一种改进的变权重MRF遥感图像变化检测方法

基于马尔科夫随机场(Markov Random Field,MRF)模型下的遥感图像变化检测因固定组合能量函数导致的边缘分割模糊问题,提出了一种改进的变权重MRF遥感图像变化检测方法。该方法首先通过模糊C均值(Fuzzy C-means,FCM)算法对差值图像进行聚类分割,并依此分割结果作为变权重MRF的初始分割条件进行最终的分割;最后对分割结果进行掩膜处理,得到最终的变化检测结果。采用真实遥感影像进行对比实验,结果表明所提方法变化检测精度更高,边缘检测更加平滑,区域一致性更好。     

结合双树复小波变换的四阶偏微分影像去噪方法

针对低阶偏微分方程去噪模型通常会使图像的灰度趋于分段常量而产生阶梯效应的问题,结合小波多尺度分解在图像处理中的应用,提出一种结合双树复小波变换(DT-CWT)的四阶偏微分方程(PDE)影像去噪模型。首先采用DT-CWT对噪声影像进行多尺度分解,保留分解后的低频分量不变,其他层复高频分量采用四阶PDE去噪模型去噪,然后重构相应层的高、低频分量,得到最终去噪后影像。对不同噪声强度下的ZY-3卫星影像去噪实验的结果表明,采用本文方法去除遥感影像噪声相比现有方法得到的去噪结果信噪比平均提高了1~2 d B,提高了去噪影像的结构相似度,在有效去除影像高斯噪声的同时能够较好地保留图像细节信息。     

基于小波域三重MRF分割算法的遥感图像分割分析

研究一种基于小波域三重马尔科夫随机场模型(Markov Random Field,MRF)分割算法的遥感图像分割分析方案,对高分五号卫星提供的遥感图像信息进行MRF图元分割,在图元中使用两次小波域分析进行图像信息加强处理,其结果仍无法在高分卫星工具包中实现图像信息的有效读取,所以使用无人机超低空补充遥感的方式进行补充遥测,最终比较植被、水域、道路、建筑在高分卫星工具包下的识别率.革新方案的识别率远高于卫星直接图像的识别率,但对水域、道路的识别率仍较低,经过超低空补充遥感后,识别率达到99％以上,基于小波域三重MRF分割算法对遥感图像处理有积极意义.     

基于Contourlet域HMT和D-S证据融合的SAR图像分割

针对Contourlet的多尺度、局部化、方向性和各向异性等优点,结合隐马尔科夫树(hidden Markov tree,HMT)模型和D-S(Dempster-Shafer)证据理论,提出一种新的SAR图像分割算法。该算法首先将隐马尔科夫树模型推广到Contourlet域,在多尺度HMT上采用D-S证据融合理论有效地融合Contourlet系数的持续性和聚集性,最后导出融合后的最大后验多尺度分割公式。本文算法对实测SAR图像进行分割试验,试验结果表明:与小波域上的HMT-MRF(Markovrandom field,MRF)融合分割及Contourlet域上HMT和MRF分割算法相比,本文算法在抑制斑点噪声的同时,可有效地提高SAR图像的分割精度。     

基于交互式分割技术和决策级融合的SAR图像变化检测

为免去去除斑点噪声的预处理操作及克服选择分布模型的限制,本文结合差异图的特点和一种不涉及分布模型的交互式分割方法,产生不同“种子点”下的变化检测结果后,再利用投票策略对其进行决策级的融合给出最终的变化检测结果。分割中,将每个像素的特征设为差异图及由静态小波变换分解差异图再丢弃高频系数后重构得到的各层表示中,其对应位置上的灰度值构成的矢量。此特征及决策级融合的策略使本文的变化检测技术对SAR图像中的斑点噪声具有一定的鲁棒性。在无需对SAR图像做预处理的情况下,对真实SAR图像数据集的变化检测结果,其效果优于其他相关技术的。     

多波段信息融合的遥感影像变化检测

传统遥感影像变化检测方法大多基于单波段信息,难以完整检测影像的变化信息。针对该问题,提出了一种基于马尔可夫随机场模型(MRF)的多波段遥感影像变化检测方法,利用MRF模型融合所有波段的变化信息。在求解MRF模型参数的过程中,引入MoLC与EM混合模型进行迭代计算。实验结果表明,本文方法的检测精度优于现有的变化检测方法,并且稳定性良好。     

