精华内容
下载资源
问答
  • 遥感图像变化检测数据集

    千次阅读 多人点赞 2020-02-29 16:50:14
    1.武汉多时相场景变化检测数据集 (MtS-WH) Multi-temp Scene Wuhan(MtS-WH) 数据集主要用于进行场景变化检测的方法理论研究与验证。场景变化检测就是在场景语义的层次上,对一定范围区域的土地利用属性变化情况进行...

    转载请注明出处


    更新:2020/04/15


    Multispectral

    1. 武汉多时相场景变化检测数据集 (MtS-WH)

    Multi-temp Scene Wuhan(MtS-WH) 数据集主要用于进行场景变化检测的方法理论研究与验证。场景变化检测就是在场景语义的层次上,对一定范围区域的土地利用属性变化情况进行检测和分析。

    本数据集主要包括两张由IKONOS传感器获得的VHR图像,大小为7200 x 6000的大尺寸高分辨率遥感影像。覆盖范围为中国武汉市汉阳区。影像分别获取于2002年2月和2009年6月,经过GS算法融合,分辨率为1m,包含4个波段(蓝,绿,红和近红外波段)。

    整个数据集的训练样本和测试样本都是在大尺度高分辨率遥感影像中选取产生的。每个时相训练集包括190张影像,测试集包括1920张影像。训练集和测试集的场景图片共划分为以下几个类别:

     

    该数据集并不是像素级标注,而是每150 * 150 pixel作为一个网格,设置一个类别。

     

    2. Onera Satellite Change Detection Dataset (OSCD)

    它包含2015年至2018年之间从Sentinel-2卫星拍摄的24对多光谱图像。在世界各地(巴西,美国,欧洲,中东和亚洲)都选择了一些位置。 对于每个位置,均提供了Sentinel-2卫星获得的13个波段的多光谱卫星图像的配准对。 图像的空间分辨率在10m,20m和60m之间变化。其中的14对图像提供了像素级变化的ground truth。 带注释的更改集中于城市变化,例如新建筑物或新道路。

    数据集的具体描述在这篇论文中(我的笔记),比较详细地介绍了数据集的获取方式,注释特点,和一些局限性。该数据集专注于城市区域,仅urban growth and changes被标记为 Change ,而像 vegetation growth 或 sea tides 的 natural changes 被标注为 no Change。

     

                            

    其余10幅图像的ground truth仍未公开。变更预测图可以上传至IEEE GRSS DASE网站进行评估。

    Note:数据集的 Train Labels(ground truth)的.png图像中,有的是三通道,有的是四通道,编程处理的时候需要注意。

     

    3. The Aerial Imagery Change Detection (AICD) dataset

    此数据集(百度网盘 (anf5))包含1000对800x600图像,每对包括一个参考图像和一个测试图像,以及1000个对应的800x600 ground truth。 这些图像是使用游戏Virtual Battle Station 2的渲染引擎进行渲染,生成的,并不是真实的图像。

    Shadows
    NoShadow
    GroundTruth

     

    4.  LANDSAT images 

    美国国家地质调查局(USGS)网站上提供的LANDSAT图像开发的图像集。 该网站提供各种分辨率的图像,并提供图像中已发生更改的详细说明。可通过 dropbox | 百度网盘(b37d)获得。

     

    5.  SZTAKI AirChange Benchmark set

    该基准集包含13对航空影像,尺寸为952x640,分辨率为1.5m/pixel,以及binary change masks(手工绘制)。
    每个记录都包含一对初步配准的输入图像和change mask。 在生成change mask时,数据集将以下差异视为相关更改:(a)新建城区(b)建筑施工(c)种植大批树木(d)新的耕地(e)重建前的基础工作。 请注意,ground truth不包含变化分类,仅为每个像素标注 变化/不变化 标签。这是最常用的数据集之一。 

    该数据集的下载需要账号和密码:sztaki  deva

     

    6. SCID: Semantic Change detection Image Dataset

     说的挺好,但还未公开。

    SCID是用于遥感影像中语义变化检测问题的数据集。 它由555对大小为512x512的遥感图像组成,可用于生成和评估语义变化检测器。 这些SCID图像的每个像素都标注了三个主要类别,分别是“不变”,“季节性变化”和“使用模式变化”。“季节变化”意味着图像对中具有相应位置的像素代表季节变化,例如草地变成裸地。  “使用模式改变”意味着图像对中具有对应位置的像素表示具有使用模式改变,例如,空地转向居住区。

     

    7. ABCD dataset

    ABCD(AIST Building Change Detection)数据集是一个标记数据集,专门用于构建和评估损坏检测系统,以识别建筑物是否已被海啸冲走。该数据集中的每个数据都是一对海啸前后的航拍图像,并包含位于图像中心的目标建筑物。 分配给每个贴片对的类别标签(即“冲走”或“幸存”)表示海啸发生前贴片中心的建筑物是否被海啸冲走。

    图像分为两种:fixed-scale and resized。 Fixed-scale patches从航拍图像中裁剪出固定的160 x 160像素的图像; 因此它们具有与原始图像相同的分辨率(40厘米)。 相反,resized patches 根据每个目标建筑的大小进行裁剪(具体来说,是目标建筑的三倍大),然后全部调整为128 x 128像素; 因此 patches 的空间比例因建筑物而异。 所得的ABCD数据集包含 8,506 pairs for fixed-scale (4,253 washed-away) and 8,444 pairs for resized (4,223 washed-away)。

    根目录包含两个目录:fixed-scale /和resized /,每个目录对应于如上所述的fixed-scale和resize图像。 每个目录都有两个子目录:patch-pairs /和5fold-list /。 在patch-pairs/中,"washed-away" 和 "surviving" patch pairs 以.tif格式存储。 每个.tif文件包含6个通道,前三个通道用于海啸前的RGB图像,后三个通道用于海啸后的图像。 另外,5fold-list /中是csv文件,格式如下:

    "1" for "washed-away" and "0" for "surviving"

     

    fixed-scale
    resized

     

    8. CDD (in this Paper

    该数据集具有三种类型:没有对象相对移动的合成图像,对象相对移动较小的合成图像,随季节变化的真实遥感图像(由Google Earth获得)。 随季节变化的遥感图像具有16000个图像集,图像尺寸为256x256像素(10000个训练集以及3000个测试和验证集),空间分辨率为3至100 cm / px。可以通过 Google Drive | 百度网盘(x8gi) 获得。

    数据集中包含生成图像(具有随机背景和随机不相交的几何图形(正方形,圆形,矩形,三角形)的RGB图像对)和真实图像。具体介绍在论文的 EXPERIMENTS 部分。

    A

     

    B

     

    OUT

     

    9. BCDD (in this Paper)

    数据集覆盖了2011年2月发生6.3级地震的区域,并在随后的几年中进行了重建。 该数据集包含2012年4月获得的航拍图像,其中包含20.5平方千米的12796座建筑物(2016年数据集中的同一区域有16077座建筑物)。 通过手动选择地面上的30个GCP,将子数据集地理校正为航空图像数据集,精确度为1.6像素。

    两个100%重叠的数据集,分别命名为“ after_change”和“ before_change”,可以完全用于测试变化检测算法的效果。

     

    参考:Awesome Remote Sensing Change Detection

    展开全文
  • 一、我们应该制作什么样的数据集? 首先我们应该我们了解到遥感图像的变化检测是建立在多时相的基础上的,也就是说,我们对于神经网络的输入至少是有两张图片的...二、双时相遥感图像变化检测的标注 一般来说变化的...

    一、我们应该制作什么样的数据集?

    首先我们应该我们了解到遥感图像的变化检测是建立在多时相的基础上的,也就是说,我们对于神经网络的输入至少是有两张图片的,而且必须有一个标签来知道变化的区域的是那一块。
    在双时相变化检测里,一般来说对于遥感图像的标注是在最新的时相里进行的,例如2017和2018年份的两张图片中,我们选择在2018年度的图像上进行标注。

    二、双时相遥感图像变化检测的标注

    一般来说变化的区域是连通的,是一片一片的,因此对于图像的标注我们可以使用labelme的多边形标注进行标注
    1.在conda的环境中运行 conda install labelme指令即可安装
    2.运行labelme进行标注
    3.选用多边形进行标注
    4.如果图片较大,推荐进行裁剪后再标注,因为后来发现,有些细小的区域人眼是很难看出来的,但是经过放大后是可以看出来的
    5.注意 得用彩图标注,否则很多变化的细节都会漏掉,例如如下水体的变化
    在这里插入图片描述
    现在将标注的效果展示如下:
    一组变化检测数据集
    启动labelme的py文件可以将json文件变成五组图片 将其中的label.png挑出来即可

    三、如何存放?

    个人建议将不同时相的图片分别保存在不同的文件夹,加上label总共三个文件夹,推荐命名方式为纯数字,即从0到100如此即可,注意这里存放的是原始的未处理的文件夹
    在这里插入图片描述
    然后在后面进行裁剪的时候在放在其他的文件夹
    其中x文件夹存放裁剪好的图片,y存放标签,然后图片的命名为数字+字母
    A表示变化 B表示不变化在这里插入图片描述

    四、裁剪

    将其裁剪为64*64的块,采用随机生成的方法,
    其中x,y是随机生成的,代码如下:
    下面的Import的东西可以忽略 只是将自己的库都Import了一遍,数据增强的东西可以另外放一个Py文件。
    步骤为:
    1.设定路径
    2.读取路径下的所有图片的名字(注意用数字编号开头)
    3.裁剪图片
    4.裁剪的图片分别以jpg,png进行保存,2017,2018年份的图片分别为两种格式相同名称,标签存在另一个文件夹
    5.

    import numpy as np
    import matplotlib
    from matplotlib import pyplot as plt
    
    import cv2
    import PIL
    import json, os
    import sys
    from PIL import Image
    import labelme
    import labelme.utils as utils
    import glob
    import itertools
    
    import tensorflow as tf
    from tensorflow import keras
    from tensorflow.keras import layers,optimizers,losses
    from tensorflow.keras.callbacks import EarlyStopping
    from tensorflow.python.keras import backend as K
    
    
    #存储路径
    origin_path=r'F:\BaiduNetdiskDownload\U_net_dataset\eval\origin'
    change_path=r'F:\BaiduNetdiskDownload\U_net_dataset\eval\change'
    label_path=r'F:\BaiduNetdiskDownload\U_net_dataset\eval\label'
    x_path=r'F:\BaiduNetdiskDownload\x'
    y_path=r'F:\BaiduNetdiskDownload\y'
    #读取列表名
    origin_list= glob.glob(origin_path+'/*.jpg')
    origin_list.sort()
    change_list= glob.glob(change_path+'/*.jpg')
    change_list.sort()
    label_list= glob.glob(label_path +'/*.png')
    label_list.sort()
    
    
    #设定裁剪大小
    cropping_height = 64
    cropping_width = 64
    #图像编号初始化
    number=0
    
    for k in range(len(origin_list)):#对所有图像和标签进行裁剪
        origin_position,change_position,label_position=next(zipped)
        origin_img=cv2.imread(origin_position,-1)
        change_img=cv2.imread(change_position,-1)
        label_img =cv2.imread(label_position,-1)
    
        shape = origin_img.shape
        zero_mat=np.zeros(shape=[cropping_height,cropping_width,3])
        print(zero_mat.shape)
        
        i=0
        true_number = 0
        false_number = 0
    
        while i <=10000:#每张图片生成一万张图片
    
                y=np.random.randint(0, shape[0]-cropping_height)
                x=np.random.randint(0, shape[1]-cropping_width)
                cropping1 = origin_img[y:(y + cropping_height),x:(x + cropping_width)]
                cropping2 = change_img[y:y+ cropping_height,x:x + cropping_width]
                cropping3 = label_img[y:y + cropping_height,x:x + cropping_width]
                
           #判断矩阵是否为0矩阵,来说明是否变化
    
                if ((cropping3==zero_mat).all()) :#A为变化 B为不变化
                    if((np.abs(true_number-false_number)>50)):
                        print(true_number,false_number)
                        continue
                    cv2.imwrite(x_path + '/' + str(number) + 'B' + '.jpg', cropping1)
                    cv2.imwrite(x_path + '/' + str(number) + 'B' + '.png', cropping2)
                    # cv2.imwrite(y_path + '/' + str(number) + 'B' + '.png', cropping3)
                    false_number += 1
                    number+=1
    
    
                else:
                    cv2.imwrite(x_path + '/' + str(number) + 'A' + '.jpg', cropping1)
                    cv2.imwrite(x_path + '/' + str(number) + 'A' + '.png', cropping2)
                    # cv2.imwrite(y_path + '/' + str(number) + 'A' + '.png', cropping3)
                    true_number+=1
                    number+=1
                i=i+1
                print('number',number)
    

    五、数据集

    如果想要数据集的可以付5币支援下我,毕竟标注了很久(数个小时)

    六、骨架网络

    具体文章在下面,只供参考
    https://blog.csdn.net/qq_44930937/article/details/105443188

    展开全文
  • SAR图像变化检测的评价方法

    千次阅读 2018-08-16 16:22:32
    SAR图像变化检测的相对客观评价标准一般由虚警率,漏检率和总错误率构成,有些也加上算法的运行时间。关于虚警率和漏检率的问题,之前在第一次做这个的时候写错,被导师说了一顿,网上也没有发现这两个的计算方法,...

    SAR图像变化检测的相对客观评价标准一般由虚警率,漏检率和总错误率构成,有些也加上算法的运行时间。关于虚警率和漏检率的问题,之前在第一次做这个的时候写错,被导师说了一顿,网上也没有发现这两个的计算方法,后来自己看论文看到了这两个的计算方法,现在写下来以供参考:

    虚警FA的定义:原本并没变化的像素点被错误地检测为变化的;

    漏检MA的定义:原本变化了的像素点被检测为没变化的。

    总错误OE的定义:虚警数和漏检数的总和。

    假设和为真实变化图像中变化和没有变化的像素点总数,那么虚警率,漏检率和总错误率的计算方法如下所示:


    转载自:https://blog.csdn.net/swjtu_zqh/article/details/51968318

    展开全文
  • 1 SAR图像变化检测步骤 : (1)获取原始SAR图像的对数比值图像; (2)将得到的数据按照一定的方式转化为Tensor格式的数据,以作为CNN的输入; (3)构建CNN模型; (4)训练; (5)测试。 2 卷积神经网络 参考资料,...

    1 SAR图像变化检测步骤 :
    (1)获取原始SAR图像的对数比值图像;
    (2)将得到的数据按照一定的方式转化为Tensor格式的数据,以作为CNN的输入;
    (3)构建CNN模型;
    (4)训练;
    (5)测试。
    2 卷积神经网络
    参考资料,可以参考zouxy09的博客,写得很详细:
    http://blog.csdn.net/zouxy09/article/details/8781543
    一位外国网友自己实现的CNN,重构LeCunn的实验:
    http://www.codeproject.com/Articles/16650/Neural-Network-for-Recognition-of-Handwritten-Digi
    还有这篇博客也不错:
    http://www.cnblogs.com/nsnow/p/4562308.html
    3、CNN模型
    本实验使用两层的 CNNs 特征提起,一层的全连接用于非线性的映射,最后添加一层 softmax 用于分类。该实验在 Torch7 平台上实现,代码为 Lua 语言,模型部分的代码如下:

    net = nn.Sequential()
    net:add(nn.SpatialConvolution(1, 6, 5, 5))  
    -- 1 input image channels, 6 output channels, 5x5 convolution kernel
    net:add(nn.ReLU())
    net:add(nn.SpatialMaxPooling(2,2,2,2))      
    -- A max-pooling operation that looks at 2x2 windows and finds the max.
    net:add(nn.SpatialConvolution(6, 16, 5, 5))
    net:add(nn.ReLU())
    net:add(nn.SpatialMaxPooling(2,2,2,2))
    net:add(nn.View(16*2*2))                    
    -- reshapes from a 3D tensor of 16x5x5 into 1D tensor of 16*2*2
    net:add(nn.Dropout(0.5))
    net:add(nn.Linear(16*2*2, 120))             
    -- fully connected layer(matrix multiplication between input and weights)
    net:add(nn.ReLU())
    net:add(nn.Linear(120, 84))
    net:add(nn.ReLU())
    net:add(nn.Linear(84, 2))                   
    -- 2 is the number of outputs of the network (in this case, 2 digits)
    net:add(nn.LogSoftMax())

    4、数据
    实验中对每个像素点取其周围 21x21 的 patch 代表该像素点。实验中选择
    大约1/3 的样本训练,其余作为样本测试.
    本试验所用的数据为Bern数据和Ottawa数据,对图像以像素点为中心,进行 21×21 的取块,其中每一个块代表一个点,对每个块运用 CNN 分类。边缘部分的点进行镜像拓展处理。
    最终Bern数据的准确率达到99%,Ottawa数据的准确率达到97%.
    5、总结
    由于做的比较仓促,没有将最后的数据转化为图片,且正确率有待提高。

    展开全文
  • 1 SAR图像变化检测步骤 : 首先获取原始SAR图像的对数比值图像,再利用kmeans方法对比值图像的像素值进行聚类,聚成2类,由此得到粗略的变化检测结果.2 K-means聚类算法 K-means算法是聚类算法中最简单的一种...
  • SAR图像变化检测的评价指标

    千次阅读 2017-02-24 16:04:30
    若要评价某一变化检测技术的优劣,除了人眼对其产生的结果图主观评判之外,还需要把结果图和标准参考图相对比,并通过几个量化的指标来客观评判。变化检测任务本质上是一个分类问题,因此本文中使用相应分类的评价...
  • 论文链接 ...背景:给定两幅在不同时间拍摄的共配准图像,光照变化和配准误差淹没了真实物体的变化。探索不同时空像素之间的关系可能会改善CD方法的性能。 提出的方法:本文提出了一种新的基于孪生网络
  • 关于SAR图像的洪水变化检测

    千次阅读 2019-08-08 17:23:01
    对于洪水区域的提取很多文献采用的变化检测技术,因为SAR图像全天时、全天候、不受云雨限制的原因,目前对提取洪水区域更多采用的是SAR图像,可选用的SAR图像也比较多,比如Sentinel-1、ASRA、TerraSAR、ALOS等。...
  • 本文是对一些利用了深度学习方法进行SAR影像变化检测的论文的解读,下列是所解读的论文的名称、论文地址和代码地址: 1. Automatic Change Detection in Synthetic Aperture Radar Images Based on PCANet, IEEE ...
  • 图像边缘检测 Sobel边缘检测

    万次阅读 2019-11-19 23:47:23
    图像检测的原理是检测相邻的几个点像素值之间的变化率,相对于对函数求导。求点P(x,y)的变换率,可以在点P周围选取一些点,求x方向的距离Gx,再求y方向上的距离Gy。最后变换率G等于Gx平方加上Gy平方的和的平方差,...
  • 图像边缘检测 Prewitt边缘检测

    万次阅读 2019-11-19 23:40:04
    图像检测的原理是检测相邻的几个点像素值之间的变化率,相对于对函数求导。求点P(x,y)的变换率,可以在点P周围选取一些点,求x方向的距离Gx,再求y方向上的距离Gy。最后变换率G等于Gx平方加上Gy平方的和的平方差,...
  • 图像边缘检测 Laplacian边缘检测

    万次阅读 2019-11-26 17:12:42
    图像检测的原理是检测相邻的几个点像素值之间的变化率,相对于对函数求导。求点P(x,y)的变换率,可以在点P周围选取一些点,求x方向的距离Gx,再求y方向上的距离Gy。最后变换率G等于Gx平方加上Gy平方的和的平方差,...
  • 变化检测算法

    万次阅读 2013-01-08 18:31:36
    《多时相遥感图像变化检测方法研究》-范元章-王桂婷副教授-模式识别与智能系统—西电-201001 1. 变化检测的概念 变化检测是从不同时期的遥感图像中,定量地分析和确定地物变化的特征和过程。 变化检测
  • 图像处理】RGB图像边缘检测

    千次阅读 2018-10-03 15:46:39
    灰度图边缘检测    在学习图像处理时,首先接触到的就是灰度图像的边缘检测...由于图像的边缘区域会存在明显的像素值阶跃,因此边缘检测主要是通过获得图像灰度梯度,进而通过梯度大小和变化来判断图像边缘的。...
  • 图像边缘检测 Reberts边缘检测

    万次阅读 2019-11-19 23:29:41
    图像检测的原理是检测相邻的几个点像素值之间的变化率,相对于对函数求导。求点P(x,y)的变换率,可以在点P周围选取一些点,求x方向的距离Gx,再求y方向上的距离Gy。最后变换率G等于Gx平方加上Gy平方的和的平方差,...
  • 图像边缘检测

    千次阅读 2020-11-01 23:14:09
    所以边缘检测图像分析和模式识别的主要特征提取手段。 所谓边缘是指其周围像素灰度后阶变化或屋顶状变化的那些像素的集合,它存在于目标与背景、目标与目标、区域与区域,基元与基元之间。 因此它是图象分割所依赖...
  • python+opencv 实现图像人脸检测及视频中的人脸检测

    千次阅读 多人点赞 2020-09-01 17:13:38
    python+opencv 实现图像人脸检测及视频中的人脸检测,首先下载人脸检测要用到的分类器,熟悉opencv相关API的使用,然后利用python+opencv实现图像单人脸检测图像多人脸检测、视频中人脸检测和摄像头人脸检测
  • 图像边缘检测原理

    千次阅读 2019-10-26 16:08:48
    1. 求边缘检测就是求解图像灰度值的变化值 因为图像就是一个复杂的函数,求解一个函数的变化值,当然是使用导数进行求解。 导数:连续函数上某点斜率,导数越大表示变化率越大,变化率越大的地方就越是“边缘”,...
  • 图像识别检测

    千次阅读 2016-03-20 20:25:07
    初始检测初始检测采用滑动窗口结合分类器的方法来检测图像中的目标。滑动窗口在目标检测中得到广泛应用,方法简单,运算效率高,检测过程中能够有效的给出检测目标的位置信息。首先定义滑动窗口的大小,再将滑动窗口...
  • 根据《数字图像处理(Digital Image Processing Second Edition)》的6.7.3节中对“彩色边缘检测”的描述,其中没有给出求最大变化率方向的过程,而是直接就得出了最大变化率方向的值,为了能够更好地理解整个“彩色...
  • 图像边缘检测概论

    千次阅读 2016-04-07 13:28:09
    边缘检测的目标是标识数字图像中亮度变化明显的点。图像属性中的显著变化通常反应了属性的重要事件和变化,包括: (1) 、深度上的不连续 (2) 、表面方向的不连续 (3) 、物质属性变化 (4) 、场景照明...
  • 图像处理】彩色图像边缘检测

    万次阅读 2016-07-01 15:42:06
    彩色图像边缘检测
  • 主流图像边缘检测算法

    万次阅读 多人点赞 2016-09-06 23:54:52
    本文内容包括:图像噪声添加与去除、几种滤波算法【高斯滤波,方框滤波,均值滤波,中值滤波,双边滤波,小波变换】、几种检测算法【Canny算子、Sobel算子、Laplace算子、Roberts算子、Susan Krisch Prewitt角点检测...
  • 深度学习与图像识别 图像检测

    万次阅读 多人点赞 2016-11-25 17:08:40
    主要是看了些关于深度学习图像识别和图像检测的论文,介绍了深度学习处理图像的优势
  • OpenCV3.0-图像特征检测

    千次阅读 2018-03-26 09:10:00
    使用opencv的一些内置的算法来实现对图像特征的检测  从图像中提取的到的特征可以用来进行图像的匹配和检索 常用的图像特征检测算法 Harris:检测角点 SIFT:检测斑点 SURF:检测斑点 FAST:检测角点 BRIEF:检测...
  • 图像边缘检测基础知识

    千次阅读 2020-04-05 12:43:49
    “所谓边缘检测,那么大家对“边缘”的概念还了解吗?而对数字图像进行一般边缘检测的步骤又是什么呢?... 图像的大部分信息都存在于图像的边缘中,主要表现为图像局部特征的不连续性,即图像中灰度变化比较剧...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 95,096
精华内容 38,038
关键字:

图像变化检测