CN104268574A - 一种基于遗传核模糊聚类的sar图像变化检测方法 - Google Patents

Abstract

本发明提供了一种基于遗传核模糊聚类的SAR图像变化检测方法，包括如下步骤：(1)选择两幅大小均为P的SAR图像，标记为X₁和X₂并导入；(2)计算出图像X₁和图像X₂对应像素灰度值的领域差值图像S和领域比值图像R；(3)用双边滤波方法对图像S和图像R进行融合，得到差异图X_d和灰度矩阵H_x；(4)使用遗传核模糊聚类的SAR图像变化检测方法获得种群V(T₀)；(5)根据V(T₀)计算分割阈值p，并根据分割阈值p完成对差异图X_d的分割。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。

Description

一种基于遗传核模糊聚类的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，具体地说是一种变化检测方法，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，简称SAR)是利用雷达与目标的相对运动把尺寸较小的真实天线孔径用数据处理的方法合成一较大的等效天线孔径的雷达。合成孔径雷达的特点是分辨率高，能全天候工作，能有效地识别伪装和穿透掩盖物。合成孔径雷达在军事领域和民用领域都有广泛应用，如战场侦察、导航、资源勘测、地图测绘、海洋监视、环境遥感。它可以方便地获得同一地区不同时间的图像。

SAR图像变化检测是指通过对不同时期同一区域的遥感图像进行比较分析，根据图像之间的差异得到我们所需要的地物或目标的变化信息。SAR变化检测技术的需求日益广泛。目前，全球坏境变化加剧，城市急速发展，洪水、地震等自然灾害时有发生，这些都需要及时掌握相关动态信息，为相关决策部门提供支持，而SAR的种种优点为快速响应提供了技术支持和应急保障。SAR图像变化检测主要有以下几个过程：第一，获得待处理图像；第二，对待处理图像进行预处理，预处理主要包括几何校正、辐射校正和图像配准等；第三，对预处理后的图像进行比较，获得差异图；第四，分析差异图，获得变化检测结果图像。

聚类方法是主要的变化检测方法之一。2009年T.Celik提出基于PCA和k-means聚类的变化检测算法，通过主成分分析对差异图进行降维，然后用k-means聚类，较大幅度减小了运算量，但由于其在降维过程中丢失了某些信息，导致了结果误差较大。2010年A.Ghosh和N.S.Mishra等人发表了在FCM和遗传算法等基础上改进的SA-GKC算法，虽然得到了较好的实验结果，然而由于结合了多种算法，其算法思路比较复杂。2012年公茂果等提出了改进的RFLICM算法并得到了较为精确的变化检测结果，但由于RFLICM算法在聚类初始化过程中，通过随机方式获得初始聚类中心点，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

本发明的目的是克服上述已有技术的不足，提供一种基于遗传核模糊聚类的SAR图像变化检测方法，加快算法的收敛速度，减少算法的运算速度。

为此，本发明提供了一种基于遗传核模糊聚类的SAR图像变化检测方法，包括如下步骤：

(1)选择两幅大小均为P的SAR图像，标记为X₁和X₂并导入；

(2)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，计算出图像X₁和X₂对应素灰度值的领域比值并归一化，得到领域比值图像R；

(3)用双边滤波方法对图像S和图像R进行融合，得到差异图X_d和灰度矩阵H_x；

(4)使用遗传核模糊聚类的SAR图像变化检测方法获得种群V(T₀)：

(4a)初始化：设定模糊度权值m，聚类个数n，种群大小M，最大进化次数T，终止条件阈值ε；

(4b)产生初始种群V(t)，并计算适应度函数；

(4c)对初始种群V(t)进行遗传算法的选择、交叉和变异操作，得到新种群V_m(t)；

(4d)根据核模糊聚类算法KFCM的目标函数J₂，计算步骤(4c)中得出的新种群V_m(t)的适应度函数f²(t)，对种群V(t)和新种群V_m(t)进行精英选择操作，得到新的种群V_e(t)；

(4e)将新的种群V_e(t)作为核模糊聚类算法KFCM的初始聚类中心，按照步骤(4c)更新种群，得出更新后的种群V(t+1)和适应度函数f³(t)；

(4f)判断适应度函数f³(t)的最大值是否等于ε或者当前迭代数t是否等于最大进化次数T，如果t≥T或者f³(t)＝ε，则停止循环，输出种群V(T₀)；否则循环执行步骤(4b)～(4c)，直到满足循环结束条件；

