基于PCANet的多时相合成孔径雷达图像变化检测方法
论文链接
-
文章提出基于PCANet的多时相合成孔径雷达图像变化检测方法。
-
该方法利用每个像素的代表性邻域特征，采用PCA滤波器作为卷积滤波器。 给定两幅多时相图像，利用Gabor小波和模糊c-均值来选择具有较高变化或不变概率的感兴趣像素。 然后，生成以感兴趣像素为中心的新图像补丁，并使用这些补丁训练PCANet模型。 最后，利用训练后的PCANet模型对多时相图像中的像素进行分类。 将PCANet分类结果和预分类结果相结合，形成最终的变化图。
-
处理过程
- 预分类。首先用对数比操作生成对数比图像，再利用Gabor小波和FCM算法选择有高可能性变化与未变的像素。剩下的像素在第三步分类。
- 训练PCANet模型。
- 分类变化和未变像素。将第一步剩余的像素用已训练的PCANet模型分类，接着，PCANet分类的结果与预分类的结果结合组成最终的变化图。
-
参数选择
-
变化图
其中，(c)为ground-truth 变化图。
-
变化检测结果对比
其中，
为地面实况图像没有变化的像素，
为地面实况图像中变化的像素，
（False alarm rate ）：真实图像没有变化但被错误的分类为变化了的像素的数量除以
（Missed detection rate） ：被错误的分类为变化像素的数量除以
（Percentage correct classification）：最后被检测出来的正确分类的像素的数量占图像总像素数量的比例。
（Kappa coefficient）：Kappa系数是衡量分类准确性的指标之一。当两幅图像之间的差异相对较大时，Kappa系数较小，这意味着两幅图像的一致性较差。相反，当两个图像之间的差异较小时，Kappa系数很大。 这表明两幅图像的一致性非常好。总错误OE的定义：虚警数和漏检数的总和。
-
总结
提出了一种基于层次FCM聚类和PCANet的SAR图像变化检测方法。 该方法利用每个像素的代表性邻域特征，采用PCA滤波器作为卷积滤波器。 然后，该方法对散斑噪声具有较强的鲁棒性，产生较低的虚警数。 与四种密切相关的方法相比，该方法表现出良好的性能。