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 PDFInfo
- 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
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
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。
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)
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 |
-
2017
- 2017-05-15 CN CN201710339778.9A patent/CN107220968A/zh active Pending
Patent Citations (5)
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)
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 |