CN107451992A - 一种sar图像变化检测的方法与装置 - Google Patents

一种sar图像变化检测的方法与装置 Download PDF

Info

Publication number
CN107451992A
CN107451992A CN201710597812.2A CN201710597812A CN107451992A CN 107451992 A CN107451992 A CN 107451992A CN 201710597812 A CN201710597812 A CN 201710597812A CN 107451992 A CN107451992 A CN 107451992A
Authority
CN
China
Prior art keywords
image block
sparse
value
reference 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.)
Granted
Application number
CN201710597812.2A
Other languages
English (en)
Other versions
CN107451992B (zh
Inventor
蔡述庭
张曼
刘坤
陈平
李卫军
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of 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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201710597812.2A priority Critical patent/CN107451992B/zh
Publication of CN107451992A publication Critical patent/CN107451992A/zh
Application granted granted Critical
Publication of CN107451992B publication Critical patent/CN107451992B/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
    • G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例公开了一种SAR图像变化检测的方法与装置，将两幅SAR图像分为参考图像和测试图像；将这两幅图像进行重叠分块处理，得到参考图像块和测试图像块；每个图像块对应有一个稀疏值；通过构建局部字典，并利用正交匹配追踪法，求解出测试图像块的稀疏估计值；依据测试图像块的稀疏估计值和参考图像块的稀疏值，构建比值图像，并对其进行中值滤波处理，得到中值比值图像即SAR图像的变化检测结果图像。通过对SAR图像进行重叠分块处理，提高了SAR图像变化检测的检测精度。并且利用中值比值图像的特点，可以极大限度地减少噪声对检测精度的影响，进一步提高了SAR图像变化检测的检测精度。

Description

一种SAR图像变化检测的方法与装置
技术领域
本发明涉及图像处理技术领域，特别是涉及一种SAR图像变化检测的方法与装置。
背景技术
现代遥感技术的飞速发展为变化检测提供了一种便捷的途径，遥感数据成为变化检测的主要数据源。SAR图像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图像，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。变化检测技术可以检测出不同时期图像灰度值或局部纹理之间的变化，在此基础上获得感兴趣目标在形状、位置、数量及其它属性的变化情况。这些变化可能是由图像场景的真实变化引起的，也可能是由入射角、大气条件、传感器精度、地面湿度等变化引起的。
目前，利用SAR图像进行变化检测在国际遥感领域受到高度重视，已经成为图像处理的主要研究方向之一。
传统方式中，对SAR图像进行变化检测的方式，往往分为两个阶段，第一阶段首先对SAR图像校准匹配，采用图像分块，利用参考图像块，稀疏表示找到测试图像块的最优估计值。第二阶段，通过块最优估计值与测试图像块的差值并利用稀疏系数及搜索域标准差作为加权系数来定义变化检测预测误差表示，从而得到尺度变换的变化检测图像。
但是该种方式主要用于检测具有明显目标的SAR图像，不能解决无明显目标的变化检测，并且在抑制斑点噪声的影响上效果并不显著。
可见，如何提高SAR图像变化检测的检测精度，是本领域技术人员亟待解决的问题。
发明内容
本发明实施例的目的是提供一种SAR图像变化检测的方法与装置，可以提高SAR图像变化检测的检测精度。
为解决上述技术问题，本发明实施例提供一种SAR图像变化检测的方法，包括：
获取同一区域不同时刻的两幅SAR图像；其中一幅SAR图像作为参考图像，另一幅SAR图像作为测试图像；
对所述参考图像和所述测试图像按照预设的重叠方式和分块尺度值进行重叠分块处理，得到参考图像块和测试图像块；各个所述参考图像块都有其对应的一个稀疏值；
按照预设规则，构建各个所述参考图像块各自对应的局部字典；
依据所述局部字典以及所述参考图像块的稀疏值，利用正交匹配追踪法，求解出所述测试图像块的稀疏估计值；
依据所述测试图像块的稀疏估计值和所述参考图像块的稀疏值，构建比值图像；
对所述比值图像进行中值滤波处理，得到中值比值图像，所述中值比值图像为所述SAR图像的变化检测结果图像。
可选的，所述按照预设规则，构建各个所述参考图像块各自对应的局部字典包括：
依据预先设定的边距值以及所述分块尺度值，确定出所述参考图像的搜索域大小；其中，每个所述参考图像块都有其对应一个搜索域；
依据所述搜索域大小以及所述分块尺度值，在每个所述搜索域中均建立一个对应的局部字典。
可选的，所述依据所述局部字典以及所述参考图像块的稀疏值，利用正交匹配追踪法，求解出所述测试图像块的稀疏估计值包括：
利用OMP算法，求解线性方程yij＝Dijαij，得到所述参考图像块的稀疏系数αij；其中，Dij为所述参考图像块的局部字典，yij为所述参考图像块的稀疏值；
利用公式得到所述测试图像块的稀疏系数
根据公式得到所述测试图像块的稀疏估计值
可选的，所述依据所述测试图像块的稀疏估计值和所述参考图像块的稀疏值，构建比值图像包括：
根据公式 得到所述参考图像块与所述测试图像块的差异值eij2；其中，为所述参考图像块对应的搜索域的标准差；
根据所述差异值eij2，按照预设的所述重叠方式，构建出比值图像。
本发明实施例还提供了一种SAR图像变化检测的装置，包括获取单元、分块单元、构建单元、求解单元、重构单元和滤波单元，
所述获取单元，用于获取同一区域不同时刻的两幅SAR图像；其中一幅SAR图像作为参考图像，另一幅SAR图像作为测试图像；
所述分块单元，用于对所述参考图像和所述测试图像按照预设的重叠方式和分块尺度值进行重叠分块处理，得到参考图像块和测试图像块；各个所述参考图像块都有其对应的一个稀疏值；
所述构建单元，用于按照预设规则，构建各个所述参考图像块各自对应的局部字典；
所述求解单元，用于依据所述局部字典以及所述参考图像块的稀疏值，利用正交匹配追踪法，求解出所述测试图像块的稀疏估计值；
所述重构单元，用于依据所述测试图像块的稀疏估计值和所述参考图像块的稀疏值，构建比值图像；
所述滤波单元，用于对所述比值图像进行中值滤波处理，得到中值比值图像，所述中值比值图像为所述SAR图像的变化检测结果图像。
可选的，所述构建单元包括确定子单元和建立子单元，
所述确定子单元，用于依据预先设定的边距值以及所述分块尺度值，确定出所述参考图像的搜索域大小；其中，每个所述参考图像块都有其对应一个搜索域；
所述建立子单元，用于依据所述搜索域大小以及所述分块尺度值，在每个所述搜索域中均建立一个对应的局部字典。
可选的，所述求解单元具体用于，
利用OMP算法，求解线性方程yij＝Dijαij，得到所述参考图像块的稀疏系数αij；其中，Dij为所述参考图像块的局部字典，yij为所述参考图像块的稀疏值；
利用公式得到所述测试图像块的稀疏系数
根据公式得到所述测试图像块的稀疏估计值
可选的，所述重构单元包括目标向量获取子单元和比值图像获取子单元，
所述目标向量获取单元，用于根据公式 得到所述参考图像块与所述测试图像块的差异值eij2；其中，为所述参考图像块对应的搜索域的标准差；
所述比值图像获取子单元，用于根据所述差异值eij2，按照预设的所述重叠方式，构建出比值图像。
由上述技术方案可以看出，将两幅SAR图像分为参考图像和测试图像；将这两幅图像按照预设的重叠方式和分块尺度值进行重叠分块处理，得到参考图像块和测试图像块；各个参考图像块都有其对应的一个稀疏值；按照预设规则，构建各个所述参考图像块各自对应的局部字典；通过利用正交匹配追踪法，可以求解出测试图像块的稀疏估计值；依据测试图像块的稀疏估计值和参考图像块的稀疏值，按照预设的所述重叠方式，构建出比值图像；对所述比值图像进行中值滤波处理，得到中值比值图像，所述中值比值图像即为SAR图像的变化检测结果图像。通过对SAR图像进行重叠分块处理，对每一个图像块进行处理，从而提高了SAR图像变化检测的检测精度。并且利用中值比值图像的特点，既不会改变图像轮廓，也不会造成图像模糊，又可以将斑点噪声转变成加性噪声，不论对具有明显目标的变化检测还是无明显目标的变化检测，都可以极大限度地减少噪声对检测精度的影响，进一步提高了SAR图像变化检测的检测精度。
附图说明
为了更清楚地说明本发明实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种SAR图像变化检测的方法的流程图；
图2为本发明实施例提供的一种SAR图像变化检测的装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下，所获得的所有其他实施例，都属于本发明保护范围。
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。
接下来，详细介绍本发明实施例所提供的一种SAR图像变化检测的方法。图1为本发明实施例提供的一种SAR图像变化检测的方法的流程图，该方法包括：
S101：获取同一区域不同时刻的两幅SAR图像；其中一幅SAR图像作为参考图像，另一幅SAR图像作为测试图像。
在本发明实施例中通过对两幅SAR图像进行比对，检测SAR图像中物体的变化情况。在具体应用中，可以选取其中的任意一幅SAR图像作为参考图像，另一幅SAR图像作为测试图像。
S102：对所述参考图像和所述测试图像按照预设的重叠方式和分块尺度值进行重叠分块处理，得到参考图像块和测试图像块。
为了提升变化检测的精度，在本发明实施例中，可以对两幅SAR图像进行重叠分块处理，以得到的参考图像块和测试图像块为处理单元，进行后续处理操作。
其中，重叠方式可以采取从左至右，从上到下滑动一格图像块的划分方式。
在本发明实施例中，可以用M×N的形式来表示分块尺度值。通过仿真模拟测试，可知对SAR图像进行重叠分块处理时，设置的分块尺度值越小，在后续进行变化检测的精确度越高，在本发明实施例中，可以将分块尺度值设置的相对较小一些，其具体取值可以根据实际需求进行设置，在此不做限定。例如，可以将分块尺度值M×N设置为2×2。
两幅SAR图像分别经过重叠分块处理后，参考图像被划分成多个参考图像块，对应的，测试图像也被划分成多个测试图像块。参考图像块与测试图像块一一对应。
以参考图像为例，其经过重叠分块处理后，得到的每个参考图像块都有其对应的一个稀疏值。在本发明实施例中，可以用yij来表示参考图像块的稀疏值，其中i，j表示该参考图像块的坐标位置。
S103：按照预设规则，构建各个所述参考图像块各自对应的局部字典。
以一个参考图像块以及其对应的一个测试图像块为例，可以将这两个图像块看做是一组图像块。为了便于比较这两个图像块的差异，可以以参考图像块的稀疏值为依据，对测试图像块的稀疏值进行估计，来求解这两个图像块的差异值。对测试图像块的稀疏值进行估计时，需要依据参考图像块对应的局部字典。
对于局部字典的构建，具体的，可以依据预先设定的边距值以及所述分块尺度值，确定出所述参考图像的搜索域大小；其中，每个所述参考图像块都有其对应一个搜索域。
在本发明实施例中，可以用ΔM来表示边距值的长边，ΔN来表示边距值的短边，可以根据公式(M+2ΔM)×(N+2ΔN)，确定出参考图像的搜索域大小。
在实际应用中，可以令ΔM＝M，ΔN＝N，相应的搜索域的大小即为(M+2ΔM)×(N+2ΔN)＝3M×3N。
例如，当分块尺度值M×N＝2×2时，搜索域的大小即为6×6。
当确定出搜索域的大小后，便可以依据所述搜索域大小以及所述分块尺度值，在每个所述搜索域中均建立一个对应的局部字典。
局部字典具有与参考图像块相同大小的重叠分块原则，每个小块重叠一个单位像素图像。其中每个原子由M×N大小的矩阵转换为MN×1大小的向量构成。
每个局部字典都由
(M+2ΔM-M+1)×(N+2ΔN-N+1)＝(2ΔM+1)×(2ΔN+1)个原子组成，
其中每个原子由参考图像块M×N的矩阵大小转变成MN×1的列向量。局部字典Dij的表达式如下，
其中，xij就是MN×1的列向量。
S104：依据所述局部字典以及所述参考图像块的稀疏值，利用正交匹配追踪法，求解出所述测试图像块的稀疏估计值。
在本发明实施例中，可以利用OMP算法，求解线性方程yij＝Dijαij，得到所述参考图像块的稀疏系数αij；其中，Dij为所述参考图像块的局部字典，yij为所述参考图像块的稀疏值；
利用公式得到所述测试图像块的稀疏系数
根据公式得到所述测试图像块的稀疏估计值
S105：依据所述测试图像块的稀疏估计值和所述参考图像块的稀疏值，构建比值图像。
在本发明实施例中，通过仿真模拟测试，可知，依据测试图像块的稀疏预估值与参考图像块的预估值yij，并利用稀疏系数及搜索域的标准差作为加权系数来定义变化检测的差异值，恢复全局显著图，由此得到的比值图像能够更加精确、更加清晰的反映出SAR图像中的变化检测结果。
故此，在具体实现中，可以根据公式得到所述参考图像块与所述测试图像块的差异值eij2；其中，为所述参考图像块对应的搜索域的标准差；
根据所述差异值eij2，按照预设的所述重叠方式，构建出比值图像。
每一组参考图像块和测试图像块，都有其对应的一个差异值eij2，由若干个eij2MN×1向量恢复到若干个M×N矩阵块，最后将这些矩阵块仍以相同的重叠方式恢复到一幅比值图像。
S106：对所述比值图像进行中值滤波处理，得到中值比值图像，所述中值比值图像为所述SAR图像的变化检测结果图像。
在本发明实施例中，可以将中值滤波的窗口大小设置为3×3，即对比值图像采用3×3大小窗口中值滤波，得到中值比值图像。
由上述技术方案可以看出，将两幅SAR图像分为参考图像和测试图像；将这两幅图像按照预设的重叠方式和分块尺度值进行重叠分块处理，得到参考图像块和测试图像块；各个参考图像块都有其对应的一个稀疏值；按照预设规则，构建各个所述参考图像块各自对应的局部字典；通过利用正交匹配追踪法，可以求解出测试图像块的稀疏估计值；依据测试图像块的稀疏估计值和参考图像块的稀疏值，按照预设的所述重叠方式，构建出比值图像；对所述比值图像进行中值滤波处理，得到中值比值图像，所述中值比值图像即为SAR图像的变化检测结果图像。通过对SAR图像进行重叠分块处理，对每一个图像块进行处理，从而提高了SAR图像变化检测的检测精度。并且利用中值比值图像的特点，既不会改变图像轮廓，也不会造成图像模糊，又可以将斑点噪声转变成加性噪声，不论对具有明显目标的变化检测还是无明显目标的变化检测，都可以极大限度地减少噪声对检测精度的影响，进一步提高了SAR图像变化检测的检测精度。
图2为本发明实施例提供的一种SAR图像变化检测的装置的结构示意图，所述装置包括获取单元21、分块单元22、构建单元23、求解单元24、重构单元25和滤波单元26，
所述获取单元21，用于获取同一区域不同时刻的两幅SAR图像；其中一幅SAR图像作为参考图像，另一幅SAR图像作为测试图像；
所述分块单元22，用于对所述参考图像和所述测试图像按照预设的重叠方式和分块尺度值进行重叠分块处理，得到参考图像块和测试图像块；各个所述参考图像块都有其对应的一个稀疏值；
所述构建单元23，用于按照预设规则，构建各个所述参考图像块各自对应的局部字典；
所述求解单元24，用于依据所述局部字典以及所述参考图像块的稀疏值，利用正交匹配追踪法，求解出所述测试图像块的稀疏估计值；
所述重构单元25，用于依据所述测试图像块的稀疏估计值和所述参考图像块的稀疏值，构建比值图像；
所述滤波单元26，用于对所述比值图像进行中值滤波处理，得到中值比值图像，所述中值比值图像为所述SAR图像的变化检测结果图像。
可选的，所述构建单元包括确定子单元和建立子单元，
所述确定子单元，用于依据预先设定的边距值以及所述分块尺度值，确定出所述参考图像的搜索域大小；其中，每个所述参考图像块都有其对应一个搜索域；
所述建立子单元，用于依据所述搜索域大小以及所述分块尺度值，在每个所述搜索域中均建立一个对应的局部字典。
可选的，所述求解单元具体用于，
利用OMP算法，求解线性方程yij＝Dijαij，得到所述参考图像块的稀疏系数αij；其中，Dij为所述参考图像块的局部字典，yij为所述参考图像块的稀疏值；
利用公式得到所述测试图像块的稀疏系数
根据公式得到所述测试图像块的稀疏估计值
可选的，所述重构单元包括目标向量获取子单元和比值图像获取子单元，
所述目标向量获取单元，用于根据公式 得到所述参考图像块与所述测试图像块的差异值eij2；其中，为所述参考图像块对应的搜索域的标准差；
所述比值图像获取子单元，用于根据所述差异值eij2，按照预设的所述重叠方式，构建出比值图像。
图2所对应实施例中特征的说明可以参见图1所对应实施例的相关说明，这里不再一一赘述。
由上述技术方案可以看出，将两幅SAR图像分为参考图像和测试图像；将这两幅图像按照预设的重叠方式和分块尺度值进行重叠分块处理，得到参考图像块和测试图像块；各个参考图像块都有其对应的一个稀疏值；按照预设规则，构建各个所述参考图像块各自对应的局部字典；通过利用正交匹配追踪法，可以求解出测试图像块的稀疏估计值；依据测试图像块的稀疏估计值和参考图像块的稀疏值，按照预设的所述重叠方式，构建出比值图像；对所述比值图像进行中值滤波处理，得到中值比值图像，所述中值比值图像即为SAR图像的变化检测结果图像。通过对SAR图像进行重叠分块处理，对每一个图像块进行处理，从而提高了SAR图像变化检测的检测精度。并且利用中值比值图像的特点，既不会改变图像轮廓，也不会造成图像模糊，又可以将斑点噪声转变成加性噪声，不论对具有明显目标的变化检测还是无明显目标的变化检测，都可以极大限度地减少噪声对检测精度的影响，进一步提高了SAR图像变化检测的检测精度。
以上对本发明实施例所提供的一种SAR图像变化检测的方法与装置进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

Claims (8)

1.一种SAR图像变化检测的方法，其特征在于，包括：
获取同一区域不同时刻的两幅SAR图像；其中一幅SAR图像作为参考图像，另一幅SAR图像作为测试图像；
对所述参考图像和所述测试图像按照预设的重叠方式和分块尺度值进行重叠分块处理，得到参考图像块和测试图像块；各个所述参考图像块都有其对应的一个稀疏值；
按照预设规则，构建各个所述参考图像块各自对应的局部字典；
依据所述局部字典以及所述参考图像块的稀疏值，利用正交匹配追踪法，求解出所述测试图像块的稀疏估计值；
依据所述测试图像块的稀疏估计值和所述参考图像块的稀疏值，构建比值图像；
对所述比值图像进行中值滤波处理，得到中值比值图像，所述中值比值图像为所述SAR图像的变化检测结果图像。
2.根据权利要求1所述的方法，其特征在于，所述按照预设规则，构建各个所述参考图像块各自对应的局部字典包括：
依据预先设定的边距值以及所述分块尺度值，确定出所述参考图像的搜索域大小；其中，每个所述参考图像块都有其对应一个搜索域；
依据所述搜索域大小以及所述分块尺度值，在每个所述搜索域中均建立一个对应的局部字典。
3.根据权利要求2所述的方法，其特征在于，所述依据所述局部字典以及所述参考图像块的稀疏值，利用正交匹配追踪法，求解出所述测试图像块的稀疏估计值包括：
利用OMP算法，求解线性方程yij＝Dijαij，得到所述参考图像块的稀疏系数αij；其中，Dij为所述参考图像块的局部字典，yij为所述参考图像块的稀疏值；
利用公式得到所述测试图像块的稀疏系数
根据公式得到所述测试图像块的稀疏估计值
4.根据权利要求3所述的方法，其特征在于，所述依据所述测试图像块的稀疏估计值和所述参考图像块的稀疏值，构建比值图像包括：
根据公式得到所述参考图像块与所述测试图像块的差异值eij2；其中，为所述参考图像块对应的搜索域的标准差；
根据所述差异值eij2，按照预设的所述重叠方式，构建出比值图像。
5.一种SAR图像变化检测的装置，其特征在于，包括获取单元、分块单元、构建单元、求解单元、重构单元和滤波单元，
所述获取单元，用于获取同一区域不同时刻的两幅SAR图像；其中一幅SAR图像作为参考图像，另一幅SAR图像作为测试图像；
所述分块单元，用于对所述参考图像和所述测试图像按照预设的重叠方式和分块尺度值进行重叠分块处理，得到参考图像块和测试图像块；各个所述参考图像块都有其对应的一个稀疏值；
所述构建单元，用于按照预设规则，构建各个所述参考图像块各自对应的局部字典；
所述求解单元，用于依据所述局部字典以及所述参考图像块的稀疏值，利用正交匹配追踪法，求解出所述测试图像块的稀疏估计值；
所述重构单元，用于依据所述测试图像块的稀疏估计值和所述参考图像块的稀疏值，构建比值图像；
所述滤波单元，用于对所述比值图像进行中值滤波处理，得到中值比值图像，所述中值比值图像为所述SAR图像的变化检测结果图像。
6.根据权利要求5所述的装置，其特征在于，所述构建单元包括确定子单元和建立子单元，
所述确定子单元，用于依据预先设定的边距值以及所述分块尺度值，确定出所述参考图像的搜索域大小；其中，每个所述参考图像块都有其对应一个搜索域；
所述建立子单元，用于依据所述搜索域大小以及所述分块尺度值，在每个所述搜索域中均建立一个对应的局部字典。
7.根据权利要求6所述的装置，其特征在于，所述求解单元具体用于，
利用OMP算法，求解线性方程yij＝Dijαij，得到所述参考图像块的稀疏系数αij；其中，Dij为所述参考图像块的局部字典，yij为所述参考图像块的稀疏值；
利用公式得到所述测试图像块的稀疏系数
根据公式得到所述测试图像块的稀疏估计值
8.根据权利要求7所述的装置，其特征在于，所述重构单元包括目标向量获取子单元和比值图像获取子单元，
所述目标向量获取单元，用于根据公式 得到所述参考图像块与所述测试图像块的差异值eij2；其中，为所述参考图像块对应的搜索域的标准差；
所述比值图像获取子单元，用于根据所述差异值eij2，按照预设的所述重叠方式，构建出比值图像。
CN201710597812.2A 2017-07-20 2017-07-20 一种sar图像变化检测的方法与装置 Active CN107451992B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710597812.2A CN107451992B (zh) 2017-07-20 2017-07-20 一种sar图像变化检测的方法与装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710597812.2A CN107451992B (zh) 2017-07-20 2017-07-20 一种sar图像变化检测的方法与装置

Publications (2)

Publication Number Publication Date
CN107451992A true CN107451992A (zh) 2017-12-08
CN107451992B CN107451992B (zh) 2020-08-11

Family

ID=60487122

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710597812.2A Active CN107451992B (zh) 2017-07-20 2017-07-20 一种sar图像变化检测的方法与装置

Country Status (1)

Country Link
CN (1) CN107451992B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109117880A (zh) * 2018-08-06 2019-01-01 广东工业大学 基于小波包分解选择系数加权重构的瓷砖图像分类算法
CN109410175A (zh) * 2018-09-26 2019-03-01 北京航天自动控制研究所 基于多子区图像匹配的sar雷达成像质量快速自动评价方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103093472A (zh) * 2013-01-24 2013-05-08 西安电子科技大学 基于双字典交叉稀疏表示的光学遥感图像变化检测方法
CN104700411A (zh) * 2015-03-15 2015-06-10 西安电子科技大学 基于稀疏重建的两时相遥感影像变化检测方法
CN105701775A (zh) * 2016-01-06 2016-06-22 山东师范大学 一种基于改进自适应字典学习的图像去噪方法
CN105869146A (zh) * 2016-03-22 2016-08-17 西安电子科技大学 基于显著性融合的sar图像变化检测方法
US20160307073A1 (en) * 2015-04-20 2016-10-20 Los Alamos National Security, Llc Change detection and change monitoring of natural and man-made features in multispectral and hyperspectral satellite imagery

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103093472A (zh) * 2013-01-24 2013-05-08 西安电子科技大学 基于双字典交叉稀疏表示的光学遥感图像变化检测方法
CN104700411A (zh) * 2015-03-15 2015-06-10 西安电子科技大学 基于稀疏重建的两时相遥感影像变化检测方法
US20160307073A1 (en) * 2015-04-20 2016-10-20 Los Alamos National Security, Llc Change detection and change monitoring of natural and man-made features in multispectral and hyperspectral satellite imagery
CN105701775A (zh) * 2016-01-06 2016-06-22 山东师范大学 一种基于改进自适应字典学习的图像去噪方法
CN105869146A (zh) * 2016-03-22 2016-08-17 西安电子科技大学 基于显著性融合的sar图像变化检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHUJIAN BI 等: "SAR image change detection using regularized dictionary learning and fuzzy clustering", 《2014 IEEE 3RD INTERNATIONAL CONFERENCE ON CLOUD COMPUTING AND INTELLIGENCE SYSTEMS》 *
谢文娜 等: "多智能体遗传二维Ostu法SAR图像变化检测", 《计算机工程与设计》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109117880A (zh) * 2018-08-06 2019-01-01 广东工业大学 基于小波包分解选择系数加权重构的瓷砖图像分类算法
CN109410175A (zh) * 2018-09-26 2019-03-01 北京航天自动控制研究所 基于多子区图像匹配的sar雷达成像质量快速自动评价方法
CN109410175B (zh) * 2018-09-26 2020-07-14 北京航天自动控制研究所 基于多子区图像匹配的sar雷达成像质量快速自动评价方法

Also Published As

Publication number Publication date
CN107451992B (zh) 2020-08-11

Similar Documents

Publication Publication Date Title
CN105444678B (zh) 手机尺寸测量方法和系统
CN107067415B (zh) 一种基于图像匹配的目标定位方法
CN104599286B (zh) 一种基于光流的特征跟踪方法及装置
CN110163889A (zh) 目标跟踪方法、目标跟踪装置、目标跟踪设备
US8566069B2 (en) Method for geologically modeling seismic data by trace correlation
CN110398782A (zh) 一种重力数据和重力梯度数据联合正则化反演方法
CN105865424A (zh) 一种基于非线性模型的多光谱遥感水深反演方法及装置
KR101439213B1 (ko) 입체 위성 영상 ＲＰＣｓ 정보를 이용한 단영상에서의 3차원 위치결정 방법
CN105738915B (zh) 三维雷达测量方法及装置
Shi et al. A visual circle based image registration algorithm for optical and SAR imagery
CN110376290A (zh) 基于多维核密度估计的声发射源定位方法
CN107451992A (zh) 一种sar图像变化检测的方法与装置
CN110231620A (zh) 一种噪声相关系统跟踪滤波方法
CN105043390B (zh) 基于泛克里金法的重力场插值方法
CN108398124A (zh) 一种校准电子罗盘的测试板以及校准方法
Yu Using cylindrical surface-based curvature change rate to detect faults and fractures
CN105021199A (zh) 基于ls 的多模型自适应状态估计方法及系统
CN107221007A (zh) 一种基于图像特征降维的无人车单目视觉定位方法
CN107479091B (zh) 一种提取逆时偏移角道集的方法
CN109581494B (zh) 叠前偏移方法及装置
CN109856672B (zh) 基于深度波数谱的瞬变波包提取方法、存储介质与终端
CN109188522B (zh) 速度场构建方法及装置
CN110672127A (zh) 阵列式mems磁传感器实时标定方法
CN110222704A (zh) 一种弱监督目标检测方法及装置
CN109472289A (zh) 关键点检测方法和设备

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