遙感圖像變化檢測指利用多時相獲取的覆蓋同一地表區(qū)域的遙感影像及其他輔助數據來確定和分析地表的變化。SAR(Synthetic Aperture Radar,SAR)能全天時、全天候地對地觀測,不受光照、氣候等條件影響,具有其他光學遙感無法比擬的優(yōu)勢。因此SAR圖像是變化檢測重要的數據源。目前SAR圖像變化檢測在環(huán)境監(jiān)測、農業(yè)調查、城市研究、災害監(jiān)測、軍事偵察等方面有著重要的應用。尤其是自然災害發(fā)生時,高效的變化檢測技術能夠及時地避免或減少人身傷亡和財產損失。SAR圖像變化檢測方法一般分為圖像預處理、差異圖生成、差異圖分析三大部分,其中,差異圖的分析對于變化檢測結果至關重要。閾值法是差異圖分析中常用的方法,因其簡便快捷在變化檢測中受到廣泛應用,使得變化檢測更為快速高效。本論文對于SAR圖像差異圖分析算法中的閾值方法進行分析探索,主要研究成果可概括如下:1、針對閾值方法在變化區(qū)域占比較小時檢測結果虛警率過高的問題,提出一種基于迭代最大類間方差法的SAR圖像小面積變化區(qū)域檢測方法。首先算法對鄰域比值法權值進行改進,利用結合了鄰域信息的改進鄰域比值算法生成差異圖,對SAR圖像斑噪進行抑制,同時對圖像細節(jié)信息進行保留。然后通過迭代最大類間方差法對差異圖進行分割。迭代最大類間方差法通過多次迭代獲取變化元素與未變化元素分布相對均衡的區(qū)域,利用最大類間方差法計算該區(qū)域最佳分割閾值,并應用該閾值對差異圖進行二值化,獲取變化檢測結果圖。通過對小面積變化的SAR圖像數據進行變化檢測,實驗結果證明該算法對小面積變化區(qū)域的檢測效果得到顯著提升。為驗證算法普適性,對非小面積變化情況、以及圖像噪聲污染嚴重情況下真實SAR圖像數據集也進行相應實驗,實驗表明算法精確度有所提升,且噪聲魯棒性更好。2、針對現有的KI(KittlerIllingworth,KI)閾值方法的類條件分布模型對于改進鄰域比值差異圖擬合度不夠的情況,提出了一種基于K分布KI閾值分割的SAR圖像變化檢測算法。該算法引入K分布模型來對差異圖兩類直方圖進行擬合,K分布模型因其乘性衰落統計特性,被證明能對SAR圖像非均勻區(qū)域較好擬合,從而得到廣泛應用。但是K分布的參數估計相對復雜,考慮算法運行效率,本文采用快速的二四階矩估計方法對參數進行估計。實驗表明,K分布模型下KI閾值方法檢測性能得到提升。
【學位單位】：西安電子科技大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TN957.52
【文章目錄】：
摘要
ABSTRACT
符號對照表
縮略語對照表
第一章 緒論
    1.1 研究背景及意義
    1.2 SAR圖像變化檢測研究現狀
    1.3 SAR圖像變化檢測存在的主要問題
    1.4 主要研究內容及結構安排
第二章 SAR圖像變化檢測
    2.1 SAR圖像成像原理及特點
        2.1.1 SAR圖像成像原理
        2.1.2 SAR圖像乘積模型
        2.1.3 SAR圖像特征
    2.2 SAR圖像變化檢測流程
        2.2.1 圖像預處理
        2.2.2 差異圖生成
        2.2.3 差異圖分析
        2.2.4 SAR圖像變化檢測幾種經典方法
    2.3 變化檢測精度評估
    2.4 本章小結
第三章 基于迭代Otsu的SAR圖像變化檢測
    3.1 引言
    3.2 鄰域比值算法及其改進
        3.2.1 常見差異圖生成算法優(yōu)缺點
        3.2.2 鄰域比值算法
        3.2.3 改進的鄰域比值算法
    3.3 迭代最大類間方差算法
        3.3.1 閾值算法
        3.3.2 最大類間方差法
        3.3.3 迭代最大類間方差算法
    3.4 實驗設置和結果分析
        3.4.1 實驗參數設置
        3.4.2 實驗數據介紹
        3.4.3 差異圖生成算法實驗結果及分析
        3.4.4 差異圖分析算法實驗結果及分析
    3.5 本章小結
第四章 基于K分布KI閾值分割的SAR圖像變化檢測
    4.1 引言
    4.2 KI閾值分割算法
    4.3 類條件分布模型
        4.3.1 高斯分布
        4.3.2 廣義高斯分布
        4.3.3 對數正態(tài)分布
    4.4 K分布
        4.4.1 K分布理論
        4.4.2 參數估計方法
    4.5 實驗設置和結果分析
        4.5.1 實驗數據介紹
        4.5.2 實驗結果及分析
    4.6 本章小結
第五章 總結與展望
    5.1 總結
    5.2 展望
參考文獻
致謝
作者簡介

【相似文獻】

相關期刊論文 前10條

1 眭海剛;馮文卿;李文卓;孫開敏;徐川;;多時相遙感影像變化檢測方法綜述[J];武漢大學學報(信息科學版);2018年12期

2 謝馨嫻;岳彩榮;霍鵬;;森林變化檢測方法比較[J];四川林業(yè)科技;2018年03期

3 王娜;張景發(fā);;SAR圖像變化檢測技術方法綜述[J];地殼構造與地殼應力文集;2016年01期

4 宋英旭;牛瑞卿;張景發(fā);李永生;羅毅;馮時;陳艷;;遙感影像變化檢測方法對比[J];地殼構造與地殼應力文集;2016年02期

5 李強;張景發(fā);;變化檢測技術在震害信息提取中的應用[J];地理空間信息;2014年02期

6 龍玄耀;李培軍;;基于圖像分割的城市變化檢測[J];地球信息科學;2008年01期

7 于躍龍,盧煥章;以統計變化檢測為基礎的實時分割視頻對象新方法[J];中國圖象圖形學報;2005年01期

8 孫揚;朱凌;修田雨;;基于國產衛(wèi)星影像的協同分割變化檢測[J];北京建筑大學學報;2018年04期

9 王鑫;;聚類分析觀點下的分散式最快變化檢測[J];南京理工大學學報;2014年02期

10 沈壁川;毛期儉;呂翊;;基于巴氏距離的視頻流場景變化檢測(英文)[J];重慶郵電大學學報(自然科學版);2009年01期

相關博士學位論文 前10條

1 邵攀;非監(jiān)督遙感變化檢測模糊方法研究[D];武漢大學;2016年

2 李文卓;時序無人機影像二三維綜合的面向對象建筑物變化檢測關鍵技術研究[D];武漢大學;2017年

3 呂臻;高分辨率遙感影像道路提取與變化檢測關鍵技術研究[D];武漢大學;2017年

4 彭代鋒;基于多特征信息挖掘的對象級光學衛(wèi)星影像變化檢測研究[D];武漢大學;2017年

5 鄭耀國;基于結構化表示學習的遙感圖像分類及變化檢測[D];西安電子科技大學;2016年

6 蘇臨之;基于像素信息和深度學習的遙感圖像變化檢測技術[D];西安電子科技大學;2016年

7 賈璐;基于核理論的遙感影像變化檢測算法研究[D];西安電子科技大學;2016年

8 李瑜;基于特征學習的SAR圖像變化檢測方法研究[D];西安電子科技大學;2016年

9 李振軒;基于差分測度的高分辨率遙感影像可靠性變化檢測方法研究[D];中國礦業(yè)大學;2018年

10 劉博宇;時序NDVI數據集螺線型構建及多形狀參數變化檢測[D];吉林大學;2018年

相關碩士學位論文 前10條

1 李進;基于深度學習的高分辨率遙感圖像變化檢測[D];江西師范大學;2019年

2 王成軍;基于超像素與主動學習采樣策略的高分影像變化檢測方法研究[D];福州大學;2018年

3 羅星;基于中層語義特征的高分辨率遙感影像變化檢測方法研究[D];福州大學;2018年

4 劉本強;基于鄰域相對熵和融合紋理信息的SAR影像變化檢測[D];山東科技大學;2018年

5 周曉君;多時相高分辨率遙感影像變化檢測算法研究[D];大連理工大學;2019年

6 張杰;基于樣本不平衡學習和結構語義信息的SAR圖像變化檢測網絡[D];西安電子科技大學;2019年

7 陳奎伊;基于傾斜攝影測量的建筑物對象級三維變化檢測方法[D];西南交通大學;2019年

8 劉穗君;基于SAR影像強度與相干系數的滑坡提取研究[D];西南交通大學;2019年

9 王守峰;面向對象的多光譜遙感影像變化檢測方法研究[D];合肥工業(yè)大學;2019年

10 吳憲;基于對象分割的衛(wèi)星圖像中物體變化檢測與識別算法研究[D];北京交通大學;2019年

本文編號：2891070