CN108765465B - 一种无监督sar图像变化检测方法 - Google Patents

一种无监督sar图像变化检测方法 Download PDF

Info

Publication number
CN108765465B
CN108765465B CN201810549675.XA CN201810549675A CN108765465B CN 108765465 B CN108765465 B CN 108765465B CN 201810549675 A CN201810549675 A CN 201810549675A CN 108765465 B CN108765465 B CN 108765465B
Authority
CN
China
Prior art keywords
sample set
samples
pixel
image
training
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
CN201810549675.XA
Other languages
English (en)
Other versions
CN108765465A (zh
Inventor
李明
李梦柯
吴艳
张鹏
刘慧敏
柴磊
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.)
Xidian University
Original Assignee
Xidian 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 Xidian University filed Critical Xidian University
Priority to CN201810549675.XA priority Critical patent/CN108765465B/zh
Publication of CN108765465A publication Critical patent/CN108765465A/zh
Application granted granted Critical
Publication of CN108765465B publication Critical patent/CN108765465B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • 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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出了一种无监督SAR图像变化检测方法，用于解决现有技术中存在的检测准确性和计算效率较低的技术问题。实现步骤为：对配准后的两时相SAR图像滤波；产生初始差异图；对初始差异图进行显著性检测获得显著性差异图；利用模糊C均值聚类算法对显著性差异图进行预分类获得候选的训练样本以及不确定样本；对候选的候选训练样本集做均衡化处理获得训练样本；用PCA滤波器提取训练像样本征和不确定样本特征；用训练样本特征训练支持向量机，用训练完成的支持向量机对不确定样本分类，获得变化检测结果。本发明能够提高算检测准确性同时减少运算时间，可用于评估灾害和预测灾害发展趋势、目标探测以及土地覆盖与利用监测等。

