CN103455825A

CN103455825A - 基于邻域聚类核的sar图像变化检测方法

Info

Publication number: CN103455825A
Application number: CN2013104049879A
Authority: CN
Inventors: 李明; 贾璐; 吴艳; 张鹏; 刘高峰; 陈洪猛; 安琳
Original assignee: Xidian University
Current assignee: Xidian University
Priority date: 2013-09-08
Filing date: 2013-09-08
Publication date: 2013-12-18
Anticipated expiration: 2033-09-08
Also published as: CN103455825B

Abstract

本发明公开了一种基于邻域聚类核的SAR图像变化检测方法，主要解决现有差值合成核不能利用无标签样本信息而导致检测精度低下的问题。其实现步骤是：(1)提取两时像图像的强度特征和纹理特征；(2)手动选取标签训练样本和无标签训练样本；(3)利用标签训练样本构造差值合成核；(4)利用无标签训练样本信息修正上述差值合成核，得到邻域聚类核；(5)将邻域聚类核输入支撑矢量机中进行训练，得到支撑矢量分类器；(6)将标签训练样本和所有像素点构成的邻域聚类核输入到支撑矢量分类器中测试，得到最终变化检测结果。本发明与差值合成核方法相比，具有检测精度高，对SAR图像抗斑点噪声性能好的优点，可用于SAR图像变化检测。

Description

基于邻域聚类核的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，涉及图像变化检测，可用于对SAR图像进行地物状态变化监测与评估。

背景技术

SAR图像变化检测是一种利用不同时期的SAR图像获取地物变化信息的技术，它是针对SAR图像的特点而建立的数据分析方法，可用于识别地物状态的变化。由于SAR图像变化检测在自然灾情监测与评估、资源和环境监测、军事目标探测和农作物监测等领域的需求越来越多，因此具有高检测精度和高执行效率的SAR图像变化检测方法己经成为目前的研究热点。

SAR图像变化检测方法一般可分为：基于直接比较法的变化检测方法，如图像差值法，图像比值法；基于间接比较法的变化检测方法，如基于特征提取的方法和分类后检测方法；基于多元变量分析的变化检测方法，如主成分分析法和独立成分分析法。比较流行的SAR图像变化检测方法有：基于多尺度分析的变化检测方法，如学者Kai-Kuang Ma提出的基于双树-复小波变换DT-CWT的变化检测方法，它利用DT-CWT对对数比值图进行多尺度分解，但它没有考虑图像的纹理信息，阈值的选取也是一个棘手的问题；基于统计模型的变化检测方法，如学者L.Bruzzone提出的基于广义高斯GGD模型和改进KI门限的变化检测方法，该方法取得了较好的检测结果但它没有考虑图像空间信息，且模型参数的选择也是一个难点；基于空间信息的变化检测方法，如学者Gabriele Moser提出的利用马尔科夫随机场MRF模型构建SAR图像邻域相关信息的变化检测方法。近期新发展起来的是基于核方法的SAR图像变化检测方法，学者Gustavo Camps-Valls在2008年提出的基于差值合成核的SAR图像变化检测方法，尽管该方法取得了一定的检测效果，但由于该方法是一种有监督的方法，只利用了少量标签样本信息对支撑矢量机进行训练，没有充分考虑无标签样本的信息，因此它无法捕获更为合理的图像特征，学习机也不具有较好的推广能力，因而该方法的检测精度较低。

发明内容

本发明的目的在于针对上述已有问题的缺点，提出一种基于邻域聚类核的SAR图像变化检测方法，以解决现有的差值合成核不能充分利用无标签样本信息而导致的检测精度低下的问题。

为实现上述目的，本发明的实现步骤包括如下：

A训练步骤：

A1)对原始两时相SAR图像X_i，提取其强度特征

和纹理特征

，i＝1，2；

A2)对两时相图像的强度特征

和纹理特征

分别进行归一化，得到归一化后的两时相图像的强度特征

和纹理特征

；

A3)将归一化后的两时相图像的强度特征和纹理特征

进行联合，构成两时相图像特征T_i(p，q)；

A4)对原始两时相SAR图像X_i手动提取M个两时相标签训练样本和Q个两时相无标签训练样本，其中，0＜M≤100，0＜Q≤1000；

A5)将M个两时相标签训练样本用步骤A2)得到的强度特征

和纹理特征

进行表示，得到两时相标签训练样本的特征x_ij，其中，1≤j≤M；

A6)将所有的(M+Q)个两时相训练样本用步骤A2)得到的强度特征

和纹理特征

进行表示，得到所有两时相训练样本的特征z_il，其中1≤l≤(M+Q)；

A7)利用两时相标签训练样本的特征x_ij，构造差值合成核K_S(x_j，x_k)，其中，x_j表示标签训练样本(p_j，q_j)处的差特征，x_k表示标签训练样本(p_k，q_k)处的差特征，1≤j，k≤M；

A8)利用所有两时相训练样本的特征z_il，构造差值合成核K_D(z_l，z_r)，其中，z_l表示训练样本(p_l，q_l)处的差特征，z_r表示训练样本(p_r，q_r)处的差特征，1≤l，r≤(M+Q)；

A9)利用差值合成核K_S(x_j，x_k)和差值合成核K_D(z_l，z_r)，构造邻域聚类核K_CN(x_j，x_k)；

A10)将邻域聚类核K_CN(x_j，x_k)输入到支撑矢量机SVM中，对SVM进行训练，得到支撑矢量分类器SVC；

B测试步骤：

B1)利用两时相图像特征T_i(p，q)和两时相标签训练样本的特征x_ij，构造差值合成核K_M(x_j，T(p，q))，其中x_j表示标签训练样本(p_j，q_j)处的差特征，1≤j≤M，T(p，q)为像素点(p，q)处的差特征；

B2)利用差值合成核K_M(x_j，T(p，q))，构造邻域聚类核K_CN(x_j，T(p，q))；

B3)将步骤B2)得到的邻域聚类核K_CN(x_j，T(p，q))输入到步骤A10)得到的支撑矢量分类器SVC中，对SVC进行测试，得到最终的变化检测结果图。

本发明具有如下优点：

(1)本发明由于利用了核方法，可以将原始空间中的非线性不可分问题转化为高维空间中的线性可分问题，因此本发明更适合处理具有非线性特征的SAR图像。

(2)本发明由于利用了无标签样本的信息，能更充分的考虑图像的空间信息，进而更全面的提取图像特征，因此本发明可以显著的提高变化检测结果的精度。

仿真结果表明，本发明与现有的差值合成核方法相比，具有更高的检测精度和更强的抗斑点噪声能力。

附图说明

图1是本发明的实现流程图；

图2是本发明应用于两时相稻田洪水灾害Real SAR图像的变化检测结果图；

图3是本发明应用于两时相机场洪水灾害Real SAR图像的变化检测结果图；

图4是本发明应用于两时相城市洪水灾害Real SAR图像的变化检测结果图；

图5是本发明应用于两时相农田Real SAR图像的变化检测结果图。

具体实施方式

参照图1，本发明的具体实施包括如下训练步骤和测试步骤：

一.训练步骤：

步骤1.对原始两时相SAR图像X_i，提取其强度特征

和纹理特征，i＝1，2。

1.1)提取原始两时相SAR图像X_i的灰度值矢量，并用该灰度值矢量作为强度特征

1.2)对原始两时相SAR图像X_i进行C个尺度、D个方向的Gabor变换，令

表示两时相图像在第s个尺度、第d个方向上的变换系数，其中s=1，...，C，d=1，...，D，则在以(p，q)为中心像素，大小为N的窗口上提取高通子带系数

的均值信息

和方差信息

μ_{X_{i}}^{s, d} (p, q) = \frac{1}{N^{2}} Σ_{j = p - N / 2}^{p + N / 2} Σ_{l = q - N / 2}^{q + N / 2} H_{X_{i}}^{s, d} (j, l),

