CN109961028A - 基于三维块匹配和全连接条件随机场的sar检测方法 - Google Patents
基于三维块匹配和全连接条件随机场的sar检测方法 Download PDFInfo
- Publication number
- CN109961028A CN109961028A CN201910195566.7A CN201910195566A CN109961028A CN 109961028 A CN109961028 A CN 109961028A CN 201910195566 A CN201910195566 A CN 201910195566A CN 109961028 A CN109961028 A CN 109961028A
- Authority
- CN
- China
- Prior art keywords
- log
- init
- random field
- full condition
- disparity map
- 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 45
- 230000008859 change Effects 0.000 claims abstract description 49
- 238000012360 testing method Methods 0.000 claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 230000011218 segmentation Effects 0.000 claims abstract description 16
- 238000012937 correction Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 56
- 239000013598 vector Substances 0.000 claims description 5
- 238000005315 distribution function Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000004088 simulation Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 13
- 238000002474 experimental method Methods 0.000 description 9
- 238000007689 inspection Methods 0.000 description 7
- 235000013399 edible fruits Nutrition 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000001427 coherent effect Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 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 2
- 238000011160 research Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect 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
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于三维块匹配和全连接条件随机场的SAR图像变化检测方法,其实现步骤为:(1)输入两幅经过辐射校正与几何配准后的同一地区不同时相的SAR图像;(2)用三维块匹配去燥算法对两时相SAR图像进行去噪处理;(3)对去噪后的SAR图像用对数比值算子构造差异影像图;(4)采用最大类间方差法分析对数比差异图,得到全局最优分割阈值;(5)利用全局最优阈值对差异影像图进行二类分割,得到初始变化检测结果图;(6)利用初始变化检测结果图和对数比差异图,建立全连接条件随机场;(7)表示全连接条件随机场的能量函数和势函数;(8)求解全连接条件随机场,采用最大后验概率对全连接条件随机场进行标记,得到最终的变化检测结果。本发明具有稳定、有效和总检测错误数较低的优点。
Description
技术领域
本发明属于图像处理技术领域,涉及图像检测方法,可用于图像增强、模式识别、目标跟踪等技术领域中。
背景技术
自1978年以来,合成孔径雷达(synthetic aperture radar,SAR)已经掀起了雷达革命技术。其具有的分辨率高,全天时、全天候工作的特点,是可见光、红外传感器等无法比拟的,该技术已经被广泛应用于工农业生产、科研和军事等领域。
