CN103914832A - 基于混合策略博弈的sar图像变化检测方法 - Google Patents

Abstract

本发明公开了一种基于混合策略博弈的SAR图像变化检测方法，解决已有进化算法在求解SAR图像变化检测时人为因素导致的变化检测准确率低的问题。该方法包括：1)读入两幅已校正配准的两时相SAR图像；2)采用小波变换融合策略构造差异图；3)根据差异图灰度值初始种群，初始策略概率矩阵；4)对种群中每个抗体计算博弈参与人的收益值；5)根据收益值选取每个博弈参与人较优的抗体组成新的抗体群；6)对新的抗体群进行局部博弈，得到局部博弈后种群；7)更新策略概率矩阵；8)重复步骤4)至步骤7)直到满足终止条件，输出最终的变化检测结果。本发明降低了已有进化算法中人为因素造成的误差，提高了SAR图像变化检测的精度，利于提取获得SAR图像变化细节信息。

Description

基于混合策略博弈的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，涉及一种图像变化检测的方法，具体涉及一种对不同时刻同一地区已校正配准的基于混合策略博弈的SAR图像变化检测方法。

背景技术

随着合成孔径雷达（Synthetic Aperture Radar，SAR）技术的快速发展，其分辨率不断的提高，获取的合成孔径雷达图像具有不受外界天气条件和太阳光照射强度对地物成像的影响，具有全天时、全天候、覆盖面积大等特点，弥补了光学传感器与红外成像的不足，使得SAR图像具有更广泛的应用前景，其中SAR图像的变化检测得到了广泛的关注。SAR图像变化检测是对同一地区不同时间的两幅或多幅SAR图像进行比较，分析出图像之间的差异从而得到所需的地物变化信息。SAR图像变化检测主要应用于自然灾害、城市扩张情况的分析和军事等方面。

近几年，随着国内外SAR图像变化检测技术的快速发展，出现了很多新颖有效的方法，用于提高SAR图像变化检测的性能，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从智能进化的角度分析SAR图像的变化检测，将变化检测看作是对差异图进行二分类的问题，用进化算法搜索差异图的最优解或最优聚类中心，从而获得变化区域。

经典的智能进化算法主要包括遗传算法、粒子群算法、人工免疫系统等，这些算法在变化检测领域常被使用。其中，非常有代表性的基于进化算法的方法是CelikT于2010年发表的“Change Detection in Satellite Images Using a Genetic Algorithm 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：(1)在求解过程中要人为的定义参数的交叉与变异概率，概率定义的好坏直接影响进化结果的好坏，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；(2)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；(3)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，降低了解的多样性，从而降低了变化检测的精确度。

发明内容

本发明针对上述现有方法的不足，提出了一种基于混合策略博弈的SAR图像变化检测方法，以达到降低SAR图像斑点噪声的影响，提高变化检测精确性的目的。

为实现上述目的，本发明采用的技术方案是：一种基于混合策略博弈的SAR图像变化检测方法，包括如下步骤：

1)读入两幅用几何校正法配准后的不同时刻同一地点的SAR图像It1和SAR图像It2；

2)用均值比值法构造SAR图像It1和SAR图像It2的差异图D₁，用对数比值法构造SAR图像It1和SAR图像It2的差异图D₂，利用小波变换对所述的差异图D₁和所述的差异图D₂进行融合，得到融合后差异图D；

3)根据融合后差异图D随机初始博弈种群P，并初全局始策略概率矩阵w，迭代次数t＝1，最大迭代次数g_max，定义全局博弈策略空间S=(合作，不合作)；

博弈种群P是由n个抗体p_n组成，每个抗体是以融合后差异图D的灰度值组成的聚类中心p_n＝{p_ni,i＝1,...,k}，p_ni为第i类的聚类中心，k为融合后差异图D的类别数；

4)根据博弈种群P计算每个抗体p_n的模糊目标函数f₁，将模糊目标函数f₁看作是博弈参与人1；根据博弈种群P计算每个抗体p_n的致密分离有效性目标函数f₂，将致密分离有效性目标函数f₂看作是博弈参与人2：

$f_1=\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\μ}}_{\mathrm{ij}}^2{\left|\right|v_j-p_{\mathrm{ni}}\left|\right|}^2,$

$f_2=\frac{\mathrm{\σ}}{N}\×\frac{1}{d_{\min }},$

其中，v_j表示融合后差异图D中第j个像素点的灰度值，μ_ij表示融合后差异图D中第j个像素点的灰度值v_j与第i类的聚类中心p_ni之间的模糊隶属度，i＝1,...,k，是融合后差异图D的整体方差，||v_j-p_ni||²是聚类中心p_ni与灰度值v_j的差值平方，d_min＝min||p_ni-p_nc||²是第i类的聚类中心向量与第c类的聚类中心间的距离，i,c＝1,...,k且i≠c；

5）根据模糊目标函数f₁和致密分离有效性目标函数f₂，分别计算博弈参与人1在全局博弈策略空间S下的收益值F₁和博弈参与人2在全局博弈策略空间S下的收益值F₂；

$F_r=\underset{l=1}{\overset{m}{\mathrm{\Σ}}}{w}_{\mathrm{rl}}{g}_l$

其中，m表示全局博弈策略空间S中策略的个数，当l=1时，表示第r个博弈参与人选择合作策略，当r=2时，表示第r个参与人选择不合作策略；F_r表示第r个博弈参与人的收益值，w_rl是第r个博弈参与人选择第l个策略的概率；g表示博弈参与人的函数值，g＝[f₁,f₂]，当l=1时，g_l表示取博弈参与人1的值，当l=2时，g_l表示取博弈参与人2的值；

6）根据博弈参与人1的收益值F₁，选取博弈种群P中相对博弈参与人1较优的抗体组成抗体群P₁；根据博弈参与人2的收益值F₂选取博弈种群P中相对博弈参与人2较优的抗体组成抗体群P₂，并将抗体群P₁和抗体群P₂组成新的抗体群Pf；

