融合相干/非相干信息的高分辨率SAR图像变化检测

该文运用Dempster-Shafer(D-S)证据理论融合高分辨率SAR影像的相干/非相干差异特征进行变化检测。首先使用简单线性迭代聚类(SLIC)分割算法完成多时相SAR影像联合多尺度分割。然后在各个分割尺度上提取适宜的强度差异特征及相干差异特征,通过Mean算子融合多尺度差异特征并得到多特征差异图。最后运用D-S证据理论完成多特征差异图融合得到变化检测结果。实验表明该方法可得到较为稳健的变化检测结果。      

基于差异图构造与融合的SAR图像变化检测方法

针对合成孔径雷达(SAR)图像固有的相干斑点噪声而影响变化检测精度和准确性等问题,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。该方法通过L-SRAD混合滤波对SAR图像进行预处理,使用基于边缘预检测的小波融合算法实现对数双曲余弦比值差异图D_CLR和邻域比值差异图D_NR的融合,结合FCM算法和CWNN卷积神经网络对所得融合差异图进行变化检测。其中FCM算法将融合差异图预分类为三个聚类,选择合适的预分类结果作为训练样本训练CWNN模型,最后使用CWNN模型对预分类结果进行二次分类,得到最终的变化检测图。在Bern数据集上进行了对比实验,实验结果证明该方法具有较强的变化检测能力,变化检测准确率达到99.67%。     

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.     

基于多通道特征的SAR图像变化检测

为充分利用SAR图像的细节信息,提高SAR图像变化检测的检测精度及抗噪性能,提出一种基于多通道特征的SAR图像变化检测方法。该方法提出了一种适用于SAR图像的变化检测一体化框架,首先,为了在抑制相干斑噪声的同时尽可能多地保留SAR图像的边缘及局部信息,引入引导图像滤波方法;其次,提取8个通道特征,充分利用了图像的细节信息,获得了性能良好的差异图;最后,利用主成分分析(PCA)和K-means聚类进行差异图分析,得到最终的变化信息。实验结果表明,该方法有效提高了检测精度,并且具有良好的抗噪性能。     

利用多尺度融合的SAR图像变化检测方法

为充分利用图像的细节信息,提高变化检测算法的鲁棒性和稳健性,本文融合了多个尺度间的特征,提出了一种自适应SAR图像变化检测方法。首先采用小波函数对对数比差异图进行多尺度分解,而后采用独立重构的方式,得到不同尺度下的重构图像。接着采用均值循环迭代分割算法,以甄别变化区域与未变化区域。最后将不同尺度下的判别结果,采用马尔科夫随机场融合的方式,来获取最终的变化二值图。通过对不同尺度下的图像进行融合,该方法不仅有效地利用了尺度信息,而且对边缘的检测更加细致。实验结果表明该算法能够有效地提高SAR图像变化检测的精度和鲁棒性。      

基于图像分割的SAR图像变化检测算法及实现

本文提出一种基于图像分割的变化检测方法,该方法首先根据SAR图像统计特性进行图像分割,然后对两幅SAR图像的分割图进行融合,用相同的区域分割来描述两幅图像,再利用区域灰度和纹理等信息构造图像变化函数,用变化函数对图像进行变化检测判别,最后利用合成孔径雷达(SAR)图像进行的试验,并和变化矢量分析方法(CVA)进行比较,得到了很好的效果。     

基于KL距离的SAR影像变化检测

SAR影像的变化检测是一种应用于动态监测的重要技术,而SAR影像存在的相干斑噪声给SAR影像的变化检测带来了很大的困难,针对这一困难引入了KL距离（Kullback Leibler divergence的简称,也叫做相对熵）构造两幅多时相SAR影像的差异影像,然后提取所构造差异影像的变化区域,并结合数学形态学方法处理变化区域,有效地实现了SAR影像的变化检测。并将这种方法与传统的比值法进行了比较,实验结果表明这种方法能够有效地降低SAR影像变化检测的虚检率,提高检测的准确率。     

基于CSAR成像的相干斑统计模型研究

圆迹SAR是近些年发展的一种全方位高分辨率新型雷达成像模式。通过一次圆形航迹获得的360多角度图像能够解决传统SAR无法获取全方位数据的问题,在目标识别、区域检测和3D重建等应用上提供了更为有效的技术途径。该文通过传统SAR图像的统计模型,在假设每个子孔径影像均匀区域独立且服从伽马分布条件下分别建立圆迹SAR中相干累加、非相干累加和取子孔径最大强度值法这3种图像合成方法的统计模型,分析3种方法对图像相干斑的影响,分析结果表明非相干累加具有最好的降斑效果,取最大强度值也能在一定程度上降低相干斑。      