σ_{X_{i}}^{s, d} (p, q) = \frac{1}{N^{2} - 1} Σ_{j = p - N / 2}^{p + N / 2} Σ_{l = q - N / 2}^{q + N / 2} {(H_{X_{i}}^{s, d} (j, l) - μ_{X_{i}}^{s, d} (p, q))}^{2};

其中，C=3，D=4；

1.3)以图像中的所有像素点为中心像素点，提取上述均值信息

和方差信息

得到均值矢量和方差矢量

1.4)用均值矢量

和方差矢量

联合构成两时相图像的纹理特征

V_{X_{i}} = {μ_{X_{i}}^{s, d}, σ_{X_{i}}^{s, d} | s = 1, . . ., C, d = 1, . . ., D} .

步骤2.特征归一化。

对两时相图像的强度特征和纹理特征

分别进行归一化，得到归一化后的两时相图像的强度特征

和纹理特征

g_{X_{i}} = \frac{U_{X_{i}} - \min (U_{X_{i}})}{\max (U_{X_{i}}) - \min (U_{X_{i}})},

w_{X_{i}} = \frac{V_{X_{i}} - \min (V_{X_{i}})}{\max (V_{X_{i}}) - \min (V_{X_{i}})},

其中，

是归一化后的两时相图像的强度特征，

是归一化后的两时相图像的纹理特征。

步骤3.构造两时相图像特征T_i(p，q)。

将归一化后的两时相图像的强度特征

和纹理特征

进行联合，构成两时相图像特征T_i(p，q)：

T_{i} (p, q) = {g_{X_{i}} (p, q), w_{X_{i}} (p, q)},

其中，

是像素点(p，q)处的强度特征，是像素点(p，q)处的纹理特征。

步骤4.提取训练样本。

对原始两时相SAR图像X_i手动提取M个两时相标签训练样本和Q个两时相无标签训练样本，其中，0<M≤100，0<Q≤1000。

步骤5.提取标签训练样本的特征。

将M个两时相标签训练样本用步骤2得到的强度特征

和纹理特征

进行表示，得到两时相标签训练样本的特征x_ij，其公式如下：

x_{ij} = {g_{X_{i}} (p_{j}, q_{j}), w_{X_{i}} (p_{j}, q_{j})},

其中，

是标签训练样本点(p_j，q_j)处的强度特征，

是标签训练样本点(p_j，q_j)处的纹理特征，1≤j≤M，i＝1，2。

步骤6.提取所有训练样本的特征。

将所有的(M+Q)个两时相训练样本用步骤2得到的强度特征

和纹理特征

进行表示，得到所有两时相训练样本的特征z_il：

z_{il} = {g_{X_{i}} (p_{l}, q_{l}), w_{X_{i}} (p_{l}, q_{l})},

其中，

是标签训练样本点(p_l，q_l)处的强度特征，是标签训练样本点(p_l，q_l)处的纹理特征，1≤l≤(M+Q)，i＝1，2。

步骤7.利用两时相标签训练样本的特征x_ij，构造差值合成核K_S(x_j，x_k)。

7.1)将两时相标签训练样本的特征x_ij输入到高斯径向基核函数中，构造强度核K_g(x_ij，x_ik)和纹理核K_w(x_ij，x_ik)：

K_{g} (x_{ij}, x_{ik}) = K_{gas} (g_{X_{i}} (p_{j}, q_{j}), g_{X_{i}} (p_{k}, q_{k})),

K_{w} (x_{ij}, x_{ik}) = K_{gas} (w_{X_{i}} (p_{j}, q_{j}), w_{X_{i}} (p_{k}, q_{k})),

其中，K_gas为高斯径向基核函数，1≤k，j≤M，x_ik为标签训练样本点(p_k，q_k)处的特征，

表示标签训练样本点(p_k，q_k)处的强度特征，表示标签训练样本点(p_k，q_k)处的纹理特征；

7.2)将强度核K_g(x_ij，x_ik)和纹理核K_w(x_ij，x_ik)进行加权求和，构造强度纹理合成核K_gw(x_ij，x_ik)：

K_gw(x_ij，x_ik)=αK_g(x_ij，x_ik)+(1-α)K_w(x_ij，x_ik)，

其中，α为大于0小于1的常数；

7.3)利用强度纹理合成核K_gw(x_ij，x_ik)构造差值合成核K_S(x_j，x_k)：

K_{S} (x_{j}, x_{k}) = K_{gw} (x_{1 j}, x_{1 k}) + K_{gw} (x_{2 j}, x_{2 k}) - K_{gw} (x_{1 j}, x_{2 k}) - K_{gw} (x_{2 j}, x_{1 k})

