SAR變化檢測研究綜述

時間：2024-09-05 17:31:57 碩士畢業論文我要投稿

相關推薦

SAR變化檢測研究綜述

　　1 引言
　　
　　遙感變化檢測是指通過對不同時期同一區域的遙感圖像進行比較分析，根據圖像之間的差異得到我們所需要的地物或目標的變化信息。現代遙感技術的飛速發展為變化檢測提供了一種便捷的途徑，遙感數據成為變化檢測的主要數據源。
　　與可見光和紅外遙感相比，微波遙感具有無可比擬的優點：微波能穿透云霧、雨雪，具有全天候、全天時的工作能力。二，微波對地物有一定穿透能力。三，采用側視方式成像，覆蓋面積大。正是這些優點，使得SAR 圖像日益成為變化檢測的重要數據源。
　　SAR 變化檢測技術的需求日益廣泛。目前，全球壞境變化加劇，城市急速發展，洪水、地震等自然災害時有發生，這些都需要及時掌握相關動態信息，為相關決策部門提供支持，而SAR 的種種優點為快速響應提供了技術支持和應急保障。
　　
　　2 變化檢測的研究內容
　　
　　2.1 圖像配準
　　圖像的配準精度對變化檢測的精度影響很大，如果圖像沒有較高精度的配準，則圖像的錯位會帶來大量的虛警。因此，針對這一方面，Dai 和Khorran[1]得出的結論為：好的變化檢測結果需要高精度的配準算法。Jeannie Moulton [2]等針對多時相SAR 圖像的平移及偏轉誤差提出一種解決方法。意大利的Paolo [3]針對高分辨SAR 影像配準的困難，提出基于象元與特征相結合的方法進行未精確配準的變化檢測研究。
　　
　　2.2 噪聲抑制
　　基于 SAR 圖像的變化檢測對斑點的抑制要求很高：降班算法要既能有效降斑，還能保持圖像的細節信息。因此，需要采用性能良好的自適應降斑方法來完成。相干斑抑制方法可以分為兩類：一類是成像前的多視平滑處理，但同時也降低了圖像的空間分辨率，所以目前常用的方法為成像后的去相干斑噪聲的濾波技術。濾波方法主要有：（1）傳統方法，如均值濾波、中值濾波等；（2）模型方法，假定靜態的噪聲模型，采用相應的濾波器進行處理，如Kalman 濾波和Lee 濾波；（3）幾何濾波方法，如Gamma MAP 濾波；（4）基于局域統計自適應濾波，這種方法能在平滑噪聲的同時較好的保持邊緣信息，是目前的SAR 變化檢測常用的方法。
　　
　　2.3 變化信息提取及后處理
　　進行變化信息提取時，可以選擇適當的變化檢測方法對兩個時相的遙感影像進行變化信息的提取。根據實際野外觀測提供目標區變化的真實信息，并借助相關統計資料和專題資料對變化信息進行后處理，歸并小圖斑，消除提取出的變化信息中的偽變化信息[4]。
　　2.4 精度評價
　　通常采取誤差矩陣法進行精度評價。根據真實變化圖與變化信息圖比較，歸納到誤差矩陣中。變化誤差矩陣如表1。
　　根據這一變化誤差矩陣，變化檢測的性能可以通過下面的參數來定量分析：
　　虛警率 Pjd 為實際未變化但檢測為發生變化的比例，表示了檢測出的變化點中誤判點的比例。
　　Pjd= Cjd/ C0 (1)
　　漏檢率Pir 為實際發生變化但檢測為未變化的比例，表示了未檢測出的變化點在所有變化點中的比例。
　　Pir= Cir/ C1 (2)
　　檢測概率Pid 為實際發生變化或非變化且檢測為變化或非變化的比例，表示了對所有變化區域的檢測百分比。
　　Pid= （Cid+ Cir ）/ （C0+ C1） (3)
　　
　　3 常用的變化檢測算法
　　
　　SAR 圖像變化檢測是研究不同時期的同一場景圖像之間發生的變化。歸結起來，近些年逐步形成的SAR 圖像變化檢測方法可以分為：(1)基于簡單代數運算的變化檢測，經典的變化檢測方法包括圖像差值法、圖像比值法、對數比值法；(2)基于圖像變換的變換檢測，經典的變化檢測方法包括主成分分析、變化向量分析法、相關分析法圖像變換法；(3)基于圖像分類的變化檢測方法。
　　
　　3.1 代數運算法
　　早期變化檢測的主要方法是利用圖像差值法，主要利用兩幅圖像對應像素點的灰度差值作為變化判別依據，該方法簡單、直接，但是容易受成像質量、噪聲等的影響。圖像差值法應用于海岸線環境、森林變化、沙漠化等。與差值法相比，比值差異圖像與原始SAR 圖像的平均強度值無關，對于SAR 圖像的乘性噪聲不敏感，而且減少了輻射定標誤差的影響。
　　圖像比值法對于SAR 圖像上的乘性噪聲是不敏感的，被廣泛用于城區變化檢測。對數比值法，在得到對應像素的比值后，再取其對數，能壓縮圖像的變化范圍，將乘性噪聲轉換為加性噪聲。代數運算法的優點是直接、簡單，主要缺點在于(1)沒有考慮多時相圖像之間的相關性，簡單計算可能出現虛警率；(2)變化閾值確定困難。
　　
　　3.2 圖像變換法
　　Lillesand[5]提出的主分量法，又稱K-L 變換，是一種經典的數學變換方法，把原來多個波段中的有用信息集中到互不相關的新成分圖像中，達到冗余壓縮和信息集中的目的。在進行主成分變換時，利用協方差矩陣和相關矩陣得到的主分量是不同的，由相關矩陣推導的主分量變換對于多時相分析是尤其有用的[6][7]。
　　Malila 提出了變化向量分析法(Change Vector Analysis,CVA)[6],Johnson[8]等詳細闡述了這種方法的具體內容、優缺點。變化向量法是一種多變量的方法，描述從第一時間到第二時間的光譜變化的強度和方向。如果變化向量的幅值超過給定的門限，則判定該像素發生變化，變化向量的方向包含變化類型信息。該方法可用在多通道極化SAR 圖像的變化檢測，或者用于多特征，如空間結構特征，紋理特征等分析。
　　相關分析法，斑點的時相去相關提供了地表在結構或介電特性上可能的變化信息，并且這種變化檢測不依賴于定標精度。實際應用中，通常使用一般的強度圖像來計算斑點相關系數，不考慮相位信息。
　　
　　3.3 分類法分類
　　后比較法，在70 年代末開始應用于Landsat 衛星影像的變化檢測。分類后比較法是對每幅圖像單獨進行分類，然后對圖像的分類結果圖進行比較，以確定變化的類別和區域。
　　如果對應像素的分類類別相同，則認為該像素沒有發生變化，否則認為該像素發生了變化。
　　使用分類法的優點主要有：(1)可以給出區域變化的類型、位置、數量等有關地物性質信息；(2)受圖像配準的影響要小。此方法的主要缺點是它受分類器的影響很大，不同的分類器能夠決定變化檢測的精度高低。
　　同時分類法，將多時相圖像構成一副復合影像進行分類，得到的分類結果圖中的每一類代表一種變化類型。此方法能夠減少分類時間，但是難于標記變化類別，而且分類更加復雜，對訓練樣本的選取相當高。
　　隨著計算機技術的發展，解決復雜問題的各種數學方法與專家知識被逐漸加入。人工神經網絡、向量機、專家智能等方法成為熱點。
　　
　　4 國內外研究現狀
　　
　　近幾十年來，SAR 變化檢測技術被越來越多的國內外學者所關注。國外，SAR 變化檢測技術方興未艾，國內，該技術正處于起步階段[9]。
　　
　　4.1 國外現狀
　　國外，Vilasenor [10]利用兩幅重軌ERS-1 SAR 影像對阿拉斯加北坡地區進行了變化檢測，驗證了雷達后向散射強度的差值比較可以作為變化檢測的一種方法。Rignot[11]等人根據多視SAR 強度影像服從Gamma 分布的假設，從理論上證明了比值法更適合多時相SAR 影像的變化檢測。Bazi[12] [13] [14][15]、Bruzzone[16]等在多時相SAR 比值圖像的閾值變化檢測算法上展開一系列研究。針對直接代數運算法沒有考慮到象元的空間上下文信息，誤檢和漏檢現象嚴重，近幾年來出現了在此基礎上的基于上下文空間關系的變化檢測，主要從兩個方面進行改進。一方面，單尺度上利用差異圖像的上下文關系進行進一步的優化得到變化圖, Bruzzone[17]
　　首先利用 Markov 隨機場對差值圖像進行分析，并求得最優的變化檢測結果。文獻[18][19][20][21][22]都是基于馬爾科夫隨機場進行上下文分析。文獻[23][24]利用神經網絡進行上下文分析；另一方面，利用差異圖像的小波多尺度信息進行優化得到變化圖，如Bovolo[25],Inglada[26],Celik.T[27][28]利用多尺度小波信息進行變化信息的優化。
　　Fung [29],Gong [30]等先后將主成份變換應用于變化檢測中。Qiu[31]等人將分塊主分量分析(Multi-Block PCA)法應用于圖像變化檢測。
　　Rignot[11]等人利用ERS-1 的重軌影像進行了不同方法的變換檢測，得出，對于單視影像或者是視數較小的多視影像，基于去相關的變換檢測方法效果最好。Corri[32]通過計算三幅多時相影像兩兩之間的相關系數進行變化檢測，并提出一種對建筑物變化敏感的檢測方法。
　　Hyung Sup [33]等利用多時相JERS-1SAR 數據，進行了多種方法的變化檢測，認為去相關法對于檢測物體屬性的變化是非常有用的方法。Takashi[34]等用相關系數法以及標準偏差系數法進行了比較，發現，相關系數法提取的區域要小于標準差系數的區域，對于大面積區域，更適合用標準差系數法來進行變化檢測。
　　Roger[35]等利用Seasat 和SIR-B 不同時相圖像，用最小距離分類器得到了森林主要變化類型的大小和范圍。White [36]對基于模型與基于神經網絡方法進行了比較，認為神經網絡訓練得當，則此方法優于基于模型的方法。Fabio [37]等提取出后向強度、相關參數以及紋理參數特征，進行神經網絡監督分類，進行變化檢測。Welismiller[38]等采用同時分類法進行了德克薩斯地區海岸帶環境變化檢測。
　　White[36]針對SAR 圖像的斑點噪聲以及配準問題，提出基于圖像分割的方法，并利用神經元網絡進行對象識別，在此基礎上進行變化檢測。Craves[39]對多時相ERS-SAR 數據進行了分割，分割后的圖像疊加起來進行檢測。日本L．Zhu [40]利用分水嶺分割實現建筑物提取，在此基礎上進行變化檢測。瑞典的Hongtao Hu [41]等利用面向對象分割方法，然后進行特征選擇，利用神經網絡分類提高分類精度，最后進行變化檢測。Francesca [42]對多時相SAR 影像進行分割，分割后的圖像利用距離測度確定變換圖像，進一步設定閾值進行變化檢測。
　　
　　4.2 國內現狀
　　熊博蒞[43]在差值圖像基礎上對閾值的自動選擇算法進行了研究.王超等[44]利用radasat-1數據對蚌埠市進行比值法變化檢測。金亞秋[45][46] [47]、廖明生[48],江利明[49],宋妍[50]，王桂婷[51]，申邵洪[52]采用馬爾科夫隨機場模型描述SAR 比值差異圖像的空間上下文信息，進行了基于該模型的變化檢測。張路[53]利用顧及上下文關系的貝葉斯理論進行變化區域提取。王桂婷等[54],李杰等[55]進行了基于小波變換的多尺度融合檢測方法。
　　張輝等[56][57]將向量化后的兩SAR 圖像組成的矩陣進行主分量分解,利用分解后的次分量表征為圖像的變化部分。
　　廖明生[58]利用多時相SAR 影像的比值以及相關系數組成二維圖像進行變化檢測，此方法比用單一方法檢測更加有效。
　　王永平等[59]對SAR 圖像進行聚類分析，對聚類后的圖像引入M 距離進行變化檢測。黃勇等[60]對原圖像進行分塊，利用每一塊內的紋理特征和灰度特征進行非監督變化檢測。黃玉琴[61]把地統計學紋理應用到SAR 圖像分類中，得到城市覆蓋區的專題信息。趙小杰[62]計算出不同的紋理特征，用K 近鄰法進行聚類后再進行變化檢測，并與比值法以及差值法比較，得出該方法適合城區變化檢測的結論。
　　黃勇[63] [64]首先對兩幅SAR 圖像進行似然比分割，利用距離函數進行變化檢測。蔡純[65]
　　在模擬退火分割基礎上，進行了區域似然比的變化檢測。文獻[66]用模糊知識分類器進行對象分類,進行分類后比較。Hong Chi[66]用模糊知識分類器進行對象分類,進行分類后比較。
　　種勁松等 [67][68]利用紋理差值變化檢測方法，采用最小錯誤率的貝葉斯方法對北京地區Radarsat 多時相數據進行變化檢測。張軍團 [69]著重研究了二階灰度特征，提出了基于二階統計特性的SAR 圖像變化檢測算法，在目標與背景強度差距大的情況取得很好的變化檢測效果。
　　變化檢測的各種方法各有優缺點，各有適用范圍，實際應用中，哪種好壞沒有定論。區域不同、需要不同，方法的選擇也不同。
　　
　　5 前景
　　
　　目前的 SAR 變化檢測算法大部分為中低分辨率、象元級、單極化的SAR 影像變化檢測。最近幾年，SAR 成像技術日益成熟，圖像質量逐漸提高，分辨率不斷增強，獲取數據的能力和精度越來越高，圖像獲取越來越便捷。尤其是2007 年，德國TerrraSAR-X 和意大利Cosmo-SkyMed 新型雷達系統的出現，引起了雷達遙感研究和應用的熱潮。隨著新型雷達系統的出現，SAR 變化檢測的前景會更加廣闊：
　　1 高空間分辨率使得SAR 圖像能夠在較小的空間尺度上探測細節變化，實現對建筑物、道路等地面目標細微特征的探測。
　　2 多極化方式能夠使得雷達圖像的解譯變得更為容易，實現在變化信息提取的基礎上進一步確定變化類型。
　　3 高空間分辨率影像的紋理結構更加清晰，紋理特征成為重要的識別信息，實現特征級變化檢測。
　　因此，隨著雷達技術的發展，SAR 的變化檢測研究將會實現高分辨率、特征級、多極化的變化檢測，進而在軍事偵查、探測，資源環境監測，土地利用與覆蓋變化以及災害評估與監測等方面起到越來越重要的作用。

SAR變化檢測研究綜述

中國碩士論文網提供大量免費碩士畢業論文,如有業務需求請咨詢網站客服人員！
　　
　　參考文獻
　　[1]X.Dai and S.Khorram．The effects of image misregistration on the accuracy of remotely sensed changedetection[J]．IEEE Transaction on Geoscience and Remote Sens，1998，36(5)：1566–1577．
　　[2]Jannie Moulton，Saleem Kassam，Fauzia Ahmad，etc．Target and change detection in synthetic aperture radarsensing of urban structures[J]．Radar Conference, 2012，5：1-6．
　　[3]Paolo Gamba，Fabil Dell ， Gianni Lisini．Change detection of mulittemporal SAR data in urban areacombining feature-based and pixel-based techniques[J]． IEEE Transaction on Geoscience and Remote Sensing，2006，44(10)：2820-2827．
　　[4] 吳芳，劉榮，田維春，等．遙感變化檢測技術及其應用綜述[J]．地理空間信息，2007，5(4)：57-60．
　　[5]Lillesnad，T.M．，R．W．Keief．Remote Sensing and Image Interpretation，2nd Edition．John Wiley&Sons，1979．
　　[6]Ashbindu Singh．Principal components analysis in remote sensing[J]．IEEE Geoscience and Remote Sensing，1993，18-21(4)：1680-1682．
　　[7]張路．基于多元統計分析的遙感影像變化檢測方法研究[D]．武漢：武漢大學，2004．
　　[8]Malila，W.A． Change vector analysis：an approach for detecting forest changes with Landsat．Proceeding，LARS Machine Processing of Remotely Sensed Data Sympostium，W．Lafayette，in：Laboratory for theApplication of Remote Sensing：326－335．
　　[9]陳富龍，張紅，王超．SAR 變化檢測技術發展綜述[J]．遙感技術與應用，2007， 22（1）：109-115．
　　[10]Vilasenor L D．Eatland D R，Hinzman L D． Change detection on Alaska's North Slope using repeat-passERS-1 SAR images[J]．IEEE Transactions on Geoscience and Remote Sensing，1993，31(1)：227-236．
　　[11]Eric J， Rignot M．Change Detection techniques for ERS-1 SAR data[J]．IEEE Transactions on Geoscienceand Remote Sensing，1993，(31)4：896-906．
　　[12]Bazi Y，Bruzzone L，Melgani F．Automatic identification of the number and value of decision thresholds in thelog-ratio images for change detection in SAR images[J]．IEEE Geoscience and Remote Sensing，2006，3(3)：349-353．
　　[13]Bazi.Y，Bruzzone．L，Melgani．F．An unsupervised approach based on the generalized Gaussian model toautomatic change detection in multitemporal SAR images[J]．IEEE Geoscience and Remote Sensing，2005．43(4)：874-887．
　　[14]Bazi.Y，Bruzzone．L，Melgani．F．Automatic identification of the number and values of decision thresholdsin the log-ratio image for change detection in SAR images．IEEE Transactions on Geoscience and RemoteSensing，2006．3(3)：349-353．
　　[15] Bazi.Y， Bruzzone．L， Melgani．Farid．Image thresholding based on the EM algorithm and the generalizedGaussian distribution．Pattern Recognition．2007，40(2) ：619–634．
　　[16]Bruzzone.L．A minimum-cost thresholding technique for unsupervised change[J]．Internationa l Journal ofRemote Sensing，2000，21(18)：3539–3544．
　　[17]Bruzzone.L， Prieto ． D． F ． Automatic analysis of the difference image for unsupervised changedetection[J]．IEEE Geoscience and Remote Sensing，2000，38(3)：1171-1182．
　　[18]Bruzzone.L，Prieto．D．F．An adaptive semiparametric and context-based approach to unsupervised changedetection in multitemporal remote-sensingimages[J]．IEEE Transactions on Geoscience and Remote Sensing，2002， 11(4) ：452-466．
　　[19] Kasetkasem ．T and Varshney． P． An Image Change Detection Algorithm Based on Markov Random FieldModels[J]．IEEE Transactions on Geoscience and Remote Sensing，2002，40(8)： 1815–1823．
　　[20]Derrode．Ｍ， Mercier G，Ｐieczynski W．Unsupervised change detection in SAR images using amulti-component HMC model．Multi-Temp， July， 16-18 2003， Ispra， Italy．
　　[21]Bazi．Y， Bruzzone．L，andMelgani．F．Change Detection in Multitemporal SAR Images Based on the EM-GAAlgorithm and Markov Random Fields．Proc. of the 3rd Int. Workshop on the Analysis of Multitemporal RemoteSensing Images (MultiTemp 2005), Biloxi, Mississippi, USA, May 2005．
　　[22] Zied Bouyahia， Lamia Benyoussef，St? ephane Derrode．Change detection in synthetic aperture radar imageswith a sliding hidden Markov chain model．Journal of Applied Remote Sensing，2012．
　　[23]Ghosh .S， Bruzzone．L， Bovolo．F．etc．all．A Context-Sensitive Technique for Unsupervised ChangeDetection Based on Hopfield-Type Neural Networks[j]． IEEE Transactions on Geoscience and RemoteSensing， 2007，45(3)：778-789．
　　[24]Ghosh.S， Patra.S， Ghosh．A．An unsupervised context-sensitive change detection technique based onmodified self-organizing feature map neural network[J] ． International Journal of ApproximateReasoning．2012 ,50 (1) 37–50．
　　[25]Bovolo.F and Bruzzone．Lorenzo． A Detail-Preserving Scale-Driven Approach to Change Detection inMultitemporal SAR Images[J]． IEEE Transactions on Geoscience and Remote Sensing， 2005，43(12)：2963-2972．
　　[26]Jordi Inglada and Grégoire Mercier． A New Statistical Similarity Measure for Change detection inmultitemporal SAR images and its extension to multiscale change analysis[j]． IEEE Transactions onGeoscience and Remote Sensing， 2007，45(5)：1432-1445．
　　[27]Turgay Celik， Multiscale Change Detection in Multitemporal Satellite Images[J]． IEEE Transactions onGeoscience and Remote Sensing， 2012，6(4)：820-824．
　　[28]Turgay Celik． A Bayesi anapproach to unsupervised multiscale change detection in SAR images[]J． SignalProcessing，2012，90(5)： 1471-1485．
　　[29]Fung，T．E．Ledrew，Application of principal components analysis to change detection[J]．PhotogrammetricEngineering and Remote Sensing，1987，53(12) ：1649-1658．
　　[30]Gong.P． Change detection using principal component analysis and fuzzy set theory ．Canadian Journal ofRemote Sensing，1993 ，19(1)： 22-29．
　　[31]Qiu B，Prinet V，Perrier E，and Monga O．Multi-block PCA method for image change detection．Proceedingsof 12thinternational conference on image analysis and processing，，Mantova，Italy，17-19 Sept，2003：385-390．
　　[32]Corr D G．Coherent change detection for urban development monitoring[J]，IEEE Geoscience and RemoteSensing ，Apr 1997， Vol：6/1-6/6．
　　[33]Hyung S J ，Ho N L，Vong W L．Change detection using multi-temporal SAR images ．
　　[34]Takashi Nonaka，Takashi Shibayama，Hiroko Umakawa．A comparison of the methods for the urban landcover change detection by high resolution SAR data[J]．IEEE Transactions on Geoscience and Remote Sensing，2007，Vol，23-28，July， 3470-3473．
　　[35]Roger M．Hoffer，Kyu-sung Lee，Forest change classification using seasat and SIR-B satellite SAR data．IEEETransactions on Geoscience and Remote Sensing，1989，Vol 3， 10-14 Jul，1372-1375．
　　[36]White R．G，Change detection in SAR imagery．IEEE Transactions on Geoscience and Remote

【SAR變化檢測研究綜述】相關文章：