CN111553272B - 基于深度学习的高分辨率卫星光学遥感影像建筑物变化检测方法 - Google Patents
基于深度学习的高分辨率卫星光学遥感影像建筑物变化检测方法 Download PDFInfo
- Publication number
- CN111553272B CN111553272B CN202010347858.0A CN202010347858A CN111553272B CN 111553272 B CN111553272 B CN 111553272B CN 202010347858 A CN202010347858 A CN 202010347858A CN 111553272 B CN111553272 B CN 111553272B
- Authority
- CN
- China
- Prior art keywords
- network
- building
- result
- classification
- change detection
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (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)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
基于深度学习的高分辨率卫星光学遥感影像建筑物变化检测方法,包括步骤1对多期同分辨率同区域的遥感卫星影像进行建筑物的矢量范围勾勒;步骤2依照前后两期遥感影像进行建筑物变化区域的矢量范围勾勒;步骤3制作样本;步骤4扩充样本;步骤5搭建建筑物分类网络1;步骤6调用分类网络1中的参数,搭建变化检测网络2,检测两期影像变化;步骤7、8:分类网络参数及剩余参数训练;步骤9用训练好的网络参数进行建筑物分类检测与变化检测,对检测结果进行形态学处理、训练结果矢量化;步骤10将变化检测结果、建筑物分类结果与人工标定结果对比评定,优化补充样本、再训练。以上技术方案有效检测出变化,得到建筑物新增与减少的变化区域。
Description
技术领域
本发明属于计算机视觉和遥感技术领域,涉及一种深度学习变化检测方法,尤其是涉及一种基于深度学习的高分辨率卫星光学遥感影像建筑物变化检测方法。
背景技术
在本领域公知,所谓“建筑物的变化”是指建筑物存在新增和拆除的情况,从不同时期的卫星影像中可以观测到建筑物的变化。所以“建筑物的变化检测”是城市建设与管理中常常用卫星影像进行建筑物变化(新增与拆除)所进行的检测,从而进行城市土地利用的监管。
建筑物作为城市最主要的构成部分,一直是遥感影像解译的重点研究对象,在城市规划与管理领域有着重要的意义,而建筑物的变化检测在数据更新、城市土地用途实施管制、违法建筑监测等方面都至关重要,但是由于其光谱、纹理、几何形状等的复杂性,以及高分辨率遥感影像城市背景的复杂性,城市建筑物变化检测迄今为止仍然无法投入大规模的生产实践中,生产中还是以人工目视判读为主,随着遥感影像的更新频率提升,有普适性和实用性的建筑物与变化的检测方法亟待发展。
深度学习的应用已经较为广泛,目前在遥感影像分割与目标识别领域都有一定的研究成果,作为视觉处理的主流深度学习框架,CNN被广泛应用于图像分类,并以此为基础逐渐发展了一系列通用的CNN架构,如AlexNet、VGGNet、GoogleNet、ResNet等。
高分辨率城市遥感影像包含地物信息丰富,地物复杂度高,目前主要的自动分类方法有马尔科夫随机场、条件随机场、SVM、决策树等,但是由于这些方法依赖于影像特征的选取,难以推广于大面积的影像分类。
深度学习网络有效地解决了特征选取的问题,通过深度网络模型的自动学习,可以获得高层次的语义特征,得到更为精确的语义分割结果。
发明内容
本发明主要是解决现有变化检测技术中,存在的高分辨率卫星影像变化样本缺乏、自动变化检测程度低的问题,提供了一种基于深度学习高分辨率卫星光学遥感影像建筑物变化检测方法,可以有效检测出变化,从而得到建筑物新增与减少的变化区域。
本发明所采用的技术方案:
一种基于深度学习的高分辨率卫星光学遥感影像建筑物变化检测方法,包括以下步骤:
步骤1:对多期同分辨率同区域的高分辨率遥感卫星影像进行建筑物的矢量范围勾勒;
步骤2:依照前后两期高分辨率遥感影像进行建筑物变化区域的矢量范围勾勒;
步骤3:用步骤1与步骤2中勾勒好的矢量范围进行样本构建,分别制作建筑物分类样本、变化检测样本,并将所有样本裁剪为统一尺寸;
