结合邻域信息自适应优化的SAR图像变化检测

为提高SAR图像变化检测的精度,本文提出了一种邻域信息自适应优化及差异图融合的SAR图像变化检测算法。该算法首先根据邻域信息异质性计算像素点的自适应窗口生成自适应的对数均值比差异图像,充分抑制噪声影响;其次,将其与差值图加权融合,保留了图像的细节部分;最后,利用基于邻域隶属度约束的FCM聚类算法对融合后的差异图像进行分类。实验结果表明,该方法有效抑制了噪声对结果的影响,提高了变化检测的精度。     

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。     

基于蜂群优化模糊聚类的遥感图像变化检测

针对模糊聚类算法容易陷入局部最优,结合人工蜂群算法的全局最优性,提出一种基于蜂群优化模糊C均值聚类的新算法,并将此算法应用到遥感图像的变化检测中。利用差值图和比值图融合的方法得出多时相遥感图像的差异图,在对差异图像进行模糊聚类生成变化类和未变化类的同时,利用人工蜂群算法对差异图进行全局搜索,较大程度地避免FCM算法陷入局部最优,也降低了FCM算法对初始解的敏感度。实验结果表明,新算法比FCM分类准确、效率更高。     

基于支持向量机的遥感图像变化检测

提出了一种基于小波融合和渐进直推式支持向量机(PTSVM)的遥感图像变化检测方法。根据合成孔径雷达(SAR)图像特点,通过将对数比值图和均值比值图进行小波融合得到差异图像,可有效抑制图像背景杂波。通过渐进直推式支持向量机对差异图像进行二分类,得到变化检测结果。提出的方法提高了变化检测结果的抗噪性和检测精度。     

基于NSCT和FCM聚类的SAR图像无监督变化检测

提出了一种基于非下采样Contourlet(NSCT)和模糊C-mean聚类(FCM)的SAR图像无监督变化检测算法。首先利用基于NSCT的SAR图像去噪算法分别对两时相SAR图像进行高频系数去噪,然后利用去噪后的高频系数和低频系数构造差异图像,有效地去除了噪声对变化检测结果的影响,最后基于FCM算法实现了图像变化区域和非变化区域的分类。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。将本文算法与NSCTKFCM和UDWTKMEAN进行比较,实验证明,本文算法不仅能够很好地保留变化区域的细节和准确检测变化区域的边沿,而且对噪声有更好的鲁棒性。     

基于视觉注意机制的UWB SAR叶簇隐蔽目标变化检测

在超宽带合成孔径雷达叶簇隐蔽目标检测中,传统的UWB SAR图像变化检测方法易受图像灰度值起伏和成像条件变化的影响,致使现有的变化检测算法的性能下降.本文根据人类视觉系统的生理结构和认知特点,提出了一种基于视觉注意机制的叶簇隐蔽目标变化检测算法.该方法使用视觉注意模型,将图像的多尺度特征信息融合为单幅视觉显著图像,并利用图像局部邻域信息和目标的空间相关特性对视觉显著图中视觉注意焦点进行分层筛选和变化检测.实验结果表明:本文中基于视觉注意机制的变化检测方法可以有效检测多时相UWB SAR图像中的叶簇隐蔽目标,较之传统的基于统计原理的变化检测方法,其检测速度更快,且对场景复杂的UWB SAR图像亦具有鲁棒性.     

基于图像配准的混合遗传FCM算法研究

针对目前图像变化检测的相关研究,提出一种新的算法:基于SAR图像配准的混合遗传FCM算法.算法主要分为4个步骤.第一步,利用Harris算法和SIFT算法对两幅图像进行匹配,证明它们是同源不同时相的图像.第二步,利用两种不同变化检测方法提取初步差异图像.第三步,利用PCA方法对差异图像进行降维处理.第四步,利用混合遗传FCM算法对特征矢量空间进行分类,并将分类结果与参考差异图像进行比较,获得变换信息.采用渥太华地区的部分图像作为检测算法的性能的数据库.获得的结果与FCM算法相比较,结果表明,提出的算法具有最高的全局正确率98.10％,算法效果更佳.     

基于直接密度比估计的SAR图像变化检测

提出了一种通过直接分布函数密度比估计的SAR图像变化检测方法。不同于以往基于分布函数的方法需要先分别估计不同时相的分布函数再计算比值,该方法直接估计分布函数比值,并使用皮尔逊散度作为差异度量获取差异图。通过将概率标签松弛(PLR)嵌入到最大期望(EM)聚类算法中,增强了变化检测结果的空间一致性。实验结果表明,该方法能够准确地提取变化区域,得到较为满意的变化检测结果。     

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。      

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。      

基于融合差异图的变化检测方法及其在洪灾中的应用

由于洪灾区域的地物散射特性受环境影响会发生改变,在对该区域合成孔径雷达(SAR)图像进行变化检测时会使检测结果的错误率提高,而且用单一方法得到的差异图变化检测结果精度较低.针对上述问题,该文提出一种基于融合差异图的变化检测方法,该方法通过构造基于改进相对熵与均值比的融合差异图,综合了熵值差异图的区域敏感性和均值差异图的...     

