浮瑶瑶 柳 彬 张增辉 郁文贤

(上海交通大学感知与导航研究所 上海 200240)

基于词包模型的高分辨率SAR图像变化检测与分析

浮瑶瑶*柳 彬 张增辉 郁文贤

(上海交通大学感知与导航研究所 上海 200240)

该文面向高分辨率 SAR图像解译中的变化检测问题，针对其研究现状与难点，重点解决高分辨率 SAR图像变化检测中的语义信息缺失问题，提出一种基于词包模型的变化检测与分析的方法。该方法利用词包模型，对两个时相的图像做词包表征，将视觉直方图的差作为变化向量进行分析。由于变化向量包含有语义信息，因此可通过对其分析，结合像素级变化结果，实现对变化区域的语义分析及感兴趣变化类型检测。经实验验证，该框架对高分SAR影像变化语义分析具有应用前景。

高分辨率SAR；变化检测；语义分析；词包模型(BoWM)

1 引言

合成孔径雷达(Synthetic Aperture Radar, SAR)能够提供全天时、全天候的对地观测遥感信息，因此在军事侦察、测绘、海洋监视等领域具有非常重要的作用。近些年，随着SAR影像分辨率的提升，其可供挖掘和利用的影像内容信息越来越丰富[1]。因此针对高分辨率SAR(简称高分SAR)影像快速准确、普适性强的解译技术亟需发展。SAR自动化解译研究利用特征提取过程模拟人感知目标的过程，用机器学习来模拟人识别目标的过程[2]，主要领域涉及目标检测与识别[3]、图像分割[4,5]、地物类别数目估计及分类[6]、变化检测[7]等方面。

SAR图像变化检测是SAR解译的一个重要分支，其目的是根据对不同时段的同一目标或场景进行变化分析，包括判断目标区域是否变化，确定变化区域，识别变化种类等。高分SAR图像可以展示更为丰富的结构和细节信息，因此有效利用数据中的变化信息，并用于军事中战场局势分析、打击效果评估与民用中自然灾害应急与灾后重建等场合具有十分重要的意义。

目前变化检测方法可分为像素级变化检测[8](包括幅值域和复数域)，特征级变化检测[9]和分类级的变化检测[10]等。然而基于像素和特征的变化检测只能得到统计意义上的变化，无法得知变化所包含的语义信息；基于分类的变化检测是在分类中，由两幅图像分别完成语义的间接赋于，在此基础上进行的变化检测，因此会造成一部分信息缺失。目前已经有学者展开变化检测语义分析的相关研究，陈克明等人[11]提出半监督上下文相关的高分辨率 SAR图像变化检测分析技术，利用少量的已标注样本和大量未标注样本初始化高斯过程分类器，结合马尔科夫随机场正则化，利用空间上下文信息改进后验概率来实现变化检测场景语义层解译。

本文针对传统变化检测结果中缺少语义信息的问题，考虑从词包模型着手探索相应的解决方法。基于视觉单词的词包模型表示(Bag-of-Words Model, BoWM)算法[12]是目前图像处理领域中场景表征的主流方法，一些研究人员也将词包模型成功用于SAR的目标检测[13]、地物分类[14,15]等解译工作中，通过对图像场景内容进行词包表征，选择合适的分类器以实现地物类型的分类、目标识别等工作，同时证明视觉单词的词频直方图(在本文中称为视觉直方图)在SAR场景解译中对目标和地物具有可靠的表征能力。

基于上述内容，本文提出一种基于词包模型的变化检测方法，该方法在传统像素级检测结果基础上，增加对变化区域的语义描述。该方法将词包模型运用到变化检测框架中，利用高分SAR丰富的结构信息，通过分析不同时相图像视觉直方图的变化情况，结合像素级变化检测结果，得到区域的变化语义信息。其整体框架如图1所示。

该框架的主要流程如下：(1)预处理，包括图像配准和图像去噪；(2)词包表征，对两个时相 SAR图像进行局部特征提取，聚类生成字典；对两个时相图像进行词包表征，得到图像块的视觉直方图；(3)记不同时相图像视觉直方图的差为变化向量，通过分析其在字典空间中的变化，结合像素级的变化检测结果，对变化区域赋于用户关心的语义信息。

