CN104240249B - 基于方向波变换和改进的水平集的sar图像变化检测方法 - Google Patents

Abstract

本发明提供了一种基于方向波变换和改进的水平集的SAR图像变化检测方法，实现过程为：1)输入SAR图像A和B进行预处理；2)对预处理得到图像采用不同的比值法构造比值差异图；3)基于方向波变换差异图的融合；4)分割融合后的差异图；5)得到变化检测结果图。本发明通过对对数比值差异图和均值比值差异图进行方向波融合，有效地抑制了背景信息，增强了变化信息，从而使得对变化区域和未变化区域有更精确的描述；同时由于本发明采用改进的SBGFRLS水平集模型对融合后的差异图像进行图像分割，提高了对变化信息和未变化信息分类的正确率，使得变化检测的结果更加精确，同时大幅度的降低了变化检测的时间复杂度。

Description

基于方向波变换和改进的水平集的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，具体涉及一种基于方向波变换和改进的水平集的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，SAR图像的变化检测已经成为SAR图像处理和解译的重要应用之一。遥感图像的变化检测是指通过比较分析同一地区的不同时刻所获得的两幅或多幅遥感图像，根据图像之间的差异来得到人们所需要的地物随时间而发生的变化信息。与可见光和红外遥感相比，SAR具有全天时、全天候、高分辨率、穿透能力强的特性，因此在军事方面和民用方面都得到了广泛的应用。SAR图像变化检测通常包括3个关键步骤：1)图像预处理；2)生成差异图像；3)分析差异图像并提取变化检测结果。其中图像的预处理主要包括图像配准，几何校正和图像去噪等。构造鲁棒的差异图能够有效地抑制背景区域的噪声信息，同时增强变化区域信息。分析差异图像通常利用图像分割的方法将差异图分为变化区域和未变化区域两类。

差异图的鲁棒性是影响SAR图像变化检测精确度的一个关键因素。传统的差异图构造方法包括图像差值法、图像对数比值法和图像均值比值法等。图像差值法虽然简单易行，但是不符合SAR图像的统计信息容易受到噪声干扰。图像的对数比值法能够有效地抑制SAR图像中的乘性相干斑噪声，但是不利于变化区域的边缘信息的保持。图像的均值比值法因为像素结合邻域信息并具有比值性质，因此对SAR图像的乘性相干斑噪声不敏感并且能够反映真实的变化趋势。

西安电子科技大学在其专利申请“基于图像融合的光学遥感图像变化检测”(专利申请号：CN201210234076.1，公开号：CN102750705A)中提出了一种基于图像融合的光学遥感图像变化检测的方法。通过小波融合两幅差异图像可以产生性能更好的融合差异图；但是小波变换只具有有限的方向信息，使得融合差异图不能较好地表达图像的边缘、纹理等细节信息。西安电子科技大学在其专利申请“基于轮廓波变换的SAR图像变化检测差异图生成方法”(专利申请号：CN201210241422.9，公开号：CN102800074A)中提出了一种基于轮廓波变换的SAR图像变化检测差异图生成方法。通过轮廓波融合两幅差异图像产生融合差异图，轮廓波变换加入了更多的方向信息，融合差异图具有更多的细节信息；但是轮廓波变换具有较高的冗余度和时间复杂度，使得变化检测过程效率较低，不利于处理数据量较大的图像以及对图像的实时处理。

差异图的分析和提取方法是影响SAR图像变化检测精确度的另一个关键因素。传统的差异图提取方法包括阈值方法和模糊聚类方法等。阈值方法中阈值的选取限制了该方法的应用范围。模糊聚类方法虽然能够对变化区域和未变化区域进行较精确的分类，但是该方法时间复杂度较高。

西安电子科技大学在其专利申请“基于改进C-V模型的SAR图像变化检测方法”(专利申请号：CN201210231787.3，公开号：CN102779346A)中提出了一种基于改进C-V模型的SAR图像变化检测方法。通过改进的C-V水平集对差异图进行分割，具有较高的分割精确度；但改进的C-V水平集模型对初始化位置比较敏感，初始化位置的不同对分割精确度有很大影响，同时具有较高的时间复杂度。

发明内容

本发明的目的是克服上述现有SAR图像变化检测技术的不足，提出了一种基于方向波变换和改进的水平集的SAR图像变化检测方法。本发明可以有效地抑制差异图像中的背景信息，增强差异图像中的变化信息，提高变化检测提取结果的精确度，同时大幅度的降低变化检测过程的时间消耗。

本发明的提供的技术方案为：基于方向波变换和改进的水平集的SAR图像变化检测方法，包括如下步骤：

1)输入同一地区变化前的SAR图像A和变化后的SAR图像B进行图像配准、几何校正和图像去噪预处理，获得预处理后的两幅图像X₁，X₂；

2)对预处理后的两幅图像X₁和X₂，通过对数比值法构造对数比值差异图I_L，通过均值比值法构造均值比值差异图I_M；

3)分别对对数比值差异图I_L和均值比值差异图I_M进行N层方向波分解，得到对数比值差异图I_L的高频子带系数和低频子带系数均值比值差异图I_M的高频子带系数和低频子带系数然后分别对得到的高频子带系数和低频子带系数按不同的融合规则进行方向波的融合，得到融合后差异图的低频子带系数和融合后差异图的高频子带系数

4)将方向波融合后的差异图的低频子带系数和融合后差异图的高频子带系数进行方向波的逆变换，则可得到重构后的图像，即融合后的差异图像I_F；

5)利用改进的SBGFRLS水平集模型对融合后的差异图像I_F进行图像分割，得到变化检测的结果。

步骤3)中所述的融合后差异图的低频子带系数具体融合方法如下：

对对数比值差异图I_L和均值比值差异图I_M的低频子带系数采用均值规则进行方向波的融合，即：

其中，代表融合后差异图的低频子带系数，代表均值比值差异图的低频子带系数，代表对数比值差异图的低频子带系数。

步骤3)中所述的融合后差异图的高频子带系数具体融合方法如下：

对对数比值差异图I_L和均值比值差异图I_M的高频子带系数采用局部最小能量规则进行方向波的融合，即：

其中，和分别代表均值比值差异图和对数比值差异图中坐标位于(i,j)的像素点的k邻域内的高频子带系数的能量，代表融合后差异图的高频子带系数，代表均值比值差异图的高频子带系数，代表对数比值差异图的高频子带系数。

步骤5)中所述的利用改进的SBGFRLS水平集模型对融合后的差异图像I_F进行图像分割，具体步骤如下：

(1)初始化水平集函数为u，并根据水平集函数u在融合后的差异图像I_F上做一条闭合曲线；

其中，c表示大于0的常数，本发明中c取常数1，Ω表示水平集函数u将融合后的差异图像I_F分成的闭合曲线内部区域，otherwise表示水平集函数u将融合后的差异图像I_F分成的闭合曲线外部区域；

(2)分别计算当前水平集函数u将融合后的差异图像I_F分成的内部区域的灰度均值c₁和外部区域的灰度均值c₂：

其中，Ω₁表示当前水平集函数将融合后的差异图像I_F分成的内部区域，Ω₂表示当前水平集函数将融合后的差异图像I_F分成的外部区域，I(x)表示融合后的差异图像，H(u)为Heavisirle函数；

(3)据更新公式对当前水平集函数u进行更新(u＝uⁿ⁺¹)，更新公式如下所示：

其中，n表示迭代次数，初始值为0，uⁿ⁺¹表示第n+1次循环迭代后的水平集函数，uⁿ表示第n次循环迭代后的水平集函数，Δt为时间步长，为水平集函数的梯度下降流方程，λ表示大于0的常数，r_xmax和r_ymax的表达式为：

