CN103366365A - 基于人工免疫多目标聚类的sar图像变化检测方法 - Google Patents
基于人工免疫多目标聚类的sar图像变化检测方法 Download PDFInfo
- Publication number
- CN103366365A CN103366365A CN2013102419797A CN201310241979A CN103366365A CN 103366365 A CN103366365 A CN 103366365A CN 2013102419797 A CN2013102419797 A CN 2013102419797A CN 201310241979 A CN201310241979 A CN 201310241979A CN 103366365 A CN103366365 A CN 103366365A
- Authority
- CN
- China
- Prior art keywords
- antibody
- class
- population
- testing result
- variation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
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
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:
(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={gl,l=1,...,a},a是变化检测结果图G的总个数,gl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={gl,l=1,...,a},计算目标函数值F,F={fl,l=1,...,a},fl是第l幅变化检测结果图gl的目标函数值,表示为:
其中,M×N是第l幅变化检测结果图gl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,Nr是第l幅变化检测结果图gl中非变化类像素点的总个数,Rr是第l幅变化检测结果图gl中非变化类像素点的集合,μr是第l幅变化检测结果图gl中非变化类像素点的灰度均值,当r=1时,Nr是第l幅变化检测结果图gl中变化类像素点的总个数,Rr是第l幅变化检测结果图gl中变化类像素点的集合,μr是第l幅变化检测结果图gl中变化类像素点的灰度均值;
(7)根据目标函数值F={fl,l=1,...,a},选出最小的目标函数值fz,将最小的目标函数值fz所对应的第z幅变化检测结果图gz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:
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。
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:
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,...,yu},u是分割区域Y的总个数,yu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。
其中,M是种群P中抗体的总个数,pn是种群P中第n个抗体,pn={pnb,n=1,...,M,b=1,...,u},pnb是抗体pn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pn的聚类目标函数f1和分类目标函数f2:
其中,N(pn)是种群P中第n个抗体pn的类别数,T[N(pn)]表示对第n个抗体pn的类别数N(pn)归一化,pni是抗体pn中第i个元素,i=1,...,u,pnj是抗体pn中第i个元素pni的第j个近邻元素,j=1,...,L,L是抗体pn中第i个元素pni的近邻总个数,ca是抗体pn中第a类元素的集和,a=[1,...,N(pn)],pns是集合ca中第s个元素,s=1,...,u,ma是集和ca的类别中心,且d(pni,pnj)是抗体pn中的第i个元素pni与其第j个近邻元素pnj之间的欧氏距离,y是惩罚项;
在本发明实施例中,抗体pn中第i个元素pni的近邻总个数L=6,惩罚项y根据欧氏距离d(pni,pnj)的值,若距离欧氏距离d(pni,pnj)的值越大,惩罚项y的值越大。
pn≠p*且(f1(p*)≥f1(pn)&f2(p*)>f2(pn))||(f1(p*)>f1(pn)&f2(p*)≥f2(pn)),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(pn)和f2(pn)分别是抗体pn的聚类目标函数f1和分类目标函数f2的值;
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Pc的个数为45个。
3e)对克隆后种群Pc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Pr;
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Pr中抗体pn的类别数N(pn),从中选出M个类别数N(pn)=3的抗体作为新种群Pt;
3g)判断迭代次数t是否达到了最高迭代次数gmax1,如果满足t>gmax1,根据新种群Pt,随机选择其中的一个类别数N(pn)=3的抗体pn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gmax1=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={vc,c=1,...,Nn},Nn是待识别类S中像素点的总个数,vc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Nn=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={qm,m=1,...,N},并初始化迭代次数t=0,
其中,N是种群Q的个数,qm是种群Q中第m个抗体,qm={qmn,m=1,...,N,n=1,...,K},K是待识别类S的分类类别数,qmn是种群Q中第m个抗体qm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:
其中,vc是待识别类S中第c个像素点的特征向量,μnc是聚类中心向量qmn与特征向量vc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,||vc-qmn||2是聚类中心向量qmn与特征向量vc的差值平方,dmin=min||qmi-qmj||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:
