CN102509297A - 基于克隆选择的最佳熵阈值的遥感图像变化检测方法 - Google Patents
基于克隆选择的最佳熵阈值的遥感图像变化检测方法 Download PDFInfo
- Publication number
- CN102509297A CN102509297A CN2011103596003A CN201110359600A CN102509297A CN 102509297 A CN102509297 A CN 102509297A CN 2011103596003 A CN2011103596003 A CN 2011103596003A CN 201110359600 A CN201110359600 A CN 201110359600A CN 102509297 A CN102509297 A CN 102509297A
- Authority
- CN
- China
- Prior art keywords
- population
- remote sensing
- image
- affinity
- individuality
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于克隆选择的最佳熵阈值的遥感图像变化检测方法,其实现步骤为:(1)用对数比值算子构造两时相遥感图像的差异影像图;(2)初始化种群,并设定参数;(3)利用最佳阈值算法计算种群的亲合度,并对亲合度进行降序排序;(4)依据克隆选择算法对每个个体进行克隆选择操作,产生新的种群,保存种群中亲和度最大的个体;(5)判断是否达到终止条件,未达到则返回步骤(3),否则保存结果中的每个个体进行亲合度大小排序,将亲合度最大值所对应的个体作为最优阈值;(6)利用最优阈值对差异影像图进行阈值分割,得到初始变化检测结果;(7)用形态学处理初始变化检测结果图,得到最终变化检测结果。本发明具有稳定、有效和总检测错误数较低的优点。
Description
技术领域
本发明属于图像处理技术领域,涉及图像检测方法,可用于图像增强、模式识别、目标跟踪等技术领域中。
背景技术
变化检测技术从处理遥感数据的光谱波段数的多少可以分为多波段多时相遥感图像变化检测和单波段多时相遥感图像变化检测。其中多波段遥感数据为变化检测提供了丰富的信息源,通常采用数据变换的方法对多个波段的数据进行处理,使变化信息集中到少数的几个特征上。应用于多波段多时相遥感图像变化检测中的图像变换技术包括主成分分析法PCA、典型相关分析法MAD、穗帽变换TCT、Gram-Schmidt变换、HSI变换和Chi-square变换等。然而随着数据量的增大,多波段多时相图像数据冗余过量,其变化检测技术与比单波段遥感图像检测技术相比更为复杂,因此目前大多数变化检测技术集中在单波段多时相遥感图像变化检测方面。
遥感图像的变化检测主要有两个核心步骤:其一是关于两时相遥感图像的差异影像图的构造方法;其二就是对该差异图影像图的分类,包括变化类和非变化类。因此,我们可将该分类问题转化为一种图像分割的问题,若选用阈值分割方法,则涉及到图像分割中如何快速而准确选择最优阈值的问题。为了加快最优阈值的搜索速度,已有算法大都是通过以增加存储空间为代价来提高分割速度的。
在各种现有的检测方法中,分类后比较法和直接比较法是普遍使用的主要的变化检测方法。分类后比较法一方面工作量大、效率不高,由于受到分类误差累积效应的影响,变化检测精度难以保证。而各种直接比较法虽然在效率和精度上较分类后比较法有所提高,但却存在着以下几个方面的关键问题:
(1)图像间的配准误差、噪声等因素带来的影响比较敏感,变化检测结果中杂点问题较为严重。
(2)对算术运算得到的差异图像中变化类和非变化类建模计算最优阈值的方法,是在假设两类符合某种分布的条件下计算两类的概率密度,然而事实上差异图像中两类并不是完全符合某种分布,因此这样计算得到的阈值存在较大偏差。
发明内容
本发明目的在于针对上述已有技术的问题,提出一种基于克隆选择的最佳熵阈值的遥感图像变化检测方法,以降低变化检测中所求的阈值误差,减少遥感图像受噪声影响而产生的杂点,使得变化检测结果达到最低的总检测错误数。
实现本发明目的技术思路是将遥感图像的变化检测问题转化为图像分割问题,再把分割问题转化为最优化问题,提出将对数比值算子构造的差异图的总熵函数作为克隆选择算法中的亲和度函数,通过克隆选择方法最后选择出差异图分类的最优阈值,得到新的图像变化检测方法,其具体实现过程如下:
(1)用对数比值算子构造两时相遥感图像的差异影像图DI;
(2)采用8位二进制编码方式初始化种群,并设定最大迭代次数为50,当前迭代次数g为0,初始种群规模N为10;
(3)利用最佳阈值算法计算种群的亲合度,并对亲合度进行降序排序;
(4)用克隆选择算法对种群进行如下操作,得到新一代种群;
(4a)依据亲合度和设定的抗体克隆规模对每个个体进行克隆操作,生成新个体,克隆规模和抗体-抗原的亲合度成正比,其中克隆规模为Ns=3(N-i)+5,i表示降序排序后亲合度对抗体种群的第i个排列序号;
(4b)对生成的每个新个体进行单点变异操作,计算变异后的新个体的亲合度并进行降序排序,用亲合度最大的个体取代当前被克隆的个体,生成新个体;
(4c)对生成的每个新个体进行克隆选择操作,对克隆选择完成的整体种群进行亲合度计算并降序排序,得到新种群,保存亲和度最大的个体;
(5)令当前迭代次数为g=g+1,若当前迭代次数达到最大迭代次数50,则进行步骤(6),否则,返回步骤(3);
(6)对保存的个体进行亲合度大小排序,亲合度最大值所对应的个体为最优阈值;
(7)利用得到的最优阈值对差异影像图进行阈值分割,得到初始变化检测结果图;
(8)对初始变化检测结果图用形态学方法进行优化,得到遥感图像的最终变化检测结果。
本发明与现有的技术相比具有以下优点:
1)本发明由于将克隆选择原理和最佳熵阈值方法结合,可较准确的得到变化检测中所需要的最优阈值;
2)本发明由于对初始结果图进行形态学处理,减少遥感图像受噪声影响而产生的杂点,较好地平衡了变化检测的错检个数和漏检个数,以达到最低的总检测错误数。
附图说明
图1是本发明的流程框图;
图2是本发明仿真使用的伯纳地区的SAR图像;
图3是本发明仿真使用的渥太华地区的SAR图像;
图4是本发明仿真使用的墨西哥郊外的SAR图像;
图5是本发明仿真使用的撒丁岛地区的SAR图像;
图6是伯纳数据的变化检测结果图;
图7是渥太华数据的变化检测结果图;
图8是墨西哥数据的变化检测结果图;
图9是撒丁岛数据的变化检测结果图。
具体实施方式
参照图1,本发明的具体实现步骤如下:
步骤1,构造两时相遥感图像的差异影像图DI。
用I1和I2分别表示两时相遥感图像,先将I1和I2相比,然后取其比值的对数,得到两时相遥感图像的差异影像图DI=log(I1/I2)。
步骤2,初始化种群,并设定参数。
由于原始灰度图像的灰度范围在0到255之间,灰度的取值有28种可能,故采用8位二进制编码方式初始化种群,随机产生8位二进制数码作为种群的个体,并设定最大迭代次数为50,当前迭代次数g为0,初始种群规模N为10。
步骤3,计算种群的亲合度,并对亲合度进行降序排序。
首先,用最佳阈值算法计算种群的亲合度,计算公式如下:
然后,照亲和度的值从大到小将个体进行排序。
步骤4,用克隆选择算法对种群进行如下操作,得到新一代种群,并保存种群中亲和度最大的个体。
(4a)依据亲合度和设定的抗体克隆规模对每个个体进行克隆操作,生成新个体,克隆规模和抗体-抗原的亲合度成正比,其中克隆规模为Ns=3(N-i)+5,i表示降序排序后亲合度对抗体种群的第i个排列序号,由克隆规模可以看出,若个体的亲合度越大,i就越小,克隆的规模就越大,其最终成为最优阈值的可能性也较大;
(4b)对生成的每个新个体进行单点变异操作,按照下式计算变异后的新个体的亲合度,并用亲合度最大的个体取代当前被克隆的个体生成新个体:
(4c)进行克隆选择操作产生新种群,找出种群中亲和度最大的个体并保存。
首先,对生成的每个新个体进行克隆选择操作,对克隆选择完成的整体种群进行亲合度计算,计算公式如下:
然后,将种群中的个体按照亲和度大小排序,找到当代亲和度最大的个体并保存。
步骤5,判断是否到达终止条件。
令当前迭代次数为g=g+1,若当前迭代次数达到最大迭代次数50,则到达终止条件,进行步骤(6),否则,返回步骤(3);
步骤6,对保存的每一代亲和度最大的个体进行亲合度大小排序,将亲合度最大值所对应的个体作为最优阈值。
步骤7,利用得到的最优阈值对差异影像图进行阈值分割,得到初始变化检测结果图。
首先,由于经过对数比值算子构造后的两时相遥感图像的差异影像图的数据分布有别于原始的灰度图像的数据分布,即原始灰度图像的数据范围在0到255之间分布,且属于整数,而差异影像图的数据却不在这个范围内,且不一定为整数。因而,在通过克隆选择的最佳熵阈值求出最优阈值后,还需要结合差异影像图的数据特征作一个转换,其转换公式如下:
其中,Cth表示原始灰度图像的克隆选择最佳熵阈值为一整数,且0≤Cth≤255,DImax和DImin分别表示差异影像图数据的最大值和最小值,DIth表示经过转换后对应差异影像图的最优阈值;
然后,用差异影像图各像素点的灰度与最优阈值相比较,若灰度大于或等于最优阈值,其像素点的灰度设为255,若灰度小于最优阈值,其像素点的灰度设为0,即可得到初始检测结果图二值图像A。
步骤8,对初始变化检测结果图用形态学方法进行优化,得到遥感图像的最终变化检测结果。
(8b)使用结构元素 对闭操作结果图像C进行开操作,得到最终变化检测结果二值图像
本发明的效果可通过以下仿真进一步说明:
1.仿真条件
