-
由于合成孔径雷达(synthetic aperture radar,SAR)能进行全天候、全天时成像,且不受阳光、云量和天气条件的影响,因此SAR影像是进行变化检测任务的理想光源。然而,在SAR影像变化检测过程中,存在受斑点噪声影响大、构造的差异影像(difference image,DI)不能很好地凸显变化信息以及聚类方法性能低等问题,导致SAR影像变化检测精度较低。因此,有效抑制散斑噪声的高性能SAR影像变化检测方法成为研究热点。
近年来,研究者们提出了许多SAR影像的变化检测方法,这些方法大致可以分为DI生成和DI分析两种。在DI生成中,为了尽量减少SAR影像斑点噪声的影响,有学者提出了利用对数比方法[1]、基于像素均值比方法[2]、小波技术融合对数比影像及均值比影像方法[3]、高斯对数比影像和对数比影像融合方法[4]来构造DI,从而达到较好抑制噪声的效果。但无论采用哪种方法构造DI,只能减少DI中的斑点噪声,斑点噪声比较大时会影响变化检测的性能。于是一些学者提出先对SAR影像采用Lee滤波或者Frost滤波进行相干斑去噪处理,再生成DI。但这种处理方式会包含许多非变化的背景信息,从而增加错检数,降低变化检测精度。为了解决这一问题,文献[5]提出先对差异影像采用Frost滤波去噪,再利用模糊C均值聚类法(fuzzy C-means clustering,FCM)获取变化检测图,提高了变化检测的性能。DI分析主要有阈值法、聚类法及机器学习方法3种方法。阈值法虽然简单,但当变化和未变化的类严重重叠,或者当它们的统计分布不能准确建模时,会导致检测精度降低。于是文献[6]提出了将Kittler Illingworth (KI)模型与逆高斯模型结合,可提高变化检测的性能。聚类法因其不需要建立模型而得到了广泛的应用,如主成分分析法与K-均值聚类方法[7]、改进的模糊C均值聚类法[8]、模糊局部信息C均值算法[9]、重构的模糊局部信息C均值算法[10]等。近年来,有学者把马尔可夫随机场(Markov random field,MRF)的空间邻域信息引入到FCM过程中,通过修改每个像素的隶属度来改进FCM,从而提高聚类性能[11-12]。虽然上述聚类方法的变化检测性能较好,但对斑点噪声较大的SAR影像进行变化检测时,分类结果会出现较多错检数,变化检测精度降低。
近年来,机器学习方法被广泛地应用到SAR影像变化检测中,如文献[13]通过极限学习机(extreme learning machine,ELM)进行训练及分类,获得最终的变化检测图;文献[14-15]通过深度神经网络(deep neural network,DNN)获得变化检测图。虽然此类方法的变化检测性能较好,但会遇到构造的DI不能很好凸显变化信息,受斑点噪声影响提取的训练样本质量不高等问题,从而导致DNN分类及ELM分类精度下降。
为了抑制斑点噪声,提高SAR影像变化检测精度,本文从如何构造DI、抑制斑点噪声及提高聚类性能三方面考虑,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。该方法通过融合对数比影像及对数比均值影像构建DI,采用变分去噪模型(variational denoising model,VDM)去除差异影像的斑点噪声,最后把MRF空间邻域信息引入模糊局部信息聚类方法(fuzzy local information C-means clustering,FLICM)中,提高聚类性能。
-
为了能更好地凸显变化区域及抑制斑点噪声,本文通过融合对数比影像及对数比均值影像获得DI,对数比影像、对数比均值影像及融合差异影像的计算如下[16]:
$$ \left\{\begin{array}{l}\mathrm{D}{\mathrm{I}}_{L}=\left|\mathrm{l}\mathrm{o}\mathrm{g}\frac{{I}_{1}+1}{{I}_{2}+1}\right|=\left|\mathrm{l}\mathrm{o}\mathrm{g}({I}_{1}+1)-\mathrm{l}\mathrm{o}\mathrm{g}({I}_{2}+1)\right|\\ \mathrm{D}{\mathrm{I}}_{M}=1-\mathrm{m}\mathrm{i}\mathrm{n}\left[\mathrm{l}\mathrm{o}\mathrm{g}(\frac{{\mu }_{1}(i, j)}{{\mu }_{2}(i, j)}, \frac{{\mu }_{2}(i, j)}{{\mu }_{1}(i, j)})\right]\\ \mathrm{D}{\mathrm{I}}_{LM}=\alpha \times \mathrm{D}{\mathrm{I}}_{L}+(1-\alpha )\times \mathrm{D}{\mathrm{I}}_{M}\end{array}\right. $$ (1) 式中,I1和I2表示不同时刻的两幅SAR影像;$ \mathrm{D}{\mathrm{I}}_{L} $、$ \mathrm{D}{\mathrm{I}}_{M} $和$ \mathrm{D}{\mathrm{I}}_{LM} $分别表示对数比影像、对数比均值影像及融合后的差异影像;$ {\mu }_{1}(i, j)\mathrm{、}{\mu }_{2}(i, j) $表示不同时相SAR影像中以像素$ (i, j) $为中心的邻域窗口像素灰度平均值;$ \alpha $表示融合系数。
