CN107194917B - 基于dap和arelm的在轨sar图像变化检测方法 - Google Patents
基于dap和arelm的在轨sar图像变化检测方法 Download PDFInfo
- Publication number
- CN107194917B CN107194917B CN201710339040.2A CN201710339040A CN107194917B CN 107194917 B CN107194917 B CN 107194917B CN 201710339040 A CN201710339040 A CN 201710339040A CN 107194917 B CN107194917 B CN 107194917B
- Authority
- CN
- China
- Prior art keywords
- super
- pixels
- pixel
- image
- superpixels
- 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
Links
Images
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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Abstract
本发明提出了一种基于DAP和ARELM的在轨SAR图像变化检测方法,消除了训练数据对方法检测能力的限制。其实现包括:针对两幅配准的SAR图像对,计算获得对数差分图DI;对DI进行SLIC超像素分割,并求取所有超像素的均值和质心,用DAP算法对超像素聚类获得若干类超像素集合;用K‑means算法再进行区域三分类,均值最高的集合为严格变化区域,最低的集合为严格未变化区域,剩余为未知类别区域;选择区域训练样本,并将其邻域特征送到ARELM中训练,获得训练好网络参数的ARELM;将待检测的所有像素邻域特征送入训练好的ARELM中进行分类,自动获得变化检测结果图。本发明消除了训练数据对方法检测能力的限制,检测正确率高,自动决策。检测能力稳定可靠,用于SAR图像变化检测。
Description
技术领域
本发明属于图像检测技术领域,主要涉及SAR图像的变化检测,具体是一种基于DAP聚类和基于图正则的极速学习机(ARELM)的在轨SAR图像变化检测方法,用于对SAR图像的变化检测。
背景技术
变化检测是一种根据同一地区不同时间得到的多时相卫星图片分析检测出区域内地物变化的技术。随着科学技术的不断进步,变化检测技术在理论和实践中都取得了瞩目的成果,检测手段日趋成熟,一些优秀算法也被应用到了变化检测技术中。现如今,变化检测技术已广泛应用于医学诊断、土地利用、植被覆盖检测等方面。
作为一种微波成像雷达,合成孔径雷达系统获得的SAR图像因为不受云层、光照等现象的干扰,在植被监控、工业生产及军事领域都有广泛应用。随着科技进步,我国的遥感技术得到了长足的发展。在发射的各种卫星获得的海量地面区域数据面前,正确有效且及时从其中获取有效数据信息成了目前急需解决的问题。
可将在轨的SAR的图像变化检测方法分为两类:(1)无监督SAR图像在轨变化检测,该类方法是利用图像中的特征信息进行分析聚类,最终获取目标区域的变化部分;(2)有监督的SAR图像在轨变化检测,该类方法需要足够的标记样本作为训练数据,从训练数据中提取出方法所需的样本特征来分类未知类别的样本。
无监督的SAR图像在轨变化检测方法由于不需要额外的训练样本,因此各个领域都有具有比较广泛的应用。但是由于没有利用到样本的有效信息,使得无监督的SAR图像在轨变化检测方法的检测精度和方法稳定性需要进一步提高。
有监督的SAR图像在轨变化检测一般需要用足量的人工数据样本对有监督的在轨变化检测方法进行训练,这类方法和无监督检测方法相比具有更高的检测精度,但是由于这些人工标注的样本信息稀缺且昂贵,并且训练后的方法参数固定,使得此类方法在面对不同幅宽不同分辨率以及不同成像方式(单视或四视)的目标区域的数据时,其检测质量受到很大程度的波动,制约了有监督检测方法的实际推广和使用。
综上,无监督的SAR图像在轨变化检测方法的检测精度不足。有监督的SAR图像在轨变化检测方法受限于对大量人工标注的数据的需求,不能灵活应用于不同成像方式及分辨率的SAR数据。在SAR图像的变化检测领域,随着获得的数据集中包含信息量的不断提升,以往的基于像素级的变化检测方法不能满足检测需求。如何在满足在轨变化检测方法要求的同时,从细节更多的新数据集中获取更多有效信息,以最终优化变化检测方法的检测结果,成为新时期急需要研究解决的问题。
发明内容
针对以上方法的不足和局限,为了使在轨变化检测方法更有效的处理更多细节的高精度SAR图像,结合图像的纹理特征,本发明提出了一种稳定高效的基于距离AP聚类(DAP)和图正则的极速学习机(ARELM)的SAR图像在轨变化检测方法。
本发明是一种基于DAP聚类和ARELM的在轨SAR图像变化检测方法,其特征是:直接在卫星上对配准后的SAR图像对进行变化检测,并包括以下步骤:
步骤1:针对两幅配准后的同一地区不同时相的SAR图像对X1和X2,逐一地在图像对每个对应的像素点上作对数比值法计算,获得SAR图像对的对数差分图DI。
步骤2:设置超像素的分割块数和紧致度,对获得的对数差分图进行SLIC(simplelinear iterative clustering)超像素分割,将对数差分图DI分割成若干超像素,用超像素代替对数差分图中的所有像素,获得整体分割成超像素的对数差分图,将超像素作为后续步骤的待分类样本。
步骤3:求取整体分割成超像素的对数差分图中所有超像素的均值和质心,运用添加了样本间距离相似度的DAP算法,根据超像素的均值和质心对所有超像素进行相似度划分,最终分类获得若干类超像素集合。
步骤4:设置区域分类的类别数为3,运用K-means算法对获得的若干类超像素集合再进行区域分类,分类后的三个区域中均值最高的集合视为严格变化区域,将均值最低的集合视为严格未变化区域,剩余的一类区域视之为未知类别区域。
步骤5:获得的三类区域集合中样本数过多,从三个区域中均按序选择其中的1/100的像素作为区域训练样本,以每个区域训练样本为中心,提取所有区域训练样本的n×n邻域特征;初始化基于图正则的极速学习机ARELM中所有网络节点的权重和偏置,将三类区域训练样本的邻域特征分别送入到ARELM中进行训练,最终获得训练好网络参数的ARELM。
步骤6:将待检测的对数差分图中所有像素视为测试样本,以每个测试样本为中心,提取所有测试样本的n×n邻域特征,送入到训练好的ARELM中进行分类判决,自动获得待检测图像的变化检测结果图。
本发明与现有技术相比具有下列有益的效果:
1、本发明创新性的将距离维度添加到样本的AP聚类算法的判别过程中,通过距离和特征的双重约束构造出更优异更稳定的相似度矩阵,平滑了聚类过程中的相似度波形震荡现象,缩短了聚类算法的迭代次数,显著地优化了聚类结果。
2、本发明将超像素分割应用到变化检测的样本分类中,不再根据单个像素的灰度特征来判别像素所属类别,利用分割后超像素的光谱特征和距离特征对超像素进行聚类,保留了有标记样本的更多细节,使得图正则的极速学习机更加健壮,能够很好的抑制斑点噪声的干扰。
3、本发明利用图像像素间的局部一致性,构造出基于像素相似性度量的图正则项,显著提升了方法的聚类精度,使得检测结果更加稳定。
4、本发明从待检测图像对的差分图中自动提取训练样本,使得本方法可以灵活应用于不同分辨率及成像方式的SAR成像系统中,消除了训练样本对方法检测能力的限制。
5、仿真实验表明,本发明采用的DAP聚类和ARELM的在轨SAR图像变化检测方法检测效果优秀,抗噪性能明显,正确检测率高,Kappa系数高。
附图说明
图1是本发明的图像检测主流程图;
图2是本发明运用SLIC对对数差分图进行超像素分割的流程图;
图3是本发明DAP算法对超像素进行进行分类的流程图;
图4是第一组实验仿真图,拍摄地点为Berne地区,大小均为301×301;其中图4(a)的拍摄时间是1999年4月,图4(b)的拍摄时间是1999年5月;
图5是整体分割成超像素的对数差分图;
图6是对应图4中第一组实验仿真图的DAP和K-means聚类算法实现变化类、非变化类和中间类的样本选择结果图,其中图6(a)为变化类,图6(b)为中间类,图6(c)为未变化类;
图7是对应图4中第一组实验仿真图的变化检测结果对比,其中图7(a)表示变化检测参考图,图7(b)表示本方法得到的变化检测结果图,图7(c)表示CKLD方法(theCumulant-based Kullback-Leibler Divergence method)的变化检测结果图;
图8是第二组实验仿真图,拍摄地点为Ottawa地区,图片大小均为290×350,其中图8(a)的拍摄时间是1997年5月,图8(b)的拍摄时间是1997年8月;
图9是整体分割成超像素的对数差分图;
图10是对应图8中第二组实验仿真图的DAP和K-means聚类算法实现变化类、非变化类和中间类的样本选择结果图,其中图10(a)为变化类,图10(b)为中间类,图10(c)为非变化类;
图11是对应图8中第二组实验仿真图的变化检测结果对比,其中图11(a)表示变化检测结果图,图11(b)表示本方法得到的变化检测结果图,图11(c)表示CKLD方法得到的变化检测结果图。
具体实施方式
下面结合附图对本发明详细说明。
实施例1
使用有监督的在轨SAR图像变化检测对人工标注的数据有大量的需求,采用地面训练、星上检测的方式不能同时应用于不同成像方式及分辨率的SAR图像数据。随着卫星获得的数据集中包含信息量的不断提升,基于像素级的变化检测方法不再满足实际的检测需求。针对此现状,本发明展开了探索与改进,提出一种基于DAP和ARELM的在轨SAR图像变化检测方法,参见图1:具体包括以下步骤:
步骤1:输入待检测的图像对X1和X2,针对两幅配准后的同一地区不同时相的SAR图像对X1和X2,逐一地在图像对每个对应的像素点上作对数比值法计算,获得SAR图像对的对数差分图DI。图像对可参见图4和图8。其中图4的拍摄地点为Berne地区,图像大小均为301×301;图4(a)为X1,图4(b)为X2。图8的拍摄地点为Ottawa地区,图像大小均为290×350,图8(a)为X1,图8(b)为X2。
步骤2:获取对数差分图的超像素:为了降低方法的运算时间,设置超像素的分割块数和紧致度,对获得的对数差分图进行SLIC(simple linear iterative clustering)超像素分割,将对数差分图DI分割成若干超像素,用超像素代替对数差分图中的所有像素,获得整体分割成超像素的对数差分图,将超像素作为后续步骤的待分类样本,参见图5和图9。
步骤3:求取若干类超像素集合:求取整体分割成超像素的对数差分图中所有超像素的均值和质心,运用添加了样本间距离相似度的DAP算法,根据超像素的均值和质心对所有超像素进行相似度划分,由于DAP算法不指定具体的聚类类别数,分类获得若干类超像素集合。
步骤4:划分严格变化、严格未变化和未知类别三个区域:设置区域分类的类别数为3,运用K-means算法对获得的若干类超像素集合再进行区域分类,分类后的三个区域中均值最高的集合视为严格变化区域,将分类后的三个集合中均值最低的集合视为严格未变化区域,剩余的一类区域视之为未知类别区域;参见图6和图10,其中图6(a)和图10(a)为严格变化区域,图6(b)和图10(b)为未知类别区域,图6(c)和图10(c)为严格未变化区域。
步骤5:用获得的三个区域中的样本训练ARELM:获得的三类区域集合中样本数过多,本发明从三个区域中均按序选择其中的1/100的像素作为区域训练样本,以每个区域训练样本为中心,提取所有区域训练样本的n×n邻域特征;初始化基于图正则的极速学习机ARELM中所有网络节点的权重和偏置,将三类区域训练样本的邻域特征分别送入到ARELM中进行训练,获得训练好网络参数的ARELM。
步骤6:用训练好的ARELM获取待检测图像对的变化检测结果图:将待检测的对数差分图中所有像素视为测试样本,以每个测试样本为中心,提取所有测试样本的n×n邻域特征,送入到训练好的ARELM中进行分类判决,自动获得待检测图像对的变化检测结果图。
本发明使用超像素分割方法,在大幅度减少样本数目的同时完美保持了图像的局部细节信息;方法从待检测的SAR图像对中自动提取出需要的严格变化样本和严格未变化样本作为ARELM的训练数据,使其能够同时应用于不同场景下不同成像方式及不同分辨率的SAR图像的变化检测中。创新性的将样本的距离维度添加到AP算法的决策过程中,使得方法避免了人工提取样本的同时,保持了相当高的检测精度。ARELM的特征相似样本有更大概率归为一类的特性提升了方法的检测精度。
实施例2
基于DAP聚类和ARELM的在轨SAR图像变化检测方法的总体技术方案同实施例1,本发明步骤1中的对数比值法计算,包括如下步骤:
步骤1.1:根据下列的对数比值法公式,将两幅配准后SAR图像X1和X2带入到公式中,获得对应的对数差分图DI:
其中ε是一个很小的正常数,一般为10-2~10-4;X1表示发生变化前目标区域的SAR图像,X2表示发生变化后目标区域的SAR图像。
步骤1.2:对生成的对数差分图DI进行归一化处理,采用离差标准化的方式,具体公式如下:
其中DImax和DImin分别表示对数差分图DI中的最大值和最小值,差分图大小为M×N,m和n表示对数差分图中具体像素的坐标,得到归一化后的对数差分图。
步骤1.3:结束对数比值法。
实施例3
基于DAP聚类和ARELM的在轨SAR图像变化检测方法的总体技术方案同实施例1-2,步骤2中对归一化的对数差分图进行超像素分割的流程参见图2。包括有如下步骤:
步骤2.1:参数设置:设置超像素分割方法的预定分割块数,选取范围为[500,3000],设置超像素分割时的紧致度,选取范围为[20,50],本例中,考虑到采用的两个实例中实验数据图的大小,设置超像素的预定分割块数为1000,设置超像素分割时的紧致度为25。
步骤2.2:将对数差分图的长宽和设定的参数送入到SLIC超像素分割方法中,对归一化的对数差分图进行超像素分割。首先根据设定的超像素分割的块数,在图像内均匀分配聚类中心;为了避免聚类中心被分配在图像的高梯度区,微调聚类中心到其邻域的梯度最小处;根据像素到聚类中心的颜色距离和空间距离,迭代优化超像素的聚类中心;当超像素的聚类中心不再发生变化后,得到整体分割成超像素的对数差分图。参见图5和图9。
步骤2.3:得到整体分割成超像素的对数差分图,结束SLIC超像素分割。
本发明引入超像素分割法对对数差分图进行超像素分割,在保留了图像局部区域完整的细节特征的同时,大幅度降低了后续DAP算法的待聚类数量,明显提升了方法的求解速度。
实施例4
基于DAP聚类和ARELM的在轨SAR图像变化检测方法的总体技术方案同实施例1-3,本发明在步骤3中运用添加了样本间距离相似度的DAP聚类算法进行相似度划分,流程参见图3。包括有如下步骤:
步骤3.1:针对每个不规则外形的超像素,分别计算出每个超像素的均值和质心。
步骤3.2:计算相似度矩阵:在整体分割成超像素的对数差分图中,利用每个超像素的均值,求解计算超像素间的灰度相似度sgray(i,j),以及计算超像素间的距离相似度sdistance(i,j),最终按照如下公式获得超像素间的相似度s(i,j),i,j分别表示第i个和第j个超像素的编号:
s(i,j)=sgray(i,j)+μ×sdistance(i,j)
其中μ是超像素间距离相似度的权重,具体取值范围为[10-3,100],sgray(i,j)=-||pi-pj||2,pi表示第i个超像素的灰度均值,pj表示第j个超像素的灰度均值;灰度均值相差越小,计算得到的超像素间灰度相似度sgray(i,j)值越大,因为值为负,所以越接近于0。反之,超像素间灰度相差越大,计算得到的超像素间灰度相似度的值越小。超像素间的距离相似度ix和jx分别表示第i个超像素的质心和第j个超像素的质心在X轴上的坐标,iy和jy分别表示第i个超像素的质心和第j个超像素的质心在Y轴上的坐标;以所有超像素的编号作为相似度矩阵S的横坐标和纵坐标,用超像素彼此间的相似度s(i,j)构成相似度矩阵S,本发明中超像素彼此间的相似度包括有距离相似度和灰度相似度。本例中超像素间距离相似度的权重μ取10-2。
步骤3.3:进行添加了样本间距离相似度的DAP聚类算法的计算:首先初始化归属度矩阵A中每个元素a(i,j)为0,迭代更新吸引度矩阵R和归属度矩阵A直至两个矩阵在若干代内不再发生变化:
最终获得若干类经DAP算法聚类得到的超像素集合,即获得若干类超像素集合。
步骤3.4:结束运用添加了样本间距离相似度的DAP聚类算法进行相似度划分。
本发明创新性的将距离维度添加到样本的AP聚类算法的判别过程中,通过距离和特征的双重约束构造出更优异更稳定的相似度矩阵,平滑了聚类过程中的相似度波形震荡现象,缩短了聚类算法的迭代次数,显著地优化了聚类结果。
实施例5
基于DAP聚类和ARELM的在轨SAR图像变化检测方法的总体技术方案同实施例1-4,步骤4中对获得的若干类超像素集合再进行区域聚类,包括如下步骤:
步骤4.1:根据获得的若干类超像素集合,分别统计集合内部的所有超像素个数以及灰度值,求取每一类超像素集合的灰度均值。
步骤4.2:设聚类类别数k=3,用k-means聚类算法以超像素集合的均值为特征,对所有超像素集合类进行再聚类,获得了三类聚类结果;在获得的三类聚类结果中,定义灰度均值最高的一类为严格变化区域,其中的像素定义为严格变化像素;定义灰度均值最低的一类为严格非变化区域,其中的像素定义为严格未变化像素;对剩余的一类定义为未知类别区域,其中的像素具体归属未知;形成三类区域。将严格变化像素和严格未变化像素统称为标记样本,将未知类别区域中的像素称为无标记样本。
步骤4.3:结束运用k-means聚类算法对超像素进行区域再聚类。
本发明通过区域再分类,从待检测图像对的差分图中自动提取训练样本,使得本发明可以灵活应用于不同分辨率及成像方式的SAR成像系统中,消除了训练样本对方法检测能力的限制,提升了本发明的应用范围。
实施例6
基于DAP聚类和ARELM的在轨SAR图像变化检测方法的总体技术方案同实施例1-5,步骤5所述的训练ARELM的网络参数,包括如下步骤:
步骤5.1:由于获得的三类区域集合中样本数过多,本发明从三个区域中均按序选择其中的部分像素作为区域训练样本;以每个区域训练样本为中心,提取所有区域训练样本的n×n邻域特征,并将特征拉成列向量,将其作为ARELM的训练数据。本例中,选择1/100的像素作为区域训练样本,提取所有区域训练样本的5×5邻域特征。本发明中三类区域也称为三个区域。
步骤5.2:引入基于图正则的极速学习机ARELM,设置ARELM的单隐层节点数,设置输入层的权重和隐藏层的偏置为均匀分布的随机数;本例中设置ARELM的单隐层节点数为200。
步骤5.3:将训练数据送入到ARELM中进行训练;设置ARELM的目标函数为:
其中β表示ARELM的隐藏节点到输出节点的权重向量,βT表示β的转置向量,Hl为有标记样本的隐藏层输出矩阵,Hu为无标记样本的隐藏层输出矩阵,Hu T表示Hu的转置矩阵,T为有标记样本的类标矩阵,tr求取矩阵的迹。
步骤5.4:当网络的输出结果与类标的差别最小化时训练停止,获得训练好网络参数的的ARELM。
步骤5.5:结束训练ARELM。
本发明利用图像的局部一致特性,构建了基于图正则的极速学习机ARELM。构建的ARELM在保证检测速度的前提下进一步提升了方法的检测精度,确保了检测质量的稳定性。
下面给出一个所有步骤融合在一起且更加详实的例子,对本发明进一步说明。
实施例7
基于DAP聚类和ARELM的在轨SAR图像变化检测方法的总体技术方案同实施例1-6,本发明提出了一种基于DAP和ARELM的在轨SAR图像变化检测方法,将神经网络和图像处理相结合,目的是获取精确稳定且全程自动化检测的变化区域检测图,采用的技术方案是:首先通过SLIC(simple linear iterative cluster)算法实现对获得的对数差分图进行超像素分割,获得的每一个超像素可以视为微小区域的第一次分割聚类,每个超像素中的像元的聚类过程不仅仅依赖其本身的灰度值,更依赖于像元周围的纹理特征;其次,求取获得的所有超像素的均值和质心,利用DAP算法在特征维度和距离维度对超像素进行聚类;然后利用k-means算法自动在DAP算法最终的分类结果中挑选出严格变化像素、严格未变化像素以及未知类别像素;在此,像素也称为样本;接着利用图像的局部一致性构造基于ARELM,提取部分样本的特征训练ARELM网络;最后将待检测的对数差分图中所有像素视为测试样本,提取所有测试样本的特征输入到训练好的ARELM网络中获得最终的变化检测结果。
具体实施步骤包括:
步骤1:针对两幅配准后的同一地区不同时相的SAR图像对X1和X2,逐一地在图像对每个对应的像素点上作对数比值法计算,获得SAR图像对的对数差分图DI。
步骤1.1:根据下列的对数比值法公式,将两幅配准后SAR图像X1和X2带入到公式中,获得对应的对数差分图DI:
其中ε是一个很小的正常数,一般为[10-4~100];X1表示发生变化前目标区域的SAR图像,X2表示发生变化后目标区域的SAR图像。
步骤1.2:对生成的对数差分图DI进行归一化处理,采用离差标准化的方式,具体公式如下:
其中DImax和DImin分别表示对数差分图DI中的最大值和最小值,差分图大小为M×N,m和n表示对数差分图中具体像素的坐标,得到归一化后的对数差分图。
步骤1.3:结束对数比值法,获得对数差分图。
步骤2:为了降低方法的运算时间,设置超像素的分割块数和紧致度,对获得的对数差分图进行SLIC(simple linear iterative clustering)超像素分割,将对数差分图DI分割成若干超像素,用超像素代替对数差分图中的所有像素,获得整体分割成超像素的对数差分图,将超像素作为后续步骤的待分类样本。
步骤2.1:参数设置:设置超像素分割方法的预定分割块数,考虑到本发明的两个实例中实验数据图的大小,本方法设置超像素的预定分割块数为1000,设置超像素分割时的紧致度为25。
步骤2.2:将对数差分图的长宽和设定的参数送入到SLIC超像素分割方法中,对归一化的对数差分图进行超像素分割。首先根据设定的超像素分割的块数,在图像内均匀分配聚类中心;为了避免聚类中心被分配在图像的高梯度区,微调聚类中心到某邻域的梯度最小处;根据像素到聚类中心的颜色距离和空间距离,迭代优化超像素的聚类中心;当超像素的聚类中心不再发生变化后迭代终止。
步骤2.3:得到整体分割成超像素的对数差分图,参见图5和图9,结束SLIC超像素分割。
步骤3:求取整体分割成超像素的对数差分图中所有超像素的均值和质心,运用添加了样本间距离相似度的DAP算法,根据超像素的均值和质心对所有超像素进行相似度划分,由于DAP算法不指定具体的聚类类别数,最终分类获得若干类超像素集合。
步骤3.1:针对每个不规则外形的超像素,分别计算其均值和质心。
步骤3.2:计算相似度矩阵:在整体分割成超像素的对数差分图中,利用每个超像素的均值,求解计算超像素间的灰度相似度sgray(i,j),以及计算超像素间的距离相似度sdistance(i,j),最终按照如下公式获得超像素间的相似度s(i,j),i,j分别表示第i个和第j个超像素的编号:
s(i,j)=sgray(i,j)+μ×sdistance(i,j)
其中μ是距离相似度的权重,具体取值范围为10-1~10-2之间,sgray(i,j)=-||pi-pj||2,xi和xj分别表示第i个超像素的灰度均值和第j个超像素的灰度均值;灰度相差越小,计算得到的灰度相似度值越大,越接近于0;灰度相差越大,计算得到的值越小;ix和jx分别表示第i个超像素的质心和第j个超像素的质心在X轴上的坐标,iy和jy分别表示第i个超像素的质心和第j个超像素的质心在Y轴上的坐标;以所有超像素的编号作为相似度矩阵S的横坐标和纵坐标,用超像素彼此间的相似度s(i,j)构成相似度矩阵S。
步骤3.3:开始进行添加了样本间距离相似度的DAP聚类算法的计算,首先初始化归属度矩阵A中每个元素a(i,j)为0,迭代更新吸引度矩阵R和归属度矩阵A直至两个矩阵在若干代内不再发生变化:
最终获得若干类经DAP算法聚类得到的超像素集合。
步骤3.4:结束运用添加了样本间距离相似度的DAP聚类算法进行相似度划分。
步骤4:设置区域分类的类别数为3,运用K-means算法对获得的若干类超像素集合再进行区域分类,分类后的三个区域中均值最高的集合视为严格变化区域,将分类后的三个集合中均值最低的集合视为严格未变化区域,剩余的一类区域视之为未知类别区域。
步骤4.1:根据获得的若干类超像素集合,分别统计集合内部的所有超像素个数以及灰度值,求取每一类超像素集合的灰度均值。
步骤4.2:设聚类类别数k=3,用k-means聚类算法以超像素集合的均值为特征,对所有超像素集合类进行聚类,获得了三类聚类结果;在获得的三类聚类结果中,定义灰度均值最高的一类为严格变化区域,其中的像素定义为严格变化像素;定义灰度均值最低的一类为严格非变化区域,其中的像素定义为严格未变化像素;对剩余的一类定义为未知类别区域,其中的像素具体归属未知;将严格变化像素和严格未变化像素统称为标记样本,将未知类别区域中的像素称为无标记样本,参见图6和图10,图6是本发明针对图4经过超像素分割和DAP及K-means聚类得到的结果图,其中图6(a)为严格变化区域,图6(b)为未知类别区域,图6(c)为严格未变化区域。图10是本发明针对图8经过超像素分割和DAP及K-means聚类得到的结果图,其中图10(a)为严格变化区域,图10(b)为未知类别区域,图10(c)为严格未变化区域。
步骤4.3:结束运用k-means聚类算法对超像素进行区域再分类。
步骤5:获得的三个区域集合中样本数过多,本发明从三个区域中均按序选择其中的1/100的像素作为区域训练样本,以每个区域训练样本为中心,提取所有区域训练样本的n×n邻域特征;初始化基于图正则的极速学习机ARELM中所有网络节点的权重和偏置,将三类区域训练样本的邻域特征分别送入到ARELM中进行训练,最终获得训练好网络参数的ARELM。
步骤5.1:由于获得的三类区域集合中样本数过多,本发明从三个区域中均按序选择其中的1/100的像素作为区域训练样本;以每个区域训练样本为中心,提取所有区域训练样本的n×n邻域特征,并将特征拉成列向量,将其作为ARELM的训练数据;本例提取有区域训练样本的5×5邻域特征。
步骤5.2:引入基于图正则的极速学习机ARELM,设置ARELM的单隐层节点数,设置输入层的权重和隐藏层的偏置为均匀分布的随机数,本例设置单隐层节点数为200。
步骤5.3:将训练数据送入到ARELM中进行训练,设置ARELM的目标函数为:
其中β表示ARELM的隐藏节点到输出节点的权重向量,βT表示β的转置向量,Hl为有标记样本的隐藏层输出矩阵,Hu为无标记样本的隐藏层输出矩阵,Hu T表示Hu的转置矩阵,T为有标记样本的类标矩阵,tr求取矩阵的迹。
步骤5.4:当网络的输出结果与类标的差别最小化时训练停止,获得训练好网络参数的的ARELM。
步骤5.5:结束训练ARELM。
步骤6:将待检测的对数差分图中所有像素视为测试样本,以每个测试样本为中心,提取所有测试样本的5×5邻域特征,送入到训练好的ARELM中进行分类判决,自动获得待检测图像的变化检测结果图。
下面结合仿真及其相关实验数据,对本发明的技术效果再做说明。
实施例8
基于DAP聚类和ARELM的在轨SAR图像变化检测方法的总体技术方案同实施例1-7。
仿真评价指标
对于具有参考图的实验仿真图,进行定量的变化检测结果分析:
1)计算漏检个数:统计检测结果图中检测出的变化区域的像素个数,与参考图中变化像素区域的像素个数进行对比,统计参考图中发生变化但检测结果图中检测为未变化的像素个数,称之为漏检个数FN。
2)计算错检个数:统计检测结果图中检测出的无变化区域的像素个数,与参考图中无变化区域的像素个数进行对比,统计参考图中无变化但检测结果图中检测为变化的像素个数统计,称之为错检个数FP。
3)正确分类的概率PCC:PCC=(TP+TN)/(TP+FP+TN+FN)。
4)衡量检测结果图与参考图一致性的Kappa系数:Kappa=(PCC–PRE)/(1–PRE),其中:PRE=(TP+FP)×Nc+(FN+TN)×Nu/N2。
这里N代表总像素个数,Nc和Nu分别代表实际的变化像素个数和无变化像素个数。
仿真内容
采用本发明的方法在第一组实验仿真图和第二组实验仿真图中实现了变化检测,并将检测结果与CKLD算法在上述同样的仿真图中获得的结果进行了对比。
仿真实验结果及分析
1)反映Bern城市地区的SAR图像如图4所示,图像大小为301×301,其中图4(a)的拍摄时间是1999年4月,图4(b)的拍摄时间是1999年5月。
本发明通过DAP和K-means聚类算法对第一组实验仿真图实现变化类、非变化类和中间类的三类样本选择,也就是进行三个区域的划分,结果如图6所示,其中图6(a)为本发明选择的严格变化区域,6(b)为未知类别区域,6(c)为严格未变化区域。图7给出了选择图6中的样本作为训练数据训练ARELM并用其进行分类的结果图以及通过CKLD方法得到的变化检测结果图,其中图7(a)表示待检测图像对的标准变化图,即参考图,图7(b)表示本发明DAP-ARELM方法的检测结果,图7(c)表示CKLD方法的变化检测结果。从图7可见,CKLD方法的噪点比较多,细节丢失比较严重,许多变化的区域并未能检测出来。在检测结果图中变化区域的正下方可以看出,CKLD方法大量丢失变化信息,许多微小区域的变化信息不能正确检测出来。而本发明方法的变化检测结果图具有很优秀的抗噪性能,细节得以清晰完整的保持,检测的结果图的轮廓更加逼近真实情形,得到的变化检测结果更优于CKLD方法。
针对图像对的检测结果的对比,眼睛所看到的目测结果不够精确可靠,接下来给出使用本发明的检测效果指标以及CKLD方法在第一组实验仿真图上的对比检测效果指标,结果如表1所示。
表1 本发明方法和CKLD方法在第一组实验仿真图上的对比数据结果
从表1中可以看出,本发明方法的变化检测正确率以及Kappa系数和CKLD方法比较都更优秀,错检数和漏检数都比较低,检测效果优秀。
实施例9
基于DAP聚类和ARELM的在轨SAR图像变化检测方法的总体技术方案同实施例1-7,仿真评价指标及仿真内容同实施例8。
本例中采用本发明的基于DAP和ARELM的在轨SAR图像变化检测方法,检测图像为图8中Ottawa地区发生水灾前后的SAR图像,图像大小均为290×350。其中图8(a)的拍摄时间是1997年5月,图8(b)的拍摄时间为1997年8月。
经SLIC超像素分割方法获得的分割成超像素的对数差分图如图9所示,通过DAP算法和K-means聚类算法对第二组实验仿真图实现变化类、非变化类和中间类的样本选择结果如图10所示,其中图10(a)表示选择的严格变化区域,图10(b)表示未知类别区域,图10(c)表示严格未变化区域。图11给出了选择图10中的样本作为训练数据时运用ARELM进行变化检测的结果图以及通过CKLD方法得到的变化检测结果图,其中图11(a)表示参考图,图11(b)表示本发明的检测结果,图11(c)表示CKLD方法的变化检测结果。从图11可以看出,CKLD方法获得的结果有模糊的重影,严重影响了变化区域细节的保持以及检测的正确率,而本发明的变化检测结果图无论是抗噪性能还是细节保持能力都更优于CKLD方法,变化区域的边缘能够得到很好的还原。
同样,以数据更精确的说明,使用本发明方法进行变化检测的效果指标以及CKLD方法在第二组实验仿真图上的对比数据结果如表2所示。
表2 本发明方法和CKLD方法在第二组实验仿真图上的对比数据结果
表2中明显看出,本发明方法的变化检测结果无论是正确检出率还是Kappa系数都远远优于CKLD方法,可见本发明方法提高了SAR图像变化检测的效果。
本例没有详细叙述的工艺和字母含义属本行业的公知常用手段及公知技术,这里不一一叙述。
简而言之,本发明提出的一种基于DAP算法和ARELM的在轨SAR图像变化检测方法。包括如下步骤:步骤1:针对两幅配准后的同一地区不同时相的SAR图像对X1和X2,逐一地在图像对每个对应的像素点上作对数比值法计算,获得SAR图像对的对数差分图DI;步骤2:设置超像素的分割块数和紧致度,对获得的对数差分图进行SLIC(simple linear iterativeclustering)超像素分割,将对数差分图DI分割成若干超像素,用超像素代替对数差分图中的所有像素,获得整体分割成超像素的对数差分图,将超像素作为后续步骤的待分类样本;步骤3:求取整体分割成超像素的对数差分图中所有超像素的均值和质心,运用添加了样本间距离相似度的DAP算法,根据超像素的均值和质心对所有超像素进行相似度划分,最终分类获得若干类超像素集合;步骤4:设置区域分类的类别数为3,运用K-means算法对获得的若干类超像素集合再进行区域分类,分类后的三个区域中均值最高的集合视为严格变化区域,将均值最低的集合视为严格未变化区域,剩余的一类区域视之为未知类别区域;步骤5:获得的三类区域集合中样本数过多,从三个区域中均按序选择其中的1/100的像素作为区域训练样本,以每个区域训练样本为中心,提取所有区域训练样本的n×n邻域特征;初始化基于图正则的极速学习机ARELM中所有网络节点的权重和偏置,将三类区域训练样本的邻域特征分别送入到ARELM中进行训练,最终获得训练好网络参数的ARELM;步骤6:将待检测的对数差分图中所有像素视为测试样本,以每个测试样本为中心,提取所有测试样本的n×n邻域特征,送入到训练好的ARELM中进行分类判决,自动获得待检测图像的变化检测结果图;步骤7:结束基于DAP和ARELM的在轨SAR图像变化检测方法。本发明在保证方法的检测速度的基础上有效抑制了雷达图像中噪声的干扰,同时方法的检测正确率得到了显著提升,检测质量稳定高效,满足实际在轨SAR图像的变化检测需求。
Claims (3)
1.一种基于DAP和ARELM的在轨SAR图像变化检测方法,直接在卫星上对配准后的SAR图像进行变化检测,其特征是:包括有以下步骤:
步骤1:针对两幅配准后的同一地区不同时相的SAR图像对X1和X2,逐一地在图像对每个对应的像素点上作对数比值法计算,获得SAR图像对的对数差分图DI;
步骤2:设置超像素的分割块数和紧致度,对获得的归一化的对数差分图进行SLIC超像素分割,将对数差分图DI分割成若干超像素,用超像素代替对数差分图中的所有像素,获得整体分割成超像素的对数差分图;
步骤3:求取整体分割成超像素的对数差分图中所有超像素的均值和质心,运用添加了样本间距离相似度的DAP聚类算法,根据超像素的均值和质心对所有超像素进行相似度划分,获得若干类超像素集合;包括有如下步骤:
步骤3.1:针对每个不规则外形的超像素,分别计算其均值和质心;
步骤3.2:计算相似度矩阵:在整体分割成超像素的对数差分图中,利用每个超像素的均值,求解计算超像素间的灰度相似度sgray(i,j),以及计算超像素间的距离相似度sdistance(i,j),最终按照如下公式获得超像素间的相似度s(i,j),i,j分别表示第i个和第j个超像素的编号:
s(i,j)=sgray(i,j)+μ×sdistance(i,j)
其中μ是距离相似度的权重,具体取值范围为10-1~10-2之间,sgray(i,j)=-||pi-pj||2,pi和pj分别表示第i个超像素的灰度均值和第j个超像素的灰度均值;灰度相差越小,计算得到的灰度相似度值越大,越接近于0;灰度相差越大,计算得到的值越小;ix和jx分别表示第i个超像素的质心和第j个超像素的质心在X轴上的坐标,iy和jy分别表示第i个超像素的质心和第j个超像素的质心在Y轴上的坐标;以所有超像素的编号作为相似度矩阵S的横坐标和纵坐标,用超像素彼此间的相似度s(i,j)构成相似度矩阵S;
步骤3.3:进行添加了样本间距离相似度的DAP聚类算法的计算,首先初始化归属度矩阵A中每个元素a(i,j)为0,迭代更新吸引度矩阵R和归属度矩阵A直至两个矩阵在若干代内不再发生变化:
最终获得若干类经DAP算法聚类得到的超像素集合;
步骤3.4:结束运用添加了样本间距离相似度的DAP聚类算法进行相似度划分;
步骤4:设置区域分类的类别数为3,运用K-means算法对获得的若干类超像素集合再进行区域分类,分类后的三个区域中均值最高的集合为严格变化区域,将均值最低的集合为严格未变化区域,剩余的一类区域为未知类别区域;
步骤5:获得的三类区域集合中样本数过多,从三个区域中均按序选择其中的1/100的像素作为区域训练样本,以每个区域训练样本为中心,提取所有区域训练样本的n×n邻域特征;初始化基于图正则的极速学习机ARELM中所有网络节点的权重和偏置,将三类区域训练样本的邻域特征分别送入到ARELM中进行训练,获得训练好网络参数的ARELM;包括如下步骤:
步骤5.1:从三个区域中均按序选择其中的1/100的像素作为区域训练样本;以每个区域训练样本为中心,提取所有区域训练样本的n×n邻域特征,并将特征拉成列向量,将其作为ARELM的训练数据;
步骤5.2:引入基于图正则的极速学习机ARELM,设置ARELM的单隐层节点数,设置输入层的权重和隐藏层的偏置为均匀分布的随机数;
步骤5.3:将训练数据送入到ARELM中进行训练;设置ARELM的目标函数为:
其中β表示隐藏节点到输出节点的权重向量,Hl为有标记样本的隐藏层输出矩阵,Hu为无标记样本的隐藏层输出矩阵,T为有标记样本的类标矩阵;
步骤5.4:当网络的输出结果与类标的差别最小化时训练停止,获得训练好网络参数的的ARELM;
步骤5.5:结束ARELM的训练;
步骤6:将待检测的对数差分图中所有像素视为测试样本,以每个测试样本为中心,提取所有测试样本的n×n邻域特征,送入到训练好的ARELM中进行分类判决,最终自动获得待检测图像的变化检测结果图。
2.根据权利要求1所述的基于DAP和ARELM的在轨SAR图像变化检测方法,其特征是:步骤2所述的对归一化的对数差分图进行超像素分割,包括有如下步骤:
步骤2.1:参数设置:设置超像素分割方法的预定分割块数,设置超像素的预定分割块数和超像素的紧致度;
步骤2.2:将对数差分图的长宽和设定的参数送入到SLIC超像素分割方法中,对归一化的对数差分图进行超像素分割;首先根据设定的超像素分割的块数,在图像内均匀分配聚类中心;微调聚类中心到邻域的梯度最小处;根据像素到聚类中心的颜色距离和空间距离,迭代优化超像素的聚类中心;当超像素的聚类中心不再发生变化后,得到整体分割成超像素的对数差分图;
步骤2.3:得到整体分割成超像素的对数差分图,结束SLIC超像素分割。
3.根据权利要求1所述的基于DAP和ARELM的在轨SAR图像变化检测方法,其特征是:步骤4所述的对获得的若干类超像素集合再进行区域分类,包括如下步骤:
步骤4.1:根据获得的若干类超像素集合,分别统计集合内部的所有超像素个数以及灰度值,求取每一类超像素集合的灰度均值;
步骤4.2:设聚类类别数k=3,用k-means聚类算法以超像素集合的均值为特征,对所有超像素集合类进行聚类,获得了三类聚类结果;在获得的三类聚类结果中,定义灰度均值最高的一类为严格变化区域,其中的像素定义为严格变化像素;定义灰度均值最低的一类为严格非变化区域,其中的像素视之为严格未变化像素;最后一类为未知类别区域,其中的像素具体归属未知;将严格变化像素和严格未变化像素统称为标记样本,将未知类别区域中的像素称为无标记样本;
步骤4.3:结束运用k-means聚类算法对超像素进行区域再分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710339040.2A CN107194917B (zh) | 2017-05-15 | 2017-05-15 | 基于dap和arelm的在轨sar图像变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710339040.2A CN107194917B (zh) | 2017-05-15 | 2017-05-15 | 基于dap和arelm的在轨sar图像变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107194917A CN107194917A (zh) | 2017-09-22 |
CN107194917B true CN107194917B (zh) | 2020-07-10 |
Family
ID=59873563
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710339040.2A Active CN107194917B (zh) | 2017-05-15 | 2017-05-15 | 基于dap和arelm的在轨sar图像变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107194917B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10552707B2 (en) * | 2017-12-07 | 2020-02-04 | Qualcomm Incorporated | Methods and devices for image change detection |
CN108596885B (zh) * | 2018-04-16 | 2021-12-28 | 西安电子科技大学 | 基于cpu+fpga的快速sar图像变化检测方法 |
CN116051415B (zh) * | 2023-01-31 | 2023-07-04 | 西安电子科技大学杭州研究院 | 基于超像素分割的视频sar序贯图像相干斑滤波方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101738607A (zh) * | 2009-12-07 | 2010-06-16 | 西安电子科技大学 | 基于聚类的高阶累量交叉熵的sar图像变化检测方法 |
CN102663724A (zh) * | 2012-03-03 | 2012-09-12 | 西安电子科技大学 | 基于自适应差异图的遥感图像变化检测方法 |
CN104794729A (zh) * | 2015-05-05 | 2015-07-22 | 西安电子科技大学 | 基于显著性引导的sar图像变化检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TR201810578T4 (tr) * | 2010-09-17 | 2018-08-27 | Bae Systems Plc | SAR görüntülemesinin işlenmesi. |
-
2017
- 2017-05-15 CN CN201710339040.2A patent/CN107194917B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101738607A (zh) * | 2009-12-07 | 2010-06-16 | 西安电子科技大学 | 基于聚类的高阶累量交叉熵的sar图像变化检测方法 |
CN102663724A (zh) * | 2012-03-03 | 2012-09-12 | 西安电子科技大学 | 基于自适应差异图的遥感图像变化检测方法 |
CN104794729A (zh) * | 2015-05-05 | 2015-07-22 | 西安电子科技大学 | 基于显著性引导的sar图像变化检测方法 |
Non-Patent Citations (3)
Title |
---|
SAR image change detection based on correlation kernel and multistage extreme learning machine;Lu jia et al;《 IEEE Transactions on Geoscience and Remote Sensing 》;20160623;第54卷(第10期);第5993-6006页 * |
一种基于主分量分析的SAR图像变化检测算法;张辉等;《电子与信息学报》;20080731;第30卷(第7期);第1727-1730页 * |
基于稀疏学习和深度极限学习机的极化SAR图像半监督分类;高晓莹;《万方学位论文库》;20160504;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN107194917A (zh) | 2017-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110009665B (zh) | 一种遮挡环境下的目标检测跟踪方法 | |
CN107563413B (zh) | 无人机航拍影像农田块对象精准提取方法 | |
CN107633226B (zh) | 一种人体动作跟踪特征处理方法 | |
CN107067405B (zh) | 基于尺度优选的遥感影像分割方法 | |
CN112101278A (zh) | 基于k近邻特征提取和深度学习的宅基地点云分类方法 | |
CN109871875B (zh) | 一种基于深度学习的建筑物变化检测方法 | |
Liu et al. | An improved unsupervised image segmentation method based on multi-objective particle swarm optimization clustering algorithm | |
CN109685045A (zh) | 一种运动目标视频跟踪方法及系统 | |
CN108564085A (zh) | 一种自动读取指针式仪表读数的方法 | |
CN107194917B (zh) | 基于dap和arelm的在轨sar图像变化检测方法 | |
CN110599489A (zh) | 一种目标空间定位方法 | |
CN104657980A (zh) | 一种改进的基于Meanshift的多通道图像分割算法 | |
CN112364865B (zh) | 一种复杂场景中运动小目标的检测方法 | |
CN104978738A (zh) | 检测数字图像中的兴趣点的方法 | |
CN106780567B (zh) | 一种融合颜色和梯度直方图的免疫粒子滤波扩展目标跟踪方法 | |
CN111259808A (zh) | 一种基于改进ssd算法的交通标识的检测识别方法 | |
CN111199245A (zh) | 油菜害虫识别方法 | |
CN115690086A (zh) | 一种基于对象的高分辨率遥感影像变化检测方法及系统 | |
CN106033613B (zh) | 目标跟踪方法及装置 | |
Wang et al. | Research on vehicle detection based on faster R-CNN for UAV images | |
CN108182684B (zh) | 一种基于加权核函数模糊聚类的图像分割方法及其装置 | |
Hao et al. | An improved cervical cell segmentation method based on deep convolutional network | |
CN115953371A (zh) | 一种绝缘子缺陷检测方法、装置、设备和存储介质 | |
CN116030252A (zh) | 融合边缘信息的模糊迭代sar图像超像素分割方法 | |
CN115331008A (zh) | 一种基于目标概率密度图的端到端目标检测方法 |
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 |