CN111753700A - 一种基于非负稀疏编码的sar图像变化检测方法 - Google Patents

一种基于非负稀疏编码的sar图像变化检测方法 Download PDF

Info

Publication number
CN111753700A
CN111753700A CN202010558978.5A CN202010558978A CN111753700A CN 111753700 A CN111753700 A CN 111753700A CN 202010558978 A CN202010558978 A CN 202010558978A CN 111753700 A CN111753700 A CN 111753700A
Authority
CN
China
Prior art keywords
matrix
image
negative
sar
change detection
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
Application number
CN202010558978.5A
Other languages
English (en)
Inventor
王少娜
王亚男
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin Polytechnic University
Original Assignee
Tianjin Polytechnic University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin Polytechnic University filed Critical Tianjin Polytechnic University
Priority to CN202010558978.5A priority Critical patent/CN111753700A/zh
Publication of CN111753700A publication Critical patent/CN111753700A/zh
Pending legal-status Critical Current

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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2133—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on naturality criteria, e.g. with non-negative factorisation or negative correlation
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种基于非负稀疏编码的SAR图像变化检测方法，包括如下内容：S1.选取同一地理区域在不同时刻t1和t2的两幅SAR图像，其中t1时刻的SAR图像表示为X1＝{X1(i,j),1≤i≤I,1≤j≤J}，t2时刻的SAR图像表示为X2＝{X2(i,j),1≤i≤I,1≤j≤J}，然后生成图像X1和图像X2的差分图像；通过非负矩阵分解NMF方法从所述差分图像上学习字典；通过非负约束的稀疏编码获得所述差分图像上每个像素的判别特征；通过K均值聚类方法获取变化检测图。本发明在保留SAR图像关键结构信息的基础上，能够提高SAR图像变化检测的精度和速度。

Description

一种基于非负稀疏编码的SAR图像变化检测方法
技术领域
本发明涉及数字图像处理技术领域，特别是涉及一种基于非负稀疏编码的SAR图像变化检测方法。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)技术已经成为雷达技术领域图像源的重要获取途径，在获得SAR图像时，两幅同一地域不同时间的图像，由于外界环境的差异，如气候条件、光照强度、噪声等级和种类，甚至拍摄设备的不同，会导致成像的效果亦有所不同,变化检测是指通过观测某一物体或现象在不同时间的状态得出其变化信息的技术。SAR图像变化检测是分析同一地区不同时段的SAR图像，检测出该地区的变化信息。作为对地观测卫星的关键技术，合成孔径雷达SAR图像变化检测已经被运用在包括灾害检测、城市规划、全球气温变化检测等诸多领域。现有技术在抑制噪声和保留细节信息上效果不佳，丢失图像边缘和结构信息，存在普适性差、对噪声敏感、复杂度高等问题。
因此如何提供一种新的方法以能够在保留SAR图像关键结构信息的基础上提高SAR图像变化检测的检测精度和速度是亟待解决的技术问题。
发明内容
本发明的目的是提供一种基于非负稀疏编码的SAR图像变化检测方法，以解决上述现有技术存在的问题，能够提高SAR图像变化检测的检测的精度和速度。
为实现上述目的，本发明提供了如下方案：本发明提供一种基于非负稀疏编码的SAR图像变化检测方法，内容如下：
S1.选取同一地理区域在不同时刻t1和t2的两幅SAR图像，其中t1时刻的SAR图像表示为X1＝{X1(i,j),1≤i≤I,1≤j≤J}，t2时刻的SAR图像表示为X2＝{X2(i,j),1≤i≤I,1≤j≤J}，然后生成图像X1和图像X2的差分图像；
S2.通过非负矩阵分解NMF方法从所述差分图像上学习字典；
S3.通过非负约束的稀疏编码获得所述差分图像上每个像素的判别特征；
S4.通过K均值聚类方法获取变化检测图。
优选地，步骤S1中用对数比算子生成图像X1和图像X2的差分图像，所述对数比算子DI定义如下：
Figure BDA0002545392280000021
上式中ε是数学意义上的微小常量。
优选地，步骤S2的内容为：将所述差分图像分割成互不重叠的图像块矩阵Qm×n＝[q1,q2,...,qn]∈Rm×n，然后使用非负矩阵分解NMF方法将所述图像块矩阵分解成基础矩阵M和权矩阵H的乘积，即Qm×n＝Mm×kHk×n，qi表示图像块，i＝1,2...,n；m代表每个图像块的维数，n代表训练数据的数量，将所述基础矩阵M作为学习到的字典。
优选地，通过使下式所示的约束函数最小化来完成对所述图像块矩阵Qm×n的非负矩阵分解：
Figure BDA0002545392280000022
其中矩阵M和矩阵H都是非负矩阵。
优选地，使用迭代方法求解原始矩阵Q的非负矩阵分解中的基础矩阵M和权矩阵H，当近似误差变为收敛或迭代达到指定的数值时，迭代结束，迭代方法采用如下式所示的KL散度方法：
Figure BDA0002545392280000031
Figure BDA0002545392280000032
其中，Mia表示矩阵M第i行第a列位置的值，Hau表示矩阵H第a行第u列位置的值；Hav表示矩阵H第a行第v列位置的值；Qiu表示矩阵Q第i行第u列位置的值；(MH)iu表示矩阵MH第i行第u列位置的值；Hia表示矩阵H第i行第a列位置的值；Hka表示矩阵H第k行第a列位置的值。
优选地，步骤S3的内容为：通过重叠所述差分图像中每个像素的邻域数据来得到每个像素的初始特征向量，从而得到所述差分图像中所有像素的初始特征向量集合D＝{d1,d2,...,dN}，di表示所述差分图像中第i个像素的初始特征向量，N表示所述差分图像中像素的数量，N＝I×J；然后应用稀疏编码方法利用所述差分图像中每个像素的特征；
系数编码方法表示为如下优化问题：
arg min||di-Mci||+λ||ci||||l||
λ是平衡重构误差与稀疏性之间权衡的参数，ci是具有非负约束稀疏编码的特征向量。
优选地，步骤S4的内容为：通过K均值聚类方法将步骤S3学习到的特征划分为两个聚类，根据欧式距离创建二进制变化图CM＝{cm(i,j),1≤i≤I,1≤j≤J}，其中：
Figure BDA0002545392280000033
“0”代表未变化像素，“1”代表变化像素。
本发明公开了以下技术效果：本发明技术方案在得到差分图像后，将其分割成互不重叠的图像块矩阵，然后通过非负矩阵分解NMF方法，将图像块矩阵分解为基础矩阵和权矩阵的乘积，将得到的基础矩阵作为字典，能够得到在保留差分图像关键结构信息的前提下，减小运算量。
同时，本发明通过重叠差分图像中每个像素的邻域数据来得到每个像素的初始特征向量，克服了现有技术中没有考虑两幅合成孔径雷达SAR图像像素点的邻域信息，使得检测结果图中变化区域与未变化区域的边缘像素点的检测效果较差，变化检测结果的误检和漏检的像素点较多，导致检测结果的全局错误数较多的问题，使得本发明提高了SAR图像变化检测的检测精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于非负稀疏编码的SAR图像变化检测方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
参照图1，本发明提供一种基于非负稀疏编码的SAR图像变化检测方法。选取同一地理区域在不同时刻t1和t2的两幅SAR(Synthetic Aperture Radar)图像，其中t1时刻的SAR图像表示为X1＝{X1(i,j),1≤i≤I,1≤j≤J}，t2时刻的SAR图像表示为X2＝{X2(i,j),1≤i≤I,1≤j≤J}。然后应用对数比算子生成差异图，对数比算子DI定义如下：
Figure BDA0002545392280000051
上式中，ε是一个数学与意义上的微小常量，用X1+ε代替X1能够避免X1像素值为零造成运算无意义，同理用X2+ε代替X2能够避免X2像素值为零造成运算无意义。
然后将差分图像分割成互不重叠的图像块矩阵Qm×n＝[q1,q2,...,qn]∈Rm×n，然后使用非负矩阵分解NMF方法将图像块矩阵Qm×n分解成基础矩阵M和权矩阵H的乘积，即Qm×n＝Mm×kHk×n，qi表示图像块，i＝1,2...,n；m代表每个图像块的维数，n代表训练数据的数量，将所述基础矩阵M作为学习到的字典。
其中，非负矩阵分解NMF方法是1999年由两位科学家Lee和Seung提出的，这种方法能够尽可能多的保留原始数据的结构，并保证其偏置和权重都是非负的，它是一种新的多元数据分析方法，NMF在对所有元素进行非负约束的情况下完成矩阵分解，并使分解结果得到很好的解释，NMF的基本思想可以描述为：对于任意给定的一个非负矩阵Q，NMF方法能够找到一个非负矩阵U和一个非负矩阵V，从而将一个非负的矩阵分解为左右两个非负矩阵的乘积，即给定矩阵
Figure BDA0002545392280000061
寻找非负矩阵
Figure BDA0002545392280000062
和非负矩阵
Figure BDA0002545392280000063
使得Q≈MH。之所以是约等于，是因为当前解法并非精确解，而只是数值上的近似解，参数k没有确定的选择方式，通常由实验或者经验确定，通常设置为小于m和n，并且满足(m+n)k＜mn。这时用系数矩阵代替原始矩阵，就可以实现对原始矩阵进行降维，得到数据特征的降维矩阵，从而减少存储空间，减少计算机资源。其中，矩阵M中包含图像的局部空间结构信息，矩阵M又可以称之为基础矩阵，矩阵H又可以称之为权矩阵。图像矩阵Q的每一列都是用矩阵M的列和矩阵H的加权线性组合来近似，其中矩阵H包含相应的权重。通过应用NMF得到的基向量可以实现差分图像更紧凑的表示，这些基向量包括局部空间结构信息，它们与非负特征一致。
原始矩阵Q通过非负矩阵NMF方法进行分解，是通过求解一个非线性优化问题来创建的，本实施例定义了一个收敛目标函数来度量这种近似。它将成本函数最小化，如下所示：
Figure BDA0002545392280000064
其中矩阵M和矩阵H都是非负矩阵。
本实施例使用迭代方法求解原始矩阵Q的非负矩阵分解中的基础矩阵M和权矩阵H，当近似误差变为收敛或迭代达到指定的数值时，迭代结束，迭代方法采用如下式所示的KL(KL divergence)散度方法：
Figure BDA0002545392280000065
Figure BDA0002545392280000066
其中，Mia表示矩阵M第i行第a列位置的值，Hau表示矩阵H第a行第u列位置的值；Hav表示矩阵H第a行第v列位置的值；Qiu表示矩阵Q第i行第u列位置的值；(MH)iu表示矩阵MH第i行第u列位置的值；Hia表示矩阵H第i行第a列位置的值；Hka表示矩阵H第k行第a列位置的值。
通过在算法的每一次迭代中，M和H的新值当前值乘以某些因素得到，这些因素取决于公式(2)的近似量，更新规则的重复迭代保证收敛到局部最优矩阵因式分解。
在无监督变化检测方法中，只有未标记数据可用。使用NMF方法学习码本。为了从原始像素G中获得码本，码本中元素数被设置成10用于所有实验。因此，M∈Rm×k的特征矩阵作为学习的码本，其中k＝10。
虽然非负特征可以包含差分图像的局部空间结构信息，但它们不具有生成原始像素的变化特征所需的判别性。为了增强识别能力，应用稀疏编码算法来利用学习到的非负特征。稀疏编码提供了一类寻找紧凑表示的算法，能够在数据中捕获更高级别的特征。它在一定程度上可以抑制噪声的负面影响。由于斑点噪声干扰了SAR图像的应用，在这部分，本实施例应用稀疏编码算法来学习差分图像中每个像素的特征。每个像素的初始特征向量是通过重叠其h*h的邻域数据产生的。为了避免图像边缘的异常，通过重复边界像素来方大差分图像，能够得到N(N＝I×J)个初始特征向量：D＝{d1,d2,...,dN}，di表示所述差分图像中第i个像素的初始特征向量。
在稀疏编码算法中，码本使用学习到的M∈Rm×k的矩阵，其中包括从原始像素中提取到的非负特征。稀疏编码的优化问题如下：
arg min||di-Mci||+λ||ci||||l||,ci≥0 (5)
其中M是学习到的字典，di(i＝1,2,…，N)是第i个像素的初始特征向量，λ是平衡重构误差与稀疏性之间权衡的参数，ci是具有非负约束稀疏编码的特征向量。这个惩罚函数可以对不相关的特征具有鲁棒性。因此，(5)的这种性质能够增加对特征的区分。对于稀疏常数ci的计算，采用对偶拉格朗日算法和特征符号算法。学习到特征之后，它们的识别能力增加，变得更加适合识别变化的像素。
最后，通过K均值聚类方法获取变化图，本实施例采用K均值聚类算法将学习到的特征划分为两个聚类，让MEc和MEu分别表示变化类和不变类的聚类平均特征向量。根据欧式距离创建二进制变化图CM＝{cm(i,j),1≤i≤I,1≤j≤J}，这一过程描述如下：
Figure BDA0002545392280000081
其中：“0”代表未变化像素，“1”代表变化像素。
为了评估本文提出方法在SAR图像上的有效性，以三个真实的SAR图像数据集为例，给出了该方法与其他四种方法的对比试验。
第一个数据集是两幅10m分辨率的SAR图像的一部分(290*350像素)，表1(a)和(b)分别是1997年5月和8月在加拿大渥太华市上空雷达卫星SAR传感器获得的图像。两幅图像的ENL分别为12.5和12.6。如表1(c)所示的可用的地面参考图是通过带有图像解释的先验信息生成的。
第二个数据集表示两个C波段和分辨率为30m的VV极化SAR图像，是由欧洲遥感2号卫星SAR传感器分别在1999年4月和5月在瑞士伯尔尼市附近地区获取的，分别如表2(a)和(b)所示。两幅图像的大小为301×301像素。两幅图像的等效外观数(ENL)分别为10.89和9.26。表2(c)示出了手动定义的参考图，显示了1155个变化的像素。
第三个数据集是2008年6月和2009年6月雷达2号卫星在中国黄河口地区获得的分辨率为3m的黄河数据集的一部分，图像大小为257*289像素，如表3所示。由于两幅原始图像是单视图像和四视图像，因此散斑噪声对2009年采集图像的影响远大于2008年采集图像的影响。表3(c)示出了通过专家知识和地表信息的结合进行人工标记而生成的地面真实图像。
为了评估不同方法的性能，变化检测结果的定量分析如下。它们为误警(FA，将未变化像素错误检测为变化的区域的数量)，漏警(MA，变化像素检测为非变化区域的数量)，总体误差(OE，误警数和漏警数之和)，kappa指数，它是一种精确性或一致性的统计测量。为了进一步评估结果，本实施例用百分比定义它们。假设N表示DI中像素的数量。Nc和Nu分别表示参考图中变化像素和非变化像素的总量。指标描述如下：(1)误警率用百分比描述：PFA＝FA/Nu×100(2)漏警率用百分比描述：PMA＝MA/Nc×100(3)总错误率用百分比描述为：POE＝(FA+MA)/(Nc+Nu)×100。
表1渥太华数据集上的检测结果
方法 FA MA OE P<sub>OE</sub> Kappa PCC
GKI-LN 68 4183 4251 4.19 0.8244 95.81％
PCA-K 955 1515 2470 2.43 0.9073 97.57％
CS-KSVD 558 1929 2487 2.45 0.9047 97.55％
NR 1366 760 2126 2.09 0.9224 97.91％
NNSC 403 1507 1910 1.88 0.9273 98.12％
表2柏林数据集检测结果
Figure BDA0002545392280000091
Figure BDA0002545392280000101
表3黄河水域数据集变化检测结果
方法 FA MA OE P<sub>OE</sub> Kappa PCC
GKI-LN 172 6902 7074 9.52 0.6006 90.48％
PCA-K 2137 2663 4800 6.46 0.7785 93.54％
CS-KSVD 2215 2697 4912 6.61 0.7736 93.39％
NR 2344 2802 5146 6.93 0.7630 93.07％
NNSC 2338 2083 4421 5.96 0.8005 94.04％
本发明技术方案在得到差分图像后，将其分割成互不重叠的图像块矩阵，然后通过非负矩阵分解NMF方法，将图像块矩阵分解为基础矩阵和权矩阵的乘积，将得到的基础矩阵作为字典，能够得到在保留差分图像关键结构信息的前提下，减小运算量。
同时，本发明通过重叠差分图像中每个像素的邻域数据来得到每个像素的初始特征向量，克服了现有技术中没有考虑两幅合成孔径雷达SAR图像像素点的邻域信息，使得检测结果图中变化区域与未变化区域的边缘像素点的检测效果较差，变化检测结果的误检和漏检的像素点较多，导致检测结果的全局错误数较多的问题，使得本发明提高了SAR图像变化检测的检测精度。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明保护范围。

Claims (7)

1.一种基于非负稀疏编码的SAR图像变化检测方法，其特征在于，包括如下内容：
S1.选取同一地理区域在不同时刻t1和t2的两幅SAR图像，其中t1时刻的SAR图像表示为X1＝{X1(i,j),1≤i≤I,1≤j≤J}，t2时刻的SAR图像表示为X2＝{X2(i,j),1≤i≤I,1≤j≤J}，然后生成图像X1和图像X2的差分图像；
S2.通过非负矩阵分解NMF方法从所述差分图像上学习字典；
S3.通过非负约束的稀疏编码获得所述差分图像上每个像素的判别特征；
S4.通过K均值聚类方法获取变化检测图。
2.根据权利要求1所述的基于非负稀疏编码的SAR图像变化检测方法，其特征在于，步骤S1中用对数比算子生成图像X1和图像X2的差分图像，所述对数比算子DI定义如下：
Figure FDA0002545392270000011
上式中ε是数学意义上的微小常量。
3.根据权利要求1所述的基于非负稀疏编码的SAR图像变化检测方法，其特征在于，步骤S2的内容为：将所述差分图像分割成互不重叠的图像块矩阵Qm×n＝[q1,q2,...,qn]∈Rm ×n，然后使用非负矩阵分解NMF方法将所述图像块矩阵分解成基础矩阵M和权矩阵H的乘积，即Qm×n＝Mm×kHk×n，qi表示图像块，i＝1,2...,n；m代表每个图像块的维数，n代表训练数据的数量，将所述基础矩阵M作为学习到的字典。
4.根据权利要求3所述的基于非负稀疏编码的SAR图像变化检测方法，其特征在于，通过使下式所示的约束函数最小化来完成对所述图像块矩阵Qm×n的非负矩阵分解：
Figure FDA0002545392270000021
其中矩阵M和矩阵H都是非负矩阵。
5.根据权利要求4所述的基于非负稀疏编码的SAR图像变化检测方法，其特征在于，使用迭代方法求解原始矩阵Q的非负矩阵分解中的基础矩阵M和权矩阵H，当近似误差变为收敛或迭代达到指定的数值时，迭代结束，迭代方法采用如下式所示的KL散度方法：
Figure FDA0002545392270000022
Figure FDA0002545392270000023
其中Mia表示矩阵M第i行第a列位置的值，Hau表示矩阵H第a行第u列位置的值；Hav表示矩阵H第a行第v列位置的值；Qiu表示矩阵Q第i行第u列位置的值；(MH)iu表示矩阵MH第i行第u列位置的值；Hia表示矩阵H第i行第a列位置的值；Hka表示矩阵H第k行第a列位置的值。
6.根据权利要求1所述的基于非负稀疏编码的SAR图像变化检测方法，其特征在于，步骤S3的内容为：通过重叠所述差分图像中每个像素的邻域数据来得到每个像素的初始特征向量，从而得到所述差分图像中所有像素的初始特征向量集合D＝{d1,d2,...,dN}，di表示所述差分图像中第i个像素的初始特征向量，N表示所述差分图像中像素的数量，N＝I×J；然后应用稀疏编码方法利用所述差分图像中每个像素的特征；
系数编码方法表示为如下优化问题：
arg min||di-Mci||+λ||ci||||l||
λ是平衡重构误差与稀疏性之间权衡的参数，ci是具有非负约束稀疏编码的特征向量。
7.根据权利要求1所述的基于非负稀疏编码的SAR图像变化检测方法，其特征在于，步骤S4的内容为：通过K均值聚类方法将步骤S3学习到的特征划分为两个聚类，根据欧式距离创建二进制变化图CM＝{cm(i,j),1≤i≤I,1≤j≤J}，其中：
Figure FDA0002545392270000031
“0”代表未变化像素，“1”代表变化像素。
CN202010558978.5A 2020-06-18 2020-06-18 一种基于非负稀疏编码的sar图像变化检测方法 Pending CN111753700A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010558978.5A CN111753700A (zh) 2020-06-18 2020-06-18 一种基于非负稀疏编码的sar图像变化检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010558978.5A CN111753700A (zh) 2020-06-18 2020-06-18 一种基于非负稀疏编码的sar图像变化检测方法

Publications (1)

Publication Number Publication Date
CN111753700A true CN111753700A (zh) 2020-10-09

Family

ID=72675478

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010558978.5A Pending CN111753700A (zh) 2020-06-18 2020-06-18 一种基于非负稀疏编码的sar图像变化检测方法

Country Status (1)

Country Link
CN (1) CN111753700A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104978573A (zh) * 2015-07-06 2015-10-14 河海大学 一种应用于高光谱图像处理的非负矩阵分解方法
CN106097290A (zh) * 2016-06-03 2016-11-09 西安电子科技大学 基于nmf图像融合的sar图像变化检测方法
CN106597439A (zh) * 2016-12-12 2017-04-26 电子科技大学 一种基于增量学习的合成孔径雷达目标识别方法
CN109753887A (zh) * 2018-12-17 2019-05-14 南京师范大学 一种基于增强核稀疏表示的sar图像目标识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104978573A (zh) * 2015-07-06 2015-10-14 河海大学 一种应用于高光谱图像处理的非负矩阵分解方法
CN106097290A (zh) * 2016-06-03 2016-11-09 西安电子科技大学 基于nmf图像融合的sar图像变化检测方法
CN106597439A (zh) * 2016-12-12 2017-04-26 电子科技大学 一种基于增量学习的合成孔径雷达目标识别方法
CN109753887A (zh) * 2018-12-17 2019-05-14 南京师范大学 一种基于增强核稀疏表示的sar图像目标识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王少娜: "基于稀疏特征学习的SAR图像目标识别和变化检测", 《中国博士学位论文全文数据库 信息科技辑》, pages 71 - 75 *

Similar Documents

Publication Publication Date Title
Gong et al. Feature learning and change feature classification based on deep learning for ternary change detection in SAR images
CN110135267B (zh) 一种大场景sar图像细微目标检测方法
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
Wan et al. A robust fuzzy c-means algorithm based on Bayesian nonlocal spatial information for SAR image segmentation
CN108428220B (zh) 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法
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
CN112132012B (zh) 基于生成对抗网络的高分辨率sar船舶图像生成方法
CN109359525B (zh) 基于稀疏低秩的判别谱聚类的极化sar图像分类方法
CN108932455B (zh) 遥感图像场景识别方法及装置
CN110490894B (zh) 基于改进的低秩稀疏分解的视频前背景分离方法
CN112884721B (zh) 一种异常检测方法、系统及计算机可读存储介质
Wang et al. SAR images change detection based on spatial coding and nonlocal similarity pooling
CN113283419A (zh) 基于注意力的卷积神经网络指针式仪表图像读数识别方法
CN108846381B (zh) 基于最大边缘度量学习的sar图像变化检测方法
Zhang et al. Feature-to-feature regression for a two-step conditional independence test
CN116012364A (zh) Sar图像变化检测方法和装置
CN112270285B (zh) 一种基于稀疏表示和胶囊网络的sar图像变化检测方法
Su et al. Superpixel-based weighted collaborative sparse regression and reweighted low-rank representation for hyperspectral image unmixing
CN109961028A (zh) 基于三维块匹配和全连接条件随机场的sar检测方法
Ma et al. Weakly supervised deep soft clustering for flood identification in SAR images
CN114998749B (zh) 用于目标检测的sar数据扩增方法
CN111753700A (zh) 一种基于非负稀疏编码的sar图像变化检测方法
Su et al. Change detection in synthetic aperture radar images based on non-local means with ratio similarity measurement
CN116385281A (zh) 一种基于真实噪声模型与生成对抗网络的遥感图像去噪方法
CN115393706A (zh) 一种基于无监督空频表征学习融合的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