基于体散射约束的极化SAR相干变化检测方法

相干变化检测(CCD)利用场景中变化区域的失相干特性进行检测,而场景中存在的体散射植被区域及低信噪比区域也呈现低相干特性,对待检测变化区域形成干扰。该文提出一种极化SAR CCD方法,首先利用变化前后SAR图像间的极化相干信息建立加权迹相干统计量,然后利用各个SAR图像内极化通道间的相干信息,通过建立混合GEV分布模型,采用改进EM算法求解各分量参数,建立体散射约束项,最后结合散射功率变化约束项构建极化CCD检验统计量。该方法可在不影响检测性能情况下排除干扰。该文采用变化前后的两幅L波段全极化SAR图像进行方法验证,实验结果及指标参数验证了该方法的正确性与有效性。     

二进小波增强与边缘局部信息FCM的SAR图像变化检测

合成孔径雷达图像中固有的相干斑噪声往往导致变化检测结果中存在大量虚警与漏警。针对这一问题,本文提出一种利用二进小波增强与边缘局部信息模糊C均值的变化检测方法。首先利用二进小波对对数比差异图进行自适应增强,平抑噪声的同时均衡灰度分布;然后,利用指数加权均值比算子对差异图进行边缘信息提取,修正局部信息模糊C均值算法中邻域窗内像素点权值,使邻域窗滑动至变化区域的边缘部分时能够对噪声切向平抑,保留细节信息。最后对差异图进行分割,得到变化检测结果二值图。仿真与实测数据实验结果表明,本文方法能够有效抑制相干斑噪声,同时对变化区域的细节保持效果较好。      

面向舰船目标检测的单通道复值SAR图像统计建模方法研究

合成孔径雷达(SAR)成像模式丰富、覆盖范围广、分辨率高，可以长期、动态、宏观地对海洋进行监测。在完全发展的相干斑假设条件下，传统单通道SAR图像舰船目标检测方法主要研究幅度信息。然而，其部分假设条件在高分辨率情形下并非严格成立，因此无法有效利用单通道SAR图像的相位或复值信息。该文面向舰船目标检测应用，将单通道复值SAR图像统计建模方法划分为幅度、相位和复值统计建模3个部分，首先简要综述了单通道SAR图像幅度统计建模方法，然后详细阐述了单通道SAR图像相位和复值统计建模方法，并重点介绍了其建模过程和参数估计方法。在此基础上，该文给出了作者研究小组在基于复值统计信息的单通道SAR图像舰船目标检测方面的部分最新研究结果，并分析展望了下一步研究方向。      

基于小波域Fisher分类器的SAR图像变化检测

给出了一种无监督SAR图像变化检测算法,它不需要分布假设,而是通过联合灰度直方图的分布特性进行判别.算法利用自适应边缘检测提取训练数据,通过Fisher分类器对联合直方图进行判别分析,得到不同小波层待检测点隶属度,并根据邻域关系以及上下文进行融合,得到最终检测结果.对真实SAR图像进行检测,得到了较好的检测结果.     

基于目标相干性表征差异的多波段SAR相干变化检测方法

相干变化检测(Coherent Change Detection, CCD)利用变化前后SAR图像间的相位相干性检测场景中发生的微小变化。传统的CCD方法由于对目标探测尺度单一,难以区分场景中目标变化区域与低相干干扰区域。多波段SAR对目标进行多尺度探测,依据电磁波对目标的穿透特性、目标的结构特性以及目标发生的变化尺度形成不同的相干性表征。该文据此提出一种多波段CCD方法。该方法先分别获取各个波段的相干变化差异图,然后依据目标的多波段相干性表征使用改进的期望最大化(Expectation-Maximization, EM)算法对场景分类,接下来根据少量监督样本确定目标变化类别,最后用Dempster-Shafer (DS)证据理论处理,获取多波段融合相干变化差异图。该结果可有效排除各个单波段存在的低相干干扰,达到降低虚警概率的目的。该文采用变化前后的L波段与P波段重轨SAR数据进行方法验证,实验结果与指标参数证明了该方法的有效性与正确性。      

