CN108520515A - 基于rof模型半隐式去噪的sar图像检测方法、系统及装置 - Google Patents
基于rof模型半隐式去噪的sar图像检测方法、系统及装置 Download PDFInfo
- Publication number
- CN108520515A CN108520515A CN201810304967.7A CN201810304967A CN108520515A CN 108520515 A CN108520515 A CN 108520515A CN 201810304967 A CN201810304967 A CN 201810304967A CN 108520515 A CN108520515 A CN 108520515A
- Authority
- CN
- China
- Prior art keywords
- denoising
- rof
- models
- disparity map
- clustered
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 238000012360 testing method Methods 0.000 claims abstract description 30
- 230000009466 transformation Effects 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- G06T5/70—
-
- 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
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于ROF模型半隐式去噪的SAR图像检测方法、系统及装置。其中,基于ROF模型半隐式去噪的SAR图像检测方法,其特征在于,包括:对于两时相含噪图像进行对数变换,利用ROF模型采用半隐式差分格式对经对数变换后的含噪图像进行去噪;针对去噪后的两时相含噪图像进行差值运算得到差异图;对差异图聚类得到变化检测结果图。以实现较为准确且完整的获取遥感图像变化信息的优点。
Description
技术领域
本发明涉及遥感图像领域,具体地,涉及一种基于ROF模型半隐式去噪的SAR图像检测方法、系统及装置。
背景技术
目前,遥感图像变化检测技术可以帮助更新地理数据、评估灾害、预测灾害发展趋势、土地利用监测。由于受外界各种因素的影响以及SAR图像成像原理缺陷的限制,所采集的遥感图像不可避免的引入了大量的噪声。为后期SAR图像的变化检测带来干扰,为获取更为准确地变化检测信息,需对SAR图像进行噪声消除。
图像去噪是数字图像变化检测处理中一个关键环节,具有极强的应用价值。当前,SAR图像的去噪方法包括lee滤波、frost滤波以及形态学去噪;图像空间域去噪方法很多,如:线性滤波法、中值滤波法和维纳滤波法等;图像变换域去噪方法有:傅里叶变换和小波变换等;近年来,新兴的数学方法去噪越来越受到众多学者的关注,1992年,Rudin,Osher,和Fatemi提出了总变分(TV)模型即ROF模型;而现有的ROF模型在图像去噪过程中的显式求解具有求解结果不稳定,迭代次数长的缺陷。
发明内容
本发明的目的在于,针对上述问题,提出一种基于ROF模型半隐式去噪的SAR图像检测方法、系统及装置,以实现较为准确且完整的获取遥感图像变化信息的优点。
为实现上述目的,本发明采用的技术方案是:
一种基于ROF模型半隐式去噪的SAR图像检测方法,包括:
步骤S1、对于两时相含噪图像进行对数变换,利用ROF模型采用半隐式差分格式对经对数变换后的含噪图像进行去噪;
步骤S2、针对去噪后的两时相含噪图像进行差值运算得到差异图;
步骤S3、对差异图聚类得到变化检测结果图。
优选的,所述步骤S3中对差异图聚类得到变化检测结果图,具体为:
利用聚类算法对差异图聚类得到变化检测结果图。
优选的,所述步骤S3中对差异图聚类得到变化检测结果图,具体为:
采用模糊C均值聚类算法对差异图聚类得到变化检测结果图。
本发明技术方案还公开了一种基于ROF模型半隐式去噪的SAR图像检测系统,包括:
去噪模块:对于两时相含噪图像进行对数变换,利用ROF模型采用半隐式差分格式对经对数变换后的含噪图像进行去噪;
运算模块:针对去噪后的两时相含噪图像进行差值运算得到差异图;
以及
检测模块:对差异图聚类得到变化检测结果图。
优选的,所述检测模块具体为:
利用聚类算法对差异图聚类得到变化检测结果图。
优选的,所述检测模块具体为:
采用模糊C均值聚类算法对差异图聚类得到变化检测结果图。
本发明技术方案还公开了一种包括处理器和存储器,所述处理器调用存储器内的数据执行本技术方案所述的基于ROF模型半隐式去噪的SAR图像检测方法。
本发明的技术方案具有以下有益效果:
本发明的技术方案,将ROF模型半隐式图像去噪运用到遥感图像的变化检测中,利用ROF模型半隐式去噪可以很好保留图像纹理细节,减少图像中难以去除的加性噪声,并用聚类算法得到最终的变化区域检测图。本技术方案不仅提高了变化检测过程中变化区域的检测精度,而且减少了变化检测的时间,平衡检测精度和运行时间的同时,达到较为准确且完整的获取了遥感图像变化信息的目的。进一步采用模糊C均值聚类算法(FCM)对差异图聚类得到较精确的变化检测结果图。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明实施例所述的基于ROF模型半隐式去噪的SAR图像检测方法的流程图;
图2a至图2d为采用本发明所述的基于ROF模型半隐式去噪的SAR图像检测方法对Bern数据组SAR图像处理的实验图;
图3a至图3d为采用本发明所述的基于ROF模型半隐式去噪的SAR图像检测方法对Coastline数据组SAR图像处理的实验图;
图4a至图4d为采用本发明所述的基于ROF模型半隐式去噪的SAR图像检测方法对Mulargia数据组SAR图像处理的实验图;
图5a至图5d为采用本发明所述的基于ROF模型半隐式去噪的SAR图像检测方法对Feltwell数据组模拟SAR图像处理的实验图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
如图1所示,一种基于ROF模型半隐式去噪的SAR图像检测方法,包括:
