專利名稱：基于Memetic核聚類的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，主要是基于Memetic局部學(xué)習(xí)算法來優(yōu)化核聚類適應(yīng)度函數(shù)值，該方法可用于對不同時間采集到的圖像作變化檢測。
背景技術(shù)：
遙感圖像變化檢測是研究不同時段的同一場景圖像之間發(fā)生的變化。圖像變化主要檢測輻射值和局部紋理的變化。這些變化可能是由于圖像場景的真實變化引起的，或者是由照射角、大氣條件、傳感器精度、地面濕度等變化而引起的，從機載、星載SAR得到的圖像數(shù)據(jù)的一個重要應(yīng)用就是變化檢測。變化檢測技術(shù)在環(huán)境監(jiān)測等民用領(lǐng)域已被廣泛應(yīng)用，如土地利用分析、森林采伐監(jiān)測、災(zāi)情估計等。由于SAR圖像具有在大范圍成像、全天時、全天候偵察的優(yōu)點，變化檢測技術(shù)在軍事上也有著廣泛的應(yīng)用，例如人造目標(biāo)檢測、戰(zhàn)場部署變化、打擊效果評估等。SAR 圖像變化檢測技術(shù)在民用領(lǐng)域也有重要的價值。隨著生產(chǎn)力的高速發(fā)展，城市擴(kuò)張和城市建設(shè)發(fā)展迅速，為能夠及時有效地檢測非法建筑及濫用土地的情況，以便于合理進(jìn)行城市規(guī)劃，需要及時有效地掌握城市的地表情況。傳統(tǒng)的做法是人工進(jìn)行土地測量，進(jìn)行繪制土地利用情況圖，這種方法不但周期長，而且需要大量的人力和物力資源，SAR圖像變化檢測技術(shù)為解決類似問題提供了一種便捷的途徑。多年以來，研究人員提出和開發(fā)了許多遙感影像變化檢測方法和技術(shù)，并應(yīng)用于各種不同的科學(xué)問題中。早期的變化監(jiān)測技術(shù)基于圖像之間的差值，其中表示變化前后的兩幅圖像，此類方法非常簡單，僅僅定義變化判別閾值即可。Smits和Armoni討論了在具體應(yīng)用要求虛警率和漏檢率下閾值的選擇?，F(xiàn)在有很多方法和簡單差值法非常相近，比如， 變化向量分析(change vector analysis，CVA)，從多譜通道考慮每個像素的變化。圖像比值法(Image ratioing)也是類似于差值方法的技術(shù)，不過該方法用圖像前后像素點強度的比來代替前者的差值，其原理和差值法是一樣的。Lu等人按照檢測策略將現(xiàn)有的變化檢測方法歸結(jié)為七類算術(shù)運算法、變換法、分類法、高級模型法、GIS方法、視覺分析法和其它方法。其中，在算術(shù)運算法中，應(yīng)用比較廣泛的是無監(jiān)督的分割方法，通常又叫做聚類方法。 聚類方法一般可以分為兩類層次聚類和劃分聚類，其中劃分聚類通過最小化特定準(zhǔn)則將數(shù)據(jù)集劃分到不同的類屬中，因此這類方法可以看作是最優(yōu)化問題，同時，圖像的變化檢測問題也可以視為組合優(yōu)化問題，因此可以用劃分聚類方法來處理圖像的變化檢測問題。但是已有的優(yōu)化方法對于處理優(yōu)化問題的時候往往耗時很長，并且在搜索過程中容易陷入局部最優(yōu)，同時對于復(fù)雜圖像的變化檢測問題往往會存在邊緣定位不夠準(zhǔn)確的缺點，這樣勢必會影響到圖像變化檢測的區(qū)域一致性與邊緣保持的性能。

發(fā)明內(nèi)容
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Memetic核聚類的 SAR圖像變化檢測方法，以降低圖像檢測時間復(fù)雜度，避免在圖像檢測中陷入局部最優(yōu)，提高圖像變化檢測區(qū)域的一致性和邊緣保持性能。實現(xiàn)本發(fā)明目的的技術(shù)方案是將SAR圖像的變化檢測問題看作組合優(yōu)化問題，使用基于Memetic核聚類對SAR圖像進(jìn)行變化檢測，使得適應(yīng)度函數(shù)值最大化，進(jìn)而得到最終的變化檢測結(jié)果，具體實現(xiàn)步驟包括如下(1)輸入兩個不同時間的SAR圖像I1和12，并通過中值濾波器對這兩幅圖像進(jìn)行濾波；(2)計算濾波后的兩幅SAR圖像I1和I2的對數(shù)比差異影像13，并將得到的I3的灰度值作為聚類數(shù)據(jù)集；(3)設(shè)置種群規(guī)模，最大迭代次數(shù)N，類別數(shù)k，初始化聚類中心；(4)利用核聚類算法進(jìn)行聚類，并計算聚類數(shù)據(jù)集的適應(yīng)度函數(shù)值fk，根據(jù)適應(yīng)度函數(shù)值選擇并保留最優(yōu)個體QO (t)；(5)對最優(yōu)個體Q0(t)進(jìn)行克隆和雙變異操作，產(chǎn)生新的個體Qm(t)；(6)對新的個體Qm(t)采用Memetic局部學(xué)習(xí)算子進(jìn)行搜索，選擇出最優(yōu)個體 LQm (t)；(7)對最優(yōu)個體LQm(t)進(jìn)行克隆和交叉操作，產(chǎn)生新的個體A(t)；(8)對新的個體仏⑴采用Memetic局部學(xué)習(xí)算子進(jìn)行搜索，選擇出最優(yōu)個體 LQc ⑴；(9)對最優(yōu)個體LQc(t)進(jìn)行精英選擇操作，得到子代個體Q(t+1)，并保留當(dāng)前最優(yōu)個體Q(t+1)進(jìn)入下一代種群中；(10)計算當(dāng)前迭代次數(shù)η 比較上一代適應(yīng)度函數(shù)值fk(t)與當(dāng)前個體的適應(yīng)度函數(shù)值fk(t+l)大小，當(dāng)fk(t)-fk(t+l)彡10e-5，n = n+l，否則η保持不變；(11)判斷停機條件若當(dāng)前的迭代次數(shù)η大于最大迭代次數(shù)N時，停止并輸出最優(yōu)聚類結(jié)果Q(t+1)；否則返回步驟(5)，循環(huán)執(zhí)行步驟(5) (10)，直到滿足停機條件為止，并輸出聚類結(jié)果Q(t+1)。本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點1.快速有效性，不易陷入局部最優(yōu)本發(fā)明由于是在圖像數(shù)據(jù)核聚類過程中，加入了 Memetic局部搜索算法，在當(dāng)前個體的多領(lǐng)域范圍內(nèi)快速地搜索到全局優(yōu)聚類中心，不僅降低了圖像檢測時間，而且防止在進(jìn)化過程中陷入局部最優(yōu)解；2.提高了圖像變化檢測區(qū)域一致性和邊緣保存性本發(fā)明由于采用的是中值濾波器，中值濾波器的是為了簡化圖像而不造成圖像模糊或改變圖像輪廓，最終采用精英選擇策略選出最優(yōu)的個體，降低了錯誤檢查率低，使得檢測精度高于其他算法，因而具有比現(xiàn)有技術(shù)更好的圖像變化檢測效果，提高了圖像變化檢測的區(qū)域一致性與邊緣保持的性能。


圖1是本發(fā)明的流程圖；圖2是本發(fā)明仿真使用的Ottawa地區(qū)水災(zāi)的Radarsat SAR圖像；圖3是用本發(fā)明對圖2的變化檢測結(jié)果示意圖4是本發(fā)明仿真使用的Bern城市水災(zāi)的SAR圖像；圖5是用本發(fā)明對圖4的變化檢測結(jié)果示意具體實施例方式參照圖1，本發(fā)明的具體實現(xiàn)步驟如下步驟1 對待檢測的兩個不同時間的SAR圖像進(jìn)行濾波處理，這里選取形態(tài)學(xué)中的中值濾波器，用該濾波器對輸入的兩時相圖像進(jìn)行濾波處理，得到濾波后的圖像IdP 12。步驟2 對濾波后的圖像I1和12，求對數(shù)比差異影像13，并將得到的I3的灰度值作為聚類數(shù)據(jù)集。(2a)計算變化檢測兩時相SAR圖像的對數(shù)比差異影像Id Id = |l0g(l2+l)-l0g(l1+l) I ;(2b)對差異影像進(jìn)行歸一化處理，得到對數(shù)比差異影像圖I3 I3 = 255* (I11-Imin) / (Imax-Imin)；其中Imax = max (Id)表示Imax中最大灰度值，Imin = min(ID)表示Imin最小灰度值。步驟3 設(shè)置初始化參數(shù)種群規(guī)模N = 50，類別數(shù)k = 2，交叉概率p。= 0. 80，變異概率Pm = 0. 1，最大迭代次數(shù)N = 10，初始化聚類中心。步驟4:采用高斯核K均值對原始數(shù)據(jù)進(jìn)行聚類，用高斯核函數(shù)將低維的數(shù)據(jù)集映射到高維空間，并根據(jù)核空間樣本點到聚類中心的距離函數(shù)F計算適應(yīng)度函數(shù)值fk。(4a)高斯核函數(shù)將樣本點Xi和Xj，i = 1，2，. . . M，j = 1，2，. . . M映射到高維空間，生成高維空間的樣本點W(X):K (Xi, Xj) = exp (_ | | XiIj | 12/2 σ 2)；其中σ是高斯核函數(shù)變換參數(shù)。(4b)在給定的初始條件下，對核空間的樣本點),/ = 1,2,..M利用以下公式進(jìn)行核聚類
權(quán)利要求
1.一種基于Memetic核聚類的SAR圖像變化檢測方法，包括如下步驟(1)輸入兩個不同時間的SAR圖像I1和12，并通過中值濾波器對這兩幅圖像進(jìn)行濾波；(2)計算濾波后的兩幅SAR圖像I1和I2的對數(shù)比差異影像13，并將得到的I3的灰度值作為聚類數(shù)據(jù)集；(3)設(shè)置種群規(guī)模，最大迭代次數(shù)N，類別數(shù)k，初始化聚類中心；(4)利用核聚類算法進(jìn)行聚類，并計算聚類數(shù)據(jù)集的適應(yīng)度函數(shù)值fk，根據(jù)適應(yīng)度函數(shù)值選擇并保留最優(yōu)個體QO (t)；(5)對最優(yōu)個體Q0(t)進(jìn)行克隆和雙變異操作，產(chǎn)生新的個體Qm(t)；(6)對新的個體Qm(t)采用Memetic局部學(xué)習(xí)算子進(jìn)行搜索，選擇出最優(yōu)個體LQm(t)；(7)對最優(yōu)個體LQm(t)進(jìn)行克隆和交叉操作，產(chǎn)生新的個體；(8)對新的個體A(t)采用Memetic局部學(xué)習(xí)算子進(jìn)行搜索，選擇出最優(yōu)個體LQc (t)；(9)對最優(yōu)個體LQc(t)進(jìn)行精英選擇操作，得到子代個體Q(t+1)，并保留當(dāng)前最優(yōu)個體Q(t+1)進(jìn)入下一代種群中；(10)計算當(dāng)前迭代次數(shù)η:比較上一代適應(yīng)度函數(shù)值fk(t)與當(dāng)前個體的適應(yīng)度函數(shù)值 fk(t+l)大小，當(dāng) fk(t)-fk(t+l)彡 10e-5，n = n+l，否則 η 保持不變；(11)判斷停機條件若當(dāng)前的迭代次數(shù)η大于最大迭代次數(shù)N時，停止并輸出最優(yōu)聚類結(jié)果Q(t+1)；否則返回步驟(5)，循環(huán)執(zhí)行步驟(5) (10)，直到滿足停機條件為止，并輸出聚類結(jié)果Q(t+1)。
2.根據(jù)權(quán)利要求1所述的基于Memetic核聚類的SAR圖像檢測方法，其中步(2)所述的計算濾波后的兩幅SAR圖像I1和I2的對數(shù)比差異影像I3，按如下步驟進(jìn)行(2a)計算變化檢測兩時相SAR圖像的對數(shù)比差異影像Id Id = Ilog(IJl)-Iog(Vl) I ；(2b)對差異影像進(jìn)行歸一化處理，得到對數(shù)比差異影像圖I3 I3 = 255* (I11-Imin)/(Imax-Imin)其中Imax = max (Id)表示Imax中最大灰度值，Imin = min(ID)表示Imin最小灰度值。
3.根據(jù)權(quán)利要求1所述的基于Memetic核聚類的SAR圖像檢測方法，其中步驟(4)所述利用核聚類算法進(jìn)行聚類，利用以下公式進(jìn)行N K2/=1 j=\其中FOv m2，...，mk)是在核空間的樣本點到聚類中心的距離函數(shù)，i = 1， 2，...Μ是核空間的樣本點，M是樣本總個數(shù)，mp j = 1，2，...k是核空間的聚類中心，k是類別數(shù)目，I Ui e Cj)是樣本點Xi屬于類Cj的權(quán)值，若樣本點Xi，i = 1，2，... M屬于類Cj, j = 1，2，· · · k 則 I (Xi e Cj) = 0，否則 I (Xi e Cj) = 1。
4.根據(jù)權(quán)利要求1所述的基于Memetic核聚類的SAR圖像檢測方法，其中步驟(4)所述計算核聚類的適應(yīng)度函數(shù)fk，定義如下f _Jk \ + F ;其中F是核空間的樣本點到聚類中心的距離函數(shù)。
5.根據(jù)權(quán)利要求1所述的基于Memetic核聚類的SAR圖像檢測方法，其中步驟(5)所述對最優(yōu)個體QO (t)進(jìn)行克隆和雙變異操作，是將當(dāng)前個體進(jìn)行10倍克隆，克隆后的種群進(jìn)行雙變異算法產(chǎn)生新的個體。
6.根據(jù)權(quán)利要求1所述的基于Memetic核聚類的SAR圖像檢測方法，其中步驟(7)所述對最優(yōu)個體LQm(t)進(jìn)行克隆和單點交叉操作，是將當(dāng)前個體進(jìn)行10倍克隆，克隆后的種群進(jìn)行多點交叉操作產(chǎn)生新的個體。
7.根據(jù)權(quán)利要求1所述的基于Memetic核聚類的SAR圖像檢測方法，其中步驟(6)和 (8)所述的Memetic搜索算法，是在當(dāng)前個體Q (t)的相鄰領(lǐng)域AL內(nèi)用爬山法進(jìn)行局部搜索尋找出最優(yōu)個體LQ(t)。
8.根據(jù)權(quán)利要求1所述的基于Memetic核聚類的SAR圖像檢測方法，其中步驟(9)所述的對最優(yōu)個體LQc (t)進(jìn)行精英選擇操作，是將上一代個體適應(yīng)度函數(shù)值fk(t)與當(dāng)前個體的適應(yīng)度函數(shù)值fk(t+l)進(jìn)行比較，若fk(t+l) >fk(t)，選擇當(dāng)前個體為最優(yōu)個體，否則仍保留上一代個體為最優(yōu)個體。
全文摘要
本發(fā)明公開了一種基于Memetic核聚類的SAR圖像變化檢測方法，主要解決已有的算法的時間復(fù)雜度高，容易陷入局部最優(yōu)，對區(qū)域一致性與邊緣保持的性能差的問題。其實現(xiàn)過程為(1)輸入兩個不同時間的SAR圖像，并對兩幅圖像進(jìn)行中值濾波；(2)計算變化檢測兩時相圖像的對數(shù)比差異影像圖；(3)設(shè)置初始條件；(4)核聚類并計算適應(yīng)度函數(shù)fk；(5)對當(dāng)前個體進(jìn)行克隆和雙變異操作后，選擇出最優(yōu)個體；(6)對最優(yōu)個體進(jìn)行克隆和交叉操作后，選出最優(yōu)個體；(7)通過精英策略選出最終的個體；(8)判斷停機條件，滿足條件，輸出聚類結(jié)果，否則轉(zhuǎn)步驟(4)。本發(fā)明具有收斂速度快，檢測精度高，邊緣保持準(zhǔn)確的優(yōu)點，可用于圖像處理領(lǐng)域中的圖像的目標(biāo)識別和變化檢測。
文檔編號G06T7/00GK102509288SQ20111031829
公開日2012年6月20日 申請日期2011年10月19日 優(yōu)先權(quán)日2011年10月19日
發(fā)明者于昕, 劉若辰, 吳波, 尚榮華, 李陽陽, 焦李成, 緱水平, 馬文萍 申請人:西安電子科技大學(xué)