Description

一种无监督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，涉及一种图像变化检测方法，具体涉及一种改进的PCANet无监督SAR图像变化检测方法，可用于评估灾害和预测灾害发展趋势、目标探测以及土地覆盖与利用监测等。
背景技术
图像变化检测指利用多时相获取的同一地表区域的遥感影像及其它辅助数据来确定和分析地表变化，是更新地理数据的关键技术，在评估灾害和预测灾害发展趋势以及土地覆盖和利用监测方面发挥着重要作用。以合成孔径雷达(SAR)为代表的微波遥感是有源微波成像传感器。与光学遥感等微波遥感相比，SAR成像技术不仅具有可变侧视角，并且可以在不受天气影响的情况下获得详细的地理信息，因此在变化检测技术上有着广泛的应用。根据人工标记样本的需要，可将图像变化检测方法分为有监督式、半监督式和无监督式三种。有监督和半监督式方法对标记样本具有很强的依赖性，在SAR图像处理中，标记样本不易获取。无监督方法不需要标记样本和人工干预，因此在SAR图像变化检测方法中更常用。
无监督方法在变化检测的应用中，需要先将所有样本自动分为不同的类别，再选出一些具有代表性的样本作为训练样本，用于分类器的训练。这一过程中，训练样本的选取会影响变化检测准确度。
由于深度学习方法在图像分类和人脸识别领域具有良好表现，SAR图像变化检测中的分类器可以利用深度学习方法。Gao F.等人于2016年在《Geoscience Remote SensingLetters》上发表一篇题为“Automatic change detection in synthetic aperture radarimages based on PCANet”的文章首次利用PCANet对SAR图像进行变化检测。该方法首先用Gabor滤波器对原始图像提取Gabor特征，用模糊C均值聚类方法根据图像Gabor特征将像素预先分为变化类、非变化类和不确定类，然后使用PCANet模型对属于不确定类的像素进行分类。该方法能够有效对不确定像素分类，获得准确的变化检测结果。然而仍然存在以下不足：(1)因为SAR图像受相干斑噪声影响，该方法从原图像选取的训练样本不可靠，且特征提取时该方法没有考虑训练样本不均衡的问题，导致对各类样本特征提取的不完整，另外该方法采用基于像素的方式，没有考虑像素邻域信息，会造成部分像素错分，从而使变化检测准确性降低；(2)该方法在所有像素中选择训练样本，导致处理时间较长。
发明内容
本发明的目的在于克服上述已有技术的不足，提出了一种无监督SAR图像变化检测方法，用于解决现有技术中存在的检测准确性和效率较低的技术问题。
本发明的技术思路是：用三维块匹配滤波对配准后的两时相SAR图像进行滤波处理；产生初始差异图；对初始差异图进行显著性检测获得显著性差异图；利用模糊C均值聚类算法对显著性差异图进行预分类获得候选的训练样本以及不确定样本；利用一致选取法对候选的候选训练样本集做均衡化处理获得训练样本；用PCA滤波器提取训练像素特征和不确定像素特征；用训练像素特征训练支持向量机，用训练完成的支持向量机对不确定像素分类，获得变化检测结果。
根据上述技术思路，实现本发明目的采取的技术方案包括如下步骤：
(1)对两幅待检测的SAR图像进行滤波：
对拍摄于同一地点不同时刻的两幅SAR图像进行配准，并对配准后的SAR图像进行滤波，得到滤波后的SAR图像im1和im2；
(2)计算滤波后的SAR图像im1和im2的初始差异图D1；
(3)对D1进行显著性检测，并对检测结果进行二值化：
对D1进行显著性检测，得到D1的显著图Ds，并对Ds进行二值化，得到二值化显著图Ds'；
(4)获取D1的显著性差异图D2：
利用二值化显著图Ds'，提取初始差异图D1中的显著性部分，得到D1的显著性差异图D2：
D2＝DotM(Ds'，D1)
其中，DotM(Ds'，D1)表示Ds'和D1同一位置像素的灰度值相乘；
(5)对D1的显著性差异图D2中的像素进行预分类：
对显著性差异图D2中的像素进行聚类，得到正样本集、负样本集和不确定样本集，并将正样本集和负样本集合并为候选训练样本集；
(6)对候选训练样本集进行均衡化：
对候选训练样本集中的正样本集和负样本集进行均衡化处理，得到均衡化的训练样本集，并从其中随机选取30％的样本作为训练样本集；
(7)提取训练样本特征和不确定样本特征：
(7a)对im1进行逐像素有重叠划分，得到由大小为s×s的多个图像块
Figure BDA0001680843930000031
组成的集合I1，同时对im2进行逐像素有重叠划分，得到大小为s×s的多个图像块
Figure BDA0001680843930000032
组成的集合I2：
Figure BDA0001680843930000033
Figure BDA0001680843930000034
其中，s为大于等于1的奇数，pos表示图像块序号，pos＝1,2,...,T，T表示SAR图像im1或im2中图像块的个数；
(7b)将训练样本集和不确定样本集合并为样本集，并从I1中选择与样本集中样本位置xa相对应的图像块
Figure BDA0001680843930000035
同时从I2中选择与样本集中样本位置xa相对应的图像块
Figure BDA0001680843930000036
