论文部分内容阅读
现有的变化检测技术多通过差异算子将多时相图像转换为单幅差异影像，对差异影像进行分析得到图像中的变化区域。参数模型在变化检测技术发展过程中起到了重要作用，它利用不同的函数根据差异影像分布提取图像中变化区域。然而，现有的模型大部分都是基于单函数估计，图像匹配率低，且受差异算子影响检测结果不稳定。虽然改进算法引入了图像的空间信息，但是检测过程仍然需要先进行分布假设。所以，参数模型的设置和差异影像数据的分布都对检测结果有较大影响。本文针对这些问题进行研究，分别利用Fisher分类器和计算智能方法对图像进行检测，提高了算法的适用性。此外，为了避免由于差异算子不同引起的不稳定性，将分类对象从差异影像换成联合灰度直方图和联合特征向量，并通过小波变换和局部均值加权等方法引入图像空间信息提高检测精度。本论文主要工作概括如下：1.提出一种基于Wavelet域隐马尔科夫树(HMT, Hidden Markov Tree)模型的遥感图像变化检测算法。算法利用双高斯混合模型对小波分解后的多层差异影像进行拟合，根据拟合结果判定待检测点类别。对得到的多层初始分割结果，利用HMT模型根据连续最大后验概率(SMAP, Sequential Maximum A Posteriori)融合，得到最终变化检测图。对真实遥感数据集进行实验证明，本算法可以得到较好的检测结果。2.利用改进的动态Fisher分类器通过对二维联合直方图分类检测多时相遥感图像变化区域。算法利用自适应边缘检测方法提取训练数据。考虑图像空间关系，提出基于局部均值的动态Fisher判别分析(LMDFDA, Local Mean DynamicFisher Discriminant Analysis)，它将原算法中的全局均值替换为局部均值，增加了待检测点和训练数据的相关性。局部均值由经过均值漂移划分后，离待检测像素最近的图像块决定。同时，根据当前检测结果动态调整局部均值和训练器参数，解决了由于初始训练数据选取不同而造成的不稳定性。实验结果证明，本算法提高了检测精度，检测结果稳定。3.利用改进的动态模糊Fisher分类器，通过对多时相图像的联合直方图进行分类得到变化区域。在此基础上，根据图像空间关系对待检测点进行非局部均值加权，并以一定比例选取可靠性高的数据先进行标类，增加了数据的可分性和算法的可靠性。根据更新后的样本动态调整待检测点权重及分类器参数，直到所有像素判别完毕为止。本算法不受参数模型限制，不受差异算子影响并充分利用了图像的空间与时间信息。真实遥感数据结果表明本算法提高了检测精度。4.提出一种无监督SAR图像变化检测算法，它不需要分布假设，而是通过对联合灰度直方图的分布特性进行判别得到变化区域。利用自适应边缘检测提取的训练数据，通过Fisher分类器对联合直方图进行判别分析，得到待检测点在不同小波层隶属度。根据邻域关系以及上下文进行融合，得到最终检测结果。对真实SAR图像进行实验，证明本算法可以得到较好的检测结果。5.给出一种无监督SAR图像变化检测算法，利用BP神经网络(BPNN, BackPropagation Neural Network)对提取的联合特征向量进行检测得到变化区域。为了增加待检测点可分性，根据图像空间关系进行非局部均值加权。对加权后的数据，根据预测值选择可靠性高的数据先进行标类，并利用更新后的样本集合重新训练BPNN参数及权重，直到所有像素检测完毕。本算法不需要计算差异影像，不受参数模型限制。真实SAR图像结果证明基于联合特征向量算法的检测精度优于联合灰度直方图和差异影像结果。6.利用数据聚类思想，通过进化算法寻找多时相SAR图像最小均方误差，得到变化检测结果。在原有Memetic算法基础上，针对图像自身特点，提出全新的搜索策略并根据当前检测结果动态调整局部搜索算法，实现了粗细结合的搜索过程。本算法不受分布模型限制，不需要先验知识，适用性较强。将改进的算法与遗传算法(GA, GeneticAlgorithm)、免疫克隆选择算法(ICSA, Immune CloneSelection Algorithm)及原Memetic算法(MA, Memetic algorithm)进行比较，实验证明，本算法可以快速收敛。