CN110136127A - 基于Wald检验的SAR影像变化检测方法 - Google Patents
基于Wald检验的SAR影像变化检测方法 Download PDFInfo
- Publication number
- CN110136127A CN110136127A CN201910416589.6A CN201910416589A CN110136127A CN 110136127 A CN110136127 A CN 110136127A CN 201910416589 A CN201910416589 A CN 201910416589A CN 110136127 A CN110136127 A CN 110136127A
- Authority
- CN
- China
- Prior art keywords
- wald
- sar
- image
- sar image
- neighborhood
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06T7/0004—Industrial image inspection
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于Wald检验的SAR影像变化检测方法,适用于图像处理领域。其步骤为:(1)作出用于SAR影像变化检测的Wald检验零假设H0和备择假设H1;(2)计算备择假设H1约束条件下参数θ的极大似然估计值(3)计算备择假设H1约束条件下参数θ的Fisher信息矩阵(4)生成SAR影像I1和SAR影像I2基于Wald检验的差异影像DWald;(5)通过模糊c均值聚类得到变化检测结果图。该方法基于Wald检验理论,只需要估计备择假设H1约束条件下的参数θ,比估计零假设H0条件下的参数θ简单,计算效率高,具有完备的数学基础,提高了从两幅SAR影像中检测地表覆盖信息变化区域的精度,对SAR影像变化检测效果好。
Description
技术领域
本发明涉及一种影像变化检测方法,尤其适用于图像处理技术领域中基于Wald检验的SAR影像变化检测方法。
背景技术
变化检测属于图像处理领域,是指利用覆盖同一地理区域的多时相遥感影像提取地表覆盖的变化信息,该技术已经被广泛应用于环境监测、城市研究、森林监测、农业调查和灾害评估等领域。遥感影像变化检测过程通常可以分为图像预处理、通过比较多时相影像生成差异影像和差异影像分析3个步骤。其中,生成差异影像是进行变化检测的关键步骤。
与光学影像相比,合成孔径雷达采用侧视方式成像,覆盖面积大,具有穿透云雨雾霾,全天时、全天候获取地面信息的能力。自20世纪50年代以来,已被广泛用于地表沉降监测、地形测绘、资源勘探、环境遥感以及军事等领域。近年来随着SAR技术和图像处理技术的发展,利用SAR影像进行变化检测逐渐成为遥感影像信息提取研究的热点之一。
生成差异影像是进行变化检测的关键步骤。与差值法相比,比值法能减小校正和辐射测量误差的影响,更适合于SAR影像变化检测。考虑到SAR影像含有的噪声为乘性斑点噪声,而对数变换不仅可以把乘性噪声转换为加性噪声,而且可以压缩比值法的数据范围,对数比值法在变化检测中得到了较多的应用。为了利用邻域信息减小斑点噪声对变化检测的影响,均值比值法被提出并在SAR影像变化检测中得到了广泛的应用。然而,差值法、对数比值法和均值比值法都是以简单直接地方式定义的方法,在SAR影像变化检测中的应用缺少严密的数学理论支持,从而限制了变化检测的精度。
发明内容
本发明的目的在于针对上述已有技术的问题,提供一种数学理论严密、精度高、检测效果好的基于Wald检验的SAR影像变化检测方法。
为实现上述目的,本发明的基于Wald检验的SAR影像变化检测方法,包括如下步骤:
a获取覆盖同一地理区域经过配准和几何校正的两幅不同时相SAR影像I1和SAR影像I2;
b作出用于SAR影像变化检测的Wald检验成对存在的零假设H0和备择假设H1;
c针对SAR影像I1和SAR影像I2,设置Wald检验的邻域窗口大小N,利用公式:计算备择假设H1约束条件下参数θ的极大似然估计值其中是H1约束条件下SAR影像I1窗口大小为N的邻域内像元强度均值的极大似然估计值,是H1约束条件下SAR影像I2窗口大小为N的邻域内像元强度均值的极大似然估计值,T为矩阵转置符号,参数θ=[u1 u2]T是SAR影像I1和SAR影像I2相同位置窗口大小为N的邻域内像元强度均值组成的列向量,u1是SAR影像I1窗口大小为N的邻域内像元强度均值,u2是SAR影像I2窗口大小为N的邻域内像元强度均值;
d计算备择假设H1约束条件下参数θ的Fisher信息矩阵
e生成SAR影像I1和SAR影像I2基于Wald检验的差异影像DWald;
f设置模糊c均值聚类类别数量为2,通过模糊c均值聚类方法把差异影像DWald分为未变化类和变化类,得到变化检测结果图,其中白色区域表示SAR影像I1和SAR影像I2之间的地表覆盖信息发生了变化,黑色的区域表示SAR影像I1和SAR影像I2之间的地表覆盖信息没有发生变化,从而直观的获取地形影像的变化信息。
