一种基于遗传核模糊聚类的sar图像变化检测方法
【专利摘要】本发明提供了一种基于遗传核模糊聚类的SAR图像变化检测方法，包括如下步骤：(1)选择两幅大小均为P的SAR图像，标记为X1和X2并导入；(2)计算出图像X1和图像X2对应像素灰度值的领域差值图像S和领域比值图像R；(3)用双边滤波方法对图像S和图像R进行融合，得到差异图Xd和灰度矩阵Hx；(4)使用遗传核模糊聚类的SAR图像变化检测方法获得种群V(T0)；(5)根据V(T0)计算分割阈值p，并根据分割阈值p完成对差异图Xd的分割。本发明由于结合了遗传算法的全局搜索能力和模糊聚类算法的局部搜索能力，加快了算法的收敛速度，得到了更优的图像变化检测效果；同时本发明通过使用直方图的思想，有效减少了算法的运算速度。
【专利说明】-种基于遗传核模糊聚类的SAR图像变化检测方法
【技术领域】
[0001] 本发明属于图像处理【技术领域】，具体地说是一种变化检测方法，可应用于遥感图 像的变化检测。
【背景技术】
[0002] 合成孔径雷达（Synthetic Aperture Radar,简称SAR)是利用雷达与目标的相对 运动把尺寸较小的真实天线孔径用数据处理的方法合成一较大的等效天线孔径的雷达。合 成孔径雷达的特点是分辨率高，能全天候工作，能有效地识别伪装和穿透掩盖物。合成孔径 雷达在军事领域和民用领域都有广泛应用，如战场侦察、导航、资源勘测、地图测绘、海洋监 视、环境遥感。它可以方便地获得同一地区不同时间的图像。
[0003] SAR图像变化检测是指通过对不同时期同一区域的遥感图像进行比较分析，根据 图像之间的差异得到我们所需要的地物或目标的变化信息。SAR变化检测技术的需求日益 广泛。目前，全球坏境变化加剧，城市急速发展，洪水、地震等自然灾害时有发生，这些都需 要及时掌握相关动态信息，为相关决策部门提供支持，而SAR的种种优点为快速响应提供 了技术支持和应急保障。SAR图像变化检测主要有以下几个过程：第一，获得待处理图像； 第二，对待处理图像进行预处理，预处理主要包括几何校正、辐射校正和图像配准等；第三， 对预处理后的图像进行比较，获得差异图；第四，分析差异图，获得变化检测结果图像。
[0004] 聚类方法是主要的变化检测方法之一。2009年T. Celik提出基于PCA和k-means 聚类的变化检测算法，通过主成分分析对差异图进行降维，然后用k-means聚类，较大幅 度减小了运算量，但由于其在降维过程中丢失了某些信息，导致了结果误差较大。2010年 A. Ghosh和N. S. Mishra等人发表了在FCM和遗传算法等基础上改进的SA-GKC算法，虽然得 到了较好的实验结果，然而由于结合了多种算法，其算法思路比较复杂。2012年公茂果等提 出了改进的RFLICM算法并得到了较为精确的变化检测结果，但由于RFLICM算法在聚类初 始化过程中，通过随机方式获得初始聚类中心点，导致了这些算法对聚类初始中心点十分 敏感的缺陷，容易陷入局部最优。
【发明内容】
[0005] 本发明的目的是克服上述已有技术的不足，提供一种基于遗传核模糊聚类的SAR 图像变化检测方法，加快算法的收敛速度，减少算法的运算速度。
[0006] 为此，本发明提供了一种基于遗传核模糊聚类的SAR图像变化检测方法，包括如 下步骤：
[0007] (1)选择两幅大小均为P的SAR图像，标记为Xi和X2并导入；
[0008] (2)计算出图像&和图像X2对应像素灰度值的领域差值并归一化，得到领域差值 图像S，计算出图像&和X 2对应素灰度值的领域比值并归一化，得到领域比值图像R ;
[0009] (3)用双边滤波方法对图像S和图像R进行融合，得到差异图Xd和灰度矩阵H x ;
[0010] ⑷使用遗传核模糊聚类的SAR图像变化检测方法获得种群V(TQ):
[0011] (4a)初始化：设定模糊度权值m，聚类个数n，种群大小M，最大进化次数T，终止条 件阈值ε ;
[0012] (4b)产生初始种群V(t)，并计算适应度函数；
[0013] (4c)对初始种群V(t)进行遗传算法的选择、交叉和变异操作，得到新种群Vm(t);
[0014] (4d)根据核模糊聚类算法KFCM的目标函数J2，计算步骤（4c)中得出的新种群 Vm(t)的适应度函数f2(t)，对种群V(t)和新种群乂上）进行精英选择操作，得至IJ新的种群 ve(t);
[0015] (4e)将新的种群Ve(t)作为核模糊聚类算法KFCM的初始聚类中心，按照步骤（4c) 更新种群，得出更新后的种群V(t+1)和适应度函数f 3(t);
[0016] (4f)判断适应度函数f3(t)的最大值是否等于ε或者当前迭代数t是否等于最 大进化次数T，如果t>T或者f 3(t) = ε，则停止循环，输出种群VCO ;否则循环执行步 骤（4b)?（4c)，直到满足循环结束条件；
[0017] (5)根据vcg计算分割阈值P，并根据分割阈值p完成对差异图xd的分割。
[0018] 步骤（2)中所述的计算图像Xi和图像X2的领域差值图像S和领域比值图像R，通 过如下公式进行：
[0019] 计算图像Xi和图像X2的领域差值图像S :
[0020]
【权利要求】
1. 一种基于遗传核模糊聚类的SAR图像变化检测方法，其特征是，包括如下步骤： (1) 选择两幅大小均为P的SAR图像，标记为X1和X2并导入； (2) 计算出图像X1和图像X2对应像素灰度值的领域差值并归一化，得到领域差值图像 S，计算出图像X1和X2对应素灰度值的领域比值并归一化，得到领域比值图像R; (3) 用双边滤波方法对图像S和图像R进行融合，得到差异图Xd和灰度矩阵Hx ; (4) 使用遗传核模糊聚类的SAR图像变化检测方法获得种群V(Ttl): (4a)初始化：设定模糊度权值m，聚类个数n，种群大小M，最大进化次数T，终止条件阈 值e; (4b)产生初始种群V(t)，并计算适应度函数； (4c)对初始种群V(t)进行遗传算法的选择、交叉和变异操作，得到新种群Vm(t); (4d)根据核模糊聚类算法KFCM的目标函数J2,计算步骤（4c)中得出的新种群Vm(t) 的适应度函数f2(t)，对种群V(t)和新种群Vm(t)进行精英选择操作，得到新的种群Ve(t); (4e)将新的种群Ve (t)作为核模糊聚类算法KFCM的初始聚类中心，按照步骤（4c)更 新种群，得出更新后的种群V(t+1)和适应度函数f3(t); (4f)判断适应度函数f3(t)的最大值是否等于e或者当前迭代数t是否等于最大进化 次数T，如果t彡T或者f3(t) =e，则停止循环，输出种群V(Ttl);否则循环执行步骤（4b)? (4c)，直到满足循环结束条件； (5) 根据V(Ttl)计算分割阈值p，并根据分割阈值p完成对差异图Xd的分割。
2. 如权利要求1所述的基于遗传核模糊聚类的SAR图像变化检测方法，其特征是，步骤 (2) 中所述的计算图像X1和图像X2的领域差值图像S和领域比值图像R，通过如下公式进 行： 计算图像X1和图像X2的领域差值图像S:
其中，Xf(U)和Xf(/，_/)分别表示图像XJPX2在同一位置（i，j)的像素点领域集合， 大小均为HXH，H= 3 ; 计算图像X1和图像X2的领域比值图像R:
其中，N1(Xi)和队〇〇分别表示图像&和&在同一位置X上的像素点领域集合，大小 均为LXL,L= 3。
3. 如权利要求1所述的基于遗传核模糊聚类的SAR图像变化检测方法，其特征是，步骤 (3) 中所述的用双边滤波方法对图像S和图像R进行融合，得到差异图Xd和灰度矩阵Hx，通 过如下公式进行：
其中，Mx,y表示大小为（2L+1V (2L+1)中心像素在位置（i，j)的领域，R(i，j)表示图 像R在位置（i，j)的像素，m(i,j)表示如下： m(i,j) =mv(i,j) 'mu(i,j) mv(i,j)表示如下：
其中，hjid)表示图像S上位置（i，j)的像素灰度值，Ih1Q, 3)-4(17)12表示Ill (i，j)和Ill (x，y)的灰度值的欧氏距离，Sv为调整参数； mu(i,j)表示如下：
其中，|i-x|2+|j_y|2表示图像S上像素（i，j)到聚类中心（x，y)的欧氏距离，Su为调 整参数； 对差异图Xd进行归一化，得到差异图Xd的灰度值Xab :
根据灰度值Xab，得到差异图Xd的灰度矩阵Hx: Hx = {Xab}。
4.如权利要求1所述的基于遗传核模糊聚类的SAR图像变化检测方法，其特征是，步骤 (4b)所述的产生始种群V(t)并计算适应度函数，包括如下步骤： (101)将核模糊聚类算法KFCM的聚类中心Vi⑴作为初始种群V(t)，V(t)= [V1,N2,...,V30], 其中，种群V(t)中第k个个体Vk，表示为：Vk= [V1,. . .，vn]，k=1，2,. . .，30,其中Vl，...，Vn为个体Vk中第1到n个聚类中心，n为聚类个数，其中聚类中心Vi (t)，表示公式 如下所示：
其中,K(mk,Vi) =exp(-|Iiik,ViII2/ 〇 2)采用高斯核函数，〇 2>0为高斯核函数的参数，k代表第k个种群个体，Hx(k)为第k个种群个体的灰度矩阵，;<(〇为模糊聚类算法FCM的 隶属度矩阵，表示公式如下所示：
(102)根据核模糊聚类算法KFCM的目标函数J1计算种群V(t)的适应度函数f"(t)，fi(t) =[f2，...，fi3〇]，其中适应度函数fi(t)，表示公式如下所示：
其中，J1为模糊聚类算法FCM的目标函数，表示公式如下所示：
其中，Hx (k)为第k个个体的灰度矩阵，dik2为第k个样本到第i类的距离。
5.如权利要求1所述的基于遗传核模糊聚类的SAR图像变化检测方法，其特征是，步骤 (5)所述的根据V(Ttl)计算分割阈值p，并根据分割阈值p完成对差异图Xd的分割，包括如 下步骤： (201) 计算分割阈值p，p取i□的最小值，其中，i是矩阵F取最小值时的行数，F(i，j) 的表示公式如下所示：
其中，dik2为第k个样本到第i类的距离，表示公式如下所示：
其中，kg为高斯核参数。 (202) 通过比较分割阈值p与差异图Xd的灰度值Xd(m)的大小确定变化类与非变化类， 如果Xd(m) >P，则将Xd(Hl)归为变化类；如果Xd(m)〈P，则将Xd(Hl)归为非变化类，其中，Hl= 0?P，m为像素，P为图像大小。
【文档编号】G06K9/62GK104268574SQ201410497802
【公开日】2015年1月7日 申请日期:2014年9月25日 优先权日:2014年9月25日
【发明者】于昕, 焦李成, 雷煜华, 熊涛, 李巧凤, 刘红英, 马文萍, 马晶晶 申请人:西安电子科技大学