高分辨率遥感形象改变检测基于形态属性配置文件和决策融合

文摘

变化检测(CD)对准确理解至关重要的地表变化多瞬时地球观测数据。由于空间信息建模的巨大优势,形态属性配置文件(地图)正变得越来越流行在CD应用中提高识别能力。然而,大多数基于的地图CD方法实现通过设置属性配置文件(APs)手动的尺度参数和忽视的不确定性变化来自不同来源的信息。解决这些问题,新方法在高分辨率遥感图像(嗯)CD基于形态属性配置文件和决策融合提出了研究。通过建立目标函数最小的基础上平均系数的相关性,与自适应形态属性剖面尺度参数(ASP-MAPs)提出了利用空间结构信息。multifeature决策融合框架在此基础上,基于Dempster-Shafer (d - s)理论是构建获取CD地图。来自不同传感器的多瞬时嗯图像实验表明,该方法优于其他先进CD方法比较,和整体精度(OA)可达83.9%以上。

1。介绍

随着遥感系统的发展、变化检测(CD)已经吸引了广泛关注作为最重要的一个应用程序在遥感1]。准确的处理和理解的土地覆盖的变化是一个重要的问题在不同的应用程序有关的人类活动,如土地利用动态监测、植被健康和环境(2- - - - - -4]。野外使用新一代的高分辨率传感器(例如,IKONOS, QuickBird,和GF2)进一步扩大了光盘技术的应用(5]。与中期和低分辨率的遥感影像相比,更大的空间和土地覆盖专题信息包含在高分辨率遥感图像(嗯),这使得它可行的识别不同类型的复杂结构在一个场景(6]。,然而,由于一个物体的形状是由许多像素和光谱信息非常有限,这些属性的嗯图片使传统的基于像素的CD方法是基于光谱差异无效(7]。

为了解决这个问题,许多研究都集中在导入空间结构信息作为补充(8,9]。已经证明,这些信息非常有效提高识别能力的CD嗯图片(10]。在当前文学,监督机器学习方法在CD应用最为广泛用于特征提取(11,12]。然而,这些方法需要大量的标签的例子来确定模型参数和避免过度拟合(13]。与此同时,各种无监督的空间结构信息提取方法的CD嗯图片。不同的策略,如基于对象的方法结合图像分割(14),线性transformation-based方法(15),马尔可夫随机场(MRF)的基础方法(16),多尺度分析方法(17),和一些指标的变化强度测量(18- - - - - -20.),在这些研究。近年来,为了应对高水平的细节由于嗯图像分辨率的增加不明显甚至不利的CD,形态属性配置文件(地图)引入CD应用程序(7,21]。

最有效的空间建模方法分析嗯图片,运营商地图可以有效地实现基于土地覆盖的多尺度表示通过树结构(22,23]。与传统特征提取策略基于给定的滤波器窗口,地图可以扩大分析单位所有连接像素具有类似属性,有助于准确地提取空间结构信息的对象像素属于。此外,它们的有效性已经被证明在减少图像的复杂性和CD应用程序中提取空间结构信息24]。即便如此,仍有几个问题基于在大多数地图CD方法(25,26):(1)为了突出代表性的空间结构信息,同时减少还原剂信息数量有限的属性配置文件(APs),一套合理的尺度参数应该是自适应地确定。然而,地图的理论并没有给出明确的标准和尺度参数目前手动取决于经验。(2)针对土地覆盖变化在一个场景的复杂性,当结合多个APs的变化信息和其他特性,一些研究变化的不确定性考虑来自不同来源的信息。

有关上述挑战,一种新颖的方法基于形态学的CD在嗯图片属性资料和决策融合,提出了和本研究的贡献可以概括如下:(1)形态属性配置文件(ASP-MAPs)提出了自适应尺度参数提取代表APs同时减少冗余信息。通过建立目标函数最小的基础上平均系数的相关性,尺度参数设置为每个属性可以通过迭代计算自适应地确定。(2)此外,基于Dempster-Shafer multifeature决策融合框架(d - s)理论27构造。在这个框架中,改变强度指标(CII)和信心指标的证据(CIE)提出了描述变化信息和相应的信仰程度,分别和决策融合策略已经被证明是有效地提高决策的可靠性通过减少变化的不确定性来自不同来源的信息。

本文的其余部分组织如下:部分2简要介绍了映射理论,采用属性;节3,演示了该方法的具体实现过程;部分4包含一个实验的分析和讨论;结论是在一节5。

2。映射理论和采用的属性

2.1。地图理论

地图理论是由集合理论,连接区域对应一个像素提取光谱相似性和空间连通性为基本分析单元,然后,多尺度算子设计具有不同的属性。介绍了地图的计算过程如下(28):让表示一个灰度图像,表示一个像素 ,和表示灰度。这时,一个二进制图像可以得到:

遍历所有像素得到一个系列并设置打开操作的结果 。在此基础上,通过使用属性转换的对称,关闭操作的可以获得。让 表示尺度参数,表示量表的总数,打开配置文件和关闭资料表示如下:

通过结合和 ,地图可以获得。

2.2。采用属性

基于相关研究成果地图,四个属性已被证明是有效地嗯图像分类和CD应用在这项研究中,采用包括面积、对角线,标准差,和归一化转动惯量(敝中断)25,28]。

连接区域对应像素 ,反映了区域大小;对角线描述最低外部矩形的对角线长度属性;标准差描述了灰色的变异程度;和敝中断反映了形状和重力位置。

3所示。方法

基于图像配准和辐射多瞬时嗯正常化的图像,该方法的实现主要包括ASP-MAPs建设、改变信息描述基于CII, multifeature决策融合。具体实现过程的描述如图1。

3.1。ASP-MAPs建设

如图1ASP-MAPs建设过程中,规模参数首先取决于以下目标:有限数量的APs与不同尺度参数应该突出代表典型的土地覆盖的空间结构特征在一个场景,从而提高识别能力的变化发生在这些土地覆盖;此外,减少APs之间的冗余信息也需要一个合理的尺度参数设置(29日,30.]。在此基础上,预计APs的平均相关系数越小,越代表APs。基于这一原则,ASP-MAPs施工的具体过程如下。

3.1.1。梯度相似性(GRSIM)

为了衡量APs的系数相关性,需要一个合适的相似性度量。根据地图的理论,符合属性的像素范围由相应的尺度参数具有最大的响应,提出了为新生成的边缘(或对象)。因此,边缘相似性度量应该敏感变化。基于上述分析,一个梯度基于矢量的相似度测量,GRSIM,提出:三阶Sobel过滤器(31日)是用于提取图像之间的梯度信息和定义GRSIM指数和如下: 在哪里和表示的梯度幅值矩阵和 ,分别;和 ,分别表示的梯度方向矩阵和 ; _{, , , , ,} ,和表示标准偏差、方差和协方差。的价值就越大是,相关性越高和将。

3.1.2。基于GRSIM自适应尺度参数提取

自适应尺度参数提取策略的步骤如下:步骤1:设置时间间隔 和尺度的数量为每个属性自适应搜索最优参数集规模。根据建议(8,28,32),区域间隔设置为 ,对角线区间为 ,标准偏差区间为 ,敝中断间隔为 ,和不超过10。此外,根据以下多个实验的结果,建议设置6在这个研究。步骤2:为了避免陷入局部最优,( )尺度参数应该位于区间 。集如以下方程: 第三步:定义目标函数如下: 在哪里表示两个相邻的GRSIM APs。根据方程(3)- (5),迭代计算所有规模的组合参数,把组合对应的最小值作为提取的最优规模参数。在此基础上,多瞬时的ASP-MAPs图像可以根据方程(2节)2.1。

3.2。根据人民共和国改变信息描述

为了统一描述的变化信息提取ASP-MAPs和原始光谱强度变化指标,人民共和国,计算如下:步骤1:提取不同图像之间的不同时态APs同一尺度参数差异处理,并根据ASP-MAPs图像集的区别为每个属性可以获得。步骤2:提取不同图像之间的不同时间的图像相同的乐队的区别处理,和图像的差异基于原始光谱可以获得。步骤3:在图像的区别,因为像素的灰度值反映是否的可能性是一个改变像素,它是给定一个规范化治疗的时间间隔cii对应 。计算基于ASP-MAPs人民和所有乐队在原始图像,然后根据区域,五CII集对角线,标准差,敝中断,原始光谱对应可以获得。

3.3。Multifeature决策融合

d - s理论是决策理论的多源证据融合,和d - s理论的一个重要优点是显式的强劲能力估计的不确定性的多源证据(26,33]。因此,决定融合框架是构建在本研究从ASP-MAPs和原始光谱融合变化信息。

3.3.1。基本概率赋值公式(BPAF)

根据d - s理论,表示作为一个非空的子集 , 作为一个假设的空间,和BPAF作为 。的BPAF应满足以下约束条件: 在哪里代表着信仰的程度 ,的计算显示如下: 在哪里表示证据的总数,表示的BPAF计算证据 ,和 。

3.3.2。CIE的计算

为了衡量人民的信仰程度来自不同来源(包括面积、对角线、标准差,敝中断,和原始光谱),信心指标的证据,CIE,。对于每一个证据,CIE可以计算方程(8)。对于每一个人民,更大的CIE意味着更高的缓解程度应在决策融合过程:

3.3.3。建设决策融合框架

定义了决策融合框架 ,在哪里和分别代表了改变,改变像素。因此,包括非空的子集 , ,和 。为每个像素 ,BPAF可以通过以下方程: 在哪里和代表了人民共和国和CIE对应像素 。在此基础上,计算 , ,和 为像素通过方程(7),决策规则如下所示: 如果满足上面的规则,被认为是一个改变的像素;别的,被公认为一个像素不变。最后,CD地图可以通过遍历所有像素基于上述决策过程。

4所示。实验和分析

在实验中,三个数据集的多瞬时嗯图片。通过结合定量评价和视觉检验,验证了该方法的性能比较与各种先进的光盘的方法。

4.1。数据集描述

数据集1是一系列的航空遥感图像用红、绿、蓝的南京,中国;收购时间2009年3月和2012年2月,分别;空间分辨率为0.5 m,大小为512×512像素的图片,如图2(一个)。数据集2是一组QuickBird图像用红、绿、蓝的重庆,中国;收购时间是2007年9月和2011年8月,分别;空间分辨率为2.4 m,大小为512×512像素的图片,如图2 (b)。数据集3是一组SPOT-5 pan-sharpened图像用红、绿、蓝的上海,中国;收购时间2004年6月和2008年7月,分别;空间分辨率为2.5 m,大小为512×512像素的图片,如图2 (c)。除此之外,许多代表区域标记为红框(补丁I1、I3、I5)和蓝盒子(补丁I2、预告和16)在图2被选作详细的比较和分析。

选择的原因这三个数据集的实验如下:这些数据集代表不同的城市场景,主要是由建筑物、道路、植被、荒地,等等,都有助于证实所提出的方法的能力在认识的变化发生在这种典型的土地覆盖;此外,使用这些数据集是有益的评价该方法的适用性和稳定性在CD的应用程序。

4.2。实验装置

为了综合评价该方法的性能,五个先进的CD方法对比实验:采用改进的变化矢量分析(CVA)方法,包括CVA-Expectation最大(CVA-EM)方法(方法1)3),光谱角mapper-based方法(方法2)7),光谱和纹理功能方法(方法3)(34];图片的方法(方法4)(8];和深度学习——基于(DL)的方法(5)方法13]。比较方法的实现步骤和参数设置是一致的与原来的引用,以及该方法的自适应地提取尺度参数集被发表在表1- - - - - -3。

4.3。数据集的一般结果和分析

CD地图和三个数据集的参考地图数据所示3- - - - - -5,白色像素像素代表改变像素和黑色像素代表不变。此外,参考地图手动划定了现场调查和目视判读。

定量评价不同方法的结果被发表在表4- - - - - -6。在所有的三个数据集,该方法的总体精度(OA)达到了83.9%以上,和波动幅度小于1.5%,明显优于对比方法。因此,在带来的挑战不同的数据源,该方法具有精度高和稳定的优点。

在三个CVA-based CD方法,方法1和2只使用光谱差异作为CD,薄弱的基础能力识别错误的变化是微不足道的细节变化所导致的;因此,假阳性(FP)率和假阴性(FN)率超过30%和20%,分别。介绍了自纹理差异作为补充,这三个评价指标显示一个明显的改善方法3。因此,它是必要的,以处理一个像素的信息考虑其空间邻域系统为了产生更精确的CD地图。然而,方法3,一系列指定过滤器窗口定义手动提取纹理特征,这使得很难在符合固有的形状和面积当前像素属于相应的对象。相比之下,地图可以提取更精确的空间结构信息基于不固定的当地区域构成的连接像素具有相似属性。

与该方法相比,虽然4采用了APs方法提取变化信息,OA的结果显著降低和波动超过8%在所有三个数据集在这项研究中。这可能主要是由于在方法4中,规模参数设置手动,被忽视的突出代表的空间结构信息,同时减少还原剂在APs信息;最后CD地图是通过一个单一的阈值基于同样重量的变化来自不同数据源的信息,而忽视了不确定性变化的信息。在此基础上分析,额外的实验和讨论对OA的影响自适应尺度参数提取和决策融合提出了部分4.5。

DL-based的方法,方法内5利用密集的跳过连接UNet + +架构学习多尺度特征图从不同语义的水平。它展示了优秀的性能而言,CD基于卫星图像对组提出的列别捷夫(35),OA可能达到89%以上。然而,方法5显示低精度和坏的稳定性在所有三个数据集在这项研究中。预期,缺乏训练样本是有一个巨大的差异的主要原因的OA在不同的数据集。因此,DP-based方法无法实现或CD应用程序中获得可靠的结果没有足够的训练样本。然而,可以肯定的是,随着训练样本的增加,5将显著提高性能的方法。

4.4。视觉检查代表补丁

代表补丁在每个数据集的结果在图6(补丁I1和I2),图7(和我的补丁I3)和数字8(补丁I5和16)。每个代表的CD地图补丁讨论如下。

如数据所示6- - - - - -8,该方法表现出更好的性能比其他比较方法在大多数补丁,尤其是发生在典型的城市土地覆盖变化如建筑物、道路、不文明的土地,和疣状赘生物,这主要体现在以下几点:黄色矩形的I1,只有方法1,3,4,该方法几乎完整的轮廓提取的新体育馆;严重影响区域的阴影所示的紫色矩形I1,大量的假阳性存在在所有5个比较方法除了该方法;的黄色矩形I2,新的篮球场被方法1和2,错过了错过了网球场的新方法4;紫色的矩形的I2,新巷提取只有1和4的方法,该方法;新集群的建筑物如I3的黄色矩形所示,CD方法3和4,该方法效果明显优于其他方法比较;新的人造目标的重要的光谱差异所示I3的紫色的矩形,只有方法5显示大量的假阳性;黄色的矩形的预告,只有方法1和3,该方法提取的新建筑,而该方法有最少的假阳性;紫色的矩形的预告,紫色的矩形边界的变化树木的预告只有准确地认识到该方法;黄色和紫色的矩形I5和16,有大面积构成不文明的土地和拆迁产生的疣状赘生物的建筑集群,该方法和方法4显示,提供更好的性能的变化细节个体建筑;不变的重要的光谱差异的地区如绿色矩形的16所示,大量的假阳性1和2存在的方法。

因此,来自不同传感器的多瞬时嗯图像的实验表明,该方法优于其他比较方法在定量评价和视觉检查。

4.5。分析自适应尺度参数和决策融合效率

为了验证的有效性提出了自适应尺度参数提取策略和决策融合框架,分别以下两个实验方案进行:(1)手动设置的规模参数区域,对角线,标准差,敝中断和{100,918,1734,2548,3368,4185,5000},{10,25岁,40岁,55岁,70年,85年,100年},{0.2,0.25,0.3,0.35,0.4,0.45,0.5},,{20、25、30、35岁,40岁,45岁,50}[25),分别和剩下的步骤是符合该方法(6)方法;(2)平均提取的cii对应像素 ,遍历图像中的所有像素,利用EM方法(3)来确定一个阈值获取CD地图的OA(7)方法。不同的方法报道在表7。

如上所示,该方法的OA是明显高于其他两种方法。因此,提出自适应尺度参数提取策略和决策融合框架是必要的和有效的提高CD的准确性:前者是有助于突出代表性的空间结构信息,同时减少在APs还原剂信息;后者可以提高决策的可靠性,减少变化的不确定性来自不同来源的信息。

4.6。分析对OA具有不同的影响W

的过程中自适应尺度参数提取、尺度的数量,W,是唯一的下属参数应设置手动。为了指定设置的基础W,对OA的影响不同W分析了在这一节中。如图9、横向协调W、纵向坐标是OA和三个数据集是由曲线的结果在不同的风格。

如上所示,在这三个数据集的实验中,不断增加WOA显示了一个类似的总趋势逐渐上升,然后稳定,减少。其中, ,和是与OA曲线的峰值83.9%,84.9%,和85.1%的实验数据集1、2和3,分别。详细的值如表所示8。

如上所示,在数据集的实验2中,当W设置为6,OA可能达到84.5%和0.4%,仅略低于相应的OA最高。这意味着可以在所有的实验中获得理想结果的三个数据集通过设置W为6。因此,考虑到自动化和可靠性,建议直接设置W6在CD的应用程序。

5。结论

摘要小说提出了决策融合框架基于ASP-MAPs嗯图片的CD。通过建立目标函数最小的基础上平均系数的相关性,可以自适应地得到一组规模参数提取代表APs同时减少冗余信息。multifeature决策融合框架在此基础上,建立了基于d - s理论来提高决策的可靠性,减少变化的不确定性来自不同来源的信息。了该方法的有效性通过实验精心检查多瞬时嗯图像数据集。与五个不同类型的先进的CD方法相比,该方法表现出杰出的性能定量评价和目视检查,和OA达到83.9%以上,而波动幅度不到1.5%。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由江西省重点实验室开放研究基金的水信息合作传感和智能处理(2016号wicsip004),江苏省六Talent-peak项目(编号2019 - xydxx - 135),江苏海外访问学者计划大学杰出中青年教师和总统(2018 - 69),中国国家自然科学基金(61601229),和江苏省自然科学基金(没有。BK20160966)。

引用

1. j .太阳”,基于高分辨率遥感图像变化检测,”森林调查与规划,22卷,不。171年,第144 - 135页,2018年。视图:谷歌学术搜索
2. 答:一,j . Aryal实时检测甲虫侵袭的松林利用MODIS数据,”IEEE选择杂志的主题应用地球观测和遥感,7卷,不。9日,第3723 - 3713页,2014年。视图:出版商的网站|谷歌学术搜索
3. l . Bruzzone和d -普列托自动分析差分图像的非监督变化检测,”IEEE地球科学和遥感,38卷,不。3、1171 - 1182年,2000页。视图:出版商的网站|谷歌学术搜索
4. 答:一、j . Aryal和m . m . O ' reilly”一个健壮的multi-kernel变化检测框架,用于检测叶甲虫落叶利用陆地卫星7 ETM +数据,”ISPRS《摄影测量与遥感卷,122年,第178 - 167页,2016年。视图:出版商的网站|谷歌学术搜索
5. y . g . Liu Gousseau f . Tupin,“什么时候比较局部描述符用于变化检测的高空间分辨率卫星图像的城市地区,”IEEE地球科学和遥感卷,57号6,3904 - 3918年,2019页。视图:出版商的网站|谷歌学术搜索
6. s . j .公园,a . r . Achmad和m . Syifa“机器学习应用在江原道省沿海地区变化检测,韩国利用高分辨率卫星图像,”沿海研究期刊》的研究,卷90,不。1,第235 - 228页,2019。视图:出版商的网站|谷歌学术搜索
7. h .壮族、邓k和h .粉丝,“策略结合光谱角mapper和改变矢量分析在多光谱图像,非监督变化检测”IEEE地球科学和遥感信,13卷,不。5,681 - 685年,2016页。视图:出版商的网站|谷歌学术搜索
8. n法、m . d .色差和f .楼里,“在VHR图像变化检测基于形态属性配置文件”IEEE地球科学和遥感信,10卷,不。3、636 - 640年,2013页。视图:出版商的网站|谷歌学术搜索
9. e . m . o .对峙f·d·b·圣埃斯皮里图和f·w·Acerbi-Junior”减少的影响在热带季节性变化检测生物群落植被物候学,”GIScience &遥感卷,56号5,699 - 717年,2019页。视图:出版商的网站|谷歌学术搜索
10. w·马·h·杨,吴y”变化检测基于multi-grained瀑布森林和SAR图像多尺度融合,“遥感,11卷,不。2,p。142年,2019年。视图:出版商的网站|谷歌学术搜索
11. y中,w·刘,j .赵”变化检测基于脉冲耦合神经网络和敝中断功能的高空间分辨率遥感图像,”IEEE地球科学和遥感信,12卷,不。3、537 - 541年,2015页。视图:出版商的网站|谷歌学术搜索
12. k .狄更斯和a·阿姆斯特朗“机器学习应用于卫星派生深度测量法和海岸线检测”SMU数据科学评论,卷2,不。1,2019。视图:谷歌学术搜索
13. d .彭、张y和h .关”端到端为高分辨率卫星图像变化检测使用改进UNet + +,”遥感,11卷,不。11,1382年,页2019。视图:出版商的网站|谷歌学术搜索
14. x和y, d . Peng黄,“基于对象的变化检测VHR图像多尺度不确定性分析的基础上,“IEEE地球科学和遥感信,15卷,不。1 - 17,2018页。视图:出版商的网站|谷歌学术搜索
15. y Solano-Correa、f .这座塔楼和l . Bruzzone”多瞬时VHR图像的非监督变化检测方法获得不同的多光谱传感器,”遥感,10卷,不。4 p。533年,2018年。视图:出版商的网站|谷歌学术搜索
16. 陈y和z曹”,一种改进MRF-based多瞬时遥感图像变化检测方法,”信号处理,卷93,不。1,第175 - 163页,2013。视图:出版商的网站|谷歌学术搜索
17. t·白k .太阳,邓,d . Li w·李,和y陈,“多尺度分层抽样使用随机森林高分辨率卫星图像变化检测,”国际遥感杂志》上,39卷,不。21日,第7546 - 7523页,2018年。视图:出版商的网站|谷歌学术搜索
18. r . Kishorekumar和p . Deepa自动变化检测高分辨率遥感图像上使用multiindex信息地图,”集群计算,21卷,不。1,39-49,2018页。视图:出版商的网站|谷歌学术搜索
19. p .邵、w·史和m .,“Indicator-kriging-integrated证据理论在遥感图像非监督变化检测,”IEEE选择杂志的主题应用地球观测和遥感,11卷,不。12日,第4663 - 4649页,2018年。视图:出版商的网站|谷歌学术搜索
20. 美国Mahdavi b·萨利希w·黄m·阿玛尼和b . Brisco”PolSAR变化检测指数为洪水映射基于邻居信息,“遥感,11卷,不。16,1854年,页2019。视图:出版商的网站|谷歌学术搜索
21. m . m . Dalla j . a . Benediktsson f .这座塔楼和l . Bruzzone”一种无监督技术基于形态学滤波器在高分辨率图像变化检测,”IEEE地球科学和遥感信,5卷,不。3、433 - 437年,2008页。视图:出版商的网站|谷歌学术搜索
22. j . Lopez-Fandino D.B. cooper Heras、f .却和m . Dalla色差,“GPU框架多瞬时变化检测的高光谱图像,”国际期刊的并行编程卷,47号2、272 - 292年,2019页。视图:出版商的网站|谷歌学术搜索
23. g . Cavallaro m . Dalla色差,j . a . Benediktsson和l . Bruzzone”扩展自对偶属性为高光谱图像的分类资料,”IEEE地球科学和遥感信,12卷,不。8,1690 - 1694年,2015页。视图:出版商的网站|谷歌学术搜索
24. 刘,Du, x, a . Samat l . Bruzzone和f .楼里,“多尺度形态学压缩改变无监督多个矢量分析检测,”IEEE选择杂志的主题应用地球观测和遥感,10卷,不。9日,第4137 - 4124页,2017年。视图:出版商的网站|谷歌学术搜索
25. m . m . Dalla b·j·阿特利b . Waske和l . Bruzzone”扩展配置文件与形态属性过滤器高光谱数据的分析,“国际遥感杂志》上31卷,第5991 - 5975页,2010年。视图:出版商的网站|谷歌学术搜索
26. c·h·罗,c . Liu吴郭x,“城市变化检测基于dempster-shafer理论多瞬时高分辨率图像,”遥感,10卷,不。7,980年,页2018。视图:出版商的网站|谷歌学术搜索
27. b . Chen j·王,陈,“预测脉冲GTAW渗透状态基于BP神经网络和d - s证据理论信息融合,“国际先进制造技术杂志》上,48卷,不。1 - 4、83 - 94年,2010页。视图:出版商的网站|谷歌学术搜索
28. p . Ghamisi j . a . Benediktsson和j·r·人”自动spectral-spatial分类框架基于属性配置文件和监督特征提取,”IEEE地球科学和遥感,52卷,不。9日,第5782 - 5771页,2014年。视图:出版商的网站|谷歌学术搜索
29. c .阴黄x, s Dadras et al .,“优照明控制策略设计基于多变量分数阶极值寻找方法,”信息科学卷。465年,38-60,2018页。视图:出版商的网站|谷歌学术搜索
30. c, s, s .周j .曹黄x和y,“设计和稳定性分析的多变量极值寻求与牛顿法”富兰克林研究所杂志》上,卷355,不。4、1559 - 1578年,2018页。视图:出版商的网站|谷歌学术搜索
31. C.-W。周润发,彭译葶。陈和工程学系。陈”,增强了可见光信号性能的通信使用手机相机,“IEEE光子学》杂志,7卷,不。5,页1 - 7,2015。视图:出版商的网站|谷歌学术搜索
32. e . Aptoula m . Dalla色差,勒费弗,”高光谱图像分类向量属性资料,”IEEE地球科学和遥感,54卷,不。6,3208 - 3220年,2016页。视图:出版商的网站|谷歌学术搜索
33. s . l . Hegarat-Mascle。布洛赫和d·维达梅嘉”dempster-shafer应用证据理论在多源遥感、非监督分类”IEEE地球科学和遥感,35卷,第1031 - 1018页,1997年。视图:出版商的网站|谷歌学术搜索
34. y沈,c . Wang和j·l·胡“改善脑血管意外变化检测方法结合空间和光谱信息,“遥感技术及应用,34卷,不。4、71 - 80年,2019页。视图:谷歌学术搜索
35. m·a·列别捷夫y v . Vizilter o . v . Vygolov v . a . Knyaz和a . y .无论是“在遥感图像变化检测使用条件对抗的网络,”ISPRS -国际档案的摄影测量、遥感和空间信息科学卷,62年,第571 - 565页,2018年。视图:出版商的网站|谷歌学术搜索

版权

版权©2020钞王等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。