步骤4:将步骤3中裁剪好的样本进行旋转、镜像翻转、色彩与亮度的调整等,以扩充样本量,色彩与亮度的调整是将影像从RGB的色彩空间转变为HSI色彩空间,通过对H、S、I三个分量的调整,然后将调整好的影像转变回RGB色彩空间,实现样本的丰富;
步骤5:在ResNet50基础上搭建深度学习的建筑物分类网络1;
步骤6:调用步骤5中的建筑物分类网络1中的参数,在此基础上进行变化检测网络2的搭建,实现两期影像的变化检测;
步骤6.1:网络由三个部分组成,包括两个分类网络1与一个变化检测网络2部分,其中分类网络1的部分网络参数由步骤5训练获得,对前后两期影像image1与image2用已经训练好的建筑物分类网络1的参数,分别进行特征提取与反卷积升采样,由于在反卷积的过程中,各层都有效包含了不同尺度下影像的特征,所以将五个隐藏层与预测层都作为变化检测网络2的输入(特征图);
步骤6.2:差值图1i为特征图1-i与特征图2-i差值的绝对值,矩阵为50*50*2048,经归一化后反卷积得到差值图1(i+1),矩阵为50*50*256,然后特征图1-(i+1)与特征图2-(i+1)也取差值与绝对值,经过3*3卷积处理,得到50*50*256的矩阵差值图2i,并于差值图1(i+1)通过合并得到50*50*512的矩阵,依此类推得到最终的400*400*1的变化检测结果预测结果(这里的i取值为1至5自然数,表示第i个网络层得到的特征图),将此结果与变化标定样本计算softmax cross entropy值的计算:
首先进行softmax计算:
式(1)中Sj为softmax在第j个位置的输出结果,k表示当前类别,n表示总类别数(0<k≤n);分母表示k取值从0到n的的综合,表现分类结果的一种整体情况;aj表示第j个类别处的经过网络计算得到的数值;表示用e作为底数,aj作为指数的计算值;
然后将Sj作为公式(2)的输入,进行交叉熵cross entropy的计算:
Hy′(y)=-∑iyi′log(yi) (2)
式(2)中yi′为勾画样本中的第i个值,yi为公式(1)softmax的输出结果,即Sj,用公式(2)对分类结果进行评估;
步骤7:将建筑物样本投入分类网络1中,进行分类网络的参数的训练;
步骤8:冻结分类网络1部分的参数,将变化样本投入变化检测网络2中,调用分类网络1的参数,并依照变化检测网络2结构进行剩余参数的训练;
步骤9:用训练好的网络1及网络2的参数进行某一区域范围内的建筑物分类检测与变化检测,然后对检测结果进行形态学处理,并进行训练结果的矢量化;
步骤9.1:将被检测区域全范围内影像投入训练好的网络中,由于网络训练中使用的是400*400*3的影像,需要在测试中将被检测区域全范围影像分块测试,并合并在一起;
步骤9.2:将检测得到的结果进行形态学处理的开运算与闭运算,开运算是对结果进行先腐蚀后膨胀,去除孤立的小点和毛刺等;闭运算是对结果进行先膨胀后腐蚀的运算,填平小孔洞,使结果边缘更为完整;
步骤9.3:将步骤9.2处理后的结果进行矢量化,得到建筑物矢量边界与变化检测的矢量边界;
步骤10:将变化检测结果、建筑物分类结果与人工标定结果对比,进行结果评定,并优化补充样本,进行进一步训练,形成良性的循环。
以上技术方案有效检测出变化,从而得到建筑物新增与减少的变化区域。
附图说明
图1为本发明实施例1的总体流程图;
图2为本发明实施例1的建筑物分类网络设计示意图;
图3为本发明实施例1的变化检测网络设计示意图;
图4为本发明实施例1的建筑物样本勾勒示意图;
图5为本发明实施例1的变化检测样本勾勒示意图。
图6为本发明实施例1的变化检测结果勾勒示意图
图7为本发明实施例1的建筑物分类结果示意图
图8为本发明实施例1与传统变化检测结果对比。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
实施例1
请见图1,本发明提供一种基于深度学习的高分辨率卫星光学遥感影像建筑物变化检测方法,包括以下步骤:
步骤1:对多期同分辨率同区域的高分辨率遥感卫星影像进行建筑物的矢量范围勾勒;
步骤2:依照前后两期高分辨率遥感影像进行建筑物变化区域的矢量范围勾勒;
步骤3:用步骤1与步骤2中勾勒好的矢量范围进行样本构建,分别制作建筑物分类样本、变化检测样本,并将所有样本裁剪为统一尺寸;
步骤4:将步骤3中裁剪好的样本进行旋转、镜像翻转、色彩与亮度的调整等,以扩充样本量,色彩与亮度的调整是将影像从RGB的色彩空间转变为HSI色彩空间,通过对H、S、I三个分量的调整,然后将调整好的影像转变回RGB色彩空间,实现样本的丰富;
步骤4.1:将每个影像样本分别进行90°、180°和270°的旋转,然后进行横向与纵向的镜像翻转;
