SAR圖像變化檢測

1、算法流程算法流程1差異圖的構(gòu)造差異圖的構(gòu)造2聚類算法聚類算法3結(jié)果對比結(jié)果對比412021/3/17變化檢測基本流程:SAR圖像1SAR圖像2差異圖1二聚類圖 融合處理理濾 波 處 理理濾 波 處 理理差異圖2消躁22021/3/17濾波處理: 中值濾波雖然能處理掉很多小的噪聲點,但是在處理噪聲的同時也很容易把一些細節(jié)部分掩蓋掉; 在本算法測試的圖中,大部分圖像是需要保留很多細節(jié)變化的,所以,我們采用自適應(yīng)濾波器來對原圖像進行處理,最后,經(jīng)過測試,發(fā)現(xiàn)在同樣可以消除掉很多噪聲的同時,也保留了很多細節(jié),效果比較的好。自適應(yīng)濾波器:根據(jù)圖像的局部方差來調(diào)整濾波器的輸出,當局部方差大時,濾波器的平滑

2、效果較弱;反之,當局部方差小時,濾波器的平滑效果較強。32021/3/17分別用兩種方法處理后的簡單FCM聚類準確率: 中值濾波（97.14%） 自適應(yīng)濾波（97.31%）42021/3/17差異圖的構(gòu)造52021/3/17本文提出的差異圖構(gòu)造方法:Step1.構(gòu)造對數(shù)比差異圖;Step2.構(gòu)造均值比差異圖;Step3.小波融合,結(jié)合兩種差異圖的優(yōu)點;62021/3/17對數(shù)比算子:設(shè)兩圖分別為X1,X2,則其差異圖為 D=|log(X1)-log(X2)| 特點:背景區(qū)域加強,變化區(qū)域減弱,變化區(qū)域與不變化區(qū)域差別不明顯。72021/3/17均值比算子:82021/3/17小波融合的步驟:S

3、tep1.先用小波對兩圖進行一層分解,提取出低頻近似分量和高頻細節(jié)分量;Step2.對低頻分量取均值,高頻分量根據(jù)局部能量極小值選取,得到新的低頻和高頻成分; Step3.小波重構(gòu),得到融合后的圖像。低低高高高高低1+低2低頻=，高頻=局部能量較小的系數(shù)292021/3/17聚類算法102021/3/17FCM它是一種典型的區(qū)域分割算法,但是在每次的迭代過程中。是以單個像素為單位,沒有考慮到像素的鄰域信息,所以它在含有噪音的圖像分割時,效果并不理想。優(yōu)點:實現(xiàn)簡單,聚類速度快。缺點:單純的考慮了圖像的像素信息,未考慮像素領(lǐng)域信 息,造成聚類噪點多,效果不理想。112021/3/17前輩們也對F

4、CM算法進行了一些改進:如:（1）上課時老師講的修改FCM的目標函數(shù),增加了鄰域信息對像素的影響;（2）或者先利用像素鄰域信息生成一副加權(quán)圖像,然后對新圖像進行聚類分割;（3）或者直接修改距離函數(shù)改進FCM算法;（4）或者在像素隸屬度的計算中加入鄰域信息。 這些改進在某種程度上改善了噪聲圖像的分割結(jié)果,但忽略了鄰域像素對中心像素影響的差異性,造成它們在處理噪聲圖像的分割精度上仍有不足。122021/3/17 本文提出一種改進算法,利用高斯函數(shù)來刻畫鄰域像素點的空間和灰度等差異信息,從而指導(dǎo)中心像素隸屬度的調(diào)整,實現(xiàn)對噪聲圖像的精確聚類。 算法步驟算法步驟: :Step1.初始化聚類中心,聚類個

5、數(shù),參數(shù)（選擇差異圖兩個像素的極端值作為初始聚類中心,可以極大減少聚類迭代次數(shù)）;Step2.利用下面的式子計算隸屬度矩陣U:Step3.利用每個像素的鄰域信息對該像素的隸屬度進行調(diào)整: 2/(1)11()ikcmkijkjuxvxv1212(,)()1()1(,)()kkijkjkjjNikikkjkjjNu kdist xxkxxhukdist xxkxx132021/3/17xk22/k ( )xxe142021/3/17用改進的FCM算法處理對數(shù)比差異圖: （a）FCM聚類 （b）改進FCM152021/3/17算法對比162021/3/17評價標準:（1）漏檢數(shù)（變化了,但是沒有檢測

6、出來）;（2）虛檢數(shù)（沒有變化,但是檢測的變了）;（3）總正確率;（4）人眼觀察。172021/3/17實驗數(shù)據(jù)集Berne:182021/3/17Mexico:192021/3/17Ottawa:202021/3/17Sardinia:212021/3/17Berne: （a） （b） （c） （d）(a)參考圖;(b)利用對數(shù)比算子構(gòu)造的差異圖聚類結(jié)果;(c)利用均值比算子構(gòu)造的差異圖聚類結(jié)果;(d)利用小波融合構(gòu)造的差異圖聚類結(jié)果。222021/3/17 方法方法虛檢數(shù)虛檢數(shù)漏檢數(shù)漏檢數(shù) 準確率準確率 對數(shù)比3531799.61% 均值比3359799.53%小波融合小波融合117167

7、99.69%老師課件3121799.73%232021/3/17Ottawa:（a） （b） （c） （d）(a)參考圖;(b)利用對數(shù)比算子構(gòu)造的差異圖聚類結(jié)果;(c)利用均值比算子構(gòu)造的差異圖聚類結(jié)果;(d)利用小波融合構(gòu)造的差異圖聚類結(jié)果。242021/3/17 方法方法虛檢數(shù)虛檢數(shù)漏檢數(shù)漏檢數(shù) 準確率準確率 對數(shù)比155209197.79% 均值比186922697.94%小波融合小波融合11716798.84%老師課件20761199.14%252021/3/17Sardinia:262021/3/17 方法方法虛檢數(shù)虛檢數(shù)漏檢數(shù)漏檢數(shù) 準確率準確率 對數(shù)比108393698.37% 均值比479027495.91%小波融合小波融合103189898.44%272021/3/17墨西哥:282021/3/17 方法方法虛檢數(shù)虛檢數(shù)漏檢數(shù)漏檢數(shù) 準確率準確率 對數(shù)比199126297.77% 均值比31195098.08%小波融合小波融合29093198.14%292021/3/17實驗總結(jié)算法優(yōu)點:效果穩(wěn)定,變化檢測中,在抑制一定噪 聲的同時,對細節(jié)的保持較好; 算法缺點:對不同的圖像,