CN116385866A - 基于sar图像的铁路沿线彩钢房变化检测方法和装置 - Google Patents
基于sar图像的铁路沿线彩钢房变化检测方法和装置 Download PDFInfo
- Publication number
- CN116385866A CN116385866A CN202310087043.7A CN202310087043A CN116385866A CN 116385866 A CN116385866 A CN 116385866A CN 202310087043 A CN202310087043 A CN 202310087043A CN 116385866 A CN116385866 A CN 116385866A
- Authority
- CN
- China
- Prior art keywords
- image
- railway
- pixel
- neighborhood
- cluster
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 103
- 230000008859 change Effects 0.000 title claims abstract description 99
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 40
- 239000010959 steel Substances 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 69
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 37
- 230000003287 optical effect Effects 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims description 72
- 230000006870 function Effects 0.000 claims description 42
- 238000012549 training Methods 0.000 claims description 39
- 238000004364 calculation method Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 230000009191 jumping Effects 0.000 claims description 9
- 238000004891 communication Methods 0.000 description 6
- 230000019771 cognition Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000011150 reinforced concrete Substances 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本发明公开了基于SAR图像的铁路沿线彩钢房变化检测方法和装置,其中方法包括:获取目标检测区域内包含彩钢房第一时段和第二时段分别对应的光学图像和SAR图像,并基于同一时段对应的光学图像和SAR图像的对比结果,获取目标检测区域内第一时段和第二时段分别对应的SAR图像中的第一铁路关联区域子图像和第二铁路关联区域子图像;基于邻域比值法生成第一铁路关联区域子图像和第二铁路关联区域子图像对应的差异图像;采用基于邻域信息的模糊C均值算法对差异图像进行处理,得到差异图像对应的聚类图像,并基于聚类图像确定铁路关联区域对应的变化情况;能够对铁路区域彩钢房进行准确高效的变化检测。
Description
技术领域
本发明属于卫星遥感检测技术领域,特别是基于SAR图像的铁路沿线彩钢房变化检测方法和装置。
背景技术
铁路区域与周围区域构成一个有机整体,铁路周边环境的变化与铁路设施状态的变化影响铁路的运营安全。其中铁路周边环境中彩钢房的变化对铁路线路的运营造成安全影响较多。目前,对于铁路周边环境的变化通过人工智能与人工解译结合的方式对光学遥感影像进行判读,获得铁路周边环境的变化情况,工作量大,自动化程度低;铁路设施多为金属材质或钢筋混凝土材质,光学影像对某些设施的反射特征不敏感。铁路周边环境及铁路设施变化的高精度获取在大范围、自动化程度高、铁路设施反射特征敏感等方面有较大的提升空间。
随着卫星遥感检测技术的发展,利用星载SAR(Synthetic Aperture Radar,合成孔径雷达)对铁路区域进行观测,星载SAR对水体、金属、钢筋混凝土等成像敏感,适用于铁路设施及周围区域的观测;通过前后两期的SAR影像进行提取与变化检测,可以获得影像采集前后区域的变化情况。然而,现有的基于SAR图像的地面对象变化检测方法主要用于基础地理测绘等领域,并不能满足铁路周边环境变化检测的应用需求,且相应的变化检测算法精度也有待提高。同时,变化检测过程需要先对地物进行提取,再进行变化检测,计算量大;SAR图像包含的信息丰富,数据计算复杂,需要专门的装置进行计算。
因此,如何提供基于SAR图像的对铁路区域进行自动化程度高、准确高效的变化检测方法和与设计专门针对铁路区域变化检测的装置,成为目前业界亟待解决的技术问题。
发明内容
鉴于上述问题,本发明提供一种至少解决上述部分技术问题的基于SAR图像的铁路沿线彩钢房变化检测方法和装置,通过该方法可以提高对铁路沿线彩钢房变化检测的高效性和准确性;通过该装置可以实现基于SAR图像对铁路变化进行检测。
一方面,本发明实施例提供了基于SAR图像的铁路沿线彩钢房变化检测方法,包括:
获取目标检测区域内包含彩钢房的第一时段和第二时段分别对应的光学图像和SAR图像,并基于同一时段对应的光学图像和SAR图像的对比结果,获取所述目标检测区域内第一时段和第二时段分别对应的SAR图像中的第一铁路关联区域子图像和第二铁路关联区域子图像;
基于邻域比值法生成所述第一铁路关联区域子图像和第二铁路关联区域子图像对应的差异图像;
采用基于邻域信息的模糊C均值算法对所述差异图像进行处理,得到所述差异图像对应的聚类图像,并基于所述聚类图像确定铁路关联区域对应的变化情况。