a表示样本序号，且a＝1,2,...,NE，NE为样本集中样本的总数；
(7c)对
Figure BDA0001680843930000037
进行逐像素有重叠划分，得到由大小为m×m的多个邻域块Pi 1，同时对
Figure BDA0001680843930000038
进行逐像素有重叠划分，得到大小为m×m的多个邻域块Pi 2，并将邻域块Pi 1和Pi 2合并成的邻域块Pi组合到集合Ptemp中：
Figure BDA0001680843930000039
其中，m为大于等于1小于等于s的奇数，i表示邻域块序号，且i＝1,2,...,n，n表示邻域块个数；
(7d)对Ptemp中的邻域块Pi进行去均值后再进行向量化，得到包括由
Figure BDA00016808439300000310
组成的向量矩阵P：
Figure BDA00016808439300000311
(7e)计算PPT的特征向量，并将PPT前N1个特征向量作为第一层PCA滤波器Wl 1：
Wl 1＝mat(ql(PPT))∈R2m×m l＝1,2,...,N1
其中，N1为正整数，ql(PPT)表示PPT的第l个特征向量，mat(v)表示把向量
Figure BDA00016808439300000414
映射成为一个矩阵W∈R2m×m；
(7f)通过第一层PCA滤波器Wl 1计算样本Pi的特征信息Pi l：
Pi l＝Pi*Wl 1
其中，*表示三维卷积操作；
(7g)对第一层滤波器Wl 1输出的特征信息Pi l进行去均值后再向量化，得到包括由
Figure BDA0001680843930000041
组成的向量矩阵Q：
Figure BDA0001680843930000042
(7h)计算QQT的特征向量，并将QQT前N2个特征向量作为第二层PCA滤波器
Figure BDA0001680843930000043
Figure BDA0001680843930000044
其中，qk(QQT)表示QQT的第k个特征向量，k＝1,2,...,N2，N2为正整数，mat(v)表示把向量
Figure BDA00016808439300000415
映射成为一个矩阵W∈R2m×m；
(7i)通过第二层PCA滤波器
Figure BDA0001680843930000045
计算特征信息Pi l的二次特征信息
Figure BDA0001680843930000046
Figure BDA0001680843930000047
(7j)采用赫维赛德阶跃函数对特征信息矩阵
Figure BDA0001680843930000048
进行二值化，并将得到的二值化信息矩阵
Figure BDA0001680843930000049
转换为每个位置的数值为
Figure BDA00016808439300000410
的矩阵O后，计算Pi的特征fi，并将
Figure BDA00016808439300000411
作为训练样本特征，
Figure BDA00016808439300000412
作为不确定样本特征，其中：
Figure BDA00016808439300000413
Figure BDA0001680843930000051
其中，
Figure BDA0001680843930000052
表示对
Figure BDA0001680843930000053
的直方图统计，NT表示训练样本集中样本的个数；
(8)获取SAR图像的变化检测结果：
将训练样本特征作为支持向量机的输入，得到训练好的支持向量机，并将不确定样本特征作为训练好的支持向量机的输入，得到SAR图像的变化检测结果图。
本发明与现有技术相比，具有以下优点：
(1)本发明在获取训练样本过程中，采用以邻域块的灰度值为聚类特征，避免了现有技术以原图像的Gabor特征为聚类特征造成训练样本不可靠的缺陷；同时在特征提取过程中，一方面采用一致选取法对候选训练样本集进行均衡化，能够有效消除样本不均衡问题，避免了现有技术直接对样本提取特征造成的提取的各类样本特征提取不完整的缺陷，另一方面采用基于邻域块的方式，避免了现有技术采用基于像素的方式造成的部分像素错分的缺陷，实验结果表明本发明能够有效提高变化检测准确性。
(2)本发明用Context-aware显著性检测方法提取显著性区域，在显著性区域中选择训练样本和不确定样本，避免了现有技术从整幅图像中选取训练样本和不确定样本造成样本数量大的缺陷，实验结果表面本发明能够有效降低运算时间，提高图像变化检测的效率。
附图说明
图1为本发明的实现流程图；
图2为本发明和现有技术应用于两时相Bern数据Real SAR图像的变化检测结果对比图；
图3为本发明和现有技术应用于两时相黄河入海口数据Real SAR图像的变化检测结果对比图；
图4为本发明和现有技术应用于两时相Ottawa数据Real SAR图像的变化检测结果对比图。
具体实施方式
下面结合附图和具体实施例，对本发明作进一步详细描述：
参照图1.一种无监督SAR图像变化检测方法，包括如下步骤：
步骤1)对两幅待检测SAR图像进行滤波：
图像imo 1为时刻1拍摄的SAR图像，图像imo 2为时刻2拍摄的SAR图像，imo 1和imo 2拍摄与同一地点，对imo 1和imo 2进行配准，采用三位块匹配滤波方法，对配准后的SAR图像用进行滤波，去除图像中的相干斑噪声并保持图像边界信息，得到滤波后的图像im1和im2：
