基于鄰域聚類核的sar圖像變化檢測方法
【專利摘要】本發(fā)明公開了一種基于鄰域聚類核的SAR圖像變化檢測方法，主要解決現(xiàn)有差值合成核不能利用無標簽樣本信息而導(dǎo)致檢測精度低下的問題。其實現(xiàn)步驟是：(1)提取兩時像圖像的強度特征和紋理特征；(2)手動選取標簽訓(xùn)練樣本和無標簽訓(xùn)練樣本；(3)利用標簽訓(xùn)練樣本構(gòu)造差值合成核；(4)利用無標簽訓(xùn)練樣本信息修正上述差值合成核，得到鄰域聚類核；(5)將鄰域聚類核輸入支撐矢量機中進行訓(xùn)練，得到支撐矢量分類器；(6)將標簽訓(xùn)練樣本和所有像素點構(gòu)成的鄰域聚類核輸入到支撐矢量分類器中測試，得到最終變化檢測結(jié)果。本發(fā)明與差值合成核方法相比，具有檢測精度高，對SAR圖像抗斑點噪聲性能好的優(yōu)點，可用于SAR圖像變化檢測。
【專利說明】基于鄰域聚類核的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【技術(shù)領(lǐng)域】，涉及圖像變化檢測，可用于對SAR圖像進行地物狀態(tài)變化監(jiān)測與評估。
【背景技術(shù)】
[0002]SAR圖像變化檢測是一種利用不同時期的SAR圖像獲取地物變化信息的技術(shù)，它是針對SAR圖像的特點而建立的數(shù)據(jù)分析方法，可用于識別地物狀態(tài)的變化。由于SAR圖像變化檢測在自然災(zāi)情監(jiān)測與評估、資源和環(huán)境監(jiān)測、軍事目標探測和農(nóng)作物監(jiān)測等領(lǐng)域的需求越來越多，因此具有高檢測精度和高執(zhí)行效率的SAR圖像變化檢測方法己經(jīng)成為目iu的研究熱點。
[0003]SAR圖像變化檢測方法一般可分為:基于直接比較法的變化檢測方法，如圖像差值法，圖像比值法；基于間接比較法的變化檢測方法，如基于特征提取的方法和分類后檢測方法；基于多元變量分析的變化檢測方法，如主成分分析法和獨立成分分析法。比較流行的SAR圖像變化檢測方法有:基于多尺度分 析的變化檢測方法，如學者Ka1-Kuang Ma提出的基于雙樹-復(fù)小波變換DT-CWT的變化檢測方法，它利用DT-CWT對對數(shù)比值圖進行多尺度分解，但它沒有考慮圖像的紋理信息，閾值的選取也是一個棘手的問題；基于統(tǒng)計模型的變化檢測方法，如學者L.Bruzzone提出的基于廣義高斯GGD模型和改進KI門限的變化檢測方法，該方法取得了較好的檢測結(jié)果但它沒有考慮圖像空間信息，且模型參數(shù)的選擇也是一個難點；基于空間信息的變化檢測方法，如學者Gabriele Moser提出的利用馬爾科夫隨機場MRF模型構(gòu)建SAR圖像鄰域相關(guān)信息的變化檢測方法。近期新發(fā)展起來的是基于核方法的SAR圖像變化檢測方法，學者Gustavo Camps-Valls在2008年提出的基于差值合成核的SAR圖像變化檢測方法，盡管該方法取得了一定的檢測效果，但由于該方法是一種有監(jiān)督的方法，只利用了少量標簽樣本信息對支撐矢量機進行訓(xùn)練，沒有充分考慮無標簽樣本的信息，因此它無法捕獲更為合理的圖像特征，學習機也不具有較好的推廣能力，因而該方法的檢測精度較低。

【發(fā)明內(nèi)容】

[0004]本發(fā)明的目的在于針對上述已有問題的缺點，提出一種基于鄰域聚類核的SAR圖像變化檢測方法，以解決現(xiàn)有的差值合成核不能充分利用無標簽樣本信息而導(dǎo)致的檢測精度低下的問題。
[0005]為實現(xiàn)上述目的，本發(fā)明的實現(xiàn)步驟包括如下:
[0006]A訓(xùn)練步驟:
[0007]Al)對原始兩時相SAR圖像Xi，提取其強度特征&和紋理特征『,i = 1,2 ；
[0008]A2)對兩時相圖像的強度特征和紋理特征匕,分別進行歸一化，得到歸一化后的兩時相圖像的強度特征Si,和紋理特征.[0009]A3)將歸一化后的兩時相圖像的強度特征和紋理特征gxi,進行聯(lián)合，構(gòu)成兩時相圖像特征Ti (p, q)；
[0010]A4)對原始兩時相SAR圖像Xi手動提取M個兩時相標簽訓(xùn)練樣本和Q個兩時相無標簽訓(xùn)練樣本，其中，O <M≤ 100，O < Q≤1000 ；
[0011]A5)將M個兩時相標簽訓(xùn)練樣本用步驟A2)得到的強度特征Sxi和紋理特征~進行表示，得到兩時相標簽訓(xùn)練樣本的特征Xu，其中，1≤ j≤M ；
[0012]A6)將所有的(M+Q)個兩時相訓(xùn)練樣本用步驟A2)得到的強度特征gxi和紋理特征 進行表示，得到所有兩時相訓(xùn)練樣本的特征Zil，其中I≤I≤(M+Q)；
[0013]A7)利用兩時相標簽訓(xùn)練樣本的特征Xij,構(gòu)造差值合成核Ks (Xj，xk)，其中，Xj表示標簽訓(xùn)練樣本(Pj，Qj)處的差特征，Xk表示標簽訓(xùn)練樣本(Pk，qk)處的差特征，K j,k < M ;
[0014]AS)利用所有兩時相訓(xùn)練樣本的特征Zil，構(gòu)造差值合成核Kd (Zl，z山其中，Z1表示訓(xùn)練樣本(P1, Qi)處的差特征，Zr表示訓(xùn)練樣本(Py qr)處的差特征，I≤1，r≤(M+Q)；
[0015]A9)利用差值合成核Ks (xj; xk)和差值合成核Kd (Zl，zr)，構(gòu)造鄰域聚類核UxpXk)；
[0016]A10)將鄰域聚類核KCN(xj，Xk)輸入到支撐矢量機SVM中，對SVM進行訓(xùn)練，得到支撐矢量分類器SVC ；
[0017]B測試步驟:
[0018]BI)利用兩時相圖像特征Ti (p，q)和兩時相標簽訓(xùn)練樣本的特征Xij,構(gòu)造差值合成核Km (Xj，T (p，q))，其中Xj表示標簽訓(xùn)練樣本(P」，qj)處的差特征，I≤j≤M，T (p，q)為像素點(P，q)處的差特征；
[0019]B2)利用差值合成核Km(Xj, T (p, q)),構(gòu)造鄰域聚類核Kcn(xj; T (p, q))；
[0020]B3)將步驟B2)得到的鄰域聚類核KCN(Xj，T(p，q))輸入到步驟A10)得到的支撐矢量分類器SVC中，對SVC進行測試，得到最終的變化檢測結(jié)果圖。
[0021]本發(fā)明具有如下優(yōu)點:
[0022](I)本發(fā)明由于利用了核方法，可以將原始空間中的非線性不可分問題轉(zhuǎn)化為高維空間中的線性可分問題，因此本發(fā)明更適合處理具有非線性特征的SAR圖像。
[0023](2)本發(fā)明由于利用了無標簽樣本的信息，能更充分的考慮圖像的空間信息，進而更全面的提取圖像特征，因此本發(fā)明可以顯著的提高變化檢測結(jié)果的精度。
[0024]仿真結(jié)果表明，本發(fā)明與現(xiàn)有的差值合成核方法相比，具有更高的檢測精度和更強的抗斑點噪聲能力。
【專利附圖】

【附圖說明】
[0025]圖1是本發(fā)明的實現(xiàn)流程圖；
[0026]圖2是本發(fā)明應(yīng)用于兩時相稻田洪水災(zāi)害Real SAR圖像的變化檢測結(jié)果圖；
[0027]圖3是本發(fā)明應(yīng)用于兩時相機場洪水災(zāi)害Real SAR圖像的變化檢測結(jié)果圖；
[0028]圖4是本發(fā)明應(yīng)用于兩時相城市洪水災(zāi)害Real SAR圖像的變化檢測結(jié)果圖；
[0029]圖5是本發(fā)明應(yīng)用于兩時相農(nóng)田Real SAR圖像的變化檢測結(jié)果圖?！揪唧w實施方式】
[0030]參照圖1，本發(fā)明的具體實施包括如下訓(xùn)練步驟和測試步驟:
[0031]一.訓(xùn)練步驟:
[0032]步驟1.對原始兩時相SAR圖像Xi，提取其強度特征(和紋理特征Px,.，i = 1，2。
[0033]1.1)提取原始兩時相SAR圖像Xi的灰度值矢量，并用該灰度值矢量作為強度特征I
[0034]1.2)對原始兩時相SAR圖像Xi進行C個尺度、D個方向的Gabor變換，令/?,表示兩時相圖像在第s個尺度、第d個方向上的變換系數(shù)，其中s=l，...，C，d=l，...，D，則在以(p，q)為中心像素，大小為N的窗口上提取高通子帶系數(shù)If的均值信息(Ag)和方差信息0，<7.):1 p+N/2 q+N/2
【權(quán)利要求】
1.一種基于鄰域聚類核的SAR圖像變化檢測方法，包括: A訓(xùn)練步驟: Al)對原始兩時相SAR圖像Xi，提取其強度特怔&和紋理特征匕,.，1=1,2 ； A2)對兩時相圖像的強度特征和紋理特征分別進行歸一化，得到歸一化后的兩時相圖像的強度特征gx,+和紋理特征 A3)將歸一化后的兩時相圖像的強度特征Sx,.和紋理特征 進行聯(lián)合，構(gòu)成兩時相圖像特征 Ti (p, q)； A4)對原始兩時相SAR圖像Xi手動提取M個兩時相標簽訓(xùn)練樣本和Q個兩時相無標簽訓(xùn)練樣本，其中，0〈M≤100,0<Q ≤ 1000 ； A5)將M個兩時相標簽訓(xùn)練樣本用步驟A2)得到的強度特征I和紋理特征 進行表示，得到兩時相標簽訓(xùn)練樣本的特征，其中，I≤j ≤ M ； A6)將所有的(M+Q)個兩時相訓(xùn)練樣本用步驟A2)得到的強度特征S和紋理特征~進行表示，得到所有兩時相訓(xùn)練樣本的特征Zil，其中I < I < (M+Q)； A7)利用兩時相標簽訓(xùn)練樣本的特征，構(gòu)造差值合成核Ks(\，xk)，其中，&表示標簽訓(xùn)練樣本(Pj，Qj)處的差特征，Xk表示標簽訓(xùn)練樣本(Pk，qk)處的差特征，I≤j, k≤M ; AS)利用所有兩時相訓(xùn)練樣本的特征Zil，構(gòu)造差值合成核Kd (Zl，％)，其中，Z1表示訓(xùn)練樣本(P1, Qi)處的差特征，Zr表示訓(xùn)練樣本(Pr, qr)處的差特征，I≤1，r≤(M+Q)； A9)利用差值合成核Ks (Xj, xk)和差值合成核Kd (Z1, zr),構(gòu)造鄰域聚類核KeN(Xj, xk)；A10)將鄰域聚類核Kcm (\，Xk)輸入到支撐矢量機SVM中，對SVM進行訓(xùn)練，得到支撐矢量分類器SVC ； B測試步驟: BI)利用兩時相圖像特征Ti (p，q)和兩時相標簽訓(xùn)練樣本的特征Xij，構(gòu)造差值合成核KM(Xj,T(p, q))，其中Xj表示標簽訓(xùn)練樣本(P」，Qj)處的差特征，I ≤ j≤ M, T (p, q)為像素點(P，q)處的差特征； B2)利用差值合成核ΚΜ(χ」，T(p, q)),構(gòu)造鄰域聚類核KeN(Xj, T(p, q))； B3)將步驟B2)得到的鄰域聚類核KCN(Xi，T (p, q))輸入到步驟A10)得到的支撐矢量分類器SVC中，對SVC進行測試，得到最終的變化檢測結(jié)果圖。
2.根據(jù)權(quán)利要求1所述方法，其中步驟Al)中所述的提取兩時相圖像強度特征~和紋理特征K按如下步驟進行:All)提取原始兩時相SAR圖像的灰度值矢量，并用該灰度值矢量作為強度特征；A12)對原始兩時相SAR圖像進行C個尺度、D個方向的Gabor變換，令 表示兩時相圖像在第s個尺度、第d個方向上的變換系數(shù)，其中s=l，…，C，d=l,…，D，則在以(p，q)為中心像素，大小為N的窗口上提取高通子帶系數(shù)Μ"的均值信息和方差信息
3.根據(jù)權(quán)利要求1所述方法，其中步驟A2)所述的對兩時相圖像的強度特征Grf和紋理特征分別進行歸一化，按如下公式進行:
4.根據(jù)權(quán)利要求1所述方法，其中所述步驟A5)中兩時相標簽訓(xùn)練樣本的特Exu，其公式如下:

5.根據(jù)權(quán)利要求1所述方法，其中步驟A7)所述的構(gòu)造差值合成核Ks(\，xk)，其步驟如下: A71)利用兩時相標簽訓(xùn)練樣本的特征Xij構(gòu)造強度核Kg(XuXik)和紋理核Kw (Xij, xik):
6.根據(jù)權(quán)利要求1所述方法，其中步驟A9)所述的構(gòu)造鄰域聚類核KcmO xk)，其步驟如下: A91)將差值合成核Kd (Zl，zr)輸入到核K-means聚類算法中，對所有訓(xùn)練樣本進行聚類，并記錄聚類中心； A92)將聚類結(jié)果中所有的變化類樣本差特征歸入到變化類鄰域CH中，將聚類結(jié)果中所有的非變化類樣本差特征歸入到非變化類鄰域NCH中； A93)利用差值合成核Kd (z1； zr)、變化類鄰域CH和非變化類鄰域NCH，求取如下8個統(tǒng)計特征:
【文檔編號】G06T7/00GK103455825SQ201310404987
【公開日】2013年12月18日 申請日期:2013年9月8日 優(yōu)先權(quán)日:2013年9月8日
【發(fā)明者】李明, 賈璐, 吳艷, 張鵬, 劉高峰, 陳洪猛, 安琳 申請人:西安電子科技大學