基于mds?srm混合级联的sar图像变化检测方法
【专利摘要】本发明公开了一种基于MDS?SRM的混合级联变化检测方法，主要解决现有SRM算法中因静态排序等因素导致变化检测不精确的问题。其实现步骤为：1.输入两时相单通道SAR图像，分别对其进行去噪处理；2.用去噪后的图像构造对数比值图和均值比值图，并两者叠加成一幅双通道差异图像；3.对双通道差异图像进行合并，得到第一次合并结果；4.在第一次合并结果的基础上再次合并，得到第二次合并结果；5.对第二次合并结果中的每个区域的灰度均值进行升序排序，并进行区域合并，得到最终变化检测结果。本发明能有效提高了SAR图像中变化区域的检测精确度，可用于灾害区域的定位及城市的扩张情况分析。
【专利说明】
基于MDS-SRM混合级联的SAR图像变化检测方法
技术领域
[0001] 本发明属于图像处理领域，更进一步涉及两时相图像变化区域的检测方法，可用 于灾害区域的定位及城市的扩张情况分析。
【背景技术】
[0002] 随着近几年遥感技术的迅猛发展，遥感数据数量日益增长，并广泛应用于环境监 测、大气分析和城市规划等领域。其中SAR图像变化检测被应用到军事和民用领域，主要涉 及如洪水、火灾和地震等自然灾害区域的定位、城市的扩张情况分析以及军事应用中打击 效果的评估，所以研究SAR图像变化检测具有重要意义。
[0003] SAR图像变化检测主要包含时相图像的预处理、产生差异图和提取变化区域三个 步骤。其中，提取变化区域部分，本质上可分为无监督检测和有监督检测方法。相比较而言， 无监督方法可以直接通过聚类或分割算法处理差异图像从而得到变化检测结果，比较契合 变化检测缺乏先验信息的特点，因此被广泛使用。
[0004] 基于图像分割的无监督方法包括:最大类间方差算法0TSU、阈值分割算法K&I、统 计分割算法MRF和统计区域合并算法SRM等。其中SRM算法具有不依赖于数据的概率分布假 设和拥有较好的抗噪能力的优点，这使其更适于SAR图像变化检测。但SRM算法仅考虑区域 均值差进行静态排序，会导致过合并错误概率增大，且单次使用SRM无法获得最终的变化检 测结果。
【发明内容】
[0005] 本发明的目的在于针对上述已有技术的不足，提出一种基于多层动态排序统计区 域合并算法MDS-SRM的混合级联变化检测方法，以实现SAR图像中变化区域的检测，提升检 测的准确率。
[0006] 实现本发明的技术方案是:对输入图像进行去噪，采用对数比和均值比方法构建 双通道差异图像，通过混合级联结构对差异图像进行处理完成变化区域的提取，其中第一 级采用SRM算法将差异图从像素空间转换为超像素空间，第二级利用MDS-SRM算法完成差异 图像中小区域到大区域的合并过程，最后使用简化的SRM算法获得最终的变化检测结果，其 实现步骤包括如下：
[0007] (1)输入两幅不同时间相同地域的单通道SAR图像X^X2,并利用非局部均值算法去 除该两幅图像中的相干斑噪声，得到去噪后的两幅图像IjPI 2;
[0008] (2)用去噪后的图像UPI2,构造对数比值图DI1和均值比值图DI2;
[0009] (3)将构造的对数比值差异图DI1和均值比值差异图DI2进行叠加，得到成一幅双通 道差异图像DI;
[0010] (4)利用统计区域合并算法对双通道差异图像DI中的像素点进行合并，完成差异 图从像素空间到区域空间的转变，得到第一次合并图像DT 1;
[0011] (5)利用多层动态排序统计区域合并算法对一次合并后图像DT1*的区域进行二 次合并，得到拥有较大区域的二次合并图像DT2:
[0012] (5a)遍历一次合并图像DT冲相邻的区域，确定区域对个数M;
[0013] Mm+曾对的和化丨齒f(R' Rn).
[0014]
[0015] 式中R '和R表示相邻的两个区域，出和出分别表示相邻两区域中的特征向量，
其中^代表k通道R区域的平均像素值，A(Rk) 表示R区域的统计直方图矩阵，IrI表示区域R的像素个数;S-1为相邻区域特征向量的协方差 矩阵S(a，b)的逆矩阵；
[0016] (5c)将相似度f(R'，R)从小到大排序，得到合并顺序列表1ndex(i)，i为遍历合并 顺序列表的指针，设i = l，选定相似度f(R，R'）最小值的区域对(R，R'）；
[0017] ( 5 d )根据以下公式判定最小值的区域对（R，R '）是否合并：若满足 ifmax ^2(R)-H2(R)则合并，计算此时的相邻区域对个数M并更新相邻区域对 (R，R'）的相似度 fn+i(R，R'）：
结果，RlRl表示有|R|个像素的区域，且有I |Rr| I |<(|1?|+1广111(1<|^4 = 256，|1?|表示区域含
[0018]
[0019] 同程度的分割 有的像素个数，常数11是图像I包含的像素点个数，f代表k通道R区域的平均像 素值;fn(R，R'）代表了第η次合并之前R'区域和R区域的相似度，Φ和辦分别表示本次相似度 和历史相似度的权重，= 1。更新合并顺序列表1ndex(i)，设i = l，选定fn+i(R，R'）最小 值的区域对(R，R'），再次判断最小值的区域对(R，R'）是否合并；
[0020] 否则，i = i + l，判断i〈 = M是否成立，若成立，则取Index(i)对应的相邻区域对，重 复步骤(5d);若不成立，合并结束，得到二次合并图像DT 2;
[0021] (6)对二次合并图像DT2中的每个区域的灰度均值进行升序排序得到合并顺序列 表，然后采用SRM算法中的合并准则对合并顺序列表中的区域依次进行区域合并，得到最终 的变化检测结果。
[0022]本发明具有如下优点：
[0023] 第一，本发明通过利用均值比和对数比各自的优点构建双通道差异图，可以弥补 由于实验中SAR图像只含有单通道数据，无法充分利用SRM算法中多通道约束能力的缺点；
[0024] 第二，本发明通过采用优化的排序准则，在均值差的基础上加入了区域直方图和 面积差异特征，使得排序更加合理，从而降低了发生错误合并的概率；
[0025] 第三，本发明利用混合级联合并变化检测方法结构能有效地提高SAR图像变化检 测的精度。
【附图说明】
[0026] 图1为本发明的实现流程图；
[0027] 图2为用本发明对Bern数据集进行SAR图像变化检测的结果图；
[0028]图3为本发明与现有RFLI CM算法、SRM算法对Bern数据集、Ottawa数据集和黄河数 据集的变化检测结果图。 具体实施方案
[0029]下面结合附图，对本发明的实现步骤和效果作进一步的详细描述。
[0030]参照图1，本发明的实现步骤如下：
[0031]步骤1，输入两幅不同时间相同地域的单通道SAR图像X^X2,并利用非局部均值算 法去除该两幅图像中的相干斑噪声，得到去噪后的图像1^12。
[0032] (Ia)选取数据集中变化前的噪声图像X1=(XKi)IieihI为图像像素域，对图像 中任意一个像素点i，采用非局部均值算法去噪，得到该点的灰度估计值为：
[0033]
[0034] 其中，c〇(i，j)为权值，表示第i个像素与第j个像素之间的相似程度，〇彡co(i，j)
遍历图像心中所有的像素点，得到第一幅去噪后的图像I1;
[0035] (Ib)选取数据集中变化后的噪声图像X2= {X2(i) |ie I}，对图像中任意一个像素 点i，采用非局部均值算法去噪，得到该点的灰度估计值为：
[0036]
[0037]其中，权值co(i，j)表示第i个像素和第j个像素之间的相似程度，〇<co(i，j)<l 且
'遍历图像X2中所有的像素点，得到第二幅去噪后的图像1 2。
[0038] 步骤2,用去噪后的两幅图像h、I2,构造对数比值图DI1和均值比值图DI2。
[0039] (2a)用去噪后图像I1J2中坐标为（i，j)的像素点的像素值，计算对数比值差异图 D11中像素点坐标为（i，j)的像素值：
i历去噪后图像11、12中所有的 像素点，得到对数比值差异图DI1，其中MiJ)，I2(i，j)分别为图像I1,1 2中坐标为（i，j)像 素点的像素值；
[0040] (2b)用去噪后的图像IhI2中坐标为（i，j)的像素点的像素值，计算均值比值差异 图DI2中像素点坐标为（i，j)的像素值：
遍历去噪后图 像h、I2中所有的像素点，得到均值比值差异图DI2,其中以心^^心^分别为图像^上 中以坐标为(i，j)的像素点为中心的2*2领域像素平均值。
[0041]步骤3,将得到的对数比值差异图DI1和均值比值差异图DI2叠加成一幅双通道差异 图像DI。
[0042]步骤4,利用统计区域合并算法对双通道差异图像DI中的像素点进行合并，完成差 异图从像素空间到区域空间的转变，得到第一次合并图像DT1。
[0043] (4a)对双通道差异图像DI中每对像素计算相似度权重：
[0044]
[0045]其中Pk和p'k为两个互为相邻的像素值；
[0046] (4b)将相似度权重从小到太讲行升序棑序，并桉照棑序顺序，依次选取像素对判 断该像素对是否合并:若满5
則合并，其中，I代表k通道 R区域的平均像素值，R区域为Pk像素点所属区域，
，数Q代表统计复杂 度，通过调节Q获得不同程度的分割结果，Riri表示有IrI个像素的区域集合，且有I |rr|
11是图像I包含的像素点个数;否则，不合并；当每一 组像素对都完成此判断过程时，即得到第一次合并图像DTu
[0047] 步骤5,利用多层动态排序统计区域合并算法对第一次合并图像DT1中的区域进行 进一步的合并，得到第二次合并结果DT 2。
[0048] (5a)遍历第一次合并图像DT1中相邻的区域，确定区域对个数Μ;
[0049] (5b)计算区域对的相似度f (R'，R):
[0050]
[0051 ] 式中R'和R表示互为相邻的两个区域，^和出分别表示相邻两区域中的特征向量，
，其中?代表k通道R区域的平均像素值，A (Rk) 表示R区域的统计直方图矩阵，IrI表示区域R的像素个数;S^1为相邻区域特征向量的协方差 矩阵S(a，b)的逆矩阵；
[0052] (5c)将相似度f(R'，R)从小到大排序，得到合并顺序列表1ndex(i)，i为遍历合并 顺序列表的指针，设i = l，选定相似度f(R，R'）最小值的区域对(R，R'）；
[0053] ( 5 d )根据以下公式判定最小值的区域对（R，R '）是否合并：若满足
则合并，计算此时的相邻区域对个数M，更新相邻区域对 (1^'）的相似度匕+1(1^'）和合并顺序列表111(^(1)，设1 = 1，选定匕+1(1^'）最小值的区 域对(R，R'），再次判断最小值的区域对(R，R'）是否合并，fn+1(R，R'）的计算公式如下：
[0054] .
[0055] 7同程度的分割 结果，RlRl表示有|R|个像素的区域，且有I |R|r|| |<(|R|+l)min(|R|'g)，g = 256，|R|表示区域 含有的像素个数，常I
:|是图像I包含的像素点个数，代表k通道R区域的平均 像素值;fn(R，R'）代表第η次合并之前R'区域和R区域的相似度，Φ和识分别表示本次相似度 和历史相似度的权重，￥ +
[0056] 否则，i = i + l，判断i〈 = M是否成立，若成立，则取Index(i)对应的相邻区域对，重 复步骤(5d);若不成立，合并结束，得到第二次合并图像DT2。
[0057]步骤6,对第二次合并图像DT2中的每个区域的灰度均值进行升序排序，然后采用 统计区域合并算法中的合并准则进行区域合并，得到最终变化检测结果图。
[0058] (6a)计算第二次合并图像DT2中的每个区域的灰度均值
[0059]
[0060] 式中Pl表示图像中灰度值为i的像素点所占区域中所有像素点的比例，k表示图像 灰度级最大值，并将其进行升序排序；
[0061] (6b)按照排序顺序，依次选取区域对并使用以下合并准则判断该区域对是否合
IJ合并，其中，&代表k通道R区域的平均像素
[，通过调节Q获得不同程度的分割结果，R|r|表 示有I RI个像素的区域集合，且有
I是图像 I包含的像素点个数;否则，不合并。
[0062] 遍历所有区域后，即得到最终变化检测结果图。
[0063]本发明的效果结合以下仿真实验进一步说明：
[0064] 1.仿真条件
[0065] 本发明是在中央处理器为Intel(R)Core i5-34703.2GHZ、内存8G、WIND0WS 7操作 系统的PC上，运用MATLAB 2013b进行的仿真实验。
[0066] 2.仿真内容
[0067]仿真1，采用本发明方法对Bern数据集进行变化检测，检测结果如图2所示，其中： [0068]图2(a)表示输入的变化前图像；
[0069]图2(b)表示输入的变化后图像；
[0070] 图2(c)表示对输入的变化前、变化后图像进行对数比值处理得到的对数比值差异 图；
[0071] 图2(d)表示对输入的变化前、变化后图像进行均值比值处理得到的均值比值差异 图；
[0072] 图2(e)表示对由对数比值差异图和均值比值差异图叠加成的双通道差异图进行 合并得到的第一次合并结果图；
[0073] 图2(f)表示在第一次合并结果图的基础上进行合并得到的第二次合并结果图； [0074]图2(g)表示在第二次合并结果图的基础上进一步合并得到的最终变化检测结果 图。
[0075]由图2可以看出，本发明方法能有效地将SAR图像中的变化区域检测出来。
[0076]仿真2,采用RFLICM算法、SRM算法和本发明方法对Bern数据集、Ottawa数据集和黄 河数据集进行变化检测，结果如图3所示，其中：
[0077]图3(a)表示三组数据集的输入变化前图像；
[0078]图3 (b)表示三组数据集的输入变化后图像；
[0079]图3 (c)表示三组数据集的RFLICM算法的检测结果；
[0080]图3(d)表示三组数据集的SRM算法的检测结果；
[0081 ]图3(e)表示三组数据集的MDS-SRM算法的检测结果；
[0082]图3(f)表示三组数据集的标准参考图。
[0083]由图3可以看出，相比于RFLICM算法和SRM算法，本发明方法能够有效提高SAR图像 中变化区域的检测精确度。
[0084]以上描述仅是本发明的一个具体实例，显然对于本领域的专业人员来说，在了解 了本
【发明内容】
和原理之后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上 的各种修正和改变，但是这些基于本发明思想的修正和改变仍在本发明的权利要求范围之 内。
【主权项】
1. 一种基于MDS-SRM混合级联的SAR图像变化检测方法，包括： (1) 输入两幅不同时间相同地域的单通道SAR图像X^Xs，并利用非局部均值算法去除该 两幅图像中的相干斑噪声，得到去噪后的两幅图像I#PI 2; (2) 用去噪后的图像UPI2,构造对数比值图Dh和均值比值图DI2; (3) 将构造的对数比值差异图Dh和均值比值差异图DI2进行叠加，得到成一幅双通道差 异图像DI; (4) 利用统计区域合并算法对双通道差异图像DI中的像素点进行合并，完成差异图从 像素空间到区域空间的转变，得到第一次合并图像DTi; (5) 利用多层动态排序统计区域合并算法对一次合并后图像Dh中的区域进行二次合 并，得到拥有较大区域的二次合并图像DT2: (5a)遍历一次合并图像DTi中相邻的区域，确定区域对个数Μ; (5b)计算区域对的相似度f (R'，R):式中R'和R表示相邻的两个区域，心和出分别表示相邻两区域中的特征向量， 示R区域的统计直方图矩阵，IRI表示区域R的像素个数;为相邻区域特征向量的协方差矩 阵S(a，b)的逆矩阵； (5c)将相似度f(R'，R)从小到大排序，得到合并顺序列表1ndex(i)，i为遍历合并顺序 列表的指针，设i = l，选定相似度f(R，R'）最小值的区域对(R，R'）； (5 d )根据以下公式判定最小值的区域对（R，R '）是否合并：若满足计算此时的相邻区域对个数Μ并更新相邻区域对 (R，R'）的相似度 fn+i(R，R'）：参数Q代表统计复杂度，通过调节Q获得不同程度的分割结果， R|r|表示有|R|个像素的区域，且有I |R|r|| I彡（|R|+l)min(|RU)，g = 256，|R|表示区域含有的 像素个数，? 11是图像I包含的像素点个数，瓦代表k通道R区域的平均像素值； fn(R，R'）代表了第η次合并之前R'区域和R区域的相似度，Φ和P分别表示本次相似度和历 史相似度的权重，0 +供=1。更新合并顺序列表1ndex(i)，设i = l，选定fn+i(R，R'）最小值的 区域对(R，R'），再次判断最小值的区域对(R，R'）是否合并； 否则，i = i + l，判断i〈 = M是否成立，若成立，则取Index(i)对应的相邻区域对，重复步 骤(5d);若不成立，合并结束，得到二次合并图像DT2; (6) 对二次合并图像DT2中的每个区域的灰度均值进行升序排序得到合并顺序列表，然 后采用SRM算法中的合并准则对合并顺序列表中的区域依次进行区域合并，得到最终的变 化检测结果。2. 根据权利要求1所述的基于混合级联统计区域合并的SAR图像变化检测方法，其中步 骤（1)中利用非局部均值算法去除原始输入两幅图像中的相干斑噪声，是根据原始输入的 噪声图像￥={<1)|16 1}，1为图像像素域，对图像中任意一个像素点1，采用非局部均值算 法去噪，得到该点的灰度估计值为：其中，权值ω (i，j)表示像素 i和j之间的相似程度，并满足条件〇< ω (i，j)<l且3. 根据权利要求1所述的基于混合级联统计区域合并的SAR图像变化检测方法，其中步 骤⑵中用去噪后的图像Ii、I2,构造对数比值图Dh和均值比值图DI 2,按照如下步骤进行： (2 a )用去噪后图像I i、12中坐标为（i，j )的像素点的像素值，通过公式构造对数比值差异图Dh*坐标为（i，j)的像素点Dh(i，j)，遍历去噪 后图像h、I2中所有的像素点，即得到对数比值差异图DI1; (2b)用去噪后的图像h、I2中坐标为（i，j)的像素点的像素值，通过公式构造均值比值差异图DI2中坐标为（i，j)的像素点DI 2 (1，」），遍历去噪后图像11、12中所有的像素点，即得到均值比值差异图〇12。其中以 1(1，」）狀 (i，j)分别为图像Ii，I2中以坐标为(i，j)的像素点为中心的2*2领域像素平均值。4. 根据权利要求1所述的基于混合级联统计区域合并的SAR图像变化检测方法，其中步 骤(4)中利用统计区域合并算法对构建的差异图像DI中的像素点进行合并，按照如下步骤 进行： (4a)对差异图像DI中每对相邻像素计算相似度权重：其中Pk和p ' k为相邻像素对的像素值； (4b)将相似度权重从小到大进行升序排序，并按照排序顺序，依次选取像素对判断该 像素对是否合并：其中，瓦代表k通道R区域 的平均像素值，R区域为pk像素点所属区域，?参数Q代表统计复杂度，通 过调节Q获得不同程度的分割结果，R|r|表示有|R|个像素的区域集合，且有I |R|r|| |<(n+l )min(|R|，g)，g = 256，是图像I包含的像素点个数;否则，不合并；当每一组像 素对都完成判断过程时，即得到第一次合并图像DTu5. 根据权利要求1所述的基于混合级联统计区域合并的SAR图像变化检测方法，其中步 骤(5)中协方差矩阵S(a，b)，表示如下：中的第a 个或第b个特征向量，^代表k通道R区域的平均像素值，A(Rk)表示R区域的统计直方图矩 阵，|R|表示区域R的像素个数，μ表示相邻区域特征向量的均值。
【文档编号】G06T5/00GK106056577SQ201610333713
【公开日】2016年10月26日
【申请日】2016年5月19日
【发明人】张建龙, 张羽君, 高新波, 周晓鹏
【申请人】西安电子科技大学