CN109583487A - 一种sar图像变化检测方法及装置 - Google Patents
一种sar图像变化检测方法及装置 Download PDFInfo
- Publication number
- CN109583487A CN109583487A CN201811392967.3A CN201811392967A CN109583487A CN 109583487 A CN109583487 A CN 109583487A CN 201811392967 A CN201811392967 A CN 201811392967A CN 109583487 A CN109583487 A CN 109583487A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- denoising
- disparity map
- sensing images
- same area
- 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
- 230000008859 change Effects 0.000 title claims abstract description 49
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 72
- 238000012360 testing method Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims description 17
- 238000000513 principal component analysis Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 8
- 239000000155 melt Substances 0.000 claims 1
- 230000008569 process Effects 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 8
- 230000008901 benefit Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000002156 mixing Methods 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000004800 variational method Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G06T5/70—
-
- 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
Abstract
本发明公开了一种SAR图像变化检测方法及装置，涉及遥感数据技术领域，能够提高检测精度，更加准确的获取了遥感图像的变化信息。本发明实施例主要技术方案为：获取同一区域不同时间段的遥感图像变化信息，所述遥感图像是SAR图像；利用ROF模型半隐式去噪方法对所述同一区域不同时间段的遥感图像进行去噪处理；对去噪后的所述的遥感图像进行处理，得到所述遥感图像对应的差异图；对所述差异图聚类得到变化检测结果图。本发明主要应用于遥感图像变化检测。
Description
技术领域
本发明涉及遥感图像技术领域，尤其涉及一种SAR图像变化检测方法及装置。
背景技术
遥感图像变化检测是指利用合成孔径雷达对同一区域不同时刻的遥感图像信息进行定量分析，从而获取区域的变化信息。获取的覆盖同一地表区域的遥感图像及其它辅助数据来确定和分析地表变化，它可以辅助人们完成更新地理数据、评估灾害、预测灾害发展趋势、监测土地利用等研究工作。
目前，由于采集到的SAR图像不可避免的引入了大量的噪声。这将为后期SAR图像的变化检测带来干扰，所以为获取更为准确地变化检测结果信息，现有的应用措施是采用传统的ROF模型对SAR图像进行噪声消除处理。然而，传统的ROF模型在对SAR图像去噪过程中的显示求解具有求解结果不稳定，迭代次数长的缺陷，这将降低去噪处理效率、使得去噪结果不够有效，从而最终影响遥感图像变化检测的检测结果，降低变化信息的准确性、完整性，同时也降低遥感图像变化检测的检测效率。
发明内容
有鉴于此，本发明提供一种SAR图像变化检测方法及装置，主要目的在于优化对SAR图像的去噪处理过程，有助于提高检测精度，以最终获取更加准确、完整的SAR图像变化检测结果。
为了达到上述目的，本发明主要提供如下技术方案：
一方面，本发明提供了一种SAR图像变化检测方法，该方法包括：
获取同一区域不同时间段的遥感图像变化信息，所述遥感图像是SAR图像；
利用ROF模型半隐式去噪方法对所述同一区域不同时间段的遥感图像进行去噪处理；
对去噪后的所述进行处理，得到所述遥感图像对应的差异图；
对所述差异图聚类得到变化检测结果图。
