一種基于遺傳核模糊聚類的sar圖像變化檢測(cè)方法
【專利摘要】本發(fā)明提供了一種基于遺傳核模糊聚類的SAR圖像變化檢測(cè)方法，包括如下步驟：(1)選擇兩幅大小均為P的SAR圖像，標(biāo)記為X1和X2并導(dǎo)入；(2)計(jì)算出圖像X1和圖像X2對(duì)應(yīng)像素灰度值的領(lǐng)域差值圖像S和領(lǐng)域比值圖像R；(3)用雙邊濾波方法對(duì)圖像S和圖像R進(jìn)行融合，得到差異圖Xd和灰度矩陣Hx；(4)使用遺傳核模糊聚類的SAR圖像變化檢測(cè)方法獲得種群V(T0)；(5)根據(jù)V(T0)計(jì)算分割閾值p，并根據(jù)分割閾值p完成對(duì)差異圖Xd的分割。本發(fā)明由于結(jié)合了遺傳算法的全局搜索能力和模糊聚類算法的局部搜索能力，加快了算法的收斂速度，得到了更優(yōu)的圖像變化檢測(cè)效果；同時(shí)本發(fā)明通過使用直方圖的思想，有效減少了算法的運(yùn)算速度。
【專利說明】-種基于遺傳核模糊聚類的SAR圖像變化檢測(cè)方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理【技術(shù)領(lǐng)域】，具體地說是一種變化檢測(cè)方法，可應(yīng)用于遙感圖 像的變化檢測(cè)。

【背景技術(shù)】
[0002] 合成孔徑雷達(dá)（Synthetic Aperture Radar,簡(jiǎn)稱SAR)是利用雷達(dá)與目標(biāo)的相對(duì) 運(yùn)動(dòng)把尺寸較小的真實(shí)天線孔徑用數(shù)據(jù)處理的方法合成一較大的等效天線孔徑的雷達(dá)。合 成孔徑雷達(dá)的特點(diǎn)是分辨率高，能全天候工作，能有效地識(shí)別偽裝和穿透掩蓋物。合成孔徑 雷達(dá)在軍事領(lǐng)域和民用領(lǐng)域都有廣泛應(yīng)用，如戰(zhàn)場(chǎng)偵察、導(dǎo)航、資源勘測(cè)、地圖測(cè)繪、海洋監(jiān) 視、環(huán)境遙感。它可以方便地獲得同一地區(qū)不同時(shí)間的圖像。
[0003] SAR圖像變化檢測(cè)是指通過對(duì)不同時(shí)期同一區(qū)域的遙感圖像進(jìn)行比較分析，根據(jù) 圖像之間的差異得到我們所需要的地物或目標(biāo)的變化信息。SAR變化檢測(cè)技術(shù)的需求日益 廣泛。目前，全球壞境變化加劇，城市急速發(fā)展，洪水、地震等自然災(zāi)害時(shí)有發(fā)生，這些都需 要及時(shí)掌握相關(guān)動(dòng)態(tài)信息，為相關(guān)決策部門提供支持，而SAR的種種優(yōu)點(diǎn)為快速響應(yīng)提供 了技術(shù)支持和應(yīng)急保障。SAR圖像變化檢測(cè)主要有以下幾個(gè)過程：第一，獲得待處理圖像； 第二，對(duì)待處理圖像進(jìn)行預(yù)處理，預(yù)處理主要包括幾何校正、輻射校正和圖像配準(zhǔn)等；第三， 對(duì)預(yù)處理后的圖像進(jìn)行比較，獲得差異圖；第四，分析差異圖，獲得變化檢測(cè)結(jié)果圖像。
[0004] 聚類方法是主要的變化檢測(cè)方法之一。2009年T. Celik提出基于PCA和k-means 聚類的變化檢測(cè)算法，通過主成分分析對(duì)差異圖進(jìn)行降維，然后用k-means聚類，較大幅 度減小了運(yùn)算量，但由于其在降維過程中丟失了某些信息，導(dǎo)致了結(jié)果誤差較大。2010年 A. Ghosh和N. S. Mishra等人發(fā)表了在FCM和遺傳算法等基礎(chǔ)上改進(jìn)的SA-GKC算法，雖然得 到了較好的實(shí)驗(yàn)結(jié)果，然而由于結(jié)合了多種算法，其算法思路比較復(fù)雜。2012年公茂果等提 出了改進(jìn)的RFLICM算法并得到了較為精確的變化檢測(cè)結(jié)果，但由于RFLICM算法在聚類初 始化過程中，通過隨機(jī)方式獲得初始聚類中心點(diǎn)，導(dǎo)致了這些算法對(duì)聚類初始中心點(diǎn)十分 敏感的缺陷，容易陷入局部最優(yōu)。


【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的是克服上述已有技術(shù)的不足，提供一種基于遺傳核模糊聚類的SAR 圖像變化檢測(cè)方法，加快算法的收斂速度，減少算法的運(yùn)算速度。
[0006] 為此，本發(fā)明提供了一種基于遺傳核模糊聚類的SAR圖像變化檢測(cè)方法，包括如 下步驟：
[0007] (1)選擇兩幅大小均為P的SAR圖像，標(biāo)記為Xi和X2并導(dǎo)入；
[0008] (2)計(jì)算出圖像&和圖像X2對(duì)應(yīng)像素灰度值的領(lǐng)域差值并歸一化，得到領(lǐng)域差值 圖像S，計(jì)算出圖像&和X 2對(duì)應(yīng)素灰度值的領(lǐng)域比值并歸一化，得到領(lǐng)域比值圖像R ;
[0009] (3)用雙邊濾波方法對(duì)圖像S和圖像R進(jìn)行融合，得到差異圖Xd和灰度矩陣H x ;
[0010] ⑷使用遺傳核模糊聚類的SAR圖像變化檢測(cè)方法獲得種群V(TQ):
[0011] (4a)初始化：設(shè)定模糊度權(quán)值m，聚類個(gè)數(shù)n，種群大小M，最大進(jìn)化次數(shù)T，終止條 件閾值ε ;
[0012] (4b)產(chǎn)生初始種群V(t)，并計(jì)算適應(yīng)度函數(shù)；
[0013] (4c)對(duì)初始種群V(t)進(jìn)行遺傳算法的選擇、交叉和變異操作，得到新種群Vm(t);
[0014] (4d)根據(jù)核模糊聚類算法KFCM的目標(biāo)函數(shù)J2，計(jì)算步驟（4c)中得出的新種群 Vm(t)的適應(yīng)度函數(shù)f2(t)，對(duì)種群V(t)和新種群乂上）進(jìn)行精英選擇操作，得至IJ新的種群 ve(t);
[0015] (4e)將新的種群Ve(t)作為核模糊聚類算法KFCM的初始聚類中心，按照步驟（4c) 更新種群，得出更新后的種群V(t+1)和適應(yīng)度函數(shù)f 3(t);
[0016] (4f)判斷適應(yīng)度函數(shù)f3(t)的最大值是否等于ε或者當(dāng)前迭代數(shù)t是否等于最 大進(jìn)化次數(shù)T，如果t>T或者f 3(t) = ε，則停止循環(huán)，輸出種群VCO ;否則循環(huán)執(zhí)行步 驟（4b)?（4c)，直到滿足循環(huán)結(jié)束條件；
[0017] (5)根據(jù)vcg計(jì)算分割閾值P，并根據(jù)分割閾值p完成對(duì)差異圖xd的分割。
[0018] 步驟（2)中所述的計(jì)算圖像Xi和圖像X2的領(lǐng)域差值圖像S和領(lǐng)域比值圖像R，通 過如下公式進(jìn)行：
[0019] 計(jì)算圖像Xi和圖像X2的領(lǐng)域差值圖像S :
[0020]

【權(quán)利要求】
1. 一種基于遺傳核模糊聚類的SAR圖像變化檢測(cè)方法，其特征是，包括如下步驟： (1) 選擇兩幅大小均為P的SAR圖像，標(biāo)記為X1和X2并導(dǎo)入； (2) 計(jì)算出圖像X1和圖像X2對(duì)應(yīng)像素灰度值的領(lǐng)域差值并歸一化，得到領(lǐng)域差值圖像 S，計(jì)算出圖像X1和X2對(duì)應(yīng)素灰度值的領(lǐng)域比值并歸一化，得到領(lǐng)域比值圖像R; (3) 用雙邊濾波方法對(duì)圖像S和圖像R進(jìn)行融合，得到差異圖Xd和灰度矩陣Hx ; (4) 使用遺傳核模糊聚類的SAR圖像變化檢測(cè)方法獲得種群V(Ttl): (4a)初始化：設(shè)定模糊度權(quán)值m，聚類個(gè)數(shù)n，種群大小M，最大進(jìn)化次數(shù)T，終止條件閾 值e; (4b)產(chǎn)生初始種群V(t)，并計(jì)算適應(yīng)度函數(shù)； (4c)對(duì)初始種群V(t)進(jìn)行遺傳算法的選擇、交叉和變異操作，得到新種群Vm(t); (4d)根據(jù)核模糊聚類算法KFCM的目標(biāo)函數(shù)J2,計(jì)算步驟（4c)中得出的新種群Vm(t) 的適應(yīng)度函數(shù)f2(t)，對(duì)種群V(t)和新種群Vm(t)進(jìn)行精英選擇操作，得到新的種群Ve(t); (4e)將新的種群Ve (t)作為核模糊聚類算法KFCM的初始聚類中心，按照步驟（4c)更 新種群，得出更新后的種群V(t+1)和適應(yīng)度函數(shù)f3(t); (4f)判斷適應(yīng)度函數(shù)f3(t)的最大值是否等于e或者當(dāng)前迭代數(shù)t是否等于最大進(jìn)化 次數(shù)T，如果t彡T或者f3(t) =e，則停止循環(huán)，輸出種群V(Ttl);否則循環(huán)執(zhí)行步驟（4b)? (4c)，直到滿足循環(huán)結(jié)束條件； (5) 根據(jù)V(Ttl)計(jì)算分割閾值p，并根據(jù)分割閾值p完成對(duì)差異圖Xd的分割。
2. 如權(quán)利要求1所述的基于遺傳核模糊聚類的SAR圖像變化檢測(cè)方法，其特征是，步驟 (2) 中所述的計(jì)算圖像X1和圖像X2的領(lǐng)域差值圖像S和領(lǐng)域比值圖像R，通過如下公式進(jìn) 行： 計(jì)算圖像X1和圖像X2的領(lǐng)域差值圖像S:
其中，Xf(U)和Xf(/，_/)分別表示圖像XJPX2在同一位置（i，j)的像素點(diǎn)領(lǐng)域集合， 大小均為HXH，H= 3 ; 計(jì)算圖像X1和圖像X2的領(lǐng)域比值圖像R:
其中，N1(Xi)和隊(duì)〇〇分別表示圖像&和&在同一位置X上的像素點(diǎn)領(lǐng)域集合，大小 均為L(zhǎng)XL,L= 3。
3. 如權(quán)利要求1所述的基于遺傳核模糊聚類的SAR圖像變化檢測(cè)方法，其特征是，步驟 (3) 中所述的用雙邊濾波方法對(duì)圖像S和圖像R進(jìn)行融合，得到差異圖Xd和灰度矩陣Hx，通 過如下公式進(jìn)行：
其中，Mx,y表示大小為（2L+1V (2L+1)中心像素在位置（i，j)的領(lǐng)域，R(i，j)表示圖 像R在位置（i，j)的像素，m(i,j)表示如下： m(i,j) =mv(i,j) 'mu(i,j) mv(i,j)表示如下：
其中，hjid)表示圖像S上位置（i，j)的像素灰度值，Ih1Q, 3)-4(17)12表示Ill (i，j)和Ill (x，y)的灰度值的歐氏距離，Sv為調(diào)整參數(shù)； mu(i,j)表示如下：
其中，|i-x|2+|j_y|2表示圖像S上像素（i，j)到聚類中心（x，y)的歐氏距離，Su為調(diào) 整參數(shù)； 對(duì)差異圖Xd進(jìn)行歸一化，得到差異圖Xd的灰度值Xab :
根據(jù)灰度值Xab，得到差異圖Xd的灰度矩陣Hx: Hx = {Xab}。
4.如權(quán)利要求1所述的基于遺傳核模糊聚類的SAR圖像變化檢測(cè)方法，其特征是，步驟 (4b)所述的產(chǎn)生始種群V(t)并計(jì)算適應(yīng)度函數(shù)，包括如下步驟： (101)將核模糊聚類算法KFCM的聚類中心Vi⑴作為初始種群V(t)，V(t)= [V1,N2,...,V30], 其中，種群V(t)中第k個(gè)個(gè)體Vk，表示為：Vk= [V1,. . .，vn]，k=1，2,. . .，30,其中Vl，...，Vn為個(gè)體Vk中第1到n個(gè)聚類中心，n為聚類個(gè)數(shù)，其中聚類中心Vi (t)，表示公式 如下所示：
其中,K(mk,Vi) =exp(-|Iiik,ViII2/ 〇 2)采用高斯核函數(shù)，〇 2>0為高斯核函數(shù)的參數(shù)，k代表第k個(gè)種群個(gè)體，Hx(k)為第k個(gè)種群個(gè)體的灰度矩陣，;<(〇為模糊聚類算法FCM的 隸屬度矩陣，表示公式如下所示：
(102)根據(jù)核模糊聚類算法KFCM的目標(biāo)函數(shù)J1計(jì)算種群V(t)的適應(yīng)度函數(shù)f"(t)，fi(t) =[f2，...，fi3〇]，其中適應(yīng)度函數(shù)fi(t)，表示公式如下所示：
其中，J1為模糊聚類算法FCM的目標(biāo)函數(shù)，表示公式如下所示：
其中，Hx (k)為第k個(gè)個(gè)體的灰度矩陣，dik2為第k個(gè)樣本到第i類的距離。
5.如權(quán)利要求1所述的基于遺傳核模糊聚類的SAR圖像變化檢測(cè)方法，其特征是，步驟 (5)所述的根據(jù)V(Ttl)計(jì)算分割閾值p，并根據(jù)分割閾值p完成對(duì)差異圖Xd的分割，包括如 下步驟： (201) 計(jì)算分割閾值p，p取i□的最小值，其中，i是矩陣F取最小值時(shí)的行數(shù)，F(xiàn)(i，j) 的表示公式如下所示：
其中，dik2為第k個(gè)樣本到第i類的距離，表示公式如下所示：
其中，kg為高斯核參數(shù)。 (202) 通過比較分割閾值p與差異圖Xd的灰度值Xd(m)的大小確定變化類與非變化類， 如果Xd(m) >P，則將Xd(Hl)歸為變化類；如果Xd(m)〈P，則將Xd(Hl)歸為非變化類，其中，Hl= 0?P，m為像素，P為圖像大小。
【文檔編號(hào)】G06K9/62GK104268574SQ201410497802
【公開日】2015年1月7日 申請(qǐng)日期:2014年9月25日 優(yōu)先權(quán)日:2014年9月25日
【發(fā)明者】于昕, 焦李成, 雷煜華, 熊濤, 李巧鳳, 劉紅英, 馬文萍, 馬晶晶 申請(qǐng)人:西安電子科技大學(xué)