CN103366365A - 基于人工免疫多目标聚类的sar图像变化检测方法 - Google Patents

Abstract

本发明公开了一种基于人工免疫多目标聚类的SAR图像变化检测方法，主要解决SAR图像变化检测结果准确率及效率低的问题。其实现步骤是：(1)读入两时相SAR图像；(2)对两时相SAR图像构造差异图；(3)对差异图进行基于灰度值的自适应免疫多目标聚类，将其分为变化类、非变化类与待识别类；(4)对待识别类进行基于非下采样小波变换的免疫克隆多目标聚类，得到待识别类的一组聚类中心；(5)根据一组聚类中心对待识别类进行最小距离分类，得到一组变化检测结果图；(6)计算变化检测结果图的目标函数值；(7)根据目标函数值选出最小的目标函数值；(8)将最小的目标函数值所对应的变化检测结果图作为最终的检测结果。本发明方法具有检测效率高及检测精度高的优点。

Description

基于人工免疫多目标聚类的SAR图像变化检测方法

技术领域

本发明属于图像处理领域，涉及图像变化检测的方法，尤其涉及不同时刻同一地区SAR图像变化检测的方法，可用于对多时相SAR图像提取和获得地物变化特征与变化过程的信息。

背景技术

随着图像处理技术的发展，目前光学遥感图像的变化检测已得到较好的发展，但光学遥感图像受不良天气的影响较严重，不能得到较好的地物信息，而合成孔径雷达SAR具有全天时，全天候，覆盖面积大等特点，所以，SAR图像的变化检测具有更广泛的应用前景。近几年随着国内外SAR图像变化检测研究技术的蓬勃发展，出现了很多新颖有效的方法，可以将这些SAR图像变化检测方法的框架大致分为：(1)分类后比较，此框架能够减少伪变化信息，不需要复杂的预处理；(2)比较后分类，此框架得到的变化细节较为显著。其中比较后分类法得到了较多学者的关注。根据比较后分类的框架已有很多学者将智能优化算法的理论和模型应用于SAR图像变化检测中，智能优化算法主要包括进化计算EA、粒子群算法PSO、人工免疫系统AIS等。

目前将智能优化算法应用于SAR图像变化检测中的研究有：Celik T于2010在IEEE GRS letter上发表的“Change Detection in Satellite Images Using a GeneticAlgorithm Approach”，该方法直接将变化检测结果作为初始化种群，利用遗传算法在所有可能的解中寻找使适应度函数最小的解，将其作为变化检测结果。该方法的不足之处在于：一是用所有可能的解来初始化种群导致初始化效率低下，降低了算法收敛速度；二是单个目标函数的求解导致所求得的解偏向某一目标，不能全面衡量解的综合性能，使得所得到的解容易陷入局部最优，从而降低了变化检测的精确度。

此外，李阳阳等于2011年在《红外与毫米波学报》上发表的“基于量子免疫克隆聚类的SAR图像变化检测方法”，该方法通过差异图的灰度值利用量子免疫克隆算法来搜索最优的聚类中心，由此得到变化检测结果。该方法的不足之处在于：一是单个目标函数的求解导致所求的解偏向某一方向，不能全面的衡量所求问题的综合性能；二是在整个求解过程中只用了差异图的灰度信息，没有利用差异图的纹理和区域等信息，增加了伪变化信息；三是在求解过程中是对差异图整体进行分析，容易使结果陷入局部最优解，从而会降低变化检测的精确度。

发明内容

本发明的目的在于针对上述现有方法的不足，提出了一种基于人工免疫多目标聚类的SAR图像变化检测方法，以提高全局搜索能力和局部搜索能力，降低SAR图像斑点噪声的影响，提高SAR图像变化检测的精确性。

实现本发明目的技术思路是：通过差异图的全局信息由免疫克隆自适应地提取出待检测的局部区域，再对提取出的局部区域进行多目标免疫克隆分析，以提高全局搜索能力和局部搜索能力，并从多方面寻找综合性能最优的解，充分利用差异图的灰度，纹理等信息，以降低SAR图像斑点噪声的影响，提高SAR图像变化检测的精确性。其具体步骤包括如下：

