CN103971362A - 基于直方图和精英遗传聚类算法的sar图像变化检测 - Google Patents

Abstract

本发明涉及一种基于直方图和精英遗传聚类算法的SAR图像变化检测，结合了遗传算法的全局搜索能力和模糊聚类算法的局部搜索能力，加快了算法的收敛速度，得到了更优的图像变化检测效果；同时本发明通过使用直方图的思想，有效减少了算法的运算速度。

Description

基于直方图和精英遗传聚类算法的SAR图像变化检测

技术领域

本发明属于图像处理技术领域，具体地说是一种变化检测方法，特别是一种基于直方图和精英遗传聚类算法的SAR图像变化检测，可应用于遥感图像的变化检测。

背景技术

合成孔径雷达(Synthetic Aperture Radar，SAR)具有高分辨率、全天候、全天时的特点，可方便地获得同一地区不同时间的图像。SAR图像的变化检测是对不同时间所得的同一地区表面的遥感图像进行比较得到差异图，然后利用差异图像的灰度值将图像分为变化区域和不变区域。SAR图像的变化检测在环境监测、灾情估计、土地利用、森林采伐监测、农作物生长状况监测等方面有着非常广泛的应用。

遥感图像的变化检测一般分为以下几个过程：第一，获得要处理的图像；第二，对得到的图像进行预处理，主要包括辐射校正、几何校正和图像配准等；第三，对预处理后的图像进行比较，获得差异图；第四，对差异图进行分析，获得变化检测结果图像。

聚类方法是一类主要的变化检测方法。T.Celik在2009年提出的基于PCA和k-均值聚类的变化检测算法通过PCA对差异图进行降维，然后用k-均值聚类，较大程度上降低了运算量，但是由于在降维过程中丢失了某些信息，因此导致结果误差较大。A.Ghosh和N.S.Mishra等在2010年提出的在FCM和遗传算法等基础上改进的SA-GKC算法虽然取得了很好 的结果，但是由于结合了多种算法，因此算法思路比较复杂。公茂果等在2012提出的改进的RFLICM算法得到了比较精确的变化检测结果，然而RFLICM算法在聚类初始化过程中，采用随机方式获得初始聚类中心点，从而导致了这些算法对聚类初始中心点十分敏感的缺陷，容易陷入局部最优。

发明内容

本发明的目的在于针对上现有技术的不足，提出一种基于直方图和精英遗传聚类算法的SAR图像变化检测，结合了模糊聚类算法的局部最优和遗传算法的全局寻优能力，加快了算法的收敛速度，同时运用直方图降低了算法的运算量。

实现本发明目的技术方案是：基于直方图和精英遗传聚类算法的SAR图像变化检测，其特征是：至少包括如下步骤：

步骤101：开始基于直方图和精英遗传聚类算法的SAR图像变化检测；

步骤102：导入两幅大小均为P的SAR图像，标记为X₁和X₂；

步骤103：计算出图像X₁和图像X₂对应像素灰度值的领域差值并归一化，得到领域差值图像S，计算两幅图像X₁和X₂对应素灰度值的领域比值并归一化，得到领域比值图R，然后用双边滤波的思想对图像S和图像R进行融合，得到差异图X_d的灰度矩阵H_X；

步骤104：设定模糊度权值m，聚类个数n，种群大小P，最大进化次数T,终止条件阈值ε；

步骤105：产生初始种群并计算适应度函数；

步骤106：对种群V(t)进行轮盘赌选择操作得到选择后的种群V_s(t)；

步骤107：对选择后的种群V_s(t)进行交叉操作，得到交叉后的种群V_c(t)；

步骤108：对交叉后的种群V_c(t)进行变异操作，得到变异后的种群V_m(t)；

步骤109：根据FCM的目标函数J₁计算步骤108中得出的变异后的种群V_m(t)的适应度函数f²(t)，f²(t)=[f² ₁,f² ₂,...,f² ₃₀]，对种群V(t)和种群V_m(t)进行精英选择操作，得到新的种群V_e(t)；

步骤110：将种群V_e(t)作为FCM的初始聚类中心，按照步骤105更新种群，得出更新后的种群V(t+1)；

步骤111：判断当前迭代数t是否等于最大迭代次数T或者适应度函数f³(t)的最大值是否等于ε，如果当前迭代数t等于最大迭代次数T或者适应度函数f³(t)的最大值等于ε，则停止循环，输出种群V(t)，执行步骤112；否则循环执行步骤115～步骤110，直到满足循环结束条件；

步骤112：根据分割阈值p完成对差异图X_d的分割；

步骤113：基于直方图和精英遗传聚类算法的SAR图像变化检测。

所述的步骤103，包括如下步骤：

步骤201：开始计算出图像X₁和图像X₂的差异图X_d的灰度矩阵H_X；

步骤202：计算出图像X₁和图像X₂的领域差值图像S；

步骤203：计算出图像X₁和图像X₂的领域比值图像R；

步骤204：用双边滤波的思想对图像S和图像R进行融合，得到差异图X；

步骤205：对差异图X_d进行归一化，得到差异图X_d的灰度值X^ab；

步骤206：根据灰度值X^ab，得到差异图X_d的灰度矩阵H_X；

步骤207：结束计算出图像X₁和图像X₂的差异图X_d的灰度矩阵H_X。

所述的步骤105，包括如下步骤：

步骤301：开始产生初始种群并计算适应度函数；

步骤302：将FCM的聚类中心v作为初始种群V(t)，V(t)=[V₁,V₂,...,V₃₀]，其中，种群V(t)中第k个个体V_k，表示为：V_k=[v₁,...,v_n]，k=1,2,...,30，其中w₁,...,w_n为个体V_k中第1到n个聚类中心，n为聚类类别数；

步骤303：根据FCM的目标函数J₁计算种群V(t)的适应度函数f¹(t)，f¹(t)=[f¹ ₁,f¹ ₂,...,f¹ ₃₀]；

步骤304：结束产生初始种群并计算适应度函数。

所述的步骤110，包括如下步骤：

步骤401：开始将种群V_e(t)作为FCM的初始聚类中心，得出更新后的种群V(t+1)和适应度函数f³(t)；

步骤402：将FCM的聚类中心v_i(t)作为初始种群V(t+1)，

V(t+1)=[V₁,V₂,...,V₃₀]，其中，种群V(t+1)中第k个个体V_k，表示为：

V_k=[v₁,...,v_n]，k=1,2,...,30，其中w₁,...,w_n为个体V_k中第1到n个聚类中心，n为聚类类别数；

步骤403：根据FCM的目标函数J₃计算种群V(t)的适应度函数f³(t)；

步骤404：结束将种群V_e(t)作为FCM的初始聚类中心，得出更新后的种群V(t+1)和适应度函数f³(t)。

所述的步骤112，包括如下步骤：

步骤501：开始根据分割阈值p完成对差异图X_d的分割；

步骤502：计算分割阈值p，p取i[]的最小值，其中，i是矩阵F取最小值时的行数,F(i,j)的表示公式如下所示：

$F\left(i\right)={\left(\underset{j=1}{\overset{c}{\mathrm{\Σ}}}{\left(\frac{d_{\mathrm{ik}}}{d_{\mathrm{jk}}}\right)}^{\frac{2}{m-1}}\right)}^{-1}$

其中，d_ik ²为第k个样本到第i类的距离，表示公式如下所示：

d_ik ²=||k-v(T₀)||²,k=0,1,…，L

步骤503：通过比较p与差异图X_d的灰度值X_d(m)(m=0～P)的大小确定变化类与非变化类，如果X_d(m)≥p，则将X_d(m)归为变化类；如果X_d(m)<p，则将X_d(m)归为非变化类。

步骤504：结束根据分割阈值p完成对差异图X_d的分割。

本发明与现有技术相比具有以下优点：

本发明由于结合了遗传算法的全局搜索能力和模糊聚类算法的局部搜索能力，加快了算法的收敛速度，得到了更优的图像变化检测效果；同时本发明通过使用直方图的思想，有效减少了算法的运算速度。

