基于超像素显著性分析的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超像素显著性分析的SAR图像变化检测方法，主要解决传统技术检测精度低的问题。其方案是：1)输入在同一场景的两个不同时刻的图，得图像的对数比率图；对对数比率图进行导向滤波得滤波图；2)对滤波图进行超像素分割得到分割图；3)用显著性方法对分割图计算得到显著图；对显著图进行阈值处理，结合两幅不同时刻的图得到差异图；4)用模糊局部信息C均值聚类法对差异图进行聚类，得到变化图。本发明专利技术引入超像素分割和导向滤波，不仅降低了SAR图像的噪声，而且得到的显著图有效地提高了SAR图像的精确度，可用于对变化区域的检测。

SAR image change detection method based on hyper pixel saliency analysis

The invention discloses a SAR image change detection method based on hyper pixel saliency analysis, which mainly solves the problem of low detection precision of the traditional technology. The solution is: 1) input in two different time map of the same scene, the logarithm of the ratio of image map; map of the logarithm of the ratio of filter to graph oriented filtering; 2) of the filter graph super pixel segmentation segmentation map; 3) obtained significant figure on the segmentation map with significant method; the saliency map is threshold, with two images of different times by difference map; 4) to cluster the difference map with fuzzy local information C clustering method, get the change chart. The invention introduces super pixel segmentation and orientation filter, not only reduces the noise of SAR image, and get the saliency map can effectively improve the accuracy of SAR images, which can be used to detect the changes of regional.

【技术实现步骤摘要】
基于超像素显著性分析的SAR图像变化检测方法
本专利技术属于图像处理
，具体涉及一种SAR图像变化检测的方法，可用于变化区域检测。
技术介绍
影像变化检测技术用于检测同一地点在不同时间内所发生的变化情况，具有重要的应用价值。而合成孔径雷达SAR具有全天候、全天时的特点,是很好的变化检测信息源,研究SAR图像变化检测技术有着非常广阔的应用前景。多时相SAR图像数据包含了比单幅SAR图像数据更多的信息,变化检测技术在这方面被广泛研究，它通过对不同时期SAR图像的差异分析可获取所需要的地物变化信息。变化检测主要用于资源和环境监测中的土地利用和土地覆盖变化森林和植被变化、湿地变化、城区变化、地形改变等变化信息获取；测绘中的地理空间数据更新；农业中的作物生长监测以及自然灾害中地震、洪水、泥石流和森林大火等灾情监测与评估，变化检测也可用于战场信息动态感知、军事目标和兵力部署监测等。这些应用的需求促使了SAR图像变化检测技术的快速发展。变化检测的步骤可分为三步：图像的预处理、差异图的生成和差异图的分析。在研究方法中，差异图生成的主要算法是对差值、比值、对数比这3类基本方法的融合，其方式包含有空域和变换域融合等。差异图分析方法是学者们重点研究的内容，有阈值法、聚类法、图切法和水平集法，比如FCM、MRF、PCA等。早期的变化检测方法主要是通过简单运算，从而检测出变化信息，其中简单差值法、对数比值法在光学遥感图像变化检测中得到广泛应用，对数比值法在SAR图像的变化检测中得到了广泛的应用：对数比值法是对两个图像的像素做对数比操作得到一个变化图，对数比值法只是确定了大致的变化区域，忽略了很多细节。Li和Narayanan根据遥感图像中湖泊的形状特征检测出湖泊的变化，方圣辉等根据两时相遥感图像的光谱特征和边缘特征检测出变化区域的边缘，并在原图中标记出变化区域。方圣辉等的方法利用了边缘信息，有效的减少噪声，但是它是以像素特征作为单位进行计算，使得运行时间过长，占用内存大，一些小的变化被忽略，没有考虑空间信息。SAR除了光谱信息以外，还包含着丰富的空间信息，表现在某个特定的空间邻域内的像素具有相似的光谱信息。Brozzone采用马尔可夫随机场并利用差异图中的空间邻域信息，对变化检测结果进行校正，达到抗噪的效果；随着实时、全天候、大面积地球表面信息的高分辨率、多时相、多光谱的数字图像的获得，有学者针对高分辨率的遥感图像的特性，提出了几何结构特征的变化检测方法。杨川专利技术的基于显著图的变化检测方法是以像素特征为单位，用显著图作为引导进行变化检测，结合图像的空间信息，提高了检测精度，但是该方法是以像素为单位计算的，导致运行时间长。
技术实现思路
本专利技术的目的在于针对以上传统技术的不足，提出一种基于超像素显著性分析的SAR图像变化检测方法，以提高变化检测的精度。本专利技术的技术方案是：先利用显著图确定变化的大概位置，再结合SAR图像的光谱信息和空间信息，对图像进行聚类以得到准确的变化位置，从而得到精度高的变化图，具体实现步骤包括如下：(1)输入在同一场景的前一时刻的待检测SAR图像G1和后一时刻的待检测SAR图像G2,得到SAR图像的对数比率图:c1＝log(G1+1)-log(G2+1)；(2)用导向滤波函数GD对对数比率图c1进行滤波，得到滤波图c；(3)对滤波图c进行超像素分割，得滤波图c的分割图L；(4)计算分割图L每个超像素块的显著值,将每个超像素块的显著值分配给它们各自的像素,得到显著图；(4a)计算每个超像素的显著值:(4a1)设某个经过超像素分割后的图像X可表示为：X＝{x1,...,xi,xj,...,xn}，xi是X的第i个元素，n是数据总数，xi为第i个超像素点的特征向量,xj为第j个超像素点的特征向量；(4a2)设y是一个指示向量,[y1,y2,...,yi,...,yn]T，yi是y的第i个元素，查询点是在图像X中边界上的超像素。(4a3)假设超像素的显著性值为f＝[f1,f2,...,fi,fj,...,fn]T，fi是第i个超像素对应的显著值,fj是第j个超像素对应的显著性值；(4a4)给定一个图G＝(V,E)，其中V是图G里的像素点的集合，E是图G中V中任意两点之间边的集合，其中V中的点是数据集X的数据，每条边E有对应的权值，边E的权值wij由各个点之间的相似性决定：其中是xi是X中第i个超像素特征向量，xj是X中第j个超像素特征向量，σ是控制权值强度的一个常量，e是指数函数的底数；(4a5)由权值wij组成一个加权矩阵：W＝[wij]n*n，根据该加权矩阵定义度矩阵：D＝diag{d11,...,dii,djj,...,dnn},其中dii是D的对角线上第i个元素，dii＝∑jwij，djj是D的对角线上第j个元素，djj＝∑iwij。(4a6)根据(4a1)-(4a5)，设置的参数计算平滑度项其中||.||2为二范数；(4a7)根据(4a1)-(4a5)，设置的参数计算适应度项其中||.||2为二范数；(4a8)根据(4a1)-(4a7)设置的参数计算显著值f：其中μ是控制平滑度项和适应度项的平衡系数；(4a9)令式<1>的导数为零，则可得f＝(D-αW)-1*y<2>其中α是一个系数，(4b)将每个超像素块的显著值分配给它们各自的像素,得到显著图；(5)对显著图进行阈值处理得到阈值图YB，用YB分别对前一时刻的SAR图像G1和后一时刻的SAR图像G2进行点乘运算得到前一时刻的提取图B1和后一时刻的提取图B2，并对这两个提取图B1、B2进行对数比率计算，得到差异图ID；(6)用模糊局部信息C均值聚类方法FLICM对差异图ID进行聚类，得到待检测SAR图像的变化图。本专利技术与现有技术相比具有如下优点：1、本专利技术由于用超像素特征取代像素特征，可以更好地将特征表示出来，缩短了运行时间；2.本专利技术由于采用超像素分割算法SLIC对滤波图进行分割，得到分割图，保留了很好的边缘信息和空间信息，有效的减少了噪声，并且计算速度更快，占用内存少，分割性能更优，这对变化检测的质量有很高的提升；3、本专利技术由于采用显著性方法得到显著图，该方法可快速地确定变化范围，对变化效果有很大地提升，同时节省了时间，提高了变化检测准确率；4、本专利技术由于采用模糊局部信息C均值聚类方法FLICM对差异图进行聚类，不仅充分地利用了图像的灰度信息和空间信息，而且提高了噪声免疫力，保存了图像的细节，其相对于传统的模糊C均值聚类方法FCM避免了人工设置参数，大大地缩减了计算时间，同时考虑了图像的空间信息，其变化检测精度更高。附图说明图1是本专利技术的实现流程图；图2是实验用的第1组数据集：Bern数据集；图3是实验用的第2组数据集：Ottawa数据集；图4是实验用的第3组数据集：YellowRiver数据集；图5是用本专利技术与其他对比方法对第1组Bern数据集的变化检测结果；图6是用本专利技术与其他对比方法对第2组Ottawa数据集的变化检测结果；图7是用本专利技术与其他对比方法对第3组YellowRiver数据集的变化检测结果；具体实施方式参照附图1，本专利技术的实现步骤如下：步骤1、输入数据图，得到对数比率图c1。输入在同一场景的两个不同本文档来自技高网...

