本發(fā)明屬于圖像處理領(lǐng)域，涉及多時(shí)相SAR圖像的變化檢測(cè)方法，可用于災(zāi)情的評(píng)估和預(yù)測(cè)、城市的建設(shè)以及森林的變化監(jiān)測(cè)。
背景技術(shù)：
：合成孔徑雷達(dá)SAR是一種高分辨率成像雷達(dá)，隨著衛(wèi)星遙感技術(shù)的發(fā)展，SAR數(shù)據(jù)成為一種重要的遙感數(shù)據(jù)。變化檢測(cè)是從不同時(shí)期的遙感數(shù)據(jù)中分析和確定地表變化的特征與過(guò)程。如何準(zhǔn)確快速地從不同時(shí)相的SAR圖像中找出顯著變化的區(qū)域則具有十分重要的意義。在SAR圖像中尋找“非變化”和“變化”兩分類的研究，較常用的路線是差異圖分析方法，該方法先對(duì)兩個(gè)時(shí)相的圖像進(jìn)行逐象素的比較，再對(duì)比較得出的差異圖像作進(jìn)一步的處理以達(dá)到兩分類，最后得到變化檢測(cè)圖。差異圖分類方法能夠減少由于各種原因引起的偽變化信息，不需要數(shù)據(jù)的復(fù)雜預(yù)處理，方法簡(jiǎn)單直觀。在基于差異圖像分析的變化檢測(cè)方法中，對(duì)差異圖中變化和非變化區(qū)域的準(zhǔn)確分類是最關(guān)鍵的一步，目前主要的研究方向是基于無(wú)監(jiān)督分類的變化檢測(cè)方法。無(wú)監(jiān)督的分類方法通常又叫聚類方法，通過(guò)對(duì)差異圖像進(jìn)行聚類分割得到變化類與非變化類，SAR圖像變化檢測(cè)即轉(zhuǎn)化為對(duì)差異圖的聚類問(wèn)題。模糊C均值聚類FCM是最流行的聚類算法之一，傳統(tǒng)的FCM算法是一種基于圖像灰度的聚類算法，在聚類過(guò)程中各個(gè)像素是相互獨(dú)立的，并未考慮到圖像中各個(gè)像素點(diǎn)的灰度特征與其它像素點(diǎn)的關(guān)系，對(duì)于不含噪聲或噪聲很低的圖像，其分割效果較好。但一般情況下，圖像在成像過(guò)程中不可避免的會(huì)受到不同噪聲的干擾。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的目的在于針對(duì)上述已有技術(shù)模糊C均值聚類方法的不足，提出一種基于樣本局部密度的在線聚類SAR圖像變化檢測(cè)方法，以減少變化檢測(cè)錯(cuò)誤率，提高檢測(cè)效果。為實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案包括如下：(1)對(duì)輸入的兩時(shí)相待檢測(cè)圖像進(jìn)行中值濾波處理，得到濾波后的兩時(shí)相待檢測(cè)圖像I1和I2；(2)對(duì)濾波后的兩時(shí)相待檢測(cè)圖像求對(duì)數(shù)比差異圖像灰度值X3并歸一化，將歸一化后的差異圖像灰度值X3′作為聚類數(shù)據(jù)集；(3)計(jì)算聚類數(shù)據(jù)集中所有樣本的局部分布密度，根據(jù)樣本的局部分布密度從大到小對(duì)聚類數(shù)據(jù)集重新排序并分塊；(4)輸入第一塊數(shù)據(jù)，設(shè)置初始權(quán)值為1，用加權(quán)模糊C均值方法對(duì)其聚類；(5)更新當(dāng)前聚類中心的權(quán)值；(6)輸入下一塊數(shù)據(jù)，設(shè)置初始權(quán)值為1，將該初始權(quán)值與當(dāng)前聚類中心的權(quán)值合并，得到新的權(quán)值；(7)將新輸入的數(shù)據(jù)與當(dāng)前聚類中心合并，得到新的數(shù)據(jù)，再將步驟(6)中得到的新的權(quán)值賦給該新的數(shù)據(jù)；(8)用加權(quán)模糊C均值方法對(duì)步驟(7)得到的新數(shù)據(jù)進(jìn)行聚類；(9)重復(fù)進(jìn)行步驟(5)到(8)直至所有數(shù)據(jù)處理完畢，輸出最終的聚類中心；(10)計(jì)算聚類數(shù)據(jù)集中所有樣本到最終輸出的聚類中心的隸屬度，根據(jù)隸屬度確定樣本類標(biāo)；(11)根據(jù)步驟(10)中得到的樣本類標(biāo)重構(gòu)變化檢測(cè)結(jié)果圖。。