PHÁT HIỆN SỰ THAY ĐỔI TRONG ẢNH SAR ĐA THỜI GIAN BẰNG CÁCH KẾT HỢP TOÁN TỬ TỶ SỐ DỰA TRÊN LÂN CẬN VÀ MẠNG NƠ RON TÍCH CHẬP WAVELET

Thông tin bài báo

Ngày nhận bài: 11/05/21                Ngày hoàn thiện: 28/05/21                Ngày đăng: 31/05/21

Các tác giả

1. Nguyễn Hùng An Email to author, Trường Đại học Kỹ thuật Lê Quý Đôn
2. Nguyễn Tiến Phát, Trường Đại học Kỹ thuật Lê Quý Đôn

Tóm tắt


Phát hiện sự thay đổi trong ảnh SAR đa thời gian được ứng dụng rộng rãi trong các ứng dụng thực tế về hoạt động quản lý kiểm tra, giám sát tài nguyên trên đất liền và trên biển với quy mô rộng lớn. Có rất nhiều thuật toán phát hiện sự thay đổi sử dụng hai ảnh SAR đa thời gian. Nguyên tắc phổ biến của chúng là thực hiện phân tích ảnh sai khác được tạo ra từ toán tử tỷ số của hai ảnh SAR đa thời gian nhằm phát hiện các sự thay đổi giữa chúng. Để cải thiện độ chính xác phát hiện, toán tử tỷ số và các phiên bản cải tiến của toán tử này thường được sử dụng kết hợp với các phương pháp xử lý tinh hơn nữa. Bài báo này đề xuất một giải pháp phát hiện sự thay đổi bằng cách kết hợp toán tỷ số dựa trên  lân cận và thuật toán mạng nơ ron wavelet tích chập để cải thiện độ chính xác phát hiện  sự thay đổi trong ảnh SAR đa thời gian.

Từ khóa


Ảnh SAR; Ảnh đa thời gian; Ảnh sai khác; Phát hiện sự thay đổi; Toán tử tỷ số

Toàn văn:

PDF (English)

Tài liệu tham khảo


[1] M. Gong, Y. Cao, and Q. Wu "A neighborhood-based ratio approach for change detection in SAR images," IEEE Geoscience and Remote Sensing Letters, vol. 9, pp. 307-311, 2011.

[2] J. Kittler and J. Illingworth, "Minimum error thresholding," Pattern recognition, vol. 19, pp. 41-47, 1986.

[3] G. Moser and S. B. Serpico, "Generalized minimum-error thresholding for unsupervised change detection from SAR amplitude imagery," IEEE Transactions on Geoscience and Remote sensing, vol. 44, pp. 2972-2982, 2006.

[4] M. N. Sumaiya and R. S. Selva Kumari, "Logarithmic mean-based thresholding for SAR image change detection," IEEE Geoscience and Remote Sensing Letters, vol. 13, pp. 1726-1728, 2016.

[5] J. MacQueen, "Some methods for classification and analysis of multivariate observations," Proceedings of the fifth Berkeley symposium on mathematical statistics and probability, 1967, pp. 281-297.

[6] T. Celik, "Unsupervised change detection in satellite images using principal component analysis and k-means clustering," IEEE Geoscience and Remote Sensing Letters, vol. 6, pp. 772-776, 2009.

[7] J. C. Dunn, "A fuzzy relative of the ISODATA process and its use in detecting compact well-separated clusters," Journal of Cybernetics, vol. 3, pp. 32-57, 1973.

[8] J. C. Bezdek "Objective function clustering," Pattern recognition with fuzzy objective function algorithms, Springer, pp. 43-93, 1981.

[9] M. Gong, Z. Zhou, and J. Ma, "Change detection in synthetic aperture radar images based on image fusion and fuzzy clustering," IEEE Transactions on Image Processing, vol. 21, pp. 2141-2151, 2011.

[10] H. Zhuang, K. Deng, Y. Yu, and H Fan, "An approach based on discrete wavelet transform to unsupervised change detection in multispectral images," International Journal of Remote Sensing, vol. 38, pp. 4914-4930, 2017.

[11] T. Celik and K. K. Ma, "Multitemporal image change detection using undecimated discrete wavelet transform and active contours," IEEE Transactions on Geoscience and Remote Sensing, vol. 49, pp. 706-716, 2010.

[12] J. Zheng and H. You, "A new model-independent method for change detection in multitemporal SAR images based on Radon transform and Jeffrey divergence," IEEE Geoscience and Remote Sensing Letters, vol. 10, pp. 91-95, 2012.

[13] Y. Q. Cheng, H. C. Li, T. Celik, and F. Zhang, "FRFT-based improved algorithm of unsupervised change detection in SAR images via PCA and K-means clustering," Proceedings of 2013 IEEE International Geoscience and Remote Sensing Symposium-IGARSS, pp. 1952-1955, 2013.

[14] F. Gao, X. Wang, J. Dong, and S. Wang, "Synthetic aperture radar image change detection based on frequency-domain analysis and random multigraphs," Journal of Applied Remote Sensing, vol. 12, pp. 1-17, 2018.

[15] Y. Duan, F. Liu, L. Jiao, P. Zhao, and L. Zhang, "SAR Image segmentation based on convolutional-wavelet neural network and markov random field," Pattern Recognition, vol.64, pp. 255-267, 2017.

[16] G. B. Huang, H. Zhou, X. Ding, and R. Zhang, "Extreme learning machine for regression and multiclass classification," IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), vol.42, pp. 513-529, 2011.

[17] F. Gao, J. Dong, B. Li, Q. Xu, and C. Xie, "Change detection from synthetic aperture radar images based on neighborhood-based ratio and extreme learning machine," Journal of Applied Remote Sensing, vol.10, pp. 1-14, 2016.

[18] F. Gao, X. Wang, Y. Gao, J. Dong, and S. Wang, "Sea ice change detection in SAR images based on convolutional-wavelet neural networks," IEEE Geoscience and Remote Sensing Letters, vol.16, pp. 1240-1244, 2019.

[19] K. O'Shea and R. Nash, "An introduction to convolutional neural networks," arXiv preprint arXiv:1511.08458, pp. 1-11, 2015.

[20] I. W. Selesnick, R. G. Baraniuk, and N. C. Kingsbury, "The dual-tree complex wavelet transform," IEEE signal processing magazine, vol.22, pp. 123-151, 2005.




DOI: https://doi.org/10.34238/tnu-jst.4476

Các bài báo tham chiếu

  • Hiện tại không có bài báo tham chiếu
Tạp chí Khoa học và Công nghệ - Đại học Thái Nguyên
Phòng 408, 409 - Tòa nhà Điều hành - Đại học Thái Nguyên
Phường Tân Thịnh - Thành phố Thái Nguyên
Điện thoại: 0208 3840 288 - E-mail: jst@tnu.edu.vn
Phát triển trên nền tảng Open Journal Systems
©2018 All Rights Reserved