欢迎访问一起赢论文辅导网
本站动态
联系我们

手机:15327302358
邮箱:peter.lyz@163.com

Q Q:
910330594  
微信paperwinner
工作时间:9:00-24:00

EI期刊论文
当前位置:首页 > EI期刊论文
基于融合差异图的变化检测方法及其在洪灾中的应用
来源:一起赢论文网     日期:2022-02-11     浏览数:327     【 字体:

 基于融合差异图的变化检测方法及其在洪灾中的应用黄平平*      段盈宏      谭维贤*        (内蒙古工业大学信息工程学院   呼和浩特   010051)(内蒙古自治区雷达技术与应用重点实验室   呼和浩特   010051)   要:由于洪灾区域的地物散射特性受环境影响会发生改变,在对该区域合成孔径雷达(SAR)图像进行变化检测时会使检测结果的错误率提高,而且用单一方法得到的差异图变化检测结果精度较低。针对上述问题,该文提出一种基于融合差异图的变化检测方法,该方法通过构造基于改进相对熵与均值比的融合差异图,综合了熵值差异图的区域敏感性和均值差异图的区域保持性的优势。首先,利用皮尔逊相关系数对模糊局部信息C均值聚类(FLICM)方法的初始聚类结果进行二次分类,再将二次分类结果作为图像初始分割,最后利用迭代条件模型和马尔科夫随机场(ICM-MRF)获得图像的最终分割结果。为了验证所提方法的有效性,该文使用瑞士Bern地区在19994月和5月的ERS-2遥感数据以及加拿大Ottawa地区在19975月和8月的Radarsat遥感数据进行实验,并用该方法对中国鄱阳湖地区20206月和7月的Sentinel-1-A遥感数据进行了洪灾检测实验,估计了鄱阳湖附近区域洪灾前后的受灾范围和变化趋势。实验结果表明该文算法总体检测误差较低,一定程度上降低了检测结果的错误率,提高了检测结果的精度。关键词:SAR图像;变化检测;无监督;改进相对熵;迭代条件模型和马尔科夫随机场中图分类号:TP753 文献标识码:A 文章编号:2095-283X(2021)01-0143-16DOI: 10.12000/JR20118引用格式:黄平平段盈宏谭维贤基于融合差异图的变化检测方法及其在洪灾中的应用[J]. 雷达学报, 2021,10(1): 143–158. doi: 10.12000/JR20118.Reference format: HUANG Pingping, DUAN Yinghong, TAN Weixian, et al. Change detection method basedon fusion difference map in flood disaster[J]. Journal of Radars, 2021, 10(1): 143–158. doi: 10.12000/JR20118.Change Detection Method Based on Fusion DifferenceMap in Flood DisasterHUANG Pingping*      DUAN Yinghong      TAN Weixian*      XU Wei(College of Information Engineering, Inner Mongolia University of Technology, Hohhot 010051, China)(Inner Mongolia Key Laboratory of Radar Technology and Application, Hohhot 010051, China)Abstract: Due to the influence of the environment on the scattering characteristics of ground objects in floodedareas, the false error rate of the detection results increases when performing change detection on SyntheticAperture Radar (SAR) images of these areas, which reduces the accuracy of the results obtained for thedifference map. To solve this problem, in this paper, we propose a change-detection method based on a fusiondifference map. This method combines the regional sensitivity of the entropy difference map with the regionalretention of the mean difference map to construct a fusion difference map based on an improved relative entropy  收稿日期:2020-08-25;改回日期:2020-10-27;网络出版:2020-11-10*通信作者: 黄平平 hpp@imut.edu.cn 谭维贤 wxtan@imut.edu.cn*Corresponding Author: HUANG Pingping, hpp@imut.edu.cn; TAN Weixian, wxtan@imut.edu.cn基金项目:国家自然科学基金(61631011),内蒙古科技重大专项(2019ZD022),内蒙古科技计划项目(2019GG139),内蒙古创新引导项目(KCBJ2017, KCBJ2018014)Foundation Items: The National Natural Science Foundation of China (61631011), Major Science and Technology Project of Inner Mongo-lia (2019ZD022), Planned Project of Science and Technology of Inner Mongolia (2019GG139), Innovation Guidance Project of Inner Mon-golia (KCBJ2017, KCBJ2018014)责任主编:李刚     Corresponding Editor: LI Gang10卷第1期 雷      Vol. 10No. 120212Journal of Radars Feb. 2021and mean value ratio. First, the initial clustering results of the fuzzy local information C-means clusteringmethod are classified by their Pearson correlation coefficients, and second, the secondary classification resultsare used for the initial image segmentation. Third, the final segmentation results are obtained using theiterative condition model and Markov random field. To verify the flood-disaster-detection performance of theproposed method, we used the second of Europe Remote-Sensing (ERS-2) Satellite data obtained for the Bernarea in Switzerland in April and May 1999 and Radarsat remote-sensing data for the Ottawa region in Canadain May and August 1997. We also applied the proposed method to data obtained for the Poyang Lake region ofChina in June and July 2020, and estimated the disaster area and change trend before and after the flood inPoyang Lake. The experimental results show that the algorithm had a low overall detection error, the falseerror rate of the detection results were somewhat reduced, and the accuracy of the detection results was improved.Key words: SAR image; Change detection; Unsupervised; Improve relative entropy; Iterative Condition Modeland Markov Random Field (ICM-MRF)1    引言由于恶劣的气候和天气影响自然灾害频发,其中,洪灾严重破坏了生态环境,损害了私人和公共财产,对人类社会的生存发展有重大影响[1]。因此,对洪害前后进行变化检测,确定洪灾的淹没范围,对灾情的评估和灾后的管理规划都有一定的指导作用。合成孔径雷达(Synthetic Aperture Radar,SAR)可以全天时、全天候地获取遥感数据,不受光照和天气的影响,弥补了光学和红外遥感的不足。随着遥感技术的发展,不同时相、不同频带以及不同极化方式的多种SAR图像资源为SAR图像变化检测提供了数据基础,并广泛应用在灾区定位和灾害评估等方面[2]SAR图像的变化检测方法一般可分为两种[3]:监督和非监督。监督类变化检测方法需要大量的先验知识,而实际中往往缺乏真实的参考信息,适用范围较窄。非监督类变化检测方法不需要先验信息,可以直接对获得的两时相图像进行变化检测,在实际应用中更为广泛,且非监督类变化检测技术多在差异图生成和变化信息提取两方面进行创新。传统方法多使用不同的变化检测算子构建差异图,如经典的差值法和比值法[4,5]。相对熵,又被称为KL散度(Kullback-Leibler divergence)或信息散度,是两个概率分布间差异的非对称性度量,以此构造的差异图可衡量两幅影像间的相似程度。考虑到散斑噪声影响以及检测结果的精度,Gong等人[6]利用邻域像元灰度值和中心像元灰度值的相关性,提出一种基于邻域比值算子的差异图生成方法。单一类型的差异图像有自身的局限性,如均值比差异图对目标区域的群分性较好,但对纹理信息感知较弱,且存有大量噪声,对数比差异图在一定程度上削弱了背景部分的斑点噪声,但残留的噪声仍对后续处理有很大的影响[7–9]。基于此,一些研究人员选择使用图像融合的方法,利用不同差异图像的互补信息以及不同传感器的并行信息,在城市化和河口区域建筑的变化检测中展现了较好的结果[10–12]。在不同雷达图像数据中,通过融合多时相雷达数据以及相干和非相干性分析,对气旋、滑坡等灾害区域的评估也有一定的效果[13–15]。小波变换相对于轮廓波等多尺度变换而言,具有更小的计算复杂度,同时,小波变换可以将图像的时空信息转换为频域信息,进而可以方便地提取图像的详细信息,在图像融合中有广泛的应用[16–18]。在变化信息提取方面,Sumaiya等人[19]使用加权阈值分割对数均值比差异图,获得变化检测结果,计算过程快速简便。Zhang等人[20]利用广义高斯分布对差异图像的每一类进行建模,采用图割算法提取空间先验信息并通过模糊C均值算法很好地初始化模型的参数,在最大后验的贝叶斯准则下提取变化信息,其精度与算法速度都有一定的提升。Li等人[21]提出了一种称为SDPCANet的监督学习网络模型,该模型将显著性检测与主成分分析网络相结合,并在多时相SAR图像中验证了方法的有效性。Li等人[22]提出了一种基于卷积神经网络(Convolutional Neural Networks,CNN)SAR图像变化检测新方法,该方法通过CNN直接从原始的两个SAR图像中生成分类结果,无需进行任何预处理操作,消除了生成差异图像的过程,从而减少了差异图对源图像的影响,并且在异质图像的变化检测中也有较好的效果。洪灾发生时往往伴随着多云多雨,而光学传感器无法穿透云层,无法获取有效的地面信息,因此, SAR图像的变化检测更有效地应用在洪灾区域中。由于洪灾发生时降雨影响了地物散射特性[23],在整幅图像中许多没有受洪灾影响的区域也呈现为伪暗区。在传统的差异图中,伪暗区与背景信息差异较大,而与变化信息更为接近,一般的变化检测144       报 第10卷算法更容易将伪暗区作为变化信息处理,这也导致了检测结果中较高的虚警率和较低的检测精度[24]。由于伪暗区的存在,对差异图的直接聚类易导致较多的错误信息,故可利用皮尔逊相关系数对模糊局部信息C均值(Fuzzy Local InformationC-Means, FLICM)聚类方法的初始聚类结果进行二次分类,减小对检测结果的影响。一般而言,洪水淹没区域的相关系数更低,而标准未变化区域的相关系数更高,所以通过比较待定区域的相关系数,待定区域的类别,更容易划分为变化区域和未变化区域中两者相关系数均值更小的类别[25–28]。本文结构安排如下:本文第2部分提出了一种利用融合差异图的SAR图像变化检测方法,然后在此差异图下得到基于相关系数FLICM算法二次分类后的检测结果,最后经迭代条件模型和马尔科夫随机场(Iterative Conditional Model-Markov Ran-dom Field, ICM-MRF)算法优化得到变化检测最终结果;第3部分首先利用Bern地区的ERS-2实测SAR数据以及加拿大Ottawa地区的Radarsat实测SAR数据进行结果分析并验证本文方法的有效性,之后利用该方法对中国鄱阳湖区域20206月和7月洪灾前后的Sentinel-1-A实测SAR数据进行分析,进而对受灾面积和其后的灾害趋势进行评估;第4部分对全文做出总结。2    SAR图像变化检测算法本文算法流程主要由融合差异图构造和ICM-MRF分割[29,30]两部分组成,算法流程如图1所示。融合差异图构造:首先得到两幅SAR图像的均值比差异图和利用邻域异质性信息的相对熵差异图,然后经小波变换,通过加权平均的方式将两幅图像的低频系数重构,与各自的高频系数,经小波逆变换得到两幅融合低频系数后的差异图,通过局部能量法融合为最终的差异图。ICM-MRF分割:在ICM-MRF算法中,使用FLICM算法将变化检测结果分为3类,分别为变化区域、未变化区域和待定区域,对待定区域通过洪灾前后图像的皮尔逊相关系数(后简称为相关系数)进一步分为变化区域和未变化区域,并以此作为初始分割,得到最终的变化检测结果。2.1  融合差异图构造X1 X2 X2 X1假设 为已经过配准预处理的两时像SAR洪灾前后变化区域图像,则离散图像数据 对的相对熵可表示为Ys(X2jX1)=N ∑n=1X1fxnglogX1fxngX2fxng(1)Nxn nYs X2 X1其中, 表示像元总个数, 表示第 个像元的值,表示 对 的相对熵。 Mean ratiodifferencemapImprovedrelative entropydifference mapGet respective highand low frequencycoefficients throughwavelet transformFusion of twodifference imagesby local energymethodConstruct a differencemap with respectivehigh-frequencycoefficients throughinverse wavelettransformUse FLICM algorithm forinitial three-categoryclusteringCalculate the energy of thecharacteristic field and themarker fieldWhetherthe terminationconditions are metICM-MRF segmentation processThe structure of the fusion difference mapCalculate the mean value ofthe correlation coefficient foreach type of regionRe-divide the three types ofareas into two types of areasand use them as the initialsegmentation imageCalculate the likelihoodenergy function and updatethe label valueRegisteredSAR imageX1,  X2ChangedetectionresultYesNoUse the weightedaverage of the two low-frequency coefficientsas the new low-frequency coefficient  1 基于融合差异图的变化检测算法流程图Fig. 1  Flow chart of change detection algorithm in this paper1期 黄平平等:基于融合差异图的变化检测方法及其在洪灾中的应用 145在相对熵的计算中引入像元空间邻域的异质性信息,突出图像边缘,增强连续性,同时抑制背景信息。邻域异质性信息可表示为ℓ=(x)(x)(2)ℓ

 

[返回]

下一篇:移动互联网时代企业商业模式_价值_省略__基于瑞幸咖啡财务造假的案例分析_张新民