论文部分内容阅读
图像的变化检测旨在发现同一地区不同时间下地物的变化信息,SAR图像的变化检测是合成孔径雷达的一个重要的应用领域。传统的变化检测方法需要首先将海量数据传输至地面,大量冗余的数据和卫星有限的传输带宽严重影响了变化检测时效性的需求。采用地面训练网络、星上检测的有监督在轨变化检测的方法网络参数固定,不能满足成像方式和分辨率与训练数据不同的区域的变化检测需求。基于以上存在的问题,本论文结合极速学习机ELM能够高效快速分类的优势,提出了从待检测图像中自动提取训练样本的适用于在轨实时变化检测的方法,并实现了在轨SAR图像变化检测验证系统。具体来说,我们将从以下几个方面展开研究:(1)提出了一种基于模糊C均值聚类(FCM)算法和极速学习机(ELM)的在轨SAR图像变化检测方法。该方法通过样本选取准则,结合主成分分析方法(PCA),从待检测差分图中自动提取出所需用的标记样本,提取部分标记样本的邻域特征作为ELM的训练数据,最终通过训练好网络参数的ELM实现对待检测SAR图像对的变化区域检测。该方法通过PCA提取差分图的主成份,降低了噪点像素对检测结果的干扰;结合FCM和样本选取准则提取出的标记样本在避免了对人工标注样本的需求的同时,其提取的高质量样本亦优化了ELM的分类结果。实验结果表明,本文提出的基于FCM和ELM方法在去噪性能和检测总错误率上都优于其他对比方法。(2)结合SAR图像的纹理信息,提出一种增加了距离维度的AP聚类方法(DAP)和基于图正则的极速学习机(ARELM)的在轨SAR图像变化检测方法。方法通过SLIC超像素分割方法分割差分图,以超像素代替像素作为后续DAP的待分类样本。在从待分类样本中提取标记样本时,创新性地将样本之间的距离维度添加到AP算法的决策过程中,结合K-means聚类算法自动分类出变化样本、未变化样本和未知类别的样本。提取三类样本中部分样本的邻域特征训练ARELM,最终用训练好网络参数的ARELM实现对待检测SAR图像对中变化区域的的检测。方法采用的SLIC超像素分割方法在大幅度降低了待分类样本的数量的同时很好的保持了图像的局部纹理特征,改进后的DAP算法优秀的聚类结果提供了更加泛化的训练数据。利用像素间的局部一致性构造出的图正则项则使得ARELM的变化分类结果更加稳定和精确。实验结果表明,本方法的检测正确率和Kappa系数都高于其他对比结果。(3)利用了图像的灰度分布特性,结合变化检测过程中对像素归类概率的特性,提出了基于隶属度的样本选择策略。利用人类的视觉特性,将局部感受野应用到极速学习机中,提出了半监督的ELM-LRF。将光学图像应用到变化检测的分析过程中,提出了异源辅助检测策略。使用基于隶属度的样本选择策略自动选择需要的标记样本,训练半监督ELM-LRF网络,最后通过异源辅助检测策略给出最后的检测结果。由于方法中优秀的策略和网络特性,方法在各个数据集上的检测正确率得到了更进一步的提升。(4)实现了在轨SAR图像的的变化检测验证系统,设计开发了变化检测验证系统的交互界面,交叉编译了基于DAP和ARELM的在轨SAR图像变化检测方法的代码,并在变化检测验证系统中进行了检测测试。实际检测效果证明了变化检测验证系统的可靠性和实用性。