基于NSCT域图像融合改进算法的SAR图像无监督变化检测

为了降低合成孔径雷达(SAR)遥感图像变化检测总 误差数以及获取更好的变化检测结果,提出了一种基于非下采样轮廓变换(NSCT)域图像融合 改进算法的SAR图像无监督变化检测方法。首先用两时相遥感图像构造得到对数比值 和均值比值两种差异图,并 经过NSCT分解得到各自的高低频系数;然后对两差异图中的低频系数均采用最大梯度平方和 规则进行融合,高频 系数均采用加权规则进行融合,再利用逆NSCT融合得到最终差异图;最后用模糊局部信息C 均值聚类(FLICMC)算法实现对图像变化区 域与非变化区域的分类。通过对真实遥感数据集与模拟遥感数据集的研究表明,本文算法能 够有效抑制斑点噪声对 检测结果的影响,并且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 ,可以得到较好的检测 效果。与DWT2-FLICMC、MRF-FCMC算法相比,本文算法具有更高的检测精度和较少的算法 运行时间。     

区域信息驱动的多目标进化半监督模糊聚类图像分割算法

现有的多目标进化聚类算法应用于图像分割时,往往是在图像像素层面上进行聚类,运行时间过长,而且忽略了图像区域信息使得图像分割效果不太理想。为了提高多目标进化聚类算法的分割效果和时间效率,该文将图像区域信息与部分监督信息引入多目标进化聚类,提出图像区域信息驱动的多目标进化半监督模糊聚类图像分割算法。该算法首先利用超像素策略获得图像的区域信息,然后结合部分监督信息,设计融合区域信息和监督信息的适应度函数,接着通过多目标进化策略对多个适应度函数进行优化得到最优解集。最后构造融合区域信息与监督信息的最优解评价指标,实现从最优解集中选取一个最优解。实验结果表明：与已有多目标进化聚类算法相比,该算法不但分割效果有所提升,而且运行效率得以提高。

     

基于区域谱聚类的极化合成孔径雷达图像分割

极化合成孔径雷达(Synthetic Aperture Radar,SAR)经常用于地物图像的分割和分类.实际中监测范围广,需要算法快速有效;地物复杂,需要算法能够处理不均匀地物.针对上述问题,提出了基于区域合并和谱聚类的极化SAR图像分割方法.先对图像进行一个区域合并步骤完成粗分割,产生许多具有相似统计特性的区域块,再对过分割的区域块进行谱聚类.多个场景下的实验表明:所提方法相对于传统针对像素点的谱聚类,运算复杂度低;相对于完全进行区域融合的方法,更能适应不均匀地物和大场景分割.     

结合目标先验信息的检测图像网格聚类算法

合成孔径雷达(Synthetic Aperture Radar, SAR)图像自动目标识别的前提条件之一是能够准确地提取感兴趣区域(Region of interest, ROI),因此能够获取ROI中心的聚类算法是SAR图像处理的关键算法之一。为了尽可能降低检测图像中的虚警以及减少聚类及相应的鉴别算法的计算量,本文提出一种基于先验信息的网格聚类算法,该方法首先通过目标和杂波的形状统计信息估计网格聚类参数,然后利用其对检测图像进行网格划分,并引入目标的占空比特征去除杂波,最后通过粗提取和精提取两种方法计算得到聚类中心。仿真和实测数据处理结果表明,该算法能够对检测目标进行有效聚类并去除大部分杂波,同时极大地减少了鉴别的计算量,且简化了传统ROI中心提取流程。      

基于ICA优化空间信息PCM的SAR图像分割

可能性C-均值(PCM)聚类算法提高了数据聚类的抗噪性能,但由于这种算法没有考虑数据的空间依赖特性,应用于合成孔径雷达(SAR)图像分割时,受SAR图像中斑点噪声的影响,通常不能得到正确的分割结果。该文在PCM目标函数中引入空间相对位置信息和多尺度空间像素强度信息,这些空间信息取值由前次迭代优化的聚类结果确定,空间信息影响程度(影响因子)由免疫克隆算法(ICA)优化,实现了空间信息影响因子的自适应调整,优化了PCM聚类结果。实验将这种算法应用于人工合成图像和实际SAR图像的分割,结果表明该文所提出的算法对初始分割不敏感,具有强的抗噪性能,改善了SAR图像的分割效果。     

基于模糊聚类的黎曼流形空间遥感图像分割算法

针对遥感图像蕴含目标的复杂性及成像条件导致的光谱特征变化明显等特性,利用高斯分布同时建模遥感图像邻域系统及目标的统计分布特征,将原始遥感图像映射到黎曼流形特征空间,以该空间曲面特性为基础,将传统模糊聚类算法与黎曼流形几何特征相结合,提出基于模糊聚类的黎曼流形空间图像分割算法.光学遥感图像及SAR图像相关分割实验验证了提...     

