CN107368781B - 基于子空间划分的合成孔径雷达影像变化检测方法 - Google Patents

基于子空间划分的合成孔径雷达影像变化检测方法 Download PDF

Info

Publication number
CN107368781B
CN107368781B CN201710429994.2A CN201710429994A CN107368781B CN 107368781 B CN107368781 B CN 107368781B CN 201710429994 A CN201710429994 A CN 201710429994A CN 107368781 B CN107368781 B CN 107368781B
Authority
CN
China
Prior art keywords
subspace
synthetic aperture
aperture radar
feature vectors
sample points
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
CN201710429994.2A
Other languages
English (en)
Other versions
CN107368781A (zh
Inventor
武杰
张冰云
马苗
裴炤
陈昱莅
杨楷芳
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.)
Shaanxi Normal University
Original Assignee
Shaanxi Normal University
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 Shaanxi Normal University filed Critical Shaanxi Normal University
Priority to CN201710429994.2A priority Critical patent/CN107368781B/zh
Publication of CN107368781A publication Critical patent/CN107368781A/zh
Application granted granted Critical
Publication of CN107368781B publication Critical patent/CN107368781B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Processing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

一种基于子空间划分的合成孔径雷达影像变化检测方法，由构造差异图、划分子空间、构建子空间、级联多子空间对合成孔径雷达影像进行变化检测四个步骤组成。其中，划分和构建子空间是指具体分成几个子空间以及每个子空间如何构建。本发明针对同一地区、不同时间的两幅合成孔径雷达影像，引入子空间划分的思想，通过简单的K‑means聚类方法实现子空间的划分，并采用主成分分析方法实现对各个子空间的表征，最终通过级联各子空间的方式来构建适用于差异图分类的特征空间。该发明取得了较好的效果，有较低的虚警数和漏检数、并具有较高的Kappa系数。

