基于差异图自步学习的SAR图像变化检测方法技术

本发明专利技术提出了一种基于差异图自步学习的SAR图像变化检测方法，用于解决现有SAR图像变化检测方法结果正确率低和受噪声影响大的问题，其实现步骤是：1.输入两幅校准后待检测的SAR图像，并获得差异图DI；2.对差异图像进行模糊C均值聚类，得到隶属度矩阵U；3.根据隶属度矩阵得到初始变化检测结果图R1；4.利用结果图R1构建候选样本集X'；5.采用均匀选择从X'中生成最终样本集X，并进行自步学习得到分类器；6.使用分类器获得中间的变化检测结果图R2，7.根据R2利用局部邻域信息获得最终变化检测结果图R。本发明专利技术提高了变化检测结果的正确率，减少了噪声影响，可用于灾难评估，环境监测，地貌变化预测。

【技术实现步骤摘要】

本专利技术属于SAR图像处理
，特别涉及一种SAR图像的变化检测方法，可用于灾难评估，环境监测，地貌变化预测。
技术介绍
由于合成孔径雷达SAR具有全天时，全天候，拍摄范围大的成像特点，对于SAR图像处理的应用与需求不断提高，而SAR图像变化检测是SAR图像处理技术中的一个重要分支，在军事和民用方面都有着重要的应用。SAR图像变化检测是从两幅在相同地点不同时间拍摄得到的SAR图像中，根据某些特征的差异程度，识别出发生变化的区域和没有发生变化的区域的过程。随着国内外SAR图像技术不断发展，研究人员相继提出了许多有效的变化检测方法，应用最广泛的是先产生差异图再对差异图进行分析的思路。产生差异图主要分为差值方法和比值方法，差值方法是早期获得差异图的方法，该方法运算简单，容易实现，但对噪声十分敏感。比值方法可以有效得抑制SAR图像中富含的乘性噪声，是目前广泛应用的一种方法。对差异图进行分析类似于图像分割，主要分为阈值方法和聚类方法。阈值方法是在差异图中建立一个数学模型，得到一个合适的阈值，该方法运算简单，容易实现，但结果的正确率很低。聚类方法是在差异图中得到两个聚类中心，将所有像素分为两类，模糊C均值聚类是应用最广泛的聚类算法，该方法利用模糊理论对图像进行分割，能够保留图像的细节信息，获得良好的结果，但是该方法没有利用邻域信息，受噪声影响很大，鲁棒性低。随着现代社会对SAR图像变化检测要求的提高，传统的各种算法存在结果正确率低，对噪声的鲁棒性差的缺点，使得传统的各种方法所得到的变化检测结果已不能满足要求，研究人员针对这些缺陷做出了一些改进，例如对传统的模糊C均值聚类(FCM)进行的改进：Stelios Krinidis等人在IEEE Transactions On Image Process,19(2010)1328-1337上发表了论文“A robust fuzzy local information C-means clustering algorithm”，该论文首先随机初始化模糊隶属度矩阵，计算聚类中心，利用邻域的空间和灰度信息计算每个像素点的邻域信息，对每个像素点的模糊隶属度进行修正，再计算聚类中心，并多次迭代，输出最终的聚类结果。该方法通过利用邻域的空间和灰度信息减少了噪声的影响，提高了结果的正确率。然而对于一些受到噪声污染的SAR图像，该方法得到的结果依然受到严重的斑点噪声影响，产生了较低的分类准确率。
技术实现思路
本专利技术的目的在于针对上述现有技术存在的不足，提出一种基于差异图自步学习的SAR图像变化检测方法，以减小斑点噪声的影响，提高分类的准确率。为实现上述目的，本专利技术的技术方案包括如下：(1)输入两幅校准后待检测的SAR图像I1和I2，并利用对数率操作器获得这两幅图像的差异图DI；(2)对差异图DI进行模糊C均值聚类，获得该差异图DI的隶属度矩阵U；(3)根据隶属度矩阵U，对差异图DI中每个像素进行分类，得到初始的变化检测结果图R1；(4)根据初始变化检测结果图R1，选择满足的像素点，构成候选样本集X'，其中，t表示像素点邻域内与中心像素类标一致的像素点数目，s表示像素点的邻域范围，α表示选择阈值，取值为0.7；(5)从候选样本集X'中均匀选择出数目为0.1×N的样本，得到各类样本数目相同的最终样本集X，其中N为差异图DI中的像素总个数；(6)根据最终样本集X，使用逻辑斯谛回归进行自步学习，得到分类器的参数wend；(7)根据所获取的参数wend，对差异图DI中每一个像素进行分类，得到中间的变化检测结果图R2；(8)根据中间的变化检测结果图R2，利用局部邻域信息重新对差异图DI中的每一个像素进行分类，得到最终的变化检测结果图R：8a)根据中间的变化检测结果图R2，统计每个像素点邻域内类标分别为0和1的像素点数目m1和m2；8b)判断m1是否大于m2，若是，则将像素的类标设置为0，否则，将像素的类标设置为1；8c)将得到的类标作为差异图DI中各个像素点的灰度值，生成最终的变化检测结果图R，并通过imshow函数显示出来。本专利技术与现有技术相比，具有以下优点：1.本专利技术由于在生成样本集时，采用均匀选择的策略，保持两个类的样本数目相同，样本的特征采用差异图中的空间邻域信息，与现有技术随机选择样本的算法相比，有效提升了样本的多样性，提高了样本集的质量，减少了噪声对结果的影响，同时提高了分类器的准确率。2.本专利技术由于在训练分类器时，采用了自步学习框架，与现有技术使用全部样本学习分类器的方法相比，本专利技术使训练过程从易到难得进行，减少了随机初始化参数对分类器得影响，有效避免了训练过程陷入局部最优解，提升了训练结果的稳定性，同时进一步提高了分类的准确率。3.本专利技术由于在得到最终的变化检测结果图像时，利用了图像的邻域相似性，与现有技术直接使用分类器的分类结果的方法相比，有效得减少了噪声对图像分类结果的影响，提升了对噪声的鲁棒性，同时进一步提高了变化检测结果的准确率。附图说明图1是本专利技术的实现流程图；图2是用本专利技术和现有FCM，MRFFCM、FLICM三个SAR图像变化检测方法对Bern数据集进行变化检测的结果图。具体实施方式下面结合附图和具体实施例对本专利技术作进一步的详细描述。参照图1，本专利技术的实现步骤如下：步骤1，输入两幅校准后待检测的SAR图像I1和I2，并利用对数率操作器获得这两幅图像的差异图DI；输入的两幅图像是任意相同尺寸且在同一地点拍摄的两幅SAR图像，在本实施例中，采用的是在瑞士伯尔尼地区拍摄的尺寸为301×301的SAR图像数据集；使用对数率操作器，即将比值图像变换到对数尺度，将乘性噪声转变为加性噪声，以减少相干斑噪声对变化检测结果的影响，较好得保留图像的细节信息，具体实现步骤如下：1a)根据输入图像计算两幅图像中相同位置像素点灰度值的比值对数差异值dif＝{dif1,…,difi,…,difN本文档来自技高网...