im1＝{im1(i,j)|1≤i≤H,1≤j≤W}，
im2＝{im2(i,j)|1≤i≤H,1≤j≤W}，
H表示已获得的SAR图像的高度，W表示已获得的SAR图像的宽度，(i,j)表示图像中像素的位置。
步骤2)获取滤波后的SAR图像im1和im2的初始差异图D1：
采用对数比算法，计算滤波后的SAR图像im1和im2的初始差异图D1，计算公式为：
Figure BDA0001680843930000061
步骤3)对D1进行显著性检测，并对检测结果进行二值化：
利用Context-aware显著性检测方法对D1进行显著性检测，得到D1的显著图Ds，并对Ds进行二值化，得到二值化显著图Ds'，计算公式为：
Figure BDA0001680843930000062
其中，p(x,y)表示显著图Ds所在位置为(x,y)的像素的灰度值，τ表示通过大津算法计算获取的阈值，1表示显著性像素，0表示非显著性像素。
步骤4)提取D1中的显著性的部分：
利用二值化显著图Ds'，对初始差异图D1中的显著性部分进行提取，得到显著性差异图D2：
D2＝DotM(Ds'，D1)
其中，DotM(Ds'，D1)表示Ds'和D1同一位置像素的灰度值相乘。
步骤5)对显著性差异图D2中的像素进行预分类：
步骤5a)以显著性差异图D2中的像素xi为中心，将D2划分成大小为m×m的邻域块
Figure BDA0001680843930000071
m的取值为正整数，本发明实施例中m设置为3，可以有效抑制噪声并保持图像边界信息；
步骤5b)采用模糊C均值聚类算法，以
Figure BDA0001680843930000072
中所有像素的灰度值为聚类特征，对D2中的像素进行聚类，得到n类像素，n为大于等于3的整数，为了保证样本可靠性，本发明实施例中n设置为5，则得到5类像素，将这五类根据聚类中心模值的大小按降序排列得到c1,c2,...,c5；
步骤5c)将c1中的每个像素标记为正样本，得到正样本集cP，同时将c5中的每个像素标记为负样本，得到负样本集cP，将c2,c3和c4中的像素标记为不确定样本得到不确定样本集cU。
步骤5d)将cP和cN合并为候选训练样本集。
步骤6)对候选训练样本集进行均衡化：
步骤6a)假设正样本集cP中样本个数为nP，负样本集cN中样本个数为nN，且nP＜nN，复制比例为N：
Figure BDA0001680843930000073
其中，[·]表示取整函数；
步骤6b)将cP中的样本复制N份，组成集合cP'，对cP'和cN中样本进行合并，并从合并结果中随机选取30％的样本作为训练样本。
步骤7)用PCA滤波器提取样本特征：
步骤7a)对im1进行逐像素有重叠划分，得到由大小为s×s的多个图像块
Figure BDA0001680843930000074
组成的集合I1，同时对im2进行逐像素有重叠划分，得到大小为s×s的多个图像块
Figure BDA0001680843930000075
组成的集合I2：
Figure BDA0001680843930000081
Figure BDA0001680843930000082
其中，s为大于等于1的奇数，pos表示图像块序号，pos＝1,2,...,T，T表示SAR图像im1或im2中图像块的个数，与图像中像素个数相等，T＝W·H,本实发明施例中s的取值为13；
步骤7b)将训练样本集和不确定样本集合并为样本集，并从I1中选择与样本集中样本位置xa相对应的图像块
Figure BDA0001680843930000083
同时从I2中选择与样本集中样本位置xa相对应的图像块
Figure BDA0001680843930000084
a表示样本序号，且a＝1,2,...,NE，NE为样本集中样本的总数，其中正样本个数为NT，不确定样本中样本个数为NU,则有NE＝NT+NU；
步骤7c)对
Figure BDA0001680843930000085
进行逐像素有重叠划分，得到由大小为m×m的多个邻域块Pi 1，同时对
Figure BDA0001680843930000086
进行逐像素有重叠划分，得到大小为m×m的多个邻域块Pi 2，并将邻域块Pi 1和Pi 2合并成的邻域块Pi组合到集合Ptemp中：
Figure BDA0001680843930000087
其中，m为大于等于1小于等于s的奇数，i表示邻域块序号，且i＝1,2,...,n，n表示邻域块个数，且n＝s·s·NE，本发明实施例中m的取值为3；
步骤7d)对Ptemp中的邻域块Pi进行去均值后再进行向量化，得到包括由
Figure BDA0001680843930000088
组成的向量矩阵P：
Figure BDA0001680843930000089
步骤7e)计算PPT的特征向量，并将PPT前N1个特征向量作为第一层PCA滤波器Wl 1：
Wl 1＝mat(ql(PPT))∈R2m×m l＝1,2,...,N1
其中，N1为正整数，ql(PPT)表示PPT的第l个特征向量，mat(v)表示把向量
Figure BDA0001680843930000091
映射成为一个矩阵W∈R2m×m，本实施例中N1的取值为8，表示上、下、左、右、左上、左下、右上、右下8个方向；
步骤7f)通过第一层PCA滤波器Wl 1计算样本Pi的特征信息Pi l：
Pi l＝Pi*Wl 1
其中，*表示三维卷积操作；
步骤7g)对第一层滤波器Wl 1输出的特征信息Pi l进行去均值后再向量化，得到包括由
Figure BDA0001680843930000092
组成的向量矩阵Q：
Figure BDA00016808439300000915
步骤7h)计算QQT的特征向量，并将QQT前N2个特征向量作为第二层PCA滤波器
Figure BDA0001680843930000093
Figure BDA0001680843930000094
其中，qk(QQT)表示QQT的第k个特征向量，k＝1,2,...,N2，N2为正整数，mat(v)表示把向量
Figure BDA0001680843930000095
映射成为一个矩阵W∈R2m×m，本实施例中N2的取值为8，表示上、下、左、右、左上、左下、右上、右下8个方向；
步骤7i)通过第二层PCA滤波器
Figure BDA0001680843930000096
计算特征信息Pi l的二次特征信息
Figure BDA0001680843930000097
Figure BDA0001680843930000098
步骤7j)采用赫维赛德阶跃函数对特征信息矩阵
Figure BDA0001680843930000099
进行二值化，计算公式为：
Figure BDA00016808439300000910
将得到的二值化信息矩阵
Figure BDA00016808439300000911
转换为每个位置的数值为
Figure BDA00016808439300000912
的矩阵O后，计算Pi的特征fi，并将
Figure BDA00016808439300000913
作为训练样本特征，
Figure BDA00016808439300000914
作为不确定样本特征，不确定样本特征个数为s·s·NU，其中：
Figure BDA0001680843930000101
Figure BDA0001680843930000102
其中，
Figure BDA0001680843930000103
表示对
Figure BDA0001680843930000104
的直方图统计；
步骤8)训练支持向量机并对不确定样本分类：
将训练样本特征作为支持向量机的输入，得到训练好的支持向量机，并将不确定样本特征作为训练好的支持向量机的输入，得到SAR图像的变化检测结果。
以下结合仿真实验，对本发明的技术效果作进一步详细的分析。
1、实验条件
以下仿真是在Core i5-6500CPU，主频3.2GHz，内存4GB的硬件环境和MATLAB2015b的软件环境下进行的。
2、实验内容
实验一：使用本发明与现有的利用PCANet对SAR图像进行变化检测方法对两时相Bern数据Real SAR图像进行变化检测，其结果如图2所示。
实验二：使用本发明与现有的利用PCANet对SAR图像进行变化检测方法对两时相黄河入海口数据Real SAR图像进行变化检测，其结果如图3所示。
实验三：使用本发明与现有的利用PCANet对SAR图像进行变化检测方法对两时相Ottawa数据Real SAR图像进行变化检测，其结果如图4所示。
3、实验结果和分析
参照图2，其中图2(a)是第一时刻Bern数据集SAR图像，图2(b)是第二时刻Bern数据SAR图像，图2(c)是变化检测结果参考图，图2(d)是现有技术的变化检测结果，图2(e)是本发明的变化检测结果。
参照图3，其中图3(a)是第一时刻黄河入海口数据SAR图像，图3(b)是第二时刻黄河入海口数据SAR图像，图3(c)是变化检测结果参考图，图3(d)是现有技术的变化检测结果，图3(e)是本发明的变化检测结果。
参照图4，其中图4(a)是第一时刻Ottawa数据SAR图像，图4(b)是第二时刻Ottawa数据SAR图像，图4(c)是变化检测结果参考图，图4(d)是现有技术的变化检测结果，图4(e)是本发明的变化检测结果。
为验证变化检测结果质量，本发明选取总体精度、Kappa系数和执行时间作为性能指标参数，评价本发明的检测准确性和计算效率。
该实验结果如表1和表2所示，表1给出现有技术和本发明检测准确性的比较，表2给出现有技术和本发明计算效率的比较。
表1现有技术与本发明检测精度比较
Figure BDA0001680843930000111
表2现有技术与本发明效率比较
Figure BDA0001680843930000112
由图2、图3、和图4可以看到，本发明得到的变化检测结果与参考图给出结果更加接近。由表1可以看到，本发明在检测精度上优于现有技术。这是由于在获取训练样本过程中，本发明采用以邻域块的灰度值为聚类特征，使训练样本更可靠，用一致选取法消除了样本不均衡，使提取的正负训练样本特征更加完整，利用基于块的处理方式充分考虑像素邻域信息并有效抑制了相干斑噪声，使提取的特征能够更好的反映变化样本和不变化样本的区别，因此本发明的变化检测准确度明显高于现有技术。
由表2可以看到，本发明计算效率更高。这是由于本发明从显著性区域中选取训练样本和不确定样本，有效减少了样本数量，因此本发明计算效率高于现有技术。

