CN117745688B - 一种多尺度sar影像变化检测可视化系统、电子设备及存储介质 - Google Patents
一种多尺度sar影像变化检测可视化系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117745688B CN117745688B CN202311795482.XA CN202311795482A CN117745688B CN 117745688 B CN117745688 B CN 117745688B CN 202311795482 A CN202311795482 A CN 202311795482A CN 117745688 B CN117745688 B CN 117745688B
- Authority
- CN
- China
- Prior art keywords
- image
- change detection
- sar image
- short time
- sar
- 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
- 230000008859 change Effects 0.000 title claims abstract description 109
- 238000001514 detection method Methods 0.000 title claims abstract description 90
- 238000012800 visualization Methods 0.000 title claims abstract description 28
- 230000011218 segmentation Effects 0.000 claims abstract description 28
- 238000010276 construction Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 9
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 238000007794 visualization technique Methods 0.000 claims abstract description 7
- 238000012163 sequencing technique Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 34
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000009792 diffusion process Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 16
- 238000004458 analytical method Methods 0.000 description 13
- 230000004927 fusion Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000001427 coherent effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003032 molecular docking Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明提供一种多尺度SAR影像变化检测可视化系统、电子设备及存储介质，其中，系统包括：图像预处理模块对原始图像进行配准和增强Lee滤波；SAR影像短时序变化检测差异图构造模块对配准和增强之后的原始图像计算像素级差异图；SAR影像短时序变化检测显著图构造模块在像素级差异图的预定义分辨率的顶层图像上执行超像素分割，之后再进行流行排序，生成超像素的显著性图；SAR影像短时序变化检测结果生成及可视化模块采用了假彩色合成的可视化方法，产生一幅伪彩色图像。本发明提出的方案能够可以进行短时间间隔的SAR影像变化检测，捕捉到短期内发生的地表变化，这些变化可能在长时间间隔的图像中无法被有效检测到。
Description
技术领域
本发明属于影像检测领域，尤其涉及一种多尺度SAR影像变化检测可视化系统、电子设备及存储介质。
背景技术
合成孔径雷达（Synthetic Aperture Radar, SAR）是一种主动式的微波探测设备，它的回波记录了目标或地物的散射强度信息和相位信息，散射强度反映了目标地物属性（含水量、粗糙度、地物类型等），相位信息则蕴含了雷达与目标之间的距离信息。SAR图像变化检测被认为是一项重要的研究方向，其核心任务是运用计算机图像处理等领域的技术，分析不同时间点的遥感影像数据，以便精确识别地表地物的变化现象。该方法在农业、军事、自然灾害监测、森林资源调查以及城市规划与分析等学科领域中得到广泛应用。然而，由于SAR图像中存在的相干斑点噪声问题，这使得变化检测精度不高，因此寻求准确的变化检测方法显得尤为紧迫。
SAR图像变化检测流程主要可以分成以下三个步骤：（1）图像预处理（2）构造差异图（3）差异图分析。构建差异图的常用方法有比值法[1]、差值法、对数比值算法(Log-ratio, LR)[2]、均值比值算法(Mean-ratio, MR)[3]、基于邻域的比值差异图算法(Neighborhood-based Ratio, NR)[4]等。基于传统方法构造差异图存在因采用单一差异图而导致变化检测精度低和适用范围窄等缺点。在差异图分析方法研究中，学者们近年来主要通过深度学习和机器学习的分类器来实现变化检测。在差异图分析方法研究中，学者们近年来主要通过深度学习和机器学习的分类器来实现变化检测。主要分为两种类型：①早期融合结构：将多时相图像作为不同的通道叠加到网络中，进行多时相信息融合。同时，可以添加其他手动设计的功能，以增加不同任务的信息。②基于暹罗网络结构：将多时相图像输入到网络的不同分支中，提取其高级特征表示，然后进行变化检测。深度学习方法可以处理复杂和大规模SAR数据的变化检测，但是其通常需要大量标注的数据来进行训练，不适用于小样本变化检测。
现有技术
①林娇等人提出了一种基于差异图构造与融合的SAR图像变化检测方法，该方法首先基于Lee滤波和SRAD(Speckle Reducing Anisotropic Diffusion ,SRAD)模型混合滤波实现SAR图像预处理，在去除相干斑点噪声以及一些白色孤立噪声的同时，保持SAR图像的边缘相对清晰；然后通过对数双曲余弦比方法构造出对数双曲余弦比值差异图和邻域比值差异图；再使用加入了双边滤波器和引导滤波器进行边缘预检测的小波融合方法进行差异图融合，得到最终的融合差异图；最后使用基于FCM(Fuzzy C-means Algorithm, FCM)算法进行预分类的CWNN卷积神经网络(Convolutional Wavelet Neural Networks, CWNN)进行差异图分析，得到最终的变化检测图。
②罗卿莉等人提出了一种SAR影像变化检测的前景特征流形排序法，该方法首先进行了增强Lee滤波预处理，然后通过单像素对数比算子及邻域对数比算子分别计算差异图，对两个差异图进行加权融合，构造最终的差异图，然后设计了一种结合超像素分割和前景特征流行排序的差异图分析方法，提高了SAR影像边缘区域的变化检测精度。
现有技术缺陷
第一种技术方案使用基于FCM算法进行预分类的CWNN卷积神经网络进行差异图分析，对于仅有两张或极少数量的SAR影像进行变化检测，深度学习和机器学习方法通常不太适用。因为它们需要足够多的数据来建立稳健的模型。
针对第二种技术方案，其捕获图像细节变化的能力不强，对观测时间间隔较短、变化不明显的SAR图像进行变化检测效果不好。此外，进行超像素分割时由于SAR影像分辨率较高、图像较大，导致运算速率过慢。
发明内容
为解决上述技术问题，本发明提出一种多尺度SAR影像变化检测可视化、电子设备及存储介质的技术方案，以解决上述技术问题。
本发明第一方面公开了一种多尺度SAR影像变化检测可视化系统；所述系统包括：图像预处理模块、SAR影像短时序变化检测差异图构造模块、SAR影像短时序变化检测显著图构造模块和SAR影像短时序变化检测结果生成及可视化模块；
所述图像预处理模块对原始图像进行配准和增强Lee滤波；
所述SAR影像短时序变化检测差异图构造模块对配准和增强之后的原始图像计算像素级差异图；
如图4所示，所述SAR影像短时序变化检测显著图构造模块在像素级差异图的预定义分辨率的顶层图像上执行超像素分割，之后再进行流行排序，生成超像素的显著性图；
如图5所示，所述SAR影像短时序变化检测结果生成及可视化模块采用了假彩色合成的可视化方法，产生一幅伪彩色图像。
根据本发明第一方面的系统，所述对配准和增强之后的图像计算像素级差异图的方法包括：
对配准和增强之后的图像，采用LRPM算子计算差异图；通过各向异性扩散减少差异图的噪声并保留细节和纹理的边缘；将边缘的细节图作为掩膜截取所述差异图，生成像素级差异图。
根据本发明第一方面的系统，所述LRPM算子的计算公式为：
其中，表示LRPM算子，/>表示金字塔模型第N层的/>；
其中，和/>分别表示前后两幅多时像SAR图像对应第i行第j列像素的灰度值。
根据本发明第一方面的系统，所述在像素级差异图的预定义分辨率的顶层图像上执行超像素分割的方法包括：
先将所述像素级差异图进行多尺度分割，再在多尺度分割的顶层图像上，使用Felzenszwalb算法执行超像素分割，分割成具有相似特性的超像素区域。
根据本发明第一方面的系统，多尺度分割分的层数与最顶层分辨率的关系为：
。
根据本发明第一方面的系统，为了满足能够检测到最小变化图斑，要检测的最小图斑大小与最顶层分辨率应满足如下关系：
。
根据本发明第一方面的系统，所述采用了假彩色合成的可视化方法，产生一幅伪彩色图像的方法包括：
对像素级差异图和所述显著图进行点乘运算，生成变化检测结果的直方图；
对所述变化检测结果的直方图进行阈值分割，将图像二值化，得到二值图；
将所述二值图进行假彩色合成，产生一幅伪彩色图像。
根据本发明第一方面的系统，所述阈值分割的方法包括：
根据变化检测结果的直方图选择两个峰值之间的谷底作为阈值，将变化像素和非变化像素分为两个不同的类别；
所述假彩色合成的方法包括：将原始图像中变化的部分映射为彩色图像中的暖色调，将未发生变化的部分映射为彩色图像中的冷色调。
本发明第二方面提供了一种电子设备，所述设备包括存储器和处理器，所述存储器上存储有计算机程序，该计算机程序被所述处理器执行时，执行如本发明第一方面所述的一种多尺度SAR影像变化检测可视化系统中的方法。
本发明第三方面提供了一种存储介质，该存储介质存储的计算机程序，能够被一个或多个处理器执行，能够用来实现如本发明第一方面所述的一种多尺度SAR影像变化检测可视化系统中的方法。
综上，本发明提出的方案能够可以进行短时间间隔的SAR影像变化检测，捕捉到短期内发生的地表变化，这些变化可能在长时间间隔的图像中无法被有效检测到。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为根据本发明实施例的一种多尺度SAR影像变化检测可视化系统的结构图；
图2为根据本发明实施例的图像预处理模块；
图3为根据本发明实施例的SAR影像短时序变化检测差异图构造模块；
图4为根据本发明实施例的SAR影像短时序变化检测显著图构造模块；
图5为根据本发明实施例的SAR影像短时序变化检测结果生成及可视化模块；
图6为根据本发明实施例的图像预处理后的结果图；
图7为根据本发明实施例的图像预处理后的影像结果图；
图8为根据本发明实施例的像素级差异图；
图9为根据本发明实施例的显著性图；
图10为根据本发明实施例的变化检测假彩色图；
图11为根据本发明实施例的选取的三处典型变化区域的具体位置图；
图12为图11中位置1处的变化结果分析图；
图13为图11中位置2处的变化结果分析图；
图14为图11中位置3处的变化结果分析图；
图15为根据本发明实施例的一种电子设备的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例只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。
本发明第一方面公开了一种多尺度SAR影像变化检测可视化系统，图1为根据本发明实施例的一种多尺度SAR影像变化检测可视化系统的结构图，具体如图1所示，所述系统包括：图像预处理模块、SAR影像短时序变化检测差异图构造模块、SAR影像短时序变化检测显著图构造模块和SAR影像短时序变化检测结果生成及可视化模块；
所述图像预处理模块对原始图像进行配准和增强Lee滤波；如图2所示，图像配准主要目的是将两幅或图像中的特征、内容或坐标系对齐，以便进行有效的比较、融合或分析。增强Lee滤波的原理是基于Lee滤波器的改进。增强Lee滤波通过引入一个权重参数来改进Lee滤波器，它能够在降噪的同时保留图像的细节信息，不会损失有关地物的重要信息，从而提高变化检测的性能；
所述SAR影像短时序变化检测差异图构造模块对配准和增强之后的原始图像计算像素级差异图；
所述SAR影像短时序变化检测显著图构造模块在像素级差异图的预定义分辨率的顶层图像上执行超像素分割，之后再进行流行排序，生成超像素的显著性图；
所述SAR影像短时序变化检测结果生成及可视化模块采用了假彩色合成的可视化方法，产生一幅伪彩色图像。
在一些实施例中，所述对配准和增强之后的图像计算像素级差异图的方法包括：
如图3所示，对配准和增强之后的图像，采用LRPM算子计算差异图；通过各向异性扩散减少差异图的噪声并保留细节和纹理的边缘；将边缘的细节图作为掩膜截取所述差异图，生成像素级差异图。
具体地，根据不同的检测需求得到最小变化图斑大小，计算金字塔层数，从而将原始图像分解为多个不同尺度的图像，从粗糙到细致。这样可以更全面地分析地表的变化，因为不同尺度的变化可以得到有效的捕获。对于针对两幅影像进行变化检测而言，金字塔模型有助于捕获不同尺度下的变化信息。同时，LR算子通常能够有效抵抗SAR图像的乘性噪声干扰。在图像金字塔模型中，通过将图像分解为多个尺度，可以在顶层尺度上通过多视处理减小SAR噪声的影响，提高变化检测的准确性。
所述LRPM算子的计算公式为：
其中，表示LRPM算子，/>表示金字塔模型第N层的/>；
其中，和/>分别表示前后两幅多时像SAR图像对应第i行第j列像素的灰度值；表示像素的位置i表示行，j表示列。
具体地，在LRPM算子中，金字塔模型的每一层都是通过对前一层的图像进行一种下采样操作来生成的，并且每个金字塔层都是前一层图像分辨率的一半。因此，金字塔模型的层数与图像分辨率之间满足下面的关系：
其中，N表示金字塔模型的总层数，M表示金字塔中最顶层（最粗糙尺度）的图像的空间分辨率，R表示原始图像空间分辨率。由于在SAR图像变化检测中，需要保证金字塔模型的最顶层的分辨率高于要检测的最小变化图斑的大小，以确保小尺度的变化也能够被有效检测到。因此，最小变化图斑的大小(Q)与最高金字塔层分辨率(M)应满足以下关系：
由于每个金字塔层都是前一层图像分辨率的一半，其丢失了部分的细节信息，因此在不同尺度的LR算子融合时应设置不同的权重大小，并且每一层的权重应低于前一层的权重大小。假设每一层的权重为前一层的一半，则其权重大小应为。
在SAR图像变化检测中，最小变化图斑大小可以因要检测的目标、数据特性等而有所不同，需要具体调整，以满足不同应用的需求。本技术中针对短时间内进行变化检测，通常变化范围不大，因此最小变化图斑的大小可能相对较小。总的来说，本技术提出的LRPM算子可以对不同尺度上的变化进行检测，并通过合理融合充分利用较高分辨率层的细节信息和较低分辨率层的上下文信息。
各向异性扩散可以用来减少噪声并保留细节和纹理的边缘。各向异性扩散通过在图像中进行局部平滑来实现，但是只在边缘处保留细节。
经过各向异性扩散之后得到的变化区域边缘细节图，需要先对得到的变化检测边界图内部进行填充，生成掩膜。之后用得到的掩膜截取LRPM算子得到的变化区域图，进一步优化图像变化区域，得到像素级差异图。
在一些实施例中，所述在像素级差异图的预定义分辨率的顶层图像上执行超像素分割的方法包括：
先将所述像素级差异图进行多尺度分割，再在多尺度分割的顶层图像上，使用Felzenszwalb算法执行超像素分割，分割成具有相似特性的超像素区域。这显著减少计算的复杂性和内存需求同时保留了图像的全局结构，不会丢失重要的细节信息。显著减少计算的复杂性和内存需求同时保留了图像的全局结构，不会丢失重要的细节信息。相较于直接对像素进行变化检测，超像素级别的变化检测更能捕捉到具有语义信息的变化。
多尺度分割分的层数与最顶层分辨率的关系为：
。
具体地，流行排序可以在变化检测中用于检测变化的区域。对超像素区域进行流行排序，根据某种显著性度量，确定哪些超像素区域在图像中最具显著性。显著性度量可以基于各种因素，如颜色对比度、纹理结构等。超像素分割将图像分成具有语义信息的区域，这有助于更好地理解图像内容。流行排序进一步强调了显著性区域，使得变化检测更加关注重要的区域。
为了满足能够检测到最小变化图斑，要检测的最小图斑大小与最顶层分辨率应满足如下关系：
。
在一些实施例中，所述采用了假彩色合成的可视化方法，产生一幅伪彩色图像的方法包括：
点乘运算将模块二生成的像素级差异图和模块三生成的显著图进行点乘运算，得到变化检测结果。该结果突出了差异图中与显著性相关的像素，强化变化的空间分布，同时有助于减少误检的数量。
对所述变化检测结果的直方图进行阈值分割，将图像二值化，得到二值图；
将所述二值图进行假彩色合成，产生一幅伪彩色图像。
对像素级差异图和所述显著图进行点乘运算，生成变化检测结果的直方图；
所述阈值分割的方法包括：根据变化检测结果的直方图选择两个峰值之间的谷底作为阈值，将变化像素和非变化像素分为两个不同的类别；
所述假彩色合成的方法包括：将原始图像中变化的部分映射为彩色图像中的暖色调，将未发生变化的部分映射为彩色图像中的冷色调。
实施例
实施例中两幅SAR影像成像时间为2022年12月和2023年1月。
经过图像预处理模块得到的两幅影像如图6和图7所示。
经过SAR影像短时序变化检测差异图构造模块得到的像素级差异图如图8所示。
经过SAR影像短时序变化检测显著图构造模块生成超像素的显著图如图9所示。
经过SAR影像短时序变化检测结果生成及可视化模块得到的变化检测假彩色图如图10所示。
本实施例主要选取了三个典型变化区域进行具体分析，如图11所示，该图像主要展示了从整体上看选取的变化区域的具体位置。
房屋建造：
从图12的sar图像中可以看出，该区域2023年1月份相较于2022年12月份来说亮度值增加。由遥感图像可知，该区域建造了房屋，从而导致sar图像发生显著变化。具体来说，在建造房屋的过程中，地表会出现新的建筑物和结构，这些建筑物会增加地表上的散射体量。建筑物的墙壁、屋顶等部分对SAR信号有反射和散射作用，因此SAR图像上新建造的房屋区域会显示较高的反射强度，导致亮度值较亮。
船只停靠：
从图13的sar图像中可以看出，该区域2023年1月份相较于2022年12月份来说亮度值增加，范围变大。由遥感图像可知，该区域可能是锚地，锚地是指位于水域中的特定区域，通常用于停泊船只。这些区域通常具有相对较平静的水域，提供了一种安全的环境，供船只停靠、等待装卸货物、休息或进行必要的维护工作。由于船只的停靠，使得在sar图像上亮度值增加，该区域相较于水体呈现高亮度区域。此外，从sar图像中能看到有一些噪声的干扰，而在变化检测结果中可以清晰地看到变化区域并且忽略了噪声的影响，说明该检测方法具有很好的鲁棒性。
货物运输：
从图14的sar图像中可以看出，该区域2023年1月份相较于2022年12月份来说亮度值增加。由遥感图像可知，该区域是集装箱码头。2023年1月份的图像中可以看到，码头的集装箱增多，在图像中显示高亮区域，说明相较于2022年12月份来说，码头存储的货物变多。这可能是这些货物在等待装船、卸货、转运或清关时临时存储到了集装箱中。
通过具体数据例证，说明本方案可以进行短时间间隔的SAR影像变化检测，捕捉到短期内发生的地表变化，这些变化可能在长时间间隔的图像中无法被有效检测到。这对于监测快速发展的事件或短期变化具有重要意义，主要包括：
①自然灾害监测：较短时间间隔的SAR图像可以帮助及时发现和跟踪灾害影响范围内的地表变化，支持灾害风险评估和应急响应。
②城市规划和发展：对城市和城市化过程的监测需要频繁的地表变化信息。较短时间间隔的SAR图像可以用来检测城市建设、土地利用变化、新建筑物、码头集装箱等，为城市规划和可持续发展提供数据支持。
③农业和林业管理：较短时间间隔的SAR图像可用于监测农作物生长、土地利用变化和森林健康。这对于优化农业管理和森林资源管理以提高产量和减少砍伐是至关重要的。
④资源管理：较短时间间隔的SAR图像变化检测对于矿产资源和水资源的跟踪和管理具有重要意义。它可以用来监测资源的开采活动和水体变化。
除此之外，该SAR变化检测方法仅需要两幅影像就可以进行变化检测，成本相对较低。这使得这种方法对于监测和检测变化非常具有可行性。
综上，本发明各个方面的技术方案与现有技术相比具有如下优点：本发明提出的方案能够可以进行短时间间隔的SAR影像变化检测，捕捉到短期内发生的地表变化，这些变化可能在长时间间隔的图像中无法被有效检测到。
本发明第二方面公开了一种电子设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时，实现本发明公开第一方面中任一项的一种多尺度SAR影像变化检测可视化系统中方法的步骤。
图15为根据本发明实施例的一种电子设备的结构图，如图15所示，电子设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、近场通信（NFC）或其他技术实现。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该电子设备的输入装置可以是显示屏上覆盖的触摸层，也可以是电子设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图15中示出的结构，仅仅是与本公开的技术方案相关的部分的结构图，并不构成对本申请方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本发明第三方面公开了一种存储介质，具体涉及计算机的可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，实现本发明公开第一方面中任一项的一种多尺度SAR影像变化检测可视化系统中方法的步骤。
请注意，以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (6)
1.一种多尺度SAR影像变化检测可视化系统，其特征在于，所述系统包括：图像预处理模块、SAR影像短时序变化检测差异图构造模块、SAR影像短时序变化检测显著图构造模块和SAR影像短时序变化检测结果生成及可视化模块；
所述图像预处理模块对原始图像进行配准和增强Lee滤波；
所述SAR影像短时序变化检测差异图构造模块对配准和增强之后的原始图像计算像素级差异图；
所述SAR影像短时序变化检测显著图构造模块在像素级差异图的预定义分辨率的顶层图像上执行超像素分割，之后再进行流行排序，生成超像素的显著性图；
所述SAR影像短时序变化检测结果生成及可视化模块采用了假彩色合成的可视化方法，产生一幅伪彩色图像；
所述对配准和增强之后的原始图像计算像素级差异图的方法包括：
对配准和增强之后的图像，采用LRPM算子计算差异图；通过各向异性扩散减少差异图的噪声并保留细节和纹理的边缘；将边缘的细节图作为掩膜截取所述差异图，生成像素级差异图；
所述LRPM算子的计算公式为：
其中，DLRPM(i,j)表示LRPM算子，DLR-N(i,j)表示金字塔模型第N层的DLR(i,j)；
DLR(i,j)＝abs(lnX2(i,j)-lnX1(i,j))
其中，X1(i,j)和X2(i,j)分别表示前后两幅多时像SAR图像对应第i行第j列像素的灰度值；
所述采用了假彩色合成的可视化方法，产生一幅伪彩色图像的方法包括：
对像素级差异图和所述显著图进行点乘运算，生成变化检测结果的直方图；
对所述变化检测结果的直方图进行阈值分割，将图像二值化，得到二值图；
将所述二值图进行假彩色合成，产生一幅伪彩色图像；
所述阈值分割的方法包括：
根据变化检测结果的直方图选择两个峰值之间的谷底作为阈值，将变化像素和非变化像素分为两个不同的类别；
所述假彩色合成的方法包括：将原始图像中变化的部分映射为彩色图像中的暖色调，将未发生变化的部分映射为彩色图像中的冷色调。
2.根据权利要求1所述的一种多尺度SAR影像变化检测可视化系统，其特征在于，所述在像素级差异图的预定义分辨率的顶层图像上执行超像素分割的方法包括：
先将所述像素级差异图进行多尺度分割，再在多尺度分割的顶层图像上，使用Felzenszwalb算法执行超像素分割，分割成具有相似特性的超像素区域。
3.根据权利要求2所述的一种多尺度SAR影像变化检测可视化系统，其特征在于，多尺度分割分的层数与最顶层分辨率的关系为：
4.根据权利要求3所述的一种多尺度SAR影像变化检测可视化系统，其特征在于，为了满足能够检测到最小变化图斑，要检测的最小图斑大小与最顶层分辨率应满足如下关系：
最顶层分辨率<最小变化图斑大小<2*最顶层分辨率。
5.一种电子设备，其特征在于，包括存储器和处理器，所述存储器上存储有计算机程序，该计算机程序被所述处理器执行时，执行如权利要求1至4任意一项所述的一种多尺度SAR影像变化检测可视化系统中的方法。
6.一种存储介质，其特征在于，该存储介质存储的计算机程序，能够被一个或多个处理器执行，能够用来实现如权利要求1至4中任一项所述的一种多尺度SAR影像变化检测可视化系统中的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311795482.XA CN117745688B (zh) | 2023-12-25 | 2023-12-25 | 一种多尺度sar影像变化检测可视化系统、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311795482.XA CN117745688B (zh) | 2023-12-25 | 2023-12-25 | 一种多尺度sar影像变化检测可视化系统、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117745688A CN117745688A (zh) | 2024-03-22 |
| CN117745688B true CN117745688B (zh) | 2024-06-14 |
Family
ID=90282775
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311795482.XA Active CN117745688B (zh) | 2023-12-25 | 2023-12-25 | 一种多尺度sar影像变化检测可视化系统、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117745688B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106780485A (zh) * | 2017-01-12 | 2017-05-31 | 西安电子科技大学 | 基于超像素分割和特征学习的sar图像变化检测方法 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| IL191615A (en) * | 2007-10-23 | 2015-05-31 | Israel Aerospace Ind Ltd | A method and system for producing tie points for use in stereo adjustment of stereoscopic images and a method for identifying differences in the landscape taken between two time points |
| CN102096921B (zh) * | 2011-01-10 | 2013-02-27 | 西安电子科技大学 | 基于邻域对数比值及各向异性扩散的sar图像变化检测方法 |
| JP6349937B2 (ja) * | 2014-05-09 | 2018-07-04 | 日本電気株式会社 | 変動検出装置、変動検出方法および変動検出用プログラム |
| US10571560B2 (en) * | 2015-09-21 | 2020-02-25 | Saab Ab | Detecting objects in images |
| CN106127785B (zh) * | 2016-06-30 | 2019-02-22 | 重庆大学 | 基于流形排序和随机游走的图像显著性检测方法 |
| EP3493157B1 (en) * | 2017-11-29 | 2024-05-29 | Tata Consultancy Services Limited | Method and system for visual change detection using multi-scale analysis |
| US10698104B1 (en) * | 2018-03-27 | 2020-06-30 | National Technology & Engineering Solutions Of Sandia, Llc | Apparatus, system and method for highlighting activity-induced change in multi-pass synthetic aperture radar imagery |
| WO2022141145A1 (zh) * | 2020-12-30 | 2022-07-07 | 深圳技术大学 | 面向对象的高分辨率遥感影像多尺度分割方法及系统 |
| 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 |
-
2023
- 2023-12-25 CN CN202311795482.XA patent/CN117745688B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106780485A (zh) * | 2017-01-12 | 2017-05-31 | 西安电子科技大学 | 基于超像素分割和特征学习的sar图像变化检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117745688A (zh) | 2024-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wei et al. | HRSID: A high-resolution SAR images dataset for ship detection and instance segmentation | |
| Chen et al. | Ship detection from coastal surveillance videos via an ensemble Canny-Gaussian-morphology framework | |
| CN110969624B (zh) | 一种激光雷达三维点云分割方法 | |
| CN107145874B (zh) | 复杂背景sar图像中的舰船目标检测与鉴别方法 | |
| CN106170819B (zh) | 一种合成孔径雷达图像舰船目标快速检测方法 | |
| CN111476159A (zh) | 一种基于双角回归的检测模型训练、检测方法及装置 | |
| CN112560671B (zh) | 基于旋转卷积神经网络的船舶检测方法 | |
| CN110443201B (zh) | 基于多源影像联合形状分析与多属性融合的目标识别方法 | |
| CN112766221B (zh) | 基于船舶方向和位置多任务的sar图像船舶目标检测方法 | |
| CN103606154B (zh) | 基于jseg和谱聚类的多尺度海面溢油sar图像分割方法 | |
| Shaoqing et al. | The comparative study of three methods of remote sensing image change detection | |
| US12014536B2 (en) | Target detection method and device for high-resolution remote sensing image | |
| CN107731011A (zh) | 一种港口泊船监测方法、系统及电子设备 | |
| CN115019187B (zh) | 针对sar图像船舶目标的检测方法、装置、设备及介质 | |
| Xue et al. | Rethinking automatic ship wake detection: state-of-the-art CNN-based wake detection via optical images | |
| CN110765912A (zh) | 一种基于统计约束和Mask R-CNN的SAR图片船舶目标检测方法 | |
| Kong et al. | Lightweight algorithm for multi-scale ship detection based on high-resolution SAR images | |
| Liu et al. | Mapping China’s offshore mariculture based on dense time-series optical and radar data | |
| Elkhateeb et al. | A novel coarse-to-Fine Sea-land segmentation technique based on Superpixel fuzzy C-means clustering and modified Chan-Vese model | |
| CN112101250A (zh) | 一种基于上下文语义感知的近岸舰船目标检测方法 | |
| Chen et al. | Shape similarity intersection-over-union loss hybrid model for detection of synthetic aperture radar small ship objects in complex scenes | |
| Li et al. | Sea–sky line detection using gray variation differences in the time domain for unmanned surface vehicles | |
| CN114373135A (zh) | 基于局部显著性特征度量的舰船目标检测方法 | |
| Xu et al. | The comparative study of three methods of remote sensing image change detection | |
| Chen et al. | Port ship detection in complex environments |
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 |