基于地基雷达图像的无监督变化检测

地基雷达是近20几年逐渐发展成熟的微波遥感成像技术，目前已广泛应用于滑坡、崩塌等地质灾害的监测中。地基雷达通过干涉测量原理可以监测到目标区域发生的微小形变，然而受人为因素、地质因素、气象因素等影响，导致雷达图像失相干严重，给长期定量化监测带来较大的难度。因此，迫切需要在定量监测的基础上，进一步开展变化检测方面的应用，为长期全面了解监测区域的动态变化提供有效信息。针对上述问题，该文提出了一种基于改进的模糊C均值聚类(FCM)算法对地基雷达图像进行无监督变化检测，该方法首次利用相干系数图和均值对数比值图进行非下采样轮廓波变换(NSCT)和局部能量法得到合成差异图，然后利用主成分分析(PCA)提取合成差异图中每个像素的特征向量，根据地基雷达图像特点对FCM进行改进，通过改进的FCM对每个像素的特征向量进行聚类得到最终的变化检测结果。利用地基雷达LSA对中国西南某省出现的堰塞体的治理过程进行监测，获取监测区域的地基雷达图像，监测过程中受降水等影响监测体出现滑坡，使用该文方法对其进行变化检测，结果表明该文方法更容易进行聚类分割，变化检测结果在保留变化区域的同时噪声点明显减少。      

基于光学和SAR遥感图像融合的洪灾区域检测方法

基于光学和合成孔径雷达(SAR)图像融合的洪灾区域检测方法可以全天候、高时效地检测洪灾区域。由于SAR图像中存在大量随机分布的相干斑噪声，传统洪灾区域检测方法的检测结果存在较高的虚警率。该文在模糊C均值聚类方法(FCM)的基础上提出了分级聚类算法(H-FCM)，该方法将洪灾后的SAR图像与洪灾前的光学图像融合。基于融合图像，该方法利用提出的分级聚类模型获得洪灾区域的初步检测结果。此外，该算法在利用所提出的区域生长算法获得洪灾前河流位置后，将其作为初步检测结果的空间约束，进一步筛除疑似洪灾区域，并显著地提升了检测性能。该文的实验数据包括1999年英国格洛斯特洪灾前后的遥感图像和2019年中国南昌洪灾前后的遥感图像。通过对比实验，H-FCM算法的有效性得到验证。      

基于NSCT与FCM的多时相遥感图像的变化检测

提出了一种基于非下采样Contourlet变换和模糊C均值聚类相结合的方法。该方法首先对两时相遥感图像进行相减运算得到差异图像。再对差异图像进行NSCT多尺度分解得到子带图像,将各子带图像与差异图像本身构成特征向量。最后通过使用模糊C均值聚类算法对多尺度特征向量进行分类得到最终的变化检测结果(变化和非变化类)。该算法不受变化类和非变化类统计分布的限制,不需要先验知识,适用性强。对真实遥感数据集进行研究,实验结果表明本文方法可以得到较好的检测效果;将本文算法与传统方法相比,该方法具有更好的检测精确度和抗噪性能。     

基于模糊C均值聚类的作物病害图像分割方法研究

图像分割是指将人们感兴趣的目标从背景中分割出来,分割结果的好坏直接影响后期的图像分析和识别.基于作物病害图像的分割技术就是将病斑从病害图像中分割出来,以便于后期病害的诊断和识别.模糊C均值聚类是一种重要数据分析和建模的无监督方法,为提高作物病害图像的分割效果,根据作物病害图像的特点,提出一种基于模糊C均值聚类算法的作物病害图像自适应分割方法,并与K均值聚类算法进行比较,结果显示本文算法在进行图像分割方面表现出明显优势.     

一种基于区域相似性的图像融合评价方法

本文提出一种新的图像融合客观评价方法.首先,利用模糊C-均值聚类算法（FCM）对图像进行区域分割,获取区域特征矩阵.通过降维处理,计算区域的距离,以此作为区域相似度.其次,以对应区域的特征向量元素相似比作为对应区域的权重.区域的边缘强度比值作为区域之间的权重.最终获得图像的相似度.实验结果表明这种相似性度量考虑了图像像素的局部关系以及区域的显著性,更加符合人类的视觉特征.     

