基于空域阈值分割的SAR图像变化检测研究

发布时间：2020-11-20 06:14

　　 遥感图像变化检测指利用多时相获取的覆盖同一地表区域的遥感影像及其他辅助数据来确定和分析地表的变化。SAR(Synthetic Aperture Radar,SAR)能全天时、全天候地对地观测,不受光照、气候等条件影响,具有其他光学遥感无法比拟的优势。因此SAR图像是变化检测重要的数据源。目前SAR图像变化检测在环境监测、农业调查、城市研究、灾害监测、军事侦察等方面有着重要的应用。尤其是自然灾害发生时,高效的变化检测技术能够及时地避免或减少人身伤亡和财产损失。SAR图像变化检测方法一般分为图像预处理、差异图生成、差异图分析三大部分,其中,差异图的分析对于变化检测结果至关重要。阈值法是差异图分析中常用的方法,因其简便快捷在变化检测中受到广泛应用,使得变化检测更为快速高效。本论文对于SAR图像差异图分析算法中的阈值方法进行分析探索,主要研究成果可概括如下:1、针对阈值方法在变化区域占比较小时检测结果虚警率过高的问题,提出一种基于迭代最大类间方差法的SAR图像小面积变化区域检测方法。首先算法对邻域比值法权值进行改进,利用结合了邻域信息的改进邻域比值算法生成差异图,对SAR图像斑噪进行抑制,同时对图像细节信息进行保留。然后通过迭代最大类间方差法对差异图进行分割。迭代最大类间方差法通过多次迭代获取变化元素与未变化元素分布相对均衡的区域,利用最大类间方差法计算该区域最佳分割阈值,并应用该阈值对差异图进行二值化,获取变化检测结果图。通过对小面积变化的SAR图像数据进行变化检测,实验结果证明该算法对小面积变化区域的检测效果得到显著提升。为验证算法普适性,对非小面积变化情况、以及图像噪声污染严重情况下真实SAR图像数据集也进行相应实验,实验表明算法精确度有所提升,且噪声鲁棒性更好。2、针对现有的KI(KittlerIllingworth,KI)阈值方法的类条件分布模型对于改进邻域比值差异图拟合度不够的情况,提出了一种基于K分布KI阈值分割的SAR图像变化检测算法。该算法引入K分布模型来对差异图两类直方图进行拟合,K分布模型因其乘性衰落统计特性,被证明能对SAR图像非均匀区域较好拟合,从而得到广泛应用。但是K分布的参数估计相对复杂,考虑算法运行效率,本文采用快速的二四阶矩估计方法对参数进行估计。实验表明,K分布模型下KI阈值方法检测性能得到提升。
【学位单位】：西安电子科技大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TN957.52
【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
    1.1 研究背景及意义
    1.2 SAR图像变化检测研究现状
    1.3 SAR图像变化检测存在的主要问题
    1.4 主要研究内容及结构安排
第二章 SAR图像变化检测
    2.1 SAR图像成像原理及特点
        2.1.1 SAR图像成像原理
        2.1.2 SAR图像乘积模型
        2.1.3 SAR图像特征
    2.2 SAR图像变化检测流程
        2.2.1 图像预处理
        2.2.2 差异图生成
        2.2.3 差异图分析
        2.2.4 SAR图像变化检测几种经典方法
    2.3 变化检测精度评估
    2.4 本章小结
第三章 基于迭代Otsu的SAR图像变化检测
    3.1 引言
    3.2 邻域比值算法及其改进
        3.2.1 常见差异图生成算法优缺点
        3.2.2 邻域比值算法
        3.2.3 改进的邻域比值算法
    3.3 迭代最大类间方差算法
        3.3.1 阈值算法
        3.3.2 最大类间方差法
        3.3.3 迭代最大类间方差算法
    3.4 实验设置和结果分析
        3.4.1 实验参数设置
        3.4.2 实验数据介绍
        3.4.3 差异图生成算法实验结果及分析
        3.4.4 差异图分析算法实验结果及分析
    3.5 本章小结
第四章 基于K分布KI阈值分割的SAR图像变化检测
    4.1 引言
    4.2 KI阈值分割算法
    4.3 类条件分布模型
        4.3.1 高斯分布
        4.3.2 广义高斯分布
        4.3.3 对数正态分布
    4.4 K分布
        4.4.1 K分布理论
        4.4.2 参数估计方法
    4.5 实验设置和结果分析
        4.5.1 实验数据介绍
        4.5.2 实验结果及分析
    4.6 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
致谢
作者简介

【相似文献】

相关期刊论文 前10条

1 眭海刚;冯文卿;李文卓;孙开敏;徐川;;多时相遥感影像变化检测方法综述[J];武汉大学学报(信息科学版);2018年12期

2 谢馨娴;岳彩荣;霍鹏;;森林变化检测方法比较[J];四川林业科技;2018年03期

3 王娜;张景发;;SAR图像变化检测技术方法综述[J];地壳构造与地壳应力文集;2016年01期

4 宋英旭;牛瑞卿;张景发;李永生;罗毅;冯时;陈艳;;遥感影像变化检测方法对比[J];地壳构造与地壳应力文集;2016年02期

5 李强;张景发;;变化检测技术在震害信息提取中的应用[J];地理空间信息;2014年02期

6 龙玄耀;李培军;;基于图像分割的城市变化检测[J];地球信息科学;2008年01期

7 于跃龙,卢焕章;以统计变化检测为基础的实时分割视频对象新方法[J];中国图象图形学报;2005年01期

8 孙扬;朱凌;修田雨;;基于国产卫星影像的协同分割变化检测[J];北京建筑大学学报;2018年04期

9 王鑫;;聚类分析观点下的分散式最快变化检测[J];南京理工大学学报;2014年02期

10 沈壁川;毛期俭;吕翊;;基于巴氏距离的视频流场景变化检测(英文)[J];重庆邮电大学学报(自然科学版);2009年01期

相关博士学位论文 前10条

1 邵攀;非监督遥感变化检测模糊方法研究[D];武汉大学;2016年

2 李文卓;时序无人机影像二三维综合的面向对象建筑物变化检测关键技术研究[D];武汉大学;2017年

3 吕臻;高分辨率遥感影像道路提取与变化检测关键技术研究[D];武汉大学;2017年

4 彭代锋;基于多特征信息挖掘的对象级光学卫星影像变化检测研究[D];武汉大学;2017年

5 郑耀国;基于结构化表示学习的遥感图像分类及变化检测[D];西安电子科技大学;2016年

6 苏临之;基于像素信息和深度学习的遥感图像变化检测技术[D];西安电子科技大学;2016年

7 贾璐;基于核理论的遥感影像变化检测算法研究[D];西安电子科技大学;2016年

8 李瑜;基于特征学习的SAR图像变化检测方法研究[D];西安电子科技大学;2016年

9 李振轩;基于差分测度的高分辨率遥感影像可靠性变化检测方法研究[D];中国矿业大学;2018年

10 刘博宇;时序NDVI数据集螺线型构建及多形状参数变化检测[D];吉林大学;2018年

相关硕士学位论文 前10条

1 李进;基于深度学习的高分辨率遥感图像变化检测[D];江西师范大学;2019年

2 王成军;基于超像素与主动学习采样策略的高分影像变化检测方法研究[D];福州大学;2018年

3 罗星;基于中层语义特征的高分辨率遥感影像变化检测方法研究[D];福州大学;2018年

4 刘本强;基于邻域相对熵和融合纹理信息的SAR影像变化检测[D];山东科技大学;2018年

5 周晓君;多时相高分辨率遥感影像变化检测算法研究[D];大连理工大学;2019年

6 张杰;基于样本不平衡学习和结构语义信息的SAR图像变化检测网络[D];西安电子科技大学;2019年

7 陈奎伊;基于倾斜摄影测量的建筑物对象级三维变化检测方法[D];西南交通大学;2019年

8 刘穗君;基于SAR影像强度与相干系数的滑坡提取研究[D];西南交通大学;2019年

9 王守峰;面向对象的多光谱遥感影像变化检测方法研究[D];合肥工业大学;2019年

10 吴宪;基于对象分割的卫星图像中物体变化检测与识别算法研究[D];北京交通大学;2019年

本文编号：2891070