基于双重离散小波变换的遥感图像去噪算法

结合离散小波变换(discrete wavelet transform,DWT)与二维多级中值滤波(two-dimensional multi-stage median filtering,TMMF)算法,提出了一种遥感图像自适应去噪(de-noising)算法。该算法首先对噪声图像进行单层DWT,分出低频子图像和高频子图像,由于其中的低频子图像包含了大量背景信息,几乎不受噪声的污染,因而变换后仍保持原样无需再处理;对于高频子图像继续执行单层DWT,获得多方向分布的次低频子图像和次高频子图像;然后对次高频子图像采用改进的TMMF算法进行去噪,对次低频子图像采用改进的小波硬阈值函数模型进行噪声抑制;最后对上述去噪后的子图像进行二次小波重构,得到去噪后的遥感图像。采用3景细节信息丰富的遥感图像进行算法性能测试,并与TMMF算法、改进的TMMF算法以及小波变换硬阈值去噪算法进行比较,结果表明,基于双重离散小波变换算法的去噪性能有所提升。     

面向对象的遥感变化检测研究

通过分析传统的遥感变化检测方法存在的问题,提出了面向对象的遥感变化检测方法。本文利用某地ETM+两个时相的遥感影像,将面向对象和传统变化检测方法进行定性定量的比较,从而得出面向对象的遥感变化检测方法的优势。该方法采用了基于相邻影像区域合并异质性最小的面向对象的多尺度分割方法和模糊分类的方法对变化检测图像进行处理,从而提高了变化检测结果的精度。最终得到较理想的实验分析结果。     

结合多尺度几何分析和KICA的遥感图像变化检测

为了进一步提高基于独立分量分析ICA(Independent Component Analysis)的遥感图像变化检测精确度,更好地实现地表覆盖的动态监测,将多尺度几何分析和核独立分量分析KICA(Kernel Independent Component Analysis)相结合应用于遥感图像的地表覆盖变化检测。首先利用Contourlet变换、复Contourlet变换CCT(Complex Contourlet Transform)、非下采样Contourlet变换NSCT(Nonsubsampled Contourlet Transform)等多尺度几何分析对土地遥感图像进行多尺度分解;然后对分解后的数据进行核独立分量分析,通过核函数将数据映射到高维特征空间中,再在该空间中用ICA方法分离出互相独立的分量;最后将分离后的地表变化分量转化为图像分量,再采用最大类间方差法对变化图像进行分割,实现地表覆盖的变化检测。给出了本文方法和近年来提出的基于ICA、基于KICA、基于小波变换和ICA等变化检测方法的实验结果,并进行了分析和定量比较。实验结果表明,基于多尺度几何分析和KICA的变化检测方法能更好地分离出遥感图像的变化信息,其中基于NSCT和KICA方法的错判和漏检误差最小,且在边缘细节方面处理得更好,而基于Contourlet变换和KICA方法的检测效率相对较高。     

深度融合网结合条件随机场的遥感图像语义分割

为了充分利用遥感图像中丰富的细节信息和上下文信息,提高图像语义分割精度,提出一种深度融合网结合条件随机场模型的遥感图像语义分割方法。方法在全卷积神经网络框架中增加反卷积融合结构,搭建深度融合DFN (Deep Fusion Networks)网络,通过深层网络自动获取多尺度特征,避免人工设计和选择特征,提高模型的泛化能力;同时借助反卷积融合结构,利用多尺度信息,将浅层细节信息和深层语义信息相融合,提高模型的处理精度。由全连接条件随机场引入空间上下文信息,更好地定位边界,得到最终的语义分割结果。在遥感图像数据集上的实验结果显示:(1)随着不同尺度细节信息的融入,结果的边缘轮廓越精确、接近标签图像;(2)增加了空间上下文信息后,语义分割结果边缘更细化、准确,精度更高。实验表明,该方法可以有效提高遥感图像语义分割的精度,改善结果的过平滑现象。     