可选的，所述对去噪后的所述同一区域不同时间段的遥感图像进行处理，得到所述遥感图像对应的差异图，包括：
利用对数比值法对去噪后的所述同一区域不同时间段的遥感图像进行处理，得到第一差异图；
利用均值比值法对去噪后的所述同一区域不同时间段的遥感图像进行处理，得到第二差异图；
利用主成分分析法对所述第一差异图和所述第二差异图执行加权融合，得到所述遥感图像对应的最终差异图。
可选的，所述利用ROF模型半隐式去噪方法对所述同一区域不同时间段的遥感图像进行去噪处理，包括：
利用ROF模型半隐式去噪方法对噪声进行处理。
可选的，所述对所述差异图聚类得到变化检测结果图，包括：
通过基于局部信息的模糊C均值聚类算法对所述最终差异图进行聚类，得到变化检测结果图。
另一方面，本发明还提供了一种SAR图像变化检测装置，包括：
获取模块，用于获取同一区域不同时间段的遥感图像变化信息，所述遥感图像是SAR图像；
去噪模块，用于利用ROF模型半隐式去噪方法对所述同一区域不同时间段的遥感图像进行去噪处理；
处理模块，用于对去噪后的所述同一区域不同时间段的遥感图像进行处理，得到所述遥感图像对应的差异图；
聚类模块，用于对所述差异图聚类得到变化检测结果图。
可选的，所述处理模块包括：
第一处理子模块，用于利用对数比值法对去噪后的所述同一区域不同时间段的遥感图像进行处理，得到第一差异图；
第二处理子模块，用于利用均值比值法对去噪后的所述同一区域不同时间段的遥感图像进行处理，得到第二差异图；
执行子模块，用于利用主成分分析法对所述第一差异图和所述第二差异图执行加权融合，得到所述遥感图像对应的最终差异图。
可选的，所述去噪模块包括：
去噪子模块，用于利用ROF模型半隐式去噪方法对噪声进行处理。
可选的，所述聚类模块还用于：
通过基于局部信息的模糊C均值聚类算法对所述最终差异图进行聚类，得到变化检测结果图。
借由上述技术方案，本发明提供的技术方案至少具有下列优点：
本发明提供的一种SAR图像变化检测方法及装置，本发明是利用ROF模型半隐式去噪方法对同一区域不同时间段的遥感图像进行去噪处理，与现有技术相比，解决了传统ROF模型对SAR图像去噪处理效率低、去噪结果不准确导致最终影响遥感图像变化检测的检测结果信息的准确、完整、检测效率的问题。本发明提供的ROF模型半隐式去噪过程中完善显示求解的求解结果不稳定、迭代次数长的缺陷，提高去噪处理效率，优化对SAR图像的去噪处理过程，可以很好保留遥感图像纹理细节，而后再对去噪后的同一区域不同时间段的遥感图像进行处理得到遥感图像对应的差异图，这有助于提高检测精度，通过对差异图聚类得到变化检测结果图，以最终获取更加准确的SAR图像变化检测结果信息。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的SAR图像变化检测方法流程图；
图2示出了本发明实施例提供的另一种SAR图像变化检测方法流程图；
图3a至图3d为采用本发明实施例提供的SAR图像变化检测方法对伯尔尼数据组SAR图像处理的实验图；
图4a至图4d为采用本发明实施例提供的SAR图像变化检测方法对海岸线数据组SAR图像处理的实验图；
图5a至图5d为采用本发明实施例提供的SAR图像变化检测方法对黄河数据组SAR图像处理的实验图；
图6示出了本发明实施例提供的一种SAR图像变化检测装置的组成框图；
图7示出了本发明实施例提供的另一种SAR图像变化检测装置的组成框图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
本发明实施例提供了一种SAR图像变化检测方法，如图1所示，该方法是利用ROF模型半隐式去噪方法对同一区域不同时间段的遥感图像进行去噪处理，提高去噪的准确率和效率，对此本发明实施例提供以下具体步骤：
101、获取同一区域不同时间段的遥感图像变化信息，遥感图像是SAR图像。
其中，同一区域不同时间段的遥感数据是根据获取遥感图像时间的不同，按时间规律形成的图像数据集，有按日、旬、月、季、年等。其中，SAR图像是合成孔径雷达(SyntheticAperture Radar，SAR)图像。
在本发明实施例中，获取同一区域不同时间段的遥感图像变化信息。
102、利用ROF模型半隐式去噪方法对同一区域不同时间段的遥感图像进行去噪处理。
ROF模型主要是基于全变分方法得到偏微分方程，ROF模型利用含噪图像的全变分比不含噪声图像的全变分大的原理，通过最小化全变分的方式达到图像去噪的目的。传统的变分方法通过引入最小二乘拟合利用现代数值代数求解线性方程，但效果并不理想。Rudin，Osher,和Fatemi提出了一种新的非线性总变差方法，即求解：
其中，图像区域为Ω，公式(1)满足的约束条件为：
∫Ωfdxdy＝∫Ωudxdy 公式(2)
其中，f表示含噪图像,u表示不含噪声的原始图像，r表示噪声,噪声r的标准方差为σ，利用变分法对泛函数求极值，为简便方程的求解可转化为求解时间t为演化参数的方程：
u(x,y,0)＝f(x,y)公式(5)
此模型即为ROF模型。其中，λ为尺度参数。传统的显示求解ROF模型具有求解结果不稳定，迭代次数长的缺陷，为完善模型求解，提出半隐式离散迭代求解方法。ROF模型写成半隐式，并用矩阵格式表示为：
其中，I为单位矩阵，tn＝nΔt,un为第n次迭代结果xi＝ih,yi＝jh,i＝0,1,...N,j＝0,1,...M,Nh＝1,Mh＝1,Hl＝[aij]为M×N矩阵。基于半隐式求解具有无条件稳定，并且不需要限制时间步长的优点，经N次迭代求解图像会自动收敛于一个稳定值，并得到去噪图像A1和B1。
103、对去噪后的同一区域不同时间段的遥感图像进行处理，得到遥感图像对应的差异图。
遥感图像变化检测的关键就在于：判断同一地域是否发生了变化，也就是确定研究区域内地物是否发生了变化，标定检测变化发生的区域，即确定在何处发生了变化，将变化像元素与未变化像元素区分开来，以找到之间的差异。在本发明实施例中，去噪相当于是对同一区域不同时间段的遥感图像进行预处理，以减少噪声干扰，在去噪之后，则利用预处理后的遥感图像生成差异图，具体的，生成差异图的方法，在本发明实施例不做限定。
104、对差异图聚类得到变化检测结果图。
在本发明实施例中，通过对差异图聚类处理得到对应的变化检测结果图，也就是遥感图像的变化检测结果信息。
本发明实施例提供的一种SAR图像变化检测方法，本发明实施例是利用ROF模型半隐式去噪方法对同一区域不同时间段的遥感图像像进行去噪处理，与现有技术相比，解决了传统ROF模型对SAR图像去噪处理效率低、去噪结果不准确导致最终影响遥感图像变化检测的检测结果信息的准确、完整、检测效率的问题。本发明实施例提供的ROF模型半隐式去噪过程中完善显示求解的求解结果不稳定、迭代次数长的缺陷，提高去噪处理效率，优化对SAR图像的去噪处理过程，可以很好保留遥感图像纹理细节，而后再对去噪后的同一区域不同时间段的遥感图像进行处理得到遥感图像对应的差异图，这有助于提高检测精度，通过对差异图聚类得到变化检测结果图，以最终获取更加准确的SAR图像变化检测结果信息。
为了对上述实施例做出更加详细的说明，本发明实施例还提供另一种SAR图像变化检测方法，如图2所示，利用对数比值法和均值比值法分别对去噪后的同一区域不同时间段的遥感图像进行处理，得到对应的两个差异图，而后通过对该两个差异图进行处理得到最终的SAR图像变化检测结果图，提高变化检测结果信息的完整性、准确性，对此本发明实施例提供以下具体步骤：
201、获取同一区域不同时间段的遥感图像变化信息，所述遥感图像是SAR图像；
在本发明实施例中，可以获取3组实验数据，如下：
比如：实验数据1，伯尔尼数据组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伯尔尼区域的两幅SAR图像，如图3a为1999年4月获取的，如图3b为1999年5月获取的，图3a和图3b的图像大小均为301×301，灰度值为256的两时相SAR图像。
比如：实验数据2，海岸线数据组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4a为2008年6月获取的，图4b为2009年6月获取的，图4a和图4b的图像大小均为175×147，灰度值为256的两时相SAR图像。
比如：实验数据3，黄河数据组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入海口区域的两幅SAR图像，图图5a为2008年6月获取的，图5b为2009年6月获取的，图5a和图5b的图像大小均为256×233，灰度值为256的两时相SAR图像。
202、利用ROF模型半隐式去噪方法对所述同一区域不同时间段的遥感图像进行去噪处理。
在本发明实施例中，对于本步骤的陈述，请参见步骤102，此处不再赘述。
203、利用对数比值法对去噪后的同一区域不同时间段的遥感图像进行处理，得到第一差异图，利用均值比值法对去噪后的同一区域不同时间段的遥感图像进行处理，得到第二差异图，利用主成分分析法对第一差异图和第二差异图执行加权融合，得到遥感图像对应的最终差异图。
其中，对数比值法构造的差异图可以利用对数尺度的非线性拉伸使得变化区域的对比度得到增强，使差异图的未变化区域比较平滑，利于后续差异图的分类。均值比值法构造的差异图，取决于图像强度的相对变化，它可以真实反映该地区的变化并保留更多细节。并且均值规则可以有效地增强变化区域的轮廓和小区域的变化，并且还可以防止变化信息的丢失。
由于单一差异图不能充分获取同一区域不同时间段的遥感图像的差异信息，为了获取更为准确地差异图，本发明实施例利用对数比值法和均值比值法的互补信息获取含有变化信息的双差异图，也就是，对于本发明实施例，对于去噪后的两时相图像，通过对数比值法和均值比值法分别获得对数比值差异图和均值比值差异图。
比如：具体的，在本发明实施例中，在利用ROF模型半隐式去噪方法对同一区域不同时间段的遥感图像进行去噪处理后，比如：分别对图像A1和图像B1，那么利用公式(9)对数比值和公式(10)均值比值运算分别对应得到对数比值差异图和均值比值差异图。
其中，μ1(i,j)和μ2(i,j)分别表示图像A1和图像B1中位于像素(i,j)处像素值领域内的均值。
进一步的，在本发明实施例中，利用主成分分析法对对数比值差异图和均值比值差异图执行加权融合，最终得到两时相遥感图像对应的更加准确、完整的差异图。
其中，主成分分析(Principal ComponentAnalysis，PCA)是在数学上又称为K-L变换，是在统计特性的基础上进行的一种多维正交线性变换。其目的是降维，降维后保存了图像的主要信息。
本发明实施例利用PCA可以保留图像中主要信息，去除图像中的冗余信息的特点，对去噪后的对数比值差异图和均值比值差异图进行主成分分析，构造差异图像的协方差矩阵，求解协方差矩阵的特征值和特征向量，由此确定差异图融合算法中的加权系数和最终融合图像。
具体步骤如下：
第一，对于N幅待融合图像，把每幅图像看做一个一维向量xk,k＝1,2,…,N。由N幅待融合图像构造数据矩阵X：
X＝(x1,x2,...,xN)T公式(11)
第二，求解X的协方差矩阵Cov，即:
其中，为X的方差；为第i个向量的平均值，即第i幅图像的平均灰度值。
第三，求解协方差矩阵Cov的全部特征值λ1，λ2，…，λN和对应的特征向量u1，u2，…，uN。
其中，λ1＞λ2，＞，…，＞λN。求出的N个新的特征向量Y＝(y1,y2,…,yN)T满足Y＝UTX。其中，U＝(u1,u2,…,uN)T，且Cy＝diag{u1,u2,…,uN}。此时y1,y2,…,yN分别为第1,2,…,n个主分量，经过变换后y1的方差最大，包含了差异图大量的主要信息。
第四，确定加权系数ωi
第五，最终融合图像F
204、通过基于局部信息的模糊C均值聚类算法对最终差异图进行聚类，得到变化检测结果图。
在本发明实施例中，是基于局部信息的模糊C均值聚类算法(FLICM)利用优化准则函数Jm，计算每个样本点对类中心的隶属度。即对传统FCM算法的目标函数进行修改，并引入了模糊因子Gki。其中，FLICM聚类算法利用优化准则函数Jm如公式(16)所示，模糊因子Gki如公式(17)所示：
其中，χi为局部窗口中心像素；χj为局部窗口中心像素i附近的邻域像素；dij是像素i和邻域像素j的空间欧氏距离；νk是第k类的聚类中心；μkj为第j个像素χj对k类的隶属度；μki为模糊隶属度矩阵。νk、μki如公式(18)、公式(19)所示：
引入了模糊因子Gki,图像细节信息和图像噪声的权衡是自动完成的。局部窗口中的邻域像素对中心像素的影响十分灵活。局部空间信息主要是通过邻域像素和中心像素之间的空间欧氏距离来体现，此性质可使模糊因子Gki更好的反映出邻域信息的阻尼程度。这种特性可以很好平衡邻域窗口中各个像素的分类倾向，增强了FLICM算法对于杂点的稳定性。
进一步的，根据本发明实施例提供的上述SAR图像变化检测方法，本发明实施例还提供了3组实验数据以对应检测结果信息，如下：
实验数据1，伯尔尼数据组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伯尔尼区域的两幅SAR图像，如图3a为1999年4月获取的，如图3b为1999年5月获取的，图3a和图3b的图像大小均为301×301，灰度值为256的两时相SAR图像。图3c为变化参考图。图3d为采用本发明的方法检测结果图。需要说明的是，变化参考图是预先得到的标准检测结果，作为验证本发明实施例的检测结果信息是否正确的参照。
实验数据2，海岸线数据组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4a为2008年6月获取的，图4b为2009年6月获取的，图4a和图4b的图像大小均为175×147，灰度值为256的两时相SAR图像。图4c为变化参考图。图4d为采用本发明的方法检测结果图。
实验数据3，黄河数据组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入海口区域的两幅SAR图像，图图5a为2008年6月获取的，图5b为2009年6月获取的，图5a和图5b的图像大小均为256×233，灰度值为256的两时相SAR图像。图5c为变化参考图。图5d为采用本发明的方法检测结果图。
进一步的，作为对上述图1、图2所示方法的实现，本发明实施例提供了一种SAR图像变化检测装置实施例。该装置实施例与前述方法实施例对应，为便于阅读，本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述，但应当明确，本实施例中的装置能够对应实现前述方法实施例中的全部内容。具体如图6所示，该装置包括：
获取模块31，用于获取同一区域不同时间段的遥感图像变化信息，所述遥感图像是SAR图像；
去噪模块32，用于利用ROF模型半隐式去噪方法对所述同一区域不同时间段的遥感图像进行去噪处理；
处理模块33，用于对去噪后的所述的遥感图像进行处理，得到所述遥感图像对应的差异图；
聚类模块34，用于对所述差异图聚类得到变化检测结果图。