(5)根据V(T₀)计算分割阈值p，并根据分割阈值p完成对差异图X_d的分割。

步骤(2)中所述的计算图像X₁和图像X₂的领域差值图像S和领域比值图像R，通过如下公式进行：

计算图像X₁和图像X₂的领域差值图像S：

$S=255-\frac{|\mathrm{\Σ}{X}_1^H(i,j)-\mathrm{\Σ}{X}_2^H(i,j)|}{H\×H}$

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；

计算图像X₁和图像X₂的领域比值图像R：

$R=255\×\frac{\underset{i=1}{\overset{L\×L}{\mathrm{\Σ}}}\min \{N_1\left(x_i\right),N_2\left(x_i\right)\}}{\underset{i=1}{\overset{L\×L}{\mathrm{\Σ}}}\max \{N_1\left(x_i\right),N_2\left(x_i\right)\}}$

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(3)中所述的用双边滤波方法对图像S和图像R进行融合，得到差异图X_d和灰度矩阵H_x，通过如下公式进行：

$X_d(x,y)=\frac{\stackrel{\mathrm{\Σ}}{(i,j)\∈M_{x,y}}m(i,j)R(i,j)}{\stackrel{\mathrm{\Σ}}{(i,j)\∈M_{x,y}}m(i,j)}$

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，R(i，j)表示图像R在位置(i,j)的像素，

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：

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

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：

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

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；

对差异图X_d进行归一化，得到差异图X_d的灰度值X^ab：

$X^{\mathrm{ab}}=255\×\frac{X_d-\min \left(X_d\right)}{\max \left(X_d\right)-\min \left(X_d\right)}$

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(4b)所述的产生始种群V(t)并计算适应度函数，包括如下步骤：

(102)将核模糊聚类算法KFCM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v₁,...,v_n为个体V_k中第1到n个聚类中心，n为聚类个数，其中聚类中心v_i(t)，表示公式如下所示：

$v_i\left(t\right)=\frac{\underset{k=0}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\μ}}_{\mathrm{ik}}^m\left(t\right)K({\mathrm{\μ}}_k,v_i)H_X\left(k\right)k}{\underset{k=0}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\μ}}_{\mathrm{ik}}^m\left(t\right)K({\mathrm{\μ}}_k,v_i)H_X\left(k\right)}$

其中，K(μ_k,v_i)＝exp(-||μ_k,v_i||²/σ²)采用高斯核函数，σ²>0为高斯核函数的参数，k代表第k个种群个体，H_X(k)为第k个样本的灰度矩阵，为模糊聚类算法FCM的隶属度矩阵，表示公式如下所示：

${\mathrm{\μ}}_{\mathrm{ik}}\left(t\right)=\frac{1/{[1-K({\mathrm{\μ}}_k,v_i)]}^{1/(m-1)}}{1/{[1-K({\mathrm{\μ}}_k,v_1)]}^{1/(m-1)}+1/{[1-K({\mathrm{\μ}}_k,v_2)]}^{1/(m-1)}}$

(102)根据核模糊聚类算法KFCM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]，其中适应度函数f¹(t)，表示公式如下所示：

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

其中，J₁为模糊聚类算法FCM的目标函数，表示公式如下所示：

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

其中，H_X(k)为第k个样本的灰度矩阵，d_ik ²为第k个样本到第i类的距离。

步骤(5)所述的根据V(T₀)计算分割阈值p，并根据分割阈值p完成对差异图X_d的分割，包括如下步骤：

(201)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：

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

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：

${d_{\mathrm{ik}}}^2=e^{\frac{{\left|\right|k-v\left(T_0\right)\left|\right|}^2}{{k_g}^2}},k=\mathrm{0,1},...,L$

其中，k_g为高斯核参数。

(202)通过比较分割阈值p与差异图X_d的灰度值X_d(m)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，其中，m＝0～P,m为像素，P为图像大小。

本发明的有益效果：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。

以下将结合附图对本发明做进一步详细说明。

附图说明

图1是本发明的流程框图；

图2是本发明中步骤(2)-步骤(3)的流程框图；

图3是本发明中步骤(4)的流程框图；

图4是本发明中步骤(4b)的流程框图；

图5是本发明中步骤(5)的流程框图；

图6是本发明仿真所使用的Yellow River图像数据集；

图7是现有对Yellow River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

实施例1：

下面结合附图和实施例对本发明提供的基于遗传核模糊聚类的SAR图像变化检测方法进行详细的说明。

本发明提供了一种基于遗传核模糊聚类的SAR图像变化检测方法，如图1、图2和图3所示，包括如下步骤：

(1)选择两幅大小均为P的SAR图像，标记为X₁和X₂并导入；

(2)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，计算出图像X₁和X₂对应素灰度值的领域比值并归一化，得到领域比值图像R；

