CN105844637A - 基于非局部cv模型的sar图像变化检测方法 - Google Patents
基于非局部cv模型的sar图像变化检测方法 Download PDFInfo
- Publication number
- CN105844637A CN105844637A CN201610168000.1A CN201610168000A CN105844637A CN 105844637 A CN105844637 A CN 105844637A CN 201610168000 A CN201610168000 A CN 201610168000A CN 105844637 A CN105844637 A CN 105844637A
- Authority
- CN
- China
- Prior art keywords
- level set
- function
- set function
- phi
- omega
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
Abstract
本发明公开了一种基于非局部CV模型的SAR图像变化检测方法,实现步骤包括:(1)输入同一区域不同时间的两幅SAR图像构造差异图;(2)在差异图上做矩形轮廓曲线,初始化水平集函数;(3)计算内部区域的灰度均值和外部区域的灰度均值;(4)构建基于非邻域和基于区域信息的总能量函数E;(5)通过梯度下降法最小化E更新水平集函数φ,获得新的水平集函数φn+1,用其对差异图X进行分割;(6)判断当前的φn+1能否使总能量函数E达到最小值,如果能,停止迭代,输出最终的变化检测结果;否则,返回步骤3。本发明的方法对于差异位置更加敏感,对于初始化和图像质量的鲁棒性有明显增强。
Description
技术领域
本发明属于图像领域,主要解决遥感图像的变化检测问题,具体是一种基于非邻域统计学主动轮廓的变化检测模型,实现对SAR图像的变化检测。
背景技术
随着一系列光学和雷达卫星的运行服务的发展,不断积累了大量的遥感数据,相继建立了各种基于遥感图像数据的空间数据库。通过对这些图像数据进行进一步的分析、处理及解译,就可以将经遥感技术获得的图像数据转化为有用的信息,进而服务于国民经济的各个领域。
遥感图像的变化检测技术是遥感图像研究的重要组成部分,它是对同一地域不同时刻拍摄的多幅遥感影像,采用图像处理和模式识别等手段进行对比分析,根据图像之间的差异来得到人们所需要的地物或目标随时间发生的变化信息。变化检测技术可以根据不同时期获取图像的灰度值或局部纹理之间的变化,获得感兴趣的目标在数量、位置、形状及其它属性的变化情况。这些变化或许是由图像场景的真实变化造成的,也或许是由入射角、传感器精度、地面湿度、大气条件等变化引起的。遥感图像的变化检测可以应用于军事研究领域,遥感气象服务,
随着遥感技术的快速发展,遥感图像变化检测技术得到了快速的发展。Singh.A将变化检测方法分为直接比较法(差值法、比值法等)和分类比较法,直接比较法的算法相对简单,容易实现,但难以克服大气条件和传感器噪声等对检测结果带来的误差,受图像的预处理精度的影响严重;而分类比较法的变化检测结果的精度容易受分类精度的影响,初始分类的错误将造成难以弥补的误检或漏检现象。根据操作的目标对象可以把变化检测方法分为基于特征级的变化检测、基于像素级的变化检测和基于目标级的变化检测。按照是否需要训练样本这一准则,变化检测方法可以分为有监督的变化检测和无监督的变化检测。
主动轮廓模型(active contour model)在图像处理中得到了广泛的研究和应用,它是基于曲面演化和几何流形理论的模型。由Osher和Sethian提出的水平集方法[33]常常被用来求解主动轮廓模型。一般来讲,主动轮廓模型可以分为两类,基于边界的和基于区域的主动轮廓模型。每一类各有其缺点和优点。
基于边界的主动轮廓模型把图像梯度作为曲线收敛到理想边界的附加约束,通常会使用一个边界检测函数(或称为边界停止函数)来实现这一边界约束。最早的,也是最为经典的就是Kass等提出的Snakes模型[34]。之后,Snakes模型得到了发展,更为一般的、只依赖于曲线几何特征的GAC模型[35]被提出,其成功之处在于对曲线参数的独立性。为增强抓取边界的能力,常数膨胀项(控制曲线收缩或膨胀)往往被加入到GAC模型的演化方程中。然而,常数膨胀项虽然减少了迭代时间,但是合适的选值却成为它的瓶颈。过小或过大的膨胀项都会导致结果的不精确。早期主动轮廓模型[34,35,36,37]的能量函数都是驱使曲线向图像局部特征演化,最常用的就是边界特征,这也是此类模型被称为基于边界的模型的原因。由于使用了局部特征,基于边界的模型往往陷入局部最优解,并且分割结果很大程度上受到噪声、纹理和混杂特征的影响,因此,它们对复杂图像的分割结果差强人意。
基于区域的模型[38]往往使用图像的区域信息作为约束条件,由于此类模型的优化相对于局部的边界特征更接近全局解,因此和基于边界的模型相比具有一定的优势:1、不使用图像梯度等局部信息,对边界模糊甚至没有明显边界的目标分割结果也很理想;2、优化的全局解使得初始曲线的位置没有非常严格的要求(在基于边界的模型中,往往要求初始曲线要贴近目标边界)。早期的基于区域的模型往往是基于图像模型[39,40,41,42,43]或含参数的图像统计量的[44](如,前景区域和背景区域的均值和方差等)。
目前的SAR变化检测算法大部分为中低分辨率、象元级、单极化的SAR变化检测。随着SAR技术的日益成熟,图像质量逐渐提高,分辨率逐渐增强,获取数据的能力和精度越来越高,图像获取越来越便捷,SAR变化检测的前景会更加广泛。
发明内容
本发明的目的是提供一种新的基于非局部CV模型的SAR图像变化检测方法,该方法是将原有的CV模型和非邻域模型相结合,充分利用了感兴趣的目标像素点附近的非局部信息。该方法避免了水平集模型在变化检测中出现的局部优化问题,同时更好的利用了边界和区域信息。
本发明的技术关键是利用Chan-Vese模型和非邻域模型,定义一条闭合轮廓曲线来表示目标的边界轮廓,并定义一个包含轮廓曲线信息的能量泛函,将图像变化检测过程转变成为求解所定义的能量泛函最小值的过程。
本发明的技术方案是如下几个步骤:
1、输入同一区域不同时间的两幅SAR图像,构造差异图。
2、在差异图上做个矩形轮廓曲线,初始化水平集函数。
3、计算内部区域Ω1 n的灰度均值c1和外部区域Ω2 n的灰度均值c2。
4、构建基于非邻域和基于区域信息(即CV模型)的总能量函数E。
5、通过梯度下降法最小化总能量函数E更新水平集函数φ,获得新的水平集函数φn+1,用该水平集函数φn+1对差异图X进行分割。
6、判断当前的水平集函数φn+1能否使总能量函数E达到最小值,如果能,停止迭代,否则,返回步骤3。
本发明与现有技术相比具有如下优点:
1、本发明的方法对于差异位置更加敏感,避免了原有的Chan-Vese模型在变化检测中出现的局部优化问题;
2、更好的利用了边界和区域信息,反映出来的结果更好;
3、对于初始化和图像质量的鲁棒性有明显增强。
附图说明
图1为本发明的实现流程图;
图2为水平集方法应用于SAR图像变化检测的整体流程图;
图3为反映黄河的两幅前后变化图;
图4为原有的Chan-Vese模型与本发明在图3变化检测中对比结果图;
图5为反映伯尔尼城市的两幅前后变化图;
图6为原有的Chan-Vese模型与本发明在图5变化检测中对比结果图。
具体实施方式
参照图1,本发明的实现步骤如下:
步骤1,对同一地域不同时间获取的两幅遥感图像X1和X2,构造差异图X。
步骤2,初始化水平集函数φ为符号距离函数形式,根据水平集函数值的正负,根据水平集函数的正负,将差异图X的整个图像区域分为内部区域Ω1和外部区域Ω2,在差异图X上做个矩形轮廓曲线,初始化水平集函数φ=±D。当φ>0,表示矩形轮廓曲线的内部区域Ω1,当φ<0时,表示矩形轮廓曲线的内部区域Ω2,当φ=0时,表示差异图中的像素点在矩形轮廓曲线上。其中,D表示差异图中的像素点到矩形轮廓曲线的欧氏距离。
步骤3,设循环次数n的初始值为n=0,设第n次循环时的水平集函数φn=φ根据当前水平集函数φn将差异图X分成内部区域Ω1 n和外部区域Ω2 n,计算内部区域Ω1 n的灰度均值c1和外部区域Ω2 n的灰度均值c2。
步骤4,结合步骤2和步骤3构建基于区域信息的能量函数ECV:
其中X(x,y)表示差异图X中像素点的坐标,Ω表示整个差异图区域,c1为内部区域Ω1 n的灰度均值,c2为外部区域Ω2 n的灰度均值,表示对水平集函数求梯度,为梯度范式,μ为调节长度约束项的权重参数,并且H(φ)为Heaviside函数,δ0(φ)为H(φ)的导数。
步骤5,构建基于非邻域信息的能量函数ENL:
其中,px表示像素点x的邻域点集合,σ是高斯函数的标准差,d(px,py)表示像素点x,y的邻域点集合px和py之间的距离。
步骤6,基于步骤4和步骤5,添加可取代重新初始化过程的距离正则项:该距离正则项中的函数构建总能量函数E为:
E=ECV+ENL+D
步骤7,通过梯度下降法最小化总能量函数E更新水平集函数φ,获得新的水平集函数φn+1,用该水平集函数φn+1对差异图X进行分割。
步骤8,判断当前的水平集函数φn+1能否使总能量函数E达到最小值,如果能,停止迭代,此时的水平集函数φn+1对应的零水平集就是变化区域的边界,将变化区域的像素灰度值赋值1,非变化区域的像素灰度值赋值0,得到变化检测结果图,否则,返回步骤(3),用当前的水平集函数φn+1替代步骤(3)中的φn继续循环迭代。
本发明的效果可以通过以下仿真进一步说明:
1.仿真条件
本实例在AMD Athlon(tm)P340Dual-Core Processor 2.20GHz Windows 8.1系统下,Matlab 2014a运行平台上,完成本发明仿真实验。
2.仿真实验内容
本实验内容包括两部分:
1、本发明的算法模型在SAR图像中的变化检测;
2、已有的Chan-Vese模型在SAR图像中的变化检测。
选择了两个例子,第一组图是反映黄河的前后变化图,是Radarsat-2W卫星拍摄于2008年6月和2009年6月。
第二组图是反映城市伯尔尼附近区域的前后变化图,是欧洲的遥感卫星拍摄于1999年4月和5月。
两组图的大小均为301*301。
3.仿真实验结果及分析
图4和图6给出了Chan-Vese模型与本发明的结果图,图(a)是表示Chan-Vese模型在变化检测中的结果图,图(b)是表示本发明在变化检测中的结果图。比较前后两幅图,可见本发明相比Chan-Vese模型在边界上更加平滑,细节保持的清晰完整,变化检测的效果相对比较好。使用Chan-Vese模型与加入了非邻域信息的CV模型的效果指标如表1所示。
表1CV模型与NL-CV模型进行变化检测的效果指标
从表1中可以看出,本发明的方法的变化检测漏警率和误警率相对原有的CV模型较低,PCC指数总体效果较好些,检测的结果优良。
根据以上结果可知,本发明的方法对于差异位置更加敏感,避免了原有的Chan-Vese模型在变化检测中出现的局部优化问题,更好的利用了边界和区域信息,反映出来的结果更好,对于初始化和图像质量的鲁棒性有明显增强。
总体来说,本发明方法明显提高了SAR图像变化检测的效果。
Claims (3)
1.一种基于非局部CV模型的SAR图像变化检测方法,其特征在于所述方法包括下列步骤:
(1)对同一地域不同时间获取的两幅遥感图像X1和X2,构造差异图X;
(2)初始化水平集函数φ为符号距离函数形式;
(3)设循环次数n的初始值为n=0,设第n次循环时的水平集函数φn=φ,根据当前水平集函数φn将差异图X分成内部区域Ω1 n和外部区域Ω2 n;计算内部区域Ω1 n的灰度均值c1和外部区域Ω2 n的灰度均值c2;
(4)结合步骤2和步骤3构建基于区域信息的能量函数ECV:
其中X(x,y)表示差异图X中像素点的坐标,Ω表示整个差异图区域,c1为内部区域Ω1 n的灰度均值,c2为外部区域Ω2 n的灰度均值,表示对水平集函数求梯度,为梯度范式,μ为调节长度约束项的权重参数,并且H(φ)为Heaviside函数,δ0(φ)为H(φ)的导数;
(5)构建基于非邻域信息的能量函数ENL:
其中,px表示像素点x的邻域点集合,σ是高斯函数的标准差,d(px,py)表示像素点x,y的邻域点集合px和py之间的距离;
(6)基于步骤4和步骤5,添加可取代重新初始化过程的距离正则项:
该距离正则项中的函数构建总能量函数E为:
E=ECV+ENL+D
(7)通过梯度下降法最小化总能量函数E更新水平集函数φ,获得新的水平集函数φn+1,用该水平集函数φn+1对差异图X进行分割;
(8)判断当前的水平集函数φn+1能否使总能量函数E达到最小值,如果能,停止迭代,否则,返回步骤(3),用当前的水平集函数φn+1替代步骤(3)中的φn继续循环迭代。
2.根据权利要求书1所述的基于非局部CV模型的SAR图像变化检测方法,其特征是:所述步骤(2)包括下列步骤:
(2a)根据水平集函数值的正负,将差异图X的整个图像区域分为内部区域Ω1和外部区域Ω2;
(2b)在差异图X上做个矩形轮廓曲线,初始化水平集函数φ=±D;当φ>0,表示矩形轮廓曲线的内部区域Ω1,当φ<0时,表示矩形轮廓曲线的内部区域Ω2,当φ=0时,表示差异图中的像素点在矩形轮廓曲线上;其中,D表示差异图中的像素点到矩形轮廓曲线的欧氏距离。
3.根据权利要求书1所述的基于非局部CV模型的SAR图像变化检测方法,其特征是:所述步骤(8)包括下列步骤:
(3a)判断当前的水平集函数φn+1能否使总能量函数E达到最小值;
(3b)否则,返回步骤(3),用当前的水平集函数φn+1替代步骤(3)中的φn继续循环迭代;
(3c)如果能,停止迭代,此时的水平集函数φn+1对应的零水平集就是变化区域的边界,将变化区域的像素灰度值赋值1,非变化区域的像素灰度值赋值0,得到变化检测结果图;
(3d)结束变化检测过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610168000.1A CN105844637B (zh) | 2016-03-23 | 2016-03-23 | 基于非局部cv模型的sar图像变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610168000.1A CN105844637B (zh) | 2016-03-23 | 2016-03-23 | 基于非局部cv模型的sar图像变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105844637A true CN105844637A (zh) | 2016-08-10 |
CN105844637B CN105844637B (zh) | 2020-04-28 |
Family
ID=56583023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610168000.1A Active CN105844637B (zh) | 2016-03-23 | 2016-03-23 | 基于非局部cv模型的sar图像变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105844637B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107063462A (zh) * | 2016-12-29 | 2017-08-18 | 国网山东省电力公司菏泽供电公司 | 一种输电线路红外热像异常区域提取方法 |
CN108038851A (zh) * | 2017-12-11 | 2018-05-15 | 中国科学技术大学 | 一种基于反馈和迭代的雷达图像差异检测方法 |
CN108242057A (zh) * | 2017-09-22 | 2018-07-03 | 西安电子科技大学 | 基于嵌入边界约束因子的局部主动轮廓图像分割方法 |
CN109727250A (zh) * | 2018-12-26 | 2019-05-07 | 北京化工大学 | 基于径向函数表示的ct图像序列肺动脉形态变化检测方法 |
CN109919910A (zh) * | 2019-01-25 | 2019-06-21 | 合肥工业大学 | 基于差异图融合和改进水平集的sar图像变化检测方法 |
CN109946698A (zh) * | 2019-04-15 | 2019-06-28 | 北京市遥感信息研究所 | 一种极化合成孔径雷达典型目标特征库构建方法及装置 |
CN112101310A (zh) * | 2020-11-13 | 2020-12-18 | 中国人民解放军国防科技大学 | 基于上下文信息的道路提取方法、装置和计算机设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104680536B (zh) * | 2015-03-09 | 2017-07-04 | 西安电子科技大学 | 利用改进的非局部均值算法对sar图像变化的检测方法 |
-
2016
- 2016-03-23 CN CN201610168000.1A patent/CN105844637B/zh active Active
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107063462A (zh) * | 2016-12-29 | 2017-08-18 | 国网山东省电力公司菏泽供电公司 | 一种输电线路红外热像异常区域提取方法 |
CN107063462B (zh) * | 2016-12-29 | 2019-11-26 | 国网山东省电力公司菏泽供电公司 | 一种输电线路红外热像异常区域提取方法 |
CN108242057A (zh) * | 2017-09-22 | 2018-07-03 | 西安电子科技大学 | 基于嵌入边界约束因子的局部主动轮廓图像分割方法 |
CN108242057B (zh) * | 2017-09-22 | 2020-04-07 | 西安电子科技大学 | 基于嵌入边界约束因子的局部主动轮廓图像分割方法 |
CN108038851A (zh) * | 2017-12-11 | 2018-05-15 | 中国科学技术大学 | 一种基于反馈和迭代的雷达图像差异检测方法 |
CN108038851B (zh) * | 2017-12-11 | 2020-02-07 | 中国科学技术大学 | 一种基于反馈和迭代的雷达图像差异检测方法 |
CN109727250A (zh) * | 2018-12-26 | 2019-05-07 | 北京化工大学 | 基于径向函数表示的ct图像序列肺动脉形态变化检测方法 |
CN109919910A (zh) * | 2019-01-25 | 2019-06-21 | 合肥工业大学 | 基于差异图融合和改进水平集的sar图像变化检测方法 |
CN109919910B (zh) * | 2019-01-25 | 2021-06-22 | 合肥工业大学 | 基于差异图融合和改进水平集的sar图像变化检测方法 |
CN109946698A (zh) * | 2019-04-15 | 2019-06-28 | 北京市遥感信息研究所 | 一种极化合成孔径雷达典型目标特征库构建方法及装置 |
CN112101310A (zh) * | 2020-11-13 | 2020-12-18 | 中国人民解放军国防科技大学 | 基于上下文信息的道路提取方法、装置和计算机设备 |
CN112101310B (zh) * | 2020-11-13 | 2021-02-02 | 中国人民解放军国防科技大学 | 基于上下文信息的道路提取方法、装置和计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN105844637B (zh) | 2020-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105844637A (zh) | 基于非局部cv模型的sar图像变化检测方法 | |
CN113139453B (zh) | 一种基于深度学习的正射影像高层建筑基底矢量提取方法 | |
Wang et al. | Fusing meter-resolution 4-D InSAR point clouds and optical images for semantic urban infrastructure monitoring | |
CN108257154B (zh) | 基于区域信息和cnn的极化sar图像变化检测方法 | |
CN106683122A (zh) | 一种基于高斯混合模型和变分贝叶斯的粒子滤波方法 | |
CN112395987B (zh) | 基于无监督域适应cnn的sar图像目标检测方法 | |
CN101398934A (zh) | 对图像中的对象进行定位的方法和系统 | |
CN103839256B (zh) | 基于小波分解的多尺度水平集的sar图像变化检测方法 | |
CN106570886B (zh) | 一种基于超分辨率重建的目标跟踪方法 | |
US20190138848A1 (en) | Realistic sensor simulation and probabilistic measurement correction | |
CN106526593A (zh) | 基于sar严密成像模型的子像素级角反射器自动定位方法 | |
CN104778717A (zh) | 基于导向差异图的sar图像变化检测方法 | |
Jeong et al. | Improved multiple matching method for observing glacier motion with repeat image feature tracking | |
CN102779346A (zh) | 基于改进c-v模型的sar图像变化检测方法 | |
CN104680151B (zh) | 一种顾及雪覆盖影响的高分辨全色遥感影像变化检测方法 | |
CN106709515A (zh) | 一种适用于下视景象匹配选区准则干预方法 | |
CN116448100A (zh) | 一种多传感器融合的近岸无人船slam方法 | |
Wilson et al. | Surfzone state estimation, with applications to quadcopter-based remote sensing data | |
CN104749625B (zh) | 一种基于正则化技术的地震数据倾角估计方法及装置 | |
CN110211189A (zh) | ToF相机深度误差建模校正方法及装置 | |
Butenuth | Segmentation of imagery using network snakes | |
CN104240249B (zh) | 基于方向波变换和改进的水平集的sar图像变化检测方法 | |
CN116258877A (zh) | 土地利用场景相似度变化检测方法、装置、介质及设备 | |
CN111523589B (zh) | 一种基于栓母对知识图谱的螺栓缺陷分类方法 | |
Zhang et al. | An algorithm for motion estimation based on the interframe difference detection function model |
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 |