-
为了避免去噪影像产生阶梯效应,本文提出一种具有同性扩散能力及异性扩散能力的变分去噪模型,该模型表达式如下[17]:
$$ J\left(s, v\right)=\underset{S=s+v}{\mathrm{i}\mathrm{n}\mathrm{f}}\underset{\mathit \Omega }{\int }\frac{{\left|\nabla s\right|}^{2}}{(1+{\left|\nabla s\right|}^{3}{)}^{-\frac{1}{3}}}\mathrm{d}s+{\lambda }_{0}{\underset{\mathit \Omega }{\int }\left|s-S\right|}^{2}\mathrm{d}s $$ (2) 式中,$ S $为含噪影像;$ s $为去噪影像;$ v $为噪声;$ {\lambda }_{0} $为正则化参数。式(2)右边第一项为正则约束项,第二项是保真项。
-
一般情况下,影像I$ =\left\{I(h, l), 1\le h\le A, 1\le l\le B\right\} $本身可以看作一个随机场,影像中的每个像素都是随机场中的一个元素。当每个元素的某些属性只与相邻元素相关而与该领域内的其他元素无关时,可以把随机场$ p\left(x\right) $叫作MRF。由于MRF的这种特性,有学者把MRF的空间邻域信息引入到FCM中,通过修改每个像素的隶属度来提高FCM的聚类性能。但由于引入MRF的空间邻域信息易受斑点噪声的影响,而FCM本身没有结合空间邻域信息的能力,只是通过MRF引入空间邻域信息提高聚类性能,且FCM对噪声比较敏感。因此,MRF-FCM对于受噪声污染比较大的SAR影像进行变化检测,其效果不是很理想。针对此问题,本文将MRF的空间邻域信息引入FLICM中。MRFFLICM方法可以利用空间邻域信息及灰度信息,有效去除由于斑点噪声引起的杂点,从而提高变化检测的精度。主要步骤如下:
1) 在第一次迭代中(k=1),通过KI方法求出均值$ {u}_{i}^{1} $和标准偏差$ {\sigma }_{i}^{1} $,并利用FLICM算法生成初始隶属度矩阵{$ {u}_{ij}^{1} $},然后生成同种类数矩阵{$ {u}_{i\in \partial j}^{1} $},矩阵的每个元素表示属于$ i $的邻域像素个数。
2) 在第k次迭代中,建立能量矩阵{$ {E}_{ij}^{k} $}:
$$ {E}_{ij}^{k}=-\mathrm{l}\mathrm{n}\left({m}_{{u}_{ij}}\right)+{\beta }_{j}\cdot {t}_{qj}\cdot {n}_{ij} $$ (3) 式中,$ {m}_{{u}_{ij}} $为第j类中像素$ {x}_{i} $邻域系统中所有像素隶属度的均值;$ {n}_{ij} $表示第j类中像素$ {x}_{i} $邻域中的样本个数;$ {t}_{qj} $表示调整仅与中心像素所属的类及其位置有关的项的符号,并且$ q={x}_{i} $,$ {t}_{qj}=\mathrm{s}\mathrm{g}\mathrm{n}({u}_{qj}-0.5) $;$ {\beta }_{i} $是人工参数。
3) 利用能量函数计算MRF的局部先验概率,能量函数如下:
$$ {\pi }_{ij}^{k}=\frac{\mathrm{e}\mathrm{x}\mathrm{p}(-{E}_{ij}^{k})}{\mathrm{e}\mathrm{x}\mathrm{p}(-{E}_{uj}^{k})+\mathrm{e}\mathrm{x}\mathrm{p}(-{E}_{cj}^{k})} $$ (4) 4) 使用均值和标准偏差计算条件概率$ {p}_{i}^{k} $,从而生成距离矩阵。条件概率及距离矩阵计算如下:
$$ \left\{\begin{array}{l}{P}_{i}^{k}\left({y}_{j}\left|{\mu }_{i}^{k}, {\sigma }_{i}^{k}\right.\right)=\frac{1}{{\sigma }_{i}^{k}\sqrt{2\mathrm{\pi }}}\mathrm{e}\mathrm{x}\mathrm{p}\left[-\frac{({y}_{j}-{u}_{i}^{k}{)}^{2}}{2({\sigma }_{i}^{k}{)}^{2}}\right]\\ {d}_{ij}^{k}=-\mathrm{l}\mathrm{n}\left[{P}_{ij}^{k}\right({y}_{j}\left|{u}_{i}^{k}\right., {\sigma }_{i}^{k}\left)\right]\end{array}\right. $$ (5) 5) 计算目标函数$ {J}_{ij}^{K} $和收敛阈值$ \delta $。如果目标函数与前一个目标函数之间的距离小于或等于阈值,则算法停止。目标函数及收敛阈值计算如下:
