基于分布式并行聚类的SAR图像变化检测算法研究

摘要

SAR（Synthetic Aperture Radar）图像变化检测可以应用在自然环境监测、灾害评估、军事打击效果评估和城市规划等众多领域，使得SAR图像变化检测成为遥感领域的研究热点。近年来随着雷达成像能力的提升，SAR图像的数据规模变得越来越大，传统串行变化检测算法已经越来越难以应对数据量不断增长的 SAR图像。本文将核模糊C均值聚类算法（Kernel Fuzzy C-Means，KFCM）与分布式并行计算框架相结合，提出了两种基于分布式并行聚类的SAR图像变化检测方法，分布式并行计算框架能够充分利用集群中众多节点的计算能力和存储能力，可以有效应对大规模的SAR图像变化检测问题，加快变化检测的速度。
　　1.提出了一种基于H-KFCM（Hadoop based KFCM）的分布式并行SAR图像变化检测方法。在变化检测过程中，利用聚类算法对差异图进行聚类分析是计算复杂度最高，计算时间最长的部分。Hadoop分布式集群计算平台可以利用分布式文件系统HDFS（Hadoop Distributed File System）和MapReduce计算模型分布式地存储和处理大规模数据。本文提出的基于H-KFCM的SAR图像变化检测方法，将 KFCM算法与 Hadoop相结合，将 KFCM算法中隶属度迭代计算映射到MapReduce中的Map阶段，通过集群多节点分布式执行Map任务实现隶属度矩阵的并行计算；将KFCM的聚类中心更新过程映射到Reduce阶段，Reduce收集不同节点的Map任务计算结果，规约求和更新聚类中心，实现了对SAR图像变化检测差异图的分布式并行聚类。通过设计相关实验，证明了本文提出的H-KFCM分布式并行变化检测方法是有效的，并且在Hadoop集群节点数增加时，对相同SAR图像的变化检测时间明显减少，证明了该算法具有良好的并行加速性能。
　　2.提出了一种基于S-KFCM（Spark based KFCM）的SAR图像变化检测方法。Spark是一种针对迭代作业和交互分析等领域而设计的基于内存计算的分布式并行平台，相比于Hadoop的MapReduce框架，Spark在运行相同的作业时可以取得几十倍甚至百倍加速性能提升。该算法将利用KFCM算法分析差异图的过程迁移到Spark内存计算框架上实现，将变化检测过程中最耗时的聚类分析过程并行的完成。在Spark中，KFCM算法的计算过程由一系列有依赖关系的弹性分布式数据集（Resilient Distributed Datasets，RDD）实现，Spark能够在集群多个节点上对RDD进行并行计算。KFCM迭代过程需要重复地利用输入数据集，RDD能够将这些复用数据集驻留在内存中，避免频繁的硬盘I/O，提高了计算效率。通过在不同规模SAR图像数据集上的实验，结果证明基于S-KFCM的变化检测方法是有效的，且相比基于Hadoop实现的变化检测方法，该方法能达到17倍左右的加速性能，证明了该方法能够支持大规模SAR图像数据的聚类分析，快速有效的完成SAR图像变化检测。

目录

封面

声明

中文摘要

英文摘要

插图索引

表格索引

符号对照表

缩略语对照表

目录

第一章 绪论

1.1 研究背景与意义

1.2 SAR图像变化检测研究现状

1.3 SAR图像并行处理研究现状

1.4 研究内容与创新

1.5 论文的章节内容安排

第二章 SAR图像变化检测的基本理论

2.1 变化检测概述

2.2 变化检测数学模型和流程

2.3 SAR图像变化检测的主要方法

2.4 SAR图像变化检测的评价指标

2.5 小结

第三章 基于H-KFCM的SAR图像变化检测算法

3.1 引言

3.2 Hadoop原理

3.3 基于Hadoop的KFCM聚类算法

3.4 基于H-KFCM的SAR图像变化检测方法实现

3.5 实验与结果分析

3.6 小结

第四章 基于S-KFCM的SAR图像变化检测算法

4.1 引言

4.2 Spark集群计算框架

4.3 基于S-KFCM的SAR图像变化检测方法实现

4.4 实验与结果分析

4.5 小结

第五章 总结与展望

5.1 总结

5.2 展望

参考文献

致谢

作者简介

1. 基本情况

2. 教育背景

3. 攻读硕士学位期间的研究成果