其中，*代表水平方向的卷积，·代表垂直方向的卷积，f₁(x)＝a*b^xH(x)和f₂(x)＝a*b^-xH(-x)分别为因果滤波器和非因果滤波器，a和b可表示为0＜b＝e^-α＜1,a＝1-b；

(4)对步骤(2)和(3)进行重复迭代操作，并判断当前水平集函数u是否收敛，如果是，则停止对水平集函数的更新，得到变化检测结果图，完成SAR图像的变化检测；如果否，则继续通过循环迭代对水平集函数进行更新。

本发明方法与现有技术相比具有以下优点：

第一，本发明通过对对数比值差异图和均值比值差异图进行方向波融合，相比于小波融合和轮廓波融合可以获得更精细的方向信息，降低融合的冗余度和时间复杂度，能够有效地抑制了背景信息，增强了变化信息，从而使得对变化区域和未变化区域有更精确的描述。

第二，由于本发明采用改进的SBGFRLS水平集模型对融合后的差异图像进行图像分割，改进的SBGFRLS水平集模型对初始化位置不敏感，提高了对变化信息和未变化信息分类的正确率，使得变化检测的结果更加精确，同时大幅度的降低了变化检测的时间复杂度。

附图说明

图1为本发明的实现流程图；

图2(a)为拍摄于1997年7月Ottawa地区的SAR图像；

图2(b)为拍摄于1997年8月Ottawa地区的SAR图像；

图2(c)为变化检测的标准结果图；

图3(a)为利用Ottawa数据集，通过均值比值法构造的差异图像；

图3(b)为利用Ottawa数据集，通过对数比值法构造的差异图像；

图3(c)表示本发明构造的差异图像；

图4(a)为图3(c)通过FCM分割结果图；

图4(b)为图3(c)通过DWTF分割结果图；

图4(c)为图3(c)通过SBGFRLS分割结果图；

图4(d)为图3(c)通过本发明分割结果图；

图5(a)为拍摄于2008年6月黄河入海口地区的SAR图像；

图5(b)为拍摄于2009年6月黄河入海口地区的SAR图像；

图5(c)为变化检测的标准结果图；

图6(a)为利用黄河入海口数据集，通过均值比值法构造的差异图像；

图6(b)为利用黄河入海口数据集，通过对数比值法构造的差异图像；

图6(c)为利用黄河入海口数据集，通过本发明构造的差异图像；

图7(a)为图6(c)通过FCM分割结果图；

图7(b)为图6(c)通过DWTF分割结果图；

图7(c)为图6(c)通过SBGFRLS分割结果图；

图7(d)为图6(c)通过本发明分割结果图。

以下将结合附图对本发明做进一步说明。

具体实施方式

如图1所示，本发明提供的一种基于方向波变换和改进的水平集的SAR图像变化检测方法，包括如下步骤：

1)输入同一地区变化前的SAR图像A和变化后的SAR图像B进行图像配准、几何校正和图像去噪预处理，获得预处理后的两幅图像X₁，X₂；

2)对预处理后的两幅图像X₁和X₂，通过对数比值法构造对数比值差异图I_L，通过均值比值法构造均值比值差异图I_M：

其中，μ₁和μ₂分别为图像X₁和X₂的局部均值；

3)分别对对数比值差异图I_L和均值比值差异图I_M进行N层方向波分解，得到对数比值差异图I_L的高频子带系数和低频子带系数均值比值差异图I_M的高频子带系数和低频子带系数然后分别对得到的高频子带系数和低频子带系数按不同的融合规则进行方向波的融合，得到融合后差异图的低频子带系数和融合后差异图的高频子带系数其中N＝3，具体融合步骤如下：

a、对对数比值差异图I_L和均值比值差异图I_M的低频子带系数采用均值规则进行方向波的融合，即：

其中，代表融合后差异图的低频子带系数，代表均值比值差异图的低频子带系数，代表对数比值差异图的低频子带系数；

b、对对数比值差异图I_L和均值比值差异图I_M的高频子带系数采用局部最小能量规则进行方向波的融合，即：

其中，和分别代表均值比值差异图和对数比值差异图中坐标位于(i,j)的像素点的k邻域内的高频子带系数的能量，代表融合后差异图的高频子带系数，代表均值比值差异图的高频子带系数，代表对数比值差异图的高频子带系数；

4)将方向波融合后的差异图的低频子带系数和融合后差异图的高频子带系数进行方向波的逆变换，则可得到重构后的图像，即融合后的差异图像I_F；

5)利用改进的SBGFRLS水平集模型对融合后的差异图像I_F进行图像分割，得到变化检测的结果，具体步骤如下：

(1)初始化水平集函数为u，并根据水平集函数u在融合后的差异图像I_F上做一条闭合曲线；

其中，c表示大于0的常数，本发明中c取常数1，Ω表示水平集函数u将融合后的差异图像I_F分成的闭合曲线内部区域，otherwise表示水平集函数u将融合后的差异图像I_F分成的闭合曲线外部区域；

(2)分别计算当前水平集函数u将融合后的差异图像I_F分成的内部区域的灰度均值c₁和外部区域的灰度均值c₂：

其中，Ω₁表示当前水平集函数将融合后的差异图像I_F分成的内部区域，Ω₂表示当前水平集函数将融合后的差异图像I_F分成的外部区域，I(x)表示融合后的差异图像，H(u)为Heavisirle函数；

(3)据更新公式对当前水平集函数u进行更新(u＝uⁿ⁺¹)，更新公式如下所示：

其中，n表示迭代次数，初始值为0，uⁿ⁺¹表示第n+1次循环迭代后的水平集函数，uⁿ表示第n次循环迭代后的水平集函数，Δt为时间步长，为水平集函数的梯度下降流方程，λ表示大于0的常数，r_xmax和r_ymax的表达式为：

其中，*代表水平方向的卷积，·代表垂直方向的卷积，f₁(x)＝a*b^xH(x)和f₂(x)＝a*b^-xH(-x)分别为因果滤波器和非因果滤波器，a和b可表示为0＜b＝e^-α＜1,a＝1-b；

(4)对步骤(2)和(3)进行重复迭代操作，并判断当前水平集函数u是否收敛，如果是，则停止对水平集函数的更新，得到变化检测结果图，完成SAR图像的变化检测；如果否，则继续通过循环迭代对水平集函数进行更新。

本实施例中利用基于K.Zhang等学者在文章“Active contours with selectivelocal or global segmentation:A new formulation and level set method,”ImageVis.Comput.,vol.28,no.4,pp.668–676,Apr.2010.”中提出的SBGFRLS水平集的改进水平集模型对融合后的差异图像I_F进行图像分割，得到变化检测的结果。

本发明的效果可以通过以下仿真做进一步说明：

1.仿真条件：

本发明的硬件测试平台是：处理器为Inter Corei3350M，主频为2.27GHz，内存2GB，软件平台为：Windows7旗舰版32位操作系统和Matlab R2010b。本发明的输入图像分别为Ottawa地区的两幅SAR图像，如图2(a)、2(b)，图像大小均为290×350，灰度级为256，格式为BMP；黄河入海口地区的两幅SAR图像5(a)、5(b)，图像大小均为257×289，灰度级为256，格式为BMP。

2.仿真参数：

对具有参考图的两组实验仿真图，进行定量的变化检测结果分析：

①计算漏检数：统计实验结果图中发生变化区域的像素个数，与参考图中变化区域的像素个数进行对比，把参考图中发生变化但实验结果图中检测为未变化的像素个数，称为漏检数FN。

②算误检数：统计实验结果图中未发生变化区域的像素个数，与参考图中未变化区域的像素个数进行对比，把参考图中未发生变化但实验结果图中检测为变化的像素个数，称为误检数FP。

③总误差数：计算漏检数和误检数的和，称为总误差数OE。

④正确率：

⑤时间复杂度：统计变化检测所用时间，称为时间复杂度T。

3.仿真方法：

本实施例采用四种仿真方法：

方法1：A.Ghosh等学者在文章“Fuzzy clustering algorithms forunsupervised change detection in remote sensing images,Inform.Sci.,vol.181,no.4,pp.699–715,Feb.2011.”中提出的基于FCM的变化检测方法，简称FCM方法；

方法2：M.Gong等学者在文章“Change detection in synthetic aperture radarimages based on image fusion and fuzzy clustering,IEEE Trans.Image Process.,vol.21,no.4,pp.2141–2151,Apr.2012.”中提出的基于小波融合的变化检测方法，简称DWTF方法；

方法3：K.Zhang等学者在文章“Active contours with selective local orglobal segmentation:A new formulation and level set method,”ImageVis.Comput.,vol.28,no.4,pp.668–676,Apr.2010.”中提出的基于SBGFRLS水平集的变化检测方法，简称SBGFRLS方法；

方法4：本发明方法。

4.仿真内容与结果分析：

实验1：数据集为Ottawa地区的SAR图像数据集，如图所示，图2(a)为1997年7月Ottawa地区正值洪水时期的SAR图像，图2(b)为1997年8月Ottawa地区洪水过后的SAR图像，图2(c)为Ottawa数据集变化检测的标准结果图，包含16049个变化像素和85451个非变化像素。利用Ottawa数据集，通过不同构造方法获得的差异图像，如图所示，图3(a)表示均值比值法构造的差异图像，图3(b)表示对数比值法构造的差异图像，图3(c)表示本发明构造的差异图像。图4(a)、4(b)、4(c)、4(d)分别为通过本发明构造的差异图像图3(c)通过不同分割方法获得的变化检测结果图，其中4(a)表示FCM分割结果图，4(b)表示DWTF分割结果图，4(c)表示SBGFRLS分割结果图，4(d)表示本发明分割结果图。

表1.Ottawa地区变化检测结果

从图3(a)可以看出均值比值法构造的差异图像，含有大量噪声斑点，对数比值法构造的差异图像图3(b)，虽然噪声斑点大幅度的减少，但同时也丢失了变化区域的细节信息，本发明构造的差异图像不仅能够有效地抑制背景区域信息，减少噪声的干扰，而且能够增强变化区域信息，从而使得对变化区域和未变化区域有更精确的描述。结合图4(a)、4(b)、4(c)、4(d)和表1(误检数FP、总误差数OE、正确率PCC)可以看出由于FCM变化检测方法和SBGFRLS变化检测方法不能对变化区域和未变化区域精确分类，造成最终的变化检测结果错误率较高，本发明的变化检测方法无论在视觉效果还是定量分析中都与对比方法有较大提升。

实验2：数据集为黄河入海口地区的SAR图像数据集，图像大小均为257×289，灰度级为256，格式为BMP，如图所示，5(a)为2008年6月黄河入海口地区的单视SAR图像，5(b)为2009年6月黄河入海口地区的四视SAR图像，5(c)为黄河入海口数据集变化检测的标准结果图，包含13432个变化像素和60841个非变化像素。利用黄河入海口数据集，通过不同构造方法获得的差异图像，其中，6(a)表示均值比值法构造的差异图像，6(b)表示对数比值法构造的差异图像，6(c)表示本发明构造的差异图像。图7(a)、7(b)、7(c)、7(d)分别为通过本发明构造的差异图像图6(c)通过不同分割方法获得的变化检测结果图，其中7(a)表示FCM分割结果图，7(b)表示DWTF分割结果图，7(c)表示SBGFRLS分割结果图，7(d)表示本发明分割结果图。

表2.黄河入海口地区变化检测结果

从图6可以看出均值比值法构造的差异图像，含有大量噪声斑点，对数比值法构造的差异图像，虽然噪声斑点大幅度的减少，但同时也丢失了变化区域的细节信息，本发明构造的差异图像不仅能够有效地抑制背景区域信息，减少噪声的干扰，而且能够增强变化区域信息，从而使得对变化区域和未变化区域有更精确的描述。结合图7(a)、7(b)、7(c)、7(d)和表2(总误差数OE、正确率PCC、时间复杂度T)可以看出由于DWTF变化检测方法虽然在变化检测精确度上有一定提高，但是时间复杂度太高，本发明的变化检测方法无论在视觉效果还是定量分析中都与对比方法有较大提升，同时大幅度的降低了变化检测的时间消耗。

以上例举仅仅是对本发明的举例说明，并不构成对本发明的保护范围的限制，凡是与本发明相同或相似的设计均属于本发明的保护范围之内。

Claims (3)

1.基于方向波变换和改进的水平集的SAR图像变化检测方法，其特征在于，包括如下步骤：

1)输入同一地区变化前的SAR图像A和变化后的SAR图像B进行图像配准、几何校正和图像去噪预处理，获得预处理后的两幅图像X₁，X₂；

2)对预处理后的两幅图像X₁和X₂，通过对数比值法构造对数比值差异图I_L，通过均值比值法构造均值比值差异图I_M；

3)分别对对数比值差异图I_L和均值比值差异图I_M进行N层方向波分解，得到对数比值差异图I_L的高频子带系数和低频子带系数均值比值差异图I_M的高频子带系数和低频子带系数然后分别对得到的高频子带系数和低频子带系数按不同的融合规则进行方向波的融合，得到融合后差异图的低频子带系数和融合后差异图的高频子带系数

4)将方向波融合后的差异图的低频子带系数和融合后差异图的高频子带系数进行方向波的逆变换，则可得到重构后的图像，即融合后的差异图像I_F；

5)利用改进的SBGFRLS水平集模型对融合后的差异图像I_F进行图像分割，得到变化检测的结果；

其中，步骤5)中所述的利用改进的SBGFRLS水平集模型对融合后的差异图像I_F进行图像分割，具体步骤如下：

(1)初始化水平集函数为u，并根据水平集函数u在融合后的差异图像I_F上做一条闭合曲线：

$u(x,t=0)=\left\{\begin{array}{cc}-c& x\∈\mathrm{\Ω}\\ c& otherwise\end{array}\right.$

其中，c表示大于0的常数，c取常数1，Ω表示水平集函数u将融合后的差异图像I_F分成的闭合曲线内部区域，otherwise表示水平集函数u将融合后的差异图像I_F分成的闭合曲线外部区域；

(2)分别计算当前水平集函数u将融合后的差异图像I_F分成的内部区域的灰度均值c₁和外部区域的灰度均值c₂：

$c_1\left(u\right)=\frac{{\∫}_{{\mathrm{\Ω}}_1}I\left(x\right)\·H\left(u\right)dx}{{\∫}_{{\mathrm{\Ω}}_1}H\left(u\right)dx},c_2\left(u\right)=\frac{{\∫}_{{\mathrm{\Ω}}_2}I\left(x\right)\·(1-H(u))dx}{{\∫}_{{\mathrm{\Ω}}_2}(1-H(u))dx}$

其中，Ω₁表示当前水平集函数将融合后的差异图像I_F分成的内部区域，Ω₂表示当前水平集函数将融合后的差异图像I_F分成的外部区域，I(x)表示融合后的差异图像，H(u)为Heavisirle函数；

(3)根据更新公式对当前水平集函数u进行更新u＝uⁿ⁺¹，更新公式如下所示：

$u^{n+1}=u^n+\mathrm{\Δ}tg\frac{\∂u}{\∂t}$

$\frac{\∂u}{\∂t}=\[2I\left(x\right)-(c_1+c_2)\]gR,x\∈\mathrm{\Ω}$

其中，n表示迭代次数，初始值为0，uⁿ⁺¹表示第n+1次循环迭代后的水平集函数，uⁿ表示第n次循环迭代后的水平集函数，Δt为时间步长，为水平集函数的梯度下降流方程，λ表示大于0的常数，r_xmax和r_ymax的表达式为：

$\left\{\begin{array}{c}{r}_{xmax}(x,y)=max(\frac{{\mathrm{\μ}}_{x1}(x-1,y)}{{\mathrm{\μ}}_{x2}(x+1,y)},\frac{{\mathrm{\μ}}_{x2}(x+1,y)}{{\mathrm{\μ}}_{x1}(x-1,y)})\\ r_{ymax}(x,y)=max(\frac{{\mathrm{\μ}}_{y1}(x,y-1)}{{\mathrm{\μ}}_{y2}(x,y+1)},\frac{{\mathrm{\μ}}_{y2}(x,y+1)}{{\mathrm{\μ}}_{y1}(x,y-1)})\end{array}\right.$

$\left\{\begin{array}{c}{\mathrm{\μ}}_{x1}(x,y)=f_1\left(x\right)*\left(f\right(y)\·u(x,y\left)\right)\\ {\mathrm{\μ}}_{x2}(x,y)=f_2\left(x\right)*\left(f\right(y)\·u(x,y\left)\right)\\ {\mathrm{\μ}}_{y1}(x,y)=f_1\left(x\right)\·\left(f\right(x)*u(x,y\left)\right)\\ {\mathrm{\μ}}_{y2}(x,y)=f_2\left(x\right)\·\left(f\right(x)*u(x,y\left)\right)\end{array}\right.$

其中，*代表水平方向的卷积，·代表垂直方向的卷积，f₁(x)＝a*b^xH(x)和f₂(x)＝a*b^{- x}H(-x)分别为因果滤波器和非因果滤波器，a和b可表示为0＜b＝e^-α＜1,a＝1-b；

(4)对步骤(2)和(3)进行重复迭代操作，并判断当前水平集函数u是否收敛，如果是，则停止对水平集函数的更新，得到变化检测结果图，完成SAR图像的变化检测；如果否，则继续通过循环迭代对水平集函数进行更新。

2.根据权利要求1所述的基于方向波变换和改进的水平集的SAR图像变化检测方法，其特征在于：步骤3)中所述的融合后差异图的低频子带系数具体融合方法如下：

对对数比值差异图I_L和均值比值差异图I_M的低频子带系数采用均值规则进行方向波的融合，即：

$D_f^{LL}=\frac{D_m^{LL}+D_l^{LL}}{2}$

其中，代表融合后差异图的低频子带系数，代表均值比值差异图的低频子带系数，代表对数比值差异图的低频子带系数。

3.根据权利要求1所述的基于方向波变换和改进的水平集的SAR图像变化检测方法，其特征在于：步骤3)中所述的融合后差异图的高频子带系数具体融合方法如下：

对对数比值差异图I_L和均值比值差异图I_M的高频子带系数采用局部最小能量规则进行方向波的融合，即：

$D_f^h(i,j)=\left\{\begin{array}{cc}{D}_m^h(i,j),& E_m^h(i,j)<E_l^h(i,j)\\ D_l^h(i,j),& E_m^h(i,j)\&GreaterEqual;E_l^h(i,j)\end{array}\right.$

其中，和分别代表均值比值差异图和对数比值差异图中坐标位于(i,j)的像素点的k邻域内的高频子带系数的能量，代表融合后差异图的高频子带系数，代表均值比值差异图的高频子带系数，代表对数比值差异图的高频子带系数。