进一步的，如图7所示，所述处理模块33包括：
第一处理子模块331，用于利用对数比值法对去噪后的所述同一区域不同时间段的遥感图像进行处理，得到第一差异图；
第二处理子模块332，用于利用均值比值法对去噪后的所述同一区域不同时间段的遥感图像进行处理，得到第二差异图；
执行子模块333，用于利用主成分分析法对所述第一差异图和所述第二差异图执行加权融合，得到所述两时相遥感图像对应的最终差异图。
进一步的，如图7所示，所述去噪模块32包括：
去噪子模块321，用于利用ROF模型半隐式去噪方法对噪声进行处理。
进一步的，如图7所示，所述聚类模块34还用于：
通过基于局部信息的模糊C均值聚类算法对所述最终差异图进行聚类，得到变化检测结果图。
综上所述，本发明实施例提供的一种SAR图像变化检测方法及装置，本发明是利用ROF模型半隐式去噪方法对同一区域不同时间段的遥感图像进行去噪处理，与现有技术相比，解决了传统ROF模型对SAR图像去噪处理效率低、去噪结果不准确导致最终影响遥感图像变化检测的检测结果信息的准确、完整、检测效率的问题。本发明实施例提供的ROF模型半隐式去噪过程中完善显示求解的求解结果不稳定、迭代次数长的缺陷，提高去噪处理效率，优化对SAR图像的去噪处理过程，可以很好保留遥感图像纹理细节。此外，本发明实施例还利用对数比值法和均值比值法分别对去噪后的同一区域不同时间段的遥感图像进行处理，得到对应的两个差异图，并利用PCA主成分分析可以保留图像中主要信息，去除图像中的冗余信息的特点融合获得最终更为准确的差异图，而后在对差异图聚类得到变化检测结果图，如此本发明实施例是基于ROF模型半隐式去噪和PCA融合实现SAR图像变化检测方法，本发明实施例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，更优地准确的获取了遥感图像的变化信息。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (8)
1.一种SAR图像变化检测方法，其特征在于，所述方法包括：
获取同一区域不同时间段的遥感图像变化信息，所述遥感图像是SAR图像；
利用ROF模型半隐式去噪方法对所述同一区域不同时间段的遥感图像进行去噪处理；
对去噪后的所述的遥感图像进行处理，得到所述的遥感图像对应的差异图；
对所述差异图聚类得到变化检测结果图。
2.根据权利要求1所述的方法，其特征在于，所述对去噪后的所述同一区域不同时间段的遥感图像进行处理，得到所述遥感图像对应的差异图，包括：
利用对数比值法对去噪后的所述同一区域不同时间段的遥感图像进行处理，得到第一差异图；
利用均值比值法对去噪后的所述同一区域不同时间段的遥感图像进行处理，得到第二差异图；
利用主成分分析法对所述第一差异图和所述第二差异图执行加权融合，得到所述遥感图像对应的最终差异图。
3.根据权利要求1所述的方法，其特征在于，所述利用ROF模型半隐式去噪方法对所述同一区域不同时间段的遥感图像进行去噪处理，包括：
利用ROF模型半隐式去噪方法对噪声进行处理。
4.根据权利要求1所述的方法，其特征在于，所述对所述差异图聚类得到变化检测结果图，包括：
通过基于局部信息的模糊C均值聚类算法对所述差异图进行聚类，得到变化检测结果图。
5.SAR图像变化检测装置，其特征在于，所述装置包括：
获取模块，用于获取同一区域不同时间段的遥感图像变化信息，所述遥感图像是SAR图像；
去噪模块，用于利用ROF模型半隐式去噪方法对所述同一区域不同时间段的遥感图像进行去噪处理；
处理模块，用于对去噪后的所述同一区域不同时间段的遥感图像进行处理，得到所述遥感图像对应的差异图；
聚类模块，用于对所述差异图聚类得到变化检测结果图。
6.根据权利要求5所述的装置，其特征在于，所述处理模块包括：
第一处理子模块，用于利用对数比值法对去噪后的所述同一区域不同时间段的遥感图像进行处理，得到第一差异图；
第二处理子模块，用于利用均值比值法对去噪后的所述同一区域不同时间段的遥感图像进行处理，得到第二差异图；
执行子模块，用于利用主成分分析法对所述第一差异图和所述第二差异图执行加权融合，得到所述遥感图像对应的最终差异图。
7.根据权利要求5所述的装置，其特征在于，所述去噪模块包括：
去噪子模块，用于利用ROF模型半隐式去噪方法对噪声进行处理。
8.根据权利要求5所述的装置，其特征在于，所述聚类模块还用于：
通过基于局部信息的模糊C均值聚类算法对所述最终差异图进行聚类，得到变化检测结果图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811392967.3A CN109583487A (zh) | 2018-11-21 | 2018-11-21 | 一种sar图像变化检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811392967.3A CN109583487A (zh) | 2018-11-21 | 2018-11-21 | 一种sar图像变化检测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109583487A true CN109583487A (zh) | 2019-04-05 |
Family
ID=65923576
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811392967.3A Pending CN109583487A (zh) | 2018-11-21 | 2018-11-21 | 一种sar图像变化检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109583487A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110246091A (zh) * | 2019-04-25 | 2019-09-17 | 新疆大学 | 确定sar图差异区域的方法和装置 |
| CN115471761A (zh) * | 2022-10-31 | 2022-12-13 | 宁波拾烨智能科技有限公司 | 集成多源遥感数据的海岸滩涂变化监测方法 |
Citations (8)
| 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 |
| CN107067372A (zh) * | 2016-10-14 | 2017-08-18 | 南京信息工程大学 | 一种基于四阶偏微分方程的图像去噪方法 |
| CN107301641A (zh) * | 2017-06-21 | 2017-10-27 | 新疆大学 | 一种遥感图像变化的检测方法及装置 |
| CN107316296A (zh) * | 2017-06-29 | 2017-11-03 | 新疆大学 | 一种基于对数变换的遥感图像变化检测方法及装置 |
| CN107590788A (zh) * | 2017-09-12 | 2018-01-16 | 新疆大学 | 一种遥感图像处理方法 |
| CN107992891A (zh) * | 2017-12-01 | 2018-05-04 | 西安电子科技大学 | 基于光谱矢量分析多光谱遥感图像变化检测方法 |
| CN108520515A (zh) * | 2018-04-08 | 2018-09-11 | 新疆大学 | 基于rof模型半隐式去噪的sar图像检测方法、系统及装置 |
| CN108564083A (zh) * | 2018-04-28 | 2018-09-21 | 新疆大学 | 一种遥感图像变化检测方法及装置 |
-
2018
- 2018-11-21 CN CN201811392967.3A patent/CN109583487A/zh active Pending
Patent Citations (8)
| 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 |
| CN107067372A (zh) * | 2016-10-14 | 2017-08-18 | 南京信息工程大学 | 一种基于四阶偏微分方程的图像去噪方法 |
| CN107301641A (zh) * | 2017-06-21 | 2017-10-27 | 新疆大学 | 一种遥感图像变化的检测方法及装置 |
| CN107316296A (zh) * | 2017-06-29 | 2017-11-03 | 新疆大学 | 一种基于对数变换的遥感图像变化检测方法及装置 |
| CN107590788A (zh) * | 2017-09-12 | 2018-01-16 | 新疆大学 | 一种遥感图像处理方法 |
| CN107992891A (zh) * | 2017-12-01 | 2018-05-04 | 西安电子科技大学 | 基于光谱矢量分析多光谱遥感图像变化检测方法 |
| CN108520515A (zh) * | 2018-04-08 | 2018-09-11 | 新疆大学 | 基于rof模型半隐式去噪的sar图像检测方法、系统及装置 |
| CN108564083A (zh) * | 2018-04-28 | 2018-09-21 | 新疆大学 | 一种遥感图像变化检测方法及装置 |
Non-Patent Citations (4)
| Title |
|---|
| MAOGUO GONG 等: "SAR change detection based on intensity and texture changes", 《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》 * |
| V.B. SURYA PRASATH 等: "Weighted and well-balanced anisotropic diffusion scheme for image denoising and restoration", 《NONLINEAR ANALYSIS: REAL WORLD APPLICATIONS》 * |
| 刘松: "基于改进SIFT的图像拼接及其并行化研究", 《万方数据知识服务平台》 * |
| 石玉英，刘晶晶: "一种基于矩阵格式的半隐式图像去噪算法", 《徐州工程学院学报（自然科学版）》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110246091A (zh) * | 2019-04-25 | 2019-09-17 | 新疆大学 | 确定sar图差异区域的方法和装置 |
| CN115471761A (zh) * | 2022-10-31 | 2022-12-13 | 宁波拾烨智能科技有限公司 | 集成多源遥感数据的海岸滩涂变化监测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11875500B2 (en) | Failure diagnosis method for power transformer winding based on GSMallat-NIN-CNN network | |
| Colditz et al. | Influence of image fusion approaches on classification accuracy: a case study | |
| Duijndam | Bayesian estimation in seismic inversion. part ii: Uncertainty analysis1 | |
| CN110070518B (zh) | 一种基于双路径支持下的高光谱图像超分辨率制图方法 | |
| CN106295637B (zh) | 一种基于深度学习与强化学习的车辆识别方法 | |
| Gou et al. | Remote sensing image super-resolution reconstruction based on nonlocal pairwise dictionaries and double regularization | |
| CN107491793B (zh) | 一种基于稀疏散射全卷积的极化sar图像分类方法 | |
| CN105957054A (zh) | 一种图像变化检测方法 | |
| Pelc et al. | Application of model reduced 4D-Var to a 1D ecosystem model | |
| Ma et al. | Super resolution land cover mapping of hyperspectral images using the deep image prior-based approach | |
| CN106779055B (zh) | 图像特征提取方法和装置 | |
| CN105095913A (zh) | 基于近邻正则联合稀疏表示的遥感图像分类方法及系统 | |
| CN109191418A (zh) | 一种基于收缩自编码器特征学习的遥感图像变化检测方法 | |
| CN103473755A (zh) | 基于变化检测的sar图像稀疏去噪方法 | |
| CN109212631B (zh) | 一种考虑通道相关的卫星观测资料三维变分同化方法 | |
| CN109583487A (zh) | 一种sar图像变化检测方法及装置 | |
| CN104809471A (zh) | 一种基于空间光谱信息的高光谱图像残差融合分类方法 | |
| CN103198482A (zh) | 基于差异图模糊隶属度融合的遥感图像变化检测方法 | |
| CN110706253B (zh) | 基于表观特征和深度特征的目标跟踪方法、系统、装置 | |
| CN115620146A (zh) | 一种基于Transformer的农作物叶片病害检测方法 | |
| CN113591608A (zh) | 一种基于深度学习的高分辨率遥感影像不透水面提取方法 | |
| CN108648176A (zh) | 一种基于神经网络的非线性高光谱图像异常目标检测方法 | |
| CN103903258B (zh) | 基于次序统计量谱聚类的遥感图像变化检测方法 | |
| CN114708307B (zh) | 基于相关滤波器的目标跟踪方法、系统、存储介质及设备 | |
| CN105404893B (zh) | 一种基于理想正则化组合核的高光谱图像分类方法及系统 |
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 |
Application publication date: 20190405 |
|
| RJ01 | Rejection of invention patent application after publication |