【技术保护点】
一种基于差异图自步学习的SAR图像变化检测方法，包括：(1)输入两幅校准后待检测的SAR图像I1和I2，并利用对数率操作器获得这两幅图像的差异图DI；(2)对差异图DI进行模糊C均值聚类，获得该差异图DI的隶属度矩阵U；(3)根据模糊隶属度矩阵U，对差异图DI中每个像素进行分类，得到初始的变化检测结果图R1；(4)根据初始变化检测结果图R1，选择满足的像素点，构成候选样本集X'，其中，t表示像素点邻域内与中心像素类标一致的像素点数目，s表示像素点的邻域范围，α表示选择阈值，取值为0.7；(5)从候选样本集X'中均匀选择出数目为0.1×N的像素点，并利用初始的变化检测结果图R1和差异图DI，生成各类样本数目相同的最终样本集X，其中N为差异图DI中的像素总个数；(6)根据最终样本集X，使用逻辑斯谛回归进行自步学习，得到分类器的参数wend；(7)根据所获取的参数wend，对差异图DI中每一个像素进行分类，得到中间的变化检测结果图R2；(8)根据中间的变化检测结果图R2，利用局部邻域信息重新对差异图DI中的每一个像素进行分类，得到最终的变化检测结果图R：8a)根据中间的变化检测结果图R2，统计每个像素点邻域内类标分别为0和1的像素点数目m1和m2；8b)判断m1是否大于m2，若是，则将像素的类标设置为0，否则，将像素的类标设置为1；8c)将得到的类标作为差异图DI中各个像素点的灰度值，生成最终的变化检测结果图R，并通过imshow函数显示出来。...

【技术特征摘要】
1.一种基于差异图自步学习的SAR图像变化检测方法，包括：(1)输入两幅校准后待检测的SAR图像I1和I2，并利用对数率操作器获得这两幅图像的差异图DI；(2)对差异图DI进行模糊C均值聚类，获得该差异图DI的隶属度矩阵U；(3)根据模糊隶属度矩阵U，对差异图DI中每个像素进行分类，得到初始的变化检测结果图R1；(4)根据初始变化检测结果图R1，选择满足的像素点，构成候选样本集X'，其中，t表示像素点邻域内与中心像素类标一致的像素点数目，s表示像素点的邻域范围，α表示选择阈值，取值为0.7；(5)从候选样本集X'中均匀选择出数目为0.1×N的像素点，并利用初始的变化检测结果图R1和差异图DI，生成各类样本数目相同的最终样本集X，其中N为差异图DI中的像素总个数；(6)根据最终样本集X，使用逻辑斯谛回归进行自步学习，得到分类器的参数wend；(7)根据所获取的参数wend，对差异图DI中每一个像素进行分类，得到中间的变化检测结果图R2；(8)根据中间的变化检测结果图R2，利用局部邻域信息重新对差异图DI中的每一个像素进行分类，得到最终的变化检测结果图R：8a)根据中间的变化检测结果图R2，统计每个像素点邻域内类标分别为0和1的像素点数目m1和m2；8b)判断m1是否大于m2，若是，则将像素的类标设置为0，否则，将像素的类标设置为1；8c)将得到的类标作为差异图DI中各个像素点的灰度值，生成最终的变化检测结果图R，并通过...

【专利技术属性】
技术研发人员：尚荣华，焦李成，袁一璟，刘芳，马文萍，王蓉芳，侯彪，王爽，刘红英，
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