附图说明

图1、2、3、4、5是本发明的流程图；

图6是本发明仿真所使用的Feltwell SAR图像数据集；

图7是现有对Feltwell SAR图像数据集变化检测的标准结果图；

图8是用本发明和现有FCM算法，FLICM算法和RFLICM算法对图7的变化检测结果图；

图9是本发明仿真所使用的Bern SAR图像数据集；

图10是现有对Bern SAR图像数据集变化检测的标准结果图；

图11是用本发明和现有FCM算法，FLICM算法和RFLICM算法对图10的变化检测结果图。

具体实施方式

以下结合附图对本发明的技术方案和技术效果做进一步的详细描述。

如图1所示。

本发明的具体实施步骤如下：

步骤101：开始基于直方图和精英遗传聚类算法的SAR图像变化检测；

步骤102：导入两幅大小均为P的SAR图像，标记为X₁和X₂；

步骤103：计算出图像X₁和图像X₂对应像素灰度值的领域差值并归一化，得到领域差值图像S，计算两幅图像X₁和X₂对应素灰度值的领域比值并归一化，得到领域比值图R，然后用双边滤波的思想对图像S和图像R进行融合，得到差异图X_d的灰度矩阵H_X；

步骤104：设定模糊度权值m，聚类个数n，种群大小P，最大进化次数T,终止条件阈值ε；

步骤105：产生初始种群并计算适应度函数；

步骤106：对种群V(t)进行轮盘赌选择操作得到选择后的种群V_s(t)；

步骤107：对选择后的种群V_s(t)进行交叉操作，得到交叉后的种群V_c(t)；

步骤108：对交叉后的种群V_c(t)进行变异操作，得到变异后的种群V_m(t)；

步骤109：根据FCM的目标函数J₁计算步骤108中得出的变异后的种 群V_m(t)的适应度函数f²(t)，f²(t)=[f² ₁,f² ₂,...,f² ₃₀]，对种群V(t)和种群V_m(t)进行精英选择操作，得到新的种群V_e(t)。按如下公式计算f²(t)：

$f^2\left(t\right)=\frac{1}{1+J_2\left(t\right)},$

其中，J₂为FCM的目标函数，表示公式如下所示：

$J_2\left(t\right)=\underset{i=1}{\overset{c}{\mathrm{\&Sigma;}}}\underset{k=0}{\overset{L}{\mathrm{\&Sigma;}}}{\mathrm{\&mu;}}_{\mathrm{ik}}^m\left(t\right){d_{\mathrm{ik}}}^2{H}_X\left(k\right)$

其中，其中，d_ik ²为第k个样本到第i类的距离，表示公式如下所示：

d_ik ²＝||k-v_m(t)||²，k＝0，1，...，L

步骤110：将种群V_e(t)作为FCM的初始聚类中心，按照步骤105更新种群，得出更新后的种群V(t+1)和适应度函数f³(t)；

步骤111：判断当前迭代数t是否等于最大迭代次数T或者适应度函数f³(t)的最大值是否等于ε，如果当前迭代数t等于最大迭代次数T或者适应度函数f³(t)的最大值等于ε，则停止循环，输出种群V(t)，执行步骤112；否则循环执行步骤115～步骤110，直到满足循环结束条件；

步骤112：根据分割阈值p完成对差异图X_d的分割；

步骤113：结束基于直方图和精英遗传聚类算法的SAR图像变化检测。

如图2所示。

所述的步骤103，包括如下步骤：

步骤201：开始计算出图像X₁和图像X₂的差异图X_d的灰度矩阵H_X；

步骤202：计算出图像X₁和图像X₂的领域差值图像S：

$S=255-\frac{|\mathrm{\&Sigma;}{X}_1^H(i,j)-\mathrm{\&Sigma;}{X}_2^H(i,j)|}{H\&times;H},$

其中，和分别表示图像X₁和X₂在同一位置(i,j)的像素点领域集合，大小均为H×H,H=3。

步骤203：计算出图像X₁和图像X₂的领域比值图像R：

$X_{d2}=255\&times;\frac{\underset{i=1}{\overset{L\&times;L}{\mathrm{\&Sigma;}}}\min \{N_1\left(x_i\right),N_2\left(x_i\right)\}}{\underset{i=1}{\overset{L\&times;L}{\mathrm{\&Sigma;}}}\max \{N_1\left(x_i\right),N_2\left(x_i\right)\}},$