本实例在Intel(R)Core(TM)2Duo CPU 2.33GHz Windows XP***下,Matlab7.0运行平台上,完成本发明以及K均值聚类KM、模糊C均值聚类FCM、KI阈值法、大津阈值法Ostu的变化检测仿真实验。
2.仿真实验内容与结果
A)用现有的KM、FCM、KI、Ostu方法和本发明CECD方法对如图2所示伯纳地区的2幅301×301SAR图像图2(a)和2(b)进行变化检测仿真,实际变化参考图如图2(c)所示,仿真结果如图6所示,其中,图6(a)表示KM方法的仿真结果图,图6(b)表示FCM方法的仿真结果图,图6(c)表示KI方法的仿真结果图,图6(d)表示Ostu方法的仿真结果图,图6(e)表示CECD方法的仿真结果图,白色区域代表变化部分,黑色区域代表不变部分。
B)用现有的KM、FCM、KI、Ostu方法和本发明CECD方法对如图3所示渥太华地区的2幅290×350SAR图像图3(a)和3(b)进行变化检测仿真,实际变化参考图如图3(c)所示,仿真结果如图7所示,其中,图7(a)表示KM方法的仿真结果图,图7(b)表示FCM方法的仿真结果图,图7(c)表示KI方法的仿真结果图,图7(d)表示Ostu方法的仿真结果图,图7(e)表示CECD方法的仿真结果图,白色区域代表变化部分,黑色区域代表不变部分。
C)用现有的KM、FCM、KI、Ostu方法和本发明CECD方法对如图4所示墨西哥地区的2幅512×512SAR图像图4(a)和4(b)进行变化检测仿真,实际变化参考图如图4(c)所示,仿真结果如图8所示,其中,图8(a)表示KM方法的仿真结果图,图8(b)表示FCM方法的仿真结果图,图8(c)表示KI方法的仿真结果图,图8(d)表示Ostu方法的仿真结果图,图8(e)表示CECD方法的仿真结果图,白色区域代表变化部分,黑色区域代表不变部分。
D)用现有的KM、FCM、KI、Ostu方法和本发明CECD方法对如图5所示撒丁岛地区的2幅412×300SAR图像图5(a)和5(b)进行变化检测仿真,实际变化参考图如图5(c)所示,仿真结果如图9所示,其中,图9(a)表示KM方法的仿真结果图,图9(b)表示FCM方法的仿真结果图,图9(c)表示KI方法的仿真结果图,图9(d)表示Ostu方法的仿真结果图,图9(e)表示CECD方法的仿真结果图,白色区域代表变化部分,黑色区域代表不变部分。
从图6、图7、图8和图9可以看出,本发明得到的仿真实验结果有较好的主观视觉效果,杂点较少,边缘平滑清晰。
E)对上述变化检测仿真实验的实验数据进行分析,变化检测结果的定量评价分析表如表1所示,其中,FN表示漏检个数,FP表示错检个数,OE表示总错误数。
表1变化检测结果的定量评价分析表
从表1可以看出,本发明在检测撒丁岛数据时比KM的漏检个数FN多36个,错检个数FP少33个,以致总错误数OE比KM方法多了3个像素点,同时也只比FCM方法的总错误数OE少3个像素点,这也许是因为撒丁岛数据几乎没有噪声影响的缘故,而在其余三组数据的检测中,本发明算法都比KM表现得较好,特别是伯纳数据。对比另外三个算法FCM、KI和Ostu,本发明算法的总错误数OE都是最低的。如对于伯纳数据和撒丁岛数据,虽然漏检个数FN较FCM和KI的高,但错检个数FP却比它们低了很多,综合起来总错误数也低很多。又如渥太华数据和墨西哥数据,本发明算法的错检个数FP虽然较KM、FCM和KI的高,但漏检个数FN却又比它们低了很多,因此总检测错误数OE最低,检测效果最好。对于Ostu方法,不论哪组实验数据,Ostu的错检个数FP总是最低,但实际上却是以极高的漏检个数FN为代价的,因此总检测错误数比本发明算法高了很多。
综上所述,本发明算法CECD较好地平衡了变化检测的错检个数和漏检个数,以达到最低的总检测错误数,应用于遥感图像的变化检测中较KM、FCM、KI和Ostu更为稳定和有效。
Claims (7)
1.一种基于克隆选择的最佳熵阈值的遥感图像变化检测方法,包括如下步骤:
(1)用对数比值算子构造两时相遥感图像的差异影像图DI;
(2)采用8位二进制编码方式初始化种群,并设定最大迭代次数为50,当前迭代次数g为0,初始种群规模N为10;
(3)利用最佳阈值算法计算种群的亲合度,并对亲合度进行降序排序;
(4)用克隆选择算法对种群进行如下操作,得到新一代种群;
(4a)依据亲合度和设定的抗体克隆规模对每个个体进行克隆操作,生成新个体,克隆规模和抗体-抗原的亲合度成正比,其中克隆规模为Ns=3(N-i)+5,i表示降序排序后亲合度对抗体种群的第i个排列序号;
(4b)对生成的每个新个体进行单点变异操作,计算变异后的新个体的亲合度并进行降序排序,用亲合度最大的个体取代当前被克隆的个体,生成新个体;
(4c)对生成的每个新个体进行克隆选择操作,对克隆选择完成的整体种群进行亲合度计算并降序排序,得到新种群,保存亲和度最大的个体;
(5)令当前迭代次数为g=g+1,若当前迭代次数达到最大迭代次数50,则进行步骤(6),否则,返回步骤(3);
(6)对保存的个体进行亲合度大小排序,亲合度最大值所对应的个体为最优阈值;
(7)利用得到的最优阈值对差异影像图进行阈值分割,得到初始变化检测结果图;
(8)对初始变化检测结果图用形态学方法进行优化,得到遥感图像的最终变化检测结果。
2.根据权利要求1所述的基于克隆选择的最佳熵阈值的遥感图像变化检测方法,其中步骤(1)用对数比值算子构造两时相遥感图像的差异影像图DI,采用如下公式进行:
DI=log(I1/I2),式中I1和I2分别表示两时相遥感图像。
6.根据权利要求1所述的基于克隆选择的最佳熵阈值的遥感图像变化检测方法,其中步骤(7)利用得到的最优阈值对差异影像图进行阈值分割,得到初始变化检测结果图,是用差异影像图各像素点的灰度与最优阈值相比较,若灰度大于或等于最优阈值,其像素点的灰度设为255,若灰度小于最优阈值,其像素点的灰度设为0,即可得到初始检测结果图二值图像A。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110359600.3A CN102509297B (zh) | 2011-11-14 | 2011-11-14 | 基于克隆选择的最佳熵阈值的遥感图像变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110359600.3A CN102509297B (zh) | 2011-11-14 | 2011-11-14 | 基于克隆选择的最佳熵阈值的遥感图像变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102509297A true CN102509297A (zh) | 2012-06-20 |
CN102509297B CN102509297B (zh) | 2014-09-17 |
Family
ID=46221375
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110359600.3A Expired - Fee Related CN102509297B (zh) | 2011-11-14 | 2011-11-14 | 基于克隆选择的最佳熵阈值的遥感图像变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102509297B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104881677A (zh) * | 2015-05-08 | 2015-09-02 | 北京师范大学 | 针对遥感影像地表覆盖分类的最优分割尺度确定方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101738607A (zh) * | 2009-12-07 | 2010-06-16 | 西安电子科技大学 | 基于聚类的高阶累量交叉熵的sar图像变化检测方法 |
CN101908213A (zh) * | 2010-07-16 | 2010-12-08 | 西安电子科技大学 | 基于量子免疫克隆的sar图像变化检测方法 |
CN101950364A (zh) * | 2010-08-30 | 2011-01-19 | 西安电子科技大学 | 基于邻域相似度和阈值分割的遥感图像变化检测方法 |
CN102163333A (zh) * | 2011-04-02 | 2011-08-24 | 西安电子科技大学 | 谱聚类的sar图像变化检测方法 |
-
2011
- 2011-11-14 CN CN201110359600.3A patent/CN102509297B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101738607A (zh) * | 2009-12-07 | 2010-06-16 | 西安电子科技大学 | 基于聚类的高阶累量交叉熵的sar图像变化检测方法 |
CN101908213A (zh) * | 2010-07-16 | 2010-12-08 | 西安电子科技大学 | 基于量子免疫克隆的sar图像变化检测方法 |
CN101950364A (zh) * | 2010-08-30 | 2011-01-19 | 西安电子科技大学 | 基于邻域相似度和阈值分割的遥感图像变化检测方法 |
CN102163333A (zh) * | 2011-04-02 | 2011-08-24 | 西安电子科技大学 | 谱聚类的sar图像变化检测方法 |
Non-Patent Citations (3)
Title |
---|
MAOGUO GONG,LINING ZHANG, LICHENG JIAO,WENPING MA: "DIFFERENTIAL IMMUNE CLONAL SELECTION ALGORITHM", 《PROCEEDINGS OF 2007 INTERNATIONAL SYMPOSIUM ON INTELLIGENT SIGNAL PROCESSING AND COMMUNICATION SYSTEMS》 * |
公茂果,焦李成,杜海峰,马文萍: "用于约束优化的人工免疫响应进化策略", 《计算机学报》 * |
刘若辰,贾建,赵梦玲,焦李成: "一种免疫记忆动态克隆策略算法", 《控制理论与应用》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104881677A (zh) * | 2015-05-08 | 2015-09-02 | 北京师范大学 | 针对遥感影像地表覆盖分类的最优分割尺度确定方法 |
CN104881677B (zh) * | 2015-05-08 | 2017-12-05 | 北京师范大学 | 针对遥感影像地表覆盖分类的最优分割尺度确定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102509297B (zh) | 2014-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103473786B (zh) | 基于多目标模糊聚类的灰度图像分割方法 | |
US9053393B2 (en) | Learning method and apparatus for pattern recognition | |
CN108229550B (zh) | 一种基于多粒度级联森林网络的云图分类方法 | |
CN101853392B (zh) | 基于条件互信息的遥感高光谱图像波段选择方法 | |
CN102542288B (zh) | 一种高光谱数据多特征空间构建与融合分类方法 | |
CN106250442A (zh) | 一种网络安全数据的特征选择方法及*** | |
CN108446616B (zh) | 基于全卷积神经网络集成学习的道路提取方法 | |
CN107341497A (zh) | 结合选择性升采样的不均衡数据流加权集成分类预测方法 | |
CN110826618A (zh) | 一种基于随机森林的个人信用风险评估方法 | |
CN112052755A (zh) | 基于多路注意力机制的语义卷积高光谱图像分类方法 | |
CN103714148B (zh) | 基于稀疏编码分类的sar图像检索方法 | |
CN105184260A (zh) | 一种图像特征提取方法及行人检测方法及装置 | |
CN108681742B (zh) | 用于分析司机驾驶行为对车辆能耗敏感性的分析方法 | |
CN114255403A (zh) | 基于深度学习的光学遥感图像数据处理方法及*** | |
CN103020321B (zh) | 近邻搜索方法与*** | |
CN112287980B (zh) | 基于典型特征向量的动力电池筛选方法 | |
CN104915679A (zh) | 一种基于随机森林加权距离的大规模高维数据分类方法 | |
CN107908807B (zh) | 一种基于贝叶斯理论的小子样可靠性评定方法 | |
CN104318515A (zh) | 基于nnia进化算法的高光谱图像波段降维方法 | |
Horzyk et al. | YOLOv3 precision improvement by the weighted centers of confidence selection | |
CN117789038B (zh) | 一种基于机器学习的数据处理与识别模型的训练方法 | |
CN107133643A (zh) | 基于多特征融合及特征选择的乐音信号分类方法 | |
CN114022782A (zh) | 一种基于modis卫星数据的海雾探测方法 | |
CN102509297B (zh) | 基于克隆选择的最佳熵阈值的遥感图像变化检测方法 | |
US20240160196A1 (en) | Hybrid model creation method, hybrid model creation device, and recording medium |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140917 Termination date: 20191114 |