CN104751185B - 基于均值漂移遗传聚类的sar图像变化检测方法 - Google Patents
基于均值漂移遗传聚类的sar图像变化检测方法 Download PDFInfo
- Publication number
- CN104751185B CN104751185B CN201510164484.8A CN201510164484A CN104751185B CN 104751185 B CN104751185 B CN 104751185B CN 201510164484 A CN201510164484 A CN 201510164484A CN 104751185 B CN104751185 B CN 104751185B
- Authority
- CN
- China
- Prior art keywords
- mrow
- image
- denoising
- differential image
- synthetic aperture
- 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.)
- Active
Links
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提出了一种基于均值漂移遗传聚类的SAR图像变化检测方法,其实现步骤为:(1)导入图像;(2)构造差异图像;(3)均值漂移滤波;(4)遗传模糊聚类;(5)分割差异图像;(6)输出结果。本发明既可以有效减少处于变化类和非变化类之间的区域对合成孔径雷达SAR图像变化检测结果的影响,抑制背合成孔径雷达SAR图像中的固有噪声,又结合了均值漂移滤波、模糊模糊聚类的局部最优和遗传算法的全局寻优能力,加快了算法的收敛速度,减少检测结果中的漏检信息,具有较高的变化检测精度。
Description
技术领域
本发明属于图像处理技术领域,更进一步涉及图像变化检测技术领域中的一种基于均值漂移遗传聚类的合成孔径雷达(Synthetic Aperture Radar,SAR)图像变化检测方法。本发明可应用于湖泊水位的动态检测、农作物生长状态的动态检测、城区规划、军事侦察等领域,检测地物随时间发生的变化。
背景技术
SAR图像变化检测是通过分析同一地区不同时刻的多幅SAR图像,利用差异图像的灰度值将图像分为变化区域和不变区域,检测出该地区地物随时间发生变化的信息。合成孔径雷达SAR具有全天候、全天时的特点,不受天气影响,并具有一定的穿透能力,是很好的变化检测图像源,研究SAR图像变化检测技术有着非常广阔的应用前景。
模糊C均值聚类是一种应用最为广泛的基于聚类的变化检测方法,近年来,一系列基于模糊C均值聚类改进的方法被提出。Maoguo Gong,Zhiqiang Zhou,and Jingjing Ma在论文“Change Detection in Synthetic Aperture Radar Images based on ImageFusion and Fuzzy Clustering”(IEEE Transactions on Image Processing,2012,21(4):2141-2151)中提出了一种基于改进的FLICM(the reformulated FLICM,RFLICM)SAR图像变化检测方法,与已有的基于模糊C均值聚类的变化检测方法相比,该方法更精确的解决了图像的变化检测问题,但是,RFLICM在精确度和运算速度上仍有待改进。首先,RFLICM随机选取初始聚类中心,导致了该方法对聚类初始中心点十分敏感,而且,RFLICM是以目标函数作为基准点来进行聚类的,因此容易陷入局部最优。
西安电子科技大学在其申请的专利“一种基于遗传核模糊聚类的SAR图像变化检测方法”(专利申请号:201410497802.8,公开号:CN104268574A)中公开了一种遗传核模糊聚类SAR图像变化检测方法。该方法对两幅SAR图像求差异图和灰度矩阵,使用遗传模糊聚类获得种群,根据种群计算分割阈值,并根据分割阈值完成对差异图的分割,得到变化检测的结果。该方法结合了遗传算法的全局搜索能力和核模糊聚类算法的局部搜索能力,加快了算法的收敛速度速度,有效减小了算法的运算速度。但是该方法仍然存在的不足之处是,难以选择合适的核函数,且不能很好的去除SAR图像中的固有噪声,对噪声点敏感,降低了变化检测的精度。
王浩然在其申请的专利“基于非局部均值的SAR图像变化检测方法”(专利申请号:201310529323.5,公开号:CN103927737A)中公开了一种基于非均值滤波SAR图像变化检测方法。该方法包括对同一地域不同时间获取的两幅SAR图像进行预处理;利用预处理后两幅SAR图像构造比值差异影像图;遍历比值差异影像图每个像素,计算每个像素点的平滑指数矩阵;对预处理后两幅SAR图像分别进行非局部均值滤波后作比值运算得非局部均值滤波比值图;用平滑指数作为权重,将比值差异影像图和非局部均值滤波比值图像求和得到最终的差异影像图;运用模糊局部C均值聚类法分割该最终的差异影像图得到变化检测结果图。该方法虽然有效抑制了噪声,更好地表现真实变化信息,提高了变化检测结果精确度。但是仍然存在的不足之处是,完成不同像素点之间的相似度计算以及搜索会耗费大量的计算时间,时间复杂度高,且不能有效减少处于变化类和非变化类之间的区域对变化检测结果的影响,降低了变化检测的精度。
发明内容
本发明的目的在于克服上述已有技术的不足,提出了一种基于均值漂移遗传聚类的SAR图像变化检测方法。结合了均值漂移滤波、模糊聚类算法的局部最优和遗传算法的全局寻优能力,很好地去除合成孔径雷达SAR图像中的固有噪声,减少了检测结果中的漏检信息,具有较高的变化检测精度,加快了算法的收敛速度。
本发明实现上述目的的思路是:在构造完差异图像后,首先对差异图像进行均值漂移滤波,得到去噪后差异图像,其次对去噪后差异图像进行模糊遗传聚类,得到去噪后差异图像的聚类中心,然后利用去噪后差异图像的聚类中心得到分割阈值,对去噪后差异图像进行分割,得到合成孔径雷达SAR图像的变化检测结果图。
为了实现上述目的,本发明的具体实现步骤如下:
一种基于均值漂移遗传聚类的SAR图像变化检测方法,包括如下步骤:
(1)导入图像:
导入同一地区、不同时刻获取的两幅大小相同的合成孔径雷达SAR图像;
(2)构造差异图像:
(2a)计算两幅合成孔径雷达SAR图像的邻域差值图像;
(2b)计算两幅合成孔径雷达SAR图像的邻域比值图像;
(2c)计算两幅合成孔径雷达SAR图像的邻域差值图像和两幅合成孔径雷达SAR图像的邻域比值图像融合后的归一化差异图像;
(3)均值漂移滤波:
(3a)利用核密度估计方法,得到两幅合成孔径雷达SAR图像的邻域差值图像和两幅合成孔径雷达SAR图像的邻域比值图像融合后的差异图像每个像素点的核密度值;
(3b)将融合后的归一化差异图像每个像素点的灰度值与步骤(3a)得到融合后的差异图像的每个像素点的核密度值作减法运算,并对减法运算结果取绝对值;
(3c)判断绝对值是否小于设定的阈值,若是,则执行步骤(3d);否则,执行步骤(3a);
(3d)将绝对值作为差异图像的像素点灰度值,得到去噪后差异图像;
(4)遗传模糊聚类:
(4a)初始化去噪后差异图像的第一代种群;
(4b)按照下式,计算去噪后差异图像的第一代种群全局划分指标:
其中,J(t)表示去噪后差异图像的的第一代种群全局划分指标,t表示去噪后差异图像的第一代种群的进化次数,Σ表示求和操作,i表示去噪后差异图像的聚类中心中的第i个类的序号,c表示去噪后差异图像的聚类个数,j表示去噪后差异图像的第j个像素点的序号,n表示去噪后差异图像总像素点个数,μij表示去噪后差异图像的第j个像素点隶属于去噪后差异图像的聚类中心中第i类的隶属度,μij取值范围为[0,1],且必须满足的约束条件,m表示模糊指数因子,m为取值大于1的正数,dij 2表示去噪后差异图像的第j个像素点到去噪后差异图像的聚类中心中第i类的距离,H(j)表示融合后的归一化差异图像的第j个像素点的灰度值;
(4c)按照下式,计算去噪后差异图像的第一代种群的个体适应度:
其中,f(t)表示去噪后差异图像的第一代种群的个体适应度,t表示去噪后差异图像的第一代种群的进化次数,J(t)表示去噪后差异图像的全局划分指标;
(4d)采用遗传操作获得去噪后差异图像的下一代种群;
(4e)按照步骤(4c)中的方法计算去噪后差异图像的下一代种群中每个个体的适应度;
(4f)判断去噪后差异图像的下一代种群是否稳定,若是,则执行步骤(4g);否则,执行步骤(4d);
(4g)计算去噪后差异图像的下一代种群的适应度最大值;
(4h)将去噪后差异图像的下一代种群的适应度最大值的个体作为去噪后差异图像的聚类中心;
(5)分割差异图像:
(5a)按照下式,计算去噪后差异图像的隶属度矩阵的元素:
其中,μij表示去噪后差异图像的隶属度矩阵的元素,i表示去噪后差异图像的聚类中心中第i个类的序号,j表示去噪后差异图像的第j个像素点的序号,Σ表示求和操作,k表示去噪后差异图像聚类中心中第k个类的序号,c表示去噪后差异图像的聚类个数,||·||表示求欧式距离操作,Yj表示去噪后差异图像的第j个像素点灰度值,Vi表示去噪后差异图像的第i个聚类中心,dkj 2表示去噪后差异图像的第j个像素点到去噪后差异图像第k类的聚类中心距离,m表示模糊指数因子,m为取值大于1的正数;
(5b)求去噪后差异图像的隶属度矩阵所有元素最小值所在的行数;
(5c)将步骤(5b)获得的最小值所在的行数作为去噪后差异图像的分割阈值;
(5d)判断去噪后差异图像每个像素点的灰度值是否小于去噪后差异图像的分割阈值,若是,执行步骤(5e);否则,执行步骤(5f);
(5e)将小于去噪后差异图像的分割阈值像素点,归为去噪后差异图像的非变化类;
(5f)将大于等于去噪后差异图像的分割阈值像素点,归为去噪后差异图像的变化类;
(6)输出结果:
对得到的去噪后差异图像的非变化类和去噪后差异图像的变化类,得到两幅合成孔径雷达SAR图像的变化检测的结果图。
本发明与现有技术相比具有以下优点:
第一,由于本发明在构造差异图像的过程中,采用了对两幅合成孔径雷达SAR图像的邻域差值图像和两幅合成孔径雷达SAR图像的邻域比值图像进行融合的方法,很大程度地抑制了背景信息,且抑制了斑点噪声,有效减少了处于变化类和非变化类之间的区域对合成孔径雷达SAR图像变化检测结果的影响,克服了现有技术对处于变化类和非变化类之间的区域存在较多漏检信息的缺点,使得本发明提高了合成孔径SAR图像变化检测的精度。
第二,由于本发明在均值漂移滤波的过程中,采用核密度估计方法计算两幅合成孔径雷达SAR图像的邻域差值图像和两幅合成孔径雷达SAR图像的邻域比值图像融合后的差异图像每个像素点的核密度值,抑制了合成孔径SAR图像中的固有噪声,克服了现有技术对噪声点敏感的缺点,使得本发明的鲁棒性得到了提高。
第三,由于本发明在遗传模糊聚类的过程中,采用了遗传操作,加快了算法的收敛速度,克服了现有技术耗费大量的计算时间且存在较多漏检信息的缺点,使得本发明提高了合成孔径雷达SAR图像变化检测的精度。
附图说明
图1为本发明的流程图;
图2为本发明的仿真图。
具体实施方式
下面结合附图,对本发明的步骤做进一步的详细描述。
参照附图1,本发明的具体步骤如下。
步骤1,导入图像。
导入同一地区、不同时刻获取的两幅大小相同的合成孔径雷达SAR图像。
步骤2,构造差异图像。
按照下式,计算两幅合成孔径雷达SAR图像的邻域差值图像:
其中,S表示两幅合成孔径雷达SAR图像的邻域差值图像,|·|表示求绝对值操作,Σ表示求和操作,X1(i,j)表示第一幅合成孔径雷达SAR图像在i、j位置上所对应的像素点邻域集合,X2(i,j)表示第二幅合成孔径雷达SAR图像在i、j位置上所对应的像素点邻域集合,H表示两幅合成孔径雷达SAR图像邻域的边长,其取值为3。
按照下式,计算两幅合成孔径雷达SAR图像的邻域比值图像:
其中,R表示两幅合成孔径雷达SAR图像的邻域比值图像,i表示两幅合成孔径雷达SAR图像同处于第i个像素点的序号,L表示两幅合成孔径雷达SAR图像邻域的边长,L取值为3,Σ表示求和操作,min表示求最小值操作,N1(i)表示第一幅合成孔径雷达SAR图像第i个像素点的邻域集合,N2(i)表示第二幅合成孔径雷达SAR图像第i个像素点的邻域集合,max表示求最大值操作。
按照下式,计算两幅合成孔径雷达SAR图像的邻域差值图像和两幅合成孔径雷达SAR图像的邻域比值图像融合后的差异图像:
其中,X(x,y)表示,x、y表示两幅合成孔径雷达SAR图像的邻域差值图像聚类中心的位置,i、j表示两幅合成孔径雷达SAR图像的邻域差值图像的邻域集合的中心像素点位置,∈表示取集合元素操作,Mx,y表示两幅合成孔径雷达SAR图像的邻域差值图像的邻域集合,两幅合成孔径雷达SAR图像的邻域差值图像的邻域边长大小为L,L取值为7,Σ表示求和操作,exp表示指数操作,|·|表示求绝对值操作,h(i,j)表示两幅合成孔径雷达SAR图像的邻域差值图像在i、j位置上所对应的像素点灰度值,h(x,y)表示两幅合成孔径雷达SAR图像的邻域差值图像在x、y位置上所对应的像素点灰度值,δ表示调整参数,其取值为1,d表示两幅合成孔径雷达SAR图像的邻域差值图像中i、j位置到两幅合成孔径雷达SAR图像的邻域差值图像聚类中心位置x、y的欧氏距离,μ表示调整参数,其取值为1,R(i,j)表示两幅合成孔径雷达SAR图像的邻域比值图像在i、j位置上所对应的像素点灰度值。
利用线性函数法,对两幅合成孔径雷达SAR图像的邻域差值图像和两幅合成孔径雷达SAR图像的邻域比值图像融合后的差异图像进行归一化处理,得到融合后的归一化差异图像每个像素点的灰度值。
步骤3,均值漂移滤波。
第1步,利用核密度估计方法,得到两幅合成孔径雷达SAR图像的邻域差值图像和两幅合成孔径雷达SAR图像的邻域比值图像融合后的差异图像每个像素点的核密度值。
第2步,将融合后的归一化差异图像每个像素点的灰度值与融合后的差异图像的每个像素点的核密度值作减法运算,并对减法运算结果取绝对值。
第3步,判断绝对值是否小于设定的阈值,若是,则执行本步骤的第4步;否则,执行本步骤的第1步。
第4步,将绝对值作为差异图像的像素点灰度值,得到去噪后差异图像。
步骤4,遗传模糊聚类。
第1步,初始化去噪后差异图像的第一代种群,将去噪后差异图像的第一代种群的聚类中心个数即去噪后差异图像的聚类个数设定为2、种群个体数目设定为30、最大进化次数设定为100、终止条件阈值范围设定为10-8,将随机选择去噪后差异图像的像素点灰度值,作为去噪后差异图像的初始聚类中心值。
第2步,按照下式,计算去噪后差异图像的第一代种群全局划分指标:
其中,J(t)表示去噪后差异图像的的第一代种群全局划分指标,t表示去噪后差异图像的第一代种群的进化次数,Σ表示求和操作,i表示去噪后差异图像的聚类中心中的第i个类的序号,c表示去噪后差异图像的聚类个数,j表示去噪后差异图像的第j个像素点的序号,n表示去噪后差异图像总像素点个数,μij表示去噪后差异图像的第j个像素点隶属于去噪后差异图像的聚类中心中第i类的隶属度,μij取值范围为[0,1],且必须满足的约束条件,m表示模糊指数因子,m取值为2,dij 2表示去噪后差异图像的第j个像素点到去噪后差异图像的聚类中心中第i类的距离,H(j)表示融合后的归一化差异图像的第j个像素点的灰度值。
第3步,按照下式,计算去噪后差异图像的第一代种群的个体适应度:
其中,f(t)表示去噪后差异图像的第一代种群的个体适应度,t表示去噪后差异图像的第一代种群的进化次数,J(t)表示去噪后差异图像的全局划分指标。
第4步,采用行遗传算法的选择、交叉和变异操作,获得去噪后差异图像的下一代种群。
第5步,按照第3步的方法计算去噪后差异图像的下一代种群中每个个体的适应度。
第6步,判断去噪后差异图像的下一代种群是否稳定,若是,则执行本步骤的第7步;否则,执行本步骤的第4步。
第7步,计算去噪后差异图像的下一代种群的适应度最大值。
第8步,将去噪后差异图像的下一代种群的适应度最大值的个体作为去噪后差异图像的聚类中心。
步骤5,分割差异图像。
第1步,按照下式,计算去噪后差异图像的隶属度矩阵的元素:
其中,μij表示去噪后差异图像的隶属度矩阵的元素,i表示去噪后差异图像的聚类中心中第i个类的序号,j表示去噪后差异图像的第j个像素点的序号,Σ表示求和操作,k表示去噪后差异图像聚类中心中第k个类的序号,c表示去噪后差异图像的聚类个数,||·||表示求欧式距离操作,Yj表示去噪后差异图像的第j个像素点灰度值,Vi表示去噪后差异图像的第i个聚类中心,dkj 2表示去噪后差异图像的第j个像素点到去噪后差异图像第k类的聚类中心距离,m表示模糊指数因子,m取值为2。
第2步,求去噪后差异图像的隶属度矩阵所有元素最小值所在的行数。
第3步,将噪后差异图像的隶属度矩阵所有元素最小值所在的行数作为去噪后差异图像的分割阈值。
第4步,判断去噪后差异图像每个像素点的灰度值是否小于去噪后差异图像的分割阈值,若是,则执行本步骤的第5步;否则,执行本步骤的第6步。
第5步,将小于去噪后差异图像的分割阈值像素点,归为去噪后差异图像的非变化类。
第6步,将大于等于去噪后差异图像的分割阈值像素点,归为去噪后差异图像的变化类。
步骤6,输出结果。
对得到的去噪后差异图像的非变化类和去噪后差异图像的变化类,然后对去噪后差异图像的像素依据分类的结果进行二值化,得到两幅合成孔径雷达SAR图像的变化检测的结果图。
下面结合附图2对本发明的仿真结果做进一步的描述。
1.仿真环境:
本发明的仿真是在计算机配置为core 22.26GHZ,内存1G,WINDOWS XP***和计算机软件配置为MATLAB 2010环境下进行的。
2.仿真内容:
本发明仿真所用数据为两组合成孔径雷达SAR图像数据集。第一组合成孔径SAR图像数据集是英国Feltwell村庄农田区的合成孔径雷达SAR图像,两幅图大小均为470×335像素,两幅图像之间发生的变化是由通过模拟地球的天气变化和电磁波的辐射特性等因素影响并人工的嵌入一些变化信息所引起的。第二组数据集是瑞士Bern地区合成孔径雷达SAR图像,两幅图像的大小均为301×301像素,两幅图像之间发生的变化是由于Bern郊区附近水灾引起的。
附图2(a)为第一组合成孔径雷达SAR图像数据集采用模糊C均值变化检测方法的结果图。附图2(b)为第一组合成孔径雷达SAR图像数据集采用FLICM变化检测方法的结果图。附图2(c)为第一组合成孔径雷达SAR图像数据集采用RFLICM变化检测方法的结果图。附图2(d)为第一组合成孔径雷达SAR图像数据集采用本发明的结果图。附图2(e)为第二组合成孔径雷达SAR图像数据集采用模糊C均值变化检测方法的结果图。附图2(f)为第二组合成孔径雷达SAR图像数据集采用FLICM变化检测方法的结果图。附图2(g)为第二组合成孔径雷达SAR图像数据集采用RFLICM变化检测方法的结果图。附图2(h)为第二组合成孔径雷达SAR图像数据集采用本发明的结果图。八幅结果图中的白色区域均为变化区域,黑色区域均为非变化区域。
3.仿真结果分析:
观察附图2(a)的白色区域,可以看出采用现有技术的模糊C均值合成孔径雷达SAR图像变化检测方法,对第一组合成孔径雷达SAR图像的变化检测结果存在较多的噪声。
观察附图2(b)的白色区域,可以看出采用现有技术的模糊局部信息C均值FLICM合成孔径雷达SAR图像变化检测方法,对第一组合成孔径雷达SAR图像的变化检测结果,相比附图2(a)采用现有技术的模糊C均值合成孔径雷达SAR图像变化检测方法有了改进,但是还存在很多的误检信息。
观察附图2(c)的白色区域,可以看出采用现有技术的改进的模糊局部信息C均值FLICM合成孔径雷达SAR图像变化检测方法,对第一组合成孔径雷达SAR图像的变化检测结果,相比附图2(a)和附图(2b)的合成孔径雷达SAR图像变化检测结果均有改进,但是平滑了变化区域的边缘信息,还存在一些误检信息。
对比附图2(d)和附图2(a)、附图2(b)、附图2(c)中的白色区域,可以看出由于本发明采用了均值漂移滤波,有效抑制了合成孔径雷达SAR图像的固有噪声,又结合了模糊聚类的局部最优和遗传算法的全局寻优能力,加快了算法的收敛速度,减少检测结果中的漏检信息,具有最高的变化检测精度。
观察附图2(e)的白色区域,可以看出采用现有技术的模糊C均值合成孔径雷达SAR图像变化检测方法,对第二组合成孔径雷达SAR图像的变化检测结果存在较多的误检信息。
观察附图2(f)的白色区域,可以看出采用现有技术的模糊局部信息C均值FLICM合成孔径雷达SAR图像变化检测方法,对第二组合成孔径雷达SAR图像的变化检测结果,相比采用现有技术的附图2(e)的模糊C均值合成孔径雷达SAR图像变化检测方法有了改进,但是还存在较多的误检信息。
观察附图2(g)的白色区域,可以看出采用现有技术的改进的模糊局部信息C均值FLICM合成孔径雷达SAR图像变化检测方法,对第二组合成孔径雷达SAR图像的变化检测结果相比附图2(e)和附图(2f)的合成孔径雷达SAR图像变化检测结果均有改进,但是平滑了变化区域的边缘信息,还存在一些漏检信息。
对比附图2(h)和附图2(e)、附图2(f)、附图2(g)中的白色区域,可以看出由于本发明采用了均值漂移滤波,有效抑制了合成孔径雷达SAR图像的固有噪声,又结合了模糊聚类的局部最优和遗传算法的全局寻优能力,加快了算法的收敛速度,减少检测结果中的漏检信息,具有最高的变化检测精度。
在两组合成孔径雷达SAR图像数据集上,运用本发明的基于均值漂移遗传聚类的SAR图像变化检测方法和现有技术的模糊C均值、模糊局部信息C均值FLICM、改进的模糊局部信息C均值RFLICM合成孔径雷达SAR图像变化检测方法,对两组合成孔径雷达SAR图像变化检测的结果,计算两组合成孔径雷达SAR图像变化检测的漏检数,误检数,总错误数和计算时间。其中,漏检数为实际发生了变化但没有检测出来的像素,误检数为实际没有发生变化但被检测为变换的像素,总错误数=漏检数+误检数。计算时间为运用上述四种方法得到合成孔径雷达SAR图像变化检测结果图的时间。
本发明的效果可以通过仿真实验获得的表1中的漏检数,误检数,总错误数和计算时间四个指标评价变化检测方法的好坏。
通过表1,对比现有技术的的模糊C均值、模糊局部信息C均值FLICM、改进的模糊局部信息C均值RFLICM合成孔径雷达SAR图像变化检测方法和本发明基于均值漂移遗传聚类的SAR图像变化检测方法,可以看出对两组合成孔径雷达SAR图像数据集的变化检测结果均具有最少的误检数和总错误数,具有较少的漏检数和较少的计算时间,即具有最高的变化检测精度。
表1两组合成孔径雷达SAR图像变化检测结果评价指标
Claims (5)
1.一种基于均值漂移滤波和遗传聚类的SAR图像变化检测方法,包括如下步骤:
(1)导入图像:
导入同一地区、不同时刻获取的两幅大小相同的合成孔径雷达SAR图像;
(2)构造差异图像:
(2a)计算两幅合成孔径雷达SAR图像的邻域差值图像;
(2b)计算两幅合成孔径雷达SAR图像的邻域比值图像;
(2c)计算两幅合成孔径雷达SAR图像的邻域差值图像和两幅合成孔径雷达SAR图像的邻域比值图像融合后的归一化差异图像;
(3)均值漂移滤波:
(3a)利用核密度估计方法,得到两幅合成孔径雷达SAR图像的邻域差值图像和两幅合成孔径雷达SAR图像的邻域比值图像融合后的差异图像每个像素点的核密度值;
(3b)将融合后的归一化差异图像每个像素点的灰度值与步骤(3a)得到融合后的差异图像的每个像素点的核密度值作减法运算,并对减法运算结果取绝对值;
(3c)判断绝对值是否小于设定的阈值,若是,则执行步骤(3d);否则,执行步骤(3a);
(3d)将绝对值作为差异图像的像素点灰度值,得到去噪后差异图像;
(4)遗传模糊聚类:
(4a)初始化去噪后差异图像的第一代种群;
(4b)按照下式,计算去噪后差异图像的第一代种群全局划分指标:
<mrow>
<mi>J</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>c</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>n</mi>
</munderover>
<msubsup>
<mi>&mu;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>m</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<msup>
<msub>
<mi>d</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mn>2</mn>
</msup>
<mi>H</mi>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中,J(t)表示去噪后差异图像的的第一代种群全局划分指标,t表示去噪后差异图像的第一代种群的进化次数,∑表示求和操作,i表示去噪后差异图像的聚类中心中的第i个类的序号,c表示去噪后差异图像的聚类个数,j表示去噪后差异图像的第j个像素点的序号,n表示去噪后差异图像总像素点个数,μij表示去噪后差异图像的第j个像素点隶属于去噪后差异图像的聚类中心中第i类的隶属度,μij取值范围为[0,1],且必须满足的约束条件,m表示模糊指数因子,m为取值大于1的正数,dij 2表示去噪后差异图像的第j个像素点到去噪后差异图像的聚类中心中第i类的距离,H(j)表示融合后的归一化差异图像的第j个像素点的灰度值;
(4c)按照下式,计算去噪后差异图像的第一代种群的个体适应度:
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<mi>J</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
其中,f(t)表示去噪后差异图像的第一代种群的个体适应度,t表示去噪后差异图像的第一代种群的进化次数,J(t)表示去噪后差异图像的全局划分指标;
(4d)采用遗传操作获得去噪后差异图像的下一代种群;
(4e)按照步骤(4c)中的方法计算去噪后差异图像的下一代种群中每个个体的适应度;
(4f)判断去噪后差异图像的下一代种群是否稳定,若是,则执行步骤(4g);否则,执行步骤(4d);
(4g)计算去噪后差异图像的下一代种群的适应度最大值;
(4h)将去噪后差异图像的下一代种群的适应度最大值的个体作为去噪后差异图像的聚类中心;
(5)分割差异图像:
(5a)按照下式,计算去噪后差异图像的隶属度矩阵的元素:
<mrow>
<msub>
<mi>&mu;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>c</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>Y</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<msub>
<mi>V</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<msup>
<msub>
<mi>d</mi>
<mrow>
<mi>k</mi>
<mi>j</mi>
</mrow>
</msub>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mfrac>
<mn>1</mn>
<mrow>
<mi>m</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mfrac>
</msup>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>;</mo>
</mrow>
其中,μij表示去噪后差异图像的隶属度矩阵的元素,i表示去噪后差异图像的聚类中心中第i个类的序号,j表示去噪后差异图像的第j个像素点的序号,∑表示求和操作,k表示去噪后差异图像聚类中心中第k个类的序号,c表示去噪后差异图像的聚类个数,||·||表示求欧式距离操作,Yj表示去噪后差异图像的第j个像素点灰度值,Vi表示去噪后差异图像的第i个聚类中心,dkj 2表示去噪后差异图像的第j个像素点到去噪后差异图像第k类的聚类中心距离,m表示模糊指数因子,m为取值大于1的正数;
(5b)求去噪后差异图像的隶属度矩阵所有元素最小值所在的行数;
(5c)将步骤(5b)获得的最小值所在的行数作为去噪后差异图像的分割阈值;
(5d)判断去噪后差异图像每个像素点的灰度值是否小于去噪后差异图像的分割阈值,若是,执行步骤(5e);否则,执行步骤(5f);
(5e)将小于去噪后差异图像的分割阈值像素点,归为去噪后差异图像的非变化类;
(5f)将大于等于去噪后差异图像的分割阈值像素点,归为去噪后差异图像的变化类;
(6)输出结果:
对得到的去噪后差异图像的非变化类和去噪后差异图像的变化类,得到两幅合成孔径雷达SAR图像的变化检测的结果图。
2.根据权利要求1所述的基于均值漂移滤波和遗传聚类的SAR图像变化检测方法,其特征在于:步骤(2a)所述的两幅合成孔径雷达SAR图像的邻域差值图像的计算公式如下:
<mrow>
<mi>S</mi>
<mo>=</mo>
<mn>255</mn>
<mo>-</mo>
<mfrac>
<mrow>
<mo>|</mo>
<msub>
<mi>&Sigma;X</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>&Sigma;X</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
<mrow>
<mi>H</mi>
<mo>&times;</mo>
<mi>H</mi>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
其中,S表示两幅合成孔径雷达SAR图像的邻域差值图像,|·|表示求绝对值操作,∑表示求和操作,X1(i,j)表示第一幅合成孔径雷达SAR图像在(i,j)位置上所对应的像素点邻域集合,X2(i,j)表示第二幅合成孔径雷达SAR图像在(i,j)位置上所对应的像素点邻域集合,H表示两幅合成孔径雷达SAR图像邻域的边长,其取值范围为H∈{3,5}。
3.根据权利要求1所述的基于均值漂移滤波和遗传聚类的SAR图像变化检测方法,其特征在于:步骤(2b)所述的两幅合成孔径雷达SAR图像的邻域比值图像的计算公式如下:
<mrow>
<mi>R</mi>
<mo>=</mo>
<mn>255</mn>
<mo>&times;</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>L</mi>
<mo>&times;</mo>
<mi>L</mi>
</mrow>
</munderover>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mo>{</mo>
<msub>
<mi>N</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<msub>
<mi>N</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>}</mo>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>L</mi>
<mo>&times;</mo>
<mi>L</mi>
</mrow>
</munderover>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mo>{</mo>
<msub>
<mi>N</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<msub>
<mi>N</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>}</mo>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
其中,R表示两幅合成孔径雷达SAR图像的邻域比值图像,p表示两幅合成孔径雷达SAR图像同处于第p个像素点的序号,L表示两幅合成孔径雷达SAR图像邻域的边长,L∈{3,5},∑表示求和操作,min表示求最小值操作,N1(p)表示第一幅合成孔径雷达SAR图像第p个像素点的邻域集合,N2(p)表示第二幅合成孔径雷达SAR图像第p个像素点的邻域集合,max表示求最大值操作。
4.根据权利要求1所述的基于均值漂移滤波和遗传聚类的SAR图像变化检测方法,其特征在于:步骤(2c)所述的计算两幅合成孔径雷达SAR图像的邻域差值图像和两幅合成孔径雷达SAR图像的邻域比值图像融合后的归一化差异图像的具体步骤如下:
第一步,按照下式,计算两幅合成孔径雷达SAR图像的邻域差值图像和两幅合成孔径雷达SAR图像的邻域比值图像融合后的差异图像:
<mrow>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
<mo>&Element;</mo>
<msub>
<mi>M</mi>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
</msub>
</mrow>
</munder>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mn>2</mn>
<msup>
<mi>&delta;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>+</mo>
<mfrac>
<msup>
<mi>d</mi>
<mn>2</mn>
</msup>
<mrow>
<mn>2</mn>
<msup>
<mi>&mu;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mn>2</mn>
<msup>
<mi>&delta;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>+</mo>
<mfrac>
<msup>
<mi>d</mi>
<mn>2</mn>
</msup>
<mrow>
<mn>2</mn>
<msup>
<mi>&mu;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
其中,X(x,y)表示,(x,y)表示两幅合成孔径雷达SAR图像的邻域差值图像聚类中心的位置,(i,j)表示两幅合成孔径雷达SAR图像的邻域差值图像的邻域集合的中心像素点位置,∈表示取集合元素操作,Mx,y表示两幅合成孔径雷达SAR图像的邻域差值图像的邻域集合,两幅合成孔径雷达SAR图像的邻域差值图像的邻域边长大小为L,L∈{7,11},∑表示求和操作,exp表示指数操作,|·|表示求绝对值操作,h(i,j)表示两幅合成孔径雷达SAR图像的邻域差值图像在(i,j)位置上所对应的像素点灰度值,h(x,y)表示两幅合成孔径雷达SAR图像的邻域差值图像在(x,y)位置上所对应的像素点灰度值,δ表示调整参数,其取值范围为(0,100],d表示两幅合成孔径雷达SAR图像的邻域差值图像中(i,j)位置到两幅合成孔径雷达SAR图像的邻域差值图像聚类中心位置(x,y)的欧氏距离,μ表示调整参数,其取值范围为(0,100],R(i,j)表示两幅合成孔径雷达SAR图像的邻域比值图像在(i,j)位置上所对应的像素点灰度值;
第二步,利用线性函数法,对两幅合成孔径雷达SAR图像的邻域差值图像和两幅合成孔径雷达SAR图像的邻域比值图像融合后的差异图像进行归一化处理,得到融合后的归一化差异图像每个像素点的灰度值。
5.根据权利要求1所述的基于均值漂移滤波和遗传聚类的SAR图像变化检测方法,其特征在于:步骤(4a)所述的初始化是指,将去噪后差异图像的第一代种群的聚类中心个数设定为2、种群个体数目设定为30、最大进化次数设定为100、终止条件阈值设定为10-8,将随机选择去噪后差异图像的像素点灰度值,作为去噪后差异图像的初始聚类中心值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510164484.8A CN104751185B (zh) | 2015-04-08 | 2015-04-08 | 基于均值漂移遗传聚类的sar图像变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510164484.8A CN104751185B (zh) | 2015-04-08 | 2015-04-08 | 基于均值漂移遗传聚类的sar图像变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104751185A CN104751185A (zh) | 2015-07-01 |
CN104751185B true CN104751185B (zh) | 2017-11-21 |
Family
ID=53590838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510164484.8A Active CN104751185B (zh) | 2015-04-08 | 2015-04-08 | 基于均值漂移遗传聚类的sar图像变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104751185B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106097290A (zh) * | 2016-06-03 | 2016-11-09 | 西安电子科技大学 | 基于nmf图像融合的sar图像变化检测方法 |
CN106709928B (zh) * | 2016-12-22 | 2019-12-10 | 湖北工业大学 | 一种快速的含噪图像二维最大类间方差阈值法 |
CN107301644B (zh) * | 2017-06-09 | 2019-10-08 | 西安电子科技大学 | 基于均值漂移和模糊聚类的自然图像无监督分割方法 |
CN107389516B (zh) * | 2017-07-17 | 2019-10-29 | 江苏锡沂高新区科技发展有限公司 | 一种高效的工厂车间粉尘监测*** |
CN107423771B (zh) * | 2017-08-04 | 2020-04-03 | 河海大学 | 一种两时相遥感图像变化检测方法 |
CN109194305B (zh) * | 2018-08-20 | 2021-07-13 | 电子科技大学 | 基于密度估计的数字化仪均值滤波方法 |
CN111340792B (zh) * | 2020-03-05 | 2022-04-12 | 宁波市测绘和遥感技术研究院 | 一种遥感影像变化检测方法 |
CN113408370B (zh) * | 2021-05-31 | 2023-12-19 | 西安电子科技大学 | 基于自适应参数遗传算法的森林变化遥感检测方法 |
CN116563312B (zh) * | 2023-07-11 | 2023-09-12 | 山东古天电子科技有限公司 | 一种用于双屏机显示图像分割方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN102800107A (zh) * | 2012-07-06 | 2012-11-28 | 浙江工业大学 | 一种基于改进最小交叉熵的运动目标检测方法 |
CN103366365A (zh) * | 2013-06-18 | 2013-10-23 | 西安电子科技大学 | 基于人工免疫多目标聚类的sar图像变化检测方法 |
CN103971362A (zh) * | 2013-12-24 | 2014-08-06 | 西安电子科技大学 | 基于直方图和精英遗传聚类算法的sar图像变化检测 |
-
2015
- 2015-04-08 CN CN201510164484.8A patent/CN104751185B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN102800107A (zh) * | 2012-07-06 | 2012-11-28 | 浙江工业大学 | 一种基于改进最小交叉熵的运动目标检测方法 |
CN103366365A (zh) * | 2013-06-18 | 2013-10-23 | 西安电子科技大学 | 基于人工免疫多目标聚类的sar图像变化检测方法 |
CN103971362A (zh) * | 2013-12-24 | 2014-08-06 | 西安电子科技大学 | 基于直方图和精英遗传聚类算法的sar图像变化检测 |
Non-Patent Citations (2)
Title |
---|
"Change detection in SAR images by artificial immune multi-objective clustering";Shang Ronghua etc,;《Engineering Application of Artificial intelligence》;20140531;第31卷(第5期);第1-17页 * |
"Change Detection inSynthetic Aperture Radar images Based on Fuzzy Active Counter Model and Genetic Algorithms";Shi J etc,;《Mathematical Problems in Engineering》;20140430(第6期);第1-15页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104751185A (zh) | 2015-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104751185B (zh) | 基于均值漂移遗传聚类的sar图像变化检测方法 | |
CN103440505B (zh) | 空间邻域信息加权的高光谱遥感图像分类方法 | |
CN107909109B (zh) | 基于显著性和多尺度深度网络模型的sar图像分类方法 | |
CN108986140A (zh) | 基于相关滤波和颜色检测的目标尺度自适应跟踪方法 | |
CN103617618B (zh) | 基于特征提取与聚类集成的sar图像分割方法 | |
CN103258324B (zh) | 基于可控核回归和超像素分割的遥感图像变化检测方法 | |
CN102982338B (zh) | 基于谱聚类的极化sar图像分类方法 | |
CN106919952A (zh) | 基于结构稀疏表示和内部聚类滤波的高光谱异常目标检测方法 | |
CN105404894B (zh) | 无人机用目标追踪方法及其装置 | |
CN106295124A (zh) | 利用多种图像检测技术综合分析基因子图相似概率量的方法 | |
CN107992891A (zh) | 基于光谱矢量分析多光谱遥感图像变化检测方法 | |
CN105844279A (zh) | 基于深度学习和sift特征的sar图像变化检测方法 | |
CN103456020B (zh) | 基于treelet特征融合的遥感图像变化检测方法 | |
CN104200471A (zh) | 基于自适应权值图像融合的sar图像变化检测方法 | |
CN103606164B (zh) | 基于高维三重马尔可夫场的sar图像分割方法 | |
CN105760900A (zh) | 基于近邻传播聚类和稀疏多核学习的高光谱图像分类方法 | |
CN107730515A (zh) | 基于区域增长和眼动模型的全景图像显著性检测方法 | |
CN108447057A (zh) | 基于显著性和深度卷积网络的sar图像变化检测方法 | |
CN107491734A (zh) | 基于多核融合与空间Wishart LapSVM的半监督极化SAR图像分类方法 | |
CN104680545B (zh) | 光学图像中存在显著目标的检测方法 | |
CN103996047A (zh) | 基于压缩谱聚类集成的高光谱图像分类方法 | |
CN103824302B (zh) | 基于方向波域图像融合的sar图像变化检测方法 | |
CN105405132A (zh) | 基于视觉反差和信息熵的sar图像人造目标检测方法 | |
CN106611422A (zh) | 基于素描结构的随机梯度贝叶斯sar图像分割方法 | |
CN106203521A (zh) | 基于差异图自步学习的sar图像变化检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |