.3软件中的相关功能实现，自动化实现遥感影像X和遥感影像Y的影像配准，从而使配准后的遥感影像X和遥感影像Y的空间位置完全匹配，减少了位置偏差对遥感影像变化检测结果的影响；
步骤3、对影像配准后的遥感影像X和遥感影像Y进行相对辐射归一化校正，得到遥感影像X’和遥感影像Y’；
通过相对辐射归一化校正后能减小不同时相影像间因获取条件不一致而导致的非地表辐射变化的差异；本实施例中，使用伪不变特征法(简称PIF)对影像配准后的遥感影像X和遥感影像Y进行相对辐射归一化校正，通过伪不变特征法进行辐射校正的优点是不受地物变化的影响，而且不会削弱图像之间的地物变化；如图3所示为2018年遥感影像进行PIF校正后的图像；
步骤4、将遥感影像X’和遥感影像Y’中的前时相遥感影像作为参考影像，后时相遥感影像作为待检测影像，使用迭代加权多元变化检测算法(IR-MAD)确定出待检测影像相对于参考影像中的变化像元，并将所有变化像元组成变化差异图；
其中，使用迭代加权多元变化检测算法(IR-MAD)进行检测变化像元是现有遥感影像变化检测方法中常规的手段，通过IR-MAD变化迭方法代计算得到变化差异图，克服了不同时相多光谱影像背景信息复杂、噪声干扰严重的问题，最大限度地降低阈值选取难度；本实施例中，如图4所示，为使用IR-MAD方法得到的变化差异图；
步骤5、利用均值漂移算法对变化差异图进行聚类处理，得到变化检测图像；
通过均值漂移算法对变化差异图进行聚类处理，从而获取每个像元的收敛点，并将具有相同收敛点的像元点归为同一类，进而将变化差异图中的变化区域进行划分，且由于均值漂移算法通过迭代计算出收敛点，因此通过均值漂移算法能有效避免噪声的干扰，从而有效减少了变化检测中的椒盐效应，使得检测结果更加可靠；如图5所示，为均值漂移算法处理后得到的变化检测图像；
其中，步骤5的具体步骤为：
步骤5-1、在变化差异图中任意选取一个像元x，选取以该像元x为中心的一个窗口；
步骤5-2、计算该像元x的均值漂移向量mh(x)；计算公式为：
Figure BDA0002401235250000041
其中，xi是以像元x为中心的窗口中的第i个像元点，i＝1、2、3…n，n为以像元x为中心的窗口中所有像元点的总数；|| ||为求欧式距离；
Figure BDA0002401235250000042
Figure BDA0002401235250000043
为计算k(y)的梯度，k(y)为高斯核函数，h为高斯核函数的带宽；本实施例中，h＝30；
步骤5-3、判断|mh(x)-x|<ε是否成立，ε为预设的误差阈值，如成立，则该像元x为收敛点，并转至步骤5-4；如不成立，则使x＝mh(x)，并转至步骤5-2，将更新后的x作为新的像元重新计算出收敛点；本实施例中，ε＝0.1；
步骤5-4、按照步骤5-1～步骤5-3中相同的方法依次计算出变化差异图中每个像元的收敛点；
步骤5-5、将具有相同收敛点的像元点归为同一类，即将归为同一类的像元点划为同一个分割子区域，得到分割后的图像，该图像为变化检测图像；
步骤6、采用形态学腐蚀和膨胀算法对变化检测图像进行图像处理，得到最终的变化检测图像。
采用形态学腐蚀和膨胀算法对变化检测图像进行图像处理的目的是对变化检测图像进行精调，从而使变化检测图像的结果更加准确和直观；在本实施例中，对变化检测图像进行图像处理的步骤为：先对变化检测图像进行腐蚀运算，再对腐蚀之后得到的图像进行膨胀运算，该膨胀运算之后得到的图像为最终的变化检测图像。其中，通过形态学的腐蚀算法对变化检测图像进行图像处理能消除变化检测图像的边界点，使边界向内部收缩，从而用来消除整个变化检测图像中较小且无意义的变化区域；之后通过对腐蚀之后得到的图像进行膨胀运算，使边界向外部扩张，从而对变化检测图像中变化较大的区域进行重点突出，因此使用形态学腐蚀和膨胀算法能有效对变化检测图像进行调整，使检测出的变化检测图像的精准度更高。如图6所示，形态学腐蚀和膨胀算法对变化检测图像进行处理后得到的最终的变化检测图像，该图像中能直观的了解到变化的区域。
本发明通过对不同时相的遥感影像完成配准、融合的基础上，采用基于伪不变特征的方法进行相对辐射校正，然后利用IR-MAD算法构建差异影像，并采用均值漂移算法和形态学方法提取变化图斑，最终完成变化检测。因此该方法尽可能地减少光照和噪声等因素的制约，最大限度地降低阈值选取难度，实现在保证一定检测率的情况下，最大程度地降低检测虚警，提高检测的准确性、可靠性。

Claims (4)

1.一种遥感影像变化检测方法，其特征在于：包括以下步骤：
步骤1、输入同一区域、不同时相的两幅多光谱遥感影像，分别记为遥感影像X和遥感影像Y；
步骤2、对遥感影像X和遥感影像Y进行影像配准，得到影像配准后的遥感影像X和遥感影像Y；
步骤3、对影像配准后的遥感影像X和遥感影像Y进行相对辐射归一化校正，得到遥感影像X’和遥感影像Y’；
步骤4、将遥感影像X’和遥感影像Y’中的前时相遥感影像作为参考影像，后时相遥感影像作为待检测影像，使用迭代加权多元变化检测算法(IR-MAD)确定出待检测影像相对于参考影像中的变化像元，并将所有变化像元组成变化差异图；
步骤5、利用均值漂移算法对变化差异图进行聚类处理，得到变化检测图像；
步骤6、采用形态学腐蚀和膨胀算法对变化检测图像进行图像处理，得到最终的变化检测图像。
2.根据权利要求1所述的遥感影像变化检测方法，其特征在于：所述步骤3中相对辐射归一化校正使用的方法为伪不变特征法。
3.根据权利要求1所述的遥感影像变化检测方法，其特征在于：所述步骤5的具体步骤为：
步骤5-1、在变化差异图中任意选取一个像元x，选取以该像元x为中心的一个窗口；
步骤5-2、计算该像元x的均值漂移向量mh(x)；计算公式为：
Figure FDA0002401235240000011
其中，xi是以像元x为中心的窗口中的第i个像元点，i＝1、2、3…n，n为以像元x为中心的窗口中所有像元点的总数；|| ||为求欧式距离；
Figure FDA0002401235240000012
Figure FDA0002401235240000013
为计算k(y)的梯度，k(y)为高斯核函数，h为高斯核函数的带宽；
步骤5-3、判断|mh(x)-x|<ε是否成立，ε为预设的误差阈值，如成立，则该像元x为收敛点，并转至步骤5-4；如不成立，则使x＝mh(x)，并转至步骤5-2，将更新后的x作为新的像元重新计算出收敛点；
步骤5-4、按照步骤5-1～步骤5-3中相同的方法依次计算出变化差异图中每个像元的收敛点；
步骤5-5、将具有相同收敛点的像元点归为同一类，即将归为同一类的像元点划为同一个分割子区域，得到分割后的图像，该图像为变化检测图像。
4.根据权利要求1所述的遥感影像变化检测方法，其特征在于：所述步骤6中对变化检测图像进行图像处理的步骤为：先对变化检测图像进行腐蚀运算，再对腐蚀之后得到的图像进行膨胀运算，该膨胀运算之后得到的图像为最终的变化检测图像。
CN202010147402.XA 2020-03-05 2020-03-05 一种遥感影像变化检测方法 Active CN111340792B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010147402.XA CN111340792B (zh) 2020-03-05 2020-03-05 一种遥感影像变化检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010147402.XA CN111340792B (zh) 2020-03-05 2020-03-05 一种遥感影像变化检测方法

Publications (2)

Publication Number Publication Date
CN111340792A true CN111340792A (zh) 2020-06-26
CN111340792B CN111340792B (zh) 2022-04-12

Family

ID=71187260

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010147402.XA Active CN111340792B (zh) 2020-03-05 2020-03-05 一种遥感影像变化检测方法

Country Status (1)

Country Link
CN (1) CN111340792B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111815627A (zh) * 2020-08-24 2020-10-23 成都睿沿科技有限公司 遥感图像变化检测方法、模型训练方法及对应装置
CN112101168A (zh) * 2020-09-08 2020-12-18 中电科大数据研究院有限公司 基于卫星与无人机联动的公益诉讼辅助取证***及方法
CN112990109A (zh) * 2021-04-20 2021-06-18 湖南省第二测绘院 遥感影像变化图斑分类方法、服务器、终端及***
CN112990085A (zh) * 2021-04-08 2021-06-18 海南长光卫星信息技术有限公司 养殖塘变化检测方法、装置及计算机可读存储介质
CN114119575A (zh) * 2021-11-30 2022-03-01 二十一世纪空间技术应用股份有限公司 一种空间信息变化检测方法及***
CN114120141A (zh) * 2021-11-23 2022-03-01 深圳航天智慧城市***技术研究院有限公司 一种可全天候遥感监测自动分析方法及其***