其中，N₁(x_i)和N₂(x_i)分别表示图像X₁和X₂在同一位置x上的像素点领域集合，大小均为L×L,L=3。

步骤204：用双边滤波的思想对图像S和图像R进行融合，得到差异图X_d：

$X(x,y)=\frac{\underset{(i,j)\&Element;M_{x,y}}{\mathrm{\&Sigma;}}m(i,j)R(i,j)}{\underset{(i,j)\&Element;M_{x,y}}{\mathrm{\&Sigma;}}m(i,j)},$

其中，M_x,y表示大小为(2L+1)×(2L+1)中心像素在位置(i,j)的领域。m(i,j)表示如下：

m(i,j)=m_v(i,j)×m_u(i,j)

m_v(i,j)表示如下：

$m_v(i,j)=e^{\frac{{|h_1(i,j)-h_1(x,y)|}^2}{{2{\mathrm{\&delta;}}_v}^2}}$

其中，h₁(i,j)表示图像S上位置(i,j)的像素灰度值，|h₁(i,j)-h₁(x,y)|²表示h₁(i,j)和h₁(x,y)的灰度值的欧氏距离，δ_v为调整参数。

m_u(i,j)表示如下：

$m_u(i,j)=e^{\frac{{|i-x|}^2+{|j-y|}^2}{{2\mathrm{\&delta;}}_u^2}},$

其中，|i-x|²+|j-y|²表示图像S上像素(i,j)到聚类中心(x,y)的欧 氏距离，δ_u为调整参数。

步骤205：对差异图X_d进行归一化，得到差异图X_d的灰度值X^ab:

$X^{\mathrm{ab}}=255\&times;\frac{X-\min \left(X\right)}{\max \left(X\right)-\min \left(X\right)},$

步骤206：根据灰度值X^ab，得到差异图X_d的灰度矩阵H_X:

H_X={X^ab}。

步骤207：结束计算出图像X₁和图像X₂的差异图X_d的灰度矩阵H_X。

如图3所示。

所述的步骤105，包括如下步骤：

步骤301：开始产生初始种群并计算适应度函数；

步骤302：将FCM的聚类中心v_i(t)作为初始种群V(t)，V(t)=[V₁,V₂,...,V₃₀]，其中，种群V(t)中第k个个体V_k，表示为：V_k=[v₁,...,v_n]，k=1,2,...,30，其中w₁,...,w_n为个体V_k中第1到n个聚类中心，n为聚类类别数。按如下公式计算聚类中心v_i(t)：

$v_i\left(t\right)=\frac{\underset{k=0}{\overset{L}{\mathrm{\&Sigma;}}}{\mathrm{\&mu;}}_{\mathrm{ik}}^m\left(t\right)H_X\left(k\right)k}{\underset{k=0}{\overset{L}{\mathrm{\&Sigma;}}}{\mathrm{\&mu;}}_{\mathrm{ik}}^m\left(t\right)H_X\left(k\right)}$

其中，为FCM的隶属度矩阵，表示公式如下所示：

${\mathrm{\&mu;}}_{\mathrm{ik}}\left(t\right)={\left(\underset{j=1}{\overset{c}{\mathrm{\&Sigma;}}}{\left(\frac{d_{\mathrm{ik}}}{d_{\mathrm{jk}}}\right)}^{\frac{2}{m-1}}\right)}^{-1}$

其中，d_ik ²为第k个样本到第i类的距离，表示公式如下所示：

d_ik ²=||k-v_i(t-1)||²,k=0,1,…,L

步骤303：根据FCM的目标函数J₁计算种群V(t)的适应度函数f¹(t)， f¹(t)=[f¹ ₁,f¹ ₂,...,f¹ ₃₀]，按如下公式计算f¹(t)：

$f^1\left(t\right)=\frac{1}{1+J_1\left(t\right)},$

其中，J₁为FCM的目标函数，表示公式如下所示：

$J_1\left(t\right)=\underset{i=1}{\overset{c}{\mathrm{\&Sigma;}}}\underset{k=0}{\overset{L}{\mathrm{\&Sigma;}}}{\mathrm{\&mu;}}_{\mathrm{ik}}^m\left(t\right){d_{\mathrm{ik}}}^2{H}_X\left(k\right)$

