CN104794729A - 基于显著性引导的sar图像变化检测方法 - Google Patents

Abstract

本发明公开了一种基于显著性引导的SAR图像变化检测方法，主要解决现有方法对SAR图像变化区域不能精确检测以及易受斑点噪声影响的问题。其实现步骤是：1.对待检测的两幅SAR图像进行对数比值操作，得到初始差分图；2.对初始差分图提取显著图并进行阈值化操作，得到二值化显著图；3.根据二值化显著图分别提取两幅SAR图像中对应的区域，对该区域使用窗口大小为3×3的均值滤波器降斑，再通过对数比值操作得到差分图；4.对差分图通过主分量分析提取特征；5.用K均值算法对得到的特征矩阵进行聚类，得到最终的变化检测结果。本发明能对变化区域进行准确定位并精确检测，可用于公共安全，雷达图像处理和视频监控领域。

Description

基于显著性引导的SAR图像变化检测方法

技术领域

本发明属于雷达图像处理技术领域，涉及SAR图像的变化检测，可用于农业调查，自然灾害和国土资源监测，军事目标监测与战场打击效果评估。

背景技术

变化检测方法主要是分析多时图像中的变化信息从而对其进行理解与解译，该方法近些年已引起了广泛的研究和关注。特别是在遥感领域，由于合成孔径雷达SAR本身所具有的全天时全天候的工作特性，使得SAR图像的变化检测方法已广泛应用于农业调查，自然灾害和国土资源监测，军事目标监测与战场打击效果评估等诸多方面。

针对同一地区不同时段获取的SAR图像，传统的SAR图像变化检测方法主要分为两大类：有监督方法和无监督方法。有监督方法由于其需要有标记的样本来进行模型的训练，而这类有标记样本恰是不易获取的，从而使得这类方法的使用受到局限。无监督方法不需要标记样本，直接在构造差分图的基础上进行变化信息的分析和解译，从而使得该类方法得到广泛应用。

比较经典的无监督SAR变化检测方法主要有主成分分析和K均值聚类结合的方法PCA-K、加入局部信息的模糊聚类算法FLICM、基于马尔科夫随机场的模糊聚类算法MRFFCM。PCA-K方法在由对数比值算子构造的差分图的基础上，首先进行非重叠分块，利用主分量分析方法获得特征空间，然后对差分图进行重叠分块，将所有向量化的块投影到该特征空间以获得特征向量，最后对这些特征向量通过K均值算法进行聚类来获得最终的变化检测图。FLICM和MRFFCM方法主要是在进行变化检测的过程中考虑到了数据的局部邻域信息。尽管这些方法都能够有效的对变化信息进行检测，但仍存在检测精度不高和易受噪声干扰的问题。

发明内容

本发明的目的在于克服现有技术检测精度不高且易受噪声影响的缺点，提出一种基于显著性引导的SAR图像变化检测方法，以提高SAR图像变化检测的精度。

实现本发明目的的技术方案是：

一.技术原理

在计算机视觉领域，显著图描述的是在视觉上存在强局部对比度的区域，这些区域能被人能首先并且长时间关注到。这些强对比度来自局部区域的纹理、灰度值、形状、颜色等等。这使得我们考虑在给定一个初始差分图的情况下SAR图像的变化检测问题，显著性和变化检测在理论和视觉上存在着共性。显著性主要是用来提取明显区别与局部和全局区域的那些区域，而在给定初始差分图的情况下，SAR图像的变化检测问题可以看作是寻找与其他区域具有精确区分的区域，从该角度来看，显著图的提取和SAR图像的变化检测问题在本质上是一致的，而且在视觉效果上来说，多时SAR图像的变化区域正好也对应着初始差分图的显著区域。

