Unsupervised change detection in SAR images based on generalized likelihood ratio test and a two-stage morphological filter
Notice bibliographique
Résumé
Generalized likelihood ratio test (GLRT) is an efficient method to generate difference image (DI) for change detection (CD) using synthetic aperture radar (SAR) images. GLRT is usually applied with a fixed-size moving window to the neighbourhood regions in multitemporal SAR images. The fixed window may be however not optimal for all the pixels under test. To solve disadvantages of the GLRT method, an adaptive circular window is proposed in this work. While the adaptive square window and the best fixed square window achieve an average Kappa coefficient of 83.55% and 82.12%, respectively, the adaptive circular window improves the average Kappa coefficient by 83.65% in six datasets. As another difficulty, speckle noise reduces quality of DI in SAR change detection. Three steps are considered to minimize effects of the speckle noise: (1) a two-stage morphological filter is suggested to reduce the speckle noise; (2) to generate DI, the adaptive circular window for generalized likelihood ratio test (ACWGLRT) is proposed that reduces influence of the speckle noise while preserves the edge details of multitemporal images; and (3) spatial fuzzy c-means (SFCM) is used to reduce effects of the residual speckle-noise during DI classification. The experimental results show superior performance of the proposed change detection method with respect to several competitors. The proposed method has the best Kappa coefficient and percentage correct classification (PCC) in four datasets of Ottawa, San Francisco, Farmland C, and Inland water.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».