專利名稱：基于非局部均值的sar圖像變化檢測模糊聚類分析方法
技術領域：
本發明屬于SAR圖像變化檢測技術領域，涉及SAR圖像變化檢測中的差異圖分析技術。具體地說是提出了一種基于非局部均值的SAR圖像變化檢測模糊聚類分析方法，用來進行SAR圖像變化檢測中對差異圖的分類分析，克服原有方法變化區域檢測錯誤率較高的問題，提高SAR圖像變化檢測中的檢測精度及速度。
背景技術：
隨著合成孔徑雷達(synthetic aperture radar, SAR)技術的快速發展,SAR系統 可以全天候、全天時獲取圖像數據，是較好的變化檢測圖像源。SAR圖像變化檢測是通過對同一地區的不同時期的兩幅SAR圖像進行比較分析，根據圖像之間的差異得到所需的地物變化信息。SAR圖像變化檢測技術在森林覆蓋變化、土地利用與覆蓋、城市環境變化等領域具有廣泛的應用前景。SAR圖像變化檢測可以分為三個階段首先，對獲得的SAR圖像進行預處理，包括圖像配準和輻射校正；然后，對校正過的圖像進行比較，生成包含變化信息的差異圖像 ’最后，通過分析差異圖，得到最終的變化檢測結果圖像(即用二值圖像代表變化和未變化兩類)。差異圖分析技術是SAR圖像變化檢測中的關鍵技術之一。常見的差異圖分析理論可以分為兩類，閾值理論和聚類理論。在SAR圖像變化檢測中，許多不同的閾值分割方法被應用于差異圖分析。KI閾值分割方法是Kittler和Illingworth提出的經典的最小誤差閾值方法，該方法假設變化區域與非變化區域的直方圖統計分布符合高斯分布，通過最小化懲罰函數來自動確定閾值。但該方法中基于高斯模型的假設并不準確，實際SAR圖像數據分布并不符合高斯分布，所以其檢測錯誤率仍較高。意大利G. Moser, S. B. Serpico等人在最小誤差閾值基礎上提出了一種廣義最小誤差閾值方法，該方法以三種概率分布模型Nakagami分布、Log-Normal分布和Weibull分布為基礎擴展了最小誤差閾值方法。該閾值方法由于使用了更加適合SAR圖像數據分布的模型，所以呈現了較好的檢測結果。但是，這三種模型仍不能完全擬合差異圖直方圖，所以其檢測錯誤率仍然較高。閾值理論方法簡單，時間迅速但需要估計差異圖變化類和未變化類的統計模型，這樣大大限制了它的應用范圍。聚類理論可以克服閾值理論的限制性，無需對變化類和未變化類的分布模型進行估計，可以提高分類精度，進而大大改善變化檢測的正確率。聚類理論是指將物理或抽象對象的集合分組成由類似的對象組成的多個類的過程。由聚類所生成的簇是一組數據對象的集合，這些對象與同一簇中的對象彼此相似，與其它簇中的對象相異。其中K均值聚類算法和模糊C均值聚類算法是理論發展最成熟和最為常用的聚類算法。K均值算法是典型的硬聚類算法，其主要缺陷是依賴初始聚類中心的選擇，一旦初始值選的不好，可能無法得到有效地聚類結果。另外，該算法需要不斷地進行樣本分類調整，不斷地計算調整后新的聚類中心，因此，K均值聚類算法的時間開銷是非常大的。由于硬聚類把每個待識別的對象嚴格的劃分到某類中，具有非此即彼的性質，而模糊聚類能夠描述樣本類屬的中介性，能夠客觀地反映現實世界，模糊聚類已逐漸成為聚類分析的主流。在眾多模糊聚類算法中，模糊C均值聚類(FCM)算法應用最為廣泛，發展最為成熟，并有一系列基于模糊C均值聚類算法的改進算法，克服了原始FCM處理圖像不考慮圖像空間信息及容易陷入局部最優的缺陷，對原始FCM作出了改進。全局快速模糊C均值聚類(FGFCM)算法在原始FCM中引入空間相似性度量指標，既考慮了鄰域的灰度值信息，也考慮了鄰域的空間信息，能綜合圖像中的空間信息得到更為精確的聚類結果，且聚類過程在灰度統計直方圖上進行，圖像的灰度值往往遠小于圖像大小，這樣，在時間復雜度上FGFCM比原始FCM更有優勢。綜上，現有技術中包括現有的差異圖分析方法對差異圖的質量依賴性高，且對差異圖中噪聲敏感，現有的常用差異圖分析方法 檢測錯誤率較高，以致SAR圖像變化檢測系統精度不高。
發明內容
本發明的目的在于運用改進模糊C均值聚類將SAR圖像變化檢測中的差異信息圖分為變化/未變化兩類，克服現有差異圖分析方法對差異圖中的噪聲敏感，檢測錯誤率較高的缺陷。SAR圖像變化檢測可以分為三個階段，預處理階段，比較產生差異圖階段和差異圖分析階段，對實現變化檢測而言，這三個階段是不可或缺但又相對獨立的部分，差異圖分析作為SAR圖像變化檢測的終極階段，其任務是分析由上一階段生成的差異圖像，即把上一階段生成的差異信息圖作為圖像源，進行分類分析處理，得到能顯示變化/未變化區域的二值圖像，完成SAR圖像變化檢測，本發明正是處于SAR圖像變化檢測的終極階段。本發明的技術方案是首先輸入由兩幅不同時間相同地域的SAR圖像構造的差異圖，然后按全局快速模糊C均值聚類(FGFCM)算法中的相似性度量指標修正像素值，得到考慮到局部空間信息的像素值矩陣，接著對差異圖進行非局部均值濾波處理，得到非局部濾波后的像素值矩陣，再將局部空間信息矩陣與非局部信息矩陣加權求和，生成完整的像素值矩陣，最后運用FGFCM算法對其進行聚類，再通過FGFCM聚類結果生成變化檢測結果圖，完成對兩幅SAR圖像中變化區域的最終檢測，本發明其具體實現步驟如下步驟I通過星載合成孔徑雷達獲取兩幅不同時間相同地域的SAR圖像，將兩幅不同時間相同地域的圖像，輸入到安裝有矩陣實驗室和Visual C++6.0軟件的計算機中，使SAR圖像中每個像素點由其像素灰度值，即像素值表示；利用相關軟件處理經過濾波去噪，輻射校正與幾何配準的預處理SAR圖像X1,圖像X2構造的差異圖像X，
X"i1~m^1,x')]><255，使得在差異圖像上低灰度級呈現為無變化區域，高灰度級呈現為
變化區域；步驟2通過Matlab或C++編程，或Matlab和C++混合編程實現對差異圖X中每
個像素點Xi按相似性度量方法進行處理，得到局部空間信息像素矩陣，差異圖X中每個像 Σ SijXj
素點按公式Y計算，其中Sij表示以像素點i為中心的鄰域內第j個像素值和中心
盧 N,像素的相似度，Xj為鄰域內第j個像素點的像素值，Xi i為修正后新的像素矩陣中第i個像素點的像素值；步驟3對差異圖X中每個像素點Xi作非局部均值處理，得到非局部濾波后像素矩
陣，非局部濾波后像素矩陣中每個像素點通過公式
權利要求
1.一種基于非局部均值的SAR圖像變化檢測模糊聚類分析方法，其特征在于基于非局部均值的SAR圖像變化檢測模糊聚類分析具體實現步驟包括有 步驟I通過星載合成孔徑雷達獲取兩幅不同時間相同地域的SAR圖像，將兩幅不同時間相同地域的圖像，輸入到安裝有矩陣實驗室和Visual C++6. O軟件的計算機中，使SAR圖像中每個像素點由其像素灰度值即像素值表示；利用相關軟件處理經過濾波去噪，輻射校正與幾何配準的預處理SAR圖像X1,圖像X2構造的差異圖像x’xj1-= : }255，使得在差異圖像上低灰度級呈現為無變化區域，高灰度級呈現為變化區域； 