CN110119782A - 基于fpga的sar图像变化检测方法 - Google Patents
基于fpga的sar图像变化检测方法 Download PDFInfo
- Publication number
- CN110119782A CN110119782A CN201910398419.XA CN201910398419A CN110119782A CN 110119782 A CN110119782 A CN 110119782A CN 201910398419 A CN201910398419 A CN 201910398419A CN 110119782 A CN110119782 A CN 110119782A
- Authority
- CN
- China
- Prior art keywords
- disparity map
- image
- wavelet
- fpga
- value
- 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 32
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 42
- 230000004927 fusion Effects 0.000 claims abstract description 33
- 230000009466 transformation Effects 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 10
- 230000015556 catabolic process Effects 0.000 claims description 2
- 230000001427 coherent effect Effects 0.000 claims description 2
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006424 Flood reaction Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000006317 isomerization reaction Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009394 selective breeding Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06F18/232—Non-hierarchical techniques
-
- 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 using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于FPGA的SAR图像变化检测方法，主要解决现有技术易受噪声影响和检测速度慢的问题。其实现步骤为：1)读入两幅不同时期的SAR图像；2)对两幅SAR图像进行并行的Lee滤波；3)根据滤波后图像生成两种不同特性的差异图，即直接差异图和对数比值差异图；4)采用并行小波变换将差异图变换到频域，并在频域内进行融合和并行小波逆变换得到融合差异图；5)采用并行K‑means方法对融合差异图进行二聚类，得到变化检测结果。本发明采用FPGA并行加速和差异图融合的方法，具有检测速度快和抗噪性能好的优点，可用于复杂环境下快速准确的SAR图像变化检测。
Description
技术领域
本发明属于遥感图像处理领域，更进一步涉及一种SAR图像并行的变化检测方法，可用于复杂场景下的快速遥感图像变化检测。
背景技术
遥感是一种能够远距离感受地物反射、辐射或散射的电磁波信息，并对所得到的信息进行分析和处理的科学技术。遥感图像变化检测是研究同一地区不同时期的遥感图像并分析得到地物变化信息的过程。目前，遥感图像的变化检测技术迅速发展，成为了遥感应用研究的重要组成部分和研究热点。遥感图像变化检测技术已经广泛地应用于各个领域，如自然灾害分析、森林和植被变化分析、土地覆盖和土地利用的变化监测、城镇发展动态监测、军事目标的侦察和摧毁效果的评估、和地形测绘等一系列领域。
