專利名稱：基于單邊廣義高斯模型的sar圖像變化檢測閾值方法
技術(shù)領(lǐng)域：
本發(fā)明屬于SAR圖像變化檢測領(lǐng)域，涉及SAR圖像變化檢測中的閾值技術(shù)。具體 地說是提出了一種基于單邊廣義高斯模型的閾值方法，用來解決SAR圖像變化檢測領(lǐng)域中 變化區(qū)域檢測錯(cuò)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(shù)：
SAR圖像變化檢測是從不同時(shí)間獲取同一地理區(qū)域的多時(shí)相遙感影像，定性地分 析和確定地表變化過程和特征的技術(shù)。由于與光學(xué)遙感系統(tǒng)相比，SAR系統(tǒng)具有全天時(shí)、全 天候獲取數(shù)據(jù)的能力，所以SAR圖像變化檢測技術(shù)正廣泛的應(yīng)用于各個(gè)領(lǐng)域，例如環(huán)境監(jiān) 控，農(nóng)業(yè)研究，城市區(qū)域研究，森林監(jiān)控等方面。閾值技術(shù)是SAR圖像變化檢測中的關(guān)鍵技術(shù)之一。該技術(shù)通過變化前后不同時(shí)相 的SAR影像圖構(gòu)造差異圖，然后在差異圖的基礎(chǔ)上進(jìn)行自動(dòng)閾值的確定，形成變化檢測結(jié) 果圖，完成變化檢測過程，該技術(shù)具有方法簡單，時(shí)間迅速等特點(diǎn)。同時(shí)，在相關(guān)技術(shù)中該技 術(shù)又往往作為其中的某個(gè)環(huán)節(jié)，其精度高低也直接影響相關(guān)算法的性能。因此，該技術(shù)在 SAR圖像變化檢測領(lǐng)域中至關(guān)重要，得到了廣泛的關(guān)注。在閾值技術(shù)中，差異影像直方圖的 概率統(tǒng)計(jì)分布是其核心內(nèi)容，概率統(tǒng)計(jì)模型能否很好的擬合差異影像直方圖，直接影響著 變化檢測錯(cuò)誤率的大小，受到了國內(nèi)外研究者的廣泛關(guān)注。所以，目前的研究主要集中在統(tǒng) 計(jì)概率分布模型的建立上。國內(nèi)外學(xué)者提出了不同的閾值方法來提高SAR圖像變化檢測系統(tǒng)的檢測性能，但 均存在不同的問題，主要檢測錯(cuò)誤率較高的問題。閾值方法作為一種實(shí)時(shí)性較好方法，具有 自動(dòng)性，實(shí)時(shí)性的優(yōu)點(diǎn)，但是現(xiàn)有的閾值方法檢測錯(cuò)誤率仍較高。在SAR圖像變化檢測中，許多學(xué)者給出了許多不同的閾值方法。Kittler和 Illingworth提出了經(jīng)典了最小誤差閾值方法，該方法假設(shè)變化區(qū)域與非變化區(qū)域的直方 圖統(tǒng)計(jì)分布符合高斯分布，通過最小化懲罰函數(shù)來自動(dòng)確定閾值。但該方法中基于高斯模 型的假設(shè)并不準(zhǔn)確，實(shí)際SAR圖像數(shù)據(jù)分布并不符合高斯分布，所以其檢測錯(cuò)誤率仍較高。 意大利G. Moser, S. B. Serpico等人在最小誤差閾值基礎(chǔ)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(chǔ) 擴(kuò)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(shù)據(jù)分布的模型，所 以呈現(xiàn)了較好的檢測結(jié)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(cuò) 誤率仍然較高。

發(fā)明內(nèi)容
本發(fā)明的目的在于為了降低SAR圖像變化檢測的錯(cuò)誤率克服現(xiàn)有方法較高的檢 測錯(cuò)誤率，提高檢測精度，針對SAR圖像變化檢測的特點(diǎn)，提出了基于單邊廣義高斯模型的 閾值方法，與其它現(xiàn)有的方法相比能夠獲得較低的檢測錯(cuò)誤率。本發(fā)明的技術(shù)方案是首先對兩幅不同時(shí)間相同地域的SAR圖像構(gòu)造差異圖，然
3后求出差異圖像的直方圖，接著利用單邊廣義高斯模型求出其無變化區(qū)域的直方圖概率分 布函數(shù)，再利用高斯模型求出其變化區(qū)域的直方圖概率分布函數(shù)，最后通過最大后驗(yàn)概率 方法自動(dòng)確定閾值，再通過該閾值生成變化檢測結(jié)果圖，完成對兩幅SAR圖像中變化區(qū)域 的最終檢測，其具體實(shí)現(xiàn)步驟如下(1)對兩幅不同時(shí)間相同地域的SAR圖像I1, I2構(gòu)造差異圖像；(2)遍歷差異圖像的每個(gè)像素，記錄圖像上每個(gè)灰度級出現(xiàn)的頻率值，求出該差異 圖像的直方圖h(z)，z e
為灰度級范圍，在直方圖上確定可能產(chǎn)生閾值的灰度級區(qū) 域，即閾值產(chǎn)生區(qū)域，該區(qū)域的上限為mn_up，下限為mn_low ；(3)令閾值 Ti = mn_low, i = 1 ；(4)構(gòu)造單邊廣義高斯模型ρ (X) =aexp{-[b I X-(mn-c) ]0}構(gòu)造該模型相對應(yīng)的 參數(shù)估計(jì)方法，求出閾值Ti下的無變化區(qū)域直方圖曲線的概率分布函數(shù)pn。sgg(z I Ti)，其中
權(quán)利要求
1. 一種基于單邊廣義高斯模型的SAR圖像變化檢測閾值方法，其特征在于首先對兩 幅不同時(shí)間、相同地域的SAR圖像構(gòu)造差異圖，然后求出差異圖像的直方圖，接著利用單邊 廣義高斯模型求出其無變化區(qū)域的直方圖概率分布函數(shù)，再利用高斯模型求出其變化區(qū)域 的直方圖概率分布函數(shù)，最后通過最大后驗(yàn)概率方法自動(dòng)確定閾值，再通過該閾值生成變 化檢測結(jié)果圖，完成對兩幅SAR圖像中變化區(qū)域的最終檢測，其具體實(shí)現(xiàn)步驟如下(1)對兩幅不同時(shí)間相同地域的SAR圖像I1,I2構(gòu)造差異圖像；(2)遍歷差異圖像的每個(gè)像素，記錄圖像上每個(gè)灰度級出現(xiàn)的頻率值，求出該差異圖像 的直方圖h(z)，ζ e
為灰度級范圍，在直方圖上確定可能產(chǎn)生閾值的灰度級區(qū)域， 即閾值產(chǎn)生區(qū)域，該區(qū)域的上限為mn_up下限為mn_low ；(3)令閾值Ti = mn_low, i = 1 ；(4)構(gòu)造單邊廣義高斯模型P(X) = aexp{-[b I X-(mn-c) ]0}構(gòu)造該模型相對應(yīng)的參 數(shù)估計(jì)方法，求出閾值Ti下的無變化區(qū)域直方圖曲線的概率分布函數(shù)pn。sgg(z I Ti)，其中參數(shù) 0 ，β MMmmmm, mn Mmmm,C是單邊平移參數(shù)，X為直方圖灰度級，Γ(·)為Gamma函數(shù)，其表達(dá)式為r(z) = ]V'd，z為直方圖灰度級； 0mn _up(5)利用準(zhǔn)則函數(shù)C(z，7；)=Σ IMO-A^Gl7Ol計(jì)算在閾值Ti下無變化區(qū)域直方圖z=mn _low概率分布函數(shù)Pntjsgg(ZlTi)所對應(yīng)的曲線擬合誤差；(6)令Ti+1 = Ti+1，i = i+1，如果 Ti+1 ≤ mn_up，轉(zhuǎn)步驟(4)，否則轉(zhuǎn)步驟(7)；(7)令閾值產(chǎn)生區(qū)域中擬合誤差最小的閾值為初始閾值T。，同時(shí)確定無變化區(qū)域直方 圖曲線的概率分布函數(shù)；(8)利用高斯模型與期望最大化EM參數(shù)估計(jì)方法，求出變化區(qū)域直方圖曲線的概率分 布函數(shù)；(9)根據(jù)最大后驗(yàn)概率方法確定最終閾值，并通過該閾值構(gòu)造變化檢測結(jié)果圖。
全文摘要
本發(fā)明公開一種基于單邊廣義高斯模型的SAR圖像變化檢測閾值方法，屬于SAR圖像變化檢測領(lǐng)域。其實(shí)現(xiàn)過程為首先對兩幅不同時(shí)間相同地域的SAR圖像構(gòu)造差異圖，求出差異圖像的直方圖，接著利用單邊廣義高斯模型求出其無變化區(qū)域的直方圖概率分布函數(shù)，再利用高斯模型求出其變化區(qū)域的直方圖概率分布函數(shù)，最后通過最大后驗(yàn)概率方法自動(dòng)確定閾值，再通過該閾值生成變化檢測結(jié)果圖，完成對兩幅SAR圖像中變化區(qū)域的最終檢測。本發(fā)明利用新構(gòu)造的模型對閾值產(chǎn)生區(qū)域的直方圖曲線進(jìn)行擬合，從而提高了最終閾值的精度，避免了由于閾值產(chǎn)生區(qū)域曲線擬合不精確所導(dǎo)致的閾值偏差，使得SAR圖像變化檢測得到更好結(jié)果。通過與幾種SAR圖像變化檢測閾值方法對比，本發(fā)明得到的SAR圖像變化檢測結(jié)果的性能最佳。
文檔編號G06T7/00GK102005049SQ20101054834
公開日2011年4月6日 申請日期2010年11月16日 優(yōu)先權(quán)日2010年11月16日
發(fā)明者付磊, 公茂果, 周智強(qiáng), 惠轉(zhuǎn)妮, 曹宇, 李陽陽, 焦李成, 王桂婷, 馬文萍, 馬晶晶 申請人:西安電子科技大學(xué)