CN105374047B - 基于改进的双边滤波与聚类的sar图像变化检测方法 - Google Patents
基于改进的双边滤波与聚类的sar图像变化检测方法 Download PDFInfo
- Publication number
- CN105374047B CN105374047B CN201510939427.2A CN201510939427A CN105374047B CN 105374047 B CN105374047 B CN 105374047B CN 201510939427 A CN201510939427 A CN 201510939427A CN 105374047 B CN105374047 B CN 105374047B
- Authority
- CN
- China
- Prior art keywords
- mrow
- matrix
- msub
- pixel
- change
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于改进的双边滤波与聚类的SAR图像变化检测方法,主要解决现有图像变化检测方法的斑点噪声多和准确率低的问题。其实现步骤是:1.输入两幅尺寸相同的待检测的图像;2.对这两幅图像进行去噪预处理,构造初始差异图;3.对初始差异图进行中值滤波得到最终差异图;4.对最终差异图进行聚类,得到未变化类模糊隶属度矩阵uu和变化类模糊隶属度矩阵uc;5.对变化类模糊隶属度矩阵uc中的元素进行赋值和分类,得到最终变化检测结果图。本发明减少了误检数和斑点噪声,保留了更多的图像信息,有效的提高了变化检测的准确率和精确度,可用于灾情的预估、城市的建设和森林的变化监测。
Description
技术领域
本发明属于图像处理领域,涉及一种SAR图像变化检测方法,可用于灾情的预估、城市的建设和森林的变化监测。
背景技术
随着科技不断的进步,对于所获取得图像要求的不断提高,以及合成孔径雷达SAR图像的成像不受天气、大气、温度、光照的影响,并且具有分辨率高的特点,使得SAR图像的变化检测日渐成为国内外研究的热点。SAR图像的变化检测是指对不同时间、同一地点所获取的两幅图像进行处理和分析,然后获取变化信息的过程。由于SAR图像的各种优点,使得SAR图像的变化检测在很多方面都有着十分重要的应用。
随着国内外遥感技术的不断发展,许多有关SAR图像的变化检测方法都相继的被提了出来,其中,聚类方法就是一种重要的变化检测方法,然而模糊C均值聚类算法是聚类方法中应用十分广泛的一种模糊聚类方法。因为模糊C均值聚类算法在聚类时并没有给定一个具体的阈值,而是用模糊隶属度矩阵来表示每个样本属于某个集合的概率,比起硬划分单纯的将某个样本划分到某个类别中会更加的准确,也更能保留图像的原始信息,但它没有考虑到像素点的空间信息,所以它对于斑点噪声非常敏感。
S.Krinidis and V.Chatzis于2010年5月在IEEE Trans.Image Processing上发表了论文“A robust fuzzy local information C-means clustering algorithm”,该论文改进了模糊C均值聚类算法,在FCM算法的目标函数中加入了模糊因子,该模糊因子将空间信息考虑在内,在一定程度上增强了算法抑制斑点噪声的能力,也提高了图像的分割率,将此方法应用于变化检测,可以得到更好的变化检测结果,但由于此方法仅仅是针对像素点进行的变化检测,并没有充分利用差异图的邻域信息和区域特征,导致了变化检测结果不够准确。Maoguo Gong等人于2012改进并发表在IEEE Trans.Image Processing上的论文“Change Detection in Synthetic Aperture Radar Images based on Image Fusionand Fuzzy Clustering”,该论文将经由均值比值法和对数比值法所得到的图像进行了融合,利用差异图中的区域特征,对上述方法中的模糊因子也进行了改进,使得变化检测的准确率得到了进一步的提高,但是将均值比和对数比所得到的图像进行融合,并没有充分的利用差异图的邻域灰度信息,从而使得变化检测的结果不够准确。
发明内容
