CN106934797B - 一种基于邻域相对熵的sar影像变化检测方法 - Google Patents

一种基于邻域相对熵的sar影像变化检测方法 Download PDF

Info

Publication number
CN106934797B
CN106934797B CN201710083079.2A CN201710083079A CN106934797B CN 106934797 B CN106934797 B CN 106934797B CN 201710083079 A CN201710083079 A CN 201710083079A CN 106934797 B CN106934797 B CN 106934797B
Authority
CN
China
Prior art keywords
neighborhood
relative entropy
pixel
image
sar
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
Application number
CN201710083079.2A
Other languages
English (en)
Other versions
CN106934797A (zh
Inventor
赵争
刘本强
魏钜杰
杨书成
程春泉
卢丽君
张忠芳
郗晓菲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Four Aspect Remote Sensing Technology Co Ltd
Chinese Academy of Surveying and Mapping
Original Assignee
Chengdu Four Aspect Remote Sensing Technology Co Ltd
Chinese Academy of Surveying and Mapping
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Four Aspect Remote Sensing Technology Co Ltd, Chinese Academy of Surveying and Mapping filed Critical Chengdu Four Aspect Remote Sensing Technology Co Ltd
Priority to CN201710083079.2A priority Critical patent/CN106934797B/zh
Publication of CN106934797A publication Critical patent/CN106934797A/zh
Application granted granted Critical
Publication of CN106934797B publication Critical patent/CN106934797B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种基于邻域相对熵的SAR影像变化检测方法，包括以下步骤：(1)获取前后两时相的合成孔径雷达影像数据；(2)对前后两时相SAR影像执行预处理操作，包括影像配准、地理编码、裁剪感兴趣区域、滤波；(3)结合邻域信息计算前后时相影像间的邻域相对熵；(4)通过相对熵规则化处理解决不对称问题；(5)将上述计算的相对熵结果做归一化处理，以便图像的进一步处理；(6)采用模糊局部信息C均值(FLICM)聚类算法，实现变化信息的提取。所述方法能够削弱SAR影像斑点噪声的影响，降低了漏检率和错检率，提高了变化检测的精度。实验证明提供的方案可以在SAR影像变化检测中起到重要的作用，其中基于D‑邻域相对熵的SAR影像变化检测具有较佳的技术效果。

Description

一种基于邻域相对熵的SAR影像变化检测方法
技术领域
本发明属于遥感影像的数字图像处理领域，特别涉及合成孔径雷达影像变化检测中的基于邻域相对熵的SAR影像变化检测方法。
背景技术
变化检测是开展环境监测、农业调查、灾害评估、城市研究、森林资源监测等对地观测应用中的关键技术，并且可以应用于军事目标侦查，战场打击效果评估等方面，具有迫切的科学应用需求和广泛的应用前景。变化检测是从不同时间获取的同一地理区域的遥感影像中分析和确定地表变化信息的技术。合成孔径雷达(SAR)以其全天时全天候的观测能力，越来越多的应用于变化检测。
一般来说非监督的多时相SAR影像变化检测方法主要有：(1)对数比值法，对前后时相影像的每一个对应像元做除法，再取对数运算。该方法生成的差异图变化类和未变化类之间的对比明显，且可以将乘性噪声转化为加性噪声；(2)均值比法，通过窗口内的像元灰度均值展开计算，在一定程度上对乘性噪声有削弱作用；(3)融合方法，将两种不同方法生成的差异图通过小波系数融合规则进行有效融合，该方法可以结合两种差异图的优势；(4)分布模型法，假设前后影像服从某一分布，然后通过Edgeworth级数展开逼近其概率密度函数，再通过KL散度(也称相对熵)计算差异指数。但是这种方法的计算量非常大。
发明内容
本发明的目的在于解决现有SAR影像变化检测受噪声影响的不足及计算的复杂性，提出了一种基于邻域相对熵的SAR影像变化检测方法，该方法基于邻域相对熵运算，无需影像分布模型，有效克服了现有比值法、均值比、对数比等差异图在细节保持和抑制噪声方面的缺陷以及现有方法中基于Edgeworth级数逼近的计算复杂性。
本发明的技术方案具体如下面所描述：一种基于邻域相对熵的SAR影像变化检测方法，该方法引入邻域灰度信息，通过离散相对熵运算，计算两幅影像之间的差异程度，以此来表征图像的变化程度。最后通过模糊局部信息C均值(FLICM)聚类的方法实现变化信息的提取，其过程包括以下步骤：(1)获取前后两时相的合成孔径雷达影像数据；(2)对前后两时相SAR影像执行预处理操作，包括影像配准、地理编码、裁剪感兴趣区域、滤波；(3)结合邻域信息(引入三种邻域形式：4-邻域、8-邻域、D-邻域)，计算影像间的邻域相对熵；(4)通过相对熵规则化处理解决不对称问题；(5)将上述计算的相对熵结果做归一化处理，以便图像的进一步处理；(6)采用模糊局部信息C均值(FLICM)聚类算法，实现变化信息的提取。所述方法能够削弱SAR影像斑点噪声的影响，降低了漏检率和错检率，提高了变化检测的精度。实验证明，提供的方案可以在SAR影像变化检测中起到重要的作用，其中基于D-邻域相对熵的SAR影像变化检测，具有较佳的技术效果。
进一步地，所述步骤(3)中，在前后两时相影像精确配准的情况下，引入三种邻域形式，通过邻域块的相对熵运算计算两时相影像相应像元相对熵值，以表征它们的相似程度。
引入的三种邻域形式：4-邻域、8-邻域、D-邻域，并通过人工因子α控制着邻域像元对中心像元的影响程度，并通过邻域块之间离散化的计算，获取两时相SAR影像间的差异，三种邻域形式如下：
其中，i表示像元所在的行号，j表示像元所在的列号；
计算公式如下:
式中，X1和X2表示前后两时相SAR影像，Ki(X2|X1)为影像X2相对于影像X1的第i个像元在邻域Ω内的相对熵计算值，Ki(X1|X2)为影像X1相对与影像X2的第i个像元在邻域Ω内的相对熵计算值，xi为中心像元，xj为邻域像元且xj∈Ω，Ω为中心像xi的邻域，邻域形式包括4-邻域、8-邻域和D-邻域。α是加权参数，为人工经验值，控制邻域对中心像元的影响程度。
采取了本发明所述的基于邻域相对熵的SAR影像变化检测方法以后，该种方法采用基于邻域块的相对熵运算且能够控制邻域灰度的影响程度，不需要影像的分布模型，减少了计算量，且基于本发明方法生成的差异影像，在保持细节信息的同时也对噪声具有较强的鲁棒性。同时利用模糊局部信息C均值(FLICM)聚类算法提取变化信息，更加增强了对噪声的鲁棒性，提高了变化检测的精度。
附图说明
下面结合附图对本发明进行进一步详细的描述，以使得本发明的上述优点更加明确。
图1是本发明所述的基于邻域相对熵的SAR影像变化检测方法的流程图；
图2a是实施例第一组ERS-2数据Bern地区的前时相影像，获取时间为1999年4月；
图2b是实施例第一组ERS-2数据Bern地区的后时相影像，获取时间为1999年5月；
图2c是实施例第一组ERS-2数据，Bern地区的真实变化参考图；
图2d是实施例第一组数据，应用本发明得到的基于4-邻域相对熵差异图；
图2e是实施例第一组数据，应用本发明得到的基于8-邻域相对熵差异图；
图2f是实施例第一组数据，应用本发明得到的基于D-邻域相对熵差异图；
图2g是实施例第一组数据，应用本发明基于4-邻域相对熵的变化检测结果；
图2h是实施例第一组数据，应用本发明基于8-邻域相对熵的变化检测结果；
图2i是实施例第一组数据，应用本发明基于D-邻域相对熵的变化检测结果；
图3a是实施例第二组Radarsat-2数据Ottawa地区的前时相影像，获取时间为1997年5月；
图3b是实施例第二组Radarsat-2数据Ottawa地区的后时相影像，获取时间为1997年8月；
图3c是实施例第二组Radarsat-2数据，Ottawa地区的真实变化参考图；
图3d是实施例第二组数据，应用本发明得到的基于4-邻域相对熵差异图；
图3e是实施例第二组数据，应用本发明得到的基于8-邻域相对熵差异图；
图3f是实施例第二组数据，应用本发明得到的基于D-邻域相对熵差异图；
图3g是实施例第二组数据，应用本发明基于4-邻域相对熵的变化检测结果；
图3h是实施例第二组数据，应用本发明基于8-邻域相对熵的变化检测结果；
图3i是实施例第二组数据，应用本发明基于D-邻域相对熵的变化检测结果。
具体实施方式
下面结合附图对本发明作进一步详细的描述。
该种基于邻域相对熵的SAR影像变化检测方法，引入邻域像元的灰度信息，通过离散相对熵运算，计算两幅影像之间的差异程度，以此来表征图像的变化程度，克服了现有比值法、均值比、对数比等差异图在细节保持和抑制噪声方面的缺陷以及现有方法中基于Edgeworth级数逼近的计算复杂性。
结合图1的步骤对本发明进行描述如下：
第一步，获取同一地区不同时相的合成孔径雷达影像。完成影像配准或几何校正，选择感兴趣区域，裁剪相同尺寸的前后时相SAR影像。即SAR影像X1和SAR影像X2。
第二步，为了削弱乘性噪声的影响，可以采用Lee，Frost，Gamma-MAP等滤波方法进行滤波处理，进行预处理过程，还可以根据情况采用其他预处理的方式。
第三步，在前后两时相影像精确配准的情况下，引入三种邻域形式，通过邻域块的相对熵运算计算两时相影像相应像元相对熵值，以表征它们的相似程度。
引入的三种邻域形式：4-邻域、8-邻域、D-邻域，并通过人工因子α控制着邻域像元对中心像元的影响程度，并通过邻域块之间离散化的计算，获取两时相SAR影像间的差异，三种邻域形式如下：
其中，i表示像元所在的行号，j表示像元所在的列号；
计算公式如下:
式中，X1和X2表示前后两时相SAR影像，Ki(X2|X1)为影像X2相对于影像X1的第i个像元在邻域Ω内的相对熵计算值，Ki(X1|X2)为影像X1相对与影像X2的第i个像元在邻域Ω内的相对熵计算值，xi为中心像元，xj为邻域像元且xj∈Ω，Ω为中心像xi的邻域，邻域形式包括4-邻域、8-邻域和D-邻域。α是加权参数，为人工经验值，控制邻域对中心像元的影响程度。
第四步，通过下式对相对熵的值做规则化处理，得到规则化的相对熵值，此时得到的数值表示两幅影像对应像元间的相似程度。其值越小，表示着像元相似度越高。
第五步，对第四步所得到的值归一化到[0，255]，方便图像的进一步处理。科采用线性变换的方法，如下所示：
式中，g(x,y)为线性变换后的灰度值，f(x,y)为第四步得到的规则化相对熵的值，[a,b]＝[min Ki,max Ki]，[c,d]＝[0,255]。
第六步，采用模糊局部信息C均值聚类算法实现变化区域的提取。该算法的具体介绍如下：
模糊因子的定义为：
引入模糊因子后，FLICM算法的目标函数、模糊隶属度矩阵和聚类中心的计算公式分别如下：
式中，xi为局部窗口的中心像元，xj表示局部窗口内中心像元xi附近的邻域像元。c为聚类数目，n为像元个数。vk是第k类的聚类中心。ukj表示第j个像元对第k类的模糊隶属度。dij是像元和邻域像元的空间欧式距离，计算公式如下：
dij＝||xi-xj||2
采取了本发明所述的基于邻域相对熵的SAR影像变化检测方法以后，该种方法采用基于邻域块的相对熵运算且能够控制邻域灰度的影响程度，不需要影像的分布模型，减少了计算量，且基于本发明方法生成的差异影像，在保持细节信息的同时也对噪声具有较强的鲁棒性。同时利用模糊局部信息C均值(FLICM)聚类算法提取变化信息，更加增强了对噪声的鲁棒性，提高了变化检测的精度。
利用ERS-2和Radarsat-2两组数据集进行变化检测实验，图2a～图2c和图3a～图3c是实施例中SAR前后时相影像及其变化参考图，图2d～图2f和图3d～图3f为两组实验数据采用本发明得到的邻域相对熵影像差异图(依次为4-邻域、8-邻域、D-邻域)，图2g～图2i和图3g～图3i为两组实验数据采用本发明得到的变化检测结果。
其中，图2为ERS-2卫星Bern地区，(a)前时相1999.04(b)后时相1999.05(c)变化参考图(d)基于4-邻域相对熵差异图(e)基于8-邻域相对熵差异图(f)基于D-邻域相对熵差异图(g)4-邻域变化检测结果(h)8-邻域变化检测结果(i)D-邻域变化检测结果。
图3为Radarsat-2卫星Ottawa地区，(a)前时相1997.05(b)后时相1997.08(c)变化参考图(d)基于4-邻域相对熵差异图(e)基于8-邻域相对熵差异图(f)基于D-邻域相对熵差异图(g)4-邻域变化检测结果(h)8-邻域变化检测结果(i)D-邻域变化检测结果。
上述具体实施例仅仅是示例性的，在本发明的上述教导下，本领域技术人员可以在上述实施例的基础上进行各种改进和变形，而这些改进或者变形落在本发明的保护范围内。本领域技术人员应该明白，上面的具体描述只是为了解释本发明的目的，并非用于限制本发明。本发明的保护范围由权利要求及其等同物限定。

Claims (1)

1.一种基于邻域相对熵的SAR影像变化检测方法，其特征在于：通过不同时相SAR影像对应像元与其邻域像元的离散化邻域相对熵运算，且人工因子α能够控制邻域像元对中心像元的影响程度，包括以下步骤：(1)获取前后两时相的合成孔径雷达影像数据；(2)对前后两时相SAR影像执行预处理操作，包括影像配准、地理编码、裁剪感兴趣区域、滤波；(3)结合邻域信息计算影像间的邻域相对熵，所述邻域信息包括三种邻域形式：4-邻域、8-邻域、D-邻域；(4)通过相对熵规则化处理解决不对称问题；(5)将上述计算的相对熵结果做归一化处理，以便图像的进一步处理；(6)采用模糊局部信息C均值聚类算法，实现变化信息的提取；
所述步骤(3)中，引入的三种邻域形式：4-邻域、8-邻域、D-邻域，并通过人工因子α控制着邻域像元对中心像元的影响程度，并通过邻域块之间离散化的计算，获取两时相SAR影像间的差异，三种邻域形式如下：
其中，i表示像元所在的行号，j表示像元所在的列号；
邻域相对熵的计算公式如下：
式中，X1和X2表示前后两时相SAR影像，Ki(X2|X1)为影像X2相对于影像X1的第i个像元在邻域Ω内的相对熵计算值，Ki(X1|X2)为影像X1相对与影像X2的第i个像元在邻域Ω内的相对熵计算值，xi为中心像元，xj为邻域像元且xj∈Ω，Ω为中心像xi的邻域，邻域形式包括4-邻域、8-邻域和D-邻域；α是加权参数，为人工经验值，控制邻域对中心像元的影响程度，n为像元个数。
CN201710083079.2A 2017-02-16 2017-02-16 一种基于邻域相对熵的sar影像变化检测方法 Active CN106934797B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710083079.2A CN106934797B (zh) 2017-02-16 2017-02-16 一种基于邻域相对熵的sar影像变化检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710083079.2A CN106934797B (zh) 2017-02-16 2017-02-16 一种基于邻域相对熵的sar影像变化检测方法

Publications (2)

Publication Number Publication Date
CN106934797A CN106934797A (zh) 2017-07-07
CN106934797B true CN106934797B (zh) 2019-09-06

Family

ID=59423185

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710083079.2A Active CN106934797B (zh) 2017-02-16 2017-02-16 一种基于邻域相对熵的sar影像变化检测方法

Country Status (1)

Country Link
CN (1) CN106934797B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108303682B (zh) * 2018-01-17 2021-03-30 电子科技大学 一种基于相对熵准则的被动mimo雷达外辐射源选择方法
CN108765353A (zh) * 2018-06-06 2018-11-06 中国电子科技集团公司第二十九研究所 一种面向sar影像的时序滤波方法
CN110136128B (zh) * 2019-05-20 2021-03-02 中国矿业大学 基于Rao检验的SAR影像变化检测方法
CN118379637B (zh) * 2024-06-20 2024-09-13 杭州靖安防务科技有限公司 Sar图像变化检测方法和系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103810704A (zh) * 2014-01-23 2014-05-21 西安电子科技大学 基于支持向量机和判别随机场的sar图像变化检测方法
CN104392462A (zh) * 2014-12-16 2015-03-04 西安电子科技大学 一种基于显著分割子区域对的sar图像配准方法
CN104834942A (zh) * 2015-05-22 2015-08-12 武汉大学 基于掩膜分类的遥感影像变化检测方法及系统
CN104867150A (zh) * 2015-05-22 2015-08-26 武汉大学 遥感影像模糊聚类的波段修正变化检测方法及系统
CN105608698A (zh) * 2015-12-25 2016-05-25 西北工业大学 一种基于sae的遥感图像变化检测方法
CN106296655A (zh) * 2016-07-27 2017-01-04 西安电子科技大学 基于自适应权值和高频阈值的sar图像变化检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103810704A (zh) * 2014-01-23 2014-05-21 西安电子科技大学 基于支持向量机和判别随机场的sar图像变化检测方法
CN104392462A (zh) * 2014-12-16 2015-03-04 西安电子科技大学 一种基于显著分割子区域对的sar图像配准方法
CN104834942A (zh) * 2015-05-22 2015-08-12 武汉大学 基于掩膜分类的遥感影像变化检测方法及系统
CN104867150A (zh) * 2015-05-22 2015-08-26 武汉大学 遥感影像模糊聚类的波段修正变化检测方法及系统
CN105608698A (zh) * 2015-12-25 2016-05-25 西北工业大学 一种基于sae的遥感图像变化检测方法
CN106296655A (zh) * 2016-07-27 2017-01-04 西安电子科技大学 基于自适应权值和高频阈值的sar图像变化检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"基于KL距离的SAR影像变化检测";王刚等;《雷达科学与技术》;20120215;第10卷(第1期);正文第2节

Also Published As

Publication number Publication date
CN106934797A (zh) 2017-07-07

Similar Documents

Publication Publication Date Title
CN106934797B (zh) 一种基于邻域相对熵的sar影像变化检测方法
CN108038445B (zh) 一种基于多视角深度学习框架的sar自动目标识别方法
CN103198480B (zh) 基于区域和Kmeans聚类的遥感图像变化检测方法
CN112183432B (zh) 一种基于中分辨率sar图像的建筑区提取方法以及系统
CN101650439B (zh) 基于差异边缘和联合概率一致性的遥感图像变化检测方法
CN103413151B (zh) 基于图正则低秩表示维数约简的高光谱图像分类方法
CN103473764B (zh) 一种遥感影像目标变化检测方法
CN102629378B (zh) 基于多特征融合的遥感图像变化检测方法
CN111539296B (zh) 一种基于遥感影像变化检测的违章建筑识别方法及系统
CN109829423B (zh) 一种结冰湖泊红外成像检测方法
CN104715251B (zh) 一种基于直方图线性拟合的显著目标检测方法
CN113505670B (zh) 基于多尺度cam和超像素的遥感图像弱监督建筑提取方法
CN104899892A (zh) 一种快速的星图图像星点提取方法
CN112115871B (zh) 适用于行人目标检测的高低频交织边缘特征增强方法
CN103700109B (zh) 基于多目标优化moea/d和模糊聚类的sar图像变化检测方法
CN114241307A (zh) 基于自注意力网络的合成孔径雷达飞机目标识别方法
CN104517286A (zh) 基于自适应阈值分割和组合优化的sar图像配准
CN107463944A (zh) 一种利用多时相高分辨率sar图像的道路信息提取方法
CN107392926B (zh) 基于前期土地专题图的遥感影像特征选择方法
CN106971402B (zh) 一种基于光学辅助的sar图像变化检测方法
Cheng et al. Tensor locality preserving projections based urban building areas extraction from high-resolution SAR images
CN108109153B (zh) 基于sar-kaze特征提取的sar图像分割方法
Gong et al. An adaptive multi-scale gaussian co-occurrence filtering decomposition method for multispectral and SAR image fusion
CN111626131B (zh) 基于无人机遥感的电力施工区域信息提取及其变化检测方法
CN112837253B (zh) 一种夜间红外中长波图像融合方法及系统

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