变化检测是可以看作对遥感图像的二分类，即分为变化类和未变化类。现阶段变化检测的方法主要分为两种：监督类变化检测方法和非监督变化检测方法。监督类变化检测方法是指在变化检测时需要样本标签信息，即样本为变化类还是未变化类，从而根据标签训练分类器，把遥感图像分为变化和未变化类，常用的方法有神经网络、支撑向量机、决策树等；非监督变化检测方法是指在变化检测时不需要知道样本的标签信息，而是直接对图像的变化信息进行分析，常用的方法有聚类方法、阈值分割方法等。
传统的非监督变化检测方法，主要分为三个步骤：SAR图像预处理、差异图生成、差异图的分析。现阶段，大多数算法主要应用阈值分割、聚类和深度学习的方法。如LilleStrand提出了一种直接差值构造差异图并人工选择阈值进行差异图分析的变化检测方法。该方法由于人工地选择阈值对差异图进行分析，造成检测结果误差较大。2012年Gong等人提出一种增大模糊因子尺寸的FLICM聚类方法对差异图进行分析，从而提高了隶属度计算的准确性和减小噪声造成的影响，但是传统的聚类方法存在循环迭代耗时过长的问题。Amin等人提出了使用深度学习和超像素分割的变化检测方法，该方法以卷积神经网络对差异图的像素进行分类，从而得到变化检测结果，而由于受到数据集大小的限制，深度学习的方法存在网络拟合数据分布不理想和存储计算资源消耗极大的问题。
发明内容
本发明的目的是针对现有方法的上述问题，提出一种基于FPGA的SAR图像变化检测方法，以缩短算法消耗时间，提高变化检测精度，实现快速精确的SAR图像变化检测。
本发明的目的可以通过以下技术方案来实现：
(1)读入两幅已经完成配准的不同时期的待变化检测的SAR图像X1和X2，并将其存储于FPGA的全局内存中；
(2)对待变化检测的两幅SAR图像X1和X2进行基于开放计算语言OpenCL的FPGA并行Lee滤波；
(3)根据滤波后的图像生成两种不同特性的差异图，即能够保证变化信息幅值的直接差异图D1和能够抑制SAR图像相干噪声的对数比值差异图D2；
(4)在基于OpenCL的FPGA中，对两种不同特性的差异图依次进行离散小波变换、小波系数融合和离散小波逆变换，得到兼顾上述两种特性的融合差异图D；
(5)在基于OpenCL的FPGA中，用聚类的方法对融合差异图D进行聚类，得到变化检测结果。
本发明与现有的技术相比具有以下优点：
1.本发明对输入的两时相SAR图像进行并行Lee滤波、并行的差异图融合和差异图并行聚类，从而加快了算法速度，提升了执行效率，实现了快速的SAR图像变化检测。
2.本发明采用融合的方法，将保持变化信息的直接差异图和抑制噪声的对数比值差异图变换到频域，并融合生成的差异图，能够在保持SAR图像变化信息的同时，对SAR的乘性噪声进行抑制，从而提高了变化检测精度。
附图说明
图1为本发明的实现流程示意图。
图2为仿真使用的渥太华数据集示意图。
图3为仿真使用的黄河入海口数据集示意图。
具体实施方式
为使得本发明的目的、技术方案和优点更加的清楚明白，下面结合附图和具体实施例对本发明进行详细说明。
本发明是一种基于FPGA的快速的SAR图像变化检测方法，其硬件平台为基于开放计算语言OpenCL的FPGA平台。该开放计算语言OpenCL是一种常用的面向异构硬件系统的并行编程框架。
参照图1，本发明基于FPGA的SAR图像变化检测方法的实现步骤如下：
步骤1，输入图像。
获取两幅任意大小的已配准好的同一地区不同时期的SAR图像X1和X2输入，将其输入到主机中，并将其存储于FPGA的全局内存中，以便FPGA的各工作项访问数据。
步骤2，对输入图像进行并行Lee滤波。
由于FPGA的各工作项可以独立并行地运行，故将FPGA的各工作项与不同位置的窗口一一对应，从而同时进行所有窗口的并行Lee滤波，即在FPGA中对输入图像依次进行如下步骤：
(2a)选定滤波窗口大小，本实例采用7×7像素的滤波窗口；
(2b)将FPGA的各工作项与滤波窗口一一对应；
(2c)FPGA的各工作项通过下式进行滤波：
其中，是滤波后像素值，是待滤波图像的窗口内像素均值，y是待滤波图像的窗口中心像素值，b是权重系数，Cn和Cy分别是噪声n和图像y的标准差系数； 和σn分别是噪声的均值和标准差；σy和分别是待滤波图像窗口内的标准差和均值。
步骤3，生成两种不同特性的差异图。
本步骤是在FPGA中根据滤波后图像构造两种不同特性的差异图，其具体实现如下：
(3a)通过下式生成能够保持变化信息的直接差异图D1：
其中，是第一张SAR图像的第i像素点的值，为第二张SAR图像的第i像素点的值，为直接差异图中第i像素点的值，i是从1到m×n的取值，m和n分别为图像的高和宽；
(3b)通过下式生成能够抑制噪声的对数比值差异图D2：
其中，是第一张SAR图像的第i像素点的值，为第二张SAR图像的第i像素点的值，为对数比值差异图中第i像素点的值，i是从1到m×n的取值，m和n分别为图像的高和宽。
步骤4，对两种差异图进行并行小波融合。
对两种差异图进行并行小波融合是在FPGA中对两种不同特性的差异图依次进行并行的离散小波分解、小波系数融合和离散小波逆变换，其实现步骤如下：
(4a)选定小波基函数；
常见的小波函数有Haar小波、dbN小波和Mexican小波等,本实施例采用Haar小波；
(4b)对差异图进行并行的离散小波变换：
对差异图进行并行的离散小波变换可以分别得到差异图低频信息和差异图在水平方向、竖直方向和对角方向上的高频信息。低频信息反映了大片平坦区域的均值等信息，高频信息反映了图像的细节信息，如噪声和边缘等。由于FPGA的各工作项可以独立并行地运行，故将FPGA的各工作项与不同位置的变换运算一一对应，从而同时进行所有位置的小波变换，实现步骤如下：
(4b1)将FPGA的工作项与不同位置的变换运算进行一一对应；
(4b2)对FPGA的各工作项根据下式进行小波变换：
其中，Ar-1(i,j)表示待变换图像或上一层低频小波系数；Ar(i,j)表示图像分解后的低频小波系数；Dr H(i,j)、Dr V(i,j)和Dr D(i,j)分别是分解后的图像在水平方向、垂直方向以及对角线方向上的高频小波系数；h为小波函数的低通滤波器，g为小波函数的高通滤波器，r表示第r层小波变换；(i,j)表示上述差异图的像素点的位置，i取值为从1到m/2，j取值为从1到n/2，m和n分别为图像的高和宽；p表示垂直方向滤波器参数位置，取值为从1到滤波器长度L，q表示水平方向滤波器参数位置，取值为从1到滤波器长度L。
(4c)对两种差异图的小波系数进行融合：
为了尽量保留反应连续区域的低频信息和抑制包含噪声的高频信息，本发明采用均值融合的方法对低频信息分量进行融合，采用极小值融合方法对高频信息进行融合，实现步骤如下：
(4c1)将FPGA的工作项与不同位置的融合运算进行一一对应；
(4c2)对FPGA的各工作项通过下式进行低频的均值融合：
其中，直接差异图和对数比值差异图的低频信息融合后的小波系数，和分别是直接差异图和对数比值差异图的低频信息。d表示直接差异图，r表示对数比值差异图，LL表示两次低通小波函数卷积产生的低频信息，(i,j)表示上述差异图的像素点的位置，i取值为从1到m/2，j取值为从1到n/2，m和n分别为图像的高和宽。
(4c3)对FPGA的各工作项进行高频的极小值融合：
(4c3a)计算直接差异图的局部能量函数和对数比值差异图的局部能量函数
其中，是直接差异图的中心像素邻域内第k个像素点的高频小波系数，是直接差异图的中心像素邻域内第k个像素点的高频小波系数，Ni,j表示中心像素点(i,j)某一邻域窗口，ε可以是LH,HL,HH不同方向的高频信息，其中LH表示差异图在垂直方向的高频信息，HL表示差异图水平方向的高频小波系数，而HH表示差异图在对角线上的高频信息；
(4c3b)比较两种局部能量值，输出融合小波系数值：
若则融合小波系数取值
若则融合小波系数取值
(4c4)以所有(i,j)位置得到的融合小波系数组成融合图像的小波系数；
(4d)对融合小波系数进行并行的离散小波逆变换：
离散小波逆变换是将融合的小波系数转化为融合差异图，实现步骤如下：
(4d1)将FPGA的工作项与不同位置的变换运算进行一一对应；
(4d2)对FPGA的各工作项根据下式进行小波逆变换：
其中，Ar-1(i,j)表示逆变换得到图像或上一层低频小波系数；Ar(i-p/2,j-q/2)表示下一层的低频小波系数；Dr H(i-p/2，j-q/2)、Dr V(i-p/2，j-q/2)和Dr D(i-p/2,j-q/2)分别是逆变换前的图像在水平方向、垂直方向以及对角线方向上的高频小波系数；h为小波函数的低通滤波器，g为小波函数的高通滤波器，r表示第r层小波变换；(i,j)表示上述差异图的像素点的位置，i取值为从1到m，j取值为从1到n，m和n分别为图像的高和宽；p表示垂直方向滤波器参数位置，取值为从1到滤波器长度L，q表示水平方向滤波器参数位置，取值为从1到滤波器长度L。
步骤5，对融合差异图进行并行聚类。
对融合差异图进行并行K-means聚类是在FPGA中对融合差异图依次进行如下步骤：
(5a)随机初始化两个聚类中心；
(5b)对像素点进行归类：即先将FPGA的工作项与各个像素点的欧氏距离计算进行一一对应；再对FPGA的各工作项根据各个像素点的欧氏距离进行标号；
(5c)根据聚类簇内的像素均值更新聚类中心：
(5c1)在FPGA中选取K＝100个工作项，并按顺序将所有像素点分为K份，每份中包含N个像素点，其中，N＝(m×n)/K，m是图像的高度，n为图像的宽度；
(5c2)用选取的K个工作项，按照类别标号分别对每份像素中N个像素求均值MEAN1i和MEAN2i，其中，MEAN1i表示第i份像素中包含的第1类的像素的均值，MEAN2i表示第i份像素中包含的第2类的像素的均值，i的取值为从1到K；
(5c3)根据聚类数目，在FPGA中再次选取C＝2个工作项；
(5c4)用选取的C个工作项对(5c2)得到K个均值MEAN1i和MEAN2i，再次求均值MEAN1和MEAN2，其中，MEAN1是图像中第1类所有像素点的均值，MEAN2是图像中第2类所有像素点的均值；
(5c5)将两个聚类中心更新为像素均值MEAN1和MEAN2；
(5d)重复上述步骤(5b)-(5c)，直到满足两次迭代中聚类中心的差值小于设定阈值ξ＝0.00001，则停止聚类，并将聚类标签转为二值图，作为变化检测结果传回主机端保存。
本发明的效果可通过以下仿真进一步说明：
1.仿真条件：
在Intel(R)Core(TM)i5-3470M CPU 3.2GHz Windows 10系统下，和OpenCL14.0，DE5-net Stratix V 5SGXEA7N2F45C2N运行平台上进行。
2.评价指标使用准确率PCC和Kappa系数，其中：
式中，TP表示正确地检测为变化类的像素个数，FP表示错误地将未变化类像素检测为变化类的像素点个数，TN表示正确地检测为未变化类的像素点个数，FN表示错误地将变化类像素点检测为未变化类的像素点个数；pr(e)＝[(TP+FP)×(TP+FN)+(FN+TN)+(FP+TN)]/N2，N表示像素总数。
3.仿真数据：
以渥太华数据集和黄河入海口数据集作为仿真数据。
渥太华数据集如图2所示，图像尺寸均为350×290，灰度级为256，其中图2(a)、图2(b)分别为1997年5月和1997年8月渥太华地区发生水灾前后的SAR图像；图2(c)为变化信息参考图，其中白色部分为发生变化部分，黑色部分为非发生变化部分。
黄河入海口数据集如图3所示，图像尺寸均为4096×4096，灰度级为256，其中图3(a)、图3(b)分别为2008年6月和2009年6月中国东营市黄河入海口地区的SAR图像；图3(c)为变化信息参考图，其中白色部分为发生变化部分，黑色部分为非发生变化部分。
4.仿真实验内容
实验1：用本发明对图2所示的渥太华数据集和图3所示的黄河入海口数据集进行SAR图像变化检测实验，并观察其评价指标，其评价指标如表1所示。
表1本发明在不同数据集上的变化检测结果
由表1可见，本发明仿真得到准确率和Kappa值较高，表明本发明能取得良好的SAR图像变化检测结果。
实验2：用本发明方法和现有基于CPU的方法在如图3所示的黄河入海口数据集上进行SAR图像变化检测实验，并对比其各部分消耗时间，其消耗时间数据如表2所示。
表2本发明与现有的基于CPU方法的各部分用时比较(秒)
由上表2可以看出，相比于现有的基于CPU的方法，本发明可以实现在复杂环境下对SAR图像的快速准确的变化检测。
Claims (9)
1.一种基于FPGA的SAR图像变化检测方法，其特征在于，包含以下步骤：
(1)读入两幅已经完成配准的不同时期的待变化检测的SAR图像X1和X2，并将其存储于FPGA的全局内存中；
(2)对待变化检测的两幅SAR图像X1和X2进行基于开放计算语言OpenCL的FPGA并行Lee滤波；
(3)根据滤波后的图像生成两种不同特性的差异图，即能够保证变化信息幅值的直接差异图D1和能够抑制SAR图像相干噪声的对数比值差异图D2；
(4)在基于OpenCL的FPGA中，对两种不同特性的差异图依次进行离散小波变换、小波系数融合和离散小波逆变换，得到兼顾上述两种特性的融合差异图D；
(5)在基于OpenCL的FPGA中，用聚类的方法对融合差异图D进行聚类，得到变化检测结果。
2.根据权利要求1所述的方法，其特征在于，(2)中对待变化检测的两幅SAR图像X1和X2进行基于开放计算语言OpenCL的FPGA并行Lee滤波，是在FPGA的不同索引的工作项分别进行不同位置的图像滤波，Lee滤波公式如下：
其中，是滤波后像素值，是待滤波图像的窗口内像素均值，y是待滤波图像的窗口中心像素值，b是权重系数，Cn和Cy分别是噪声n和图像y的标准差系数； 和σn分别是噪声的均值和标准差；σy和分别是待滤波图像窗口内的标准差和均值。
3.根据权利要求1所述的方法，其特征在于，所述(3)生成的直接差异图D1，公式表示如下：
其中，是第一张SAR图像的第i像素点的像素值，为第二张SAR图像的第i像素点的像素值，为直接差异图中第i像素点的像素值，i是从1到m×n的取值，m和n分别为图像的高和宽。
4.根据权利要求1所述的方法，其特征在于，(3)中生成的对数比值差异图D2，公式表示如下：
其中，是第一张SAR图像的第i像素点的像素值，为第二张SAR图像的第i像素点的像素值，为对数比值差异图中第i像素点的像素值，i是从1到m×n的取值，m和n分别为图像的高和宽。
5.根据权利要求1所述的方法，其特征在于，(4)中对两种不同特性的差异图进行离散小波变换，是在FPGA的不同索引的工作项分别进行不同位置的小波变换，小波变换公式表示如下：
其中，Ar-1(i,j)表示待变换图像或上一层低频小波系数；Ar(i,j)表示图像分解后的低频小波系数；Dr H(i,j)、Dr V(i,j)和Dr D(i,j)分别是分解后的图像在水平方向、垂直方向以及对角线方向上的高频小波系数；h为小波函数的低通滤波器，g为小波函数的高通滤波器，r表示第r层小波变换；(i,j)表示上述差异图的像素点的位置，i取值为从1到m/2，j取值为从1到n/2，m和n分别为图像的高和宽；p和q表示滤波器参数位置，取值均为从1到滤波器长度L。
6.根据权利要求1所述的方法，其特征在于，(4)中对低频小波系数进行均值融合，是在FPGA的不同索引的工作项分别进行不同位置的低频系数均值融合，均值融合公式如下：
其中，是直接差异图和对数比值差异图的低频信息融合后的小波系数，和分别是直接差异图和对数比值差异图的低频信息；d表示直接差异图，r表示对数比值差异图，LL表示小波变换后产生的低频信息；(i,j)表示上述差异图的像素点的位置，i取值为从1到m，j取值为从1到n，m和n分别为图像的高和宽。
7.根据权利要求1所述的方法，其特征在于，(4)中对高频小波系数进行极小值融合，是在FPGA的不同索引的工作项分别进行不同位置的高频小波系数极小值融合，极小值融合公式如下：
其中，和分别表示融合后图像、直接差异图和比值差异图在(i,j)位置的高频小波系数，(i,j)表示图像块中心像素点的位置为第i行，第j列；ε表示LH,HL,HH不同方向，其中LH表示在垂直方向的高频信息，HL表示水平方向的高频系数，HH表示在对角线方向上的高频信息；和分别是直接差异图和对数比值差异图相应位置的局部能量，通过如下公式计算
其中，表示直接差异图的局部能量函数，表示比值差异图的局部能量函数；Ni,j表示中心像素点(i,j)某一邻域窗口，是直接差异图的中心像素邻域内第k个像素点的高频小波系数，是直接差异图的中心像素邻域内第k个像素点的高频小波系数。
8.根据权利要求1所述的方法，其特征在于，(4)对两种不同特性的差异图依次进行离散小波逆变换，是在FPGA的不同索引的工作项分别进行不同位置的小波逆变换，小波逆变换的公式如下：
其中，Ar-1(i,j)表示逆变换得到图像或上一层低频小波系数；Ar(i-p/2,j-q/2)表示下一层的低频小波系数；Dr H(i-p/2,j-q/2)、Dr V(i-p/2,j-q/2)和Dr D(i-p/2,j-q/2)分别是逆变换前的图像在水平方向、垂直方向以及对角线方向上的高频小波系数；h为小波函数的低通滤波器，g为小波函数的高通滤波器，r表示第r层小波变换；(i,j)表示上述差异图的像素点的位置，i取值为从1到m，j取值为从1到n，m和n分别为图像的高和宽；p和q表示滤波器参数位置，取值均为从1到滤波器长度L。
9.根据权利要求1所述的方法，其特征在于，(5)中用聚类的方法对融合差异图D进行聚类，实现步骤如下：
(5a)在FPGA的不同索引的工作项分别对融合差异图的不同像素点进行归类；
(5b)在FPGA的不同索引的工作项分别对聚类簇内N个像素点求均值；
(5c)重复上述步骤(5a)-(5b)，直到满足两次迭代中聚类中心的差值小于设定阈值ξ＝0.00001，则停止聚类，并将聚类标签转为二值图，作为变化检测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910398419.XA CN110119782A (zh) | 2019-05-14 | 2019-05-14 | 基于fpga的sar图像变化检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910398419.XA CN110119782A (zh) | 2019-05-14 | 2019-05-14 | 基于fpga的sar图像变化检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110119782A true CN110119782A (zh) | 2019-08-13 |
Family
ID=67522351
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910398419.XA Pending CN110119782A (zh) | 2019-05-14 | 2019-05-14 | 基于fpga的sar图像变化检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110119782A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116152307A (zh) * | 2023-04-04 | 2023-05-23 | 西安电子科技大学 | 一种基于fpga的sar图像配准预处理装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103824302A (zh) * | 2014-03-12 | 2014-05-28 | 西安电子科技大学 | 基于方向波域图像融合的sar图像变化检测方法 |
| CN103971364A (zh) * | 2014-04-04 | 2014-08-06 | 西南交通大学 | 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 |
| CN104200471A (zh) * | 2014-08-30 | 2014-12-10 | 西安电子科技大学 | 基于自适应权值图像融合的sar图像变化检测方法 |
| CN106296655A (zh) * | 2016-07-27 | 2017-01-04 | 西安电子科技大学 | 基于自适应权值和高频阈值的sar图像变化检测方法 |
-
2019
- 2019-05-14 CN CN201910398419.XA patent/CN110119782A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103824302A (zh) * | 2014-03-12 | 2014-05-28 | 西安电子科技大学 | 基于方向波域图像融合的sar图像变化检测方法 |
| CN103971364A (zh) * | 2014-04-04 | 2014-08-06 | 西南交通大学 | 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 |
| CN104200471A (zh) * | 2014-08-30 | 2014-12-10 | 西安电子科技大学 | 基于自适应权值图像融合的sar图像变化检测方法 |
| CN106296655A (zh) * | 2016-07-27 | 2017-01-04 | 西安电子科技大学 | 基于自适应权值和高频阈值的sar图像变化检测方法 |
Non-Patent Citations (5)
| Title |
|---|
| 张广渊 等: "《数字图像处理基础及OPENCV实现》", 31 December 2014, 北京：知识产权出版社 * |
| 杨帆 等: "《精通图像处理经典算法 MATLAB版 第2版》", 31 March 2018 * |
| 王铁军 等: "《Linux编程实战》", 31 December 2017, 西安：西安电子科技大学出版社 * |
| 邓磊 等: "《SAR图像处理方法 Contourlet域隐马尔可夫模型的应用》", 28 February 2009, 北京：测绘出版社 * |
| 邹汝平 等: "《光纤图像寻的制导系统》", 30 November 2016, 北京：国防工业出版社 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116152307A (zh) * | 2023-04-04 | 2023-05-23 | 西安电子科技大学 | 一种基于fpga的sar图像配准预处理装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110472627B (zh) | 一种端到端的sar图像识别方法、装置及存储介质 | |
| CN109902806A (zh) | 基于卷积神经网络的噪声图像目标边界框确定方法 | |
| CN107016357A (zh) | 一种基于时间域卷积神经网络的视频行人检测方法 | |
| CN106778821A (zh) | 基于slic和改进的cnn的极化sar图像分类方法 | |
| CN108764298B (zh) | 基于单分类器的电力图像环境影响识别方法 | |
| CN104182772A (zh) | 一种基于深度学习的手势识别方法 | |
| CN106650600A (zh) | 一种基于视频图像分析的森林烟火检测方法 | |
| CN110222769A (zh) | 一种基于YOLOV3-tiny的改进目标检测方法 | |
| CN114595732B (zh) | 基于深度聚类的雷达辐射源分选方法 | |
| Bao et al. | Detection of ocean internal waves based on Faster R-CNN in SAR images | |
| CN110189304A (zh) | 基于人工智能的光学遥感图像目标在线快速检测方法 | |
| CN109726649B (zh) | 遥感影像云检测方法、系统及电子设备 | |
| CN108399430B (zh) | 一种基于超像素和随机森林的sar图像舰船目标检测方法 | |
| CN113850783B (zh) | 一种海面船舶检测方法及系统 | |
| CN109446894A (zh) | 基于概率分割及高斯混合聚类的多光谱图像变化检测方法 | |
| CN110084284A (zh) | 基于区域卷积神经网络的目标检测与二级分类算法及装置 | |
| CN110706208A (zh) | 一种基于张量均方最小误差的红外弱小目标检测方法 | |
| CN115272876A (zh) | 一种基于深度学习的遥感图像船舶目标检测方法 | |
| Zhang et al. | Nearshore vessel detection based on Scene-mask R-CNN in remote sensing image | |
| CN114565824A (zh) | 基于全卷积网络的单阶段旋转舰船检测方法 | |
| CN116482618B (zh) | 基于多损失特征自校准网络的雷达有源干扰识别方法 | |
| CN109284752A (zh) | 一种车辆的快速检测方法 | |
| CN104361612B (zh) | 一种基于分水岭变换的无监督彩色图像分割方法 | |
| CN106372618A (zh) | 一种基于svm与遗传算法的道路提取方法及系统 | |
| CN110119782A (zh) | 基于fpga的sar图像变化检测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190813 |