基于显著性引导的SAR图像变化检测方法技术

本发明专利技术公开了一种基于显著性引导的SAR图像变化检测方法，主要解决现有方法对SAR图像变化区域不能精确检测以及易受斑点噪声影响的问题。其实现步骤是：1.对待检测的两幅SAR图像进行对数比值操作，得到初始差分图；2.对初始差分图提取显著图并进行阈值化操作，得到二值化显著图；3.根据二值化显著图分别提取两幅SAR图像中对应的区域，对该区域使用窗口大小为3×3的均值滤波器降斑，再通过对数比值操作得到差分图；4.对差分图通过主分量分析提取特征；5.用K均值算法对得到的特征矩阵进行聚类，得到最终的变化检测结果。本发明专利技术能对变化区域进行准确定位并精确检测，可用于公共安全，雷达图像处理和视频监控领域。

【技术实现步骤摘要】
基于显著性引导的SAR图像变化检测方法
本专利技术属于雷达图像处理
，涉及SAR图像的变化检测，可用于农业调查，自然灾害和国土资源监测，军事目标监测与战场打击效果评估。
技术介绍
变化检测方法主要是分析多时图像中的变化信息从而对其进行理解与解译，该方法近些年已引起了广泛的研究和关注。特别是在遥感领域，由于合成孔径雷达SAR本身所具有的全天时全天候的工作特性，使得SAR图像的变化检测方法已广泛应用于农业调查，自然灾害和国土资源监测，军事目标监测与战场打击效果评估等诸多方面。针对同一地区不同时段获取的SAR图像，传统的SAR图像变化检测方法主要分为两大类：有监督方法和无监督方法。有监督方法由于其需要有标记的样本来进行模型的训练，而这类有标记样本恰是不易获取的，从而使得这类方法的使用受到局限。无监督方法不需要标记样本，直接在构造差分图的基础上进行变化信息的分析和解译，从而使得该类方法得到广泛应用。比较经典的无监督SAR变化检测方法主要有主成分分析和K均值聚类结合的方法PCA-K、加入局部信息的模糊聚类算法FLICM、基于马尔科夫随机场的模糊聚类算法MRFFCM。PCA-K方法在由对数比值算子构造的差分图的基础上，首先进行非重叠分块，利用主分量分析方法获得特征空间，然后对差分图进行重叠分块，将所有向量化的块投影到该特征空间以获得特征向量，最后对这些特征向量通过K均值算法进行聚类来获得最终的变化检测图。FLICM和MRFFCM方法主要是在进行变化检测的过程中考虑到了数据的局部邻域信息。尽管这些方法都能够有效的对变化信息进行检测，但仍存在检测精度不高和易受噪声干扰的问题。
技术实现思路
本专利技术的目的在于克服现有技术检测精度不高且易受噪声影响的缺点，提出一种基于显著性引导的SAR图像变化检测方法，以提高SAR图像变化检测的精度。实现本专利技术目的的技术方案是：一.技术原理在计算机视觉领域，显著图描述的是在视觉上存在强局部对比度的区域，这些区域能被人能首先并且长时间关注到。这些强对比度来自局部区域的纹理、灰度值、形状、颜色等等。这使得我们考虑在给定一个初始差分图的情况下SAR图像的变化检测问题，显著性和变化检测在理论和视觉上存在着共性。显著性主要是用来提取明显区别与局部和全局区域的那些区域，而在给定初始差分图的情况下，SAR图像的变化检测问题可以看作是寻找与其他区域具有精确区分的区域，从该角度来看，显著图的提取和SAR图像的变化检测问题在本质上是一致的，而且在视觉效果上来说，多时SAR图像的变化区域正好也对应着初始差分图的显著区域。二.实现方案本专利技术基于显著性引导的SAR图像变化检测方法，包括如下步骤：(1)对待检测的两幅SAR图像X1和X2进行对数比值操作，得到一个初始的差分图DL：(2)对初始差分图DL提取显著图S；(3)对显著图S进行阈值化操作，得到具有精确边缘的二值化显著图S'E；(4)根据二值化显著图S'E分别提取两幅SAR图像X1和X2中对应的区域，对该区域使用窗口大小为3×3的均值滤波器进行降斑，得到降斑后的图像I1和I2，对降斑后的图像进行对数比值操作，得到差分图DLS：(5)对差分图DLS通过主分量分析提取特征；(6)用K均值算法对得到的特征矩阵进行聚类，得到最终的变化检测结果。本专利技术由于从显著性提取的角度得到对变化区域的初始估计，因而可在原始SAR图像中提取对应区域，减少相干斑噪声对变化检测性能的影响；同时由于本专利技术通过主分量分析得到对差分图进行描述的特征向量矩阵，再使用K均值算法对该特征向量矩阵进行聚类，提高SAR图像变化检测的精度。附图说明图1是本专利技术的实现流程图；图2是Bern地区的SAR图像及参考图；图3是用本专利技术与现有技术对图2的仿真结果图；图4是Ottawa地区的SAR图像及参考图；图5是用本专利技术与现有技术对图4的仿真结果图。具体实施方式参照图1，本专利技术的具体实现步骤如下：步骤1，输入对待检测图像，获得初始的差分图。输入两幅待检测的SAR图像，标记为X1和X2，并对这两幅待检测图像进行对数比值操作，得到一个初始的差分图DL：步骤2，对初始差分图提取显著图。显著图描述的是一幅图像中视觉上存在强对比度的区域，现有的提取显著图的方法主要有：基于自顶向下视觉注意机制的方法，基于上下文内容注意机制的方法和基于图像低秩稀疏分解的方法等等。本专利技术采用基于上下文内容注意机制的方法，具体步骤如下：(2a)按大小为7×7的窗口以50％的重叠率对初始差分图DL进行块划分，并对每一个块进行向量化操作，得到相对应的向量并构造向量矩阵X，其中X的每一列为一个向量,X的大小为49×L，L为块的个数；(2b)计算X中第i列向量xi和第j列向量xj之间的不相似性：其中，dv(xi,xj)为对向量xi和向量xj的值进行归一化后的欧式距离，dp(xi,xj)为向量xi和向量xj之间的欧式距离，c为参数取为3；(2c)计算向量xi在尺度r下的显著值：其中，K为与向量xi最为相似的向量的个数，其值取64；r为尺度比例，为在尺度r下第i列向量和与向量xi最为相似的向量集中第h列向量之间的不相似性，exp为以自然对数e为底数的指数函数；(2d)计算向量xi在各尺度下的显著值：其中，M为尺度的个数，取值为4；R为尺度比例集，其包括100％，80％，50％和30％四种不同比例；为第i个列向量和与第i列向量最为接近的向量在尺度r下归一化的欧氏距离，[]是一个归一化算子，用于将不同尺度下得到的显著图插值到与原始SAR图像具有同样的大小。步骤3，对显著图进行阈值化操作。(3a)构造一个与显著图S大小相同的全零矩阵SE，再根据显著值的直方图分布设置阈值τ；(3b)将显著图S中所有像素点的值逐一与阈值τ进行比较：如果显著图S中像素点的值大于阈值τ，则将SE中与该像素点位置对应的像素点的值改为1，否则，仍为0，最终得到由1和0组成的二值化显著图S'E。步骤4，提取SAR图像中与二值化显著图S'E对应的区域，对该区域进行中值滤波并获得差分图。(4a)将SAR图像X1和X2分别与二值化显著图S'E进行对应点的乘积，得到与二值化显著图S'E相对应的区域IS1和IS2：其中为点乘算子；(4b)对区域IS1和IS2使用窗口大小为3×3的均值滤波器进行降斑，得到的图像标记为I1和I2；(4c)对图像I1和I2其进行对数比值操作，得到一个差分图DLS：步骤5，对差分图DLS通过主分量分析提取特征。图像特征级的表示能更好的描述图像的结构特性。常用的特征包括主分量分析，灰度共生矩阵和小波特征等等。本专利技术使用主分量分析来提取特征，具体步骤如下：(5a)将差分图DLS划分为大小为3×3的不重叠块，并将每一个块进行向量化操作，即将每一个块改写成一个向量，构造向量矩阵C，其中C的每一行为一个向量，C的大小为P×9，P为块的个数；(5b)通过主分量分析对矩阵C生成一个特征空间；(5c)将差分图DLS划分为大小为3×3的重叠块，对每一个重叠块进行向量化操作并投影到特征空间以生成特征向量，特征向量的维度取为1；(5d)把所有的特征向量组成一个大小为1×(K×J)的特征矩阵F，其中K为差分图DLS的宽度值，J为差分图DLS的长度值。步骤6，用K均值算法对得到的特征矩阵进行本文档来自技高网...

