CN107341800B - 基于超像素显著性分析的sar图像变化检测方法 - Google Patents

基于超像素显著性分析的sar图像变化检测方法 Download PDF

Info

Publication number
CN107341800B
CN107341800B CN201710556678.1A CN201710556678A CN107341800B CN 107341800 B CN107341800 B CN 107341800B CN 201710556678 A CN201710556678 A CN 201710556678A CN 107341800 B CN107341800 B CN 107341800B
Authority
CN
China
Prior art keywords
pixel
super
value
notable
sar image
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
CN201710556678.1A
Other languages
English (en)
Other versions
CN107341800A (zh
Inventor
曹向海
王林
冀雅梅
吉贝贝
焦李成
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.)
Xian University of Electronic Science and Technology
Original Assignee
Xian University of Electronic Science and Technology
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 Xian University of Electronic Science and Technology filed Critical Xian University of Electronic Science and Technology
Priority to CN201710556678.1A priority Critical patent/CN107341800B/zh
Publication of CN107341800A publication Critical patent/CN107341800A/zh
Application granted granted Critical
Publication of CN107341800B publication Critical patent/CN107341800B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformation in the plane of the image
    • G06T3/40—Scaling the whole image or part thereof
    • G06T3/4053—Super resolution, i.e. output image resolution higher than sensor resolution
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于超像素显著性分析的SAR图像变化检测方法，主要解决传统技术检测精度低的问题。其方案是：1)输入在同一场景的两个不同时刻的图，得图像的对数比率图；对对数比率图进行导向滤波得滤波图；2)对滤波图进行超像素分割得到分割图；3)用显著性方法对分割图计算得到显著图；对显著图进行阈值处理，结合两幅不同时刻的图得到差异图；4)用模糊局部信息C均值聚类法对差异图进行聚类，得到变化图。本发明引入超像素分割和导向滤波，不仅降低了SAR图像的噪声，而且得到的显著图有效地提高了SAR图像的精确度，可用于对变化区域的检测。

Description

基于超像素显著性分析的SAR图像变化检测方法
技术领域
本发明属于图像处理技术领域，具体涉及一种SAR图像变化检测的方法，可用于变化区域检测。
背景技术
影像变化检测技术用于检测同一地点在不同时间内所发生的变化情况，具有重要的应用价值。而合成孔径雷达SAR具有全天候、全天时的特点,是很好的变化检测信息源,研究SAR图像变化检测技术有着非常广阔的应用前景。多时相SAR图像数据包含了比单幅SAR图像数据更多的信息,变化检测技术在这方面被广泛研究，它通过对不同时期SAR图像的差异分析可获取所需要的地物变化信息。变化检测主要用于资源和环境监测中的土地利用和土地覆盖变化森林和植被变化、湿地变化、城区变化、地形改变等变化信息获取；测绘中的地理空间数据更新；农业中的作物生长监测以及自然灾害中地震、洪水、泥石流和森林大火等灾情监测与评估，变化检测也可用于战场信息动态感知、军事目标和兵力部署监测等。这些应用的需求促使了SAR图像变化检测技术的快速发展。
变化检测的步骤可分为三步：图像的预处理、差异图的生成和差异图的分析。在研究方法中，差异图生成的主要算法是对差值、比值、对数比这3类基本方法的融合，其方式包含有空域和变换域融合等。差异图分析方法是学者们重点研究的内容，有阈值法、聚类法、图切法和水平集法，比如FCM、MRF、PCA等。
早期的变化检测方法主要是通过简单运算，从而检测出变化信息，其中简单差值法、对数比值法在光学遥感图像变化检测中得到广泛应用，对数比值法在SAR图像的变化检测中得到了广泛的应用：对数比值法是对两个图像的像素做对数比操作得到一个变化图，对数比值法只是确定了大致的变化区域，忽略了很多细节。Li和Narayanan根据遥感图像中湖泊的形状特征检测出湖泊的变化，方圣辉等根据两时相遥感图像的光谱特征和边缘特征检测出变化区域的边缘，并在原图中标记出变化区域。方圣辉等的方法利用了边缘信息，有效的减少噪声，但是它是以像素特征作为单位进行计算，使得运行时间过长，占用内存大，一些小的变化被忽略，没有考虑空间信息。SAR除了光谱信息以外，还包含着丰富的空间信息，表现在某个特定的空间邻域内的像素具有相似的光谱信息。Brozzone采用马尔可夫随机场并利用差异图中的空间邻域信息，对变化检测结果进行校正，达到抗噪的效果；随着实时、全天候、大面积地球表面信息的高分辨率、多时相、多光谱的数字图像的获得，有学者针对高分辨率的遥感图像的特性，提出了几何结构特征的变化检测方法。杨川发明的基于显著图的变化检测方法是以像素特征为单位，用显著图作为引导进行变化检测，结合图像的空间信息，提高了检测精度，但是该方法是以像素为单位计算的，导致运行时间长。
发明内容
本发明的目的在于针对以上传统技术的不足，提出一种基于超像素显著性分析的SAR图像变化检测方法，以提高变化检测的精度。
本发明的技术方案是：先利用显著图确定变化的大概位置，再结合SAR图像的光谱信息和空间信息，对图像进行聚类以得到准确的变化位置，从而得到精度高的变化图，具体实现步骤包括如下：
(1)输入在同一场景的前一时刻的待检测SAR图像G1和后一时刻的待检测SAR图像G2,得到SAR图像的对数比率图:c1＝log(G1+1)-log(G2+1)；
(2)用导向滤波函数GD对对数比率图c1进行滤波，得到滤波图c；
(3)对滤波图c进行超像素分割，得滤波图c的分割图L；
(4)计算分割图L每个超像素块的显著值,将每个超像素块的显著值分配给它们各自的像素,得到显著图；
(4a)计算每个超像素的显著值:
(4a1)设某个经过超像素分割后的图像X可表示为：X＝{x1,...,xi,xj,...,xn}，xi是X的第i个元素，n是数据总数，xi为第i个超像素点的特征向量,xj为第j个超像素点的特征向量；
(4a2)设y是一个指示向量,[y1,y2,...,yi,...,yn]T，yi是y的第i个元素，查询点是在图像X中边界上的超像素。
(4a3)假设超像素的显著性值为f＝[f1,f2,...,fi,fj,...,fn]T，fi是第i个超像素对应的显著值,fj是第j个超像素对应的显著性值；
(4a4)给定一个图G＝(V,E)，其中V是图G里的像素点的集合，E是图G中V中任意两点之间边的集合，其中V中的点是数据集X的数据，每条边E有对应的权值，边E的权值wij由各个点之间的相似性决定：
其中是xi是X中第i个超像素特征向量，xj是X中第j个超像素特征向量，σ是控制权值强度的一个常量，e是指数函数的底数；
(4a5)由权值wij组成一个加权矩阵：W＝[wij]n*n，根据该加权矩阵定义度矩阵：D＝diag{d11,...,dii,djj,...,dnn},其中dii是D的对角线上第i个元素，dii＝∑jwij，djj是D的对角线上第j个元素，djj＝∑iwij。
(4a6)根据(4a1)-(4a5)，设置的参数计算平滑度项其中||.||2为二范数；
(4a7)根据(4a1)-(4a5)，设置的参数计算适应度项其中||.||2为二范数；
(4a8)根据(4a1)-(4a7)设置的参数计算显著值f：
其中μ是控制平滑度项和适应度项的平衡系数；
(4a9)令式<1>的导数为零，则可得
f*＝(D-αW)-1*y <2>
其中α是一个系数，
(4b)将每个超像素块的显著值分配给它们各自的像素,得到显著图；
(5)对显著图进行阈值处理得到阈值图YB，用YB分别对前一时刻的SAR图像G1和后一时刻的SAR图像G2进行点乘运算得到前一时刻的提取图B1和后一时刻的提取图B2，并对这两个提取图B1、B2进行对数比率计算，得到差异图ID；
(6)用模糊局部信息C均值聚类方法FLICM对差异图ID进行聚类，得到待检测SAR图像的变化图。
本发明与现有技术相比具有如下优点：
1、本发明由于用超像素特征取代像素特征，可以更好地将特征表示出来，缩短了运行时间；
2.本发明由于采用超像素分割算法SLIC对滤波图进行分割，得到分割图，保留了很好的边缘信息和空间信息，有效的减少了噪声，并且计算速度更快，占用内存少，分割性能更优，这对变化检测的质量有很高的提升；
3、本发明由于采用显著性方法得到显著图，该方法可快速地确定变化范围，对变化效果有很大地提升，同时节省了时间，提高了变化检测准确率；
4、本发明由于采用模糊局部信息C均值聚类方法FLICM对差异图进行聚类，不仅充分地利用了图像的灰度信息和空间信息，而且提高了噪声免疫力，保存了图像的细节，其相对于传统的模糊C均值聚类方法FCM避免了人工设置参数，大大地缩减了计算时间，同时考虑了图像的空间信息，其变化检测精度更高。
附图说明
图1是本发明的实现流程图；
图2是实验用的第1组数据集：Bern数据集；
图3是实验用的第2组数据集：Ottawa数据集；
图4是实验用的第3组数据集：Yellow River数据集；
图5是用本发明与其他对比方法对第1组Bern数据集的变化检测结果；
图6是用本发明与其他对比方法对第2组Ottawa数据集的变化检测结果；
图7是用本发明与其他对比方法对第3组Yellow River数据集的变化检测结果；
具体实施方式
参照附图1，本发明的实现步骤如下：
步骤1、输入数据图，得到对数比率图c1。
输入在同一场景的两个不同时刻的待检测SAR图像G1和G2，得到SAR图像
的对数比率图c1＝log(G1+1)-log(G2+1)。
步骤2、得到对数比率图c1的滤波图。
设置待输入的过滤图p，这里p＝c1、局部窗口的半径r1和常规系数e,调用导向滤波函数GD对对数比率图c1进行滤波，得到滤波图c：c＝GD(c1,p,r1,e)；
步骤3、对滤波图c进行超像素分割，得到分割图L。
(3.1)将滤波图c转化为彩色图；
(3.2)设置超像素的块数k、彩色和空间之间的平衡权值系数m、合并区域的半径r、均值滤波器窗口大小和字符串,调用SLIC方法对滤波图c进行超像素分割,得到分割图L:
L＝SLIC(c，k，m，r，t，q)，
其中t表示一个字符串，其暗示如何计算聚类中心，t默认是均值滤波器，q表示均值滤波器窗口大小。
步骤4、用显著性方法对分割图L进行计算，得到显著图。
(4a)计算每个超像素的显著值:
(4a1)设某个经过超像素分割后的图像X可表示为：X＝{x1,...,xi,xj,...,xn}，xi是X的第i个元素，n是数据总数，xi为第i个超像素点的特征向量,xj为第j个超像素点的特征向量；
(4a2)设y是一个指示向量,[y1,y2,...,yi,...,yn]T，yi是y的第i个元素，查询点是在图像X中边界上的超像素。
(4a3)假设超像素的显著性值为f＝[f1,f2,...,fi,fj,...,fn]T，fi是第i个超像素对应的显著值,fj是第j个超像素对应的显著性值；
(4a4)给定一个图G＝(V,E)，其中V是图G里的像素点的集合，E是图G中V中任意两点之间边的集合，其中V中的点是数据集X的数据，每条边E有对应的权值，边E的权值wij由各个点之间的相似性决定：
其中是xi是X中第i个超像素特征向量，xj是X中第j个超像素特征向量，σ是控制权值强度的一个常量，e是指数函数的底数；
(4a5)由权值wij组成一个加权矩阵：W＝[wij]n*n，根据该加权矩阵定义度矩阵：D＝diag{d11,...,dii,djj,...,dnn},其中dii是D的对角线上第i个元素，dii＝∑jwij，djj是D的对角线上第j个元素，djj＝∑iwij。
(4a6)根据(4a1)-(4a5)，设置的参数计算平滑度项其中||.||2为二范数；
(4a7)根据(4a1)-(4a5)，设置的参数计算适应度项其中||.||2为二范数；
(4a8)根据(4a1)-(4a7)设置的参数计算显著值f：
其中μ是控制平滑度项和适应度项的平衡系数；
(4a9)令式<1>的导数为零，则可得
f*＝(D-αW)-1*y <2>
其中α是一个系数，
(4.10)将每个超像素块的显著值分配给它们各自的像素，得到分配图T：
T＝tmap(inds{i})＝fi
其中i代表第i个超像素块，fi代表第i个超像素块的显著值，inds{i}是第i个超像素块包含的像素,tmap是一个分配函数；
(4.11)将分配图T里的所有灰度值转化为unit8型的灰度值；
(4.12)由这些unit8型的灰度值组成显著图。
步骤5、对显著图进行阈值处理得到，并用阈值图YB分别对前一时刻的SAR图像G1和后一时刻的SAR图像G2进行点乘运算得到差异图ID。
(5.1)根据显著图的灰度值设定一个阈值T；
(5.2)将显著图的灰度值与阈值T进行比较：
若显著图的灰度值大于T，则将该显著图的这些灰度值改成1；
若显著图的灰度值小于T，则将该显著图的这些灰度值改成0；
(5.3)由这些灰度值为0和1的值组成了显著图的阈值图YB；
(5.4)用阈值图YB对前一时刻的SAR图像G1进行点乘运算，得到第一提取图B1：B1＝YB⊙G1；
(5.5)用阈值图YB对后一时刻的SAR图像G2进行点乘运算，得到第二提取图B2：B2＝YB⊙G2；
(5.6)对第一提取图B1和第二提取图B2进行对数比率计算，得到差异ID：
ID＝log(B1+1)-log(B2+1)。
步骤6、用模糊局部信息C均值聚类方法FLICM对差异图ID进行聚类，得到变化图。
(6a)设存在一个待聚类的图Z，其用像素的灰度值表示为：
Z＝{z1,z2,...,zi,zj,...,zN}，zi是Z的第i个像素的灰度值，zj是Z的第j个像素的灰度值，N是图像中像素的数目；
(6b)计算传统的模糊c均值聚类的能量函数Jm：
其中C是预设的聚类数目，k是聚类的类别，1≤k≤C，uki表示像素i属于第k个聚类的模糊隶属度，vk代表了第k个聚类的聚类中心，m是预设的模糊因子，||zi-vk||2是像素i的灰度值zi和聚类中心vk之间的欧氏距离，其中||·||2为二范数；
(6c)根据Jm，引入一个模糊因素Gki，它表示邻域集内像素i与聚类中心vk的欧氏距离加权和，Gki的表达式如下：
其中Ni表示第i个像素的邻域集，hij是在灰度值zi和zj之间的空间欧氏距离，ukj表示像素j属于第k个聚类的模糊隶属度；
(6d)根据模糊因素Gki，计算模糊隶属度ukj和聚类中心vk：
其中Gji表示Ni内像素与聚类中心vk的欧氏距离加权和，vj表示第j个聚类的聚类中心；
(6e)根据Gki、uki、和vk的定义，计算模糊局部信息C均值聚类的能量函数Hm：
(6.6)用模糊局部信息C均值聚类FLICM方法对差异图ID进行聚类，得到差异图ID的最优能量函数H'm，进而得到待检测SAR图像的变化图：
(6.6a)输入差异图ID；
(6.6b)设置聚类数目c、模糊系数m和迭代终止条件值ε>0；
(6.6c)随机初始化模糊隶属度:uki,它的初始值设为
(6.6d)设置计数值b，用来表示模糊隶属度uki的计算次数，b的初始值为0；
(6.6e)计算聚类中心：
其中表示第b次计算的模糊隶属度，表示第b次计算的聚类中心；
(6.6f)迭代计算模糊隶属度：
其中表示第b+1次计算的模糊隶属度；
(6.6g)根据最大隶属度准则判定最优能量函数H'm：
如果模糊隶属度uki满足则迭代结束，从而得到差异图ID的最优能量函数H'm，由H'm的值组成待检测SAR图像的变化图；
如果模糊隶属度uki不满足则设置b＝b+1，返回到(6.6e)继续运算。
以下结合仿真图对本发明的效果做进一步的说明。
1、仿真条件
硬件平台为：Intel(R)Core(TM)i5-6500，主频3.20GHz，内存为8G。
软件平台为：Windows 7旗舰版，Matlab R2016b
2、仿真数据
本发明中采用3组真实的SAR数据集，每一组数据集包含有2幅已配准的不同时刻的SAR影像和1幅人工标定的标准参考二值图，这三组数据是常用的SAR图像数据处理实验数据。
第1组数据集，是Bern数据集，如图2所示，其中图2a是t1时刻的SAR图像，图2b是t2时刻的SAR图像,图2c是图2a与图2b之间发生变化的人工标定的标准参考二值图。它的分辨率是20m，2幅影像的尺寸都是301*301。数据集的原始影像分别是从1994年4月和1999年5月通过欧洲遥感2号星载SAR传感器在瑞士Bern地区获得。此段时间发生了洪水，前一时刻的SAR影像显示了洪水尚未发生的情形，后一时刻的SAR影像中可以看出当时泛滥的洪水。
第2组数据集是：Ottawa数据集，如图3所示，其中图3a是t1时刻的SAR图像，图3b是t2时刻的SAR图像,图3c是图3a和图3b之间发生变化的人工标定的标准参考二值图。它的分辨率是12m，影像大小为290*350。该数据集是由RADARSATSAR卫星分别在1997年5月和1997年8月拍摄的，其反映了加拿大Ottawa地区受雨季影响其地表变化情况，后一时刻的SAR影像中可以看出河水退去后露出的大范围陆地区域。
第3组数据集是：Yellow River数据集，如图4所述，其中图4a是t1时刻的SAR图像，图4b是t2时刻的SAR图像,图4c是图4a和图4b之间发生变化的人工标定的标准参考二值图。他们是由RADARSAT-2卫星分别在2008年6月和2008年9月在黄河区域拍摄的。这两幅图的原始SAR图像的尺寸是7666*7692，因为太大不能在本页显示它的细节，所以选取他的一小部分农田作为实验数据，影像大小为257*289。因为前一时刻和后一时刻的影像分别是single-look图像和four-look图像，所以2008年图像的噪声比2009年图像的噪声大。
3、仿真内容
仿真一：用现有的对数平均分割法、模糊局部信息C均值聚类方法FLICM、有显著图的主成分分析法PCAK均值聚类这三种方法和本发明的方法对第一组Bern数据进行变化检测的仿真，仿真结果图如图5所示，其中图5a表示用对数平均分割法对第一组Bern数据做的仿真结果，图5b表示用模糊局部信息C均值聚类方法对第一组Bern数据做的仿真结果,图5c表示用显著图的主成分分析法PCAK均值聚类方法对第一组Bern数据做的仿真结果，图5d是用本发明的方法对第一组Bern数据做的仿真结果，精确度结果如表一所示：
表一
Methods 对数平均分割法 FLICM 显著图+PCAK均值聚类 本发明
Accuracy 96.69％ 99.68％ 99.56％ 99.66％
从图5可以定性地说明，本发明得到了理想的检测效果，边缘信息突出明显。
从表一可以看出，本发明得到了理想的检测效果,由此可以说明本发明对SAR图像变化检测的理论是正确的,是可行的。
仿真二：用现有的对数平均分割法、模糊局部信息C均值聚类方法FLICM、有显著图的主成分分析法PCAK均值聚类这三种方法和本发明的方法对第二组Ottawa数据进行变化检测的仿真，仿真结果图如图6所示，其中图6a表示用对数平均分割法对第二组Ottawa数据做的仿真结果，图6b表示用模糊局部信息C均值聚类方法对第二组Ottawa数据做的仿真结果,图6c表示用显著图的主成分分析法PCAK均值聚类方法对第二组Ottawa数据做的仿真结果，图6d是用本发明的方法对第二组Ottawa数据做的仿真结果，精确度结果如表二所示
表二
Methods 对数平均分割法 FLICM 显著图+PCAK均值聚类 本发明
Accuracy 82.93％ 97.71％ 98.24％ 99.42％
从图6可以定性地说明，本发明相对其他方法检测效果更好，边缘信息突出明显，噪声减少。
从表二可以看出，本发明相对其他方法检测效果更好。由此可以说明本发明对SAR图像变化检测的理论是正确的。
仿真三：用现有的对数平均分割法、模糊局部信息C均值聚类方法FLICM、有显著图的主成分分析法PCAK均值聚类这三种方法和本发明的方法对第三组YellowRiver数据进行变化检测的仿真，仿真结果图如图7所示，其中图7a表示用对数平均分割法对第三组YellowRiver数据做的仿真结果，图7b表示用模糊局部信息C均值聚类方法对第三组Yellow River数据做的仿真结果,图7c表示用显著图的主成分分析法PCAK均值聚类方法对第三组YellowRiver数据做的仿真结果，图7d是用本发明的方法对第三组Yellow River数据做的仿真结果，精确度结果如表三所示：
表三
Methods 对数平均分割法 FLICM 显著图+PCAK均值聚类 本发明
Accuracy 85.41％ 91.12％ 94.87％ 95.56％
从图7可以定性地说明，本发明相对其他方法检测效果更好，边缘信息突出明显，噪声明显减少。
从表三可以看出，本发明相对其他方法检测效果更好。由此可以说明本发明对SAR图像变化检测的理论是正确的。
综上所述，本发明的效果明显优于其它几种现有方法，在不同数据的情况下，除了Bern数据外，因为Bern数据变化范围小，本发明相对于其他方法的变化检测的精度都有了明显提升，边缘信息很强，表明本发明选择的方法有效地利用了图像的空间信息和灰度信息，较大地减少了噪声，有较好的检测变化的性能。

Claims (3)

1.一种基于超像素显著性分析的SAR图像变化检测方法，包括
(1)输入在同一场景的前一时刻的待检测SAR图像G1和后一时刻的待检测SAR图像G2,得到SAR图像的对数比率图:c1＝log(G1+1)-log(G2+1)；
(2)用导向滤波函数GD对对数比率图c1进行滤波，得到滤波图c；
(3)对滤波图c进行超像素分割，得滤波图c的分割图L；
(4)计算分割图L每个超像素块的显著值,将每个超像素块的显著值分配给它们各自的像素,得到显著图；
(4a)计算每个超像素块的显著值:
(4a1)设某个经过超像素分割后的图像X可表示为：X＝{x1,...,xi,xj,...,xn}，xi是X的第i个元素，n是数据总数，xi为第i个超像素点的特征向量,xj为第j个超像素点的特征向量；
(4a2)设y是一个指示向量,y＝[y1,y2,...,yi,...,yn]T，yi是y的第i个元素,
查询点是在图像X中边界上的超像素；
(4a3)假设超像素的显著性值为f＝[f1,f2,...,fi,fj,...,fn]T，fi是第i个超像素对应的显著值,fj是第j个超像素对应的显著性值；
(4a4)给定一个结构图G＝(V,E)，其中V是结构图G里的像素点的集合，E是结构图G中V中任意两点之间边的集合，其中V中的点是数据集X的数据，每条边E有对应的权值，边E的权值wij由各个点之间的相似性决定：
其中是xi是X中第i个超像素特征向量，xj是X中第j个超像素特征向量，σ是控制权值强度的一个常量，e是指数函数的底数；
(4a5)由权值wij组成一个加权矩阵：W＝[wij]n*n，根据该加权矩阵定义度矩阵：D＝diag{d11,...,dii,djj,...,dnn},其中dii是D的对角线上第i个元素，dii＝∑jwij，djj是D的对角线上第j个元素，djj＝∑iwji；
(4a6)根据(4a1)-(4a5)设置的参数计算平滑度项其中||.||2为二范数；
(4a7)根据(4a1)-(4a5)设置的参数计算适应度项其中||.||2为二范数；
(4a8)根据(4a1)-(4a7)设置的参数计算显著值f*：
其中μ是控制平滑度项和适应度项的平衡系数；
(4a9)令式<1>的导数为零，则可得
f*＝(D-αW)-1*y <2>
其中α是一个系数，
(4b)将每个超像素块的显著值分配给它们各自的像素,得到显著图；
(5)对显著图进行阈值处理得到阈值图YB，用YB分别对前一时刻的SAR图像G1和后一时刻的SAR图像G2进行点乘运算得到前一时刻的提取图B1和后一时刻的提取图B2，并对这两个提取图B1、B2进行对数比率计算，得到差异图ID；
(6)用模糊局部信息C均值聚类方法FLICM对差异图ID进行聚类，得到待检测SAR图像的变化图。
2.根据权利要求1所述的方法，其中步骤(5)中对显著图进行阈值处理，按如下步骤进行：
(5a)根据显著图的灰度值分布设定一个阈值T；
(5b)将显著图的灰度值与阈值T进行比较比较：
若显著图的灰度值大于T，则将该显著图的这些灰度值改成1；
若显著图的灰度值小于T，则将该显著图的这些灰度值改成0；
(5c)由这些灰度值为0和1的值组成了显著图的阈值图YB。
3.根据权利要求1所述的方法，步骤(6)用模糊局部信息C均值聚类方法FLICM对差异图ID进行聚类，得到待检测SAR图像的变化图，按如下步骤进行：
(6a)设存在一个待聚类的图Z，其用像素的灰度值表示为：
Z＝{z1,z2,...,zi,zj,...,zN}，zi是Z的第i个像素的灰度值，zj是Z的第j个像素的灰度值，N是图像中像素的数目；
(6b)计算传统的模糊c均值聚类的能量函数Jm：
其中C是预设的聚类数目，k是聚类的类别，1≤k≤C，uki表示像素i属于第k个聚类的模糊隶属度，vk代表了第k个聚类的聚类中心，m是预设的模糊因子，||zi-vk||2是像素i的灰度值zi和聚类中心vk之间的欧氏距离，其中||.||2为二范数；
(6c)根据Jm，引入一个模糊因素Gki，它表示邻域集内像素i与聚类中心vk的欧氏距离加权和，Gki的表达式如下：
其中Ni表示第i个像素的邻域集，hij是在灰度值zi和zj之间的空间欧氏距离，ukj表示像素j属于第k个聚类的模糊隶属度；
(6d)根据模糊因素Gki，计算模糊隶属度ukj和聚类中心vk：
其中Gji表示Ni内像素与聚类中心vk的欧氏距离加权和，vj表示第j个聚类的聚类中心；
(6e)根据Gki、uki、和vk的定义，计算模糊局部信息C均值聚类的能量函数Hm：
(6f)通过最小化能量函数Hm对差异图ID进行聚类，得到待检测SAR图像的变化图。
CN201710556678.1A 2017-07-10 2017-07-10 基于超像素显著性分析的sar图像变化检测方法 Active CN107341800B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710556678.1A CN107341800B (zh) 2017-07-10 2017-07-10 基于超像素显著性分析的sar图像变化检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710556678.1A CN107341800B (zh) 2017-07-10 2017-07-10 基于超像素显著性分析的sar图像变化检测方法

Publications (2)

Publication Number Publication Date
CN107341800A CN107341800A (zh) 2017-11-10
CN107341800B true CN107341800B (zh) 2019-10-11

Family

ID=60218480

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710556678.1A Active CN107341800B (zh) 2017-07-10 2017-07-10 基于超像素显著性分析的sar图像变化检测方法

Country Status (1)

Country Link
CN (1) CN107341800B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108898611B (zh) * 2018-06-19 2021-09-24 东华理工大学 基于显著感知先验的模糊区域活动轮廓分割模型
CN109993727A (zh) * 2019-03-06 2019-07-09 中国人民解放军61540部队 一种基于深度学习的遥感图像变化检测方法
CN110246091B (zh) * 2019-04-25 2022-08-30 新疆大学 确定sar图差异区域的方法和装置
CN110349160B (zh) * 2019-06-25 2022-03-25 电子科技大学 一种基于超像素与模糊c均值聚类sar图像分割方法
CN111986193B (zh) * 2020-08-31 2024-03-19 香港中文大学（深圳） 一种遥感影像变化检测方法、电子设备及存储介质
CN113160146B (zh) * 2021-03-29 2022-05-17 重庆大学 一种基于图神经网络的变化检测方法
CN114627087B (zh) * 2022-03-21 2024-04-12 国网江苏省电力有限公司无锡供电分公司 一种多时相卫星遥感图像的地物变化自动检测方法及系统
CN116563312B (zh) * 2023-07-11 2023-09-12 山东古天电子科技有限公司 一种用于双屏机显示图像分割方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103218823A (zh) * 2013-05-08 2013-07-24 西安电子科技大学 基于核传播的遥感图像变化检测方法
CN104361585A (zh) * 2014-10-30 2015-02-18 中国科学院自动化研究所 一种遥感图像变化检测性能在轨评价方法
US9239384B1 (en) * 2014-10-21 2016-01-19 Sandia Corporation Terrain detection and classification using single polarization SAR

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103218823A (zh) * 2013-05-08 2013-07-24 西安电子科技大学 基于核传播的遥感图像变化检测方法
US9239384B1 (en) * 2014-10-21 2016-01-19 Sandia Corporation Terrain detection and classification using single polarization SAR
CN104361585A (zh) * 2014-10-30 2015-02-18 中国科学院自动化研究所 一种遥感图像变化检测性能在轨评价方法

Also Published As

Publication number Publication date
CN107341800A (zh) 2017-11-10

Similar Documents

Publication Publication Date Title
CN107341800B (zh) 基于超像素显著性分析的sar图像变化检测方法
CN112766199B (zh) 基于自适应多尺度特征提取模型的高光谱图像分类方法
CN108596101B (zh) 一种基于卷积神经网络的遥感图像多目标检测方法
CN111123257B (zh) 基于图时空网络的雷达动目标多帧联合检测方法
CN108573276A (zh) 一种基于高分辨率遥感影像的变化检测方法
CN110119728A (zh) 基于多尺度融合语义分割网络的遥感图像云检测方法
CN108960404B (zh) 一种基于图像的人群计数方法及设备
CN101299268A (zh) 适于低景深图像的语义对象分割方法
CN105550675B (zh) 一种基于优化聚合积分通道的双目行人检测方法
CN107123150A (zh) 全局颜色对比度检测和分割显著图的方法
CN110163213A (zh) 基于视差图和多尺度深度网络模型的遥感图像分割方法
CN107133955A (zh) 一种多层次结合的协同显著性检测方法
CN107967474A (zh) 一种基于卷积神经网络的海面目标显著性检测方法
CN108921210B (zh) 一种基于卷积神经网络的云分类方法
CN109657616A (zh) 一种遥感影像土地覆盖自动分类方法
CN104021553B (zh) 一种基于像素点分层的声纳图像目标检测方法
CN108629368A (zh) 一种基于联合深度融合的多模态地基云分类方法
CN110766058A (zh) 一种基于优化rpn网络的战场目标检测方法
CN104657995B (zh) 利用区域分裂技术的遥感影像分割方法
CN108804992A (zh) 一种基于深度学习的人群统计方法
CN108228538A (zh) 一种城市中so2浓度值的预测方法
Cao et al. NUICNet: Non-uniform illumination correction for underwater image using fully convolutional network
CN111582198B (zh) 一种遥感图像海陆自动分割方法
CN109685735B (zh) 基于雾层平滑先验的单张图片去雾方法
CN109063756A (zh) 一种基于多模态生成式对抗网络的云图分类方法

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