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。     

基于极化似然比的极化SAR影像变化检测

由于数据获取困难等问题,目前SAR影像变化检测方法多基于幅度,而较少引入极化信息.针对此方面的不足,以极化SAR数据为研究对象,在分析多极化SAR影像极化特征及其分布模型的基础上,构建极化似然比检验模型,以此进行不同时相的多极化SAR数据地表地物变化程度分析,通过设定恒虚警率确定变化区域,最后考虑地物空间信息剔出斑点噪声引起的孤立检测结果.利用多极化SAR数据进行算法的验证,并与图像比值法进行比较,实验表明:基于极化似然比方法可以有效区分地物的变化情况,且变化检测精度要优于图像比值法.     

一种基于主分量分析的SAR图像变化检测算法

该文提出一种基于主分量分析(PCA)的SAR图像变化检测算法.该算法将SAR图像转化为列向量,对两个图像向量组成的矩阵进行主分量分解,其图像的变化部分则表征为矩阵的次分量成分.论文还研究了高效的SAR图像变化检测实现算法,最后通过与对数比方法和分块主分量分析法进行比较实验,实验结果证实了方法的有效性.     

SAR图像变化检测综述

合成孔径雷达(synthetic aperture radar, SAR)图像变化检测任务是检测同一地区、不同时间获得的两幅SAR图像的变化情况，在农业、军事等方面都有广泛的应用。首先介绍了实现SAR图像变化检测过程中的三个难点和SAR图像变化检测的一般流程。然后，介绍了图像预处理的方法和产生差异图的步骤。图像预处理是SAR图像进行变化检测前必不可缺的步骤，而差异图的质量影响最终的变化检测结果。随后，分别对传统的变化检测方法和基于深度学习的变化检测方法进行了总结，并分析了每种方法的优缺点。最后，给出了SAR图像变化检测的评价指标。     

基于独立分量分析的极化SAR图像非监督分类方法

提出了一种针对极化合成孔径雷达(SAR)图像的新的分类方法--基于独立分量分析(ICA)的非监督分类方法.该方法将ICA和基于模糊集理论的非监督分类方法结合起来.用ICA方法对原始极化SAR图像进行特征提取,并用模糊C均值(FCM)算法对提取出的独立分量图像进行分类.该算法可对极化SAR图像进行自动分类,并减少由相干斑噪声所引起的分类错误,且其收敛速度快、稳定性高.采用SIR-C/X-SAR数据的试验证明了该算法的有效性.     

结合强度和相干信息的多阈值融合SAR影像变化检测

本文研究了联合SAR影像强度与相干信息的多阈值融合变化检测技术。针对SAR影像强度和相干信息各自统计分布特点,首先通过选定合适的统计分布模型分别对强度和相干信息进行统计分布拟合,并以Jeffrey距离为差异度量获取两种信息的差异图。然后利用三种阈值方法分别对两者的差异图进行阈值分割,获得多幅初步的变化结果图。最后利用马尔科夫随机场进行融合,得到最终的变化检测结果。实验结果表明该融合策略可以获得比单一阈值法更为稳定的变化检测结果。      

基于模糊聚类的SAR图像变化检测

利用两种模糊聚类算法即模糊C均值聚类(FCM)和Gustafson Kessel聚类(GKC),对SAR图像进行变化检测。差异图是根据不同时相图像的灰度值得到的,为了验证算法的有效性,实验选用两个不同地区的多时相图像,实验结果比较现存的马尔科夫随机场(MRF)和神经网络算法,不但耗用时间短,而且无需变化类和未变化类像素的任何先验分布信息。     

基于小波融合和PCA-核模糊聚类的遥感图像变化检测

本文提出了一种变化检测方法以提高算法的鲁棒性、检测精度以及抗噪性.首先对差值法构造的差异图和比值法构造的差异图进行小波融合.然后将融合图像分成互不重叠的小块,并用主成分分析得到图像块的正交基.通过将融合图像中每个像素的邻域小块映射到正交基上使得每个像素用一个特征向量来表示.最后用基于核的模糊C均值对特征向量进行聚类.实验结果显示与使用单一类型差异图的聚类方法相比,本方法由于采用了图像融合的策略而增强了鲁棒性,且由于采用了核模糊聚类,进一步提高了变化检测精度.此外由于使用了特征提取的技术,本方法具有一定的抗噪性能.