CN109977968A - 一种深度学习分类后比较的sar变化检测方法 - Google Patents
一种深度学习分类后比较的sar变化检测方法 Download PDFInfo
- Publication number
- CN109977968A CN109977968A CN201910226864.8A CN201910226864A CN109977968A CN 109977968 A CN109977968 A CN 109977968A CN 201910226864 A CN201910226864 A CN 201910226864A CN 109977968 A CN109977968 A CN 109977968A
- Authority
- CN
- China
- Prior art keywords
- layer
- sar
- error
- network
- mdps
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013135 deep learning Methods 0.000 title claims abstract description 24
- 208000035278 mandibuloacral dysplasia progeroid syndrome Diseases 0.000 claims abstract description 29
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 14
- 239000000284 extract Substances 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 4
- 230000011218 segmentation Effects 0.000 abstract description 3
- 238000013527 convolutional neural network Methods 0.000 description 32
- 238000001914 filtration Methods 0.000 description 5
- 230000010287 polarization Effects 0.000 description 4
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 4
- 238000007689 inspection Methods 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种深度学习分类后比较SAR变化检测方法，其实现过程是：利用MDPS‑CNN具有两个网络通道且其可以具有不同权值这一特性，分别对灾前、灾后两时刻的SAR图像进行深度特征的提取。与此同时，我们用两时刻的原始SAR图像来得到其纹理特征和灰度特征，然后在MDPS‑CNN网络内部将纹理特征、灰度特征和深度特征进行融合。此外，为了针对具体SAR图像在不同深度层和保证高准确率的情况下做一个权衡，MDPS‑CNN采用分段反向传播来优化网络使其自动选择合适的层数。我们将得到的两组融合后的图像用阈值法进行分类。最后将得到的两幅分类图进行水域变化的比较来得到最终的水域变化检测图。
Description
技术领域
本发明涉及SAR图像变化检测领域，具体是一种深度学习分类后比较的SAR变化检测方法。
背景技术
近些年，大范围的自然灾害，例如地震、海啸等，严重威胁着人类的生命和财产安全。受灾区域的变化检测分析对灾后救援和重建有着重要的意义。从遥感数据中获取灾害信息是一种十分重要的研究手段。合成孔径雷达（Synthetic Aperture Radar, SAR）由于其不受天气、昼夜变化的影响，是监测受灾区域变化情况的有力工具。然而，由于SAR图像固有的乘性噪声，使得SAR图像在变化检测中表现出更多的困难。
一般来说，SAR图像变化检测方法可以被分成两类：(1)后比较分析法，在灾前、灾后两个时刻的SAR图像之间生成差异图（difference image,DI）,然后对DI分类以获得变化检测的结果。因此，它也可以被称为DI分析法[]。但是，DI的质量会影响最终的检测结果。(2)后分类比较法，它分别对两个时刻SAR图像进行分类，然后比较它们的分类结果，以实现对变化和未变化的区域显示。由于可能SAR成像时间、成像的传感器不同而要求对其进行辐射归一化的问题，而上述两种方法是可以避免这些问题的发生。有利就有弊，同样也存在累积着分类错误的问题和对两个时刻的SAR图像进行高精度分类的要求。权衡之下，我们提出了一种基于后一种思想的方法。
发明内容 本发明的目的是提出了一种基于MDPS-CNN的SAR图像变化检测方法，采用这一方法对灾前、灾后地区的水域变化情况进行了检测和评估。利用训练好的MDPS-CNN模型提取其深度特征。然后我们用两时刻的原始SAR图像来得到其纹理特征和灰度特征，其次在MDPS-CNN网络内部将纹理特征、灰度特征和深度特征进行融合。我们将得到的两组融合后的图像用阈值法进行分类。分类之后，利用图像差值方法对受灾区域情况进行检测。最后与一些经典的变化检测方法进行对比，定量分析结果表明MDPS-CNN的变化检测具有更高的检测精度。
为了达到上述目的，本发明所采用的技术方案为：
一种深度学习分类后比较的SAR变化检测方法，其特征在于：包括以下步骤：
步骤1）特征提取，具体步骤如下：
1a）、深度特征提取：
由于深度特征在深度学习中使用较少，大多深度学习都直接以概率输出分类结果图，所以我们决定从分类结果前入手，对深度特征进行处理。该部分我们以一个通道为例，提取SAR图像的深度特征。我们利用MDPS-CNN网络进行训练，对输入的一张M*N尺寸大小的SAR图像进行训练，由于网络中每一层都可以输出该层的特征图，假设网络共有C层，我们选择在全连接层之前输出该SAR图像的特征图，记为其的深度特征；
1b）、纹理特征提取：
Gabor纹理特征具有较好的尺度和方向选择性, 已经成功地应用于图像分割、目标检测和识别领域中。本文融合多方向多尺度Gabor纹理特征。2维Gabor基函数通常表示为被复正弦函数调制的高斯函数；
1c）、灰度特征提取：
SAR图像灰度特征反映了地物对雷达波的后向散射特征，不同地物如果具有相同或不同的后向散射特征，在SAR图像中就有不同或相同的灰度特征，利用邻域统计量提取图像灰度信息，即计算某一像素点周围一定范围内像素邻域的灰度均值和标准差,并以此作为其灰度特征；
1d）、特征融合：
在训练设计网络的过程中，我们需要一个适当的目标函数，其优化可以在特征融合任务中产生良好的性能，以便对后面分类做铺垫。训练的目的是找到融合函数Fw(X)。假设SAR图像X，大小为h×w×c，其中h和w为空间维数，c为通道尺寸，X = {x（i，j）|1≤i≤h，1≤j≤w}。因此，x（i，j）是图像中位置（i，j）处的强度矢量，具有c维度，其等于输入图像的通道数量。在我们提出的方法中，我们所使用的SAR图像是一个通道，因此c是1.设X1和X2是两个待输入网络的SAR图像。
步骤2）MDPS-CNN网络构建，具体步骤如下：
2a）Multi-Depth CNN网络构建：
多深度CNN（multi-depth CNN）是将多深度网络用来实现地物分类。该网络包含寄存器层（register layer），dropout layer，卷积层（convolutional layers），最大化层（maxpooling layers）和全连接层（ full-connected layers）。 与传统的卷积神经网络相比，所提出的网络有两个关键点：多深度前向传播（M-FP）和分段反向传播（P-BP）；
2b）、Pseudo-siamese网络：
针对单幅SAR图像处理，我们可以选取很多单通道的CNN网络，介于我们处理的是SAR图像变化检测要输入两幅SAR图像进入网络中，所以我们选择双通道的pseudo-siamese网络来实现。
pseudo-siamese网络是在siamese网络的基础上，将不同网络层中的权值不共享得到的，也就是两通道中对应层之间的权值是否贡献。siamese和pseudo-siamese网络都是双通道的网络模型，每个通道都是可以作为一个完整的CNN网络进行处理。二者之间的区别在于对应网络层之间的权值是否共享。之所以我们会选择pseudo-siamese网络，是因为我们处理的SAR图像是不同时刻的，而且可能是不同传感器的，所以这就导致了双通道网络层中各对应层之间的权值不一定共享；
2c）、MDPS-CNN网络：
该网络将原有的pseudo-siamese网络和多深度网络进行结合，在输入层上是以SAR图像和其纹理特征、灰度特征为输入。以一个通道为例，首先将SAR图像输入到MDPS-CNN网络中，经过两层卷积层和两层最大池化层时，先做个标记输出一个error此时标记为error_shallow，然后再经过一层卷积层和一层最大池化层时再做一个标记并且再输出一个error此时标记为error_deep，最后将error_shallow和error_deep进行对比，选择其中较小的error进行后面的步骤。后面的步骤如下：用上一步得到的较小的error的层中获取SAR图像在网络中的深度特征，与此同时，将SAR图像得到的纹理特征和灰度特征与其深度特征进行融合，然后输出一个特征图后，用阈值法进行分类。最后将两个通道得到的分类图进行比较生成差异图；
2d）、MDPS-CNN网络层数选择：
先将SAR图像输入到MDPS-CNN网络中，经过两层卷积层和两层最大池化层时，先做个标记输出一个error此时标记为error_shallow，然后再经过一层卷积层和一层最大池化层时再做一个标记并且再输出一个error此时标记为error_deep，最后将error_shallow和error_deep进行对比，选择其中较小的error进行后面的步骤；
步骤3）分类后检测，过程如下：
我们将得到的深度特征、纹理特征和灰度特征在MDPS-CNN中进行融合，融合后的结果用阈值法进行分类得到Fw(X1)，Fw(X2)。然后将两通道得到的分类结果图做比较生成差异图（Final change map,Fw(X1,X2)）。上式与原有极化SAR非局部均值滤波权值函数单调性一致，图像块越相似，权值越大，将上式应用到极化SAR非局部均值滤波中。
本发明与现有技术相比具有如下优点：
1）本发明用深度学习进行提取深度特征可以避免预处理比如滤波等，有较好的抗噪性。
2）本发明在特征图上进行融合可以保证在原有深度学习分类的基础上对边界处也有保持。
附图说明
图1是本发明的深度学习分类后比较SAR变化检测方法流程图。
图2是深度学习分类后比较SAR变化检测方法框架图。
图3是本发明中深度学习分类后比较SAR变化检测方法结果图。
具体实施方式
如图1所示，深度学习分类后比较SAR变化检测方法包括以下步骤：
步骤1）特征提取，具体步骤如下：
1a）、深度特征提取：
由于深度特征在深度学习中使用较少，大多深度学习都直接以概率输出分类结果图，所以我们决定从分类结果前入手，对深度特征进行处理。该部分我们以一个通道为例，提取SAR图像的深度特征。我们利用MDPS-CNN网络进行训练，对输入的一张M*N尺寸大小的SAR图像进行训练，由于网络中每一层都可以输出该层的特征图，假设网络共有C层，我们选择在全连接层之前输出该SAR图像的特征图，记为其的深度特征；
1b）、纹理特征提取：
Gabor纹理特征具有较好的尺度和方向选择性, 已经成功地应用于图像分割、目标检测和识别领域中。本文融合多方向多尺度Gabor纹理特征。2维Gabor基函数通常表示为被复正弦函数调制的高斯函数；
1c）、灰度特征提取：
SAR图像灰度特征反映了地物对雷达波的后向散射特征，不同地物如果具有相同或不同的后向散射特征，在SAR图像中就有不同或相同的灰度特征，利用邻域统计量提取图像灰度信息，即计算某一像素点周围一定范围内像素邻域的灰度均值和标准差,并以此作为其灰度特征；
1d）、特征融合：
在训练设计网络的过程中，我们需要一个适当的目标函数，其优化可以在特征融合任务中产生良好的性能，以便对后面分类做铺垫。训练的目的是找到融合函数Fw(X)。假设SAR图像X，大小为h×w×c，其中h和w为空间维数，c为通道尺寸，X = {x（i，j）|1≤i≤h，1≤j≤w}。因此，x（i，j）是图像中位置（i，j）处的强度矢量，具有c维度，其等于输入图像的通道数量。在我们提出的方法中，我们所使用的SAR图像是一个通道，因此c是1.设X1和X2是两个待输入网络的SAR图像。
步骤2）MDPS-CNN网络构建，具体步骤如下：
2a）Multi-Depth CNN网络构建：
多深度CNN（multi-depth CNN）是将多深度网络用来实现地物分类。该网络包含寄存器层（register layer），dropout layer，卷积层（convolutional layers），最大化层（maxpooling layers）和全连接层（ full-connected layers）。 与传统的卷积神经网络相比，所提出的网络有两个关键点：多深度前向传播（M-FP）和分段反向传播（P-BP）；
2b）、Pseudo-siamese网络：
针对单幅SAR图像处理，我们可以选取很多单通道的CNN网络，介于我们处理的是SAR图像变化检测要输入两幅SAR图像进入网络中，所以我们选择双通道的pseudo-siamese网络来实现。
pseudo-siamese网络是在siamese网络的基础上，将不同网络层中的权值不共享得到的，也就是两通道中对应层之间的权值是否贡献。siamese和pseudo-siamese网络都是双通道的网络模型，每个通道都是可以作为一个完整的CNN网络进行处理。二者之间的区别在于对应网络层之间的权值是否共享。之所以我们会选择pseudo-siamese网络，是因为我们处理的SAR图像是不同时刻的，而且可能是不同传感器的，所以这就导致了双通道网络层中各对应层之间的权值不一定共享；
2c）、MDPS-CNN网络：
该网络将原有的pseudo-siamese网络和多深度网络进行结合，在输入层上是以SAR图像和其纹理特征、灰度特征为输入。以一个通道为例，首先将SAR图像输入到MDPS-CNN网络中，经过两层卷积层和两层最大池化层时，先做个标记输出一个error此时标记为error_shallow，然后再经过一层卷积层和一层最大池化层时再做一个标记并且再输出一个error此时标记为error_deep，最后将error_shallow和error_deep进行对比，选择其中较小的error进行后面的步骤。后面的步骤如下：用上一步得到的较小的error的层中获取SAR图像在网络中的深度特征，与此同时，将SAR图像得到的纹理特征和灰度特征与其深度特征进行融合，然后输出一个特征图后，用阈值法进行分类。最后将两个通道得到的分类图进行比较生成差异图；
2d）、MDPS-CNN网络层数选择：
先将SAR图像输入到MDPS-CNN网络中，经过两层卷积层和两层最大池化层时，先做个标记输出一个error此时标记为error_shallow，然后再经过一层卷积层和一层最大池化层时再做一个标记并且再输出一个error此时标记为error_deep，最后将error_shallow和error_deep进行对比，选择其中较小的error进行后面的步骤；
步骤3）分类后检测，过程如下：
我们将得到的深度特征、纹理特征和灰度特征在MDPS-CNN中进行融合，融合后的结果用阈值法进行分类得到Fw(X1)，Fw(X2)。然后将两通道得到的分类结果图做比较生成差异图（Final change map,Fw(X1,X2)）。上式与原有极化SAR非局部均值滤波权值函数单调性一致，图像块越相似，权值越大，将上式应用到极化SAR非局部均值滤波中。
至此，采用一种深度学习分类后比较的SAR变化检测基本完成。
以下通过机载SAR图像实验进一步说明本发明的有效性。
机载极化SAR图像对比实验：
1．实验设置：
实验数据是高分三号系统获取的安徽省淮河段SAR图像，图像视数是4视，分辨率为10m×10m，大小为2058*2578像素。对比实验分别实现了Markov random field，经典CNN算法和阈值算法。。
2．结果分析：
从图2可以看出，CNN算法对图像的平滑效果很好，但同时SAR图像中非水体的纹理结构也被平滑，造成了图像细节信息丢失。
从图3可以看出，本发明提出深度学习分类后比较SAR变化检测方法不仅在均质区域抑制了相干斑噪声，而且在图像细节信息丰富的区域结构特征保持更好。
Claims (7)
1.一种深度学习分类后比较的SAR变化检测方法，其特征是包括以下步骤：
步骤1）分别对SAR图像的深度特征、纹理特征、灰度特征进行提取，并准备特征融合；
步骤2）构建MDPS-CNN网络；
步骤3）将得到的深度特征、纹理特征和灰度特征在MDPS-CNN中进行融合，融合后的结果分类比较形成差异图。
2.如权利要求1所述的深度学习分类后比较的SAR变化检测方法，其特征是步骤1）中深度特征提取的步骤是：从分类结果前入手，对深度特征进行处理，对于单个通道，利用MDPS-CNN网络进行训练，对输入的一张M*N尺寸大小的SAR图像进行训练，由于网络中每一层都可以输出该层的特征图，假设网络共有C层，我们选择在全连接层之前输出该SAR图像的特征图，记为其的深度特征。
3.如权利要求1所述的深度学习分类后比较的SAR变化检测方法，其特征是步骤1）中纹理特征提取的步骤是：融合多方向多尺度Gabor纹理特征，2维Gabor基函数通常表示为被复正弦函数调制的高斯函数。
4.如权利要求1所述的深度学习分类后比较的SAR变化检测方法，其特征是步骤1）中灰度特征提取的步骤是：利用邻域统计量提取图像灰度信息，计算某一像素点周围一定范围内像素邻域的灰度均值和标准差,并以此作为其灰度特征。
5.如权利要求1所述的深度学习分类后比较的SAR变化检测方法，其特征是步骤1）准备特征融合的步骤是：在训练设计网络的过程中，确定目标函数，其优化可以在特征融合任务中产生良好的性能，以便对后面分类做铺垫，训练的目的是找到融合函数Fw(X)；设SAR图像X，大小为h×w×c，其中，h和w为空间维数，c为通道尺寸，X = {x（i，j）|1≤i≤h，1≤j≤w}；x（i，j）是图像中位置（i，j）处的强度矢量，具有c维度，其等于输入图像的通道数量； SAR图像是一个通道，因此c是1，设X1和X2是两个待输入网络的SAR图像。
6.如权利要求1所述的深度学习分类后比较的SAR变化检测方法，其特征是步骤2）具体的包括：
步骤2.1）构建Multi-Depth CNN网络，该网络包含寄存器层、dropout层、卷积层、最大化层和全连接层；
步骤2.2）选择双通道的Pseudo-siamese网络；
步骤2.3）MDPS-CNN网络，将原有的pseudo-siamese网络和多深度网络进行结合，在输入层上是以SAR图像和其纹理特征、灰度特征为输入；以一个通道为例，首先将SAR图像输入到MDPS-CNN网络中，经过两层卷积层和两层最大池化层时，先做个标记输出一个error此时标记为error_shallow，然后再经过一层卷积层和一层最大池化层时再做一个标记并且再输出一个error此时标记为error_deep，最后将error_shallow和error_deep进行对比，选择其中较小的error进行后面的步骤；
后面的步骤如下：用上一步得到的较小的error的层中获取SAR图像在网络中的深度特征，与此同时，将SAR图像得到的纹理特征和灰度特征与其深度特征进行融合，然后输出一个特征图后，用阈值法进行分类；
最后将两个通道得到的分类图进行比较生成差异图；
步骤2.4）MDPS-CNN网络层数选择，先将SAR图像输入到MDPS-CNN网络中，经过两层卷积层和两层最大池化层时，先做个标记输出一个error此时标记为error_shallow，然后再经过一层卷积层和一层最大池化层时再做一个标记并且再输出一个error此时标记为error_deep，最后将error_shallow和error_deep进行对比，选择其中较小的error进行后面的步骤。
