CN114066815B - 基于模糊c均值聚类的SAR图像变化检测方法 - Google Patents
基于模糊c均值聚类的SAR图像变化检测方法 Download PDFInfo
- Publication number
- CN114066815B CN114066815B CN202111227358.4A CN202111227358A CN114066815B CN 114066815 B CN114066815 B CN 114066815B CN 202111227358 A CN202111227358 A CN 202111227358A CN 114066815 B CN114066815 B CN 114066815B
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- difference
- change detection
- means clustering
- clustering
- 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
- 230000008859 change Effects 0.000 title claims abstract description 42
- 238000001514 detection method Methods 0.000 title claims abstract description 39
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 238000009499 grossing Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 34
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 8
- 238000000926 separation method Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 16
- 238000004458 analytical method Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 7
- 230000004927 fusion Effects 0.000 description 5
- 230000009466 transformation Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/10044—Radar 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于模糊c均值聚类的SAR图像变化检测方法,具体包括如下步骤:步骤1,利用Lee滤波器对两幅SAR图像进行滤波平滑处理;步骤2,使用对数比算子对步骤1处理后的图像生成差异图;步骤3,利用模糊c均值聚类算法和非局部均值算法分析差异图。采用发明能够对SAR图像进行精确分离。
Description
技术领域
本发明属于图像变化检测技术领域,涉及一种基于模糊c均值聚类的SAR图像变化检测方法。
背景技术
合成孔径雷达(synthetic aperture radar SAR)是获取微波遥感影像的主动式微波成像传感器。由于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遥感影像在人们的日常生活中发挥着越来越重要的作用。
SAR利用脉冲压缩技术和合成孔径原理,使得距离分辨率和方位分辨率都得到了提升,进一步获得大面积的高分辨率的遥感影像。基于SAR遥感影像的变化检测,就是从不同时间获取的同一地理区域的多时相遥感影像中定性地或定量地分析和确定地表变化特征和过程的技术。因为变化检测技术可以检测出遥感影像的局部纹理变化信息以及辐射值,在资源和环境监测方面,可以监测出土地利用率和土地覆盖状况、森林以及植被的覆盖率、城市的扩张状况等;在农业调查方面,它可以及时地更新地理空间数据,了解某一地理区域内农作物生长状况等;同时它对于自然灾害监测与评估、军事领域也有着重要作用。
单极化SAR影像变化检测的基本流程范式,即经典的三步流程范式:1.预处理2.生成差异图3.分析差异图。步骤一中预处理的目的是让两幅影像在空域和谱域上具有一致可比性,在空域上,两幅影像首先要进行配准处理,目前比较流行的方式是通过尺度不变特征或者互信息特征来对两幅影像进行尺度级别或者灰度级别的配准。在谱域上,需要将因照射条件等原因产生的误差进行辐射校正,这一点可以通过对全图进行目标区域的划分来实现。步骤一为后来生成差异图做基础准备。步骤二生成差异图的目的是初步区分两幅SAR影像中未变化类和变化类,差异图的生成实际上是找到一个能表征两幅SAR影像之间距离的矩阵,这个矩阵经过可视化处理后就是差异图。我们可以通过某种差异运算构造一幅和两者尺寸一样的差异图。第一种是最简单的差值算子运算,是直接将两幅SAR影像相减,但缺点是差值法无法有效抑制相干斑噪声(乘性随机噪声),所以常规变化检测方法直并不能取得很好的效果;第二种比值算子运算,相比于差值算子运算,比值法可有效抑制相干斑噪声,但是比值法没有考虑影像的局部、边缘、类条件分布等先验信息,所以也不常用;第三种对数比(Log-ratio,LR)算子运算,在比值差异图的基础上多了一步对数的运算。该方法将SAR影像中的相干斑噪声转换为加性噪声,并且经过对数转换后差异影像得到了非线性收缩,增强了变化类和非变化类的对比度。对数运算本身的性质能够减小比值运算所带来的较大差异,所以可以进一步降低未变化类背景部分的野点影响,在变化区域比未变化区域小的情况下比较有效,但是因为对数运算收缩性较强,所以边缘区域的像素值容易被模糊化。第四种是均值比(Mean-ratio,MR)算子运算,相比的对象不再是对应的孤立像素点,而是像素点所在的邻域的均值,对单独出现的野点有一定程度的抑制作用,但是由于缺乏伸缩变换,如果噪声不是以点状的形式出现而是以成片的形式出现,则不易有效抑制其影响。第五种是组合差异图法(Combined Difference Image,CDI),该方法对差值差异图和LR差异图进行参数加权获得新的差异图。CDI法将差值差异图和LR差异图分别进行均值滤波和中值滤波,初步去除噪声干扰和野点,然后利用人工加权的参数获得最终的融合差异图。这种方法简单易行,且适合于并行处理,速度较快;但是含有人工参数,需要多次测试才能得出最优的参数值,不易根据影像本身的性质进行自动选择。)第六种是基于邻域的比值差异图算法(Neighborhood-based Ratio,NR),NR算子是对比值差异图和MR差异图的一个加权平均。这个权值可以表征中心像素所在的位置是处于匀质区域还是异质区域,低值对应匀质区域,高值对应异质区域。这种方法充分结合了像素点的灰度信息和空间信息,加权参数完全由影像自身的性质确定,提高了差异图构造的鲁棒性。第七种是小波融合(WaveletFusion,WF)法,首先对已生成的LR和MR差异图分别进行小波变换,再分别抽取MR差异图的低频段和LR差异图的高频段,也就是抽取了MR差异图的整体信息和LR差异图的细节信息。然后对LL、LH、HL和HH按照基于邻域的融合规则进行融合,生成一幅新的小波变换图。最后进行小波逆变换,得到了WF融合差异图。这种方法结合了小波变换的性质,使LR和MR两种差异图的优点结合在一起。第八种是结合SAR影像纹理和强度特征来构造差异图(Intensityand Texture,IT),将输入的两幅SAR影像进行稀疏和低秩系数的分解,分别得到了对应的强度和纹理信息,对这两种信息分别构建差异图,然后进行融合。该方法既提取出了SAR影像中主要变化的区域,又能防止斑点噪声对差异图性能产生影响,尤其是在保持这一性能上具有较强的鲁棒性。步骤三是差异图的分析,差异图生成以后,需要对其进行分析,最终生成一幅黑白二值图。常用的分析方法有四种:阈值分析、聚类分析、图切分析和水平集分析。阈值分析法是通过某种阈值选择方法找出一个最优阈值以后,将差分图像以阈值像素值为界划分为2类;聚类分析法是通过对差异图运用聚类算法得到未变化类和变化类的2个聚类中心,然后通过近邻法分割出2个类;图切分析法是影像的另一种二分类方法,本质上是将未变化类和变化类的标签分类给诸像素点,该方法通过对给定的约束函数不断进行能量优化,当能量达到最小时,影像像素就可以对应于最优的标签;水平集分析法利用曲线演化将二维闭合曲线的演化问题转化到三维空间中水平集函数曲面演化的隐含方式来求解,即构造一个三维的水平集函数,然后求其值为零的解构成的曲线集合,从而获得影像分割结果。
近几年来,SAR图像变化检测的研究重点是生成差异图和分析差异图,其目的也是为了尽量减少SAR图像受到相干斑噪声的影响。
发明内容
本发明的目的是提供一种基于模糊c均值聚类的SAR图像变化检测方法,采用该方法能够对SAR图像进行精确分离。
本发明所采用的技术方案是,基于模糊c均值聚类的SAR图像变化检测方法,具体包括如下步骤:
步骤1,利用Lee滤波器对两幅SAR图像进行滤波平滑处理;
步骤2,使用对数比算子对步骤1处理后的图像生成差异图;
步骤3,利用模糊c均值聚类算法和非局部均值算法分析差异图。
本发明的特点还在于:
步骤2的具体过程为:
假设两幅SAR图像分别为I1、I2,则图像I1、I2的差异图D为:
D=|log(I1)-log(I2)| (1)。
步骤3的具体过程为:
步骤3.1,最小化模糊c均值聚类中的目标函数,迭代得到步骤2生成的差异图的聚类中心;
步骤3.2,通过隶属度矩阵Uij计算步骤2生成的差异图中的每个像素到步骤3.1中聚类中心的隶属度。
步骤3.1中,模糊c均值聚类中的目标函数如下公式(2)所示:
其中,m为隶属度矩阵U的指数,N为样本数,C为聚类中心数。cj表示第j个聚类中心,和样本特征维数相同,xi表示第i个邻域的中心样本,Uij表示邻域中样本xi对聚类中心cj的隶属度。
步骤3.2中,采用如下公式(3)计算聚类中心cj:
采用如下公式(4)计算隶属度矩阵Uij:
迭代终止条件为:
其中k是迭代步数,ε是误差阈值。
本发明的有益效果是:本发明首先运用Lee滤波器进行滤波处理,消除噪声,尽量减少噪声点对变化检测结果的影响。然后利用对数比算子生成差异图。最后使用模糊c均值聚类和非局部均值算法分析生成的差异图。所以具有如下优点:(A)尽量减少SAR图像中散斑噪声的影响;(B)分析差异图时,引入非局部均值算法,克服了模糊c均值聚类算法没有考虑像素的邻域信息、造成聚类噪点多、检测效果不理想的问题。
附图说明
图1是本发明基于模糊c均值聚类的SAR图像变化检测方法的流程图;
图2是Bern数据集的变化检测参考图;
图3是Bern数据集采用本发明基于模糊c均值聚类的SAR图像变化检测方法得到的变化检测图;
图4是Coastline数据集的变化检测参考图;
图5是Coastline数据集采用本发明基于模糊c均值聚类的SAR图像变化检测方法得到的变化检测图;
图6是Ottawa数据集的变化检测参考图;
图7是Ottawa数据集采用本发明基于模糊c均值聚类的SAR图像变化检测方法得到的变化检测图;
图8是River数据集的变化检测参考图;
图9是River数据集采用本发明基于模糊c均值聚类的SAR图像变化检测方法得到的变化检测图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明基于模糊c均值聚类的SAR图像变化检测方法,如图1所示,具体包括如下步骤:
步骤1,预处理阶段。利用Lee滤波器对两幅SAR图像进行滤波平滑处理;
步骤2,生成差异图阶段。使用对数比算子生成差异图;
步骤2的具体过程为:
假设两幅SAR图像分别为I1、I2,则图像I1、I2的差异图D为:
D=|log(I1)-log(I2)| (1)。
步骤3,分析差异图阶段。模糊c均值聚类算法通过优化目标函数得到每个样本点对所有类中心的隶属度,从而决定样本点的类属以自动对样本数据进行分类;非局部均值算法以图像块为单位在图像中寻找相似区域,再对这些区域取平均,较好地滤除图像中的高斯噪声。
步骤3.1,最小化模糊c均值聚类中的目标函数,迭代得到步骤2生成的差异图的聚类中心;
模糊c均值聚类通过最小化目标函数来得到聚类中心。目标函数本质上是各个点到各个类的欧式距离的和(误差的平方和),引入非局部均值后,实际计算的是各个邻域到聚类中心邻域距离的平方和,实际公式中将各邻域中心像素间的距离代表邻域间的距离。聚类的过程就是最小化目标函数的过程,通过反复的迭代运算,逐步降低目标函数的误差值,当目标函数收敛时,可得到最终的聚类结果。目标函数为:
其中,m为隶属度矩阵U的指数,N为样本数,C为聚类中心数。cj表示第j个聚类中心,和样本特征维数相同,xi表示第i个邻域的中心样本,Uij表示邻域中样本xi对聚类中心cj的隶属度。||*||可以是任意表示数据相似性(距离)的度量,本发明用的是欧几里得距离。
步骤3.2,通过隶属度矩阵Uij计算步骤2生成的差异图中的每个像素到步骤3.1中聚类中心的隶属度。
隶属度矩阵应当是N*2的矩阵,隶属度矩阵表示的是每个样本点属于每个类的程度。对于单个样本xi,它对于每个簇的隶属度之和为1。对于每个样本点在哪个类的隶属度最大归为哪个类。越接近于1表示隶属度越高,反之越低。用当前的隶属度函数计算聚类中心,用当前的聚类中心计算隶属度函数。迭代更新聚类中心和隶属度值。
迭代终止条件为:
其中k是迭代步数,1e-5是误差阈值。迭代终止条件的含义是,继续迭代下去,隶属程度也不会发生较大的变化。即认为隶属度不变了,已经达到比较优(局部最优或全局最优)状态了。该过程收敛于目标Jm的局部最小值或鞍点。最后再利用非局部均值算法去除高斯噪声。
实施例
本发明的效果可以通过仿真实验具体说明:
1.实验条件
实验所用微机CPU为IntelPentium43.0GHz内存1GB,编程平台是Matlab 7.0.1。用于实验的SAR图像是Bern数据集、Coastline数据集、Ottawa数据集、River数据集。
2.实验内容
首先是预处理阶段。利用Lee滤波器对两幅SAR图像进行滤波平滑处理;其次是生成差异图阶段。使用对数比算子生成差异图;最后是分析差异图阶段。利用模糊c均值聚类算法和非局部均值算法分析差异图。模糊c均值聚类算法通过优化目标函数得到每个样本点对所有类中心的隶属度,从而决定样本点的类属以自动对样本数据进行分类;非局部均值算法以图像块为单位在图像中寻找相似区域,再对这些区域取平均,较好地滤除图像中的高斯噪声。
3.实验结果
表1是本发明提出的方法在4种不同的SAR图像数据集上的变化检测指标;
表1
图2是Bern数据集的变化检测参考图;图3是Bern数据集采用本发明方法得到的变化检测图;图4是Coastline数据集的变化检测参考图;图5是Coastline数据集采用本发明方法得到的变化检测图;图6是Ottawa数据集的变化检测参考图;图7是Ottawa数据集采用本发明方法得到的变化检测图;图8是River数据集的变化检测参考图;图9是River数据集采用本发明方法得到的变化检测图;实验结果表明本发明提出的方法能得到很好的变化检测结果。
Claims (1)
1.基于模糊c均值聚类的SAR图像变化检测方法,其特征在于:具体包括如下步骤:
步骤1,利用Lee滤波器对两幅SAR图像进行滤波平滑处理;
步骤2,使用对数比算子对步骤1处理后的图像生成差异图;
所述步骤2的具体过程为:
假设两幅SAR图像分别为I1、I2,则图像I1、I2的差异图D为:
D=|log(I1)-log(I2)] (1);
步骤3,利用模糊c均值聚类算法和非局部均值算法分析差异图;
所述步骤3的具体过程为:
步骤3.1,最小化模糊c均值聚类中的目标函数,迭代得到步骤2生成的差异图的聚类中心;
所述步骤3.1中,化模糊c均值聚类中的目标函数如下公式(2)所示:
其中,m为隶属度矩阵U的指数,N为样本数,C为聚类中心数,cj表示第j个聚类中心,和样本特征维数相同,xi表示第i个邻域的中心样本,Uij表示邻域中样本xi对聚类中心cj的隶属度;
步骤3.2,通过隶属度矩阵Uij计算步骤2生成的差异图中的每个像素到步骤3.1中聚类中心的隶属度;
所述步骤3.2中,采用如下公式(3)计算聚类中心cj:
采用如下公式(4)计算隶属度矩阵Uij:
迭代终止条件为:
其中,k是迭代步数,ε是误差阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111227358.4A CN114066815B (zh) | 2021-10-21 | 2021-10-21 | 基于模糊c均值聚类的SAR图像变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111227358.4A CN114066815B (zh) | 2021-10-21 | 2021-10-21 | 基于模糊c均值聚类的SAR图像变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114066815A CN114066815A (zh) | 2022-02-18 |
CN114066815B true CN114066815B (zh) | 2024-02-13 |
Family
ID=80235219
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111227358.4A Active CN114066815B (zh) | 2021-10-21 | 2021-10-21 | 基于模糊c均值聚类的SAR图像变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114066815B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114240807B (zh) * | 2022-02-28 | 2022-05-17 | 山东慧丰花生食品股份有限公司 | 一种基于机器视觉的花生黄曲霉素检测方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102938071A (zh) * | 2012-09-18 | 2013-02-20 | 西安电子科技大学 | 基于非局部均值的sar图像变化检测模糊聚类分析方法 |
CN103020978A (zh) * | 2012-12-14 | 2013-04-03 | 西安电子科技大学 | 结合多阈值分割与模糊聚类的sar图像变化检测方法 |
CN103927737A (zh) * | 2013-10-31 | 2014-07-16 | 王浩然 | 基于非局部均值的sar图像变化检测方法 |
KR101866522B1 (ko) * | 2016-12-16 | 2018-06-12 | 인천대학교 산학협력단 | 이미지 분할을 위한 오브젝트 클러스터링 방법 |
-
2021
- 2021-10-21 CN CN202111227358.4A patent/CN114066815B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102938071A (zh) * | 2012-09-18 | 2013-02-20 | 西安电子科技大学 | 基于非局部均值的sar图像变化检测模糊聚类分析方法 |
CN103020978A (zh) * | 2012-12-14 | 2013-04-03 | 西安电子科技大学 | 结合多阈值分割与模糊聚类的sar图像变化检测方法 |
CN103927737A (zh) * | 2013-10-31 | 2014-07-16 | 王浩然 | 基于非局部均值的sar图像变化检测方法 |
KR101866522B1 (ko) * | 2016-12-16 | 2018-06-12 | 인천대학교 산학협력단 | 이미지 분할을 위한 오브젝트 클러스터링 방법 |
Non-Patent Citations (4)
Title |
---|
何晶 ; 吴成茂 ; .核空间自适应非局部均值鲁棒分割算法.光电子・激光.2017,(第08期),全文. * |
刘逸 ; 寇卫东 ; 慕彩红 ; .结合多阈值法的模糊聚类用于SAR图像变化检测.西安电子科技大学学报.2013,(第06期),全文. * |
周文艳 ; 贾振红 ; 杨杰 ; NIKOLA Kasabov ; .基于组合差异图和FCM聚类的SAR图像变化检测.激光杂志.2018,(第03期),全文. * |
马冬梅 ; 武永娟 ; 火元莲 ; 邹鑫 ; .一种改进的非局部极值FCM图像分割算法.计算机技术与发展.2018,(第09期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN114066815A (zh) | 2022-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gayathri Devi et al. | Image processing based rice plant leaves diseases in Thanjavur, Tamilnadu | |
Asokan et al. | Change detection techniques for remote sensing applications: A survey | |
Celik | A Bayesian approach to unsupervised multiscale change detection in synthetic aperture radar images | |
CN108830870B (zh) | 基于多尺度结构学习的卫星影像高精度农田边界提取方法 | |
CN103473764B (zh) | 一种遥感影像目标变化检测方法 | |
Venugopal | Automatic semantic segmentation with DeepLab dilated learning network for change detection in remote sensing images | |
CN110619263B (zh) | 低秩联合协同表示的高光谱遥感影像异常探测方法 | |
CN107067405B (zh) | 基于尺度优选的遥感影像分割方法 | |
Zhang et al. | Region of interest extraction in remote sensing images by saliency analysis with the normal directional lifting wavelet transform | |
CN105989597B (zh) | 基于像素选择过程的高光谱图像异常目标检测方法 | |
Asokan et al. | Deep Feature Extraction and Feature Fusion for Bi-Temporal Satellite Image Classification. | |
CN114066815B (zh) | 基于模糊c均值聚类的SAR图像变化检测方法 | |
CN112989940B (zh) | 基于高分三号卫星sar影像的筏式养殖区提取方法 | |
Rajesh et al. | Land cover/land use mapping using different wavelet packet transforms for LISS IV Madurai imagery | |
CN112784777A (zh) | 基于对抗学习的无监督高光谱图像变化检测方法 | |
CN114066816B (zh) | 基于静态小波变换提取的sar图像无监督变化检测方法 | |
Zhang et al. | Saliency detection via image sparse representation and color features combination | |
Li et al. | Gamma correction-based automatic unsupervised change detection in SAR images via FLICM model | |
Sun et al. | Feature space fusion classification of remote sensing image based on ant colony optimisation algorithm | |
CN114841924A (zh) | 一种用于异质遥感图像的无监督变化检测方法 | |
Banu et al. | Target detection in SAR images using bayesian saliency and morphological attribute profiles | |
Sheng et al. | Fuzzy preprocessing and clustering analysis method of underwater multiple targets in forward looking sonar image for AUV tracking | |
Dhivya et al. | An Analysis Study of Various Image Preprocessing Filtering Techniques based on PSNR for Leaf Images | |
Li et al. | A novel framework for very high resolution remote sensing image change detection | |
Vijayalakshmi et al. | Performance Analysis of Vegetation Area Classifications in Satellite Images Using Machine and Deep Learning Approaches |
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 |