(3)用双边滤波方法对图像S和图像R进行融合，得到差异图X_d和灰度矩阵H_x；

(4)使用遗传核模糊聚类的SAR图像变化检测方法获得种群V(T₀)，如图3所示：

(4a)初始化：设定模糊度权值m，聚类个数n，种群大小M，最大进化次数T，终止条件阈值ε；

(4b)产生初始种群V(t)，并计算适应度函数；

(4c)对初始种群V(t)进行遗传算法的选择、交叉和变异操作，得到新种群V_m(t)；

(4d)根据核模糊聚类算法KFCM的目标函数J₂，计算步骤(4c)中得出的新种群V_m(t)的适应度函数f²(t)，对种群V(t)和新种群V_m(t)进行精英选择操作，得到新的种群V_e(t)；

(4e)将新的种群V_e(t)作为核模糊聚类算法KFCM的初始聚类中心，按照步骤(4c)更新种群，得出更新后的种群V(t+1)和适应度函数f³(t)；

(4f)判断适应度函数f³(t)的最大值是否等于ε或者当前迭代数t是否等于最大进化次数T，如果t≥T或者f³(t)＝ε，则停止循环，输出种群V(T₀)；否则循环执行步骤(4b)～(4c)，直到满足循环结束条件；

(5)根据V(T₀)计算分割阈值p，并根据分割阈值p完成对差异图X_d的分割。

步骤(2)中所述的计算图像X₁和图像X₂的领域差值图像S和领域比值图像R，通过如下公式进行：

计算图像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；

计算图像X₁和图像X₂的领域比值图像R：

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

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(3)中所述的用双边滤波方法对图像S和图像R进行融合，得到差异图X_d和灰度矩阵H_x，通过如下公式进行：

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

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，R(i，j)表示图像R在位置(i,j)的像素，

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；

对差异图X_d进行归一化，得到差异图X_d的灰度值X^ab：

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

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(4b)所述的产生始种群V(t)并计算适应度函数，如图4所示，包括如下步骤：

(101)将核模糊聚类算法KFCM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v₁,...,v_n为个体V_k中第1到n个聚类中心，n为聚类个数，其中聚类中心v_i(t)，表示公式如下所示：

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

其中，K(μ_k,v_i)＝exp(-||μ_k,v_i||²/σ²)采用高斯核函数，σ²>0为高斯核函数的参数，k代表第k个种群个体，H_X(k)为第k个样本的灰度矩阵，为模糊聚类算法FCM的隶属度矩阵，表示公式如下所示：

${\mathrm{\&mu;}}_{\mathrm{ik}}\left(t\right)=\frac{1/{[1-K({\mathrm{\&mu;}}_k,v_i)]}^{1/(m-1)}}{1/{[1-K({\mathrm{\&mu;}}_k,v_1)]}^{1/(m-1)}+1/{[1-K({\mathrm{\&mu;}}_k,v_2)]}^{1/(m-1)}}$

(102)根据核模糊聚类算法KFCM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]，其中适应度函数f¹(t)，表示公式如下所示：

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

其中，J₁为模糊聚类算法FCM的目标函数，表示公式如下所示：

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

其中，H_X(k)为第k个样本的灰度矩阵，d_ik ²为第k个样本到第i类的距离。

步骤(5)所述的根据V(T₀)计算分割阈值p，并根据分割阈值p完成对差异图X_d的分割，如图5所示，包括如下步骤：

(201)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：

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

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：

${d_{\mathrm{ik}}}^2=e^{\frac{{\left|\right|k-v\left(T_0\right)\left|\right|}^2}{{k_g}^2}},k=\mathrm{0,1},...,L$

其中，k_g为高斯核参数。

(202)通过比较分割阈值p与差异图X_d的灰度值X_d(m)的大小确定变化类与非变化类，如果X_d(m)3p，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，其中，m＝0～P,m为像素，P为图像大小。

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、WINDOWS XP系统上使用MATLAB2010进行仿真。

仿真选用的第一个数据集为Yellow River的SAR图像数据集,如图6所示，其中原始图像图6(a)、图6(b)分别是在2008年6月和2009年6月通过Radarsat-2拍摄的黄河地区的图像截取的一小部分，两图大小均为440×280。检测的标准结果图采用如图7所示的对Yellow River 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9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Bern SAR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

表中分别列出了四种变化检测结果的评价指标：分别为漏检数，误检数，总错误数和算法的运算时间，其中，漏检数为实际发生了变化但没有检测出来的像素，误检数为实际没有发生变化但被检测为变换的像素，总错误数＝漏检数+误检数。

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，不仅获得最少的总错误数，提高了变化检测的检测精度，而且运算时间最短。

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 (5)

1.一种基于遗传核模糊聚类的SAR图像变化检测方法，其特征是，包括如下步骤：

(1)选择两幅大小均为P的SAR图像，标记为X₁和X₂并导入；

(2)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，计算出图像X₁和X₂对应素灰度值的领域比值并归一化，得到领域比值图像R；

(3)用双边滤波方法对图像S和图像R进行融合，得到差异图X_d和灰度矩阵H_x；

(4)使用遗传核模糊聚类的SAR图像变化检测方法获得种群V(T₀)：

(4a)初始化：设定模糊度权值m，聚类个数n，种群大小M，最大进化次数T，终止条件阈值ε；

(4b)产生初始种群V(t)，并计算适应度函数；

(4c)对初始种群V(t)进行遗传算法的选择、交叉和变异操作，得到新种群V_m(t)；

(4d)根据核模糊聚类算法KFCM的目标函数J2，计算步骤(4c)中得出的新种群V_m(t)的适应度函数f²(t)，对种群V(t)和新种群V_m(t)进行精英选择操作，得到新的种群V_e(t)；

(4e)将新的种群V_e(t)作为核模糊聚类算法KFCM的初始聚类中心，按照步骤(4c)更新种群，得出更新后的种群V(t+1)和适应度函数f³(t)；

(4f)判断适应度函数f³(t)的最大值是否等于ε或者当前迭代数t是否等于最大进化次数T，如果t≥T或者f³(t)＝ε，则停止循环，输出种群V(T₀)；否则循环执行步骤(4b)～(4c)，直到满足循环结束条件；

(5)根据V(T₀)计算分割阈值p，并根据分割阈值p完成对差异图X_d的分割。

2.如权利要求1所述的基于遗传核模糊聚类的SAR图像变化检测方法，其特征是，步骤(2)中所述的计算图像X₁和图像X₂的领域差值图像S和领域比值图像R，通过如下公式进行：

计算图像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；

计算图像X₁和图像X₂的领域比值图像R：

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

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。

3.如权利要求1所述的基于遗传核模糊聚类的SAR图像变化检测方法，其特征是，步骤(3)中所述的用双边滤波方法对图像S和图像R进行融合，得到差异图X_d和灰度矩阵H_x，通过如下公式进行：

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

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，R(i，j)表示图像R在位置(i,j)的像素，

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；

对差异图X_d进行归一化，得到差异图X_d的灰度值X^ab：

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

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}。

4.如权利要求1所述的基于遗传核模糊聚类的SAR图像变化检测方法，其特征是，步骤(4b)所述的产生始种群V(t)并计算适应度函数，包括如下步骤：

(101)将核模糊聚类算法KFCM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v₁,...,v_n为个体V_k中第1到n个聚类中心，n为聚类个数，其中聚类中心v_i(t)，表示公式如下所示：

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

其中，K(m_k,v_i)＝exp(-||μ_k,v_i||²/σ²)采用高斯核函数，σ²>0为高斯核函数的参数，k代表第k个种群个体，H_X(k)为第k个种群个体的灰度矩阵，为模糊聚类算法FCM的隶属度矩阵，表示公式如下所示：

${\mathrm{\&mu;}}_{\mathrm{ik}}\left(t\right)=\frac{1/{[1-K({\mathrm{\&mu;}}_k,v_i)]}^{1/(m-1)}}{1/{[1-K({\mathrm{\&mu;}}_k,v_1)]}^{1/(m-1)}+1/{[1-K({\mathrm{\&mu;}}_k,v_2)]}^{1/(m-1)}}$

(102)根据核模糊聚类算法KFCM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]，其中适应度函数f¹(t)，表示公式如下所示：

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

其中，J₁为模糊聚类算法FCM的目标函数，表示公式如下所示：

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

其中，H_X(k)为第k个个体的灰度矩阵，d_ik ²为第k个样本到第i类的距离。

5.如权利要求1所述的基于遗传核模糊聚类的SAR图像变化检测方法，其特征是，步骤(5)所述的根据V(T₀)计算分割阈值p，并根据分割阈值p完成对差异图X_d的分割，包括如下步骤：

(201)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：

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

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：

${d_{\mathrm{ik}}}^2=e^{\frac{{\left|\right|k-v\left(T_0\right)\left|\right|}^2}{{k_g}^2}},k=\mathrm{0,1},...,L$

其中，k_g为高斯核参数。

(202)通过比较分割阈值p与差异图X_d的灰度值X_d(m)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，其中，m＝0～P,m为像素，P为图像大小。