a。个 像素点中第Na。个像素点的均值特征、对比度特征和半方差特征；分别为A平稳区域中在视觉上变化的Nai个像素点中第1个 像素点的均值特征、对比度特征和半方差特征；分别为A平稳区域中在视觉上变化的Nai个像素 点中第Nai个像素点的均值特征、对比度特征和半方差特征； 再结合A平稳区域的训练标签Ia构成A平稳区域的训练样本Sp A: Spa= {g a, IJ 其中，A平稳区域的训练标签Ia是一个长度为N的行向量，其前N。个元素为0,其后Ni 个元素为1 : 6b)将支撑向量机的类型设置为C-SVC模型，并将核函数的类型设置为径向基核函数； 6c)将惩罚因子C和径向基核函数中核参数γ进行交叉验证，得到对应于A平稳区域 的最优（C, γ)组合； 选取惩罚因子C e {2 8, 2 7·5,...，27·5, 28}，径向基核函数中核参数 丫￡{28,27'5，...，27'5,2 8}，则共有33父33个（(：，丫）组合，对该33\33个（(：，丫）组合进 行5层交叉验证，具体步骤为： 将A平稳区域的训练样本3?&随机地平均分成5组数据：组Al、组Α2、组A3、组Α4、组 A5,将5组数据分别作为一次验证集，并将5组数据分别对应的其余4组数据进行顺序组合 作为训练集；首先，将组Al作为验证集，将组A2、组A3、组A4、组A5进行顺序组合作为训练 集，将该训练集和每一个（C，γ)组合进行分类，得到33 X 33个分类结果，将该33 X 33个分 类结果分别与组Al进行比较，求得对应于组Al的每一个（C，γ)组合的分类准确率，选取 其中分类准确率最高的（C，γ)组合作为对应于组Al的最优（C，γ)组合；然后，分别将组 Α2、组A3、组Α4、组Α5作为验证集，选出对应于组Α2、组A3、组Α4、组Α5的最优（C，γ)组 合；最后，比较对应于组AU组A2、组A3、组A4、组A5的最优（C，γ)组合，将其中分类准确 率最高的（C，γ)组合作为对应于A平稳区域的最优（C，γ)组合；若对应于组AU组Α2、组 A3、组A4、组A5的最优（C，γ)组合中，分类准确率最高的（C，γ)组合有多个，则选取其中 惩罚因子C为最小的（C，γ)组合作为对应于A平稳区域的最优（C，γ)组合； 6d)利用对应于A平稳区域的最优（C，γ)组合和A平稳区域的训练样本SpJt支撑向 量机进行训练，得到第一分类标签矩阵Ac，其维数与对数比值图像Xb的维数相同。6.如权利要求1所述的基于非平稳分析与条件随机场的SAR图像变化检测方法，其特 征在于，所述步骤7的具体子步骤为： 7a)根据对数比值图像的纹理特征矩阵gs，提取第二集合Kb。和第四集合K B1的像素点 的纹理特征，组成B平稳区域的纹理特征向量gB:其中，）分别为B平稳区域中在视觉上未变化的Nb。个像 素点中第1个像素点的均值特征、对比度特征和半方差特征；分别为B平稳区域中在视觉上未变化的Nb。个像 素点中第Nb。个像素点的均值特征、对比度特征和半方差特征；分别为B平稳区域中在视觉上变化的Nbi个像素点中第1个 像素点的均值特征、对比度特征和半方差特征；分别为B平稳区域中在视觉上变化的Nbi个像素 点中第Nbi个像素点的均值特征、对比度特征和半方差特征； 再结合B平稳区域的训练标签Ib构成B平稳区域的训练样本Sp B: Spb 一 is B) ?β? 其中，B平稳区域的训练标签Ib是一个长度为N的行向量，其前N。个元素为0,其后Ni 个元素为1 : 7b)将支撑向量机的类型设置为C-SVC模型，并将核函数的类型设置为径向基核函数； 7c)将惩罚因子C和径向基核函数中核参数γ进行交叉验证，得到对应于A平稳区域 的最优的（C, γ)组合； 选取惩罚因子C e {2 8, 2 7·5,...，27·5, 28}，径向基核函数中核参数 丫￡{28,27'5，...，27'5,2 8}，则共有33父33个（(：，丫）组合，对该33\33个（(：，丫）组合进 行5层交叉验证，具体步骤为： 将B平稳区域的训练样本3^随机地平均分成5组数据：组Β1、组Β2、组Β3、组M、组 Β5,将5组数据分别作为一次验证集，并将5组数据分别对应的其余4组数据进行顺序组合 作为训练集；首先，将组Bl作为验证集，将组Β2、组Β3、组Β4、组Β5进行顺序组合作为训练 集，将该训练集和每一个（C，γ)组合进行分类，得到33 X 33个分类结果，将该33 X 33个分 类结果分别与组Bl进行比较，求得对应于组Bl的每一个（C，γ)组合的分类准确率，选取 其中分类准确率最高的（C，γ)组合作为对应于组BI的最优（C，γ)组合；然后，分别将组 Β2、组Β3、组M、组Β5作为验证集，选出对应于组Β2、组Β3、组M、组Β5的最优（C，γ)组 合；最后，比较对应于组Β1、组Β2、组Β3、组M、组Β5的最优（C，γ)组合，将其中分类准确 率最高的（C，γ)组合作为对应于B平稳区域的最优（C，γ)组合；若对应于组Β1、组Β2、组 Β3、组M、组Β5的最优（C，γ)组合中，分类准确率最高的（C，γ)组合有多个，则选取其中 惩罚因子C为最小的（C，γ )组合作为对应于B平稳区域的最优（C，γ )组合； 7d)利用对应于B平稳区域的最优（C，γ)组合和B平稳区域的训练样本支撑向 量机进行训练，得到第二分类标签矩阵Bc，其维数与对数比值图像Xb的维数相同。7. 如权利要求1所述的基于非平稳分析与条件随机场的SAR图像变化检测方法，其特 征在于，所述步骤8的具体子步骤为： 8a)构建与原始第一时相SAR图像维数相同的训练标签矩阵OW，训练标签矩阵OW 的初始值为全〇矩阵，将第一分类标签矩阵Ac中与A平稳区域中的每个像素点分别对应的 元素的值，按A平稳区域中的每个像素点的坐标位置，分别填入训练标签矩阵Oc';将第二 分类标签矩阵Bc中与B平稳区域中的每个像素点分别对应的元素的值，按B平稳区域中的 每个像素点的坐标位置，分别填入训练标签矩阵Oc';将训练标签矩阵Oc'作为对数比值 图像Xb的初始分类标签矩阵〇c，对数比值图像X b的初始分类标签矩阵Oc中元素的取值为 0或1，〇表示原始第二时相SAR图像中的对应像素点相对于原始第一时相SAR图像中的对 应像素点未发生变化，1表示原始第二时相SAR图像中的对应像素点相对于原始第一时相 SAR图像中的对应像素点发生变化； 8b)将对数比值图像Xb的初始分类标签矩阵Oc拟合为S形生长曲线函数，即求得对数 比值图像Xb中每个像素点的类条件概率，并对对数比值图像Xb中每个像素点的类条件概率 取对数，得到对数比值图像\中每个像素点的一元势能函数，其中，对数比值图像X b中第η 个像素点冗啲一元势能函数4〇^上，1]"，幻为： A (xn, Fn, Un, X) = Iogp (xn I dn (F, U)) 其中，p(xn|dn(F，U))为对数比值图像Xb中第η个像素点C的类条件概率，X为标 记场，\为标记场X中对应于对数比值图像X b的第η个像素点巧的标记值，Fn为对数 比值图像Xb中第η个像素点g的纹理特征向量，巧=f/4W,Z),?(d)，X(〇<)]， j()分别为对数比值图像Xb中第η个像素点纪的均值特征、对比 度特征和半方差特征，〇〗'，·/；：)为对数比值图像Xb中第η个像素点；的坐标，Un为对数比值 图像Xb中第η个像素点私的平稳性标记值，F为纹理特征场，U为非平稳场，dn(F，U)为对 数比值图像Xb中第η个像素点尺的纹理特征场与非平稳场的混合场，n e {1，2, ...，N}，N 为对数比值图像\的像素点总数，log表示取对数。8. 如权利要求1所述的基于非平稳分析与条件随机场的SAR图像变化检测方法，其特 征在于，所述步骤9的具体子步骤为： 9a)定义平滑函数f( λ)由因果滤波器fj λ)和非因果滤波器&( λ)组成： CN 105160666 A _权利要求书_ _8/9 页 其中，A ( λ ) = cdAu(λ )，f2( λ -I) = cd u λ -1))，d 为设定常数，且 0〈(!〈!，c =l-d，u(A)为阶跃函数，λ为自变量； 9b)给出指数加权均值比率算子的定义如下：其中，（CJ)表示对数比值图像Xb中第η个像素点扣的坐标，n e {1，2，...，N}，N为 对数比值图像Xb的像素点总数，μ n，μ 12, μ P μ 12为指数加权值，按下式进行计算：其中，匕为对数比值图像Xb中第η个像素点$的纹理特征向量，分别为对数比值图像Xb 中第η个像素点€的均值特征、对比度特征和半方差特征，*表示水平方向上的卷积，?则 表示垂直方向上的卷积； 9c)通过以下公式提取对数比值图像Xb中第η个像素点纪的边界强度rn:9c)通过以下公式构建对数比值图像Xb中第η个像素点％的二元势能函数 I (xn, xt, X, Y, U)：其中，Qh为水平邻域系统、Qv为垂直邻域系统，^为对数比值图像Xb中第η个像素点 X的边界强度，^为对数比值图像像素点t的边界强度，X为标记场，χΑ标记场X中 对应于对数比值图像Xb的第η个像素点私的标记值，^为标记场X中对应于对数比值图像 Xb的像素点t的标记值，edge_C为常量，为二元势能函数参数，Y 为观测场，U为非平稳场，gl，g2为非平稳场U的两个不同取值，一般分别取O和1，U n为对数 比值图像Xb中第η个像素点發的平稳性标记值，队为对数比值图像X ,中像素点t的平稳 性标记值，S为阶跃函数，其中：9.如权利要求1所述的基于非平稳分析与条件随机场的SAR图像变化检测方法，其特 征在于，所述步骤11的具体子步骤为： Ila)在对数比值图像Xb的初始分类标签矩阵Oc中随机选取出一个大小为MXM的子 矩阵作为初步算法模型P (XIY)中的标记场X的初始值X (〇)，并根据初步算法模型P (XIY) 求得二元势能函数参数的初始值，再利用所求出的二元势能函数参数的初始值，根据初步 算法模型P (XIY)求得第1代标记场X1作为第1代分类标签矩阵；设置迭代次数t = 1 ; lib)在第t代分类标签矩阵中随机取出一个大小为MXM的子矩阵作为初步算法模 型P (XIY)中的第t次迭代的标记场X (t)，并根据初步算法模型p (XIY)求得第t次迭代的 二元势能函数参数，再利用所求出的第t次迭代的二元势能函数参数，根据初步算法模型 P(XlY)求得第t+Ι代标记场Xt+1作为第t+Ι代分类标签矩阵； lie)如果迭代次数t>9,则将第t+Ι代分类标签矩阵作为对数比值图像Xb的最终分类 标签矩阵，即将第t+Ι代分类标签矩阵作为原始第二时相SAR图像相对于原始第一时相SAR 图像的变化检测结果；反之，令迭代次数t增加1，返回步骤lib)。
【专利摘要】本发明公开了一种基于非平稳分析与条件随机场的SAR图像变化检测方法，包括以下步骤：(1)对原始第一、第二时相SAR图像分别进行归一化处理，再作对数比值运算，得到对数比值图像，并求取对数比值图像的纹理特征矩阵；(2)将对数比值图像进行平稳性分割，得到A、B平稳区域，构建A、B平稳区域的训练样本，分别利用A、B平稳区域的训练样本训练支撑向量机，得到第一、第二分类标签矩阵；(3)根据第一、第二分类标签矩阵求得对数比值图像的初始分类标签矩阵，并求得对数比值图像中每个像素点的一元势能函数和二元势能函数，进而得到初步算法模型，再计算初步算法模型中的二元势能函数参数，进而求得对数比值图像的最终分类标签矩阵。
【IPC分类】G06T7/00, G06K9/00
【公开号】CN105160666
【申请号】CN201510526592
【发明人】李明, 朱华慧, 张鹏, 吴艳, 贾璐, 安琳
【申请人】西安电子科技大学
【公开日】2015年12月16日
【申请日】2015年8月25日