CN111639618B - 一种全极化sar影像变化区域精确提取方法 - Google Patents
一种全极化sar影像变化区域精确提取方法 Download PDFInfo
- Publication number
- CN111639618B CN111639618B CN202010510058.6A CN202010510058A CN111639618B CN 111639618 B CN111639618 B CN 111639618B CN 202010510058 A CN202010510058 A CN 202010510058A CN 111639618 B CN111639618 B CN 111639618B
- Authority
- CN
- China
- Prior art keywords
- pixel
- image
- pixel point
- pixel points
- judgment
- 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
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种全极化SAR影像变化区域精确提取方法,涉及遥感变化检测领域,基本步骤为:对变化前后的全极化SAR影像分别进行特征提取;利用特征影像计算得到差异影像;综合各差异影像将所有像素点逐一判定为变化像素点、未变化像素点或待确定像素点;利用变化像素点和未变化像素点,判定待确定像素点为变化像素点或未变化像素点;利用变化像素点提取全极化SAR影像上的变化区域。本发明综合考虑各特征的判定结果,逐像素进行全极化SAR影像变化检测,避免了用单一特征进行变化检测所带来的误检漏检,具有科学合理、易于实现、精度高等优点。
Description
技术领域
本发明涉及遥感变化检测领域,具体说是一种全极化SAR影像变化区域精确提取方法。
背景技术
比值法和分类后比较法是利用全极化SAR影像进行变化检测的两种常用方法。比值法通过设置合适阈值进行区域划分,具有阈值选取困难,特征利用率低等问题;分类后比较法将变化前后的全极化SAR影像进行地物分类,通过比较变化前后地物分类图得到变化类型,其实验结果受地物分类误差累积影响,变化类型的识别精度受限。
全极化SAR影像具有丰富的极化信息,可以计算得到多个特征,不同特征对同一地物表现不同,对地物是否发生变化的判定结果可能不一致,综合考虑各特征的判定可以避免特征利用率低和地物分类误差累积等问题。本发明提出了一种全极化SAR影像变化区域精确提取方法。
发明内容
(一)要解决的技术问题
本发明提供一种全极化SAR影像变化区域精确提取方法,该方法综合考虑全极化SAR影像各特征在同一像素上的判定结果进行变化区域精确提取。
(二)技术方案
本发明包含以下步骤:
(1)提取特征,对大小为M×N全极化SAR影像IA提取n个特征,得到特征影像Fi(i=1,2,3....n),对大小为M×N全极化SAR影像IB同样提取n个特征,得到特征影像Ei(i=1,2,3....n);
其中IA为变化前的全极化SAR影像,IB为变化后的全极化SAR影像,i表示所提取的特征序号;
n为13,13个特征分别为:极化度,极化总功率,一致性参数,熵,二阶矩,对比度,相关性,极化熵,平均散射角,反熵,表面散射,二次散射和体散射;
(2)生成差异影像,根据步骤(1)中得到的特征影像,计算得到差异影像ri(i=1,2,3,···,n)各像素点的像素值,即
ri(s,t)=Fi(s,t)/Ei(s,t)(s=1,2,···,M;t=1,2,···,N)
其中ri表示第i个特征的差异影像,(s,t)表示差异影像上任意像素点,ri(s,t)为差异影像ri中像素点(s,t)的像素值,Fi(s,t)表示特征影像Fi中像素点(s,t)的像素值,Ei(s,t)表示特征影像Ei中像素点(s,t)的像素值;
(3)根据步骤(2)中得到的差异影像ri,判定所有像素点为变化像素点、未变化像素点或待确定像素点;
1)所有像素点均为判定对象,则任意像素点均可判定为三种可能事件:其中H1表示“像素点变化”,H2表示“像素点未变化”,H3表示“像素点待确定”;
2)将每个特征的差异影像ri分别作为判别依据,求得所有像素点在每个判别依据下三种可能事件的信任程度,其计算公式如下:
式中mi(H1)表示在第i个判别依据下,对“像素点变化”事件的信任程度;mi(H2)表示在第i个判别依据下,对“像素点未变化”事件的信任程度;mi(H3)表示在第i个判别依据下,对“像素点待确定”事件的信任程度;表示取其中的最大值;表示取其中的最大值,Ci为第i个差异影像中最大像素值,ci为第i个差异影像中最小像素值,α表示不确定度,其计算公式如下:
3)将所有像素点分别在n个判别依据下进行判定之后,对n个判别依据进行合成,计算所有像素点在n个判别依据下三种可能事件的信任程度,其计算公式如下:
式中m(H1)表示在n个判别依据下,对“像素点变化”事件的信任程度;m(H2)表示在n个判别依据下,对“像素点未变化”事件的信任程度;m(H3)表示在n个判别依据下,对“像素点待确定”事件的信任程度,K为冲突因子,计算公式如下:
其中Ai(i=1,2,···,n)表示在第i个判别依据下的可能事件,取值为H1,H2,H3;
4)当m(H1)大于0.85时,判定像素点(s,t)发生变化,当m(H2)大于0.85时,判定像素点(s,t)未发生变化,当m(H1)小于0.85且m(H2)小于0.85时,判定像素点(s,t)为待确定像素点。
(4)判定待确定像素点是否变化,根据步骤(2)中得到的差异影像ri和步骤(3)中所有像素点的判定结果,使用SVM模型对所有待确定像素点进行判定;
(5)全极化SAR影像变化区域划分,结合步骤(3)和步骤(4)的判定结果,提取整幅全极化SAR影像的变化区域。
(三)有益效果
本发明的优点体现在:
由于利用单一特征的差异影像进行变化检测,误检漏检现象严重,具有不确定性;且不同特征的差异影像判定变化区域具有冲突性。本发明综合考虑各特征的判定结果,逐像素进行全极化SAR影像变化检测,以提高检测精度。
附图说明
图1为本发明实施的步骤流程图。
具体实施方式
为使本发明的目的、内容、和优点更加清楚,下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述:
参照图1,本发明的具体实施步骤为:
(1)提取特征,对大小为M×N全极化SAR影像IA提取n个特征,得到特征影像Fi(i=1,2,3....n),对大小为M×N全极化SAR影像IB同样提取n个特征,得到特征影像Ei(i=1,2,3....n);
其中IA为变化前的全极化SAR影像,IB为变化后的全极化SAR影像,i表示所提取的特征序号;
n为13,13个特征分别为:极化度,极化总功率,一致性参数,熵,二阶矩,对比度,相关性,极化熵,平均散射角,反熵,表面散射,二次散射和体散射;
1)利用图像统计特性和协方差矩阵提取极化度,极化总功率,一致性参数三个特征;
2)利用灰度共生矩阵提取熵、二阶矩、对比度、相关性四个特征;
3)利用Cloude分解得到极化熵,平均散射角与反熵三个特征;
4)利用Freeman分解得到表面散射、二次散射和体散射三个特征;
上述选取的13个特征,对植被,建筑物,水体,裸地,道路这五类主要地物变化检测效果较好。
(2)生成差异影像,根据步骤(1)中得到的特征影像,计算得到差异影像ri(i=1,2,3,···,n)各像素点的像素值,即
ri(s,t)=Fi(s,t)/Ei(s,t)(s=1,2,···,M;t=1,2,···,N)
其中ri表示第i个特征的差异影像,(s,t)表示差异影像上任意像素点,ri(s,t)为差异影像ri中像素点(s,t)的像素值,Fi(s,t)表示特征影像Fi中像素点(s,t)的像素值,Ei(s,t)表示特征影像Ei中像素点(s,t)的像素值。
(3)根据步骤(2)中得到的差异影像ri,判定所有像素点为变化像素点、未变化像素点或待确定像素点;
1)所有像素点均为判定对象,则任意像素点均可判定为三种可能事件:其中H1表示“像素点变化”,H2表示“像素点未变化”,H3表示“像素点待确定”;
2)将每个特征的差异影像ri分别作为判别依据,求得所有像素点在每个判别依据下三种可能事件的信任程度,其计算公式如下:
式中mi(H1)表示在第i个判别依据下,对“像素点变化”事件的信任程度;mi(H2)表示在第i个判别依据下,对“像素点未变化”事件的信任程度;mi(H3)表示在第i个判别依据下,对“像素点待确定”事件的信任程度;表示取其中的最大值;表示取其中的最大值,Ci为第i个差异影像中最大像素值,ci为第i个差异影像中最小像素值,α表示不确定度,其计算公式如下:
3)将所有像素点分别在n个判别依据下进行判定之后,对n个判别依据进行合成,计算所有像素点在n个判别依据下三种可能事件的信任程度,其计算公式如下:
式中m(H1)表示在n个判别依据下,对“像素点变化”事件的信任程度;m(H2)表示在n个判别依据下,对“像素点未变化”事件的信任程度;m(H3)表示在n个判别依据下,对“像素点待确定”事件的信任程度,K为冲突因子,计算公式如下:
其中Ai(i=1,2,···,n)表示在第i个判别依据下的可能事件,取值为H1,H2,H3;
4)当m(H1)大于0.85时,判定像素点(s,t)发生变化,当m(H2)大于0.85时,判定像素点(s,t)未发生变化,当m(H1)小于0.85且m(H2)小于0.85时,判定像素点(s,t)为待确定像素点。
(4)判定待确定像素点是否变化,根据步骤(2)中得到的每个特征的差异影像ri和步骤(3)中所有像素点的判定结果,制作训练集,训练SVM模型,对所有待确定像素点进行判定;
其实验过程如下:
1)提取变化像素点在每个特征的差异影像上的像素值,形成向量{r1(a,b),r2(a,b),r3(a,b)···rn(a,b)},对应标签为-1;
其中(a,b)为任意变化像素点坐标,ri(a,b)(i=1,2...,n)表示差异影像ri中像素点(a,b)的像素值;
2)提取未变化像素点在每个特征的差异影像上的像素值,形成向量{r1(x,y),r2(x,y),r3(x,y)···rn(x,y)},对应标签为1;
其中(x,y)为任意未变化像素点坐标,ri(x,y)(i=1,2...,n)表示差异影像ri中像素点(x,y)的像素值;
3)利用上述步骤1),2)中的向量与对应标签训练SVM模型,训练完成后,提取待确定像素点在每个特征的差异影像上的像素值,形成向量{r1(h,v),r2(h,v),r3(h,v)···rn(h,v)},将向量输入SVM模型,得出判定结果;
其中(h,v)为任意待确定像素点坐标,ri(h,v)(i=1,2...,n)表示差异影像ri中像素点(h,v)的像素值;
4)若输出结果为-1,该待确定像素点判定为变化像素点,若输出结果为1,该待确定像素点判定为未变化像素点。
(5)全极化SAR区域划分,结合步骤(3)和步骤(4)的判定结果,提取整幅全极化SAR影像的变化区域。
根据步骤(3)和步骤(4)中变化像素点的位置,提取全极化SAR影像上的相同位置的像素点,判定其为变化区域。
Claims (1)
1.一种全极化SAR影像变化区域精确提取方法,其特征在于,包括以下步骤:
(1)提取特征,对大小为M×N全极化SAR影像IA提取n个特征,得到特征影像Fi,i=1,2,3....n,对大小为M×N全极化SAR影像IB同样提取n个特征,得到特征影像Ei,i=1,2,3....n;
其中IA为变化前的全极化SAR影像,IB为变化后的全极化SAR影像,i表示所提取的特征序号;
n为13,13个特征分别为:极化度,极化总功率,一致性参数,熵,二阶矩,对比度,相关性,极化熵,平均散射角,反熵,表面散射,二次散射和体散射;
(2)生成差异影像,根据步骤(1)中得到的特征影像,计算得到差异影像ri各像素点的像素值,i=1,2,3....n,即
ri(s,t)=Fi(s,t)/Ei(s,t) s=1,2,...,M;t=1,2,...,N
其中ri表示第i个特征的差异影像,(s,t)表示差异影像上任意像素点,ri(s,t)为差异影像ri中像素点(s,t)的像素值,Fi(s,t)表示特征影像Fi中像素点(s,t)的像素值,Ei(s,t)表示特征影像Ei中像素点(s,t)的像素值;
(3)根据步骤(2)中得到的差异影像ri,判定所有像素点为变化像素点、未变化像素点或待确定像素点;
1)所有像素点均为判定对象,则任意像素点均可判定为三种可能事件:其中H1表示“像素点变化”,H2表示“像素点未变化”,H3表示“像素点待确定”;
2)将每个特征的差异影像ri分别作为判别依据,求得所有像素点在每个判别依据下三种可能事件的信任程度,其计算公式如下:
式中mi(H1)表示在第i个判别依据下,对“像素点变化”事件的信任程度;mi(H2)表示在第i个判别依据下,对“像素点未变化”事件的信任程度;mi(H3)表示在第i个判别依据下,对“像素点待确定”事件的信任程度;表示取其中的最大值;表示取其中的最大值,Ci为第i个差异影像中最大像素值,ci为第i个差异影像中最小像素值,α表示不确定度,其计算公式如下:
3)将所有像素点分别在n个判别依据下进行判定之后,对n个判别依据进行合成,计算所有像素点在n个判别依据下三种可能事件的信任程度,其计算公式如下:
式中m(H1)表示在n个判别依据下,对“像素点变化”事件的信任程度;m(H2)表示在n个判别依据下,对“像素点未变化”事件的信任程度;m(H3)表示在n个判别依据下,对“像素点待确定”事件的信任程度,K为冲突因子,计算公式如下:
其中Ai表示在第i个判别依据下的可能事件,i=1,2,...,n,取值为H1,H2,H3;
4)当m(H1)大于0.85时,判定像素点(s,t)发生变化,当m(H2)大于0.85时,判定像素点(s,t)未发生变化,当m(H1)小于0.85且m(H2)小于0.85时,判定像素点(s,t)为待确定像素点;
(4)判定待确定像素点是否变化,根据步骤(2)中得到的差异影像ri和步骤(3)中所有像素点的判定结果,使用SVM模型对所有待确定像素点进行判定;
(5)全极化SAR影像变化区域划分,结合步骤(3)和步骤(4)的判定结果,提取整幅全极化SAR影像的变化区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010510058.6A CN111639618B (zh) | 2020-06-08 | 2020-06-08 | 一种全极化sar影像变化区域精确提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010510058.6A CN111639618B (zh) | 2020-06-08 | 2020-06-08 | 一种全极化sar影像变化区域精确提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111639618A CN111639618A (zh) | 2020-09-08 |
CN111639618B true CN111639618B (zh) | 2021-04-06 |
Family
ID=72329254
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010510058.6A Active CN111639618B (zh) | 2020-06-08 | 2020-06-08 | 一种全极化sar影像变化区域精确提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111639618B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104951789A (zh) * | 2015-07-15 | 2015-09-30 | 电子科技大学 | 一种基于全极化sar图像的快速滑坡提取方法 |
CN109360184A (zh) * | 2018-08-23 | 2019-02-19 | 南京信息工程大学 | 结合阴影补偿与决策融合的遥感影像变化检测方法 |
CN109727291A (zh) * | 2018-12-28 | 2019-05-07 | 北京航空航天大学 | 一种变焦距摄像机的高精度在线标定方法 |
CN110717531A (zh) * | 2019-09-27 | 2020-01-21 | 华东师范大学 | 一种基于不确定性分析和贝叶斯融合的分类后变化类型检测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101923711B (zh) * | 2010-07-16 | 2012-06-20 | 西安电子科技大学 | 基于邻域相似性及掩模增强的sar图像变化检测方法 |
US9367770B2 (en) * | 2011-08-30 | 2016-06-14 | Digimarc Corporation | Methods and arrangements for identifying objects |
CN106251349B (zh) * | 2016-07-27 | 2019-04-05 | 中国测绘科学研究院 | 一种sar立体影像密集匹配方法 |
CN107220985B (zh) * | 2017-05-18 | 2020-02-07 | 西安电子科技大学 | 基于图划分粒子群优化的sar图像自动分割方法 |
-
2020
- 2020-06-08 CN CN202010510058.6A patent/CN111639618B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104951789A (zh) * | 2015-07-15 | 2015-09-30 | 电子科技大学 | 一种基于全极化sar图像的快速滑坡提取方法 |
CN109360184A (zh) * | 2018-08-23 | 2019-02-19 | 南京信息工程大学 | 结合阴影补偿与决策融合的遥感影像变化检测方法 |
CN109727291A (zh) * | 2018-12-28 | 2019-05-07 | 北京航空航天大学 | 一种变焦距摄像机的高精度在线标定方法 |
CN110717531A (zh) * | 2019-09-27 | 2020-01-21 | 华东师范大学 | 一种基于不确定性分析和贝叶斯融合的分类后变化类型检测方法 |
Non-Patent Citations (4)
Title |
---|
"Classification of Detected Changes From Multitemporal High-Res Xband SAR Images: Intensity and Texture Descriptors From SuperPixels";Thiago L. M. Barreto等;《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》;20161231;第9卷(第12期);第5436-5448页 * |
"Multi-Source Ocean Gravity Anomaly Data Fusion Processing Method";Jixiang Zhao等;《IGARSS 2019 - 2019 IEEE International Geoscience and Remote Sensing Symposium》;20191114;第8275-8278页 * |
"多特征融合的高分辨率影像建筑物变化检测";李军胜等;《测绘通报》;20191031(第10期);第105-108、118页 * |
"遥感信息专题分类不确定性的可视化研究";阿依姑丽·托合提等;《新疆大学学报(自然科学版)》;20130228;第30卷(第1期);第100-105页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111639618A (zh) | 2020-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103971115B (zh) | 一种基于NDVI和PanTex指数的新增建设用地图斑自动提取方法 | |
CN110097101B (zh) | 一种基于改进可靠性因子的遥感图像融合与海岸带分类方法 | |
CN103578110B (zh) | 基于灰度共生矩阵的多波段高分辨率遥感影像分割方法 | |
CN110532953B (zh) | 基于纹理特征辅助的sar影像冰川识别方法 | |
CN105335975B (zh) | 基于低秩分解和直方图统计的极化sar图像分割方法 | |
CN103106658A (zh) | 一种海岛、礁岸线快速提取方法 | |
CN104657980A (zh) | 一种改进的基于Meanshift的多通道图像分割算法 | |
CN106844739A (zh) | 一种基于神经网络协同训练的遥感图像变化信息检索方法 | |
Du et al. | A novel lacunarity estimation method applied to SAR image segmentation | |
CN107742133A (zh) | 一种用于极化sar图像的分类方法 | |
CN113343804B (zh) | 面向单视全极化sar数据的集成迁移学习分类方法及系统 | |
Xue et al. | Unsupervised change detection using multiscale and multiresolution Gaussian-mixture-model guided by saliency enhancement | |
Li et al. | Integrating multiple textural features for remote sensing image change detection | |
CN111476182B (zh) | 一种基于多源数据和多向纹理滤波分析的梯田提取方法 | |
CN114022459A (zh) | 基于多时相卫星影像的超像素变化检测方法及系统 | |
CN102629325B (zh) | 图像特征提取方法和装置及图像拷贝检测方法和系统 | |
CN114627380A (zh) | 一种基于光学影像与sar时序数据融合的水稻识别方法 | |
Xu et al. | The comparative study of three methods of remote sensing image change detection | |
CN111639618B (zh) | 一种全极化sar影像变化区域精确提取方法 | |
Xie et al. | Superpixel-based PolSAR images change detection | |
CN106971402B (zh) | 一种基于光学辅助的sar图像变化检测方法 | |
CN117292272A (zh) | 结合高分遥感影像和开源dem识别大范围耕作措施的方法 | |
CN116363526B (zh) | MROCNet模型构建与多源遥感影像变化检测方法及系统 | |
CN102306275A (zh) | 基于模糊概念格的视频纹理特征提取方法 | |
CN109785318B (zh) | 基于面线基元关联约束的遥感图像变化检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220714 Address after: 250101 room 206, building 1, Hisense Longao 9, No. 909, Longao North Road, high tech Zone, Jinan City, Shandong Province Patentee after: Shandong LuBang Geographic Information Engineering Co.,Ltd. Address before: 266580 No. 66 Changjiang West Road, Huangdao District, Qingdao, Shandong. Patentee before: CHINA University OF PETROLEUM (EAST CHINA) |