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070081712A1 (en) * 2005-10-06 2007-04-12 Xiaolei Huang System and method for whole body landmark detection, segmentation and change quantification in digital images
CN102629378A (zh) * 2012-03-01 2012-08-08 西安电子科技大学 基于多特征融合的遥感图像变化检测方法
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
US20170076438A1 (en) * 2015-08-31 2017-03-16 Cape Analytics, Inc. Systems and methods for analyzing remote sensing imagery
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
CN109102503A (zh) * 2018-08-13 2018-12-28 北京市遥感信息研究所 一种基于色彩空间平滑和改进频率调谐显著模型的高分图像变化检测方法
CN110363792A (zh) * 2019-07-19 2019-10-22 广东工业大学 一种基于光照不变性特征提取的遥感图像变化检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070081712A1 (en) * 2005-10-06 2007-04-12 Xiaolei Huang System and method for whole body landmark detection, segmentation and change quantification in digital images
CN102629378A (zh) * 2012-03-01 2012-08-08 西安电子科技大学 基于多特征融合的遥感图像变化检测方法
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
US20170076438A1 (en) * 2015-08-31 2017-03-16 Cape Analytics, Inc. Systems and methods for analyzing remote sensing imagery
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
CN109102503A (zh) * 2018-08-13 2018-12-28 北京市遥感信息研究所 一种基于色彩空间平滑和改进频率调谐显著模型的高分图像变化检测方法
CN110363792A (zh) * 2019-07-19 2019-10-22 广东工业大学 一种基于光照不变性特征提取的遥感图像变化检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JIAOJIAO TIAN ET AL: "Building damage assessment after the earthquake in Haiti using two postevent satellite stereo imagery and DSMs", 《INTERNATIONAL JOURNAL OF IMAGE AND DATA FUSION》 *
方旭 等: "结合均值漂移分割与聚类分析的遥感影像变化检测", 《测绘通报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111815627A (zh) * 2020-08-24 2020-10-23 成都睿沿科技有限公司 遥感图像变化检测方法、模型训练方法及对应装置
CN112101168A (zh) * 2020-09-08 2020-12-18 中电科大数据研究院有限公司 基于卫星与无人机联动的公益诉讼辅助取证***及方法
CN112990085A (zh) * 2021-04-08 2021-06-18 海南长光卫星信息技术有限公司 养殖塘变化检测方法、装置及计算机可读存储介质
CN112990109A (zh) * 2021-04-20 2021-06-18 湖南省第二测绘院 遥感影像变化图斑分类方法、服务器、终端及***
CN114120141A (zh) * 2021-11-23 2022-03-01 深圳航天智慧城市***技术研究院有限公司 一种可全天候遥感监测自动分析方法及其***
CN114119575A (zh) * 2021-11-30 2022-03-01 二十一世纪空间技术应用股份有限公司 一种空间信息变化检测方法及***

Also Published As

Publication number Publication date
CN111340792B (zh) 2022-04-12

Similar Documents

Publication Publication Date Title
CN111340792B (zh) 一种遥感影像变化检测方法
CN109409292B (zh) 基于精细化特征优化提取的异源图像匹配方法
Huang et al. Morphological building/shadow index for building extraction from high-resolution imagery over urban areas
CN104574347B (zh) 基于多源遥感数据的在轨卫星图像几何定位精度评价方法
Lu et al. Object-oriented change detection for landslide rapid mapping
CN110097093A (zh) 一种异源图像精确匹配方法
US10366501B2 (en) Method and apparatus for performing background image registration
CN110766676B (zh) 基于多源传感器融合的目标检测方法
CN107564017B (zh) 一种城市高分遥感影像阴影检测及分割方法
CN108305288B (zh) 用于静止轨道对地观测卫星线列仪器的恒星质心提取方法
Hong et al. A robust technique for precise registration of radar and optical satellite images
CN105844637B (zh) 基于非局部cv模型的sar图像变化检测方法
CN115761550A (zh) 一种基于激光雷达点云和相机图像融合的水面目标检测方法
CN110428425B (zh) 一种基于海岸线矢量数据的sar图像海陆分离方法
US11941878B2 (en) Automated computer system and method of road network extraction from remote sensing images using vehicle motion detection to seed spectral classification
CN111311596A (zh) 一种基于改进lbp特征的遥感影像变化检测方法
CN109063577B (zh) 基于信息增益率的卫星影像分割最佳分割尺度确定方法
CN112906659A (zh) 基于虚拟样本的遥感影像变化检测方法
CN116863357A (zh) 一种无人机遥感堤坝影像定标与智能分割变化检测方法
CN109785318B (zh) 基于面线基元关联约束的遥感图像变化检测方法
Wei et al. Remote sensing image aircraft detection technology based on deep learning
CN114565653B (zh) 一种存在旋转变化和尺度差异的异源遥感图像匹配方法
CN110738098A (zh) 一种目标的识别定位与锁定跟踪方法
CN115457237A (zh) 基于雷视融合的车辆目标快速检测方法
CN108564603A (zh) 基于改进的高斯混合模型的sar图像变化检测方法

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
CB02 Change of applicant information

Address after: 315042 No.36 Heji street, Yinzhou District, Ningbo City, Zhejiang Province

Applicant after: Ningbo Institute of Surveying and mapping and remote sensing technology

Address before: 315042 No.36 Heji street, Yinzhou District, Ningbo City, Zhejiang Province

Applicant before: NINGBO INSTITUTE OF SURVEYING & MAPPING

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant