CN110874833B - 基于超图匹配的sar图像变化检测方法 - Google Patents
基于超图匹配的sar图像变化检测方法 Download PDFInfo
- Publication number
- CN110874833B CN110874833B CN201910976831.5A CN201910976831A CN110874833B CN 110874833 B CN110874833 B CN 110874833B CN 201910976831 A CN201910976831 A CN 201910976831A CN 110874833 B CN110874833 B CN 110874833B
- Authority
- CN
- China
- Prior art keywords
- hypergraph
- sar image
- vertex
- neighborhood
- change
- 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
Images
Classifications
-
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于超图匹配的SAR图像变化检测方法,其实现过程是:首先分别对两时刻SAR图像上的像素点及其邻域点进行强度相似性分析,构建两个对应的强度相关邻域点集,并对此两个点集进行合并,完成耦合邻域点集的构建;而后将两时刻SAR图像的像素点作为超图的顶点,以像素点的耦合邻域点集作为其超边,分别建立两时刻超图模型;依据超图模型结构,对其顶点及顶点所在的超边进行匹配,获取其综合变化信息,完成对顶点的变化度量分析;最后利用Otsu阈值分类方法对变化度量结果进行分类,以分离变化区域和非变化区域。由于耦合邻域点集的建立和超图匹配方法的引入,使得本发明方法在有效抑制相干斑噪声的同时能进一步提高变化检测方法的准确度。
Description
技术领域
本发明隶属于遥感图像处理领域,其中主要涉及了合成孔径雷达(SyntheticAperture Radar,SAR)图像的变化检测,该研究可以广泛应用于土地覆盖与利用、城市发展与规划、自然灾害监测、资源和环境调查以及军事侦察和打击效果评估等诸多领域。
背景技术
SAR图像变化检测是一种对不同时刻、相同地理区域的两时SAR图像进行处理,从而获取该地区地表变化信息的重要技术。由于SAR图像微波成像的特殊机理,其可在任何大气和阳光条件下进行主动成像,具有全天候、全天时工作的特点;这使得SAR图像变化检测拥有更为广泛的应用背景,其在自然灾害、国民经济和军事等应用领域得到了良好的运用。因此开发具有高精度、高效率的SAR图像变化检测方法成为目前国内外学者研究的热点。
目前,最为常用的SAR图像变化检测方法是Rignot提出的基于均值比的变化检测方法,该方法主要是利用两时刻SAR图像上对应点的局部均值来计算该点的变化程度,从而降低相干斑噪声对变化检测结果的影响。然而,其对于局部纹理发生变化,但局部均值保持不变的区域难以检测。针对此问题,学者们提出了一种基于空间邻域信息比值(neighborhood-based ratio,NR)的变化检测方法,以提高方法对局部纹理变化的检测能力。此外,学者们参考了非局部均值滤波的处理模式,提出了一种基于块概率密度(probability patch-based,PPB)的变化检测方法,提高了变化检测方法对相干斑噪声的抑制能力。同时,一些学者考虑到SAR图像中相干斑噪声的特性,提出了基于对数均值比(log-mean ratio,LR)的变化检测方法,以减少该乘性噪声在变化检测中的干扰。近年来,学者尝试用图像融合的方法来提高变化检测的精度;其中Gong等人提出了一种基于离散小波变换(discrete wavelet transformation,DWT)的变化检测方法,从而改善了变化检测方法对噪声的抵抗性。实际上,这些变化检测方法都较为有效的抑制了相干斑在变化检测中的干扰,但由于其仅使用了块的相似性进行变化检测分析,限制了变化度量的能力。因此,为了实现更好的变化测量性能,在变化检测过程中应研究基于大尺寸窗口的自适应邻域变化检测方法。
发明内容
本发明的目的是针对现有变化检测方法所存在的问题,提出了一种基于超图匹配的SAR图像变化检测方法,改善了图像邻域的构建模式,增强了对图像邻域空间信息的利用,并结合超图匹配的方式进行变化度量分析,从而提升变化检测方法的抗噪能力及检测精度。
为了达到上述目的,本发明所采用的实施步骤如下:
(1)输入预处理后的两时刻SAR图像:
输入两幅经过辐射校正、几何校正以及配准操作的同一地区不同时刻SAR图像X1和X2。
(2)构建耦合邻域点集:
分别对两时刻SAR图像上像素点q及其邻域点进行空间和强度相关性分析,获取局部空间邻域内的强度相关点,建立两个与之对应的强度相关邻域点集N1<η,K>(q)和N2<η,K>(q);同时考虑到不同时刻点集间应保持一定的时间相关性,因此对两点集进行并操作,从而构建完整的耦合邻域点集。定义耦合邻域点集为S<η,K>(q),其计算方式如下:
S<η,K>(q)={q∪N1<η,K>(q)∪N2<η,K>(q)}
其中q表示SAR图像上坐标为(x,y)的像素点,N1<η,K>(q)为SAR图像X1上像素点q的强度相关邻域点集,其通过在像素点q附近η×η局部空间邻域内,选取K个强度最为接近的像素点而构建的。对应地,N2<η,K>(q)为SAR图像X2上像素点q的强度相关邻域点集。
(3)超图模型构建:
将两时刻SAR图像上的像素点{p1,...,pn}视为超图的顶点{v1,...,vn},以每个顶点附近所提取的耦合邻域点集S<η,K>作为超图的超边,计算超边内各顶点间的块相似度,并求和获取该超边的权重,从而完成超图模型的建立。定义超图HG={V,E,W},其表达公式如下:
V={v1,...,vn}={p1,...,pn}
E={e1,...,en}={S<ω,K>(v1),...,S<ω,K>(v2)}
式中μ(vi)表示以顶点vi为中心3×3大小的块均值,μ(vj)表示以顶点vj为中心3×3大小的块均值。D(vi,vj)为顶点vi与vj间的欧式距离。ω为块相似性权重,其通过综合分析顶点附近邻域块的相似性,来减少噪声在权重计算时的干扰,以真实的反映各顶点间的相似性。
(4)基于超图匹配的变化度量:
依据以上超图的建模方式,分别在t1时刻和t2时刻SAR图像X1和X2上构建对应的超图HG1和HG2。基于超图匹配的变化检测就是通过比较超图上顶点及顶点所在超边的变化信息来度量该顶点的变化情况。其计算方式如下:
CM(vi)=CMv(vi)+CMe(vi)
式中CMv为两时刻超图模型中对应顶点的相似度,CMe为两时刻超图模型中对应超边的相似度。
其中:
(5)Otsu阈值分类:
利用Otsu阈值分类方法,对(4)中变化度量结果CM进行分类,从而将变化度量结果CM分离为非变化类和变化类,获得变化检测结果图。
(6)输出变化检测结果。
本发明与现有技术相比具有如下优点:
1)本发明由于利用耦合邻域点集作为超边进行变化检测研究,优化了变化检测方法的邻域构造模式,实现了大窗口下自适应邻域的变化度量分析,进而提高了变化检测方法的鲁棒性。
2)本发明由于利用超图匹配的方式进行变化度量分析,其在有效反映各顶点变化情况的同时引入了对应超边的变化信息,使得变化度量结果更加平滑和准确。
实验结果表明,本发明与现有的变化检测方法(NR、LR、PPB和DWT)相比,具有更准确的检测精度和更好的抗噪能力。
附图说明
图1是本发明方法的实现流程图。
图2是本发明方法中超图匹配的示意图。
图3是本发明应用于Ottawa地区两时SAR图像的变化检测结果图。
图4是本发明应用于Bern地区两时SAR图像的变化检测结果图。
具体实施方式
参照图1所示,基于超图匹配的SAR图像变化检测方法的具体实施包括以下步骤:
步骤1.输入两时刻SAR图像:输入两幅经过辐射校正、几何校正以及配准操作的同一地区不同时刻SAR图像X1和X2。
步骤2.耦合邻域点集构建:分别对两时刻SAR图像上像素点q及其η×η大小搜索窗内的邻域点进行强度相关性分析,获取与中心像素点q最为相似的K个邻域点,建立两时刻强度相关邻域点集N1<η,K>(q)和N2<η,K>(q);并对两点集进行合并操作,构建完整的耦合邻域点集S<η,K>(q)。
步骤3.超图模型构建:将SAR图像上的像素点{p1,...,pn}视为超图的顶点{v1,...,vn},以每个顶点附近所提取的耦合邻域点集S<η,K>作为超图的超边,计算超边内各顶点间的块相似度,并求和获取该超边的权重,从而完成超图模型的建立。
步骤4.基于超图匹配的变化度量:依据两超图模型中的顶点及顶点所在超边的变化信息,对该顶点的变化情况进行综合度量。
步骤5.Otsu阈值分类:利用Otsu阈值方法对步骤4中变化度量结果进行聚类,从而将各关键点分离为非变化类和变化类,获得变化检测结果图。
步骤6.输出变化检测结果。
通过以下两组真实SAR图像实验进一步说明本发明的有效性。
1.实验设置:
实验环境:MATLAB R2014中文版,Intel(R)i7-4790 CPU 3.60GHz,Window7旗舰版。
实验数据:图3为Radarsat-1SAR卫星系统获取的Ottawa地区洪灾前后的SAR图像,其分辨率为10m,图像大小为290×350像素;图4为ERS-2SAR卫星系统获取的Bern地区洪灾前后的SAR图像,其分辨率为30m,图像大小为301×301像素。
实验参数:邻域搜索窗口大小η=9,邻域点个数K=15。
实验对比方法:分别采用了NR方法、LR方法、PPB方法和DWT方法。
实验结果评价指标:分别选择漏检数、误检数、正确率及Kappa系数对实验结果进行客观评价。
2.实验结果与分析:
实验1分别应用NR方法、LR方法、PPB方法和DWT方法和本发明方法对Ottawa地区的两时SAR图像进行变化检测。实验结果如图3所示,其中图3(a)为Ottawa地区前一时刻洪水灾害发生时的SAR图像,图3(b)Ottawa地区后一时刻洪水退去时的SAR图像,图3(c)是人工判读的变化检测参考图,图3(d)~(h)分别对应着NR方法、LR方法、PPB方法和DWT方法和本发明方法的变化检测结果。
实验2分别利用四种变化检测方法对Bern地区的两时SAR图像进行研究。实验结果如图4所示,其中图4(a)是为Bern地区未发生洪水灾害时的SAR图像,图4(b)是为Bern地区洪水灾害发生时的SAR图像,图4(c)是人工判读的变化检测参考图,图4(d)~(h)分别对应着NR方法、LR方法、PPB方法和DWT方法和本发明方法的变化检测结果。
从图3、图4和表1可以看到,本发明在检测精确度及抗相干斑噪声的能力上均优于其他变化检测方法。这是由于本发明利用了一种新型的邻域构建方式,其可在大窗口下有效优化图像的空间邻域信息,且将该信息以超边的方式融合到超图中,并利用超图匹配的方式对两时刻SAR图像进行了变化度量分析,进而更好的反映非变化区域像素和变化区域像素间的区别,使得变化检测的准确度明显高于其他方法。
表1 Ottawa及Bern地区SAR图像变化检测结果
Claims (1)
1.一种基于超图匹配的SAR图像变化检测方法,包括以下步骤:
(1)输入预处理后的两时刻SAR图像:
输入两幅经过辐射校正、几何校正以及配准操作的同一地区不同时刻SAR图像X1和X2;
(2)构建耦合邻域点集:
分别对两时刻SAR图像上像素点q及其邻域点进行空间和强度相关性分析,获取局部空间邻域内的强度相关点,建立两个与之对应的强度相关邻域点集N1<η,K>(q)和N2<η,K>(q);同时考虑到不同时刻点集间应保持一定的时间相关性,因此对两点集进行并操作,从而构建完整的耦合邻域点集,定义耦合邻域点集为S<η,K>(q),其计算方式如下:
S<η,K>(q)={q∪N1<η,K>(q)∪N2<η,K>(q)}
其中q表示SAR图像上坐标为(x,y)的像素点,N1<η,K>(q)为SAR图像X1上像素点q的强度相关邻域点集,其通过在像素点q附近η×η局部空间邻域内,选取K个强度最为接近的像素点而构建的,对应地,N2<η,K>(q)为SAR图像X2上像素点q的强度相关邻域点集;
(3)超图模型构建:
将两时刻SAR图像上的像素点{p1,...,pn}视为超图的顶点{v1,...,vn},以每个顶点附近所提取的耦合邻域点集S<η,K>作为超图的超边,计算超边内各顶点间的块相似度,并求和获取该超边的权重,从而完成超图模型的建立,定义超图HG={V,E,W},其表达公式如下:
V={v1,...,vn}={p1,...,pn}
E={e1,...,en}={S<ω,K>(v1),...,S<ω,K>(v2)}
式中μ(vi)表示以顶点vi为中心3×3大小的块均值,μ(vj)表示以顶点vj为中心3×3大小的块均值,D(vi,vj)为顶点vi与vj间的欧式距离,ω为块相似性权重,其通过综合分析顶点附近邻域块的相似性,来减少噪声在权重计算时的干扰,以真实的反映各顶点间的相似性;
(4)基于超图匹配的变化度量:
依据以上超图的建模方式,分别在两时刻SAR图像X1和X2上构建对应的超图HG1和HG2,基于超图匹配的变化检测就是通过比较超图上顶点及顶点所在超边的变化信息来度量该顶点的变化情况,其计算方式如下:
CM(vi)=CMv(vi)+CMe(vi)
式中CMv为两时刻超图模型中对应顶点的相似度,CMe为两时刻超图模型中对应超边的相似度;
其中:
(5)Otsu阈值分类:
利用Otsu阈值分类方法,对(4)中变化度量结果CM进行分类,从而将变化度量结果CM分离为非变化类和变化类,获得变化检测结果图;
(6)输出变化检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910976831.5A CN110874833B (zh) | 2019-10-15 | 2019-10-15 | 基于超图匹配的sar图像变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910976831.5A CN110874833B (zh) | 2019-10-15 | 2019-10-15 | 基于超图匹配的sar图像变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110874833A CN110874833A (zh) | 2020-03-10 |
CN110874833B true CN110874833B (zh) | 2022-03-22 |
Family
ID=69717869
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910976831.5A Active CN110874833B (zh) | 2019-10-15 | 2019-10-15 | 基于超图匹配的sar图像变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110874833B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115544275B (zh) * | 2022-11-29 | 2023-06-16 | 合肥工业大学 | 顾及时空过程与成灾机理的自然灾害知识超图构建方法 |
CN117671531A (zh) * | 2023-12-05 | 2024-03-08 | 吉林省鑫科测绘有限公司 | 一种无人机航测数据处理方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104820992A (zh) * | 2015-05-19 | 2015-08-05 | 北京理工大学 | 一种基于超图模型的遥感图像语义相似性度量方法及装置 |
CN105721860A (zh) * | 2016-01-20 | 2016-06-29 | 天津大学 | 一种基于超图的视频镜头边界检测方法 |
CN108446637A (zh) * | 2018-03-21 | 2018-08-24 | 合肥工业大学 | 基于立体图模型的sar图像变化检测方法 |
EP3493157A1 (en) * | 2017-11-29 | 2019-06-05 | Tata Consultancy Services Limited | Method and system for visual change detection using multi-scale analysis |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11226945B2 (en) * | 2008-11-14 | 2022-01-18 | Georgetown University | Process and framework for facilitating information sharing using a distributed hypergraph |
CN109919910B (zh) * | 2019-01-25 | 2021-06-22 | 合肥工业大学 | 基于差异图融合和改进水平集的sar图像变化检测方法 |
-
2019
- 2019-10-15 CN CN201910976831.5A patent/CN110874833B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104820992A (zh) * | 2015-05-19 | 2015-08-05 | 北京理工大学 | 一种基于超图模型的遥感图像语义相似性度量方法及装置 |
CN105721860A (zh) * | 2016-01-20 | 2016-06-29 | 天津大学 | 一种基于超图的视频镜头边界检测方法 |
EP3493157A1 (en) * | 2017-11-29 | 2019-06-05 | Tata Consultancy Services Limited | Method and system for visual change detection using multi-scale analysis |
CN108446637A (zh) * | 2018-03-21 | 2018-08-24 | 合肥工业大学 | 基于立体图模型的sar图像变化检测方法 |
Non-Patent Citations (4)
Title |
---|
20160411;公茂果等;《计算机研究与发展》;20160131;第53卷(第1期);第123-137页 * |
A hypergraph-based context-sensitive representation technique for VHR remote-sensing image change detection;Ping Jian等;《International Journal of Remote Sensing》;20160411;第37卷(第8期);第1814-1825页 * |
Pointwise SAR image change detection based on stereograph model with multiple-span neighbourhood information;Jun Wang等;《International Journal of Remote Sensing》;20181115;第40卷(第1期);第31-50页 * |
基于超像素分割和多方法融合的SAR图像变化检测方法;张明哲等;《遥感技术与应用》;20160630;第31卷(第3期);第481-487页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110874833A (zh) | 2020-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105528619B (zh) | 基于小波变换和svm的sar遥感影像变化检测方法 | |
CN102609701B (zh) | 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法 | |
CN107507209B (zh) | 极化sar图像的素描图提取方法 | |
CN110874833B (zh) | 基于超图匹配的sar图像变化检测方法 | |
CN103745453B (zh) | 基于Google Earth遥感影像的城镇信息提取方法 | |
CN108446637B (zh) | 基于立体图模型的sar图像变化检测方法 | |
CN103400383A (zh) | 基于nsct和压缩投影的sar图像变化检测方法 | |
CN105787450B (zh) | 一种基于高分辨率sar图像的城市地区建筑物检测方法 | |
CN104517286A (zh) | 基于自适应阈值分割和组合优化的sar图像配准 | |
CN114821358A (zh) | 光学遥感图像海上舰船目标提取与识别方法 | |
CN114549642B (zh) | 一种低对比度红外弱小目标检测方法 | |
Sun et al. | Road detection based on shearlet for GF-3 synthetic aperture radar images | |
CN105678720A (zh) | 一种全景拼接判断图像匹配方法及装置 | |
Zhang et al. | Vector phase symmetry for stable hyperbola detection in ground-penetrating radar images | |
Li et al. | Building detection in sar images based on bi-dimensional empirical mode decomposition algorithm | |
CN114066795A (zh) | Df-sas高低频声呐图像精细配准融合方法 | |
Li et al. | DDFormer: A dual-domain transformer for building damage detection using high-resolution SAR imagery | |
CN111275680B (zh) | 基于Gabor卷积网络的SAR图像变化检测方法 | |
CN112669332A (zh) | 一种基于双向局部极大值和峰值局部奇异性判断海天条件和检测红外目标的方法 | |
CN115861669A (zh) | 一种基于聚类思想的红外弱小目标检测方法 | |
CN108460773B (zh) | 一种基于偏移场水平集的声纳图像分割方法 | |
CN104240249B (zh) | 基于方向波变换和改进的水平集的sar图像变化检测方法 | |
CN112686871B (zh) | 基于改进对数比算子和Gabor_ELM的SAR图像变化检测方法 | |
CN115407282A (zh) | 一种短基线下基于干涉相位的sar有源欺骗干扰检测方法 | |
Fu et al. | A coarse-to-fine method for building reconstruction from HR SAR layover map using restricted parametric geometrical models |
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 |