1.一种基于样本局部密度的在线聚类SAR图像变化检测方法,包括:
(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。
2.根据权利要求1所述的方法,其中步骤(3)中计算样本的局部分布密度,按照如下步骤进行:
(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:
其中,e为局部分布密度的范围限定值,通过实验选取。
3.根据权利要求1所述的方法,其中步骤(4)中用加权模糊C均值方法对输入的第一块数据进行聚类,按照如下步骤进行:
(4a)初始化两个聚类中心,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:
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:
其中,xj表示第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:
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。
4.根据权利要求1所述的方法,其中步骤(5)中更新当前聚类中心的权值,按照如下公式计算:
其中wi′表示第i个聚类中心在更新后取得的新权值,ns为将聚类数据集分块后每块数据的样本点个数,wj为每块数据中第j个样本点的权值,uij表示第j个样本点隶属于第i类的隶属度。
5.根据权利要求1所述的方法,其中步骤(8)中用加权模糊C均值方法对合并后的新数据进行聚类,按照如下步骤进行:
(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′:
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′:
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。