非监督变化检测使用规范化的社区比和Gustafson KesselClustering卫星图像

克里希纳康德辛格¹,Neelima赛²Nitin Garg²Sunita Mandal,²、Nitigya格²

电子与计算机工程,系副教授Dronacharya工程学院,古尔加翁,印度
B。理工大学的学生,电子与计算机工程,系Dronacharya工程学院,古尔加翁,印度

文摘

介绍了卫星图像的非监督变化检测方法基于规范化社区Gustafson Kessel集群。在第一阶段两个阶段工作的方法创建一个差分图像两bi时间使用规范化的社区比卫星图像。区别图像然后聚集成两个集群变化和不变使用Gustafson·凯塞尔集群创建地图的变化。改变地图改变地区的突出显示。该方法应用于双时态雷诺太浩湖区域的图像,从该方法获得的结果与其他一些先进的方法。定量和定性的比较结果表明,该方法比其他现有方法提供了更准确的结果。

关键字

变化检测,GuftasonKessel集群,集群、规范化的社区比

介绍

卫星图像提供有价值的信息来监控城市化和建筑。噪声引入图像在采集、信号放大和传输,图像处理的重要问题是有效地去除图像噪声,同时保持其功能。[1,2]在遥感、变化检测旨在识别的变化发生在一个区域通过观察它在两个不同的时期。从卫星图像变化检测是用于农业、灾害管理、评估耕地,森林砍伐、城市发展和土地覆盖映射在中型或大型[3]。双时态的变化检测的图像相同的位置是集群的过程输入像素为改变或改变类别。这样的应用程序通常使用两个方案:职位分类比较和直接的变化检测。变化检测方法基本上有两种类型1)监督2)无监督。非监督变化检测是自动识别方法的区别co-registered双时态图像[4]。传感器标定、阴影、大气变化负责降解非监督变化检测技术。以下技术用于检测双时态的变化图像的地理区域1。图像差分2。改变矢量分析3。主成分分析4。图像定量配给5。形象回归6。植被指数差分[5]。

小波融合应用于SAR图像中产生不同的图像(DI)利用互补信息的意思是比和日志比图像。提高变化检测的准确性,融合规则基于重量平均和最小标准差用于熔断器波长系数低和高频率。[6]。基于社区比运营商(NR)提出了在合成孔径雷达(SAR)图像变化检测使用的组合相邻像素的灰度信息和空间信息。操作员是主管的抑制SAR图像斑点噪声的负面影响。[7]。

在多光谱变化检测误差相对globaleadimensionnelle de综合(ERGAS)卫星图像在本地通过全球误差合成指数。ERGAS指数计算一个像素左右邻居(3×3窗口)同时处理所有的光谱波段遥感图像生成变化图像[8]。Bruzzone和普列托提出两种方法基于贝叶斯推断法和马尔可夫随机场(MRF)使用差分图像变化检测。第一个方法认为不同图像的像素是独立的空间位置和允许减少误差的自动阈值变化检测。第二种方法使用基于他们的邻居像素的空间上下文信息用于检测双时态的区别图像[9]。本文将从当地结构空间和上下文信息发布统计数据和数学形态学提出了获得高检测精度。进行变化检测,两个架构,最初为中等分辨率的图像,开发适应VHR:直接Multi-date分类和区别图像分析[10]。提出一种非监督变化检测技术检测之间的双时态变化图像融合的绝对差异和变化矢量分析使用小波融合规则,kohonen集群网络用于生成最终改变地图[11]。无监督changedetection bitemporal遥感图像中使用技术,包括图像和混合遗传FCM光谱的变化差异。应用主成分分析这些图像来创建一个向量空间的特性。变化检测是通过把特征向量空间中两个集群使用混合遗传FCM [12]。 an unsupervised change detection technique for multispectral satellite images was proposed .This method works in three phases. In the first phase, three difference images namely log ratio, change vector analysis and nearest neighborhood ratio are created. In the next phase, a feature vector space is created with these difference images using principal component analysis. In the final phase, a change map is created which highlights the changed areas using Self Organizing Map [13]. MCVA (median change vector analysis) change detection has been proposed for multiclass change detection. This algorithm produces multiclass change map by using feature space containing direction cosine values of both change vector and median vector [14].A recent supervised technique proposed in [15] ,generates the difference image using the normalized neighborhood ratio and PNN . The log likelihood ratio test is used to classify the pixels of the difference image into changed and unchanged classes to create a change map.

二世。该方法

让我们考虑两个卫星图像I1和I2的大小M×N在时间t1和t2 co-registered彼此。该方法的流程图见图一:

a .创建不同的形象

发现不同图像的方法克服了散斑噪声的影响。不同的图像可以计算使用规范化的社区比[15],代表byequation 1,

第一项计算像素归一化率的考虑,第二项计算归一化的比例之和像素的像素在附近N下考虑。和方差和平均灰度的社区。

b .集群使用Gustafsonkesselclustering (GKC)

Gustafson andkessel引入自适应距离标准来衡量集群使用模糊协方差矩阵之间的距离。

三世。实验结果和讨论

数据集来自[16],partsof的双时态图片太浩Reno-Lake区域获得8月5日,1986年和1992年8月5日,如图2所示(a)和(b)用于定性和定量。该算法在Matlab R2009a实施。图2 (c)显示了变化检测的地面真理地图通过人工分析。定性以及定量比较的算法是基于EM方法[9],基于MRF方法对所测试[9]的方法[15]。

定量比较,变化检测掩模获得每个方法使用图像和地面真理。定量评估拟议的变化检测方法以以下方式完成通过使用[17]中给出的标准。使用以下参数:

首先,计算FN(假阴性),改变像素错误地认定为不变像素的数量;第二个计算FP(假阳性),改变像素确定为改变像素的数量。整体误差(OE)是FN和FP的总和。第三,计算TP(真阳性),改变像素的数量正确识别和TN(真阴性),正确的像素数量确定为不变确定正确的分类(PCC)的百分比

上述指标的值不同的方法如表一所示的结果表明,该算法具有最高的整体精度,即。最低,98.31%和遗漏错误比其他方法。可以看到从图3 (a)和(b) EM和基于MRF方法的结果很不满意。他们有低整体精度和高遗漏错误。

四。结论

从遥感图像非监督变化检测方法使用规范化的社区比和Gustafson Kesselclustering (GKC)提出。该算法最初计算图像使用规范化的社区比方法的区别。Gustafson Kessel聚类算法被用来创建一个变化通过聚类的差异图像映射到两个集群的改变,改变像素。使用Matlab R2009a实现的算法。定性和定量的结果,该算法相比于现有的一些方法。该算法发现的变化非常准确地比其他方法。

引用

辛格Krishna康德AkanshaMehrotra Kirat朋友,和m . j .尼噶的。”N8 (P)细节保护自适应滤波器去除脉冲噪声”,诉讼IEEE 2011国际会议上图像信息处理(ICIIP 2011)。
辛格Krishna康德AkanshaMehrotra m·j·尼噶的,和Kirat朋友。”小说边缘保持滤波器去除脉冲噪声”,诉讼IEEE,影响2011人。
保罗杜、Peijun Sicong Liu大阪钢巴,军师库恩Tan,夏。“融合不同图像的变化检测在城市地区。”Selected Topics in Applied Earth Observations and Remote Sensing, IEEE Journal of 5, no. 4 (2012): 1076-1086.
侯赛因·Turgay, ZekiYetgin。“没有区别图像变化检测计算基于多目标函数优化成本。”Turk. J. Elec. Eng. Comp. Sci 19 (2011): 941-956.
Bruzzone洛伦佐,迭戈·普列托。“自动分析差分图像的非监督变化检测。”Geoscience and Remote Sensing, IEEE Transactions on 38, no. 3 (2000): 1171-1182.
妈,晶晶,Maoguo锣,志强周。“比小波融合图像在SAR图像变化检测。”Geoscience and Remote Sensing Letters, IEEE 9, no. 6 (2012): 1122-1126.
锣、Maoguo于曹、吴Qiaodi。“于社区的比率方法在SAR图像变化检测。”Geoscience and Remote Sensing Letters, IEEE 9, no. 2 (2012): 307-311.
迭戈,Renza Estibaliz马丁内斯,AguedaArquero。“多光谱图像变化检测的新方法通过ERGAS指数。”(2013): 76-80.
Bruzzone洛伦佐,迭戈·普列托。“自动分析差分图像的非监督变化检测。”Geoscience and Remote Sensing, IEEE Transactions on 38, no. 3 (2000): 1171-1182.
DevisTuia沃尔皮米歇尔,弗朗西斯卡楼里,米哈伊尔•Kanevski和洛伦佐Bruzzone。“监管变化检测VHR图像中使用上下文信息和支持向量机。”International Journal of Applied Earth Observation and Geoinformation 20 (2013): 77- 85.
口P。辛格,K . K。辛格,b K。,&Mehrotra, A. (2013). “Unsupervised Change Detection of Multispectral Images using Wavelet Fusion and Kohonen Clustering Network”. International Journal of Engineering and Technology.
辛格,K . K。,Mehrotra,。,Nigam, M. J., & Pal, K. (2013, April). “Unsupervised change detection from remote sensing images using hybrid genetic FCM”.Students Conference in Engineering and Systems (SCES), 2013 (pp. 1-5). IEEE.
辛格,K . K。,Khandelwal,P.,Mehrotra, A.(2013). An Unsupervised Change Detection Method for Satellite Images using PCA and SOM Neural Network. Book: Advances in Energy Aware Computing and Communication Systems,McGraw Hill.
Varshney。,Arora M. K., Ghosh J. K.: Median change vector analysis algorithm for land-use land-cover change detection from remotesensing data. Remote Sensing Letters, 3(7), pp. 605-614 (2012)
Mehrotra,。,辛格,K . K。朋友,K。,& Nigam, M. J. (2013).”Change Detection from Satellite Images Using PNN”.In Quality, Reliability, Security and Robustness in Heterogeneous Networks (pp. 333-340).Springer Berlin Heidelberg.
http://geochange.er.usgs.gov/sw/changes/natural/reno-tahoe/index.html
松香P.L.,Ioannidis E.: Evaluation of global image thresholding for change detection. Pattern Recognition Letters, 24(14), pp. 2345–2356, (2003)