專利名稱：基于聚類的高階累量交叉熵的sar圖像變化檢測方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及圖像目標變化檢測方法，適用于兩幅不同時相SAR圖像中含有目標變化信息，被噪聲嚴重污染的變化檢測。

背景技術(shù)：
變化檢測旨在通過同一地區(qū)不同時期的圖像間的差異來得到感興趣的地物變化信息，它是開展森林資源調(diào)查、土地利用、覆蓋變化研究、環(huán)境災(zāi)害評估、城市規(guī)劃和國防軍情監(jiān)控等對地觀測應(yīng)用中的關(guān)鍵技術(shù)，具有迫切的需要和廣泛的應(yīng)用前景。合成孔徑雷達SAR具有全天候，全天時的特點，是很好的變化檢測信息源，研究SAR圖像變化檢測技術(shù)有著非常廣闊的應(yīng)用前景。
變化檢測是遙感領(lǐng)域研究的重點和熱點問題，許多學(xué)者從不同的角度對現(xiàn)有的變化檢測方法進行了分類和分析。變化檢測方法主要考慮圖像對圖像的檢測，是在像元級水平上發(fā)展起來的檢測方法。現(xiàn)有的變化檢測方法可以歸納為兩大類一類是監(jiān)督檢測法，另一類是非監(jiān)督檢測法。前者是指根據(jù)地面真實數(shù)據(jù)來獲取變化區(qū)域的訓(xùn)練樣區(qū)，從而進行變化檢測；后者是直接對兩個不同時相的數(shù)據(jù)檢測而不需要任何額外的信息。由于地面的真實信息不容易得到，因此非監(jiān)督的變化檢測方法是常用的變化檢測方法。非監(jiān)督檢測法通常做法是直接比較同一位置不同時相的像元特征值來檢測變化，通常采用數(shù)學(xué)變換的方式產(chǎn)生不同時相間的差異影像，再對差異影像進行閾值化處理，從中提取變化區(qū)域。從影像是否配準角度出發(fā)，提出了先配準影像再變化檢測和變化檢測與影像配準同時進行的方法。從算法的角度而言，許多學(xué)者提出了多種方法的綜合使用，這些方法包括使用人工神經(jīng)網(wǎng)絡(luò)、馬爾科夫隨機場、數(shù)學(xué)形態(tài)學(xué)和模糊邏輯等。
盡管各種變化檢測方法已經(jīng)廣泛的應(yīng)用到諸多領(lǐng)域，然而，從整體上來說變化檢測對小目標的檢測效果仍然存在著變化細節(jié)嚴重丟失和在變化范圍很小的情況下檢測結(jié)果不準確的問題和二值圖像中目標無法明確從雜點中提取的問題。


發(fā)明內(nèi)容
本發(fā)明的目的在于克服上述已有問題的缺點，提出了一種基于聚類的高階累量交叉熵的SAR圖像變化檢測方法，以自動實現(xiàn)SAR圖像對小目標的變化檢測，并提出了一種在二值圖像中將目標從雜點中提取出來的方法。
實現(xiàn)本發(fā)明目的技術(shù)方案是首先分別對兩幅不同時相的圖像取對應(yīng)窗口，分別檢測兩幅圖像中對應(yīng)窗口中與窗口中心點屬同一類別的像素，然后通過兩幅圖像對應(yīng)窗口像素分布類型的差異得到圖像的變化差異圖，用最大類間方差閾值方法對變化差異圖進行分割，得到包含目標的二值圖像。最后對二值圖像中每一個像素點進行判斷，得到變化目標像素點。其具體步驟包括如下 (1)選取兩幅不同時相的SAR圖像，對單幅圖像以每一個像素為中心選取窗口作為該中心點的鄰域，對窗口內(nèi)像素進行K均值聚類，根據(jù)聚類結(jié)果進行類別合并，確定窗口內(nèi)類別，提取與中心像素點同屬一類的像素點； (2)將步驟(1)中提取出的第一幅圖的像素點個數(shù)n1和第二幅圖的像素點個數(shù)n2進行個數(shù)一致性處理，如果n1＜n2，則在第二幅圖窗口中計算所有與窗口中心點同類的像素點與窗口中心點的歐式距離，并選取n1個歐式距離最小的像素點作為第二幅圖窗口的像素點；如果n1＞n2，則在第一幅圖窗口中計算所有與窗口中心點同類的像素點與窗口中心點的歐式距離，并選取n2個歐式距離最小的像素點作為第一幅圖窗口的像素點，以處理后的兩組像素點作為樣本點進行基于高階累量的交叉熵計算，得到變化差異圖； (3)對每一個像素點重復(fù)步驟(1)～(2)，得到一幅變化差異圖； (4)對得到的變化差異圖用最大類間方差閾值方法取閾值，得到包含目標像素點的二值圖像； (5)在二值圖像中以每一個像素為中心選取窗口邊長為L的正方形窗口，窗口內(nèi)像素個數(shù)為L2； (6)計算窗口內(nèi)部包含的目標像素點的個數(shù)N，如果N＞L+1，則確認此窗口中心像素是目標像素點；如果N≤L+1，計算與窗口中心像素點相連通的目標像素點的個數(shù)n，如果n＞(L+1)/2，則確認此窗口中心像素點是目標像素點，如果n≤(L+1)/2，則將此窗口中心像素點標記為被錯誤檢測的像素點，將所有被標記的像素點的像素值設(shè)為0； (7)重復(fù)步驟(5)～(6)，對每一個像素點進行判斷，得到最終的變化檢測結(jié)果圖。
本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點 1.由于基于模型分布差異的變化檢測方法對像素分布類型依賴性較大，而小尺度圖像與大尺度圖像相比在相同尺度范圍內(nèi)所有像素點都隸屬于同一分布類型的置信度很小，如果窗口內(nèi)所有像素點都參與變化檢測，則在檢測過程中極易產(chǎn)生細節(jié)丟失的情況，本發(fā)明利用K均值聚類提取窗口內(nèi)相同分布類型的像素點，用提取出的像素點參與計算，極大地提高了檢測效果； 2.本發(fā)明采用K均值聚類選擇像素點后，對區(qū)域塊再單獨作變化檢測，提高了檢測精度； 3.由于SAR圖像含有高噪聲，在小目標變化檢測中容易錯誤的將干擾像素當成小目標像素檢測出來，本發(fā)明利用變化目標像素存在連通性的特點，提出了去除干擾像素點的方法，提高了檢測精度。



圖1是本發(fā)明的實現(xiàn)流程示意圖； 圖2是本發(fā)明中試驗的使用的兩幅不同時相遙感圖像； 圖3是本發(fā)明與現(xiàn)有對比實驗方法的差異圖像； 圖4是通過本發(fā)明得到的含有雜點的變化檢測二值圖像； 圖5是通過本發(fā)明得到的遙感圖像變化檢測結(jié)果與現(xiàn)有對比實驗方法的變化檢測結(jié)果圖以及變化檢測結(jié)果參考圖。

具體實施例方式 參照圖1，本發(fā)明的具體實施步驟如下 步驟1.選取兩幅不同時相的SAR圖像。
實驗圖像選取的是兩幅不同時相的水域目標SAR圖像，如圖2所示，其中圖2(a)為第一時相，圖2(b)為第二時相，變化信息為水域目標的變化，這兩種不同時相的SAR圖像中包含有目標變化信息，且兩幅SAR圖像的大小均為318×318，記圖像邊長為R，R＝318。
步驟2.在窗口內(nèi)提取與窗口中心點同類別的像素點，具體步驟如下 1a)以坐標(i，j)為中心，分別取邊長為R/6的窗口W1和W2，用K均值聚類方法將窗口內(nèi)像素聚為M類，M∈[6，10]； 1b)分別計算各個類別的像素值均值，并按均值大小對各個類別進行排序，將排序后的各類別的均值記為μi(i＝1，2，…，M)； 1c)計算兩個相鄰類別的均值之差Δμij((i，j)＝(1，2)，(2，3)，…，(M-1，M))和均值之差的均值μ； 1d)比較相鄰兩個類別的均值之差Δμij((i，j)＝(1，2)，(2，3)，…，(M-1，M))與均值之差的均值μ，如果第i類和第j類的均值之差Δμij小于0.8μ或大于1.2μ則將i和j合并為一類，否則不合并； 1e)在兩個窗口分別取與對應(yīng)中心點同屬一類的所有像素點集合，記為J1和J2，其包含的像素個數(shù)分別為n1和n2。
步驟3.將提取出的第一幅圖像像素點集合J1的像素點個數(shù)n1和第二幅圖像像素點集合J2的像素點個數(shù)n2進行個數(shù)一致性處理，處理后的像素點集合分別記為X和Y。
該一致性處理，根據(jù)第一個窗口的像素點個數(shù)n1和第二個窗口的像素點個數(shù)n2的大小不同，處理過程如下 3a)如果n1＜n2，則計算第二幅圖像窗口中的像素點集合J2中的所有像素點與窗口中心點的歐式距離d，假設(shè)像素點I∈J2，I的坐標為(i，j)，窗口中心像素點C的坐標為(m，n)，則像素點I和窗口中心點的歐氏距離在集合J2中選取n1個歐式距離最小的像素點作為第二幅圖窗口W2的像素點，此時將兩幅圖像窗口中選取得到的像素點集合分別記為X和Y； 3b)如果n1＞n2，則計算第一幅圖像窗口中的像素點集合J1中的所有像素點與窗口中心點的歐式距離d，假設(shè)像素點J∈J1，J的坐標為(i，j)，窗口中心像素點C的坐標為(m，n)，則像素點J和窗口中心點的歐氏距離在集合J1中選取n2個歐式距離最小的像素點作為第一幅圖窗口W1的像素點，此時將兩幅圖像窗口中選取得到的像素點集合分別記為X和Y。
步驟4.用在兩幅圖像窗口中選取得到的像素點集合X和Y中的像素點進行基于高階累量的交叉熵計算，得到變化差異圖，如圖3(a)所示，具體步驟如下 4a)計算集合X的一階矩mX；1和二階矩mX；2，并根據(jù)mX；1和mX；2計算KX；1和KX；2，方程式如下 KX；1＝mX；1 fX(x)為集合X的概率密度函數(shù)，x∈
； 4b)計算集合Y的一階矩mY；1和二階矩mY；2，并根據(jù)mY；1和mY；2計算KY；1和KY；2，方程式如下 KY；1＝mY；1 fY(x)為集合Y的概率密度函數(shù)，x∈
； 4c)根據(jù)集合X、KX；1和KX；2計算集合X的變形X′，根據(jù)集合Y、KY；1和KY；2計算集合Y的變形Y′ ； 4d)計算集合X′的n階矩mX′；n(n＝1，2，3，4)，并根據(jù)mX′；n(n＝1，2，3，4)計算KX′；3和KX′；4，方程式如下 fX′(x)為集合X′的概率密度函數(shù)，x∈
； 4e)計算集合Y′的n階矩mY′；n(n＝1，2，3，4)，并根據(jù)mY′；n(n＝1，2，3，4)計算KY′；3和KY′；4，方程式如下 fY′(x)為集合Y′的概率密度函數(shù)，x∈
； 4f)計算n階切比雪夫多項式Hn(x)(n＝3，4，6)，方程式如下 其中，x∈
； 4g)計算含有n個像素的集合X的均值μX和方差σ2X (xi∈X|i＝1，2，…，n)， (xi∈X|i＝1，2，…，n) 計算含有m個像素的集合Y的均值和方差μY和σ2Y (yi∈Y|i＝1，2，…，n)； (yi∈Y|i＝1，2，…，n) 4h)用均值μX、方差σ2X計算高斯函數(shù)GX(x)，用均值μY、方差σ2Y計算高斯函數(shù)GY(x) 其中，x∈
； 4i)計算集合X的概率密度fX(x)和集合Y的概率密度fY(x) 其中，x∈
； 4j)用集合X的概率密度fX(x)和集合Y的概率密度fY(x)計算交叉熵 KLD＝K(Y|X)+K(X|Y) 其中x∈
， KLD為該窗口中心點在差異圖像中的像素值； 4h)計算所有像素點的KLD，得到一幅變化差異圖像。
步驟5.計算差值圖的最大類間方差閾值，根據(jù)此閾值將差值圖中感興趣區(qū)域中大于閾值的像素點作為變化類，否則作為非變化類，得到一幅二值圖像，該二值圖像包含真實目標與偽目標，如圖4所示。
步驟6.對二值圖像考慮鄰域關(guān)系進行基于鄰域的去雜點運算得到最終的變化檢測結(jié)果，具體步驟如下 6a)在二值圖像中以每一個像素為中心選取窗口邊長為L的正方形窗口，窗口內(nèi)像素個數(shù)為L2； 6b)計算窗口內(nèi)部包含的目標像素點的個數(shù)N； 6c)根據(jù)N的大小采用不同的處理方法 如果N＞L+1，則確認此窗口中心像素是目標像素點； 如果N≤L+1，由于在目標鄰域有連通性的情況下，有極大地置信度可以認為該目標是真實目標，而在目標鄰域基本沒有連通性的情況下，可以認為該目標是偽目標，所以計算與窗口中心像素點相連通的目標像素點的個數(shù)n，如果n＞(L+1)/2，則確認此窗口中心像素點是目標像素點；如果n≤(L+1)/2，則將此窗口中心像素點標記為被錯誤檢測的像素點，將所有被標記的像素點的像素值設(shè)為0； 6d)對每一個像素點進行判斷，得到最終的變化檢測結(jié)果圖，如圖5(a)所示，從圖5(a)的結(jié)果可以看出本發(fā)明比較精確的檢測出了變化目標。
本發(fā)明的效果通過以下實驗具體說明 1.實驗數(shù)據(jù) 本發(fā)明使用了兩組遙感圖像。第一組真實實驗數(shù)據(jù)集是通過Landsat 7ETM+4波段獲得的墨西哥郊外的兩幅大小為512×512的真實圖像，256灰度級，第一時相圖像是在2000年4月獲得，如圖2(a)所示；第二時相SAR圖像是在2002年5月獲得，如圖2(b)所示，變化區(qū)域主要為大火破壞了大面積的當?shù)刂脖凰隆D5(c)為圖2(a)和圖2(b)變化檢測結(jié)果參考圖，圖5(a)為本發(fā)明關(guān)于圖2(a)和圖2(b)的變化檢測結(jié)果。第二組數(shù)據(jù)是常用于遙感變化檢測精度評價的模擬MTRSI數(shù)據(jù)集。該數(shù)據(jù)集由ATM(Airborne Thematic Mapper)3波段影像和模擬變化影像構(gòu)成，其中，ATM影像位于英國Feltwell村莊的一個農(nóng)田區(qū)，模擬變化影像通過模擬地球的天氣變化和電磁波的輻射特性等因素影響并人工地嵌入一些變化區(qū)域得到，影像大小均為470×335，256灰度級，兩幅影像配準誤差為1.5個像元左右。
2.對比實驗及實驗評價指標 Jordi Inglada等學(xué)者在2007年文章“A NEW Statistical Similarity Measurefor Change Detection in Multitemporal SAR Images and Its Extension toMultiscale Change Analysis”中提出一種基于高階累量交叉熵變化檢測方法，該方法將兩時相遙感圖像進行運算得到差異圖。
本發(fā)明設(shè)計一個實驗來驗證本發(fā)明的有效性。為了驗證在得到變化差異圖的方面本發(fā)明的有效性，實驗采用本文檢測變化差異的方法和基于高階累量的交叉熵的檢測變化差異的方法進行對比，來驗證本發(fā)明檢測出的感興趣區(qū)域?qū)ψ兓瘷z測結(jié)果的影響，其中本發(fā)明的變化差異圖，如圖3(a)所示，基于高階累量的交叉熵方法得到的變化差異圖，如圖3(b)所示，本發(fā)明的變化檢測結(jié)果圖，如圖5(a)所示，基于高階累量的交叉熵方法得到的變化檢測結(jié)果圖，如圖5(b)所示。
實驗中的對變化檢測結(jié)果進行量和質(zhì)的分析。量的評價指標包括虛警數(shù)、漏檢數(shù)以及總錯誤數(shù)，質(zhì)的評價是將變化檢測結(jié)果圖5(a)、圖5(b)與參考圖5(c)進行主觀視覺對比。
3.實驗結(jié)果與分析 實驗中，本發(fā)明得到的變化檢測差異圖如圖3(a)所示，基于高階累量交叉熵變化檢測方法得到的變化檢測差異圖如圖3(b)所示。從圖3(a)與圖3(b)的比較可以看出，圖3(a)中可以明顯看出變化目標的大概范圍，而圖3(b)中幾乎檢測不出變化目標。本發(fā)明得到的變化檢測結(jié)果如圖5(a)所示，基于高階累量交叉熵變化檢測方法得到的變化檢測結(jié)果如圖5(b)所示。從圖5(a)中可以看出，本發(fā)明很接近于參考圖5(c)，而圖5(b)中變化信息缺失極大。
表1給出了實驗中第一組實驗數(shù)據(jù)結(jié)果技術(shù)指標，表2給出了實驗中第二組實驗數(shù)據(jù)結(jié)果技術(shù)指標。從表1和表2可以看出，對兩組真實的遙感圖像，本發(fā)明的總錯誤數(shù)比基于高階累量交叉熵方法的總錯誤數(shù)分別少了66％和82％，明顯的檢測出變化區(qū)域。說明變化區(qū)的完整性得到了保持。總的來說，本發(fā)明實現(xiàn)了對小目標的變化檢測，同時較好的在去除雜點的過程中保持了變化的細節(jié)。
表1實驗的第一組實驗數(shù)據(jù)結(jié)果
表2實驗的第二組實驗數(shù)據(jù)結(jié)果

權(quán)利要求
1.一種基于聚類的高階累量交叉熵的SAR圖像變化檢測方法，包括如下步驟
(1)選取兩幅不同時相的SAR圖像，對單幅圖像以每一個像素為中心選取窗口作為該中心點的鄰域，對窗口內(nèi)像素進行K均值聚類，根據(jù)聚類結(jié)果進行類別合并，確定窗口內(nèi)類別，提取與中心像素點同屬一類的像素點；
(2)將步驟(1)中提取出的第一幅圖的像素點個數(shù)n1和第二幅圖的像素點個數(shù)n2進行個數(shù)一致性處理，如果n1＜n2，則在第二幅圖窗口中計算所有與窗口中心點同類的像素點與窗口中心點的歐式距離，并選取n1個歐式距離最小的像素點作為第二幅圖窗口的像素點；如果n1＞n2，則在第一幅圖窗口中計算所有與窗口中心點同類的像素點與窗口中心點的歐式距離，并選取n2個歐式距離最小的像素點作為第一幅圖窗口的像素點，以處理后的兩組像素點作為樣本點進行基于高階累量的交叉熵計算，得到變化差異(3)對每一個像素點重復(fù)步驟(1)～(2)，得到一幅變化差異(4)對得到的變化差異圖用最大類間方差閾值方法取閾值，得到包含目標像素點的二值圖像；
(5)在二值圖像中以每一個像素為中心選取窗口邊長為L的正方形窗口，窗口內(nèi)像素個數(shù)為L2；
(6)計算窗口內(nèi)部包含的目標像素點的個數(shù)N，如果N＞L+1，則確認此窗口中心像素是目標像素點；如果N≤L+1，計算與窗口中心像素點相連通的目標像素點的個數(shù)n，如果n＞(L+1)/2，則確認此窗口中心像素點是目標像素點，如果n≤(L+1)/2，則將此窗口中心像素點標記為被錯誤檢測的像素點，將所有被標記的像素點的像素值設(shè)為0；
(7)重復(fù)步驟(5)～(6)，對每一個像素點進行判斷，得到最終的變化檢測結(jié)果圖。
2.根據(jù)權(quán)利要求1所述的基于聚類的高階累量交叉熵的SAR圖像變化檢測方法，其中步驟(1)所述的對窗口內(nèi)像素進行K均值聚類，是先取原SAR圖像邊長的1/6作為窗口大?。辉俨捎肒均值聚類方法，將窗口內(nèi)像素聚為M個類別，M∈[6，10]。
3.根據(jù)權(quán)利要求1所述的基于聚類的高階累量交叉熵的SAR圖像變化檢測方法，其中步驟(1)所述的對窗口內(nèi)像素聚類的結(jié)果進行類別合并，按如下步驟進行
3a)計算各類內(nèi)像素的均值，按均值大小將各類排序，將排序后的各類別均值記為μi(i＝1，2，…，M)；
3b)計算相鄰的兩個類別的均值之差Δμij((i，j)＝(1，2)，(2，3)，…，(M-1，M))和全部相鄰類別的均值之差的均值μ；
3c)比較相鄰的兩個類別的均值之差Δμij((i，j)＝(1，2)，(2，3)，…，(M-1，M))與均值之差的均值μ，如果第i類和第j類的均值之差Δμij小于0.8μ或大于1.2μ，則將i和j合并為一類，否則不合并。
4.根據(jù)權(quán)利要求1所述的基于聚類的高階累量交叉熵的SAR圖像變化檢測方法，其中步驟(2)所述的像素點(i，j)與像素點(m，n)之間的歐式距離d用方程式表示如下
d2＝(i-m)2+(j-n)2(4A)
5.根據(jù)權(quán)利要求1所述的基于聚類的高階累量交叉熵的SAR圖像變化檢測方法，其中步驟(2)所述的基于高階累量的交叉熵計算得到變化差異圖，按如下步驟進行
5a)計算兩個對應(yīng)窗口像素集合X的概率密度fX和集合Y的概率密度fY
其中，KX；n為集合X的n階矩mX；n組成的表達式
KX；1＝mX；1
KY；n為集合Y的n階矩mY；n組成的表達式
KY；1＝mY；1
Hn(x)是n階切比雪夫多項式，由下式計算
GX(x)和GY(x)分別為與集合X合集合Y同均值同方差的高斯函數(shù)；
5b)將集合X和Y的概率密度fX和fY概率密度代入交叉熵方程
KLD＝K(Y|X)+K(X|Y)
得到的KLD值作為窗口中心像素點的熵值，此熵值作為變化差異圖對應(yīng)像素點的像素值；
5c)重復(fù)步驟5b)，對每一個像素點進行計算，得到變化差異圖。
全文摘要
本發(fā)明公開了一種基于聚類的高階累量交叉熵的SAR圖像變化檢測方法，主要解決現(xiàn)有模型法檢測中，在變化范圍很小的情況下檢測結(jié)果不準確的缺點。其實現(xiàn)過程包括(1)利用K均值聚類方法提取窗口的像素點；(2)利用歐氏距離去掉多余像素點；(3)用提取出的窗口的像素點作為樣本點進行基于高階累量的交叉熵算法計算，得到變化差異圖；(4)對差異圖用最大類間方差閾值方法得到二值圖；(5)對二值圖像考慮鄰域關(guān)系進行基于鄰域的去雜點運算得到最終的變化檢測結(jié)果。本發(fā)明具有檢測小目標變化的優(yōu)點，可用于檢測多時相SAR圖像變化的目標。
文檔編號G01S7/41GK101738607SQ200910219350
公開日2010年6月16日 申請日期2009年12月7日 優(yōu)先權(quán)日2009年12月7日
發(fā)明者焦李成, 張小華, 張靜, 侯彪, 劉芳, 王爽, 馬文萍, 張向榮 申請人:西安電子科技大學(xué)