区域选取与差异图融合的目标变化检测方法

针对现有目标变化检测方法用于高分辨率可见光图像时,未能有效利用图像的局部特征,目标误检率高。提出了一种区域选取的目标变化检测方法。首先利用整体变分算法获取两幅源图像的结构图,并将两幅源图像与两幅结构图进行分块;然后通过计算得到两幅结构图相同位置块的熵值差和两幅源图像相同位置块的结构相似度,并将两者分别与各自阈值比较以确定出存在变化目标的图像块;最后将存在变化目标的图像块的对数比差异图与均值比差异图进行融合,并对融合后的图像进行形态学处理,得到最终的目标变化检测结果。结果显示,与阴影补偿方法相比,算法的目标目标漏检率降低了36%,伪目标率降低36%,数据表明该方法能够准确的检测出真实变化的目标,较好地排除了伪目标。

基于CCA差异图融合的SAR图像变化检测算法

针对SAR图像差异图融合方法操作繁琐、参数不能自适应选取、计算复杂这一问题,提出了基于典型相关分析(CCA)差异图融合的SAR图像变化检测算法。该算法首先构造比值图、对数比值图,然后经过中值滤波,将滤波后的比值图和对数比值图转化为列向量并将两组列向量进行线性组合,在典型相关极大的条件约束下,得到最佳的线性组合,再将此最佳线性组合的列向量转化为原差异图大小的矩阵,即可得到融合后的差异图。对融合后的差异图应用FCM聚类得到聚类效果图,而后对聚类效果图应用Growcut分割算法处理得到最终的变化检测结果。由实验仿真结果可以得出所提基于CCA差异图融合的SAR图像变化检测算法具有很高的变化检测精度,是适用可行的。

融合差异图与高斯混合模型相结合的SAR图像变化检测

在SAR图像变化检测过程中,假设差异图类别服从单一分布,构造单一类型的差异图不能完好地保留变化信息,从而影响SAR图像变化检测的精度。针对上述问题,提出一种基于差异图融合和高斯混合模型GMM(Gaussian Mixture Model)的非监督SAR图像变化检测方法。该方法利用给定的融合因子进行差值和比值图融合,采用最大期望算法EM(Expection Maximum)求解融合差异图的GMM参数,并根据后验概率将图像像素分配到GMM各个分量,从而获得SAR实验区域的变化检测图。3组SAR数据集的变化检测实验验证了所提方法的可行性和有效性。

结合邻域信息自适应优化的SAR图像变化检测

为提高SAR图像变化检测的精度,本文提出了一种邻域信息自适应优化及差异图融合的SAR图像变化检测算法。该算法首先根据邻域信息异质性计算像素点的自适应窗口生成自适应的对数均值比差异图像,充分抑制噪声影响;其次,将其与差值图加权融合,保留了图像的细节部分;最后,利用基于邻域隶属度约束的FCM聚类算法对融合后的差异图像进行分类。实验结果表明,该方法有效抑制了噪声对结果的影响,提高了变化检测的精度。