遥感图像变化检测算法探究摘要笔者根据切身工作实践，创新性的提出了一种新型卫星影像的变化检测算法。以非下采样ContourLet变换(NSCT)和脉冲耦合神经网络(PCNN)为基础的算法，实现了传统非下采样变换和脉冲耦合神经网络算法的有机结合,适用于无监督、不同时相的卫星影像的变化检测。关键词遥感；图像变化；检测算法；非下采样变换;脉冲耦合神经网络中图分类号：TP391文献标识码：A文章编号:1671—7597(2013)042-042-01随着科学技术的发展和计算机应用技术的提高，很多专家学者逐渐把目光瞄准了NSCT和PCNN的研究。1)多尺度和多方向域的去噪问题上NSCT具有特殊的效用。2)由于NSCT具有基函数的丰富性和稳定的移不变性，适用于提取图像纹理。3)对建筑物进行图像分割时需要提取图像纹理，也需要用到NSCTo4)图像融合可采用PCNNo5)适用于PCNN分解的子带系数选择原则的研究。6)目标检测和彩色图形的边缘化检测需要应用PCNNO本文提出的检测新算法具有抗噪能力高、检测精确度准的特点，适用于无监督、不同时相的卫星影像处理和应用。1理论模型经过改进、完善后的NSCT不会在图像奇异性方面发生图像的傅里叶变换问题。另外，非下采样变换能够适应多层次、多维度的图像分解，使其区域性、方向性、局部性和各向异性特征更为明显，因此可以充分突破噪声环境的限制，并更加有效的实施特征信息的采集和提取。可以随意进行旋转、位移的PCNN由于具有可靠稳定的尺度性，在图像分割方面具有无可比拟的优越性，是迄今为止脉冲耦合神经网络最为成功的应用。综合上所述，我们可以得知，NSCT在信息特征的提取上具有明显的优点，而PCNN则在图像分割上具有无可超越的强大的能力。因此，建立在两者有效结合基础上的新型算法对噪声环境中的图形分析和检测有突出的创新意义。对数比图像是由检测图像和参考图像产生的，因此其中会含有大量能够淹没或模糊变化信息的噪声。1）借助基函数的丰富特性和非下采样变换的移不变形，首先从各个维度和各个方向全面深层地提取对数比图像的纹理，然后实施自适应阈值滤波。这样做的好处是即使处在噪声环境中，也能保证大量变化信息的顺利提取。2）经过噪声处理之后的NSCT分解的系数中含有丰富的变化信息，通过PCNN对该分解系数进行点火，可以充分实现对变化信息的彻底提取。3）当大量的变化信息被有效的提取出来后，我们可以运用最大类间方差法实施2类分类，这样能够获得信息的变化图，完成图像变化检测的目的。2实现算法通过上述理论模型的建立，我们在本文中得到以下实现算法。第一步：产生对数比图像。对数比图像的产生源于检测图像和参考图像。第二步：获得系数。系数来源于NSCT的变换分解。第三步：系数设置为零。借助最大类间方差法将其中数值最小的那个系数设置为零，以提高抗噪能力。第四步：获得系数图。计算出各个尺度、各个方向上系数的标准差、平均值，通过线性组合，获得系数图。第五步：获得点火图。利用PCNN处理该线性组合结果,以获得点火图。第六步：获得变化检测图像。运用最大类间方差对点火图实施2类分类处理，成功获得变化检测图。3算法性能的定性比较在我们对PCAKMEANS、PCNN两种比较算法与本文的新算法NSCTPCNN进行实验室比较时我们发现取自同一处的遥感图像因为算法不同，噪声分布也不同。PCAKMEANS比较算法、PCNN比较算法中的噪声点分布密集度明显大于NSCTPCNN新算法中的噪声分布密度。通过实验室算法性能的定性比较，我们可以明显得知，NSCTPCNN具有抗噪性能高、精准度高的特点和优点。4算法性能的定量比较第一步：获得差值图。假设某种信息变化的地面真实变化参考图为CMO,而对其的检测结果为CM1,真实变化参考图结果与检测结果作差，获得两者间的差值图，假设差值图为△。第二步：获得误检率。整理差值图△中元素值为1的元素，然后对这些元素的个数实施总和归一化处理，获得误检率，即FalseAlarm(FA)O第三步：获得漏检率。整理差值图△中元素值为-1的元素，然后对这些元素的个数实施总和归一化处理，获得漏检率，即MissAlarm(MA)O第四步：获得变化率。整理地面真实变化参考图CMO中元素值为1的元素，然后对这些元素的个数实施总和归一化处理，获得变化...