SAR是一种具有高距离向分辨率和高方位向分辨率的雷达成像系统。距离向指的是雷达系统的视线方向,方位向指的是雷达系统的运动方向,距离向与方位向相互正交。雷达系统利用脉冲压缩技术提高了距离向分辨率,同时采用合成孔径技术提高了方位向分辨率,所以SAR系统能够观测出地面目标物体的细微特征。但是SAR图像的这种特殊成像机制,使得基本分辨单元内的地物的随机后向散射,相位角失去了连续性,在影像上表现为颗粒状形式的强度畸变,即相干斑噪声,斑点噪声的存在使图像的信噪比下降,严重时使图像模糊,甚至图像特征消失,增大了SAR图像变化检测的难度。这样的噪声是以相乘的形式附加在原图上的,严重影响SAR影像解译的效果。特别是在SAR影像变化检测中,变化类和非变化类相关统计项很难进行准确估计,在相干斑抑制和细节保持上存在矛盾,进行精确的多时相SAR影像变化检测存在较大困难。
SAR图像变化检测是指通过对不同时期同一区域的遥感图像进行比较分析,根据图像之间的差异得到变化信息。与可见光和红外遥感相比,SAR系统具有全天时、全天候获取数据的能力,并对地物有一定穿透能力,所以SAR图像变化检测技术正广泛的应用于各个领域,例如环境监测、土地利用/覆盖、农业调查、城市变化分析、军事侦察和打击效果评估等方面。SAR变化检测的技术需求日益广泛,目前,全球环境变化加剧,城市急速发展,洪水、地震等自然灾害频频发生,这些都需要及时掌握相关动态信息,为相关决策部门提供支持,SAR图像的种种优点为快速响应提供了技术支持和应急保障。
常用的经典SAR图像变化检测方法有(1)基于简单代数运算的变化检测,经典的变化检测方法包括图像差值法、图像比值法、对数比值法;(2)基于图像变换的变化检测,经典的变化检测方法包括主成分分析、变化向量分析法、相关分析法、图像变换法;(3)基于图像分类的变化检测方法。
目前的SAR图像变化检测方法主要有两种思路:(1)分类后比较法:先对两幅配准后的图像分别进行分类,通过比较分类结果得出变化部分;(2)直接比较法:先对两幅配准图像做差异图,再对所得到的差异图进行分类比较。前一种方法很难获得不同时相图像的不变信息,且会夸大变化程度。同时,由于分类误差累积问题降低了变化检测精度。第二种方法的研究空间比较大,思路简单明确,检测精度较高,是当前比较流行的方法。但是这种方法同时也引入了一个新的问题,即差异图的构造,往往只有在得到好的差异图的基础上,检测方法才能达到良好的效果。
分类后比较法一方面工作量大、效率不高,由于受到分类误差累积效应的影响,变化检测精度难以保证。基于直接比较法的遥感图像的变化检测主要有两个核心步骤:其一是关于两时相遥感图像的差异影像图的构造;其二就是对差异图影像图的分类,包括变化类和非变化类,我们可将该问题转化为一个图像二类分割的问题。
而各种直接比较法虽然在效率和精度上较分类后比较法有所提高,但却存在着以下两个方面的关键问题:
(1)图像间的配准误差、相干斑噪声等因素带来的影响比较大,变化检测结果中杂点问题较为严重。
(2)对算术运算得到的差异图像中变化类和非变化类建模计算全局最优阈值的方法,是在假设两类符合某种分布的条件下,计算两类的概率分布,然而事实上差异影像中的两类并不是完全符合某种分布,因此这样计算得到的阈值存在较大偏差。
发明内容
本发明的目的在于:抑制SAR图像中的相干斑噪声的影响,使得生成的对数比差异图中的变化类和未变化类具有更高的对比度;同时,考虑像素点的邻域信息,利用全连接条件随机场对初始的变化检测结果进行优化,减小最大类间方差法得出的全局最优阈值对差异图中个别像素点的错误划分,进一步提高变化检测的精度。
本发明的技术方案是:首先输入两幅配准后的同一地区不同时相的SAR图像,利用三维块匹配去燥算法对其进行去燥处理,得到去噪后的两幅图像;然后对两幅去噪后的SAR图像构造对数比差异图;接着利用最大类间方差法分析对数比差异图,得到初始的变化检测二值图;最后,利用初始变化检测二值图和对数比差异图构造全连接条件随机场,求解全连接条件随机场,利用最大后验概率对全连接条件随机场进行标记,得到最终的变化检测结果。
本发明的具体实现步骤是:
(1)输入两幅经过辐射校正与几何配准后的同一地区不同时相的SAR图像
(2)对两幅SAR图像利用三维块匹配去噪算法进行去噪处理,得到去噪后的图像X1,X2;
(3)对两幅去燥后的SAR图像X1和X2构造对数比差异图Xlog;
(4)采用最大类间方差法分析对数比差异图Xlog,得到对数比差异图Xlog的最优分割阈值T;
(5)利用最优分割阈值T对对数比差异图进行二类分割,得到初始变化检测结果图CMinit;
(6)利用初始变化检测结果图CMinit和对数比差异图Xlog,建立全连接条件随机场(Xlog,CMinit);
(7)表示全连接条件随机场(Xlog,CMinit)中的能量函数和势函数;
(8)求解全连接条件随机场(Xlog,CMinit);
(8a)利用拟牛顿法L-BFGS求解全连接条件随机场(Xlog,CMinit)中二元势函数的标签相容函数μ;
(8b)利用平均场近似算法(Mean Field Approximation)求解全连接条件随机场(Xlog,CMinit)中的能量函数;
(8c)最小化能量函数E(CMinit|Xlog),采用最大后验概率对条件随机场(Xlog,CMinit)进行标记,得到最终的变化检测结果图CMfinal。
本发明与现有的技术相比具有以下优点:
1)本发明将三维块匹配去噪算法应用于SAR图像去噪,抑制了SAR图像中的相干斑噪声的影响,减少了变化检测结果中的杂点;
2)本发明使用对数比运算生成差异图,进一步抑制了SAR图像中的相干斑噪声,使得差异图中的变化类和未变化类具有更高的对比度;
3)本发明利用全连接条件随机场对初始变化检测结果进行优化,考虑了像素点的邻域信息,减少了最大类间方差法得到的全局最优阈值对对数比差异图中个别像素点的错误划分,进一步了提高变化检测的精度。
附图说明
图1是本发明的流程框图;
图2是第一组实验仿真图,图2(a)和图2(b)的拍摄时间分别为1999.04和1999.05,大小均为301×301;
图3是第二组实验仿真图,图3(a)和图3(b)的拍摄时间分别为1997.05和1997.08,大小均为290×350;
图4是第三组实验仿真图,图4(a)和图4(b)的拍摄时间分别为2008.06和2009.06,大小均为291×444;
图5是第一组实验数据的变化检测结果图;
图6是第二组实验数据的变化检测结果图;
图7是第三组实验数据的变化检测结果图;
具体实施方式
参照图1,本发明的具体实现步骤如下:
步骤1,输入两幅经过辐射校正与几何配准后的同一地区不同时相的SAR图像
步骤2,对两幅SAR图像利用三维块匹配降噪算法分别进行去噪处理,得到去噪后的图像X1,X2。
步骤3,对两幅去噪后的SAR图像构造对数比差异图:
其中,Xlog为生成的对数比差异图,Xlog(i,j),X1(i,j),X2(i,j)分别为对数比差异图Xlog,图像X1,图像X2中坐标为(i,j)的像素点的像素值。
步骤4,采用最大类间方差法分析对数比差异图Xlog,得到对数比差异图Xlog的最优分割阈值T;
步骤5,利用最优分割阈值T对对数比差异图进行二类分割,得到初始变化检测结果图CMinit:
其中,CMinit为初始变化检测结果图,CMinit(i,j),Xlog(i,j)分别为初始变化检测结果图CMinit和对数比差异图Xlog中坐标为(i,j)的像素点的像素值,T为最大类间方差法得到的对数比差异图的最优分割阈值。
步骤6,利用初始变化检测结果图CMinit和对数比差异图Xlog,建立全连接条件随机场:
设Xlog表示对数比差异图对应的观测向量,CMinit为所有观测向量对应的标号变量,标号变量CMinit的值域为L∈{0,1},由观测变量和标号变量构成的条件随机场(Xlog,CMinit)可以被符号化为一个吉布斯分布函数:
其中,g=(v,ε)表示对数比差异图Xlog构成的无向图,v表示无向图中所有节点的集合,ε表示无向图中所有节点对构成的无向边的集合。φc为无向图g中基团c的势函数,Cg为无向图中的所有基团的集合。CMinit,c表示无向图g中基团c对应的节点的标号。为归一化因子。
步骤7,表示全连接条件随机场中的能量函数和势函数:
标号变量CMinit∈LN对应的吉布斯能量为:
E(CMinit|Xlog)=∑c∈Cgφc(CMinit,c,Xlog) (4)
其中,N为对数比差异图Xlog中像素点的总个数。
在全连接条件随机场中,无向图g为无向完全图,即无向图g中边的个数为N(N-1)/2,Cg为所有单个节点和成对节点构成的团的集合,因此,公式(4)进一步表示为:
其中,整数i,j的范围为1≤i,j≤N,一元势函数为对数比差异图Xlog中像素点i被标记为变化类别的可能性。二元势函数则描述了所有节点对i和j之间的空间上下文关系,CMinit,i,CMinit,j表示初始变化检测结果图中第i和第j个像素点的标号。公式(5)中,二元势函数是针对无向图g中所有的节点对,其定义为:
其中,μ为由Potts模型定义得到的标签相容函数,用来描述两个不同类别标号同时出现的可能性,由此引入了对节点位置相近却标号不同的节点对的惩罚项,pi,pj为初始变化检测结果图中第i和第j个像素点的位置坐标。Xlog,i,Xlog,j为对数比差异图Xlog中第i和第j个像素点的像素值。w(1),w(2)为线性组合权重,w(1)=4,w(2)=1。θα,θβ决定了位置坐标和对数比值对最终变化检测结果的影响程度,θγ决定了全连接条件随机场中两个节点之间能够互相影响的最大距离,θα=θβ=30,θγ=1。
步骤8,全连接条件随机场的求解:
(8a)利用拟牛顿法L-BFGS求解二元势函数中的标签相容函数μ;
(8b)利用平均场近似算法(Mean Field Approximation)求解公式(5)中的吉布斯能量E(CMinit|Xlog);
(8c)最小化标号变量CMinit∈LN对应的吉布斯能量E(CMinit|Xlog),采用最大后验概率P(CMinit|Xlog)对条件随机场(Xlog,CMinit)进行标记,即可得到标号变量的最优取值为:
CMfinal即为经过全连接条件随机场优化后的最终变化检测结果图。
本发明的效果可通过以下仿真进一步说明:
1.仿真条件
本实例在Intel(R)Core(TM)2Duo CPU 2.33GHz Windows XP系统下,Matlab7.0运行平台上,完成本发明以及FLICM聚类、RFLICM聚类、MRFFCM聚类、KI阈值算法的变化检测仿真实验。
2、仿真参数
对于具有参考图的实验仿真图组,可进行定量的变化检测结果分析,主要评价指标有:
①漏检数:统计实验结果图中发生变化区域的像素个数,与参考图中变化区域的像素个数进行对比,把参考图中发生变化但实验结果图中检测为未变化的像素个数,称为漏检数;
②误检数:统计实验结果图中未发生变化区域的像素个数,与参考图中未发生变化区域的像素个数进行对比,把参考图中未发生变化但实验结果图中检测为变化的像素个数,称为误检数;
③总错误数:漏检数和误检数的和;
3.仿真实验内容与结果
A)用现有的FLICM、RFLICM、MRFFCM、KI阈值方法和本发明方法对如图2所示伯尔尼地区的2幅301×301的SAR图像进行变化检测仿真,实际变化参考图如图2(c)所示,仿真结果如图5所示,其中,图5(a)表示FLICM方法的仿真结果图,图5(b)表示RFLICM方法的仿真结果图,图5(c)表示MRFFCM方法的仿真结果图,图5(d)表示KI阈值方法的仿真结果图,图5(e)表示本发明方法的仿真结果图,图5(f)表示伯尔尼地区的实际变化参考图,白色区域代表变化部分,黑色区域代表不变部分。
B)用现有的FLICM、RFLICM、MRFFCM、KI阈值方法和本发明方法对如图3所示渥太华地区的2幅290×350的SAR图像进行变化检测仿真,实际变化参考图如图3(c)所示,仿真结果如图6所示,其中,图6(a)表示FLICM方法的仿真结果图,图6(b)表示RFLICM方法的仿真结果图,图6(c)表示MRFFCM方法的仿真结果图,图6(d)表示KI阈值方法的仿真结果图,图6(e)表示本发明方法的仿真结果图,图6(f)表示渥太华地区的实际变化参考图,白色区域代表变化部分,黑色区域代表不变部分。
C)用现有的FLICM、RFLICM、MRFFCM、KI阈值方法和本发明方法对如图4所示黄河入海口地区的2幅291×444的SAR图像进行变化检测仿真,实际变化参考图如图4(c)所示,仿真结果如图7所示,其中,图7(a)表示FLICM方法的仿真结果图,图7(b)表示RFLICM方法的仿真结果图,图7(c)表示MRFFCM方法的仿真结果图,图7(d)表示KI阈值方法的仿真结果图,图7(e)表示本发明方法的仿真结果图,图7(f)表示黄河入海口地区的实际变化参考图,白色区域代表变化部分,黑色区域代表不变部分。
从图5、图6、和图7可以看出,本发明得到的仿真实验结果有较好的主观视觉效果,杂点较少,边缘平滑清晰。
D)对上述变化检测仿真实验的实验数据进行分析,变化检测结果的定量评价分析表如表1所示。
表1变化检测结果的定量评价分析表
从表1可以看出,在所有三个数据集上,对比另外四个算法FLICM、RFLICM、MRFFCM、KI阈值方法,本发明算法的总错误数都是最低的。
如对于伯尔尼数据和渥太华数据,本发明的漏检个数虽然较其它四种方法的高,但误检个数却又比它们低了很多,因此总错误数最低,检测效果最好。对于黄河入海口数据,虽然FLICM算法的漏检数最低,但实际上却是以极高的误检数为代价的,因此总错误数比本发明算法高了很多。
综上所述,本发明算法较好地平衡了变化检测的误检数和漏检数,以达到最低的总错误数,应用于SAR遥感图像的变化检测中较FLICM、RFLICM、MRFFCM、KI阈值方法更为稳定和有效。
Claims (6)
1.一种基于三维块匹配和全连接条件随机场的SAR图像变化检测方法,包括如下步骤:
(1)输入两幅经过辐射校正与几何配准后的同一地区不同时相的SAR图像
(2)对两幅SAR图像利用三维块匹配去噪算法分别进行去噪处理,得到去噪后的图像X1,X2;
(3)对两幅去噪后的SAR图像X1和X2构造对数比差异图Xlog;
(4)采用最大类间方差法分析对数比差异图Xlog,得到对数比差异图Xlog的最优分割阈值T;
(5)利用最优分割阈值T对对数比差异图进行二类分割,得到初始变化检测结果图CMinit;
(6)利用初始变化检测结果图CMinit和对数比差异图Xlog建立全连接条件随机场(Xlog,CMinit);
(7)定义全连接条件随机场(Xlog,CMinit)中能量函数E(CMinit|Xlog)和势函数的表示形式;
(8)求解全连接条件随机场(Xlog,CMinit)中的能量函数E(CMinit|Xlog)和势函数
(8a)利用拟牛顿法L-BFGS求解全连接条件随机场(Xlog,CMinit)中二元势函数的标签相容函数μ;
(8b)利用平均场近似算法(Mean Field Approximation)求解全连接条件随机场(Xlog,CMinit)中的能量函数E(CMinit|Xlog);
(8c)最小化能量函数E(CMinit|Xlog),采用最大后验概率对条件随机场(Xlog,CMinit)进行标记,得到最终的变化检测结果图CMfinal。
2.根据权利要求1所述的基于三维块匹配和全连接条件随机场的SAR图像变化检测方法,其中步骤(3)中对两幅去噪后的SAR图像X1和X2构造对数比差异图Xlog包括:
式中,X1(i,j)和X2(i,j)分别为SAR图像X1,X2中坐标为(i,j)的像素点的像素值,Xlog(i,j)为对数比差异图Xlog中坐标为(i,j)的像素点的像素值。
3.根据权利要求1所述的基于三维块匹配和全连接条件随机场的SAR图像变化检测方法,其中步骤(5)利用最优分割阈值T对对数比差异图Xlog进行二类分割,得到初始变化检测结果图CMinit包括:用对数比差异图Xlog中各像素点的灰度值与最优分割阈值T相比较,若灰度值大于最优分割阈值T,则将该像素点的灰度值设为255,若灰度值小于或等于最优分割阈值T,则将该像素点的灰度值设为0,得到初始检测结果二值图像CMinit。
4.根据权利要求1所述的基于三维块匹配和全连接条件随机场的SAR图像变化检测方法,其中步骤(6)利用初始变化检测结果图CMinit和对数比差异图Xlog建立全连接条件随机场(Xlog,CMinit),具体过程包括:
以对数比差异图Xlog作为全连接条件随机场的观测向量,以初始变化检测结果图CMinit作为观测向量对应的标号变量,标号变量CMinit的值域为L∈{0,1},由观测变量和标号变量构成的条件随机场(Xlog,CMinit)可以被符号化为一个吉布斯分布函数:
其中,g=(v,ε)表示对数比差异图Xlog构成的无向图,v表示无向图中所有节点的集合,ε表示无向图中所有节点对构成的无向边的集合。φc为无向图g中基团c的势函数,Cg为无向图中的所有基团的集合。CMinit,c表示无向图g中基团c对应的节点的标号。为归一化因子。
5.根据权利要求1所述的基于三维块匹配和全连接条件随机场的SAR图像变化检测方法,其中步骤(7)中的定义全连接条件随机场中能量函数和势函数的表示形式按照如下公式进行:
标号变量CMinit∈LN对应的吉布斯能量为:
E(CMinit|Xlog)=∑c∈Cgφc(CMinit,c,Xlog)
其中,N为对数比差异图Xlog中像素点的总个数;
在全连接条件随机场中,无向图g为无向完全图,即无向图g中边的个数为N(N-1)/2,Cg为所有单个节点和成对节点构成的团的集合,吉布斯能量E(CMinit|Xlog)可以进一步表示为:
其中,整数i,j的范围为1≤i,j≤N,一元势函数为对数比差异图Xlog中像素点i被标记为变化类别的可能性。二元势函数则描述了所有节点对i和j之间的空间上下文关系,CMinit,i,CMinit,j表示初始变化检测结果图中第i和第j个像素点的标号。二元势函数是针对无向图g中所有的节点对,其定义为:
其中,μ为由Potts模型定义得到的标签相容函数,用来描述两个不同类别标号同时出现的可能性,由此引入了对节点位置相近却标号不同的节点对的惩罚项,pi,pj为初始变化检测结果图中第i和第j个像素点的位置坐标。Xlog,i,Xlog,j为对数比差异图Xlog中第i和第j个像素点的像素值。w(1),w(2)为线性组合权重,w(1)=4,w(2)=1,θα,θβ决定了位置坐标和对数比值对最终变化检测结果的影响程度,θγ决定了全连接条件随机场中两个节点之间能够互相影响的最大距离,θα=θβ=30,θγ=1。
6.根据权利要求1所述的基于三维块匹配和全连接条件随机场的SAR图像变化检测方法,其中步骤(8),求解全连接条件随机场的能量函数,采用最大后验概率对全连接条件随机场进行标记,包括:
(8a)利用拟牛顿法L-BFGS求解二元势函数中的标签相容函数μ;
(8b)利用平均场近似算法(Mean Field Approximation)求解吉布斯能量E(CMinit|Xlog);
(8c)最小化标号变量CMinit∈LN对应的吉布斯能量E(CMinit|Xlog),采用最大后验概率P(CMinit|Xlog)对条件随机场(Xlog,CMinit)进行标记,即可得到标号变量的最优取值为:
CMfinal即为经过全连接条件随机场优化后的最终变化检测结果图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910195566.7A CN109961028A (zh) | 2019-03-15 | 2019-03-15 | 基于三维块匹配和全连接条件随机场的sar检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910195566.7A CN109961028A (zh) | 2019-03-15 | 2019-03-15 | 基于三维块匹配和全连接条件随机场的sar检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109961028A true CN109961028A (zh) | 2019-07-02 |
Family
ID=67024418
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910195566.7A Pending CN109961028A (zh) | 2019-03-15 | 2019-03-15 | 基于三维块匹配和全连接条件随机场的sar检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109961028A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110853000A (zh) * | 2019-10-30 | 2020-02-28 | 北京中交国通智能交通系统技术有限公司 | 一种车辙的检测方法 |
CN111968135A (zh) * | 2020-08-15 | 2020-11-20 | 中南大学 | 一种基于全卷积网络的三维腹部ct图像多器官配准方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180059238A1 (en) * | 2016-08-23 | 2018-03-01 | Thales Holdings Uk Plc | Multilook coherent change detection |
CN108765465A (zh) * | 2018-05-31 | 2018-11-06 | 西安电子科技大学 | 一种无监督sar图像变化检测方法 |
CN108764119A (zh) * | 2018-05-24 | 2018-11-06 | 西安电子科技大学 | 基于迭代最大类间方差的sar图像变化检测方法 |
-
2019
- 2019-03-15 CN CN201910195566.7A patent/CN109961028A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180059238A1 (en) * | 2016-08-23 | 2018-03-01 | Thales Holdings Uk Plc | Multilook coherent change detection |
CN108764119A (zh) * | 2018-05-24 | 2018-11-06 | 西安电子科技大学 | 基于迭代最大类间方差的sar图像变化检测方法 |
CN108765465A (zh) * | 2018-05-31 | 2018-11-06 | 西安电子科技大学 | 一种无监督sar图像变化检测方法 |
Non-Patent Citations (2)
Title |
---|
张朋朋等: "基于三维块匹配和全连接条件随机场的SAR图像变化检测", 《第五届高分辨率对地观测学术年会论文集》 * |
王江涛, 中国科学技术大学出版社 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110853000A (zh) * | 2019-10-30 | 2020-02-28 | 北京中交国通智能交通系统技术有限公司 | 一种车辙的检测方法 |
CN110853000B (zh) * | 2019-10-30 | 2023-08-11 | 北京中交国通智能交通系统技术有限公司 | 一种车辙的检测方法 |
CN111968135A (zh) * | 2020-08-15 | 2020-11-20 | 中南大学 | 一种基于全卷积网络的三维腹部ct图像多器官配准方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Automatic pavement crack detection by multi-scale image fusion | |
CN109740588B (zh) | 基于弱监督和深度响应重分配的x光图片违禁品定位方法 | |
Huang et al. | A new building extraction postprocessing framework for high-spatial-resolution remote-sensing imagery | |
Karuppusamy | Building detection using two-layered novel convolutional neural networks | |
CN107491734B (zh) | 基于多核融合与空间Wishart LapSVM的半监督极化SAR图像分类方法 | |
CN111666856B (zh) | 基于结构特性的高分辨率单极化sar影像建筑目标检测方法 | |
Oxholm et al. | The scale of geometric texture | |
CN113111947A (zh) | 图像处理方法、装置和计算机可读存储介质 | |
Moreno et al. | Image segmentation on spherical coordinate representation of RGB colour space | |
Liu et al. | Training CNNs on speckled optical dataset for edge detection in SAR images | |
CN103065320A (zh) | 基于恒虚警阈值的sar图像变化检测方法 | |
CN109961028A (zh) | 基于三维块匹配和全连接条件随机场的sar检测方法 | |
Kirkland et al. | Imaging from temporal data via spiking convolutional neural networks | |
US20210350165A1 (en) | Methods and apparatus for generating point cloud histograms | |
Qiu et al. | The image stitching algorithm based on aggregated star groups | |
Farooq et al. | Efficient object proposals extraction for target detection in VHR remote sensing images | |
Jiang et al. | A robust end-to-end deep learning framework for detecting Martian landforms with arbitrary orientations | |
Sladojević et al. | Integer arithmetic approximation of the HoG algorithm used for pedestrian detection | |
Touati et al. | A multidimensional scaling optimization and fusion approach for the unsupervised change detection problem in remote sensing images | |
Luo et al. | Sparse learning for robust background subtraction of video sequences | |
Lan et al. | Spatial-Transformer and Cross-Scale Fusion Network (STCS-Net) for Small Object Detection in Remote Sensing Images | |
CN107146244B (zh) | 基于pbil算法的图像配准方法 | |
Wang et al. | Nonlinear circumference-based robust ellipse detection in low-SNR images | |
Ma et al. | Integration of multiresolution image segmentation and neural networks for object depth recovery | |
Zhao et al. | Anchor-free network for multi-class object detection in remote sensing 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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190702 |