CN113034471B - 一种基于finch聚类的sar图像变化检测方法 - Google Patents
一种基于finch聚类的sar图像变化检测方法 Download PDFInfo
- Publication number
- CN113034471B CN113034471B CN202110320514.5A CN202110320514A CN113034471B CN 113034471 B CN113034471 B CN 113034471B CN 202110320514 A CN202110320514 A CN 202110320514A CN 113034471 B CN113034471 B CN 113034471B
- Authority
- CN
- China
- Prior art keywords
- clustering
- difference map
- map
- pixel
- pixels
- 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 53
- 241000287227 Fringillidae Species 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 43
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 8
- 150000001875 compounds Chemical class 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 230000008901 benefit Effects 0.000 abstract description 7
- 230000009466 transformation Effects 0.000 abstract description 4
- 238000012545 processing Methods 0.000 description 5
- 230000004927 fusion Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000001629 suppression Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
- G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (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)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于FINCH聚类的SAR图像变化检测方法,包括:S1、获取待检测的SAR图像I1和SAR图像I2;S2、基于SAR图像I1和SAR图像I2生成差异图DI;S3、基于FINCH聚类对差异图DI进行聚类,得到变化检测结果。本发明与现有技术相比,将语义关系引用到聚类算法中,采用FINCH聚类对显著性区域进行聚类,充分考虑图像像素之间的空间相关性,进一步提高了变换检测的精度,同时该方法不需要设置任何的阈值或超参数。
Description
技术领域
本发明涉及合成孔径雷达图像变化检测领域,具体涉及一种基于FINCH聚类的SAR图像变化检测方法。
背景技术
合成孔径雷达(SAR)是一种主动式的高分辨微波成像雷达,具有多波段多极化的散射特征,其工作不受光照和气候条件等影响,可以全天时全天候实施持续对地观测,能有效地透过地表或植被,获得被掩盖的信息。与此同时,由于SAR能够在较短的时间间隔内采集数百幅同一场景的图像,因此基于SAR图像的变化检测技术已经成为图像处理中一个至关重要的课题,为环境监测、城市研究、灾害评估、森林资源监测等提供了前所未有的便利和机遇。
常见的SAR图像变化检测方法主要分为两类:分类后比较和比较后分类。(1)分类后比较,该方法首先分别对两幅SAR图像分类,然后比较分类结果,从而得到变化区域和未变化区域。这种方法的好处是避免了不同传感器和不同环境条件导致的不同时刻获得的遥感图像的辐射归一化问题。但是,这种方法也存在一定的缺陷。因为是对两幅图像分别分类,所以就存在单幅图像的分类误差累计到最终分类结果上的问题。该方法需要两幅图像的分类结果都具有极高的准确性。(2)比较后分类,该方法首先生成两幅图像之间的差异图,然后对差异图进行分析以得到变化检测结果,具有良好的性能。然而,这种基于差异图的变化检测技术的缺点在于差异图的质量会对最终的变化检测结果有显著的影响,影响差异图质量的关键因素在于斑点噪声的抑制。现有的大多数方法都是基于后者的。一般来说,比较后分类主要分为三步:(1)SAR图像的预处理;(2)差异图的生成;(3)对差异图进行分析以得到最终的变化检测结果。