基于词包模型的高分辨率SAR 图像变化检测与分析

该文面向高分辨率SAR 图像解译中的变化检测问题,针对其研究现状与难点,重点解决高分辨率SAR图像变化检测中的语义信息缺失问题,提出一种基于词包模型的变化检测与分析的方法。该方法利用词包模型,对两个时相的图像做词包表征,将视觉直方图的差作为变化向量进行分析。由于变化向量包含有语义信息,因此可通过对其分析,结合像素级变化结果,实现对变化区域的语义分析及感兴趣变化类型检测。经实验验证,该框架对高分SAR 影像变化语义分析具有应用前景。      

基于双特征量和NSCT的多波段SAR图像融合算法

不同波段的SAR图像进行融合,能够综合不同波段SAR图像的信息,得到包含更多信息的SAR图像。针对传统融合方法不能很好地处理SAR图像中边缘及纹理等细节信息的问题,该文提出一种基于双特征量的在非下采样Contourlet变换域融合的方法。对NSCT分解后的高频分量提出了一种基于区域能量和梯度两个特征量,采用平均与选择相结合的规则来计算高频子带系数。实验结果表明,该方法得到的融合图像在客观评价上要优于传统融合方法,这说明该方法在综合了不同波段SAR图像信息的同时能更好地保持细节信息。      

Change detection in synthetic aperture radar images based on image fusion and fuzzy clustering

This paper presents an unsupervised distribution-free change detection approach for synthetic aperture radar (SAR) images based on an image fusion strategy and a novel fuzzy clustering algorithm. The image fusion technique is introduced to generate a difference image by using complementary information from a mean-ratio image and a log-ratio image. In order to restrain the background information and enhance the information of changed regions in the fused difference image, wavelet fusion rules based on an average operator and minimum local area energy are chosen to fuse the wavelet coefficients for a low-frequency band and a high-frequency band, respectively. A reformulated fuzzy local-information C-means clustering algorithm is proposed for classifying changed and unchanged regions in the fused difference image. It incorporates the information about spatial context in a novel fuzzy way for the purpose of enhancing the changed information and of reducing the effect of speckle noise. Experiments on real SAR images show that the image fusion strategy integrates the advantages of the log-ratio operator and the mean-ratio operator and gains a better performance. The change detection results obtained by the improved fuzzy clustering algorithm exhibited lower error than its preexistences.     

基于邻域信息的SAR图像变化检测

为了减少合成孔径雷达(SAR)图像中乘性斑点噪声对变化检测结果的影响,充分地利用了像素的邻域信息。首先使用邻域比值(NR)方法构造差异图像,然后提出基于邻域信息的模糊C均值聚类(FCM)算法。NR算子在构造差异图像时能够较好地保留图像信息并抑制噪声的干扰。同时将邻域信息引入到FCM算法的目标函数,以邻域加权距离改进了FCM算法在欧式距离计算中的不足,并约束了隶属度函数,减少了噪声对邻域中心像素的干扰。通过以上考虑像素邻域信息的算法,得到了差异图像的聚类结果,从而实现了SAR图像的变化检测。实验结果表明,所提算法较传统的FCM和K-means聚类算法,可以较好地保留图像变化区域的信息,同时提高了SAR图像变化检测的准确度。     

A Markov random field model for classification of multisourcesatellite imagery

A general model for multisource classification of remotely sensed data based on Markov random fields (MRF) is proposed. A specific model for fusion of optical images, synthetic aperture radar (SAR) images, and GIS (geographic information systems) ground cover data is presented in detail and tested. The MRF model exploits spatial class dependencies (spatial context) between neighboring pixels in an image, and temporal class dependencies between different images of the same scene. By including the temporal aspect of the data, the proposed model is suitable for detection of class changes between the acquisition dates of different images. The performance of the proposed model is investigated by fusing Landsat TM images, multitemporal ERS-1 SAR images, and GIS ground-cover maps for land-use classification, and on agricultural crop classification based on Landsat TM images, multipolarization SAR images, and GIS crop field border maps. The performance of the MRF model is compared to a simpler reference fusion model. On an average, the MRF model results in slightly higher (2%) classification accuracy when the same data is used as input to the two models. When GIS field border data is included in the MRF model, the classification accuracy of the MRF model improves by 8%. For change detection in agricultural areas, 75% of the actual class changes are detected by the MRF model, compared to 62% for the reference model. Based on the well-founded theoretical basis of Markov random field models for classification tasks and the encouraging experimental results in our small-scale study, the authors conclude that the proposed MRF model is useful for classification of multisource satellite imagery