结合半高斯模型与高斯模型的sar影像变化检测方法
【专利摘要】一种结合半高斯模型与高斯模型的SAR影像变化检测方法，适用于图像处理领域。其步骤为：1利用两时相SAR影像生成差值影像；2使用半高斯模型估计差值影像中未变化类似然概率密度分布；3使用高斯模型估计差值影像中变化类似然概率密度分布；4根据估计的未变化类和变化类似然概率密度分布，计算满足Kittler–Illingworth最小错误率准则的阈值；5对差值影像进行阈值分割，生成变化检测结果图。有效估计差值影像中未变化类和变化类的似然概率密度分布，分割阈值计算合理，有效提高变化检测的精度，对SAR影像的变化检测效果好。
【专利说明】
结合半高斯模型与高斯模型的SAR影像变化检测方法
技术领域
[0001] 本发明设及一种SAR影像变化检测方法，尤其适用于图像处理领域中的结合半高 斯模型与高斯模型的SAR影像变化检测方法。
【背景技术】
[0002] 变化检测属于图像处理领域，是指利用覆盖同一地理区域的多时相遥感影像提取 地表覆盖的变化信息，该技术已经被广泛应用于环境监测、城市研究、森林监测、农业调查 和灾害评估等领域。随着计算机硬件的发展，为了提高变化检测的自动程度，减少变化检测 过程中人工干预造成的不确定性，非监督变化检测逐渐成为遥感影像信息提取研究的热点 之一。
[0003] 与光学影像相比，合成孔径雷达采用侧视方式成像，覆盖面积大，具有穿透云雨雾 靈，全天时、全天候获取地面信息的能力，自20世纪50年代W来，已被广泛用于地表沉降监 测、地形测绘、资源勘探、环境遥感W及军事等领域。近年来随着SAR技术的迅速发展，利用 SAR影像进行变化检测逐渐成为研究的热点。
[0004] 自动选取阔值是实现多时相遥感影像非监督变化检测的关键。现有阔值自动选取 方法按照是否需要先验知识可W分为3类:非参数自动阔值选取、半参数自动阔值选取和基 于先验知识的自动阔值选取。与非参数和半参数方法相比，基于先验知识的方法通常能获 得更好的阔值，在变化检测中得到广泛应用。差异影像中未变化类和变化类似然概率密度 分布估计的准确度会影响基于先验知识方法选择阔值的合理性。然而，现在广泛使用的高 斯模型难W有效估计差值影像中未变化类的似然概率密度分布，导致阔值的选取不合理， 从而限制了变化检测的精度。
【发明内容】
[0005] 本发明的目的在于针对已有技术的不足之处，提供一种步骤简单，精度高，检测效 果好的结合半高斯模型与高斯模型的SAR影像变化检测方法。
[0006] 为实现上述目的，本发明结合半高斯模型与高斯模型的SAR影像变化检测方法，包 括W下步骤：
[0007] (1)获取覆盖同一地理区域经过配准和几何校正的两幅不同时相SAR影像Il和影 像12;
[000引（2)对影像Il和影像12,应用差值算子生成差值影像DI;
[0009] (3)根据影像Il和影像12的灰度级确定阔值的值域Q ;
[0010] (4)从阔值值域Q内任意选取一个阔值T将差值影像DI分割为未变化类COu和变化 类
[0011] (5)统计差值影像DI中属于未变化类O U的像元数量Nu，W及属于变化类O。的像元 数量Nc，利用统计出来的未变化类像元数量Nu和变化类像元数量Nc分别计算差值影像DI中 未变化类《 U的先验概率P( ? U)和变化类《。的先验概率P( ?。）；
[0012] (6)使用半高斯模型估计差值影像DI中未变化类COu的似然概率密度分布，利用似 然概率密度分布计算灰度值X在未变化类CO U中出现的似然概率密度函数p(X I CO U);
[0013] (7)利用高斯模型估计变化类的似然概率密度分布，计算得到灰度值X在变化 类中出现的似然概率密度函数p(x| ?。）；
[0014] (8)利用贝叶斯决策理论计算灰度值X属于未变化类COu和变化类CO。的后验概率P (C〇u|x)和 P( Wc|x);
[0015] (9)根据Kittler-Illingworth准则计算使用阔值T分割差值影像DI时的错误率J (T);
[0016] (10)重复步骤(4)-(9)计算阔值值域Q内所有可能阔值对应的错误率，排序求得 错误率最小的阔值To;
[0017] (11)使用满足Ki tt Ier-111 ingworth最小错误率准则的阔值To进行阔值分割生成 变化检测结果图。
[0018] 所述步骤(2)中利用差值算子:01(1^)=|11(1^)-12(1^)|，生成差值影像01; 式中：Iia，j)是影像Il中位置Q J)处的像元灰度值，I2(i，j)是影像12中位置Q J)处的 像元灰度值，DI(i，j)是差值影像DI中位置(i，j)处的像元灰度值；
[0019] 所述步骤(3)中阔值的值域Q为：Q = {T I 0《KL，T G护}，式中：L是影像11和12的 灰度级，T是阔值，护表示正整数；
[0020] 所述步骤(4)中未变化类COu和变化类CO。的分割公式为
如 果差值影像DI中位置Q J)处的像元灰度值DKiJ)小于或等于阔值T，则运个像元划分到 未变化类《 U ;否则划分到变化类《。；
[0021] 所述步骤(5)中，利用公式：
计算未变化类的先验概率P(COu);利用公 式：
计算变化类《。的先验概率P (?。）；式中：Na为差值影像中像元的总数量;述步 骤(6)中，计算灰度值X在未变化类CO U中出现的似然概率密度函数P(X I CO U)的步骤如下：
[0022] 6a)利用公式
f算差值影像的灰度频率直方图函数Kx)，式中：Nx是差值 影像中灰度值为X的像元数量；
[0023] 6b)利用公式 类Wu中半高斯分布参数為；
[0024] 6c)利用公式 获得灰度值X在未变化类CO U中出现的似然概 率密度函数P(x I COu);
[0025] 所述步骤(7)中，计算灰度值X在变化类中出现的似然概率密度函数p(x I ?。)的 步骤如下：
[0026] 7a)利用公式 获得变化类中像素的均值m。；
[0027] 7b)利用公式： t类《。中像素的方差式\
[002引 7c)利用公式 获得灰度值X在变化类CO。中出现的似 ? 然概率密度函数p(x| ?。）；
[0029] 所述步骤(8)中，利用贝叶斯决策理论计算灰度值X属于未变化类COu和变化类 的后验概率P( O U I X)和P( O。I X)，利用公式：
得到未变化类《 U的后验
概率p( Ou I X)，利用公式： 得到变化类《。的后验概率P( ?。I X)，其中， , p(x)=p(x| 〇u)+p(x| 〇c)；
[0030] 所述步骤(9)中，根据Kittler-Illingworth准则，利用公式
计 算使用阔值T分割差值影像时的错误率J(T)，式中，代价函薬
[0031] 有益效果：本发明利用半高斯模型估计差值影像中未变化类的似然概率密度分 布，利用高斯模型估计差值影像中变化类的似然概率密度分布，与使用高斯模型估计未变 化类和变化类似然概率密度分布相比，可W更有效的估计差值影像中未变化类和变化类的 似然概率密度分布，分割阔值计算合理，有效提高变化检测的精度。
【附图说明】
[0032] 图1是本发明的实现流程图；
[0033] 图2是本发明实施示例的某地区多时相Radarsat-2影像；
[0034] 图3是本发明实施示例的参考变化图；
[0035] 图4是采用OTSU方法得到的变化检测结果；
[0036] 图5是仅采用高斯模型得到的变化检测结果；
[0037] 图6是本发明实施示例采用结合半高斯模型与高斯模型的方法得到的变化检测结 果。
【具体实施方式】
[0038] 下面结合附图及实施示例对本发明作进一步的详细描述，应当理解，此处所描述 的实施示例仅用于说明和解释本发明，并不用于限定本发明。
[0039] 如图1和图2所示，本发明的结合半高斯模型与高斯模型的SAR影像变化检测方法， 包括如下步骤：
[0040] (1)获取覆盖同一地理区域经过配准和几何校正的两幅不同时相SAR影像Il和影 像12;
[0041] (2)对影像Il和影像12,应用差值算子:DI(i，j)= |ll(i，j)-I2(i，j) I，生成差值 影像DI;式中是影像Il中位置(i，j)处的像元灰度值，I2(i，j)是影像12中位置(i, j)处的像元灰度值，DKi, j)是差值影像DI中位置Q J)处的像元灰度值；
[0042] (3)根据影像Il和影像12的灰度级确定阔值的值域Q，阔值的值域Q为：Q = {T I 0 《Ta，TG护}，式中：L是影像11和12的灰度级，T是阔值，护表示正整数；
[0043] (4)从阔值值域Q内任意选取一个阔值T，利用分割公式；
将 差值影像DI分割为未变化类CO U和变化类CO。，其中当差值影像DI中位置(i，j)处的像元灰度 值DI (i，j)小于或等于阔值T，则运个像元划分到未变化类CO U;否则划分到变化类CO。；
[0044] (5)统计差值影像DI中属于未变化类COu的像元数量Nu, W及属于变化类的像元 数量N。，利用公式:
计算差值影像DI中未变化类CO U的先验概率P( CO U)，利用公式：
t算值影像DI中变化类的先验概率p(?。），式中：Na为差值影像中像元的总数 量；
[0045] (6)使用半高斯模型估计差值影像DI中未变化类COu的似然概率密度分布，利用似 然概率密度分布计算灰度值X在未变化类CO U中出现的似然概率密度函数p(X I CO U);
[0046] 计算灰度值X在未变化类CO U中出现的似然概率密度函数p(x I CO U)的步骤如下：
[0047] 6a)利用公式
计算差值影像的灰度频率直方图函数Kx)，式中:Nx是差值 影像中灰度值为X的像元数量；
[004引 6b)利用公式 g化类《 U中半高斯分布参数式；
[0049] 6c)利用公式 获得灰度值X在未变化类CO U中出现的似然概 率密度函数P(X| ?u)。
[0050] (7)利用高斯模型估计变化类的似然概率密度分布，计算得到灰度值X在变化 类中出现的似然概率密度函数p(x| ?。）；
[0051 ]计算灰度值X在变化类CO。中出现的似然概率密度函数p(x I CO。)的步骤如下：
[0052] 7a)利用公:中像素的均值恥；
[0化3] 7b)利用公b类Uc中像素的方差相；
[0054] 7c)利用公5 获得灰度值X在变化类O。中出现的似 然概率密度函数p(x| ?。）
[0055] (8)利用贝叶斯决策理论计算灰度值X属于未变化类COu和变化类CO。的后验概率P (OuIx)和P(COeIx);其中利用公式：
^得到未变化类COu的后验概率P (WuIx),利用公式
得到变化类COc的后验概率P(WcIx),式中，P(X) = p(x| 〇u)+p(x| 〇c)；
[0化6] (9)根据Kittle;r-Illingwo;rth准则利用公式； ，计算使用阔值T 分割差值影像DI时的错误率J(T)，式中，代价函数
[0057] (10)重复步骤(4)-(9)，计算阔值值域Q内所有可能阔值对应的错误率，排序求得 错误率最小的阔值To;
[005引（11)使用满足Kittler-Illingworth最小错误率准则的阔值To进行阔值分割生成 变化检测结果图。
[0059] 为了进一步证明本发明方法的优越性，将不同方法得到的图4、图5、图6分别与图3 进行比较，使用漏检像元、总体误差、检测到的变化像元和Kappa系数4个客观评价指标对生 成的变化检测结果图进行定量评价，评价结果如表1所示。
[0060] 表1不同方法得到变化检测结果图的定量评价结果：
[0061]
'[0062] 一个较好的变化检测结果图表现为具有较小的总体误差和较大的Kapp^i系数。由 表1可W看出，与OTSU和高斯模型法相比，本发明方法生成的变化检测结果图的总体误差最 小为2529,运说明本发明方法得到的变化检测结果图在总体误差方面控制的最好。同时本 发明得到的变化检测结果的Kappa系数最大为0.8421，与参考变化图的一致性程度最高。综 上所述，本发明方法在变化检测中表现出了较好的性能，可W有效估计差值影像中未变化 类和变化类的似然概率密度分布，计算出合理的分割阔值，有效提高变化检测的精度。
[0063] 应当理解的是，本说明书未详细阐述的部分均属于现有技术。
[0064] 应当理解的是。上述针对实施示例的描述较为详细，并不能因此而认为是对本发 明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利 要求所保护的范围的情况下，还可W做出替换或变形，均落入本发明的保护范围之内，本发 明的请求保护范围应W所附权利要求为准。
【主权项】
1. 一种结合半高斯模型与高斯模型的SAR影像变化检测方法，包括如下步骤： (1) 获取覆盖同一地理区域经过配准和几何校正的两幅不同时相SAR影像Il和影像12; (2) 对影像Il和影像12,应用差值算子生成差值影像DI; (3) 根据影像Il和影像12的灰度级确定阈值的值域Ω ; (4) 从阈值值域Ω内任意选取一个阈值T将差值影像DI分割为未变化类ω 变化类 O C ; (5) 统计差值影像DI中属于未变化类ω u的像元数量Nu，以及属于变化类ω。的像元数量 Ν。，利用统计出来的未变化类像元数量Nu和变化类像元数量Ν。分别计算差值影像DI中未变 化类ω u的先验概率ρ( ω u)和变化类ω。的先验概率ρ( ω。）； (6) 使用半高斯模型估计差值影像DI中未变化类COu的似然概率密度分布，利用似然概 率密度分布计算灰度值X在未变化类ω u中出现的似然概率密度函数p(x I ω u); (7) 利用高斯模型估计变化类ω。的似然概率密度分布，计算得到灰度值χ在变化类ω。 中出现的似然概率密度函数P(x I ω。）； (8) 利用贝叶斯决策理论计算灰度值χ属于未变化类ω jP变化类ω。的后验概率ρ( ω u X)和 p( C0c|x); (9) 根据Kittler-Illingworth准则计算使用阈值T分割差值影像DI时的错误率J(T); (10) 重复步骤(4)-(9)，计算阈值值域Ω内所有可能阈值对应的错误率，排序求得错误 率最小的阈值To; (11) 使用满足Kittler-Illingworth最小错误率准则的阈值To进行阈值分割生成变化 检测结果图。2. 根据权利要求1所述的结合半高斯模型与高斯模型的SAR影像变化检测方法，其特征 在于:所述步骤(2)中利用差值算子:DI(i，j)=|ll(i，j)-I2(i，j)|，生成差值影像DI; 式中：Il(i，j)是影像Il中位置（i，j)处的像元灰度值，I2(i，j)是影像12中位置（i，j) 处的像元灰度值，DI(i，j)是差值影像DI中位置(i，j)处的像元灰度值。3. 根据权利要求1所述结合半高斯模型与高斯模型的SAR影像变化检测方法，其特征在 于:所述步骤(3)中阈值的值域Ω为： Ω ={T|〇^T<L,TeN*}, 式中:L是影像Il和12的灰度级，T是阈值，#表示正整数。4. 根据权利要求1所述结合半高斯模型与高斯模型的SAR影像变化检测方法，其特征在 于:所述步骤(4)中未变化类ω 变化类ω。的分割公式为：如果差值影像DI中位置（i，j)处的像元灰度值DI(i，j)小于或等于阈值Τ，则这个像元 划分到未变化类ω u;否则划分到变化类ω。。5. 根据权利要求1所述结合半高斯模型与高斯模型的SAR影像变化检测方法，其特征在 于：所述步骤（5)中，利用公式W?) = #计算未变化类的先验概率P(Cou);利用公式： Iya M〃_) = f计算变化类ω。的先验概率ρ( ω。）；式中:冗为差值影像中像元的总数量。6. 根据权利要求1所述结合半高斯模型与高斯模型的SAR影像变化检测方法，其特征在 于:所述步骤(6)中，计算灰度值X在未变化类O u中出现的似然概率密度函数p(X I COu)的步 骤如下：6a)利用公式 卜算差值影像的灰度频率直方图函数h(x)，式中：Nx是差值影像 中灰度值为X的像元数量；6b)利用公式 H七类中半高斯分布参数σ,% 6c)利用公式 获得灰度值X在未变化类中出现的似然概率密 度函数P(x| ?U)。7. 根据权利要求1所述结合半高斯模型与高斯模型的SAR影像变化检测方法，其特征在 于:所述步骤(7)中，计算灰度值X在变化类ω。中出现的似然概率密度函数ρ(χ I ω。)的步骤 如下： 7a)利用公? 。中像素的均值m。； 7b)利用公? ?七类ω。中像素的方差 7c)利用公? 获得灰度值X在变化类ω。中出现的似然概率 密度函数ρ(χ| ω。）。8. 根据权利要求1所述结合半高斯模型与高斯模型的SAR影像变化检测方法，其特征在 于:所述步骤(8)中，利用贝叶斯决策理论计算灰度值X属于未变化类ω4Ρ变化类ω。的后验概率ρ ( ω u I X)和ρ ( ω。I X)，利用公式:I ·?) = ?义;卜)得到未变化类ω u的后验概率ρ (c〇u|X)，利用公 得到变化类ω。的后验概率P(CO cJx),其中，P(x) 9 = p(x| Wu)+p(x| (Oc)09. 根据权利要求1所述结合半高斯模型与高斯模型的SAR影像变化检测方法，其特征在 于:所述步骤(9)中，根据Kittler-Illingworth准则，利用公式：，计算使 用阈值T分割差值影像时的错误率J(T)，式中，代价函数<
【文档编号】G06T7/00GK106023229SQ201610388621
【公开日】2016年10月12日
【申请日】2016年6月2日
【发明人】庄会富, 邓喀中, 范洪冬, 张宏贞, 于洋, 黄继磊, 余美, 吴飞
【申请人】中国矿业大学