基于卷积小波神经网络的鲁棒无监督SAR图像变化检测

因合成孔径雷达(synthetic aperture radar,SAR)成像不受大气和阳光条件的影响,其成为进行变化检测的理想信息源。针对SAR图像变化检测中的易受噪声影响、过拟合等问题,提出了一种基于卷积小波神经网络的鲁棒无监督SAR图像变化检测方法。通过NR算子产生差异图,在差异图上使用分级模糊C均值获得训练样本;采用虚拟样本的方法,对训练样本进行扩充;在网络中引入双树复小波变换(dual-tree complex wavelet transform,DT-CWT),保留图像信息的同时抑制散斑噪声的干扰,进一步提高检测精度。在Sulzburger和Ottawa数据集上进行了实验,结果表明该方法提高了变化检测精度和准确率,准确率分别达到了98.8%和98.39%。

基于组合差异图和卷积小波神经网络的SAR图像变化检测

合成孔径雷达(Synthetic aperture radar,SAR)图像变化检测可以看作是一个分类过程,像素被分类为变化类和不变类。但是,差异图的质量影响了现有方法的检测精度。为了提供高质量的差异图,提出一种基于组合差异图和卷积小波神经网络(Convolutional-Wavelet Neural Network,CWNN)结合的SAR图像变化检测方法。首先,使用对数比算子、均值比算子和差分算子产生差异图,并使用简单的组合方法得到最终的差异图。然后,在差异图上使用分层模糊C均值获得变化类和不变化类的训练样本。最后,使用训练好的CWNN对所有像素进行分类。该方法提高了差异图的质量,为网络提供高质量的训练样本。真实SAR图像数据集上的实验结果表明,该方法提高了变化检测精度。

基于差异图构造与融合的SAR图像变化检测方法

针对合成孔径雷达(SAR)图像固有的相干斑点噪声而影响变化检测精度和准确性等问题,提出了一种基于差异图构造与融合的SAR图像变化检测方法。该方法通过L-SRAD混合滤波对SAR图像进行预处理,使用基于边缘预检测的小波融合算法实现对数双曲余弦比值差异图DCLR和邻域比值差异图DNR的融合,结合FCM算法和CWNN卷积神经网络对所得融合差异图进行变化检测。其中FCM算法将融合差异图预分类为三个聚类,选择合适的预分类结果作为训练样本训练CWNN模型,最后使用CWNN模型对预分类结果进行二次分类,得到最终的变化检测图。在Bern数据集上进行了对比实验,实验结果证明该方法具有较强的变化检测能力,变化检测准确率达到99.67%。

基于DS证据融合生成伪标签的SAR图像变化检测

合成孔径雷达(Synthetic Aperture Radar,SAR)图像变化检测是一种检测两张SAR图像中变化区域的技术。在基于神经网络的无监督变化检测方法中,伪标签的质量影响到了检测结果的精度。为了提高精度,提出一种基于登普斯特-沙弗(Dempster-Shafer,DS)证据融合理论生成伪标签的方法,再结合多层次模糊C类均值聚类和卷积小波神经网络实现变化检测。该方法通过对三种不同差异图聚类生成的伪标签进行DS证据融合得到融合伪标签,使训练样本更加准确,然后利用网络对像素进行分类,得到变化检测结果。经过实验,该方法在渥太华、越南红河和黄河数据集上的检测精度分别达到了98.48%、97.95%和96.18%。

基于图像处理与深度学习方法的棉纤维梳理过程纤维检测识别技术

针对棉纤维梳理过程中高速摄像机对锡林表面拍摄得到的图像无法人眼识别的问题,使用图像处理与深度学习结合的算法,通过一系列检测流程实现人眼的辅助识别。采用高速摄像机对梳棉机移动盖板下的锡林表面梳理过程进行拍摄得到数据图像,首先对图像通过多级小波卷积神经网络提取去噪残差,然后使用深度卷积超分辨率重构网络进行超分辨率重构,最后使用一种强噪声条件下的多尺度边缘检测与增强算法进行纤维的勾画,得到可供人眼识别的清晰的纤维图像,最后尝试使用特征增强后的图像样本进行循环生成对抗网络的训练,得到更连续清晰的纤维提取结果。研究表明,该图像处理流程提高了对梳理过程纤维的检测识别效果,为纤维梳理领域的研究提供了一种新的思路。

基于改进HLT与深度学习的双时相PolSAR洪涝灾害监测新方法

全极化合成孔径雷达(PolSAR)通过主动收发不同极化方式的微波信号,可为全天时、全天候获取洪涝受灾信息提供有利的数据支持。然而,传统基于PolSAR影像的洪涝灾害监测方法受相干斑噪声影响严重,且洪涝灾害引发的变化类与非变化类的类别不平衡易导致灾害监测精度低。针对以上问题,本文提出了一种基于改进HLT与深度学习的双时相PolSAR洪涝灾害监测新方法。首先,通过构建一种顾及邻域信息的改进Hotelling-Lawley迹(HLT)统计量算子,减少PolSAR影像相干斑噪声及空间异质性对差异影像生成的影响;其次,为解决洪涝受灾区域变化类样本不足及变化类与非变化类不平衡的问题,引入双阶段中心约束FCM(TCCFCM)算法与深度卷积对抗生成网络(DCGAN)模型,形成一种稳健的洪涝灾害样本选择与扩充方法;最后,通过构建一种深度卷积小波神经网络(DCWNN)模型实现洪涝灾害精确监测。为了验证本文方法的可行性与鲁棒性,本文选取了2016年7月武汉梁子湖与严东湖洪涝灾害发生前后Radarsat-2影像进行实验。定性与定量评价结果表明:相对于传统的洪涝灾害监测方法,本文方法综合降低洪涝灾害监测的虚警率与漏警率分别为2%及1.5%左右,而监测洪涝灾害的总体精度与Kappa系数可分别提升3%及0.02左右,为相关部门应急救灾等工作提供技术支持。