基于mds?srm混合級聯(lián)的sar圖像變化檢測方法
【專利摘要】本發(fā)明公開了一種基于MDS?SRM的混合級聯(lián)變化檢測方法，主要解決現(xiàn)有SRM算法中因靜態(tài)排序等因素導(dǎo)致變化檢測不精確的問題。其實現(xiàn)步驟為：1.輸入兩時相單通道SAR圖像，分別對其進(jìn)行去噪處理；2.用去噪后的圖像構(gòu)造對數(shù)比值圖和均值比值圖，并兩者疊加成一幅雙通道差異圖像；3.對雙通道差異圖像進(jìn)行合并，得到第一次合并結(jié)果；4.在第一次合并結(jié)果的基礎(chǔ)上再次合并，得到第二次合并結(jié)果；5.對第二次合并結(jié)果中的每個區(qū)域的灰度均值進(jìn)行升序排序，并進(jìn)行區(qū)域合并，得到最終變化檢測結(jié)果。本發(fā)明能有效提高了SAR圖像中變化區(qū)域的檢測精確度，可用于災(zāi)害區(qū)域的定位及城市的擴(kuò)張情況分析。
【專利說明】
基于MDS-SRM混合級聯(lián)的SAR圖像變化檢測方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于圖像處理領(lǐng)域，更進(jìn)一步涉及兩時相圖像變化區(qū)域的檢測方法，可用 于災(zāi)害區(qū)域的定位及城市的擴(kuò)張情況分析。
【背景技術(shù)】
[0002] 隨著近幾年遙感技術(shù)的迅猛發(fā)展，遙感數(shù)據(jù)數(shù)量日益增長，并廣泛應(yīng)用于環(huán)境監(jiān) 測、大氣分析和城市規(guī)劃等領(lǐng)域。其中SAR圖像變化檢測被應(yīng)用到軍事和民用領(lǐng)域，主要涉 及如洪水、火災(zāi)和地震等自然災(zāi)害區(qū)域的定位、城市的擴(kuò)張情況分析以及軍事應(yīng)用中打擊 效果的評估，所以研究SAR圖像變化檢測具有重要意義。
[0003] SAR圖像變化檢測主要包含時相圖像的預(yù)處理、產(chǎn)生差異圖和提取變化區(qū)域三個 步驟。其中，提取變化區(qū)域部分，本質(zhì)上可分為無監(jiān)督檢測和有監(jiān)督檢測方法。相比較而言， 無監(jiān)督方法可以直接通過聚類或分割算法處理差異圖像從而得到變化檢測結(jié)果，比較契合 變化檢測缺乏先驗信息的特點，因此被廣泛使用。
[0004] 基于圖像分割的無監(jiān)督方法包括:最大類間方差算法0TSU、閾值分割算法K&I、統(tǒng) 計分割算法MRF和統(tǒng)計區(qū)域合并算法SRM等。其中SRM算法具有不依賴于數(shù)據(jù)的概率分布假 設(shè)和擁有較好的抗噪能力的優(yōu)點，這使其更適于SAR圖像變化檢測。但SRM算法僅考慮區(qū)域 均值差進(jìn)行靜態(tài)排序，會導(dǎo)致過合并錯誤概率增大，且單次使用SRM無法獲得最終的變化檢 測結(jié)果。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于針對上述已有技術(shù)的不足，提出一種基于多層動態(tài)排序統(tǒng)計區(qū) 域合并算法MDS-SRM的混合級聯(lián)變化檢測方法，以實現(xiàn)SAR圖像中變化區(qū)域的檢測，提升檢 測的準(zhǔn)確率。
[0006] 實現(xiàn)本發(fā)明的技術(shù)方案是:對輸入圖像進(jìn)行去噪，采用對數(shù)比和均值比方法構(gòu)建 雙通道差異圖像，通過混合級聯(lián)結(jié)構(gòu)對差異圖像進(jìn)行處理完成變化區(qū)域的提取，其中第一 級采用SRM算法將差異圖從像素空間轉(zhuǎn)換為超像素空間，第二級利用MDS-SRM算法完成差異 圖像中小區(qū)域到大區(qū)域的合并過程，最后使用簡化的SRM算法獲得最終的變化檢測結(jié)果，其 實現(xiàn)步驟包括如下：
[0007] (1)輸入兩幅不同時間相同地域的單通道SAR圖像X^X2,并利用非局部均值算法去 除該兩幅圖像中的相干斑噪聲，得到去噪后的兩幅圖像IjPI 2;
[0008] (2)用去噪后的圖像UPI2,構(gòu)造對數(shù)比值圖DI1和均值比值圖DI2;
[0009] (3)將構(gòu)造的對數(shù)比值差異圖DI1和均值比值差異圖DI2進(jìn)行疊加，得到成一幅雙通 道差異圖像DI;
[0010] (4)利用統(tǒng)計區(qū)域合并算法對雙通道差異圖像DI中的像素點進(jìn)行合并，完成差異 圖從像素空間到區(qū)域空間的轉(zhuǎn)變，得到第一次合并圖像DT 1;
[0011] (5)利用多層動態(tài)排序統(tǒng)計區(qū)域合并算法對一次合并后圖像DT1*的區(qū)域進(jìn)行二 次合并，得到擁有較大區(qū)域的二次合并圖像DT2:
[0012] (5a)遍歷一次合并圖像DT沖相鄰的區(qū)域，確定區(qū)域?qū)€數(shù)M;
[0013] Mm+曾對的和化丨齒f(R' Rn).
[0014]
[0015] 式中R '和R表示相鄰的兩個區(qū)域，出和出分別表示相鄰兩區(qū)域中的特征向量，
其中^代表k通道R區(qū)域的平均像素值，A(Rk) 表示R區(qū)域的統(tǒng)計直方圖矩陣，IrI表示區(qū)域R的像素個數(shù);S-1為相鄰區(qū)域特征向量的協(xié)方差 矩陣S(a，b)的逆矩陣；
[0016] (5c)將相似度f(R'，R)從小到大排序，得到合并順序列表1ndex(i)，i為遍歷合并 順序列表的指針，設(shè)i = l，選定相似度f(R，R'）最小值的區(qū)域?qū)?R，R'）；
[0017] ( 5 d )根據(jù)以下公式判定最小值的區(qū)域?qū)Γ≧，R '）是否合并：若滿足 ifmax ^2(R)-H2(R)則合并，計算此時的相鄰區(qū)域?qū)€數(shù)M并更新相鄰區(qū)域?qū)?(R，R'）的相似度 fn+i(R，R'）：
結(jié)果，RlRl表示有|R|個像素的區(qū)域，且有I |Rr| I |<(|1?|+1廣111(1<|^4 = 256，|1?|表示區(qū)域含
[0018]
[0019] 同程度的分割 有的像素個數(shù)，常數(shù)11是圖像I包含的像素點個數(shù)，f代表k通道R區(qū)域的平均像 素值;fn(R，R'）代表了第η次合并之前R'區(qū)域和R區(qū)域的相似度，Φ和辦分別表示本次相似度 和歷史相似度的權(quán)重，= 1。更新合并順序列表1ndex(i)，設(shè)i = l，選定fn+i(R，R'）最小 值的區(qū)域?qū)?R，R'），再次判斷最小值的區(qū)域?qū)?R，R'）是否合并；
[0020] 否則，i = i + l，判斷i〈 = M是否成立，若成立，則取Index(i)對應(yīng)的相鄰區(qū)域?qū)?，?復(fù)步驟(5d);若不成立，合并結(jié)束，得到二次合并圖像DT 2;
[0021] (6)對二次合并圖像DT2中的每個區(qū)域的灰度均值進(jìn)行升序排序得到合并順序列 表，然后采用SRM算法中的合并準(zhǔn)則對合并順序列表中的區(qū)域依次進(jìn)行區(qū)域合并，得到最終 的變化檢測結(jié)果。
[0022]本發(fā)明具有如下優(yōu)點：
[0023] 第一，本發(fā)明通過利用均值比和對數(shù)比各自的優(yōu)點構(gòu)建雙通道差異圖，可以彌補 由于實驗中SAR圖像只含有單通道數(shù)據(jù)，無法充分利用SRM算法中多通道約束能力的缺點；
[0024] 第二，本發(fā)明通過采用優(yōu)化的排序準(zhǔn)則，在均值差的基礎(chǔ)上加入了區(qū)域直方圖和 面積差異特征，使得排序更加合理，從而降低了發(fā)生錯誤合并的概率；
[0025] 第三，本發(fā)明利用混合級聯(lián)合并變化檢測方法結(jié)構(gòu)能有效地提高SAR圖像變化檢 測的精度。
【附圖說明】
[0026] 圖1為本發(fā)明的實現(xiàn)流程圖；
[0027] 圖2為用本發(fā)明對Bern數(shù)據(jù)集進(jìn)行SAR圖像變化檢測的結(jié)果圖；
[0028]圖3為本發(fā)明與現(xiàn)有RFLI CM算法、SRM算法對Bern數(shù)據(jù)集、Ottawa數(shù)據(jù)集和黃河數(shù) 據(jù)集的變化檢測結(jié)果圖。 具體實施方案
[0029]下面結(jié)合附圖，對本發(fā)明的實現(xiàn)步驟和效果作進(jìn)一步的詳細(xì)描述。
[0030]參照圖1，本發(fā)明的實現(xiàn)步驟如下：
[0031]步驟1，輸入兩幅不同時間相同地域的單通道SAR圖像X^X2,并利用非局部均值算 法去除該兩幅圖像中的相干斑噪聲，得到去噪后的圖像1^12。
[0032] (Ia)選取數(shù)據(jù)集中變化前的噪聲圖像X1=(XKi)IieihI為圖像像素域，對圖像 中任意一個像素點i，采用非局部均值算法去噪，得到該點的灰度估計值為：
[0033]
[0034] 其中，c〇(i，j)為權(quán)值，表示第i個像素與第j個像素之間的相似程度，〇彡co(i，j)
遍歷圖像心中所有的像素點，得到第一幅去噪后的圖像I1;
[0035] (Ib)選取數(shù)據(jù)集中變化后的噪聲圖像X2= {X2(i) |ie I}，對圖像中任意一個像素 點i，采用非局部均值算法去噪，得到該點的灰度估計值為：
[0036]
[0037]其中，權(quán)值co(i，j)表示第i個像素和第j個像素之間的相似程度，〇<co(i，j)<l 且
'遍歷圖像X2中所有的像素點，得到第二幅去噪后的圖像1 2。
[0038] 步驟2,用去噪后的兩幅圖像h、I2,構(gòu)造對數(shù)比值圖DI1和均值比值圖DI2。
[0039] (2a)用去噪后圖像I1J2中坐標(biāo)為（i，j)的像素點的像素值，計算對數(shù)比值差異圖 D11中像素點坐標(biāo)為（i，j)的像素值：
i歷去噪后圖像11、12中所有的 像素點，得到對數(shù)比值差異圖DI1，其中MiJ)，I2(i，j)分別為圖像I1,1 2中坐標(biāo)為（i，j)像 素點的像素值；
[0040] (2b)用去噪后的圖像IhI2中坐標(biāo)為（i，j)的像素點的像素值，計算均值比值差異 圖DI2中像素點坐標(biāo)為（i，j)的像素值：
遍歷去噪后圖 像h、I2中所有的像素點，得到均值比值差異圖DI2,其中以心^^心^分別為圖像^上 中以坐標(biāo)為(i，j)的像素點為中心的2*2領(lǐng)域像素平均值。
[0041]步驟3,將得到的對數(shù)比值差異圖DI1和均值比值差異圖DI2疊加成一幅雙通道差異 圖像DI。
[0042]步驟4,利用統(tǒng)計區(qū)域合并算法對雙通道差異圖像DI中的像素點進(jìn)行合并，完成差 異圖從像素空間到區(qū)域空間的轉(zhuǎn)變，得到第一次合并圖像DT1。
[0043] (4a)對雙通道差異圖像DI中每對像素計算相似度權(quán)重：
[0044]
[0045]其中Pk和p'k為兩個互為相鄰的像素值；
[0046] (4b)將相似度權(quán)重從小到太講行升序棑序，并桉照棑序順序，依次選取像素對判 斷該像素對是否合并:若滿5
則合并，其中，I代表k通道 R區(qū)域的平均像素值，R區(qū)域為Pk像素點所屬區(qū)域，
，數(shù)Q代表統(tǒng)計復(fù)雜 度，通過調(diào)節(jié)Q獲得不同程度的分割結(jié)果，Riri表示有IrI個像素的區(qū)域集合，且有I |rr|
11是圖像I包含的像素點個數(shù);否則，不合并；當(dāng)每一 組像素對都完成此判斷過程時，即得到第一次合并圖像DTu
[0047] 步驟5,利用多層動態(tài)排序統(tǒng)計區(qū)域合并算法對第一次合并圖像DT1中的區(qū)域進(jìn)行 進(jìn)一步的合并，得到第二次合并結(jié)果DT 2。
[0048] (5a)遍歷第一次合并圖像DT1中相鄰的區(qū)域，確定區(qū)域?qū)€數(shù)Μ;
[0049] (5b)計算區(qū)域?qū)Φ南嗨贫萬 (R'，R):
[0050]
[0051 ] 式中R'和R表示互為相鄰的兩個區(qū)域，^和出分別表示相鄰兩區(qū)域中的特征向量，
，其中?代表k通道R區(qū)域的平均像素值，A (Rk) 表示R區(qū)域的統(tǒng)計直方圖矩陣，IrI表示區(qū)域R的像素個數(shù);S^1為相鄰區(qū)域特征向量的協(xié)方差 矩陣S(a，b)的逆矩陣；
[0052] (5c)將相似度f(R'，R)從小到大排序，得到合并順序列表1ndex(i)，i為遍歷合并 順序列表的指針，設(shè)i = l，選定相似度f(R，R'）最小值的區(qū)域?qū)?R，R'）；
[0053] ( 5 d )根據(jù)以下公式判定最小值的區(qū)域?qū)Γ≧，R '）是否合并：若滿足
則合并，計算此時的相鄰區(qū)域?qū)€數(shù)M，更新相鄰區(qū)域?qū)?(1^'）的相似度匕+1(1^'）和合并順序列表111(^(1)，設(shè)1 = 1，選定匕+1(1^'）最小值的區(qū) 域?qū)?R，R'），再次判斷最小值的區(qū)域?qū)?R，R'）是否合并，fn+1(R，R'）的計算公式如下：
[0054] .
[0055] 7同程度的分割 結(jié)果，RlRl表示有|R|個像素的區(qū)域，且有I |R|r|| |<(|R|+l)min(|R|'g)，g = 256，|R|表示區(qū)域 含有的像素個數(shù)，常I
:|是圖像I包含的像素點個數(shù)，代表k通道R區(qū)域的平均 像素值;fn(R，R'）代表第η次合并之前R'區(qū)域和R區(qū)域的相似度，Φ和識分別表示本次相似度 和歷史相似度的權(quán)重，￥ +
[0056] 否則，i = i + l，判斷i〈 = M是否成立，若成立，則取Index(i)對應(yīng)的相鄰區(qū)域?qū)?，?復(fù)步驟(5d);若不成立，合并結(jié)束，得到第二次合并圖像DT2。
[0057]步驟6,對第二次合并圖像DT2中的每個區(qū)域的灰度均值進(jìn)行升序排序，然后采用 統(tǒng)計區(qū)域合并算法中的合并準(zhǔn)則進(jìn)行區(qū)域合并，得到最終變化檢測結(jié)果圖。
[0058] (6a)計算第二次合并圖像DT2中的每個區(qū)域的灰度均值
[0059]
[0060] 式中Pl表示圖像中灰度值為i的像素點所占區(qū)域中所有像素點的比例，k表示圖像 灰度級最大值，并將其進(jìn)行升序排序；
[0061] (6b)按照排序順序，依次選取區(qū)域?qū)Σ⑹褂靡韵潞喜?zhǔn)則判斷該區(qū)域?qū)κ欠窈?br>IJ合并，其中，&代表k通道R區(qū)域的平均像素
[，通過調(diào)節(jié)Q獲得不同程度的分割結(jié)果，R|r|表 示有I RI個像素的區(qū)域集合，且有
I是圖像 I包含的像素點個數(shù);否則，不合并。
[0062] 遍歷所有區(qū)域后，即得到最終變化檢測結(jié)果圖。
[0063]本發(fā)明的效果結(jié)合以下仿真實驗進(jìn)一步說明：
[0064] 1.仿真條件
[0065] 本發(fā)明是在中央處理器為Intel(R)Core i5-34703.2GHZ、內(nèi)存8G、WIND0WS 7操作 系統(tǒng)的PC上，運用MATLAB 2013b進(jìn)行的仿真實驗。
[0066] 2.仿真內(nèi)容
[0067]仿真1，采用本發(fā)明方法對Bern數(shù)據(jù)集進(jìn)行變化檢測，檢測結(jié)果如圖2所示，其中： [0068]圖2(a)表示輸入的變化前圖像；
[0069]圖2(b)表示輸入的變化后圖像；
[0070] 圖2(c)表示對輸入的變化前、變化后圖像進(jìn)行對數(shù)比值處理得到的對數(shù)比值差異 圖；
[0071] 圖2(d)表示對輸入的變化前、變化后圖像進(jìn)行均值比值處理得到的均值比值差異 圖；
[0072] 圖2(e)表示對由對數(shù)比值差異圖和均值比值差異圖疊加成的雙通道差異圖進(jìn)行 合并得到的第一次合并結(jié)果圖；
[0073] 圖2(f)表示在第一次合并結(jié)果圖的基礎(chǔ)上進(jìn)行合并得到的第二次合并結(jié)果圖； [0074]圖2(g)表示在第二次合并結(jié)果圖的基礎(chǔ)上進(jìn)一步合并得到的最終變化檢測結(jié)果 圖。
[0075]由圖2可以看出，本發(fā)明方法能有效地將SAR圖像中的變化區(qū)域檢測出來。
[0076]仿真2,采用RFLICM算法、SRM算法和本發(fā)明方法對Bern數(shù)據(jù)集、Ottawa數(shù)據(jù)集和黃 河數(shù)據(jù)集進(jìn)行變化檢測，結(jié)果如圖3所示，其中：
[0077]圖3(a)表示三組數(shù)據(jù)集的輸入變化前圖像；
[0078]圖3 (b)表示三組數(shù)據(jù)集的輸入變化后圖像；
[0079]圖3 (c)表示三組數(shù)據(jù)集的RFLICM算法的檢測結(jié)果；
[0080]圖3(d)表示三組數(shù)據(jù)集的SRM算法的檢測結(jié)果；
[0081 ]圖3(e)表示三組數(shù)據(jù)集的MDS-SRM算法的檢測結(jié)果；
[0082]圖3(f)表示三組數(shù)據(jù)集的標(biāo)準(zhǔn)參考圖。
[0083]由圖3可以看出，相比于RFLICM算法和SRM算法，本發(fā)明方法能夠有效提高SAR圖像 中變化區(qū)域的檢測精確度。
[0084]以上描述僅是本發(fā)明的一個具體實例，顯然對于本領(lǐng)域的專業(yè)人員來說，在了解 了本
【發(fā)明內(nèi)容】
和原理之后，都可能在不背離本發(fā)明原理、結(jié)構(gòu)的情況下，進(jìn)行形式和細(xì)節(jié)上 的各種修正和改變，但是這些基于本發(fā)明思想的修正和改變?nèi)栽诒景l(fā)明的權(quán)利要求范圍之 內(nèi)。
【主權(quán)項】
1. 一種基于MDS-SRM混合級聯(lián)的SAR圖像變化檢測方法，包括： (1) 輸入兩幅不同時間相同地域的單通道SAR圖像X^Xs，并利用非局部均值算法去除該 兩幅圖像中的相干斑噪聲，得到去噪后的兩幅圖像I#PI 2; (2) 用去噪后的圖像UPI2,構(gòu)造對數(shù)比值圖Dh和均值比值圖DI2; (3) 將構(gòu)造的對數(shù)比值差異圖Dh和均值比值差異圖DI2進(jìn)行疊加，得到成一幅雙通道差 異圖像DI; (4) 利用統(tǒng)計區(qū)域合并算法對雙通道差異圖像DI中的像素點進(jìn)行合并，完成差異圖從 像素空間到區(qū)域空間的轉(zhuǎn)變，得到第一次合并圖像DTi; (5) 利用多層動態(tài)排序統(tǒng)計區(qū)域合并算法對一次合并后圖像Dh中的區(qū)域進(jìn)行二次合 并，得到擁有較大區(qū)域的二次合并圖像DT2: (5a)遍歷一次合并圖像DTi中相鄰的區(qū)域，確定區(qū)域?qū)€數(shù)Μ; (5b)計算區(qū)域?qū)Φ南嗨贫萬 (R'，R):式中R'和R表示相鄰的兩個區(qū)域，心和出分別表示相鄰兩區(qū)域中的特征向量， 示R區(qū)域的統(tǒng)計直方圖矩陣，IRI表示區(qū)域R的像素個數(shù);為相鄰區(qū)域特征向量的協(xié)方差矩 陣S(a，b)的逆矩陣； (5c)將相似度f(R'，R)從小到大排序，得到合并順序列表1ndex(i)，i為遍歷合并順序 列表的指針，設(shè)i = l，選定相似度f(R，R'）最小值的區(qū)域?qū)?R，R'）； (5 d )根據(jù)以下公式判定最小值的區(qū)域?qū)Γ≧，R '）是否合并：若滿足計算此時的相鄰區(qū)域?qū)€數(shù)Μ并更新相鄰區(qū)域?qū)? (R，R'）的相似度 fn+i(R，R'）：參數(shù)Q代表統(tǒng)計復(fù)雜度，通過調(diào)節(jié)Q獲得不同程度的分割結(jié)果， R|r|表示有|R|個像素的區(qū)域，且有I |R|r|| I彡（|R|+l)min(|RU)，g = 256，|R|表示區(qū)域含有的 像素個數(shù)，? 11是圖像I包含的像素點個數(shù)，瓦代表k通道R區(qū)域的平均像素值； fn(R，R'）代表了第η次合并之前R'區(qū)域和R區(qū)域的相似度，Φ和P分別表示本次相似度和歷 史相似度的權(quán)重，0 +供=1。更新合并順序列表1ndex(i)，設(shè)i = l，選定fn+i(R，R'）最小值的 區(qū)域?qū)?R，R'），再次判斷最小值的區(qū)域?qū)?R，R'）是否合并； 否則，i = i + l，判斷i〈 = M是否成立，若成立，則取Index(i)對應(yīng)的相鄰區(qū)域?qū)?，重?fù)步 驟(5d);若不成立，合并結(jié)束，得到二次合并圖像DT2; (6) 對二次合并圖像DT2中的每個區(qū)域的灰度均值進(jìn)行升序排序得到合并順序列表，然 后采用SRM算法中的合并準(zhǔn)則對合并順序列表中的區(qū)域依次進(jìn)行區(qū)域合并，得到最終的變 化檢測結(jié)果。2. 根據(jù)權(quán)利要求1所述的基于混合級聯(lián)統(tǒng)計區(qū)域合并的SAR圖像變化檢測方法，其中步 驟（1)中利用非局部均值算法去除原始輸入兩幅圖像中的相干斑噪聲，是根據(jù)原始輸入的 噪聲圖像￥={<1)|16 1}，1為圖像像素域，對圖像中任意一個像素點1，采用非局部均值算 法去噪，得到該點的灰度估計值為：其中，權(quán)值ω (i，j)表示像素 i和j之間的相似程度，并滿足條件〇< ω (i，j)<l且3. 根據(jù)權(quán)利要求1所述的基于混合級聯(lián)統(tǒng)計區(qū)域合并的SAR圖像變化檢測方法，其中步 驟⑵中用去噪后的圖像Ii、I2,構(gòu)造對數(shù)比值圖Dh和均值比值圖DI 2,按照如下步驟進(jìn)行： (2 a )用去噪后圖像I i、12中坐標(biāo)為（i，j )的像素點的像素值，通過公式構(gòu)造對數(shù)比值差異圖Dh*坐標(biāo)為（i，j)的像素點Dh(i，j)，遍歷去噪 后圖像h、I2中所有的像素點，即得到對數(shù)比值差異圖DI1; (2b)用去噪后的圖像h、I2中坐標(biāo)為（i，j)的像素點的像素值，通過公式構(gòu)造均值比值差異圖DI2中坐標(biāo)為（i，j)的像素點DI 2 (1，」），遍歷去噪后圖像11、12中所有的像素點，即得到均值比值差異圖〇12。其中以 1(1，」）狀 (i，j)分別為圖像Ii，I2中以坐標(biāo)為(i，j)的像素點為中心的2*2領(lǐng)域像素平均值。4. 根據(jù)權(quán)利要求1所述的基于混合級聯(lián)統(tǒng)計區(qū)域合并的SAR圖像變化檢測方法，其中步 驟(4)中利用統(tǒng)計區(qū)域合并算法對構(gòu)建的差異圖像DI中的像素點進(jìn)行合并，按照如下步驟 進(jìn)行： (4a)對差異圖像DI中每對相鄰像素計算相似度權(quán)重：其中Pk和p ' k為相鄰像素對的像素值； (4b)將相似度權(quán)重從小到大進(jìn)行升序排序，并按照排序順序，依次選取像素對判斷該 像素對是否合并：其中，瓦代表k通道R區(qū)域 的平均像素值，R區(qū)域為pk像素點所屬區(qū)域，?參數(shù)Q代表統(tǒng)計復(fù)雜度，通 過調(diào)節(jié)Q獲得不同程度的分割結(jié)果，R|r|表示有|R|個像素的區(qū)域集合，且有I |R|r|| |<(n+l )min(|R|，g)，g = 256，是圖像I包含的像素點個數(shù);否則，不合并；當(dāng)每一組像 素對都完成判斷過程時，即得到第一次合并圖像DTu5. 根據(jù)權(quán)利要求1所述的基于混合級聯(lián)統(tǒng)計區(qū)域合并的SAR圖像變化檢測方法，其中步 驟(5)中協(xié)方差矩陣S(a，b)，表示如下：中的第a 個或第b個特征向量，^代表k通道R區(qū)域的平均像素值，A(Rk)表示R區(qū)域的統(tǒng)計直方圖矩 陣，|R|表示區(qū)域R的像素個數(shù)，μ表示相鄰區(qū)域特征向量的均值。
【文檔編號】G06T5/00GK106056577SQ201610333713
【公開日】2016年10月26日
【申請日】2016年5月19日
【發(fā)明人】張建龍, 張羽君, 高新波, 周曉鵬
【申請人】西安電子科技大學(xué)