精华内容
下载资源
问答
  • 常用目标检测方法

    千次阅读 2019-08-22 22:06:26
    1.基于光流的检测方法 光流:空间运动目标在观测成像上像素运动的瞬时速度。 光流场:包含图像速度大小和方向,上一幅图像到下一幅图像对应像素点之间的位移信息。 缺点: 检测区域灰度等级变化不明显时,不能对...

    1.基于光流的检测方法

    光流:空间运动目标在观测成像上像素运动的瞬时速度。
    光流场:包含图像速度大小和方向,上一幅图像到下一幅图像对应像素点之间的位移信息。
    缺点:

    1. 检测区域灰度等级变化不明显时,不能对运动目标进行有效的检测
    2. 视频场景中的光线发生改变时,即使场景中没有运动目标,光流法也会检测到光流
    3. 3维场景中的图像投射到二维空间时,图像中会损失一些灰度和亮度信息,该方法检测运动目标是会存在孔径和遮挡

    2.基于帧间差分的检测方法

    对视频序列中相邻两帧进行“相减”运算来检测运动区域的方法
    相邻两帧做差与预先设定的阈值进行比较

    3.基于背景减除的检测方法

    建立一个背景模型,将模型与视频帧序列逐帧比较。若两者的同一位置相同,则被认为是背景并更新背景,否则为运动目标。
    背景建模是此方法中的关键环节,主要方法有高斯背景建模法、核密度估计建模法、Codebook背景建模法

    展开全文
  • 一、SAR影像变化检测方法        单极化 SAR 影像变化检测的基本流程范式,即经典的三步流程范式:        1. 预处理 2. 生成差异图 3. ...

    论文名称:合成孔径雷达影像变化检测研究进展

    论文地址:https://web.xidian.edu.cn/mggong/files/20151108_104143.pdf


    一、SAR影像变化检测方法

           单极化 SAR 影像变化检测的基本流程范式,即经典的三步流程范式:
           1. 预处理   2. 生成差异图   3. 分析差异图

    1. 预处理
           目的:让两幅影像在空域谱域具有一致可比性。
           做法:在空域上,两幅影像首先要进行配准处理,目前比较流行的方式是通过尺度不变特征或者互信息特征来对两幅影像进行尺度级别或者灰度级别的配准。[1]
                      在谱域上,需要将因照射条件等原因产生的误差进行辐射校正,这一点可以通过对全图进行目标区域的划分来实现。[2]

    2. 生成差异图
           差异图的生成实际上是找到一个能表征两幅SAR影像之间距离的矩阵,这个矩阵经过可视化处理后就是差异图。
           目的:初步区分两幅 SAR 影像中未变化类变化类
           做法:通过某种差异运算构造一幅和两者尺寸一样的差异图。
                    (以下方法根据时间顺序排列,从早期使用到当前使用)

           (1)采用差值算子运算,即直接将两幅SAR影像相减。(缺点:差值法无法有效抑制相干斑噪声 (乘性随机噪声)

           (2)采用比值算子运算。(优点:比值法可有效抑制相干斑噪声 (乘性随机噪声);缺点:没有考虑影像的局部、边缘、类条件分布等先验信息)[3]

           (3.1)采用对数比(Log-ratio, LR)算子运算,在比值差异图的基础上多了一步对数的运算。(优点:将SAR 影像中的相干斑噪声(乘性随机噪声) 转换为加性噪声,并且经过对数转换后差异影像得到了非线性收缩,增强了变化类和非变化类的对比度。对数运算本身的性质能够减小比值运算所带来的较大差异,所以可以进一步降低未变化类背景部分的野点影响,在变化区域比未变化区域小的情况下比较有效。缺点:因为对数运算收缩性较强,所以边缘区域的像素值容易被模糊化)[4]

           (3.2)采用均值比(Mean-ratio,MR)算子运算,相比的对象不再是对应的孤立像素点,而是像素点所在的邻域的均值。(优点:利用了像素的邻域信息,对于单独出现的野点有一定程度的抑制效果;缺点:缺乏伸缩变换,如果噪声不是以点状的形式出现而是以成片的形式出现,则不易有效抑制其影响)[5]

           (4)组合差异图法(Combined Difference Image, CDI),该方法对差值差异图LR差异图进行参数加权获得新的差异图。CDI 法将差值差异图和LR差异图分别进行均值滤波中值滤波,初步去除噪声干扰和野点,然后利用人工加权的参数获得最终的融合差异图。(优点:简单易行,且适合于并行处理,速度较快;缺点:含有人工参数,需要多次测试才能得出最优的参数值,不易根据影像本身的性质进行自动选择。)[11]

           (5.1)基于邻域的比值差异图算法(Neighborhood-based Ratio,NR),NR算子是对比值差异图MR差异图的一个加权平均。这个权值可以表征中心像素所在的位置是处于匀质区域还是异质区域,低值对应匀质区域,高值对应异质区域。(优点:充分结合了像素点的灰度信息和空间信息,加权参数完全由影像自身的性质确定,提高了差异图构造的鲁棒性。)[12]

           (5.2)小波融合(Wavelet Fusion, WF)法,首先对已生成的LRMR差异图分别进行 小波变换,再分别抽取MR差异图的低频段和 LR差异图的高频段,也就是抽取了MR差异图的 整体信息和LR差异图的 细节信息。然后对 LL、LH、HL 和 HH 按照基于邻域的融合规则进行 融合,生成一幅新的小波变换图。最后进行 小波逆变换,得到了WF融合差异图。(优点:使LR和MR两种差异图的优点结合在一起。)[13]

           (5.3)结合SAR影像纹理强度特征来构造差异图(Intensity and Texture, IT),将输入的两幅 SAR 影像进行稀疏和低秩系数的分解,分别得到了对应的强度和纹理信息,对这两种信息分别构建差异图,然后进行融合。(优点:既提取出了 SAR影像中主要变化的区域, 又能防止斑点噪声对差异图性能产生影响,尤其是在性能保持这一性能上具有较强的鲁棒性。)[14]

    3. 分析差异图
           差异图生成以后,需要对其进行分析,最终生成一幅黑白二值图。常用的分析方法有四种:阈值分析聚类分析图切分析水平集分析

           (1)阈值法
                    阈值法通过某种阈值选择方法找出一个最优阈值以后,将差异图以阈值像素值为界划分为两类。(优点:运算速度快,方法简明;缺点:精确度不够高)
                    无监督最优阈值选择方法有两类:KI法和EM法
                           相同点KI法EM法首先都需要通过建立模型对未变类和变化类的类条件分布进行直方图拟合,最后通过 Bayes 最小错误率准则来使得两类分布的后验概率相等来择出最优阈值。
                           不同点KI法通过建立性能指标函数,并求出函数最小值来寻找对应的最优阈值;EM法则是通过迭代不断最大化期望值来求得最优阈值。

                           KI法(Kilter & Illingworth):
                               (以下方法根据时间顺序排列,从早期使用到当前使用)
                               1)KI法 [6]
                               2)广义KI法(Generalized KI, GKI)(优点:GKI 所构建的性能指标函数包含了模型的整个类条件分布表达式,比起 KI 的指标函数利用了更多的模型信息。)[15]
                               3)直方图优化方法,在运用 GKI 之前先对直方图进行优化处理。(优点:有效地解决直方图为单峰时 GKI 处理所遇到的困难问题。)[16]

                           EM法(Expectation Maximization 期望最大化):
                               (以下方法根据时间顺序排列,从早期使用到当前使用)
                               1)基于Gaussian模型EM法 [7]
                               2)基于性能更加优良的GG模型EM法,(优点:对影像及其变化区域分布状况的可选范围广;缺点:由于要对两类同时进行EM算法估计,需要比较繁杂 的初始化及迭代计算。)[17]
                               3)局部拟合兼半期望最大化 (Locally Fitting and Semi-EM, LF&SEM) 方法,该方法适用于变化区域的比例相对较小的普适情况。该方法首先锁定了最优阈值必然出现的一个子区间,使得未变化类模型的拟合区间限定在这个子区间内而不像其余的方法去拟合全部灰度级。然后根据未变化类拟合的信息,对于被混叠的变化类采取了基于 GG 模型的EM迭代。(优点:充分考虑到了未变化类和变化类的分布特点,将两类的拟合方式加以区分,采取了局部拟合和搜索策略,缩减了拟合区间和搜索长度。由于计算复杂的 EM 法只用在变化类估计上,所以其迭代计算量只有上述EM计算量的一半;同时由于未变化类的精确估计在先,因此也不需要进行复杂的初始化,进一步降低了算法时间消耗。)[18]

                    类条件分布模型有:

                           * Gaussian 模型                               #常用
                           * 广义 Gaussian 模型(GG)          #常用
                           * 对数正态模型(Log-normal, LN) #常用
                           * Nakagami-ratio 模型
                           * Weibull-ratio 模型

           (2)聚类法
                    通过对差异图运用聚类算法得到未变类和变化类的两个聚类中心,然后通过近邻法分割出两类。(优点:不需要建立模型,比阈值法灵活)
                    聚类方法有硬聚类模糊聚类两种,硬聚类以K均值聚类(K-means, KM)法为代表,模糊聚类以模糊C均值聚类(Fuzzy C-means, FCM) 法为代表。
                           (以下方法根据时间顺序排列,从早期使用到当前使用)
                           1)K均值聚类(K-means, KM)法:利用类间距离最大和类内距离最小这两点,通过迭代找到合适的聚类中心。(缺点:由于硬划分造成一些误差)[8]
                           2)模糊C均值聚类(Fuzzy C-means, FCM) 法:在KM法的基础上加入了模糊集合知识,生成有隶属度矩阵。(优点:相比KM法能够更为有效地保留更多数据原有的特性,从而使分类精度得以提高)[9]
                           共同缺点KM法FCM法没有考虑数据在空域上的诸多其他信息,因此仍旧对影像噪声比较敏感。

                           利用邻域信息FCM改进的聚类方法:
                           (以下方法根据时间顺序排列,从早期使用到当前使用)
                           1)快速广义模糊C均值(Fast Generalized Fuzzy C-means, FGFCM)聚类法:在目标函数上加入了 3×3 邻域的空间约束。(优点:提高了模糊聚类在影像分割方面的精度;缺点:依赖人工参数)[19]
                           2)局部邻域信息模糊C均值 (Fuzzy Local Information C-means, FLICM)聚类方法:该方法给出了一种体现 3×3 邻域内诸像素点和中心像素点的距离关系模糊因子,同时提出了基于此模糊因子的全新目标函数和更新公式。(优点:没有人工参数)[20]
                           3)改良局部邻域信息模糊C均值(Reformulated Fuzzy Local Information C-means, RFLICM)聚类方法:对模糊因子进行了进一步的研究和改良。经过改良后的模糊因子将邻域大小拓展到 5×5,从而体现了两个 3×3 邻域之间的距离关系。(优点:没有人工参数而且更加细致权衡所利用的邻域信息,降低了 FLICM 中孤立野点对模糊因子的干扰,对隶属度的计算更加精确。)[21]

                           利用马尔可夫随机场(Markov Random Field, MRF)对FCM改进的聚类方法:
                           (以下方法根据时间顺序排列,从早期使用到当前使用)
                           1)将 MRF 中带有能量函数的 Gibbs 表达式加入了 FCM 算法当中,通过计算点式先验概率来获得隶属度,并在目标函数中加以加权约束。(缺点:加权参数是人工指定的。并且能量函数的表 达式较为粗略,不能很好地应对像 SAR 影像变化检测差异图分析这样相对复杂的任务。)[22]
                           2)基于MRF的新型 FCM(MRFFCM)算法:该算法根据能量函数指数形式的特点,提出了一种带附加项能量函数。附加项充分利用了 3×3 邻域内诸像素点和中心像素点的类别关系和隶属度关系,根据邻域像素的同属类别个数来对隶属度进行修正。最后利用最小二乘法来对附加项的参数在不同情况下加以分别拟合,使得整个能量函数能够完全自动地进行计算。此外,该方法待优化的目标函数回归到FCM最原始形式,这是由于精细的能量函数已经可以对隶属度加以约束,而不必要过多去修饰目标函数,即没有了人工加权参数的干预。[23]

           (3)图切法
                    图切法是另一种影像的二分类方法,本质上是将未变化类和变化类的标签分配给诸像素点。该方法根据差异图自身的性质构造合适的能量函数,并且使用图切法最小化这个能量函数,使得能量最小时,每一个像素点都属于一个最合适的分类。
                    图切法的能量函数包含两部分:数据函数平滑函数数据函数值用于衡量影像中某像素点与其当前所持标签的拟合程度大小,平滑函数则相当于在某一邻域中两个像素点之间不连续性的惩罚函数
                    图切法应用到 SAR 影像变化检测的方式主要有两种:

                    第一种方式是将图切算法用于其余分析方法的预处理阶段,代表工作有:
                           将图切算法应用在FCM聚类算法之前:该方法将原始影像进行一定的变形之后,通过邻接图之间的距离关系,初步获得了每一个像素点的初步分类信息。(优点:提高了 FCM 分类的精确度)[24]
                           基于图切的GG模型分析法(GG Segmentation Based on Graph Cut, GC_GG) [25]

                    第二种方式是将图切算法用于能量最小化的优化分析过程(由于 SAR 影像变化检测是对差异图的每个像素进行分类,因此被往往构造为能量最小化问题),代表工作有:
                           基于MRF的图切算法:该方法对像素点及其邻域像素点作以合理的假设:如果一个像素标记为变化类或未变化类,那么它 周围的像素极有可能是同样的标记。根据这一假设, 该方法利用 line-process 方法保留边缘信息,结合EM对数累积方法(Method of Logcumulants, MoLC)对影像的概率分布模型参数进行精确估计,并选取MRF作为工具,通过图切算法不断优化MRF的能量函数,最终对差异图中的未变类和变化类进行了有效区分。(优点:该方法适用范围广,对超高分辨的 SAR 影像变化检测也十分有效。)[26]
                           局部搜索兼核函数诱导图切方法 (Local Fit-search and Kernel-induced Graph Cut, LFS&KGC) :该方法利用了灰度直方图性质,对其有效拟合的子区间进行模型的建立,提高了图切初始化的精度。同时由于 SAR 影像数据的复杂性,生成的差异图往往不适合直接作为数据函数,因此该方法在图切算法中引入核函数,通过核函数转换将影像映射到高维空间,增加影像的可分性,能够有效地对不同等效视数的 SAR 影像进行变化检测任务的执行。[27]

           (4)水平集法
                    差异图的分析问题可表示为求解某一能量泛函的最小值问题。水平集方法通过不断最优化能量函数来更新水平集函数,最终水平集函数值为正和为负的部分分别标记为差异图分析对应的变化类与未变化类。(利用曲线演化将二维闭合曲线的演化问题转化为三维空间中水平集函数曲面演化的隐含方式来求解,即构造一个三维的水平集函数,然后求使其值为零的解构成的曲线集合,从而获得影像分割的结果。)
                    (以下方法根据时间顺序排列,从早期使用到当前使用)
                    1)Chan和Vese根据 Mumford-Shah 泛函模型变分水平集方法提出了著名的CV模型:该模型是基于区域的分析方法,具有很好的内部边缘和弱边缘的检测能力。通过不断优化能量函数的过程中不断修正水平集函数, 轮廓曲线演化方程被转化成求解数值化偏微分方程 的问题。SAR影像变化检测的差异图由于受到噪声的影响,容易在区域内或边界上产生野点现象,因此可以在其能量函数中加上若干邻域或者边缘信息,适应于拓扑结构变化的处理。该模型中的能量函数由三项组成,前两项代表了被分成的两类的类内距离,为基本的函数优化项;最后一项是一个平滑先验项,其物理意义代表了曲线的长度。平滑先验项以加权的方式附加,具有初步平滑噪点的功效。通过梯度下降法可以得到 CV模型中水平集函数的更新演化偏微分方程。(优点:在曲线的分裂或者合并等过程中,不但具有较高的计算精度,而且算法稳定性强,可以有效降低这些野点在分析过程中的干扰。CV模型用于灰度均匀影像分割获得了很好的效果,能较好地保留影像的细节。)[10]
                    2.1)加入局部信息的区域规模拟合模型(Region-scalable Fitting, RSF):为了使CV模型能较好地分割灰度不均匀的影像提出了该模型,在充分分析了基于区域的主动轮廓模型 后,把 Gaussian 核函数加入到能量函数的积分式中, 平滑了影像;同时对二分类的拟合函数的表达式也在 水平集函数的演变中加以推导,最终得到了用卷积形式表达的拟合函数更新表达式。(优点:该方法中核函数加入 了数据项,所以零水平集部分(轮廓)在演化过程中 由被抽取出的局部信息所引导,从而非匀质区域也能得以恰当地处理。)[28]
                    2.2)在CV能量函数之后附加正则项:CV模型需要进行重新初始化,以使得水平集函数在演化过程中保持符号距离函数的特性,从而导致该过程的复杂度大大提升。为了解决CV模型需要重新初始化的问题提出了正则项概念。正则项附加在 CV 能量函数之后,可以认为是水平集函数的一个泛函,它的出现避免了复杂的初始化问题,使得每一次水平集函数演化后都能够尽可能保持符号距离函数特性。该方法提出了一种基于水平集函数梯度的简单正则项,该正则项在梯度较大的区域取值较大,而在梯度较小的地方取值较小,在水平集函数演化过程中起到了一定的拉伸作用。(优点:正则项的出现打破了CV模型需要重新初 始化的桎梏,对水平集分析算法的简化起着重要的意 义;缺点:该正则项在水平集函数梯度小于 1 时和实际期望的物理意义相差较大)[29]
                    3.1)正则项改进 CV 模型(Improved CV, ICV):ICV 模型对上述正则项利用余弦 函数进行了改进,且对水平集函数的取值进行了讨论处理(优点:弥补了2.2中正则项在水平集函数值小于 1 时和实际物理意义差距甚远的问题。)[30]
                    3.2)基于多级分辨率水平集的差异图分析方法(Multiresolution Level-set, MLS):因为水平集方法对初始轮廓较为敏感,易陷入局部最优,所以提出了该方法。首先通过下采样的方式将差异图蜕变为一系列低分辨率的影像;其次,将较低分辨率的影像的水平集分割结果轮廓作为下一级较高分比例影像的初始轮廓;最后,二值化最后一级分辨率影像(初始生成的差异图)的分割结果,即获得变化检测的最终结果。(优点:这种方法在下采样的过程中,将噪声以一定的概率加以弱化或剔除,使得水平集第一次分割时能够尽可能少地受噪声影响,并且带有很强的先验信息。在后续分析中,这些先验信息逐步引导水平集函数收敛至全局最优,在复杂的环境下提高了分类精度。)[31]

    二、SAR影像数据集

           SAR影像数据集一般包含有两幅已配准的不同时刻的 SAR 影像和一幅人工标定的标准参考二值图。

           1. Bern 数据集
    在这里插入图片描述
           该数据集分辨率为20m,其中数据集的原始影像是分别在1999年4月和1999年5月通过欧洲遥感2号星载SAR传感器在瑞士Bern地区获得的。在此时间段内,泛滥的 Aare 河洪水将 Thun 和 Bern 两座城市的部分地区淹没,Bern 机场则是彻底被洪水淹没。前一时刻的 SAR 影像显示了洪水尚未发生时的情形,后一时刻的 SAR 影像中可以清楚地看出当时泛滥的洪水。两幅影像的尺寸均为301×301。 而变化参考图通过结合当地真实的陆地信息和专家知识得到。

           2. Ottawa 数据集
    在这里插入图片描述
           该数据集是由 RADARSAT-SAR 卫星分别在 1997 年 5 月和 1997 年 8 月拍摄的,分辨率为12m, 影像大小为 290×350。该数据集反映的是加拿大 Ottawa 地区受雨季影响其地表变化情况。此时间段正值 1997 年的雨季过后,河道明显变窄。从图 2 可以清楚地看出河水退去后露出的大范围陆地区域。变化参考图通过结合当地真实的陆地信息和专家知识得到。

    三、实验方法

    1. 差异图生成算法的评估指标
           绘制每一幅差异图对应的受试者工作特征曲线 (Receiver OperatingCharacteristic, ROC) :曲线上的数据点代表了遍历灰度级的诸阈值分割下的一系列虚警率(False Alarm Rate)检测率(Detection Rate) 的对应点,为了观察细节,一般需要绘制出点(0,1)附近的局部放大图曲线下的面积大小(Area under the Curve, AUC) 用来作为性能的评判,AUC越大代表差异图性能越良好。[32]

    2. 差异图分析算法的评估指标

    • 错检数 (False Positive, FP):本属于未变化类却被检测为变化类的像素点数,越小表明差异图分析结果越好。
    • 漏检数(False Negative, FN):本属于变化类却被检测为未变化类的像素点数,越小表明差异图分析结果越好。
    • 总错误数(Overall Errors, OE): FPFN 两者的加和,越小表明差异图分析结果越好。
    • Kappa系数(Kappa Coefficient, KC):差异图分析生成的二值图与真实参考图的接近程度, 越接近于 1 表明差异图分析结果越接近于真实参考图。

           参考文献 [33] 给出了每项指标的具体计算方法, 并且指出,由于KC中包含了更多的分类信息,所以 KC 是一个比 OE 更能反映分类优劣的指标。

    四、研究趋势

    1. 差异图生成和差异图分析协同进行研究。
    2. 在 SAR 影像变化检测中有效加入非局部信息。[34]
    3. 对变化的地物识别进行深入地研究,尤其是识别水域的变化。
           上述检测方法均为基于像素的方法,事实上,变化检测越来越注重所检测的变化类型。因此,有必要对变化的地物识别进行深入地研究,尤其是识别水域的变化。
    4. 非同源传感器影像之间的变化检测算法研究。
    5. 利用深度神经网络方法对变化检测任务进行研究。
           文献 [35] 对上述研究趋势进行了初步的研究,利用深度神经网络提取地物特征,构建了特征映射函数,建立两幅影像之间的联系,通过训练映射函数,计算映射误差,得到差异图。(优点:深度神经网络方法并未强调 SAR 影像本身的特性,因此具有相当的普适性,给这类较为复杂的变化检测任务指明了方向。)
    6. 探究和GPU并行运算相关的SAR影像变化检测技术。
           以前的变化检测任务是在以CPU为核心处理器的计算机上运行的,而近年来又有了以GPU并行处理器为核心的实验机器。在参考文献 [36] 中利用GPU对变化检测进行初步尝试,加速效果可以达到原先的 63~145 倍。因此,有必要进一步探究和GPU并行运算相关的SAR影像变化检测技术。

    参考文献:

    [1] Gong Maoguo, Zhao Shengmeng, Jiao Licheng, et al. A novel coarse-to-fine scheme for automatic image registration based on SIFT and mutual information [J]. IEEE Trans on Geoscience and Remote Sensing, 2014, 52(7): 4328-4338

    [2] Liu S C, Fu C W, Chang S. Statistical change detection with moments under time-varying illumination [J]. IEEE Trans on Image Processing, 1998, 7(9): 1258-1268

    [3] Rignot E J M, Zyl J J V. Change detection techniques for ERS-1 SAR data [J]. IEEE Trans on Geoscience and Remote Sensing, 1993, 31(4): 896-906

    [4] Bovolo F, Bruzzone L. A detail-preserving scale-driven approach to change detection in multitemporal SAR images [J]. IEEE Trans on Geoscience and Remote Sensing, 2005, 43(12): 2963-2972

    [5] Inglada J, Mercier G. A new statistical similarity measure for change detection in multitemporal SAR images and its extension to multiscale change analysis [J]. IEEE Trans on Geoscience and Remote Sensing, 2007, 45(5): 1432-1445

    [6] Bazi Y, Bruzzone L, Melgani F. An unsupervised approach based on the generalized Gaussian model to automatic change detection in multitemporal SAR images [J]. IEEE Trans on Geoscience and Remote Sensing, 2005, 43(4): 874-887

    [7] Bruzzone L, Prieto D F. Automatic analysis of the difference image for unsupervised change detection [J]. IEEE Trans on Geoscience and Remote Sensing, 2000, 38(3): 1171-1182

    [8] Celik T. Unsupervised change detection of satellite images using local gradual descent [J]. IEEE Trans on Geoscience and Remote Sensing, 2012, 50(5): 1919-1929

    [9] Ghosh A, Mishra N S, Ghosh S. Fuzzy clustering algorithms for unsupervised change detection in remote sensing images [J]. Information Science, 2011, 181(4): 699-715

    [10] Chan T F, Vese L A. Active contours without edges [J]. IEEE Transactions on Image Process, 2001, 10(2): 266-277

    [11] Zheng Yaoguo, Zhang Xiangrong, Hou Biao, et al. Using combined difference image and k-means clustering for SAR image change detection [J]. IEEE Geoscience and Remote Sensing Letters, 2014, 11(3): 691-695

    [12] Gong Maoguo, Cao Yu, Wu Qiaodi. A neighborhood-based ratio approach for change detection in SAR images [J]. IEEE Geoscience and Remote Sensing Letters, 2012, 9(2): 307-311

    [13] Ma Jingjing, Gong Maoguo, Zhou Zhiqiang. Wavelet fusion on ration images for change detection in SAR images [J]. IEEE Geoscience and Remote Sensing Letters, 2012, 9(6): 1122-1126

    [14] Gong Maoguo, Li Yu, Jiao Licheng, et al. SAR change detection based on intensity and texture changes [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 93: 123-135

    [15] Moser G, Serpico S B. Generalized minimum-error thresholding for unsupervised change detection from SAR amplitude imagery [J]. IEEE Trans on Geoscience and Remote Sensing, 2006, 44(10): 2972-2982

    [16] Hu Hongtao, Ban Yifang. Unsupervised change detection in multitemporal SAR images over large urban areas [J]. IEEE Journal of Selected Topics in Applied Earth Observation Remote Sensing, 2014, 7(8): 3248-3261

    [17] Bazi Y, Bruzzone L, Melgani F. Image thresholding based on the EM algorithm and the generalized Gaussian distribution [J]. Pattern
    Recognition, 2007, 40(2): 619-634

    [18] Su Linzhi, Gong Maoguo, Sun Bo, et al. Unsupervised change detection in SAR images based on locally fitting model and semi-EM algorithm [J]. International Journal of Remote Sensing, 2014, 35(2): 621-650

    [19] Cai Weiling, Chen Songcan, Zhang Daoqiang. Fast and robust fuzzy C-means clustering algorithms incorporating local information for image segmentation [J]. Pattern Recognition, 2007, 40(3): 825-838

    [20] Krinidis S, Chatzis V. A robust fuzzy local information c-means clustering algorithm [J]. IEEE Trans Image Process, 2010, 19(5): 1328-1337

    [21] Gong Maoguo, Zhou Zhiqiang, Ma Jingjing. Change detection in synthetic aperture radar images based on image fusion and fuzzy clustering [J]. IEEE Trans on Image Processing, 2012, 21(4): 2141-2151

    [22] Chatzis S P, Varvarigou T A. A fuzzy clustering approach toward hidden Markov random field models for enhanced spatially constrained image segmentation [J]. IEEE Trans on Fuzzy System, 2008, 16(5): 1351–1361

    [23] Gong Maoguo, Su Linzhi, Jia Meng, et al. Fuzzy clustering with a modified MRF energy function for change detection in synthetic aperture radar images [J]. IEEE Trans on Fuzzy System, 2014, 22(1): 98-109

    [24] Gou Shuiping, Yu Tiantian. Graph based SAR images change detection [C]// IEEE Int’l Geoscience and Remote Sensing Symposium. NY: IEEE, 2012: 2152-2155

    [25] Zhang Xiaohua, Chen Jiawei, Meng Hongyun. A novel SAR image change detection based on graph-cut and generalized Gaussian model [J]. IEEE Geoscience and Remote Sensing Letters, 2013, 10(1): 14-18

    [26] Moser G, Serpico S B. Unsupervised change detection with high-resolution SAR images by edge-preserving Markov random fields and graph-cuts [C]// IEEE Int’l Geoscience and Remote Sensing Symposium. NY: IEEE, 2012: 1984-1987

    [27] Gong Maoguo, Jia Meng, Su Linzhi. Detecting changes of the Yellow River estuary via SAR images based on local fit-search model and kernel-induced graph cuts [J]. International Journal of Remote Sensing, 2014(11-12), 35: 4009-4030

    [28] Li Chunming, Kao C Y, Gore J C, et al. Minimization of region-scalable fitting energy for image segmentation [J]. IEEE Trans on Image Processing, 2008, 17(10): 1940-1949

    [29] Li Chunming, Xu Chenyang, Gui Changfeng, et al. Level set evolution without re-initialization: a new variational formulation[C]// IEEE Computer Society Conference on Computer Vision and Pattern Recognition. NY: IEEE, 2005. 430-436

    [30] Li Chunming, Xu Chenyang, Gui Changfeng, et al. Distance regularized level set evolution and its application to image segmentation [J]. IEEE Trans on Image Processing, 2010, 19(12): 3243-3254

    [31] Bazi Y, Melgani F, Al-Sharari H D. Unsupervised change detection in multispectral remotely sensed imagery with level set methods [J]. IEEE Trans on Geoscience and Remote Sensing, 2010, 48(8): 3178-3187

    [32] Inglada J, Mercier G. A new statistical similarity measure for change detection in multitemporal SAR images and its extension to multiscale change analysis [J]. IEEE Trans on Geoscience and Remote Sensing, 2007, 45(5): 1432-1445

    [33] Su Linzhi, Gong Maoguo, Sun Bo, et al. Unsupervised change detection in SAR images based on locally fitting model and semi-EM algorithm [J]. International Journal of Remote Sensing, 2014, 35(2): 621-650

    [34] Su Xin, Deledalle C, Tupin F, et al. Two-step uultitemporal nonlocal means for synthetic aperture radar images [J]. IEEE Trans on Geoscience and Remote Sensing, 2014, 52(10): 6181-6196

    [35] Zhao Jiaojiao, Gong Maoguo, Liu Jia, et al. Deep learning to classify difference image for image change detection [C]// 2014 International Joint Conference on Neural Networks (IJCNN) . NY: IEEE, 2014: 411-417

    [36] Zhu Huming, Cao Yu, Zhou Zhiqiang, et al. Parallel Unsupervised Synthetic Aperture Radar Image Change Detection on a Graphics Processing Unit [J]. International Journal of High Performance Computing Applications, 2013, 27(2): 109-122.

    展开全文
  • 入侵检测系统常用检测方法有特征检测、统计检测与专家系统。据公安部计算机信息系统安全产品质量监督检验中心的报告,国内送检的入侵检测产品中95%是属于使用入侵模板进行模式匹配的特征检测产品,其他5%是采用...
    入侵检测系统常用的检测方法有特征检测、统计检测与专家系统。据公安部计算机信息系统安全产品质量监督检验中心的报告,国内送检的入侵检测产品中95%是属于使用入侵模板进行模式匹配的特征检测产品,其他5%是采用概率统计的统计检测产品与基于日志的专家知识库系产品。   
    

      特征检测

      特征检测对已知的攻击或入侵的方式作出确定性的描述,形成相应的事件模式。当被审计的事件与已知的入侵事件模式相匹配时,即报警。原理上与专家系统相仿。其检测方法上与计算机病毒的检测方式类似。目前基于对包特征描述的模式匹配应用较为广泛。该方法预报检测的准确率较高,但对于无经验知识的入侵与攻击行为无能为力。

      统计检测

      统计模型常用异常检测,在统计模型中常用的测量参数包括:审计事件的数量、间隔时间、资源消耗情况等。常用的入侵检测5种统计模型为:

      1、操作模型,该模型假设异常可通过测量结果与一些固定指标相比较得到,固定指标可以根据经验值或一段时间内的统计平均得到,举例来说,在短时间内的多次失败的登录很有可能是口令尝试攻击;

      2、方差,计算参数的方差,设定其置信区间,当测量值超过置信区间的范围时表明有可能是异常;

      3、多元模型,操作模型的扩展,通过同时分析多个参数实现检测;

      4、马尔柯夫过程模型,将每种类型的事件定义为系统状态,用状态转移矩阵来表示状态的变化,当一个事件发生时,或状态矩阵该转移的概率较小则可能是异常事件;

      5、时间序列分析,将事件计数与资源耗用根据时间排成序列,如果一个新事件在该时间发生的概率较低,则该事件可能是入侵。

      统计方法的最大优点是它可以“学习”用户的使用习惯,从而具有较高检出率与可用性。但是它的“学习”能力也给入侵者以机会通过逐步“训练”使入侵事件符合正常操作的统计规律,从而透过入侵检测系统。

      专家系统

      用专家系统对入侵进行检测,经常是针对有特征入侵行为。所谓的规则,即是知识,不同的系统与设置具有不同的规则,且规则之间往往无通用性。专家系统的建立依赖于知识库的完备性,知识库的完备性又取决于审计记录的完备性与实时性。入侵的特征抽取与表达,是入侵检测专家系统的关键。在系统实现中,将有关入侵的知识转化为if-then结构(也可以是复合结构),条件部分为入侵特征,then部分是系统防范措施。运用专家系统防范有特征入侵行为的有效性完全取决于专家系统知识库的完备性。

      文件完整性检查

      文件完整性检查系统检查计算机中自上次检查后文件变化情况。文件完整性检查系统保存有每个文件的数字文摘数据库,每次检查时,它重新计算文件的数字文摘并将它与数据库中的值相比较,如不同,则文件已被修改,若相同,文件则未发生变化。

      文件的数字文摘通过Hash函数计算得到。不管文件长度如何,它的Hash函数计算结果是一个固定长度的数字。与加密算法不同,Hash算法是一个不可逆的单向函数。采用安全性高的Hash算法,如MD5、SHA时,两个不同的文件几乎不可能得到相同的Hash结果。从而,当文件一被修改,就可检测出来。在文件完整性检查中功能最全面的当属Tripwire。

      文件完整性检查系统的优点

      从数学上分析,攻克文件完整性检查系统,无论是时间上还是空间上都是不可能的。文件完整性检查系统是非常强劲的检测文件被修改的工具。实际上,文件完整性检查系统是一个检测系统被非法使用的最重要的工具之一。

      文件完整性检查系统具有相当的灵活性,可以配置成为监测系统中所有文件或某些重要文件。

      当一个入侵者攻击系统时,他会干两件事,首先,他要掩盖他的踪迹,即他要通过更改系统中的可执行文件、库文件或日志文件来隐藏他的活动;其它,他要作一些改动保证下次能够继续入侵。这两种活动都能够被文件完整性检查系统检测出。

      文件完整性检查系统的弱点

      文件完整性检查系统依赖于本地的文摘数据库。与日志文件一样,这些数据可能被入侵者修改。当一个入侵者取得管理员权限后,在完成破坏活动后,可以运行文件完整性检查系统更新数据库,从而瞒过系统管理员。当然,可以将文摘数据库放在只读的介质上,但这样的配置不够灵活性。

      做一次完整的文件完整性检查是一个非常耗时的工作,在Tripwire中,在需要时可选择检查某些系统特性而不是完全的摘要,从而加快检查速度。

      系统有些正常的更新操作可能会带来大量的文件更新,从而产生比较繁杂的检查与分析工作,如,在Windows NT系统中升级MS-Outlook将会带来1800多个文件变化。

     
    展开全文
  • 场景文字检测常用方法

    千次阅读 2017-05-24 15:25:35
    文字检测方向的简单调研和特征学习,欢迎大家监督建议。一、基于纹理: ... 主要缺陷:特征构造方法较简单,检测精度较低;实际应用中需要较多的规则和参数限制来提高检测精度以及特征的有效性,使算法的泛化性

    文字检测方向的简单调研和特征学习,欢迎大家监督建议。

    一、基于纹理:
    将文字当做特殊纹理,利用其纹理特征进行处理。较常用的区分文字和非文字部分的纹理特征有:局部强度、滤波器响应、小波系数、文本较强边界以及与非文本区域的较大对比度、离散余弦变换。
    主要缺陷:特征构造方法较简单,检测精度较低;实际应用中需要较多的规则和参数限制来提高检测精度以及特征的有效性,使算法的泛化性以及鲁棒性收到影响。

    二、基于成分:
    先通过某些方法提取候选成分,再通过滤波或分类器去掉非文字部分。提取出候选来之后,对候选的处理相对于基于纹理的方法减小了处理区域,在小区域上更加能够突出文字的特点,使得文字部分与非文字部分对比更强烈,因而检测效果有交大的提升,也是现在比较主流的文字检测方法。很多方法对旋转、尺度变换、字体变化有较好的鲁棒性。
    较常用的几种文本检测算子:

    MSER:寻找当使用不同的灰度阈值对图像进行二值化时得到的最稳定的区域:
    1.对于图像灰度的仿射变化具有不变性
    2.稳定性,区域的支持集相对灰度变化稳定
    3.可以检测不同精细程度的区域

    SWT: SWT采用连通域方法,结合文字笔画宽度较为一致的特点得到文字区域。首先求图像的笔画宽度变换即每个像素都分配了一个笔画宽度,然后利用灵活的几何推理,把有着相似比划宽度的位置都被聚合成词。

    SFT(based on SWT):解决SWT边界点错误匹配问题,用颜色连贯性和局部边缘点的约束关系得到更好的检测结果。论文中只能检测水平文本。

    MSCRs(maximally stable color regions):算法使用卡方距离计算颜色相似度,利用凝聚聚类(agglomerative clustering)将图像中具有相似彩色的像素点逐层分步合并,该过程被称为进化过程。在进化过程中,具有局部最小面积变化的区域即为MSCRs。

    华中科大2015年提出的对称性字符特征:采用多尺度滑窗检测文本线的中心像素点,用对称特征和表观特征训练的随机森林得到候选的字符像素区域,在场景文本数据集上检测效果较好但是速度慢,模型复杂,个人感觉不太适用于工程。

    字符过滤方法:
    1、 MSER-tree:利用MSER长宽比找到最可能是字的部分,并排除MSER之间的包含关系,过滤部分非文字区域。
    2、 特征分类过滤:如通过比较笔画宽度等特征,融合文字部分,滤去非文字部分。
    3、 CNN过滤:可以利用更高层的信息,以及从数据集中学习一些抽象的特征。
    感觉实践中样本字体比较统一、背景相对来说比较简单,如果前面的过滤方法不好的话,可以尝试再次进行CNN过滤。

    三、目标检测常用网络结构:
    MSER+CNN (较为传统的方法,我觉得其重点应该是CNN过滤之前要达到比较好的特征提取结果,再利用CNN进行后续分类)
    PVANet:(之前看到检测方法的主要结构,其优势在对于多个level上的细节的考虑)
    Faster RCNN(速度快,可以考虑上下文关系,目前较为主流)
    SSD(速度上有很大提升,且不局限于原有的滑动窗模型,但是较难迁移到文字检测中)

    四、参考文献
    [1]Zheng Zhang.Symmetry-Based Text Line Detection in Natural Scenes.2015
    [2]Baoguang Shi.An End-to-End Trainable Neural Network for Image-based Sequence.2015
    [3]EAST_ An Efficient and Accurate Scene Text Detector.2015
    [4]FCS_TextSurvey_2015
    [5]Jie Yuan .A method for text line detection in natural images.Multimed Tools Appl (2015) 74:859–884

    展开全文
  • 常用人脸检测数据库

    千次阅读 2018-09-17 13:25:07
    常用的人脸检测数据库包括:FDDB和WIDER FACE。 二、FDDB 官方网站:http://vis-www.cs.umass.edu/fddb/ FDDB总共2845张图像,5171张,人脸非约束环境,人脸的难度较大,有面部表情,双下巴,光照变化,穿戴...
  • halcon视觉缺陷检测系列(1)常用的6种方法

    千次阅读 多人点赞 2020-01-08 00:12:31
    常用的手法有六大金刚(在halcon中的ocv和印刷检测是针对印刷行业的检测,有对应算子封装): 1.blob+特征 2.blob+差分+特征 3.光度立体 4.特征训练 5.测量拟合 6.频域+空间结合 二、频域+空间结合法 1、...
  • fast是一种快速的特征点检测方法,fast角点定义为:如果一个像素与它周围足够多的像素处于不同的区域,则该像素点有可能是特征点。主要步骤如下: 选择一个像素点 p p p ,首先判断它是否是特征点。 设置合适的...
  • 遥感图像变化检测数据集

    千次阅读 多人点赞 2020-02-29 16:50:14
    Multi-temp Scene Wuhan(MtS-WH) 数据集主要用于进行场景变化检测方法理论研究与验证。场景变化检测就是在场景语义的层次上,对一定范围区域的土地利用属性变化情况进行检测和分析。 本数据集主要包括两张由...
  • ENVI使用实习:城市遥感变化检测

    千次阅读 2020-05-18 20:52:49
    1.4.掌握图像直接比较和分类后比较两种变化检测方法 2.实验内容 2.1.图像直接比较法(差值法、比值法) 2.2.分类后比较法 2.3.流程化动态监测工具 3.实验数据 4.实验步骤 4.1.图像直接比较法 ENVI 中的图像...
  • 图像处理常用边缘检测算子总结

    千次阅读 2019-01-13 11:32:41
    图像处理常用边缘检测算子总结
  • 如何使用Erdas进行智能变化检测

    千次阅读 2018-01-20 15:45:05
    变化检测是对遥感数据分析时最常用方法之一,而IMAGINE的新增模块DeltaCue可以简化变化检测过程的复杂性,帮助用户更快地从影像数据中提取出变化的结果信息。主要用于强调或识别不同时间段所获取的影像上发生变化...
  • 常用角点检测与角点匹配方法比较

    千次阅读 2016-07-28 18:12:32
    ... 最近这些日子,我在中科院实习了一段时间,收获了很多宝贵的知识和经验,也认识了一些...作为一名图像处理专业的数学Geek,我很喜欢做关于图像方面的算法研究,在这里把近几年的角点特征匹配方法做个总结,和
  • 目标检测:传统目标检测方法

    万次阅读 多人点赞 2018-11-17 06:12:36
    区域选择特征提取分类器传统目标检测方法不足 引言 提到Computer Vision,可能我们会最先想到CV的基本任务Image Classification,但在此基础上,还有其他更为复杂和有趣的任务,如Object Detection、Object ...
  • ENVI实验教程(7)实验七、遥感影像变化检测

    千次阅读 多人点赞 2019-11-27 17:36:24
    掌握ENVI 常用变化检测工具 二、实验基本要求 认真阅读和掌握本实验的程序。 上机操作本模块的运行和应用。 保存与记录实验结果,并进行分析总结。 实验报告中要求有清晰的步骤及相应结果(图或表等)。 三、实验...
  • 【图像处理】 常用边缘检测算法对比分析

    万次阅读 多人点赞 2018-01-19 23:08:12
    边缘的定义 首先介绍什么是边缘。在数字图像中,边缘是指图像局部变化最显著的部分,边缘主要存在于目标与目标,目标与背景之间,是图像局部特性的不连续性,如灰度的突变、...一般图像边缘检测方法主要有如下四个步骤
  • 作为一名图像处理专业的数学Geek,我很喜欢做关于图像方面的算法研究,在这里把近几年的角点特征匹配方法做个总结,和大家分享一下。  图像匹配能够应用的场合非常多,如目标跟踪,检测,识别,图像拼接等,而...
  • 图像处理常用边缘检测算子

    万次阅读 2016-09-11 16:37:44
    边缘是图像中像素值发生剧烈变化而不连续的结果,它存在于目标与背景、目标与目标、区域与区域之间。边缘检测是图像基于边界分割的第一步。由图像灰度的特点,可将边缘类型分为阶梯状边缘(处于图像两个具有不同灰度...
  • 图像分割算法概述及常用边缘检测算法 Email:whowhoha@outlook.com 一、概述  用计算机进行数字图像处理的目的有两个,一是产生更适合人类视觉观察和识别的图像,二是希望计算机能够自动进行识别和理解图像。无论...
  • 异常检测方法 异常检测的关键问题 二、基于统计学的方法 三、基于邻近度的方法 四、基于密度的方法 五、基于聚类的方法 异常检测(Anomaly Detection)也称偏差(deviation)检测或者离群点(outlier)检测,从...
  • DDoS攻击流量检测方法

    千次阅读 2019-04-09 09:28:54
    DDoS攻击流量检测方法 检测分类 1)误用检测 误用检测主要是根据已知的攻击特征直接检测入侵行为。首先对异常信息源建模分析提取特征向量,根据特征设计针对性的特征检测算法,若新数据样本检测出相应的特征值,...
  • JavaScript常用数组操作方法

    千次阅读 2020-12-18 10:26:42
    JavaScript常用数组操作方法添加数组元素push() 原数组变化unshift() 原数组变化删除数组元素pop() 原数组变化shift() 原数组变化数组去重new Set() + Array.from() 或 展开运算符[...]数组替换splice() 原数组变化...
  • 数据异常检测方法以及实际应用

    千次阅读 2019-05-28 20:35:17
    文章目录前言一、应用场景二、检测方法1、概率统计模型2、机器学习方法3、业务经验,逻辑规则4、判定规则三、实际应用1、从3 Sigma准则说起2、BOX-COX转化3、幂律分布(Power Law Distribution)...
  • 深度学习目标检测方法综述

    千次阅读 2018-04-26 11:48:54
    参考:https://blog.csdn.net/Standing_On_Giant/article/details/60333329参考:...目前业界出现的目标检测算法有以下几种:1. 传统的目标检测算法:Cascade + Haar / SV...
  • 下面是BluetoothAdapter的常用方法说明。 getDefaultAdapter:静态方法,获取默认的蓝牙适配器对象; enable:打开蓝牙功能; disable:关闭蓝牙功能; isEnable:判断蓝牙功能是否打开; startDiscovery...
  • 数据集是深度学习研究的基础,开源数据集为各种论文方法提供了 比较的基准。 不同于经典计算机视觉任务中的 ImageNet、PASCAL VOC2007/2012 和 COCO 等数据集,...这里对一些常用的表面缺陷检测数据集进行了整理汇总。

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 143,935
精华内容 57,574
关键字:

常用的变化检测方法