CN112200137A - 图像的识别方法及相应装置、存储介质及电子设备 - Google Patents

图像的识别方法及相应装置、存储介质及电子设备 Download PDF

Info

Publication number
CN112200137A
CN112200137A CN202011183741.XA CN202011183741A CN112200137A CN 112200137 A CN112200137 A CN 112200137A CN 202011183741 A CN202011183741 A CN 202011183741A CN 112200137 A CN112200137 A CN 112200137A
Authority
CN
China
Prior art keywords
image
difference
coefficient
determining
label field
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.)
Granted
Application number
CN202011183741.XA
Other languages
English (en)
Other versions
CN112200137B (zh
Inventor
黄平平
段盈宏
谭维贤
乞耀龙
徐伟
董亦凡
洪文
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.)
Inner Mongolia University of Technology
Original Assignee
Inner Mongolia University of Technology
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 Inner Mongolia University of Technology filed Critical Inner Mongolia University of Technology
Priority to CN202011183741.XA priority Critical patent/CN112200137B/zh
Publication of CN112200137A publication Critical patent/CN112200137A/zh
Application granted granted Critical
Publication of CN112200137B publication Critical patent/CN112200137B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (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)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供了一种图像的识别方法及相应装置、存储介质及电子设备，图像的识别方法包括：获取目标区域的第一图像和第二图像；所述第一图像和所述第二图像的采集条件不同；基于所述第一图像和所述第二图像的异质性信息确定差异图像；对所述差异图像进行FCM计算和二次分类，得到初始标签场图像；基于所述差异图像和所述初始标签场图像识别第二图像相比第一图像的变化。本公开中得到的差异图像边缘连续性、区域完整性均较佳，并且降低了利用ICM‑MRF算法对差异图进行计算时，迭代次数增加易陷入局部最优解的几率，能够准确地识别第二图像相比第一图像的变化，进而提高了变化区域的精确度。

Description

图像的识别方法及相应装置、存储介质及电子设备
技术领域
本公开涉及雷达图像处理技术领域，具体而言，涉及一种图像的识别方法及相应装置、存储介质及电子设备。
背景技术
合成孔径雷达(Synthetic Aperture Radar，SAR)具有全天时、全天候、大范围等观测优点，还能获取高时空分辨率和高精度的SAR图像，在灾害变化检测领域具有广阔的应用前景。其中，SAR图像变化检测指对同一区域不同时间、不同成像条件下获得的多幅SAR图像进行分析和比较，进而确定发生变化的区域，其采集的信息为区域性大面积的变化信息，比单点变化信息更有助于灾害的理解和预测；因此，SAR图像的变化检测在城市监测、土地利用、灾害预警等方面得到了具体的应用。
现有技术中，在SAR图像的变化检测也即利用SAR图像确定所述目标区域内的变化区域的过程中，存在以下问题：1、仅利用SAR图像直接合成差异图，该差异图受散斑噪声的影响严重，且边缘不连续，区域完整性较差，进而导致利用该差异图确定的变化区域精确较低；2、直接利用FCM算法进行二次分类，使得存在较多虚检点，同样导致确定的变化区域精度较低；3、利用ICM-MRF算法对差异图进行计算时，随着迭代次数增加易陷入局部最优解，且由于马尔科夫性易导致误检点的产生，进而降低确定所述目标区域内的变化区域的精度。
发明内容
有鉴于此，本公开的目的在于提供一种图像的识别方法及相应装置、存储介质及电子设备，能够得到准确地识别第二图像相比第一图像的变化，进而有效地提高确定的变化区域的精度。
第一方面，本公开提供了一种图像的识别方法，其中，包括：
获取目标区域的第一图像和第二图像；所述第一图像和所述第二图像的采集条件不同；
基于所述第一图像和所述第二图像的异质性信息确定差异图像；
对所述差异图像进行FCM计算和二次分类，得到初始标签场图像；
基于所述差异图像和所述初始标签场图像识别第二图像相比第一图像的变化。
在一种可能的实施方式中，所述基于所述第一图像和所述第二图像的异质性信息确定差异图像，包括：
对所述第一图像和所述第二图像进行预处理；
计算预处理后的所述第一图像的第一异质系数以及预处理后的所述第二图像的第二异质系数；
基于所述第一异质系数和所述第二异质系数对所述第一图像和所述第二图像进行计算，得到相对熵图像；
对预处理后的所述第一图像和预处理后的所述第二图像进行均值比计算，得到均值比值图像；
基于所述相对熵图像和所述均值比值图像确定所述差异图像。
在一种可能的实施方式中，所述基于所述相对熵图像和所述均值比值图像，确定所述差异图像，包括：
基于对所述相对熵图像和所述均值比值图像的小波变换，通过重构图像得到融合差异图像；
对所述融合差异图像进行滤波，得到所述差异图像。
在一种可能的实施方式中，所述基于对所述相对熵图像和所述均值比值图像的小波变换，通过重构图像得到融合差异图像，包括：
利用所述小波变换获取所述相对熵图像的第一低频系数和第一高频系数，以及获取所述均值比值图像的第二低频系数和第二高频系数；
对所述第一低频系数和所述第二低频系数进行加权平均计算，得到第三低频系数；
基于所述第三低频系数和所述第一高频系数确定第一子差异图像，基于所述第三低频系数和所述第二高频系数确定第二子差异图像；
对所述第一子差异图像和所述第二子差异图像进行重构，得到所述融合差异图像。
在一种可能的实施方式中，所述对所述差异图像进行FCM计算和二次分类，得到初始标签场图像，包括：
利用所述FCM计算所述差异图像中每个像元值的隶属度；
基于每个像元值的隶属度确定类别图像；
利用所述第一图像的第一像元值和所述第二图像的第二像元值确定所述类别图像中变化部分的第一相关系数和所述类别图像中待定部分的第二相关系数；
基于所述第一相关系数和所述第二相关系数将所述待定部分划分为变化部分或未变化部分；
基于变化部分和未变化部分确定所述初始标签场图像。
在一种可能的实施方式中，所述基于所述差异图像和所述初始标签场图像识别第二图像相比第一图像的变化，包括：
计算所述初始标签场图像的类均值和类方差，并基于所述类均值和所述类方差计算标签场能量；
对所述差异图像进行归一化处理，并利用归一化处理后的差异图像、所述类均值和所述类方差计算特征场能量；
基于所述特征场能量和所述标签场能量确定变化图像。
在一种可能的实施方式中，所述基于所述特征场能量和所述标签场能量确定变化图像，包括：
基于所述特征场能量和所述标签场能量计算得到似然能量函数；
基于所述似然能量函数确定新的标签场图像；
计算所述初始标签场图像的第三异质系数以及所述新的标签场图像的第四异质系数；
在所述第四异质系数小于所述第三异质系数的情况下，且所述新的标签场图像满足预设条件的情况下，将所述新的标签场图像作为变化图像。
第二方面，本公开还提供了一种变化区域的确定装置，其中，包括：
获取模块，用于获取目标区域的第一图像和第二图像；所述第一图像和所述第二图像的采集条件不同；
第一确定模块，用于基于所述第一图像和所述第二图像的异质性信息确定差异图像；
计算模块，用于对所述差异图像进行FCM计算和二次分类，得到初始标签场图像；
第二确定模块，用于基于所述差异图像和所述初始标签场图像确定变化图像；
第三确定模块，用于基于所述变化图像确定所述目标区域内的变化区域。
第三方面，本公开还提供了一种计算机可读存储介质，其中，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如所述的图像的识别方法的步骤。
第四方面，本公开还提供了一种电子设备，其中，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如所述的图像的识别方法的步骤。
本公开利用第一图像和第二图像的异质性信息确定出差异图像，并对差异图像进行FCM计算和二次分类得到初始标签场图像之后，基于差异图像和初始标签场图像确定出变化图像，进而确定目标区域的变化区域。本公开实施例中得到的差异图像边缘连续性、区域完整性均较佳，并且降低了利用ICM-MRF算法对差异图进行计算时，迭代次数增加易陷入局部最优解的几率，能够准确地识别第二图像相比第一图像的变化，进而提高了变化区域的精确度。
为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本公开或现有技术中的技术方案，下面将对实施例或现有技术描述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公开中记载的一些实施例，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示出了本公开所提供的一种图像的识别方法的流程图；
图2示出了本公开所提供的一种图像的识别方法中确定差异图像的流程图；
图3示出了本公开所提供的一种图像的识别方法中确定所述差异图像的流程图；
图4示出了本公开所提供的一种图像的识别方法中得到融合差异图像的流程图；
图5示出了本公开所提供的一种图像的识别方法中得到初始标签场图像的流程图；
图6示出了本公开所提供的一种图像的识别方法中确定变化图像的流程图；
图7示出了本公开所提供的一种图像的识别方法中进一步确定变化图像的流程图；
图8示出了本公开所提供的一种变化区域的确定装置的结构示意图；
图9示出了本公开所提供的电子设备的结构示意图。
具体实施方式
为了使得本公开的目的、技术方案和优点更加清楚，下面将结合本公开的附图，对本公开的技术方案进行清楚、完整地描述。显然，所描述的实施例是本公开的一部分实施例，而不是全部的实施例。基于所描述的本公开的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。
除非另外定义，本公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
为了保持本公开的以下说明清楚且简明，本公开省略了已知功能和已知部件的详细说明。
为便于对本公开进行理解，首先对本公开所公开的一种图像的识别方法进行详细介绍。
本公开第一方面提供了一种图像的识别方法，图1示出了本公开以服务器或处理器为执行主体时图像的识别方法的流程图，具体步骤如下：
S101，获取目标区域的第一图像和第二图像；第一图像和第二图像的采集条件不同。
这里，目标区域为用户需要确定是否存在变化的区域，例如发生洪灾、崩塌等地质灾害之后，确定A区域是否产生变化，则A区域即为目标区域。
其中，第一图像和第二图像的采集条件不同，该采集条件至少包括采集时间、采集工具等，例如，可以基于合成孔径雷达获取目标区域的第一图像和第二图像，并且第一图像和第二图像为不同时刻采集的；例如，第一图像为发生洪灾之前目标区域的图像，第二图像为发生洪灾之后目标区域的图像等；还可以是在不同时刻利用不同的采集设备采集第一图像和第二图像等。
S102，基于第一图像和第二图像的异质性信息确定差异图像。
进一步地，分别计算第一图像和第二图像的异质性信息，其中，该异质性信息至少包括异质系数；进而，基于第一图像和第二图像的异质性信息确定差异图像。
S103，对差异图像进行FCM计算和二次分类，得到初始标签场图像。
在确定差异图像之后，基于该差异图像计算该差异图像中变化的部分和未变化的部分；具体地，将差异图像进行模糊C均值聚类，之后再利用相关系数进行二次分类，进而得到初始标签场图像；其中，该初始标签场图像中便包含两类标签，一类代表变化部分，另一类代表未变化部分。
S104，基于差异图像和初始标签场图像识别第二图像相比第一图像的变化。
考虑到该初始标签场图像存在一定的噪声，因此对该初始标签场图像进行降噪处理；具体地，利用ICM-MRF算法对差异图像和初始标签场图像进行计算，确定变化部分和未变化部分，进而确定变化图像，以基于该变化图像确定出第二图像相比第一图像的变化。
这里，变化图像和第一图像、第二图像的大小相同，在得到变化图像之后，确定出变化图像中的变化部分；基于变化图像与目标区域之间的映射关系，识别出变化部分也便确定出目标区域内的变化区域。
具体地，图2示出了基于第一图像和第二图像的异质性信息确定差异图像的方法流程图，其中，具体步骤如下：
S201，对第一图像和第二图像进行预处理。
这里，对第一图像和第二图像进行的预处理至少包括配准和滤波，当然还可以包括其他能够去噪的处理，以确保后续计算的准确性。
S202，计算预处理后的第一图像的第一异质系数以及预处理后的第二图像的第二异质系数。
具体地，利用公式(1)分别计算预处理后的第一图像的第一异质系数以及预处理后的第二图像的第二异质系数，其中，公式(1)如下：
Figure BDA0002750887440000071
其中，
Figure BDA0002750887440000074
表示图像像元间的异质系数，
Figure BDA0002750887440000072
表示图像像元邻域的方差；μi(x)表示图像像元邻域的均值，x表示图像像元的像元值；这里i取1或2，分别标识第一图像和第二图像。
值得说明的是，xi可以是图像像元间的像元值，还可以是该像元的像元邻域的像元均值等。
S203，基于第一异质系数和第二异质系数对第一图像和第二图像进行计算，得到相对熵图像。
进一步地，在计算出第一异质系数和第二异质系数之后，利用公式(2)-(4)对第一图像和第二图像进行计算以得到相对熵图像，其中，公式(2)-(4)如下：
Figure BDA0002750887440000073
Figure BDA0002750887440000075
Figure BDA0002750887440000076
其中，Ys表示X2对X1的异质性相对熵图像，X1表示第一图像，X2表示第二图像，
Figure BDA0002750887440000077
表示X1中像元点n异质系数的归一化；
Figure BDA0002750887440000078
表示X2中像元点n异质系数的归一化；μ1表示X1去除中心像元点的像元邻域的像元均值；μ2表示X2去除中心像元点的像元邻域的像元均值；xi表示X1或X2中的第i个像元的像元值。
当然，利用该(2)-(4)也可以计算X1对X2的异质性相对熵图像，这里就不做过多赘述。
S204，对预处理后的第一图像和预处理后的第二图像进行均值比计算，得到均值比值图像。
具体地，利用公式(5)计算得到均值比值图像，其中，公式(5)如下：
Figure BDA0002750887440000081
其中，Ym表示均值比值图像，μ1(i,j)表示X1中像元(i,j)处的邻域内的平均值，μ2(i,j)表示X2中像元(i,j)处的像元邻域的像元均值。
S205，基于相对熵图像和均值比值图像确定差异图像。
在得到相对熵图像和均值比值图像之后，对相对熵图像和均值比值图像进行融合得到差异图像。
进一步地，基于相对熵图像和均值比值图像确定差异图像的方法流程图参照图3，其中，具体步骤如下：
S301，基于对相对熵图像和均值比值图像的小波变换，通过重构图像得到融合差异图像。
这里，考虑到相对熵图像和均值比值图像分别携带有较为明显的图像信息，因此，基于小波变换的特性，利用小波变化对相对熵图像和均值比值图像进行重构，进而提取出较为平稳的图像信号特征。
S302，对融合差异图像进行滤波，得到差异图像。
在对相对熵图像和均值比值图像进行重构得到融合差异图像之后，利用如下的公式(6)-(9)对融合差异图像进行保边和进一步去噪的处理，其中，公式(6)如下：
Figure BDA0002750887440000082
其中，De表示差异图像，D(i,j)表示融合差异图像中(i,j)处的像元值，w(i,j)表示双边滤波的权值系数。
进一步地，公式(7)如下：
w(i,j)＝wv(i,j)wu(i,j) (7)
其中，w(i,j)表示融合差异图像中(i,j)处双边滤波的权值系数，wu(i,j)表示融合差异图像中(i,j)处像元相似度权重，wv(i,j)表示融合差异图像中(i,j)处空域距离权重。
再者，公式(8)如下：
Figure BDA0002750887440000091
其中，wv(i,j)表示融合差异图像中(i,j)处空域距离权重，δv表示调节参数，取0-1。
再者，公式(9)如下：
Figure BDA0002750887440000092
其中，wu(i,j)表示融合差异图像中(i,j)处像元相似度权重，x表示融合差异图像中像元(i,j)处邻域内的横坐标，y表示融合差异图像中像元(i,j)处邻域内的纵坐标，δu表示调节参数，取0-1。
由步骤301-302得到的差异图质量较好，其变化区域相对于背景对比度较高，能够较为明确地确定变化区域。
具体地，图4示出了基于对相对熵图像和均值比值图像的小波变换，通过重构图像得到融合差异图像的方法流程图，其中，具体步骤如下：
S401，利用小波变换获取相对熵图像的第一低频系数和第一高频系数，以及获取均值比值图像的第二低频系数和第二高频系数。
利用小波变换算法，从相对熵图像中提取第一低频系数和第一高频系数，从均值比值图像中提取第二低频系数和第二高频系数。
这里，小波变换算法可以得到更低分辨率水平上的低频轮廓信息，以及在水平垂直和对角线方向的高频细节信息，并分别用低频系数和高频系数表示。
S402，对第一低频系数和第二低频系数进行加权平均计算，得到第三低频系数。
具体地，可以利用公式(10)来利用第一低频系数和第二低频系数计算得到第三低频系数，其中，公式(10)如下：
Lf＝αLs+(1-α)Lm (10)
其中，Lf表示第三低频系数，Ls表示第一低频系数，Lm表示第二低频系数，α(α＝0～1)表示加权系数。
S403，基于第三低频系数和第一高频系数确定第一子差异图像，基于第三低频系数和第二高频系数确定第二子差异图像。
具体地，继续利用小波变换对第三低频系数和第一高频系数进行融合得到第一子差异图像，以及对第三低频系数和第二高频系数进行融合得到第二子差异图像。当然，也可以利用其它融合方式进行融合。
S404，对第一子差异图像和第二子差异图像进行重构，得到融合差异图像。
具体地，选取同一像元处第一子差异图像和第二子差异图像中局部能量较小的像元值作为融合差异图像的像元值，其中，可以参照公式(11)如下：
Figure BDA0002750887440000101
其中，D(i,j)表示融合差异图像中(i,j)处的像元值，Ds(i,j)表示第一子差异图像中(i,j)处的像元值，Dm(i,j)表示第二子差异图像中(i,j)处的像元值，L表示像元(i,j)处的邻域，D(q)为L内第q个像元的像元值。
进一步地，图5示出了对差异图像进行FCM计算和二次分类，得到初始标签场图像的方法流程图，其中，具体步骤如下：
S501，利用FCM计算差异图像中每个像元值的隶属度。
具体地，可以利用公式(12)-(14)来计算差异图像中每个像元值的隶属度，其中，公式(12)如下：
Figure BDA0002750887440000102
Figure BDA0002750887440000111
Figure BDA0002750887440000112
其中，J表示目标函数的值；uηt表示第η个像元的第t类隶属度(本文选取t＝3，分别对应变化部分、未变化部分以及待定部分)，yη表示第η个像元的像元值，yt表示第t类的聚类中心；yq表示第q类的聚类中心；c表示模糊权重(一般取c＝2)。
重复进行上述公式(12)-(14)，直至J趋于稳定不在变化。
S502，基于每个像元值的隶属度确定类别图。
在目标函数满足迭代条件之后，也即J趋于稳定不在变化之后，利用如下公式(15)来确定类别图像，具体如下：
Figure BDA0002750887440000113
其中，Db表示类别图像，uη1为第η个像元对应的第一类隶属度，uη2为第η个像元对应的第二类隶属度，uη3为第η个像元对应的第三类隶属度，且本公开实施例中设定1对应变化部分，0对应待定部分，2对应未变化部分。
S503，利用第一图像的第一像元值和第二图像的第二像元值确定类别图像中变化部分的第一相关系数和类别图像中待定部分的第二相关系数。
具体地，利用公式(16)来分别计算第一相关系数和第二相关系数，其中，公式(16)如下：
Figure BDA0002750887440000114
其中，Ic(i,j)表示为(i,j)处像元点对应的相关系数值，X1(i,j)表示X1中(i,j)处的像元值，X2(i,j)表示X2中(i,j)处的像元值，
Figure BDA0002750887440000121
表示X1中(i,j)邻域的像元值均值，
Figure BDA0002750887440000122
表示X2中(i,j)邻域的像元值均值。
S504，基于第一相关系数和第二相关系数将待定部分重新划分为变化部分或未变化部分。
具体地，利用公式(17)将待定部分重新划分为变化部分或未变化部分，其中，公式(17)如下：
Figure BDA0002750887440000123
其中，Db表示类别图像，Icm0表示第二相关系数，Icm1表示第一相关系数。
同样地，公式(17)中的1对应变化部分，2对应未变化部分。
S505，基于变化部分和未变化部分确定初始标签场图像。
这里，初始标签场图像便能够在一定程度上表征出目标区域内的变化区域。考虑到该初始标签场图像仍存在一定的噪声，因此，利用图6示出的方法对该初始标签场图像进行优化。
进一步地，图6示出了基于差异图像和初始标签场图像识别第二图像相比第一图像的变化的方法流程图，其中，具体步骤如下：
S601，计算初始标签场图像的类均值和类方差，并基于类均值和类方差计算标签场能量。
考虑到图像变化的特性，图像中的能量越大，则表示其不容易产生变化，也就是说该图像变化的概率越小，因此，利用该特性，来计算初始标签场图像和差异图像的能量，进而确定变化图像。
具体地，利用公式(18)和(19)来计算初始标签场图像的标签场能量，其中，公式(18)如下：
Figure BDA0002750887440000124
进一步地，公式(19)如下：
Figure BDA0002750887440000125
其中，Db表示初始标签场图像；xbη表示Db中第η个像元的像元值，Vh表示基团势能函数，H表示所有基团的集合，β表示马尔科夫参数，Dbη表示Db的第η个像元的标签值，L表示此标签值的邻域标签值集合，Dbq表示L内的第q个标签值，δ(Dbη,Dbq)表示L内的能量值。其中，本公开实施例中标签值为1或2，1对应变化部分，2对应未变化部分。
S602，对差异图像进行归一化处理，并利用归一化处理后的差异图像、类均值和类方差计算特征场能量。
具体地，利用公式(20)-(21)来计算差异图像的特征场能量，其中，公式(20)如下：
Figure BDA0002750887440000131
进一步地，公式(21)如下：
De *＝abs[De/max(De)] (21)
其中，De *表示De归一化处理后的图像，xeη表示De *的第η个像元的像元值，
Figure BDA0002750887440000132
表示Db下的两类像元方差,Xi(i＝1,2)表示Db下的两类像元均值。其中，i取1或2，分别表示第一类像元和第二类像元。
S603，基于特征场能量和标签场能量确定变化图像。
基于差异图像的特征场能量以及初始标签场图像的标签场能量，便能够确定出图像中每个部分的变化概率，进而确定出变化图像。其中，该变化图像中的两类像素则分别表征变化部分和未变化部分，进而能够根据该变化图像确定目标区域中的变化区域，也即基于变化图像识别出第二图像相比第一图像的变化。
具体地，基于特征场能量和标签场能量确定变化图像的方法流程图参照图7，其中，具体步骤如下：
S701，基于特征场能量和标签场能量计算得到似然能量函数。
具体地，利用公式(22)来计算似然能量函数，其中，公式(22)如下：
Figure BDA0002750887440000133
其中，Uη1表示第η个像元对应的第1类的似然能量函数，Uη2表示第η个像元对应的第2类的似然能量函数，Vh表示基团势能函数，H表示所有基团的集合，xeη表示De *的第η个像元的像元值，De *表示De归一化处理后的图像，Xi(i＝1,2)表示类标签场Db下的两类像元均值。
S702，基于似然能量函数确定新的标签场图像。
Figure BDA0002750887440000141
其中，Dm表示新的标签场图像，Uη1为第η个像元对应的第1类的似然能量函数，Uη2为第η个像元对应的第2类的似然能量函数。
S703，计算初始标签场图像的第三异质系数以及新的标签场图像的第四异质系数。
这里，计算第三异质系数以及第四异质系数的方法与计算第一异质系数以及第二异质系数相同，这里不再做过多赘述。
S704，在第四异质系数小于第三异质系数的情况下，且新的标签场图像满足预设条件的情况下，将新的标签场图像作为变化图像。
在计算得到第三异质系数和第四异质系数之后，将第三异质系数和第四异质系数进行对比，并在第四异质系数小于第三异质系数的情况下，将新的标签场图像替换为初始标签场图像；之后，重复上述步骤701-703，直至新的标签场图像的变化趋于稳定，也即其相对于初始标签场图像的变化率较为稳定，此时，将新的标签场图像作为变化图像。进而，用户可以直接基于变化图像确定目标区域内的变化区域，也即识别出第二图像相比第一图像的变化。
本公开利用异质性信息确定出相对熵图像与均值比值图像，并利用小波变换将相对熵图像与均值比值图像进行融合，进而得到群分性较好的融合差异图像，使得SAR图像在变化检测过程中更容易进行聚类分割；进一步地，基于FCM计算和二次分类确定出变化图像，相比于利用FCM算法直接聚类结果，二次分类后的结果虚检率较低，并且，在迭代过程中通过异质性信息组合初始标签场图像和新的标签场图像，减小随迭代次数增加使算法陷入局部最优解的几率，并且减少因马尔科夫性而导致一些误检点的产生，提高了变化区域的精确度。
基于同一发明构思，本公开的第二方面还提供了一种与图像的识别方法对应的变化区域的确定装置，由于本公开中的装置解决问题的原理与本公开上述图像的识别方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
参见图8所示，变化区域的确定装置包括：
获取模块801，用于获取目标区域的第一图像和第二图像；所述第一图像和所述第二图像的采集条件不同；
第一确定模块802，用于基于所述第一图像和所述第二图像的异质性信息确定差异图像；
计算模块803，用于对所述差异图像进行FCM计算和二次分类，得到初始标签场图像；
第二确定模块804，用于基于所述差异图像和所述初始标签场图像确定变化图像；
第三确定模块805，用于基于所述变化图像确定所述目标区域内的变化区域。
在又一实施例中，第一确定模块802包括：
预处理单元，用于对所述第一图像和所述第二图像进行预处理；
第一计算单元，用于计算预处理后的所述第一图像的第一异质系数以及预处理后的所述第二图像的第二异质系数；
第二计算单元，用于基于所述第一异质系数和所述第二异质系数对所述第一图像和所述第二图像进行计算，得到相对熵图像；
第三计算单元，用于对预处理后的所述第一图像和预处理后的所述第二图像进行均值比计算，得到均值比值图像；
第一确定单元，用于基于所述相对熵图像和所述均值比值图像确定所述差异图像。
在又一实施例中，确定单元包括：
重构子单元，用于基于对所述相对熵图像和所述均值比值图像的小波变换，通过重构图像得到融合差异图像；
滤波子单元，用于对所述融合差异图像进行滤波，得到所述差异图像。
在又一实施例中，重构子单元具体用于：
利用所述小波变换获取所述相对熵图像的第一低频系数和第一高频系数，以及获取所述均值比值图像的第二低频系数和第二高频系数；
对所述第一低频系数和所述第二低频系数进行加权平均计算，得到第三低频系数；
基于所述第三低频系数和所述第一高频系数确定第一子差异图像，基于所述第三低频系数和所述第二高频系数确定第二子差异图像；
对所述第一子差异图像和所述第二子差异图像进行重构，得到所述融合差异图像。
在又一实施例中，计算模块803包括：
第四计算单元，用于利用所述FCM计算所述差异图像中每个像元值的隶属度；
第二确定单元，用于基于每个像元值的隶属度确定类别图像；
第三确定单元，用于利用所述第一图像的第一像元值和所述第二图像的第二像元值确定所述类别图像中变化部分的第一相关系数和所述类别图像中待定部分的第二相关系数；
划分单元，用于基于所述第一相关系数和所述第二相关系数将所述待定部分重新划分为变化部分或未变化部分；
第四确定单元，用于基于变化部分和未变化部分确定所述初始标签场图像。
在又一实施例中，第二确定模块804包括：
第五计算单元，用于计算所述初始标签场图像的类均值和类方差，并基于所述类均值和所述类方差计算标签场能量；
第六计算单元，用于对所述差异图像进行归一化处理，并利用归一化处理后的差异图像、所述类均值和所述类方差计算特征场能量；
第五确定单元，用于基于所述特征场能量和所述标签场能量确定变化图像。
在又一实施例中，第五确定单元具体用于：
基于所述特征场能量和所述标签场能量计算得到似然能量函数；
基于所述似然能量函数确定新的标签场图像；
计算所述初始标签场图像的第三异质系数以及所述新的标签场图像的第四异质系数；
在所述第四异质系数小于所述第三异质系数的情况下，且所述新的标签场图像满足预设条件的情况下，将所述新的标签场图像作为变化图像。
本公开利用异质性信息确定出相对熵图像与均值比值图像，并利用小波变换将相对熵图像与均值比值图像进行融合，进而得到群分性较好的融合差异图像，使得SAR图像在变化检测过程中更容易进行聚类分割；进一步地，基于FCM计算和二次分类确定出变化图像，相比于利用FCM算法直接聚类结果，二次分类后的结果虚检率较低，并且，在迭代过程中通过异质性信息组合初始标签场图像和新的标签场图像，减小随迭代次数增加使算法陷入局部最优解的几率，并且减少因马尔科夫性而导致一些误检点的产生，提高了变化区域的精确度。
本公开的第三方面还提供了一种存储介质，该存储介质为计算机可读介质，存储有计算机程序，该计算机程序被处理器执行时实现本公开任意实施例提供的方法，包括如下步骤：
S11，获取目标区域的第一图像和第二图像；所述第一图像和所述第二图像的采集条件不同；
S12，基于所述第一图像和所述第二图像的异质性信息确定差异图像；
S13，对所述差异图像进行FCM计算和二次分类，得到初始标签场图像；
S14，基于所述差异图像和所述初始标签场图像识别第二图像相比第一图像的变化。
计算机程序被处理器执行基于所述第一图像和所述第二图像的异质性信息确定差异图像时，具体被处理器执行如下步骤：对所述第一图像和所述第二图像进行预处理；计算预处理后的所述第一图像的第一异质系数以及预处理后的所述第二图像的第二异质系数；基于所述第一异质系数和所述第二异质系数对所述第一图像和所述第二图像进行计算，得到相对熵图像；对预处理后的所述第一图像和预处理后的所述第二图像进行均值比计算，得到均值比值图像；基于所述相对熵图像和所述均值比值图像确定所述差异图像。
计算机程序被处理器执行基于所述相对熵图像和所述均值比值图像，确定所述差异图像时，具体被处理器执行如下步骤：基于对所述相对熵图像和所述均值比值图像的小波变换，通过重构图像得到融合差异图像；对所述融合差异图像进行滤波，得到所述差异图像。
计算机程序被处理器执行基于对所述相对熵图像和所述均值比值图像的小波变换，通过重构图像得到融合差异图像时，具体被处理器执行如下步骤：利用所述小波变换获取所述相对熵图像的第一低频系数和第一高频系数，以及获取所述均值比值图像的第二低频系数和第二高频系数；对所述第一低频系数和所述第二低频系数进行加权平均计算，得到第三低频系数；基于所述第三低频系数和所述第一高频系数确定第一子差异图像，基于所述第三低频系数和所述第二高频系数确定第二子差异图像；对所述第一子差异图像和所述第二子差异图像进行重构，得到所述融合差异图像。
计算机程序被处理器执行对所述差异图像进行FCM计算和二次分类，得到初始标签场图像时，具体被处理器执行如下步骤：利用所述FCM计算所述差异图像中每个像元值的隶属度；基于每个像元值的隶属度确定类别图像；利用所述第一图像的第一像元值和所述第二图像的第二像元值确定所述类别图像中变化部分的第一相关系数和所述类别图像中待定部分的第二相关系数；基于所述第一相关系数和所述第二相关系数将所述待定部分重新划分为变化部分或未变化部分；基于变化部分和未变化部分确定所述初始标签场图像。
计算机程序被处理器执行基于所述差异图像和所述初始标签场图像识别第二图像相比第一图像的变化时，具体被处理器执行如下步骤：计算所述初始标签场图像的类均值和类方差，并基于所述类均值和所述类方差计算标签场能量；对所述差异图像进行归一化处理，并利用归一化处理后的差异图像、所述类均值和所述类方差计算特征场能量；基于所述特征场能量和所述标签场能量确定变化图像。
计算机程序被处理器执行基于所述特征场能量和所述标签场能量确定变化图像时，具体被处理器执行如下步骤：基于所述特征场能量和所述标签场能量计算得到似然能量函数；基于所述似然能量函数确定新的标签场图像；计算所述初始标签场图像的第三异质系数以及所述新的标签场图像的第四异质系数；在所述第四异质系数小于所述第三异质系数的情况下，且所述新的标签场图像满足预设条件的情况下，将所述新的标签场图像作为变化图像。
本公开利用异质性信息确定出相对熵图像与均值比值图像，并利用小波变换将相对熵图像与均值比值图像进行融合，进而得到群分性较好的融合差异图像，使得SAR图像在变化检测过程中更容易进行聚类分割；进一步地，基于FCM计算和二次分类确定出变化图像，相比于利用FCM算法直接聚类结果，二次分类后的结果虚检率较低，并且，在迭代过程中通过异质性信息组合初始标签场图像和新的标签场图像，减小随迭代次数增加使算法陷入局部最优解的几率，并且减少因马尔科夫性而导致一些误检点的产生，提高了变化区域的精确度。
本公开的第四方面还提供了一种电子设备，如图9所示，该电子设备至少包括存储器901和处理器902，存储器901上存储有计算机程序，处理器902在执行存储器901上的计算机程序时实现本公开任意实施例提供的方法。示例性的，电子设备计算机程序执行的方法如下：
S21，获取目标区域的第一图像和第二图像；所述第一图像和所述第二图像的采集条件不同；
S22，基于所述第一图像和所述第二图像的异质性信息确定差异图像；
S23，对所述差异图像进行FCM计算和二次分类，得到初始标签场图像；
S24，基于所述差异图像和所述初始标签场图像识别第二图像相比第一图像的变化。
处理器在执行存储器上存储的基于所述第一图像和所述第二图像的异质性信息确定差异图像时，还执行如下计算机程序：对所述第一图像和所述第二图像进行预处理；计算预处理后的所述第一图像的第一异质系数以及预处理后的所述第二图像的第二异质系数；基于所述第一异质系数和所述第二异质系数对所述第一图像和所述第二图像进行计算，得到相对熵图像；对预处理后的所述第一图像和预处理后的所述第二图像进行均值比计算，得到均值比值图像；基于所述相对熵图像和所述均值比值图像确定所述差异图像。
处理器在执行存储器上存储的基于所述相对熵图像和所述均值比值图像，确定所述差异图像时，还执行如下计算机程序：基于对所述相对熵图像和所述均值比值图像的小波变换，通过重构图像得到融合差异图像；对所述融合差异图像进行滤波，得到所述差异图像。
处理器在执行存储器上存储的基于对所述相对熵图像和所述均值比值图像的小波变换，通过重构图像得到融合差异图像时，还执行如下计算机程序：利用所述小波变换获取所述相对熵图像的第一低频系数和第一高频系数，以及获取所述均值比值图像的第二低频系数和第二高频系数；对所述第一低频系数和所述第二低频系数进行加权平均计算，得到第三低频系数；基于所述第三低频系数和所述第一高频系数确定第一子差异图像，基于所述第三低频系数和所述第二高频系数确定第二子差异图像；对所述第一子差异图像和所述第二子差异图像进行重构，得到所述融合差异图像。
处理器在执行存储器上存储的对所述差异图像进行FCM计算和二次分类，得到初始标签场图像时，还执行如下计算机程序：利用所述FCM计算所述差异图像中每个像元值的隶属度；基于每个像元值的隶属度确定类别图像；利用所述第一图像的第一像元值和所述第二图像的第二像元值确定所述类别图像中变化部分的第一相关系数和所述类别图像中待定部分的第二相关系数；基于所述第一相关系数和所述第二相关系数将所述待定部分重新划分为变化部分或未变化部分；基于变化部分和未变化部分确定所述初始标签场图像。
处理器在执行存储器上存储的基于所述差异图像和所述初始标签场图像识别第二图像相比第一图像的变化时，还执行如下计算机程序：计算所述初始标签场图像的类均值和类方差，并基于所述类均值和所述类方差计算标签场能量；对所述差异图像进行归一化处理，并利用归一化处理后的差异图像、所述类均值和所述类方差计算特征场能量；基于所述特征场能量和所述标签场能量确定变化图像。
处理器在执行存储器上存储的基于所述特征场能量和所述标签场能量确定变化图像时，还执行如下计算机程序：基于所述特征场能量和所述标签场能量计算得到似然能量函数；基于所述似然能量函数确定新的标签场图像；计算所述初始标签场图像的第三异质系数以及所述新的标签场图像的第四异质系数；在所述第四异质系数小于所述第三异质系数的情况下，且所述新的标签场图像满足预设条件的情况下，将所述新的标签场图像作为变化图像。
本公开利用异质性信息确定出相对熵图像与均值比值图像，并利用小波变换将相对熵图像与均值比值图像进行融合，进而得到群分性较好的融合差异图像，使得SAR图像在变化检测过程中更容易进行聚类分割；进一步地，基于FCM计算和二次分类确定出变化图像，相比于利用FCM算法直接聚类结果，二次分类后的结果虚检率较低，并且，在迭代过程中通过异质性信息组合初始标签场图像和新的标签场图像，减小随迭代次数增加使算法陷入局部最优解的几率，并且减少因马尔科夫性而导致一些误检点的产生，提高了变化区域的精确度。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(LAN)、广域网(WAN)、网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述存储介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述存储介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取至少两个网际协议地址；向节点评价设备发送包括至少两个网际协议地址的节点评价请求，其中，节点评价设备从至少两个网际协议地址中，选取网际协议地址并返回；接收节点评价设备返回的网际协议地址；其中，所获取的网际协议地址指示内容分发网络中的边缘节点。
或者，上述存储介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：接收包括至少两个网际协议地址的节点评价请求；从至少两个网际协议地址中，选取网际协议地址；返回选取出的网际协议地址；其中，接收到的网际协议地址指示内容分发网络中的边缘节点。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
需要说明的是，本公开上述的存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何存储介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本邻域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
以上对本公开多个实施例进行了详细说明，但本公开不限于这些具体的实施例，本邻域技术人员在本公开构思的基础上，能够做出多种变型和修改实施例，这些变型和修改都应落入本公开所要求保护的范围之内。

Claims (10)

1.一种图像的识别方法，其特征在于，包括：
获取目标区域的第一图像和第二图像；所述第一图像和所述第二图像的采集条件不同；
基于所述第一图像和所述第二图像的异质性信息确定差异图像；
对所述差异图像进行FCM计算和二次分类，得到初始标签场图像；
基于所述差异图像和所述初始标签场图像识别第二图像相比第一图像的变化。
2.根据权利要求1的识别方法，其特征在于，所述基于所述第一图像和所述第二图像的异质性信息确定差异图像，包括：
对所述第一图像和所述第二图像进行预处理；
计算预处理后的所述第一图像的第一异质系数以及预处理后的所述第二图像的第二异质系数；
基于所述第一异质系数和所述第二异质系数对所述第一图像和所述第二图像进行计算，得到相对熵图像；
对预处理后的所述第一图像和预处理后的所述第二图像进行均值比计算，得到均值比值图像；
基于所述相对熵图像和所述均值比值图像确定所述差异图像。
3.根据权利要求2的识别方法，其特征在于，所述基于所述相对熵图像和所述均值比值图像，确定所述差异图像，包括：
基于对所述相对熵图像和所述均值比值图像的小波变换，通过重构图像得到融合差异图像；
对所述融合差异图像进行滤波，得到所述差异图像。
4.根据权利要求3的识别方法，其特征在于，所述基于对所述相对熵图像和所述均值比值图像的小波变换，通过重构图像得到融合差异图像，包括：
利用所述小波变换获取所述相对熵图像的第一低频系数和第一高频系数，以及获取所述均值比值图像的第二低频系数和第二高频系数；
对所述第一低频系数和所述第二低频系数进行加权平均计算，得到第三低频系数；
基于所述第三低频系数和所述第一高频系数确定第一子差异图像，基于所述第三低频系数和所述第二高频系数确定第二子差异图像；
对所述第一子差异图像和所述第二子差异图像进行重构，得到所述融合差异图像。
5.根据权利要求1的识别方法，其特征在于，所述对所述差异图像进行FCM计算和二次分类，得到初始标签场图像，包括：
利用所述FCM计算所述差异图像中每个像元值的隶属度；
基于每个像元值的隶属度确定类别图像；
利用所述第一图像的第一像元值和所述第二图像的第二像元值确定所述类别图像中变化部分的第一相关系数和所述类别图像中待定部分的第二相关系数；
基于所述第一相关系数和所述第二相关系数将所述待定部分划分为变化部分或未变化部分；
基于变化部分和未变化部分确定所述初始标签场图像。
6.根据权利要求1的识别方法，其特征在于，所述基于所述差异图像和所述初始标签场图像识别第二图像相比第一图像的变化，包括：
计算所述初始标签场图像的类均值和类方差，并基于所述类均值和所述类方差计算标签场能量；
对所述差异图像进行归一化处理，并利用归一化处理后的差异图像、所述类均值和所述类方差计算特征场能量；
基于所述特征场能量和所述标签场能量确定变化图像。
7.根据权利要求6的识别方法，其特征在于，所述基于所述特征场能量和所述标签场能量确定变化图像，包括：
基于所述特征场能量和所述标签场能量计算得到似然能量函数；
基于所述似然能量函数确定新的标签场图像；
计算所述初始标签场图像的第三异质系数以及所述新的标签场图像的第四异质系数；
在所述第四异质系数小于所述第三异质系数的情况下，且所述新的标签场图像满足预设条件的情况下，将所述新的标签场图像作为变化图像。
8.一种变化区域的确定装置，其特征在于，包括：
获取模块，用于获取目标区域的第一图像和第二图像；所述第一图像和所述第二图像的采集条件不同；
第一确定模块，用于基于所述第一图像和所述第二图像的异质性信息确定差异图像；
计算模块，用于对所述差异图像进行FCM计算和二次分类，得到初始标签场图像；
第二确定模块，用于基于所述差异图像和所述初始标签场图像确定变化图像；
第三确定模块，用于基于所述变化图像确定所述目标区域内的变化区域。
9.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至7任意一项所述的图像的识别方法的步骤。
10.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至7任意一项所述的图像的识别方法的步骤。
CN202011183741.XA 2020-10-29 2020-10-29 图像的识别方法及相应装置、存储介质及电子设备 Active CN112200137B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011183741.XA CN112200137B (zh) 2020-10-29 2020-10-29 图像的识别方法及相应装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011183741.XA CN112200137B (zh) 2020-10-29 2020-10-29 图像的识别方法及相应装置、存储介质及电子设备

Publications (2)

Publication Number Publication Date
CN112200137A true CN112200137A (zh) 2021-01-08
CN112200137B CN112200137B (zh) 2022-11-25

Family

ID=74012481

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011183741.XA Active CN112200137B (zh) 2020-10-29 2020-10-29 图像的识别方法及相应装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN112200137B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104751478A (zh) * 2015-04-20 2015-07-01 武汉大学 一种基于多特征融合的面向对象的建筑物变化检测方法
CN106646469A (zh) * 2016-12-21 2017-05-10 中国科学院遥感与数字地球研究所 基于变异系数法的sar船只检测优化方法
CA2959229A1 (en) * 2016-06-08 2017-12-08 Hitachi Solutions, Ltd. Ground surface information analysis system and ground surface information analysis method
CN109242889A (zh) * 2018-08-27 2019-01-18 大连理工大学 基于上下文显著性检测与sae的sar图像变化检测方法
CN109919910A (zh) * 2019-01-25 2019-06-21 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
CN110111300A (zh) * 2019-03-18 2019-08-09 西安电子科技大学 一种图像变化检测方法
CN110956602A (zh) * 2019-12-17 2020-04-03 内蒙古工业大学 一种变化区域的确定方法、装置及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104751478A (zh) * 2015-04-20 2015-07-01 武汉大学 一种基于多特征融合的面向对象的建筑物变化检测方法
CA2959229A1 (en) * 2016-06-08 2017-12-08 Hitachi Solutions, Ltd. Ground surface information analysis system and ground surface information analysis method
CN106646469A (zh) * 2016-12-21 2017-05-10 中国科学院遥感与数字地球研究所 基于变异系数法的sar船只检测优化方法
CN109242889A (zh) * 2018-08-27 2019-01-18 大连理工大学 基于上下文显著性检测与sae的sar图像变化检测方法
CN109919910A (zh) * 2019-01-25 2019-06-21 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
CN110111300A (zh) * 2019-03-18 2019-08-09 西安电子科技大学 一种图像变化检测方法
CN110956602A (zh) * 2019-12-17 2020-04-03 内蒙古工业大学 一种变化区域的确定方法、装置及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HAO FENG等: "Building Change Detection with Time-series SAR Images", 《EUSAR 2018; 12TH EUROPEAN CONFERENCE ON SYNTHETIC APERTURE RADAR》 *
张朋朋等: "基于三维块匹配和全连接条件随机场的SAR图像变化检测", 《第五届高分辨率对地观测学术年会论文集》 *
王艳艳: "基于空间邻域信息的遥感影像变化检测", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *
黄平平等: "基于地基雷达图像的无监督变化检测", 《雷达学报》 *

Also Published As

Publication number Publication date
CN112200137B (zh) 2022-11-25

Similar Documents

Publication Publication Date Title
Wang et al. Uncertainty estimation for stereo matching based on evidential deep learning
CN106897681B (zh) 一种遥感图像对比分析方法及系统
Chen et al. Image fusion algorithm at pixel level based on edge detection
CN107886048A (zh) 目标跟踪方法及系统、存储介质及电子终端
CN111160407B (zh) 一种深度学习目标检测方法及系统
CN111222395A (zh) 目标检测方法、装置与电子设备
US20220148302A1 (en) Method for visual localization and related apparatus
CN112001401B (zh) 用于实例分割的模型及训练方法，实例分割网络
CN112364843A (zh) 插拔式航拍图像目标定位检测方法、系统、设备
CN112508803B (zh) 一种三维点云数据的去噪方法、装置及存储介质
CN116310812B (zh) 基于半监督语义分割对比学习的高分辨遥感图像语义变化检测方法
CN115100741B (zh) 一种点云行人距离风险检测方法、系统、设备和介质
Dhaya Hybrid machine learning approach to detect the changes in SAR images for salvation of spectral constriction problem
Kalshetty et al. Abnormal event detection model using an improved ResNet101 in context aware surveillance system
CN112200137B (zh) 图像的识别方法及相应装置、存储介质及电子设备
CN106960443B (zh) 基于全极化时序sar图像的非监督变化检测的方法及装置
Kusetogullari et al. Unsupervised change detection in landsat images with atmospheric artifacts: a fuzzy multiobjective approach
CN111598158B (zh) 一种基于ai分析技术的仓储库存状态感知方法
CN113393385A (zh) 基于多尺度融合的无监督去雨方法、系统、装置及介质
CN117333468A (zh) 面向多模式时序PolSAR影像的洪涝灾害监测方法
Wu et al. Algorithm Development of Cloud Removal from Solar Images Based on Pix2Pix Network.
WO2023222643A1 (en) Method for image segmentation matching
CN113514796B (zh) 一种无源定位方法、系统和介质
CN116704378A (zh) 一种基于自生长卷积神经网络的国土测绘数据分类方法
Li et al. An improved image registration and fusion algorithm

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