基于Shearlet变换和KPCA的多时相遥感图像变化检测

被引：2

作者：

吴一全 ^{[1
,2
,3
]}

陶飞翔 ^{[1
]}

曹照清 ^{[1
]}

机构：

[1] 南京航空航天大学电子信息工程学院

[2] 农业部农业信息技术重点实验室

[3] 江西省数字国土重点实验室

来源：

应用基础与工程科学学报 | 2014年 / 05期

关键词：

变化检测; 多时相遥感图像; Shearlet变换; 核主成分分析; 模糊局部信息C均值聚类;

D O I：

暂无

中图分类号：

TP751 [图像处理方法];

学科分类号：

摘要：

为了进一步提高多时相遥感图像变化检测的精度,本文提出了一种将Shearlet变换与核主成分分析(kernel principal component analysis,KPCA)相结合用于遥感图像变化检测的算法.首先利用Shearlet变换的多尺度、多方向和各向异性等特点,对遥感图像进行多尺度分解,然后对分解后的数据进行核主成分分析,再进行Shearlet反变换得到含变化信息的图像,最后对该图像利用模糊局部信息C均值(fuzzy local information c-means,FLICM)聚类算法进行分割,实现遥感图像的变化检测.大量试验结果表明,与基于主成分分析(principal component analysis,PCA)、基于KPCA、基于小波变换和PCA 3种变化检测算法相比,本文算法能有效地分离出变化信息,得到更准确的变化检测图像,具有更高的变化检测精度,且对背景有较强的鲁棒性,同时也减少了计算复杂度.

引用

页码：1030 / 1040

页数：11

共 13 条

[1] 利用Brushlet变换进行SAR图像变化检测 [J].