CN107220968A - 基于集成学习的多目标优化sar图像变化检测方法 - Google Patents

基于集成学习的多目标优化sar图像变化检测方法 Download PDF

Info

Publication number
CN107220968A
CN107220968A CN201710339778.9A CN201710339778A CN107220968A CN 107220968 A CN107220968 A CN 107220968A CN 201710339778 A CN201710339778 A CN 201710339778A CN 107220968 A CN107220968 A CN 107220968A
Authority
CN
China
Prior art keywords
pixel
image
value
function
gray value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710339778.9A
Other languages
English (en)
Inventor
刘若辰
焦李成
黄俊俊
王锐楠
李阳阳
刘静
王爽
张丹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201710339778.9A priority Critical patent/CN107220968A/zh
Publication of CN107220968A publication Critical patent/CN107220968A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明公开的一种基于集成学习的多目标优化SAR图像变化检测方法，主要解决现有技术斑点噪声较大，不能保持SAR图像局部信息和分类准确度不高的问题，其方案是：对输入的两幅SAR图像Y1和Y2采用波动参数划分的方法产生原始差异图D1；再对原始差异图D1去噪得到去噪差异图D2；由原始差异图D1和去噪差异图D2构造两个目标函数，并计算得到这两个目标函数的函数值同时最小的解集，进而得到多个二值图像；对这多个二值图像再采用集成学习的方法得到最终的变化检测图像R。本发明减少了斑点噪声，保留了图像局部信息和提高了分类的准确度，可应用于遥感、医疗诊断、视频监控。

Description

基于集成学习的多目标优化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，特别涉及一种SAR图像变化检测方法，可用于遥感、医疗诊断和视频监控。
背景技术
由于合成孔径雷达SAR不受云层覆盖和大气条件等因素的影响，SAR图像技术在人们的日常生活中扮演着不可或缺的重要角色。而SAR图像技术中的SAR图像变化检测技术更起着尤为关键的作用。SAR图像变化检测技术就是研究同一场景不同时段的两幅或者多幅SAR图像发生的变化。它的应用场景很广泛，包括自然生态的监控，自然灾害评估和预防，获取地貌变化信息等。但是SAR图像变化检测也经常会遇到难题，导致这些困难的原因很多，主要原因有：SAR成像系统或者传感器自身所固有的斑点噪声的影响，不同时段成像回波角度不同所带来的差异，不同时段相隔时间长所带来的雷达自身内部结构发生的差异。
从近年来对SAR图像变化检测的研究来看，现有的图像变化检测可分为两种：
第一种是差异图分类方法，它的核心是差异图的产生。该差异图分类方法包括差值法、比值法和对数比值法。差值法是最原始的处理方法，此方法的最大的缺点是对斑点噪声的抑制很差；比值法优点是在一定程度上抑制了斑点噪声，但是效果不是很明显，它的最大的缺点是加性噪声较多；对数比值法将加性噪声转化为乘性噪声，该方法通过对数转换后差异图得到了非线性拉伸，它的优点是增强了变化类和非变化类的对比度，但是它的缺点是差异图的准确度还不高。
第二种是后分类比较法，该方法的关键是差异图中变化信息的提取，它的缺点是存在分类累积误差问题，影响分类的准确度。
发明内容
本发明的目的在于针对上述已有技术的不足，提出一种基于集成学习的多目标优SAR图像变化检测方法，以进一步优化并减少噪声，提高变化检测的准确度。
实现本发明目的的技术方案是对输入的两幅SAR图像Y1和Y2采用波动参数划分的方法产生原始差异图D1；再对原始差异图D1去噪得到去噪差异图D2；由原始差异图D1和去噪差异图D2构造两个目标函数，并计算得到这两个目标函数的函数值同时最小的解集，进而得到多个二值图像；对这多个二值图像再采用集成学习的方法得到最终的变化检测图像R。其步骤包括如下：
(1)输入两幅同一地区不同时段的SAR图像Y1和Y2，并对其进行滤波处理，得到滤波处理后的两幅图像I1和I2；
(2)根据滤波处理后的两幅图像I1和I2产生原始差异图D1；
2a)定义原始差异图的参数：小值像素接近函数f1，大值像素接近函数f2和波动参数h；
2b)根据2a)定义的参数之间关系，计算原始差异图D1在位置x处的灰度值D1(x),其中x＝1,2,...,M,M是原始差异图D1像素点的总个数；
2c)根据2b)中计算出的每个像素点的灰度值D1(x)得到原始差异图D1；
(3)对原始差异图D1进行滤波得到去噪差异图D2，并根据原始差异图D1和去噪差异图D2构造两个不同的目标函数f1(v1,v2)和f2(v1,v2)，计算得到这两个目标函数的函数值同时最小的解集，由这个解集得到二值图像Qk,k＝1,2,...,100；
(4)从二值图像Qk中选取前99幅图像Ts,s＝1,2,...,99，采用集成学习的方法集成这99幅图像，得到最终的变化检测图像R。
本发明与现有技术相比具有以下优点：
1.本发明通过小值像素接近函数f1，大值像素接近函数f2和波动参数h的之间的关系来确定原始差异图D1在位置x处的分段函数计算方式，能够有效减少斑点噪声，保留图像局部信息。
2.本发明在计算第一目标函数f1(v1,v2)和第二目标函数f2(v1,v2)的函数值时采用了多目标优化的方法，同时在得到最终的变化检测图像R时使用了集成学习的方法，提高了SAR图像变化检测结果的准确度。
附图说明
图1为本发明的实现总流程图。
图2为Bern数据集原始图像及变化参考图。
图3为Ottawa数据集原始图像及变化参考图。
图4为Mulargia数据集原始图像及变化参考图。
图5为用本发明测试Bern、Ottawa、Mulargia数据集得到的二值图像R。
图6为用现有的MOFCM算法测试Bern数据集得到的二值图像R。
图7为用现有的MOFCM算法测试Ottawa数据集得到的二值图像R。
图8为用现有的MOFCM算法测试Mulargia数据集得到的二值图像R。
图9为用现有的FLICM算法测试Bern、Ottawa、Mulargia数据集得到的二值图像R。
图10为用现有的MRFSM算法测试Bern、Ottawa、Mulargia数据集得到的二值图像R。
图11为用现有的MRFFCM算法测试Bern、Ottawa、Mulargia数据集得到的二值图像R。
具体实施方式
下面结合附图对本发明做详细说明：
参照图1，本发明的实现步骤如下：
步骤1，输入两幅同一地区不同时段的SAR图像Y1和Y2，并对其进行滤波处理，得到滤波处理后的两幅图像I1和I2。
本发明中采用的输入图像Y1和Y2来自Bern数据集，Ottawa数据集，Mulargia数据集这三个数据集。
Bern数据集原始图像分别是通过ERS-2获得的1999年4月和1999年5月瑞士Bern地区的图像，第一幅图像是在洪水灾害刚刚发生后获得的，图像中阴暗部分为受洪水影响的区域，第二幅图像是洪水几乎完全消失的时候获得的，图像的大小为301×301，灰度级为256，等效视数为10.89和9.26。
Ottawa数据集原始图像分别为加拿大的Ottawa地区的1997年5月和1997年8月的图像，图像的大小为290×350，灰度级为256。两幅图像的变化信息主要是由于因夏季雨季来临，洪水淹没了部分陆地地区所致。
Mulargia数据集原始图像分别为1996年7月和1996年9月的Landsat-5卫星TM第五波段在意大利撒丁岛Mulargia湖泊区域得到的图像组成，变化区域是由湖水水位上涨引起的，两幅图像的大小均为300×412。
对图像的滤波预处理，现有方法主要有：中值滤波，均值滤波，维纳滤波，本实例使用的是维纳滤波对输入的两幅SAR图像进行预处理，即将两幅SAR图像Y1，Y2分别作为matlab中维纳滤波函数的输入，输出滤波后的两幅SAR图像I1，I2。
步骤2，根据滤波处理后的两幅图像I1和I2产生原始差异图D1。
现有产生差异图的方法有：差值法，比值法，对数比值法，本实例使用与现有技术不同的另一种方法，其差异图的产生步骤如下：
2a)定义原始差异图的参数：小值像素接近函数f1，大值像素接近函数f2和波动参数h；
2a1)定义小值像素接近函数为滤波处理后的两幅图像I1和I2在位置x处的灰度值中，其较小的像素与其邻域Ωx中的像素的接近程度，其中N为滤波处理后的两幅图像I1和I2在位置x处邻域中像素点的个数；
2a2)定义大值像素接近函数为滤波处理后的两幅图像I1和I2在位置x处的灰度值中，其较大的像素与其邻域Ωx中的像素的接近程度；
2a3)定义波动参数h在0～10范围内，h取值为2；
2b)根据2a)定义的参数之间关系，计算原始差异图D1在位置x处的灰度值D1(x),其中x＝1,2,...,M,M是原始差异图D1像素点的总个数；
2c)根据2b)中计算出的每个像素点的灰度值D1(x)得到原始差异图D1。
步骤3，对原始差异图D1进行滤波得到去噪差异图D2，并根据原始差异图D1和去噪差异图D2构造两个不同的目标函数f1(v1,v2)和f2(v1,v2)，计算得到这两个目标函数的函数值同时最小的解集，由这个解集得到二值图像Qk,k＝1,2,...,100。
计算第一目标函数f1(v1,v2)和第二目标函数f2(v1,v2)的函数值的现有的方法主要有：MOEA/D算法，MOEA/DE算法,NSGA算法，本实例使用的是MOFCM算法，其步骤如下：
3a)对原始差异图D1进行滤波，得到去噪差异图D2；
3b)随机产生均匀分布的n个权重向量w1,w2,...,wi...,wn，每一个权重向量的形式是wi＝(wi 1,wi 2)；
3c)计算任意两个权重向量之间的欧式距离d(wi,wj),i,j＝1,2,...n且i≠j，对第i个权重向量和其他权重向量的欧式距离按从小到到大排序，获得i个权重向量的T个最近的权重向量的上标集合：B(eq)＝{e1,...,eq...,eT}，由上标集合得到wi的T个最近的权重向量
其中，eq表示第i个权重向量的最近的第q个权重向量的上标，q＝1,2,...,T，其中wi 1表示第一目标函数f1(vi 1,vi 2)所占的百分比，wi 2表示第二目标函数f2(vi 1,vi 2)所占的百分比；
3d)随机产生一个表示目标函数的解集的始化种群v1,v2,...,vi...,vn，每个种群的形式是vi＝(vi 1,vi 2)，其中vi 1是第i个个体的第一维元素，vi 2是第i个个体的第二维元素；
3e)计算初始模糊隶属度矩阵u1,u2,...,ui...,un，其中每一个初始模糊隶属度矩阵的形式是ui kx表示初始模糊隶属度矩阵中第i个个体的第k行对应的第x个隶属度，x＝1,2,...,M,k＝1,2,
该ui kx的计算公式如下：其中i＝1,2,...,n,m＝2，ukx满足约束
3f)计算第一目标函数f1(vi 1,vi 2)和第二目标函数f2(vi 1,vi 2)：
3g)根据第一目标函数f1(vi 1,vi 2)和第二目标函数f2(vi 1,vi 2)，计算权重和函数gws(vi|wi)：
gws(vi|wi)＝wi 1f1(vi 1,vi 2)+wi 2f2(vi 1,vi 2)；
3h)设置当前循环次数b＝1，总的循环次数t＝100；
3i)更新种群；
3i1)从上标集合B(eq)选择两个下标s和l，使用遗传算子从vs和vl得到新的个体y，y的形式为y＝(y1,y2)，其中y1是个体y的第一维元素，y2是个体y的第二维元素；
3i2)计算新的个体y的循环模糊隶属度矩阵：其中uy kx表示循环模糊隶属度矩阵中个体y的第k行对应的第x个隶属度，循环模糊隶属度矩阵uy的每个元素uy kx的计算公式如下：
3i3)计算循环第一目标函数F1(y1,y2)和循环第二目标函数F2(y1,y2)：
3i4)根据循环第一目标函数F1(y1,y2)和循环第二目标函数F2(y1,y2)，计算循环权重和函数Gws(y|wi)：
Gws(y|wi)＝wi 1F1(y1,y2)+wi 2F2(y1,y2)；
3i5)比较循环权重函数Gws(y|wi)和权重函数gws(vj|wi)的大小：
如果Gws(y|wi)≤gws(vj|wi)，j∈B(eq)，则将种群个体vj的值更新为y，并且将Gws(y|wi)的值赋值给gws(vj|wi)，反之，不进行任何操作；
3j)判断更新的种群是否满足终止条件：
如果不满足终止条件，即b<t,则b的值加1，返回步骤3h)；
如果满足终止条件，即b≥t,得到目标函数的解集v1,v2,...,vi...,vn，执行3j)；
3k)将目标函数的解集v1,v2,...,vi...,vn的vi分别代入公式：进而得到初始隶属度矩阵ui；
3l)判断ui的第一行的每一个元素的大小：
若元素的值大于0.5，则二值图像Qk,k＝1,2,...,100的对应像素的值为255。
若元素的值小于0.5，则二值图像Qk的对应像素的值为0。
步骤4，从二值图像Qk中选取前99幅图像Ts,s＝1,2,...,99，采用集成学习的方法集成这99幅图像，得到最终的变化检测图像R。
4a)从二值图像Qk中选取前99幅图像Tg,g＝1,2,...,99作为被集成的图像；
4b)统计这99幅图像Tg中统计在点(c,d)处像素灰度值为255的点的个数n1和灰度值为0的点的个数n2，其中c＝1,2,...,col,d＝1,2,...,row，col是图像Tg的行数，row是图像Tg的列数；
4c)假设过渡标签图像P在点(c,d)的像素的灰度值为p(c,d)，由n1和n2的大小关系得到过渡标签图像为P：
如果n1≥n2，则过渡标签图像P的在点(c,d)处的像素点的灰度值p(c,d)＝255；
如果n1<n2，则过渡标签图像P的在点(c,d)处的像素点的灰度值p(c,d)＝0；
4d)分别比较二值图像Tg和过渡标签图像P的所有像素点的灰度值，得到灰度值相同的点的个数same，计算评价准则total是二值图像Tg像素点的总个数；
4e)对ARg按照从大到小的顺序进行排序，选取其中的最大的29个所对应的二值图像MapQa,a＝1,2,...,29；
4f)统计二值图像MapQa在点(c,d)处像素灰度值为255的点的个数m1和灰度值为0的点的个数m2；
4g)假设最终变化检测结果二值图像R在点(c,d)的像素的灰度值为r(c,d)，根据m1和m2的大小关系得到最终变化检测结果二值图像为R：
如果m1≥m2，则最终变化检测结果二值图像R在点(c,d)处的像素点的灰度值r(c,d)＝255；
如果m1<m2，则最终变化检测结果二值图像R在点(c,d)处的像素点的r(c,d)＝0。
步骤5，根据R和已知的变化参考图像S,计算虚检数FP，漏检数FN，总错误数OE,和卡帕系数KC。
5a)设变化参考图像S在x处的像素的灰度值用a(x)表示，设图像R在x处的像素的灰度值用b(x)表示，
设Nc为a(x)＝255的像素点的个数，
设Nu为a(x)＝0的像素点的个数，
设TP为b(x)＝255的像素点的个数，
设TN为b(x)＝0的像素点的个数，
设Mc为变化参考图像S的像素点的总个数；
5b)由Nu和TN计算虚检数FP，即FP＝Nu-TN；
5c)由Nc和TP计算漏检数FN，即FN＝Nc-TP；
5d)由FP和FN计算总错误数OE，即OE＝FP+FN；
5e)由TP，TN和Mc计算精确度PCC，即
5f)由TP，TN，FP，FN，Nc，Nu和Mc计算过度参数PRE,即；
5g)由PCC和PRE计算卡帕系数KC，即
通过步骤5可检验本发明对变化检测结果的精度高低，即通过计算卡帕系数KC指标检验变化检测结果的精度。
本发明的实验效果通过以下仿真说明：
1.仿真实验采用的数据集：
本实验仿真采用Bern、Ottawa和Mulargia三个数据集，其中：
Bern数据集，如图2所示，其中图2(a)是通过ERS-2获得的1999年4月瑞士Bern地区的图像，图2(b)是通过ERS-2获得的1999年5月瑞士Bern地区的图像，图2(c)是变化参考图；
Ottawa数据集，如图3所示，其中图3(a)是加拿大Ottawa地区的1997年5月的图像，图3(b)是加拿大Ottawa地区的1997年8月的图像，图3(c)是变化参考图；
Mulargia数据集，如图4所示，其中图4(a)是1996年7月意大利撒丁岛Mulargia湖泊区域的图像，图4(b)是1996年9月意大利撒丁岛Mulargia湖泊区域的图像，图4(c)是变化参考图。
2.仿真内容：
仿真1：用本发明方法分别对Bern数据集、Ottawa数据集和Mulargia数据集中的各2幅输入图像进行变化检测，结果如图5所示，其中：
图5(a)为本发明仿真Bern数据集得到的二值图像R，
图5(b)为本发明仿真Ottawa数据集的得到二值图像R，
图5(c)为本发明仿真Mulargia数据集的得到二值图像R。
用本发明方法分别对Bern数据集、Ottawa数据集和Mulargia数据集中的各2幅输入图像进行变化检测，再分别根据图2(c)图，图3(c)图，图4(c)图得到的虚检数FP，漏检数FN，总错误数OE,再根据虚检数FP，漏检数FN，总错误数OE计算卡帕系数KC，结果如表1：
表1
虚检数FP 漏检数FN 总错误数OE 卡帕系数KC
Bern数据集 95 196 291 0.867
Ottawa数据集 540 1932 2472 0.905
Mulargia数据集 5058 319 5377 0.709
仿真2：用MOFCM算法分别对Bern数据集、Ottawa数据集和Mulargia数据集中的各2幅输入图像进行变化检测，结果如图6-8所示，其中：
图6(a)～(f)为MOFCM算法仿真Bern数据集得到的二值图像R，
图7(a)～(f)为MOFCM算法仿真Ottawa数据集的得到二值图像R，
图8(a)～(f)为MOFCM算法仿真Mulargia数据集的得到二值图像R。
用MOFCM算法对Bern数据集2幅输入图像进行变化检测，再根据图2(c)图得到的虚检数FP，漏检数FN，总错误数OE和虚检数FP、漏检数FN及总错误数OE，计算卡帕系数KC，结果如表2：
表2
种群代数 虚检数FP 漏检数FN 总错误数OE 卡帕系数KC
1 760 46 806 0.729
20 631 69 700 0.752
40 774 88 862 0.708
60 771 93 864 0.706
80 771 93 864 0.706
100 771 93 864 0.706
用MOFCM算法对Ottawa数据集2幅输入图像进行变化检测，再根据图3(c)图，得到的虚检数FP，漏检数FN，总错误数OE和虚检数FP、漏检数FN及总错误数OE，计算卡帕系数KC，结果如表3：
表3
种群代数 虚检数FP 漏检数FN 总错误数OE 卡帕系数KC
1 1780 986 2766 0.899
20 3627 1150 4777 0.833
40 6007 1357 7364 0.756
60 5986 1546 7532 0.749
80 5986 1546 7532 0.749
100 5986 1546 7532 0.749
用MOFCM算法对Mulargia数据集的2幅输入图像进行变化检测，再根据图4(c)图得到的虚检数FP，漏检数FN，总错误数OE和虚检数FP、漏检数FN及总错误数OE，计算卡帕系数KC，结果如表4：
表4
种群代数 虚检数FP 漏检数FN 总错误数OE 卡帕系数KC
1 6046 284 6330 0.673
20 6454 297 6751 0.657
40 6302 313 6615 0.661
60 6269 319 6588 0.663
80 6269 319 6588 0.663
100 6269 319 6588 0.663
仿真3：用FLICM算法分别对Bern数据集、Ottawa数据集和Mulargia数据集中的各2幅输入图像进行变化检测，结果如图9所示，其中：
图9(a)为用FLICM算法仿真Bern数据集得到的二值图像R，
图9(b)为用FLICM算法仿真Ottawa数据集的得到二值图像R，
图9(c)为用FLICM算法仿真Mulargia数据集的得到二值图像R。
用FLICM算法对Bern数据集，Ottawa数据集，Mulargia数据集中的各2幅输入图像进行变化检测，再分别根据图2(c)图，图3(c)图，图4(c)图得到的虚检数FP，漏检数FN，总错误数OE和虚检数FP、漏检数FN及总错误数OE，计算卡帕系数KC，结果如表5：
表5
虚检数FP 漏检数FN 总错误数OE 卡帕系数KC
Bern数据集 164 173 337 0.851
Ottawa数据集 1160 1714 2874 0.892
Mulargia数据集 19074 957 20031 0.659
仿真4：：用MRFSM算法分别对Bern数据集、Ottawa数据集和Mulargia数据集中的各2幅输入图像进行变化检测，结果如图10所示，其中：
图10(a)为用MRFSM算法仿真Bern数据集得到的二值图像R，
图10(b)为用MRFSM算法仿真Ottawa数据集的得到二值图像R，
图10(c)为用MRFSM算法仿真Mulargia数据集的得到二值图像R。
用MRFSM算法对Bern数据集，Ottawa数据集，Mulargia数据集中的各2幅输入图像进行变化检测，再分别根据图2(c)图，图3(c)图，图4(c)图得到的虚检数FP，漏检数FN，总错误数OE和虚检数FP、漏检数FN及总错误数OE，计算卡帕系数KC，结果如表6：
表6
虚检数FP 漏检数FN 总错误数OE 卡帕系数KC
Bern数据集 10336 15 10351 0.16
Ottawa数据集 471 2180 2651 0.897
Mulargia数据集 15996 1116 17112 0.694
仿真5：用MRFFCM算法分别对Bern数据集、Ottawa数据集和Mulargia数据集中的各2幅输入图像进行变化检测，结果如图11所示，其中：
图11(a)为用MRFFCM算法仿真Bern数据集得到的二值图像R，
图11(b)为用MRFFCM算法仿真Ottawa数据集的得到二值图像R，
图11(c)为用MRFFCM算法仿真Mulargia数据集的得到二值图像R。
用MRFFCM算法对Bern数据集，Ottawa数据集，Mulargia数据集中的各2幅输入图像进行变化检测，再分别根据图2(c)图，图3(c)图，图4(c)图得到的虚检数FP，漏检数FN，总错误数OE和虚检数FP、漏检数FN及总错误数OE，计算卡帕系数KC，结果如表7：
表7
虚检数FP 漏检数FN 总错误数OE 卡帕系数KC
Bern数据集 346 89 435 0.828
Ottawa数据集 474 2176 2650 0.898
Mulargia数据集 17010 1182 18192 0.679
将表1到表7进行整合，得到表8：
表8整合后的三个数据集的不同算法的比较表
由表8可以看出本发明的KC的值要大于现有MOFCM算法，FLICM算法，MRFSM算法，MRFFCM算法KC的值，说明本发明比MOFCM算法，FLICM算法，MRFSM算法，MRFFCM算法的变化检测方法效果好，减少了斑点噪声，保留了图像局部信息，提高了分类的准确度。

Claims (6)

1.一种基于集成学习的多目标优化SAR图像变化检测方法，包括：
(1)输入两幅同一地区不同时段的SAR图像Y1和Y2，并对其进行滤波处理，得到滤波处理后的两幅图像I1和I2；
(2)根据滤波处理后的两幅图像I1和I2产生原始差异图D1；
2a)定义原始差异图的参数：小值像素接近函数f1，大值像素接近函数f2和波动参数h；
2b)根据2a)定义的参数之间关系，计算原始差异图D1在位置x处的灰度值D1(x)，其中x＝1，2，...，M，M是原始差异图D1像素点的总个数；
2c)根据2b)中计算出的每个像素点的灰度值D1(x)得到原始差异图D1；
(3)对原始差异图D1进行滤波得到去噪差异图D2，并根据原始差异图D1和去噪差异图D2构造两个不同的目标函数f1(v1，v2)和f2(v1，v2)，计算得到这两个目标函数的函数值同时最小的解集，由这个解集得到二值图像Qk，K＝1，2，...，100；
(4)从二值图像Qk中选取前99幅图像Ts，s＝1，2，...，99，采用集成学习的方法集成这99幅图像，得到最终的变化检测图像R。
2.基于权利要求1所述的方法，其特征在于，步骤2a)对小值像素接近函数f1，大值像素接近函数f2和波动参数h，分别定义如下：
2a1)定义小值像素接近函数为滤波处理后的两幅图像I1和I2在位置x处的灰度值中，其较小的像素与其邻域Ωx中的像素的接近程度，其中N为滤波处理后的两幅图像I1和I2在位置x处邻域中像素点的个数；
2a2)定义大值像素接近函数为滤波处理后的两幅图像I1和I2在位置x处的灰度值中，其较大的像素与其邻域Ωx中的像素的接近程度；
2a3)定义波动参数h在0～10范围内，h取值为2。
3.基于权利要求1所述的方法，其特征在于，步骤2b)中计算原始差异图D1在位置x处的灰度值D1(x)，通过下式计算：
其中：
为滤波处理后的两幅图像I1和I2在位置x处的差异性的衡量标准；
μ(x)是滤波处理后的两幅图像I1和I2在位置x为中心，大小为3×3的邻域Ωx中的像素灰度值的均值；
σ(x)是滤波处理后的两幅图像I1和I2在位置x为中心，大小为3×3的邻域Ωx中的像素灰度值的方差。
4.基于权利要求1所述的方法，其特征在于，步骤(3)中计算目标函数的函数值同时最小的解集，按如下步骤进行：
3a)对原始差异图D1进行滤波，得到去噪差异图D2；
3b)随机产生均匀分布的n个权重向量w1，w2，...，wi...，wn，每一个权重向量的形式是
wi＝(wi 1，wi 2)；
3c)计算任意两个权重向量之间的欧式距离d(wi，wj)，i，j＝1，2，...n且i≠j，对第i个权重向量和其他权重向量的欧式距离按从小到到大排序，获得i个权重向量的T个最近的权重向量的上标集合：B(eq)＝{e1，...，eq...，eT}，由上标集合得到wi的T个最近的权重向量
其中，eq表示第i个权重向量的最近的第q个权重向量的上标，q＝1，2，...，T，其中wi 1表示第一目标函数f1(vi 1，vi 2)所占的百分比，wi 2表示第二目标函数f2(vi 1，vi 2)所占的百分比；
3d)随机产生一个表示目标函数的解集的始化种群v1，v2，...，vi...，vn，每个种群的形式是vi＝(vi 1，vi 2)，其中vi 1是第i个个体的第一维元素，vi 2是第i个个体的第二维元素；
3e)计算初始模糊隶属度矩阵u1，u2，...，ui...，un，其中每一个初始模糊隶属度矩阵的形式是ui kx表示初始模糊隶属度矩阵中第i个个体的第K行对应的第x个隶属度，x＝1，2，...，M，K＝1，2，
该ui kx的计算公式如下：其中
i＝1，2，...，n，m＝2，ukx满足约束
3f)计算第一目标函数f1(vi 1，vi 2)和第二目标函数f2(vi 1，vi 2)：
3g)根据第一目标函数f1(vi 1，vi 2)和第二目标函数f2(vi 1，vi 2)，计算权重和函数gws(vi|wi)：
gws(vi|wi)＝wi 1f1(vi 1，vi 2)+wi 2f2(vi 1，vi 2)；
3h)设置当前循环次数b＝1，总的循环次数t＝100；
3i)更新种群；
3j)判断更新的种群是否满足终止条件：
如果不满足终止条件，即b＜t，则b的值加1，返回步骤3h)；
如果满足终止条件，即b≥t，得到目标函数的解集v1，v2，...，vi...，vn，执行3j)；
3k)将目标函数的解集v1，v2，...，vi...，vn的vi分别代入公式：进而得到初始隶属度矩阵ui；
31)判断ui的第一行的每一个元素的大小：
若元素的值大于0.5，则二值图像Qk，K＝1，2，...，100的对应像素的值为255。
若元素的值小于0.5，则二值图像Qk的对应像素的值为0。
5.基于权利要求4所述的方法，其特征在于，步骤(3i)中更新种群，按如下步骤进行：
3i1)从上标集合B(eq)选择两个下标s和l，使用遗传算子从vs和vl得到新的个体y，y的形式为y＝(y1，y2)，其中y1是个体y的第一维元素，y2是个体y的第二维元素；
3i2)计算新的个体y的循环模糊隶属度矩阵：其中uy kx表示循环模糊隶属度矩阵中个体y的第K行对应的第x个隶属度，循环模糊隶属度矩阵uy的每个元素uy kx的计算公式如下：
3i3)计算循环第一目标函数F1(y1，y2)和循环第二目标函数F2(y1，y2)：
3i4)根据循环第一目标函数F1(y1，y2)和循环第二目标函数F2(y1，y2)，计算循环权重和函数Gws(y|wi)：
Gws(y|wi)＝wi 1F1(y1，y2)+wi 2F2(y1，y2)；
3i5)比较循环权重函数Gws(y|wi)和权重函数gws(vj|wi)的大小：
如果Gws(y|wi)≤gws(vj|wi)，j∈B(eq)，则将种群个体vj的值更新为y，并且将Gws(y|wi)的值赋值给gws(vj|wi)，反之，不进行任何操作。
6.基于权利要求1所述的方法，其特征在于，步骤(4)中的使用集成学习的方法得到最终的变化检测图像R，按如下步骤进行：
4a)从二值图像Qk中选取前99幅图像Tg，g＝1，2，...，99作为被集成的图像；
4b)统计这99幅图像Tg中统计在点(c，d)处像素灰度值为255的点的个数n1和灰度值为0的点的个数n2，其中c＝1，2，...，col，d＝1，2，...，row，col是图像Tg的行数，row是图像Tg的列数；
4c)假设过渡标签图像P在点(c，d)的像素的灰度值为p(c，d)，由n1和n2的大小关系得到过渡标签图像为P：
如果n1≥n2，则过渡标签图像P的在点(c，d)处的像素点的灰度值p(c，d)＝255；
如果n1＜n2，则过渡标签图像P的在点(c，d)处的像素点的灰度值p(c，d)＝0；
4d)分别比较二值图像Tg和过渡标签图像P的所有像素点的灰度值，得到灰度值相同的点的个数same，计算评价准则total是二值图像Tg像素点的总个数；
4e)对ARg按照从大到小的顺序进行排序，选取其中的最大的29个所对应的二值图像MapQa，a＝1，2，...，29；
4f)统计二值图像MapQa在点(c，d)处像素灰度值为255的点的个数m1和灰度值为0的点的个数m2；
4g)假设最终变化检测结果二值图像R在点(c，d)的像素的灰度值为r(c，d)，根据m1和m2的大小关系得到最终变化检测结果二值图像为R：
如果m1≥m2，则最终变化检测结果二值图像R在点(c，d)处的像素点的灰度值r(c，d)＝255；
如果m1＜m2，则最终变化检测结果二值图像R在点(c，d)处的像素点的r(c，d)＝0。
CN201710339778.9A 2017-05-15 2017-05-15 基于集成学习的多目标优化sar图像变化检测方法 Pending CN107220968A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710339778.9A CN107220968A (zh) 2017-05-15 2017-05-15 基于集成学习的多目标优化sar图像变化检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710339778.9A CN107220968A (zh) 2017-05-15 2017-05-15 基于集成学习的多目标优化sar图像变化检测方法

Publications (1)

Publication Number Publication Date
CN107220968A true CN107220968A (zh) 2017-09-29

Family

ID=59944845

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710339778.9A Pending CN107220968A (zh) 2017-05-15 2017-05-15 基于集成学习的多目标优化sar图像变化检测方法

Country Status (1)

Country Link
CN (1) CN107220968A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103700109A (zh) * 2013-12-24 2014-04-02 西安电子科技大学 基于多目标优化moea/d和模糊聚类的sar图像变化检测方法
CN104778717A (zh) * 2015-05-05 2015-07-15 西安电子科技大学 基于导向差异图的sar图像变化检测方法
CN106204607A (zh) * 2016-07-15 2016-12-07 西安电子科技大学 基于波动参数划分的sar图像变化检测方法
CN106203521A (zh) * 2016-07-15 2016-12-07 西安电子科技大学 基于差异图自步学习的sar图像变化检测方法
CN106296655A (zh) * 2016-07-27 2017-01-04 西安电子科技大学 基于自适应权值和高频阈值的sar图像变化检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103700109A (zh) * 2013-12-24 2014-04-02 西安电子科技大学 基于多目标优化moea/d和模糊聚类的sar图像变化检测方法
CN104778717A (zh) * 2015-05-05 2015-07-15 西安电子科技大学 基于导向差异图的sar图像变化检测方法
CN106204607A (zh) * 2016-07-15 2016-12-07 西安电子科技大学 基于波动参数划分的sar图像变化检测方法
CN106203521A (zh) * 2016-07-15 2016-12-07 西安电子科技大学 基于差异图自步学习的sar图像变化检测方法
CN106296655A (zh) * 2016-07-27 2017-01-04 西安电子科技大学 基于自适应权值和高频阈值的sar图像变化检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
姜琼芝: "基于多目标聚类和选择集成的SAR图像变化检测方法", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
王桥: "基于多目标模糊聚类的SAR图像变化检测", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Similar Documents

Publication Publication Date Title
CN110378844B (zh) 基于循环多尺度生成对抗网络的图像盲去运动模糊方法
CN108961198B (zh) 一种多风格生成对抗网络的水下图像合成方法及其应用
CN106204467B (zh) 一种基于级联残差神经网络的图像去噪方法
CN101847257B (zh) 基于非局部均值与多级定向图像的图像降噪方法
CN102708550B (zh) 一种基于自然图像统计特性的盲去模糊方法
CN104680510A (zh) Radar视差图优化方法、立体匹配视差图优化方法及系统
CN103369209A (zh) 视频降噪装置及方法
CN106570183B (zh) 一种彩色图像检索和分类方法
CN106709928A (zh) 一种快速的含噪图像二维最大类间方差阈值法
CN104217436B (zh) 基于多特征联合稀疏图的sar图像分割方法
CN104820991A (zh) 一种基于代价矩阵的多重软约束立体匹配方法
CN107392887B (zh) 一种基于同质像素点转化的异质遥感图像变化检测方法
CN109523575A (zh) 红外弱小目标检测方法
CN110825900A (zh) 特征重构层的训练方法、图像特征的重构方法及相关装置
CN106127729A (zh) 一种基于梯度的图像噪声水平估计方法
Huang et al. Image-guided non-local dense matching with three-steps optimization
CN104751185A (zh) 基于均值漂移遗传聚类的sar图像变化检测方法
CN104751172A (zh) 基于去噪自动编码的极化sar图像的分类方法
CN104680536B (zh) 利用改进的非局部均值算法对sar图像变化的检测方法
Liu et al. Sagan: Skip-attention gan for anomaly detection
CN112329764A (zh) 一种基于tv-l1模型的红外弱小目标检测方法
CN103955934A (zh) 一种结合图像显著性区域分割的图像模糊检测算法
CN104036461A (zh) 一种基于联合滤波的红外复杂背景抑制方法
CN113780389B (zh) 基于一致性约束的深度学习半监督密集匹配方法及系统
CN103093432A (zh) 基于极化分解和图像块相似性的极化sar图像降斑方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20170929