步骤304：结束产生初始种群并计算适应度函数。

如图4所示。

所述的步骤110，包括如下步骤：

步骤401：开始将种群V_e(t)作为FCM的初始聚类中心，得出更新后的种群V(t+1)和适应度函数f³(t)；

步骤402：将FCM的聚类中心v_i(t)作为初始种群V(t+1)，

V(t+1)=[V₁,V₂,...,V₃₀]，其中，种群V(t+1)中第k个个体V_k，表示为：

V_k=[v₁,...,v_n]，k=1,2,...,30，其中w₁,...,w_n为个体V_k中第1到n个聚类中心，n为聚类类别数。按如下公式计算聚类中心v_i(t)：

$v_i\left(t\right)=\frac{\underset{k=0}{\overset{L}{\mathrm{\&Sigma;}}}{\mathrm{\&mu;}}_{\mathrm{ik}}^m\left(t\right)H_X\left(k\right)k}{\underset{k=0}{\overset{L}{\mathrm{\&Sigma;}}}{\mathrm{\&mu;}}_{\mathrm{ik}}^m\left(t\right)H_X\left(k\right)}$

其中，为FCM的隶属度矩阵，表示公式如下所示：

${\mathrm{\&mu;}}_{\mathrm{ik}}\left(t\right)={\left(\underset{j=1}{\overset{c}{\mathrm{\&Sigma;}}}{\left(\frac{d_{\mathrm{ik}}}{d_{\mathrm{jk}}}\right)}^{\frac{2}{m-1}}\right)}^{-1}$

其中，d_ik ²为第k个样本到第i类的距离，表示公式如下所示：

d_ik ²=||k-v_e(t)||²，k=0,1,…,L

步骤403：根据FCM的目标函数J₃计算种群V(t+1)的适应度函数f³(t)， f³(t)=[f¹ ₁,f¹ ₂,...,f¹ ₃₀]，按如下公式计算f³(t)：

$f^3\left(t\right)=\frac{1}{1+J_3\left(t\right)},$

其中，J₃为FCM的目标函数，表示公式如下所示：

$J_3\left(t\right)=\underset{i=1}{\overset{c}{\mathrm{\&Sigma;}}}\underset{k=0}{\overset{L}{\mathrm{\&Sigma;}}}{\mathrm{\&mu;}}_{\mathrm{ik}}^m\left(t\right){d_{\mathrm{ik}}}^2{H}_X\left(k\right)$

步骤404：结束将种群V_e(t)作为FCM的初始聚类中心，得出更新后的种群V(t+1)和适应度函数f³(t)。

如图5所示。

所述的步骤112，包括如下步骤：

步骤501：开始根据分割阈值p完成对差异图X_d的分割；

步骤502：计算分割阈值p，p取i[]的最小值，其中，i是矩阵F取最小值时的行数,F(i,j)的表示公式如下所示：

$F\left(i\right)={\left(\underset{j=1}{\overset{c}{\mathrm{\&Sigma;}}}{\left(\frac{d_{\mathrm{ik}}}{d_{\mathrm{jk}}}\right)}^{\frac{2}{m-1}}\right)}^{-1}$

其中，d_ik ²为第k个样本到第i类的距离，表示公式如下所示：

d_ik ²=||k-v(T₀)||²,k=0,1,…,L

步骤503：通过比较p与差异图X_d的灰度值X_d(m)(m=0～P)的大小确定变化类与非变化类，如果X_d(m)≥p，则将X_d(m)归为变化类；如果X_d(m)<p，则将X_d(m)归为非变化类。

步骤504：结束根据分割阈值p完成对差异图X_d的分割。

本发明的效果可以通过以下仿真实验进一步说明：

1.实验条件：

实验环境：在CPU为core22.26GHZ、内存1G、WINDOWSXP系统上使用MATLAB2010进行仿真。

仿真选用的第一个数据集为MFeltwell的SAR图像数据集,如图6所示，其中原始图像图6(a)是ATM(Airborne Thematic Mapper)拍摄的位于英国Feltwell村庄农田区的图像，图6(b)是通过模拟地球的天气变化和电磁波的辐射特性等因素影响并人工的嵌入一些变化区域得到的图像，两图大小均为470×335。检测的标准结果图采用如图7所示的对Feltwell SAR图像数据集变化检测的结果图。

第二个数据集为瑞士Bern地区SAR图像数据集，如图5所示，其中原始图像图9(a)、图9(b)分别是在1999年4月和1999年5月通过ERS-2拍摄的瑞士Bern地区的图像，反应了Bern郊区附近水灾的情况，两幅图像的尺寸均为301×301。检测的标准结果图采用如图10所示的对BernSAR图像数据集变化检测的结果图。

2.实验内容：

实验一：用本发明方法和三种变化检测方法：FCM算法、FLICM算法、RFLICM算法，对图6进行变化检测。实验结果如图8所示，其中8(a)为FCM算法对图6进行变化检测的结果图，8(b)为FLICM算法对图6进行变化检测的结果图，8(c)为RFLICM算法对图6进行变化检测的结果图，8(d)为本发明方法对图6进行变化检测的结果图。

实验二：用本发明方法和三种变化检测方法：FCM算法、FLICM算法、RFLICM算法，对图9进行变化检测。实验结果如图11所示，其中11(a)为FCM算法对图9进行变化检测的结果图，11(b)为FLICM算法对图9进 行变化检测的结果图，11(c)为RFLICM算法对图9进行变化检测的结果图，11(d)为本发明方法对图9进行变化检测的结果图。

3.实验结果：

由图8(d)可以看出，与图8(a)、8(b)、8(c)对比发现，本发明的噪声最少，尤其对细小边缘点的检测效果较好，对比图7可以发现，本发明的结果图8(d)更接近标准结果图7。

由图11(d)可以看出，本发明的结果图最接近更接近标准结果图10，与图11(a)、11(b)、11(c)对比发现，本发明更精确的检测出了一些细小边缘点。

本发明方法和所述三种变化检测方法，对图6和图9进行变化检测的结果数据，如下表所示：

实验结果数据表

表中列出了四种评价指标：分别为漏检数，误检数，总错误数和运算时间，其中，漏检数为没有检测出来的实际发生了变化的像素，误检数为实际没有发生变化但被当作变化的检测出来的像素，总错误数=漏检数+误检数，运算时间为算法的运行时间。

从上表可以看出，由于本发明与所述的三种变化检测方法相比，可以获得最少的误检数和最少的总错误数，提高了变化检测的检测精度，运算时间最短。

本实施例没有详细叙述的部分和英文缩写属本行业的公知常识，在网上可以搜索到，这里不一一叙述。

Claims (5)

1.基于直方图和精英遗传聚类算法的SAR图像变化检测，其特征是：包括如下步骤：

步骤101：开始基于直方图和精英遗传聚类算法的SAR图像变化检测；

步骤102：导入两幅大小均为P的SAR图像，标记为X₁和X₂；

步骤103：计算出图像X₁和图像X₂对应像素灰度值的领域差值并归一化，得到领域差值图像S，计算两幅图像X₁和X₂对应素灰度值的领域比值并归一化，得到领域比值图R，然后用双边滤波的思想对图像S和图像R进行融合，得到差异图X_d的灰度矩阵H_X；

步骤104：设定模糊度权值m，聚类个数n，种群大小P，最大进化次数T,终止条件阈值ε；

步骤105：产生初始种群并计算适应度函数；

步骤106：对种群V(t)进行轮盘赌选择操作得到选择后的种群V_s(t)；

步骤107：对选择后的种群V_s(t)进行交叉操作，得到交叉后的种群V_c(t)；

步骤108：对交叉后的种群V_c(t)进行变异操作，得到变异后的种群V_m(t)；

步骤109：根据FCM的目标函数J1计算步骤108中得出的变异后的种群V_m(t)的适应度函数f²(t)，f²(t)=[f² ₁,f² ₂,...,f² ₃₀]，对种群V(t)和种群V_m(t)进行精英选择操作，得到新的种群V_e(t)；