= {αK}_{g} (x_{1 j}, x_{1 k}) + (1 - α) K_{w} (x_{1 j}, x_{1 k}) + {αK}_{g} (x_{2 j}, x_{2 k}) + (1 - α) K_{w} (x_{2 j}, x_{2 k})

- {αK}_{g} (x_{1 j}, x_{2 k}) - (1 - α) K_{w} (x_{1 j}, x_{2 k}) - {αK}_{g} (x_{2 j}, x_{1 k}) - (1 - α) K_{w} (x_{2 j}, x_{1 k})

= α [K_{gas} (g_{X_{1}} (p_{j}, q_{j}), g_{X_{1}} (p_{k}, q_{k})) + K_{gas} (g_{X_{2}} (p_{j}, q_{j}), g_{X_{2}} (p_{k}, q_{k})),

- K_{gas} (g_{X_{1}} (p_{j}, q_{j}), g_{X_{2}} (p_{k}, q_{k})) - K_{gas} (g_{X_{2}} (p_{j}, q_{j}), g_{X_{1}} (p_{k}, q_{k}))]

+ (1 - α) [K_{gas} (w_{X_{1}} (p_{j}, q_{j}), w_{X_{1}} (p_{k}, q_{k})) + K_{gas} (w_{X_{2}} (p_{j}, q_{j}), w_{X_{2}} (p_{k}, q_{k}))

- K_{gas} (w_{X_{1}} (p_{j}, q_{j}), w_{X_{2}} (p_{k}, q_{k})) - K_{gas} (w_{X_{2}} (p_{j}, q_{j}), w_{X_{1}} (p_{k}, q_{k}))]

其中，K_gas为高斯径向基核函数，α为大于0小于1的常数，x_j=|x_1j-x_2j|表示标签训练样本(p_j，q_j)处的差特征，x_k=|x_1k-x_2k|表示标签训练样本(p_k，q_k)处的差特征，1≤k，j≤M。

步骤8.利用所有两时相训练样本的特征z_il，构造差值合成核K_D(z_l，z_r)。

8.1)将两时相训练样本的特征z_il输入到高斯径向基核函数中，构造强度核K_g(z_il，z_ir)和纹理核K_w(z_il，z_ir)：

K_{g} (z_{il}, z_{ir}) = K_{gas} (g_{X_{i}} (p_{l}, q_{l}), g_{X_{i}} (p_{r}, q_{r})),

K_{w} (z_{il}, z_{ir}) = K_{gas} (w_{X_{i}} (p_{l}, q_{l}), w_{X_{i}} (p_{r}, q_{r})),

其中，K_gas为高斯径向基核函数，1≤l，r≤M+Q，z_il为两时相训练样本点(p_l，q_l)处的特征，

表示训练样本点(p_l，q_l)处的强度特征，

表示训练样本点(p_l，q_l)处的纹理特征；z_ir为两时相训练样本点(p_r，q_r)处的特征，

表示训练样本点(p_r，q_r)处的强度特征，

表示训练样本点(p_r，q_r)处的纹理特征；

8.2)将强度核K_g(z_il，z_ir)和纹理核K_w(z_il，z_ir)进行加权求和，构造强度纹理合成核K_gw(z_il，z_ir)：

K_gw(z_il，z_ir)=αK_g(z_il，z_ir)+(1-α)K_w(z_il，z_ir)，

其中，α为大于0小于1的常数；

8.3)利用强度纹理合成核K_gw(z_il，z_ir)构造差值合成核K_D(z_l，z_r)：

K_{D} (z_{l}, z_{r}) = K_{gw} (z_{1 l}, z_{1 r}) + K_{gw} (z_{2 l}, z_{2 r}) - K_{gw} (z_{1 l}, z_{2 r}) - K_{gw} (z_{2 l}, z_{1 r})

