本发明涉及数据图像处理,尤其涉及一种基于反馈和迭代的雷达图像差异检测方法。
背景技术:
近些年来,随着计算机技术的飞速发展,基于图像的信息获取与分析越来越依赖于计算机技术。而基于计算机视觉的图像差异性检测也是近年来的研究热点之一。本项目主要解决的是无监督下sar图像差异性的检测问题。顾名思义,图像差异性检测就是在给定两张基本一致的图像中检测与标注出其中的差异。其中一个重要的应用就是分析雷达图像。变化的检测可以用于环境变化的检测,地貌调研,森林植被变化等等。这种差异性检测主要需要分析相同区域不同时间的两幅雷达图像。
目前解决此类问题的方法主要分为有监督方法和无监督方法【1,2】。前者主要基于有监督的分类器,因此此类方法需要大量的标注过的差异图像来指导分类器的训练。后者则直接对两张含有差异的图像进行比较而不需要额外的信息。虽然有监督的方法一般来说检测的效果会优于无监督的算法,但产生标注过的差异图像代价是比较高的,也是比较困难的。因此在实际应用中无监督的图像差异性检测有着重要的意义。
解决此类问题主要有两个主要步骤,首先是将含有差异的图像通过一定的方法进行处理生成差异图像,然后将差异图像进行差异和非差异区域的标定。关于差异图像的获取方法目前有一些比较成熟的方法。一些研究【5,6,7】使用logratio(lr)算子进行对图像进行处理,然后生成差异图,gong【3】等通过比较两张待检测图像每个点周围一定大小邻域内对应位置的差异生成差异图像。zheng【4】等将两张图片中对应点的像素值的差值和对数的差值进行融合生成差异图,根据生成的差异图进行差异区域和非差异区域的标定时,一部分研究关注如何设置合适的阈值进行二值化【8】。另一种比较流行的方法是利用k-means进行聚类【4】从而进行差异点与非差异点的区分。lorenzo等在生成差异图像时使用类似方法,然后通过使用em【8】算法进行差异和非差异阈值的设定,再根据阈值结合每个点周围的信息进行差异性标定的调整。
通过分析发现现有的算法都是将差异图的生成和二值标定图的生成看成两个独立的问题来解决,时间上存在顺序性,但是本发明认为两者之间存在密不可分的联系,因此考虑将两阶段看成一个整体来进行处理。同时利用反馈的思想迭代地优化所得结果,这也是本算法的主要颠覆性所在。
【1】bruzzonel,serpicosb.aniterativetechniqueforthedetectionofland-covertransitionsinmultitemporalremote-sensingimages[j].ieeetransactionsongeoscience&remotesensing,1997,35(4):858-867.
【2】ashbindusingh.reviewarticledigitalchangedetectiontechniquesusingremotely-senseddata[j].internationaljournalofremotesensing,1989,10(6):989-1003.
【3】gongm,caoy,wuq.aneighborhood-basedratioapproachforchangedetectioninsarimages[j].ieeegeoscience&remotesensingletters,2012,9(2):307-311.
【4】zhengy,zhangx,houb,etal.usingcombineddifferenceimageandk-meansclusteringforsarimagechangedetection[j].ieeegeoscienceandremotesensingletters,2014,11(3):691-695.
【5】celikt.changedetectioninsatelliteimagesusingageneticalgorithmapproach[j].ieeegeoscience&remotesensingletters,2010,7(2):386-390.
【6】baziy,bruzzonel,melganif.anunsupervisedapproachbasedonthegeneralizedgaussianmodeltoautomaticchangedetectioninmultitemporalsarimages[j].ieeetransactionsongeoscience&remotesensing,2005,43(4):874-887.
【7】bovolof,bruzzonel.adetail-preservingscale-drivenapproachtochangedetectioninmultitemporalsarimages[j].ieeetransactionsongeoscience&remotesensing,2006,43(12):2963-2972.
【8】bruzzonel,prietodf.automaticanalysisofthedifferenceimageforunsupervisedchangedetection[j].ieeetransactionsongeoscience&remotesensing,2000,38(3):1171-1182.
技术实现要素:
本发明技术解决问题:克服现有技术的不足,提供一种基于反馈和迭代的雷达(sar)图像差异检测算法,针对现有方法中差异图像生成和根据差异图像进行二值标定两个主要步骤,提出通过根据二值标定的结果作为反馈的依据,调整差异图像生成的函数参数和二值标定的阈值设置。通过迭代进行使结果趋于准确,同时通过考虑图像的局部信息使图像中不同位置的差异图生成和二值标定方式不同,增加了算法的鲁棒性,可以在一定程度上提高检测的准确率。算法使用mrf函数作为迭代的终止条件,也在一定程度上保证了算法的准确性。
本发明提供的基于反馈和迭代的雷达(sar)图像差异检测算法,具体实现步骤如下:
step1:对给定的同一区域不同时间拍摄的sar图像,首先使用差异图生成函数生成差异图(di);所述差异图生成函数的参数包含滤波权重参数。
step2:使用两个和原图一样大小的阈值矩阵图,这两个阈值矩阵图的每一个元素表示每一点的高阈值和低阈值,并利用这两个阈值矩阵图生成对应的二值标定图。
step3:利用step2中得到的两个二值标定图将差异图分为可信赖差异区域、可信赖无差异区域和不可信赖区域,并针对不同的区域修改step2中的高阈值和低阈值矩阵中的元素和step1中的差异图生成函数中的滤波权重参数。
step4:计算step2中的二值标定图的mrf能量函数值u,如果u达到局部极小值,停止迭代,将二值标定图作为最终的差异标定结果图并输出,否则转到step1继续执行下一次迭代,同时将step1中的滤波权重参数和step2中的高阈值矩阵和低阈值矩阵中的元素进行调整。
本发明与现有技术相比的优点在于:
(1)使用全新的差异图生成函数生成差异图像,该函数在计算差异图像每点时考虑其周围一定邻域信息,同时其平滑权重在每点处的大小由该点所处区域性质决定,并通过反馈机制迭代调整。
(2)将基于差异图像的二值标定阈值扩展为两个阈值矩阵,这样图像中每点的阈值可以是不同的,并根据该点所处区域性质决定其大小。
(3)根据二值标定结果将差异图像区分为可信赖差异区域、可信赖费差异区域和不可信赖区域三种区域,同时根据所属区域的类别调整差异图像生成过程和二值标定过程,迭代机制的引入使结果不断趋于准确。
附图说明
图1为本发明基于反馈和迭代的sar图像差异检测方法的实现流程图。
具体实施方式
下面结合附图对本发明的具体实现方式进行详细说明。
如图1所示,本发明方法具体步骤包括step1-4:
step1.差异图生成:对给定的同一区域不同时间拍摄的sar图像,首先使用差异图生成函数生成差异图(di);所述差异图生成函数的参数包含滤波权重参数。
给定两张sar图像i1和i2,首先进行ppb滤波,然后考虑每个点的邻域信息生成差异图:
m表示像素的索引,di表示差异图,di(m)表示该点的差异,ωm表示m周围的邻域,
step2.二值标定图的生成:
使用两个和原图一样大小的阈值矩阵图,这两个阈值矩阵图的每一个元素表示每一点的高阈值
其中0表示没有差异,1表示存在差异。m表示像素的索引,t表示迭代次数。
step3.反馈调整参数:
利用step2中得到的两个二值标定图将差异图分为可信赖差异区域、可信赖无差异区域和不可信赖区域,并针对不同的区域修改step2中的高阈值和低阈值矩阵中的元素和step1中的差异图生成函数中的滤波权重参数。
步骤(1)、利用step2中得到的两个二值标定图将差异图分类:
初始化一个计数矩阵n,大小和图像i1相同,并将所有元素初始化为0,在每次迭代的开始我们根据step2更新n;
如果cmhigh(m)=1,
如果cmlow(m)=1,
根据n我们将差异图像分为三种不同类型的区域:
δ是一个正的阈值;
步骤(2)、调整step2中
对于任意一个像素点m如果属于可信赖差异区域,
对于任意一个像素点m如果属于可信赖非差异区域,
初始值设置如下:
md=[max(di)-min(di)]/2,α∈(0,1)是一个常数,max(di),min(di)分别表示di中的最大值和最小值;
步骤(3)调整step1中的
在第t步迭代中
其中(xm,ym)表示像素m的坐标,
z是一个大于1的常数。
step4.判断迭代终止条件:
计算step2中的二值标定图的mrf能量函数值u,如果u达到局部极小值,停止迭代,将二值标定图作为最终的差异标定结果图并输出,否则转到step1继续执行下一次迭代,同时将step1中的滤波权重参数和step2中的高阈值矩阵和低阈值矩阵中的元素进行调整。
计算步骤(2)中的二值标定图cmlow和差异图di的mrf能量函数值如下:
u(di,cm)=udata(di,cm)+εucontext(di,cm)
其中ε是控制两项影响的权重。
δ,μ分别表示g0,g1的均值和方差,
g0={m|cm(m)=0},g1={m|cm(m)=1}
当u(di,cm)达到局部极小值的时候迭代结束,并将cmlow作为最终的标定结果,否则返回step1继续执行。