2 基于词包模型的高分SAR图像变化检测框架

2.1 预处理

本文提出框架的预处理部分主要包括图像配准和图像去噪。

2.1.1 图像配准在本文中，目前仅考虑多时相重轨SAR数据的变化检测问题，通过地理信息进行粗匹配和图像匹配方法进行精细匹配，能够实现亚像素级配准。

图1 基于词包模型的变化检测流程Fig. 1 Flow chart of change detection based on BoWM

2.1.2 图像去噪SAR图像降噪的目的在于尽可能抑制相干斑噪声的同时保留图像的纹理信息和几何边缘结构。论文采用Deledalle等人[16]提出的 SAR图像非局部滤波算法，经过滤波后的结果图尽可能保留了图像结构和细节信息，有利于后续的结构特性表征。

2.2 词包表征

词包表征包括3个部分：局部特征提取，字典生成和图像词包表征。

2.2.1 局部特征提取特征提取是将图像小块(即单词)转变为特征空间多维向量的过程。SAR图像最小的处理单元通常为一个小的局部区域，论文中对测试图像进行均匀分块，根据实验中SAR图像分辨率(空间分辨率在1 m左右)，窗口大小定为16×16，该大小的图像切片可以体现图像结构特性，同时不至于包含过多复杂信息。

SIFT特征是文献[17]提出的一种用于描述和检测图像的局部特征算法，可以表征图像梯度分布特性。灰度直方图可以直观地反映图像灰度分布特性。论文中对均匀分块的 SIFT特征[18]和灰度直方图特征进行级联，将其作为变化检测框架中图像的局部特征描述。

2.2.2 字典生成字典生成过程是将所有图像小块用视觉单词表示的过程，一个视觉单词就是许多相似的图像小块的聚类中心。一般通过 K-means[19]聚类训练图像集上的所有图像块的特征生成字典。对于经过滤波后的多时相SAR图像，进行局部特征提取，得到特征集合。经过K-means聚类得到K个聚类中心：，每个聚类中心都对应字典中的一个视觉单词，V被称为字典。

2.2.3 图像词包表征图像词包表征是通过量化编码(Vector quantization)统计两个时相的测试图像块中视觉单词出现的频率，得到视觉直方图。具体步骤如下：

(1) 对测试图像块通过重叠采样分块计算图像块的局部特征，得到特征空间上的特征集，记为X。

其中M指测试图像块中的特征个数，D是特征空间维度。

(2) 对于特征集中的每个特征xm，用字典中与该特征距离最小的视觉单词进行表示。

(3) 统计图像块中每个视觉单词出现次数，得到字典中视觉单词的频率直方图，即视觉直方图。

2.3 基于词包模型变化检测

对测试图像块进行词包表征，得到两个时相图像的视觉直方图。计算对应位置两个视觉直方图的卡方距离，将其作为两个图像块相异性表征：

其中dist(i)为第i个位置上两个图像块视觉直方图的距离，hist1和hist2分别为时相1和时相2图像块的视觉直方图。

本文中对两个时相的 SAR影像数据进行重叠采样分块，采样窗口为W，滑块步长为W/2窗口大小，得到若干个测试图像块。定义滑块重叠区域(W/2 ×W/2)的卡方距离为空间相邻4个测试图像块(W×W)卡方距离的均值。以此遍历所有图像块，得到T1和T2的切片级变化检测结果图。

此时，基于词包模型检测可得到切片级的变化检测结果，然而该精度对变化检测而言是不够的，因此实验结合像素级变化检测结果，通过分析视觉直方图的变化，对统计意义上较为精确的变化区域进行语义分析。词包模型中变化向量的语义信息是直接从两个时相视觉直方图相减获得，因此可以结合像素级变化检测的空间精度和词包模型变化检测的语义保留特性，通过互补来实现最终的变化检测工作。像素级变化检测方法介绍如下。