步驟2通過Matlab或C++編程，或Matlab和C ++混合編程實現對差異圖X中每個像素點Xi按相似性度量方法進行處理，得到局部空間信息像素矩陣，差異圖X中每個像素點YSvXj按公式「計算，其中Sij表示以像素點i為中心的鄰域內第j個像素值和中心像素 J^N, V的相似度，Xj為鄰域內第j個像素點的像素值，X1 i為修正后新的像素矩陣中第i個像素點的像素值； 步驟3對差異圖X中每個像素點Xi作非局部均值處理，得到非局部濾波后像素矩陣，非局部濾波后像素矩陣中每個像素點通過公式' =S W求得，其中P是指以像素點i為中心的半徑為r的搜索窗口，xp是像素點P的像素值，是像素點i和在搜索窗口內像素點P的相似度權重，且滿足O彡wip彡I和=1 4為非局部濾波后的像素矩陣中第i個像素點的像素值；步驟4對差異圖X中每個像素點計算給予權重λ i，λ,^-Συ^χ,,χ,,)，其中 Wi=I ν ^rγU(x xp) = txv -Σ-rlog手々，(，，Ap,k分別代表以像素點i和像素點p為中心的第kVk=lh \ Apjc A,,k JJ個像素點的像素值，Ut代表在搜索窗口內相似度指數U (Xi, Xp)由大到小排列的第t個，m表示要取相似度指數U (Xi，Xp)的個數； 步驟5對步驟2生成的局部空間信息像素矩陣和步驟3非局部均值濾波后的像素矩陣進行加權求和，得到新的完整像素值矩陣n，1 = (1-λ, Ag，其中Jii為像素值矩陣η中第i個像素點的像素值； 步驟6設置FGFCM算法中聚類個數C，模糊指數m，終止條件ε，最大迭代次數Τ，搜索窗口半徑r，鄰域窗口半徑s ； 步驟7對差異圖完整像素值矩陣η按設定聚類個數隨機初始化隸屬度矩陣yki，Uki表示第i個像素點屬于第k類的隸屬度，滿足=1和O彡μ ki彡1，令迭代計數b = I ; Σ,γΚη, 步驟8更新差異圖完整像素值矩陣η聚類中心K 二氣——’其中，Vk代表第k類的1=1聚類中心，M表示差異圖中的像素值統計個數，Yi表示像素值為i的像素點個數，且滿足步驟9更新差異圖完整像素值矩陣η模糊隸屬度矩陣
2.根據權利要求I所述的基于非局部思想的SAR圖像變化檢測模糊聚類分析方法，其特征在于步驟4中計算差異圖X中每個像素點的給予權重λ i，具體實現步驟包括有 ·4. I計算搜索窗口內相似度指數U (Xi，xp)，按公式
全文摘要
本發明公開一種基于非局部均值的SAR圖像變化檢測模糊聚類分析方法。實現過程主要包括輸入一幅由兩幅不同時間相同地域的SAR圖像的差異圖；按全局快速模糊C均值聚類(FGFCM)算法中的相似性度量指標修正差異圖像素值，得到局部空間信息像素值矩陣；對差異圖作非局部均值處理生成非局部濾波的像素值矩陣；對上述兩個矩陣加權求和生成完整的像素值矩陣；運用FGFCM算法對其進行聚類，生成變化檢測二值結果圖，整體完成對兩幅SAR圖像的變化檢測。本發明兼顧了圖像局部空間信息和非局部均值信息，并將其有機結合，使圖像分析的聚類過程中既有效克服噪聲影響并保留圖像細節，得到更為精確的差異圖分析結果。
文檔編號G06T7/00GK102938071SQ20121034677
公開日2013年2月20日 申請日期2012年9月18日 優先權日2012年9月18日
發明者公茂果, 焦李成, 陳默, 馬晶晶, 賈萌, 李瑜, 翟路, 王爽, 王桂婷, 馬文萍 申請人:西安電子科技大學