7.如权利要求6所述的深度学习分类后比较的SAR变化检测方法，其特征是步骤3）具体的包括：将得到的深度特征、纹理特征和灰度特征在MDPS-CNN中进行融合，融合后的结果用阈值法进行分类得到Fw(X1)，Fw(X2)；然后将两通道得到的分类结果图做比较生成差异图（Final change map,Fw(X1,X2)）。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910226864.8A CN109977968B (zh) | 2019-03-25 | 2019-03-25 | 一种深度学习分类后比较的sar变化检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910226864.8A CN109977968B (zh) | 2019-03-25 | 2019-03-25 | 一种深度学习分类后比较的sar变化检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109977968A true CN109977968A (zh) | 2019-07-05 |
| CN109977968B CN109977968B (zh) | 2021-03-12 |
Family
ID=67080299
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910226864.8A Expired - Fee Related CN109977968B (zh) | 2019-03-25 | 2019-03-25 | 一种深度学习分类后比较的sar变化检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109977968B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110570397A (zh) * | 2019-08-13 | 2019-12-13 | 创新奇智(重庆)科技有限公司 | 一种基于深度学习模版匹配算法检测成衣印花缺陷的方法 |
| CN111914686A (zh) * | 2020-07-15 | 2020-11-10 | 云南电网有限责任公司带电作业分公司 | 基于周域关联和模式识别的sar遥感图像水域提取方法、装置及系统 |
| CN112837221A (zh) * | 2021-01-26 | 2021-05-25 | 合肥工业大学 | 一种基于双重判别的sar图像超分辨率重建方法 |
| CN113297942A (zh) * | 2021-05-18 | 2021-08-24 | 合肥工业大学 | 基于分层压缩激励网络的户外多种场景快速分类识别方法 |
| CN113420771A (zh) * | 2021-06-30 | 2021-09-21 | 扬州明晟新能源科技有限公司 | 一种基于特征融合的有色玻璃检测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110222781A1 (en) * | 2010-03-15 | 2011-09-15 | U.S. Government As Represented By The Secretary Of The Army | Method and system for image registration and change detection |
| CN105608698A (zh) * | 2015-12-25 | 2016-05-25 | 西北工业大学 | 一种基于sae的遥感图像变化检测方法 |
| CN105844279A (zh) * | 2016-03-22 | 2016-08-10 | 西安电子科技大学 | 基于深度学习和sift特征的sar图像变化检测方法 |
| US20170061217A1 (en) * | 2015-08-31 | 2017-03-02 | Massachusetts Institute Of Technology | Combined Intensity And Coherent Change Detection In Images |
| CN106971402A (zh) * | 2017-04-21 | 2017-07-21 | 西安电子科技大学 | 一种基于光学辅助的sar图像变化检测方法 |
| CN107239795A (zh) * | 2017-05-19 | 2017-10-10 | 西安电子科技大学 | 基于稀疏自编码器和卷积神经网络的sar图像变化检测系统及方法 |