对差异图进行分析以得到最终的变化检测结果这一步骤中,通常采用聚类的方法。传统的聚类方法大部分都是通过计算每个样本点与聚类中心的欧式距离,将样本划分到离它距离最近的聚类中心中,从而得到最后的分组。这类方法对于位于高维空间的数据来说样本与样本之间的空间相关性信息较少,并且样本很难在目标流形中均匀分布,检测结果的精度较差。
综上所述,如何充分考虑图像像素之间的空间相关性,进一步提高了变换检测的精度成为了本领域技术人员急需解决的问题。
发明内容
针对上述现有技术的不足,本发明实际解决的问题包括:如何充分考虑图像像素之间的空间相关性,进一步提高了变换检测的精度。
为了解决上述技术问题,本发明采用了如下的技术方案:
一种基于FINCH聚类的SAR图像变化检测方法,包括:
S1、获取待检测的SAR图像I1和SAR图像I2;
S2、基于SAR图像I1和SAR图像I2生成差异图DI;
S3、基于FINCH聚类对差异图DI进行聚类,得到变化检测结果。
优选地,步骤S2包括:
S201、按下式基于SAR图像I1和SAR图像I2生成对数比差异图DIl和差值差异图DIs:
DIs=|I1-I2|
S202、按下式基于对数比差异图DIl和差值差异图DIs生成差异图DI:
DI=αDIl+(1-α)DIs
式中,α表示第一预设权值。
优选地,步骤S202中,首先对对数比差异图DIl进行中值滤波,对差值差异图DIs进行均值滤波,再利用滤波后的对数比差异图DIl和差值差异图DIs生成差异图DI。
优选地,步骤S3包括:
S301、对差异图DI进行显著性检测,确定差异图DI的显著性区域;
S302、基于FINCH聚类对差异图DI的显著性区域进行聚类,得到变化检测结果。
优选地,步骤S301包括:
S3011、按下式计算对数比差异图DIl和差值差异图DIs中像素的显著性值:
dp(pi,qj)表示像素块pi和qj之间的位置距离,dc(pi,qj)表示像素块pi和qj矢量化后在CIE-L*a*b颜色空间上对应的欧式距离;
S3012、将在多个尺度上均不同于N个最相似的像素块的像素确定为显著像素,基于显著像素确定周围像素;
S3013、按下式计算像素的最终显著性值:
式中,σ表示第二预设权值,R表示不同的尺度集合,m为尺度数量;
S3014、按下式计算周围像素新的显著性值:
式中,Si表示像素i新的显著性值,df(i)表示像素i与距离最近的显著像素之间的欧式距离;
S3015、基于显著像素的最终显著性值、周围像素新的显著性值以及剩余像素的最终显著性值生成对数比差异图DIl和差值差异图DIs对应的显著图;
S3016、对对数比差异图DIl和差值差异图DIs对应的显著图使用最大类间方差法,得到对应的分割阈值;
S3017、基于分割阈值确定对数比差异图DIl和差值差异图DIs的显著区域并提取两个显著性区域共有的像素信息;
S3018、将共有的像素信息映射到差异图DI,得到差异图DI的显著性区域。
优选地,步骤S302包括:
S3021、定义邻接矩阵M(x,y),
S3022、基于邻接矩阵返回稀疏邻接矩阵,基于稀疏邻接矩阵生成有向图,将对应的连通分量作为聚类结果;
S3033、判断聚类结果的类别数是否为2,若是,执行步骤S3034;若不是,将聚类结果作为新的像素点返回执行步骤S3021;
S3034、将聚类结果的标签映射到差异图DI的对应位置上,得到变化检测结果。
本发明与现有技术相比,具有以下技术效果:
(1)采用融合的思想,利用对数比差异图和差值差异图得到融合差异图,能够更好的保留图像的局部一致性和边缘细节信息。
(2)将显著性检测应用于SAR图像变化检测中,通过提取差异图的显著性区域,初步定位发生变化的区域,减少变化检测的区域,大大降低背景区域斑点噪声的干扰,提高了所提出方法的鲁棒性。
(3)将语义关系引用到聚类算法中,采用FINCH聚类对显著性区域进行聚类,充分考虑图像像素之间的空间相关性,进一步提高了变换检测的精度,同时该方法不需要设置任何的阈值或超参数。
附图说明
为了使发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述,其中:
图1是本发明公开的一种基于FINCH聚类的SAR图像变化检测方法的一种具体实施方式的流程图;
图2(a)、图2(b)及图2(c)分别为进行效果实验时采用的两张不同时期拍摄的SAR图像及对应的变化参考图;
图3(a)至图3(g)分别为FLICM、PCA K-means、显著图_FCM、NR_ELM、PCANet、CWNN、本发明方法得到的结果图,图3(h)为变化参考图;
图4为KC与正则化参数α之间的关系图;
图5为PCC与正则化参数α之间的关系图。
具体实施方式
下面结合附图对本发明作进一步的详细说明。
如图1所示,本发明公开了一种基于FINCH聚类的SAR图像变化检测方法,包括:
S1、获取待检测的SAR图像I1和SAR图像I2;
S2、基于SAR图像I1和SAR图像I2生成差异图DI;
S3、基于FINCH聚类对差异图DI进行聚类,得到变化检测结果。
本发明将语义关系引用到聚类算法中,采用FINCH聚类对显著性区域进行聚类,充分考虑图像像素之间的空间相关性,进一步提高了变换检测的精度,同时该方法不需要设置任何的阈值或超参数。
传统的差异图生成方法大多都采用单一的算子操作得到,如对数比、差值等,都具有一定的局限性。差值算子是直接将两幅图像对应像素点的灰度值做减法运算,以此来获得差异图。该方法的优点是运算成本小,运算速度快。但由于SAR图像中的斑点噪声属于乘性噪声,而差值法对乘性噪声的抑制效果较差,会使得最终的变化检测结果不是很理想。对数比算子对两幅图像做对数运算,该方法通过将乘性斑点噪声转换为加性噪声,能够较好的保留变化区域,但同时也会存在孤立像素点。因此,在本发明的一种具体实施方式中,采用融合的思想,对两幅差异图进行融合,通过设置权重来保留良好的边缘信息和局部一致性。因此,具体实施时,步骤S2包括:
S201、按下式基于SAR图像I1和SAR图像I2生成对数比差异图DIl和差值差异图DIs:
DIs=|I1-I2|
S202、按下式基于对数比差异图DIl和差值差异图DIs生成差异图DI:
DI=αDIl+(1-α)DIs
式中,α表示第一预设权值。
对数比差异图侧重于保留图像的边缘信息,而差值差异图侧重于保留图像的局部一致性;由于中值滤波器能够很好地保留边缘细节,因此可对对数比差异图DIl进行中值滤波;此外,差值操作会使得差值差异图DIs产生大量的孤立像素点,使用均值滤波器对其进行滤波能够使区域更完整,保持局部一致性。因此具体实施时,步骤S202中,首先对对数比差异图DIl进行中值滤波,对差值差异图DIs进行均值滤波,再利用滤波后的对数比差异图DIl和差值差异图DIs生成差异图DI。
SAR图像变化检测算法是以像素为基本处理单元的,然而,SAR图像数据通常包含几十万甚至更多的像素点。基于像素的变化检测算法往往会消耗大量的时间和资源,处理过程缓慢。不仅如此,由于斑点噪声的存在,像素级的处理方法受斑点噪声负面影响严重。显著性检测作为一种提取显著性区域的手段,在面对一个场景时会自动对感兴趣的区域进行提取而忽略不感兴趣的区域,这些感兴趣的区域称为显著性区域。本发明的一种具体实施方式中,将显著性检测应用于SAR图像变化检测,通过对SAR图像的差异图进行显著性检测,提取显著性区域,以此来初步定位发生变化的区域,大大减少背景区域噪声带来的干扰,同时还能够降低算法的运行时间。具体实施时,步骤S3包括:
S301、对差异图DI进行显著性检测,确定差异图DI的显著性区域;
S302、基于FINCH聚类对差异图DI的显著性区域进行聚类,得到变化检测结果。
步骤S301中,采用基于上下文感知的显著性检测方法对获得的差值差异图和对数比差异图进行显著性检测,提取对应的显著性区域。对于差值差异图和对数比差异图来说,在尺度r下,pi表示以像素i为中心的像素块,pj表示以像素j为中心的像素块,dc(pi,qj)表示pi和pj矢量化后在CIE L*a*b颜色空间上对应的欧式距离,并将其范围归一化到[0,1]。对于任意的j而言,当dc(pi,qj)都是高值时,则说明像素i是显著的。一般来说,检测像素块pi是否是显著的,只需要将其与最相似的像素块进行比较,如果最相似的像素块都与pi极度不同,则说明像素i是显著的。除了颜色信息外,像素块之间的位置距离也是判断显著性的一个重要因素。因为显著性像素更倾向于集中在同一区域,所以对于pi而言,当和它相似的像素块与其距离很近时,则说明pi是显著的,当和它相似的像素块与其距离很远时,这说明pi显著性不那么强。因此,具体实施时,步骤S301包括:
S3011、按下式计算对数比差异图DIl和差值差异图DIs中像素的显著性值:
dp(pi,qj)表示像素块pi和qj之间的位置距离,dc(pi,qj)表示像素块pi和qj矢量化后在CIE-L*a*b颜色空间上对应的欧式距离;
S3012、将在多个尺度上均不同于N个最相似的像素块的像素确定为显著像素,基于显著像素确定周围像素;
