合成孔径雷达影像（SAR图像）变化检测传统研究方法

论文名称：合成孔径雷达影像变化检测研究进展

论文地址：https://web.xidian.edu.cn/mggong/files/20151108_104143.pdf

一、SAR影像变化检测方法

       单极化 SAR 影像变化检测的基本流程范式，即经典的三步流程范式：
       1. 预处理   2. 生成差异图   3. 分析差异图

1. 预处理
       目的：让两幅影像在空域和谱域具有一致可比性。
       做法：在空域上，两幅影像首先要进行配准处理，目前比较流行的方式是通过尺度不变特征或者互信息特征来对两幅影像进行尺度级别或者灰度级别的配准。[1]
                  在谱域上，需要将因照射条件等原因产生的误差进行辐射校正，这一点可以通过对全图进行目标区域的划分来实现。[2]

2. 生成差异图
       差异图的生成实际上是找到一个能表征两幅SAR影像之间距离的矩阵，这个矩阵经过可视化处理后就是差异图。
       目的：初步区分两幅 SAR 影像中未变化类和变化类。
       做法：通过某种差异运算构造一幅和两者尺寸一样的差异图。
                （以下方法根据时间顺序排列，从早期使用到当前使用）

       （1）采用差值算子运算，即直接将两幅SAR影像相减。（缺点：差值法无法有效抑制相干斑噪声 (乘性随机噪声)

       （2）采用比值算子运算。（优点：比值法可有效抑制相干斑噪声 (乘性随机噪声)；缺点：没有考虑影像的局部、边缘、类条件分布等先验信息）[3]

       （3.1）采用对数比(Log-ratio, LR)算子运算，在比值差异图的基础上多了一步对数的运算。（优点：将SAR 影像中的相干斑噪声(乘性随机噪声) 转换为加性噪声，并且经过对数转换后差异影像得到了非线性收缩，增强了变化类和非变化类的对比度。对数运算本身的性质能够减小比值运算所带来的较大差异，所以可以进一步降低未变化类背景部分的野点影响，在变化区域比未变化区域小的情况下比较有效。缺点：因为对数运算收缩性较强，所以边缘区域的像素值容易被模糊化）[4]

       （3.2）采用均值比(Mean-ratio,MR)算子运算，相比的对象不再是对应的孤立像素点，而是像素点所在的邻域的均值。（优点：利用了像素的邻域信息，对于单独出现的野点有一定程度的抑制效果；缺点：缺乏伸缩变换，如果噪声不是以点状的形式出现而是以成片的形式出现，则不易有效抑制其影响）[5]

       （4）组合差异图法(Combined Difference Image, CDI)，该方法对差值差异图和LR差异图进行参数加权获得新的差异图。CDI 法将差值差异图和LR差异图分别进行均值滤波和中值滤波，初步去除噪声干扰和野点，然后利用人工加权的参数获得最终的融合差异图。（优点：简单易行，且适合于并行处理，速度较快；缺点：含有人工参数，需要多次测试才能得出最优的参数值，不易根据影像本身的性质进行自动选择。）[11]

       （5.1）基于邻域的比值差异图算法(Neighborhood-based Ratio,NR)，NR算子是对比值差异图和MR差异图的一个加权平均。这个权值可以表征中心像素所在的位置是处于匀质区域还是异质区域，低值对应匀质区域，高值对应异质区域。（优点：充分结合了像素点的灰度信息和空间信息，加权参数完全由影像自身的性质确定，提高了差异图构造的鲁棒性。）[12]

       （5.2）小波融合(Wavelet Fusion, WF)法，首先对已生成的LR和 MR差异图分别进行 小波变换，再分别抽取MR差异图的低频段和 LR差异图的高频段，也就是抽取了MR差异图的 整体信息和LR差异图的 细节信息。然后对 LL、LH、HL 和 HH 按照基于邻域的融合规则进行 融合，生成一幅新的小波变换图。最后进行 小波逆变换，得到了WF融合差异图。（优点：使LR和MR两种差异图的优点结合在一起。）[13]

       （5.3）结合SAR影像纹理和强度特征来构造差异图（Intensity and Texture, IT），将输入的两幅 SAR 影像进行稀疏和低秩系数的分解，分别得到了对应的强度和纹理信息，对这两种信息分别构建差异图，然后进行融合。（优点：既提取出了 SAR影像中主要变化的区域， 又能防止斑点噪声对差异图性能产生影响，尤其是在性能保持这一性能上具有较强的鲁棒性。）[14]

3. 分析差异图
       差异图生成以后，需要对其进行分析，最终生成一幅黑白二值图。常用的分析方法有四种：阈值分析、聚类分析、图切分析和水平集分析。

       （1）阈值法
                阈值法通过某种阈值选择方法找出一个最优阈值以后，将差异图以阈值像素值为界划分为两类。（优点：运算速度快，方法简明；缺点：精确度不够高）
                无监督最优阈值选择方法有两类：KI法和EM法
                       相同点：KI法和 EM法首先都需要通过建立模型对未变类和变化类的类条件分布进行直方图拟合，最后通过 Bayes 最小错误率准则来使得两类分布的后验概率相等来择出最优阈值。
                       不同点：KI法通过建立性能指标函数，并求出函数最小值来寻找对应的最优阈值；EM法则是通过迭代不断最大化期望值来求得最优阈值。

                       KI法（Kilter & Illingworth）：
                           （以下方法根据时间顺序排列，从早期使用到当前使用）
                           1）KI法 [6]
                           2）广义KI法（Generalized KI, GKI）（优点：GKI 所构建的性能指标函数包含了模型的整个类条件分布表达式，比起 KI 的指标函数利用了更多的模型信息。）[15]
                           3）直方图优化方法，在运用 GKI 之前先对直方图进行优化处理。（优点：有效地解决直方图为单峰时 GKI 处理所遇到的困难问题。）[16]

                       EM法（Expectation Maximization 期望最大化）：
                           （以下方法根据时间顺序排列，从早期使用到当前使用）
                           1）基于Gaussian模型的EM法 [7]
                           2）基于性能更加优良的GG模型的EM法，（优点：对影像及其变化区域分布状况的可选范围广；缺点：由于要对两类同时进行EM算法估计，需要比较繁杂 的初始化及迭代计算。）[17]
                           3）局部拟合兼半期望最大化 (Locally Fitting and Semi-EM, LF&SEM) 方法，该方法适用于变化区域的比例相对较小的普适情况。该方法首先锁定了最优阈值必然出现的一个子区间，使得未变化类模型的拟合区间限定在这个子区间内而不像其余的方法去拟合全部灰度级。然后根据未变化类拟合的信息，对于被混叠的变化类采取了基于 GG 模型的EM迭代。（优点：充分考虑到了未变化类和变化类的分布特点，将两类的拟合方式加以区分，采取了局部拟合和搜索策略，缩减了拟合区间和搜索长度。由于计算复杂的 EM 法只用在变化类估计上，所以其迭代计算量只有上述EM计算量的一半；同时由于未变化类的精确估计在先，因此也不需要进行复杂的初始化，进一步降低了算法时间消耗。）[18]

                类条件分布模型有：

                       * Gaussian 模型                               #常用
                       * 广义 Gaussian 模型（GG）          #常用
                       * 对数正态模型（Log-normal, LN） #常用
                       * Nakagami-ratio 模型
                       * Weibull-ratio 模型

       （2）聚类法
                通过对差异图运用聚类算法得到未变类和变化类的两个聚类中心，然后通过近邻法分割出两类。（优点：不需要建立模型，比阈值法灵活）
                聚类方法有硬聚类和模糊聚类两种，硬聚类以K均值聚类(K-means, KM)法为代表，模糊聚类以模糊C均值聚类(Fuzzy C-means, FCM) 法为代表。
                       （以下方法根据时间顺序排列，从早期使用到当前使用）
                       1）K均值聚类(K-means, KM)法：利用类间距离最大和类内距离最小这两点，通过迭代找到合适的聚类中心。（缺点：由于硬划分造成一些误差）[8]
                       2）模糊C均值聚类(Fuzzy C-means, FCM) 法：在KM法的基础上加入了模糊集合知识，生成有隶属度矩阵。（优点：相比KM法能够更为有效地保留更多数据原有的特性，从而使分类精度得以提高）[9]
                       共同缺点：KM法和FCM法没有考虑数据在空域上的诸多其他信息，因此仍旧对影像噪声比较敏感。

                       利用邻域信息对FCM改进的聚类方法：
                       （以下方法根据时间顺序排列，从早期使用到当前使用）
                       1）快速广义模糊C均值(Fast Generalized Fuzzy C-means, FGFCM)聚类法：在目标函数上加入了 3×3 邻域的空间约束。（优点：提高了模糊聚类在影像分割方面的精度；缺点：依赖人工参数）[19]
                       2）局部邻域信息模糊C均值 (Fuzzy Local Information C-means, FLICM)聚类方法：该方法给出了一种体现 3×3 邻域内诸像素点和中心像素点的距离关系模糊因子，同时提出了基于此模糊因子的全新目标函数和更新公式。（优点：没有人工参数）[20]
                       3）改良局部邻域信息模糊C均值(Reformulated Fuzzy Local Information C-means, RFLICM)聚类方法：对模糊因子进行了进一步的研究和改良。经过改良后的模糊因子将邻域大小拓展到 5×5，从而体现了两个 3×3 邻域之间的距离关系。（优点：没有人工参数而且更加细致权衡所利用的邻域信息，降低了 FLICM 中孤立野点对模糊因子的干扰，对隶属度的计算更加精确。）[21]

                       利用马尔可夫随机场(Markov Random Field, MRF)对FCM改进的聚类方法：
                       （以下方法根据时间顺序排列，从早期使用到当前使用）
                       1）将 MRF 中带有能量函数的 Gibbs 表达式加入了 FCM 算法当中，通过计算点式先验概率来获得隶属度，并在目标函数中加以加权约束。（缺点：加权参数是人工指定的。并且能量函数的表 达式较为粗略，不能很好地应对像 SAR 影像变化检测差异图分析这样相对复杂的任务。）[22]
                       2）基于MRF的新型 FCM（MRFFCM）算法：该算法根据能量函数指数形式的特点，提出了一种带附加项能量函数。附加项充分利用了 3×3 邻域内诸像素点和中心像素点的类别关系和隶属度关系，根据邻域像素的同属类别个数来对隶属度进行修正。最后利用最小二乘法来对附加项的参数在不同情况下加以分别拟合，使得整个能量函数能够完全自动地进行计算。此外，该方法待优化的目标函数回归到FCM的最原始形式，这是由于精细的能量函数已经可以对隶属度加以约束，而不必要过多去修饰目标函数，即没有了人工加权参数的干预。[23]

       （3）图切法
                图切法是另一种影像的二分类方法，本质上是将未变化类和变化类的标签分配给诸像素点。该方法根据差异图自身的性质构造合适的能量函数，并且使用图切法最小化这个能量函数，使得能量最小时，每一个像素点都属于一个最合适的分类。
                图切法的能量函数包含两部分：数据函数和平滑函数。数据函数值用于衡量影像中某像素点与其当前所持标签的拟合程度大小，平滑函数则相当于在某一邻域中两个像素点之间不连续性的惩罚函数。
                图切法应用到 SAR 影像变化检测的方式主要有两种：

                第一种方式是将图切算法用于其余分析方法的预处理阶段，代表工作有：
                       将图切算法应用在FCM聚类算法之前：该方法将原始影像进行一定的变形之后，通过邻接图之间的距离关系，初步获得了每一个像素点的初步分类信息。（优点：提高了 FCM 分类的精确度）[24]
                       基于图切的GG模型分析法(GG Segmentation Based on Graph Cut, GC_GG) [25]

                第二种方式是将图切算法用于能量最小化的优化分析过程（由于 SAR 影像变化检测是对差异图的每个像素进行分类，因此被往往构造为能量最小化问题），代表工作有：
                       基于MRF的图切算法：该方法对像素点及其邻域像素点作以合理的假设：如果一个像素标记为变化类或未变化类，那么它 周围的像素极有可能是同样的标记。根据这一假设， 该方法利用 line-process 方法保留边缘信息，结合EM和对数累积方法(Method of Logcumulants, MoLC)对影像的概率分布模型参数进行精确估计，并选取MRF作为工具，通过图切算法不断优化MRF的能量函数，最终对差异图中的未变类和变化类进行了有效区分。（优点：该方法适用范围广，对超高分辨的 SAR 影像变化检测也十分有效。）[26]
                       局部搜索兼核函数诱导图切方法 (Local Fit-search and Kernel-induced Graph Cut, LFS&KGC) ：该方法利用了灰度直方图性质，对其有效拟合的子区间进行模型的建立，提高了图切初始化的精度。同时由于 SAR 影像数据的复杂性，生成的差异图往往不适合直接作为数据函数，因此该方法在图切算法中引入核函数，通过核函数转换将影像映射到高维空间，增加影像的可分性，能够有效地对不同等效视数的 SAR 影像进行变化检测任务的执行。[27]

       （4）水平集法
                差异图的分析问题可表示为求解某一能量泛函的最小值问题。水平集方法通过不断最优化能量函数来更新水平集函数，最终水平集函数值为正和为负的部分分别标记为差异图分析对应的变化类与未变化类。（利用曲线演化将二维闭合曲线的演化问题转化为三维空间中水平集函数曲面演化的隐含方式来求解，即构造一个三维的水平集函数，然后求使其值为零的解构成的曲线集合，从而获得影像分割的结果。）
                （以下方法根据时间顺序排列，从早期使用到当前使用）
                1）Chan和Vese根据 Mumford-Shah 泛函模型和变分水平集方法提出了著名的CV模型：该模型是基于区域的分析方法，具有很好的内部边缘和弱边缘的检测能力。通过不断优化能量函数的过程中不断修正水平集函数， 轮廓曲线演化方程被转化成求解数值化偏微分方程 的问题。SAR影像变化检测的差异图由于受到噪声的影响，容易在区域内或边界上产生野点现象，因此可以在其能量函数中加上若干邻域或者边缘信息，适应于拓扑结构变化的处理。该模型中的能量函数由三项组成，前两项代表了被分成的两类的类内距离，为基本的函数优化项；最后一项是一个平滑先验项，其物理意义代表了曲线的长度。平滑先验项以加权的方式附加，具有初步平滑噪点的功效。通过梯度下降法可以得到 CV模型中水平集函数的更新演化偏微分方程。（优点：在曲线的分裂或者合并等过程中，不但具有较高的计算精度，而且算法稳定性强，可以有效降低这些野点在分析过程中的干扰。CV模型用于灰度均匀影像分割获得了很好的效果，能较好地保留影像的细节。）[10]
                2.1）加入局部信息的区域规模拟合模型(Region-scalable Fitting, RSF)：为了使CV模型能较好地分割灰度不均匀的影像提出了该模型，在充分分析了基于区域的主动轮廓模型 后，把 Gaussian 核函数加入到能量函数的积分式中， 平滑了影像；同时对二分类的拟合函数的表达式也在 水平集函数的演变中加以推导，最终得到了用卷积形式表达的拟合函数更新表达式。（优点：该方法中核函数加入 了数据项，所以零水平集部分（轮廓）在演化过程中 由被抽取出的局部信息所引导，从而非匀质区域也能得以恰当地处理。）[28]
                2.2）在CV能量函数之后附加正则项：CV模型需要进行重新初始化，以使得水平集函数在演化过程中保持符号距离函数的特性，从而导致该过程的复杂度大大提升。为了解决CV模型需要重新初始化的问题提出了正则项概念。正则项附加在 CV 能量函数之后，可以认为是水平集函数的一个泛函，它的出现避免了复杂的初始化问题，使得每一次水平集函数演化后都能够尽可能保持符号距离函数特性。该方法提出了一种基于水平集函数梯度的简单正则项，该正则项在梯度较大的区域取值较大，而在梯度较小的地方取值较小，在水平集函数演化过程中起到了一定的拉伸作用。（优点：正则项的出现打破了CV模型需要重新初 始化的桎梏，对水平集分析算法的简化起着重要的意 义；缺点：该正则项在水平集函数梯度小于 1 时和实际期望的物理意义相差较大）[29]
                3.1）正则项改进 CV 模型(Improved CV, ICV)：ICV 模型对上述正则项利用余弦 函数进行了改进，且对水平集函数的取值进行了讨论处理（优点：弥补了2.2中正则项在水平集函数值小于 1 时和实际物理意义差距甚远的问题。）[30]
                3.2）基于多级分辨率水平集的差异图分析方法(Multiresolution Level-set, MLS)：因为水平集方法对初始轮廓较为敏感，易陷入局部最优，所以提出了该方法。首先通过下采样的方式将差异图蜕变为一系列低分辨率的影像；其次，将较低分辨率的影像的水平集分割结果轮廓作为下一级较高分比例影像的初始轮廓；最后，二值化最后一级分辨率影像（初始生成的差异图）的分割结果，即获得变化检测的最终结果。（优点：这种方法在下采样的过程中，将噪声以一定的概率加以弱化或剔除，使得水平集第一次分割时能够尽可能少地受噪声影响，并且带有很强的先验信息。在后续分析中，这些先验信息逐步引导水平集函数收敛至全局最优，在复杂的环境下提高了分类精度。）[31]

二、SAR影像数据集

       SAR影像数据集一般包含有两幅已配准的不同时刻的 SAR 影像和一幅人工标定的标准参考二值图。

       1. Bern 数据集

       该数据集分辨率为20m，其中数据集的原始影像是分别在1999年4月和1999年5月通过欧洲遥感2号星载SAR传感器在瑞士Bern地区获得的。在此时间段内，泛滥的 Aare 河洪水将 Thun 和 Bern 两座城市的部分地区淹没，Bern 机场则是彻底被洪水淹没。前一时刻的 SAR 影像显示了洪水尚未发生时的情形，后一时刻的 SAR 影像中可以清楚地看出当时泛滥的洪水。两幅影像的尺寸均为301×301。 而变化参考图通过结合当地真实的陆地信息和专家知识得到。

       2. Ottawa 数据集

       该数据集是由 RADARSAT-SAR 卫星分别在 1997 年 5 月和 1997 年 8 月拍摄的，分辨率为12m， 影像大小为 290×350。该数据集反映的是加拿大 Ottawa 地区受雨季影响其地表变化情况。此时间段正值 1997 年的雨季过后，河道明显变窄。从图 2 可以清楚地看出河水退去后露出的大范围陆地区域。变化参考图通过结合当地真实的陆地信息和专家知识得到。

三、实验方法

1. 差异图生成算法的评估指标
       绘制每一幅差异图对应的受试者工作特征曲线 (Receiver OperatingCharacteristic, ROC) ：曲线上的数据点代表了遍历灰度级的诸阈值分割下的一系列虚警率(False Alarm Rate)和检测率(Detection Rate) 的对应点，为了观察细节，一般需要绘制出点(0,1)附近的局部放大图。曲线下的面积大小(Area under the Curve, AUC) 用来作为性能的评判，AUC越大代表差异图性能越良好。[32]

2. 差异图分析算法的评估指标

• 错检数 (False Positive, FP)：本属于未变化类却被检测为变化类的像素点数，越小表明差异图分析结果越好。
• 漏检数(False Negative, FN)：本属于变化类却被检测为未变化类的像素点数，越小表明差异图分析结果越好。
• 总错误数(Overall Errors, OE)： FP 和 FN 两者的加和，越小表明差异图分析结果越好。
• Kappa系数(Kappa Coefficient, KC)：差异图分析生成的二值图与真实参考图的接近程度， 越接近于 1 表明差异图分析结果越接近于真实参考图。

       参考文献 [33] 给出了每项指标的具体计算方法， 并且指出，由于KC中包含了更多的分类信息，所以 KC 是一个比 OE 更能反映分类优劣的指标。

四、研究趋势

1. 差异图生成和差异图分析协同进行研究。
2. 在 SAR 影像变化检测中有效加入非局部信息。[34]
3. 对变化的地物识别进行深入地研究，尤其是识别水域的变化。
       上述检测方法均为基于像素的方法，事实上，变化检测越来越注重所检测的变化类型。因此，有必要对变化的地物识别进行深入地研究，尤其是识别水域的变化。
4. 非同源传感器影像之间的变化检测算法研究。
5. 利用深度神经网络方法对变化检测任务进行研究。
       文献 [35] 对上述研究趋势进行了初步的研究，利用深度神经网络提取地物特征，构建了特征映射函数，建立两幅影像之间的联系，通过训练映射函数，计算映射误差，得到差异图。（优点：深度神经网络方法并未强调 SAR 影像本身的特性，因此具有相当的普适性，给这类较为复杂的变化检测任务指明了方向。）
6. 探究和GPU并行运算相关的SAR影像变化检测技术。
       以前的变化检测任务是在以CPU为核心处理器的计算机上运行的，而近年来又有了以GPU并行处理器为核心的实验机器。在参考文献 [36] 中利用GPU对变化检测进行初步尝试，加速效果可以达到原先的 63~145 倍。因此，有必要进一步探究和GPU并行运算相关的SAR影像变化检测技术。

参考文献：

[1] Gong Maoguo, Zhao Shengmeng, Jiao Licheng, et al. A novel coarse-to-fine scheme for automatic image registration based on SIFT and mutual information [J]. IEEE Trans on Geoscience and Remote Sensing, 2014, 52(7): 4328-4338

[2] Liu S C, Fu C W, Chang S. Statistical change detection with moments under time-varying illumination [J]. IEEE Trans on Image Processing, 1998, 7(9): 1258-1268

[3] Rignot E J M, Zyl J J V. Change detection techniques for ERS-1 SAR data [J]. IEEE Trans on Geoscience and Remote Sensing, 1993, 31(4): 896-906

[4] Bovolo F, Bruzzone L. A detail-preserving scale-driven approach to change detection in multitemporal SAR images [J]. IEEE Trans on Geoscience and Remote Sensing, 2005, 43(12): 2963-2972

[5] Inglada J, Mercier G. A new statistical similarity measure for change detection in multitemporal SAR images and its extension to multiscale change analysis [J]. IEEE Trans on Geoscience and Remote Sensing, 2007, 45(5): 1432-1445

[6] Bazi Y, Bruzzone L, Melgani F. An unsupervised approach based on the generalized Gaussian model to automatic change detection in multitemporal SAR images [J]. IEEE Trans on Geoscience and Remote Sensing, 2005, 43(4): 874-887

[7] Bruzzone L, Prieto D F. Automatic analysis of the difference image for unsupervised change detection [J]. IEEE Trans on Geoscience and Remote Sensing, 2000, 38(3): 1171-1182

[8] Celik T. Unsupervised change detection of satellite images using local gradual descent [J]. IEEE Trans on Geoscience and Remote Sensing, 2012, 50(5): 1919-1929

[9] Ghosh A, Mishra N S, Ghosh S. Fuzzy clustering algorithms for unsupervised change detection in remote sensing images [J]. Information Science, 2011, 181(4): 699-715

[10] Chan T F, Vese L A. Active contours without edges [J]. IEEE Transactions on Image Process, 2001, 10(2): 266-277

[11] Zheng Yaoguo, Zhang Xiangrong, Hou Biao, et al. Using combined difference image and k-means clustering for SAR image change detection [J]. IEEE Geoscience and Remote Sensing Letters, 2014, 11(3): 691-695

[12] Gong Maoguo, Cao Yu, Wu Qiaodi. A neighborhood-based ratio approach for change detection in SAR images [J]. IEEE Geoscience and Remote Sensing Letters, 2012, 9(2): 307-311

[13] Ma Jingjing, Gong Maoguo, Zhou Zhiqiang. Wavelet fusion on ration images for change detection in SAR images [J]. IEEE Geoscience and Remote Sensing Letters, 2012, 9(6): 1122-1126

[14] Gong Maoguo, Li Yu, Jiao Licheng, et al. SAR change detection based on intensity and texture changes [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 93: 123-135

[15] Moser G, Serpico S B. Generalized minimum-error thresholding for unsupervised change detection from SAR amplitude imagery [J]. IEEE Trans on Geoscience and Remote Sensing, 2006, 44(10): 2972-2982

[16] Hu Hongtao, Ban Yifang. Unsupervised change detection in multitemporal SAR images over large urban areas [J]. IEEE Journal of Selected Topics in Applied Earth Observation Remote Sensing, 2014, 7(8): 3248-3261

[17] Bazi Y, Bruzzone L, Melgani F. Image thresholding based on the EM algorithm and the generalized Gaussian distribution [J]. Pattern
Recognition, 2007, 40(2): 619-634

[18] Su Linzhi, Gong Maoguo, Sun Bo, et al. Unsupervised change detection in SAR images based on locally fitting model and semi-EM algorithm [J]. International Journal of Remote Sensing, 2014, 35(2): 621-650

[19] Cai Weiling, Chen Songcan, Zhang Daoqiang. Fast and robust fuzzy C-means clustering algorithms incorporating local information for image segmentation [J]. Pattern Recognition, 2007, 40(3): 825-838

[20] Krinidis S, Chatzis V. A robust fuzzy local information c-means clustering algorithm [J]. IEEE Trans Image Process, 2010, 19(5): 1328-1337

[21] Gong Maoguo, Zhou Zhiqiang, Ma Jingjing. Change detection in synthetic aperture radar images based on image fusion and fuzzy clustering [J]. IEEE Trans on Image Processing, 2012, 21(4): 2141-2151

[22] Chatzis S P, Varvarigou T A. A fuzzy clustering approach toward hidden Markov random field models for enhanced spatially constrained image segmentation [J]. IEEE Trans on Fuzzy System, 2008, 16(5): 1351–1361

[23] Gong Maoguo, Su Linzhi, Jia Meng, et al. Fuzzy clustering with a modified MRF energy function for change detection in synthetic aperture radar images [J]. IEEE Trans on Fuzzy System, 2014, 22(1): 98-109

[24] Gou Shuiping, Yu Tiantian. Graph based SAR images change detection [C]// IEEE Int’l Geoscience and Remote Sensing Symposium. NY: IEEE, 2012: 2152-2155

[25] Zhang Xiaohua, Chen Jiawei, Meng Hongyun. A novel SAR image change detection based on graph-cut and generalized Gaussian model [J]. IEEE Geoscience and Remote Sensing Letters, 2013, 10(1): 14-18

[26] Moser G, Serpico S B. Unsupervised change detection with high-resolution SAR images by edge-preserving Markov random fields and graph-cuts [C]// IEEE Int’l Geoscience and Remote Sensing Symposium. NY: IEEE, 2012: 1984-1987

[27] Gong Maoguo, Jia Meng, Su Linzhi. Detecting changes of the Yellow River estuary via SAR images based on local fit-search model and kernel-induced graph cuts [J]. International Journal of Remote Sensing, 2014(11-12), 35: 4009-4030

[28] Li Chunming, Kao C Y, Gore J C, et al. Minimization of region-scalable fitting energy for image segmentation [J]. IEEE Trans on Image Processing, 2008, 17(10): 1940-1949

[29] Li Chunming, Xu Chenyang, Gui Changfeng, et al. Level set evolution without re-initialization: a new variational formulation[C]// IEEE Computer Society Conference on Computer Vision and Pattern Recognition. NY: IEEE, 2005. 430-436

[30] Li Chunming, Xu Chenyang, Gui Changfeng, et al. Distance regularized level set evolution and its application to image segmentation [J]. IEEE Trans on Image Processing, 2010, 19(12): 3243-3254

[31] Bazi Y, Melgani F, Al-Sharari H D. Unsupervised change detection in multispectral remotely sensed imagery with level set methods [J]. IEEE Trans on Geoscience and Remote Sensing, 2010, 48(8): 3178-3187

[32] Inglada J, Mercier G. A new statistical similarity measure for change detection in multitemporal SAR images and its extension to multiscale change analysis [J]. IEEE Trans on Geoscience and Remote Sensing, 2007, 45(5): 1432-1445

[33] Su Linzhi, Gong Maoguo, Sun Bo, et al. Unsupervised change detection in SAR images based on locally fitting model and semi-EM algorithm [J]. International Journal of Remote Sensing, 2014, 35(2): 621-650

[34] Su Xin, Deledalle C, Tupin F, et al. Two-step uultitemporal nonlocal means for synthetic aperture radar images [J]. IEEE Trans on Geoscience and Remote Sensing, 2014, 52(10): 6181-6196

[35] Zhao Jiaojiao, Gong Maoguo, Liu Jia, et al. Deep learning to classify difference image for image change detection [C]// 2014 International Joint Conference on Neural Networks (IJCNN) . NY: IEEE, 2014: 411-417

[36] Zhu Huming, Cao Yu, Zhou Zhiqiang, et al. Parallel Unsupervised Synthetic Aperture Radar Image Change Detection on a Graphics Processing Unit [J]. International Journal of High Performance Computing Applications, 2013, 27(2): 109-122.