论文部分内容阅读
合成孔径雷达(Synthetic Aperture Radar,SAR)是目前各国对地观测的主要方式之一,由于其自身成像的优势特点,能够全天时全天候工作,使其成为各国研究的重点。对不同时相的SAR图像进行变化检测在实际应用中解决了不少问题,如自然灾害的灾后评估、地理信息的更新、军事监测调度等应用,使得对其研究备受青睐。本文在SAR图像变化检测的理论基础上,提出了三种新的变化检测算法:1.提出一种基于级联字典稀疏学习的SAR图像变化方法。首先分别对两幅同一地区不同时刻的SAR图像进行对数比值操作和差值操作得到对数比值图和差值图,接着分别在两幅得到的图像上进行字典学习得到字典,并将字典级联,然后利用级联字典进行稀疏学习得到稀疏系数,再利用稀疏系数进行稀疏重构得到两幅重构图,将重构图融合得到一幅差异图,最后利用聚类算法得到结果图。利用字典稀疏学习进行SAR图像变化检测很早就被研究,但是字典的构造一直是一个问题,字典太大容易产生误检,而字典太小则漏检大大提高。为此,采用级联字典的方法进行变化检测。分别在四组图像数据上进行实验,证明该方法能有效抑制斑点噪声,对变化检测的结果性能有所提高。2.提出一种基于显著性融合(Saliency Fusion,SF)的SAR图像变化检测算法。首先对图像进行滤波,再分别构造全局显著性图和局部显著性图,然后将全局显著性图和局部显著性图进行融合得到基于显著性的差异图,最后进行聚类分割得到二值结果。显著性检测在变化检测中能够准确定位变化区域,但对于边缘像素变化信息表述不够清晰,所以引入局部显著性对边缘像素的显著性值进行修正。该方法能对变化检测中较难判别的像素进行有效判断,在四组实验数据集上进行实验均能得到较好的结果。3.提出一种基于局部显著性和堆栈稀疏自编码器的SAR图像变化检测算法。首先利用局部显著性的方法选择训练的图像块样本,再对堆栈稀疏自编码器网络进行训练,然后将所有图像块样本输入堆栈网络进行测试,最后对输出结果进行聚类分割得到变化检测结果。稀疏自编码器能够自动学习图像的特征,对于边缘等信息有较好的表示能力,将稀疏自编码器堆栈使其能够对复杂关系有更强的表示能力。实验结果表明,该方法对于解决变化检测问题能有较好的性能,在误检和漏检都有较好的控制。