根据像素块之间的加权距离公式,pi和qj之间的颜色距离越大,位置距离越小,它们之间的加权距离就越大,即表示它们之间的差异也就越大,越不相似。反之,如果颜色距离越小,位置距离越大,它们之间的加权距离就越小,即表示它们之间的差异也就越小,越相似。所以我们这里选择前N个加权距离最小的像素块,即前N个最相似的像素块。
S3013、为了进一步减少背景像素的显著性,我们引入多尺度来提高显著性像素和背景像素之间的对比度。通过以像素i为中心的一组多尺度图像块集合来表示像素i,如果在多个尺度上像素i都不同于N个最相似的图像块,则说明像素i是显著的。像素i的最终显著性值可由多个尺度下显著性的平均值来表,因此,按下式计算像素的最终显著性值:
式中,σ表示第二预设权值,R表示不同的尺度集合(R={100%,80%,50%,30%}),m为尺度数量;
S3014、在获得图像所有像素的显著性值后,对于显著区域以外的像素,为了提高显著区域周围像素的显著性值,降低背景区域的显著性值,提高两者的对比度,通过计算周围像素与其距离最近的显著像素之间的欧式距离,加权得到周围像素新的显著性值,按下式计算周围像素新的显著性值:
式中,Si表示像素i新的显著性值,df(i)表示像素i与距离最近的显著像素之间的欧式距离;
S3015、基于显著像素的最终显著性值、周围像素新的显著性值以及剩余像素的最终显著性值生成对数比差异图DIl和差值差异图DIs对应的显著图;
S3016、对对数比差异图DIl和差值差异图DIs对应的显著图使用最大类间方差法,得到对应的分割阈值;
S3017、基于分割阈值确定对数比差异图DIl和差值差异图DIs的显著区域并提取两个显著性区域共有的像素信息;
S3018、将共有的像素信息映射到差异图DI,得到差异图DI的显著性区域。
后续的处理只对显著性区域进行分析,能够减少需要变化检测的区域,大大减少背景区域斑点噪声的干扰。
传统的聚类方法大部分都是通过计算像素之间的欧式距离来进行分类的,忽略了图像像素之间的空间相关性。我们通过将语义关系引用到聚类算法中,只需要计算显著性区域中每个像素距离最小的第一个近邻,就可以实现像素的聚类过程。具体实施时,步骤S302包括:
S3021、定义邻接矩阵M(x,y),
S3022、基于邻接矩阵返回稀疏邻接矩阵,基于稀疏邻接矩阵生成有向图,将对应的连通分量作为聚类结果;
S3033、判断聚类结果的类别数是否为2,若是,执行步骤S3034;若不是,将聚类结果作为新的像素点返回执行步骤S3021;
S3034、将聚类结果的标签映射到差异图DI的对应位置上,得到变化检测结果。
因为我们的变换检测最终是将像素聚类为变化类和为未变化类两类,所以还需要进一步聚类。在得到第一次聚类结果后,想要进一步聚类就需要计算类与类之间的距离,这里我们使用每个类中所有像素点的平均值来表示整个类,然后使用平均值来计算类与类之间的距离,以类为处理单元建立邻接矩阵,重复上面S3021、S3022的步骤,就会得到第二次聚类结果。通过多次重复以上步骤,直到聚类结果的类别数为2时停止迭代,就可以得到最终的聚类结果。最后,将聚类结果的标签映射到差异图的对应位置上,就可以得到最终的变化检测结果。因为只使用第一个距离最近的像素点索引就可以产生聚类层次结构,所以将该方法称为FINCH聚类。
为了验证本发明的方法的有效性,利用图1中的实施方式对图2所示的数据集进行检测:
在相同的参数设置下,将本发明的方法与另外六种方法相比较,实验结果如图3和表1所示。这六种方法包括:FLICM,PCA K-means、显著图FCM、NR_ELM、PCANet、CWNN。从图3和表1可以看到,FLICM方法的性能最差,这是源于该方法对噪声非常敏感。PCA K-means方法由于可以自动考虑图像的空间信息,对斑点噪声的抑制相比于FLICM方法更有优势,仍存在一些错误检测的情况。显著图FCM方法通过显著性检测将图像的局部信息和全局信息考虑在内,在一定程度上减少了虚警数,降低了FP值。PCANet和NR_ELM生成的变化图中包含了许多小的噪声区域,因此,PCANet和NR_ELM的FP值相对较高,高FP值则会影响这两种方法的整体性能。在CWNN的变化图中,斑点噪声引起的虚警相对较少,这得益于CWNN中的小波池化层,该层通过丢失高频子带的同时保留低频子带以提取特征来抑制斑点噪声。和六种方法相比,所提出的方法虽然漏警数有小幅度的增加,但虚警数和总的错误检测数却得到了大幅度的降低,PCC和KC达到了99.58%和0.7608,变化图几乎与参考图一致,具有明显的优势。这是因为融合差异图可以同时保留图像的局部一致性和边缘细节信息,并且通过提取显著性区域可以初步定位发生变化的区域,减少变化检测的区域,降低背景区域斑点噪声的干扰,此外,和其它聚类方法相比,FINCH聚类不仅考虑了像素之间的距离关系,还考虑了像素之间的语义关系,从而进一步提高了变换检测的精度。
我们进一步分析了两幅差异图权重α对所提出方法性能的影响,如图4和图5所示。从图4和图5可以看出,α的值对KC的影响比较大,因为PCC随着α的变化都达到了99%以上,所以曲线波动较小。当α=0时,只考虑差值差异图,没有考虑对数比差异图,这造成边缘细节信息未考虑在内,导致KC和PCC都比较低。随着α的不断增大,考虑了一定的边缘信息,使得图像信息比较准确,KC值和PCC值逐渐提高,当α值达到0.7时KC值和PCC值达到最大值,因此α=0.7为最优取值,当α超过0.7时,会导致图像的局部信息考虑不完全,KC值就开始下降,PCC值相对稳定。当α=1时,这时未考虑差值差异图,KC和PCC都急剧下降。总的来说PCC曲线和KC曲线都呈现先上升后下降的趋势。
表1不同方法的检测结果对比
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管通过参照本发明的优选实施例已经对本发明进行了描述,但本领域的普通技术人员应当理解,可以在形式上和细节上对其作出各种各样的改变,而不偏离所附权利要求书所限定的本发明的精神和范围。
Claims (3)
1.一种基于FINCH聚类的SAR图像变化检测方法,其特征在于,包括:
S1、获取待检测的SAR图像I1和SAR图像I2;
S2、基于SAR图像I1和SAR图像I2生成差异图DI;步骤S2包括:
S201、按下式基于SAR图像I1和SAR图像I2生成对数比差异图DIl和差值差异图DIs:
DIs=|I1-I2|
S202、按下式基于对数比差异图DIl和差值差异图DIs生成差异图DI:
DI=αDIl+(1-α)DIs
式中,α表示第一预设权值;
S3、基于FINCH聚类对差异图DI进行聚类,得到变化检测结果;步骤S3包括:
S301、对差异图DI进行显著性检测,确定差异图DI的显著性区域;
S302、基于FINCH聚类对差异图DI的显著性区域进行聚类,得到变化检测结果;
其中,步骤S301包括:
S3011、按下式计算对数比差异图DIl和差值差异图DIs中像素的显著性值:
dp(pi,qj)表示像素块pi和qj之间的位置距离,dc(pi,qj)表示像素块pi和qj矢量化后在CIE-L*a*b颜色空间上对应的欧式距离;
S3012、将在多个尺度上均不同于N个最相似的像素块的像素确定为显著像素,基于显著像素确定周围像素;
S3013、按下式计算像素的最终显著性值:
式中,σ表示第二预设权值,R表示不同的尺度集合,m为尺度数量;
S3014、按下式计算周围像素新的显著性值:
式中,Si表示像素i新的显著性值,df(i)表示像素i与距离最近的显著像素之间的欧式距离;
S3015、基于显著像素的最终显著性值、周围像素新的显著性值以及剩余像素的最终显著性值生成对数比差异图DIl和差值差异图DIs对应的显著图;
S3016、对对数比差异图DIl和差值差异图DIs对应的显著图使用最大类间方差法,得到对应的分割阈值;
S3017、基于分割阈值确定对数比差异图DIl和差值差异图DIs的显著区域并提取两个显著性区域共有的像素信息;
S3018、将共有的像素信息映射到差异图DI,得到差异图DI的显著性区域。
2.如权利要求1所述的基于FINCH聚类的SAR图像变化检测方法,其特征在于,步骤S202中,首先对对数比差异图DIl进行中值滤波,对差值差异图DIs进行均值滤波,再利用滤波后的对数比差异图DIl和差值差异图DIs生成差异图DI。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110320514.5A CN113034471B (zh) | 2021-03-25 | 2021-03-25 | 一种基于finch聚类的sar图像变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110320514.5A CN113034471B (zh) | 2021-03-25 | 2021-03-25 | 一种基于finch聚类的sar图像变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113034471A CN113034471A (zh) | 2021-06-25 |
CN113034471B true CN113034471B (zh) | 2022-08-02 |
Family
ID=76473857
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110320514.5A Active CN113034471B (zh) | 2021-03-25 | 2021-03-25 | 一种基于finch聚类的sar图像变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113034471B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116012364B (zh) * | 2023-01-28 | 2024-01-16 | 北京建筑大学 | Sar图像变化检测方法和装置 |
CN116206215B (zh) * | 2023-03-17 | 2023-09-29 | 银河航天(北京)网络技术有限公司 | 一种森林土地状态的监测方法、装置及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008014709A (ja) * | 2006-07-04 | 2008-01-24 | Mitsubishi Electric Corp | 画像処理装置 |
CN101923711A (zh) * | 2010-07-16 | 2010-12-22 | 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 |
CN102930519A (zh) * | 2012-09-18 | 2013-02-13 | 西安电子科技大学 | 基于非局部均值的sar图像变化检测差异图生成方法 |
CN104200471A (zh) * | 2014-08-30 | 2014-12-10 | 西安电子科技大学 | 基于自适应权值图像融合的sar图像变化检测方法 |
CN107256409A (zh) * | 2017-05-22 | 2017-10-17 | 西安电子科技大学 | 基于sae和显著性检测的高分辨sar图像变化检测方法 |
CN111507240A (zh) * | 2020-04-13 | 2020-08-07 | 三一重工股份有限公司 | 人脸聚类方法、装置、电子设备和计算机可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190065961A1 (en) * | 2017-02-23 | 2019-02-28 | Harold Szu | Unsupervised Deep Learning Biological Neural Networks |
-
2021
- 2021-03-25 CN CN202110320514.5A patent/CN113034471B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008014709A (ja) * | 2006-07-04 | 2008-01-24 | Mitsubishi Electric Corp | 画像処理装置 |
CN101923711A (zh) * | 2010-07-16 | 2010-12-22 | 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 |
CN102930519A (zh) * | 2012-09-18 | 2013-02-13 | 西安电子科技大学 | 基于非局部均值的sar图像变化检测差异图生成方法 |
CN104200471A (zh) * | 2014-08-30 | 2014-12-10 | 西安电子科技大学 | 基于自适应权值图像融合的sar图像变化检测方法 |
CN107256409A (zh) * | 2017-05-22 | 2017-10-17 | 西安电子科技大学 | 基于sae和显著性检测的高分辨sar图像变化检测方法 |
CN111507240A (zh) * | 2020-04-13 | 2020-08-07 | 三一重工股份有限公司 | 人脸聚类方法、装置、电子设备和计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
《融合边缘信息的合成孔径雷达图像超像素分割算法》;冯于珍 等;《科学技术与工程》;20200831;第9947-9952页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113034471A (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Blaschke et al. | Image segmentation methods for object-based analysis and classification | |
US10706260B2 (en) | Analyzing digital holographic microscopy data for hematology applications | |
Yin et al. | Hot region selection based on selective search and modified fuzzy C-means in remote sensing images | |
Lu et al. | Robust and efficient saliency modeling from image co-occurrence histograms | |
CN113034471B (zh) | 一种基于finch聚类的sar图像变化检测方法 | |
Fan et al. | A novel automatic dam crack detection algorithm based on local-global clustering | |
Asokan et al. | Machine learning based image processing techniques for satellite image analysis-a survey | |
CN102360503B (zh) | 基于空间贴近度和像素相似性的sar图像变化检测方法 | |
CN109801305B (zh) | 基于深度胶囊网络的sar图像变化检测方法 | |
CN109726649B (zh) | 遥感影像云检测方法、系统及电子设备 | |
CN110070545B (zh) | 一种城镇纹理特征密度自动提取城镇建成区的方法 | |
Guo et al. | Dual graph U-Nets for hyperspectral image classification | |
CN115690086A (zh) | 一种基于对象的高分辨率遥感影像变化检测方法及系统 | |
CN102081799A (zh) | 基于邻域相似性及双窗口滤波的sar图像变化检测方法 | |
CN113989652B (zh) | 分层多重判定规则下的耕地变化检测方法及系统 | |
Califano et al. | Generalized neighborhoods: A new approach to complex parameter feature extraction | |
Ju et al. | A novel fully convolutional network based on marker-controlled watershed segmentation algorithm for industrial soot robot target segmentation | |
CN112989940A (zh) | 基于高分三号卫星sar影像的筏式养殖区提取方法 | |
Zhang et al. | Saliency detection via image sparse representation and color features combination | |
CN115410093B (zh) | 基于双通道编码网络和条件随机场的遥感图像分类方法 | |
CN115861669A (zh) | 一种基于聚类思想的红外弱小目标检测方法 | |
Vandenbroucke et al. | Unsupervised color-image segmentation by multicolor space iterative pixel classification | |
Sheng et al. | Fuzzy preprocessing and clustering analysis method of underwater multiple targets in forward looking sonar image for AUV tracking | |
Li et al. | Crack Detection and Recognition Model of Parts Based on Machine Vision. | |
Patricia et al. | Discovering similarities in Landsat satellite images using the K-means method |
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 |