国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      利用星載sar多時相圖像識別地表變化的方法

      文檔序號:6526055閱讀:285來源:國知局
      專利名稱:利用星載sar多時相圖像識別地表變化的方法
      技術(shù)領(lǐng)域
      本發(fā)明屬于空間遙感與空對地觀測信息處理技術(shù)領(lǐng)域,具體涉及一種利用星載SAR多時相圖像識別地表變化的方法。
      背景技術(shù)
      城市與城市群體的發(fā)展是本世紀(jì)人類文明發(fā)展的重大內(nèi)容。城市建筑、綠地、道路的發(fā)展,水體、植物生態(tài)、氣候的變化,人口的遷移等等,所引發(fā)產(chǎn)生的城市地域與內(nèi)涵的變化都需要科學(xué)的評估。多時相(不同時間)的空間遙感觀測為監(jiān)測與評估這一發(fā)展提供了便捷可行的技術(shù)手段,它的一個直接應(yīng)用就是地表變化信息的識別與分類(Rignot andvan Zyl 1993,Singh 1989,Bruzzone and Prieto 2000,Merril and Jiajun 1998,Kasetkasem andVarshney 2002)。全天候高分辨率SAR成像近二十年的發(fā)展與空間遙感計劃(如SIR-CSAR,ERS-1,2,RADARSAT-1,2)的執(zhí)行能提供多年觀測的數(shù)據(jù)圖像,為地表變化信息的獲取與評估提供了條件。
      比較不同時相的海量的遙感圖像數(shù)據(jù),從直觀的圖像灰度值變化作人工定性的評估是十分粗糙的,難以準(zhǔn)確地確定區(qū)域的變化,判斷的閾值不可靠,極為容易失去重要的信息。因此,如何自動獲取與分析地表變化信息,一直是遙感研究的重要課題。
      地表變化信息的檢測與分析有兩類方法有監(jiān)督的方法和無監(jiān)督的方法。前者需要多時相的大量實(shí)況數(shù)據(jù)作為分類過程的訓(xùn)練樣本,后者則不需要附加信息,直接對多時相的遙感圖像進(jìn)行分析。本發(fā)明采用無監(jiān)督方法。
      Rignot和van Zyl(1993)曾用二幅不同時間的SAR圖像之間的差值作變化分析。Singh(1989)用紅外多通道數(shù)據(jù)進(jìn)行變化矢量分析,由各對應(yīng)像素計算得到的變化矢量幅值的統(tǒng)計來檢測變化。這些方法相對簡單易用,但不能對差值圖像進(jìn)行自動或非啟發(fā)式的分析,對差值圖像設(shè)定的閾值通常是基于經(jīng)驗(yàn)或人為的,而閾值選取適當(dāng)與否在很大程度上決定了檢測結(jié)果的可靠與準(zhǔn)確。
      Bruzzone和Prieto(2000)提出了基于Bayes理論和馬爾科夫隨機(jī)場(MRF,MarkovRandom Fields)模型的自動檢測區(qū)域變化的方法,通過期望極大化(EM,ExpectationMaximum)算法來自動獲取一個閾值。他們將差值圖像分成兩類變化區(qū)和無變化區(qū)。但是,他們并沒有用真實(shí)SAR圖像數(shù)據(jù)來說明這一算法的可靠性與可行性。同時,即使是變化區(qū),也可以有完全不同的變化。比如樓群變成草地,后向散射可能變?nèi)酰徊莸厣嫌袠浠蜃兂呻p向反射增強(qiáng)的樓群,后向散射可能增強(qiáng)。后向散射同一db的增強(qiáng)或減弱完全可以有不同的地表變化的信息內(nèi)涵。隨著多通道、多極化、多類遙感器多時相SAR圖像的獲取,自動檢測、識別、分類與評估地表變化更多的信息一定會成為重要的研究方向。

      發(fā)明內(nèi)容
      本發(fā)明的目的在于提出一種利用星載SAR多時相圖像正確、有效識別地表變化的方法。
      本發(fā)明提出的利用星載SAR多時相圖像識別地表變化的方法,是一種基于星載SAR多時相微波遙感圖像的EM-MRF方法。其基本步驟為(1)選取不同時間的兩幅星載SAR微波遙感圖像,計算其差值圖像,該差值圖像是兩幅圖像的相減,或者是兩張圖像的相除;(2)采用EM算法將差值圖像分成三類增強(qiáng)區(qū)、減弱區(qū)和不變區(qū),并獲得區(qū)分的兩個閾值;(3)根據(jù)圖像上相鄰像素的空間結(jié)構(gòu)相關(guān)性,將EM算法的結(jié)果作為初值,利用MRF-ICM算法,進(jìn)行迭代計算,使差值圖像的Gibbs能量達(dá)到局部最小值,從而得到關(guān)于城市變化的散射增強(qiáng)、減弱、不變的分類結(jié)果。
      本發(fā)明用1996和2002年上海市的ERS-2SAR圖像作了實(shí)例研究,用實(shí)地情況佐證。本發(fā)明同樣可應(yīng)用于我國長江三角洲、珠江流域等城市鏈發(fā)展的自動識別變化信息評估。在多通道、多極化、多時相SAR數(shù)據(jù)獲取后,可很容易地推廣到更多分類區(qū)域的分類檢測。


      圖1.差值圖像直方圖。其中,(a)為差值圖像直方圖上閾值劃分示意,(b)為實(shí)際差值圖像歸一化直方圖上三類分布。
      圖2.MRF的二階鄰域系統(tǒng)和組系。其中,(a)二階鄰域系統(tǒng),(b)單像素組系L1及其權(quán)值α,(c)雙像素組系L2及其權(quán)值β。
      圖3.1996年6月4日ERS-2SAR圖像。
      圖4.2002年4月9日ERS-2SAR圖像。
      圖5.二者的差值圖像。
      圖6.不同迭代次數(shù)下各參數(shù)值(γ=0.5)。
      圖7.雙閾值EM算法地表變化分類。
      圖8.MRF-ICM算法自動檢測地表變化分類。
      圖9.上海市變化圖。
      圖10為本發(fā)明流程框圖。
      具體實(shí)施例方式
      1、EM算法估計變化分類的先驗(yàn)、條件概率考慮不同時間(t1,t2)的兩張已經(jīng)對準(zhǔn)的大小為I×J圖像X1和X2。其差值圖像X0=(X2-X1)(也可用X0=(X2/X1)),設(shè)X是一個隨機(jī)變量,代表了差值圖像中I×J個像素的值,XD={X(i,j),l≤i≤I,l≤j≤J}。I、J分別為圖像的高度和寬度。
      檢測與分析差值圖像是要區(qū)分各像素屬于不變化類ωn或變化類ωc。差值圖像XD的像素值的概率分布函數(shù)p(X)包含了這兩類的條件概率分布,即有p(X)=p(X|ωn)P(ωn)+p(X|ωc)P(ωc)(1)這里P(ωn),P(ωc)是“未變化”和“變化”兩類的先驗(yàn)概率分布函數(shù),p(X|ωk)(k=n,c)是條件概率分布函數(shù)。以Bruzzon和Prieto(2000)的工作作為用期望極大化(EM)算法的基礎(chǔ),對p(X|ωn)、p(X|ωc)、p(ωn)和P(ωc)進(jìn)行無監(jiān)督估計。
      EM算法是估計不完整性數(shù)據(jù)問題的最大似然估計法的一種普遍的方法(Takajo andTakahashi 1998,Ghiglia and Romero 1994,Pritt and Shipman 1994,Pritt 1996)。它包括了一個估計步驟和一個極大化步驟,兩個步驟都需要迭代到收斂。估計步驟用受到觀測值控制的參數(shù)估計作為未知變量來進(jìn)行計算。極大化步驟提供了對參數(shù)的新的估計。假設(shè)p(X|ωn)和p(X|ωc)服從高斯(Gauss)分布,ωn對應(yīng)的概率密度函數(shù)由均值μn和方差σn2來描述,同樣,與ωc相關(guān)的概率密度函數(shù)由均值μc和方差σc2描述??梢宰C明(Render andWalker 1984),估計ωn的各參數(shù)與先驗(yàn)概率分布有公式如下Pt+1(&omega;n)=&Sigma;X(i,j)&Element;XDPt(&omega;n)pt(X(i,j)|&omega;n)pt(X(i,j))IJ&CenterDot;&CenterDot;&CenterDot;(2)]]>&mu;nt+1=&Sigma;X(i,j)&Element;XDPt(&omega;n)pt(X(i,j)|&omega;n)pt(X(i,j))X(i,j)&Sigma;X(i,j)&Element;XDPt(&omega;n)pt(X(i,j)|&omega;n)pt(X(i,j))&CenterDot;&CenterDot;&CenterDot;(3)]]>
      (&sigma;n2)t+1=&Sigma;X(i,j)&Element;XDPt(&omega;n)pt(X(i,j)|&omega;n)pt(X(i,j)[X(i,j)-&mu;nt]2&Sigma;X(i,j)&Element;XDPt(&omega;n)pt(X(i,j)|&omega;n)pt(X(i,j))&CenterDot;&CenterDot;&CenterDot;(4)]]>上標(biāo)t和t+1代表當(dāng)前t和下一次t+1的迭代。類似地,這些方程也用來估計ωc的先驗(yàn)概率和條件概率密度函數(shù)的均值μc和方差σc2。即將式(2)、(3)、(4)中的n改為C即可,依次記分(2)’、(3)’、(4)’。
      Pt+1(&omega;c)&Sigma;X(i,j)&Element;XDPt(&omega;c)pt(X(i,j)|&omega;c)pt(X(i,j))IJ&CenterDot;&CenterDot;&CenterDot;(2),]]>&mu;ct+1=&Sigma;X(i,j)&Element;XDPt(&omega;c)pt(X(i,j)|&omega;c)pt(X(i,j))X(i,j)&Sigma;X(i,j)&Element;XDPt(&omega;c)pt(X(i,j)|&omega;c)pt(X(i,j))&CenterDot;&CenterDot;&CenterDot;(3),]]>(&sigma;c2)t+1=&Sigma;X(i,j)&Element;XDPt(&omega;c)pt(X(i,j)|&omega;c)pt(X(i,j)[X(i,j)-&mu;ct]2&Sigma;X(i,j)&Element;XDPt(&omega;c)pt(X(i,j)|&omega;c)pt(X(i,j))&CenterDot;&CenterDot;&CenterDot;(4),]]>參數(shù)估計先從其初始值開始通過迭代上述公式到收斂來獲得??梢宰C明(Takajo andTakahashi 1998,Ghiglia and Romero 1994),每迭代一次,估計的參數(shù)獲得一個對數(shù)函數(shù)形式L(θ)=ln p(XD|θ)的增加量,其中&theta;={P(&omega;n),P(&omega;c),&mu;n,&mu;c,&sigma;n2,&sigma;c2},]]>收斂時將獲得對數(shù)函數(shù)形式的本地最大值。
      參數(shù)估計的初始值可以通過分析差值圖像直方圖h(X)來獲得。在直方圖上確定兩個閾值Tn和Tc來獲得一個比較接近ωn的像素子集Sn和另一個比較接近ωc的像素子集Sc。我們將Tn和Tc寫成T=MD(1-γ)和T=MD(1+γ),其中MD是h(X)的中值。(即MD=[max{XD}+min{XD}]/2),γ∈(0,1)是一個用來定義那些不容易識別的像素在MD周圍變化范圍的初始化參數(shù)。那么集合Sn={X(i,j)|X(i,j)<Tn}和Sc={X(i,j)|X(i,j)>Tc}就可以用來計算兩類ωn和ωc各自的初始統(tǒng)計參數(shù)。
      在各像素值相互獨(dú)立的假設(shè)下,由Bayes最小誤差原理,要使差值圖像XD中的像素X(i,j)屬于類別ωk則須使得其后驗(yàn)條件概率最大,即寫為&omega;k=argmax&omega;i&Element;{&omega;n,&omega;c}{P(&omega;i|X(i,j))}=argmax{P(&omega;i)p(X(i,j)|&omega;i)}&omega;i&Element;{&omega;n,&omega;c}&CenterDot;&CenterDot;&CenterDot;(5)]]>
      這等價于在差值圖像上對兩類ωn和ωc求解最大似然邊界To。最佳閾值To由如下方程給出P(&omega;c)P(&omega;n)=p(X|&omega;n)p(X|&omega;c)&CenterDot;&CenterDot;&CenterDot;(6)]]>在Gauss概率密度分布的假設(shè)下,由式(6)可得(&sigma;n2-&sigma;c2)To2+2(&mu;n&sigma;c2-&mu;c&sigma;n2)To+&mu;c2&sigma;n2-&mu;n2&sigma;c2-2&sigma;n2&sigma;c2ln[&sigma;cP(&omega;n)&sigma;nP(&omega;c)]=0&CenterDot;&CenterDot;&CenterDot;(7)]]>求得ToTo=-b&PlusMinus;b2-4ac2a,]]>a=&sigma;n2-&sigma;c2,b=2(&mu;n&sigma;c2-&mu;c&sigma;n2),]]>C=&mu;c2&sigma;n2-&mu;n2&sigma;c2-2&sigma;n2&sigma;c2ln[&sigma;cP(&omega;n)&sigma;nP(&omega;c)]&CenterDot;&CenterDot;&CenterDot;(7),]]>2、雙閾值的EM算法SAR圖像各像素值表示雷達(dá)回波(后向散射)的強(qiáng)弱,兩幅不同時間的SAR圖像的差值可表明各像素點(diǎn)上后向散射增強(qiáng)、不變和減弱三種情況。增強(qiáng)與減弱表現(xiàn)了地表變化的不同信息。我們將差值圖像各點(diǎn)分為三類增強(qiáng)ωc1、不變ωn和減弱ωc2。在XD中即分別為正的點(diǎn)集、0周圍的點(diǎn)集和負(fù)的點(diǎn)集。
      于是XD的概率密度函數(shù)p(X)為p(X)=p(X|ωc1)P(ωc1)+p(X|ωn)P(ωn)+p(X|ωc2)P(ωc2)(8)采用EM算法,首先對增強(qiáng)類ωc1和非增強(qiáng)類ωn1(ωn和ωc2)得到閾值To1,再對減弱類ωc2和非減弱類ωn2(ωn和ωc1)得到閾值To2,即ωn1=ωn∪ωc2,ωn2=ωn∪ωc1。將這兩個結(jié)果合并得到三種分類。
      如圖1(a),直方圖h(X)中增大區(qū)(x≥0)內(nèi)用兩個閾值Tn1和Tc1來獲得一個比較接近ωn1的像素子集Sn1和另一個比較接近ωc1像素子集Sc1。將Tn1和Tc1寫成Tn1=MD1(1-γ)和Tn1=MD1(1+γ),其中MD1是h(X)中增強(qiáng)區(qū)的中值(即MD1=[max{XD}/2]),本文中γ取0.5。同樣,在h(X)中減弱區(qū)(X<0)內(nèi)找到比較接近ωn2和ωc2的像素子集Sn2和Sc2,其中MD1=[min{XD}/2]。
      圖1(b)是以后要用到的圖5ERS-2SAR對上海市觀測圖像實(shí)際數(shù)據(jù)中截取的延中綠地后向散射差值圖像的灰度直方圖。為便于比較,在圖1(b)中用曲線大致標(biāo)出了三類的概率密度分布。直方圖進(jìn)行歸一化,使得直方圖可以與概率密度分布相一致。
      在增強(qiáng)區(qū)內(nèi)迭代計算時,不管減弱區(qū)的像素;在減小區(qū)內(nèi)迭代時,不管增強(qiáng)區(qū)的像素。那么得到集合Sn1={X(i,j)|0<X(i,j)<Tn1},Sc1={X(i,j)|X(i,j)>Tc1}和Sn2={X(i,j)|Tn2<X(i,j)<0},Sc2={X(i,j)|x(i,j)<Tc2},用來計算兩類ωn1ωc1和ωn2,ωc2各自相關(guān)的初始統(tǒng)計參數(shù)。
      確定了初始參數(shù)后,用式(2~4)進(jìn)行上述四類的迭代,收斂后得到四類的先驗(yàn)概率密度函數(shù)及其統(tǒng)計參數(shù)[P(ωn1),μn1,σn12],[P(ωc1),μc1,σc12],[P(ωn2),μn2,σn22]和[P(ωc2),μc2,σc22]。再先后求解式(7),分別得到閾值To1和閾值To2。
      3、Markov隨機(jī)場(MRF)對空間結(jié)構(gòu)相關(guān)的變化分類Bruzzone和Prieto(2000)使用了兩種方法來檢測多時相遙感圖像上的區(qū)域變化,第一種假設(shè)差值圖像各像素之間是統(tǒng)計獨(dú)立的,第二種則認(rèn)為各像素是空間結(jié)構(gòu)相關(guān)的。事實(shí)上,一個像素屬于ωk類,那么它相鄰的像素也很有可能屬于ωk類。使用第二種方法能改善分類的性能,得到更可靠的結(jié)果。
      用集合C={Cl,1≤l≤L}表示差值圖像上所有分類結(jié)果的集合,Cl={Cl(i,j),1≤i≤I,1≤j≤J},Cl(i,j)∈{ωc1,ωc2,ωn}其中L=3IJ,I,J分別為圖像的高度和寬度。
      根據(jù)Bayes最小誤差理論,分類結(jié)果應(yīng)使后驗(yàn)概率為最大,即Ck=argmaxCl&Element;C{P(Cl|XD)}=argmaxCl&Element;C{P(Cl)p(XD|Cl)}&CenterDot;&CenterDot;&CenterDot;(9)]]>其中XD為差值圖像,P(C1)是類別標(biāo)注的先驗(yàn)概率,p(XD|Cl)是給定類別標(biāo)注條件下的差值圖像的像素值的聯(lián)合概率密度函數(shù)。式(9)的求解需要同時估計P(Cl)和p(XD|Cl),計算上會過于復(fù)雜。采用Markov隨機(jī)場(MRF)來建立差值圖像上像素間的空間結(jié)構(gòu)相關(guān)的模型,問題就可以簡化。
      為了用MRF來描述問題,需要引進(jìn)空間鄰域系統(tǒng)N??紤]一個坐標(biāo)為(i,j)的像素,它的鄰域可以用下式表達(dá)N(i,j)={(i,j)+(v,ζ),(v,ζ)∈N}(10)
      在本發(fā)明中,N={(±1,0),(0,±1),(1,±1),(-1,±1)},即一個像素的鄰域由它周圍的8個像素構(gòu)成。
      用Cl(i,j)表示像素點(diǎn)(i,j)的類別標(biāo)注,ClN表示像素點(diǎn)(i,j)的鄰域像素的類別標(biāo)注,Cl|(i,j)表示差值圖像XD中除了像素點(diǎn)(i,j)之外的其余像素的類別標(biāo)注。把Cl看成一個MRF,則Cl由如下兩條性質(zhì)P(Cl)>0,_Cl(i,j)∈{ωc1,ωc2,ωn}(11)P(Cl(i,j)|Cl|(i,j))=P(Cl(i,j)|ClN) (12)MRF的二階鄰域系統(tǒng)和組系如圖2所示。
      組系是指鄰域系統(tǒng)中的包含中心像素點(diǎn)的鄰近像素的連通子圖,這里考慮單像素和雙像素的組系。如圖2(b,c)所示,單像素的組系有1種形狀,雙像素的組系有4種形狀,其數(shù)學(xué)表示分別為L1=(i,j),L2={{(i,j),(g,h)}|(g,h)∈Ni(i,j)}。
      根據(jù)Hammersley-Clifford定理(Besag 1974),MRF可以等效為Gibbs分布,因此在給定其它像素的類別標(biāo)注的前提下,坐標(biāo)(i,j)處的像素的類別標(biāo)注的條件概率分布可表示為P(Cl(i,j)|{Cl(g,h),(g,h)≠(i,j)})=P(Cl(i,j))|{Cl(g,h),(g,h)∈N(i,j)})=1Zexp[-U(Cl(i,j)|{Cl(g,h),(g,h)&Element;N(i,j)})]&CenterDot;&CenterDot;&CenterDot;(13)]]>其中U(·)是Gibbs能量函數(shù),Z是歸一化因子,Z=&Sigma;(g,h)&Element;{(i,j)&cup;N(i,j)}exp[-U(Cl(i,j)|{Cl(g,h)})]&CenterDot;&CenterDot;&CenterDot;(14)]]>U(Cl|XD)=&Sigma;1&le;i&le;I&Sigma;1&le;j&le;JU(Cl(i,j)|Cl|(i,j),XD)=&Sigma;1&le;i&le;I&Sigma;1&le;j&le;JU(Cl(i,j)|ClN,XD)&CenterDot;&CenterDot;&CenterDot;(15)]]>在差值圖像的直方圖為Gauss分布的情況下,U(Cl(i,j)|ClN,XD)=12ln|2&pi;&sigma;Cl(i,j)2|+(X(i,j)-&mu;Cl(i,j))22&sigma;Cl(i,j)2]]>+v1(Cl(i,j))+&Sigma;(g,h)&Element;N(i,j)v2(Cl(i,j),Cl(g,h))---(16)]]>其中v1(Cl(i,j))=α,(i,j)∈L1。這里α為單像素組系的權(quán)值,一般為-0.7-0.5之間,實(shí)例計算中取α=0。
      v2(Cl(i,j),Cl(g,h))=-&beta;,Cl(i,j)=Cl(g,h),{(i,j),(g,h)}&Element;L2&beta;,Cl(i,j)&NotEqual;Cl(g,h),{(i,j),(g,h)}&Element;L2&CenterDot;&CenterDot;&CenterDot;(17)]]>這里β是雙像素組系的權(quán)值,一般在0.7-1.5之間,實(shí)例計算中取β=1.0。
      根據(jù)式(9),區(qū)域變化圖的生成就是給差值圖像上各像素點(diǎn)標(biāo)上類別,使得后驗(yàn)概率最大。在Markov模型下,就是要使式(15)的能量函數(shù)最小(Bruzzone and Prieto 2000),重寫式(15)為U(Cl|XD)=&Sigma;1&le;i&le;I&Sigma;1&le;j&le;J[UI(X(i,j)/Cl(i,j))]]>+UC(Cl(i,j)/{Cl(g,h),(g,h)&Element;N(i,j)}])&CenterDot;&CenterDot;&CenterDot;(18)]]>其中UC(·)表示考慮了像素之間類別相關(guān)的能量函數(shù),由式(16)的后兩項(xiàng)給出。UI(·)表示假定像素之間類別獨(dú)立的能量函數(shù),由式(16)的前兩項(xiàng)給出,即UI(X(i,j)/Cl(i,j))=12ln|2&pi;&sigma;Cl(i,j)2|+12(X(i,j)-&mu;Cl(i,j))2[&sigma;Cl(i,j)2]-1&CenterDot;&CenterDot;&CenterDot;(20)]]>其中,&sigma;Cl(i,j)2&Element;{&sigma;cl2,&sigma;c22,&sigma;n2},]]>&mu;Cl(i,j)&Element;{&mu;cl,&mu;c2,&mu;n},]]>由EM算法給出。
      一般地,式(18)的求解需要用模擬退火等迭代算法,本文采用ICM算法(Besag1986),此算法計算量小,可以迅速收斂到能量函數(shù)的局部極小值。ICM算法的數(shù)學(xué)表達(dá)式可寫成Cl=ICM(&alpha;&beta;&mu;Cl(i,j),&sigma;Cl(i,j)2,XD,Cl0)&CenterDot;&CenterDot;&CenterDot;(21)]]>其中Cl0為Cl的初始值。
      求解(18)得到Cl的步驟如下(a)通過EM算法,得到Cl的初始值Cl0。
      (b)計算出新的Cl(i,j),使得式(18)中的能量函數(shù)最小。
      (c)重復(fù)步驟(b)直到收斂。
      ICM算法收斂的條件是迭代次數(shù)超過30次或少于 的像素點(diǎn)發(fā)生變化。ICM算法的具體描述可參見Besag(1986)。
      4、城市變化識別實(shí)例圖3、4分別為1996年6月4日和2002年4月9日中國上海地區(qū)的ERS-2 SAR遙感圖像,圖像的分辨率是12.5m×12.5m。計算前圖像已經(jīng)校準(zhǔn),并對初始數(shù)據(jù)進(jìn)行了3×3的均值濾波以消除噪聲起伏。我們從原圖中分別切下580像素×980像素的兩塊區(qū)域,中心是上海市的陸家嘴地區(qū)。圖5是二者的差值圖像(也有將二者相除作為差值圖像)。差值圖像中灰度級大的點(diǎn),代表該點(diǎn)上的后向散射的差值大。從差值圖中可以看到上海市這5年中的變化,但是如何確定變化的分類則是很難自動確定的。
      對差值圖像進(jìn)行EM迭代求解,得到各類在迭代過程中先驗(yàn)概率和統(tǒng)計參數(shù)在各步驟上的值。第一類迭代過程參見圖6(a~c),第二類迭代過程類似。
      在完成EM求解后,分別得到散射增強(qiáng)區(qū)和減弱區(qū)內(nèi)兩個類的先驗(yàn)概率和概率密度分布的均值和方差,根據(jù)公式(7)獲得兩個閾值To1,To2用于分類。
      經(jīng)計算,To1=0.946×10-4,To2=-1.013×10-4(后向散射差值最大值為5.202×10-4,最小值為-3.381×10-4)。
      圖7是采用EM算法所得的區(qū)域變化的檢測結(jié)果。圖中綠色為后向散射增強(qiáng)區(qū),紅色代表后向散射減弱區(qū),藍(lán)色代表后向散射變化不大的區(qū)。這一分類結(jié)果比差值圖像更加清晰。
      為納入空間結(jié)構(gòu)相關(guān)信息,圖8利用基于MRF模型的ICM算法得到結(jié)構(gòu)相關(guān)區(qū)域變化的自動檢測。與圖7相比,同一類別的像素點(diǎn)更加集中,孤立的像素點(diǎn)更少,符合MRF模型的理論。比如,圖8中奇數(shù)(1,3,5)標(biāo)注的地區(qū)為平坦表面后向散射減弱的代表區(qū)域,其中1處為陸家嘴綠地,3處為浦東世紀(jì)公園,5處為延中綠地。偶數(shù)(2,4)標(biāo)注的地區(qū)為多類建筑物產(chǎn)生雙向反射和散射增強(qiáng)的代表區(qū)域,其中2處為浦東陸家嘴的建筑樓群,4處為上海新國際展覽中心。圖8所顯示的上海市1-5地區(qū)的變化與上海市從1996到2002年的建設(shè)情況是一致的,說明了本文雙閾值EM-MRF檢測算法是有效的。將圖8的結(jié)果覆蓋在上海市旅游圖上,如圖9,是一個有趣的比較。
      利用多時相SAR微波遙感圖像提出的EM-MRF模型的算法,可自動檢測多年間城市地區(qū)的變化。這種方法可以對差值圖像進(jìn)行自動分析,不需要作經(jīng)驗(yàn)估計或人工干預(yù)。在假設(shè)像素之間統(tǒng)計獨(dú)立的前提下,按照后向散射變化的強(qiáng)弱,用EM算法將差值圖像分成三類增強(qiáng)區(qū)、減弱區(qū)和持不變區(qū),獲得兩個閾值。再進(jìn)一步根據(jù)圖像上相鄰像素的空間結(jié)構(gòu)相關(guān)性,將EM算法的結(jié)果作為初始值,利用MRF-ICM算法進(jìn)行迭代計算,使差值圖像的Gibbs能量到達(dá)局部最小值,從而得到關(guān)于城市變化的散射增強(qiáng)、減弱、不變的分類結(jié)果。用1996和2002年的上海地區(qū)的ERS-2的多時相遙感圖像進(jìn)行了算法驗(yàn)證,對比實(shí)地發(fā)展變化,證實(shí)了這種方法的有效性。本方法在獲得多極化、多通道、多類遙感器多時相遙感圖像后,可進(jìn)一步推廣到多閾值的EM-MRF算法,得到更多的信息融合的地表變化信息自動分類。
      參考文獻(xiàn)Besag J.(1974),Spatial interaction and the statistical analysis of lattice systems(withdiscussion).Journal of Royal Statistics Society,Series B,36(2)192-326.
      Besag J.(1986),On the statistic analysis of dirty pictures.Journal of Royal Statistics Society,Series B,48259-302.
      Bruzzone L.and D.F.Prieto(2000),Automatic analysis of the difference image forunsupervised change detection.IEEE Transactions on Geoscience and Remote Sensing,38(3)1171-1182.
      Dempster A.P.,N.M.Laird,and D.B.Rubin(1977),Maximum linkelihood from incompletedata via the EM algorithm.Journal of Royal Statistics Society,39(1)1-38.
      Fukunaga K.(1990),Introduction to Statistical Pattern Recognition,2nded.London,U.K.Academic.
      Jin Y.Q.,F(xiàn).Chen and L.Luo(2004),Automatic analysis of change detection of multi-temporalERS-2SAR images by using two-thresholds EM and MRF algorithms,The Imaging ScienceJournal,52234-241.
      Kasetkasem T.and P.Varshney(2002),An image change detection algorithm based on Markovrandom field model.IEEE Transactions on Geoscience and Remote Sensing,40(8)1815-1823.
      Merril K.R.and L.Jiajun(1998),A comparison of four algorithms for change detection in anurban environment.Remote Sensing of Environment,6395-100.
      Moon T.K.(1996),The expectation-maximization algorithm.Signal Processing Magazine,13(6)47-60.
      Render A.P.and H.F.Walker(1984),Mixture densities,maximum likelihood and the EMalgorithm.SIAM Review,26(2)195-239.
      Rignot E.and J.van Zyl(1993),Change detection techniques for ERS-1SAR data.IEEETransactions on Geoscience and Remote Sensing,31(4)896-906.
      Shahshahani B.M.and D.A.Landgrebe(1994),The effect of unlabeled samples in reducing thesmall size problem and mitigating the Hughes phenomenon.IEEE Transactions onGeoscience and Remote Sensing,321087-1095.
      Singh A.(1989),Digtial change detection techniques using remotely-sensed data.InternationalJournal of Remote Sensing,10(6)989-1003.
      權(quán)利要求
      1.一種利用星載SAR多時相圖像識別地表變化的方法,其特征在于基本步驟如下(1)選取不同時間的兩幅星載SAR微波遙感圖像,計算其差值圖像,該差值圖像是兩幅圖像的相減,或者是兩張圖像的相除;(2)采用EM算法將差值圖像分成三類增強(qiáng)區(qū)、減弱區(qū)和不變區(qū),并獲得區(qū)分的兩個閾值;(3)將EM算法的結(jié)果作為初值,利用MRF-ICM算法,進(jìn)行迭代計算,使差值圖像的Gibbs能量達(dá)到局部最小值,從而得到關(guān)于城市變化的散射增強(qiáng)、減弱、不變的分類結(jié)果。
      2.根據(jù)權(quán)利要求1所述的利用星載SAR多相圖像識別地表變化的方法,其特征在于所述兩個閾值由下式計算獲得(&sigma;n2-&sigma;c2)To2+2(&mu;n&sigma;c2-&mu;c&sigma;n2)To+&mu;c2&sigma;n2-&mu;n2&sigma;c2-2&sigma;n2&sigma;c2ln[&sigma;cP(&omega;n)&sigma;nP(&omega;c)]=0---(7)]]>而σn、μn、p(wn)由Pt+1(&omega;n)=&Sigma;X(i,j)&Element;XDPt(&omega;n)pt(X(i,j)|&omega;n)pt(X(i,j))IJ---(2)]]>&mu;nt+1=&Sigma;X(i,j)&Element;XDPt(&omega;n)pt(X(i,j)|&omega;n)pt(X(i,j))X(i,j)&Sigma;X(i,j)&Element;XDPt(&omega;n)pt(X(i,j)|&omega;n)pt(X(i,j))---(3)]]>(&sigma;n2)t+1=&Sigma;X(i,j)&Element;XDPt(&omega;n)pt(X(i,j)|&omega;n)pt(X(i,j))[X(i.j)-&mu;nt]2&Sigma;X(i,j)&Element;XDPt(&omega;n)pt(X(i,j)|&omega;n)pt(X(i,j))---(4)]]>迭代求得,σc、μc、p(wc)由Pt+1(&omega;c)=&Sigma;X(i,j)&Element;XDPt(&omega;c)pt(X(i,j)|&omega;c)pt(X(i,j))IJ---(2)&prime;]]>&mu;ct+1=&Sigma;X(i,j)&Element;XDPt(&omega;c)pt(X(i,j)|&omega;c)pt(X(i,j))X(i,j)&Sigma;X(i,j)&Element;XDPt(&omega;c)pt(X(i,j)|&omega;c)pt(X(i,j))---(3)&prime;]]>(&sigma;c2)t+1=&Sigma;X(i,j)&Element;XDPt(&omega;c)pt(X(i,j)|&omega;c)pt(X(i,j))[X(i.j)-&mu;ct]2&Sigma;X(i,j)&Element;XDPt(&omega;c)pt(X(i,j)|&omega;c)pt(X(i,j))---(4)&prime;]]>迭代求得,其中ωc為差值圖像XD的不變化類像素,ωc為差值圖像XD的變化類像素,p(X)為差值圖像XD的像素值的X的概率分布函數(shù)p(X)=p(X|ωn)P(ωn)+p(X|ωc)P(ωc)(1)而p(wn)、p(wc)為wn、wc的先驗(yàn)概率分布函數(shù),p(X|ωk)(k=n,c)是條件概率分布函數(shù)。
      全文摘要
      本發(fā)明屬空間遙感和空對地觀測信息處理技術(shù)領(lǐng)域,具體為一種利用星載SAR多時相圖像識別地表變化的方法。本發(fā)明用不同時間SAR的圖像差值,通過求解雙閾值期望極大化和馬爾科夫隨機(jī)場EM-MRF算法,識別不同時間的地表發(fā)生散射增強(qiáng)、減弱與不變?nèi)愖兓?,?996和2002年上海市的歐洲遙感衛(wèi)星ERS-2 SAR圖像作了實(shí)例研究,證明本發(fā)明方法的有效性。
      文檔編號G06K9/00GK1760888SQ200510030999
      公開日2006年4月19日 申請日期2005年11月3日 優(yōu)先權(quán)日2005年11月3日
      發(fā)明者金亞秋 申請人:復(fù)旦大學(xué)
      網(wǎng)友詢問留言 已有0條留言
      • 還沒有人留言評論。精彩留言會獲得點(diǎn)贊!
      1