步骤S1、对于两时相含噪图像进行对数变换,利用ROF模型采用半隐式差分格式对经对数变换后的含噪图像进行去噪;
步骤S2、针对去噪后的两时相含噪图像进行差值运算得到差异图;
步骤S3、对差异图聚类得到变化检测结果图。
优选的,步骤S3中对差异图聚类得到变化检测结果图,具体为:
利用聚类算法对差异图聚类得到变化检测结果图。
优选的,步骤S3中对差异图聚类得到变化检测结果图,具体为:
采用模糊C均值聚类算法对差异图聚类得到变化检测结果图。
本发明技术方案还公开了一种基于ROF模型半隐式去噪的SAR图像检测系统,包括:
去噪模块:对于两时相含噪图像进行对数变换,利用ROF模型采用半隐式差分格式对经对数变换后的含噪图像进行去噪;
运算模块:针对去噪后的两时相含噪图像进行差值运算得到差异图;
以及
检测模块:对差异图聚类得到变化检测结果图。
优选的,检测模块具体为:
利用聚类算法对差异图聚类得到变化检测结果图。
优选的,检测模块具体为:
采用模糊C均值聚类算法对差异图聚类得到变化检测结果图。
本发明技术方案还公开了一种包括处理器和存储器,处理器调用存储器内的数据执行本技术方案的基于ROF模型半隐式去噪的SAR图像检测方法。
Bern数据组SAR图像源于1999年4月和1999年5月通过ERS-2遥感卫星获取的瑞士首都Bern地区的两幅SAR图像。图2a为1999年4月获取的,图2b为1999年5月获取的,图2a和图2b的图像大小均为301×301,灰度值为256的两时相SAR图,图2c为变化参考图,图2d为采用本发明的方法检测结果图。
Coastline数据组SAR图像源于2008年6月和2009年6月通过Radarsat-2遥感卫星获取的黄河海岸线的两幅SAR图像的同区域的截取部分。图3a为2008年6月获取的,图3b为2009年6月获取的,图3a和图3b的图像大小均为175×147,灰度值为256的两时相SAR图,图3c为变化参考图。图3d为采用本发明的方法检测结果图。
Mulargia数据组SAR图像源于1995年9月和1996年7月通过Landsat-5遥感卫星获取的意大利撒丁岛地区数据集的两幅SAR图像。图4a为1995年9月获取的,图4b为1996年7月获取的,图4a和图4b的图像大小均为412×300,灰度值为256的两时相SAR图。图4c为变化参考图,图4d为采样本发明的方法检测结果图。
Feltwell数据组SAR图像源于Feltwell村庄的遥感图,图5a是ATM(AieborneThematic Mapper)第3波段的Feltwell村庄的遥感图。图5b是通过模拟天气变化和电磁辐射人工加入变化区域的遥感图。图5a和图5b的图像大小均为412×300,灰度值为256的两时相SAR图,图5c为变化参考图,图5d为采用本发明的方法检测结果图。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于ROF模型半隐式去噪的SAR图像检测方法,其特征在于,包括:
步骤S1、对于两时相含噪图像进行对数变换,利用ROF模型采用半隐式差分格式对经对数变换后的含噪图像进行去噪;
步骤S2、针对去噪后的两时相含噪图像进行差值运算得到差异图;
步骤S3、对差异图聚类得到变化检测结果图。
2.根据权利要求1所述的基于ROF模型半隐式去噪的SAR图像检测方法,其特征在于,所述步骤S3中对差异图聚类得到变化检测结果图,具体为:
利用聚类算法对差异图聚类得到变化检测结果图。
3.根据权利要求1所述的基于ROF模型半隐式去噪的SAR图像检测方法,其特征在于,所述步骤S3中对差异图聚类得到变化检测结果图,具体为:
采用模糊C均值聚类算法对差异图聚类得到变化检测结果图。
4.一种基于ROF模型半隐式去噪的SAR图像检测系统,其特征在于,包括:
去噪模块:对于两时相含噪图像进行对数变换,利用ROF模型采用半隐式差分格式对经对数变换后的含噪图像进行去噪;
运算模块:针对去噪后的两时相含噪图像进行差值运算得到差异图;
以及
检测模块:对差异图聚类得到变化检测结果图。
5.根据权利要求4所述的基于ROF模型半隐式去噪的SAR图像检测系统,其特征在于,所述检测模块具体为:
利用聚类算法对差异图聚类得到变化检测结果图。
6.根据权利要求4所述的基于ROF模型半隐式去噪的SAR图像检测系统,其特征在于,所述检测模块具体为:
采用模糊C均值聚类算法对差异图聚类得到变化检测结果图。
7.一种基于ROF模型半隐式去噪的SAR图像检测装置,其特征在于,包括处理器和存储器,所述处理器调用存储器内的数据执行权利要求1至3任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810304967.7A CN108520515A (zh) | 2018-04-08 | 2018-04-08 | 基于rof模型半隐式去噪的sar图像检测方法、系统及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810304967.7A CN108520515A (zh) | 2018-04-08 | 2018-04-08 | 基于rof模型半隐式去噪的sar图像检测方法、系统及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108520515A true CN108520515A (zh) | 2018-09-11 |
Family
ID=63431721
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810304967.7A Pending CN108520515A (zh) | 2018-04-08 | 2018-04-08 | 基于rof模型半隐式去噪的sar图像检测方法、系统及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108520515A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109583487A (zh) * | 2018-11-21 | 2019-04-05 | 新疆大学 | 一种sar图像变化检测方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355561A (zh) * | 2016-08-30 | 2017-01-25 | 天津大学 | 基于噪点先验约束的全变分图像去噪方法 |
CN107492077A (zh) * | 2017-08-03 | 2017-12-19 | 四川长虹电器股份有限公司 | 基于自适应多方向总变分的图像去模糊方法 |
-
2018
- 2018-04-08 CN CN201810304967.7A patent/CN108520515A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355561A (zh) * | 2016-08-30 | 2017-01-25 | 天津大学 | 基于噪点先验约束的全变分图像去噪方法 |
CN107492077A (zh) * | 2017-08-03 | 2017-12-19 | 四川长虹电器股份有限公司 | 基于自适应多方向总变分的图像去模糊方法 |
Non-Patent Citations (4)
Title |
---|
CAO KE, ET AL.: "A Novel Image Denoising Algorithm based on Crank-Nicholson Semi-implicit Difference Scheme", 《PROCEDIA ENGINEERING》 * |
V.B. SURYA PRASATH, D. VOROTNIKOV: "Weighted and well-balanced anisotropic diffusion scheme for image denoising and restoration", 《NONLINEAR ANALYSIS: REAL WORLD APPLICATIONS》 * |
王雪国: "基于偏微分方程图像去噪算法的SAR图像变化检测研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
王雪国: "基于变分模型的混合噪声去噪方法", 《西安邮电大学学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109583487A (zh) * | 2018-11-21 | 2019-04-05 | 新疆大学 | 一种sar图像变化检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101727662B (zh) | Sar图像非局部均值去斑方法 | |
Sheng et al. | Coastline detection in synthetic aperture radar (SAR) images by integrating watershed transformation and controllable gradient vector flow (GVF) snake model | |
Shu et al. | Shoreline extraction from RADARSAT-2 intensity imagery using a narrow band level set segmentation approach | |
CN107808138B (zh) | 一种基于FasterR-CNN的通信信号识别方法 | |
Modava et al. | Hierarchical coastline detection in SAR images based on spectral‐textural features and global–local information | |
CN111008585B (zh) | 基于自适应分层高分辨sar图像的舰船目标检测方法 | |
CN103455797A (zh) | 航拍视频中运动小目标的检测与跟踪方法 | |
CN105303526A (zh) | 一种基于海岸线数据及频谱分析的舰船目标检测方法 | |
Liu et al. | Structural motion estimation via Hilbert transform enhanced phase-based video processing | |
CN110796616B (zh) | 基于范数约束和自适应加权梯度的湍流退化图像恢复方法 | |
CN103971364A (zh) | 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 | |
CN108230375A (zh) | 基于结构相似性快速鲁棒的可见光图像与sar图像配准方法 | |
CN109993797A (zh) | 门窗位置检测方法及装置 | |
CN108830828A (zh) | 一种遥感图像变化检测方法及装置 | |
CN115578326A (zh) | 一种道路病害识别方法、系统、设备及存储介质 | |
CN108520515A (zh) | 基于rof模型半隐式去噪的sar图像检测方法、系统及装置 | |
CN116309612B (zh) | 基于频率解耦监督的半导体硅晶圆检测方法、装置及介质 | |
CN106204607B (zh) | 基于波动参数划分的sar图像变化检测方法 | |
CN114993452B (zh) | 基于宽带相位运动放大的结构微小振动测量方法与系统 | |
Mittal et al. | Automatic parameter prediction for image denoising algorithms using perceptual quality features | |
CN116167936A (zh) | 一种用于洪水监测的山体阴影去除方法及装置 | |
Wang et al. | Fast Blur Detection Algorithm for UAV Crack Image Sets | |
CN115683431A (zh) | 基于直线跟踪算法的拉索索力确定方法、装置及设备 | |
Zhu et al. | A novel change detection method based on high-resolution SAR images for river course | |
CN115761606A (zh) | 基于图像处理的箱体电能表识别方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180911 |