区域多尺度马尔可夫随机场的遥感影像分类

多尺度分析技术广泛应用于高分辨率遥感影像的特征提取和建模。分解层数受制于影像的大小,下采样小波变换实现的影像多尺度表达难以描述大范围的空间模式,导致分类结果出现"胡椒盐"现象;面向对象的影像分析技术虽避免了"胡椒盐"现象,但由于仅利用了单尺度的的特征,也难以描述影像多层次的空间模式,导致分类精度较低。为改善分类结果中的"胡椒盐"现象和提高分类精度,提出了一种结合区域多尺度遥感影像分割和马尔可夫随机场的分类方法。首先,获得原始影像过分割区域,依据区域内亮度均值以及区域间的共享边界长度信息,提取影像低频和高频特征,采用该低频特征波段代替原始影像,重复分割与特征波段提取过程,形成影像的区域多尺度表达。然后,以原始图像为初始尺度,以分割区域为处理单元,以更细尺度分类结果为标记场先验,以当前高频特征建立特征场,逐层分类、投影,获得最终尺度分类结果。合成纹理影像和多光谱遥感影像的实验表明:相比于小波域多尺度建模方法和单尺度区域建模方法,本文提出的方法可以有效提高分类精度,并避免"胡椒盐"现象的产生。     

结合双树复小波纹理特征和MRF模型的遥感图像分割

针对经典的小波纹理不能准确地表达影像纹理特征的问题，以及影像分割结果缺少对像元空间相关性和分布关系的考虑。本文提出了结合双树复小波（DT-CWT）纹理和马尔可夫随机场（MRF）模型的高分辨率遥感影像分割方法。首先，通过双树复小波变换提取影像纹理特征，联合光谱特征形成表达影像信息的混合特征向量；然后，将混合特征向量高斯归一化处理，并用K-means聚类的方法对特征空间中的混合特征向量聚类得到初始分割图；最后，借助马尔可夫随机场模型在初始分割结果中引入上下文信息，基于贝叶斯最大后验概率准则得到最终的分割结果。本文通过双树复小波纹理提高了特征表达的准确度，同时使用马尔可夫随机场模型减弱了分割结果中同质区域的“椒盐噪声”，从而进一步提高了高分辨率遥感影像分割的精度。     

结合边缘信息的DT-CWT干涉图滤波算法

提出了一种结合边缘信息的双树复小波变换(dual tree complex wavelet transform,DT-CWT)干涉图滤波算法。该方法是在DT-CWT几何多尺度变换域上,通过分析层间系数的传递性及层内系数的相关性确定边缘系数,并利用贝叶斯双变量收缩函数分别对复数小波域的边缘及非边缘系数采用不同的阈值进行收缩处理。实验结果表明,本算法对干涉图噪声有较强的抑制能力,较大程度地保留了干涉图的边缘及细节信息,处理结果优于传统小波域软阈值去噪方法。     

Unsupervised Change Detection in Multitemporal SAR Images Using MRF Models

An unsupervised change-detection method that considers the spatial contextual information in a log-ratio difference image generated from multitemporal SAR images is proposed. A Markov random filed (MRF) model is particularly employed to exploit statistical spatial correlation of intensity levels among neighboring pixels. Under the assumption of the independency of pixels and mixed Gaussian distribution in the log-ratio difference image, a stochastic and iterative EM-MPM change-detection algorithm based on an MRF model is developed. The EM-MPM algorithm is based on a maximiser of posterior marginals (MPM) algorithm for image segmentation and an expectation-maximum (EM) algorithm for parameter estimation in a completely automatic way. The experiment results obtained on multitemporal ERS-2 SAR images show the effectiveness of the proposed method.     

Unsupervised change detection in multitemporal SAR images using MRF models

An unsupervised change-detection method that considers the spatial contextual information in a log-ratio difference image generated from multitemporal SAR images is proposed. A Markov random filed (MRF) model is particularly employed to exploit statistical spatial correlation of intensity levels among neighboring pixels. Under the assumption of the independency of pixels and mixed Gaussian distribution in the log-ratio difference image, a stochastic and iterative EM-MPM change-detection algorithm based on an MRF model is developed. The EM-MPM algorithm is based on a maximiser of posterior marginals (MPM) algorithm for image segmentation and an expectation-maximum (EM) algorithm for parameter estimation in a completely automatic way. The experiment results obtained on multitemporal ERS-2 SAR images show the effectiveness of the proposed method.     

基于融合和IFLICM算法的非监督遥感影像变化检测

提出了一种基于多尺度小波融合和改进的非监督模糊聚类的多光谱遥感影像变化检测方法。该算法解决了目前很多算法造成虚警率较高,而且未能充分利用像元之间空间关系的问题。首先利用二维离散小波（DWT）多尺度分解的方式来构造差异图,通过对两种小波分解系数融合的方式来抑制噪声点和突出变化区域。考虑到像元之间的空间位置信息,在融合后的基础上采用改进的模糊局部信息聚类（IFLICM）的方法得到变化检测结果。对两个时相的多光谱遥感卫星影像进行变化检测试验,试验表明基于融合的变化检测结果精度更高,并且改进后的聚类算法效果比其他聚类算法效果更好。     

DSSRM级联分割的SAR图像变化检测

SRM(Statistical Region Merging)分割算法具有快速、稳定和抗噪强的优点,基于此,本文提出一种基于DSSRM(Dynamic Sorting Statistical Region Merging)级联分割的SAR图像变化检测方法。首先,针对SRM算法基于单特征静态排序导致的过分割问题,提出一种动态排序模式的DSSRM算法以减少差异图像分割错误,该算法建立基于合并区域的多特征马氏距离排序准则,在每次合并之后更新区域邻接矩阵并重新排序;然后,基于互信息最小化准则构造多通道差异数据集以提高算法对区域合并的约束能力;最后,提出一种级联分割变化检测框架,第1级利用SRM算法将差异图像映射到超像素空间,第2级采用DSSRM算法对超像素进行动态合并获得收敛的分割结果,第3级采用简化SRM方法进行三次合并获得最终的变化检测图。实验结果表明,该方法可以获得比SRM方法和目前流行方法更好的检测性能。     

基于MRF信息融合的多通道SAR图像变化检测算法

SAR图像变化检测是近几年SAR图像应用研究的新领域,现有的SAR图像变化检测算法大多针对单通道图像数据,而利用多通道SAR图像数据进行变化检测,可以充分利用图像信息,能够得到更好的检测效果。论文研究了基于MRF信息融合的多通道SAR图像变化检测算法,通过融合图像不同通道信息,实现变化检测;并重点论述了算法的基本原理和算法实现过程,通过实验对比,证明了论文提出的算法可以得到较高的检测精度。     

边缘约束下的分形网络分割算法

分形网络演化算法（fractal net evolution approach，FNEA）是一种有效的多尺度影像分割算法，但对于具有斑点噪声、局部区域对比度低等特点的高分辨率合成孔径雷达（synthetic aperture radar，SAR）图像，直接应用FNEA算法得到的分割结果难以用于后续的面向对象影像分析。提出了基于边缘约束的FNEA（edge restricted FNEA，eFNEA）算法，通过加入边缘信息和构建异质性规则来为分割融入更多信息，提高分割效果。实验结果表明，对于微弱边缘和噪声污染严重等情形，eFNEA算法的分割结果均优于FNEA算法。     

噪声抑制的多极化SAR海冰图像分割

合成孔径雷达(SAR)海冰图像分割对全球气候研究和保证船舶航行安全具有重要意义。现有的基于区域的马尔可夫随机场(MRF)多极化SAR分割方法,由于受相干斑噪声影响,其区域划分不尽合理,不能有效完成分割。因此,提出一种噪声抑制的多极化SAR海冰图像分割算法,首先在极化总功率图上引入降低噪声的滤波算法,合理划分初始区域,其次考虑区域之间的差异度,从而实现多极化SAR海冰图像的准确分割。以RADARSAT-2和SIR-C获得的全极化海冰图像为实验数据进行验证,结果表明:和其他较先进算法相比,本文算法优势明显,既能高效保持图像连通性,又能增强图像的细节信息,具有更高的分割精度。