【技术保护点】
一种基于超像素显著性分析的SAR图像变化检测方法，包括(1)输入在同一场景的前一时刻的待检测SAR图像G1和后一时刻的待检测SAR图像G2,得到SAR图像的对数比率图:c1＝log(G1+1)‑log(G2+1)；(2)用导向滤波函数GD对对数比率图c1进行滤波，得到滤波图c；(3)对滤波图c进行超像素分割，得滤波图c的分割图L；(4)计算分割图L每个超像素块的显著值,将每个超像素块的显著值分配给它们各自的像素,得到显著图；(4a)计算每个超像素块的显著值:(4a1)设某个经过超像素分割后的图像X可表示为：X＝{x1,...,xi,xj,...,xn}，xi是X的第i个元素，n是数据总数，xi为第i个超像素点的特征向量,xj为第j个超像素点的特征向量；(4a2)设y是一个指示向量,y＝[y1,y2,...,yi,...,yn]

【技术特征摘要】
1.一种基于超像素显著性分析的SAR图像变化检测方法，包括(1)输入在同一场景的前一时刻的待检测SAR图像G1和后一时刻的待检测SAR图像G2,得到SAR图像的对数比率图:c1＝log(G1+1)-log(G2+1)；(2)用导向滤波函数GD对对数比率图c1进行滤波，得到滤波图c；(3)对滤波图c进行超像素分割，得滤波图c的分割图L；(4)计算分割图L每个超像素块的显著值,将每个超像素块的显著值分配给它们各自的像素,得到显著图；(4a)计算每个超像素块的显著值:(4a1)设某个经过超像素分割后的图像X可表示为：X＝{x1,...,xi,xj,...,xn}，xi是X的第i个元素，n是数据总数，xi为第i个超像素点的特征向量,xj为第j个超像素点的特征向量；(4a2)设y是一个指示向量,y＝[y1,y2,...,yi,...,yn]T，yi是y的第i个元素,查询点是在图像X中边界上的超像素。(4a3)假设超像素的显著性值为f＝[f1,f2,...,fi,fj,...,fn]T，fi是第i个超像素对应的显著值,fj是第j个超像素对应的显著性值；(4a4)给定一个结构图G＝(V,E)，其中V是结构图G里的像素点的集合，E是结构图G中V中任意两点之间边的集合，其中V中的点是数据集X的数据，每条边E有对应的权值，边E的权值wij由各个点之间的相似性决定：其中是xi是X中第i个超像素特征向量，xj是X中第j个超像素特征向量，σ是控制权值强度的一个常量，e是指数函数的底数；(4a5)由权值wij组成一个加权矩阵：W＝[wij]n*n，根据该加权矩阵定义度矩阵：D＝diag{d11,...,dii,djj,...,dnn},其中dii是D的对角线上第i个元素，dii＝∑jwij，djj是D的对角线上第j个元素，djj＝∑iwij。(4a6)根据(4a1)-(4a5)，设置的参数计算平滑度项其中||.||2为二范数；(4a7)根据(4a1)-(4a5)，设置的参数计算适应度项其中||.||2为二范数；(4a8)根据(4a1)-(4a7)设置的参数计算显著值f：其中μ是控制平滑度项和适应度项的平衡系数；(4a9)令式<1>的导数为零，则可得f＝(D-αW)-1*y<2>其中α是一个系数，(4b)将每个超像素块的显著值分配给它们各自的像素,得到显著图；(5)对显著图进行阈值处理得到阈值图YB，用YB分别对前一时刻的SAR图像G1和后一时刻的SAR图像G2进行点乘运算得...

【专利技术属性】
技术研发人员：曹向海，王林，冀雅梅，吉贝贝，焦李成，
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