基于上下文模糊C均值聚类的图像分割算法

像素间的上下文相关信息对图像分割算法的抗噪性和准确性具有重要意义,现有的模糊C均值(FCM)聚类算法对此缺乏充分考虑。该文基于对空间上下文的可靠性度量,提出一种模糊C均值聚类算法(RSFCM)应用于图像分割:通过对空间上下文有效建模来提高聚类算法的抗噪声干扰性能,并研究了一种新的可靠性模糊度量指标,使聚类算法能更好地平衡细节保留和去噪,从而获得更加准确的分割结果。实验选取人工合成图像、交通标志图像和遥感图像3类数据测试聚类算法性能,结果表明,RSFCM在图像分割过程中能有效地抑制椒盐噪声和高斯噪声引起的类内异构及类间同构问题,能提高图像的像素可分性,并有效地保留了图像的边缘细节。     

A new unsupervised classification algorithm for polarimetric sar images based on fuzzy set theory

In this letter, a new method is proposed for unsupervised classification of terrain types and man-made objects using POLarimetric Synthetic Aperture Radar （POLSAR） data. This technique is a combination of the usage of polarimetric information of SAR images and the unsupervised classification method based on fuzzy set theory. Image quantization and image enhancement are used to preprocess the POLSAR data. Then the polarimetric information and Fuzzy C-Means （FCM） clustering algorithm are used to classify the preprocessed images. The advantages of this algorithm are the automated classification, its high classification accuracy, fast convergence and high stability. The effectiveness of this algorithm is demonstrated by experiments using SIR-C/X-SAR （Spaceborne Imaging Radar-C/X-band Synthetic Aperture Radar） data.     

一种基于特征值和级联聚类的协作频谱感知方法

为了提高低信噪比(Signal-to-Noise Ratio, SNR)下频谱感知的性能，使用模糊C均值(Fuzzy C-means, FCM)和高斯混合模型(Gaussian Mixture Model, GMM),提出了一种基于特征值和级联聚类的协作频谱感知方法。从接收信号的协方差矩阵中提取特征值构造特征向量，通过在三维空间中执行聚类得到信道是否可用的分类模型，此过程无需获得主用户(Primary User, PU)信号以及噪声功率的先验信息，避免了复杂的门限计算。FCM聚类用于优化GMM聚类的初始参数，有效解决了在低SNR下GMM容易陷入局部最小值的问题。仿真结果表明，该方法降低了GMM的收敛时间并提高了模型分类的准确性，与其他主流方法相比能够有效提升频谱感知的性能。     

基于图像K-means聚类分析的频谱感知算法

近年来,基于能量检测的协作频谱感知算法被广泛应用于频谱感知领域。由于该方法在计算能量检测的判决门限受噪声影响较大以及受限于认知用户的数量等问题,导致其检测性能受到影响。为了解决这一问题,本文提出一种基于图像K-means聚类分析的频谱感知算法。这种方法利用主用户信号存在与否的两种认知信号状态映射成图像,经过调整图像强度和高斯滤波预处理之后利用提取图像像素分布直方图的方法提取出特征向量,然后利用改进的K均值聚类算法对这些特征向量进行训练得到分类模型。最后利用训练好的分类模型对未知信号进行检测,从而实现频谱感知。仿真结果表明,本文所提出的频谱感知算法,在检测性能上优于传统能量检测以及协作频谱感知算法,尤其在低虚警概率、低信噪比的环境下效果更加突出。      

基于快速EM算法和模糊融合的多波段遥感影像变化检测

提出了一种基于快速EM(expectation maximization)算法和模糊融合的多波段遥感影像无监督变化检测方法.该方法首先对各波段差异影像采用基于直方图分析的快速EM迭代算法获取变化分类阈值和变化信息,随后对各波段的变化信息进行模糊融合和判决,生成最终的变化检测图.利用真实的多波段遥感影像进行了实验,本文方法在运行时间和检测效果两个方面都具有优越性.     

融合层次聚类的高分辨率遥感影像超像素分割方法

为解决遥感影像分割尺度自动选取难的问题,提出了融合层次聚类的高分辨率遥感影像超像素分割方法。首先采用自适应形态重建的分水岭分割算法将影像分割成多个超像素;然后提取各超像素的灰度特征向量;最后利用层次聚类方法进行超像素合并,实现高分辨率遥感影像的精确分割。实验选用4组景遥感影像;采用定性和定量相结合的方法评价实验结果。实验结果表明,该方法有效提高了遥感影像分割精度,并取得了较好的分割视觉效果。     

基于分形维数和FCM聚类的多时相SAR图像变化检测

提出了一种基于分形维数和FCM聚类的SAR图像无监督变化检测的算法。首先用非下采样Contourlet变换(NSCT),对两时相图像进行分解,然后求出其分形维数图,构造差异图,再由FCM聚类得到变化区域和非变化区域。并对计算分形维的滑动窗口大小的选择进行了研究。与现有的基于分形维数的图像变化检测算法进行对比,实验证实,本文算法不仅对斑点噪声不敏感,并且提高了变化检测的精确度。     

基于二维直方图与FCM相结合的图像快速分割方法

基于二维直方图的模糊聚类分割方法,可以有效地抑制噪声。但是FCM(模糊C均值)算法用于图像聚类时最大的缺点是运算开销太大,进而限制了该算法在图像分割中的应用。通过构造合理的二维直方图,并筛选出符合规定条件的元素作为聚类样本,再结合FCM算法进行图像分割。实验结果表明该方法具有与基于一维直方图的模糊聚类分割方法速度相近,但却比其分割精度高很多的良好特点。     

基于显著轮廓特征的SAR图像轮廓匹配新方法

在以星载SAR图像作为基准图、机载/弹载SAR图像作为实时图的匹配导航和精确制导研究中,传统基于点特征的匹配方法存在特征点数目过多, 误匹配率较高,容易受噪声及灰度变化影响等问题。该文提出一种基于显著轮廓特征的SAR图像“由粗到精”的匹配新方法。该方法在对SAR图像进行预处理的基础上,采用改进的模糊C均值聚类(FCM)的图像分割方法来提取闭合轮廓特征;采用归一化轮廓中心距离描述符进行双向匹配,获得强鲁棒性的粗匹配轮廓对;在粗匹配轮廓上采用改进的局部二值模式(LBP)算子得到精匹配结果。试验结果表明,该方法在图像旋转、空间变化以及噪声干扰较大的情况下,具有精确性高、鲁棒性强的优势,适宜遥感SAR图像匹配。     

融合多特征的对象级航空遥感图像变化检测

针对航空遥感图像,构建一种面向对象的融合JS(Jensen-Shannon)散度特征与互相关特征的变化检测算法。首先,应用多尺度分割算法获取像斑;然后,提取反映像斑内像素灰度分布的总体统计特征的JS散度以及反映像斑内部结构的变化特征的互相关特征,应用决策级融合方案对两个优势互补的特征进行有效融合,进而探测变化区域;最后与固定权重融合的检测结果进行精度对比。结果表明:本文方法的平均检测精度达到93.07%,误检率平均为7.13%,漏检率平均为4.37%,比仅基于JS散度特征、互相关特征、固定权重融合的检测方法精度分别提高了8.98%、4.71%和4.20%。因此,该变化检测方法不仅能有效提取变化区域,而且提高了变化检测的精度,在航空遥感图像变化检测中具有有效性与应用潜力。     

基于形态学与多尺度空间聚类的SAR图像变化检测方法研究

介绍了一种形态学模型(morphological profile,MP)工具,这种工具运用在合 成孔径雷达(synthetic aperture radar,SAR) 图像中,增强了对SAR图像的多角度细节处理,提高了图像检测精度。在图像检测中加入算 法可被应用于遥感图像变化检测 领域。本文提出的SAR图像变化检测方法是在多尺度子空间融合谱聚类的基础上进行的,这 种方法是对不同时刻得到的同图 进行对数比和均值比处理,从而构成多个子空间获取图像的结构特征,并结合随机采样谱聚 类的子空间融合算法得到的变化 的图像。本文方法所得的SAR图可以检测到很多单一的像素点,误检像素点数目明显减小,优 于其他算法结果。检测结果抑制 了图像变化中的缺失问题,因此具备较高的检测精度。     

距离决策下的模糊聚类集成模型

模糊聚类是近年来使用的一类性能较为优越的聚类算法,但该类算法对初始聚类中心敏感且对边界样本的聚类结果不够准确。为了提高聚类准确性、稳定性,该文通过联合多个模糊聚类结果,提出一种距离决策下的模糊聚类集成模型。首先,利用模糊C均值(FCM)算法对数据样本进行多次聚类,得到相应的隶属度矩阵。然后,提出一种新的距离决策方法,充分利用得到的隶属度关系构建一个累积距离矩阵。最后,将距离矩阵引入密度峰值(DP)算法中,利用改进的DP算法进行聚类集成以获取最终聚类结果。在UCI机器学习库中选择9个数据集进行测试,实验结果表明,相比经典的聚类集成模型,该文提出的聚类集成模型效果更佳。     

多时相遥感影像变化检测算法研究

本文首次将非下采样Contourlet变换和上下截集模糊Kohonen聚类网络相结合,提出了一种无监督的多时相遥感影像变化检测算法。该算法采用非下采样Contourlet变换提取与对数比图像中的每个像素相对应的多尺度和多方向纹理,并采用上下截集模糊Kohonen聚类网络将这些多尺度和多方向纹理分为变化类与未变化类两类,最终得到变化检测图像。实验结果表明,与传统方法相比,对于高斯和斑点噪声,该算法具有更高的抗噪性能和检测精确度。     

基于可变类FCM算法的多光谱遥感影像分割

为了自动确定多光谱遥感影像中地物目标类别数,该文提出一种基于可变类模糊C均值(Fuzzy C-Means, FCM)的多光谱遥感影像分割方法。首先定义像素与聚类的非相似性测度并据此构建目标函数,而后通过求解目标函数得到最优模糊隶属度和聚类中心。其次,研究模糊因子与影像地物目标类别数的关系,并通过定义划分熵(Partition Entropy, PE)指数优选模糊因子,选择PE指数值稳定收敛后所对应的最小模糊因子值为最优模糊因子,根据模糊因子与类别数的关系得到最优类别数,从而实现了影像的可变类分割。最后,利用提出算法分别对合成和真实多光谱遥感影像进行分割实验,实验结果表明,提出算法不仅能自动确定影像的最优类别数,还能获得较好的分割结果,为实现自动确定遥感影像中地物目标类别数提供新方法。     

联合多尺度多特征的高分遥感图像场景分类

高分辨率遥感图像地物信息丰富,但场景构成复杂,目前基于手工设计的特征提取方法不能满足复杂场景分类的需求,而非监督特征学习方法尽管能够挖掘局部图像块的本征结构,但单一种类及尺度的特征难以有效表达实际应用中复杂遥感场景特性,导致分类性能受限.针对此问题,本文提出了一种基于多尺度多特征的遥感场景分类方法.该算法首先设计了一种改进的谱聚类非监督特征（iUFL-SC）以有效表征图像块的本征结构,然后通过密集采样提取每幅遥感场景的iUFL-SC、LBP、SIFT等三种多尺度局部图像块特征,并通过视觉词袋模型（BoVW）获得场景的中层特征表达,以实现更为准确详实的特征描述,最后基于直方图交叉核的支持向量机（HIKSVM）进行分类.在UC Merced数据集以及WHU-RS19数据集上的实验结果表明本文方法可对遥感场景进行鉴别特征提取,有效提高分类性能.