|
|
|

高分三号SAR影像双阈值变化检测

1 引 言 遥感影像变化检测与传统方法进行地表覆盖变化检测相比,具有方便高效,节省外业工作等优势。随着SAR影像质量和数量不断提升,以及自身不受天气和光照影响,主动成像的特性( 郝洪美 等,2012 ),使SAR变化检测在城市扩张研究(Hu和Ban,2014;Y...

作者:崔斌 1,张永红 2 闫利 1魏钜杰 2来源:遥感学报|2020年09月01日

1 引 言

遥感影像变化检测与传统方法进行地表覆盖变化检测相比,具有方便高效,节省外业工作等优势。随着SAR影像质量和数量不断提升,以及自身不受天气和光照影响,主动成像的特性( 郝洪美 等,2012 ),使SAR变化检测在城市扩张研究(Hu和Ban,2014;Yousif和Ban等,2014),舰船探测( 张小强 等,2015 ),森林监测( Hame等,1998 ; Pantze等,2014 )和灾害检测( Whittle等,2012 )等方面有着重要的利用价值。

SAR变化检测重点和难点( Xiong等,2012 )主要集中在差异图生成和差异图分割两方面,围绕这两方面国内外学者做了大量研究。对于差异图生成,由于对数比方法LR (Log-Ratio)可以将乘性噪声转为加性噪声,且对数运算可以增强非变化类与变化类的对比度( 公茂果 等,2016 ),使其成为使用最广泛的差异图生成方法。此外还有结合纹理特征的差异图算法( Gong 等,2014 ), Xiong等(2012) 提出的邻域似然比算法,利用小波融合构造差异图等算法( Ma等,2012 )。差异图分割方面,直观高效的阈值法使用较为广泛,最初的研究主要集中在单阈值分割,包括传统的 OTSU法( Otsu,1979 ),最小误差法KI(Kittler and Illingworth)(Kittler 和Illingworth,1986),最大熵法等,近些年一些结合统计分布信息的阈值分割算法也取得了较好的效果,比如针对广义Gamma模型的自适应KI阈值分割方法( 高丛珊 等,2010 ),针对广义高斯GG (Generalized Gaussian)模型的GKIT算法( Bazi 等,2005 )以及在此基础上增加了模型种类的结合KI准则的算法(Moser和Serpico,2006)等。

为了在SAR变化检测时能同时确定出变化区域及变化类型,为确定地表覆盖改变情况打下基础,不少学者开始研究利用双阈值算法对差异图进行分割。主要有在假定不同类别像素服从高斯分布模型的基础上,采用期望最大化算法EM(Expectation Maximization)进行双阈值分割( 黄世奇等,2010 )。 Bazi等(2006) 进一步完善的结合Hessian矩阵检验阈值个数的GKIT算法先根据Hessian矩阵性质对阈值个数进行判断,单阈值利用GKIT算法,双阈值则利用广义高斯双阈值最小误差法D-GKIT(Dual Generalized Kittler and Illingworth Thresholding)进行双阈值分割。 胡召玲(2013) 将D-GKIT算法进行了独立使用,用来确定在明显存在两种变化像素情况下的SAR变化检测双阈值分割,在假设3种类别像素服从GG分布的基础上,结合KI准则,确定准则函数最小时对应的双阈值,将GKIT推广为使用范围更广泛的双阈值分割算法。Hu和Ban (2014)针对LR差异图变化类和非变化类像素数量相差过大导致直方图中只存在一个明显尖峰致使直方图分割困难的问题,提出在阈值分割前先判断直方图形态的方法:若检验结果直方图中存在两个波峰,则利用GKIT分割;若检测结果呈现单峰特性,则 人工选取差异图中一些区域作为样本生成新直方图来确定分割阈值,方法虽然得到了可能正确的阈值,但其过程复杂且需人工干预,结果受人工选取区域的影响。

D-GKIT是使用较为广泛的SAR变化检测双阈值分割算法,但由于其变化类和非变化类的统计参数都是有偏估计,当不同类别像素灰度级重叠严重时,即发生差异图直方图中一侧变化类C1的灰度级拟合为GG分布的准则函数值大于将另一侧变化类C2灰度级拟合为两个GG分布的准则函数值的情况时,其盲目的从全局选取最小误差将导致双阈值均选取在尖峰同一侧的错误情况。特别是当差异图中两种不同类型的变化像素数量相差较大,差异图整体差异度较小时更容易出现这一错误情况。因此,本文提出一种结合归一化最大类间方差和GKIT的双阈值分割算法。首先对一维高斯核平滑后的差异图直方图进行两侧归一化最大类间方差计算,判断两侧灰度级重叠程度,确定阈值选取顺序和候选区间;之后利用GKIT对重叠程度较小一侧在候选区间内进行阈值选取,得到对应单侧阈值和非变化类GG分布拟合函数;最后利用非变化类GG分布拟合函数更新原始直方图以消除一侧变化像素灰度级对其他灰度级拟合选取阈值时的影响,得到另一侧对应阈值。通过利用国产GF-3号浙江宁波地区两时相SAR影像数据进行试验研究,在验证了本文算法有效性的同时也证明了利用GF-3号SAR卫星影像进行变化检测研究的可行性。

2 算法介绍

本文算法的整体流程如 图1 所示,大致分为影像预处理,差异图生成和阈值分割3部分。

图1算法完整流程图

Fig.1Flow chart of algorithm

2.1 差异图生成

采用窗口大小为3的增强LEE滤波对多视后的影像进行滤波。因LR差异图近似满足GG分布,能直观反应两时相间增强与减弱变化,且具有将图像固有的乘性噪声转化为加性噪声的优点。故在本文中采用LR算法构造差异图

  E 1 E 1 和 L L 为LR差异图。 2.2 阈值选取 GKIT对服从GG分布且只含单一变化类型的差异图有良好分割效果。D-GKIT虽然可以进行双阈值分割,但分割结果受灰度级重叠影响。通过判断直方图两侧归一化最大类间方差值来确定变化像素灰度级与非变化像素灰度级间的重叠程度,归一化最大类间方差值大代表这一侧受灰度级重叠影响小,优先选取重叠度较小一侧进行分割可将拟合时一侧变化类灰度级对非变化类灰度级产生的影响降低。 2.2.1 直方图平滑 原始直方图局部频率震荡会引起出现局部波峰和波谷,影响两侧归一化类间方差计算。为在不影响直方图基本形态前提下,减小直方图局部震荡对类间方差的影响,本文先对直方图进行平滑处理。 一维高斯核函数平滑能有效减少灰度级频率不稳定带来的局部峰值和谷值( Tsai,1995 ),减小对类间方差计算的影响。1维高斯核函数为 k k 为灰度级, ⊗ ⊗ 表示卷积 H 0 H 0 为原始直方图,离散情况有平滑式(4) w w 为平滑窗口大小。 σ 2 w ( k ) σ w 2 ( k ) 计算公式为 σ 2 b ( k ) σ b 2 ( k ) 计算公式为 G ( k ) G ( k ) 计算方式为 N N ,分割灰度级为 p i ( t ) , i = ( 1,2 ) p i ( t ) , i = ( 1,2 ) ,均值 σ 2 i ( t ) , i = ( 1,2 ) σ i 2 ( t ) , i = ( 1,2 ) ,如式(8)—(10)所示 m 1 ( t ) = ∑ k = 1 t k × H ( k ) / p 1 ( t ) m 2 ( t ) = ∑ k = t + 1 N k × H ( k ) / p 2 ( t ) m 1 ( t ) = ∑ k = 1 t k × H ( k ) / p 1 ( t ) m 2 ( t ) = ∑ k = t + 1 N k × H ( k ) / p 2 ( t ) (9) G l e f t ( k 1 ) = m a x ( G ( k 1 ) ) , ( 1 ≤ k 1 ≤ h m a x ) G r i g h t ( k 2 ) = m a x ( G ( k 2 ) ) , ( h m a x ≤ k 2 ≤ N ) G l e f t ( k 1 ) = m a x ( G ( k 1 ) ) , ( 1 ≤ k 1 ≤ h m a x ) G r i g h t ( k 2 ) = m a x ( G ( k 2 ) ) , ( h m a x ≤ k 2 ≤ N ) (11) 式中, G r i g h t G r i g h t 为左侧和右侧的归一化最大类间方差, k 2 k 2 分别为两侧归一化最大类间方差对应的灰度级, G l e f t G l e f t 和 k 1 k 1 和 k 2 k 2 ] ,只包含后向散射减弱变化和非 变化像素,右侧为[ N N ] ,只包含增强和非变化像素。与保持直方图基本形态不变的基础上计算两侧归一化最大类间方差不同,为尽可能保证阈值选取精确,阈值选取都是在原始直方图 p ( k ∣ ∣ C i ) = a i e − ( b i | k − m i | ) β i , i ∈ ( u , c ) p ( k | C i ) = a i e - ( b i k - m i ) β i , i ∈ ( u , c ) (12) 式中, C i C i 的概率密度函数, b i b i 是常数,可以通过均值 σ 2 i σ i 2 和形状参数 a i = b i β i 2 Γ ( 1 β i / ) , b i = 1 σ i Γ ( 3 β i / ) Γ ( ( 1 β i / ) ) − − − − − − − − √ a i = b i β i 2 Γ 1 β i , b i = 1 σ i Γ 3 β i Γ ( 1 β i ) (13) 准则函数 J 为 c ( k , T ) c ( k , T ) 为 P ( C i | k , T ) P ( C i | k , T ) 是变化类与非变化类的后验概率。通过GKIT可在候选区间内选取合理强侧阈值 k 1 k 1 , p d f r s p d f r s 。若强侧为左侧,则阈值选取区间为[1, p d f l s p d f l s 。 2.2.5 更新直方图 对弱侧进行阈值分割时,强侧变化像素灰度级依然会影响其他灰度级GG函数的拟合,利用上步中获取的非变化类拟合函数 h m a x h m a x , p d f l s p d f l s 中的[1, H n e w H n e w ,将直方图一侧变为标准GG分布,以减小对其他灰度级分割选取阈值的影响。 直方图左侧为强侧时有式(16) H n e w [ 1 , h m a x ) = H 0 [ 1 , h m a x ) H n e w [ h m a x , N ] = p d f r s [ h m a x , N ] H n e w [ 1 , h m a x ) = H 0 [ 1 , h m a x ) H n e w h m a x , N = p d f r s h m a x , N (17) 2.2.6 确定弱侧阈值 对弱侧进行阈值分割时,新直方图只包含非变化类和弱侧变化像素灰度级,避免了强侧变化像素灰度级的影响。根据阈值候选区间利用GKIT对新直方图 T w T w 。由此得到了两侧分割阈值 T s T s 。 3 试验与分析 3.1 试验数据 GF-3作为中国首颗高分辨率SAR卫星,是高分对地观测系统中唯一的民用微波遥感卫星,具有高分辨率,多成像模式和大成像幅宽等特点,在各邻域都有着重要利用价值( 张庆君,2017 )。其成像基本信息如 表1 。本文以GF-3宁波地区的强度影像作为双阈值变化检测的研究对象,试验区数据基本信息如 表2 。利用SAR影像处理软件GDEMSI完成强度提取,配准,多视,裁剪等预处理流程,配准精度为亚像素级,最终试验中采用定标后未做地理编码的强度影像,像素深度分别为[0,3159 ] 和[0,3146 ] 。为使影像符合人类视觉系统,使方位向和距离向 分辨率相近,对原始影像采用5×4多视处理,处理后的分辨率均在13.5 m左右。预处理完成后试验影像大小为4071×3753。 图2 (a)和 图2 (b)为前后时相影像。 表1高分三号属性信息 Table 1Attribute information of GF-3 成像模式 分辨率/m 成像幅宽/km 极化方式 标称 方位向 距离向 标称 范围 条带成像模式 超精细条带 3 3 2.5—5.0 30 30 可选单极化 精细条带1 5 5 4—6 50 50 可选双极化 精细条带2 10 10 8—12 100 95—110 可选双极化 标准条带 25 25 15—30 130 95—150 可选双极化 全极化条带1 8 8 6—9 30 20—35 全极化 全极化条带2 25 25 15—30 40 35—50 全极化 聚束模式 1 1.0—1.5 0.9—2.5 10×10 10×10 可选单极化 扫描成像模式 窄幅扫描 50 50—60 30—60 300 300 可选双极化 宽幅扫描 100 100 50—110 500 500 可选双极化 全球观测成像模式 500 500 350—700 650 650 可选双极化 波成像模式 10 10 8—12 5×5 5×5 全极化 扩展入射角模式 低入射角 25 25 15—30 130 120—150 可选双极化 高入射角 25 25 20—30 80 70—90 可选双极化 表2试验区数据基本信息 Table 2Basic information of research area 基本信息 前时相 后时相 获取时间 2016-11-14 2017-03-10 成像模式 数据级别 精细条带(FSI) L1A(SLC) 精细条带(FSI) L1A(SLC) 轨道方式 降轨 降轨 极化方式 HH HH 图像尺寸 21525×16285 21560×16884 入射角 42.918° 42.883° 分辨率 2.868×2.248/m 2.863×2.248/m 侧视 右视 右视 (a)2016-11-14 (b)2017-03-10 图2试验影像 Fig.2Test images 试验区内包括海洋,湖泊,农田,裸地,建筑区,港口等。沿海地区水产养殖,舰船位移和地表覆盖及土地含水量变化等是造成区域内地表覆盖变化的主要原因,且变化类型及差异程度也不甚相同。 3.2 差异图生成 在生成差异图之前,采用3×3的增强Lee滤波对原始图像进行滤波处理。由于时间间隔较短(4个月),发生剧烈变化的区域较少,造成了直方图不同类别间灰度级发生重叠。而且研究采用的影像像幅较大,理论上随着样本(像素)个数的增加,差异图直方图应与GG分布有更好的拟合效果。差异图直方图及平滑处理后结果如 图3 ,像素深度为[-9.49,9.50 ] ,灰度范围较小,所以本文参考8位图的方式将原始影像范围拉伸为256个区间进行阈值选取。 图3差异图及平滑处理结果 Fig.3Histogram and smoothed result 3.3 阈值选取及结果分析 D-GKIT阈值为145和154,根据 Bazi等(2006) ,利用2维曲面分析其准则函数形态,如 图4 。利用最大值灰度级( h m a x h m a x ;第2象限: T 1大于 h m a x h m a x ;第3象限: T 1, T 2大于 h m a x h m a x , T 2大于 L L 中的对应像素在变化结果图中均标记为未变化,如式(18) <span class="MathJax" data-mathml="<; ria-hidden=" true" style="margin: 0px; padding: 0px; transition: none 0s ease 0s; border: 0px; max-width: none; max-height: none; min-width: 0px; min-height: 0px; vertical-align: 0px; line-height: normal;"> | E 2 − E 1 | ≤ 10 E 2 - E 1 ≤ 10 (18) 对差异图进行3×3的中值滤波后,最终检测结果中未发生变化的像素灰度值标记为灰色,后向散射减弱和增强像素分别标记为绿色和红色。去除对数比值虚高后的最终检测结果如 <; ria-hidden=" true" style="margin: 0px; padding: 0px; transition: none 0s ease 0s; border: 0px; max-width: none; max-height: none; min-width: 0px; min-height: 0px; vertical-align: 0px; line-height: normal;"><; ria-hidden=" true" style="margin: 0px; padding: 0px; transition: none 0s ease 0s; border: 0px; max-width: none; max-height: none; min-width: 0px; min-height: 0px; vertical-align: 0px; line-height: normal;"> 图7 。时间间隔4个月,区域内发生的变化主要有(1)沿海滩涂变化;(2)海面舰船位置变化;(3)地表土地利用类型变化。目视结果本算法能避免灰度级重叠引起的单侧双阈值错分情况,而D-GKIT缺陷明显。选取3个具有代表性区域进行对比,如 <; ria-hidden=" true" style="margin: 0px; padding: 0px; transition: none 0s ease 0s; border: 0px; max-width: none; max-height: none; min-width: 0px; min-height: 0px; vertical-align: 0px; line-height: normal;"><; ria-hidden=" true" style="margin: 0px; padding: 0px; transition: none 0s ease 0s; border: 0px; max-width: none; max-height: none; min-width: 0px; min-height: 0px; vertical-align: 0px; line-height: normal;"> 图8 第1列是沿海滩涂变化区域,第2列是海面舰船位移变化区域,第3列为土地覆盖变化区域。因为单侧双阈值的错误情况,D-GKIT无法正确得到减弱变化像素检测结果,增强和非变化区域也出现检测结果不稳定的错分情况,而本文算法基本正确的检测出了大致变化情况。 (a)D-GKIT (a)D-GKIT (b)本文算法 (b)Proposed method 图7检测结果 Fig.7Detection results (a)D-GKIT (b)本文算法 (c)真实变化 (a)D-GKIT (b)Proposed method (c)Ground truth 图8检测局部结果 Fig.8Local detection results 选取3个样本区域利用混淆矩阵对本文算法进行精度评价,因D-GKIT错分严重,不再对其进行精度评价。精度评价区域的地表真实变化结果均参考邻近时间光学影像解译获得。区域一( <; ria-hidden=" true" style="margin: 0px; padding: 0px; transition: none 0s ease 0s; border: 0px; max-width: none; max-height: none; min-width: 0px; min-height: 0px; vertical-align: 0px; line-height: normal;"><; ria-hidden=" true" style="margin: 0px; padding: 0px; transition: none 0s ease 0s; border: 0px; max-width: none; max-height: none; min-width: 0px; min-height: 0px; vertical-align: 0px; line-height: normal;"> 图8 )是位于 <; ria-hidden=" true" style="margin: 0px; padding: 0px; transition: none 0s ease 0s; border: 0px; max-width: none; max-height: none; min-width: 0px; min-height: 0px; vertical-align: 0px; line-height: normal;"><; ria-hidden=" true" style="margin: 0px; padding: 0px; transition: none 0s ease 0s; border: 0px; max-width: none; max-height: none; min-width: 0px; min-height: 0px; vertical-align: 0px; line-height: normal;"> 图7 中左下方的宁波市北仑区沿海滩涂区域,大小为6468像素。沿海滩涂的利用使两时相影像间既有增强变化也有减弱变化。利用本文算法进行检测,混淆矩阵精度评价结果如 <; ria-hidden=" true" style="margin: 0px; padding: 0px; transition: none 0s ease 0s; border: 0px; max-width: none; max-height: none; min-width: 0px; min-height: 0px; vertical-align: 0px; line-height: normal;"><; ria-hidden=" true" style="margin: 0px; padding: 0px; transition: none 0s ease 0s; border: 0px; max-width: none; max-height: none; min-width: 0px; min-height: 0px; vertical-align: 0px; line-height: normal;"> 表5 ,减弱、无变化和增强变化的检测正确率分别为56.1%,98.43%和92.1%,而D-GKIT算法由于只在灰度级重叠度较小的右侧选取了两个阈值,而将没有发生变化的像素都误判为后向散射减弱像素且将增强变化错分为非变化和增强变化两种类别。区域二( <; ria-hidden=" true" style="margin: 0px; padding: 0px; transition: none 0s ease 0s; border: 0px; max-width: none; max-height: none; min-width: 0px; min-height: 0px; vertical-align: 0px; line-height: normal;"><; ria-hidden=" true" style="margin: 0px; padding: 0px; transition: none 0s ease 0s; border: 0px; max-width: none; max-height: none; min-width: 0px; min-height: 0px; vertical-align: 0px; line-height: normal;"> 图8 )是位于 <; ria-hidden=" true" style="margin: 0px; padding: 0px; transition: none 0s ease 0s; border: 0px; max-width: none; max-height: none; min-width: 0px; min-height: 0px; vertical-align: 0px; line-height: normal;"><; ria-hidden=" true" style="margin: 0px; padding: 0px; transition: none 0s ease 0s; border: 0px; max-width: none; max-height: none; min-width: 0px; min-height: 0px; vertical-align: 0px; line-height: normal;"> 图7 中左上方北仑区的海面区域,大小为2500像素。因靠近港口,船舶往来密集,由于船舶位移造成两种类型变化。精度评价结果如 <; ria-hidden=" true" style="margin: 0px; padding: 0px; transition: none 0s ease 0s; border: 0px; max-width: none; max-height: none; min-width: 0px; min-height: 0px; vertical-align: 0px; line-height: normal;"><; ria-hidden=" true" style="margin: 0px; padding: 0px; transition: none 0s ease 0s; border: 0px; max-width: none; max-height: none; min-width: 0px; min-height: 0px; vertical-align: 0px; line-height: normal;"> 表6 ,减弱、无变化和增强的检测精度分别为68.75%,97.43%和61.76,D-GKIT没有检测到驶出本区域的船只。区域三( <; ria-hidden=" true" style="margin: 0px; padding: 0px; transition: none 0s ease 0s; border: 0px; max-width: none; max-height: none; min-width: 0px; min-height: 0px; vertical-align: 0px; line-height: normal;"><; ria-hidden=" true" style="margin: 0px; padding: 0px; transition: none 0s ease 0s; border: 0px; max-width: none; max-height: none; min-width: 0px; min-height: 0px; vertical-align: 0px; line-height: normal;"> 图8 )为 <; ria-hidden=" true" style="margin: 0px; padding: 0px; transition: none 0s ease 0s; border: 0px; max-width: none; max-height: none; min-width: 0px; min-height: 0px; vertical-align: 0px; line-height: normal;"><; ria-hidden=" true" style="margin: 0px; padding: 0px; transition: none 0s ease 0s; border: 0px; max-width: none; max-height: none; min-width: 0px; min-height: 0px; vertical-align: 0px; line-height: normal;"> 图7 中右上方镇海区农田区域,大小为2500像素。相隔4个月,农作物生长及含水量变化是造成本区域内发生增强和减弱变化的主要原因。混淆矩阵精度评价结果如 <; ria-hidden=" true" style="margin: 0px; padding: 0px; transition: none 0s ease 0s; border: 0px; max-width: none; max-height: none; min-width: 0px; min-height: 0px; vertical-align: 0px; line-height: normal;"><; ria-hidden=" true" style="margin: 0px; padding: 0px; transition: none 0s ease 0s; border: 0px; max-width: none; max-height: none; min-width: 0px; min-height: 0px; vertical-align: 0px; line-height: normal;"> 表7 ,减弱,非变化和增强的检测正确率分别为80%,99.96%和76.19%,相比于本文算法,D-GKIT完全没有检测出后向散射 减弱的变化像素。 表5沿海滩涂检测结果指标评价 Table 5Confusion matrix for the result of shoal(/%) 减弱变化 无变化 增强变化 减弱变化 56.1 43.9 0 无变化 0.04 98.43 1.53 增强变化 0 7.90 92.1 表6舰船移动检测结果指标评价 Table 6Confusion matrix for the result of ship movement(/%) 减弱变化 无变化 增强变化 减弱变化 68.75 31.25 0 无变化 0.5 97.43 2.07 增强变化 0 38.24 61.76 表7农田地区检测结果指标评价 Table 7Confusion matrix for the result of farmland(/%) 减弱变化 无变化 增强变化 减弱变化 80 20 0 无变化 0 99.96 0.04 增强变化 0 23.81 76.19 通过对不同类型数据进行结果对比,并进行精度评定。证明相比于D-GKIT算法,本文算法能较好的应对灰度级重叠情况且具有较好检测精度。通过利用GF-3数据进行试验,达到了验证利用国产GF-3号卫星影像进行SAR变化检测研究的目的。 4 结 论 针对D-GKIT在进行SAR变化检测阈值分割时因直方图灰度级重叠而无法正确分割的问题,本文提出了一种结合归一化最大类间方差和GKIT的双阈值分割算法。通过对1维高斯核函数平滑后的差异图直方图尖峰两侧进行归一化最大类间方差计算,判断两侧不同类别像素灰度级间的重叠程度,确定阈值选取顺序及候选区间,再利用GKIT针对原始直方图和更新后的直方图在不同区间上分别进行分割,得到两侧的分割阈值。利用宁波地区GF-3影像将本文算法与D-GKIT进行试验并对比分析,结果表明,本文方法在不同类别灰度级发生重叠时依然具有良好的分割可靠性和较高的检测精度,一方面证明了本文方法可靠有效,另一方面也验证了利用GF-3 SAR影像进行变化检测研究的可行性。 本文算法的创新点在于:(1)提出以归一化最大类间方差值作为不同类别间灰度级重叠程度的判决因素,并以此在1维高斯核平滑后的直方图上确定阈值选取顺序和候选区间,将阈值选取从全局优化为两合理区间,既减少了运算量也基本杜绝了灰度级重叠引发的单侧双阈值错误情况的发生;(2)提出以非变化类拟合函数更新后的直方图作为重叠较大一侧的阈值选取基础,减小了一侧变化像素对其他灰度级分割选取阈值时的影响,提高了检测精度,避免出现了全局选取阈值的盲目性。并且可以预见的是,随着图像像幅的增加,差异图直方图将更加趋近于一个标准的“尖峰”型GG分布,灰度级重叠程度会更明显,本文方法相对于D-GKIT算法的优势会更突出。 分别获取直方图两侧的阈值能较好地解决灰度级重叠引起的单侧双阈值错误现象,但算法依然在存在一些不足。例如没有利用到图像邻域信息,易受孤点噪声干扰;另外,对于变化类灰度级近似于隐含在非变化类 (变化差异小,变化像素少) 的情况,无法进行较好分割,这是由LR差异图不同类别间像素灰度级分离度较小的原因造成的,可以通过改进差异图生成方式,增大不同类别间的差异程度来应对这一不足,这也是未来的研究重点。 参考文献( References ) Bazi Y , Bruzzone L and Melgani F . 2005 . An unsupervised approach based on the generalized gaussian model to automatic change detection in multitemporal SAR images . IEEE Transactions on Geoscience and Remote Sensing , 43 ( 4 ): 874 - 887 [ DOI: 10.1109/TGRS.2004.842441 ][百度学术] Bazi Y F , Bruzzone L and Melgani F . 2006 . Automatic identification of the number and values of decision thresholds in the log-ratio image for change detection in SAR images . IEEE Geoscience and Remote Sensing Letters , 3 ( 3 ): 349 - 353 [ DOI: 10.1109/LGRS.2006.869973 ][百度学术] Demirkaya O and Asyali M H . 2004 . Determination of image bimodality thresholds for different intensity distributions . Signal Processing : Image Communication , 19 ( 6 ): 507 - 516 [ DOI: 10.1016/j.image.2004.04.002 ][百度学术] Gao C S , Zhang H , Wang C and Wu F . 2010 . SAR change detection based on generalized Gamma distribution divergence and auto-threshold segmentation . Journal of Remote Sensing , 14 ( 4 ): 710 - 724 [百度学术] 高丛珊 , 张红 , 王超 , 吴樊 . 2010 . 广义Gamma模型及自适应KI阈值分割的SAR图像变化检测 . 遥感学报 , 14 ( 4 ): 710-724 [ DOI: 10.11834/jrs.20100407 ][百度学术] Gong M G , Li Y , Jiao L C , Jia M and Su L Z . 2014 . SAR change detection based on intensity and texture changes . ISPRS Journal of Photogrammetry and Remote Sensing , 93 : 123 - 135 [ DOI: 10.1016/j.isprsjprs.2014.04.010 ][百度学术] Gong M G , Su L Z , Li H and Liu J . 2016 . A survey on change detection in synthetic aperture radar imagery . Journal of Computer Research and Development , 53 ( 1 ): 123 - 137 [百度学术] 公茂果 , 苏临之 , 李豪 , 刘嘉 . 2016 . 合成孔径雷达影像变化检测研究进展 . 计算机研究与发展 , 53 ( 1 ): 123-137 [ DOI: 10.7544/issn1000-1239.2016.20150662 ][百度学术] Hame T , Heiler I and Miguel-Ayanz J S . 1998 . An unsupervised change detection and recognition system for forestry . International Journal of Remote Sensing , 19 ( 6 ): 1079 - 1099 [ DOI: 10.1080/014311698215612 ][百度学术] Hao H M , Zhang Y H , Shi H Y and Huang J B . 2012 . Application of test statistic method in fully polarimtric SAR change detection . Journal of Remote Sensing , 16 ( 3 ): 520 - 532 [百度学术] 郝洪美 , 张永红 , 石海燕 , 黄金波 . 2012 . 统计假设检验方法在全极化SAR变化检测中的应用 . 遥感学报 , 16 ( 3 ): 520-532 [ DOI: 10.11834/jrs.20120384 ][百度学术] Hu H T and Ban Y F . 2014 . Unsupervised change detection in multitemporal SAR images over large urban areas . IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing , 7 ( 8 ): 3248 - 3261 [ DOI: 10.1109/JSTARS.2014.2344017 ][百度学术] Hu Z L . 2013 . An unsupervised change detection approach based on KI dual thresholds under the generalized gauss model assumption in SAR images . Acta Geodaetica et Cartographica Sinica , 42 ( 1 ): 116 - 122 [百度学术] 胡召玲 . 2013 . 广义高斯模型及KI双阈值法的SAR图像非监督变化检测 . 测绘学报 , 42 ( 1 ): 116 - 122 [百度学术] Huang S Q , Liu D Z , Hu M X and Wang S C . 2010 . Multi-temporal SAR image change detection technique based on wavelet transform . Acta Geodaetica et Cartographica Sinica , 39 ( 2 ): 180 - 186 [百度学术] 黄世奇 , 刘代志 , 胡明星 , 王仕成 . 2010 . 基于小波变换的多时相SAR图像变化检测技术 . 测绘学报 , 39 ( 2 ): 180 - 186 [百度学术] Kittler J and Illingworth J . 1986 . Minimum error thresholding . Pattern Recognition , 19 ( 1 ): 41 - 47 [ DOI: 10.1016/0031-3203(86)90030-0 ][百度学术] Ma J J , Gong M G and Zhou Z Q . 2012 . Wavelet fusion on ratio images for change detection in SAR images . IEEE Geoscience and Remote Sensing Letters , 9 ( 6 ): 1122 - 1126 [ DOI: 10.1109/LGRS.2012.2191387 ][百度学术] Moser G and Serpico S B . 2006 . Generalized minimum-error thresholding for unsupervised change detection from SAR amplitude imagery . IEEE Transactions on Geoscience and Remote Sensing , 44 ( 10 ): 2972 - 2982 [ DOI: 10.1109/TGRS.2006.876288 ][百度学术] Otsu N . 1979 . A threshold selection method from gray-level histograms . IEEE Transactions on Systems, Man, and Cybernetics , 9 ( 1 ): 62 - 66 [ DOI: 10.1109/TSMC.1979.4310076 ][百度学术] Pantze A , Santoro M and Fransson J E S . 2014 . Change detection of boreal forest using bi-temporal ALOS PALSAR backscatter data . Remote Sensing of Environment , 155 : 120 - 128 [ DOI: 10.1016/j.rse.2013.08.050 ][百度学术] Tsai D M . 1995 . A fast thresholding selection procedure for multimodal and unimodal histograms . Pattern Recognition Letters , 16 ( 6 ): 653 - 666 [ DOI: 10.1016/0167-8655(95)80011-H ][百度学术] Whittle M , Quegan S , Uryu Y , Stüewe M and Yulianto K . 2012 . Detection of tropical deforestation using ALOS-PALSAR: a Sumatran case study . Remote Sensing of Environment , 124 : 83 - 98 [ DOI: 10.1016/j.rse.2012.04.027 ][百度学术] Xiong B L , Chen J M and Kuang G Y . 2012 . A change detection measure based on a likelihood ratio and statistical properties of SAR intensity images . Remote Sensing Letters , 3 ( 3 ): 267 - 275 [ DOI: 10.1080/01431161.2011.572093 ][百度学术] Yousif O and Ban Y F . 2014 . Improving SAR-based urban change detection by combining MAP-MRF classifier and nonlocal means similarity weights . IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing , 7 ( 10 ): 4288 - 4300 [ DOI: 10.1109/JSTARS.2014.2347171 ][百度学术] Zhang Q J . 2017 . System design and key technologies of the GF-3 satellite . Acta Geodaetica et Cartographica Sinica , 46 ( 3 ): 269 - 277 [百度学术] 张庆君 . 2017 . 高分三号卫星总体设计与关键技术 . 测绘学报 , 46 ( 3 ): 269-277 [ DOI: 10.11947/j.AGCS.2017.20170049 ][百度学术] Zhang X Q , Xiong B L and Kuang G Y . 2015 . A ship target discrimination method based on change detection in SAR imagery . Journal of Electronics and Information Technology , 37 ( 1 ): 63 - 70 [百度学术] 张小强 , 熊博莅 , 匡纲要 . 2015 . 一种基于变化检测技术的SAR图像舰船目标鉴别方法 . 电子与信息学报 , 37 ( 1 ): 63-70 [ DOI: 10.11999/JEIT140143 ][百度学术] <!--;-->

<; ria-hidden=" true" style="margin: 0px; padding: 0px; transition: none 0s ease 0s; border: 0px; max-width: none; max-height: none; min-width: 0px; min-height: 0px; vertical-align: 0px; line-height: normal;">

 

<!--;-->

 

上一篇:智慧烟区时空大数据管理平台进入全国首个…

下一篇:空天院湿地生态系统评价工作取得重大进展