基于样本局部密度的在线聚类SAR图像变化检测方法与流程

本发明属于图像处理领域，涉及多时相SAR图像的变化检测方法，可用于灾情的评估和预测、城市的建设以及森林的变化监测。
背景技术：
：合成孔径雷达SAR是一种高分辨率成像雷达，随着卫星遥感技术的发展，SAR数据成为一种重要的遥感数据。变化检测是从不同时期的遥感数据中分析和确定地表变化的特征与过程。如何准确快速地从不同时相的SAR图像中找出显著变化的区域则具有十分重要的意义。在SAR图像中寻找“非变化”和“变化”两分类的研究，较常用的路线是差异图分析方法，该方法先对两个时相的图像进行逐象素的比较，再对比较得出的差异图像作进一步的处理以达到两分类，最后得到变化检测图。差异图分类方法能够减少由于各种原因引起的伪变化信息，不需要数据的复杂预处理，方法简单直观。在基于差异图像分析的变化检测方法中，对差异图中变化和非变化区域的准确分类是最关键的一步，目前主要的研究方向是基于无监督分类的变化检测方法。无监督的分类方法通常又叫聚类方法，通过对差异图像进行聚类分割得到变化类与非变化类，SAR图像变化检测即转化为对差异图的聚类问题。模糊C均值聚类FCM是最流行的聚类算法之一，传统的FCM算法是一种基于图像灰度的聚类算法，在聚类过程中各个像素是相互独立的，并未考虑到图像中各个像素点的灰度特征与其它像素点的关系，对于不含噪声或噪声很低的图像，其分割效果较好。但一般情况下，图像在成像过程中不可避免的会受到不同噪声的干扰。技术实现要素：本发明的目的在于针对上述已有技术模糊C均值聚类方法的不足，提出一种基于样本局部密度的在线聚类SAR图像变化检测方法，以减少变化检测错误率，提高检测效果。为实现上述目的，本发明的技术方案包括如下：(1)对输入的两时相待检测图像进行中值滤波处理，得到滤波后的两时相待检测图像I1和I2；(2)对滤波后的两时相待检测图像求对数比差异图像灰度值X3并归一化，将归一化后的差异图像灰度值X3′作为聚类数据集；(3)计算聚类数据集中所有样本的局部分布密度，根据样本的局部分布密度从大到小对聚类数据集重新排序并分块；(4)输入第一块数据，设置初始权值为1，用加权模糊C均值方法对其聚类；(5)更新当前聚类中心的权值；(6)输入下一块数据，设置初始权值为1，将该初始权值与当前聚类中心的权值合并，得到新的权值；(7)将新输入的数据与当前聚类中心合并，得到新的数据，再将步骤(6)中得到的新的权值赋给该新的数据；(8)用加权模糊C均值方法对步骤(7)得到的新数据进行聚类；(9)重复进行步骤(5)到(8)直至所有数据处理完毕，输出最终的聚类中心；(10)计算聚类数据集中所有样本到最终输出的聚类中心的隶属度，根据隶属度确定样本类标；(11)根据步骤(10)中得到的样本类标重构变化检测结果图。。本发明与现有技术相比具有如下优点：传统的模糊C均值算法在聚类过程中各个像素是相互独立的，并未考虑到图像中各个像素点的灰度特征与其它像素点的关系，导致变化检测的错误率较高。本发明在聚类过程中先计算像素点的局部密度，然后根据局部密度的大小对数据重新排序，排序后将数据分块再依次进行聚类，这种聚类方法由于密度越大的区域内样本点更接近真实的聚类中心，因此本发明与现有技术相比降低了变化检测的错误率，提高了检测效果。附图说明图1是本发明的检测流程图；图2是用本发明方法对Bern地区的变化检测结果示意图；图3是用本发明方法对Ottawa地区的变化检测结果示意图。具体实施方式参考图1，本发明的变化检测过程如下：步骤1，输入两时相待检测图像并进行平滑处理。输入两时相待检测图像，选取窗口大小为3×3的中值滤波器对输入的两时相待检测图像进行中值滤波，去掉小的噪声干扰，得到滤波后的两时相待检测图像I1和I2。步骤2，对滤波后的两时相待检测图像求对数比差异图像灰度值X3并归一化，将归一化后的差异图像灰度值X3′作为聚类数据集。(2a)求对数比差异图像的像素点灰度值X3：X3＝|log(X2+1)-log(X1+1)|其中X1、X2分别表示滤波后的两时相待检测图像I1和I2的像素点灰度值；(2b)对差异图像的像素点灰度值X3进行归一化处理，得到归一化后的图像灰度值X3′：X3′＝255*(X3-Xmin)/(Xmax-Xmin)其中Xmax＝max(X3),Xmin＝min(X3)；(2c)将归一化处理后得到的图像灰度值作为聚类数据集。步骤3，计算聚类数据集中所有样本的局部分布密度，根据样本的局部分布密度从大到小对聚类数据集重新排序并分块。(3a)计算第i个样本点xi与第j个样本点xj之间的欧氏距离：dij＝||xi-xj||,1≤i≤n,1≤j≤n(3b)计算第i个样本点xi的局部分布密度值：zi=Σj=1,j≠in1dij,dij≤e]]>其中，e为局部分布密度的范围限定值，通过实验选取；(3c)根据计算得到的局部分布密度值从大到小将数据集重新排序并分成S块，S的具体取值根据实验数据而定，取值范围为10≤S≤50，每块数据的样本点个数为ns。步骤4，输入第一块数据，设置初始权值为1，用加权模糊C均值方法对第一块数据进行聚类。(4a)初始化两个聚类中心，即分别选取所有样本中灰度值最小和最大的两个样本点作为两个初始聚类中心；(4b)选择模糊C均值算法的目标函数：Jm(U,V)=Σi=12Σj=1nsuijmdij2]]>其中，U为隶属度矩阵，uij表示第j个样本点隶属于第i类的隶属度，满足uij∈[0,1]且某个样本点属于各模糊子集的隶属度之和为1，V为聚类中心，dij＝||xj-vi||表示第j个样本点到第i个聚类中心的欧氏距离，m为模糊度，取值范围为1.5≤m≤2.5；(4c)计算第一块数据中各个样本点的隶属度uij：uij=[Σk=12(||xj-vi||||xj-vk||)2m-1]-1,∀i,j]]>其中，vi和vk分别表示第i个和第k个聚类中心，||xj-vi||和||xj-vk||分别表示第j个样本点到第i个和第k个聚类中心的欧氏距离；(4d)根据隶属度uij计算新的聚类中心vi：vi=Σj=1nswj(uij)mxjΣj=1nswj(uij)m,i=1,2]]>其中，wj为第j个样本点的权值，初始权值设置为1，uij表示第j个样本点隶属于第i类的隶属度；(4e)通过迭代不断更新聚类中心和隶属度，使得目标函数的值不断向最小值靠近，当满足条件max{||vk,new-vk,old||2}≤ε,1≤k≤2时，停止迭代，输出当前最新的聚类中心V，其中vk,new和vk,old分别表示更新后和更新前的第k个聚类中心，ε＝10-3。步骤5，更新当前聚类中心的权值。根据样本点的隶属度和权值，计算更新后的当前聚类中心的新权值wi′：wi′=Σj=1ns(uij)wj,i=1,2]]>其中ns为将聚类数据集分块后每块数据的样本点个数，uij表示第j个样本点隶属于第i类的隶属度，wj为每块数据中第j个样本点的权值。步骤6，输入下一块数据，设置初始权值为1，将该初始权值与当前聚类中心的权值合并，得到新的权值wj′。步骤7，将新输入的数据与当前聚类中心合并，得到新的数据，再将步骤6中得到的新的权值赋给该新的数据。步骤8，用加权模糊C均值方法对步骤7得到的新数据进行聚类。(8a)选取上一轮循环迭代输出的聚类中心作为初始化的聚类中心；(8b)计算合并后的新数据中各个样本点的隶属度uij′：uij′=[Σk=12(||xj′-vi||||xj′-vk||)2m-1]-1,∀i,j]]>其中，xj′表示合并后的新数据中第j个样本点，vi和vk分别表示第i个和第k个聚类中心，||xj′-vi||和||xj′-vk||分别表示新数据中第j个样本点到第i个和第k个聚类中心的欧氏距离；m为模糊度，取值范围为1.5≤m≤2.5；(8c)根据隶属度uij′计算新的聚类中心vi′：vi′=Σj=1ns+2wj′(uij′)mxj′Σj=1ns+2wj′(uij′)m,i=1,2]]>其中，wj′为步骤6中合并后得到的新权值；(8d)通过迭代不断更新聚类中心和隶属度，直到满足条件max{||vk,new-vk,old||2}≤ε,1≤k≤2时，停止迭代，输出当前最新的聚类中心V，其中vk，new和vk，old分别表示更新后和更新前的第k个聚类中心，ε＝10-3。步骤9，重复进行步骤5到8直至所有数据处理完毕，输出最终的聚类中心。步骤10，计算聚类数据集中所有样本到最终输出的聚类中心的隶属度，根据隶属度确定样本类标。步骤11，根据步骤10中得到的样本类标重构变化检测结果图。最终得到的2个聚类中心分别为v1和v2，其中v1＜v2，并将隶属于v1的像素点的灰度值设置为0，其余的设置为255。本发明的效果可以通过以下仿真进一步说明：1.仿真数据第一组SAR数据是1999年4月和5月由ERS2所携带的SAR在瑞士Bern城区附近获得，图像大小为301×301像素，256灰度级，其中变化像素数为1155，未变化像素数为89446。第二组SAR数据是1997年5月和8月由Radarsat所携带的SAR在加拿大Ottawa城区附近获得，图像大小为290×350像素，256灰度级，其中变化像素数为11952，未变化像素数为82871。2.仿真内容仿真1，设置数据分块数S＝20，局部分布密度的范围限定值e＝50，模糊度m＝2.0，用本发明对第一组SAR数据进行变化检测，结果如图2。其中图2(a)为真实SAR第一时相的原图，图2(b)为真实SAR第二时相的原图，图2(c)为两时相的变化检测参考图，图2(d)为本发明的变化检测结果图。由图2(d)可见，与变化检测参考图相比较，本发明对第一组SAR数据的变化检测总体结果良好。统计本发明对第一组SAR数据的变化检测错检数，漏检数，总错误数和错误检测率，结果如表1表1本发明对第一组SAR数据的变化检测结果统计：错检数漏检数总错误数错误检测率Bern237713080.34％由表1可见，本发明对第一组SAR数据的错检数，漏检数，总错误数都处于较低水平，错误检测率较低。仿真2，设置数据分块数S＝20，局部分布密度的范围限定值e＝50，模糊度m＝2.0，用本发明对第二组SAR数据进行变化检测，结果如图3。其中图3(a)为真实SAR第一时相的原图，图3(b)为真实SAR第二时相的原图，图3(c)为两时相的变化检测参考图，图3(d)为本发明的变化检测结果图。由图3(d)可见，与变化检测参考图相比较，本发明对第二组SAR数据的变化检测总体结果良好。统计本发明对第二组SAR数据的变化检测错检数，漏检数，总错误数和错误检测率，结果如表2表2本发明对第二组SAR数据的变化检测结果统计：错检数漏检数总错误数错误检测率Ottawa2266111133773.32％由表2可见，本发明对第二组SAR数据的错检数，漏检数，总错误数都处于较低水平，错误检测率较低。当前第1页1 2 3