2.4 像素级变化检测

论文利用 Nakagami-Rayleigh广义似然比检验[16]得到像素级变化检测的差异图，该方法针对于SAR图像提出概率块比较算子，利用密集比较的方法，可以实现较好的相似度衡量。

基于Nakagami-Rayleigh分布的高分SAR图像中有噪的两个像素点之间的广义似然函数比检验为：

其中A1,A2为时相1和时相2中有噪情况下的像素幅值。

对于两个块，在独立分布的假设之下，可以推出基于广义似然函数比检验的这两个有噪像素块之间的密集比较算子以衡量这两个像素块中心之间的相异程度：

3 实验与分析

实验数据展示见图2，影像数据为TerraSAR-X卫星的同视向数据，拍摄日期分别为2007年12月27日和2011年12月2日；实际场景为美国旧金山区域，本景图像为单极化，极化方式为 HH，方位向分辨率为1.1 m，距离向分辨率为0.918 m，实验数据取其中2048×2048部分区域，时相1的SAR原始数据见图2(a)，时相2数据见图2(b)。

本文是在统计意义得到的变化检测结果基础上，对变化区域进行语义分析。实验分为3个部分：(1)切片级变化检测，将其和像素级变化检测对比，验证词包模型用以统计意义上变化检测的可行性；(2)变化区域的语义分析，该实验部分通过分析图像块内视觉直方图的变化，验证变化向量是具有语义信息的；(3)感兴趣变化类型检测与分析，以结构变化检测和特殊语义变化为例，证明词包模型在语义变化检测与分类的可行性和应用前景。

3.1 切片级变化检测

利用词包模型进行切片级变化检测，步骤如下：

(1) 对两个时相的SAR图像(见图3(a)，图3(b), 2048×2048)进行重叠采样分块计算局部特征，窗口为16，重叠滑块步长为8，得到特征集合；

(2) 利用K-means方法将所有特征聚类生成字典，字典维数为80；

图2 两个时相的SAR数据展示Fig. 2 Exhibition of SAR images of different temporals

图3 基于词包模型变化检测结果整体及部分展示Fig. 3 Exhibition of change detection results for the whole images and test images based on Bag-of-Words Method

(3) 将SAR图像进行重叠采样分块得到若干个测试图像块，窗口取 128，重叠步长为1/2窗口，对所有测试图像块进行词包表征，然后利用 2.3节得到所有重叠区域块(64×64)内视觉直方图的卡方距离，即为变化检测结果图。

切片级变化检测结果如图3(c)所示，像素级变化检测结果见图 3(d)，颜色代表变化剧烈程度。对图3(a)和图3(b)的左上角的红色区域部分进行放大，见图3(e)，图3(f)，可明显看出该位置港口附近设施、舰船等都发生了较大变化，对应的切片级检测结果如图3(g)所示，像素级变化检测结果见图3(h)。

比较切片级变化检测结果与像素级变化检测结果，可知利用词包模型实现切片级变化检测是可行的。

3.2 变化区域语义分析

为了验证词包模型用于变化区域语义的可行性，本节进行了如下实验。

实验内容：分析城区内部两个时相图像变化情况

图4 两个时相的视觉直方图比较Fig. 4 Exhibition of visual histogram of different temporal images

实验数据及步骤：图4(a)和图4(b)分别为时相1和时相2的图像切片，大小为256×256，场景为建筑区。如图4(a)和图4(b)中所示，将其均匀分为左上、右上、左下与右下4个切片，分别计算两个时相各个位置切片图像的视觉直方图，将对应位置视觉直方图相减，记 hist2-hist1为变化向量(change vector)，分别得到4个区域的变化向量，如图4(d)～图 4(g)所示，其中横坐标为单词标号，纵坐标为概率变化值，为负表明从时相1到时相 2，当前单词出现的概率降低，反之，则升高。

实验结果：图 4(c)为像素级变化检测结果，图4(d)～图4(g)为两个时相图像4个切片的变化向量。

像素级变化检测指标：检测率 PR = 94.13%，召回率RR = 89.74%。

图5展示了左上切片图像中，变化向量概率变化较大的单词集合。从变化向量中可得如下信息：

(1) 左上图像中10号，33号，65号单词(见图5(a)，图5(b)，图5(c))的频率明显下降；

(2) 时相2中比例明显增加的单词为54号，63号，36号等，按照各单词增加比例大小进行降序排列，见图5(d)～图5(k)。

左上图像块的变化向量中，出现概率降低的单词为10号，33号，65号单词均表示同质性区域，灰度值逐渐增加。10号单词灰度最暗，多为水域和阴影，65号单词一般出现在灰度较亮的同质性区域，多为平地或公路等。变化向量中概率增加的单词54号，63号，79号，75号，40号，28号单词具有较强的边缘结构信息，36号，30号单词包含有强散射点信息，这些单词多出现在人工目标区域中。同样右上切片图像中，变化向量概率变化较大的单词集合如图6所示，同质性单词33号，65号单词比例大幅下降，图6(a)～图6(h)中单词比例增加，其变化类似左上图像。

由此可知，时相1到时相2，图像的左上和右上部分的同质性区域(阴影，平地等)大大减少，而具有强散射点及人工目标信息的单词呈一定幅度增长。

左下图像和右下图像的变化向量表明，该区域变化由不同灰度的同质性区域互相替代造成。10号单词增加，33号，65号单词减少。表明灰度较亮的同质性区域(平地，公路等)被灰度非常暗的同质性区域(水域，阴影等)取代。

综上可知，从时相 1到时相 2，图像的上半部分发生了一部分同质性区域被人工目标取代，而下半部分，同质性区域灰度分布整体降低，可能由平地变为了水域。参考google earth历史数据可知，图像上半部分变化是平地上增加建筑目标，下半部分变化是建筑物阴影覆盖平地区域。该实验证明了利用变化向量进行语义分析的可行性。

3.3 感兴趣变化类型检测与分析

基于词包模型的方法可以实现感兴趣变化类型检测，本节实验包括结构变化检测和特定语义变化检测两个部分，具体如下。

图5 左上图像切片中单词出现频率变化较大的图像块Fig. 5 Exhibition of words image tile which has significant changes in left-up image’s visual histograms

图6 右上图像切片中出现频率增加的单词图像块Fig. 6 Exhibition of words image tile which has significant increasement in right-up image’s visual histograms

3.3.1 结构变化检测与分析利用词包模型，可以对SAR图像进行结构变化检测。其步骤为：(1)从字典中筛选结构信息单词，组成感兴趣单词集合；(2)通过分析视觉直方图变化向量中感兴趣单词的频率变化，得到的切片级结构变化检测结果；(3)结合像素级变化检测结果进行联合判决，得到像素级的结构变化检测结果。

实验数据：实验数据采用另外一组图像，实际场景为旧金山的SAR影像数据，见图7(a)和图7(b)。图像大小为 1600×1600，对两个时相影像进行重叠采样分块(窗口80，滑动步长为1/2窗口)，定义滑块重叠区域的结构单词频率变化值，为空间相邻 4个测试图像块(W×W)频率变化的均值，遍历整幅图像，得到切片级结构变化检测结果，其单位图像块大小为 40×40。结合像素级检测结果进行联合判决得到像素级结构变化检测结果。

实验结果如图7所示，其中图7(a)和图7(b)分别为时相1和时相2测试图像，图7(c)为切片级结构变化检测差异图，通过二值分割即可得到切片级检测结果，图7(d)为切片级检测和像素级检测判决得到的像素级结构变化结果图，图 7(e)为发生结构变化的真值图。

根据像素级结构变化检测结果图和像素级结构变化真值图，可得如下信息：

图7 感兴趣变化类型的检测结果展示之一Fig. 7 Exhibition of interest change type detection result of test images No. 1