| CN108447057A (zh) * | 2018-04-02 | 2018-08-24 | 西安电子科技大学 | 基于显著性和深度卷积网络的sar图像变化检测方法 |
-
2019
- 2019-03-25 CN CN201910226864.8A patent/CN109977968B/zh not_active Expired - Fee Related
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110222781A1 (en) * | 2010-03-15 | 2011-09-15 | U.S. Government As Represented By The Secretary Of The Army | Method and system for image registration and change detection |
| US20170061217A1 (en) * | 2015-08-31 | 2017-03-02 | Massachusetts Institute Of Technology | Combined Intensity And Coherent Change Detection In Images |
| CN105608698A (zh) * | 2015-12-25 | 2016-05-25 | 西北工业大学 | 一种基于sae的遥感图像变化检测方法 |
| CN105844279A (zh) * | 2016-03-22 | 2016-08-10 | 西安电子科技大学 | 基于深度学习和sift特征的sar图像变化检测方法 |
| CN106971402A (zh) * | 2017-04-21 | 2017-07-21 | 西安电子科技大学 | 一种基于光学辅助的sar图像变化检测方法 |
| CN107239795A (zh) * | 2017-05-19 | 2017-10-10 | 西安电子科技大学 | 基于稀疏自编码器和卷积神经网络的sar图像变化检测系统及方法 |
| CN108447057A (zh) * | 2018-04-02 | 2018-08-24 | 西安电子科技大学 | 基于显著性和深度卷积网络的sar图像变化检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| LLOYD H. HUGHES: "Identifying Corresponding Patches in SAR and Optical Images With a Pseudo-Siamese CNN", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
| 蒋玉峰: "基于混合模型和分类后比较法的SAR图像变化检测", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 赵景晨: "基于超像素和孪生卷积神经网络的无监督高分辨率多光谱遥感影像变化检测技术", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110570397A (zh) * | 2019-08-13 | 2019-12-13 | 创新奇智(重庆)科技有限公司 | 一种基于深度学习模版匹配算法检测成衣印花缺陷的方法 |
| CN111914686A (zh) * | 2020-07-15 | 2020-11-10 | 云南电网有限责任公司带电作业分公司 | 基于周域关联和模式识别的sar遥感图像水域提取方法、装置及系统 |
| CN111914686B (zh) * | 2020-07-15 | 2022-10-18 | 云南电网有限责任公司带电作业分公司 | 基于周域关联和模式识别的sar遥感图像水域提取方法、装置及系统 |
| CN112837221A (zh) * | 2021-01-26 | 2021-05-25 | 合肥工业大学 | 一种基于双重判别的sar图像超分辨率重建方法 |
| CN112837221B (zh) * | 2021-01-26 | 2022-08-19 | 合肥工业大学 | 一种基于双重判别的sar图像超分辨率重建方法 |
| CN113297942A (zh) * | 2021-05-18 | 2021-08-24 | 合肥工业大学 | 基于分层压缩激励网络的户外多种场景快速分类识别方法 |
| CN113297942B (zh) * | 2021-05-18 | 2022-09-27 | 合肥工业大学 | 基于分层压缩激励网络的户外多种场景快速分类识别方法 |
| CN113420771A (zh) * | 2021-06-30 | 2021-09-21 | 扬州明晟新能源科技有限公司 | 一种基于特征融合的有色玻璃检测方法 |
| CN113420771B (zh) * | 2021-06-30 | 2024-04-19 | 扬州明晟新能源科技有限公司 | 一种基于特征融合的有色玻璃检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109977968B (zh) | 2021-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110472627B (zh) | 一种端到端的sar图像识别方法、装置及存储介质 | |
| CN110135267B (zh) | 一种大场景sar图像细微目标检测方法 | |
| CN109977968A (zh) | 一种深度学习分类后比较的sar变化检测方法 | |
| CN112597815B (zh) | 一种基于Group-G0模型的合成孔径雷达图像舰船检测方法 | |
| Wu et al. | Inshore ship detection based on convolutional neural network in optical satellite images | |
| CN114202696A (zh) | 基于上下文视觉的sar目标检测方法、装置和存储介质 | |
| Wan et al. | AFSar: An anchor-free SAR target detection algorithm based on multiscale enhancement representation learning | |
| 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 | |
| CN109543632A (zh) | 一种基于浅层特征融合引导的深层网络行人检测方法 | |
| CN110991257B (zh) | 基于特征融合与svm的极化sar溢油检测方法 | |
| CN117975167B (zh) | 弱矿斑矿石分选方法、装置、可读存储介质及设备 | |
| CN109543672A (zh) | 基于稠密特征金字塔网络的物体检测方法 | |
| Liu et al. | A multi-scale feature pyramid SAR ship detection network with robust background interference | |
| Chai et al. | Enhanced Cascade R-CNN for Multi-scale Object Detection in Dense Scenes from SAR Images | |
| CN116580322A (zh) | 一种地面背景下无人机红外小目标检测方法 | |
| CN115272278A (zh) | 一种用于遥感图像变化检测的变化检测模型的构建方法 | |
| CN118314353B (zh) | 一种基于双分支多尺度特征融合的遥感图像分割方法 | |
| CN112330562B (zh) | 一种异构遥感图像变换方法及系统 | |
| Hedjam et al. | Change detection in unlabeled optical remote sensing data using Siamese CNN | |
| Gui et al. | A scale transfer convolution network for small ship detection in SAR images | |
| Xia et al. | Abnormal event detection method in surveillance video based on temporal CNN and sparse optical flow | |
| Li et al. | A new algorithm of vehicle license plate location based on convolutional neural network | |
| Chaturvedi et al. | Small object detection using retinanet with hybrid anchor box hyper tuning using interface of Bayesian mathematics | |
| Luo et al. | SAM-RSIS: Progressively adapting SAM with box prompting to remote sensing image instance segmentation | |
| CN113313091B (zh) | 仓储物流下的基于多重注意力和拓扑约束的密度估计方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210312 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |