CN110136127B - 基于Wald检验的SAR影像变化检测方法 - Google Patents
基于Wald检验的SAR影像变化检测方法 Download PDFInfo
- Publication number
- CN110136127B CN110136127B CN201910416589.6A CN201910416589A CN110136127B CN 110136127 B CN110136127 B CN 110136127B CN 201910416589 A CN201910416589 A CN 201910416589A CN 110136127 B CN110136127 B CN 110136127B
- Authority
- CN
- China
- Prior art keywords
- sar image
- image
- wald
- sar
- neighborhood
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- 238000001772 Wald test Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000007476 Maximum Likelihood Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 238000012937 correction Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 2
- 229910052739 hydrogen Inorganic materials 0.000 claims 1
- 239000001257 hydrogen Substances 0.000 claims 1
- 125000004435 hydrogen atom Chemical class [H]* 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
- 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
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于Wald检验的SAR影像变化检测方法，适用于图像处理领域。其步骤为：(1)作出用于SAR影像变化检测的Wald检验零假设H0和备择假设H1；(2)计算备择假设H1约束条件下参数θ的极大似然估计值
(3)计算备择假设H1约束条件下参数θ的Fisher信息矩阵
(4)生成SAR影像I1和SAR影像I2基于Wald检验的差异影像DWald；(5)通过模糊c均值聚类得到变化检测结果图。该方法基于Wald检验理论，只需要估计备择假设H1约束条件下的参数θ，比估计零假设H0条件下的参数θ简单，计算效率高，具有完备的数学基础，提高了从两幅SAR影像中检测地表覆盖信息变化区域的精度，对SAR影像变化检测效果好。
Description
技术领域
本发明涉及一种影像变化检测方法，尤其适用于图像处理技术领域中基于Wald检验的SAR影像变化检测方法。
背景技术
变化检测属于图像处理领域，是指利用覆盖同一地理区域的多时相遥感影像提取地表覆盖的变化信息，该技术已经被广泛应用于环境监测、城市研究、森林监测、农业调查和灾害评估等领域。遥感影像变化检测过程通常可以分为图像预处理、通过比较多时相影像生成差异影像和差异影像分析3个步骤。其中，生成差异影像是进行变化检测的关键步骤。
与光学影像相比，合成孔径雷达采用侧视方式成像，覆盖面积大，具有穿透云雨雾霾，全天时、全天候获取地面信息的能力。自20世纪50年代以来，已被广泛用于地表沉降监测、地形测绘、资源勘探、环境遥感以及军事等领域。近年来随着SAR技术和图像处理技术的发展，利用SAR影像进行变化检测逐渐成为遥感影像信息提取研究的热点之一。
生成差异影像是进行变化检测的关键步骤。与差值法相比，比值法能减小校正和辐射测量误差的影响，更适合于SAR影像变化检测。考虑到SAR影像含有的噪声为乘性斑点噪声，而对数变换不仅可以把乘性噪声转换为加性噪声，而且可以压缩比值法的数据范围，对数比值法在变化检测中得到了较多的应用。为了利用邻域信息减小斑点噪声对变化检测的影响，均值比值法被提出并在SAR影像变化检测中得到了广泛的应用。然而，差值法、对数比值法和均值比值法都是以简单直接地方式定义的方法，在SAR影像变化检测中的应用缺少严密的数学理论支持，从而限制了变化检测的精度。
发明内容
本发明的目的在于针对上述已有技术的问题，提供一种数学理论严密、精度高、检测效果好的基于Wald检验的SAR影像变化检测方法。
为实现上述目的，本发明的基于Wald检验的SAR影像变化检测方法，包括如下步骤：
a获取覆盖同一地理区域经过配准和几何校正的两幅不同时相SAR影像I1和SAR影像I2；
b作出用于SAR影像变化检测的Wald检验成对存在的零假设H0和备择假设H1；
c针对SAR影像I1和SAR影像I2，设置Wald检验的邻域窗口大小N，利用公式：
计算备择假设H1约束条件下参数θ的极大似然估计值
其中
是H1约束条件下SAR影像I1窗口大小为N的邻域内像元强度均值的极大似然估计值，
是H1约束条件下SAR影像I2窗口大小为N的邻域内像元强度均值的极大似然估计值，T为矩阵转置符号，参数θ＝[u1 u2]T是SAR影像I1和SAR影像I2相同位置窗口大小为N的邻域内像元强度均值组成的列向量，u1是SAR影像I1窗口大小为N的邻域内像元强度均值，u2是SAR影像I2窗口大小为N的邻域内像元强度均值；
d计算备择假设H1约束条件下参数θ的Fisher信息矩阵
e生成SAR影像I1和SAR影像I2基于Wald检验的差异影像DWald；
f设置模糊c均值聚类类别数量为2，通过模糊c均值聚类方法把差异影像DWald分为未变化类和变化类，得到变化检测结果图，其中白色区域表示SAR影像I1和SAR影像I2之间的地表覆盖信息发生了变化，黑色的区域表示SAR影像I1和SAR影像I2之间的地表覆盖信息没有发生变化，从而直观的获取地形影像的变化信息。
所述步骤b中零假设H0为：SAR影像I1和SAR影像I2之间的地表覆盖信息发生了变化，SAR影像I1和SAR影像I2之间的有效散射截面积不同，具有未知的模式；备择假设H1为：SAR影像I1和SAR影像I2之间的地表覆盖信息没有发生变化，SAR影像I1和SAR影像I2之间的有效散射截面积相同。
所述步骤c中备择假设H1约束条件下参数θ的极大似然估计值
的元素
(i＝1,2)计算公式为：
式中：N0＝N×N为窗口大小为N的邻域内像元数量，zn,i是第i幅影像中位置为n的像元强度值。
所述步骤d中Fisher信息矩阵
是大小为2×2的矩阵，位置(p,q)处矩阵元素
的计算公式为：
式中，p＝1,2，q＝1,2，v是等效视数，N0＝N×N为窗口大小为N的邻域内像元数量，zn,p是第p幅影像中位置为n的像元强度值，zn,q是第q幅影像中位置为n的像元强度值，E表示数学期望符号。
所述步骤e中生成差异影像DWald的步骤如下：
e1)利用公式：
计算SAR影像I1和SAR影像I2在同一位置(j,k)处包含N0个像元的邻域的Wald检验统计量tWald(j,k)，式中，z是SAR影像I1和SAR影像I2同一位置包含N0个像元的邻域的观测值，t是数学中常用于表示检验统计量的符号；
e2)利用公式：DWald(j,k)＝tWald(j,k)生成差异影像DWald，式中，DWald(j,k)为差异影像DWald中位置(j,k)处的像元灰度值。
有益效果：本发明采用Wald检验理论，通过构造Wald检验统计量得到SAR影像变化检测的差异影像，只需要估计备择假设H1约束条件下参数θ的极大似然估计值
比估计零假设H0条件下的参数θ简单，计算效率高，具有完备的数学基础，提高了从两幅SAR影像中检测地表覆盖信息变化区域的精度。因此，本发明为SAR影像地表覆盖信息的变化检测提供了一种新途径。
附图说明
图1是本发明实施例的流程图；
图2是本发明基于Wald检验的SAR影像变化检测方法实施例中的SAR影像I1；
图3是本发明基于Wald检验的SAR影像变化检测方法实施例中的SAR影像I2；
图4是本发明实施例得到的变化检测结果图。
具体实施方式
以下结合附图及实施例对本发明作进一步的详细描述：
如图1所示，本发明提供一种基于Wald检验的SAR影像变化检测方法，包括如下步骤：
步骤a：如图2和图3所示，获取覆盖同一地理区域经过配准和几何校正的两幅不同时相SAR影像I1和SAR影像I2；
步骤b：作出用于SAR影像变化检测的Wald检验零假设H0：SAR影像I1和SAR影像I2之间的地表覆盖信息发生了变化，SAR影像I1和SAR影像I2之间的有效散射截面积不同，具有未知的模式；备择假设H1；SAR影像I1和SAR影像I2之间的地表覆盖信息没有发生变化，SAR影像I1和SAR影像I2之间的有效散射截面积相同；
步骤c：针对SAR影像I1和SAR影像I2，设置Wald检验的邻域窗口大小N，对SAR影像I1和SAR影像I2相同位置窗口大小为N的邻域，根据公式：
(i＝1,2)，计算备择假设H1约束条件下参数θ＝[u1 u2]T的极大似然估计值
的元素
式中：N0＝N×N为窗口大小为N的邻域内像元数量，zn,i是第i幅影像中位置为n的像元强度值，
是H1约束条件下SAR影像I1窗口大小为N的邻域内像元强度均值的极大似然估计值，
是H1约束条件下SAR影像I2窗口大小为N的邻域内像元强度均值的极大似然估计值，u1是SAR影像I1窗口大小为N的邻域内像元强度均值，u2是SAR影像I2窗口大小为N的邻域内像元强度均值，T为矩阵转置符号；
步骤d：根据公式：
计算矩阵
中位置为(p,q)的矩阵元素
式中，
是零假设H1约束条件下参数θ极大似然估计值，
是零假设H1约束条件下参数θ的Fisher信息矩阵，大小为2×2，p＝1,2，q＝1,2，v是等效视数，N0＝N×N为窗口大小为N的邻域内像元数量，zn,p是第p幅影像中位置为n的像元强度值，zn,q是第q幅影像中位置为n的像元强度值，E表示数学期望符号；
步骤e：利用如下步骤生成SAR影像I1和SAR影像I2基于Wald检验的差异影像DWald：
e1)利用公式：
计算SAR影像I1和SAR影像I2在同一位置(j,k)处包含N0个像元的邻域的Wald检验统计量tWald(j,k)，式中，z是SAR影像I1和SAR影像I2同一位置包含N0个像元的邻域的观测值，t是数学中常用于表示检验统计量的符号；
e2)利用公式：DWald(j,k)＝tWald(j,k)生成差异影像DWald，式中，DWald(j,k)为差异影像DWald中位置(j,k)处的像元灰度值；
步骤f：设置模糊c均值聚类类别数量为2，通过模糊c均值聚类方法把差异影像DWald分为未变化类和变化类，得到变化检测结果图，如图4所示，其中白色区域表示SAR影像I1和SAR影像I2之间的地表覆盖信息发生了变化，黑色的区域表示SAR影像I1和SAR影像I2之间的地表覆盖信息没有发生变化，从而直观的获取地形影像的变化信息。
Claims (4)
1.一种基于Wald检验的SAR影像变化检测方法，其特征在于步骤如下：
a获取覆盖同一地理区域经过配准和几何校正的两幅不同时相SAR影像I1和SAR影像I2；
b作出用于SAR影像变化检测的Wald检验成对存在的零假设H0和备择假设H1；
c针对SAR影像I1和SAR影像I2，设置Wald检验的邻域窗口大小N，利用公式：
计算备择假设H1约束条件下参数θ的极大似然估计值
其中
是H1约束条件下SAR影像I1窗口大小为N的邻域内像元强度均值的极大似然估计值，
是H1约束条件下SAR影像I2窗口大小为N的邻域内像元强度均值的极大似然估计值，T为矩阵转置符号，参数θ＝[u1 u2]T是SAR影像I1和SAR影像I2相同位置窗口大小为N的邻域内像元强度均值组成的列向量，u1是SAR影像I1窗口大小为N的邻域内像元强度均值，u2是SAR影像I2窗口大小为N的邻域内像元强度均值；
d计算备择假设H1约束条件下参数θ的Fisher信息矩阵
e生成SAR影像I1和SAR影像I2基于Wald检验的差异影像DWald；
f设置模糊c均值聚类类别数量为2，通过模糊c均值聚类方法把差异影像DWald分为未变化类和变化类，得到变化检测结果图，其中白色区域表示SAR影像I1和SAR影像I2之间的地表覆盖信息发生了变化，黑色的区域表示SAR影像I1和SAR影像I2之间的地表覆盖信息没有发生变化，从而直观的获取地形影像的变化信息；
生成差异影像DWald的步骤如下：
e1)利用公式：
计算SAR影像I1和SAR影像I2在同一位置(j,k)处包含N0个像元的邻域的Wald检验统计量tWald(j,k)，式中，z是SAR影像I1和SAR影像I2同一位置包含N0个像元的邻域的观测值，t是数学中常用于表示检验统计量的符号；
e2)利用公式：DWald(j,k)＝tWald(j,k)生成差异影像DWald，式中，DWald(j,k)为差异影像DWald中位置(j,k)处的像元灰度值。
2.根据权利要求1所述的基于Wald检验的SAR影像变化检测方法，其特征在于：所述步骤b中零假设H0为：SAR影像I1和SAR影像I2之间的地表覆盖信息发生了变化，SAR影像I1和SAR影像I2之间的有效散射截面积不同，具有未知的模式；备择假设H1为：SAR影像I1和SAR影像I2之间的地表覆盖信息没有发生变化，SAR影像I1和SAR影像I2之间的有效散射截面积相同。
3.根据权利要求1所述的基于Wald检验的SAR影像变化检测方法，其特征在于：所述步骤c中备择假设H1约束条件下参数θ的极大似然估计值
的元素
计算公式为：
4.根据权利要求1所述的基于Wald检验的SAR影像变化检测方法，其特征在于：所述步骤d中Fisher信息矩阵
是大小为2×2的矩阵，位置(p,q)处矩阵元素
的计算公式为：
式中，p＝1,2，q＝1,2，v是等效视数，N0＝N×N为窗口大小为N的邻域内像元数量，zn,p是第p幅影像中位置为n的像元强度值，zn,q是第q幅影像中位置为n的像元强度值，E表示数学期望符号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910416589.6A CN110136127B (zh) | 2019-05-20 | 2019-05-20 | 基于Wald检验的SAR影像变化检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910416589.6A CN110136127B (zh) | 2019-05-20 | 2019-05-20 | 基于Wald检验的SAR影像变化检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110136127A CN110136127A (zh) | 2019-08-16 |
| CN110136127B true CN110136127B (zh) | 2023-04-18 |
Family
ID=67571272
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910416589.6A Active CN110136127B (zh) | 2019-05-20 | 2019-05-20 | 基于Wald检验的SAR影像变化检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110136127B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103927737A (zh) * | 2013-10-31 | 2014-07-16 | 王浩然 | 基于非局部均值的sar图像变化检测方法 |
| CN107610155A (zh) * | 2016-07-12 | 2018-01-19 | 香港理工大学深圳研究院 | Sar影像变化检测方法及装置 |
-
2019
- 2019-05-20 CN CN201910416589.6A patent/CN110136127B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103927737A (zh) * | 2013-10-31 | 2014-07-16 | 王浩然 | 基于非局部均值的sar图像变化检测方法 |
| CN107610155A (zh) * | 2016-07-12 | 2018-01-19 | 香港理工大学深圳研究院 | Sar影像变化检测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110136127A (zh) | 2019-08-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112307901B (zh) | 一种面向滑坡检测的sar与光学影像融合方法及系统 | |
| CN103793907B (zh) | 一种水体信息的提取方法及装置 | |
| CN108765488B (zh) | 一种基于阴影的高分辨率遥感影像建筑物高度估测方法 | |
| CN112285710B (zh) | 一种多源遥感水库蓄水量估算方法与装置 | |
| CN112529910B (zh) | 一种sar图像快速超像素合并及图像分割方法 | |
| CN111553922B (zh) | 一种卫星遥感影像自动云检测方法 | |
| CN111337434A (zh) | 一种矿区复垦植被生物量估算方法及系统 | |
| CN103605119A (zh) | 一种星载合成孔径雷达条带模式方位模糊抑制方法 | |
| 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 | |
| CN117575953B (zh) | 一种高分辨率林业遥感图像细节增强方法 | |
| CN109615637A (zh) | 一种改进的遥感影像混合分割方法 | |
| CN115063689A (zh) | 一种基于局部显著性增强的cfar舰船目标检测方法 | |
| Gu et al. | Building extraction method based on the spectral index for high-resolution remote sensing images over urban areas | |
| CN114373135A (zh) | 基于局部显著性特征度量的舰船目标检测方法 | |
| CN104700427B (zh) | 一种基于sar图像的道路损毁信息提取方法 | |
| CN107220947B (zh) | 一种遥感图像相对辐射校正方法及系统 | |
| Yu et al. | Automatic extraction of green tide using dual polarization Chinese GF-3 SAR images | |
| CN106971402B (zh) | 一种基于光学辅助的sar图像变化检测方法 | |
| CN110136127B (zh) | 基于Wald检验的SAR影像变化检测方法 | |
| Wang et al. | An automatic thresholding method for water body detection from SAR image | |
| CN106204596B (zh) | 一种基于高斯拟合函数与模糊混合估计的全色波段遥感影像云检测方法 | |
| CN110136128B (zh) | 基于Rao检验的SAR影像变化检测方法 | |
| Liu et al. | Urban surface water mapping from VHR images based on superpixel segmentation and target detection | |
| CN111079635B (zh) | 一种基于变化向量的有林地变化检测方法 | |
| CN109359583B (zh) | 一种遥感影像中显著性面状特定目标提取方法 |
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 |