像素级结构变化检测结果是在统计意义检测结果的基础上，联合切片级词包检测结果得到的。因此最终结构变化的检测率等指标受两个检测过程精度的影响。从实验结果来看，基于词包模型提取感兴趣变化类型，对于结构信息变化检测结果能够达到较高的检测率和召回率，同时存在一定的误检。这是由于比较语义单词出现概率是基于图像切片进行操作的，当两个图像切片中某结构信息单词的出现概率不变而空间位置却发生变化时，会产生一定的虚警和漏检。

3.3.2 语义变化检测与分析——以舰船目标增加和减少为例利用词包模型，可以对特定语义内容进行检测，以切片区域内舰船增加和减少两个语义变化为例，进行实验分析。具体步骤如下：

(1) 利用词包模型表征得到两个时相对应切片的视觉直方图变化向量(change vector)，已通过实验证明变化向量包含有语义信息。将其作为特征向量，可对图像中所有的变化向量进行分类；

(2) 将舰船减少(增加)部分切片的变化向量标记为正样本，其余为负样本。选择一定数量的正样本和负样本，采用KNN分类器对测试变化向量进行分类，将变化类别分为两类：舰船减少(增加)和其它。

实验数据：实验数据采用图7中两个时相数据，切片大小为80。图8(a)和图8(b)图像大小为160× 160，其为从时相1到时相2中，变化类型为舰船减少的正样本切片(4个)；图8(d)和图8(e)图像大小为80×80，其为从时相1到时相2中，变化类型为舰船增加部分正样本切片；图 8(c)表示全图中变化类型为舰船减少的切片级真值图，图 8(f)表示变化类型为船舰增加的切片级真值图。

实验结果：实验中选取样本总数的20%作为负样本，分别选取正样本总数的50%到100%(步长为5%)进行训练，针对每次选定训练样本进行10次分类实验。为了综合考虑检测率(PR)和召回率(RR)的优劣情况，论文采用F-measure[20](F1 score)对检测性能进行评估，其定义为：

F-measure值为10次实验的平均值，并标明了实验结果的均值和标准差。图 9(a)为舰船目标增加的 F-measure 性能图，图 9(b)为舰船目标减少的F-measure 性能图，X坐标为正样本选取的百分比，Y坐标为F-measure的值。

图8 舰船减少和舰船增加两种语义变化展示Fig. 8 Exhibition of two semantic information change types: ship increase and decrease

图9舰船减少和舰船增加两种语义变化检测F-measure性能图Fig. 9 Performance of F-measure of two semantic information change type: ship increase and ship decrease

从图中可以看出，随着正样本的增加，对于特定的语义变化类型检测能够保证较高的检测性能。由于场景中，舰船目标增加和减少的正样本数目较少，因此当正样本选取超过一定比例时，10次实验做出的结果差异性会越来越小，见图9(b)。该检测结果可说明，对应位置视觉直方图之差，即变化向量，是包含语义变化信息，可以根据该向量做变化分类。

4 结束语

本文通过实验证明了基于词包模型的变化检测框架可用于对高分 SAR影像的变化检测的语义分析，其表明了两个时相对应位置图像的视觉直方图变化向量是包含语义信息的。该变化向量是直接面向变化检测赋于语义的，可通过分析其变化情况，得到变化区域的语义变化描述及感兴趣变化类型检测。

未来工作中可以进行更丰富的变化语义分析和更广泛的性能测试，并且考虑用稀疏表征的方法代替K-means进行字典生成，在此基础上，利用字典中的单词极为稀疏的线性表征可以用于生成保存语义的变化向量。

[1] 邓云凯, 赵凤军, 王宇. 星载 SAR技术的发展趋势及应用浅析[J]. 雷达学报, 2012, 1(1): 1-10.

Deng Yun-kai, Zhao Feng-jun, and Wang Yu. Brief analysis on the development and appliecation of spaceborne SAR[J].Journal of Radars, 2012, 1(1): 1-10.

[2] 焦李成, 等. 智能 SAR 图像处理与解译[M]. 北京: 科学出版社, 2008: 4-29.

Jiao Li-cheng,et al.. Smart SAR Image Processing and Interpretation[M]. Beijing: Science Press, 2008: 4-29.

[3] 程江华, 高贵, 库锡树, 等. 高分辨率SAR图像道路交叉口检测与识别新方法[J]. 雷达学报, 2012, 1(1): 100-108.

Cheng Jiang-hua, Gao Gui, Ku Xi-shu,et al.. A novel method for detecting and identifying road junctions from high resolution SAR images[J].Journal of Radars, 2012, 1(1): 100-108.

[4] Liu Bin, Wang Huan-yu,et al.. A novel ship detection approach in polarimetric SAR images based on a foreground/ background separation framework[J].Chinese Journal of Electronics, 2013, 22(3): 641-647.

[5] Liu Bin, Wang Huan-yu,et al.. A foreground/background separation framework for interpreting polarimetric SAR images[J].IEEE Geoscience and Remote Sensing Letters, 2011, 8(2): 288-292.

[6] Liu Bin, Hu Hao,et al.. Superpixel-based classification with an adaptive number of classes for polarimetric SAR images[J].IEEE Transactions on Geoscience and Remote Sensing, 2013, 51(2): 907-924.

[7] White R G. Change detection in SAR imagery[J].International Journal of Remote Sensing, 1991, 12(2): 339-360.

[8] 胡岩峰, 刘波, 李峰, 等. 一种基于统计分析的图像变化检测方法[J]. 光子学报, 2005, 34(1): 146-149.

Hu Yan-feng, Liu Bo, Li Feng,et al.. An image change detection method based on statistical analysis[J].Acta Photonica Sinica, 2005, 34(1): 146-149.

[9] 陈志鹏, 邓鹏, 种劲松, 等. 纹理特征在 SAR 图像变化检测中的应用[J]. 遥感技术与应用, 2002, 17(3): 162-166.

Chen Zhi-peng, Deng Peng, Chong Jin-song,et al.. Application of texture feature in the SAR image change detection[J].Remote Sensing Technology and Application, 2002, 17(3): 162-166.

[10] 佃袁勇. 基于遥感影像的变化检测研究[D]. [硕士论文], 武汉大学, 2005.

Dian Yuan-yong. Research of change detection based on remote sensing image[D]. [Master dissertation], Wuhan University, 2005.

[11] Chen K, Zhou Z, Huo C,et al.. A semisupervised context-sensitive change detection technique via Gaussian process[J].IEEEGeoscience and Remote Sensing Letters, 2013, 10(2): 236-240.

[12] Eric N, Jurie F, and Triggs B. Sampling strategies for bag-of-features image classification[C]. Computer Vision-ECCV 2006, Berlin Heidelberg, 2006: 490-503.

[13] Sun H, Sun X, Wang H,et al.. Automatic target detection in high-resolution remote sensing images using spatial sparse coding bag-of-words model[J].IEEE Geoscience and Remote Sensing Letters, 2012, 9(1): 109-113.

[14] Liu Bin, Zhou Yu-hao,et al.. Context-aware information modeling for HR SAR image scene interpretation[C]. Proceedings of the 32nd IEEE International Geoscience and Remote Sensing Symposium (IGARSS 2012), Munich, Germany, 2012: 6821-6824.

[15] Liu B, Wang H, Wang K,et al.. Scene interpretation for SAR images using supervised topic models[C]. Proceedings of the 31st IEEE International Geoscience and Remote Sensing Symposium (IGARSS 2011), Vancouver, Canada, 2011: 3807-3810.

[16] Deledalle C A, Denis L, and Tupin F. Iterative weighted maximum likelihood denoising with probabilistic patch-based weights[J].IEEE Transactions on Image Processing, 2009, 18(12): 2661-2672.

[17] Lowe D G. Distinctive image features from scale-invariant keypoints[J].International Journal of Computer Vision, 2004, 60(2): 91-100.

[18] 刘硕研, 须德, 冯松鹤, 等. 一种基于上下文语义信息的图像块视觉单词生成算法[J]. 电子学报, 2010, 38(5): 1156-1161.

Liu Shuo-yan, Xu De, Feng Song-he,et al.. A new image tile visual words generation algorithm base on context semantic information[J].Acta Electronica Sinica, 2010, 38(5): 1156-1161.

[19] MacQueen J. Some methods for classification and analysis of multivariate observations[C]. Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability, California, 1967: 281-297.

[20] van Rijsbergen C J. Information Retrieval[M]. Second Edition, London: Butterworths-Heinemann, 1979, Chapter 7.

浮瑶瑶(1989-)，女，生于河南新乡，上海交通大学硕士研究生，主要研究方向为SAR图像检测识别。

E-mail: fuyao0427@sjtu.edu.cn

柳 彬(1985-)，男，生于湖南衡阳。分别于2007年和2009年在上海交通大学获得学士和硕士学位。目前在上海交通大学电子工程系信号与信息处理专业攻读博士学位。从 2012年 10月到 2013年4月，以访问博士生的身份在法国巴黎高科国立高等电信学校从事联合研究，其间指导教师为Florence Tupin教授。研究兴趣主要包括合成孔径雷达(Synthetic Aperture Radar, SAR)的图像理解与信息挖掘，特别是SAR和极化SAR图像的空间特性分析，包括边缘提取、分割与纹理分析，目标的检测与识别，遥感软件开发和利用图形处理单元进行高性能计算。

目前担任电子学报(中英文版)，IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing以及IEEE Transactions on Geoscience and Remote Sensing的审稿人，是IEEE、IEEE地遥协会的学生会员。E-mail: liubin22810@gmail.com

张增辉(1980-)，男，生于山东省金乡县，毕业于国防科技大学，2001年获得应用数学学士学位，2003年获得计算机数学工学硕士学位，2008年获得信息与通信工程博士学位。2008年到2012年，任国防科技大学数学与系统科学系讲师。2013年至今，在上海交通大学电子信息与电气工程学院工作。主要研究方向为雷达信号处理、压缩感知理论与应用。

E-mail: zenghui.zhang@sjtu.edu.cn

郁文贤(1964-)，男，生于上海松江，上海交通大学教授。中国第2代卫星导航系统重大专项测试评估与试验验证专家组专家；高分辨率对地观测系统重大专项专家委员会地面系统组专家；“十二五”总装备部卫星应用技术专业组顾问；总装备部上海市“北斗导航与位置服务”共建重点实验室主任；上海交通大学学术委员会委员；雷达信号处理国防科技重点实验室学术委员会委员；“十一五”国家863计划信息获取与处理技术主题第一、二届专家组组长；“十一五”总装备部雷达探测技术专业组专家；主要研究方向为先进探测技术和多维信号与信息处理，研究内容包括新型成像系统、微波图像处理和解译、信息融合、目标识别等。

E-mail: wxyu@sjtu.edu.cn

Change Detection and Analysis of High Resolution Synthetic Aperture Radar Images Based on Bag-of-words Model

Fu Yao-yao Liu Bin Zhang Zeng-hui Yu Wen-xian
(Shanghai Jiao Tong University Institute for Sensing and Navigation, Shanghai 200240, China)

This paper discusses the change detection in high-resolution SAR image interpretation. Referring to the unfavorable elements in the change detection and the status quo, this paper focuses on resolving the semantic information deficiency problem in SAR image change detection. A method named change detection base on Bag of Words Model (BoWM) is proposed. By using the BoWM, two visual histograms of two different temporal images are obtained, and the histogram difference, which contains semantic information, is defined as the change vector. By analyzing the change vector and combining it with the statistical change detection method, the semantic analysis and interest change-type detection of the change area can be obtained. Experiments show that the proposed method may be applicable to the semantic analysis of the change area in high-resolution SAR images.

High resolution SAR; Change detection; Semantic analysis; Bag of Words Model (BoWM)

中国分类号：TN958

A

2095-283X(2014)01-0101-10

10.3724/SP.J.1300.2014.13134

2013-12-18收到，2014-02-18改回；2014-02-24网络优先出版

国家“973”计划项目(2010cb731904)和国家自然科学基金(61331015)资助课题

*通信作者： 浮瑶瑶 fuyao0427@sjtu.edu.cn