步骤4.2:将影像转换到HIS色彩空间的,然后分别进行H、S、I三个分量的调整,将亮度调高、调低10%,将饱和度调高、调低10%,将色调分别向红、绿、蓝偏移,实现样本的丰富。
步骤5:在ResNet50基础上进行网络的改进,搭建深度学习的建筑物分类网络1;
步骤5.1:如附图2所示,网络的输入为三波段的400*400*3的RGB三波段影像,输出为单波段的400*400*1的分类预测结果,在特征提取阶段,网络的结构基本保持与ResNet50一致,采用残差学习的模块,由步长为2的7*7卷积层、3*3的最大池化、以及5个不同深度的卷积层构成,确保在数据集较大的情况下,网络特征提取的有效性;
步骤5.2:然后借鉴Unet的结构,进行反卷积,每层反卷积都整合降采样过程中对应的层,同时借鉴FPN的网络结构设计,在图2中加入细虚线箭头的部分,即在升采样过程中的5个矩阵形态都直接重采样为400*400*1的原始影像大小,并加入到最终的预测结果中进行loss值的计算。
步骤6:调用步骤5中的建筑物分类网络1中的参数,在此基础上进行变化检测网络2的搭建,实现两期影像的变化检测;
步骤6.1:如图3所示,网络由三个部分组成,包括两个分类网络1与一个变化检测网络2部分,其中分类网络1的部分网络参数由步骤5训练获得,对前后两期影像image1与image2用已经训练好的建筑物分类网络1的参数,分别进行特征提取与反卷积升采样,由于在反卷积的过程中,各层都有效包含了不同尺度下影像的特征,所以将五个隐藏层与预测层都作为变化检测网络2的输入(特征图);
步骤6.2:如图3所示,以特征图1-i为例,它实际就是与之虚线相连的50*50*2048的矩阵的,然后特征图1-i与特征图2-i相减并取绝对值,就得到差值图1i,然后通过反卷积,得到50*50*256的差值图1(i+1),同时特征图1-(i+1)与特征图2-(i+1)相减得到的是50*50*512的矩阵,通过卷积处理得到50*50*256的差值图2i,差值图2i与差值图1(i+1)直接合并,得到一个矩阵,该矩阵经过反卷积处理后得到差值图2(i+1),以此类推得到最终的400*400*1的变化检测结果预测结果,将此结果与变化标定样本计算softmax crossentropy值的计算:
首先进行softmax计算:
式(1)中Sj为softmax在第j个位置的输出结果,k表示当前类别,n表示总类别数(0<k≤n);分母表示k取值从0到n的的综合,表现分类结果的一种整体情况;aj表示第j个类别处的经过网络计算得到的数值;表示用e作为底数,aj作为指数的计算值;
然后将Sj作为公式(2)的输入,进行交叉熵cross entropy的计算:
Hy′(y)=-∑iyi′log(yi) (2)
式(2)中yi′为勾画样本中的第i个值,yi为公式(1)softmax的输出结果,即Sj,用此公式可以对分类结果进行评估。
步骤7:将建筑物样本投入分类网络1中,进行分类网络的参数的训练;
步骤8:冻结分类网络1部分的参数,将变化样本投入变化检测网络2中,调用分类网络1的参数,并依照变化检测网络2结构进行剩余参数的训练;
步骤9:用训练好的网络1及网络2的参数进行某一区域范围内(例如某一城市的全市范围)的建筑物分类检测与变化检测,然后对检测结果进行形态学处理,并进行训练结果的矢量化;
步骤9.1:将全市影像投入训练好的网络中,由于网络训练中使用的是400*400*3的影像,需要在测试中将全市影像分块测试,并合并在一起,为了解决接缝处衔接问题,相邻分块之间采用20个像素宽度的衔接过渡,这20像素的宽度内进行两次分类测试,每个像素的分类结果取两次检测中概率较大的一个,以此解决接缝问题;
步骤9.2:将检测得到的结果进行形态学处理的开运算与闭运算,开运算是对结果进行先腐蚀后膨胀,可以去除孤立的小点和毛刺等;闭运算是对结果进行先膨胀后腐蚀的运算,可以填平小孔洞,使结果边缘更为完整;
步骤9.3:将步骤9.2处理后的结果进行矢量化,得到建筑物矢量边界与变化检测的矢量边界;
步骤10:将变化检测结果、建筑物分类结果与人工标定结果对比,进行结果评定,并优化补充样本,进行进一步训练,形成良性的循环。
步骤10.1:对比建筑物自动分类结果与人工标定的结果之间的差异,将错误分类部分标定为建筑物负样本,将漏检部分作为补充加入建筑物分类的样本中,进行分类网络1的参数优化;
步骤10.2:原分类网络1结构不变化,用优化后的样本进行网络参数的训练与优化;
步骤10.3:对比变化检测结果与人工标定结果之间的差异,将错检部分标定为变化的负样本,将变化漏检部分作为补充加入变化检测的样本中,进行变化检测网络2的参数优化;