步骤110：将种群V_e(t)作为FCM的初始聚类中心，按照步骤105更新种群，得出更新后的种群V(t+1)；

步骤111：判断当前迭代数t是否等于最大迭代次数T或者适应度函数f³(t)的最大值是否等于ε，如果当前迭代数t等于最大迭代次数T或者适应度函数f³(t)的最大值等于ε，则停止循环，输出种群V(t)，执行步骤112；否则循环执行步骤115～步骤110，直到满足循环结束条件；

步骤112：根据分割阈值p完成对差异图X_d的分割；

步骤113：基于直方图和精英遗传聚类算法的SAR图像变化检测。

2.根据权利要求1所述的基于直方图和精英遗传聚类算法的SAR图像变化检测，其特征是：所述的步骤103，包括如下步骤：

步骤201：开始计算出图像X₁和图像X₂的差异图X_d的灰度矩阵H_X；

步骤202：计算出图像X₁和图像X₂的领域差值图像S；

步骤203：计算出图像X₁和图像X₂的领域比值图像R；

步骤204：用双边滤波的思想对图像S和图像R进行融合，得到差异图X；

步骤205：对差异图X进行归一化，得到差异图X_d的灰度值X^ab；

步骤206：根据灰度值X^ab，得到差异图X_d的灰度矩阵H_X；

步骤207：结束计算出图像X₁和图像X₂的差异图X_d的灰度矩阵H_X。

3.根据权利要求1所述的基于直方图和精英遗传聚类算法的SAR图像变化检测，其特征是：所述的步骤105，包括如下步骤：

步骤301：开始产生初始种群并计算适应度函数；

步骤302：将FCM的聚类中心v作为初始种群V(t)，V(t)=[V₁,V₂,...,V₃₀]，其中，种群V(t)中第k个个体V_k，表示为：V_k=[v₁,...,v_n]，k=1,2,...,30，其中w₁,...,w_n为个体V_k中第1到n个聚类中心，n为聚类类别数；

步骤303：根据FCM的目标函数J₁计算种群V(t)的适应度函数f¹(t)，f¹(t)=[f¹ ₁,f¹ ₂,...,f¹ ₃₀]；

步骤304：结束产生初始种群并计算适应度函数。

4.根据权利要求1所述的基于直方图和精英遗传聚类算法的SAR图像变化检测，其特征是：所述的步骤110，包括如下步骤：

步骤401：开始将种群V_e(t)作为FCM的初始聚类中心，得出更新后的种群V(t+1)和适应度函数f³(t)；

步骤402：将FCM的聚类中心v_i(t)作为初始种群V(t+1)，

V(t+1)=[V₁,V₂,...,V₃₀]，其中，种群V(t+1)中第k个个体V_k，表示为：

V_k=[v₁,...,v_n]，k=1,2,...,30，其中w₁,...,w_n为个体V_k中第1到n个聚类中心，n为聚类类别数；

步骤403：根据FCM的目标函数J₃计算种群V(t)的适应度函数f³(t)；

步骤404：结束将种群V_e(t)作为FCM的初始聚类中心，得出更新后的种群V(t+1)和适应度函数f³(t)。

5.根据权利要求1所述的基于直方图和精英遗传聚类算法的SAR图像变化检测，其特征是：所述的步骤112，包括如下步骤：

步骤501：开始根据分割阈值p完成对差异图X_d的分割；

步骤502：计算分割阈值p，p取i[]的最小值，其中，i是矩阵F取最小值时的行数,F(i,j)的表示公式如下所示：

$F\left(i\right)={\left(\underset{j=1}{\overset{c}{\mathrm{\&Sigma;}}}{\left(\frac{d_{\mathrm{ik}}}{d_{\mathrm{jk}}}\right)}^{\frac{2}{m-1}}\right)}^{-1}$

其中，d_ik ²为第k个样本到第i类的距离，表示公式如下所示：

d_ik ²=||k-v(T₀)||²,k=0,1,…,L

步骤503：通过比较p与差异图X_d的灰度值X_d(m)(m=0～P)的大小确定变化类与非变化类，如果X_d(m)≥p，则将X_d(m)归为变化类；如果X_d(m)<p，则将X_d(m)归为非变化类；

步骤504：结束根据分割阈值p完成对差异图X_d的分割。