基于模糊局部信息C均值的SAR图像变化检测

变化检测本质上可以看作是对变化区域和非变化区域的聚类问题。针对未考虑邻域信息的模糊C均值聚类算法容易受到噪声影响,本文提出了一种基于模糊局部信息C均值聚类(FLICM)的变化检测方法。考虑到比值法得到的差异影像中还有加性噪声对检测的影响,本文采用字典去噪方法,利用稀疏表达去除加性噪声,从而提高检测精度。该算法首先利用比值法构造差分影像,然后用Gabor字典对图像进行去噪,最后通过模糊局部信息C均值对图像进聚类,获得变化区域。为验证本文算法是否有效,本文选用了两个不同地区的多时相SAR图像,研究结果表明,与其他算法的实验比较,本文提出的方法有较高的检测精度。

基于模糊局部信息C均值算法的网目调光谱反射率预测模型研究

提出了一种网目调光谱反射率预测方法。网目调单个网点由若干个区域组成:网点核心区域,该区域的油墨层厚度均匀,且等于实地印刷的油墨层厚度;其余边缘区域有一个模糊的厚度分布函数,这部分油墨层厚度比实地油墨层厚度薄,且越靠近网点边缘油墨层厚度越薄。采用模糊局部信息C均值算法按像素密度值聚类网目调单个网点,得到了层次分明的网点密度分布并计算各个层次的面积率。以此建立了一个新的光谱反射率预测模型,该模型预测的光谱反射率与实际印刷样张测量得到的光谱反射率具有很好的光谱匹配曲线,证明该算法模型具有较高的预测精度。

基于Shearlet变换和Krawtchouk矩不变量的河流SAR图像分割

合成孔径雷达(synthetic aperture radar,SAR)图像分割是河流检测与识别的关键步骤,为了进一步提高河流SAR图像分割的准确性,提出一种基于Shearlet变换、Krawtchouk矩不变量及模糊局部信息C均值聚类的河流SAR图像分割方法.首先,对河流SAR图像进行Shearlet分解,提取其纹理特征,构成特征向量的前半部分;然后,计算河流SAR图像的Krawtchouk矩不变量,作为其形状特征,构成特征向量的后半部分;最后,利用模糊局部信息C均值算法依照上述特征向量进行聚类,由此得到河流SAR图像分割结果.大量实验结果表明,与近年来提出的脉冲耦合神经网络结合最大方差比准则分割法、Gabor小波变换结合模糊C均值聚类分割法、FLICM聚类分割法相比,所提出的方法在主观视觉效果以及客观定量评价指标误分割率上均有明显优势,且分割河流SAR图像更加准确.

基于图像增强和融合的SAR图像变化检测

为提高合成孔径雷达(SAR:Synthetic Aperture Radar)图像变化检测的准确率和鲁棒性,提出了一种基于图像增强和融合的无监督SAR图像变化检测方法。为获得较好的背景噪声抑制、变化区域增强和边缘保持效果,在对原始SAR图像进行自适应图像增强的基础上构造对数比和均值比差异图,采用低频小波系数加权平均和按最小局部能量选取高频小波系数的融合策略对上述差异图进行图像融合。实验结果表明,融合后的差异图结合模糊局部信息C均值聚类在不同的数据集上均取得了较高的检测准确率和Kappa系数,鲁棒性较强,可广泛应用于SAR图像变化检测领域。

基于网点核心—边缘模型的网目调印品光谱反射率预测算法

为了更加精确地预测印刷品的颜色信息,本研究基于单个网点核心—边缘模型、印刷品光散射现象、Lambert-Beer定律和模糊局部信息C均值算法,建立了一种网目调光谱反射率预测算法。并分别采用该算法、光谱Murray-Davis模型和经典核心—边缘模型预测网目调光谱反射率,与印刷品实际测量的光谱反射率作对比验证实验。结果表明:本研究算法得到的网目调光谱反射率曲线与实测光谱反射率更加吻合,色差ΔEab均小于6,达到了很好的颜色预测效果,具有较高的预测精度。

一种利用邻域相对熵的SAR影像变化检测方法

为了解决传统代数计算法构造的差异图背景中含有较多噪点的问题,提高变化检测的精度,引入信息论中相对熵的概念,借助邻域处理,提出了一种基于邻域相对熵的差异图构造方法,并应用模糊局部信息C均值(fuzzy local information C-means,FLICM)非监督聚类算法,实现变化信息的自动提取。通过采用4组单极化前后时相SAR影像数据集,分析对比了不同邻域形式的相对熵差异图和传统差异图的检测性能。实验结果表明,应用该方法生成的差异影像,对噪声有着较强的鲁棒性,能够满足变化检测的需求,且在定量评价的性能指标方面表现较好。其中,基于D-邻域相对熵差异图进行变化检测的结果更加突出。

基于Shearlet变换和KPCA的多时相遥感图像变化检测

为了进一步提高多时相遥感图像变化检测的精度,本文提出了一种将Shearlet变换与核主成分分析(kernel principal component analysis,KPCA)相结合用于遥感图像变化检测的算法.首先利用Shearlet变换的多尺度、多方向和各向异性等特点,对遥感图像进行多尺度分解,然后对分解后的数据进行核主成分分析,再进行Shearlet反变换得到含变化信息的图像,最后对该图像利用模糊局部信息C均值(fuzzy local information c-means,FLICM)聚类算法进行分割,实现遥感图像的变化检测.大量试验结果表明,与基于主成分分析(principal component analysis,PCA)、基于KPCA、基于小波变换和PCA 3种变化检测算法相比,本文算法能有效地分离出变化信息,得到更准确的变化检测图像,具有更高的变化检测精度,且对背景有较强的鲁棒性,同时也减少了计算复杂度.

基于NSCT域图像融合改进算法的SAR图像无监督变化检测

为了降低合成孔径雷达(SAR)遥感图像变化检测总误差数以及获取更好的变化检测结果,提出了一种基于非下采样轮廓变换(NSCT)域图像融合改进算法的SAR图像无监督变化检测方法。首先用两时相遥感图像构造得到对数比值和均值比值两种差异图,并经过NSCT分解得到各自的高低频系数;然后对两差异图中的低频系数均采用最大梯度平方和规则进行融合,高频系数均采用加权规则进行融合,再利用逆NSCT融合得到最终差异图;最后用模糊局部信息C均值聚类(FLICMC)算法实现对图像变化区域与非变化区域的分类。通过对真实遥感数据集与模拟遥感数据集的研究表明,本文算法能够有效抑制斑点噪声对检测结果的影响,并且不受变化类和非变化类统计分布的限制,不需要先验知识,适用性强,可以得到较好的检测效果。与DWT2-FLICMC、MRF-FCMC算法相比,本文算法具有更高的检测精度和较少的算法运行时间。