= α K_{g} (z_{1 l}, z_{1 r}) + (1 - α) K_{w} (z_{1 l}, z_{1 r}) + α K_{g} (z_{2 l}, z_{2 r}) + (1 - α) K_{w} (z_{2 l}, z_{2 r})

- α K_{g} (z_{1 l}, z_{2 r}) - (1 - α) K_{w} (z_{1 l}, z_{2 r}) - α K_{g} (z_{2 l}, z_{1 r}) - (1 - α) K_{w} (z_{2 l}, z_{1 r})

= α [K_{gas} (g_{X_{1}} (p_{l}, q_{l}), g_{X_{1}} (p_{r}, q_{r})) + K_{gas} (g_{X_{2}} (p_{l}, q_{l}), g_{X_{2}} (p_{r}, q_{r})),

- K_{gas} (g_{X_{1}} (p_{l}, q_{l}), g_{X_{2}} (p_{r}, q_{r})) - K_{gas} (g_{X_{2}} (p_{l}, q_{l}), g_{X_{1}} (p_{r}, q_{r}))]

+ (1 - α) [K_{gas} (w_{X_{1}} (p_{l}, q_{l}) w_{X_{1}} (p_{r}, q_{r})) + K_{gas} (w_{X_{2}} (p_{l}, q_{l}), w_{X_{2}} (p_{r}, q_{r}))

- K_{gas} (w_{X_{1}} (p_{l}, q_{l}), w_{X_{2}} (p_{r}, q_{r})) - K_{gas} (w_{X_{2}} (p_{l}, q_{l}), w_{X_{1}} (p_{r}, q_{r}))]

其中，K_gas为高斯径向基核函数，α为大于0小于1的常数，z_l=|z_1l-z_2l|表示训练样本(p_l，q_l)处的差特征，z_r=|z_1r-z_2r|表示训练样本(p_r，q_r)处的差特征，1≤l，r≤(M+Q)。

步骤9.利用差值合成核K_S(x_j，x_k)和差值合成核K_D(z_l，z_r)，构造邻域聚类核K_CN(x_j，x_k)。

9.1)将差值合成核K_D(z_l，z_r)输入到核K-means聚类算法中，对所有训练样本进行聚类，并记录聚类中心；

9.2)将聚类结果中所有的变化类训练样本差特征归入到变化类邻域CH中，将聚类结果中所有的非变化类训练样本差特征归入到非变化类邻域NCH中；

9.3)将步骤9.1)得到的聚类中心作为邻域中心，记cor₁为变化类邻域CH的中心，cor₂为非变化类邻域NCH的中心；

9.4)利用差值合成核K_D(z_l，z_r)、变化类邻域CH和非变化类邻域NCH，求取如下8个统计特征：

k_{nbd}^{μ} (C, C) = \underset{z_{l}, z_{r} &Element; CH}{Σ} K_{D} (z_{l}, z_{r}) / | CH | | CH |,

k_{nbd}^{δ} (C, C) = \underset{z_{l}, z_{r} &Element; CH}{Σ} {[K_{D} (z_{l}, z_{r}) - k_{nbd}^{μ} (C, C)]}^{2} / (| CH | | CH | - 1),

k_{nbd}^{μ} (N, N) = \underset{z_{l}, z_{r} &Element; NCH}{Σ} K_{D} (z_{l}, z_{r}) / | NCH | | NCH |,

k_{nbd}^{δ} (N, N) = \underset{z_{l}, z_{r} &Element; NCH}{Σ} {[K_{D} (z_{l}, z_{r}) - k_{nbd}^{μ} (N, N)]}^{2} / (| NCH | | NCH | - 1),

k_{nbd}^{μ} (C, N) = \underset{z_{l} &Element; CH}{Σ} \underset{z_{r} &Element; NCH}{Σ} K_{D} (z_{l}, z_{r}) / | CH | | NCH |,

k_{nbd}^{δ} (C, N) = \underset{z_{l} &Element; CH}{Σ} \underset{z_{r} &Element; NCH}{Σ} {[K_{D} (z_{l}, z_{r}) - k_{nbd}^{μ} (C, N)]}^{2} / (| CH | | NCH | - 1),

k_{nbd}^{μ} (N, C) = \underset{z_{l} &Element; NCH}{Σ} \underset{z_{r} &Element; CH}{Σ} K_{D} (z_{l}, z_{r}) / | NCH | | CH |,

k_{nbd}^{δ} (N, C) = \underset{z_{l} NCH}{Σ} \underset{z_{r} &Element; CH}{Σ} {[K_{D} (z_{l}, z_{r}) - k_{nbd}^{μ} (N, C)]}^{2} / (| NCH | | CH | - 1),

其中，|CH|为变化类邻域CH中变化类训练样本差特征的个数，|NCH|为非变化类邻域NCH中非变化类训练样本差特征的个数，1≤l，r≤M+Q；

9.5)利用差值合成核K_S(x_j，x_k)、变化类邻域CH、非变化类邻域NCH和步骤9.4)得到的8个统计特征，构造邻域聚类核K_CN(x_j，x_k)：

其中，

k_{mean}^{δ} = \frac{k_{nbd}^{δ} (C, C) + k_{nbd}^{δ} (C, N) + k_{nbd}^{δ} (N, C) + k_{nbd}^{δ} (N, N)}{4},

是由

扩展的矩阵，

是由

扩展的矩阵，

是由

扩展的矩阵，

是由

扩展的矩阵，1≤j，k≤M。

步骤10.对支撑矢量机SVM进行训练。

将邻域聚类核K_CN(x_j，x_k)输入到支撑矢量机SVM中进行训练，得到支撑矢量分类器SVC。

二.测试步骤

步骤A.利用两时相图像特征T_i(p，q)和两时相标签训练样本的特征x_ij，构造差值合成核K_M(x_j，T(p，q))。

(A1)将两时相标签训练样本的特征x_ij和两时相图像特征T_i(p，q)输入到高斯径向基核函数中，构造强度核K_g(x_ij，T_i(p，q))和纹理核K_w(x_ij，T_i(p，q))：

K_{g} (x_{ij}, T_{i} (p, q)) = K_{gas} (g_{X_{i}} (p_{j}, q_{j}), g_{X_{i}} (p, q)),

K_{w} (x_{ij}, T_{i} (p, q)) = K_{gas} (w_{X_{i}} (p_{j}, q_{j}), w_{X_{i}} (p, q)),

其中，K_gas为高斯径向基核函数，1≤j，k≤M，x_ij是两时相标签训练样本的特征，是标签训练样本点(p_j，q_j)处的强度特征，

是标签训练样本点(p_j，q_j)处的纹理特征，T_i(p，q)是两时相图像在像素点(p，q)处的特征，是像素点(p，q)处的强度特征，

是像素点(p，q)处的纹理特征；

(A2)将强度核K_g(x_ij，T_i(p，q))和纹理核K_w(x_ij，T_i(p，q))进行加权求和，构造强度纹理合成核K_gw(x_ij，T_i(p，q))：

K_gw(x_ij，T_i(p，q))=αK_g(x_ij，T_i(p，q))+(1-α)K_w(x_ij，T_i(p，q))，

其中，α为大于0小于1的常数；

(A3)利用强度纹理合成核K_gw(x_ij，T_i(p，q))构造差值合成核K_M(x_j，T(p，q))：

K_{M} (x_{j}, T (p, q)) = K_{gw} (x_{1 j}, T_{1} (p, q)) + K_{gw} (x_{2 j}, T_{2} (p, q)) - K_{gw} (x_{1 j}, T_{2} (p, q)) - K_{gw} (x_{2 j}, T_{1} (p, q))

= α K_{g} (x_{1 j}, T_{1} (p, q)) + (1 - α) K_{w} (x_{1 j}, T_{1} (p, q)) + α K_{g} (x_{2 j}, T_{2} (p, q)) + (1 -α) K_{w} (x_{2 j}, T_{2} (p, q))

- α K_{g} (x_{1 j}, T_{2} (p, q)) - (1 - α) K_{w} (x_{1 j}, T_{2} (p, q)) - α K_{g} (x_{2 j}, T_{1} (p, q)) - (1 -α) K_{w} (x_{2 j}, T_{1} (p, q))

= α [K_{gas} (g_{X_{1}} (p_{j}, q_{j}), g_{X_{1}} (p, q)) + K_{gas} (g_{X_{2}} (p_{j}, q_{j}), g_{X_{2}} (p, q)),

- K_{gas} (g_{X_{1}} (p_{j}, q_{j}), g_{X_{2}} (p, q)) - K_{gas} (g_{X_{2}} (p_{j}, q_{j}), g_{X_{1}} (p, q))]

+ (1 - α) [K_{gas} (w_{X_{1}} (p_{j}, q_{j}), w_{X_{1}} (p, q)) + K_{gas} (w_{X_{2}} (p_{j}, q_{j}), w_{X_{2}} (p, q))

- K_{gas} (w_{X_{1}} (p_{j}, q_{j}), w_{X_{2}} (p, q)) - K_{gas} (w_{X_{2}} (p_{j}, q_{j}), w_{X_{1}} (p, q))]

其中，K_gas为高斯径向基核函数，α为大于0小于1的常数，x_j=|x_1j-x_2j|表示标签训练样本(p_j，q_j)处的差特征，T(p，q)=|T₁(p，q)-T₂(p，q)|表示像素点(p，q)处的差特征，1≤j≤M。

步骤B.利用差值合成核K_M(x_j，T(p，q))，构造邻域聚类核K_CN(x_j，T(p，q))。

(B1)计算T(p，q)到变化类邻域中心cor₁的欧式距离D₁，计算T(p，q)到非变化类邻域中心cor₂的欧式距离D₂，并利用这两个距离将T(p，q)归入到变化类邻域CH或者非变化类邻域NCH中：

其中，T(p，q)是像素点(p，q)处的差特征；

(B2)根据步骤A得到的差值合成核K_M(x_j，T(p，q))、变化类邻域CH和非变化类邻域NCH，求取如下8个统计特征：

{\tilde{k}}_{nbd}^{μ} (C, C) = \underset{x_{j}, T (p, q) &Element; CH}{Σ} K_{M} (x_{j}, T (p, q)) / | CH | | CH |,

{\tilde{k}}_{nbd}^{δ} (C, C) = \underset{x_{j}, T (p, q) &Element; CH}{Σ} {[K_{M} (x_{j}, T (p, q)) - {\tilde{k}}_{nbd}^{μ} (C, C)]}^{2} / (| CH | | CH | - 1),

{\tilde{k}}_{nbd}^{μ} (N, N) = \underset{x_{j}, T (p, q) &Element; NCH}{Σ} K_{M} (x_{j}, T (p, q)) / | NCH | | NCH |,

{\tilde{k}}_{nbd}^{δ} (N, N) = \underset{x_{j}, T (p, q) &Element; NCH}{Σ} {[K_{M} (x_{j}, T (p, q)) - {\tilde{k}}_{nbd}^{μ} (N, N)]}^{2} / (| NCH | | NCH | - 1),

{\tilde{k}}_{nbd}^{μ} (C, N) = \underset{x_{j} &Element; CH}{Σ} \underset{T (p, q) &Element; NCH}{Σ} K_{M} (x_{j}, T (p, q)) / | CH | | NCH |,

{\tilde{k}}_{nbd}^{δ} (C, N) = \underset{x_{j} &Element; CH}{Σ} \underset{T (p, q) &Element; NCH}{Σ} {[K_{M} (x_{j}, T (p, q)) - {\tilde{k}}_{nbd}^{μ} (C, N)]}^{2} / (| CH | | NCH | - 1),

{\tilde{k}}_{nbd}^{μ} (N, C) = \underset{x_{j} &Element; NCH}{Σ} \underset{T (p, q) &Element; CH}{Σ} K_{M} (x_{j}, T (p, q)) / | NCH | | CH |,

{\tilde{k}}_{nbd}^{δ} (N, C) = \underset{x_{j} &Element; NCH}{Σ} \underset{T (p, q) &Element; CH}{Σ} {[K_{M} (x_{j}, T (p, q)) - {\tilde{k}}_{nbd}^{μ} (N, C)]}^{2} / (| NCH | | CH | - 1),

其中，|CH|为变化类邻域CH中像素差特征的个数，|NCH|为非变化类邻域NCH中像素差特征的个数；

(B3)根据差值合成核K_M(x_j，T(p，q))和(B2)得到的8个统计特征，构造邻域聚类核K_CN(x_j，T(p，q))：

其中，

{\tilde{k}}_{mean}^{δ} = \frac{{\tilde{k}}_{nbd}^{δ} (C, C) + {\tilde{k}}_{nbd}^{δ} (C, N) + {\tilde{k}}_{nbd}^{δ} (N, C) + {\tilde{k}}_{nbd}^{δ} (N, N)}{4},

是由

扩展的矩阵，

是由

扩展的矩阵，

是由

扩展的矩阵，

是由

扩展的矩阵，1≤j，k≤M。

步骤C.对支撑矢量分类器SVC进行测试。

将步骤B得到的邻域聚类核K_CN(x_j，T(p，q))输入到步骤10得到的支撑矢量分类器SVC中，对SVC进行测试，得到最终的变化检测结果图。

本发明效果可以通过以下实验进一步证实：

1)实验条件

实验仿真环境为：MATLAB R2009b，Intel(R)Pentium(R)2CPU2.7GHz，Window7旗舰版。

2)实验内容

实验1、分别应用差值合成核和本发明对两时相稻田洪水灾害Real SAR图像进行变化检测。该实验结果如图2所示，其中图2(a)是实测稻田洪水灾害的第一时刻的ERS-1SAR图像，图2(b)是实测稻田洪水灾害的第二时刻的ERS-1SAR图像，图2(c)是变化检测结果参考图，图2(d)是差值合成核的变化检测结果，图2(e)是本发明的变化检测结果。

实验2、分别应用差值合成核和本发明对两时相机场洪水灾害Real SAR图像进行变化检测。该实验结果如图3所示，其中图3(a)是实测机场洪水灾害的第一时刻的JERS SAR channel1图像，图3(b)是实测机场洪水灾害的第二时刻的JERS SARchannel1图像，图3(c)是变化检测结果参考图，图3(d)是差值合成核的变化检测结果，图3(e)是本发明的变化检测结果。

实验3、分别应用差值合成核和本发明对两时相城市洪水灾害Real SAR图像进行变化检测。该实验结果如图4所示，其中图4(a)是实测城市洪水灾害的第一时刻的ERS-2SAR图像，图4(b)是实测城市洪水灾害的第二时刻的ERS-2SAR图像，图4(c)是变化检测结果参考图，图4(d)是差值合成核的变化检测结果，图4(e)是本发明的变化检测结果。

实验4、分别应用差值合成核和本发明对两时相农田Real SAR图像进行变化检测。该实验结果如图5所示，其中图5(a)是实测农田的第一时刻的SAR图像，图5(b)是实测农田的第二时刻的SAR图像，图5(c)是变化检测结果参考图，图5(d)是差值合成核的变化检测结果，图5(e)是本发明的变化检测结果图。

3)实验结果

为验证变化检测结果质量，本发明选取总体精度、Kappa系数作为性能指标参数，评价本发明检测精度，该实验结果如表1所示。

表1本发明算法与差值合成核方法变化检测结果精度比较

4)实验结果分析

从图2、图3、图4，和图5和表1可以看到，本发明在检测精度和抗噪性能上均优于差值合成核方法。这是由于本发明利用了无标签样本信息，能更全面的考虑了图像空间信息，且提取的特征能够更好的反映变化像素和无变化像素间的区别，因此本发明方法的变化监测精度明显高于差值合成核方法。