在博弈参与人1和博弈参与人2选择较优的抗体时，根据博弈参与人1的收益值F₁选出收益值较大的n2个抗体组成抗体群P₁；根据弈参与人2的收益值F₂选出收益值较大的n2个抗体组成抗体群P₂；

7）由新的抗体群Pf，对每个抗体Pf_n分别进行局部博弈，得到博弈后种群Px；

8）判断循环次数t是否达到了最高迭代次数g_max，如果满足t＞g_max则输出博弈后种群Px，执行步骤9)，否则，令t＝t+1，将博弈后种群Px替换博弈种群P，更新全局策略概率矩阵w，返回步骤(4)，进行下一次迭代；

在更新全局策略概率矩阵w时，采用随机叠加的方法，即一次整体博弈结束时，根据随机概率p_w对全局策略概率矩阵w更新；

当p_w≥pr时， $w=w+\left[\begin{array}{cc}0.05& -0.05\\ -0.05& 0.05\end{array}\right],$ 当p_w＜pr时， $w=w-\left[\begin{array}{cc}0.05& -0.05\\ -0.05& 0.05\end{array}\right],$ 直到全局策略概率矩阵w变为 $w=\left[\begin{array}{cc}1& 0\\ 0& 1\end{array}\right]$ 或 $w=\left[\begin{array}{cc}1& 0\\ 0& 1\end{array}\right],$ 或达到最大循环次数g_max则停止迭代，其中，pr为0～1之间随机初始的值；

9）由输出的博弈后种群Px，随机选取一个抗体Px_n，并用最小欧氏距离法对差异图D分类，从而得到变化检测结果图。

其中，所述步骤7)的按照如下步骤实现：

7a)由新的抗体群Pf，将每个抗体pf_n＝{pf_ni,i＝1,...,k}中对应的聚类中心pf_ni作为博弈参与人，当i=1时，表示博弈参与人a，当i=2时，表示博弈参与人b，并初始局部策略概率矩阵lw，定义局部策略空间s=(增大，不变，减小)；

7b)根据局部策略空间s定义策略矩阵H并计算每个博弈参与人在策略矩阵H下的收益值u，其中策略矩阵H为 $H=\left[\begin{array}{ccc}{H}_{11}& L& H_{\mathrm{ly}}\\ M& O& M\\ H_{\mathrm{xl}}& L& H_{\mathrm{xy}}\end{array}\right],$ x表示博弈参与人a在局部策略空间s中选择的策略，y表示博弈参与人b在局部策略空间s中选择的策略，当x,y=1时，表示采取增大策略，当x,y=2时，表示采取不变策略，当x,y=3时，表示采取减小策略，根据策略矩阵H，当博弈参与人选择不同的策略时，两个博弈参与人各自会得到一个收益值u_xy：

u_xy＝pf_ni×H_xy(i)

其中，u_xy表示博弈参与人a和博弈参与人b在对应策略H_xy下的收益值，pf_ni表示抗体pf_n中的第i个博弈参与人，i=1,2，H_xy(i)表示第z个博弈参与人采用的策略；

7c)根据收益值u_xy计算博弈参与人a和b在局部策略空间s下所在抗体pf_n的支付函数 $\mathrm{Ff}=\left[\begin{array}{ccc}{\mathrm{Ff}}_{11}& \·\·\·& {\mathrm{Ff}}_{\mathrm{ly}}\\ M& O& M\\ {\mathrm{Ff}}_{\mathrm{xl}}& \·\·\·& {\mathrm{Ff}}_{\mathrm{xy}}\end{array}\right],$ 且支付函数Ff_xy计算公式如下：

${\mathrm{Ff}}_{\mathrm{xy}}=\frac{1}{M\×N}\×\underset{\mathrm{gl}=0}{\overset{1}{\mathrm{\Σ}}}\frac{{\mathrm{\σ}}_{\mathrm{gl}}}{{\mathrm{\μ}}_{\mathrm{gl}}}\×\underset{\mathrm{gl}=0}{\overset{1}{\mathrm{\Σ}}}\underset{\∀(c,e)\∈R_{\mathrm{gl}}}{\mathrm{\Σ}}{(D(c,e)-{\mathrm{\μ}}_{\mathrm{gl}})}^2$

其中，M×N表示融合后差异图D的大小，R表示博弈参与人a和b分别选择策略x和策略y时对应的收益值u_xy作为聚类中心对融合后差异图D进行分类，得到二值图像R，gl表示二值图像R中的值，且gl=0,1，σ_gl和μ_gl分别表示二值图像R中值为gl的像素点的方差和均值。c和e分别表示融合后差异图D的行和列，支付函数Ff_xy的值越小，表示博弈参与人a和b为所代表的抗体pf_n取得的利益越大；

7d)根据支付函数Ff更新局部策略概率矩阵lw，得到更新后的局部概率矩阵lw_z；

局部策略概率矩阵lw更新方法为：如果则增加概率lw_xy；如果 ${\mathrm{Ff}}_{\mathrm{xy}}-\frac{1}{3}\underset{y=1}{\overset{3}{\mathrm{\&Sigma;}}}{\mathrm{Ff}}_{\mathrm{xy}}<0,$ 则减小概率lw_xy；

7e)根据更新后的局部概率矩阵lw_z，提取出概率增加所对应策略的支付函数Ff_xy，并选出最好的支付函数Ff_xy对应的收益u_xy继续执行步骤7b)，直到支付函数Ff_xy值不在变好为止，则将此时参与人的收益值u作为新的抗体Px_n，并返回步骤7a)继续对下一个抗体pf_n进行博弈，直到抗体群Pf中的抗体都执行完，得到博弈后种群Px。

本发明相对于现有技术具有的优点是：

1.本发明利用混合策略博弈的理论，有效地简化了进化算法实现的过程与复杂度，同时降低了人为因素造成的误差，提高了变化检测的精确度。

2.本发明将多个目标函数看作是博弈参与人，从多目标之间相互博弈的角度出发，分析实现了一种新的SAR图像变化检测方法，提高了搜索解的空间范围与解的多样性，同时提高了全局搜索的能力。