(1)读入已配准和已校正的两幅不同时间同一地点的SAR图像

和

；

(2)根据这两幅SAR图像

和

构造差异图D：

$D=\frac{\underset{x\∈N\left(x\right)}{\mathrm{\Σ}}\min (I_{t_1}\left(x\right),I_{t_2}\left(x\right))}{\underset{x\∈N\left(x\right)}{\mathrm{\Σ}}\max (I_{t_1}\left(x\right),I_{t_2}\left(x\right))},$

其中，N(x)表示像素点x周围的一个邻域像素集，

是SAR图像中像素点x的灰度值，

是SAR图像中像素点x的灰度值；

(3)对差异图D进行基于灰度值的自适应免疫多目标聚类，自适应地将差异图D分为变化类B、非变化类F与待识别类S；

(4)对待识别类S进行基于非下采样小波变换的免疫克隆多目标聚类，得到待识别类S的一组聚类中心E；

(5)根据一组聚类中心E对待识别类S进行最小距离分类，得到一组变化检测结果图G，G＝{g_l,l＝1,...,a}，a是变化检测结果图G的总个数，g_l是变化检测结果图G中的第l幅变化检测结果图；

(6)根据变化检测结果图G＝{g_l,l＝1,...,a}，计算目标函数值F，F＝{f_l,l＝1,...,a}，f_l是第l幅变化检测结果图g_l的目标函数值，表示为：

$f_l=\underset{r=0}{\overset{1}{\mathrm{\Σ}}}\frac{N_r}{M\×N}\underset{(i,j)\∈R_r}{\mathrm{\Σ}}{(D(i,j)-{\mathrm{\μ}}_r)}^2,$

其中，M×N是第l幅变化检测结果图g_l的图像大小，D(i,j)是差异图D中第i行第j列的像素点的灰度值，r＝0,1，当r=0时，N_r是第l幅变化检测结果图g_l中非变化类像素点的总个数，R_r是第l幅变化检测结果图g_l中非变化类像素点的集合，μ_r是第l幅变化检测结果图g_l中非变化类像素点的灰度均值，当r=1时，N_r是第l幅变化检测结果图g_l中变化类像素点的总个数，R_r是第l幅变化检测结果图g_l中变化类像素点的集合，μ_r是第l幅变化检测结果图g_l中变化类像素点的灰度均值；

(7)根据目标函数值F＝{f_l,l＝1,...,a}，选出最小的目标函数值f_z，将最小的目标函数值f_z所对应的第z幅变化检测结果图g_z作为最终的检测结果。

本发明与现有技术相比具有以下优点：

1.本发明由于将人工免疫算法与多目标优化相结合，选取两个优化指标，可以有效的提高变化检测方法的综合性能，提高了全局搜索能力和寻优结果的精度；

2.本发明由于对差异图进行自适应预分类，可以有效的提取出变化类、非变化类与待识别类，为后续处理降低了运行复杂度，减小了错分率；

3.本发明由于直接对待识别类进行变化检测分类，可以有效的降低运行时间，提高局部搜索能力和检测稳定性，以及变化检测精度。

附图说明

图1是本发明的实现流程图；

图2是本发明和现有遗传方法、量子免疫克隆方法对1997年5月和1997年8月加拿大Ottawa地区的SAR图像变化检测结果对比图；

图3是用本发明和现有遗传方法、量子免疫克隆方法对1999年4月和1999年5月瑞士Bern城市的SAR图像变化检测结果对比图。

具体实施方式

下面结合附图对本发明的具体实施步骤和效果做进一步的详细描述：

参照图1，本发明的实现步骤如下：

步骤1，读入已配准和已校正的两幅同一地点不同时刻的SAR图像

和

。

在本发明的实施例中，读入一组加拿大Ottawa地区1997年5月和1997年8月Radarsat-1SAR图像，这两幅SAR图像

和

的大小均为350×290，灰度级为256，变化目标数为16049个像素点。

步骤2，根据这两幅SAR图像

和

构造差异图D。

现有的差异图的构造方法有均值比值法、对数比值法和差值法等，在本方明实施例中，采用的是用模糊贴近度的方法构造差异图，差异图D表示为：

$D=\frac{\underset{x\∈N\left(x\right)}{\mathrm{\Σ}}\min (I_{t_1}\left(x\right),I_{t_2}\left(x\right))}{\underset{x\∈N\left(x\right)}{\mathrm{\Σ}}\max (I_{t_1}\left(x\right),I_{t_2}\left(x\right))},$

其中，N(x)表示像素点x周围的一个邻域像素集，

(x)是SAR图像

中像素点x的灰度值，

(x)是SAR图像

中像素点x的灰度值。

步骤3，对差异图D进行基于灰度值的自适应免疫多目标聚类，自适应地将差异图D分为变化类B、非变化类F与待识别类S。

现有的对差异图D聚类的方法有Fisher分类器，FCM方法，近邻传播聚类方法等，在本发明实施例中，采用的是基于灰度值的自适应免疫多目标聚类方法，其具体实施步骤如下：

3a)用梯度分水岭变换对差异图D进行初始粗分割，获得分割区域Y＝{y₁,...,y_u}，u是分割区域Y的总个数，y_u是分割区域Y中第u个区域；

在本发明实施例中，梯度分水岭变换采用的是sobel算子建立滤波器，滑动窗口大小为3×3，获得的分割区域Y的个数u=807。

3b)根据分割区域Y＝{y₁,...,y_u}，用最小生成树方法初始化种群P为：

并初始化迭代次数t=0，

其中，M是种群P中抗体的总个数，p_n是种群P中第n个抗体，p_n＝{p_nb,n＝1,...,M,b＝1,...,u}，p_nb是抗体p_n中第b个元素；

在本发明实施例中，种群P中抗体的个数M＝25。

3c)根据种群P计算第n个抗体p_n的聚类目标函数f₁和分类目标函数f₂：

$f_1=T\left[N\left(p_n\right)\right]\×\underset{a=1}{\overset{N\left(p_n\right)}{\mathrm{\Σ}}}\underset{p_{\mathrm{ns}}\∈c_a}{\mathrm{\Σ}}d(p_{\mathrm{ns}},m_a),$

$f_2=\underset{i=1}{\overset{u}{\mathrm{\Σ}}}\underset{j=1}{\overset{L}{\mathrm{\Σ}}}\frac{d(p_{\mathrm{ni}},p_{\mathrm{nj}})}{y},$ p_ni∈c_a且p_nj∈c_a，

其中，N(p_n)是种群P中第n个抗体p_n的类别数，T[N(p_n)]表示对第n个抗体p_n的类别数N(p_n)归一化，p_ni是抗体p_n中第i个元素，i＝1,...,u，p_nj是抗体p_n中第i个元素p_ni的第j个近邻元素，j＝1,...,L，L是抗体p_n中第i个元素p_ni的近邻总个数，c_a是抗体p_n中第a类元素的集和，a＝[1,...,N(p_n)]，p_ns是集合c_a中第s个元素，s＝1,...,u，m_a是集和c_a的类别中心，且

d(p_ni,p_nj)是抗体p_n中的第i个元素p_ni与其第j个近邻元素p_nj之间的欧氏距离，y是惩罚项；

在本发明实施例中，抗体p_n中第i个元素p_ni的近邻总个数L=6，惩罚项y根据欧氏距离d(p_ni,p_nj)的值，若距离欧氏距离d(p_ni,p_nj)的值越大，惩罚项y的值越大。

3c)根据聚类目标函数f₁和分类目标函数f₂，在种群P中寻找非支配抗体种群

，即对种群P中的任意一个抗体p^*，当且仅当抗体p^*满足：

p_n≠p^*且(f₁(p^*)≥f₁(p_n)&f₂(p^*)＞f₂(p_n))||(f₁(p^*)＞f₁(p_n)&f₂(p^*)≥f₂(p_n))，则抗体p^*为非支配抗体，

其中f₁(p^*)和f₂(p^*)分别是任意一个抗体p^*的聚类目标函数f₁和分类目标函数f₂的值，f₁(p_n)和f₂(p_n)分别是抗体p_n的聚类目标函数f₁和分类目标函数f₂的值；

在本发明实施例中，所选的非支配抗体种群

的个数为15个。

3d)对非支配抗体种群

执行等级克隆操作，生成克隆后种群P_c；

现有的克隆操作的方法有整体克隆，等级克隆等，在本发明实施例中，采用的等级克隆操作，且克隆后种群P_c的个数为45个。

3e)对克隆后种群P_c进行均匀交叉操作和抗体近邻变异操作，产生免疫操作后种群P_r；

现有的交叉操作的方法有单点交叉，两点交叉，均匀交叉等，在本发明实施例中，交叉操作采用的均匀交叉，且交叉概率为0.8。

现有的变异操作的方法有单点变异，多点变异，抗体近邻变异，非一致性变异等，在本发明实施例中，变异操作采用的是抗体近邻变异，变异的概率为0.1。

3f)根据免疫操作后种群P_r中抗体p_n的类别数N(p_n)，从中选出M个类别数N(p_n)=3的抗体作为新种群P_t；

3g)判断迭代次数t是否达到了最高迭代次数g_max1，如果满足t＞g_max1，根据新种群P_t，随机选择其中的一个类别数N(p_n)=3的抗体p_n作为最终的三类变化类别，即变化类B、非变化类F与待识别类S，否则，t＝t+1，返回步骤3c)，进行下一次迭代。

在本发明实施例中，最大迭代次数g_max1＝50。

步骤4，对待识别类S进行基于非下采样小波变换的免疫克隆多目标聚类，得到待识别类S的一组聚类中心E。

现有的对待识别类S进行聚类的方法有遗传方法，FCM方法，近邻传播聚类方法等，在本发明实施例中，采用的是基于非下采样小波变换的免疫克隆多目标聚类方法，其具体实施步骤如下：

4a)对待识别类S采用非下采样小波变换获得待识别类S中像素点的特征矩阵V为V＝{v_c,c＝1,...,N_n}，N_n是待识别类S中像素点的总个数，v_c是第c个像素点的特征向量；

在本发明实施例中，对识别类S提取纹理特征的方法有灰度共生矩阵，小波变换，非下采样小波变换等，本发明方法采用的是非下采样小波变换来获得待识别类S中像素点的特征矩阵V，在非下采样小波变换的方法中采用L=3层小波分解，滑动窗口大小是15×15像素，待识别类S中像素点的总个数N_n=14767，特征矩阵V的大小为14767×10。

4b)根据特征矩阵V中的值随机初始化种群Q为Q＝{q_m,m＝1,...,N}，并初始化迭代次数t=0，

其中，N是种群Q的个数，q_m是种群Q中第m个抗体，q_m＝{q_mn,m＝1,...,N,n＝1,...,K}，K是待识别类S的分类类别数，q_mn是种群Q中第m个抗体q_m中第n类的聚类中心向量；

在本发明的实施例中，待识别类S的分类类别数K=2，种群Q的个数N=20。

4c)计算种群Q的模糊目标函数g₁和致密分离有效性目标函数g₂：

$g_1=\underset{c=1}{\overset{N_n}{\mathrm{\Σ}}}\underset{n=1}{\overset{K}{\mathrm{\Σ}}}{\mathrm{\μ}}_{\mathrm{nc}}^2{\left|\right|v}_c-{q_{\mathrm{mn}}\left|\right|}^2,$

$g_2=\frac{\mathrm{\σ}}{N_n}\×\frac{1}{d_{\min }},$

其中，v_c是待识别类S中第c个像素点的特征向量，μ_nc是聚类中心向量q_mn与特征向量v_c属于第n类的模糊隶属度，n＝1,...,K，

是待识别类S的整体方差，||v_c-q_mn||²是聚类中心向量q_mn与特征向量v_c的差值平方，d_min＝min||q_mi-q_mj||²是第i类的聚类中心向量与第j类的聚类中心向量间的距离，i,j＝1,...,K且i≠j；

4d)根据模糊目标函数g₁和致密分离有效性目标函数g₂寻找种群Q中的非支配抗体种群，即对种群Q中的任意一个抗体q^*，当且仅当抗体q^*满足：

q_m≠q^*且(g₁(q^*)≥g₁(q_m)&g₂(q^*)＞g₂(q_m))||(g₁(q^*)＞g₁(q_m)&g₂(q^*)≥g₂(q_m))，则抗体q^*为非支配抗体，

其中g₁(q^*)和g₂(q^*)分别是任意一个抗体q^*的模糊目标函数g₁和致密分离有效性目标函数g₂的值，g₁(q_m)和g₂(q_m)分别是抗体q_m的模糊目标函数g₁和致密分离有效性目标函数g₂的值；

在本发明实施例中，所选的非支配抗体种群

的个数为10个。

4e)根据非支配抗体种群执行等级克隆操作，生成克隆后种群Q_c；

现有的克隆操作的方法有整体克隆，等级克隆等，在本发明实施例中，采用的等级克隆操作，且克隆后种群Q_c的个数为40个。

4f)根据克隆后种群Q_c执行非一致性变异操作，生成变异后种群Q_r；

现有的变异操作的方法有单点变异，多点变异，抗体近邻变异，非一致性变异等，在本发明实施例中，变异操作采用的是非一致性变异，变异的概率为0.1。

4g)根据变异后种群Q_r进行动态拥挤距离删除机制，选出N个抗体作为新种群Q_t，新种群Q_t即为一组聚类中心E；

4h)判断迭代次数t是否达到了最高迭代次数g_max2，如果满足t＞g_max2，输出一组聚类中心E，否则返回步骤4c)，t＝t+1，进行下一次迭代。

在本发明实施例中，最大迭代次数g_max1＝50。

步骤5，根据一组聚类中心E对待识别类S进行最小距离分类，得到一组变化检测结果图G，G＝{g_l,l＝1,...,a}，a是变化检测结果图G的总个数，g_l是变化检测结果图G中的第l幅变化检测结果图。

步骤6，根据变化检测结果图计算目标函数值F，F＝{f_l,l＝1,...,a}，f_l是第l幅变化检测结果图g_l的目标函数值，表示为：

$f_l=\underset{r=0}{\overset{1}{\mathrm{\Σ}}}\frac{N_r}{M\×N}\underset{(i,j)\∈R_r}{\mathrm{\Σ}}{(D(i,j)-{\mathrm{\μ}}_r)}^2,$

其中，M×N是第l幅变化检测结果图g_l的图像大小，D(i,j)是差异图D中第i行第j列的像素点的灰度值，r＝0,1，当r=0时，N_r是第l幅变化检测结果图g_l中非变化类像素点的总个数，R_r是第l幅变化检测结果图g_l中非变化类像素点的集合，μ_r是第l幅变化检测结果图g_l中非变化类像素点的灰度均值，当r=1时，N_r是第l幅变化检测结果图g_l中变化类像素点的总个数，R_r是第l幅变化检测结果图g_l中变化类像素点的集合，μ_r是第l幅变化检测结果图g_l中变化类像素点的灰度均值。

步骤7，根据目标函数值F＝{f_l,l＝1,...,a}，选出最小的目标函数值f_z，将最小的目标函数值f_z所对应的第z幅变化检测结果图g_z作为最终的检测结果。

本发明的效果可以通过以下实验进一步说明：

本发明的对比实验为Celik于2010在IEEE GRS letter上发表的“Change Detectionin Satellite Images Using a Genetic Algorithm Approach”和李阳阳等于2011年在红外与毫米波学报上发表的“基于量子免疫克隆聚类的SAR图像变化检测方法”中的提出的变化检测方法，变化检测结果的性能采用虚警数、漏检数、错误总数及Kappa系数四个指标进行评价。

1.实验条件：

本发明以两组多时相SAR图像进行实验，第一组是分别在1997年5月和1997年8月通过Radarsat-1SAR获得的加拿大Ottawa地区的图像，两幅图像的尺寸均为350×290像素，灰度级为256，实际变化像素个数为16049。第二组是分别在1999年4月和1999年5月通过ERS-2获得的瑞士Bern城市的水灾发生前后的SAR图像，两幅图像的尺寸均为301×301像素，灰度级为256，实际变化像素个数为1155。

2.实验内容与结果：

实验1，是用本发明方法，遗传方法和量子免疫克隆方法对第一组加拿大Ottawa地区水灾发生前后的SAR图像进行变化检测实验，结果如图2，其中，图2(a)为Ottawa1997年5月的原始图像，图2(b)为Ottawa1997年8月的原始图像，图2(c)为实际变化检测参考图，图2(d)为采用对比实验遗传方法得到的变化检测结果，图2(e)为采用对比实验量子免疫克隆方法得到的变化检测结果，图2(f)为采用本发明方法得到的变化检测结果。从图2(d)、图2(e)和图2(f)可以看出：与对比实验结果相比，本发明方法含有较少的杂点，对变化区域的细节部分能更好地实现，减少了伪变化信息，更接近变化参考图。

实验2，是用本发明方法，遗传方法和量子免疫克隆方法对第二组瑞士Bern城市水灾发生前后的SAR图像进行变化检测实验，结果如图3，其中，图3(a)为Bern1999年4月的原始图像，图3(b)为Bern1999年5月的原始图像，图3(c)为实际变化检测参考图，图3(d)为采用对比实验遗传方法得到的变化检测结果，图3(e)为采用对比实验量子免疫克隆方法得到的变化检测结果，图3(f)为采用本发明方法得到的变化检测结果。从图3(d)、图3(e)和图3(f)可以看出：与对比实验方法结果相比，本发明方法含有较少的杂点，减少了伪变化信息，检测出较详细的边界信息，更接近变化参考图。

实验3，是用本发明方法，遗传方法和量子免疫克隆方法对第一组加拿大Ottawa地区水灾发生前后的SAR图像进行变化检测实验结果的评价，结果如表1。

表1Ottawa地区实验结果

	漏检数	虚警数	总错误数	Kappa系数
					遗传方法	2232	1004	3236	0.8764
量子免疫克隆方法	1971	299	2270	0.8957
					本发明方法	578	988	1566	0.9426

从表1中数据可以看出：本发明方法与遗传方法相比，漏检数减少了1654个像素点，虚警数减少了16个像素点，总错误数减少了1670个像素点，Kappa系数增加了0.024；与量子免疫克隆方法相比，漏检数减少了1393个像素点，虚警数增加了689个像素点，总错误数减少704个像素点，Kappa系数增加了0.0469。

实验4，是用本发明方法，遗传方法和量子免疫克隆方法对第二组瑞士Bern城市水灾发生前后的SAR图像进行变化检测实验结果的评价，结果如表2。

表2Bern地区实验结果

	漏检数	虚警数	总错误数	Kappa系数
					遗传方法	19	3019	3038	0.4165
量子免疫克隆方法	294	98	392	0.8018
					本发明方法	167	162	329	0.8554

从表2中数据可以看出：本发明与遗传方法相比，漏检数增加了148个像素点，虚警数减少了2857个像素点，总错误数减少了2709个像素点，Kappa系数增加了0.4389；与量子免疫克隆方法相比，漏检数减少了127个像素点，虚警数增加了64个像素点，总错误数减少了63个像素点，Kappa系数增加了0.0536。

综上，本发明提出了基于人工免疫多目标聚类的SAR图像变化检测方法，通过对差异图采用多目标聚类算法进行预分类，可以有效的提取出待识别类，提高了算法从多个目标同时搜索的综合性能，为后续处理降低了复杂度与运行时间，再对待识别类样本根据其特征采用多目标聚类算法进行分类检测，可以有效的搜索全局最优聚类中心，提高了全局搜索能力，降低了SAR图像中细节的错检与漏检现象，有效地提高了SAR图像变化检测的精确度。

Claims (3)

1.一种基于人工免疫多目标聚类的SAR图像变化检测方法，包括如下步骤：

(1)读入已配准和已校正的两幅不同时间同一地点的SAR图像

和；

(2)根据这两幅SAR图像

和

构造差异图D：

$D=\frac{\underset{x\∈N\left(x\right)}{\mathrm{\Σ}}\min (I_{t_1}\left(x\right),I_{t_2}\left(x\right))}{\underset{x\∈N\left(x\right)}{\mathrm{\Σ}}\max (I_{t_1}\left(x\right),I_{t_2}\left(x\right))},$

其中，N(x)表示像素点x周围的一个邻域像素集，

是SAR图像中像素点x的灰度值，是SAR图像

中像素点x的灰度值；

(3)对差异图D进行基于灰度值的自适应免疫多目标聚类，自适应地将差异图D分为变化类B、非变化类F与待识别类S；

(4)对待识别类S进行基于非下采样小波变换的免疫克隆多目标聚类，得到待识别类S的一组聚类中心E；

(5)根据一组聚类中心E对待识别类S进行最小距离分类，得到一组变化检测结果图G，G＝{g_l,l＝1,...,a}，a是变化检测结果图G的总个数，g_l是变化检测结果图G中的第l幅变化检测结果图；

(6)根据变化检测结果图G＝{g_l,l＝1,...,a}，计算目标函数值F，F＝{f_l,l＝1,...,a}，f_l是第l幅变化检测结果图g_l的目标函数值，表示为：

$f_1=\underset{r=0}{\overset{1}{\mathrm{\Σ}}}\frac{N_r}{M\×N}\underset{(i,j)\∈R_r}{\mathrm{\Σ}}{(D(i,j)-{\mathrm{\μ}}_r)}^2,$

其中，M×N是第l幅变化检测结果图g_l的图像大小，D(i,j)是差异图D中第i行第j列的像素点的灰度值，r＝0,1，当r=0时，N_r是第l幅变化检测结果图g_l中非变化类像素点的总个数，R_r是第l幅变化检测结果图g_l中非变化类像素点的集合，μ_r是第l幅变化检测结果图g_l中非变化类像素点的灰度均值，当r=1时，N_r是第l幅变化检测结果图g_l中变化类像素点的总个数，R_r是第l幅变化检测结果图g_l中变化类像素点的集合，μ_r是第l幅变化检测结果图g_l中变化类像素点的灰度均值；

(7)根据目标函数值F＝{f_l,l＝1,...,a}，选出最小的目标函数值f_z，将最小的目标函数值f_z所对应的第z幅变化检测结果图g_z作为最终的检测结果。

2.根据权利要求1所述的SAR图像变化检测方法，其中步骤(3)所述的对差异图D进行基于灰度值的自适应免疫多目标聚类，自适应地将差异图D分为变化类B、非变化类F与待识别类S，按照如下步骤进行：

3a)用梯度分水岭变换对差异图D进行初始粗分割，获得分割区域Y＝{y₁,...,y_u}，u是分割区域Y的总个数，y_u是分割区域Y中第u个区域；

3b)根据分割区域Y＝{y₁,...,y_u}，用最小生成树方法初始化种群P为：P＝{p_n,n＝1,...,M}，并初始化迭代次数t=0，

其中，M是种群P中抗体的总个数，p_n是种群P中第n个抗体，p_n＝{p_nb,n＝1,...,M,b＝1,...,u}，p_nb是抗体p_n中第b个元素；

3c)根据种群P计算第n个抗体p_n的聚类目标函数f₁和分类目标函数f₂：

$f_1=T\[N\left(p_n\right)\]\×\underset{a=1}{\overset{N\left(p_n\right)}{\mathrm{\Σ}}}\underset{p_{\mathrm{ns}}\∈c_a}{\mathrm{\Σ}}d(p_{\mathrm{ns}},m_a),$

$f_2=\underset{i=1}{\overset{u}{\mathrm{\Σ}}}\underset{j=1}{\overset{L}{\mathrm{\Σ}}}\frac{d(p_{\mathrm{ni}},p_{\mathrm{nj}})}{y},$ p_ni∈c_a且p_nj∈c_a，

其中，N(p_n)是种群P中第n个抗体p_n的类别数，T[N(p_n)]表示对第n个抗体p_n的类别数N(p_n)归一化，p_ni是抗体p_n中第i个元素，i＝1,...,u，p_nj是抗体p_n中第i个元素p_ni的第j个近邻元素，j＝1,...,L，L是抗体p_n中第i个元素p_ni的近邻总个数，c_a是抗体p_n中第a类元素的集和，a＝[1,...,N(p_n)]，p_ns是集合c_a中第s个元素，s＝1,...,u，m_a是集和c_a的类别中心，且

是抗体p_n中的第i个元素p_ni与其第j个近邻元素p_nj之间的欧氏距离，y是惩罚项；

3c)根据聚类目标函数f₁和分类目标函数f₂，在种群P中寻找非支配抗体种群

，即对种群P中的任意一个抗体p^*，当且仅当抗体p^*满足：

p_n≠p^*且(f₁(p^*)≥f₁(p_n)&f₂(p^*)＞f₂(p_n))||(f₁(p^*)＞f₁(p_n)&f₂(p^*)≥f₂(p_n))，则抗体p^*为非支配抗体，

其中f₁(p^*)和f₂(p^*)分别是任意一个抗体p^*的聚类目标函数f₁和分类目标函数f₂的值，f₁(p_n)和f₂(p_n)分别是抗体p_n的聚类目标函数f₁和分类目标函数f₂的值；

3d)对非支配抗体种群执行等级克隆操作，生成克隆后种群P_c；

3e)对克隆后种群P_c进行均匀交叉操作和抗体近邻变异操作，产生免疫操作后种群P_r；

3f)根据免疫操作后种群P_r中抗体p_n的类别数N(p_n)，从中随机选出类别数N(p_n)=3的抗体作为新种群P_t；

3g)判断迭代次数t是否达到了最高迭代次数g_max1，如果满足t＞g_max1，根据新种群P_t，随机选择其中的一个类别数N(p_n)=3的抗体p_n作为最终的三类变化类别，即变化类B、非变化类F与待识别类S，否则，t＝t+1，返回步骤3c)，进行下一次迭代。

3.根据权利要求1所述的SAR图像变化检测方法，其中步骤(4)所述的对待识别类S采用基于非下采样小波变换的免疫克隆多目标聚类，得到待识别类S的一组聚类中心E，按照如下步骤进行：

4a)对待识别类S采用非下采样小波变换获得待识别类S中像素点的特征矩阵V为V＝{v_c,c＝1,...,N_n}，N_n是待识别类S中像素点的总个数，v_c是第c个像素点的特征向量；

4b)根据特征矩阵V中的值随机初始化种群Q为Q＝{q_m,m＝1,...,N}，并初始化迭代次数t₁=0，

其中，N是种群Q的个数，q_m是种群Q中第m个抗体，表示为q_m＝{q_mn,m＝1,...,N,n＝1,...,K}，K是待识别类S的分类类别数，q_mn是种群Q中第m个抗体q_m中第n类的聚类中心向量；

4c)计算种群Q的模糊目标函数g₁和致密分离有效性目标函数g₂：

$g_1=\underset{c=1}{\overset{N_n}{\mathrm{\Σ}}}\underset{n=1}{\overset{K}{\mathrm{\Σ}}}{\mathrm{\μ}}_{\mathrm{nc}}^2{\left|\right|v_c-q_{\mathrm{mn}}\left|\right|}^2,$

$g_2=\frac{\mathrm{\σ}}{N_n}\×\frac{1}{d_{\min }},$

其中，v_c是待识别类S中第c个像素点的特征向量，μ_nc是聚类中心向量q_mn与特征向量v_c属于第n类的模糊隶属度，n＝1,...,K，

是待识别类S的整体方差，||v_c-q_mn||²是聚类中心向量q_mn与特征向量v_c的差值平方，d_min＝min||q_mi-q_mj||²是第i类的聚类中心向量q_mi与第j类的聚类中心向量q_mj间的距离平方的最小值，i,j＝1,...,K且i≠j；

4d)根据模糊目标函数g₁和致密分离有效性目标函数g₂寻找种群Q中的非支配抗体种群

，即对种群Q中的任意一个抗体q^*，当且仅当抗体q^*满足：

q_m≠q^*且(g₁(q^*)≥g₁(q_m)&g₂(q^*)＞g₂(q_m))||(g₁(q^*)＞g₁(q_m)&g₂(q^*)≥g₂(q_m))，则抗体q^*为非支配抗体，

其中g₁(q^*)和g₂(q^*)分别是任意一个抗体q^*的模糊目标函数g₁和致密分离有效性目标函数g₂的值，g₁(q_m)和g₂(q_m)分别是抗体q_m的模糊目标函数g₁和致密分离有效性目标函数g₂的值；

4e)根据非支配抗体种群

执行等级克隆操作，生成克隆后种群Q_c；

4f)根据克隆后种群Q_c执行非一致性变异操作，生成变异后种群Q_r；

4g)根据变异后种群Q_r进行动态拥挤距离删除机制，选出N个抗体作为新种群Q_t，新种群Q_t即为一组聚类中心E；

4h)判断迭代次数t₁是否达到了最高迭代次数g_max2，如果满足t₁＞g_max2，输出一组聚类中心E，否则返回步骤4c)，t₁＝t₁+1，进行下一次迭代。

Images