进一步地,所述采用基于邻域信息的模糊C均值算法对所述差异图像进行处理,具体包括:
步骤S1,设定聚类数、模糊加权指数、影响因子参考值和迭代终止条件;
步骤S2,基于随机函数生成所述差异图像对应的初始隶属度矩阵,基于所述初始隶属度矩阵、聚类数和模糊加权指数确定所述差异图像对应的初始聚类中心矩阵,并确定所述初始隶属度矩阵和初始聚类中心矩阵对应的初始目标函数;
步骤S3,判断当前目标函数是否满足迭代终止条件,若是,跳转执行步骤S5;若否,继续执行步骤S4;
步骤S4,确定所述差异图像中各像素点当前对应的邻域加权距离,基于所述各像素点当前对应的邻域加权距离更新所述差异图像对应的隶属度矩阵和聚类中心矩阵,确定更新后的隶属度矩阵和聚类中心矩阵对应的目标函数,并跳转执行步骤S3;
步骤S5,基于当前隶属度矩阵生成所述差异图像对应的聚类图像。
进一步地,所述步骤S2中,基于所述初始隶属度矩阵、聚类数和模糊加权指数确定所述差异图像对应的初始聚类中心矩阵,具体包括:
基于所述初始隶属度矩阵、聚类数和模糊加权指数确定所述差异图像中不同类对应的聚类中心,并基于不同类对应的聚类中心生成所述差异图像对应的初始聚类中心矩阵。
进一步地,所述聚类中心的计算公式为:
其中,vk为第k个类对应的聚类中心;n为差异图像中像素点的数量;m为模糊加权指数;Ni为差异图像中像素xi的邻域区域;uik为像素xi与聚类中心vk的隶属度;pir为像素xi邻域Ni中的像素xr的灰度值在该邻域中的权重,满足;/>为像素xi与聚类中心vk的加权隶属度,其中m为加权指数。
进一步地,所述隶属度的计算公式为:
其中,uik为像素xi与聚类中心vk的隶属度;urk为像素xr与聚类中心vk的隶属度;α为影响因子参考值;NR为像素xi邻域像素的总个数;vj为第j个类对应的聚类中心;ujr为像素xr与聚类中心vj的隶属度;c为聚类中心的总数量。
进一步地,所述目标函数的计算公式为:
其中,Jm为目标优化函数;U为模糊矩阵;V为聚类中心;c为聚类中心的总数量;n为差异图像中像素点的数量;m为模糊加权指数;uik为像素xi与聚类中心vk的隶属度;Ni为差异图像中像素xi的邻域区域;pir为像素xi邻域Ni中的像素xr的灰度值在该邻域中的权重,满足;vk为第k个类对应的聚类中心;α为影响因子参考值;NR为像素xi邻域像素的总个数;urk为像素xr与聚类中心vk的隶属度;/>为像素xi与聚类中心vk的加权隶属度,其中m为加权指数。
进一步地,所述影响因子参考值是基于SAR图像样本进行训练得到的,所述训练过程包括:
将预设检测区域内第一时段和第二时段分别对应的SAR图像分别记作第一SAR图像样本和第二SAR图像样本;基于邻域比值法分别生成所述第一SAR图像样本和第二SAR图像样本对应的差异图像样本;
采用基于邻域信息的模糊C均值算法对所述差异图像样本进行处理,得到所述差异图像样本对应的多个训练聚类图像;所述多个训练聚类图像对应的聚类数、模糊加权指数和迭代终止条件相同,影响因子取值不同;
基于所述预设检测区域第一时段和第二时段分别对应的光学图像,确定变化参考图;
基于所述变化参考图与各训练聚类图像的比对结果,确定各训练聚类图像对应的聚类准确度,并将聚类准确度最高的训练聚类图像对应的影响因子取值作为所述影响因子参考值。
另一方面,本发明实施例提供了基于SAR图像的铁路沿线彩钢房变化检测装置,应用上述的方法,该装置包括:
铁路关联区域子图像获取模块,用于获取目标检测区域内包含彩钢房的第一时段和第二时段分别对应的光学图像和SAR图像,并基于同一时段对应的光学图像和SAR图像的对比结果,获取所述目标检测区域内第一时段和第二时段分别对应的SAR图像中的第一铁路关联区域子图像和第二铁路关联区域子图像;
差异图像获取模块,用于基于邻域比值法生成所述第一铁路关联区域子图像和第二铁路关联区域子图像对应的差异图像;
铁路变化检测模块,用于采用基于邻域信息的模糊C均值算法对所述差异图像进行处理,得到所述差异图像对应的聚类图像,并基于所述聚类图像确定铁路关联区域对应的变化情况。
又一方面,本发明实施例提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序;
所述处理器用于通过执行所述计算机程序来实现上述的铁路变化检测的方法。
再一方面,本发明实施例提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质上存储有计算机程序;所述计算机程序被处理器执行时实现上述的铁路变化检测的方法。
与现有技术相比,本发明记载的基于SAR图像的铁路沿线彩钢房变化检测方法和装置,具有如下有益效果:
本发明通过获取目标检测区域第一时段和第二时段分别对应的光学图像和SAR图像,并基于同一时段对应的光学图像和SAR图像的对比结果,获取目标检测区域第一时段和第二时段分别对应的SAR图像中的第一铁路关联区域子图像和第二铁路关联区域子图像,能够准确确定铁路关联区域,保证后续变化检测的准确性,同时降低后续变化检测的数据处理工作量;
本发明基于邻域比值法生成第一铁路关联区域子图像和第二铁路关联区域子图像对应的差异图像,能够充分考虑像素的灰度信息和邻域信息,提高差异图像对噪声的鲁棒性。
本发明采用基于邻域信息的模糊C均值算法对差异图像进行处理,得到差异图像对应的聚类图像,并基于聚类图像确定铁路关联区域对应的变化情况,能够进一步抑制噪声对变化检测的影响,提高铁路变化检测的精度。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。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。在附图中:
图1为本发明实施例提供的铁路变化检测的方法流程示意图。
图2为本发明实施例提供的基于邻域信息的模糊 C 均值算法对差异图像的处理流程示意图。
图3为本发明实施例提供的影响因子参考值的确定流程示意图。
图4为本发明实施例提供的铁路变化检测的装置结构框架示意图。
图5为本发明实施例提供的电子设备的结构框架示意图。
具体实施方式
为使本发明公开的目的、技术方案和优点更加清楚,下面将参照附图更详细地描述本发明公开的示例性实施例。虽然附图中显示了本发明公开的示例性实施例,然而应当理解,可以以各种形式实现本发明公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本发明公开的范围完整的传达给本领域的技术人员。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。
