SAR图像变化检测PPT课件

变化检测的基本流程：合成孔径雷达图像1，合成孔径雷达图像2，差分图1，双聚类图，融合处理原理，滤波处理原理，滤波处理原理，差分图2，躁狂消除，2-，滤波处理：虽然中值滤波可以处理很多小的噪声点，但在处理噪声的同时很容易掩盖一些细节；在经过该算法测试的图像中，大多数图像需要保持大量的细节变化，因此我们使用自适应滤波器对原始图像进行处理。最后，经过测试，我们发现在去除大量噪声的同时保留了很多细节，效果比较好。自适应滤波器：根据图像的局部方差调整滤波器的输出。当局部方差较大时，滤波器的平滑效果较弱。相反，当局部方差较小时，滤波器的平滑效果更强。3、简单FCM聚类精度分别经过两种方法处理后：中值滤波(97.14%)、自适应滤波(97.31%)、4、差分图构造、5、本文提出的差分图构造方法。对数比率差图的构造：第二步。构造平均比率差图；第三步。小波融合，结合两个差分图的优点；6，-，log ratio运算符：如果两个图分别为X1和X2，则它们的差异图为D=|log(X1)-log(X2)|特征：背景区域增强，变化区域减弱，变化区域与未变化区域之间的差异不明显。7，-，平均比率运算符：8，-，小波融合步骤：步骤1。首先，用小波分解一层中的两幅图，提取低频近似分量和高频细节分量；第二步。对低频分量进行平均，根据局部最小能量值选择高频分量，得到新的低频和高频分量；第三步。小波重构获得融合图像。9-，聚类算法，10-，FCM，这是一种典型的区域分割算法，但在每次迭代过程中。它以单个像素为单位，没有考虑像素的邻域信息，在有噪声的图像分割中效果不理想。优点：实现简单，聚类速度快。缺点：只考虑图像的像素信息，而没有考虑像素域信息，导致聚类噪声较多，效果不理想。前人也对FCM算法做了一些改进，如：(1)老师在课堂上说修改FCM的目标函数，增加邻域信息对像素的影响；(2)或者利用像素邻域信息生成一对加权图像，然后对新图像进行聚类和分割；(3)要么直接修改距离函数来改进FCM算法；(4)邻域信息被添加到像素隶属度的计算中。这些改进在一定程度上改善了含噪图像的分割结果，但忽略了相邻像素对中心像素影响的差异，导致它们在处理含噪图像时分割精度不足。提出了一种改进算法，利用高斯函数描述相邻像素点的空间和灰度差异信息，从而指导中心像素隶属度的调整，实现噪声图像的精确聚类。算法步骤：步骤1。初始化聚类中心、聚类数目和参数(选择差异图的两个像素的极值作为初始聚类中心可以大大减少聚类迭代次数)；第二步。使用以下公式计算成员矩阵U :步骤3。使用像素U:的邻域信息来调整每个像素的隶属度步骤3、14、并且使用改进的FCM算法来处理对数比率差异图：(a)FCM聚类(b)改进的FCM，15、算法比较，16、评估标准：(1)错过检测的数量(改变但未检测到)；(2)错误检测的数量(没有变化，但检测发生变化)；(3)总正确率；(4)眼睛观察。17-，实验数据集，伯尔尼，18-，墨西哥，19-，奥托瓦，20-，撒丁岛，21-，伯尔尼，(a) (b) (c) (d) (a)参考图；(b)由对数比率算子构造的差异图聚类结果；(c)由平均比率算子构造的差异图聚类结果；(4)小波融合构建差异图的聚类结果。渥太华：(a) (b) (c) (d) (a)参考地图；(b)由对数比率运算构造的差异图聚类结果，24，-，25，-，撒丁岛，26，-，27，-，墨西哥，28，-，29，-，实验总结，算法优点：效果稳定，变化检测，同时抑制一定量的噪声，同时保持良好的细节；该算法的缺点是：对于不同的图像，为了得到最好的效果，需要及时调整相应的参数，这