研究与发展 2015年 和表5所示。 (a)GC GG (b)LFS&KGC (a)FCM (b)RFLICM (c) MRFFCM Fig. Il Final maps of the Bern dataset through the graph cut Fig. 9 Final maps of the Bern dataset through the clustering methods 图11.Bem数据集图切分析结果图 图9Bemn数据集阈值分析结果图 Table 7 values of the evaluation criteria of the bern dataset Table 5 values of the evaluation criteria of the bern dataset through the graph cut methods hrough the clustering methods Bern数据集图切分析结果指标评估值 丧5Bern数据集聚类分析结果指标评估值 GC GG otwa数据集对应两种方法的二值图及其指标评 价如图12和表8所示 Ottawa数据集对应三种方法的二值图及其指标评 价如图10和表6所 (a)GC GG (b)LFS&KGC Fig. 12 Final maps of the Ottawa dataset through the graph cut (a)FCM (b)RFLICM (c) MRFFCM Fig. 10 Final maps of the Ottawa dataset through the clustering 图12 Ottawa数据集图切分析结果图 图10. Ottawa数据集阈值分析结果图 Table 8 values of the evaluation criteria of the ottawa dataset through the graph cut methods Table 6 values of the evaluation criteria of the ottawa dataset 衰8 Ottawa数据集图切分析结果指标评估值 through the clustering methods 表6 Ottawa数据集聚类分析结果指标评估值 CGG MRFFCM16367122348091 从以上结果可以看出,图切法不论是用在预处理 方面还是用在函数优化分析方面均有较好的效果。从 从图上可以看出,通过改进FCM,两种方法都可图中来看,这主要体现边缘细节的保持方面。在 以更多保留变化区域的细节,使得更多不易检测的区GCGG方法中,图切的过分割预处理给利用GG分 域得以检测出,这是由于两种方法充分使用了邻域信析打下了良好的基础:而在LFS&KGC方法中,核函 息的缘故。同时这两种方法在抑制相干斑噪声影响方数的加入使得像素的分类更加精确,通过平滑影像降 面也各具优势。从表格上的数据可以清楚地看出两种低了噪声因素带来了干扰,与此同时也较为完好地保 方法的KC值较原始FCM均有提升,证实了在聚类存了变化区域的边缘细节 方法中利用邻域信息的有效性。 36水平集法分析差异图实验对比结果 35图切法分析差异图实验对比结果 这里使用热点水平集法ICV、RSF和MLS来进 这里使用热点变化检测图切法GCGG和行LR差异图分析。Bem数据集对应三种方法的二值 LFS&KGC来进行LR差异图分析。Bem数据集对应图及其指标评价如图13和表9所示 两种方法的二值图及其指标评价如图11和表7所示10 计 算 机 研 究 与 发 展 2015 年 和表 5 所示。 (a) FCM (b) RFLICM (c) MRFFCM Fig. 9 Final maps of the Bern dataset through the clustering methods. 图 9 Bern 数据集阈值分析结果图 Table 5 Values of the evaluation criteria of the Bern dataset through the clustering methods 表 5 Bern 数据集聚类分析结果指标评估值 FP FN OE KC FCM 190 349 539 0.7464 RFLICM 723 61 784 0.8132 MRFFCM 364 47 411 0.8413 Ottawa数据集对应三种方法的二值图及其指标评 价如图 10 和表 6 所示。 (a) FCM (b) RFLICM (c) MRFFCM Fig. 10 Final maps of the Ottawa dataset through the clustering methods. 图 10. Ottawa 数据集阈值分析结果图 Table 6 Values of the evaluation criteria of the Ottawa dataset through the clustering methods 表 6 Ottawa 数据集聚类分析结果指标评估值 FP FN OE KC FCM 42 2319 2741 0.8935 RFLICM 2381 469 2850 0.9075 MRFFCM 1636 712 2348 0.9151 从图上可以看出，通过改进 FCM，两种方法都可 以更多保留变化区域的细节，使得更多不易检测的区 域得以检测出，这是由于两种方法充分使用了邻域信 息的缘故。同时这两种方法在抑制相干斑噪声影响方 面也各具优势。从表格上的数据可以清楚地看出两种 方法的 KC 值较原始 FCM 均有提升，证实了在聚类 方法中利用邻域信息的有效性。 3.5 图切法分析差异图实验对比结果 这里使用热点变化检测图切法 GC_GG 和 LFS&KGC 来进行 LR 差异图分析。Bern 数据集对应 两种方法的二值图及其指标评价如图 11 和表 7 所示。 (a) GC_GG (b) LFS&KGC Fig. 11 Final maps of the Bern dataset through the graph cut methods. 图 11. Bern 数据集图切分析结果图 Table 7 Values of the evaluation criteria of the Bern dataset through the graph cut methods 表 7 Bern 数据集图切分析结果指标评估值 FP FN OE KC GC_GG 442 67 509 0.8076 LFS&KGC 136 176 312 0.8558 Ottawa数据集对应两种方法的二值图及其指标评 价如图 12 和表 8 所示. (a) GC_GG (b) LFS&KGC Fig. 12 Final maps of the Ottawa dataset through the graph cut methods. 图 12. Ottawa 数据集图切分析结果图 Table 8 Values of the evaluation criteria of the Ottawa dataset through the graph cut methods 表 8 Ottawa 数据集图切分析结果指标评估值 FP FN OE KC GC_GG 776 2252 3028 0.8836 LFS&KGC 3566 285 3851 0.8845 从以上结果可以看出，图切法不论是用在预处理 方面还是用在函数优化分析方面均有较好的效果。从 图中来看，这主要体现边缘细节的保持方面。在 GC_GG 方法中，图切的过分割预处理给利用 GG 分 析打下了良好的基础；而在 LFS&KGC 方法中，核函 数的加入使得像素的分类更加精确，通过平滑影像降 低了噪声因素带来了干扰，与此同时也较为完好地保 存了变化区域的边缘细节。 3.6 水平集法分析差异图实验对比结果 这里使用热点水平集法 ICV、RSF 和 MLS 来进 行 LR 差异图分析。Bern 数据集对应三种方法的二值 图及其指标评价如图 13 和表 9 所示