$$ {J}_{ij}^{K}={\sum\limits_{i=u, c}\sum\limits_{j\in {l}_{x}}\left({u}_{ij}^{k}\right)}^{2}({d}_{ij}^{k}{)}^{2}+{G}_{ij}^{k} , \left|{J}_{ij}^{K}-{J}_{ij}^{K-1}\right|\le \delta $$ (6) 6) 通过距离矩阵和局部先验概率矩阵计算新的隶属度矩阵,计算如下:
$$ {u}_{ij}^{k+1}=\frac{{\pi }_{ij}^{k}\mathrm{e}\mathrm{x}\mathrm{p}(-{d}_{ij}^{k})}{{\pi }_{ij}^{k}\mathrm{e}\mathrm{x}\mathrm{p}(-{d}_{ui}^{k})+{\pi }_{cj}^{k}\mathrm{e}\mathrm{x}\mathrm{p}(-{d}_{cj}^{k})} $$ (7) 7) 计算均值$ {u}_{i}^{k+1} $和标准偏差$ {\sigma }_{i}^{k+1} $,返回步骤2),进行下一次迭代,直到迭代停止为止。
$$ \left\{\begin{array}{l}{u}_{i}^{k+1}=\frac{\sum\limits_{j\in {l}_{x}}{u}_{ij}^{k}{y}_{j}}{\sum\limits_{j\in {l}_{x}}{u}_{ij}^{k}}\\ {\sigma }_{i}^{k+1}=\sqrt{\frac{\sum\limits_{j\in {l}_{x}}\left[{u}_{ij}^{k}\right({y}_{i}-{\mu }_{i}^{k+1}{)}^{2}]}{\sum\limits_{j\in {l}_{x}}{u}_{ij}^{k}}}\end{array}\right. $$ (8) 本文方法的流程如图 1所示。
-
为了验证本文方法的有效性,选取斑点噪声比较大的两组真实SAR数据集。第一组数据集是黄河数据集,是由Radarsat-2传感器在2008-06和2009-06获取的黄河河口地区的两幅SAR影像(257×289像素),分别如图 2(a)、2(b)所示,图 2(c)为黄河河口地区参考变化影像。第二组数据集是邯郸数据集,由Radarsat-2传感器在2015-04和2016-03获取的邯郸地区的两幅SAR影像(800×700像素),分别如图 2(d)、2(e)所示,图 2(f)为邯郸地区的参考变化影像。上述影像数据都经过辐射校正及精确配准。
本文通过主观效果及客观定量指标来评价变化检测结果。将变化检测图与对应的参考变化影像进行比较分析,并采用漏检数(false positives,FP)、错检数(false negatives,FN)、总错误数(overall errors,OE)及Kappa系数等指标来进行评价。
-
通过本文DI构造方法构造两组SAR影像数据集的差异影像,并与对数比算子、对数比均值算子构造DI作比较,实验结果如图 3所示。
从图 3可以看出,采用对数比算子构造的DI(见图 3(a))不仅受到斑点噪声的影响,而且凸显变化区域的效果不明显,尤其在黄河数据集(见图 3(a))的DI中,部分变化区域没有凸显出来。而采用对数比均值算子构造的DI(见图 3(b))虽然可以很好地凸显变化区域,但受到严重的斑点噪声污染。而采用融合两种算子构造的DI(见图 3(c))不仅可以很好地凸显变化区域,而且受斑点噪声的影响较对数比均值算子小。但对于受斑点噪声比较大的SAR影像来说,无论采用何种算子构造DI,都会受到斑点噪声的影响,从而导致变化检测的精度降低。
融合系数$ \alpha $的选取主要以能很好地凸显变化区域、抑制噪声的效果及最终变化检测的精度来确定。通过对数比算子构造的DI对散斑噪声具有较强的鲁棒性,但对细节信息的保留能力较弱,凸显变化区域不明显。通过对数比均值算子构造的DI能较好地保留影像细节,凸显变化区域效果明显,但抑制散斑噪声的能力有限。由于本文方法对于生成的DI进行了去噪处理,因此,本文通过融合构建的DI主要以凸显变化区域为主,并且能尽量抑制斑点噪声,所以一般选择DIM的融合比例大些,而DIL融合比例小些。以最终变化检测精度为依据,构造DI的融合系数$ \alpha $分别为0.1和1.5。
-
首先,对本文构建的DI不进行VDM去噪处理,只通过DILM-MRFFLICM方法进行SAR影像变化检测,并与DILM-FCM方法、DILM-FLICM方法、DILM-MRFFCM方法相比较。黄河数据集的变化检测结果如图 4所示,邯郸数据集的变化检测结果如图 5所示,各评价指标的统计结果如表 1所示。
图 4 不同方法对黄河数据集的变化检测结果(无去噪方法)