qm≠q*且(g1(q*)≥g1(qm)&g2(q*)>g2(qm))||(g1(q*)>g1(qm)&g2(q*)≥g2(qm)),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(qm)和g2(qm)分别是抗体qm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Qc;
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Qc的个数为40个。
4f)根据克隆后种群Qc执行非一致性变异操作,生成变异后种群Qr;
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Qr进行动态拥挤距离删除机制,选出N个抗体作为新种群Qt,新种群Qt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gmax2,如果满足t>gmax2,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gmax1=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={gl,l=1,...,a},a是变化检测结果图G的总个数,gl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={fl,l=1,...,a},fl是第l幅变化检测结果图gl的目标函数值,表示为:
其中,M×N是第l幅变化检测结果图gl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,Nr是第l幅变化检测结果图gl中非变化类像素点的总个数,Rr是第l幅变化检测结果图gl中非变化类像素点的集合,μr是第l幅变化检测结果图gl中非变化类像素点的灰度均值,当r=1时,Nr是第l幅变化检测结果图gl中变化类像素点的总个数,Rr是第l幅变化检测结果图gl中变化类像素点的集合,μr是第l幅变化检测结果图gl中变化类像素点的灰度均值。
步骤7,根据目标函数值F={fl,l=1,...,a},选出最小的目标函数值fz,将最小的目标函数值fz所对应的第z幅变化检测结果图gz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:
(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={gl,l=1,...,a},a是变化检测结果图G的总个数,gl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={gl,l=1,...,a},计算目标函数值F,F={fl,l=1,...,a},fl是第l幅变化检测结果图gl的目标函数值,表示为:
其中,M×N是第l幅变化检测结果图gl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,Nr是第l幅变化检测结果图gl中非变化类像素点的总个数,Rr是第l幅变化检测结果图gl中非变化类像素点的集合,μr是第l幅变化检测结果图gl中非变化类像素点的灰度均值,当r=1时,Nr是第l幅变化检测结果图gl中变化类像素点的总个数,Rr是第l幅变化检测结果图gl中变化类像素点的集合,μr是第l幅变化检测结果图gl中变化类像素点的灰度均值;
(7)根据目标函数值F={fl,l=1,...,a},选出最小的目标函数值fz,将最小的目标函数值fz所对应的第z幅变化检测结果图gz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,...,yu},u是分割区域Y的总个数,yu是分割区域Y中第u个区域;
3b)根据分割区域Y={y1,...,yu},用最小生成树方法初始化种群P为:P={pn,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,pn是种群P中第n个抗体,pn={pnb,n=1,...,M,b=1,...,u},pnb是抗体pn中第b个元素;
3c)根据种群P计算第n个抗体pn的聚类目标函数f1和分类目标函数f2:
其中,N(pn)是种群P中第n个抗体pn的类别数,T[N(pn)]表示对第n个抗体pn的类别数N(pn)归一化,pni是抗体pn中第i个元素,i=1,...,u,pnj是抗体pn中第i个元素pni的第j个近邻元素,j=1,...,L,L是抗体pn中第i个元素pni的近邻总个数,ca是抗体pn中第a类元素的集和,a=[1,...,N(pn)],pns是集合ca中第s个元素,s=1,...,u,ma是集和ca的类别中心,且是抗体pn中的第i个元素pni与其第j个近邻元素pnj之间的欧氏距离,y是惩罚项;
pn≠p*且(f1(p*)≥f1(pn)&f2(p*)>f2(pn))||(f1(p*)>f1(pn)&f2(p*)≥f2(pn)),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(pn)和f2(pn)分别是抗体pn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Pc;
3e)对克隆后种群Pc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Pr;
3f)根据免疫操作后种群Pr中抗体pn的类别数N(pn),从中随机选出类别数N(pn)=3的抗体作为新种群Pt;
3g)判断迭代次数t是否达到了最高迭代次数gmax1,如果满足t>gmax1,根据新种群Pt,随机选择其中的一个类别数N(pn)=3的抗体pn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={vc,c=1,...,Nn},Nn是待识别类S中像素点的总个数,vc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={qm,m=1,...,N},并初始化迭代次数t1=0,
其中,N是种群Q的个数,qm是种群Q中第m个抗体,表示为qm={qmn,m=1,...,N,n=1,...,K},K是待识别类S的分类类别数,qmn是种群Q中第m个抗体qm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:
其中,vc是待识别类S中第c个像素点的特征向量,μnc是聚类中心向量qmn与特征向量vc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,||vc-qmn||2是聚类中心向量qmn与特征向量vc的差值平方,dmin=min||qmi-qmj||2是第i类的聚类中心向量qmi与第j类的聚类中心向量qmj间的距离平方的最小值,i,j=1,...,K且i≠j;
qm≠q*且(g1(q*)≥g1(qm)&g2(q*)>g2(qm))||(g1(q*)>g1(qm)&g2(q*)≥g2(qm)),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(qm)和g2(qm)分别是抗体qm的模糊目标函数g1和致密分离有效性目标函数g2的值;
4f)根据克隆后种群Qc执行非一致性变异操作,生成变异后种群Qr;
4g)根据变异后种群Qr进行动态拥挤距离删除机制,选出N个抗体作为新种群Qt,新种群Qt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gmax2,如果满足t1>gmax2,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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310241979.7A CN103366365B (zh) | 2013-06-18 | 2013-06-18 | 基于人工免疫多目标聚类的sar图像变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310241979.7A CN103366365B (zh) | 2013-06-18 | 2013-06-18 | 基于人工免疫多目标聚类的sar图像变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103366365A true CN103366365A (zh) | 2013-10-23 |
CN103366365B CN103366365B (zh) | 2016-05-25 |
Family
ID=49367633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310241979.7A Expired - Fee Related CN103366365B (zh) | 2013-06-18 | 2013-06-18 | 基于人工免疫多目标聚类的sar图像变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103366365B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103838820A (zh) * | 2013-12-24 | 2014-06-04 | 西安电子科技大学 | 基于近邻传播的进化多目标优化社区检测方法 |
CN103914832A (zh) * | 2014-03-10 | 2014-07-09 | 西安电子科技大学 | 基于混合策略博弈的sar图像变化检测方法 |
CN103971364A (zh) * | 2014-04-04 | 2014-08-06 | 西南交通大学 | 基于加权Gabor小波特征和两级聚类的遥感图像变化检测方法 |
CN104751185A (zh) * | 2015-04-08 | 2015-07-01 | 西安电子科技大学 | 基于均值漂移遗传聚类的sar图像变化检测方法 |
CN106971402A (zh) * | 2017-04-21 | 2017-07-21 | 西安电子科技大学 | 一种基于光学辅助的sar图像变化检测方法 |
CN108921853A (zh) * | 2018-06-22 | 2018-11-30 | 西安电子科技大学 | 基于超像素和免疫稀疏谱聚类的图像分割方法 |
CN110956216A (zh) * | 2019-12-06 | 2020-04-03 | 广东美的白色家电技术创新中心有限公司 | 一种图像融合方法、图像融合装置以及计算机存储介质 |
CN111028256A (zh) * | 2019-10-14 | 2020-04-17 | 杭州电子科技大学 | 一种基于改进活动轮廓模型的sar图像目标检测方法 |
CN113034521A (zh) * | 2021-03-31 | 2021-06-25 | 西安电子科技大学 | 基于多目标进化的极化sar图像超像素分割方法 |
US11520035B2 (en) | 2018-03-14 | 2022-12-06 | Elta Systems Ltd. | Coherence change detection techniques |
CN116071351A (zh) * | 2023-03-06 | 2023-05-05 | 山东金利康面粉有限公司 | 基于面粉麸星识别的面粉质量视觉检测系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101908213A (zh) * | 2010-07-16 | 2010-12-08 | 西安电子科技大学 | 基于量子免疫克隆的sar图像变化检测方法 |
EP2431764A1 (en) * | 2010-09-17 | 2012-03-21 | BAE Systems PLC | Processing SAR imagery |
-
2013
- 2013-06-18 CN CN201310241979.7A patent/CN103366365B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101908213A (zh) * | 2010-07-16 | 2010-12-08 | 西安电子科技大学 | 基于量子免疫克隆的sar图像变化检测方法 |
EP2431764A1 (en) * | 2010-09-17 | 2012-03-21 | BAE Systems PLC | Processing SAR imagery |
Non-Patent Citations (2)
Title |
---|
宋野 等: "基于目标检测的SAR图像变化检测方法", 《遥感技术与应用》 * |
李阳阳 等: "基于量子免疫克隆聚类的SAR 图像变化检测", 《红外与毫米波学报》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103838820B (zh) * | 2013-12-24 | 2017-05-24 | 西安电子科技大学 | 基于近邻传播的进化多目标优化社区检测方法 |
CN103838820A (zh) * | 2013-12-24 | 2014-06-04 | 西安电子科技大学 | 基于近邻传播的进化多目标优化社区检测方法 |
CN103914832A (zh) * | 2014-03-10 | 2014-07-09 | 西安电子科技大学 | 基于混合策略博弈的sar图像变化检测方法 |
CN103914832B (zh) * | 2014-03-10 | 2017-01-11 | 西安电子科技大学 | 基于混合策略博弈的sar图像变化检测方法 |
CN103971364A (zh) * | 2014-04-04 | 2014-08-06 | 西南交通大学 | 基于加权Gabor小波特征和两级聚类的遥感图像变化检测方法 |
CN103971364B (zh) * | 2014-04-04 | 2017-02-01 | 西南交通大学 | 基于加权Gabor小波特征和两级聚类的遥感图像变化检测方法 |
CN104751185B (zh) * | 2015-04-08 | 2017-11-21 | 西安电子科技大学 | 基于均值漂移遗传聚类的sar图像变化检测方法 |
CN104751185A (zh) * | 2015-04-08 | 2015-07-01 | 西安电子科技大学 | 基于均值漂移遗传聚类的sar图像变化检测方法 |
CN106971402A (zh) * | 2017-04-21 | 2017-07-21 | 西安电子科技大学 | 一种基于光学辅助的sar图像变化检测方法 |
CN106971402B (zh) * | 2017-04-21 | 2020-03-17 | 西安电子科技大学 | 一种基于光学辅助的sar图像变化检测方法 |
US11520035B2 (en) | 2018-03-14 | 2022-12-06 | Elta Systems Ltd. | Coherence change detection techniques |
CN108921853A (zh) * | 2018-06-22 | 2018-11-30 | 西安电子科技大学 | 基于超像素和免疫稀疏谱聚类的图像分割方法 |
CN108921853B (zh) * | 2018-06-22 | 2022-03-04 | 西安电子科技大学 | 基于超像素和免疫稀疏谱聚类的图像分割方法 |
CN111028256A (zh) * | 2019-10-14 | 2020-04-17 | 杭州电子科技大学 | 一种基于改进活动轮廓模型的sar图像目标检测方法 |
CN111028256B (zh) * | 2019-10-14 | 2023-04-07 | 杭州电子科技大学 | 一种基于改进活动轮廓模型的sar图像目标检测方法 |
CN110956216A (zh) * | 2019-12-06 | 2020-04-03 | 广东美的白色家电技术创新中心有限公司 | 一种图像融合方法、图像融合装置以及计算机存储介质 |
CN113034521A (zh) * | 2021-03-31 | 2021-06-25 | 西安电子科技大学 | 基于多目标进化的极化sar图像超像素分割方法 |
CN113034521B (zh) * | 2021-03-31 | 2023-01-24 | 西安电子科技大学 | 基于多目标进化的极化sar图像超像素分割方法 |
CN116071351A (zh) * | 2023-03-06 | 2023-05-05 | 山东金利康面粉有限公司 | 基于面粉麸星识别的面粉质量视觉检测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103366365B (zh) | 2016-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103366365B (zh) | 基于人工免疫多目标聚类的sar图像变化检测方法 | |
CN113378632B (zh) | 一种基于伪标签优化的无监督域适应行人重识别方法 | |
Schneider | Monitoring land cover change in urban and peri-urban areas using dense time stacks of Landsat satellite data and a data mining approach | |
CN103839261B (zh) | 基于分解进化多目标优化和fcm的sar图像分割方法 | |
CN103824309B (zh) | 一种城市建成区边界自动提取方法 | |
CN101515369B (zh) | 基于半监督学习的多尺度sar图像分割方法 | |
CN101738607B (zh) | 基于聚类的高阶累量交叉熵的sar图像变化检测方法 | |
CN101625755B (zh) | 基于分水岭-量子进化聚类算法的图像分割方法 | |
CN107016677A (zh) | 一种基于fcn和cnn的云图分割方法 | |
CN103810704B (zh) | 基于支持向量机和判别随机场的sar图像变化检测方法 | |
CN104931934B (zh) | 一种基于pam聚类分析的雷达点迹凝聚方法 | |
CN103440505B (zh) | 空间邻域信息加权的高光谱遥感图像分类方法 | |
CN101847263B (zh) | 基于多目标免疫聚类集成的无监督图像分割方法 | |
CN104732215A (zh) | 一种基于信息向量机的遥感影像海岸线提取方法 | |
CN103294792B (zh) | 基于语义信息和极化分解的极化sar地物分类方法 | |
CN105389550A (zh) | 一种基于稀疏指引与显著驱动的遥感目标检测方法 | |
CN105184265A (zh) | 一种基于自学习的手写表格数字字符串快速识别的方法 | |
CN104732244A (zh) | 基于小波变换、多策略pso和svm集成的遥感图像分类方法 | |
CN105335975B (zh) | 基于低秩分解和直方图统计的极化sar图像分割方法 | |
CN102096816A (zh) | 基于最小生成树的多尺度多层次影像分割方法 | |
CN110348437A (zh) | 一种基于弱监督学习与遮挡感知的目标检测方法 | |
CN103984746B (zh) | 基于半监督分类与区域距离测度的sar图像识别方法 | |
CN103353989A (zh) | 基于先验和融合灰度与纹理特征的sar图像变化检测方法 | |
CN102542293A (zh) | 一种针对高分辨率sar图像场景解译的一类提取分类方法 | |
CN104751185A (zh) | 基于均值漂移遗传聚类的sar图像变化检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210511 Address after: Room 1306, block a, Rongcheng Yungu, No.57, Keji 3rd road, high tech Zone, Xi'an, Shaanxi 710005 Patentee after: SHAANXI GUOBO ZHENGTONG INFORMATION TECHNOLOGY Co.,Ltd. Address before: 710071 No. 2 Taibai South Road, Shaanxi, Xi'an Patentee before: XIDIAN University |
|
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160525 |