论文部分内容阅读
在当今大数据时代背景下,高CPU及GPU等高性能计算机越来越普遍。利用计算机进行图形图像处理已不再受存储空间和计算处理能力的限制。随着全球经济飞速发展,城市化进程加快,每天都会有新的高楼拔地而起,城市化进程的基础设施不断完善,由此而带来的土地资源扩张,土地使用范围也在不断地发生变化。同样,受全球气候变暖以及其他因素的影响,洪水、泥石流、山体塌方、地震等自然灾害频发。突发事件导致某一区域会在短时间内发生剧烈的变化。因此,如何利用卫星影像对变化区域做出准确检测具有重要的实践作用。为了利用高性能计算机对所发生变化区域的卫星遥感影像做出精准的检测,解决检测效果不理想的问题,本文提出了一种基于引导图像滤波器及再分类策略的方法。该方法主要包括以下四个步骤:由于原始合成孔径雷达所拍摄的卫星遥感影像有很大的噪声,对后期检测结果具有重要的影响,因此,首先使用Lee滤波器对原始的SAR卫星遥感影像进行去噪声处理;其次,利用近邻比率算子产生差分图像,并使用引导图像滤波器对生成的差分图做增强处理;再次,利用模糊C均值聚类算法进行初次分类;最后利用极限学习机进行二次分类,保证最终分类结果的准确性。本文所做的工作和创新如下:1.针对传统SAR图像变化检测模型对卫星遥感影像边缘检测不够重视,最终影响变化检测结果的准确性和精准性问题,本文提出使用一种新的滤波器——引导图像滤波器,实现差分图像增强并进行边缘保持。与传统的滤波器相比,其在线性时间复杂度内进行滤波处理且其滤波处理速度快。首先,利用近邻比率算子产生差分图像;其次,利用引导图像滤波器对所产生的差分图像进行图像增强处理及边缘保持。通过以上两步可以保证分类结果的精准性。2.为了进一步提高分类结果的准确性,本文提出使用极限学习机作为二次分类器,其在很短的时间内就能够实现自主学习和高效分类。首先利用模糊C均值聚类算法对产生的差分图像进行初次分类,核心是将去除噪声的差分图像按照像素进行聚类,将差分图像的像素点分为三类,即变化类别、未变化类别和模糊类别;然后将经过模糊C均值聚类算法所产生的变化类别和未变化类别像素点输入极限学习机中,对极限学习机进行训练,从而得到训练好的分类器。再次,将模糊C均值聚类算法产生模糊类别输入到训练好的极限学习机分类器中,对模糊类别进行二次分类,并最终将模糊类别细分为变化类别和未变化类别。由此,得到了最终的分类结果,并验证了最终分类结果的准确性。3.提出一种基于引导图像滤波器及再分类策略的SAR图像变化检测模型。主要包含引导图像滤波器实现差分图像增强及极限学习机实现二次分类。通过以上两个模以实块可现有效的SAR图像变化检测。