基于聚类算法的SAR图像去噪

遥感图像的用途非常广泛,而合成孔径雷达图像是遥感图像中重要的一种,人们能从中提供更多的有用信息,但其固有的相干斑给人们对其信息的提取带来了困难,去除相干斑成为SAR图像信息提取中最重要的一步。在此介绍了以模糊C均值聚类算法为基础,同时结合小波变换,对SAR图像进行去噪。并将实验结果与已有的SAR图像去噪方法进行实验、比较和分析。结果表明,模糊C均值聚类和小波变换的所结合的方法,在SAR图像去除斑噪的领域中,成为一种有效且吸引人的算法。     

融合对称特性的混合标签传递半监督直觉模糊聚类图像分割

现有的直觉模糊聚类算法应用于图像分割时,往往只考虑图像的像素信息,忽略了图像的几何特征和区域信息,使得分割效果不太理想。为了提高直觉模糊聚类算法的分割性能,提出一种融合对称特性的混合标签传递半监督直觉模糊聚类算法。该算法首先对图像进行对称轴检测获取图像的对称特性,接着利用图像的对称特性进行对称像素的标签传递并改进像素对聚类中心的直觉模糊距离测度,然后设计一种混合标签传递半监督策略,对所有像素进行隶属度的估计并将其作为监督隶属度进行引入,随后构建融合对称特性的混合标签传递半监督直觉模糊聚类目标函数,通过聚类获得最终的分割结果。两个彩色图像库上的实验结果表明,该算法能够将目标从复杂背景中完整的分割出来,分割性能优于对比算法。      

采用NSCT与FCM相结合的SAR和多光谱图像融合算法

合成孔径雷达（SAR）和多光谱（MS）图像的融合,有助于得到对观察对象的更好地视觉感知。但是,由于其内在成像机制上的差异,许多经典的方法已被证明不适合这一研究,因此本文提出了采用非下采样contourlet变换（NSCT）和模糊C均值聚类（FCM）相结合的图像融合算法。采用FCM对SAR图像进行分割,得到目标区域和背景区域;采用NSCT对SAR图像和多光谱图像进行分解,得到低频子带和高频方向子带;对于低频部分,不同分割区域采用不同的自适应融合准则进行融合;对于高频部分,采用区域块能量准则进行融合;最后,通过NSCT逆变换得到融合后图像。实验结果表明,该算法的融合图像能很好的保留SAR图像的目标信息和多光谱图像的光谱信息,融合效果优于大部分传统的融合算法。      

SAR图像的自动分割方法研究

由于存在相干斑噪声的影响,给SAR图像分割造成很大的困难,该文提出了一种SAR图像的自动分割方法。首先在特征提取阶段,通过计算小波能量提取纹理信息,用邻域统计量提取灰度信息,用保边缘平均灰度提取边缘信息,以确保边缘准确。然后提出一种改进的完全无监督的聚类算法进行图像分割,该算法可以自动确定分割的类型数目。由于该方法充分考虑了SAR图像的纹理、灰度和边缘信息,因而极大地提高了其最终分割性能。实验结果证明了该方法的有效性。     

Using covariance intersection for change detection in remote sensing images

In this paper, an unsupervised change detection technique for remote sensing images ac-quired on the same geographical area but at different time instances is proposed by conducting Co-variance Intersection (CI) to perform unsupervised fusion of the final fuzzy partition matrices from the Fuzzy C-Means (FCM) clustering for the feature space by applying compressed sampling to the given remote sensing images. The proposed approach exploits a CI-based data fusion of the membership function matrices, which are obtained by taking the Fuzzy C-Means (FCM) clustering of the fre-quency-domain feature vectors and spatial-domain feature vectors, aimed at enhancing the unsuper-vised change detection performance. Compressed sampling is performed to realize the image local feature sampling, which is a signal acquisition framework based on the revelation that a small collection of linear projections of a sparse signal contains enough information for stable recovery. The experi-mental results demonstrate that the proposed algorithm has a good change detection results and also performs quite well on denoising purpose.     

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...     

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。     

基于多特征融合的层次支持向量机遥感图像云检测

云检测是遥感图像处理和应用的前提,针对遥感图像云检测的准确率容易受到薄云及似云地物影响的挑战,提出一种结合遥感影像灰度、纹理和频率特征的层次支持向量机云检测算法.该方法首先采用简单线性迭代聚类算法将遥感图像分割为像素块,再采用一种层次支持向量机分类器对遥感图像以像素块为单位进行云检测.层次支持向量机的第一层将像素块初步...     

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。     

基于视觉显著性的SAR遥感图像NanoDet舰船检测方法

在合成孔径雷达遥感图像中,舰船由金属材质构成,后向散射强;海面平滑,后向散射弱,因此舰船是海面背景下的视觉显著目标。然而,SAR遥感影像幅宽大、海面背景复杂,且不同舰船目标特征差异大,导致舰船快速准确检测困难。为此,该文提出一种基于视觉显著性的SAR遥感图像NanoDet舰船检测方法。该方法首先通过自动聚类算法划分图像样本为不同场景类别;其次,针对不同场景下的图像进行差异化的显著性检测;最后,使用优化后的轻量化网络模型NanoDet对加入显著性图的训练样本进行特征学习,使系统模型能够实现快速和高精确度的舰船检测效果。该方法对SAR图像应用实时性具有一定的帮助,且其轻量化模型利于未来实现硬件移植。该文利用公开数据集SSDD和AIR-SARship-2.0进行实验验证,体现了该算法的有效性。      

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...     

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.     

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。