Description

基于子空间划分的合成孔径雷达影像变化检测方法
技术领域
本发明属于遥感影像应用技术领域，具体地涉及到合成孔径雷达影像变化检测。
背景技术
作为一种主动式的遥测系统，合成孔径雷达系统具有全天候、全天时、高分辨率的成像特点。此外，合成孔径雷达系统所发射的电磁波还具有一定的穿透能力，可以对隐藏目标进行探测。因此，合成孔径雷达系统在许多领域的应用中都具有不可替代性。然而，由于合成孔径雷达系统采用合成相干方式成像，所获得的合成孔径雷达图像中包含大量的相干斑信息。这使得在做合成孔径雷达影像处理时，必须要充分考虑相干斑的影响。合成孔径雷达影像变化检测作为遥感技术应用中极为重要的研究方面，充分利用了合成孔径雷达影像成像的特性，得到了众多学者的关注。所谓变化检测，就是利用同一地区、不同时间所获得的不同影像来获得成像场景中地物变化信息的技术。
通常，可以将变化检测看作是一个二分类问题，即将差异图中的像素分为变化像素和非变化像素。常用的分类方法有模糊C均值、K均值方法、最近邻方法、支撑矢量机等。而这些不同的分类法都是基于分类样本所具有的属性特征来实现不同样本间的区分。本质上来看，分类样本所具有的不同属性特征共同构成了该样本集的分类空间。常见的像素属性特征有灰度、纹理、几何等特征。而不同的属性特征表征了分类样本的特性。因此，如何针对合成孔径雷达影像变化检测提取有效的特征并构建适用于合成孔径雷达影像变化检测的分类空间对于最终的变化检测结果具有重要的影响。
发明内容
本发明所要解决的技术问题在于克服现有合成孔径雷达影像变化检测中分类空间的构建问题中的缺点，提出了一种基于子空间划分的合成孔径雷达影像变化检测方法，以提升合成孔径雷达影像变化检测的效果。
解决上述技术问题所采用的技术方案是由下述步骤组成：
(1)构造差异图
对两幅同一地区不同时刻的合成孔径雷达影像进行对数比操作来构造差异图，对数比操作如下：
D＝|log10(I1/I2)| (1)
其中，I1和I2是中值滤波后的两幅合成孔径雷达影像，D为构建出来的差异图。
(2)划分子空间
对差异图进行Gabor特征提取，将提取到的特征输入到K-means方法中分成2～5个类别，即划分为2～5个子空间。
(3)构建子空间
包括选择各子空间中样本点个数、选择各子空间中特征向量个数两个步骤：
选择各子空间中样本点个数：每一个子空间中有1个中心样本点，对所划分的3个子空间中的每一个子空间中各个样本点到中心样本点的距离从小到大排列，选择各个子空间中前n个样本点，n为有限的正整数。
选择各子空间中特征向量个数：将各子空间中前n个样本点用主成分分析方法进行操作，各得到1组特征向量，共3组特征向量，用最小描述长度准则对每一组特征向量的个数进行选择，即选择前t*个最大特征值所对应的特征向量来构建子空间，用式(2)确定各子空间的特征向量个数t。
其中，|F(t)”|表示对F(t)求二阶导数的绝对值，p表示特征值的总个数，n表示构成主成分分析矩阵的样本个数，λi为第i个特征值，p和n为有限的正整数，当存在多个局部极值点时，t*为选择第一个局部极小值点所对应的t值。
(4)级联多子空间对合成孔径雷达影像进行变化检测
包括构建分类特征空间、二值化差异图两个步骤：
构建分类特征空间：对每一个子空间中选择出的特征向量用级联方法联合，构建成分类特征空间。
二值化差异图：将差异图中的样本点投影到分类特征空间中，使用K-means聚类方法，对投影后的样本点进行二值化操作，将差异图分为变化区域和不变化区域，达到变化检测目的。
在本发明的步骤(2)中，本发明的将提取到的特征输入到K-means方法中最佳分成3个类别，即划分为3个子空间。
在本发明的步骤(3)中，本发明的选择各个子空间中前n个样本点为：
n＝各子空间中原样本数×0.01 (3)
发明人采用本发明实施例1基于子空间划分的合成孔径雷达影像变化检测方法与现有的PCA-Kmeans方法、Gabor-FCM方法进行了计算机仿真对比实验，实验结果表明，本发明方法具很高的Kappa系数，比采用PCA+K-means方法得到的结果高0.0112，比采用Gabor+FCM方法得到的结果高0.0258。可见，由于采用子空间划分方法，具有较好地变化检测效果。
附图说明
图1是实施例1的流程图。
图2是实施例1中用到的来源于1997年5月加拿大Ottawa地区的合成孔径雷达影像。
图3是实施例1中用到的来源于1997年8月加拿大Ottawa地区的合成孔径雷达影像。
图4是实施例1中用到的来源于1997年5月加拿大Ottawa部分地区被洪水淹没的真实变化参考图。
图5是实施例1中求得的差异图。
图6是实施例1中分三类的类标图。
图7是实施例1中用PCA+Kmeans方法的结果图。
图8是实施例1中用Gabor+FCM方法的结果图。
图9是实施例1的结果图。
图10是实施例2的结果图。
图11是实施例3的结果图。
具体实施方式
下面结合附图和实例对本发明进进一步详细说明，但本发明不限于下述实施例。
实施例1
本实施例的影像是1997年5月和1997年8月获得的关于加拿大Ottawa地区的合成孔径雷达影像，见图2、图3。合成孔径雷达影像中的变化信息主要是由5月份降雨使得部分陆地被洪水淹没而造成的，见图4，由图4可以看出，白色部分为发生变化的参考区域，黑色部分为未发生变化的参考区域。本实施例的流程图见图1，具体操作步骤如下：
1、构造差异图
对1997年5月和1997年8月获得的关于加拿大Ottawa地区的两幅合成孔径雷达影像进行对数比操作来构造差异图，对数比操作如下：
D＝|log10(I1/I2)| (1)
其中，I1和I2是中值滤波后的1997年5月和1997年8月获得的关于加拿大Ottawa地区的合成孔径雷达影像，D为构建出来的差异图，见图5，由图5可见，像素点的亮度值反映了变化可能性的大小，像素点的亮度值越大，表示该点处发生变化的可能性越大。
2、划分子空间
对差异图进行Gabor特征提取，将提取到的特征输入到K-means方法中分成3个类别，即划分为3个子空间。K-means方法为已知的方法，Gabor特征提取与Heng-Chao Li在《Gabor feature based unsupervised change detection of multitemporal SARimages based on two-level clustering》一文中提到的Gabor特征提取方法相同，利用不同尺度和方向的Gabor小波函数提取差异图的Gabor特征。选择尺度和方向参数分别为5和8。同时，考虑到差异信息的各向同性特性，选择同一尺度下不同方向的Gabor小波的最大响应值作为该尺度的Gabor特征，即每个像素用于分类的特征维度为5。利用所获得的Gabor特征采用K-means方法将差异图中的像素分成3类，实现分类子空间的划分，见图6，由图6可见，白色部分标记的像素大多数属于发生了变化的像素，灰色部分标记的像素大多数属于没有发生的变化像素，黑色部分标记的像素既包含发生变化的像素也包含未变化的像素。
3、构建子空间
包括选择各子空间中样本点个数、选择各子空间中特征向量个数两个步骤：
选择各子空间中样本点个数：每一个子空间中有1个中心样本点，对所划分的3个子空间中的每一个子空间中各个样本点到中心样本点的距离从小到大排列，选择各个子空间中前n个样本点，n为有限的正整数。所述的选择各个子空间中前n个样本点为：
n＝各子空间中原样本数×0.01 (3)
本实施例中，选择第一个子空间中前75个样本点，选择第二个子空间中前772个样本点，选择第三个子空间中前253个样本点。
选择各子空间中特征向量个数：将各子空间中前n个样本点用主成分分析方法进行操作。主成分分析方法与Turgay Celik在《Unsupervised change detection insatellite images using principal component analysis and k-Means clustering》一文中用到的主成分分析方法相同，是以样本点为中心的3×3图像块所对应的列向量来构成样本矩阵进行主成分分析操作得到特征向量数。每个子空间对应1组特征向量，共3组特征向量，用最小描述长度准则对每一组特征向量的个数进行选择，即选择前t*个最大特征值所对应的特征向量来构建子空间，用式(2)确定各子空间的特征向量个数t。
其中，|F(t)”|表示对F(t)求二阶导数的绝对值，p表示特征值的总个数，本实施例中p为9。n表示各子空间中构成主成分分析矩阵的样本个数，本实施例中，选择第一个子空间中前75个样本点，选择第二个子空间中前772个样本点，选择第三个子空间中前253个样本点。λi为第i个特征值，本实施例中，将各子空间中前n个样本点用主成分分析方法进行操作得到三组特征值数据，第一个子空间中的λ1～λ9分别为：24.86、7.89、5.15、3.26、2.53、2.18、0.88、0.77、0.54，第二个子空间中的λ1～λ9分别为：3.40、3.14、2.66、2.07、1.26、1.12、1.07、0.94、0.64，第三个子空间中的λ1～λ9分别为：47.21、29.44、21.16、5.73、2.18、2.02、1.56、1.37、1.15。当存在多个局部极值点时，t*为选择第一个局部极小值点所对应的t值，本实施例中，由式(2)得到各子空间选择的t*值分别为3、4、7。
4、级联多子空间对合成孔径雷达影像进行变化检测
包括构建分类特征空间、二值化差异图两个步骤。
构建分类特征空间：对各个子空间中选择出的特征向量用级联方法联合，构建成分类特征空间，级联方法为：用式(4)联合各子空间的特征向量实现分类空间S的构建；
S＝{v11,v21,v31,v12,v22,v32,v42,v13,v23,…,v73} (4)
vki表示第i类样本进行主成分分析所得到的第k个特征向量；
二值化差异图：将差异图中的样本点投影到分类特征空间中，使用K-means聚类方法，对投影后的样本点进行二值化操作，二值化操作结果为两类，即将差异图分为变化区域和不变化区域，达到变化检测目的。见图7，由图7可见，黑色区域表示没有发生变化的像素点，白色区域表示发生了变化的像素点。
投影方法为：用式(5)将差异图中的每个以样本点为中心的3×3图像块拉成列向量pk，并向分类空间S进行投影获得投影向量
其中，ST表示对矩阵S进行转置，S由式(4)得出，pk表示图像块所对应的列向量，表示pk向分类空间投影后的向量。
发明人采用实施例1基于子空间划分的合成孔径雷达影像变化检测方法与现有的PCA-Kmeans方法、Gabor-FCM方法进行了计算机仿真对比实验，实验情况如下：
1、仿真内容
用本实施例对Ottawa图像进行变化检测。用Turgay Celik在《Unsupervisedchange detection in satellite images using principal component analysis andk-Means clustering》一文中提到的PCA-Kmeans方法对Ottawa图像进行变化检测。用Heng-Chao Li在《Gabor feature based unsupervised change detection of multitemporalSAR images based on two-level clustering》一文中提到的Gabor-FCM方法对Ottawa图像进行变化检测。实验结果见表1和图7、图8、图9。
表1不同方法对Ottawa地区进行变化检测得到的数值指标
Kappa系数 虚警像素个数 漏检像素个数 总误差像素个数
PCA+K-means 0.8905 958 1948 2906
Gabor+FCM 0.8759 718 2505 3223
实施例1 0.9017 801 1806 2607
由表1可见，本实施例的漏检像素个数比采用PCA+K-means方法得到的漏检像素个数少142个，比采用Gabor+FCM方法得到的漏检像素个数少699个。虽然本实施例的虚警像素个数不是最低，但本实施例的总误差像素个数比采用PCA+K-means方法得到的总误差像素个数少299个，比采用Gabor+FCM方法得到的总误差像素个数少616个。本实施例具很高的Kappa系数，比采用PCA+K-means方法得到的结果高0.0112，比采用Gabor+FCM方法得到的结果高0.0258。可见，本实施例由于采用子空间划分方法，具有较好地变化检测效果。
图7为PCA+Kmeans方法的仿真结果，图8为Gabor+FCM方法的仿真结果，图9为实施例1的仿真结果，由图7、图8、图9可知，实施例1较PCA+K-means和Gabor+FCM方法，能够检测出大部的变化信息，且具有较少的虚警数。
综上所述，由于采用子空间划分的分类空间构建方法，本发明具有较好地变化检测效果。
实施例2
本实施例的影像是1997年5月和1997年8月获得的关于加拿大Ottawa地区的合成孔径雷达影像，合成孔径雷达影像中的变化信息主要是由5月份降雨使得部分陆地被洪水淹没而造成的，本实施例的具体操作步骤如下：
1、构造差异图
构造差异图步骤与实施例1相同。
2、划分子空间
对差异图进行Gabor特征提取，将提取到的特征输入到K-means方法中分成2个类别，即划分为2个子空间。
其它步骤与实施例1相同。
仿真内容与实施例1相同，实验结果见表2。
表2实施例2对Ottawa地区进行变化检测得到的数值指标
Kappa系数 虚警像素个数 漏检像素个数 总误差像素个数
实施例2 0.9005 849 1793 2642
由表2可见，实施例2的漏检像素个数比实施例1得到的漏检像素个数少13个，但是虚警像素个数比实施例1得到的虚警像素个数多48个，导致采用实施例2得到的总误差像素个数比采用实施例1得到的总误差像素个数多35个，最终实施例2的Kappa系数也略低于实施例1的Kappa系数。图10给出了实施例2的仿真结果。
实施例3
本实施例的影像是1997年5月和1997年8月获得的关于加拿大Ottawa地区的合成孔径雷达影像，合成孔径雷达影像中的变化信息主要是由5月份降雨使得部分陆地被洪水淹没而造成的，本实施例的具体操作步骤如下：
1、构造差异图
构造差异图步骤与实施例1相同。
2、划分子空间
对差异图进行Gabor特征提取，将提取到的特征输入到K-means方法中分成5个类别，即划分为5个子空间。
其它步骤与实施例1相同。
仿真内容与实施例1相同，实验结果见表3。
表3实施例3对Ottawa地区进行变化检测得到的数值指标
Kappa系数 虚警像素个数 漏检像素个数 总误差像素个数
实施例3 0.8994 870 1804 2674
由表3可见，实施例3的漏检像素个数比实施例1得到的漏检像素个数少2个，但是虚警像素个数比实施例1得到的虚警像素个数多69个，导致采用实施例3得到的总误差像素个数比采用实施例1得到的总误差像素个数多67个，最终实施例3的Kappa系数低于实施例1的Kappa系数。图11给出了实施例3的仿真结果。

Claims (3)

1.一种基于子空间划分的合成孔径雷达影像变化检测方法，其特征在于由下述步骤组成：
(1)构造差异图
对两幅同一地区不同时刻的合成孔径雷达影像进行对数比操作来构造差异图，对数比操作如下：
D＝|log10(I1/I2)| (1)
其中，I1和I2是中值滤波后的两幅合成孔径雷达影像，D为构建出来的差异图；
(2)划分子空间
对差异图进行Gabor特征提取，将提取到的特征输入到K-means方法中分成2～5个类别，即划分为2～5个子空间；
(3)构建子空间
包括选择各子空间中样本点个数、选择各子空间中特征向量个数两个步骤：
选择各子空间中样本点个数：每一个子空间中有1个中心样本点，对所划分的2～5个子空间中的每一个子空间中各个样本点到中心样本点的距离从小到大排列，选择各个子空间中前n个样本点，n为有限的正整数；
选择各子空间中特征向量个数：将各子空间中前n个样本点用主成分分析方法进行操作，各得到1组特征向量，共3组特征向量，用最小描述长度准则对每一组特征向量的个数进行选择，即选择前t*个最大特征值所对应的特征向量来构建子空间，用式(2)确定各子空间的特征向量个数t；
其中，|F(t)”|表示对F(t)求二阶导数的绝对值，p表示特征值的总个数，n表示构成主成分分析矩阵的样本个数，λi为第i个特征值，p和n为有限的正整数，当存在多个局部极值点时，t*为选择第一个局部极小值点所对应的t值；
(4)级联多子空间对合成孔径雷达影像进行变化检测
包括构建分类特征空间、二值化差异图两个步骤：
构建分类特征空间：对每一个子空间中选择出的特征向量用级联方法联合，构建成分类特征空间；
二值化差异图：将差异图中的样本点投影到分类特征空间中，使用K-means聚类方法，对投影后的样本点进行二值化操作，将差异图分为变化区域和不变化区域，达到变化检测目的。
2.根据权利要求1所述的基于子空间划分的合成孔径雷达影像变化检测方法，其特征在于在步骤(2)中，所述的将提取到的特征输入到K-means方法中分成3个类别，即划分为3个子空间。
3.根据权利要求1所述的基于子空间划分的合成孔径雷达影像变化检测方法，其特征在于所述的步骤(3)中所述的选择各个子空间中前n个样本点为：
n＝各子空间中原样本数×0.01 (3) 。
CN201710429994.2A 2017-06-09 2017-06-09 基于子空间划分的合成孔径雷达影像变化检测方法 Active CN107368781B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710429994.2A CN107368781B (zh) 2017-06-09 2017-06-09 基于子空间划分的合成孔径雷达影像变化检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710429994.2A CN107368781B (zh) 2017-06-09 2017-06-09 基于子空间划分的合成孔径雷达影像变化检测方法

Publications (2)

Publication Number Publication Date
CN107368781A CN107368781A (zh) 2017-11-21
CN107368781B true CN107368781B (zh) 2019-08-20

Family

ID=60305048

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710429994.2A Active CN107368781B (zh) 2017-06-09 2017-06-09 基于子空间划分的合成孔径雷达影像变化检测方法

Country Status (1)

Country Link
CN (1) CN107368781B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113129292B (zh) * 2021-04-27 2023-04-07 陕西师范大学 基于迭代马尔科夫的合成孔径雷达影像变化检测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101634709A (zh) * 2009-08-19 2010-01-27 西安电子科技大学 基于多尺度积和主成分分析的sar图像变化检测方法
CN102629380A (zh) * 2012-03-03 2012-08-08 西安电子科技大学 基于多组滤波和降维的遥感图像变化检测方法
CN103500450A (zh) * 2013-09-30 2014-01-08 河海大学 一种多光谱遥感影像变化检测方法
CN103971364A (zh) * 2014-04-04 2014-08-06 西南交通大学 基于加权Gabor小波特征和两级聚类的遥感图像变化检测方法
CN104680542A (zh) * 2015-03-15 2015-06-03 西安电子科技大学 基于在线学习的遥感影像变化检测方法
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
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 (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101634709A (zh) * 2009-08-19 2010-01-27 西安电子科技大学 基于多尺度积和主成分分析的sar图像变化检测方法
CN102629380A (zh) * 2012-03-03 2012-08-08 西安电子科技大学 基于多组滤波和降维的遥感图像变化检测方法
CN103500450A (zh) * 2013-09-30 2014-01-08 河海大学 一种多光谱遥感影像变化检测方法
CN103971364A (zh) * 2014-04-04 2014-08-06 西南交通大学 基于加权Gabor小波特征和两级聚类的遥感图像变化检测方法
CN104680542A (zh) * 2015-03-15 2015-06-03 西安电子科技大学 基于在线学习的遥感影像变化检测方法
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
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 (6)

* Cited by examiner, † Cited by third party
Title
Automatic Change Detection in Synthetic Aperture Radar Images Based on PCANet;Feng Gao 等;《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》;20161231;第13卷(第12期);1792-1796 *
Gabor Feature Based Unsupervised Change Detection of Multitemporal SAR Images Based on Two-Level Clustering;Heng-Chao Li 等;《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》;20151231;第12卷(第12期);2458-2462 *
SAR Image Denoising via Clustering-Based Principal Component Analysis;Linlin Xu 等;《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》;20141130;第52卷(第11期);6858-6869 *
Unsupervised Change Detection in Satellite Images Using Principal Component Analysis and k-Means Clustering;Turgay Celik;《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》;20091031;第6卷(第4期);772-776 *
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》;20080730;第30卷(第7期);1727-1730 *
基于Shearlet变换和KPCA的多时相遥感图像变化检测;吴一全 等;《应用基础与工程科学学报》;20141031;第22卷(第5期);1030-1040 *

Also Published As

Publication number Publication date
CN107368781A (zh) 2017-11-21

Similar Documents

Publication Publication Date Title
CN112700429B (zh) 基于深度学习的机场道面地下结构病害自动检测方法
Nalepa et al. Validating hyperspectral image segmentation
Cross et al. Segmentation of remotely-sensed images by a split-and-merge process+
CN109871902B (zh) 一种基于超分辨率对抗生成级联网络的sar小样本识别方法
Topouzelis et al. Oil spill feature selection and classification using decision tree forest on SAR image data
Xiang et al. Hyperspectral anomaly detection by local joint subspace process and support vector machine
Colditz et al. Influence of image fusion approaches on classification accuracy: a case study
CN104408482B (zh) 一种高分辨率sar图像目标检测方法
CN108564115A (zh) 基于全卷积gan的半监督极化sar地物分类方法
CN109657610A (zh) 一种高分辨率多源遥感影像的土地利用变化检测方法
Peng et al. Object-based change detection from satellite imagery by segmentation optimization and multi-features fusion
Li et al. GIS-based detection of grain boundaries
Hasanlou et al. A sub-pixel multiple change detection approach for hyperspectral imagery
CN105184297A (zh) 基于张量和稀疏自编码器的极化sar图像分类方法
CN113361407B (zh) 基于PCANet的空谱特征联合高光谱海冰图像分类方法
CN107368781B (zh) 基于子空间划分的合成孔径雷达影像变化检测方法
Wu et al. Hyperspectral image classification based on adaptive segmentation
Huang et al. Superpixel-based change detection in high resolution sar images using region covariance features
Moughal et al. An automatic unsupervised method based on context-sensitive spectral angle mapper for change detection of remote sensing images
Renno et al. A system for region image classification based on textural measures
CN115170956A (zh) 基于多尺度熵率超像素的后验概率高光谱图像分类方法
CN114639015A (zh) 联合光谱、植被指数和纹理特征的高分影像滑坡检测方法
Zare-Baghbidi et al. Improving the RX anomaly detection algorithm for hyperspectral images using FFT
Merlin et al. Building damage detection of the 2004 Nagapattinam, India, Tsunami using the texture and spectral features from IKONOS images
Zhou et al. Insulators Detection with High Resolution Images

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