一种基于卷积神经网络的SAR变化检测方法

为了降低合成孔径雷达(SAR)影像中相干斑对变化检测的影响、减少标注样本的人工成本,该文发展了一种联合分层模糊C均值聚类(FCM)与卷积神经网络的非监督SAR变化检测方法。首先,利用邻域均值比算子计算前后时相的差异图,并利用分层FCM将差异图非监督地初始分割为变化类、非变化类及待确定类别像素;然后,为解决非监督选取样本时出现的样本不均衡问题,提出一种频率不变降采样的数据抽样方法,选取高置信度的变化与非变化样本用于网络训练;最后,利用训练完成的神经网络对待确定类别像素进行分类,得到最终变化结果。采用真实SAR影像数据进行实验。结果表明,该文方法方便有效,具有较高的检测精度。     

融合差异图与高斯混合模型相结合的SAR图像变化检测

在SAR图像变化检测过程中,假设差异图类别服从单一分布,构造单一类型的差异图不能完好地保留变化信息,从而影响SAR图像变化检测的精度。针对上述问题,提出一种基于差异图融合和高斯混合模型GMM(Gaussian Mixture Model)的非监督SAR图像变化检测方法。该方法利用给定的融合因子进行差值和比值图融合,采用最大期望算法EM(Expection Maximum)求解融合差异图的GMM参数,并根据后验概率将图像像素分配到GMM各个分量,从而获得SAR实验区域的变化检测图。3组SAR数据集的变化检测实验验证了所提方法的可行性和有效性。     

高分三号SAR影像双阈值变化检测

双阈值合成孔径雷达SAR(Synthetic Aperture Radar)变化检测算法具有在发现变化区域的同时还能确定地表发生后向散射变化类型的优点。针对广义高斯双阈值最小误差法D-GKIT(Dual Generalized Kittler and Illingworth Thresholding)在进行阈值选取时直方图中不同类别像素灰度级重叠严重时,分割结果容易在尖峰单侧选取出双阈值而导致无法正确分割差异图的问题,本文提出一种结合归一化最大类间方差和广义高斯最小误差法GKIT(Generalized Kittler and Illingworth Thresholding)的双阈值SAR变化检测方法。首先,提出以归一化最大类间方差值作为灰度级重叠程度的判别参数,确定阈值的选取顺序及两个候选区间;然后,利用GKIT在候选区间内进行分割,获取单侧阈值及非变化类拟合函数;最后,提出利用非变化类拟合函数更新后的直方图作为另一侧阈值选取基础进行分割,得到对应分割阈值。以宁波地区高分三号(GF-3)SAR卫星影像作为试验研究数据,结果表明:本文方法能较好地解决灰度级重叠时D-GKIT无法进行正确分割的问题,具有良好的变化检测效果和更强的鲁棒性且达到了利用研究区数据验证利用GF-3号SAR卫星影像进行变化检测研究可行性的目的。     

改进最大似然遥感影像分类方法——以SAR影像为例

针对常规最大似然分类算法中类别先验概率获取困难及遥感影像分类问题,提出了一种有效的改进最大似然遥感影像分类方法.该方法能使用类别样本的统计信息,实现类别先验概率的自动和最优提取,从而很好地解决了基于统计监督分类方法中无法直接获取类别先验概率的问题.以6景Radarsat-1 精细模式SAR影像数据为例进行的分类实验证明,该算法分类效果较好,针对单波段、单极化的SAR影像,其精度可望达到80%.     

广义高斯模型的KI双阈值自动分割SAR图像非监督变化检测

提出广义高斯模型假设下KI双阈值法的SAR图像变化检测算法.描述了SAR差异图像上未发生变化类、后向散射减弱类和后向散射增强类的概率密度分布.基于KI准则,构建了双阈值准则函数.提出仅利用差异图像灰度直方图的最优双阈值自动选取方法,实现了3种变化与非变化类型的非监督变化检测信息提取.选取两个时相的Radarsat卫星SAR图像进行变化检测试验,结果表明该方法可行、有效.     

COSMO-SkyMed颜色变换强度RC法南京建设用地变化检测

基于非局部滤波的SAR强度RC合成变化检测法对小图斑、线型地物等动态监测灵敏,且对数据获取无时空基线要求,在多云多雨城市地表要素变化检测中具备潜力。本文研究以多时相SAR强度RC合成图为数据源,提出一种基于色彩空间变换的变化图斑半自动提取方法,即通过色彩空间转换、训练样本选取、监督分类影像分割、变化区域提取4步骤,可实现基于SAR强度图的城市建设用地动态监测与图斑高效更新。选取南京河西新城与江北新区为示范,以最优参数配置（3特征向量与10样本类别）进行试验,实现了优于88%的建设用地查准率指标。     

联合变化强度和相关系数最小错分概率变化检测阈值优化

针对最小错分概率的遥感影像变化检测方法依赖样本的问题,提出一种联合变化强度和相关系数最小错分概率的变化检测阈值优化方法。首先对两时相影像像元的变化强度和相关系数两特征的直方图和曲率进行数值分析,确定分割阈值的上下限范围;然后对阈值范围内的阈值进行迭代,得到总错分概率,选取最小错分概率对应的阈值为最佳阈值;最后对两幅影像进行叠加分析,实现变化区域的提取。实验结果表明:该方法是一种无需进行参数估计、非监督、可信赖的变化检测方法,且能达到与传统方法同等的变化检测精度。     

利用纹理融合与广义高斯模型的高分辨率SAR影像变化检测

为了充分利用高分辨率SAR影像的纹理特征,提出一种纹理信息融合与广义高斯模型相结合的SAR影像变化检测方法。通过灰度共生矩阵计算影像的纹理特征进而构造纹理差异影像,利用离散平稳小波变换,融合灰度差异影像和纹理差异影像。然后利用广义高斯模型进行统计建模,估计融合后差异影像上变化类和未变化类的概率分布,利用KI阈值准则获取最佳分割阈值,实现多时相SAR影像的非监督变化检测。选取两组TerraSAR-X数据进行实验,结果表明融合纹理信息与广义高斯模型的变化检测方法可行,其中融合逆差距纹理信息的检测性能最优。     

基于主动深度学习的极化SAR图像分类

针对极化SAR图像在监督分类时存在人工标注样本费时费力以及浅层结构学习算法的表达能力有限等问题,提出一种基于主动深度学习的极化SAR图像分类方法。首先,对测量数据进行多种极化特征提取,以便完整地描述图像信息;在此基础上,通过自动编码器对大量无标记样本进行非监督学习,提取更具可分性和不变性的深层特征;然后,利用少量标记样本训练分类器,并与自动编码器连接,以监督学习的方式微调整个网络;最后,通过主动学习,选择对当前分类器最有价值的样本(分类模糊度最大的样本)进行人工标记,并加入到训练样本中,重新训练分类器和微调网络。对RADARSAT-2和EMISAR极化SAR影像进行不同分类的实验结果表明,该方法能在更少人工标记的样本下获得较高的分类精度。     

多特征模糊融合的SAR影像变化检测

针对利用SAR影像单特征变化检测精度低的问题,该文提出了一种基于模糊理论的多特征融合的变化检测方法。首先计算前后时相SAR影像的灰度、梯度和纹理特征的结构相似度,然后用Sigmoid型隶属函数描述相似度阈值附近的不确定性,计算像素分别属于变化类和非变化类的隶属度,最后根据最大隶属度原则将模糊量输出为确定量,得到融合后的变化检测图。通过两组真实SAR数据实验表明:该方法明显优于传统的方法,也提高了基于单一特征变化检测结果的精度。