本發(fā)明與現(xiàn)有技術(shù)相比具有如下優(yōu)點(diǎn)：傳統(tǒng)的模糊C均值算法在聚類過(guò)程中各個(gè)像素是相互獨(dú)立的，并未考慮到圖像中各個(gè)像素點(diǎn)的灰度特征與其它像素點(diǎn)的關(guān)系，導(dǎo)致變化檢測(cè)的錯(cuò)誤率較高。本發(fā)明在聚類過(guò)程中先計(jì)算像素點(diǎn)的局部密度，然后根據(jù)局部密度的大小對(duì)數(shù)據(jù)重新排序，排序后將數(shù)據(jù)分塊再依次進(jìn)行聚類，這種聚類方法由于密度越大的區(qū)域內(nèi)樣本點(diǎn)更接近真實(shí)的聚類中心，因此本發(fā)明與現(xiàn)有技術(shù)相比降低了變化檢測(cè)的錯(cuò)誤率，提高了檢測(cè)效果。附圖說(shuō)明圖1是本發(fā)明的檢測(cè)流程圖；圖2是用本發(fā)明方法對(duì)Bern地區(qū)的變化檢測(cè)結(jié)果示意圖；圖3是用本發(fā)明方法對(duì)Ottawa地區(qū)的變化檢測(cè)結(jié)果示意圖。具體實(shí)施方式參考圖1，本發(fā)明的變化檢測(cè)過(guò)程如下：步驟1，輸入兩時(shí)相待檢測(cè)圖像并進(jìn)行平滑處理。輸入兩時(shí)相待檢測(cè)圖像，選取窗口大小為3×3的中值濾波器對(duì)輸入的兩時(shí)相待檢測(cè)圖像進(jìn)行中值濾波，去掉小的噪聲干擾，得到濾波后的兩時(shí)相待檢測(cè)圖像I1和I2。步驟2，對(duì)濾波后的兩時(shí)相待檢測(cè)圖像求對(duì)數(shù)比差異圖像灰度值X3并歸一化，將歸一化后的差異圖像灰度值X3′作為聚類數(shù)據(jù)集。(2a)求對(duì)數(shù)比差異圖像的像素點(diǎn)灰度值X3：X3＝|log(X2+1)-log(X1+1)|其中X1、X2分別表示濾波后的兩時(shí)相待檢測(cè)圖像I1和I2的像素點(diǎn)灰度值；(2b)對(duì)差異圖像的像素點(diǎn)灰度值X3進(jìn)行歸一化處理，得到歸一化后的圖像灰度值X3′：X3′＝255*(X3-Xmin)/(Xmax-Xmin)其中Xmax＝max(X3),Xmin＝min(X3)；(2c)將歸一化處理后得到的圖像灰度值作為聚類數(shù)據(jù)集。步驟3，計(jì)算聚類數(shù)據(jù)集中所有樣本的局部分布密度，根據(jù)樣本的局部分布密度從大到小對(duì)聚類數(shù)據(jù)集重新排序并分塊。(3a)計(jì)算第i個(gè)樣本點(diǎn)xi與第j個(gè)樣本點(diǎn)xj之間的歐氏距離：dij＝||xi-xj||,1≤i≤n,1≤j≤n(3b)計(jì)算第i個(gè)樣本點(diǎn)xi的局部分布密度值：zi=Σj=1,j≠in1dij,dij≤e]]>其中，e為局部分布密度的范圍限定值，通過(guò)實(shí)驗(yàn)選?。?3c)根據(jù)計(jì)算得到的局部分布密度值從大到小將數(shù)據(jù)集重新排序并分成S塊，S的具體取值根據(jù)實(shí)驗(yàn)數(shù)據(jù)而定，取值范圍為10≤S≤50，每塊數(shù)據(jù)的樣本點(diǎn)個(gè)數(shù)為ns。步驟4，輸入第一塊數(shù)據(jù)，設(shè)置初始權(quán)值為1，用加權(quán)模糊C均值方法對(duì)第一塊數(shù)據(jù)進(jìn)行聚類。(4a)初始化兩個(gè)聚類中心，即分別選取所有樣本中灰度值最小和最大的兩個(gè)樣本點(diǎn)作為兩個(gè)初始聚類中心；(4b)選擇模糊C均值算法的目標(biāo)函數(shù)：Jm(U,V)=Σi=12Σj=1nsuijmdij2]]>其中，U為隸屬度矩陣，uij表示第j個(gè)樣本點(diǎn)隸屬于第i類的隸屬度，滿足uij∈[0,1]且某個(gè)樣本點(diǎn)屬于各模糊子集的隸屬度之和為1，V為聚類中心，dij＝||xj-vi||表示第j個(gè)樣本點(diǎn)到第i個(gè)聚類中心的歐氏距離，m為模糊度，取值范圍為1.5≤m≤2.5；(4c)計(jì)算第一塊數(shù)據(jù)中各個(gè)樣本點(diǎn)的隸屬度uij：uij=[Σk=12(||xj-vi||||xj-vk||)2m-1]-1,∀i,j]]>其中，vi和vk分別表示第i個(gè)和第k個(gè)聚類中心，||xj-vi||和||xj-vk||分別表示第j個(gè)樣本點(diǎn)到第i個(gè)和第k個(gè)聚類中心的歐氏距離；(4d)根據(jù)隸屬度uij計(jì)算新的聚類中心vi：vi=Σj=1nswj(uij)mxjΣj=1nswj(uij)m,i=1,2]]>其中，wj為第j個(gè)樣本點(diǎn)的權(quán)值，初始權(quán)值設(shè)置為1，uij表示第j個(gè)樣本點(diǎn)隸屬于第i類的隸屬度；(4e)通過(guò)迭代不斷更新聚類中心和隸屬度，使得目標(biāo)函數(shù)的值不斷向最小值靠近，當(dāng)滿足條件max{||vk,new-vk,old||2}≤ε,1≤k≤2時(shí)，停止迭代，輸出當(dāng)前最新的聚類中心V，其中vk,new和vk,old分別表示更新后和更新前的第k個(gè)聚類中心，ε＝10-3。步驟5，更新當(dāng)前聚類中心的權(quán)值。根據(jù)樣本點(diǎn)的隸屬度和權(quán)值，計(jì)算更新后的當(dāng)前聚類中心的新權(quán)值wi′：wi′=Σj=1ns(uij)wj,i=1,2]]>其中ns為將聚類數(shù)據(jù)集分塊后每塊數(shù)據(jù)的樣本點(diǎn)個(gè)數(shù)，uij表示第j個(gè)樣本點(diǎn)隸屬于第i類的隸屬度，wj為每塊數(shù)據(jù)中第j個(gè)樣本點(diǎn)的權(quán)值。步驟6，輸入下一塊數(shù)據(jù)，設(shè)置初始權(quán)值為1，將該初始權(quán)值與當(dāng)前聚類中心的權(quán)值合并，得到新的權(quán)值wj′。步驟7，將新輸入的數(shù)據(jù)與當(dāng)前聚類中心合并，得到新的數(shù)據(jù)，再將步驟6中得到的新的權(quán)值賦給該新的數(shù)據(jù)。步驟8，用加權(quán)模糊C均值方法對(duì)步驟7得到的新數(shù)據(jù)進(jìn)行聚類。(8a)選取上一輪循環(huán)迭代輸出的聚類中心作為初始化的聚類中心；(8b)計(jì)算合并后的新數(shù)據(jù)中各個(gè)樣本點(diǎn)的隸屬度uij′：uij′=[Σk=12(||xj′-vi||||xj′-vk||)2m-1]-1,∀i,j]]>其中，xj′表示合并后的新數(shù)據(jù)中第j個(gè)樣本點(diǎn)，vi和vk分別表示第i個(gè)和第k個(gè)聚類中心，||xj′-vi||和||xj′-vk||分別表示新數(shù)據(jù)中第j個(gè)樣本點(diǎn)到第i個(gè)和第k個(gè)聚類中心的歐氏距離；m為模糊度，取值范圍為1.5≤m≤2.5；(8c)根據(jù)隸屬度uij′計(jì)算新的聚類中心vi′：vi′=Σj=1ns+2wj′(uij′)mxj′Σj=1ns+2wj′(uij′)m,i=1,2]]>其中，wj′為步驟6中合并后得到的新權(quán)值；(8d)通過(guò)迭代不斷更新聚類中心和隸屬度，直到滿足條件max{||vk,new-vk,old||2}≤ε,1≤k≤2時(shí)，停止迭代，輸出當(dāng)前最新的聚類中心V，其中vk，new和vk，old分別表示更新后和更新前的第k個(gè)聚類中心，ε＝10-3。步驟9，重復(fù)進(jìn)行步驟5到8直至所有數(shù)據(jù)處理完畢，輸出最終的聚類中心。步驟10，計(jì)算聚類數(shù)據(jù)集中所有樣本到最終輸出的聚類中心的隸屬度，根據(jù)隸屬度確定樣本類標(biāo)。步驟11，根據(jù)步驟10中得到的樣本類標(biāo)重構(gòu)變化檢測(cè)結(jié)果圖。最終得到的2個(gè)聚類中心分別為v1和v2，其中v1＜v2，并將隸屬于v1的像素點(diǎn)的灰度值設(shè)置為0，其余的設(shè)置為255。本發(fā)明的效果可以通過(guò)以下仿真進(jìn)一步說(shuō)明：1.仿真數(shù)據(jù)第一組SAR數(shù)據(jù)是1999年4月和5月由ERS2所攜帶的SAR在瑞士Bern城區(qū)附近獲得，圖像大小為301×301像素，256灰度級(jí)，其中變化像素?cái)?shù)為1155，未變化像素?cái)?shù)為89446。第二組SAR數(shù)據(jù)是1997年5月和8月由Radarsat所攜帶的SAR在加拿大Ottawa城區(qū)附近獲得，圖像大小為290×350像素，256灰度級(jí)，其中變化像素?cái)?shù)為11952，未變化像素?cái)?shù)為82871。2.仿真內(nèi)容仿真1，設(shè)置數(shù)據(jù)分塊數(shù)S＝20，局部分布密度的范圍限定值e＝50，模糊度m＝2.0，用本發(fā)明對(duì)第一組SAR數(shù)據(jù)進(jìn)行變化檢測(cè)，結(jié)果如圖2。其中圖2(a)為真實(shí)SAR第一時(shí)相的原圖，圖2(b)為真實(shí)SAR第二時(shí)相的原圖，圖2(c)為兩時(shí)相的變化檢測(cè)參考圖，圖2(d)為本發(fā)明的變化檢測(cè)結(jié)果圖。由圖2(d)可見(jiàn)，與變化檢測(cè)參考圖相比較，本發(fā)明對(duì)第一組SAR數(shù)據(jù)的變化檢測(cè)總體結(jié)果良好。統(tǒng)計(jì)本發(fā)明對(duì)第一組SAR數(shù)據(jù)的變化檢測(cè)錯(cuò)檢數(shù)，漏檢數(shù)，總錯(cuò)誤數(shù)和錯(cuò)誤檢測(cè)率，結(jié)果如表1表1本發(fā)明對(duì)第一組SAR數(shù)據(jù)的變化檢測(cè)結(jié)果統(tǒng)計(jì)：錯(cuò)檢數(shù)漏檢數(shù)總錯(cuò)誤數(shù)錯(cuò)誤檢測(cè)率Bern237713080.34％由表1可見(jiàn)，本發(fā)明對(duì)第一組SAR數(shù)據(jù)的錯(cuò)檢數(shù)，漏檢數(shù)，總錯(cuò)誤數(shù)都處于較低水平，錯(cuò)誤檢測(cè)率較低。仿真2，設(shè)置數(shù)據(jù)分塊數(shù)S＝20，局部分布密度的范圍限定值e＝50，模糊度m＝2.0，用本發(fā)明對(duì)第二組SAR數(shù)據(jù)進(jìn)行變化檢測(cè)，結(jié)果如圖3。其中圖3(a)為真實(shí)SAR第一時(shí)相的原圖，圖3(b)為真實(shí)SAR第二時(shí)相的原圖，圖3(c)為兩時(shí)相的變化檢測(cè)參考圖，圖3(d)為本發(fā)明的變化檢測(cè)結(jié)果圖。由圖3(d)可見(jiàn)，與變化檢測(cè)參考圖相比較，本發(fā)明對(duì)第二組SAR數(shù)據(jù)的變化檢測(cè)總體結(jié)果良好。統(tǒng)計(jì)本發(fā)明對(duì)第二組SAR數(shù)據(jù)的變化檢測(cè)錯(cuò)檢數(shù)，漏檢數(shù)，總錯(cuò)誤數(shù)和錯(cuò)誤檢測(cè)率，結(jié)果如表2表2本發(fā)明對(duì)第二組SAR數(shù)據(jù)的變化檢測(cè)結(jié)果統(tǒng)計(jì)：錯(cuò)檢數(shù)漏檢數(shù)總錯(cuò)誤數(shù)錯(cuò)誤檢測(cè)率Ottawa2266111133773.32％由表2可見(jiàn)，本發(fā)明對(duì)第二組SAR數(shù)據(jù)的錯(cuò)檢數(shù)，漏檢數(shù)，總錯(cuò)誤數(shù)都處于較低水平，錯(cuò)誤檢測(cè)率較低。當(dāng)前第1頁(yè)1 2 3