A Novel Unsupervised Change Detection Method with Structure Consistency and GFLICM Based on UAV Images

With the rapid development of Unmanned Aerial Vehicle(UAV)technology,change detection methods based on UAV images have been extensively studied.However,the imaging of UAV sensors is susceptible to environmental interference,which leads to great differences of same object between UAV images.Overcoming the discrepancy difference between UAV images is crucial to improving the accuracy of change detection.To address this issue,a novel unsupervised change detection method based on structural consistency and the Generalized Fuzzy Local Information C-means Clustering Model(GFLICM)was proposed in this study.Within this method,the establishment of a graph-based structural consistency measure allowed for the detection of change information by comparing structure similarity between UAV images.The local variation coefficient was introduced and a new fuzzy factor was reconstructed,after which the GFLICM algorithm was used to analyze difference images.Finally,change detection results were analyzed qualitatively and quantitatively.To measure the feasibility and robustness of the proposed method,experiments were conducted using two data sets from the cities of Yangzhou and Nanjing.The experimental results show that the proposed method can improve the overall accuracy of change detection and reduce the false alarm rate when compared with other state-of-the-art change detection methods.

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。

二进小波增强与边缘局部信息FCM的SAR图像变化检测

合成孔径雷达图像中固有的相干斑噪声往往导致变化检测结果中存在大量虚警与漏警。针对这一问题,本文提出一种利用二进小波增强与边缘局部信息模糊C均值的变化检测方法。首先利用二进小波对对数比差异图进行自适应增强,平抑噪声的同时均衡灰度分布;然后,利用指数加权均值比算子对差异图进行边缘信息提取,修正局部信息模糊C均值算法中邻域窗内像素点权值,使邻域窗滑动至变化区域的边缘部分时能够对噪声切向平抑,保留细节信息。最后对差异图进行分割,得到变化检测结果二值图。仿真与实测数据实验结果表明,本文方法能够有效抑制相干斑噪声,同时对变化区域的细节保持效果较好。

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。

结合模糊聚类与色彩空间的遥感图像阴影检测

高分辨率遥感图像中的阴影会导致特征信息的丢失、物体的假色调和形状失真,严重影响图像的质量。针对现有阴影检测算法对遥感图像中非匀质阴影区域及亮阴影区域易漏检、检测精度低等问题,该文结合模糊聚类及HSV色彩特征提出了一种新的遥感图像阴影检测算法。首先,对图像进行预处理,剔除亮度、饱和度与阴影区相似的干扰地物;其次,利用基于局部信息改进的模糊聚类算法对图像进行结合邻域信息的聚类,克服噪声情况下的错误聚类;最后,结合图像在HSV色彩空间的H分量和RGB空间的灰度直方图进行多阈值提取阴影,得到阴影区域。实验证明,改进算法有机结合了阴影像素点的邻域信息及色彩不变特性,在亮阴影及非匀质阴影区域检测中明显提高了检测精度。

基于变分法与Markov随机场模糊局部信息聚类法的SAR影像变化检测

为了提高合成孔径雷达(synthetic aperture radar,SAR)影像变化检测的精度,提出一种基于变分法与马尔可夫随机场模糊局部信息聚类(Markov random field fuzzy local information C-means clustering,MRFFLICM)的SAR影像变化检测方法。首先融合对数比影像和对数均值比影像来构建差异影像;然后采用变分去噪模型去除差异影像的噪声;最后利用马尔可夫随机场将空间邻域信息引入到模糊局部信息C均值聚类算法中,提高聚类的性能。对两组不同时相真实SAR影像数据进行对比实验,结果表明,提出的变分去噪方法能够避免去除微小变化区域,有效抑制SAR影像的斑点噪声,同时MRFFLICM方法可以有效提高变化检测的精度,提升了变化检测方法的适应性。

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.