以下将结合附图和实施例对本发明的技术方案进行详细说明。

附图说明

图1是本发明的流程图。

图2（a）是1999年4月通过ERS-2获得的瑞士Bern城市水灾发生前的SAR图像。

图2（b）是1999年5月通过ERS-2获得的瑞士Bern城市水灾发生后的SAR图像。

图2（c）是图2（a）和图2（b）的实际变化区域参考图。

图2（d）是瑞士Bern城市SAR图像采用遗传进化方法得到的变化检测结果图。

图2（e）是瑞士Bern城市SAR图像采用本发明方法得到的变化检测结果图。

图3（a）是1997年5月通过Radarsat-1SAR获得的加拿大Ottawa地区的图像。

图3（b）是1997年8月通过Radarsat-1SAR获得的加拿大Ottawa地区的图像。

图3（c）是图3（a）和图3（b）的实际变化区域参考图。

图3（d）是加拿大Ottawa地区SAR图像采用遗传进化方法得到的变化检测结果图。

图3（e）是加拿大Ottawa地区SAR图像采用本发明方法得到的变化检测结果图。

图4（a）是2008年6月由Rasarsat-2SAR获得的反应我国黄河入海口地域图像。

图4（b）是2009年6月由Rasarsat-2SAR获得的反应我国黄河入海口地域图像。

图4（c）是图4（a）和图4（b）的实际变化参考图。

图4（d）是反应我国黄河入海口地域的SAR图像采用遗传进化方法得到的变化检测结果图。

图4（e）是反应我国黄河入海口地域的SAR图像采用本发明方法得到的变化检测结果图。

具体实施方式

实施例1：

为解决用进化算法中人为调整概率及单目标寻优所导致的变化检测准确率低的问题，可将变化检测问题看作是通过目标之间相互博弈求得最优解的问题。首先，将多目标看成是整体博弈的多个参与人，目标之间通过策略选择与行动进行博弈，使自己的收益最大化，由此得到各自收益最好的抗体并将这些抗体组成抗体群。其次，将抗体群中每个抗体的多个聚类中心作为多个博弈参与人进行局部博弈，使抗体聚类中心之间达到决策均衡，得到一组使抗体收益最大的抗体群作为结果。其中，可以将整体博弈看作是对非支配解进行选择的过程，局部博弈既是对非支配解进行进化(交叉，变异等)的过程。基于这种思路，本实施例提供了一种基于混合策略博弈的SAR图像变化检测方法，如图1所示，具体包括如下步骤：

1)读入两幅用几何校正法配准后的不同时刻同一地点的SAR图像It1和SAR图像It2；

2)用均值比值法构造SAR图像It1和SAR图像It2的差异图D1，用对数比值法构造SAR图像It1和SAR图像It2的差异图D₂，利用小波变换对所述的差异图D₁和所述的差异图D₂进行融合，得到融合后差异图D；

3)根据融合后差异图D随机初始博弈种群P，并初始全局策略概率矩阵w，迭代次数t＝1，最大迭代次数g_max，定义全局博弈策略空间S=(合作，不合作)；

博弈种群P是由n个抗体p_n组成，每个抗体是以融合后差异图D的灰度值组成的聚类中心p_n＝{p_ni,i＝1,...,k}，p_ni为第i类的聚类中心，k为融合后差异图D的类别数；

4)根据博弈种群P计算每个抗体p_n的模糊目标函数f₁，将模糊目标函数f₁看作是博弈参与人1；根据博弈种群P计算每个抗体p_n的致密分离有效性目标函数f₂，将致密分离有效性目标函数f₂看作是博弈参与人2：

$f_1=\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{\&mu;}}_{\mathrm{ij}}^2{\left|\right|v_j-p_{\mathrm{ni}}\left|\right|}^2,$

$f_2=\frac{\mathrm{\&sigma;}}{N}\&times;\frac{1}{d_{\min }},$

其中，v_j表示融合后差异图D中第j个像素点的灰度值，μ_ij表示融合后差异图D中第j个像素点的灰度值v_j与第i类的聚类中心p_ni之间的模糊隶属度，i＝1,...,k，是融合后差异图D的整体方差，||v_j-p_ni||²是聚类中心p_ni与灰度值v_j的差值平方，d_min＝min||p_ni-p_nc||²是第i类的聚类中心向量与第c类的聚类中心间的距离，i,c＝1,...,k且i≠c；

5）根据模糊目标函数f₁和致密分离有效性目标函数f₂，分别计算博弈参与人1在全局博弈策略空间S下的收益值F₁和博弈参与人2在全局博弈策略空间S下的收益值F₂；

$F_r=\underset{l=1}{\overset{m}{\mathrm{\&Sigma;}}}{w}_{\mathrm{rl}}{g}_l$

其中，m表示全局博弈策略空间S中策略的个数，当l=1时，表示第r个博弈参与人选择合作策略，当r=2时，表示第r个参与人选择不合作策略；F_r表示第r个博弈参与人的收益值，w_rl是第r个博弈参与人选择第l个策略的概率；g表示博弈参与人的函数值，g＝[f₁,f₂]，当l=1时，g_l表示取博弈参与人1的值，当l=2时，g_l表示取博弈参与人2的值；

6）根据博弈参与人1的收益值F₁，选取博弈种群P中相对博弈参与人1较优的抗体组成抗体群P₁；根据博弈参与人2的收益值F₂选取博弈种群P中相对博弈参与人2较优的抗体组成抗体群P₂，并将抗体群P₁和抗体群P₂组成新的抗体群Pf；

在博弈参与人1和博弈参与人2选择较优的抗体时，根据博弈参与人1的收益值F₁选出收益值较大的n2个抗体组成抗体群P₁；根据弈参与人2的收益值F₂选出收益值较大的n2个抗体组成抗体群P₂；

7）由新的抗体群Pf，对每个抗体Pf_n分别进行局部博弈，得到博弈后种群Px；

8）判断循环次数t是否达到了最高迭代次数g_max，如果满足t＞g_max则输出博弈后种群Px，执行步骤9)，否则，令t＝t+1，将博弈后种群Px替换博弈种群P，更新全局策略概率矩阵w，返回步骤(4)，进行下一次迭代；

在更新全局策略概率矩阵w时，采用随机叠加的方法，即一次整体博弈结束时，根据随机概率p_w对全局策略概率矩阵w更新；

当p_w≥pr时， $w=w+\left[\begin{array}{cc}0.05& -0.05\\ -0.05& 0.05\end{array}\right],$ 当p_w＜pr时， $w=w-\left[\begin{array}{cc}0.05& -0.05\\ -0.05& 0.05\end{array}\right],$ 直到全局策略概率矩阵w变为 $w=\left[\begin{array}{cc}1& 0\\ 0& 1\end{array}\right]$ 或 $w=\left[\begin{array}{cc}1& 0\\ 0& 1\end{array}\right],$ 或达到最大循环次数g_max则停止迭代，其中，pr为0～1之间随机初始的值。

9）由输出的博弈后种群Px，随机选取一个抗体Px_n，并用最小欧氏距离法对差异图D分类，从而得到变化检测结果图。

其中，所述步骤7)的按照如下步骤实现：

7a)由新的抗体群Pf，将每个抗体pf_n＝{pf_ni,i＝1,...,k}中对应的聚类中心pf_ni作为博弈参与人，当i=1时，表示博弈参与人a，当i=2时，表示博弈参与人b，并初始局部策略概率矩阵lw，定义局部策略空间s=(增大，不变，减小)；

7b)根据局部策略空间s定义策略矩阵H并计算每个博弈参与人在策略矩阵H下的收益值u，其中策略矩阵H为 $H=\left[\begin{array}{ccc}{H}_{11}& L& H_{\mathrm{ly}}\\ M& O& M\\ H_{\mathrm{xl}}& L& H_{\mathrm{xy}}\end{array}\right],$ x表示博弈参与人a在局部策略空间s中选择的策略，y表示博弈参与人b在局部策略空间s中选择的策略，当x,y=1时，表示采取增大策略，当x,y=2时，表示采取不变策略，当x,y=3时，表示采取减小策略，根据策略矩阵H，当博弈参与人选择不同的策略时，两个博弈参与人各自会得到一个收益值u_xy：

u_xy＝pf_ni×H_xy(i)

其中，u_xy表示博弈参与人a和博弈参与人b在对应策略H_xy下的收益值，pf_ni表示抗体pf_n中的第i个博弈参与人，i=1,2，H_xy(i)表示第z个博弈参与人采用的策略；

7c)根据收益值u_xy计算博弈参与人a和b在局部策略空间s下所在抗体pf_n的支付函数 $\mathrm{Ff}=\left[\begin{array}{ccc}{\mathrm{Ff}}_{11}& \&CenterDot;\&CenterDot;\&CenterDot;& {\mathrm{Ff}}_{\mathrm{ly}}\\ M& O& M\\ {\mathrm{Ff}}_{\mathrm{xl}}& \&CenterDot;\&CenterDot;\&CenterDot;& {\mathrm{Ff}}_{\mathrm{xy}}\end{array}\right],$ 且支付函数Ff_xy计算公式如下：

${\mathrm{Ff}}_{\mathrm{xy}}=\frac{1}{M\&times;N}\&times;\underset{\mathrm{gl}=0}{\overset{1}{\mathrm{\&Sigma;}}}\frac{{\mathrm{\&sigma;}}_{\mathrm{gl}}}{{\mathrm{\&mu;}}_{\mathrm{gl}}}\&times;\underset{\mathrm{gl}=0}{\overset{1}{\mathrm{\&Sigma;}}}\underset{\&ForAll;(c,e)\&Element;R_{\mathrm{gl}}}{\mathrm{\&Sigma;}}{(D(c,e)-{\mathrm{\&mu;}}_{\mathrm{gl}})}^2$

其中，M×N表示融合后差异图D的大小，R表示博弈参与人a和b分别选择策略x和策略y时对应的收益值u_xy作为聚类中心对融合后差异图D进行分类，得到二值图像R，gl表示二值图像R中的值，且gl=0,1，σ_gl和μ_gl分别表示二值图像R中值为gl的像素点的方差和均值。c和e分别表示融合后差异图D的行和列，支付函数Ff_xy的值越小，表示博弈参与人a和b为所代表的抗体pf_n取得的利益越大；

7d)根据支付函数Ff更新策略概率矩阵lw，得到更新后的局部概率矩阵lw_z；

更新方法为：如果则增加概率lw_xy；如果则减小概率lw_xy；

7e)根据更新后的局部概率矩阵lw_z，提取出概率增加所对应策略的支付函数Ff_xy，并选出最好的支付函数Ff_xy对应的收益u_xy继续执行步骤7b)，直到支付函数Ff_xy值不在变好为止，则将此时参与人的收益值u作为新的抗体Px_n，并返回步骤7a)继续对下一个抗体pf_n进行博弈，直到抗体群Pf中的抗体都执行完，得到博弈后种群Px。

实施例2：

在本实施例中，SAR图像It1是指图2（a），SAR图像It2是指图2（b）。其中，图2（a）是1999年4月通过ERS-2获得的瑞士Bern城市水灾发生前的SAR图像；图2（b）是1999年5月通过ERS-2获得的瑞士Bern城市水灾发生后的SAR图像。图2（a）和图2（b）的尺寸均为301×301像素，灰度级均为256，实际变化像素个数均为1155。

1）读入用几何校正法配准后的不同时刻同一地点的SAR图像，即图2（a）和图2（b）。

2）用均值比值法构造图2（a）和图2（b）的差异图D₁，用对数比值法构造图2（a）和图2（b）的差异图D₂，利用小波变换对所述差异图D₁和所述差异图D₂进行融合，得到融合后差异图D。

在本实施例中，利用小波变换对所述差异图D₁和所述差异图D₂进行融合时，采用的是三层小波分解。

3）根据融合后差异图D随机初始博弈种群P，并初始策略概率矩阵w，迭代次数t＝1，最大迭代次数g_max，定义全局博弈策略空间S=(合作，不合作)。

所述的博弈种群P是由n个抗体p_n组成，每个抗体是以融合后差异图D的灰度值组成的聚类中心p_n＝{p_ni,i＝1,...,k}，p_ni为第i类的聚类中心，k为融合后差异图D的类别数。

在本实施例中，采用最大迭代次数g_max＝10，初始化全局策略概率矩阵 $w=\left[\begin{array}{cc}0.5& 0.5\\ 0.5& 0.5\end{array}\right],$

种群P中抗体p_n的个数n=20，差异图D的类别数k=2。

4）根据博弈种群P计算每个抗体p_n的模糊目标函数f₁，将其看作是博弈参与人1，致密分离有效性目标函数f₂，将其看作是博弈参与人2：

$f_1=\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{\&mu;}}_{\mathrm{ij}}^2{\left|\right|v_j-p_{\mathrm{ni}}\left|\right|}^2,$

$f_2=\frac{\mathrm{\&sigma;}}{N}\&times;\frac{1}{d_{\min }},$

其中，v_j是融合后差异图D中第j个像素点的灰度值，μ_ij表示融合后差异图D中第j个像素点的灰度值v_j与第i类的聚类中心p_ni之间的模糊隶属度，i＝1,...,k，是融合后差异图D的整体方差，||v_j-p_ni||²是聚类中心p_ni与灰度值v_j的差值平方，d_min＝min||p_ni-p_nc||²是第i类的聚类中心向量与第c类的聚类中心间的距离，i,c＝1,...,k且i≠c。

5）根据模糊目标函数f₁和致密分离有效性目标函数f₂计算博弈参与人1在每个策略下的收益值F₁和博弈参与人2在每个策略下的收益值F_r：

$F_r=\underset{l=1}{\overset{m}{\mathrm{\&Sigma;}}}{w}_{\mathrm{rl}}{g}_l$

其中，m表示全局策略空间S中策略的个数，当l=1时，表示第r个博弈参与人选择合作策略，当r=2时，表示第r个参与人选择不合作策略。F_r表示第r个博弈参与人的收益值，w_rl是第r个博弈参与人选择第l个策略的概率。g表示博弈参与人的函数值，g＝[f₁,f₂]，当l=1时，g_l表示取博弈参与人1的值，当l=2时，g_l表示取博弈参与人2的值。

6）根据博弈参与人1的收益值F₁和博弈参与人2的收益值F₂，分别选取博弈种群P中相对博弈参与人1较优的抗体组成抗体群P₁和相对博弈参与人2较优的抗体组成抗体群P₂，并将它们组成新的抗体群Pf；

在博弈参与人1和博弈参与人2选择较有抗体时，根据弈参与人1的收益值F₁选出收益值较大的n2个抗体组成抗体群P₁，根据弈参与人2的收益值F₂选出收益值较大的n2个抗体组成抗体群P₂。

在本实施例中，种群P中抗体p_n的个数n=20。

7）由新的抗体群Pf，对每个抗体Pf_n分别进行局部博弈，得到博弈后种群Px。本步骤的实现包括以下过程：

7a)由新的抗体群Pf，将每个抗体pf_n＝{pf_ni,i＝1,...,k}中对应的聚类中心pf_ni作为博弈参与人，当i=1时，表示博弈参与人a，当i=2时，表示博弈参与人b，并初始局部策略概率矩阵lw，定义局部策略空间s=(增大，不变，减小)。

7b)根据局部策略空间s定义策略矩阵H并计算每个博弈参与人在策略矩阵H下的收益值u，其中策略矩阵H为 $H=\left[\begin{array}{ccc}{H}_{11}& L& H_{\mathrm{ly}}\\ M& O& M\\ H_{\mathrm{xl}}& L& H_{\mathrm{xy}}\end{array}\right],$ x表示博弈参与人a在局部策略空间s中选择的策略，y表示博弈参与人b在局部策略空间s中选择的策略，当x,y=1时，表示采取增大策略，当x,y=2时，表示采取不变策略，当x,y=3时，表示采取减小策略，根据策略矩阵H，当博弈参与人选择不同的策略时，两个博弈参与人各自会得到一个收益值u_xy：

u_xy＝pf_ni×H_xy(i)

其中，u_xy是博弈参与人a和博弈参与人b在对应策略H_xy下的收益值，pf_ni是抗体pf_n中的第i个博弈参与人，i=1,2，H_xy(i)表示第z个博弈参与人的采用的策略；

在本实施例中，策略矩阵 $H=\left[\begin{array}{ccc}{H}_{11}\left(\mathrm{1.1,1.1}\right)& H_{12}\left(\mathrm{1.1,1}\right)& H_{13}\left(\mathrm{1.1,0.9}\right)\\ H_{21}\left(\mathrm{1,1.1}\right)& H_{22}\left(\mathrm{1,1}\right)& H_{23}\left(\mathrm{1,0.9}\right)\\ H_{31}\left(\mathrm{0.9,1.1}\right)& H_{32}\left(\mathrm{0.9,1}\right)& H_{33}\left(\mathrm{0.9,0.9}\right)\end{array}\right].$

7c)根据收益值u_xy计算博弈参与人a和b在每个策略下使自己所在抗体pf_n的支付函数 $\mathrm{Ff}=\left[\begin{array}{ccc}{\mathrm{Ff}}_{11}& \&CenterDot;\&CenterDot;\&CenterDot;& {\mathrm{Ff}}_{\mathrm{ly}}\\ M& O& M\\ {\mathrm{Ff}}_{\mathrm{xl}}& \&CenterDot;\&CenterDot;\&CenterDot;& {\mathrm{Ff}}_{\mathrm{xy}}\end{array}\right],$ 且支付函数Ff_xy计算如下：

${\mathrm{Ff}}_{\mathrm{xy}}=\frac{1}{M\&times;N}\&times;\underset{\mathrm{gl}=0}{\overset{1}{\mathrm{\&Sigma;}}}\frac{{\mathrm{\&sigma;}}_{\mathrm{gl}}}{{\mathrm{\&mu;}}_{\mathrm{gl}}}\&times;\underset{\mathrm{gl}=0}{\overset{1}{\mathrm{\&Sigma;}}}\underset{\&ForAll;(c,e)\&Element;R_{\mathrm{gl}}}{\mathrm{\&Sigma;}}{(D(c,e)-{\mathrm{\&mu;}}_{\mathrm{gl}})}^2$

其中，M×N是融合后差异图D的大小，R表示博弈参与人a和b分别选择策略x和策略y时对应的收益值u_xy作为聚类中心对融合后差异图D进行分类，得到二值图像，gl表示二值图像R中的值，且gl=0,1，σ_gl和μ_gl分别表示二值图像R中值为gl的像素点的方差和均值。c和e表示融合后差异图D的行和列，支付函数Ff_xy的值越小，表示博弈参与人a和b为自己所代表的抗体pf_n取得的利益越大。

7d)根据支付函数Ff更新局部策略概率矩阵lw，得到更新后局部概率矩阵lw_z；

更新局部策略概率矩阵lw的方法为：如果则增加概率lw_xy；如果 ${\mathrm{Ff}}_{\mathrm{xy}}-\frac{1}{3}\underset{y=1}{\overset{3}{\mathrm{\&Sigma;}}}{\mathrm{Ff}}_{\mathrm{xy}}<0,$ 则减小概率lw_xy。

7e)根据更新后局部概率矩阵lw_z，提取出概率增加所对应策略的支付函数Ff_xy，并选出最好的支付函数Ff_xy对应的收益u_xy继续执行步骤7b)，直到支付函数Ff_xy值不在变好为止，则将此时参与人的收益值u作为新的抗体Px_n，并返回步骤7a)继续对下一个抗体pf_n进行博弈，直到抗体群Pf中的抗体都执行完，得到博弈后种群Px。

8）判断循环次数t是否达到了最高迭代次数g_max，如果满足t＞g_max，则输出博弈后种群Px，执行步骤(9)；否则，令t＝t+1，将博弈后种群Px替换原种群P，更新全局策略概率矩阵w，返回步骤4)，进行下一次迭代。

在更新全局策略概率矩阵w时，由于我们的目的是希望博弈参与人1和博弈参与人2时刻以自己的收益最大为目标进行博弈，所以在对概率矩阵更新时，采用随机叠加的方法，即一次整体博弈结束时，根据随机概率p_w对全局策略概率矩阵w更新。

当p_w≥pr时， $w=w+\left[\begin{array}{cc}0.05& -0.05\\ -0.05& 0.05\end{array}\right],$ 当p_w＜pr时， $w=w-\left[\begin{array}{cc}0.05& -0.05\\ -0.05& 0.05\end{array}\right],$ 直到全局策略概率矩阵w变为 $w=\left[\begin{array}{cc}1& 0\\ 0& 1\end{array}\right]$ 或 $w=\left[\begin{array}{cc}1& 0\\ 0& 1\end{array}\right],$ 或达到最大循环次数g_max则停止迭代，其中，pr为0～1之间随机初始的值。

在本实施例中，采用随机概率p_w=0.5。

9）由输出的博弈后种群Px，随机选取一个抗体Pxn，并用最小欧氏距离法对差异图D分类，从而得到变化检测结果图。

实施例3：

本实施例通过与遗传进化方法进行对比实验，对本发明的效果做进一步说明。

本实施例所用的遗传进化方法是指Celik于2010年在IEEEGRSletter上发表的文章“ChangeDetectioninSatelliteImagesUsingaGeneticAlgorithmApproach”中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。

本实施例以三组多时相SAR图像分别用遗传进化方法和本发明方法进行变化检测实验。

第一组是分别在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。其中，图2（a）是1999年4月通过ERS-2获得的瑞士Bern城市水灾发生前的SAR图像；图2（b）是1999年5月通过ERS-2获得的瑞士Bern城市水灾发生后的SAR图像。图2（a）和图2（b）的尺寸均为301×301像素，灰度级均为256，实际变化像素个数均为1155。

第二组是分别在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。其中，图3（a）是1997年5月通过Radarsat-1SAR获得的加拿大Ottawa地区的图像；图3（b）是1997年8月通过Radarsat-1SAR获得的加拿大Ottawa地区的图像。图3（a）和图3（b）的尺寸均为350×290像素，灰度级均为256，实际变化像素个数均为16049。

第三组是分别在2008年6月和2009年6月由Rasarsat-2SAR获得的反应我国黄河入海口地域图像。其中，图4（a）是2008年6月由Rasarsat-2SAR获得的反应我国黄河入海口地域图像；图4（b）是2009年6月由Rasarsat-2SAR获得的反应我国黄河入海口地域图像。图4（a）和图4（b）的尺寸均为257×289像素，灰度级均为256，实际变化像素个数均为13020。

采用本发明方法和遗传进化方法对第一组瑞士Bern城市水灾发生前后的SAR图像进行变化检测实验，实验所涉及的图为：图2(a)、图2(b)、图2(c)、图2(d)和图2(e)。其中，图2(c)为图2（a）和图2（b）的实际变化区域参考图；图2(d)为瑞士Bern城市SAR图像采用遗传进化方法得到的变化检测结果图；图2(e)为瑞士Bern城市SAR图像采用本发明方法得到的变化检测结果图。从图2(d)、图2(e)可以看出：本发明方法与遗传进化方法相比，不仅减少了伪变化信息，而且检测出较详细的边界信息，降低了错检数，使得到的变化检测结果图更接近参考图。

采用本发明方法和遗传进化方法对第二组加拿大Ottawa地区水灾发生前后的SAR图像进行变化检测实验，实验所涉及的图为：图3(a)、图3(b)、图3(c)、图3(d)和图3(e)。其中，图3(c)为图3（a）和图3（b）的实际变化区域参考图；图3(d)为加拿大Ottawa地区SAR图像采用遗传进化方法得到的变化检测结果图；图3(e)为加拿大Ottawa地区SAR图像采用本发明方法得到的变化检测结果图。从图3(d)、图3(e)可以看出：本发明方法与遗传进化方法相比，本发明方法有效地抑制了SAR图像斑点噪声的影响，使变化检测结果含有较少的杂点，对变化区域的细节部分能更好地实现，得到较好的检测结果，提高了变化检测结果的精确度。

采用本发明方法和遗传进化方法对第三组反应我国黄河入海口地域的SAR图像进行变化检测实验，实验所涉及的图为：图4(a)、图4(b)、图4(c)、图4(d)和图4(e)。其中，图4(c)为图4（a）和图4（b）的实际变化参考图；图4(d)为反应我国黄河入海口地域的SAR图像采用遗传进化方法得到的变化检测结果图；图4(e)为反应我国黄河入海口地域的SAR图像采用本发明方法得到的变化检测结果图。从图4(d)、图4(e)可以看出：本发明方法与遗传进化方法相比，本发明方法提高了变化检测的精确度，能稳定的对SAR图像进行变化检测，证明了本发明方法的有效性和稳定性。

采用本发明方法和遗传进化方法对第一组瑞士Bern城市水灾发生前后的SAR图像进行变化检测结果进行数据分析，数据分析的结果如表1。

表1Bern地区实验结果

从表1中数据可以看出：本发明方法与遗传进化方法相比，错检数FA减少了2860个像素点，漏检数MA增加了128个像素点，但总错误数OE减少了2732个像素点，Kappa系数增加了0.45。

采用本发明方法和遗传进化方法对第二组加拿大Ottawa地区水灾发生前后的SAR图像进行变化检测结果进行数据分析，数据分析的结果如表2。

表2Ottawa地区实验结果

从表2中数据可以看出：本发明方法与遗传进化方法相比，错检数FA减少了1482个像素点，漏检数MA减少了427个像素点，但总错误数OE减少了1909个像素点，Kappa系数增加了0.0847。

采用本发明方法和遗传进化方法对第三组我国黄河入海口地域的SAR图像进行变化检测实验结果进行数据分析，数据分析的结果如表3。

表3黄河入海口实验结果

从表3中数据可以看出：本发明方法与遗传进化方法相比，错检数FA减少了1598个像素点，漏检数MA减少了1714个像素点，但总错误数OE减少了3212个像素点，Kappa系数增加了0.1298。

综上，本发明方法将多目标的进化过程用博弈论来实现，首先将多目标看成是整体博弈的多个参与人，目标之间通过策略选择与行动进行博弈，使自己的收益最大化，由此得到各自收益最好的抗体并将这些抗体组成抗体群，其次，将抗体群中每个抗体的多个聚类中心作为多个博弈参与人进行局部博弈，使抗体聚类中心之间达到决策均衡，得到一组使抗体收益最大的抗体群作为结果。其中，将整体博弈可以看作是对非支配解进行选择的过程，局部博弈既是对非支配解进行进化(交叉，变异等)的过程。降低了由变异与交叉概率估计带来的随机性偏差，有效地简化了算法的实现过程与复杂度，并提高了变化检测的精确度。

上面结合附图对本发明的实施方式作了说明，但本发明并不限于上述实施方式，在本领域的普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化，均应仍归属于本发明的涵盖范围之内。

Claims (2)

1.基于混合策略博弈的SAR图像变化检测方法，其特征在于包括如下步骤：

1)读入两幅用几何校正法配准后的不同时刻同一地点的SAR图像It1和SAR图像It2；

2)用均值比值法构造SAR图像It1和SAR图像It2的差异图D₁，用对数比值法构造SAR图像It1和SAR图像It2的差异图D₂，利用小波变换对所述的差异图D₁和所述的差异图D₂进行融合，得到融合后差异图D；

3)根据融合后差异图D随机初始博弈种群P，并初始全局策略概率矩阵w，迭代次数t＝1，最大迭代次数g_max，定义全局博弈策略空间S=(合作，不合作)；

其中，博弈种群P是由n个抗体p_n组成，每个抗体是以融合后差异图D的灰度值组成的聚类中心p_n＝{p_ni,i＝1,...,k}，p_ni为第i类的聚类中心，k为融合后差异图D的类别数；

4)根据博弈种群P计算每个抗体p_n的模糊目标函数f₁，将模糊目标函数f₁看作是博弈参与人1；根据博弈种群P计算每个抗体p_n的致密分离有效性目标函数f₂，将致密分离有效性目标函数f₂看作是博弈参与人2：

$f_1=\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{\&mu;}}_{\mathrm{ij}}^2{\left|\right|v_j-p_{\mathrm{ni}}\left|\right|}^2,$

$f_2=\frac{\mathrm{\&sigma;}}{N}\&times;\frac{1}{d_{\min }},$

其中，v_j表示融合后差异图D中第j个像素点的灰度值，μi_j表示融合后差异图D中第j个像素点的灰度值v_j与第i类的聚类中心p_ni之间的模糊隶属度，i＝1,...,k，是融合后差异图D的整体方差，||v_j-p_ni||²是聚类中心p_ni与灰度值v_j的差值平方，d_min＝min||p_ni-p_nc||²是第i类的聚类中心向量与第c类的聚类中心间的距离，i,c＝1,...,k且i≠c；

5）根据模糊目标函数f₁和致密分离有效性目标函数f₂，分别计算博弈参与人1在全局博弈策略空间S下的收益值F₁和博弈参与人2在全局博弈策略空间S下的收益值F₂；

$F_r=\underset{l=1}{\overset{m}{\mathrm{\&Sigma;}}}{w}_{\mathrm{rl}}{g}_l$

其中，m表示全局博弈策略空间S中策略的个数，当l=1时，表示第r个博弈参与人选择合作策略，当r=2时，表示第r个参与人选择不合作策略；F_r表示第r个博弈参与人的收益值，w_rl是第r个博弈参与人选择第l个策略的概率；g表示博弈参与人的函数值，g＝[f₁,f₂]，当l=1时，g_l表示取博弈参与人1的值，当l=2时，g_l表示取博弈参与人2的值；

6）根据博弈参与人1的收益值F₁，选取博弈种群P中相对博弈参与人1较优的抗体组成抗体群P₁；根据博弈参与人2的收益值F₂选取博弈种群P中相对博弈参与人2较优的抗体组成抗体群P₂，并将抗体群P₁和抗体群P₂组成新的抗体群Pf；

在博弈参与人1和博弈参与人2选择较优的抗体时，根据博弈参与人1的收益值F₁选出收益值较大的n2个抗体组成抗体群P₁；根据弈参与人2的收益值F₂选出收益值较大的n2个抗体组成抗体群P₂；

7）由新的抗体群Pf，对每个抗体Pf_n分别进行局部博弈，得到博弈后种群Px；

8）判断循环次数t是否达到了最高迭代次数g_max，如果满足t＞g_max则输出博弈后种群Px，执行步骤9)，否则，令t＝t+1，将博弈后种群Px替换博弈种群P，更新全局策略概率矩阵w，返回步骤(4)，进行下一次迭代；

在更新全局策略概率矩阵w时，采用随机叠加的方法，即一次整体博弈结束时，根据随机概率p_w对全局策略概率矩阵w更新；

当p_w≥pr时， $w=w+\left[\begin{array}{cc}0.05& -0.05\\ -0.05& 0.05\end{array}\right],$ 当p_w＜pr时， $w=w-\left[\begin{array}{cc}0.05& -0.05\\ -0.05& 0.05\end{array}\right],$ 直到全局策略概率矩阵w变为 $w=\left[\begin{array}{cc}1& 0\\ 0& 1\end{array}\right]$ 或 $w=\left[\begin{array}{cc}1& 0\\ 0& 1\end{array}\right],$ 或达到最大循环次数g_max则停止迭代，其中，pr为0～1之间随机初始的值；

9）由输出的博弈后种群Px，随机选取一个抗体Px_n，并用最小欧氏距离法对差异图D分类，从而得到变化检测结果图。

2.根据权利要求1所述的基于混合策略博弈的SAR图像变化检测方法，其特征在于所述步骤7)的实现按照如下步骤：

7a)由新的抗体群Pf，将每个抗体pf_n＝{pf_ni,i＝1,...,k}中对应的聚类中心pf_ni作为博弈参与人，当i=1时，表示博弈参与人a，当i=2时，表示博弈参与人b，并初始局部策略概率矩阵lw，定义局部策略空间s=(增大，不变，减小)；

7b)根据局部策略空间s定义策略矩阵H并计算每个博弈参与人在策略矩阵H下的收益值u，其中策略矩阵H为 $H=\left[\begin{array}{ccc}{H}_{11}& L& H_{\mathrm{ly}}\\ M& O& M\\ H_{\mathrm{xl}}& L& H_{\mathrm{xy}}\end{array}\right],$ x表示博弈参与人a在局部策略空间s中选择的策略，y表示博弈参与人b在局部策略空间s中选择的策略，当x,y=1时，表示采取增大策略，当x,y=2时，表示采取不变策略，当x,y=3时，表示采取减小策略，根据策略矩阵H，当博弈参与人选择不同的策略时，两个博弈参与人各自会得到一个收益值u_xy：

u_xy＝pf_ni×H_xy(i)

其中，u_xy表示博弈参与人a和博弈参与人b在对应策略H_xy下的收益值，pf_ni表示抗体pf_n中的第i个博弈参与人，i=1,2，H_xy(i)表示第z个博弈参与人采用的策略；

7c)根据收益值u_xy计算博弈参与人a和b在局部策略空间s下所在抗体pf_n的支付函数 $\mathrm{Ff}=\left[\begin{array}{ccc}{\mathrm{Ff}}_{11}& \&hellip;& {\mathrm{Ff}}_{\mathrm{ly}}\\ M& O& M\\ {\mathrm{Ff}}_{\mathrm{xl}}& \&hellip;& {\mathrm{Ff}}_{\mathrm{xy}}\end{array}\right],$ 且支付函数Ff_xy计算公式如下：

${\mathrm{Ff}}_{\mathrm{xy}}=\frac{1}{M\&times;N}\&times;\underset{\mathrm{gl}=0}{\overset{1}{\mathrm{\&Sigma;}}}\frac{{\mathrm{\&sigma;}}_{\mathrm{gl}}}{{\mathrm{\&mu;}}_{\mathrm{gl}}}\&times;\underset{\mathrm{gl}=0}{\overset{1}{\mathrm{\&Sigma;}}}\underset{\&ForAll;(c,e)\&Element;R_{\mathrm{gl}}}{\mathrm{\&Sigma;}}{(D(c,e)-{\mathrm{\&mu;}}_{\mathrm{gl}})}^2$

其中，M×N表示融合后差异图D的大小，R表示博弈参与人a和b分别选择策略x和策略y时对应的收益值u_xy作为聚类中心对融合后差异图D进行分类，得到二值图像R，gl表示二值图像R中的值，且gl=0,1，σ_gl和μ_gl分别表示二值图像R中值为gl的像素点的方差和均值。c和e分别表示融合后差异图D的行和列，支付函数Ff_xy的值越小，表示博弈参与人a和b为所代表的抗体pf_n取得的利益越大；

7d)根据支付函数Ff更新局部策略概率矩阵lw，得到更新后的局部概率矩阵lw_z；更新方法为：如果则增加概率lw_xy；如果则减小概率lw_xy；

7e)根据更新后的局部概率矩阵lw_z，提取出概率增加所对应策略的支付函数Ff_xy，并选出最好的支付函数Ff_xy对应的收益u_xy继续执行步骤7b)，直到支付函数Ff_xy值不在变好为止，则将此时参与人的收益值u作为新的抗体Px_n，并返回步骤7a)继续对下一个抗体pf_n进行博弈，直到抗体群Pf中的抗体都执行完，得到博弈后种群Px。