所述步骤b中零假设H0为:SAR影像I1和SAR影像I2之间的地表覆盖信息发生了变化,SAR影像I1和SAR影像I2之间的有效散射截面积不同,具有未知的模式;备择假设H1为:SAR影像I1和SAR影像I2之间的地表覆盖信息没有发生变化,SAR影像I1和SAR影像I2之间的有效散射截面积相同。
所述步骤c中备择假设H1约束条件下参数θ的极大似然估计值的元素(i=1,2)计算公式为:式中:N0=N×N为窗口大小为N的邻域内像元数量,zn,i是第i幅影像中位置为n的像元强度值。
所述步骤d中Fisher信息矩阵是大小为2×2的矩阵,位置(p,q)处矩阵元素的计算公式为:
式中,p=1,2,q=1,2,v是等效视数,N0=N×N为窗口大小为N的邻域内像元数量,zn,p是第p幅影像中位置为n的像元强度值,zn,q是第q幅影像中位置为n的像元强度值,E表示数学期望符号。
所述步骤e中生成差异影像DWald的步骤如下:
e1)利用公式:计算SAR影像I1和SAR影像I2在同一位置(j,k)处包含N0个像元的邻域的Wald检验统计量tWald(j,k),式中,z是SAR影像I1和SAR影像I2同一位置包含N0个像元的邻域的观测值,t是数学中常用于表示检验统计量的符号;
e2)利用公式:DWald(j,k)=tWald(j,k)生成差异影像DWald,式中,DWald(j,k)为差异影像DWald中位置(j,k)处的像元灰度值。
有益效果:本发明采用Wald检验理论,通过构造Wald检验统计量得到SAR影像变化检测的差异影像,只需要估计备择假设H1约束条件下参数θ的极大似然估计值比估计零假设H0条件下的参数θ简单,计算效率高,具有完备的数学基础,提高了从两幅SAR影像中检测地表覆盖信息变化区域的精度。因此,本发明为SAR影像地表覆盖信息的变化检测提供了一种新途径。
附图说明
图1是本发明实施例的流程图;
图2是本发明基于Wald检验的SAR影像变化检测方法实施例中的SAR影像I1;
图3是本发明基于Wald检验的SAR影像变化检测方法实施例中的SAR影像I2;
图4是本发明实施例得到的变化检测结果图。
具体实施方式
以下结合附图及实施例对本发明作进一步的详细描述:
如图1所示,本发明提供一种基于Wald检验的SAR影像变化检测方法,包括如下步骤:
步骤a:如图2和图3所示,获取覆盖同一地理区域经过配准和几何校正的两幅不同时相SAR影像I1和SAR影像I2;
步骤b:作出用于SAR影像变化检测的Wald检验零假设H0:SAR影像I1和SAR影像I2之间的地表覆盖信息发生了变化,SAR影像I1和SAR影像I2之间的有效散射截面积不同,具有未知的模式;备择假设H1;SAR影像I1和SAR影像I2之间的地表覆盖信息没有发生变化,SAR影像I1和SAR影像I2之间的有效散射截面积相同;
步骤c:针对SAR影像I1和SAR影像I2,设置Wald检验的邻域窗口大小N,对SAR影像I1和SAR影像I2相同位置窗口大小为N的邻域,根据公式:(i=1,2),计算备择假设H1约束条件下参数θ=[u1 u2]T的极大似然估计值的元素式中:N0=N×N为窗口大小为N的邻域内像元数量,zn,i是第i幅影像中位置为n的像元强度值,是H1约束条件下SAR影像I1窗口大小为N的邻域内像元强度均值的极大似然估计值,是H1约束条件下SAR影像I2窗口大小为N的邻域内像元强度均值的极大似然估计值,u1是SAR影像I1窗口大小为N的邻域内像元强度均值,u2是SAR影像I2窗口大小为N的邻域内像元强度均值,T为矩阵转置符号;
步骤d:根据公式:计算矩阵中位置为(p,q)的矩阵元素式中,是零假设H1约束条件下参数θ极大似然估计值,是零假设H1约束条件下参数θ的Fisher信息矩阵,大小为2×2,p=1,2,q=1,2,v是等效视数,N0=N×N为窗口大小为N的邻域内像元数量,zn,p是第p幅影像中位置为n的像元强度值,zn,q是第q幅影像中位置为n的像元强度值,E表示数学期望符号;
步骤e:利用如下步骤生成SAR影像I1和SAR影像I2基于Wald检验的差异影像DWald:
e1)利用公式:计算SAR影像I1和SAR影像I2在同一位置(j,k)处包含N0个像元的邻域的Wald检验统计量tWald(j,k),式中,z是SAR影像I1和SAR影像I2同一位置包含N0个像元的邻域的观测值,t是数学中常用于表示检验统计量的符号;
e2)利用公式:DWald(j,k)=tWald(j,k)生成差异影像DWald,式中,DWald(j,k)为差异影像DWald中位置(j,k)处的像元灰度值;
步骤f:设置模糊c均值聚类类别数量为2,通过模糊c均值聚类方法把差异影像DWald分为未变化类和变化类,得到变化检测结果图,如图4所示,其中白色区域表示SAR影像I1和SAR影像I2之间的地表覆盖信息发生了变化,黑色的区域表示SAR影像I1和SAR影像I2之间的地表覆盖信息没有发生变化,从而直观的获取地形影像的变化信息。
Claims (5)
1.一种基于Wald检验的SAR影像变化检测方法,其特征在于步骤如下:
a获取覆盖同一地理区域经过配准和几何校正的两幅不同时相SAR影像I1和SAR影像I2;
b作出用于SAR影像变化检测的Wald检验成对存在的零假设H0和备择假设H1;
c针对SAR影像I1和SAR影像I2,设置Wald检验的邻域窗口大小N,利用公式:计算备择假设H1约束条件下参数θ的极大似然估计值其中是H1约束条件下SAR影像I1窗口大小为N的邻域内像元强度均值的极大似然估计值,是H1约束条件下SAR影像I2窗口大小为N的邻域内像元强度均值的极大似然估计值,T为矩阵转置符号,参数θ=[u1 u2]T是SAR影像I1和SAR影像I2相同位置窗口大小为N的邻域内像元强度均值组成的列向量,u1是SAR影像I1窗口大小为N的邻域内像元强度均值,u2是SAR影像I2窗口大小为N的邻域内像元强度均值;
d计算备择假设H1约束条件下参数θ的Fisher信息矩阵
e生成SAR影像I1和SAR影像I2基于Wald检验的差异影像DWald;
f设置模糊c均值聚类类别数量为2,通过模糊c均值聚类方法把差异影像DWald分为未变化类和变化类,得到变化检测结果图,其中白色区域表示SAR影像I1和SAR影像I2之间的地表覆盖信息发生了变化,黑色的区域表示SAR影像I1和SAR影像I2之间的地表覆盖信息没有发生变化,从而直观的获取地形影像的变化信息。
2.根据权利要求1所述的基于Wald检验的SAR影像变化检测方法,其特征在于:所述步骤b中零假设H0为:SAR影像I1和SAR影像I2之间的地表覆盖信息发生了变化,SAR影像I1和SAR影像I2之间的有效散射截面积不同,具有未知的模式;备择假设H1为:SAR影像I1和SAR影像I2之间的地表覆盖信息没有发生变化,SAR影像I1和SAR影像I2之间的有效散射截面积相同。
3.根据权利要求1所述的基于Wald检验的SAR影像变化检测方法,其特征在于:所述步骤c中备择假设H1约束条件下参数θ的极大似然估计值的元素计算公式为:
式中:N0=N×N为窗口大小为N的邻域内像元数量,zn,i是第i幅影像中位置为n的像元强度值。
4.根据权利要求1所述的基于Wald检验的SAR影像变化检测方法,其特征在于:所述步骤d中Fisher信息矩阵是大小为2×2的矩阵,位置(p,q)处矩阵元素的计算公式为:
式中,p=1,2,q=1,2,v是等效视数,N0=N×N为窗口大小为N的邻域内像元数量,zn,p是第p幅影像中位置为n的像元强度值,zn,q是第q幅影像中位置为n的像元强度值,E表示数学期望符号。
5.根据权利要求1所述的基于Rao检验的SAR影像变化检测方法,其特征在于:所述步骤e中生成差异影像DWald的步骤如下:
e1)利用公式:计算SAR影像I1和SAR影像I2在同一位置(j,k)处包含N0个像元的邻域的Wald检验统计量tWald(j,k),式中,z是SAR影像I1和SAR影像I2同一位置包含N0个像元的邻域的观测值,t是数学中常用于表示检验统计量的符号;
e2)利用公式:DWald(j,k)=tWald(j,k)生成差异影像DWald,式中,DWald(j,k)为差异影像DWald中位置(j,k)处的像元灰度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910416589.6A CN110136127B (zh) | 2019-05-20 | 2019-05-20 | 基于Wald检验的SAR影像变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910416589.6A CN110136127B (zh) | 2019-05-20 | 2019-05-20 | 基于Wald检验的SAR影像变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110136127A true CN110136127A (zh) | 2019-08-16 |
CN110136127B CN110136127B (zh) | 2023-04-18 |
Family
ID=67571272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910416589.6A Active CN110136127B (zh) | 2019-05-20 | 2019-05-20 | 基于Wald检验的SAR影像变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110136127B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927737A (zh) * | 2013-10-31 | 2014-07-16 | 王浩然 | 基于非局部均值的sar图像变化检测方法 |
CN107610155A (zh) * | 2016-07-12 | 2018-01-19 | 香港理工大学深圳研究院 | Sar影像变化检测方法及装置 |
-
2019
- 2019-05-20 CN CN201910416589.6A patent/CN110136127B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927737A (zh) * | 2013-10-31 | 2014-07-16 | 王浩然 | 基于非局部均值的sar图像变化检测方法 |
CN107610155A (zh) * | 2016-07-12 | 2018-01-19 | 香港理工大学深圳研究院 | Sar影像变化检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110136127B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhan et al. | Log-based transformation feature learning for change detection in heterogeneous images | |
Marquez et al. | Intra-hour DNI forecasting based on cloud tracking image analysis | |
Berberoglu et al. | Assessing different remote sensing techniques to detect land use/cover changes in the eastern Mediterranean | |
CN103971364B (zh) | 基于加权Gabor小波特征和两级聚类的遥感图像变化检测方法 | |
CN107230197B (zh) | 基于卫星云图和rvm的热带气旋客观定强方法 | |
CN102063720B (zh) | 基于Treelets的遥感图像变化检测方法 | |
CN105844279A (zh) | 基于深度学习和sift特征的sar图像变化检测方法 | |
Zhai | Inversion of organic matter content in wetland soil based on Landsat 8 remote sensing image | |
Sun et al. | Object-oriented land cover classification using HJ-1 remote sensing imagery | |
CN103839075B (zh) | 一种基于联合稀疏表示的sar图像分类方法 | |
CN113642475A (zh) | 基于卷积神经网络模型的大西洋飓风强度估算方法 | |
CN104517286A (zh) | 基于自适应阈值分割和组合优化的sar图像配准 | |
Gu et al. | Building extraction method based on the spectral index for high-resolution remote sensing images over urban areas | |
Zhang et al. | Superpixelwise likelihood ratio test statistic for PolSAR data and its application to built-up area extraction | |
Kseneman et al. | Soil-moisture estimation from TerraSAR-X data using neural networks | |
Kim et al. | Automatic pseudo-invariant feature extraction for the relative radiometric normalization of hyperion hyperspectral images | |
Mohamed et al. | Change detection techniques using optical remote sensing: a survey | |
CN110136128A (zh) | 基于Rao检验的SAR影像变化检测方法 | |
CN111965645A (zh) | 一种顾及几何约束的多基线植被高度反演方法及装置 | |
CN108710816B (zh) | 一种基于概率融合的极化sar图像建筑物检测方法 | |
CN111460943A (zh) | 一种遥感影像地物分类方法及*** | |
CN110136127A (zh) | 基于Wald检验的SAR影像变化检测方法 | |
CN115861669A (zh) | 一种基于聚类思想的红外弱小目标检测方法 | |
CN115271560A (zh) | 一种海洋石油钻井溢油风化定量评估***及评估方法 | |
CN111257854B (zh) | 一种通用的基于遥感影像分割单元的地形校正优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |