论文部分内容阅读
SAR图像变化检测是通过对同一地区不同时相的遥感图像进行分析，识别这一地区的地物在此期间发生的变化。合成孔径雷达（SAR）技术逐步成熟，SAR图像的分辨率也不断提高。同光学遥感相比，SAR对大气及光照强度不敏感，能够对目标进行全天时、全天候监测而得到了越来越多的重视，并且SAR图像变化检测已经被广泛用于军事和民用领域。但是由于SAR相干成像机制使得图像中伴随着相干斑噪声，严重影响到检测结果的精确度，因而，如何抑制SAR图像中相干斑噪声的干扰一直是SAR图像变化检测中重点解决的问题。 考虑像素间的空间相关性可以有效地抑制相干斑噪声带来的干扰，马尔科夫随机场（MRF）模型能够有效描述邻域像素的空间相关性，从而可以有效提高检测的精度。如何保留更多的细节信息以及准确定位变化区域也同样重要。MRF模型将图像看作是平稳的，应用MRF模型对SAR图像进行变化检测时会导致细节信息的缺失和算法的效率降低。经典的FCM聚类方法由于其简单易行的优点也用于图像分割。但是其基于两种假设，一是像素间是相互独立的，二是聚类中心是固定不变的常量。这样的假设导致FCM聚类方法对噪声极其敏感和对细节信息的保持较差。 在分析MRF模型和经典FCM聚类算法的基础上，结合SAR图像变化检测中的两个难点，本文提出了一种基于MRF模型和模糊聚类分析的SAR图像变化检测算法。首先对由两时相SAR图像构造的差异图像应用非线性扩散滤波器进行一定次数的滤波，进而得到粗尺度到细尺度的一组多尺度图像，其中粗尺度图像受相干斑噪声干扰最弱。为了利用尺度间的指导作用，将MRF模型结合到模糊C均值聚类过程中，重新构造了目标函数，利用不同尺度间隶属度矩阵的融合，加强对斑点噪声的抑制，同时在聚类过程中，认为聚类中心是自适应的以加强检测细节信息的能力，避免现有的基于MRF模型或者聚类方法在个别位置的过度平滑而造成细节信息的缺失，一定的融合策略有利于减少局部自适应特性造成的过分割效果。本算法的优势在于降低相干斑噪声干扰的同时能提升检测结果的总体精度，并保持一定程度的细节信息。通过对实测SAR图像数据利用本文所提算法进行实验和分析，验证了本文所提算法的有效性。