【技术保护点】
一种基于显著性引导的SAR图像变化检测方法，包括如下步骤：(1)对待检测的两幅SAR图像X1和X2进行对数比值操作，得到一个初始的差分图DL：DL=|log10X2+1X1+1|;]]>(2)对初始差分图DL提取显著图S；(3)对显著图S进行阈值化操作，得到具有精确边缘的二值化显著图S'E；(4)根据二值化显著图S'E分别提取两幅SAR图像X1和X2中对应的区域，对该区域使用窗口大小为3×3的均值滤波器进行降斑，得到降斑后的图像I1和I2，对降斑后的图像进行对数比值操作，得到差分图DLS：DLS=|log10I2+1I1+1|;]]>(5)对差分图DLS通过主分量分析提取特征；(6)用K均值算法对得到的特征矩阵进行聚类，得到最终的变化检测结果。

【技术特征摘要】
1.一种基于显著性引导的SAR图像变化检测方法，包括如下步骤：(1)对待检测的两幅SAR图像X1和X2进行对数比值操作，得到一个初始的差分图DL：(2)对初始差分图DL提取显著图S；(3)对显著图S进行阈值化操作，得到具有精确边缘的二值化显著图S'E；(4)根据二值化显著图S'E分别提取两幅SAR图像X1和X2中对应的区域，对该区域使用窗口大小为3×3的均值滤波器进行降斑，得到降斑后的图像I1和I2，对降斑后的图像进行对数比值操作，得到差分图DLS：(5)对差分图DLS通过主分量分析提取特征；(6)用K均值算法对得到的特征矩阵进行聚类，得到最终的变化检测结果。2.根据权利要求1所述的基于显著性引导的SAR图像变化检测方法，其中所述步骤(2)对初始差分图DL提取显著图S，按如下步骤进行：(2a)按大小为7×7的窗口以50％的重叠率对初始差分图DL进行块划分，并对每一个块进行向量化操作，得到相对应的向量并构造向量矩阵X，其中X的每一列为一个向量,X的大小为49×L，L为块的个数；(2b)计算X中第i列向量xi和第j列向量xj之间的不相似性：其中，dv(xi,xj)为对向量xi和向量xj的值进行归一化后的欧式距离，dp(xi,xj)为向量xi和向量xj之间的欧式距离，c为参数取为3；(2c)计算向量xi在尺度r下的显著值：其中，K为与向量xi最为相似的向量的个数，其值取64；r为尺度比例，为在尺度r下第i列向量和与向量xi最为相似的向量集中第h列向量之间的不相似性，exp为以自然对数e为底数的指数函数；(2d)计算向量xi在各尺度下的显著值：

【专利技术属性】
技术研发人员：焦李成，郑耀国，马文萍，屈嵘，侯彪，王爽，杨淑媛，马晶晶，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61