Figure 4. Results of Change Detection for the Yellow River Dataset by Different Methods (Without Denoising Method)
图 5 不同方法对邯郸数据集的变化检测结果(无去噪方法)
Figure 5. Results of Change Detection for Handan Dataset by Different Methods (Without Denoising Method)
表 1 不同方法对两组SAR数据集的变化检测评价指标统计结果(无去噪方法)
Table 1. Evaluation Indicators Results of Change Detection of Two SAR Datasets by Different Methods (Without Denoising Method)
数据集 方法 FP FN OE Kappa系数 黄河河口数据集 DILM-FCM 10 636 1 928 12 564 0.544 2 DILM-FLICM 1 065 3 039 4 104 0.802 2 DILM-MRFFCM 6 987 2 156 9 143 0.635 6 DILM-MRFFLICM 1 588 2 242 3 830 0.822 6 邯郸数据集 DILM-FCM 154 836 5 078 159 914 0.188 0 DILM-FLICM 33 531 7 046 40 567 0.545 0 DILM-MRFFCM 137 705 4 856 142 561 0.217 3 DILM-MRFFLICM 28 893 5 304 34 197 0.605 3 由图 4、图 5和表 1可以看出,虽然对DI的构造进行了优化,但由于FCM对噪声比较敏感,因此DILM-FCM方法和DILM-MRFFCM方法获得的变化检测图中包含较多白色斑点噪声,从而使这两种方法的FP值较高。而由于FLICM较FCM可以较好地抑制斑点噪声,因此,DILM-FLICM方法和DILM-MRFFLICM方法获得的变化检测图中白色斑点噪声明显变少,相比两种方法的FP值也较低。且DILM-MRFFLICM方法引入了MRF空间邻域信息,因此其变化检测的效果最好,Kappa系数最高。
从上述分析可知,尽管从DI的构造及聚类方法两个方面都进行了改进,但变化检测的结果还是会受到斑点噪声的影响。本文在DILM-MRFFCM方法的基础上引入变分去噪方法来提高变化检测的精度。为了验证变分去噪方法的有效性,与引入Lee滤波、Frost滤波及均值滤波等方法作比较。增加去噪方法后,黄河数据集的变化检测结果如图 6所示,邯郸数据集的变化检测结果如图 7所示,各评价指标的统计结果如表 2所示。
图 6 不同方法对黄河数据集的变化检测结果(增加去噪方法)
Figure 6. Results of Change Detection for the Yellow River Dataset by Different Methods (with Denoising Method)
图 7 不同方法对Handan数据集的变化检测结果(增加去噪方法)
Figure 7. Results of Change Detection for Handan Dataset by Different Methods (with Denoising Method)
表 2 不同方法对两组SAR数据集的变化检测评价指标统计结果(增加去噪方法)
Table 2. Evaluation Indicators Results of Change Detection of Two SAR Datasets by Different Methods (with Denoising Method)
数据集 方法 FP FN OE Kappa系数 黄河数据集 DILM-Lee滤波-MRFFLICM 1 723 2 483 4 206 0.804 6 DILM-Frost滤波-MRFFLICM 1 487 2 339 3 826 0.821 7 DILM-均值滤波-MRFFCM 1 588 2 242 3 830 0.822 6 DILM-VDM-MRFFLICM 1 794 2 026 3 820 0.825 2 邯郸数据集 DILM-Lee滤波-MRFFLICM 21 584 5 653 27 237 0.659 3 DILM-Frost滤波-MRFFLICM 23 283 5 571 28 854 0.645 9 DILM-均值滤波-MRFFCM 15 352 4 664 20 016 0.734 4 DILM-VDM-MRFFLICM 14 812 4 276 19 088 0.746 2 由图 6、图 7和表 2可以看出,采用不同去噪方法对DILM进行去噪处理后,获得的变化检测图中白色斑点噪声明显变少,因此,各种方法的FP值较表 1中明显变小,Kappa系数较表 1中明显变大。而从表 2也可以看出,对于斑点噪声比较大的黄河数据集和邯郸数据集,DILM-VDM-MRFFLICM的FN值最小,说明采用VDM方法去除斑点噪声较大的差异影像后,白色斑点噪声减少的同时能更好地保留微小变化区域。对比表 1和表 2可知,DILM-VDM-MRFFLICM的FN值较DILM-MRFFLICM都变小,这说明DILM-MRFFLICM引入VDM方法后,变化检测性能提升,微小变化区域的保留效果较好,漏检数变小。从表 2中的OE值和Kappa系数可以看出,DILM-VDM-MRFFLICM方法的变化检测精度较其他去噪变化检测方法都高,检测性能最好,这说明引入VDM去噪方法不仅能有效抑制斑点噪声,提高变化检测的性能,而且对于斑点噪声比较大的SAR影像来说,在抑制噪声的同时能较好地保留微小的变化区域。