参见图1所示,本发明实施例提供了一种铁路变化检测的方法,具体包括如下步骤:
步骤101,获取目标检测区域内包含彩钢房的第一时段和第二时段分别对应的光学图像和SAR图像,并基于同一时段对应的光学图像和SAR图像的对比结果,获取上述目标检测区域内第一时段和第二时段分别对应的SAR图像中的第一铁路关联区域子图像和第二铁路关联区域子图像。
具体的,上述光学图像是设置于卫星上的光学传感器检测得到的,上述SAR图像是设置于卫星上的合成孔径雷达检测得到的。本发明实施例可以基于设置于同一卫星上的光学传感器和合成孔径雷达对目标检测区域进行检测以得到目标检测区域第一时段和第二时段分别对应的光学图像和SAR图像。基于此,可以通过一次检测同时获得目标检测区域内某一时段对应的光学图像和SAR图像,提高了图像获取效率。可以理解的是,目标检测区域可以是预先设定的卫星能够检测的任意区域,本发明实施例对此不作具体限定。
获取目标检测区域包含彩钢房的第一时段和第二时段分别对应的光学图像和SAR图像之后,本发明实施例进一步基于同一时段对应的光学图像和SAR图像的对比结果,获取目标检测区域内第一时段和第二时段分别对应的SAR图像中的第一铁路关联区域子图像和第二铁路关联区域子图像。由于合成孔径雷达成像范围固定,SAR图像中对应的检测区域除了铁路关联区域之外,还会包括其它无关区域,若直接基于SAR图像进行铁路变化检测,将引入大量噪声,导致检测精度降低,同时也会给变化检测带来更多的数据处理工作量。
针对上述问题,本发明实施例进一步获取目标检测区域内第一时段和第二时段分别对应的SAR图像中的第一铁路关联区域子图像和第二铁路关联区域子图像,具体的,考虑到SAR图像作为目标电磁散射情况的反映,与人的视觉认知有很大差别,无法快速确定图像中各区域彩钢房与地面目标的对应关系,而光学图像则与人的视觉认知类似,能够快速确定图像中各区域彩钢房与地面目标的对应关系,基于此,本发明实施例将目标检测区域同一时段对应的光学图像和SAR图像进行对比,基于上述特性可知,通过两者的对比结果能够快速确定目标检测区域内第一时段和第二时段分别对应的SAR图像中的第一铁路关联区域子图像和第二铁路关联区域子图像。可以理解的是,第一铁路关联区域子图像和第二铁路关联区域子图像尺寸相同。获得第一铁路关联区域子图像和第二铁路关联区域子图像之后,即可基于第一铁路关联区域子图像和第二铁路关联区域子图像进行变化检测,不但能够准确确定铁路关联区域,保证后续变化检测的准确性,同时也降低了后续变化检测的数据处理工作量。至于光学图像和SAR图像的对比方法,现有技术中存在多种成熟算法,本发明实施例在此不作具体限定。
步骤102,基于邻域比值法生成上述第一铁路关联区域子图像和第二铁路关联区域子图像对应的差异图像。
具体的,获得第一铁路关联区域子图像和第二铁路关联区域子图像之后,本发明实施例进一步基于邻域比值法生成第一铁路关联区域子图像和第二铁路关联区域子图像对应的差异图像,以便后续基于该差异图像进行铁路区域的变化分析。由于传统的差异构造算子不能较好地抑制SAR图像中的相干斑噪声,导致获取的差异图像的细节信息不能较好的保留,影响后续变化检测的准确性。因此,本发明实施例采用邻域比值法进行差异图像的构造,在生成差异图像的过程中能有效结合像素的灰度信息和邻域信息,提高图像对噪声的鲁棒性。差异图像位置x处像素的灰度值计算公式如下:
其中,I1(x)和I2(x)分别表示第一铁路关联区域子图像和第二铁路关联区域子图像位置x处像素的灰度值;I1(i)和I2(i)分别表示第一铁路关联区域子图像和第二铁路关联区域子图像位置i处像素的灰度值;位置i位于位置x的邻域Ωx内,该邻域的大小可以根据实际需要设定,优选3×3。参数∂的计算公式为:
其中,σ(x)和μ(x)分别表示邻域Ωx像素的方差和均值。
步骤103,采用基于邻域信息的模糊C均值算法对差异图像进行处理,得到差异图像对应的聚类图像,基于聚类图像确定铁路关联区域对应的变化情况。
具体的,传统的模糊C均值算法(fuzzyc-meansalgorithm,FCM)通常会假设X={x1,x2,…xn}表示差异图像中的像素点,则图像聚类问题就转化为将这n个样本分成c个聚类的问题,V={v1,v2,…,vc}表示共有c个聚类中心。基于对应的隶属度、聚类中心和目标函数计算公式,即可得到差异图像的聚类结果。但传统的FCM算法没有考虑像素的领域信息,仅是将每一个像素点作为单独的样本点进行聚类,忽略了邻域像素之间的相似度。这样将导致FCM算法对孤立噪声较为敏感,从而降低变化检测的准确度。基于此,本发明实施例提出一种基于邻域信息的模糊C均值算法对差异图像进行处理,以得到差异图像对应的聚类图像。
本发明实施例的基于邻域信息的模糊C均值算法采用邻域加权距离替代传统FCM算法中的欧式距离,该距离定义了中心像素邻域的线性加权距离之和,以克服传统FCM算法对孤立噪声的敏感。同时,本发明实施例在目标函数中加入隶属度函数的惩罚项,通过隶属度函数的约束提高检测结果的准确度。获取差异图像对应的聚类图像之后,即可基于聚类图像确定铁路关联区域对应的变化情况。可以理解的是,该变化情况包括发生变化的区域以及对应的变化参数等。
本发明实施例提供的方法,通过获取目标检测区域内第一时段和第二时段分别对应的光学图像和SAR图像,并基于同一时段对应的光学图像和SAR图像的对比结果,获取目标检测区域内第一时段和第二时段分别对应的SAR图像中的第一铁路关联区域子图像和第二铁路关联区域子图像,能够准确确定铁路关联区域,保证后续变化检测的准确性,同时降低后续变化检测的数据处理工作量;基于邻域比值法生成第一铁路关联区域子图像和第二铁路关联区域子图像对应的差异图像,能够充分考虑像素的灰度信息和邻域信息,提高差异图像对噪声的鲁棒性;采用基于邻域信息的模糊C均值算法对差异图像进行处理,得到差异图像对应的聚类图像,并基于聚类图像确定铁路关联区域对应的变化情况,能够进一步抑制噪声对变化检测的影响,提高铁路变化检测的精度。
基于上述实施例,采用基于邻域信息的模糊C均值算法对所述差异图像进行处理,能够快速准确确定所述差异图像对应的聚类图像,保证铁路区域彩钢房变化检测的准确性和效率;具体处理的流程示意图可参见图2所示,具体包括:
步骤S1,设定聚类数、模糊加权指数、影响因子参考值和迭代终止条件;
步骤S2,基于随机函数生成所述差异图像对应的初始隶属度矩阵,基于所述初始隶属度矩阵、聚类数和模糊加权指数确定所述差异图像对应的初始聚类中心矩阵,并确定所述初始隶属度矩阵和初始聚类中心矩阵对应的初始目标函数;
步骤S3,判断当前目标函数是否满足迭代终止条件,若是,跳转执行步骤S5;若否,继续执行步骤S4;
步骤S4,确定所述差异图像中各像素点当前对应的邻域加权距离,基于所述各像素点当前对应的邻域加权距离更新所述差异图像对应的隶属度矩阵和聚类中心矩阵,确定更新后的隶属度矩阵和聚类中心矩阵对应的目标函数,并跳转执行步骤S3;
步骤S5,基于当前隶属度矩阵生成所述差异图像对应的聚类图像。
具体的,本发明实施例采用基于邻域信息的模糊C均值算法对差异图像进行处理的步骤与传统FCM算法的处理步骤类似,其区别在于,本发明实施例在计算目标函数、聚类中心和隶属度时,采用邻域加权距离替代传统FCM算法中的欧式距离,基于此,可以克服传统FCM算法对孤立噪声敏感的问题,保证聚类图像的准确性。同时,本发明实施例通过引入影响因子参考值以调节对隶属度的约束程度和对聚类结果的影响,基于此,能够通过对隶属度的约束提高变化检测结果的准确度。其具体步骤如下:
首先,设定聚类数、模糊加权指数、影响因子参考值和迭代终止条件。可以理解的是,对于铁路区域彩钢房变化检测,其实质为二分类问题,对应于变化和未变化,基于此,设定聚类数为2;模糊加权指数可以根据经验设定,通常为2;影响因子参考值为影响聚类结果的重要参数,本发明实施例预先基于SAR图像样本进行训练得到该影响因子参考值,以最大限度保证聚类结果的准确性;迭代终止条件通常通过目标函数的精度表征,即对应于目标函数的精度阈值,例如0.01。当然,其中目标函数的精度阈值可以根据实际需要进行自由调节,本发明实施例对此不作具体限定。
设定聚类数、模糊加权指数、影响因子参考值和迭代终止条件之后,即可进行迭代聚类:
对于初次迭代,首先基于随机函数生成差异图像对应的初始隶属度矩阵,基于所述初始隶属度矩阵、聚类数和模糊加权指数确定差异图像对应的初始聚类中心矩阵,并确定所述初始隶属度矩阵和初始聚类中心矩阵对应的初始目标函数。确定初始目标函数后,即可判断当前目标函数是否满足迭代终止条件,若是,则基于当前隶属度矩阵生成所述差异图像对应的聚类图像。若否,则继续下一次迭代:确定差异图像中各像素点当前对应的邻域加权距离,基于各像素点当前对应的邻域加权距离更新差异图像对应的隶属度矩阵和聚类中心矩阵,确定更新后的隶属度矩阵和聚类中心矩阵对应的目标函数,并跳转执行步骤S3,直至目标函数满足迭代终止条件为止。
基于上述实施例,在上述步骤S2中,基于所述初始隶属度矩阵、聚类数和模糊加权指数确定差异图像对应的初始聚类中心矩阵,具体包括:基于所述初始隶属度矩阵、聚类数和模糊加权指数确定差异图像中不同类对应的聚类中心,并基于不同类对应的聚类中心生成差异图像对应的初始聚类中心矩阵;该方法能够快速准确确定初始聚类中心矩阵,保证聚类的准确性和效率。
基于上述实施例,聚类中心的计算公式为:
其中,vk为第k个类对应的聚类中心;n为差异图像中像素点的数量;m为模糊加权指数;Ni为差异图像中像素xi的邻域区域;uik为像素xi与聚类中心vk的隶属度;pir为像素xi邻域Ni中的像素xr的灰度值在该邻域中的权重,满足;/>为像素xi与聚类中心vk的加权隶属度,其中m为加权指数;此处需说明的是,xi表示第i个像素;xr表示第r个像素;且像素xi和像素xr相邻。
具体的,本发明实施例采用邻域加权距离替代传统FCM 算法中的欧式距离,以用于计算聚类中心,能够克服孤立噪声对聚类中心的准确性的影响,进而提高变化检测的准确性。
基于上述实施例,隶属度的计算公式为:
其中,uik为像素xi与聚类中心vk的隶属度;urk为像素xr与聚类中心vk的隶属度;α为影响因子参考值;NR为像素xi邻域像素的总个数;vj为第j个类对应的聚类中心;ujr为像素xr与聚类中心vj的隶属度;c为聚类中心的总数量。
基于上述实施例,目标函数的计算公式为:
其中,Jm为目标优化函数;U为模糊矩阵;V为聚类中心;c为聚类中心的总数量;n为差异图像中像素点的数量;m为模糊加权指数;uik为像素xi与聚类中心vk的隶属度;Ni为差异图像中像素xi的邻域区域;pir为像素xi邻域Ni中的像素xr的灰度值在该邻域中的权重,满足;vk为第k个类对应的聚类中心;α为影响因子参考值;NR为像素xi邻域像素的总个数;urk为像素xr与聚类中心vk的隶属度;/>为像素xi与聚类中心vk的加权隶属度,其中m为加权指数。
具体的,可以理解的是,上述聚类中心和隶属度的计算公式均是基于目标函数,通过拉格朗日乘数法推导得到的,其具体推导过程在此不再赘述。本发明实施例采用邻域加权距离替代传统FCM算法中的欧式距离,能够克服传统FCM算法对孤立噪声的敏感。同时,在目标函数中加入了隶属度函数(即隶属度计算公式)的惩罚项,通过隶属度函数的约束提高检测结果的准确度。不但能够提高变化检测精度,还能有效抑制噪声干扰。
基于上述实施例,影响因子参考值是基于SAR图像样本进行训练得到的,通过该训练方法能够最大限度保证铁路区域彩钢房变化检测的准确性。具体训练过程可参见图3所示,具体包括:
步骤301,将预设检测区域内第一时段和第二时段分别对应的SAR图像分别记作第一SAR图像样本和第二SAR图像样本;基于邻域比值法分别生成所述第一SAR图像样本和第二SAR图像样本对应的差异图像样本;
步骤302,采用基于邻域信息的模糊C均值算法对所述差异图像样本进行处理,得到所述差异图像样本对应的多个训练聚类图像;所述多个训练聚类图像对应的聚类数、模糊加权指数和迭代终止条件相同,影响因子取值不同;
步骤303,基于所述预设检测区域第一时段和第二时段分别对应的光学图像,确定变化参考图;
步骤304,基于所述变化参考图与各训练聚类图像的比对结果,确定各训练聚类图像对应的聚类准确度,并将聚类准确度最高的训练聚类图像对应的影响因子取值作为所述影响因子参考值。
具体的,考虑到影响因子参考值对聚类结果的影响,需要最大限度确保影响因子参考值的准确性。基于此,本发明实施例通过SAR图像样本对基于邻域信息的模糊C均值算法进行训练以确定最准确的影响因子参考值,其具体训练流程如下:
首先基于邻域比值法生成第一SAR图像样本和第二SAR图像样本对应的差异图像样本;该第一SAR图像样本和第二SAR图像样本是预设检测区域第一时段和第二时段分别对应的SAR图像。采用基于邻域信息的模糊C均值算法对差异图像样本进行处理,得到差异图像样本对应的多个训练聚类图像;该多个训练聚类图像对应的聚类数、模糊加权指数和迭代终止条件相同,影响因子取值不同。可以理解的是,为了确定最合适的影响因子参考值,本发明实施例通过控制变量法,利用影响因子取值不同的模糊C均值算法对差异图像样本进行处理,以得到差异图像样本对应的多个训练聚类图像,并基于变化参考图与各训练聚类图像的比对结果,确定各训练聚类图像对应的聚类准确度,进而可以确定聚类准确度最高的训练聚类图像,并将对应的影响因子取值作为影响因子参考值。
其中变化参考图可以基于预设检测区域第一时段和第二时段分别对应的光学图像快速确定,可以理解的是,基于变化参考图可以准确确定变化区域以及对应的变化参数。基于此,通过将变化参考图与各训练聚类图像进行比对,即可确定各训练聚类图像对应的聚类准确度。至于聚类准确度的衡量指标,可以采用现有的通用衡量指标,例如漏检数、误检数等,本发明实施例对此不作具体限定。
还可以理解的是,本发明实施例可以进一步基于前述实施例的方法获取第一SAR图像样本和第二SAR图像样本中的第一铁路关联区域子图像样本和第二铁路关联区域子图像样本,并基于第一铁路关联区域子图像样本和第二铁路关联区域子图像样本对应的差异图像进行影响因子参考值的确定,以进一步提高影响因子参考值的确定效率。
接下来对本发明提供的基于SAR图像的铁路沿线彩钢房变化检测装置进行描述,下文描述的基于SAR图像的铁路沿线彩钢房变化检测装置与上文描述的基于SAR图像的铁路沿线彩钢房变化检测方法可相互对应参照。
本发明还提供了基于SAR图像的铁路沿线彩钢房变化检测装置,应用上述的基于SAR图像的铁路沿线彩钢房变化检测方法,参见图4所示,该装置包括:
铁路关联区域子图像获取模块401,用于获取目标检测区域内包含彩钢房的第一时段和第二时段分别对应的光学图像和SAR图像,并基于同一时段对应的光学图像和SAR图像的对比结果,获取目标检测区域内第一时段和第二时段分别对应的SAR图像中的第一铁路关联区域子图像和第二铁路关联区域子图像;
差异图像获取模块402,用于基于邻域比值法生成第一铁路关联区域子图像和第二铁路关联区域子图像对应的差异图像;
铁路变化检测模块403,用于采用基于邻域信息的模糊C均值算法对差异图像进行处理,得到差异图像对应的聚类图像,并基于聚类图像确定铁路关联区域对应的变化情况。
本发明实施例提供的装置,通过铁路关联区域子图像获取模块401获取目标检测区域第一时段和第二时段分别对应的光学图像和SAR图像,并基于同一时段对应的光学图像和SAR图像的对比结果,获取目标检测区域第一时段和第二时段分别对应的SAR图像中的第一铁路关联区域子图像和第二铁路关联区域子图像,能够准确确定铁路关联区域,保证后续变化检测的准确性,同时降低后续变化检测的数据处理工作量;差异图像获取模块402基于邻域比值法生成第一铁路关联区域子图像和第二铁路关联区域子图像对应的差异图像,能够充分考虑像素的灰度信息和邻域信息,提高差异图像对噪声的鲁棒性,铁路变化检测模块403采用基于邻域信息的模糊C均值算法对差异图像进行处理,得到差异图像对应的聚类图像,并基于聚类图像确定铁路关联区域对应的变化情况,能够进一步抑制噪声对变化检测的影响,提高铁路变化检测的精度。
基于上述实施例,所述铁路变化检测模块403具体用于执行以下操作:
步骤S1,设定聚类数、模糊加权指数、影响因子参考值和迭代终止条件;
步骤S2,基于随机函数生成所述差异图像对应的初始隶属度矩阵,基于所述初始隶属度矩阵、聚类数和模糊加权指数确定所述差异图像对应的初始聚类中心矩阵,并确定所述初始隶属度矩阵和初始聚类中心矩阵对应的初始目标函数;
步骤S3,判断当前目标函数是否满足迭代终止条件,若是,跳转执行步骤S5;若否,继续执行步骤S4;
步骤S4,确定所述差异图像中各像素点当前对应的邻域加权距离,基于所述各像素点当前对应的邻域加权距离更新所述差异图像对应的隶属度矩阵和聚类中心矩阵,确定更新后的隶属度矩阵和聚类中心矩阵对应的目标函数,并跳转执行步骤S3;
步骤S5,基于当前隶属度矩阵生成所述差异图像对应的聚类图像。
基于上述实施例,在上述步骤S2中,基于所述初始隶属度矩阵、聚类数和模糊加权指数确定差异图像对应的初始聚类中心矩阵,具体包括:基于所述初始隶属度矩阵、聚类数和模糊加权指数确定差异图像中不同类对应的聚类中心,并基于不同类对应的聚类中心生成差异图像对应的初始聚类中心矩阵;该方法能够快速准确确定初始聚类中心矩阵,保证聚类的准确性和效率。
基于上述实施例,聚类中心的计算公式为:
其中,vk为第k个类对应的聚类中心;n为差异图像中像素点的数量;m为模糊加权指数;Ni为差异图像中像素xi的邻域区域;uik为像素xi与聚类中心vk的隶属度;pir为像素xi邻域Ni中的像素xr的灰度值在该邻域中的权重,满足;/>为像素xi与聚类中心vk的加权隶属度,其中m为加权指数。
基于上述实施例,隶属度的计算公式为:
其中,uik为像素xi与聚类中心vk的隶属度;urk为像素xr与聚类中心vk的隶属度;α为影响因子参考值;NR为像素xi邻域像素的总个数;vj为第j个类对应的聚类中心;ujr为像素xr与聚类中心vj的隶属度;c为聚类中心的总数量。
基于上述实施例,目标函数的计算公式为:
其中,Jm为目标优化函数;U为模糊矩阵;V为聚类中心;c为聚类中心的总数量;n为差异图像中像素点的数量;m为模糊加权指数;uik为像素xi与聚类中心vk的隶属度;Ni为差异图像中像素xi的邻域区域;pir为像素xi邻域Ni中的像素xr的灰度值在该邻域中的权重,满足;vk为第k个类对应的聚类中心;α为影响因子参考值;NR为像素xi邻域像素的总个数;urk为像素xr与聚类中心vk的隶属度;/>为像素xi与聚类中心vk的加权隶属度,其中m为加权指数。
基于上述实施例,影响因子参考值是基于SAR图像样本进行训练得到的,训练过程具体包括:
将预设检测区域内第一时段和第二时段分别对应的SAR图像分别记作第一SAR图像样本和第二SAR图像样本;基于邻域比值法分别生成所述第一SAR图像样本和第二SAR图像样本对应的差异图像样本;
采用基于邻域信息的模糊C均值算法对所述差异图像样本进行处理,得到所述差异图像样本对应的多个训练聚类图像;所述多个训练聚类图像对应的聚类数、模糊加权指数和迭代终止条件相同,影响因子取值不同;
基于所述预设检测区域第一时段和第二时段分别对应的光学图像,确定变化参考图;
基于所述变化参考图与各训练聚类图像的比对结果,确定各训练聚类图像对应的聚类准确度,并将聚类准确度最高的训练聚类图像对应的影响因子取值作为所述影响因子参考值。
本发明还提供了一种电子设备,参见图5所示,该电子设备包括:处理器(processor)501、通信接口(Communications Interface)502、存储器(memory)503和通信总线504;其中,处理器501,通信接口502,存储器503通过通信总线504完成相互间的通信。处理器501可以调用存储器503中的逻辑指令,以执行上述各方法所提供的基于SAR图像的铁路沿线彩钢房变化检测方法;
此外,上述的存储器503中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,该计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上;该计算机程序被处理器执行时,计算机能够执行上述各方法所提供的基于SAR图像的铁路沿线彩钢房变化检测方法;
又一方面,本发明还提供了一种存储介质,具体为一种非暂态计算机可读存储介质;该存储介质用于存储计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的基于SAR图像的铁路沿线彩钢房变化检测方法。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.基于SAR图像的铁路沿线彩钢房变化检测方法,其特征在于,包括:
获取目标检测区域内包含彩钢房的第一时段和第二时段分别对应的光学图像和SAR图像,并基于同一时段对应的光学图像和SAR图像的对比结果,获取所述目标检测区域内第一时段和第二时段分别对应的SAR图像中的第一铁路关联区域子图像和第二铁路关联区域子图像;
基于邻域比值法生成所述第一铁路关联区域子图像和第二铁路关联区域子图像对应的差异图像;
采用基于邻域信息的模糊C均值算法对所述差异图像进行处理,得到所述差异图像对应的聚类图像,并基于所述聚类图像确定铁路关联区域对应的变化情况。
2.如权利要求1所述的基于SAR图像的铁路沿线彩钢房变化检测方法,其特征在于,所述采用基于邻域信息的模糊C均值算法对所述差异图像进行处理,具体包括:
步骤S1,设定聚类数、模糊加权指数、影响因子参考值和迭代终止条件;
步骤S2,基于随机函数生成所述差异图像对应的初始隶属度矩阵,基于所述初始隶属度矩阵、聚类数和模糊加权指数确定所述差异图像对应的初始聚类中心矩阵,并确定所述初始隶属度矩阵和初始聚类中心矩阵对应的初始目标函数;
步骤S3,判断当前目标函数是否满足迭代终止条件,若是,跳转执行步骤S5;若否,继续执行步骤S4;
步骤S4,确定所述差异图像中各像素点当前对应的邻域加权距离,基于所述各像素点当前对应的邻域加权距离更新所述差异图像对应的隶属度矩阵和聚类中心矩阵,确定更新后的隶属度矩阵和聚类中心矩阵对应的目标函数,并跳转执行步骤S3;
步骤S5,基于当前隶属度矩阵生成所述差异图像对应的聚类图像。
3.如权利要求2所述的基于SAR图像的铁路沿线彩钢房变化检测方法,其特征在于,所述步骤S2中,基于所述初始隶属度矩阵、聚类数和模糊加权指数确定所述差异图像对应的初始聚类中心矩阵,具体包括:
基于所述初始隶属度矩阵、聚类数和模糊加权指数确定所述差异图像中不同类对应的聚类中心,并基于不同类对应的聚类中心生成所述差异图像对应的初始聚类中心矩阵。
7.如权利要求2所述的基于SAR图像的铁路沿线彩钢房变化检测方法,其特征在于,所述影响因子参考值是基于SAR图像样本进行训练得到的,所述训练过程包括:
将预设检测区域内第一时段和第二时段分别对应的SAR图像分别记作第一SAR图像样本和第二SAR图像样本;基于邻域比值法分别生成所述第一SAR图像样本和第二SAR图像样本对应的差异图像样本;
采用基于邻域信息的模糊C均值算法对所述差异图像样本进行处理,得到所述差异图像样本对应的多个训练聚类图像;所述多个训练聚类图像对应的聚类数、模糊加权指数和迭代终止条件相同,影响因子取值不同;
基于所述预设检测区域第一时段和第二时段分别对应的光学图像,确定变化参考图;
基于所述变化参考图与各训练聚类图像的比对结果,确定各训练聚类图像对应的聚类准确度,并将聚类准确度最高的训练聚类图像对应的影响因子取值作为所述影响因子参考值。
8.基于SAR图像的铁路沿线彩钢房变化检测装置,其特征在于,应用上述权利要求1至7任一项所述的铁路变化检测的方法,该装置包括:
铁路关联区域子图像获取模块,用于获取目标检测区域内包含彩钢房的第一时段和第二时段分别对应的光学图像和SAR图像,并基于同一时段对应的光学图像和SAR图像的对比结果,获取所述目标检测区域内第一时段和第二时段分别对应的SAR图像中的第一铁路关联区域子图像和第二铁路关联区域子图像;
差异图像获取模块,用于基于邻域比值法生成所述第一铁路关联区域子图像和第二铁路关联区域子图像对应的差异图像;
铁路变化检测模块,用于采用基于邻域信息的模糊C均值算法对所述差异图像进行处理,得到所述差异图像对应的聚类图像,并基于所述聚类图像确定铁路关联区域对应的变化情况。
9.一种电子设备,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序;
所述处理器用于通过执行所述计算机程序来实现权利要求1至7任一项所述的铁路变化检测的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质上存储有计算机程序;所述计算机程序被处理器执行时实现权利要求1至7任一项所述的铁路变化检测的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310087043.7A CN116385866B (zh) | 2023-02-09 | 2023-02-09 | 基于sar图像的铁路沿线彩钢房变化检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310087043.7A CN116385866B (zh) | 2023-02-09 | 2023-02-09 | 基于sar图像的铁路沿线彩钢房变化检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116385866A true CN116385866A (zh) | 2023-07-04 |
CN116385866B CN116385866B (zh) | 2024-05-10 |
Family
ID=86979496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310087043.7A Active CN116385866B (zh) | 2023-02-09 | 2023-02-09 | 基于sar图像的铁路沿线彩钢房变化检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116385866B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116977438A (zh) * | 2023-09-22 | 2023-10-31 | 广东木川实业有限公司 | 一种物流用伸缩机振动检测方法、***及使用设备 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN103824302A (zh) * | 2014-03-12 | 2014-05-28 | 西安电子科技大学 | 基于方向波域图像融合的sar图像变化检测方法 |
CN107392863A (zh) * | 2017-06-30 | 2017-11-24 | 西安电子科技大学 | 基于亲和矩阵融合谱聚类方法的sar图像变化检测方法 |
CN107730516A (zh) * | 2017-10-16 | 2018-02-23 | 江南大学 | 一种基于模糊聚类的脑mr影像分割方法 |
CN108230365A (zh) * | 2017-12-26 | 2018-06-29 | 西安理工大学 | 基于多源差异图像内容融合的sar图像变化检测方法 |
CN109002792A (zh) * | 2018-07-12 | 2018-12-14 | 西安电子科技大学 | 基于分层多模型度量学习的sar图像变化检测方法 |
CN109360207A (zh) * | 2018-09-26 | 2019-02-19 | 江南大学 | 一种融合邻域信息的模糊聚类方法 |
CN109697466A (zh) * | 2018-12-20 | 2019-04-30 | 烟台大学 | 一种自适应区间型空间模糊c均值的地物分类方法 |
CN111008644A (zh) * | 2019-10-30 | 2020-04-14 | 西安电子科技大学 | 基于局部动态能量函数fcn-crf模型的生态变化监测方法 |
US20210081827A1 (en) * | 2019-07-15 | 2021-03-18 | Guangdong University Of Technology | Fast clustering algorithm based on kernel fuzzy c-means integrated with spatial constraints |
US20210149929A1 (en) * | 2019-11-20 | 2021-05-20 | University Of Connecticut | Systems and methods to generate high resolution flood maps in near real time |
CN114241208A (zh) * | 2021-12-25 | 2022-03-25 | 南京理工大学 | 图像间变化检测的局部和全局深度对比特征学习网络构建方法 |
-
2023
- 2023-02-09 CN CN202310087043.7A patent/CN116385866B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN103824302A (zh) * | 2014-03-12 | 2014-05-28 | 西安电子科技大学 | 基于方向波域图像融合的sar图像变化检测方法 |
CN107392863A (zh) * | 2017-06-30 | 2017-11-24 | 西安电子科技大学 | 基于亲和矩阵融合谱聚类方法的sar图像变化检测方法 |
CN107730516A (zh) * | 2017-10-16 | 2018-02-23 | 江南大学 | 一种基于模糊聚类的脑mr影像分割方法 |
CN108230365A (zh) * | 2017-12-26 | 2018-06-29 | 西安理工大学 | 基于多源差异图像内容融合的sar图像变化检测方法 |
CN109002792A (zh) * | 2018-07-12 | 2018-12-14 | 西安电子科技大学 | 基于分层多模型度量学习的sar图像变化检测方法 |
CN109360207A (zh) * | 2018-09-26 | 2019-02-19 | 江南大学 | 一种融合邻域信息的模糊聚类方法 |
CN109697466A (zh) * | 2018-12-20 | 2019-04-30 | 烟台大学 | 一种自适应区间型空间模糊c均值的地物分类方法 |
US20210081827A1 (en) * | 2019-07-15 | 2021-03-18 | Guangdong University Of Technology | Fast clustering algorithm based on kernel fuzzy c-means integrated with spatial constraints |
CN111008644A (zh) * | 2019-10-30 | 2020-04-14 | 西安电子科技大学 | 基于局部动态能量函数fcn-crf模型的生态变化监测方法 |
US20210149929A1 (en) * | 2019-11-20 | 2021-05-20 | University Of Connecticut | Systems and methods to generate high resolution flood maps in near real time |
CN114241208A (zh) * | 2021-12-25 | 2022-03-25 | 南京理工大学 | 图像间变化检测的局部和全局深度对比特征学习网络构建方法 |
Non-Patent Citations (4)
Title |
---|
LING WAN等: "A Post-Classification Comparison Method for SAR and Optical Images Change Detection", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》, vol. 16, no. 7, 31 July 2019 (2019-07-31), pages 1026 - 1030, XP011731864, DOI: 10.1109/LGRS.2019.2892432 * |
张祎勃: "基于空间相关性的SAR图像变化检测研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 10, 15 October 2014 (2014-10-15), pages 136 - 481 * |
翟鹏飞等: "协同光学与雷达遥感数据的面向对象土地覆盖变化检测", 《农业工程学报》, vol. 37, no. 23, 31 December 2021 (2021-12-31), pages 216 - 224 * |
詹涛: "基于双差异图的SAR图像变化检测研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 10, 15 October 2019 (2019-10-15), pages 136 - 230 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116977438A (zh) * | 2023-09-22 | 2023-10-31 | 广东木川实业有限公司 | 一种物流用伸缩机振动检测方法、***及使用设备 |
CN116977438B (zh) * | 2023-09-22 | 2024-04-02 | 广东佳德自动化设备有限公司 | 一种物流用伸缩机振动检测方法、***及使用设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116385866B (zh) | 2024-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109682382B (zh) | 基于自适应蒙特卡洛和特征匹配的全局融合定位方法 | |
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 | |
CN110097093A (zh) | 一种异源图像精确匹配方法 | |
CN114299417A (zh) | 一种基于雷视融合的多目标跟踪方法 | |
CN110766676B (zh) | 基于多源传感器融合的目标检测方法 | |
CN105279772B (zh) | 一种红外序列图像的可跟踪性判别方法 | |
CN109801305B (zh) | 基于深度胶囊网络的sar图像变化检测方法 | |
Shaoqing et al. | The comparative study of three methods of remote sensing image change detection | |
CN110363165B (zh) | 基于tsk模糊***的多目标跟踪方法、装置及存储介质 | |
CN111429496B (zh) | 一种顾及统计特性的时序PolSAR影像无监督变化检测方法 | |
CN116385866B (zh) | 基于sar图像的铁路沿线彩钢房变化检测方法和装置 | |
Hao et al. | An advanced superpixel-based Markov random field model for unsupervised change detection | |
CN109829519B (zh) | 基于自适应空间信息的遥感图像分类方法及*** | |
CN108734122B (zh) | 一种基于自适应样本选择的高光谱城区水体检测方法 | |
CN117036737A (zh) | 基于信息熵、gms与lc显著检测的特征提取与匹配方法 | |
Liu et al. | Landslide inventory mapping method based on adaptive histogram-mean distance with bitemporal VHR aerial images | |
CN114549909A (zh) | 一种基于自适应阈值的伪标签遥感图像场景分类方法 | |
Xu et al. | The comparative study of three methods of remote sensing image change detection | |
CN113033305B (zh) | 活体检测方法、装置、终端设备和存储介质 | |
CN112581548A (zh) | 一种星敏感器伪星目标滤除方法及*** | |
CN112183287A (zh) | 一种移动机器人在复杂背景下的人数统计方法 | |
CN108985216B (zh) | 一种基于多元logistic回归特征融合的行人头部检测方法 | |
US20230386023A1 (en) | Method for detecting medical images, electronic device, and storage medium | |
CN114882376B (zh) | 基于最优锚点尺度的卷积神经网络遥感影像目标检测方法 | |
CN116468962B (zh) | 害虫识别方法、装置、设备及介质 |
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 |