步骤10.4:原变化检测网络2结构不变,调用优化好的分类网络1参数,并在此基础上进行变化检测部分网络参数的优化。
算法变化检测结果对比
图2的网络,即网络1,为建筑物分类网络模块,通过多层的网络结构提取出建筑物的特征。图3的网络构造,包括两个“网络1”和“网络2”,所述“网络2”为变化检测网络模块。图3的网络,可以将建筑物的特征直接加入到变化检测网络模块中。
传统的变化检测网络方法通常是将变化信息作为样本,直接投入到深度学习网络中进行学习的,但是由于遥感地物的复杂性,传统变化检测网络直接对建筑物变化的样本进行学习,得到的模型结果往往会有很多误检的情况,检测出来的很多变化区域甚至不是建筑物类别的。传统变化检测网络就是直接将变化信息投入现有的Unet、FCN、Resnet网络等,或者将两期影像直接合并后投入上述网络,
如图8变化检测结果对比示意图:
本申请方法是以图1、图2、图3所示网络结构及算法进行检测;
而传统方法就是直接将两期影像六个波段(每期影像都是红、绿蓝三个波段,两期就是六个波段)投入Resnet50进行检测的结果。可以看到相比本申请的算法,传统方法有漏检的情况。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (1)
1.一种基于深度学习的高分辨率卫星光学遥感影像建筑物变化检测方法,其特征在于,包括以下步骤:
步骤1:对多期同分辨率同区域的高分辨率遥感卫星影像进行建筑物的矢量范围勾勒;
步骤2:依照前后两期高分辨率遥感影像进行建筑物变化区域的矢量范围勾勒;
步骤3:用步骤1与步骤2中勾勒好的矢量范围进行样本构建,分别制作建筑物分类样本、变化检测样本,并将所有样本裁剪为统一尺寸;
步骤4:将步骤3中裁剪好的样本进行旋转、镜像翻转、色彩与亮度的调整等,以扩充样本量,色彩与亮度的调整是将影像从RGB的色彩空间转变为HSI色彩空间,通过对H、S、I三个分量的调整,然后将调整好的影像转变回RGB色彩空间,实现样本的丰富;
步骤5:在ResNet50基础上搭建深度学习的建筑物分类网络1;
步骤6:调用步骤5中的建筑物分类网络1中的参数,在此基础上进行变化检测网络2的搭建,实现两期影像的变化检测;
步骤6.1:网络由三个部分组成,包括两个分类网络1与一个变化检测网络2部分,其中分类网络1的部分网络参数由步骤5训练获得,对前后两期影像image1与image2用已经训练好的建筑物分类网络1的参数,分别进行特征提取与反卷积升采样,由于在反卷积的过程中,各层都有效包含了不同尺度下影像的特征,所以将五个隐藏层与预测层都作为变化检测网络2的输入;
步骤6.2:差值图1i为特征图1-i与特征图2-i差值的绝对值,矩阵为50*50*2048,经归一化后反卷积得到差值图1(i+1),矩阵为50*50*256,然后特征图1-(i+1)与特征图2-(i+1)也取差值与绝对值,经过3*3卷积处理,得到50*50*256的矩阵差值图2i,并于差值图1(i+1)通过合并得到50*50*512的矩阵,依此类推得到最终的400*400*1的变化检测结果预测结果这里的i取值为1至5自然数,表示第i个网络层得到的特征图,将此结果与变化标定样本计算softmax cross entropy值的计算:
首先进行softmax计算:
式(1)中Sj为softmax在第j个位置的输出结果,k表示当前类别,n表示总类别数0<k≤n;分母表示k取值从0到n的的综合,表现分类结果的一种整体情况;aj表示第j个类别处的经过网络计算得到的数值;表示用e作为底数,aj作为指数的计算值;
然后将Sj作为公式(2)的输入,进行交叉熵cross entropy的计算:
Hy′(y)=-∑iyi′log(yi) (2)
式(2)中yi′为勾画样本中的第i个值,yi为公式(1)softmax的输出结果,即Sj,用公式(2)对分类结果进行评估;
步骤7:将建筑物样本投入分类网络1中,进行分类网络的参数的训练;
步骤8:冻结分类网络1部分的参数,将变化样本投入变化检测网络2中,调用分类网络1的参数,并依照变化检测网络2结构进行剩余参数的训练;
步骤9:用训练好的网络1及网络2的参数进行某一区域范围内的建筑物分类检测与变化检测,然后对检测结果进行形态学处理,并进行训练结果的矢量化;
步骤9.1:将被检测区域全范围内影像投入训练好的网络中,由于网络训练中使用的是400*400*3的影像,需要在测试中将被检测区域全范围影像分块测试,并合并在一起;
步骤9.2:将检测得到的结果进行形态学处理的开运算与闭运算,开运算是对结果进行先腐蚀后膨胀,去除孤立的小点和毛刺等;闭运算是对结果进行先膨胀后腐蚀的运算,填平小孔洞,使结果边缘更为完整;
步骤9.3:将步骤9.2处理后的结果进行矢量化,得到建筑物矢量边界与变化检测的矢量边界;
步骤10:将变化检测结果、建筑物分类结果与人工标定结果对比,进行结果评定,并优化补充样本,进行进一步训练,形成良性的循环。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010347858.0A CN111553272B (zh) | 2020-04-28 | 2020-04-28 | 基于深度学习的高分辨率卫星光学遥感影像建筑物变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010347858.0A CN111553272B (zh) | 2020-04-28 | 2020-04-28 | 基于深度学习的高分辨率卫星光学遥感影像建筑物变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111553272A CN111553272A (zh) | 2020-08-18 |
CN111553272B true CN111553272B (zh) | 2022-05-06 |
Family
ID=72005867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010347858.0A Active CN111553272B (zh) | 2020-04-28 | 2020-04-28 | 基于深度学习的高分辨率卫星光学遥感影像建筑物变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111553272B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112651338B (zh) * | 2020-12-26 | 2022-02-15 | 广东电网有限责任公司电力科学研究院 | 一种输电线路违章施工隐患的判别方法及装置 |
CN114757398A (zh) * | 2022-03-25 | 2022-07-15 | 西南科技大学 | 一种铁塔倾斜传感器节点最小用量部署方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104700411A (zh) * | 2015-03-15 | 2015-06-10 | 西安电子科技大学 | 基于稀疏重建的两时相遥感影像变化检测方法 |
CN108446588A (zh) * | 2018-02-05 | 2018-08-24 | 中国测绘科学研究院 | 一种双时相遥感影像变化检测方法及系统 |
US20180293456A1 (en) * | 2015-12-18 | 2018-10-11 | Ventana Medical Systems, Inc. | Systems and methods of unmixing images with varying acquisition properties |
CN109446992A (zh) * | 2018-10-30 | 2019-03-08 | 苏州中科天启遥感科技有限公司 | 基于深度学习的遥感影像建筑物提取方法及系统、存储介质、电子设备 |
CN109961105A (zh) * | 2019-04-08 | 2019-07-02 | 上海市测绘院 | 一种基于多任务深度学习的高分辨率遥感影像分类方法 |
CN110136170A (zh) * | 2019-05-13 | 2019-08-16 | 武汉大学 | 一种基于卷积神经网络的遥感影像建筑物变化检测方法 |
-
2020
- 2020-04-28 CN CN202010347858.0A patent/CN111553272B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104700411A (zh) * | 2015-03-15 | 2015-06-10 | 西安电子科技大学 | 基于稀疏重建的两时相遥感影像变化检测方法 |
US20180293456A1 (en) * | 2015-12-18 | 2018-10-11 | Ventana Medical Systems, Inc. | Systems and methods of unmixing images with varying acquisition properties |
CN108446588A (zh) * | 2018-02-05 | 2018-08-24 | 中国测绘科学研究院 | 一种双时相遥感影像变化检测方法及系统 |
CN109446992A (zh) * | 2018-10-30 | 2019-03-08 | 苏州中科天启遥感科技有限公司 | 基于深度学习的遥感影像建筑物提取方法及系统、存储介质、电子设备 |
CN109961105A (zh) * | 2019-04-08 | 2019-07-02 | 上海市测绘院 | 一种基于多任务深度学习的高分辨率遥感影像分类方法 |
CN110136170A (zh) * | 2019-05-13 | 2019-08-16 | 武汉大学 | 一种基于卷积神经网络的遥感影像建筑物变化检测方法 |
Non-Patent Citations (2)
Title |
---|
《A Deep Convolutional Coupling Network for Change Detection Based on Heterogeneous Optical and Radar Images》;J. Liu,et al;《IEEE Transactions on Neural Networks and Learning Systems》;20180331;第29卷(第3期);全文 * |
《基于改进U-Net网络的遥感图像云检测》;张永宏等;《测绘通报》;20200331;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111553272A (zh) | 2020-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115331087B (zh) | 融合区域语义与像素特征的遥感影像变化检测方法及系统 | |
CN111914611B (zh) | 城市绿地高分遥感监测方法与系统 | |
CN112287978A (zh) | 一种基于自注意力上下文网络的高光谱遥感图像分类方法 | |
CN111126202A (zh) | 基于空洞特征金字塔网络的光学遥感图像目标检测方法 | |
CN110516539A (zh) | 基于对抗网络的遥感影像建筑物提取方法、系统、存储介质及设备 | |
CN110796009A (zh) | 基于多尺度卷积神经网络模型的海上船只检测方法及系统 | |
CN114943963A (zh) | 一种基于双分支融合网络的遥感图像云和云影分割方法 | |
CN107680113A (zh) | 基于贝叶斯框架边缘先验的多层分割网络的图像分割方法 | |
CN111860351A (zh) | 一种基于行列自注意力全卷积神经网络的遥感图像鱼塘提取方法 | |
CN114972191A (zh) | 一种耕地变化检测方法和装置 | |
CN110956207B (zh) | 一种光学遥感影像全要素变化检测方法 | |
CN111161224A (zh) | 基于深度学习的铸件内部缺陷分级评估系统及方法 | |
CN111882620A (zh) | 一种基于多尺度信息道路可行驶区域分割方法 | |
CN111553272B (zh) | 基于深度学习的高分辨率卫星光学遥感影像建筑物变化检测方法 | |
CN114494821A (zh) | 基于特征多尺度感知与自适应聚合的遥感影像云检测方法 | |
CN112418049A (zh) | 一种基于高分遥感影像的水体变化检测方法 | |
CN109961105A (zh) | 一种基于多任务深度学习的高分辨率遥感影像分类方法 | |
CN115661677A (zh) | 一种基于暗通道特征引导的轻量级卫星影像云检测方法 | |
CN111797920A (zh) | 门控特征融合的深度网络不透水面遥感提取方法及系统 | |
CN116524189A (zh) | 一种基于编解码索引化边缘表征的高分辨率遥感图像语义分割方法 | |
CN114120036A (zh) | 一种轻量化的遥感图像云检测方法 | |
CN115272776B (zh) | 基于双路卷积与双注意的高光谱图像分类方法及存储介质 | |
CN115147727A (zh) | 一种遥感影像不透水面提取方法及系统 | |
CN115330703A (zh) | 基于上下文信息融合的遥感影像云与云阴影检测方法 | |
CN114119630A (zh) | 基于耦合图谱特征的海岸线深度学习遥感提取方法 |
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 |