本发明的目的在于针对上述已有方法的不足,提出基于改进的双边滤波与聚类的SAR图像变化检测方法,以有效的抑制噪声斑点的影响,增强变化区域的信息,提高图像变化检测的精确度。
本发明目的的技术方案是:先将输入的两幅图像通过Lee滤波器进行预处理后构造差异图;再使用聚类算法进行聚类;然后根据所得到的隶属度矩阵对差异图进行最终的分割,其实现步骤包括如下:
(1)输入两幅在同一地点不同时间拍摄且尺寸均为A*B的图像I1和I2,并对两幅图像进行去噪预处理,预处理后的图像为I3和I4;
(2)对去噪预处理后的两幅图像I3和I4,分别通过高斯对数比值法和邻域对数比值法得到两幅变化图D2(i,j)和D1(i,j),然后将这两幅变化图D2(i,j)和D1(i,j)进行融合,得到初始差异图
(3)对初始差异图进行中值滤波,获得最终差异图Xd;
(4)对最终差异图Xd进行聚类,输出最终差异图Xd的未变化类模糊隶属度矩阵uu和变化类模糊隶属度矩阵uc;
(5)根据变化类模糊隶属度矩阵uc,得到最终的变化检测图:
5a)设定一个硬划分的阈值T1=0.5,对变化类模糊隶属度矩阵uc中的像素点进行赋值:
若变化类模糊隶属度矩阵uc中的元素值大于T1,则令该元素所对应的像素点的灰度值为255;
若变化类模糊隶属度矩阵uc中的元素值小于T1,则令该元素所对应的像素点的灰度值为0;
5b)将灰度值为255的像素点的颜色设为白色,将灰度值为0的像素点的颜色设为黑色,使最终差异图Xd转化成为一幅二值图,该二值图即为最终的变化检测图,即白色区域代表的是变化区域,黑色区域代表的是未变化区域。
本发明与现有技术相比存在以下优点:
1.提高了变化检测结果的精确度
本发明将由邻域对数比值法得到的变化图和由高斯对数比值法得到的变化图融合在一起,得到初始差异图,再将初始差异图通过中值滤波,得到最终差异图,可以将乘性斑点噪声转变成与去除的加性斑点噪声,并滤除这些斑点噪声,并且可以有效的增强变化区域,保存边缘信息。
2.提高了变化检测结果的准确率
本发明中所使用的邻域对数比值法,通过对图像中任一像素点的邻域块内的9个像素点的灰度值求平均值,并将所求平均值作为这一像素点的新的灰度值,对像素点的灰度值进行了修正,可以减少变化检测的误检数。
附图说明
图1是本发明的实现流程图;
图2是用本发明和现有两种方法对瑞士Bern地区图像的变化检测结果对比图;
图3是用本发明和现有两种方法对加拿大Ottawa地区图像的变化检测结果对比图。
具体实施方式
下面结合图1对本发明的实施步骤和效果做进一步的详细描述。
步骤1,对拍摄所得到的两幅图像I1和I2进行去噪预处理,得到预处理后的图像I3和I4。
在同一地点不同时间拍摄两幅尺寸均为A*B的图像I1和I2,将这两幅图像分别通过Lee滤波器进行去噪预处理,得到预处理后的图像I3和I4,在本发明中,使用的Lee滤波器所选取的滑动窗口的大小为3*3。
步骤2,由预处理后的图像I3和I4得到差异图
2.1根据预处理后的图像I3和I4获得第一幅变化图D1(i,j):
2.1a)以预处理后的第一幅图像I3中的任意一个坐标(i,j)的像素点为中心,以一个像素单位为半径确定区域,获取此区域内的3*3个像素的邻域块,对该邻域块内的9个像素点的灰度值求取平均值,并赋给尺寸为A*B的空的第一矩阵Q1中坐标为(i,j)的元素,通过上述方法将空的第一矩阵Q1中所有的元素都赋值以后,得到第三矩阵Q3;
2.1b)以预处理后的第二幅图像I4中的任意一个坐标(i,j)的像素点为中心,以一个像素单位为半径确定区域,获取此区域内的3*3个像素的邻域块,对该邻域块内的9个像素点的灰度值求取平均值,并赋给尺寸为A*B的空的第二矩阵Q2中坐标为(i,j)的元素,通过上述方法将空的第二矩阵Q2中所有的元素都赋值以后,得到第四矩阵Q4;
2.1c)对上述得到的第四矩阵Q4与第三矩阵Q3中坐标为(i1,j1)的元素值进行相除,将所得到的比值取对数后赋给尺寸为A*B的空的第五矩阵Q5中坐标为(i1,j1)的元素,通过上述方法将空的第五矩阵Q5中所有的元素都赋值以后,得到第六矩阵Q6,将第六矩阵Q6通过imshow函数显示出来,即为变化图D1(i,j)。
2.2对预处理后的图像I3和I4,通过高斯对数比值法得到第二幅变化图D2(i,j):
获得第二幅变化图D2(i,j)的方法有很多,例如,比值法、差值法、均值比值法、高斯对数比值法等,本实例采用高斯对数比值法,其步骤如下:
2.2a)按照如下方法计算第一邻域块矩阵X11(i,j)和第二邻域块矩阵X22(i,j):
其中,GS是一个具有旋转对称平衡特性,尺寸为3×3并且标准差为0.5的矩阵,log(·)表示取对数操作,是第三邻域块矩阵,第三邻域块矩阵是预处理后的第一幅图像I3中坐标为(i,j)的像素点及其邻域块内的像素点组成的3×3的矩阵,是第四邻域块矩阵,第四邻域块矩阵是预处理后的第二幅图像I4中坐标为(i,j)的像素点及其邻域块内的像素点组成的3×3的矩阵。
2.2b)根据第一邻域块矩阵X11(i,j)和第二邻域块矩阵X22(i,j),得到第五邻域块矩阵X1(i,j):
其中,|·|表示取绝对值,∑表示求和,p=1,-1,1,q=1,-1,1;
2.2c)根据第五邻域块矩阵X1(i,j),得到第二幅变化图D2(i,j);
将第五邻域块矩阵X1(i,j)中所有的元素值相加,并赋给尺寸为A*B的空的第七矩阵Q7中坐标为(i,j)的元素,按照步骤(2.2a-2.2c),将第七矩阵Q7中的元素全部赋值,得到第八矩阵Q8,将第八矩阵Q8通过imshow函数显示出来,即为第一幅变化图D1(i,j)。
2.3根据这两幅变化图D2(i,j)和D1(i,j)得到初始差异图
2.3a)由双边滤波方法,得到对数比值权值核函数wv(i,j)和空间域权值核函数wu(i,j):
其中,exp(·)表示指数操作,log(·)表示对数操作,max(·)表示取最大,|·|2表示绝对值的平方,i,j分别表示的是第一幅变化图D1(i,j)中的像素点的横坐标和纵坐标,x,y分别表示的是第一幅变化图D1(i,j)中坐标为(i,j)的像素点的邻域块中像素点的横坐标和纵坐标,σ是核宽带调整参数,σ=1;
2.3b)根据对数比值权值核函数wv(i,j)和空间域权值核函数wu(i,j),计算权值函数wij:
wij=wv(i,j)*wu(i,j);
2.3c)根据权值函数wij和变化图D2(i,j),利用双边滤波方法,得到初始差异图Xd 1:
步骤3,对初始差异图进行中值滤波,获得最终差异图Xd。
将初始差异图通过中值滤波器进行滤波处理,经过滤波处理后得到最终差异图Xd,在本发明中,使用的中值滤波器所选取的滑动窗口的大小为3*3。
步骤4,对最终差异图Xd进行聚类,得到最终差异图Xd的未变化类模糊隶属度矩阵uu和变化类模糊隶属度矩阵uc。
聚类的方法有很多种,例如,K-均值聚类、模糊C-均值聚类、基于模糊C-均值聚类改进的聚类方法,本实例采用模糊C-均值聚类方法,其步骤如下:
4a)初始化:
设置聚类个数为c,最大迭代次数为T,终止条件为e,初始迭代次数b=0,随机初始化最终差异图Xd的初始隶属度矩阵随机初始化最终差异图Xd的初始聚类中心
4b)计算最终差异图Xd的当前迭代聚类中心vk:
其中,vk表示第k个聚类中心的值,k=1,2,∑表示求和操作,ukj表示最终差异图Xd中第j个像素点属于第k类聚类中心的隶属度,ukj满足约束条件:k表示第k类聚类中心的类标,k=1,2,c是聚类个数,c=2,xj表示最终差异图Xd中第j个像素点的灰度值,vl表示的是第l个聚类中心的值,l=1,2,||·||表示求欧氏距离;
4c)计算最终差异图Xd的当前迭代隶属度矩阵ukj:
其中,ukj满足约束条件:k表示第k类聚类中心的类标,k=1,2,c是聚类个数,c=2,xj表示最终差异图Xd中第j个像素点的灰度值,vl表示的是第l个聚类中心的值,l=1,2,||·||表示求欧氏距离,m表示的是模糊指数,m=2;
4d)若最终差异图Xd的聚类中心vk中有一个值小于最终差异图Xd的聚类中心中的值,则停止迭代,输出最终差异图Xd的隶属度矩阵ukj,输出最终差异图Xd的聚类中心vk,否则将最终差异图Xd的当前迭代聚类中心vk的值一一对应的赋给初始聚类中心将最终差异图Xd的当前迭代隶属度矩阵ukj中的所有元素的值一一对应的赋给初始隶属度矩阵将令迭代次数b=b+1,继续执行4b);
4e)若最终差异图Xd的第一个聚类中心的值v1小于第二个聚类中心的值v2,将最终差异图Xd的隶属度矩阵ukj中的第一行向量u1j转换成尺寸为A*B的第九矩阵Q9,即为最终差异图Xd的未变化类模糊隶属度矩阵uu,将最终差异图Xd的隶属度矩阵ukj中的第二行向量u2j转换成尺寸为A*B的第十矩阵Q10,即为最终差异图Xd的未变化类模糊隶属度矩阵uc。
步骤5,产生最终变化检测图像。
5a)设定一个硬划分的阈值T1=0.5,对变化类模糊隶属度矩阵uc中的像素点进行赋值:
若变化类模糊隶属度矩阵uc中的元素值大于T1,则令该元素所对应的像素点的灰度值为255;
若变化类模糊隶属度矩阵uc中的元素值小于T1,则令该元素所对应的像素点的灰度值为0;
5b)将灰度值为255的像素点的颜色设为白色,将灰度值为0的像素点的颜色设为黑色,使最终差异图Xd转化成为一幅二值图,该二值图即为最终的变化检测图,即白色区域代表的是变化区域,黑色区域代表的是未变化区域。
本发明的效果可以通过以下仿真实验进一步说明:
1.实验条件:
实验采用的图像有两组,第一组是瑞士Bern地区水灾前后的两幅SAR图像,两幅图像的大小均为301×301像素。第二组是加拿大Ottawa地区水灾前后的两幅SAR图像,两幅图像的大小均为350×290像素。
实验采用的变化检测方法有三种,第一种是现有的FCM方法,第二种是现有的MRFFC M方法,第三种是本发明方法。
实验的变化检测结果的性能采用误检数、漏检数、错误总数、准确率及Kappa系数四个指标进行评价。
2.实验内容:
实验1,采用本发明和两种现有方法分别对第一组实验瑞士Bern地区的两幅SAR图像进行变化检测,得到第一组实验的变化检测结果图如图2所示。其中,图2(a)为FCM方法的变化检测结果图,图2(b)为MRFFCM方法的变化检测结果图,图2(c)为本发明方法的变化检测结果图。
由图2可以看出:本发明的结果图中,白色斑点噪声和误检区域有明显减少,同时变化检测的准确率和精确度也得到了有效的提高,为了进一步证明对于结果图分析的正确性,表一给出了第一组实验结果图的精确的数据分析。
表1第一组实验数据
从表1可以看出,本发明方法与FCM方法相比,漏检数增加了165个像素点,误检数减少了1937个像素点,总错误数减少了1808个像素点,准确率增加了2.01%,kappa增加了35.99%;与MRRFCM方法相比,漏检数增加了160个像素点,误检数减少了481个像素点,总错误数减少了321个像素点,准确率增加了0.35%,kappa增加了2.69%。表1进一步证明了本发明对于第一组实验变化检测结果图分析的正确性。
实验2,采用本发明和两种现有方法分别对第二组实验加拿大Ottawa地区的两幅SAR图像进行变化检测,得到第二组实验的变化检测结果图如图3所示。其中,图3(a)为FCM方法的变化检测结果图,图3(b)为MRFFCM方法的变化检测结果图,图3(c)为本发明方法的变化检测结果图。
由图3可以看出:本发明的结果图中,白色斑点噪声和误检区域有明显减少,同时变化检测的准确率和精确度也得到了有效的提高,为了进一步证明对于结果图分析的正确性,表二给出了第二组实验结果图的精确的数据分析。
表2第二组实验数据
误检数 | 漏检数 | 错误总数 | 准确率 | Kappa系数 | |
FCM | 4529 | 136 | 4665 | 95.40% | 84.46% |
MRFFCM | 2227 | 447 | 2674 | 97.37% | 89.64% |
本发明方法 | 1543 | 250 | 1793 | 98.23% | 93.14% |
从表2可以看出,本发明方法与FCM方法相比,漏检数增加了114个像素点,误检数减少了2986个像素点,总错误数减少了2872个像素点,准确率增加了2.83%,kappa增加了8.68%;与MRRFCM方法相比,漏检数减少了2个像素点,误检数减少了468个像素点,总错误数减少了470个像素点,准确率增加了0.46%,kappa增加了0.56%。表2进一步证明了本发明对于第二组实验变化检测结果图分析的正确性。
综上所述,本发明针对现有构造差异图的方法做出了较大的改进,把经由邻域对数比值法和高斯邻域对数比值法得到的变化图进行融合然后再经过中值滤波器获得最终差异图,有效的减少了误检数,增强了抑制斑点噪声的能力,保留了更多的边缘信息,利用模糊聚类方法将最终差异图聚成变化类和未变化类,得到很好的变化检测结果。
Claims (2)
1.一种基于改进的双边滤波与聚类的SAR图像变化检测方法,包括:
(1)输入两幅在同一地点不同时间拍摄且尺寸均为A*B的图像I1和I2,并对两幅图像进行去噪预处理,预处理后的图像为I3和I4;
(2)对去噪预处理后的两幅图像I3和I4,分别通过高斯对数比值法和邻域对数比值法得到两幅变化图D2(i,j)和D1(i,j);再将这两幅变化图D2(i,j)和D1(i,j)进行融合,得到初始差异图其融合步骤如下:
首先,由双边滤波方法,得到对数比值权值核函数wv(i,j)和空间域权值核函数wu(i,j):
<mrow>
<msub>
<mi>w</mi>
<mi>v</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mo>(</mo>
<msub>
<mi>D</mi>
<mn>1</mn>
</msub>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>/</mo>
<msub>
<mi>D</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<msub>
<mi>D</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>/</mo>
<msub>
<mi>D</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>w</mi>
<mi>u</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mi>i</mi>
<mo>-</mo>
<mi>x</mi>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>+</mo>
<mo>|</mo>
<mi>j</mi>
<mo>-</mo>
<mi>y</mi>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
其中,exp(·)表示指数操作,log(·)表示对数操作,max(·)表示取最大,|·|2表示绝对值的平方,i,j分别表示的是第一幅变化图D1(i,j)中的像素点的横坐标和纵坐标,x,y分别表示的是第一幅变化图D1(i,j)中坐标为(i,j)的像素点的邻域块中像素点的横坐标和纵坐标,σ是核宽带调整参数,σ=1;
其次,根据对数比值权值核函数wv(i,j)和空间域权值核函数wu(i,j),计算权值函数wij:
wij=wv(i,j)*wu(i,j);
然后,根据权值函数wij和变化图D2(i,j),利用双边滤波方法,得到初始差异图
<mrow>
<msubsup>
<mi>X</mi>
<mi>d</mi>
<mn>1</mn>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>&Sigma;w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>*</mo>
<msub>
<mi>D</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&Sigma;w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</mfrac>
</mrow>
(3)对初始差异图进行中值滤波,获得最终差异图Xd;
(4)对最终差异图Xd进行聚类,输出最终差异图Xd的未变化类模糊隶属度矩阵uu和变化类模糊隶属度矩阵uc;
(5)根据变化类模糊隶属度矩阵uc,得到最终的变化检测图:
5a)设定一个硬划分阈值T1=0.5,对变化类模糊隶属度矩阵uc中的像素点进行赋值:
若变化类模糊隶属度矩阵uc中的元素值大于T1,则令该元素所对应的像素点的灰度值为255;
若变化类模糊隶属度矩阵uc中的元素值小于T1,则令该元素所对应的像素点的灰度值为0;
5b)将灰度值为255的像素点的颜色设为白色,将灰度值为0的像素点的颜色设为黑色,使最终差异图Xd转化成为一幅二值图,该二值图即为最终的变化检测图,即白色区域代表的是变化区域,黑色区域代表的是未变化区域。
2.根据权利要求1所述的方法,其中步骤(2)中通过邻域对数比值法得到第一幅变化图D1(i,j),按如下步骤进行:
2a)以预处理后的第一幅图像I3中的任意一个坐标(i,j)的像素点为中心,以一个像素单位为半径确定区域,获取此区域内的3*3个像素的邻域块,对该邻域块内的9个像素点的灰度值求取平均值,并赋给尺寸为A*B的空的第一矩阵Q1中坐标为(i,j)的元素,通过上述方法将空的第一矩阵Q1中所有的元素都赋值以后,得到第三矩阵Q3;
2b)以预处理后的第二幅图像I4中的任意一个坐标(i,j)的像素点为中心,以一个像素单位为半径确定区域,获取此区域内的3*3个像素的邻域块,对该邻域块内的9个像素点的灰度值求取平均值,并赋给尺寸为A*B的空的第二矩阵Q2中坐标为(i,j)的元素,通过上述方法将空的第二矩阵Q2中所有的元素都赋值以后,得到第四矩阵Q4;
2c)对上述得到的第四矩阵Q4与第三矩阵Q3中坐标为(i1,j1)的元素值进行相除,将所得到的比值取对数后赋给尺寸为A*B的空的第五矩阵Q5中坐标为(i1,j1)的元素,通过上述方法将空的第五矩阵Q5中所有的元素都赋值以后,得到第六矩阵Q6,将第六矩阵Q6通过imshow函数显示出来,即为变化图D1(i,j)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510939427.2A CN105374047B (zh) | 2015-12-15 | 2015-12-15 | 基于改进的双边滤波与聚类的sar图像变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510939427.2A CN105374047B (zh) | 2015-12-15 | 2015-12-15 | 基于改进的双边滤波与聚类的sar图像变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105374047A CN105374047A (zh) | 2016-03-02 |
CN105374047B true CN105374047B (zh) | 2018-04-17 |
Family
ID=55376219
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510939427.2A Active CN105374047B (zh) | 2015-12-15 | 2015-12-15 | 基于改进的双边滤波与聚类的sar图像变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105374047B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106504260B (zh) * | 2016-10-31 | 2021-07-23 | 上海智臻智能网络科技股份有限公司 | 一种fcm图像分割方法和*** |
CN106530242B (zh) * | 2016-10-31 | 2019-01-18 | 中国人民解放军国防科学技术大学 | 基于聚类的极化sar图像相干斑自适应滤波方法 |
CN108986083B (zh) * | 2018-06-28 | 2020-08-04 | 西安电子科技大学 | 基于阈值优化的sar图像变化检测方法 |
CN110308430B (zh) * | 2019-06-18 | 2020-07-21 | 中国人民解放***箭军工程大学 | 一种雷达目标识别效果评价装置 |
CN110298858B (zh) * | 2019-07-01 | 2021-06-22 | 北京奇艺世纪科技有限公司 | 一种图像裁剪方法及装置 |
CN113408370B (zh) * | 2021-05-31 | 2023-12-19 | 西安电子科技大学 | 基于自适应参数遗传算法的森林变化遥感检测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102096921A (zh) * | 2011-01-10 | 2011-06-15 | 西安电子科技大学 | 基于邻域对数比值及各向异性扩散的sar图像变化检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6970606B2 (en) * | 2002-01-16 | 2005-11-29 | Eastman Kodak Company | Automatic image quality evaluation and correction technique for digitized and thresholded document images |
-
2015
- 2015-12-15 CN CN201510939427.2A patent/CN105374047B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102096921A (zh) * | 2011-01-10 | 2011-06-15 | 西安电子科技大学 | 基于邻域对数比值及各向异性扩散的sar图像变化检测方法 |
Non-Patent Citations (2)
Title |
---|
基于FCM算法的SAR图像相干斑噪声滤波算法研究;李玉峰等;《计算机应用研究》;20151019;第33卷(第3期);2496-2499,2503 * |
基于小波融合和PCA_核模糊聚类的遥感图像变化检测;慕彩红等;《电子学报》;20150731;第43卷(第7期);1375-1381 * |
Also Published As
Publication number | Publication date |
---|---|
CN105374047A (zh) | 2016-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105374047B (zh) | 基于改进的双边滤波与聚类的sar图像变化检测方法 | |
CN108765465B (zh) | 一种无监督sar图像变化检测方法 | |
CN103810699B (zh) | 基于无监督深度神经网络的sar图像变化检测方法 | |
CN102096921B (zh) | 基于邻域对数比值及各向异性扩散的sar图像变化检测方法 | |
CN103440644B (zh) | 一种基于最小描述长度的多尺度图像弱边缘检测方法 | |
CN106780485A (zh) | 基于超像素分割和特征学习的sar图像变化检测方法 | |
CN104899866B (zh) | 一种智能化的红外小目标检测方法 | |
CN107133943A (zh) | 一种防震锤缺陷检测的视觉检测方法 | |
CN106846316A (zh) | 一种gis内部典型缺陷图像自动识别方法 | |
CN106682678B (zh) | 一种基于支撑域的图像角点检测和分类方法 | |
CN109543688A (zh) | 一种新型的基于多层卷积神经网络的水表读数检测与识别的方法 | |
CN108564085A (zh) | 一种自动读取指针式仪表读数的方法 | |
CN109902715A (zh) | 一种基于上下文聚合网络的红外弱小目标检测方法 | |
CN104834942A (zh) | 基于掩膜分类的遥感影像变化检测方法及*** | |
CN109191418A (zh) | 一种基于收缩自编码器特征学习的遥感图像变化检测方法 | |
CN103426158A (zh) | 两时相遥感图像变化检测的方法 | |
CN106203521A (zh) | 基于差异图自步学习的sar图像变化检测方法 | |
CN110245600B (zh) | 自适应起始快速笔画宽度无人机道路检测方法 | |
CN108764119A (zh) | 基于迭代最大类间方差的sar图像变化检测方法 | |
CN110766058A (zh) | 一种基于优化rpn网络的战场目标检测方法 | |
CN106296763A (zh) | 一种金属材料工业ct图像质量快速校正方法 | |
CN109949200A (zh) | 基于滤波器子集选择和cnn的隐写分析框架构建方法 | |
CN107392863A (zh) | 基于亲和矩阵融合谱聚类方法的sar图像变化检测方法 | |
Wang et al. | The PAN and MS image fusion algorithm based on adaptive guided filtering and gradient information regulation | |
CN105205807B (zh) | 基于稀疏自动编码机的遥感图像变化检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |