CN102509288A - 基于Memetic核聚类的SAR图像变化检测方法 - Google Patents

Abstract

本发明公开了一种基于Memetic核聚类的SAR图像变化检测方法，主要解决已有的算法的时间复杂度高，容易陷入局部最优，对区域一致性与边缘保持的性能差的问题。其实现过程为：(1)输入两个不同时间的SAR图像，并对两幅图像进行中值滤波；(2)计算变化检测两时相图像的对数比差异影像图；(3)设置初始条件；(4)核聚类并计算适应度函数fk；(5)对当前个体进行克隆和双变异操作后，选择出最优个体；(6)对最优个体进行克隆和交叉操作后，选出最优个体；(7)通过精英策略选出最终的个体；(8)判断停机条件，满足条件，输出聚类结果，否则转步骤(4)。本发明具有收敛速度快，检测精度高，边缘保持准确的优点，可用于图像处理领域中的图像的目标识别和变化检测。

Description

基于Memetic核聚类的SAR图像变化检测方法

技术领域

本发明属于图像处理技术领域，主要是基于Memetic局部学习算法来优化核聚类适应度函数值，该方法可用于对不同时间采集到的图像作变化检测。 

背景技术

遥感图像变化检测是研究不同时段的同一场景图像之间发生的变化。图像变化主要检测辐射值和局部纹理的变化。这些变化可能是由于图像场景的真实变化引起的，或者是由照射角、大气条件、传感器精度、地面湿度等变化而引起的，从机载、星载SAR得到的图像数据的一个重要应用就是变化检测。 

变化检测技术在环境监测等民用领域已被广泛应用，如土地利用分析、森林采伐监测、灾情估计等。由于SAR图像具有在大范围成像、全天时、全天候侦察的优点，变化检测技术在军事上也有着广泛的应用，例如人造目标检测、战场部署变化、打击效果评估等。SAR图像变化检测技术在民用领域也有重要的价值。随着生产力的高速发展，城市扩张和城市建设发展迅速，为能够及时有效地检测非法建筑及滥用土地的情况，以便于合理进行城市规划，需要及时有效地掌握城市的地表情况。传统的做法是人工进行土地测量，进行绘制土地利用情况图，这种方法不但周期长，而且需要大量的人力和物力资源，SAR图像变化检测技术为解决类似问题提供了一种便捷的途径。 

多年以来，研究人员提出和开发了许多遥感影像变化检测方法和技术，并应用于各种不同的科学问题中。早期的变化监测技术基于图像之间的差值，其中表示变化前后的两幅图像，此类方法非常简单，仅仅定义变化判别阈值即可。Smits和Annoni讨论了在具体应用要求虚警率和漏检率下阈值的选择。现在有很多方法和简单差值法非常相近，比如，变化向量分析(change vector analysis，CVA)，从多谱通道考虑每个像素的变化。图像比值法(Image ratioing)也是类似于差值方法的技术，不过该方法用图像前后像素点强度的比来代替前者的差值，其原理和差值法是一样的。Lu等人按照检测策略将现有的变化检测方法归结为七类：算术运算法、变换法、 分类法、高级模型法、GIS方法、视觉分析法和其它方法。其中，在算术运算法中，应用比较广泛的是无监督的分割方法，通常又叫做聚类方法。聚类方法一般可以分为两类：层次聚类和划分聚类，其中划分聚类通过最小化特定准则将数据集划分到不同的类属中，因此这类方法可以看作是最优化问题，同时，图像的变化检测问题也可以视为组合优化问题，因此可以用划分聚类方法来处理图像的变化检测问题。但是已有的优化方法对于处理优化问题的时候往往耗时很长，并且在搜索过程中容易陷入局部最优，同时对于复杂图像的变化检测问题往往会存在边缘定位不够准确的缺点，这样势必会影响到图像变化检测的区域一致性与边缘保持的性能。 

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种基于Memetic核聚类的SAR图像变化检测方法，以降低图像检测时间复杂度，避免在图像检测中陷入局部最优，提高图像变化检测区域的一致性和边缘保持性能。 

实现本发明目的的技术方案是将SAR图像的变化检测问题看作组合优化问题，使用基于Memetic核聚类对SAR图像进行变化检测，使得适应度函数值最大化，进而得到最终的变化检测结果，具体实现步骤包括如下： 

(1)输入两个不同时间的SAR图像I₁和I₂，并通过中值滤波器对这两幅图像进行滤波； 

(2)计算滤波后的两幅SAR图像I₁和I₂的对数比差异影像I₃，并将得到的I₃的灰度值作为聚类数据集； 

(3)设置种群规模，最大迭代次数N，类别数k，初始化聚类中心； 

(4)利用核聚类算法进行聚类，并计算聚类数据集的适应度函数值f_k，根据适应度函数值选择并保留最优个体Q0(t)； 

(5)对最优个体Q0(t)进行克隆和双变异操作，产生新的个体Q_m(t)； 

(6)对新的个体Q_m(t)采用Memetic局部学习算子进行搜索，选择出最优个体LQm(t)； 

(7)对最优个体LQm(t)进行克隆和交叉操作，产生新的个体Q_c(t)； 

(8)对新的个体Q_c(t)采用Memetic局部学习算子进行搜索，选择出最优个体 LQc(t)； 

(9)对最优个体LQc(t)进行精英选择操作，得到子代个体Q(t+1)，并保留当前最优个体Q(t+1)进入下一代种群中； 

(10)计算当前迭代次数n：比较上一代适应度函数值f_k(t)与当前个体的适应度函数值f_k(t+1)大小，当|f_k(t)-f_k(t+1)|≤10e-5，n＝n+1，否则n保持不变； 

(11)判断停机条件：若当前的迭代次数n大于最大迭代次数N时，停止并输出最优聚类结果Q(t+1)；否则返回步骤(5)，循环执行步骤(5)～(10)，直到满足停机条件为止，并输出聚类结果Q(t+1)。 

本发明与现有的技术相比具有以下优点： 

1.快速有效性，不易陷入局部最优 

本发明由于是在图像数据核聚类过程中，加入了Memetic局部搜索算法，在当前个体的多领域范围内快速地搜索到全局优聚类中心，不仅降低了图像检测时间，而且防止在进化过程中陷入局部最优解； 

2.提高了图像变化检测区域一致性和边缘保存性 

本发明由于采用的是中值滤波器，中值滤波器的是为了简化图像而不造成图像模糊或改变图像轮廓，最终采用精英选择策略选出最优的个体，降低了错误检查率低，使得检测精度高于其他算法，因而具有比现有技术更好的图像变化检测效果，提高了图像变化检测的区域一致性与边缘保持的性能。 

