CN110188830A - 基于多核图割的sar图像变化检测方法 - Google Patents

Abstract

本发明公开了一种基于多核图割的SAR图像变化检测方法，主要解决现有比值核方法不能自适应融合多种特征而导致检测精度低下的问题。其实现步骤是：(1)依据两时相SAR图像计算差值图像和比值图像；(2)针对差值图像和比值图像，分别构造差值核函数和比值核函数；(3)将差值核函数和比值核函数进行自适应加权融合构造融合核函数；(4)利用融合核函数构造多核图割算法能量函数；(5)基于能量函数，迭代更新区域标签、区域参数和融合核权重，至区域标签收敛，利用收敛的区域标签最为最终变化检测结果。本发明与比值核方法相比，具有检测精度高，变化区域边界保持好，抗噪声能力强的优点，可用于SAR图像变化检测。

Description

基于多核图割的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，涉及图像变化检测，可用于对SAR图像进行地物形态变化检测与评估。

背景技术

变化检测用于识别在同一场景、不同时刻拍摄的多幅图像间的变化信息，是图像解译的一个重要分支。变化检测在环境监测，灾害监测，指导城市建设规划等领域得到了广泛的关注和应用。SAR图像是重要的变化检测数据源，然而，SAR图像变化检测结果的精度受制于SAR图像特征提取及融合技术，以及SAR图像中存在的相干斑点噪声。充分挖掘并利用图像的多种特征提升变化检测结果的精度以及检测结果的抗噪声性能是SAR图像变化检测技术要解决的重要科学问题。

SAR图像变化检测方法通常对差异图像进行二值分类得到变化检测结果。差值图像和比值图像是最常用的两种差异图生成方法。核方法是一种有效的处理非线性二值分类的方法，在SAR图像变化检测领域已得到了初步的研究和应用。学者Gustavo Camps-Valls在2008年提出了基于比值核函数和支持向量机的SAR图像变化检测方法，该方法在高维核空间中通过比值运算有效描述了两时相图像间的变化信息，但该方法仅考虑了单一的图像特征，没有考虑图像多种特征间的自适应融合。多核学习通过在核空间中自适应融合多种特征，进一步提高核方法的性能。如学者Lu Jia在2016年提出了一种具有局部邻域信息的多核k均值聚类方法，该方法利用比值图像的灰度特征、纹理特征和空间特征构造融合核函数，并将融合核函数融入k均值聚类算法目标函数中，实现了区域标签和融合核权重的自适应更新。但是该方法检测精度仍然受限于k均值聚类方法的性能。核图割是一种高效的图像分类方法，在核空间中构造图割能量函数，避免了图像的复杂建模，可以产生较高的分类精度。但是目前核图割方法在SAR图像变化检测领域中尚未得到应用。此外，多核学习思想尚未与核图割方法进行融合，因此，结合多核学习和核图割方法，实现图像多种特征的有效自适应融合，是提高SAR图像变化检测精度的重要手段。

发明内容

本发明的目的在于针对上述已有问题的缺点，提出一种基于多核图割的SAR图像变化检测方法。以解决现有比值核方法不能自适应融合多种图像特征而导致的检测精度低下的问题。

为实现上述目的，本发明的实现步骤包括如下：

A1)对原始两幅SAR图像和计算差值图像DI_S和比值图像DI_R；

A2)利用差值图像DI_S和比值图像DI_R，计算差值核函数K_S和比值核函数K_R；

A3)利用差值核函数K_S和比值核函数K_R，以及初始化的核权重ω₁＝0.5，ω₂＝0.5，构造融合核函数K；

A4)利用融合核函数K，构造多核图割算法能量函数F_MKGC；

A5)迭代更新多核图割算法能量函数F_MKGC至其收敛，得到变化检测结果，具体步骤包括：

A51)对差值图像DI_S和比值图像DI_R，利用k均值聚类算法，初始化区域参数μ_l和区域标签l；

A52)利用差值核函数K_S和比值核函数K_R，以及区域参数μ_l和区域标签l，更新融合核权重ω₁，ω₂；

A53)利用融合核权重ω₁，ω₂，差值核函数K_S和比值核函数K_R，以及区域标签l，更新区域参数μ_l；

A54)利用区域参数μ_l和核权值ω₁，ω₂，以及差值核函数K_S和比值核函数K_R，通过图切割优化更新区域标签l；

A55)重复步骤A52)，步骤A53)，步骤A54)，至区域标签l收敛，将收敛的区域标签输出作为最终的变化检测结果进行输出。

本发明具有如下优点：

(1)本发明由于将多核学习思想融入核图割方法，可以实现差值图像与比值图像间互补信息的有效自适应融合，因此本发明可以显著提高SAR图像变化检测结果的精度。

(2)本发明由于设计了多核图割能量函数，可以自动且最佳的估计融合核权重、区域参数和区域标签，因此本发明可以获得快速、稳定、无监督的变化检测结果。

仿真结果表明，本发明与现有的比值核方法相比，具有更高的检测精度、更好的边界描述能力和更强的抗斑点噪声能力。

附图说明

图1是本发明的实现流程图；

图2是本发明应用于两时相安徽省淮河流域区域A高分-3SAR图像的变化检测结果图；

图3是本发明应用于两时相安徽省淮河流域区域B高分-3SAR图像的变化检测结果图；

图4是本发明应用于两时相安徽省淮河流域区域C高分-3SAR图像的变化检测结果图；

具体实施方式

参照图1，本发明的具体实施包括如下步骤：

步骤1.构造差值图像和比值图像。

对原始两幅SAR图像和计算差值图像DI_S和比值图像DI_R：

其中，eps是一个极小值，用于避免分母为0。

步骤2.构造差值核函数和比值核函数。

对差值图像DI_S和比值图像DI_R，计算差值核函数K_S和比值核函数K_R：

其中，x_p,x_q分别为差值图像或者比值图像中的第p个和第q个像素点，σ为待调整的核宽参数。

步骤3.构造融合核函数。

对差值核函数K_S和比值核函数K_R，构造融合核函数K：

K＝ω₁·K_S+ω₂·K_R

其中，ω₁，ω₂为融合核权重，其初始化值为ω₁＝0.5，ω₂＝0.5。

步骤4.构造多核图割能量函数。

利用融合核函数K构造多核图割算法的能量函数F_MKGC，其构造方法如下：

其中α是一个介于[0，1]之间的参数，R为平滑项参数。x_p为第p个像素点，L为区域个数，l为像素点所对应的区域标签，为μ_l第l个区域的区域参数。

步骤5.迭代更新多核图割算法能量函数F_MKGC至其收敛，得到变化检测结果。

5.1)初始化区域参数和区域标签。

对差值图像DI_S和比值图像DI_R，利用k均值聚类算法对0.5×DI_S+0.5×DI_R进行二值化聚类，得到聚类中心和聚类标签，作为初始化的区域参数μ_l和区域标签l；

5.2)更新融合核权重。

利用差值核函数K_S和比值核函数K_R，以及区域参数μ_l和区域标签l，更新融合核权重ω₁，ω₂：

ω₁＝(1/β₁)/(1/β₁+1/β₂)，ω₂＝(1/β₂)/(1/β₁+1/β₂)，

其中

x_p为第p个像素点，L为区域个数。

5.3)更新区域参数。

利用融合核权重ω₁，ω₂，差值核函数K_S和比值核函数K_R，以及区域标签l，对下式求梯度下降实现更新区域参数μ_l:

5.4)更新区域标签。

根据区域参数μ_l和核权值ω₁，ω₂，利用图切割优化算法更新区域标签l。

5.5)重复步骤5.2)，步骤5.3)，步骤5.4)，至区域标签l收敛，迭代更新过程停止，将收敛的区域标签作为最终的变化检测结果进行输出。

本发明效果可以通过以下实验进一步证实：

1)实验条件

实验仿真环境为：MATLAB R2009b，Intel(R)i7CPU 2.7GHz，Window 10旗舰版。

2)实验内容

实验1、分别应用比值核方法和本发明对安徽省淮河流域两时相高分-3SAR图像区域A进行变化检测，该实验结果如图2所示。其中图2(a)是实测淮河流域区域A的第一时刻高分-3SAR图像，图2(b)是实测淮河流域区域A的第二时刻高分-3SAR图像，图2(c)是变化检测结果参考图，图2(d)是比值核的变化检测结果，图2(e)是本发明的变化检测结果。

实验2、分别应用比值核方法和本发明对安徽省淮河流域两时相高分-3SAR图像区域B进行变化检测，该实验结果如图3所示。其中图3(a)是实测淮河流域区域B的第一时刻高分-3SAR图像，图3(b)是实测淮河流域区域B的第二时刻高分-3SAR图像，图3(c)是变化检测结果参考图，图3(d)是比值核的变化检测结果，图3(e)是本发明的变化检测结果。

实验3、分别应用比值核方法和本发明对安徽省淮河流域两时相高分-3SAR图像区域C进行变化检测，该实验结果如图4所示。其中图4(a)是实测淮河流域区域C的第一时刻高分-3SAR图像，图4(b)是实测淮河流域区域C的第二时刻高分-3SAR图像，图4(c)是变化检测结果参考图，图4(d)是比值核的变化检测结果，图4(e)是本发明的变化检测结果。

3)实验结果

为验证变化检测结果质量，本发明选取总体精度、kappa系数作为性能指标参数，评价本发明检测精度，该实验结果如表1所示。

表1本发明方法与比值核方法变化检测结果精度比较

4)实验结果分析

从图2、图3、图4和表1可以看到，本发明在检测精度、边界保持和抗噪性能上均优于比值核方法。这是由于本发明结合了两种差异图像的优点，能更好地描述变化区域的细节信息，以及具有更好的抗干扰和抗噪声能力，因此本发明方法的变化检测精度明显高于比值核方法。

Claims (6)

1.一种基于多核图割的SAR图像变化检测方法，其特征在于，包括：

A1)对原始两幅SAR图像和计算差值图像DI_S和比值图像DI_R；

A2)利用差值图像DI_S和比值图像DI_R，计算差值核函数K_S和比值核函数K_R；

A3)利用差值核函数K_S和比值核函数K_R，以及初始化的核权重ω₁＝0.5，ω₂＝0.5，构造融合核函数K；

A4)利用融合核函数K，构造多核图割算法能量函数F_MKGC；

A5)迭代更新多核图割算法能量函数F_MKGC至收敛，得到变化检测结果，具体步骤包括：

A51)对差值图像DI_S和比值图像DI_R，利用k均值聚类算法，初始化区域参数μ_l和区域标签l；

A52)利用差值核函数K_S和比值核函数K_R，以及区域参数μ_l和区域标签l，更新融合核权重ω₁，ω₂；

A53)利用融合核权重ω₁，ω₂，差值核函数K_S，比值核函数K_R，以及区域标签l，更新区域参数μ_l；

A54)利用区域参数μ_l和融合核权重ω₁，ω₂，以及差值核函数K_S和比值核函数K_R，通过图切割优化方法更新区域标签l；

A55)重复步骤A52)，步骤A53)，步骤A54)，至区域标签l收敛，将收敛的区域标签作为最终的变化检测结果进行输出。

2.根据权利要求1所述方法，其特征在于，其中步骤A1)中所述的计算差值图像DI_S和比值图像DI_R，按如下公式进行：

其中，eps是一个极小值，用于避免分母为0。

3.根据权利要求1所述方法，其特征在于，其中步骤A2)所述的计算差值核函数K_S和比值核函数K_R，按如下公式进行：

K_S(x_p,x_q)＝exp(-||x_p-x_q||²/2σ²),

K_R(x_p,x_q)＝exp(-||x_p-x_q||²/2σ²),

其中，x_p,x_q分别为差值图像或者比值图像中的第p个和第q个像素点，σ为待调整的核宽参数。

4.根据权利要求1所述方法，其特征在于，其中步骤A3)所述的构造融合核函数K，按如下公式进行：

K＝ω₁·K_S+ω₂·K_R

其中，ω₁，ω₂为融合核权重，其初始化值为ω₁＝0.5，ω₂＝0.5。

5.根据权利要求1所述方法，其特征在于，其中步骤A4)所述的构造多核图割算法能量函数F_MKGC，按如下公式进行：

其中α是一个介于[0，1]之间的参数，R为平滑项参数，x_p为第p个像素点，L为区域个数，l为像素点所对应的区域标签，为μ_l第l个区域的区域参数。

6.根据权利要求1所述方法，其特征在于，其中步骤A5)所述的迭代更新多核图割算法能量函数F_MKGC至收敛，得到最终变化检测结果，按如下步骤进行：

A51)对差值图像DI_S和比值图像DI_R，利用k均值聚类算法对0.5×DI_S+0.5×DI_R进行二值化聚类，得到聚类中心和聚类标签，作为初始化的区域参数μ_l和区域标签l；

A52)利用差值核函数K_S和比值核函数K_R，以及区域参数μ_l和区域标签l，更新融合核权重ω₁，ω₂：

ω₁＝(1/β₁)/(1/β₁+1/β₂)，ω₂＝(1/β₂)/(1/β₁+1/β₂)，

其中

x_p为第p个像素点，L为区域个数；

A53)利用融合核权重ω₁，ω₂，差值核函数K_S和比值核函数K_R，以及区域标签l，对下式求梯度下降实现更新区域参数μ_l:

A54)根据区域参数μ_l和核权值ω₁，ω₂，利用图切割优化算法更新区域标签l；

A55)重复步骤A52)，步骤A53)，步骤A54)，至区域标签l收敛，将收敛的区域标签作为最终的变化检测结果进行输出。