SAR圖像NSCT域顯著圖去噪變化檢測(cè)

慕彩紅， 吳生財(cái)， 劉　逸， 彭　鵬， 劉若辰

(1. 西安電子科技大學(xué) 智能感知與圖像理解教育部重點(diǎn)實(shí)驗(yàn)室，陜西 西安 710071; 2. 西安電子科技大學(xué) 電子工程學(xué)院，陜西 西安 710071; 3. 西安電子科技大學(xué) 物理與光電工程學(xué)院，陜西 西安 710071)

合成孔徑雷達(dá)(Synthetic Aperture Radar， SAR)因其全天候、全天時(shí)探測(cè)能力和強(qiáng)大的對(duì)地穿透的能力，已成為變化檢測(cè)的熱門信息源．SAR圖像變化檢測(cè)技術(shù)[1-4]在氣候變化、自然災(zāi)害評(píng)估、戰(zhàn)場(chǎng)目標(biāo)打擊效果評(píng)估和軍事偵察等領(lǐng)域有著廣闊的應(yīng)用前景．隨著研究人員對(duì)SAR圖像變化檢測(cè)技術(shù)的深入研究，陸續(xù)提出了很多方法．通常情況下，根據(jù)是否利用先驗(yàn)知識(shí)，可以將SAR圖像變化檢測(cè)方法分為有監(jiān)督變化檢測(cè)和無(wú)監(jiān)督變化檢測(cè)方法兩類，其中以無(wú)監(jiān)督變化檢測(cè)方法較為常見(jiàn)．文獻(xiàn)[5]提出一種基于小波融合和主成分分析(Principal Component Analysis，PCA)-核模糊聚類的遙感圖像變化檢測(cè)方法，對(duì)光譜遙感圖像和SAR圖像均可取得良好的變化檢測(cè)效果; 文獻(xiàn)[6]將鄰域信息粒子群聚類用于SAR圖像變化檢測(cè)，充分利用了像素的鄰域信息，增強(qiáng)了抗噪性能，提高了變化檢測(cè)精度; 文獻(xiàn)[7]提出了一種基于顯著圖導(dǎo)向的SAR圖像變化檢測(cè)方法，將視覺(jué)感知技術(shù)應(yīng)用到變化檢測(cè)領(lǐng)域，取得了不錯(cuò)的效果．近年來(lái)，利用圖像顯著性進(jìn)行SAR圖像變化檢測(cè)的方法引起了一些研究人員的興趣．所謂圖像的顯著性，就是模擬生物視覺(jué)關(guān)注機(jī)制的一種選擇性注意模型，當(dāng)人觀察一幅圖片時(shí)總是第一時(shí)間無(wú)意識(shí)地將目光聚焦在一些具備顯著特征的區(qū)域，這一生物觀察機(jī)制可以很好地應(yīng)用于圖像處理的許多領(lǐng)域．文獻(xiàn)[8]將顯著性提取的方法應(yīng)用到探測(cè)高分辨衛(wèi)星圖像中的感興趣區(qū)域，文獻(xiàn)[7]將顯著性信息應(yīng)用到了SAR圖像變化檢測(cè)領(lǐng)域．但是完全以顯著信息為導(dǎo)向的變化檢測(cè)技術(shù)還是有其固有的缺點(diǎn)．圖像顯著性獲取的原理與人眼在關(guān)注圖像時(shí)把注意力集中在特征明顯區(qū)域的原理相類似，當(dāng)圖像的鮮明特征區(qū)域相對(duì)集中時(shí)，就能提取到完整的顯著圖，當(dāng)圖像的鮮明特征區(qū)域比較分散時(shí)，往往只會(huì)提取到鮮明特征最集中和最顯著的區(qū)域，而忽略偏遠(yuǎn)和邊緣的一些區(qū)域，從而造成顯著信息的缺失．如果以這樣的顯著圖引導(dǎo)變化檢測(cè)，就會(huì)從源頭上漏檢部分像素，影響檢測(cè)精度．為解決上述問(wèn)題，筆者采用圖像融合的策略，在非下采樣輪廓變換(NonSubsampled Contourlet Transform， NSCT)[9]域運(yùn)用顯著圖信息對(duì)鄰域?qū)?shù)比圖的低頻子帶進(jìn)行范圍限定，提高均值比圖低頻系數(shù)所占比例，以突出融合差異圖的變化區(qū)域; 對(duì)這兩幅差異圖的方向子帶則采用顯著圖進(jìn)行選擇性的去噪，再采用局部能量最小原則進(jìn)行融合，以抑制融合差異圖的背景區(qū)域; 最后對(duì)融合差異圖進(jìn)行k均值聚類，得到檢測(cè)結(jié)果圖．該方法綜合利用了均值比圖的變化區(qū)域接近實(shí)際的特點(diǎn)和鄰域?qū)?shù)比圖的背景區(qū)域平滑的特點(diǎn)，且對(duì)NSCT分解后的低頻子帶和方向子帶運(yùn)用顯著信息設(shè)計(jì)了有利于提高融合差異圖質(zhì)量的融合策略，確保了變化區(qū)域的完整，為獲取精確的變化檢測(cè)結(jié)果圖打下了良好的基礎(chǔ)．圖1是文中方法的流程圖，圖形⊙表示引入顯著圖信息，從圖1中可以看出，在低頻子帶和方向子帶的融合過(guò)程中均引入了顯著圖信息．

圖1　文中方法的流程圖

1　顯著圖的提取

用已配準(zhǔn)和校正的兩時(shí)刻SAR圖像I1和I2分別構(gòu)造均值比差異圖[5]D1，對(duì)數(shù)比差異圖[5]D和鄰域?qū)?shù)比差異圖D2，其中鄰域?qū)?shù)比差異圖D2的構(gòu)造方法如下: 首先對(duì)兩幅輸入圖像中以對(duì)應(yīng)像素(i，j)為中心的 3×3 局部鄰域進(jìn)行大小為3、標(biāo)準(zhǔn)偏差為5的高斯濾波，得到鄰域矩陣l1和l2；其次，計(jì)算局部鄰域內(nèi)對(duì)應(yīng)像素灰度值的對(duì)數(shù)比，得到局部鄰域?qū)?shù)比矩陣Zlog在像素(m，n)的值，其中，m，n是局部鄰域內(nèi)的像素的橫縱坐標(biāo)；接著，遍歷l1和l2鄰域內(nèi)所有對(duì)應(yīng)像素，得到局部鄰對(duì)數(shù)比矩陣Zlog，以Zlog的均值d2(i，j)作為鄰域?qū)?shù)比差異圖D2在像素(i，j)處的值．按上述步驟遍歷兩幅圖像所有對(duì)應(yīng)像素，得到鄰域?qū)?shù)比差異圖D2= {d2(i，j)}．

下面介紹顯著圖的提?。蒙舷挛母兄娘@著性檢測(cè)方法[10]從對(duì)數(shù)比值圖D中提取顯著圖．將對(duì)數(shù)比值圖D切分成多個(gè)塊，將以i像素為中心的塊xi與所有的其他塊xj在Lab顏色空間作對(duì)比，如果xi和xj之間的差距大，則說(shuō)明是顯著性特征．dv(xi，xj)表示xi和xj之間的顏色距離，取值范圍為[0，1]，即為兩圖像塊在Lab空間的歐幾里得顏色距離;dp(xi，xj)表示向量xi和xj之間的空間距離，取值范圍為[0，1]，即為兩圖像塊的歐幾里得位置距離．一對(duì)圖像塊xi和xj之間的顏色距離越大，位置距離越小，則它們的差異值越大，得到顏色距離和空間距離以后，則兩個(gè)塊向量之間的非相似性FS可表示為

FS(xi,xj)=dv(xi,xj)/(1+cdp(xi,xj)),

(1)

其中，c=3．為了判斷精準(zhǔn)，以任意像素i為中心的圖像塊xi需要與多個(gè)尺度的A個(gè)圖像塊去計(jì)算顯著值，背景區(qū)域在多個(gè)尺度上都是和其他塊相似的，所以在多個(gè)尺度上計(jì)算可以降低背景區(qū)域的顯著性．以任意像素i為中心的圖像塊xi在單尺度h上的顯著值為

(2)

按下式整合所有尺度h上的顯著值，并加入上下文修正，便得到該像素在對(duì)數(shù)比圖D中的顯著值，即

(3)

其中，H包括{100%， 80%， 50%， 30%}4個(gè)等級(jí)，M是等級(jí)數(shù) (M=4);[·]表示把當(dāng)前規(guī)模的圖像尺寸恢復(fù)到原圖像的尺寸大小;dfoci，h(i)表示在h尺度上像素i與離它最近的焦點(diǎn)像素之間的歐式距離，其值的取值范圍為[0，1]; 文中圖像塊數(shù)量A=64，圖像塊尺寸為 7×7，選取時(shí)有50%的像素重疊，遍歷所有像素便得到了對(duì)數(shù)比值圖D的顯著區(qū)域圖S= {Si}，更多詳細(xì)內(nèi)容見(jiàn)文獻(xiàn)[8]．最后采用最大類間方差法[11]從顯著區(qū)域圖S中提取顯著圖Y，并將Y中顯著區(qū)的像素值轉(zhuǎn)化為1，非顯著區(qū)像素值轉(zhuǎn)化為0．當(dāng)用顯著圖Y與任意圖像矩陣相乘后，顯著區(qū)內(nèi)的像素保留原圖像像素的灰度值，顯著區(qū)外的像素值則全部為零，有判別性信息的顯著區(qū)被完好保存，而非顯著區(qū)中的噪聲則被過(guò)濾．

圖2　NSCT的結(jié)構(gòu)示意圖

2　融合差異圖的構(gòu)造及變化檢測(cè)

2.1　非下采樣輪廓變換

NSCT是一種利用迭代非下采樣濾波器組來(lái)實(shí)現(xiàn)一系列多分辨率、多方向和平移不變的頻域子圖像的算法，具有良好的多方向性、各向異性和平移不變性，能夠很好地保持圖像的奇異信息，細(xì)節(jié)保持能力強(qiáng)．其分解過(guò)程可表述為: 先利用非下采樣塔式濾波器組對(duì)圖像進(jìn)行多尺度的分解，得到各種不同頻率的高頻子帶圖像和一個(gè)低頻子帶圖像，然后再利用非下采樣方向?yàn)V波器組對(duì)各高頻子帶圖像進(jìn)行多方向分解，從而得到不同尺度、不同方向的子帶系數(shù)，如圖2所示．SAR圖像經(jīng)NSCT分解后除低頻子帶中包含的少量噪聲外，絕大部分噪聲主要包含在方向子帶中，且分解級(jí)數(shù)越高，其方向子帶包含的細(xì)節(jié)信息和噪聲越多．

2.2　融合差異圖的構(gòu)造

對(duì)均值比圖D1和鄰域?qū)?shù)比圖D2進(jìn)行3級(jí)NSCT變換，分別產(chǎn)生1個(gè)低頻子帶和14個(gè)方向子帶．其中低頻子帶包含了圖像的輪廓信息，能夠充分體現(xiàn)出變化區(qū)域，鄰域?qū)?shù)比圖的變化區(qū)域與實(shí)際的變化不相符，而均值比圖的變化區(qū)域接近于實(shí)際情況，因此在低頻融合時(shí)就增加均值比圖的低頻子帶系數(shù)的比例，減少鄰域?qū)?shù)比圖的低頻子帶系數(shù)的比例，以確保融合差異圖的變化區(qū)域更接近于實(shí)際情況; 方向子帶包含的是圖像的細(xì)節(jié)信息和噪聲，由于不同的SAR圖像受噪聲污染的程度不同，引入濾波參數(shù)K來(lái)決定對(duì)哪幾層對(duì)應(yīng)的方向子帶進(jìn)行顯著圖去噪，設(shè)定當(dāng)K=1 時(shí)，對(duì)第3層的8個(gè)方向子帶去噪;K=2 時(shí)，對(duì)第2層和第3層的12個(gè)方向子帶進(jìn)行去噪;K=3 時(shí)，對(duì)所有層的14個(gè)方向子帶進(jìn)行去噪，每幅圖像經(jīng)過(guò)3次試驗(yàn)就可以得到K的最佳取值．

2.2.1低頻子帶融合

首先對(duì)均值比圖的低頻子帶系數(shù)進(jìn)行高斯濾波以過(guò)濾低頻子帶中的噪聲鄰域?qū)?shù)比圖在構(gòu)造過(guò)程中已進(jìn)行了3次濾波，且所占比例小，因此不進(jìn)行濾波．其次對(duì)鄰域?qū)?shù)比圖的低頻子帶按下式用顯著圖進(jìn)行范圍限定:

D2, LY=D2,L⊙Y,

(4)

其中，D2, L表示鄰域?qū)?shù)比圖的低頻子帶系數(shù)，Y為顯著圖，⊙為矩陣對(duì)應(yīng)元素相乘運(yùn)算，D2, LY為經(jīng)顯著圖限定后的鄰域?qū)?shù)比圖的低頻子帶系數(shù)，該系數(shù)在顯著區(qū)內(nèi)為鄰域?qū)?shù)比圖的低頻子帶的系數(shù)值，非顯著區(qū)的系數(shù)值均變成0．然后按下式對(duì)低頻子帶系數(shù)進(jìn)行融合:

DL=0.5D1, L+0.5D2, LY,

(5)

其中，D1, L為均值比圖的低頻子帶系數(shù)，DL為融合后的低頻子帶系數(shù)，該系數(shù)在顯著區(qū)外為均值比圖的低頻子帶系數(shù)，在顯著區(qū)域內(nèi)為融合系數(shù)．均值比圖的低頻子帶系數(shù)占有比例多，利于突出變化區(qū)域的信息．

2.2.2方向子帶融合

圖像經(jīng)NSCT分解后的方向子帶包含的是圖像的細(xì)節(jié)信息和噪聲，其中第3層的8個(gè)方向子帶包含的細(xì)節(jié)和噪聲信息最多，前2層相對(duì)較少．首先，按濾波參數(shù)K對(duì)兩幅差異圖的方向子帶進(jìn)行顯著圖去噪以濾除方向子帶的非顯著區(qū)域中的噪聲．其表達(dá)式為

(6)

其中，D(1,2), H, r, n表示均值比圖D1或鄰域?qū)?shù)比圖D2中第r層的第n個(gè)方向子帶系數(shù)．當(dāng)濾波參數(shù)K的取值為{1， 2， 3}時(shí)，就對(duì)K所對(duì)應(yīng)分解層數(shù)的方向子帶系數(shù)進(jìn)行顯著圖去噪．

其次，按局部能量最小原則對(duì)均值比圖D1和鄰域?qū)?shù)比圖D2的方向子帶系數(shù)D1, H, r, n和D2, H, r, n進(jìn)行融合．采用局部能量最小原則可以合并來(lái)自兩幅差異圖方向子帶的同質(zhì)區(qū)域，起到抑制背景信息和去噪的作用．使融合差異圖的背景區(qū)域保持平滑局部能量最小原則的表達(dá)式為

(7)

其中，r={1，2，3}，表示分解的層數(shù);n={1， 2， 3，…，13， 14};DH，r，n(i，j)表示融合后的方向子帶系數(shù)在像素(ij)處的值;D1，H，r，n(i，j)和D2，H，r，n(i，j)分別表示均值比圖D1和鄰域?qū)?shù)比圖D2在第r層的第n個(gè)方向子帶系數(shù)在像素(ij)處的值;E1，r，n(i，j)和E2，r，n(i，j)分別表示兩幅差異圖在第r層的第n個(gè)方向子帶系數(shù)中以像素(i,j)為中心的局部能量系數(shù)值，按下式計(jì)算:

(8)

其中，Nij表示以像素(i,j)為中心的3×3局部鄰域窗口的大小，D(1,2), H, r, n(B)表示均值比圖D1和鄰域?qū)?shù)比圖D2中第r層第n個(gè)方向子帶系數(shù)在鄰域窗口Nij內(nèi)的第B個(gè)元素的值．

2.2.3NSCT反變換和k均值聚類

對(duì)融合后的1個(gè)低頻子帶DL和3個(gè)分解層的14個(gè)方向子帶DH, r, n進(jìn)行NSCT反變換后，得到融合差異圖Xd，該圖兼顧了均值比圖的變化區(qū)域接近實(shí)際情況的特點(diǎn)和鄰域?qū)?shù)比圖的背景區(qū)域(非變化區(qū)域)相對(duì)平滑的特點(diǎn)，且抗噪能力好．最后采用k均值聚類方法對(duì)融合差異圖Xd進(jìn)行兩分類，輸出變化檢測(cè)結(jié)果圖．

3　對(duì)比實(shí)驗(yàn)結(jié)果分析與有效性驗(yàn)證

3.1　實(shí)驗(yàn)數(shù)據(jù)集介紹

第1個(gè)數(shù)據(jù)集是分別于1999年4月和1999年5月獲得的伯爾尼地區(qū)兩時(shí)相SAR圖像，尺寸均為 301× 301，像素灰度級(jí)為256，圖3(a)是洪水侵襲前的圖像，圖3(b)是洪水侵襲后的圖像，圖3(h)是標(biāo)準(zhǔn)檢測(cè)結(jié)果圖，包括 1 269 個(gè)變化像素點(diǎn)．第2個(gè)數(shù)據(jù)集是星載SAR傳感器分別于1997年5月和1997年8月拍攝的渥太華地區(qū)的兩時(shí)相SAR圖像，尺寸均為 290× 250，灰度級(jí)為256，圖4(a)是洪水侵襲前的圖像，圖4(b)是洪水侵襲后的圖像，圖4(h)為標(biāo)準(zhǔn)檢測(cè)結(jié)果圖，包括 16 049 個(gè)變化像素點(diǎn)．筆者用漏檢數(shù)誤檢數(shù)總錯(cuò)誤數(shù)和Kappa系數(shù)共4個(gè)定量分析指標(biāo)[12]來(lái)評(píng)價(jià)檢測(cè)結(jié)果．

圖3　伯爾尼地區(qū)SAR圖像數(shù)據(jù)集變化檢測(cè)結(jié)果

圖4　渥太華地區(qū)SAR圖像數(shù)據(jù)集變化檢測(cè)結(jié)果

3.2　對(duì)比實(shí)驗(yàn)結(jié)果和分析

用文中方法NSCT域顯著圖去噪(Saliency map Denoising in Non subsampled contourlet transform Domain，SDND)與文獻(xiàn)[7]提出的“Unsupervised saliency-guided SAR image change detection”(USG)和“Using Combined Difference Image and K-means Clustering for SAR Image Change Detection[13]”(CDI-K)，文獻(xiàn)[14]提出的“Wavelet Fusion on Ratio Images for Change Detection in SAR Images”(WFD-FL)以及文獻(xiàn)[15]提出的“混合的SAR圖像變化檢測(cè)算法[15]”(NSCTF)在兩個(gè)數(shù)據(jù)集上進(jìn)行對(duì)比實(shí)驗(yàn)，其實(shí)驗(yàn)結(jié)果如表1、圖3和圖4所示．

表1　文中方法與現(xiàn)有方法的變化檢測(cè)結(jié)果比較

從圖3、圖4和表1可以得出如下結(jié)論，文中方法在2個(gè)SAR圖像數(shù)據(jù)集上的所檢測(cè)結(jié)果圖在直觀效果上與標(biāo)準(zhǔn)檢測(cè)圖最接近，USG法和CDI-K法的漏檢像素?cái)?shù)多變化區(qū)域不完整; WFD-FL法和NSCT法的檢測(cè)結(jié)果圖在直觀效果上都存在邊緣區(qū)域和細(xì)節(jié)信息不清晰，特別是NSCTF方法的檢測(cè)結(jié)果圖基本看不出變化區(qū)域的邊緣和細(xì)節(jié)，只能看清變化區(qū)域的輪廓，與標(biāo)準(zhǔn)檢測(cè)圖差距很大．文中方法的漏檢數(shù)與誤檢數(shù)相對(duì)均衡，總錯(cuò)誤數(shù)和Kappa系數(shù)均優(yōu)于4種現(xiàn)有的對(duì)比方法，主要原因: 一是文中方法采用融合策略，綜合利用了均值比圖的變化區(qū)域接近實(shí)際的特點(diǎn)和鄰域?qū)?shù)比圖的背景區(qū)域相對(duì)來(lái)說(shuō)平滑的特點(diǎn); 二是采用NSCT變換構(gòu)造融合差異圖，利于增強(qiáng)去噪效果和細(xì)節(jié)結(jié)構(gòu)的保持能力; 三是構(gòu)造融合差異圖的過(guò)程中對(duì)低頻子帶系數(shù)所占有的比例用顯著圖進(jìn)行分配調(diào)整以突出變化區(qū)域，對(duì)方向子帶中的噪聲用顯著圖進(jìn)行過(guò)濾并采用局部能量最小原則進(jìn)行融合以抑制背景信息，從而使融合后的差異圖既接近于實(shí)際變化情況，又具備很強(qiáng)的抗噪能力，有利于提高變化檢測(cè)精度．

4　結(jié) 束 語(yǔ)

文中提出了一種在NSCT域結(jié)合顯著圖信息構(gòu)造融合差異圖的SAR圖像變化檢測(cè)方法．首先分別構(gòu)造均值比、對(duì)數(shù)比和鄰域?qū)?shù)比差異圖，并用對(duì)數(shù)比圖獲取顯著圖; 然后對(duì)均值比圖和鄰域?qū)?shù)比圖進(jìn)行3級(jí)NSCT分解，低頻融合時(shí)對(duì)鄰域?qū)?shù)比圖的低頻子帶用顯著圖進(jìn)行范圍限定，以突出融合差異圖的變化區(qū)域; 高頻融合時(shí)對(duì)兩幅差異圖的方向子帶進(jìn)行選擇性的顯著圖限定去噪，再采用局部能量最小的原則進(jìn)行融合，以抑制融合差異圖的背景區(qū)域; 最后經(jīng)過(guò)NSCT反變換，得到融合差異圖并進(jìn)行k均值聚類，輸出檢測(cè)結(jié)果圖．實(shí)驗(yàn)證明，文中方法抗噪能力強(qiáng)，邊緣細(xì)節(jié)保持好，檢測(cè)精度高．

參考文獻(xiàn)：

[1] VU V T, PETTERSSON M I, MACHADO R, et al. False Alarm Reduction in Wavelength-resolution SAR Change Detection Using Adaptive Noise Canceler[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(1): 591-599.

[2]LI H, GONG M, WANG Q, et al. A Multiobjective Fuzzy Clustering Method for Change Detection in SAR Images[J]. Applied Soft Computing Journal, 2016, 46: 767-777.

[3]GONG M G, ZHAO J, LIU J, et al. Change Detection in Synthetic Aperture Radar Images Based on Deep Neural Networks[J]. IEEE Transactions on Neural Networks and Learning Systems, 2016, 27(1): 125-138.

[4]MU C H, LI C, LIU Y, et al. Change Detection in SAR Images Based on the Salient Map Guidance and an Accelerated Genetic Algorithm[C]//Proceedings of the 2017 IEEE Congress on Evolutionary Computation. Piscataway: IEEE, 2017: 1150-1157.

[5]慕彩紅, 霍利利, 劉逸, 等. 基于小波融合和PCA-核模糊聚類的遙感圖像變化檢測(cè)[J]. 電子學(xué)報(bào), 2015, 43(7): 1375-1381.

MU Caihong, HUO Lili, LIU Yi, et al. Change Detection for Remote Sensing Images Based on Wavelet Fusion and PCA-kernel Fuzzy Clustering[J]. Acta Electronica Sinica, 2015, 43(7): 1375-1381.

[6]劉逸, 慕彩紅, 劉敬. 結(jié)合鄰域信息粒子群聚類用于SAR圖像變化檢測(cè)[J]. 西安電子科技大學(xué)學(xué)報(bào), 2015, 42(1): 187-193.

LIU Yi, MU Caihong, LIU Jing. Change Detection for SAR Images Based on the Particle Swarm Clustering Algorithm Using Neighborhood in Formation[J]. Journal of Xidian University, 2015, 42(1): 187-193.

[7]ZHENG Y G, JIAO L C, LIU H Y, et al. Unsupervised Saliency-guided SAR Image Change Detection[J]. Pattern Recognition, 2017, 61: 309-326.

[8]ZHANG F, DU B, ZHANG L. Saliency-guided Unsupervised Feature Learning for Scene Classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 2015, 53(4): 2175-2184.

[9]da CUNHA A L, ZHOU J, DO M N. The Nonsubsampled Contourlet Transform: Theory, Design, and Applications[J]. IEEE Transactions on Image Processing, 2006, 15(10): 3089-3101.

[10]GOFERMAN S, ZELNIK-MANOR L, TAL A. Context-aware Saliency Detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2012, 34(10): 1915-1926.

[11]OTSU N. A Threshold Selection Method from Gray-level Histograms[J]. IEEE Transactions on System, Man and Cybemetics, 1979, 9(1): 62-66.

[12]付明柏. 基于UDWT與Snake模型的多時(shí)相SAR圖像變化檢測(cè)方法[J]. 計(jì)算機(jī)應(yīng)用與軟件, 2014, 31(4): 254-257.

FU Mingbai. Multitemporal SAR Images Change Detection Method Based on UDWT and Snake Models[J]. Computer Applications and Software, 2014, 31(4): 254-257.

[13]ZHENG Y G, ZHANG X, HOU B, et al. Using Combined Difference Image and,k-means Clustering for SAR Image Change Detection[J]. IEEE Geoscience and Remote Sensing Letters, 2013, 11(3): 691-695.

[14]MA J J, GONG M, ZHOU Z. Wavelet Fusion on Ratio Images for Change Detection in SAR Images[J]. IEEE Geoscience and Remote Sensing Letters, 2012, 9(6): 1122-1126.

[15]李玲玲, 賈振紅, 覃錫忠, 等. 混合的SAR圖像變化檢測(cè)算法[J]. 計(jì)算機(jī)工程與設(shè)計(jì), 2015, 36(5): 1256-1259.

LI Lingling, JIA Zhenhong, QIN Xizhong, et al. Hybrid SAR Image Change Detection Algorithm[J]. Computer Engineering and Design, 2015, 36( 5): 1256-1259.