基于雙噪聲相似性模型的SAR圖像變化檢測.pdf

1、圖像的冗余性是圖像處理中最基本的性質(zhì)之一。在圖像處理的很多領(lǐng)域，如圖像壓縮、修復(fù)、分類、檢測等應(yīng)用中，如何有效利用圖像的冗余性都是其中的關(guān)鍵問題。為了能有效的利用圖像的冗余性，首先需要尋找到足夠多的相似點(diǎn)或相似塊。因此，如何準(zhǔn)確的度量圖像的相似性是一個極為重要也非常有意義的課題。本論文即是從圖像的相似性度量入手，針對當(dāng)前噪聲塊相似性度量中誤差較大的問題，在貝葉斯框架下，重點(diǎn)研究了基于統(tǒng)計(jì)的雙噪聲相似性度量模型及其在SAR/PolSAR的

2、降斑和多時相變化檢測中的應(yīng)用，取得了如下的研究成果:
　　(1)提出了一種噪聲相似性(noise similarity，NS)的概念，用于改進(jìn)噪聲塊的相似性度量，并將其應(yīng)用于非局部均值（nonlocal means，NLM）濾波器中。噪聲相似性的概念表明噪聲塊之間的相似性不止和信號有關(guān)，與其噪聲也有關(guān)系?；谠肼曄嗨菩缘母拍?，本文提出了一種雙噪聲相似性（double noise similarity，DNS）模型。該模型將圖像去噪

3、的問題轉(zhuǎn)化成了兩種噪聲的抑制問題:一種是外加的加性噪聲;另一種是估計(jì)誤差，即估計(jì)值與其真實(shí)值之間的誤差。前一種對應(yīng)于去噪問題中的噪聲抑制，而后一種則對應(yīng)于圖像細(xì)節(jié)的恢復(fù)。為了驗(yàn)證DNS模型的有效性，本文給出了一種迭代的NLM濾波器，在最大后驗(yàn)概率(maximuma posterior，MAP)框架下這兩種相似性協(xié)同工作。實(shí)驗(yàn)表明，本文提出的基于DNS的NLM去噪結(jié)果要明顯優(yōu)于其它同類算法的去噪結(jié)果。
　　(2)將加性的DNS模型推

4、廣到乘性斑點(diǎn)噪聲情形中，提出了一種針對于SAR圖像的SAR-DNS模型。和加性高斯噪聲不同，SAR圖像中的乘性斑點(diǎn)噪聲是非常復(fù)雜的。為了說明這種SAR-DNS模型的有效性，其被用于了SAR圖像降斑中。在SAR-DNS濾波器中，斑點(diǎn)噪聲的相似性和估計(jì)誤差的相似性在MAP框架下協(xié)同工作達(dá)到平衡，使其在斑點(diǎn)抑制的同時也能較好的保持細(xì)節(jié)。本文還討論了兩種“噪聲相似”在SAR圖像降斑中的作用，并和相關(guān)的濾波算法做了比較。實(shí)驗(yàn)結(jié)果表明，本文提出的基

5、于SAR-DNS濾波器在SAR圖像降斑上的性能比其它同類算法更好。
　　(3)提出了一種基于塊相似性度量的SAR變化檢測算法SAR-PCD。由于SAR圖像中相干斑噪聲的干擾，因此降斑過程對于變化檢測是非常重要的。但是，在濾波后的圖像中依然會有分布不均勻的殘留噪聲。除此之外，包含有降斑步驟的變化檢測結(jié)果往往不能通過恒虛警率(constant false alarm rate，CFAR)來調(diào)節(jié)，而不包含降斑步驟的變化檢測算法在強(qiáng)噪聲情

6、形下效果又很差。為了克服上述缺點(diǎn)，本文提出了一種改進(jìn)的SAR圖像變化檢測框架。這種新框架的主要創(chuàng)新點(diǎn)包括:1）在SAR變化檢測中加入了降斑步驟，使得該算法在強(qiáng)噪聲情況下也很魯棒;2)提出了一種新的等效視數(shù)(equivalent number of looks，ENL)估計(jì)算法，用于估計(jì)SAR圖像降斑后的ENL;3）所提出的基于降斑圖像的變化檢測結(jié)果可以根據(jù)不同的CFAR調(diào)節(jié)。在合成數(shù)據(jù)和真實(shí)數(shù)據(jù)上的實(shí)驗(yàn)都證明了本文提出的SAR-PCD算

7、法的有效性。
　　(4)相比于單極化的SAR數(shù)據(jù)，全極化的SAR包含的信息更加豐富，應(yīng)用更為廣泛。在本文中，DNS模型被進(jìn)一步的推廣應(yīng)用于了多極化SAR的環(huán)境下中，提出了一種適用于極化SAR環(huán)境的PolSAR-DNS相似性，并將其應(yīng)用于降斑和變化檢測中。其中，PolSAR-DNS相似性中的噪聲相似性主要用于斑點(diǎn)抑制，而誤差相似性主要用于保持細(xì)節(jié)。最后，在極化SAR降斑和變化檢測上的實(shí)驗(yàn)都表明，本文提出的PolSAR-DNS相似性比

8、同類型的相似性的結(jié)果更好。
　　(5)提出了一種新的基于多層判別式Fisher自編碼器(stacked Fisher autoen-coder，SFAE)的SAR變化檢測算法。在SFAE框架中，網(wǎng)絡(luò)的訓(xùn)練包括無監(jiān)督的逐層特征訓(xùn)練和有監(jiān)督的微調(diào)。這種訓(xùn)練好的網(wǎng)絡(luò)可以用于單極化/多極化SAR數(shù)據(jù)集中的無監(jiān)督實(shí)時變化檢測。SFAE框架的創(chuàng)新點(diǎn)主要包括兩個方面:一是將棧式自編碼器推廣至乘性斑點(diǎn)噪聲環(huán)境下的SAR變化檢測中。另一個創(chuàng)新點(diǎn)是，