附图说明

图1是本发明的流程图； 

图2是本发明仿真使用的Ottawa地区水灾的Radarsat SAR图像； 

图3是用本发明对图2的变化检测结果示意图； 

图4是本发明仿真使用的Bern城市水灾的SAR图像； 

图5是用本发明对图4的变化检测结果示意图； 

具体实施方式

参照图1，本发明的具体实现步骤如下： 

步骤1：对待检测的两个不同时间的SAR图像进行滤波处理，这里选取形态学 中的中值滤波器，用该滤波器对输入的两时相图像进行滤波处理，得到滤波后的图像I₁和I₂。 

步骤2：对滤波后的图像I₁和I₂，求对数比差异影像I₃，并将得到的I₃的灰度值作为聚类数据集。 

(2a)计算变化检测两时相SAR图像的对数比差异影像I_D： 

I_D＝|log(I₂+1)-log(I₁+1)|； 

(2b)对差异影像进行归一化处理，得到对数比差异影像图I₃： 

I₃＝255*(I_D-I_min)/(I_max-I_min)； 

其中I_max＝max(I_D)表示I_max中最大灰度值，I_min＝min(I_D)表示I_min最小灰度值。 

步骤3：设置初始化参数：种群规模N＝50，类别数k＝2，交叉概率p_c＝0.80，变异概率p_m＝0.1，最大迭代次数N＝10，初始化聚类中心。 

步骤4：采用高斯核K均值对原始数据进行聚类，用高斯核函数将低维的数据集映射到高维空间，并根据核空间样本点到聚类中心的距离函数F计算适应度函数值f_k。 

(4a)高斯核函数将样本点x_i和x_j，i＝1，2，...M，j＝1，2，...M映射到高维空间，生成高维空间的样本点 

K(x_i，x_j)＝exp(-||x_i-x_j||²/2σ²)； 

其中σ是高斯核函数变换参数。 

(4b)在给定的初始条件下，对核空间的样本点 

利用以下公式进行核聚类： 

其中F是核空间的样本点到聚类中心的距离函数， 

i＝1，2，...M是核空间的样本点，M是样本总个数，m_j，j＝1，2，...k是核空间的聚类中心，k是类别数目， I(x_i∈C_j)是样本点x_i属于类C_j的权值，若样本点x_i，i＝1，2，...M属于类C_j，j＝1，2，...k则I(x_i∈C_j)＝0，否则I(x_i∈C_j)＝1； 

(4c)根据核空间的样本点到聚类中心的距离函数F计算适应度函数f_k： 

$f_k=\frac{1}{1+F};$

(4d)根据适应度函数值f_k，保留当前群体中的最优个体Q0(t)。 

步骤5：对最优个体Q0(t)进行克隆和双变异操作，产生新的个体Qm(t)； 

(5a)将当前个体Q0(t)进行10倍克隆； 

(5b)将克隆后的个体进行利用双变异算法进行双变异操作，双变异算法，参见文献“薛文涛，吴晓蓓，徐志良，“基于双变异算子的免疫规划”，《控制与决策》，第22卷，第12期，第1411-1416页，2007年12月”； 

双变异操作包括高斯变异和柯西变异： 

高斯变异方式为：Q_m(t)＝Q0(t)+σN(0，1)，其中σ是高斯变异参数，Q0(t)是克隆后个体，Q_m(t)是高斯变异后的个体，N(0，1)表示均值为0，方差为1的高斯分布数； 

柯西变异方式为：Q_m(t)＝Q0(t)+ωC(0，1)，ω是柯西变异参数，Q0(t)是克隆后个体，Q_m(t)是柯西变异后的个体，C(0，1)表示均值为0，方差为1的柯西分布数； 

(5c)初始变异概率p_m＝0.1，随机生成概率p∈[0，1]，若p≥p_m，进行高斯变异操作，否则进行柯西变异操作。 

步骤6：用Memetic局部搜索算法对双变异后的个体Q_m(t)进行局部搜索，Memetic局部搜索算法是一种爬山法，参见了文献“Ruishi Liang，Yunfei Jiang，Rui Bian，″Ordered Hill Climbing Search for Heuristic Planning″，Information Engineeringand Computer Science，Print ISBN：978-1-4244-4994-1，pp.1-4，Issue Date：19-20Dec.2009”，即在双变异后的个体Q_m(t)的相邻领域ΔL内进行局部搜索出局部学习个体LQm(t)： 

LQm(t)＝Local_searching(Q_m(t)，ΔL) 

其中Q_m(t)是双变异后的个体，ΔL是Q_m(t)相邻领域，LQm(t)是局部搜索后个体，Local_searching表示爬山法。 

步骤7：对局部搜索后的个体LQm(t)进行克隆和单点交叉操作。 

(7a)将局部搜索后的个体LQm(t)进行10倍克隆； 

(7b)将克隆后的个体进行多点交叉操作，得到多点交叉后个体Q_c(t)，采用交叉概率p_c＝0.80，多点交叉操作参见了文献“任庆生，曾进，戚飞虎，“交叉算子的极限一致性”，《计算机学报》，第25卷，第12期，2002年12月”。 

步骤8：用Memetic搜索算法对单点交叉后个体Q_c(t)在相邻领域ΔL内进行局部搜索找出最优个体LQc(t)， 

LQc(t)＝Local_searching(Q_c(t)，ΔL) 

其中Q_c(t)是交叉后个体，ΔL是Q_c(t)的相邻领域，Local_searching表示爬山法。 

步骤9：对局部搜索后的个体LQc(t)进行精英选择操作，得到下一代个体Q(t+1)。 

(9a)计算上一代个体Q0(t)的适应度函数值f_k(t)； 

(9b)计算当前局部搜索后的个体Q(t+1)的适应度函数值f_k(t+1)； 

(9c)若f_k(t+1)≥f_k(t)，选择Q(t+1)为当前最优个体，否则选择Q0(t)为当前最优个体。 

步骤10：计算当前迭代次数n。 

(10a)计算上一代个体Q0(t)的适应度函数值f_k(t)； 

(10b)计算当前局部搜索后的个体Q(t+1)的适应度函数值f_k(t+1)； 

(10c)若|f_k(t)-f_k(t+1)|≤10e-5，n＝n+1，否则n保持不变。 

步骤11：根据最大迭代次数N＝10和当前迭代次数n来判断是否停机，若当前 的迭代次数n≤N，返回步骤(5)，循环执行步骤(5)～(10)，否则输出最终聚类结果Q(t+1)。 

本发明的效果由下面的仿真实验结果看出： 

1、仿真条件：仿真实验所用到的图像来源于标准图像库，其中一组实验是Ottawa地区水灾的Radarsat SAR图像，大小为290×350，如图2所示；图2(a)为1997年5月采集到的SAR图像，图2(b)为1997年8月集到的SAR图像，图2(c)为图2(a)与图2(b)变化参考图，其中变化目标数为16049；由图2(a)和图2(b)可知，地物信息可分为三类：深水区、浅水区和陆地区。在该研究地区，由于夏季雨季来临，洪水引起地区变化；对比图2(a)和图2(b)，主要的变化区域有：深水区到浅水区的变化，深水区到陆地区的变化和浅水区到陆地区的变化；另一组实验数据是Bern城市水灾的SAR图像，大小为301×301，如图4所示。图4(a)和图4(b)分别为1999年4月和1999年5月采集到的SAR图像，图4(c)为图4(a)与图4(b)变化参考图，其中真实变化目标数为1155；由原图4(a)和图4(b)可知，地物可分五类：建筑物，农田，深水区，浅水区，河滩。对比原图4(a)和5(b)，主要变化区域是小面积深水区。 

2、实验参数设置：设置种群规模N＝50，类别数k＝2，克隆倍数cl＝10，最大迭代次数N＝10，交叉概率p_c＝0.80，变异概率p_m＝0.1。 

3、仿真内容及结果： 

实验1，在上述给定的实验参数条件下，用现有方法：k-means、kernel k-means和本发明方法分别对图2(c)的变化区域进行检测，三种方法检测结果如图3所示。其中图3(a)是k-means方法的检测结果；图3(b)是kernel k-means方法的检测结果；图3(c)是本发明的检测结果。从图3可见本发明方法比k-means、kernel k-means方法的错误检测数目少，视觉效果好，精确地定位了图像变化信息。 

将现有方法k-means、kernel k-means和本发明方法对图2(c)变化检测错检数、虚检数、总错检数和错误检查数据进行统计，结果如表1。 

表1.本发明和现有方法对图2(c)变化检测结果 

从表1可见，k-means方法的总错误检测数高达8138，kernel k-means方法的错误检测数为5457，而本发明方法的错误检测数为5030，本发明的错误检测数目低于其他两种算法，检测精度达到95.04％，明显优于k-means方法和kernel k-means方法，克服已有的方法易陷入局部极值的缺点。 

实验2，，在给定的实验参数条件下，用现有的方法：k-means、kernel k-means和本发明方法分别对图4(c)的变化区域进行检测，三种方法检测结果如图5所示。其中图5(a)是k-means方法的检测结果；图5(b)是kernel k-means方法的检测结果；图5(c)是本发明的算法的检测结果。从图5(c)可见，本发明的方法比k-means、kernel k-means方法的错误检测数目少，视觉效果好，精确地定位了图像变化信息。 

将现有方法k-means、kernel k-means和本发明方法对图4(c)变化检测错检数、虚检数、总错检数和错误检查数据进行统计，结果如表2。 

表2.本发明和现有方法对图4(c)变化检测结果 

从表2可见，k-means方法的错误检测数目为590，而kernel k-means方法的错误检测数目高达686，而本发明的错误检测数为340，本发明方法的错误检测结果明显低于其他两种算法；因此本发明方法的结果能精确地检测真实变化信息，检测精度达到99.64％，本发明结果明显优于k-means方法和kernel k-means方法，克服已有的方法易陷入局部极值的缺点。 

Claims (8)

1.一种基于Memetic核聚类的SAR图像变化检测方法，包括如下步骤：

(1)输入两个不同时间的SAR图像I₁和I₂，并通过中值滤波器对这两幅图像进行滤波；

(2)计算滤波后的两幅SAR图像I₁和I₂的对数比差异影像I₃，并将得到的I₃的灰度值作为聚类数据集；

(3)设置种群规模，最大迭代次数N，类别数k，初始化聚类中心；

(4)利用核聚类算法进行聚类，并计算聚类数据集的适应度函数值f_k，根据适应度函数值选择并保留最优个体Q0(t)；

(5)对最优个体Q0(t)进行克隆和双变异操作，产生新的个体Q_m(t)；

(6)对新的个体Q_m(t)采用Memetic局部学习算子进行搜索，选择出最优个体LQm(t)；

(7)对最优个体LQm(t)进行克隆和交叉操作，产生新的个体Q_c(t)；

(8)对新的个体Q_c(t)采用Memetic局部学习算子进行搜索，选择出最优个体LQc(t)；

(9)对最优个体LQc(t)进行精英选择操作，得到子代个体Q(t+1)，并保留当前最优个体Q(t+1)进入下一代种群中；

(10)计算当前迭代次数n：比较上一代适应度函数值f_k(t)与当前个体的适应度函数值f_k(t+1)大小，当|f_k(t)-f_k(t+1)|≤10e-5，n＝n+1，否则n保持不变；

(11)判断停机条件：若当前的迭代次数n大于最大迭代次数N时，停止并输出最优聚类结果Q(t+1)；否则返回步骤(5)，循环执行步骤(5)～(10)，直到满足停机条件为止，并输出聚类结果Q(t+1)。

2.根据权利要求1所述的基于Memetic核聚类的SAR图像检测方法，其中步(2)所述的计算滤波后的两幅SAR图像I₁和I₂的对数比差异影像I₃，按如下步骤进行：

(2a)计算变化检测两时相SAR图像的对数比差异影像I_D：

I_D＝|log(I₂+1)-log(I₁+1)|；

(2b)对差异影像进行归一化处理，得到对数比差异影像图I₃：

I₃＝255*(I_D-I_min)/(I_max-I_min)

其中I_max＝max(I_D)表示I_max中最大灰度值，I_min＝min(I_D)表示I_min最小灰度值。

3.根据权利要求1所述的基于Memetic核聚类的SAR图像检测方法，其中步骤(4)所述利用核聚类算法进行聚类，利用以下公式进行：

其中F(m₁，m₂，...，m_k)是在核空间的样本点到聚类中心的距离函数，

i＝1，2，...M是核空间的样本点，M是样本总个数，m_j，j＝1，2，...k是核空间的聚类中心，k是类别数目，I(x_i∈C_j)是样本点x_i属于类C_j的权值，若样本点x_i，i＝1，2，...M属于类C_j，j＝1，2，...k则I(x_i∈C_j)＝0，否则I(x_i∈C_j)＝1。

4.根据权利要求1所述的基于Memetic核聚类的SAR图像检测方法，其中步骤(4)所述计算核聚类的适应度函数f_k，定义如下：

$f_k=\frac{1}{1+F};$

其中F是核空间的样本点到聚类中心的距离函数。

5.根据权利要求1所述的基于Memetic核聚类的SAR图像检测方法，其中步骤(5)所述对最优个体Q0(t)进行克隆和双变异操作，是将当前个体进行10倍克隆，克隆后的种群进行双变异算法产生新的个体。

6.根据权利要求1所述的基于Memetic核聚类的SAR图像检测方法，其中步骤(7)所述对最优个体LQm(t)进行克隆和单点交叉操作，是将当前个体进行10倍克隆，克隆后的种群进行多点交叉操作产生新的个体。

7.根据权利要求1所述的基于Memetic核聚类的SAR图像检测方法，其中步骤(6)和(8)所述的Memetic搜索算法，是在当前个体Q(t)的相邻领域ΔL内用爬山法进行局部搜索寻找出最优个体LQ(t)。

8.根据权利要求1所述的基于Memetic核聚类的SAR图像检测方法，其中步骤(9)所述的对最优个体LQc(t)进行精英选择操作，是将上一代个体适应度函数值f_k(t)与当前个体的适应度函数值f_k(t+1)进行比较，若f_k(t+1)≥f_k(t)，选择当前个体为最优个体，否则仍保留上一代个体为最优个体。

Images