专利名称：基于Memetic核聚类的SAR图像变化检测方法
技术领域：
本发明属于图像处理技术领域，主要是基于Memetic局部学习算法来优化核聚类适应度函数值，该方法可用于对不同时间采集到的图像作变化检测。
背景技术：
遥感图像变化检测是研究不同时段的同一场景图像之间发生的变化。图像变化主要检测辐射值和局部纹理的变化。这些变化可能是由于图像场景的真实变化引起的，或者是由照射角、大气条件、传感器精度、地面湿度等变化而引起的，从机载、星载SAR得到的图像数据的一个重要应用就是变化检测。变化检测技术在环境监测等民用领域已被广泛应用，如土地利用分析、森林采伐监测、灾情估计等。由于SAR图像具有在大范围成像、全天时、全天候侦察的优点，变化检测技术在军事上也有着广泛的应用，例如人造目标检测、战场部署变化、打击效果评估等。SAR 图像变化检测技术在民用领域也有重要的价值。随着生产力的高速发展，城市扩张和城市建设发展迅速，为能够及时有效地检测非法建筑及滥用土地的情况，以便于合理进行城市规划，需要及时有效地掌握城市的地表情况。传统的做法是人工进行土地测量，进行绘制土地利用情况图，这种方法不但周期长，而且需要大量的人力和物力资源，SAR图像变化检测技术为解决类似问题提供了一种便捷的途径。多年以来，研究人员提出和开发了许多遥感影像变化检测方法和技术，并应用于各种不同的科学问题中。早期的变化监测技术基于图像之间的差值，其中表示变化前后的两幅图像，此类方法非常简单，仅仅定义变化判别阈值即可。Smits和Armoni讨论了在具体应用要求虚警率和漏检率下阈值的选择。现在有很多方法和简单差值法非常相近，比如， 变化向量分析(change vector analysis，CVA)，从多谱通道考虑每个像素的变化。图像比值法(Image ratioing)也是类似于差值方法的技术，不过该方法用图像前后像素点强度的比来代替前者的差值，其原理和差值法是一样的。Lu等人按照检测策略将现有的变化检测方法归结为七类算术运算法、变换法、分类法、高级模型法、GIS方法、视觉分析法和其它方法。其中，在算术运算法中，应用比较广泛的是无监督的分割方法，通常又叫做聚类方法。 聚类方法一般可以分为两类层次聚类和划分聚类，其中划分聚类通过最小化特定准则将数据集划分到不同的类属中，因此这类方法可以看作是最优化问题，同时，图像的变化检测问题也可以视为组合优化问题，因此可以用划分聚类方法来处理图像的变化检测问题。但是已有的优化方法对于处理优化问题的时候往往耗时很长，并且在搜索过程中容易陷入局部最优，同时对于复杂图像的变化检测问题往往会存在边缘定位不够准确的缺点，这样势必会影响到图像变化检测的区域一致性与边缘保持的性能。
发明内容
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Memetic核聚类的 SAR图像变化检测方法，以降低图像检测时间复杂度，避免在图像检测中陷入局部最优，提高图像变化检测区域的一致性和边缘保持性能。实现本发明目的的技术方案是将SAR图像的变化检测问题看作组合优化问题，使用基于Memetic核聚类对SAR图像进行变化检测，使得适应度函数值最大化，进而得到最终的变化检测结果，具体实现步骤包括如下(1)输入两个不同时间的SAR图像I1和12，并通过中值滤波器对这两幅图像进行滤波；(2)计算滤波后的两幅SAR图像I1和I2的对数比差异影像13，并将得到的I3的灰度值作为聚类数据集；(3)设置种群规模，最大迭代次数N，类别数k，初始化聚类中心；(4)利用核聚类算法进行聚类，并计算聚类数据集的适应度函数值fk，根据适应度函数值选择并保留最优个体QO (t)；(5)对最优个体Q0(t)进行克隆和双变异操作，产生新的个体Qm(t)；(6)对新的个体Qm(t)采用Memetic局部学习算子进行搜索，选择出最优个体 LQm (t)；(7)对最优个体LQm(t)进行克隆和交叉操作，产生新的个体A(t)；(8)对新的个体仏⑴采用Memetic局部学习算子进行搜索，选择出最优个体 LQc ⑴；(9)对最优个体LQc(t)进行精英选择操作，得到子代个体Q(t+1)，并保留当前最优个体Q(t+1)进入下一代种群中；(10)计算当前迭代次数η 比较上一代适应度函数值fk(t)与当前个体的适应度函数值fk(t+l)大小，当fk(t)-fk(t+l)彡10e-5，n = n+l，否则η保持不变；(11)判断停机条件若当前的迭代次数η大于最大迭代次数N时，停止并输出最优聚类结果Q(t+1)；否则返回步骤(5)，循环执行步骤(5) (10)，直到满足停机条件为止，并输出聚类结果Q(t+1)。本发明与现有的技术相比具有以下优点1.快速有效性，不易陷入局部最优本发明由于是在图像数据核聚类过程中，加入了 Memetic局部搜索算法，在当前个体的多领域范围内快速地搜索到全局优聚类中心，不仅降低了图像检测时间，而且防止在进化过程中陷入局部最优解；2.提高了图像变化检测区域一致性和边缘保存性本发明由于采用的是中值滤波器，中值滤波器的是为了简化图像而不造成图像模糊或改变图像轮廓，最终采用精英选择策略选出最优的个体，降低了错误检查率低，使得检测精度高于其他算法，因而具有比现有技术更好的图像变化检测效果，提高了图像变化检测的区域一致性与边缘保持的性能。
图1是本发明的流程图；图2是本发明仿真使用的Ottawa地区水灾的Radarsat SAR图像；图3是用本发明对图2的变化检测结果示意图4是本发明仿真使用的Bern城市水灾的SAR图像；图5是用本发明对图4的变化检测结果示意具体实施例方式参照图1，本发明的具体实现步骤如下步骤1 对待检测的两个不同时间的SAR图像进行滤波处理，这里选取形态学中的中值滤波器，用该滤波器对输入的两时相图像进行滤波处理，得到滤波后的图像IdP 12。步骤2 对滤波后的图像I1和12，求对数比差异影像13，并将得到的I3的灰度值作为聚类数据集。(2a)计算变化检测两时相SAR图像的对数比差异影像Id Id = |l0g(l2+l)-l0g(l1+l) I ;(2b)对差异影像进行归一化处理，得到对数比差异影像图I3 I3 = 255* (I11-Imin) / (Imax-Imin)；其中Imax = max (Id)表示Imax中最大灰度值，Imin = min(ID)表示Imin最小灰度值。步骤3 设置初始化参数种群规模N = 50，类别数k = 2，交叉概率p。= 0. 80，变异概率Pm = 0. 1，最大迭代次数N = 10，初始化聚类中心。步骤4:采用高斯核K均值对原始数据进行聚类，用高斯核函数将低维的数据集映射到高维空间，并根据核空间样本点到聚类中心的距离函数F计算适应度函数值fk。(4a)高斯核函数将样本点Xi和Xj，i = 1，2，. . . M，j = 1，2，. . . M映射到高维空间，生成高维空间的样本点W(X):K (Xi, Xj) = exp (_ | | XiIj | 12/2 σ 2)；其中σ是高斯核函数变换参数。(4b)在给定的初始条件下，对核空间的样本点),/ = 1,2,..M利用以下公式进行核聚类
权利要求
1.一种基于Memetic核聚类的SAR图像变化检测方法，包括如下步骤(1)输入两个不同时间的SAR图像I1和12，并通过中值滤波器对这两幅图像进行滤波；(2)计算滤波后的两幅SAR图像I1和I2的对数比差异影像13，并将得到的I3的灰度值作为聚类数据集；(3)设置种群规模，最大迭代次数N，类别数k，初始化聚类中心；(4)利用核聚类算法进行聚类，并计算聚类数据集的适应度函数值fk，根据适应度函数值选择并保留最优个体QO (t)；(5)对最优个体Q0(t)进行克隆和双变异操作，产生新的个体Qm(t)；(6)对新的个体Qm(t)采用Memetic局部学习算子进行搜索，选择出最优个体LQm(t)；(7)对最优个体LQm(t)进行克隆和交叉操作，产生新的个体；(8)对新的个体A(t)采用Memetic局部学习算子进行搜索，选择出最优个体LQc (t)；(9)对最优个体LQc(t)进行精英选择操作，得到子代个体Q(t+1)，并保留当前最优个体Q(t+1)进入下一代种群中；(10)计算当前迭代次数η:比较上一代适应度函数值fk(t)与当前个体的适应度函数值 fk(t+l)大小，当 fk(t)-fk(t+l)彡 10e-5，n = n+l，否则 η 保持不变；(11)判断停机条件若当前的迭代次数η大于最大迭代次数N时，停止并输出最优聚类结果Q(t+1)；否则返回步骤(5)，循环执行步骤(5) (10)，直到满足停机条件为止，并输出聚类结果Q(t+1)。
2.根据权利要求1所述的基于Memetic核聚类的SAR图像检测方法，其中步(2)所述的计算滤波后的两幅SAR图像I1和I2的对数比差异影像I3，按如下步骤进行(2a)计算变化检测两时相SAR图像的对数比差异影像Id Id = Ilog(IJl)-Iog(Vl) I ；(2b)对差异影像进行归一化处理，得到对数比差异影像图I3 I3 = 255* (I11-Imin)/(Imax-Imin)其中Imax = max (Id)表示Imax中最大灰度值，Imin = min(ID)表示Imin最小灰度值。
3.根据权利要求1所述的基于Memetic核聚类的SAR图像检测方法，其中步骤(4)所述利用核聚类算法进行聚类，利用以下公式进行N K2/=1 j=\其中FOv m2，...，mk)是在核空间的样本点到聚类中心的距离函数，i = 1， 2，...Μ是核空间的样本点，M是样本总个数，mp j = 1，2，...k是核空间的聚类中心，k是类别数目，I Ui e Cj)是样本点Xi属于类Cj的权值，若样本点Xi，i = 1，2，... M属于类Cj, j = 1，2，· · · k 则 I (Xi e Cj) = 0，否则 I (Xi e Cj) = 1。
4.根据权利要求1所述的基于Memetic核聚类的SAR图像检测方法，其中步骤(4)所述计算核聚类的适应度函数fk，定义如下f _Jk \ + F ;其中F是核空间的样本点到聚类中心的距离函数。
5.根据权利要求1所述的基于Memetic核聚类的SAR图像检测方法，其中步骤(5)所述对最优个体QO (t)进行克隆和双变异操作，是将当前个体进行10倍克隆，克隆后的种群进行双变异算法产生新的个体。
6.根据权利要求1所述的基于Memetic核聚类的SAR图像检测方法，其中步骤(7)所述对最优个体LQm(t)进行克隆和单点交叉操作，是将当前个体进行10倍克隆，克隆后的种群进行多点交叉操作产生新的个体。
7.根据权利要求1所述的基于Memetic核聚类的SAR图像检测方法，其中步骤(6)和 (8)所述的Memetic搜索算法，是在当前个体Q (t)的相邻领域AL内用爬山法进行局部搜索寻找出最优个体LQ(t)。
8.根据权利要求1所述的基于Memetic核聚类的SAR图像检测方法，其中步骤(9)所述的对最优个体LQc (t)进行精英选择操作，是将上一代个体适应度函数值fk(t)与当前个体的适应度函数值fk(t+l)进行比较，若fk(t+l) >fk(t)，选择当前个体为最优个体，否则仍保留上一代个体为最优个体。
全文摘要
本发明公开了一种基于Memetic核聚类的SAR图像变化检测方法，主要解决已有的算法的时间复杂度高，容易陷入局部最优，对区域一致性与边缘保持的性能差的问题。其实现过程为(1)输入两个不同时间的SAR图像，并对两幅图像进行中值滤波；(2)计算变化检测两时相图像的对数比差异影像图；(3)设置初始条件；(4)核聚类并计算适应度函数fk；(5)对当前个体进行克隆和双变异操作后，选择出最优个体；(6)对最优个体进行克隆和交叉操作后，选出最优个体；(7)通过精英策略选出最终的个体；(8)判断停机条件，满足条件，输出聚类结果，否则转步骤(4)。本发明具有收敛速度快，检测精度高，边缘保持准确的优点，可用于图像处理领域中的图像的目标识别和变化检测。
文档编号G06T7/00GK102509288SQ20111031829
公开日2012年6月20日 申请日期2011年10月19日 优先权日2011年10月19日
发明者于昕, 刘若辰, 吴波, 尚荣华, 李阳阳, 焦李成, 缑水平, 马文萍 申请人:西安电子科技大学