CN104680549B - 基于高阶邻域tmf模型的sar图像变化检测方法 - Google Patents
基于高阶邻域tmf模型的sar图像变化检测方法 Download PDFInfo
- Publication number
- CN104680549B CN104680549B CN201510131795.4A CN201510131795A CN104680549B CN 104680549 B CN104680549 B CN 104680549B CN 201510131795 A CN201510131795 A CN 201510131795A CN 104680549 B CN104680549 B CN 104680549B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msubsup
- msub
- pixel
- munder
- 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.)
- Expired - Fee Related
Links
Landscapes
- Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于高阶邻域三重马尔科夫随机场模型的SAR图像变化检测方法,主要解决现有方法虚检数高,整体精度低的问题,其实现步骤是:1.输入两时相SAR图像产生差异图像;2.初始化标号场X;3.初始化似然参数;4.在初始化的标号场X上采用3×3邻域定义和初始化辅助场U;5.采用5×5的高阶邻域构造由同质区域、异质区域和U场部分三项组成的先验势能函数;6.更新标号场X和辅助场U;7.根据更新后的标号场X更新似然参数;8.对标号场X和辅助场U进行迭代更新得到最终变化检测结果。本发明与现有技术相比,降低了虚检数目,提高了整体检测精度,增强了对噪声的鲁棒性,可用于SAR图像的识别。
Description
技术领域
本发明属于图像处理技术领域,涉及图像变化检测,可用于对SAR图像进行地物状态变化监测与评估。
背景技术
合成孔径雷达SAR图像变化检测是指通过分析在不同时间同一地区的两幅SAR图像,检测出该地区的地物的变化信息。由于合成孔径雷达SAR具有全天候,全天时的特点,SAR图像变化检测技术在农林勘探、环境监测、灾害评估,资源利用等领域的应用越来越多,因此具有高检测精度SAR图像变化检测方法成为研究的重点。
SAR图像变化检测方法中较为经典的一种是基于统计模型的方法,如马尔科夫随机场MRF模型,三重马尔科夫随机场TMF模型。通常采用的四邻域MRF模型方法在建立模型时,认为整幅图像是同质均匀的,同时四邻域系统不能有效的抑制噪声的影响,因此这一方法得到的结果中虚检数较高,整体精度很低。但是,SAR图像具有非平稳特性,这一假设并不准确,因而模型对于不同的纹理区域仍然给予相同的参数的做法是不合理的。因此对于非平稳,纹理复杂,强噪声SAR图像,MRF算法的检测结果虚检数相对较高,整体检测精度低。Yan Wu和Fan Wang等人提出了一种基于TMF模型的SAR图像变化检测算法。该方法通过引入辅助场U对SAR图像的非平稳性进行建模,通过对观测场Y的各向异性高斯核AGK模型进行模糊C均值聚类得到的辅助场U表现为两幅图像之间的纹理相似度,并且采用四邻域系统对先验能量函数进行重构,此方法与采用四邻域MRF模型的方法相比在整体精度上有了一定的提高。但是研究发现,文中的辅助场U并不能很确切的反应SAR图像的非平稳特性,不能很好的区分同质区域和非同质区域。此外,由于SAR图像中斑点噪声等的存在,在面对噪声强度较大的SAR图像时,四邻域系统并不能很好对噪声影响有所抑制,得到结果中依旧存在较高的虚检数。
发明内容
本发明的目的在于针对上述已有技术的缺点,提出一种基于高阶邻域三重马尔科夫随机场模型的SAR图像变化检测方法,以有效地抑制虚检数,提高整体检测精度。
为实现上述目的,本发明的实现步骤包括如下:
一种基于高阶邻域三重马尔科夫场模型的SAR图像变化检测方法,包括如下步骤:
(1)输入大小为M×N的已配准两时相SAR图像Ii,i=0,1;
(2)采用对数比值方法对两时相图像I0和I1进行处理,构造差异图像:ys=|log(I0s/I1s)|,其中,s表示像素的位置,I0s和I1s分别表示两时相图像I0和I1在s处的值,ys表示差异图像Y在s处的值,0≤s≤M×N;
(3)采用OSTU法得到差异图像Y中变化部分与不变部分两类之间方差最大时的阈值T;
(4)对差异图像Y中每个像素的值与阈值T进行比较,将大于阈值T的像素标记为1,小于阈值T的像素标记为0,得到初始化的标号场Xq,q代表第q次更新,q=0;
(5)根据初始化的标号场Xq,初始化似然参数其中,分别为在当前标号场Xq下,差异图像Y中非变化像素的均值和变化像素的均值,分别为在当前标号场Xq下,差异图像Y中非变化像素的方差和变化像素的方差;
(6)在标号场Xq中统计每个像素为中心的3×3邻域内每两个像素在Xq中值相同的个数,若相同值的数目大于设定值,则将中心位置像素在辅助场U中的值记为0,否则记为1,遍历标号场Xq得到初始化的辅助场Uq;
(7)采用大小为5×5的高阶邻域构造先验势能函数W(x,u):
(7a)构建同质区域的势能函数:
其中,Ns为中心像素在位置s处的5×5邻域,at为固定参数,取值为0.8,分别为像素在标号场Xq中在位置s和t处的值,为在标号场Xq中的5×5邻域,δ(·)为狄拉克函数,当且仅当括号内和的值相等时,δ(·)的值为1,否则为0;
(7b)构建异质区域的势能函数:
其中,ys,yt分别为像素在差异图像Y中位置s和t处的值,Ms,Mt分别为中心像素在差异图像Y中的位置s和t处,由5×5邻域内的值按照位置次序构成的矩阵,||·||表示矩阵的2-范数运算,|·|为取绝对值运算,Ns为中心像素在s处的5×5邻域;
(7c)构建辅助场Uq部分的势能函数:
其中,分别为像素在辅助场Uq中位置s和t处的值,为中心像素在辅助场Uq位置s处的5×5邻域;
(7d)由步骤(6a)-(6c)这三部分势能函数得到的先验势能函数W(x,u)表示为:
(8)基于MPM准则更新标号场Xq和辅助场Uq;
(9)根据更新后的标号场Xq+1更新似然参数
(10)若相邻两次更新后的标号场Xq和Xq+1之间改变的值小于指定的阈值或满足设定的迭代次数,则停止迭代,得到最终的变化检测结果,否则,对最近更新的标号场Xq+1,辅助场Uq+1和似然参数重复步骤(7)-(9)的操作。
本发明具有如下优点:
1)本发明由于采用了TMF模型,通过构造的辅助场U能有效反映SAR图像的非平稳性,因此本发明适合处理纹理较为复杂的SAR图像。
2)本发明由于采用了高阶邻域,能更充分的考虑图像的空间邻域信息,提高了对SAR图像斑点噪声的鲁棒性,因此本发明可以降低变化检测结果的虚检数,提高变化检测结果的整体精度。
仿真结果表明,本发明与现有的四邻域MRF方法和四邻域TMF方法相比,具有更高的检测精度和更强的抗斑点噪声能力。
附图说明
图1是本发明的实现总流程图;
图2是用本发明对两时相黄河口岸Real SAR图像的变化检测结果图;
图3是用本发明对两时相农田区域洪水灾害Real SAR图像的变化检测结果图;
图4是用本发明对两时相印度尼西亚三宝垄爪哇岛稻田受洪水灾害Real SAR图像的变化检测结果图。
具体实施方式
下面结合附图对本发明做进一步描述:
参照图1,本发明的实施步骤如下:
步骤1,输入大小为M×N的已配准的两时相图像I0和I1,配准精度在一个像素以内。
步骤2,采用对数比值方法对两时相图像I0和I1进行处理,构造差异图像:ys=|log(I0s/I1s)|,其中,s表示像素的位置,I0s和I1s分别表示两时相图像I0和I1在s处的值,ys表示差异图像Y在s处的值,0≤s≤M×N。
步骤3,采用阈值方法将差异图像Y中的像素分为非变化部分与变化部分两类。
阈值方法是一种成熟的现有方法,有OSTU法、Kittler最小错误分类法等,本实例采用OSTU法得到使差异图像Y中非变化部分与变化部分两类之间方差最大的归一化阈值T,该方法具体实施过程如下:
3.1)对差异图像Y的灰度直方图进行归一化,即将差异图像Y的灰度直方图中每个灰度级出现的次数除以差异图像Y含有像素的总数,得到每个灰度级的概率pi,i={0,1,...,L-1},其中L为差异图像Y的灰度级数;
3.2)设定起始阈值T0=20,根据步骤3.1)中得到的每个灰度级概率pi计算差异图像Y中非变化部分的概率ω0和变化部分的概率ω1:
3.3)根据步骤3.2)中得到的结果计算差异图像Y中非变化部分的均值m0和变化部分的均值m1:
3.4)根据步骤3.2)和3.3)得到的结果,计算差异图像Y中非变化部分的方差和变化部分的方差
3.5)根据步骤3.2)和3.3)的结果计算差异图像Y的均值mT:
mT=ω0m0+ω1m1。
3.6)根据步骤3.2),3.3)和3.5)的结果计算差异图像Y中非变化部分和变化部分两类的类间方差
3.7)设定以1的变化量增加阈值T0,重复步骤3.2)到3.6),直到阈值T0取到设定值230,选取使类间方差最大时的那个阈值,即
3.8)对阈值Tmax进行归一化,得到归一化后的阈值:
T=Tmax/255。
步骤4,对差异图像Y中每个像素的值与阈值T进行比较,将大于阈值T的像素标记为1,小于阈值T的像素标记为0,得到初始化的标号场Xq,q代表第q次更新,q=0。
步骤5,根据初始化的标号场Xq,初始化似然参数
5.1)根据当前的标号场Xq,估计差异图像Y中非变化像素的均值和变化像素的均值
其中
5.2)根据当前的标号场Xq,估计差异图像Y中非变化像素的方差和变化像素的方差
5.3)由步骤5.1)和5.2)中得到的结果构成初始化的似然参数
步骤6,在标号场Xq中统计每个像素为中心的3×3邻域内每两个像素在Xq中值相同的个数,若相同值的数目大于设定值18,则将中心位置像素在辅助场U中的值记为0,否则记为1,遍历标号场Xq得到初始化的辅助场Uq。
所述设定值,根据3×3邻域内像素共有9个,两两组合的情况共有种,每种组合中两个像素在Xq中值相同则记为1,不相同记为0,统计36种组合中两个像素在Xq中值相同的组合数,为确保两个像素在Xq中值相同的组合数大于两个像素在Xq中值不相同的组合数,设定值应属于[18,36],本方法取设定值为18。
步骤7,采用大小为5×5的高阶邻域构造先验势能函数W(x,u)。
7.1)构建同质区域的势能函数:
其中,Ns为中心像素在位置s处的5×5邻域,at为固定参数,取值为0.8,分别为像素在标号场Xq中在位置s和t处的值,为在标号场Xq中的5×5邻域,δ(·)为狄拉克函数,当且仅当括号内和的值相等时,δ(·)的值为1,否则为0;
7.2)构建异质区域的势能函数:
其中,ys,yt分别为像素在差异图像Y中位置s和t处的值,Ms,Mt分别为中心像素在差异图像Y中的位置s和t处,由5×5邻域内的像素的值按照位置次序构成的矩阵,||·||表示矩阵的2-范数运算,|·|为取绝对值运算,Ns为中心像素在s处的5×5邻域。
7.3)构建辅助场Uq部分的势能函数:
其中,分别为像素在辅助场Uq中位置s和t处的值,为中心像素在辅助场Uq位置s处的5×5邻域;
7.4)由步骤7.1)-7.3)这三部分势能函数得到的先验势能函数W(x,u)表示为:
步骤8,基于MPM准则更新标号场Xq和辅助场Uq。
8.1)利用吉布斯随机场的概率公式获得联合先验概率p(x,u):
p(x,u)=γexp[-W(x,u)],
其中,γ为归一化常数,取值为1,x,u分别为代表标号场X和辅助场U的配置的一种变量;
8.2)利用高斯概率密度函数计算各个像素点的似然概率:
其中,i={0,1},i的取值与的值相同,其中分别为差异图像Y中非变化像素和变化像素的均值,分别为差异图像Y中非变化像素和变化像素的方差;
8.3)利用统计概率公式计算三重马尔可夫场联合概率分布:
其中,x,u,y分别为标号场X,辅助场U和差异图像Y的配置的一种变量,G为所有像素的位置的集合;
8.4)根据p(x,u,y),利用Gibbs采样法估计s处像素点的概率再计算得到s处像素点的分别关于和的后验边缘概率:
其中,代表关于的后验概率,代表关于的后验概率;
8.5)利用MPM准则分别更新s处像素在标号场Xq的值和辅助场Uq中的值
8.6)按照步骤8.4)和8.5),对标号场Xq和辅助场Uq中每个位置的像素进行相同的更新处理,得到更新后标号场Xq+1和辅助场Uq+1。
步骤9,根据更新后的标号场Xq+1更新似然参数
9.1)根据当前更新的标号场Xq+1,更新差异图像Y中非变化像素的均值和变化像素的均值
其中
9.2)根据当前更新的标号场Xq+1,更新差异图像Y中非变化像素的方差和变化像素的方差
9.3)由步骤9.1)和9.2)得到的结果构成更新的似然参数
步骤10,判断相邻两次更新后的标号场Xq和Xq+1之间改变的值是否小于指定的阈值或是否满足设定的迭代次数,若是,则停止迭代,得到最终的变化检测结果;否则,对最近更新的标号场Xq+1,辅助场Uq+1和似然参数重复步骤(7)-(9)的操作。
本发明的效果可以通过以下实验进一步证实:
1)实验条件:
实验仿真环境为:MATLAB R2010a,Intel(R)Core(TM)2Duo CPU E72002.53GHz,1.95GB内存,Window XP Professional版本2002 Service Pack 3。
2)实验内容:
实验1、分别应用四邻域MRF方法、四邻域TMF方法和本发明对两时相黄河口RealSAR图像进行变化检测。该实验结果如图2所示,其中图2(a)是实测黄河口第一时刻的Radarsat-2SAR图像,图2(b)是实测黄河口的第二时刻的Radarsat-2SAR图像,图2(c)是变化检测结果参考图,图2(d)是MRF方法的变化检测结果,图2(e)是四邻域TMF方法的变化检测结果,图2(f)是本发明的变化检测结果。
实验2、分别应用四邻域MRF方法、四邻域TMF方法和本发明对两时相农田Real SAR图像进行变化检测。该实验结果如图4所示,其中图3(a)是实测农田的第一时刻的SAR图像,图3(b)是实测农田的第二时刻的SAR图像,图3(c)是变化检测结果参考图,图3(d)是MRF方法的变化检测结果,图3(e)是四邻域TMF方法的变化检测结果图,3(f)是本发明的变化检测结果。
实验3、分别应用四邻域MRF方法、四邻域TMF方法和本发明对两时相农田Real SAR图像进行变化检测。该实验结果如图4所示,其中图4(a)是实测农田区域洪水灾害的第一时刻的ERS-2SAR图像,图4(b)是实测农田区域洪水灾害的第二时刻的ERS-2SAR图像,图4(c)是变化检测结果参考图,图4(d)是MRF方法的变化检测结果,图4(e)是四邻域TMF方法的变化检测结果图,图4(f)是本发明的变化检测结果图。
3)实验结果分析
为验证变化检测结果质量,本发明选用虚检数,漏检数,以及整体精度作为性能指标参数,评价本发明检测精度,该实验结果分析如表1所示。
表1 本发明法与四邻MRF方法及四邻域TMF方法变化检测结果精度比较
从图2、图3、图4和表1可以看到,本发明在检测精度和抗噪性能上均优于参照的MRF方法和四邻域TMF方法。这是由于本发明利用了高阶邻域系统,同时有效的构造了U场,更全面的考虑了图像空间信息,有效的描述SAR图像的非平稳特性,因此本发明方法的变化检测精度明显高于MRF方法和四邻域TMF方法。
Claims (4)
1.一种基于高阶邻域三重马尔科夫场模型的SAR图像变化检测方法,包括如下步骤:
(1)输入大小为M×N的已配准两时相SAR图像Ii,i=0,1;
(2)采用对数比值方法对两时相图像I0和I1进行处理,构造差异图像:ys=|log(I0s/I1s)|,其中,s表示像素的位置,I0s和I1s分别表示两时相图像I0和I1在s处的值,ys表示差异图像Y在s处的值,0≤s≤M×N;
(3)采用OSTU法得到差异图像Y中变化部分与不变部分两类之间方差最大时的阈值T;
(4)对差异图像Y中每个像素的值与阈值T进行比较,将大于阈值T的像素标记为1,小于阈值T的像素标记为0,得到初始化的标号场Xq,q代表第q次更新,q=0;
(5)根据初始化的标号场Xq,初始化似然参数其中,分别为在当前标号场Xq下,差异图像Y中非变化像素的均值和变化像素的均值,分别为在当前标号场Xq下,差异图像Y中非变化像素的方差和变化像素的方差;
(6)在标号场Xq中统计每个像素为中心的3×3邻域内每两个像素在Xq中值相同的个数,若相同值的数目大于设定值,则将中心位置像素在辅助场U中的值记为0,否则记为1,遍历标号场Xq得到初始化的辅助场Uq;
(7)采用大小为5×5的高阶邻域构造先验势能函数W(x,u):
(7a)构建同质区域的势能函数:
其中,Ns为中心像素在位置s处的5×5邻域,at为固定参数,取值为0.8,分别为像素在标号场Xq中在位置s和t处的值,为在标号场Xq中的5×5邻域,δ(·)为狄拉克函数,当且仅当括号内和的值相等时,δ(·)的值为1,否则为0;
(7b)构建异质区域的势能函数:
<mrow>
<msubsup>
<mi>W</mi>
<mi>s</mi>
<mn>1</mn>
</msubsup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mi>s</mi>
<mi>q</mi>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>x</mi>
<msub>
<mi>N</mi>
<mi>s</mi>
</msub>
<mi>q</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>t</mi>
<mo>&Element;</mo>
<msub>
<mi>N</mi>
<mi>s</mi>
</msub>
</mrow>
</munder>
<mi>g</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>s</mi>
</msub>
<mo>,</mo>
<msub>
<mi>y</mi>
<mi>t</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mi>&delta;</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mi>s</mi>
<mi>q</mi>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>x</mi>
<mi>t</mi>
<mi>q</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
其中,
<mrow>
<mi>g</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>s</mi>
</msub>
<mo>,</mo>
<msub>
<mi>y</mi>
<mi>t</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<mrow>
<mo>|</mo>
<msub>
<mi>y</mi>
<mi>s</mi>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>t</mi>
</msub>
<mo>|</mo>
</mrow>
<msub>
<mi>y</mi>
<mi>s</mi>
</msub>
</mfrac>
<mo>-</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>M</mi>
<mi>s</mi>
</msub>
<mo>-</mo>
<msub>
<mi>M</mi>
<mi>t</mi>
</msub>
<mo>|</mo>
<mo>|</mo>
</mrow>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>M</mi>
<mi>s</mi>
</msub>
<mo>|</mo>
<mo>|</mo>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
ys,yt分别为像素在差异图像Y中位置s和t处
的值,Ms,Mt分别为中心像素在差异图像Y中的位置s和t处,由5×5邻域内的像素的值按照位
置次序构成的矩阵,||·||表示矩阵的2-范数运算,|·|为取绝对值运算,Ns为中心像素在
s处的5×5邻域;
(7c)构建辅助场Uq部分的势能函数:
<mrow>
<msubsup>
<mi>W</mi>
<mi>s</mi>
<mi>u</mi>
</msubsup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>u</mi>
<mi>s</mi>
<mi>q</mi>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>u</mi>
<msub>
<mi>N</mi>
<mi>s</mi>
</msub>
<mi>q</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>t</mi>
<mo>&Element;</mo>
<msub>
<mi>N</mi>
<mi>s</mi>
</msub>
</mrow>
</munder>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>M</mi>
<mi>s</mi>
</msub>
<mo>-</mo>
<msub>
<mi>M</mi>
<mi>t</mi>
</msub>
<mo>|</mo>
<mo>|</mo>
</mrow>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>M</mi>
<mi>s</mi>
</msub>
<mo>|</mo>
<mo>|</mo>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mi>&delta;</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>u</mi>
<mi>s</mi>
<mi>q</mi>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>u</mi>
<mi>t</mi>
<mi>q</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
其中,分别为像素在辅助场Uq中位置s和t处的值,为中心像素在辅助场Uq位置s处的5×5邻域;
(7d)由步骤(6a)-(6c)这三部分势能函数得到的先验势能函数W(x,u)表示为:
<mrow>
<mi>W</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>u</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>s</mi>
<mo>&Element;</mo>
<mi>S</mi>
</mrow>
</munder>
<msubsup>
<mi>W</mi>
<mi>s</mi>
<mn>0</mn>
</msubsup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mi>s</mi>
<mi>q</mi>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>x</mi>
<msub>
<mi>N</mi>
<mi>s</mi>
</msub>
<mi>q</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mi>&delta;</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>u</mi>
<mi>s</mi>
<mi>q</mi>
</msubsup>
<mo>,</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msubsup>
<mi>W</mi>
<mi>s</mi>
<mn>1</mn>
</msubsup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mi>s</mi>
<mi>q</mi>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>x</mi>
<msub>
<mi>N</mi>
<mi>s</mi>
</msub>
<mi>q</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mi>&delta;</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>u</mi>
<mi>s</mi>
<mi>q</mi>
</msubsup>
<mo>,</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msubsup>
<mi>W</mi>
<mi>s</mi>
<mi>u</mi>
</msubsup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>u</mi>
<mi>s</mi>
<mi>q</mi>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>u</mi>
<msub>
<mi>N</mi>
<mi>s</mi>
</msub>
<mi>q</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
(8)基于MPM准则更新标号场Xq和辅助场Uq;
(9)根据更新后的标号场Xq+1更新似然参数
(10)若相邻两次更新后的标号场Xq和Xq+1之间改变的值小于指定的阈值或满足设定的迭代次数,则停止迭代,得到最终的变化检测结果,否则,对最近更新的标号场Xq+1,辅助场Uq+1和似然参数重复步骤(7)-(9)的操作。
2.根据权利要求1所述的基于高阶邻域三重马尔科夫场模型的SAR图像变化检测方法,
其特征在于步骤(5)所述的根据初始化的标号场Xq,初始化似然参数
<mrow>
<msubsup>
<mi>&theta;</mi>
<mi>l</mi>
<mi>q</mi>
</msubsup>
<mo>=</mo>
<mo>{</mo>
<msubsup>
<mi>&mu;</mi>
<mn>0</mn>
<mi>q</mi>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>&mu;</mi>
<mn>1</mn>
<mi>q</mi>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>&sigma;</mi>
<mn>0</mn>
<mi>q</mi>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>&sigma;</mi>
<mn>1</mn>
<mi>q</mi>
</msubsup>
<mo>}</mo>
<mo>,</mo>
</mrow>
按
如下步骤进行:
(5a)根据当前的标号场Xq,估计差异图像Y中非变化像素的均值和变化像素的均值
<mrow>
<msubsup>
<mi>&mu;</mi>
<mi>i</mi>
<mi>q</mi>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>s</mi>
<mo>&Element;</mo>
<msub>
<mi>Q</mi>
<mi>i</mi>
</msub>
</mrow>
</munder>
<msub>
<mi>y</mi>
<mi>s</mi>
</msub>
<msub>
<mi>l</mi>
<mrow>
<mo>[</mo>
<msubsup>
<mi>x</mi>
<mi>s</mi>
<mi>q</mi>
</msubsup>
<mo>=</mo>
<mi>i</mi>
<mo>]</mo>
</mrow>
</msub>
</mrow>
<mrow>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>s</mi>
<mo>&Element;</mo>
<msub>
<mi>Q</mi>
<mi>i</mi>
</msub>
</mrow>
</munder>
<msub>
<mn>1</mn>
<mrow>
<mo>[</mo>
<msubsup>
<mi>x</mi>
<mi>s</mi>
<mi>q</mi>
</msubsup>
<mo>=</mo>
<mi>i</mi>
<mo>]</mo>
</mrow>
</msub>
</mrow>
</mfrac>
</mrow>
其中
<mrow>
<msub>
<mi>Q</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mo>{</mo>
<mi>s</mi>
<mo>&Element;</mo>
<mi>S</mi>
<mo>|</mo>
<msubsup>
<mi>x</mi>
<mi>s</mi>
<mi>q</mi>
</msubsup>
<mo>=</mo>
<mi>i</mi>
<mo>}</mo>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mo>{</mo>
<mo></mo>
<mn>0,1</mn>
<mo>}</mo>
<mo>;</mo>
</mrow>
(5b)根据当前的标号场Xq,估计差异图像Y中非变化像素的方差和变化像素的方差
<mrow>
<msubsup>
<mi>&sigma;</mi>
<mi>i</mi>
<mi>q</mi>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>s</mi>
<mo>&Element;</mo>
<msub>
<mi>Q</mi>
<mi>i</mi>
</msub>
</mrow>
</munder>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>s</mi>
</msub>
<mo>-</mo>
<msubsup>
<mi>&mu;</mi>
<mi>i</mi>
<mi>q</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<msub>
<mn>1</mn>
<mrow>
<mo>[</mo>
<msubsup>
<mi>x</mi>
<mi>s</mi>
<mi>q</mi>
</msubsup>
<mo>=</mo>
<mi>i</mi>
<mo>]</mo>
</mrow>
</msub>
</mrow>
<mrow>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>s</mi>
<mo>&Element;</mo>
<msub>
<mi>Q</mi>
<mi>i</mi>
</msub>
</mrow>
</munder>
<msub>
<mn>1</mn>
<mrow>
<mo>[</mo>
<msubsup>
<mi>x</mi>
<mi>s</mi>
<mi>q</mi>
</msubsup>
<mo>=</mo>
<mi>i</mi>
<mo>]</mo>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>.</mo>
</mrow>
3.根据权利要求1所述的基于高阶邻域三重马尔科夫场模型的SAR图像变化检测方法,其特征在于所述步骤(8)的实现步骤如下:
(8a)利用吉布斯随机场的概率公式获得联合先验概率p(x,u)为:
p(x,u)=γexp[-W(x,u)],
其中,γ为归一化常数,取值为1,x,u分别为代表标号场X和辅助场U的配置的一种变量;
(8b)利用高斯概率密度函数计算各个像素点的似然概率:
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>s</mi>
</msub>
<mo>|</mo>
<msubsup>
<mi>x</mi>
<mi>s</mi>
<mi>q</mi>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>&theta;</mi>
<mi>l</mi>
<mi>q</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msqrt>
<msup>
<msub>
<mrow>
<mn>2</mn>
<mi>&pi;&sigma;</mi>
</mrow>
<mi>i</mi>
</msub>
<mi>q</mi>
</msup>
</msqrt>
</mfrac>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>s</mi>
</msub>
<mo>-</mo>
<msubsup>
<mi>&mu;</mi>
<mi>i</mi>
<mi>q</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<msup>
<msub>
<mrow>
<mn>2</mn>
<mi>&sigma;</mi>
</mrow>
<mi>i</mi>
</msub>
<mi>q</mi>
</msup>
</mfrac>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
其中,i={0,1},i的取值与的值相同,其中分别为差异图像Y中非变化像素和变化像素的均值,分别为差异图像Y中非变化像素和变化像素的方差;
(8c)利用统计概率公式计算三重马尔可夫场联合概率分布:
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>u</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>&gamma;exp</mi>
<mo>[</mo>
<mo>-</mo>
<mi>W</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>u</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>s</mi>
<mo>&Element;</mo>
<mi>G</mi>
</mrow>
</munder>
<mi>log</mi>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>s</mi>
</msub>
<mo>|</mo>
<msubsup>
<mi>x</mi>
<mi>s</mi>
<mi>q</mi>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>&theta;</mi>
<mi>l</mi>
<mi>q</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>]</mo>
<mo>,</mo>
</mrow>
其中,x,u,y分别为标号场X,辅助场U和差异图像Y的配置的一种变量,G为所有像素的位置的集合;
(8d)根据p(x,u,y),利用Gibbs采样法估计s处像素点的概率再计算得到s处像素点的分别关于和的后验边缘概率:
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mi>s</mi>
<mi>q</mi>
</msubsup>
<mo>|</mo>
<msub>
<mi>y</mi>
<mi>s</mi>
</msub>
<mo>,</mo>
<msubsup>
<mi>&theta;</mi>
<mi>l</mi>
<mi>q</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mi>&Sigma;</mi>
<mrow>
<msubsup>
<mi>u</mi>
<mi>s</mi>
<mi>q</mi>
</msubsup>
<mo>&Element;</mo>
<mo>{</mo>
<mn>0,1</mn>
<mo>}</mo>
</mrow>
</munder>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mi>s</mi>
<mi>q</mi>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>u</mi>
<mi>s</mi>
<mi>q</mi>
</msubsup>
<mo>|</mo>
<msub>
<mi>y</mi>
<mi>s</mi>
</msub>
<mo>,</mo>
<msubsup>
<mi>&theta;</mi>
<mi>l</mi>
<mi>q</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>u</mi>
<mi>s</mi>
<mi>q</mi>
</msubsup>
<mo>|</mo>
<msub>
<mi>y</mi>
<mi>s</mi>
</msub>
<mo>,</mo>
<msubsup>
<mi>&theta;</mi>
<mi>l</mi>
<mi>q</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mi>&Sigma;</mi>
<mrow>
<msubsup>
<mi>x</mi>
<mi>s</mi>
<mi>q</mi>
</msubsup>
<mo>&Element;</mo>
<mo>{</mo>
<mn>0,1</mn>
<mo>}</mo>
</mrow>
</munder>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mi>s</mi>
<mi>q</mi>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>u</mi>
<mi>s</mi>
<mi>q</mi>
</msubsup>
<mo>|</mo>
<msub>
<mi>y</mi>
<mi>s</mi>
</msub>
<mo>,</mo>
<msubsup>
<mi>&theta;</mi>
<mi>l</mi>
<mi>q</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
其中,代表关于的后验概率,代表关于的后验概率;
(8e)利用MPM准则分别更新s处像素在标号场Xq的值和辅助场Uq中的值
<mrow>
<msubsup>
<mi>x</mi>
<mi>s</mi>
<mrow>
<mi>q</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<mi>arg</mi>
<munder>
<mi>max</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mo>{</mo>
<mn>0,1</mn>
<mo>}</mo>
</mrow>
</munder>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mi>s</mi>
<mi>q</mi>
</msubsup>
<mo>=</mo>
<mi>i</mi>
<mo>|</mo>
<msub>
<mi>y</mi>
<mi>s</mi>
</msub>
<mo>,</mo>
<msubsup>
<mi>&theta;</mi>
<mi>l</mi>
<mi>q</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
<mrow>
<msubsup>
<mi>u</mi>
<mi>s</mi>
<mrow>
<mi>q</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<mi>arg</mi>
<munder>
<mi>max</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mo>{</mo>
<mn>0,1</mn>
<mo>}</mo>
</mrow>
</munder>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>u</mi>
<mi>s</mi>
<mi>q</mi>
</msubsup>
<mo>=</mo>
<mi>i</mi>
<mo>|</mo>
<msub>
<mi>y</mi>
<mi>s</mi>
</msub>
<mo>,</mo>
<msubsup>
<mi>&theta;</mi>
<mi>l</mi>
<mi>q</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
(8f)按照步骤(8d)和(8e),对标号场Xq和辅助场Uq中每个位置的像素进行相同的更新处理,得到更新后标号场Xq+1和辅助场Uq+1。
4.根据权利要求1所述的基于高阶邻域三重马尔科夫场模型的SAR图像变化检测方法,其特征在于所述步骤(9)的实现步骤如下:
(9a)根据当前更新的标号场Xq+1,更新差异图像Y中非变化像素的均值和变化像素的均值
<mrow>
<msubsup>
<mi>&mu;</mi>
<mi>i</mi>
<mrow>
<mi>q</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>s</mi>
<mo>&Element;</mo>
<msub>
<mi>Q</mi>
<mi>i</mi>
</msub>
</mrow>
</munder>
<msub>
<mi>y</mi>
<mi>s</mi>
</msub>
<msub>
<mi>l</mi>
<mrow>
<mo>[</mo>
<msubsup>
<mi>x</mi>
<mi>s</mi>
<mrow>
<mi>q</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<mi>i</mi>
<mo>]</mo>
</mrow>
</msub>
</mrow>
<mrow>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>s</mi>
<mo>&Element;</mo>
<msub>
<mi>Q</mi>
<mi>i</mi>
</msub>
</mrow>
</munder>
<msub>
<mn>1</mn>
<mrow>
<mo>[</mo>
<msubsup>
<mi>x</mi>
<mi>s</mi>
<mrow>
<mi>q</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<mi>i</mi>
<mo>]</mo>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
其中
<mrow>
<msub>
<mi>Q</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mo>{</mo>
<mi>s</mi>
<mo>&Element;</mo>
<mi>S</mi>
<mo>|</mo>
<msubsup>
<mi>x</mi>
<mi>s</mi>
<mrow>
<mi>q</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<mi>i</mi>
<mo>}</mo>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mo>{</mo>
<mo></mo>
<mn>0,1</mn>
<mo>}</mo>
<mo>;</mo>
</mrow>
(9b)根据当前更新的标号场Xq+1,更新差异图像Y中非变化像素的方差和变化像素的方差
<mrow>
<msubsup>
<mi>&sigma;</mi>
<mi>i</mi>
<mrow>
<mi>q</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>s</mi>
<mo>&Element;</mo>
<msub>
<mi>Q</mi>
<mi>i</mi>
</msub>
</mrow>
</munder>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>s</mi>
</msub>
<mo>-</mo>
<msubsup>
<mi>&mu;</mi>
<mi>i</mi>
<mrow>
<mi>q</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<msub>
<mn>1</mn>
<mrow>
<mo>[</mo>
<msubsup>
<mi>x</mi>
<mi>s</mi>
<mrow>
<mi>q</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<mi>i</mi>
<mo>]</mo>
</mrow>
</msub>
</mrow>
<mrow>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>s</mi>
<mo>&Element;</mo>
<msub>
<mi>Q</mi>
<mi>i</mi>
</msub>
</mrow>
</munder>
<msub>
<mn>1</mn>
<mrow>
<mo>[</mo>
<msubsup>
<mi>x</mi>
<mi>s</mi>
<mrow>
<mi>q</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<mi>i</mi>
<mo>]</mo>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>.</mo>
</mrow>
3
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510131795.4A CN104680549B (zh) | 2015-03-24 | 2015-03-24 | 基于高阶邻域tmf模型的sar图像变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510131795.4A CN104680549B (zh) | 2015-03-24 | 2015-03-24 | 基于高阶邻域tmf模型的sar图像变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104680549A CN104680549A (zh) | 2015-06-03 |
CN104680549B true CN104680549B (zh) | 2017-09-26 |
Family
ID=53315542
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510131795.4A Expired - Fee Related CN104680549B (zh) | 2015-03-24 | 2015-03-24 | 基于高阶邻域tmf模型的sar图像变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104680549B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169533A (zh) * | 2017-06-14 | 2017-09-15 | 大连海事大学 | 一种超像素的概率因子tmf的sar图像海岸线检测算法 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106875380B (zh) * | 2017-01-12 | 2019-10-08 | 西安电子科技大学 | 一种基于无监督深度神经网络的异质图像变化检测方法 |
CN108257123B (zh) * | 2018-01-11 | 2022-01-18 | 西京学院 | 基于高阶统计特征的多波段雷达图像变化检测方法 |
CN110111300B (zh) * | 2019-03-18 | 2021-06-15 | 西安电子科技大学 | 一种图像变化检测方法 |
CN112183755A (zh) * | 2020-10-21 | 2021-01-05 | 中国核动力研究设计院 | 一种应用于复杂系统的马尔可夫模型构建简化方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1760888A (zh) * | 2005-11-03 | 2006-04-19 | 复旦大学 | 利用星载sar多时相图像识别地表变化的方法 |
CN101694719A (zh) * | 2009-10-13 | 2010-04-14 | 西安电子科技大学 | 基于非参数密度估计的遥感图像变化检测方法 |
CN102496154A (zh) * | 2011-10-24 | 2012-06-13 | 华中科技大学 | 一种基于马尔科夫随机场的多时相遥感图像变化检测方法 |
CN103606164A (zh) * | 2013-12-03 | 2014-02-26 | 西安电子科技大学 | 基于高维三重马尔可夫场的sar图像分割方法 |
-
2015
- 2015-03-24 CN CN201510131795.4A patent/CN104680549B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1760888A (zh) * | 2005-11-03 | 2006-04-19 | 复旦大学 | 利用星载sar多时相图像识别地表变化的方法 |
CN101694719A (zh) * | 2009-10-13 | 2010-04-14 | 西安电子科技大学 | 基于非参数密度估计的遥感图像变化检测方法 |
CN102496154A (zh) * | 2011-10-24 | 2012-06-13 | 华中科技大学 | 一种基于马尔科夫随机场的多时相遥感图像变化检测方法 |
CN103606164A (zh) * | 2013-12-03 | 2014-02-26 | 西安电子科技大学 | 基于高维三重马尔可夫场的sar图像分割方法 |
Non-Patent Citations (4)
Title |
---|
An Image Change Detection Algorithm Based on Markov Random Field Models;Teerasit Kasetkasem,Pramod Kumar Varshney;《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》;20020831;第40卷(第8期);第1815-1823页 * |
Unsupervised Change Detection From Multichannel SAR Data by Markovian Data Fusion;Gabriele Moser,Sebastiano B.Serpico;《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》;20090731;第47卷(第7期);第2114-2128页 * |
Unsupervised Change Detection From Multichannel SAR Images;Gabriele Moser et al.;《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》;20070430;第4卷(第2期);第278-282页 * |
基于改进MRF模型SAR图像变化检测研究;李长春 等;《现代雷达》;20140930;第36卷(第9期);第36-39页 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169533A (zh) * | 2017-06-14 | 2017-09-15 | 大连海事大学 | 一种超像素的概率因子tmf的sar图像海岸线检测算法 |
CN107169533B (zh) * | 2017-06-14 | 2021-01-15 | 大连海事大学 | 一种超像素的概率因子tmf的sar图像海岸线检测算法 |
Also Published As
Publication number | Publication date |
---|---|
CN104680549A (zh) | 2015-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104680549B (zh) | 基于高阶邻域tmf模型的sar图像变化检测方法 | |
US9767371B2 (en) | Systems and methods for identifying traffic control devices and testing the retroreflectivity of the same | |
CN104023230B (zh) | 一种基于梯度关联性的无参考图像质量评价方法 | |
US9342870B2 (en) | Tree-based linear regression for denoising | |
CN104680542B (zh) | 基于在线学习的遥感影像变化检测方法 | |
CN104408481B (zh) | 基于深度小波神经网络的极化sar图像分类方法 | |
CN103353989B (zh) | 基于先验和融合灰度与纹理特征的sar图像变化检测方法 | |
Hou et al. | SAR image classification via hierarchical sparse representation and multisize patch features | |
CN106991686B (zh) | 一种基于超像素光流场的水平集轮廓跟踪方法 | |
Li et al. | No-reference image quality assessment using statistical characterization in the shearlet domain | |
CN110610143B (zh) | 多任务联合训练的人群计数网络方法、系统、介质及终端 | |
CN103473755B (zh) | 基于变化检测的sar图像稀疏去噪方法 | |
CN108171119B (zh) | 基于残差网络的sar图像变化检测方法 | |
CN103440488A (zh) | 一种虫害识别的方法 | |
CN103955926A (zh) | 基于Semi-NMF的遥感图像变化检测方法 | |
CN109726649B (zh) | 遥感影像云检测方法、系统及电子设备 | |
CN105549009A (zh) | 一种基于超像素的sar图像cfar目标检测方法 | |
CN109446894A (zh) | 基于概率分割及高斯混合聚类的多光谱图像变化检测方法 | |
CN102903102A (zh) | 基于非局部的三马尔可夫随机场sar图像分割方法 | |
CN104881867A (zh) | 一种基于特征分布的遥感图像质量评价方法 | |
CN107944354A (zh) | 一种基于深度学习的车辆检测方法 | |
Zhang et al. | Counting vehicles in urban traffic scenes using foreground time‐spatial images | |
CN108399430A (zh) | 一种基于超像素和随机森林的sar图像舰船目标检测方法 | |
CN106960433B (zh) | 一种基于图像熵以及边缘的全参考声纳图像质量评测方法 | |
Li et al. | Pixel-level detection and measurement of concrete crack using faster region-based convolutional neural network and morphological feature extraction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into 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: 20170926 |
|
CF01 | Termination of patent right due to non-payment of annual fee |