二.实现方案

本发明基于显著性引导的SAR图像变化检测方法，包括如下步骤：

(1)对待检测的两幅SAR图像X₁和X₂进行对数比值操作，得到一个初始的差分图D_L：

$D_L=\left|{\log }_{10}\frac{X_2+1}{X_1+1}\right|;$

(2)对初始差分图D_L提取显著图S；

(3)对显著图S进行阈值化操作，得到具有精确边缘的二值化显著图S'_E；

(4)根据二值化显著图S'_E分别提取两幅SAR图像X₁和X₂中对应的区域，对该区域使用窗口大小为3×3的均值滤波器进行降斑，得到降斑后的图像I₁和I₂，对降斑后的图像进行对数比值操作，得到差分图D_LS：

$D_{\mathrm{LS}}=\left|{\log }_{10}\frac{I_2+1}{I_1+1}\right|;$

(5)对差分图D_LS通过主分量分析提取特征；

(6)用K均值算法对得到的特征矩阵进行聚类，得到最终的变化检测结果。

本发明由于从显著性提取的角度得到对变化区域的初始估计，因而可在原始SAR图像中提取对应区域，减少相干斑噪声对变化检测性能的影响；同时由于本发明通过主分量分析得到对差分图进行描述的特征向量矩阵，再使用K均值算法对该特征向量矩阵进行聚类，提高SAR图像变化检测的精度。

附图说明

图1是本发明的实现流程图；

图2是Bern地区的SAR图像及参考图；

图3是用本发明与现有技术对图2的仿真结果图；

图4是Ottawa地区的SAR图像及参考图；

图5是用本发明与现有技术对图4的仿真结果图。

具体实施方式

参照图1，本发明的具体实现步骤如下：

步骤1，输入对待检测图像，获得初始的差分图。

输入两幅待检测的SAR图像，标记为X₁和X₂，并对这两幅待检测图像进行对数比值操作，得到一个初始的差分图D_L：

$D_L=\left|{\log }_{10}\frac{X_2+1}{X_1+1}\right|.$

步骤2，对初始差分图提取显著图。

显著图描述的是一幅图像中视觉上存在强对比度的区域，现有的提取显著图的方法主要有：基于自顶向下视觉注意机制的方法，基于上下文内容注意机制的方法和基于图像低秩稀疏分解的方法等等。本发明采用基于上下文内容注意机制的方法，具体步骤如下：

(2a)按大小为7×7的窗口以50％的重叠率对初始差分图D_L进行块划分，并对每一个块进行向量化操作，得到相对应的向量并构造向量矩阵X，其中X的每一列为一个向量,X的大小为49×L，L为块的个数；

(2b)计算X中第i列向量x_i和第j列向量x_j之间的不相似性：

$d(x_i,x_j)=\frac{d_v(x_i,x_j)}{1+c\·d_p(x_i,x_j)},1\≤i\≤L,1\≤j\≤L,$

其中，d_v(x_i,x_j)为对向量x_i和向量x_j的值进行归一化后的欧式距离，d_p(x_i,x_j)为向量x_i和向量x_j之间的欧式距离，c为参数取为3；

(2c)计算向量x_i在尺度r下的显著值：

$S_i^r=1-\exp \{-\frac{1}{K}\underset{h=1}{\overset{K}{\mathrm{\Σ}}}d(x_i^r,x_h^r)\}$

其中，K为与向量x_i最为相似的向量的个数，其值取64；r为尺度比例，为在尺度r下第i列向量和与向量x_i最为相似的向量集中第h列向量之间的不相似性，exp为以自然对数e为底数的指数函数；

(2d)计算向量x_i在各尺度下的显著值：

$S_i=\frac{1}{M}\underset{r\∈R}{\mathrm{\Σ}}\left[S_i^r\right](1-d_f^r\left(i\right))$

其中，M为尺度的个数，取值为4；R为尺度比例集，其包括100％，80％，50％和30％四种不同比例；为第i个列向量和与第i列向量最为接近的向量在尺度r下归一化的欧氏距离，[]是一个归一化算子，用于将不同尺度下得到的显著图插值到与原始SAR图像具有同样的大小。

步骤3，对显著图进行阈值化操作。

(3a)构造一个与显著图S大小相同的全零矩阵S_E，再根据显著值的直方图分布设置阈值τ；

(3b)将显著图S中所有像素点的值逐一与阈值τ进行比较：如果显著图S中像素点的值大于阈值τ，则将S_E中与该像素点位置对应的像素点的值改为1，否则，仍为0，最终得到由1和0组成的二值化显著图S'_E。

步骤4，提取SAR图像中与二值化显著图S'_E对应的区域，对该区域进行中值滤波并获得差分图。

(4a)将SAR图像X₁和X₂分别与二值化显著图S'_E进行对应点的乘积，得到与二值化显著图S'_E相对应的区域I_S1和I_S2：

$I_{\mathrm{Si}}=X_i\⊗S_E^{\′},i=\mathrm{1,2},$

其中为点乘算子；

(4b)对区域I_S1和I_S2使用窗口大小为3×3的均值滤波器进行降斑，得到的图像标记为I₁和I₂；

(4c)对图像I₁和I₂其进行对数比值操作，得到一个差分图D_LS：

$D_{\mathrm{LS}}=\left|{\log }_{10}\frac{I_2+1}{I_1+1}\right|.$

步骤5，对差分图D_LS通过主分量分析提取特征。

图像特征级的表示能更好的描述图像的结构特性。常用的特征包括主分量分析，灰度共生矩阵和小波特征等等。本发明使用主分量分析来提取特征，具体步骤如下：

(5a)将差分图D_LS划分为大小为3×3的不重叠块，并将每一个块进行向量化操作，即将每一个块改写成一个向量，构造向量矩阵C，其中C的每一行为一个向量，C的大小为P×9，P为块的个数；

(5b)通过主分量分析对矩阵C生成一个特征空间；

(5c)将差分图D_LS划分为大小为3×3的重叠块，对每一个重叠块进行向量化操作并投影到特征空间以生成特征向量，特征向量的维度取为1；

(5d)把所有的特征向量组成一个大小为1×(K×J)的特征矩阵F，其中K为差分图D_LS的宽度值，J为差分图D_LS的长度值。

步骤6，用K均值算法对得到的特征矩阵进行聚类，得到最终的变化检测结果。

本发明的效果可以通过以下仿真实验进一步具体说明：

1.实验条件：

在CPU为Intel(R)Core(TM)2Duo、主频3.00GHz、内存为4G的Win7系统上，用Matlab 2012a软件分别对图2中Bern地区的SAR图像和图4中Ottawa地区的SAR图像进行仿真实验。

2.实验内容：

实验1，对图2所示Bern地区的SAR图像进行实验：

(1a)用本发明和现有6种方法分别对Bern地区变化前图像图2(a)和Bern地区变化后图像图2(b)进行实验，结果如图3所示，其中：

图3(a)为现有基于对数比值的方法LN的结果图，

图3(b)为现有基于主分量分析和K均值聚类的方法PCA-K的结果图，

图3(c)为现有基于局部信息的模糊聚类算法FLICM的结果图，

图3(d)为现有基于马尔可夫随机场的模糊聚类算法MRFFCM的结果图，

图3(e)为现有基于显著性和K均值聚类的方法DSK的结果图，

图3(f)为现有基于对数比值差分图和K均值聚类的方法DK的结果图，

图3(h)为本发明的结果图，在该实验数据上，本发明中的阈值τ的值为0.7。

(1b)将图3所示的实验结果图与图2(c)所示的Bern地区的参考图进行验证，得到本发明和现有6种方法在该实验数据上的的虚警数，漏检数，总错误数和Kappa系数，如表1所示。

表1：不同方法在Bern地区图像上的实验结果

方法	LN	PCA-K	FLICM	MRFFCM	DSK	DK	本发明
								虚警数	88	158	724	364	74	360	124
漏检数	226	146	84	47	405	326	166
								总错误数	314	304	808	411	479	686	290
Kappa	0.8537	0.8674	0.8045	0.8413	0.7554	0.7035	0.8705

实验2，对图4所示Ottawa地区的SAR图像进行实验，

(2a)用本发明和现有6种方法分别对Ottawa地区变化前图像图4(a)和Ottawa地区变化后图像图4(b)进行实验，结果如图5所示，其中：

图5(a)为现有基于对数比值的方法LN的结果图，

图5(b)为现有基于主分量分析和K均值聚类的方法PCA-K的结果图，

图5(c)为现有基于局部信息的模糊聚类算法FLICM的结果图，

图5(d)为现有基于马尔可夫随机场的模糊聚类算法MRFFCM的结果图，

图5(e)为现有基于显著性和K均值聚类的方法DSK的结果图，

图5(f)为现有基于对数比值差分图和K均值聚类的方法DK的结果图，

图5(h)为本发明的结果图，在该实验数据上，本发明中的阈值τ的值为0.4。

(2b)将图5所示的实验结果图与图4(c)所示的Ottawa地区的参考图进行验证，可得到本发明和现有6种方法在该实验数据上的的虚警数，漏检数，总错误数和Kappa系数，如表2所示。

表2：不同方法在Ottawa地区图像上的实验结果

方法	LN	PCA-K	FLICM	MRFFCM	DSK	DK	本发明
								虚警数	1674	955	2608	1636	819	2086	127
漏检数	583	1515	369	712	3249	2741	936
								总错误数	2257	2470	2977	2348	4068	4827	1063
Kappa	0.9187	0.9049	0.9052	0.9151	0.8396	0.8184	0.9598

3.实验结果分析：

图3(g)和5(g)分别显示的是本发明在Bern和Ottawa地区初始差分图上得到的显著图，分别对比参考图2(c)和图4(c)，可以明显观察到本发明所得到的显著区域和变化区域在形状上的一致性。

从表1可以看出，本发明在Bern地区图像上实验得到结果图的总错误数比LN、PCA-K、FLICM、MRFFCM、DSK和DK分别少了24，14，518，121,189和396。从图3的视觉效果来看，本发明得到的结果图中只包含较少的杂点。

从表2可以看出，本发明在Ottawa地区图像上实验得到结果图的总错误数比LN、PCA-K、FLICM、MRFFCM、DSK和DK分别少了1194，1407，1914，1285，3005和3764。从图5的视觉效果来看，本发明结果中的杂点较少且具有清晰的边缘。

综上，本发明在通过提取显著图来确定变化区域的基础上使用对数比值差分图和主分量分析对SAR图像进行变化检测，得到了较高的检测率且在一定程度上避免了相干斑噪声对检测精度的影响。

Claims (5)

1.一种基于显著性引导的SAR图像变化检测方法，包括如下步骤：

(1)对待检测的两幅SAR图像X₁和X₂进行对数比值操作，得到一个初始的差分图D_L：

$D_L=\left|{\log }_{10}\frac{X_2+1}{X_1+1}\right|;$

(2)对初始差分图D_L提取显著图S；

(3)对显著图S进行阈值化操作，得到具有精确边缘的二值化显著图S'_E；

(4)根据二值化显著图S'_E分别提取两幅SAR图像X₁和X₂中对应的区域，对该区域使用窗口大小为3×3的均值滤波器进行降斑，得到降斑后的图像I₁和I₂，对降斑后的图像进行对数比值操作，得到差分图D_LS：

$D_{\mathrm{LS}}=\left|{\log }_{10}\frac{I_2+1}{I_1+1}\right|;$

(5)对差分图D_LS通过主分量分析提取特征；

(6)用K均值算法对得到的特征矩阵进行聚类，得到最终的变化检测结果。

2.根据权利要求1所述的基于显著性引导的SAR图像变化检测方法，其中所述步骤(2)提取初始差分图D_L的显著图S，按如下步骤进行：

(2a)按大小为7×7的窗口以50％的重叠率对初始差分图D_L进行块划分，并对每一个块进行向量化操作，得到相对应的向量并构造向量矩阵X，其中X的每一列为一个向量,X的大小为49×L，L为块的个数；

(2b)计算X中第i列向量x_i和第j列向量x_j之间的不相似性：

$d(x_i,x_j)=\frac{d_v(x_i,x_j)}{1+c\·d_p(x_i,x_j)},1\≤i\≤L,1\≤j\≤L,$

其中，d_v(x_i,x_j)为对向量x_i和向量x_j的值进行归一化后的欧式距离，d_p(x_i,x_j)为向量x_i和向量x_j之间的欧式距离，c为参数取为3；

(2c)计算向量x_i在尺度r下的显著值：

$S_i^r=1-\exp \{-\frac{1}{K}\underset{h=1}{\overset{K}{\mathrm{\Σ}}}d(x_i^r,x_h^r)\}$

其中，K为与向量x_i最为相似的向量的个数，其值取64；r为尺度比例，为在尺度r下第i列向量和与向量x_i最为相似的向量集中第h列向量之间的不相似性，exp为以自然对数e为底数的指数函数；

(2d)计算向量x_i在各尺度下的显著值：

$S_i=\frac{1}{M}\underset{r\∈R}{\mathrm{\Σ}}\left[S_i^r\right](1-d_f^r\left(i\right))$

其中，M为尺度的个数，取值为4；R为尺度比例集，其包括100％，80％，50％和30％四种不同比例；(i)为第i个列向量和与第i列向量最为接近的向量在尺度r下归一化的欧氏距离，[]是一个归一化算子，用于将不同尺度下得到的显著图插值到与原始SAR图像具有同样的大小。

3.根据权利要求1所述的基于显著性引导的SAR图像变化检测方法，其中所述步骤(3)对显著图S进行阈值化操作，按如下步骤进行：

(3a)构造一个与显著图S大小相同的全零矩阵S_E，再根据显著值的直方图分布设置阈值τ；

(3b)将显著图S中像素点的值与阈值τ进行比较：如果显著图S中像素点的值大于阈值τ，则将S_E中与该像素点位置对应的像素点的值改为1，否则，仍为0，最终得到由1和0组成的二值化显著图S'_E。

4.根据权利要求1所述的基于显著性引导的SAR图像变化检测方法，其中步骤(4)所述的根据二值化显著图S'_E分别提取两幅SAR图像X₁和X₂中对应的区域，是将SAR图像X₁和X₂分别与二值化显著图S'_E进行对应点的乘积，得到与二值化显著图S'_E相对应的区域I_S1和I_S2：

$I_{\mathrm{Si}}=X_i\⊗S_E^{\′},i=\mathrm{1,2},$

其中为点乘算子。

5.根据权利要求1所述的基于显著性引导的SAR图像变化检测方法，其中所述步骤(5)对差分图D_LS通过主分量分析提取特征，按如下步骤进行：

(5a)将差分图D_LS划分为大小为3×3的不重叠块，并将每一个块进行向量化操作，即将每一个块改写成一个向量，构造向量矩阵C，其中C的每一行为一个向量，C的大小为P×9，P为块的个数；

(5b)通过主分量分析对矩阵C生成一个特征空间；

(5c)将差分图D_LS划分为大小为3×3的重叠块，对每一个块进行向量化操作并投影到特征空间以生成特征向量，特征向量的维度取为1；

(5d)把所有的特征向量组成一个大小为1×(K×J)的特征矩阵F，其中K为差分图D_LS的宽度值，J为差分图D_LS的长度值。