为了更好地验证本文方法的优越性,进一步与PCAKM (principal component analysis and K-means clustering)[8]、NBR-ELM (neighborhood-based ratio and extreme learning machine)[14]、DNN[16]及IVDM (image-VDM-DILM-MRFFLICM)等方法进行比较。黄河数据集的变化检测结果如图 8所示,邯郸数据集的变化检测结果如图 9所示,各评价指标的统计结果如表 3所示。
图 8 不同方法对黄河数据集变化检测结果
Figure 8. Results of Change Detection for the Yellow River Dataset by Different Methods
表 3 不同方法对两组SAR数据集的变化检测评价指标统计结果
Table 3. Evaluation Indicators Results of Change Detection of Two SAR Datasets by Different Methods
数据集 方法 FP FN OE Kappa系数 黄河河口数据集 PCAKM 2 137 2 663 4 800 0.778 5 NBR-ELM 621 3 403 4 024 0.801 1 DNN 6 463 1 841 8 304 0.560 0 IVDM 2 049 2 696 4 745 0.780 3 DILM-VDM-MRFFLICM 1 794 2 026 3 820 0.825 2 邯郸数据集 PCAKM 8 077 21 499 29 576 0.455 1 NBR-ELM 9 618 16 727 26 345 0.635 2 DNN 18 162 2 161 20 323 0.609 0 IVDM 19 907 3 060 22 967 0.715 5 DILM-VDM-MRFFLICM 14 812 4 276 19 088 0.746 2 从图 8、图 9和表 3可以看出,对于黄河数据集,采用PCAKM、DNN及IVDM 3种方法获得的变化检测图中出现了白色斑点噪声较DILM-VDM-MRFFLICM及NBR-ELM方法多。而从表 3可以看到,NBR-ELM方法的FN值最大,DNN方法的FP值最大,DILM-VDM-MRFFLICM方法的OE值最小,Kappa值最大。综上所述,DILM-VDM-MRFFLICM方法对于黄河数据集的变化检测效果较好。对于邯郸数据集,采用PCAKM及NBR-ELM方法获得的变化检测图出现的白斑噪声较其它方法多,因此,这两种方法的FN值较大。而DNN方法获得变化检测图中的白斑噪声较少,但同时丢失较多变化信息,因此,DNN方法的FP值较大,FN值较小。而IVDM方法和DILM-VDM-MRFFLICM方法比较来看,DILM-VDM-MRFFLICM方法获得变化检测图中的白斑噪声较少,因此,FN值较小。而从表 3可以看到,DILM-VDM-MRFFLICM方法的OE值最小,Kappa值最大。综上分析,DILM-VDM-MRFFLICM方法对于邯郸数据集的变化检测的效果仍然较好。
-
为了有效抑制SAR影像的斑点噪声,提高变化检测的性能,本文提出一种基于变分法与MRFFLICM聚类法的SAR影像变化检测方法。该方法从差异影像构造、斑点噪声抑制及聚类方法等3个方面进行优化,从而提高变化检测的精度。通过对两组受斑点噪声污染较大的SAR影像进行变化检测实验,结果表明本文方法可以有效抑制斑点噪声,提高变化检测性能。
SAR Image Change Detection Based on Variational Method and Markov Random Field Fuzzy Local Information C-Means Clustering Method
-
摘要: 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。Abstract:
Objectives In order to improve the accuracy of SAR(synthetic aperture radar) image change detection, this paper proposes a method of SAR image change detection based on variational method and Markov random field fuzzy local information C-means clustering(MRFFLICM) method. Methods Firstly, we fuse the logarithmic ratio images and logarithmic mean ratio images to construct the difference image. Secondly, variational denoising model is established to remove the noise from difference images. Finally, the spatial neighborhood information is introduced into fuzzy local information C-means clustering method by using Markov random field to improve the clustering performance. Results Experiments on two real SAR datasets show that the proposed variational denoising method can avoid removing the small change region and effectively suppress speckle noise of SAR image. Conclusions The MRFFLICM method can effectively improve the precision of change detection, thus enhancing the adaptability of change detection method. -
表 1 不同方法对两组SAR数据集的变化检测评价指标统计结果(无去噪方法)
Table 1. Evaluation Indicators Results of Change Detection of Two SAR Datasets by Different Methods (Without Denoising Method)
数据集 方法 FP FN OE Kappa系数 黄河河口数据集 DILM-FCM 10 636 1 928 12 564 0.544 2 DILM-FLICM 1 065 3 039 4 104 0.802 2 DILM-MRFFCM 6 987 2 156 9 143 0.635 6 DILM-MRFFLICM 1 588 2 242 3 830 0.822 6 邯郸数据集 DILM-FCM 154 836 5 078 159 914 0.188 0 DILM-FLICM 33 531 7 046 40 567 0.545 0 DILM-MRFFCM 137 705 4 856 142 561 0.217 3 DILM-MRFFLICM 28 893 5 304 34 197 0.605 3 表 2 不同方法对两组SAR数据集的变化检测评价指标统计结果(增加去噪方法)
Table 2. Evaluation Indicators Results of Change Detection of Two SAR Datasets by Different Methods (with Denoising Method)
数据集 方法 FP FN OE Kappa系数 黄河数据集 DILM-Lee滤波-MRFFLICM 1 723 2 483 4 206 0.804 6 DILM-Frost滤波-MRFFLICM 1 487 2 339 3 826 0.821 7 DILM-均值滤波-MRFFCM 1 588 2 242 3 830 0.822 6 DILM-VDM-MRFFLICM 1 794 2 026 3 820 0.825 2 邯郸数据集 DILM-Lee滤波-MRFFLICM 21 584 5 653 27 237 0.659 3 DILM-Frost滤波-MRFFLICM 23 283 5 571 28 854 0.645 9 DILM-均值滤波-MRFFCM 15 352 4 664 20 016 0.734 4 DILM-VDM-MRFFLICM 14 812 4 276 19 088 0.746 2 表 3 不同方法对两组SAR数据集的变化检测评价指标统计结果
Table 3. Evaluation Indicators Results of Change Detection of Two SAR Datasets by Different Methods
数据集 方法 FP FN OE Kappa系数 黄河河口数据集 PCAKM 2 137 2 663 4 800 0.778 5 NBR-ELM 621 3 403 4 024 0.801 1 DNN 6 463 1 841 8 304 0.560 0 IVDM 2 049 2 696 4 745 0.780 3 DILM-VDM-MRFFLICM 1 794 2 026 3 820 0.825 2 邯郸数据集 PCAKM 8 077 21 499 29 576 0.455 1 NBR-ELM 9 618 16 727 26 345 0.635 2 DNN 18 162 2 161 20 323 0.609 0 IVDM 19 907 3 060 22 967 0.715 5 DILM-VDM-MRFFLICM 14 812 4 276 19 088 0.746 2 -
[1] Bovolo F, Bruzzone L. A Detail-Preserving Scale-Driven Approach to Change Detection in Multitemporal SAR Images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2005, 43(12): 2 963-2 972 doi: 10.1109/TGRS.2005.857987 [2] Inglada G, Mercier G. A New Statistical Similarity Measure for Change Detection in Multitemporal SAR Images and Its Extension to Multiscale Change Analysis[J]. IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(5): 1 432-1 445 doi: 10.1109/TGRS.2007.893568 [3] Ma J J, Gong M G, Zhou Z Q. Wavelet Fusion on Ratio Images for Change Detection in SAR Images[J]. IEEE Geoscience and Remote Sensing Letters, 2012, 18(6): 1 122-1 126 [4] Hou B, Wei Q N, Zheng Y G, Wang S. Unsupervised Change Detection in SAR Image Based on Gauss-Log Ratio Image Fusion and Compressed Projection[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(8): 3 297-3 317 doi: 10.1109/JSTARS.2014.2328344 [5] 周文艳, 贾振红, 杨杰. 基于组合差异图和FCM聚类的SAR图像变化检测[J]. 激光杂志, 2018, 39(3): 89-93 https://www.cnki.com.cn/Article/CJFDTOTAL-JGZZ201803020.htm Zhou Wenyan, Jia Zhenhong, Yang Jie. Change Detection in SAR Images Based on Combined Different Image and FCM Clustering[J]. Laser Journal, 2018, 39(3): 89-93 https://www.cnki.com.cn/Article/CJFDTOTAL-JGZZ201803020.htm [6] 庄会富, 邓喀中, 余美, 等. 结合KI准则和逆高斯模型的SAR影像非监督变化检测[J], 武汉大学学报·信息科学版, 2018, 43(2): 282-288 doi: 10.13203/j.whugis20160079 Zhuang Huifu, Deng Kazhong, Yu Mei, et al. A Novel Approach Combining KI Criterion and Inverse Gaussian Model to Unsupervised Change Detection in SAR Images[J]. Geomatics and Information Science of Wuhan University, 2018, 43(2): 282-288 doi: 10.13203/j.whugis20160079 [7] Celik T. Unsupervised Change Detection in Satellite Images Using Principal Component Analysis and K-Means Clustering[J]. IEEE Geoscience & Remote Sensing Letters, 2009, 6(4): 772-776 [8] Gong M, Zhou Z, Ma J. Change Detection in Synthetic Aperture Radar Images Based on Image Fusion and Fuzzy Clustering[J]. IEEE Transactions Image Process, 2012, 21(4): 2 141-2 151 doi: 10.1109/TIP.2011.2170702 [9] Pal N R, Pal K, Keller J M, et al. A Possibilistic Fuzzy C-Means Clustering Algorithm[J]. IEEE Transactions on Fuzzy Systems, 2005, 13(4): 517-530 doi: 10.1109/TFUZZ.2004.840099 [10] Stelios K, Vassilios C. A Robust Fuzzy Local Information C-Means Clustering Algorithm[J] IEEE Transactions on Image Processing, 2010, 19(5): 1 328-1 337 doi: 10.1109/TIP.2010.2040763 [11] Yousif O, Ban Y. Improving SAR-Based Urban Change Detection by Combing MAPMRF Classifier and Nonlocal Means Similarity Weights[J]. IEEE Journal of Selected Topics in Applied Earth, 2014, 7(10): 4 288-4 300 doi: 10.1109/JSTARS.2014.2347171 [12] Gong M, Su L, Jia M, et al. Fuzzy Clustering with a Modified MRF Energy Function for Change Detection in Synthetic Aperture Radar Images[J]. IEEE Transactions on Fuzzy Systems, 2014, 22(1): 98-109 doi: 10.1109/TFUZZ.2013.2249072 [13] Feng Gao, Jun Yudong, Bo Li, et al. Change Detection from Synthetic Aperture Radar Images Based on Neighborhood-Based Ratio and Extreme Learning Machine[J]. Journal of Applied Remote Sensing, 2016, 10(4) : 1-14 [14] Gong Maoguo, Zhao Jiaojiao, Liu Jia, et al. Change Detection in Synthetic Aperture Radar Images Based on Deep Neural Networks[J]. IEEE Transactions on Neural Networks and Learning Systems, 2016, 27(1): 125-138 doi: 10.1109/TNNLS.2015.2435783 [15] Liao F, Koshelev E, Malcolm M, et al. Change Detection by Deep Neural Networks for Synthetic Aperture Radar Images[C]//International Conference on Computing, Networking and Communications (ICNC), Silicon Valley, California, USA, 2017 [16] Yan Weidong, Shi Shaojun, Pan Lulu, et al. Unsupervised Change Detection in SAR Images Based on Frequency Difference and a Modified Fuzzy C-Means Clustering[J]. International Journal of Remote Sensing, 2018, 39(10): 3 055-3 075 doi: 10.1080/01431161.2018.1434325 [17] 王昶, 王旭, 纪松. 基于变分法遥感影像条带噪声去除[J]. 西安交通大学学报, 2019, 53(3): 143-149 https://www.cnki.com.cn/Article/CJFDTOTAL-XAJT201903020.htm Wang Chang, Wang Xu, Ji Song. Stripe Noise Removal of Remote Images Based on Variation[J]. Journal of Xi'an Jiaotong University, 2019, 53(3): 143-149 https://www.cnki.com.cn/Article/CJFDTOTAL-XAJT201903020.htm -