Claims (6)

1.一种无监督SAR图像变化检测方法，其特征在于，包括如下步骤：
(1)对两幅待检测的SAR图像进行滤波：
对拍摄于同一地点不同时刻的两幅SAR图像进行配准，并对配准后的SAR图像进行滤波，得到滤波后的SAR图像im1和im2；
(2)计算滤波后的SAR图像im1和im2的初始差异图D1；
(3)对D1进行显著性检测，并对检测结果进行二值化：
对D1进行显著性检测，得到D1的显著图Ds，并对Ds进行二值化，得到二值化显著图Ds'；
(4)获取D1的显著性差异图D2：
利用二值化显著图Ds'，提取初始差异图D1中的显著性部分，得到D1的显著性差异图D2：
D2＝DotM(Ds'，D1)
其中，DotM(Ds'，D1)表示Ds'和D1同一位置像素的灰度值相乘；
(5)对D1的显著性差异图D2中的像素进行预分类：
对显著性差异图D2中的像素进行聚类，得到正样本集cP、负样本集cN和不确定样本集cU，并将正样本集cP和负样本集cN合并为候选训练样本集；
(6)对候选训练样本集进行均衡化：
对候选训练样本集中的正样本集cP和负样本集cN进行均衡化处理，得到均衡化的训练样本集，并从其中随机选取30％的样本作为训练样本集；
(7)提取训练样本特征和不确定样本特征：
(7a)对im1进行逐像素有重叠划分，得到由大小为s×s的多个图像块
Figure FDA0002486206880000011
组成的集合I1，同时对im2进行逐像素有重叠划分，得到大小为s×s的多个图像块
Figure FDA0002486206880000012
组成的集合I2：
Figure FDA0002486206880000013
Figure FDA0002486206880000021
其中，s为大于等于1的奇数，pos表示图像块序号，pos＝1,2,...,T，T表示SAR图像im1或im2中图像块的个数；
(7b)将训练样本集和不确定样本集合并为样本集，并从I1中选择与样本集中样本位置xa相对应的图像块
Figure FDA0002486206880000022
同时从I2中选择与样本集中样本位置xa相对应的图像块
Figure FDA0002486206880000023
a表示样本序号，且a＝1,2,...,NE，NE为样本集中样本的总数；
(7c)对
Figure FDA0002486206880000024
进行逐像素有重叠划分，得到由大小为m×m的多个邻域块Pi 1，同时对
Figure FDA0002486206880000025
进行逐像素有重叠划分，得到大小为m×m的多个邻域块Pi 2，并将邻域块Pi 1和Pi 2合并成的邻域块Pi组合到集合Ptemp中：
Figure FDA0002486206880000026
其中，m为大于等于1小于等于s的奇数，i表示邻域块序号，且i＝1,2,...,n，n表示邻域块个数；
(7d)对Ptemp中的邻域块Pi进行去均值后再进行向量化，得到包括由
Figure FDA0002486206880000027
组成的向量矩阵P：
Figure FDA0002486206880000028
(7e)计算PPT的特征向量，并将PPT前N1个特征向量作为第一层PCA滤波器Wl 1：
Wl 1＝mat(ql(PPT))∈R2m×m l＝1,2,...,N1
其中，N1为正整数，ql(PPT)表示PPT的第l个特征向量，mat(v)表示把向量
Figure FDA0002486206880000029
映射成为一个矩阵W∈R2m×m；
(7f)通过第一层PCA滤波器Wl 1计算邻域块Pi的特征信息Pi l：
Pi l＝Pi*Wl 1
其中，*表示三维卷积操作；
(7g)对Wl 1输出的特征信息Pi l进行去均值后再向量化，得到包括由
Figure FDA0002486206880000031
组成的向量矩阵Q：
Figure FDA0002486206880000032
(7h)计算QQT的特征向量，并将QQT前N2个特征向量作为第二层PCA滤波器Wk 2：
Wk 2＝mat(qk(QQT))∈R2m×m
其中，qk(QQT)表示QQT的第k个特征向量，k＝1,2,...,N2，N2为正整数，mat(v)表示把向量
Figure FDA0002486206880000033
映射成为一个矩阵W∈R2m×m；
(7i)通过第二层PCA滤波器Wk 2计算特征信息Pi l的二次特征信息
Figure FDA0002486206880000034
Figure FDA0002486206880000035
(7j)采用赫维赛德阶跃函数对特征信息矩阵
Figure FDA0002486206880000036
进行二值化，并将得到的二值化信息矩阵
Figure FDA0002486206880000037
转换为每个位置的数值为
Figure FDA0002486206880000038
的矩阵O后，计算Pi的特征fi，并将
Figure FDA0002486206880000039
作为训练样本特征，
Figure FDA00024862068800000310
作为不确定样本特征，其中：
Figure FDA00024862068800000311
Figure FDA00024862068800000312
其中，
Figure FDA00024862068800000313
表示对
Figure FDA00024862068800000314
的直方图统计，NT表示训练样本集中样本的个数；
(8)获取SAR图像的变化检测结果：
将训练样本特征作为支持向量机的输入，得到训练好的支持向量机，并将不确定样本特征作为训练好的支持向量机的输入，得到SAR图像的变化检测结果图。
2.根据权利要求1所述的一种无监督SAR图像变化检测方法，其特征在于，步骤(1)中所述的对配准后的SAR图像进行滤波，采用三维块匹配滤波方法。
3.根据权利要求1所述的一种无监督SAR图像变化检测方法，其特征在于，步骤(2)中所述的计算滤波后的SAR图像im1和im2的初始差异图D1，采用对数比算法，计算公式为：
Figure FDA0002486206880000041
4.根据权利要求1所述的一种无监督SAR图像变化检测方法，其特征在于，步骤(3)中所述的二值化显著图Ds'，计算公式为：
Figure FDA0002486206880000042
其中，p(x,y)表示显著图Ds所在位置为(x,y)的像素的灰度值，Ds表示利用Context-aware显著性检测方法对D1进行显著性检测获得的显著图，τ表示通过大津算法计算获取的阈值，1表示显著性像素，0表示非显著性像素。
5.根据权利要求1所述的一种无监督SAR图像变化检测方法，其特征在于，步骤(5)中所述的对显著性差异图D2中的像素进行聚类，实现步骤为：
(5a)以显著性差异图D2中的像素xb为中心，将D2划分成大小为size×size的邻域块
Figure FDA0002486206880000043
size的取值为正整数；
(5b)采用模糊C均值聚类算法，以
Figure FDA0002486206880000044
中所有像素的灰度值为聚类特征，对D2中的像素进行聚类，得到n'类像素，n'为大于等于3的整数；
(5c)将n'类像素中聚类中心模值最大类中的每个像素标记为正样本，得到正样本集cP，同时将聚类中心模值最小类中的每个像素标记为负样本，得到负样本集cN，并将其余类中的每个像素标记为不确定样本，得到不确定样本集cU。
6.根据权利要求1所述的一种无监督SAR图像变化检测方法，其特征在于，步骤(6)中所述的对候选训练样本集中的正样本集cP和负样本集cN进行均衡化处理，采用一致选取法，实现步骤为：
(6a)假设正样本集cP中样本个数为nP，负样本集cN中样本个数为nN，且nP＜nN，复制比例为N：
Figure FDA0002486206880000051
其中，[·]表示取整函数；
(6b)将cP中的样本复制N份，组成集合cP'，对cP'和cN中样本进行合并，并从合并结果中随机选取30％的样本作为训练样本。
CN201810549675.XA 2018-05-31 2018-05-31 一种无监督sar图像变化检测方法 Active CN108765465B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810549675.XA CN108765465B (zh) 2018-05-31 2018-05-31 一种无监督sar图像变化检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810549675.XA CN108765465B (zh) 2018-05-31 2018-05-31 一种无监督sar图像变化检测方法

Publications (2)

Publication Number Publication Date
CN108765465A CN108765465A (zh) 2018-11-06
CN108765465B true CN108765465B (zh) 2020-07-10

Family

ID=64001245

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810549675.XA Active CN108765465B (zh) 2018-05-31 2018-05-31 一种无监督sar图像变化检测方法

Country Status (1)

Country Link
CN (1) CN108765465B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109598291B (zh) * 2018-11-23 2021-07-23 安徽大学 一种基于pso的rgbd图的协同显著目标检测方法
CN109871875B (zh) * 2019-01-21 2021-01-19 大连理工大学 一种基于深度学习的建筑物变化检测方法
CN109934281B (zh) * 2019-03-08 2021-01-26 电子科技大学 一种二分类网络的非监督训练方法
CN109961028A (zh) * 2019-03-15 2019-07-02 西安电子科技大学 基于三维块匹配和全连接条件随机场的sar检测方法
CN110176027B (zh) * 2019-05-27 2023-03-14 腾讯科技（深圳）有限公司 视频目标跟踪方法、装置、设备及存储介质
CN110781922A (zh) * 2019-09-27 2020-02-11 北京淇瑀信息科技有限公司 用于机器学习模型的样本数据生成方法、装置及电子设备
CN111080678B (zh) * 2019-12-31 2022-02-01 重庆大学 一种基于深度学习的多时相sar图像变化检测方法
CN111275680B (zh) * 2020-01-18 2023-05-26 中国海洋大学 基于Gabor卷积网络的SAR图像变化检测方法
CN112288744B (zh) * 2020-08-24 2023-04-07 西安电子科技大学 基于整型推理量化cnn的sar图像变化检测方法
CN113033510B (zh) * 2021-05-21 2021-10-15 浙江大华技术股份有限公司 图像变化检测模型的训练和检测方法、设备及存储介质
CN113569950B (zh) * 2021-07-28 2024-05-28 大唐环境产业集团股份有限公司 电站设备故障监测模型生成方法、系统及装置
CN116206215B (zh) * 2023-03-17 2023-09-29 银河航天(北京)网络技术有限公司 一种森林土地状态的监测方法、装置及存储介质
CN116990298B (zh) * 2023-09-28 2023-12-08 南通中奥车用新材料有限公司 一种用于人造革生产设备的成品质量评估系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103456018A (zh) * 2013-09-08 2013-12-18 西安电子科技大学 基于融合和pca核模糊聚类的遥感图像变化检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7088863B2 (en) * 2001-10-31 2006-08-08 Infowrap Systems Ltd Method for illumination independent change detection in a pair of registered gray images
US20120328161A1 (en) * 2011-06-22 2012-12-27 Palenychka Roman Method and multi-scale attention system for spatiotemporal change determination and object detection

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103456018A (zh) * 2013-09-08 2013-12-18 西安电子科技大学 基于融合和pca核模糊聚类的遥感图像变化检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《Automatic Change Detection in Synthetic Aperture Radar Images Based on》;Gao et al;《IEEE Geoscience and Remote Sensing Letters 》;20161012;第13卷(第12期);全文 *
《基于小波融合和PCA-核模糊聚类的遥感图像变化检测》;慕彩红等;《电子学报》;20151008;第43卷(第7期);全文 *

Also Published As

Publication number Publication date
CN108765465A (zh) 2018-11-06

Similar Documents

Publication Publication Date Title
CN108765465B (zh) 一种无监督sar图像变化检测方法
CN107833220B (zh) 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法
Zhang et al. Global and local saliency analysis for the extraction of residential areas in high-spatial-resolution remote sensing image
JP5315411B2 (ja) 有糸分裂像検出装置および計数システム、および有糸分裂像を検出して計数する方法
CN109154978A (zh) 用于检测植物疾病的系统和方法
CN110309781B (zh) 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法
Asokan et al. Machine learning based image processing techniques for satellite image analysis-a survey
KR20180065889A (ko) 타겟의 검측 방법 및 장치
CN107808138B (zh) 一种基于FasterR-CNN的通信信号识别方法
CN109978848B (zh) 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法
CN110135438B (zh) 一种基于梯度幅值预运算的改进surf算法
Xiao et al. Defocus blur detection based on multiscale SVD fusion in gradient domain
CN109858438B (zh) 一种基于模型拟合的车道线检测方法
WO2021057395A1 (zh) 一种鞋跟型号识别方法、装置及存储介质
CN105374047B (zh) 基于改进的双边滤波与聚类的sar图像变化检测方法
CN114170418B (zh) 一种以图搜图的汽车线束连接器多特征融合图像检索方法
Thajeel et al. A Novel Approach for Detection of Copy Move Forgery using Completed Robust Local Binary Pattern.
CN107742113A (zh) 一种基于目标数量后验的sar图像集群目标检测方法
CN116664565A (zh) 一种光伏太阳能电池片的隐裂检测方法及系统
CN113962900A (zh) 复杂背景下红外弱小目标检测方法、装置、设备及介质
CN110910497B (zh) 实现增强现实地图的方法和系统
CN112329677A (zh) 基于特征融合的遥感图像河道目标检测方法和装置
Günen et al. A novel edge detection approach based on backtracking search optimization algorithm (BSA) clustering
Zhang et al. Region-of-interest extraction based on spectrum saliency analysis and coherence-enhancing diffusion model in remote sensing images
CN112435226B (zh) 一种细粒度图像拼接区域检测方法

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