基于样本局部密度的在线聚类SAR图像变化检测方法技术

本发明专利技术公开了一种基于样本局部密度的在线聚类SAR图像变化检测方法。其方案为：1.对待检测图像进行中值滤波并求对数比差异图；2.归一化差异图，将其灰度值作为数据集；3.计算数据集中样本的局部密度，重新排序数据集并分块；4.对第一块数据进行聚类；5.更新当前聚类中心的权值；6.输入下一块数据，将其初始权值与当前聚类中心权值合并；7.将本块数据与当前聚类中心合并，并赋予步骤6得到的新权值；8.对步骤7得到的新数据进行聚类；9.重复进行步骤5‑8直至所有数据处理完毕，确定出样本类标；10.根据样本类标重构变化检测结果图。本发明专利技术降低了变化检测的错误率，提高了检测效果，可用于城市建设及森林的变化监测。

【技术实现步骤摘要】

本专利技术属于图像处理领域，涉及多时相SAR图像的变化检测方法，可用于灾情的评估和预测、城市的建设以及森林的变化监测。
技术介绍
合成孔径雷达SAR是一种高分辨率成像雷达，随着卫星遥感技术的发展，SAR数据成为一种重要的遥感数据。变化检测是从不同时期的遥感数据中分析和确定地表变化的特征与过程。如何准确快速地从不同时相的SAR图像中找出显著变化的区域则具有十分重要的意义。在SAR图像中寻找“非变化”和“变化”两分类的研究，较常用的路线是差异图分析方法，该方法先对两个时相的图像进行逐象素的比较，再对比较得出的差异图像作进一步的处理以达到两分类，最后得到变化检测图。差异图分类方法能够减少由于各种原因引起的伪变化信息，不需要数据的复杂预处理，方法简单直观。在基于差异图像分析的变化检测方法中，对差异图中变化和非变化区域的准确分类是最关键的一步，目前主要的研究方向是基于无监督分类的变化检测方法。无监督的分类方法通常又叫聚类方法，通过对差异图像进行聚类分割得到变化类与非变化类，SAR图像变化检测即转化为对差异图的聚类问题。模糊C均值聚类FCM是最流行的聚类算法之一，传统的FCM算法是一种基于图像灰度的聚类算法，在聚类过程中各个像素是相互独立的，并未考虑到图像中各个像素点的灰度特征与其它像素点的关系，对于不含噪声或噪声很低的图像，其分割效果较好。但一般情况下，图像在成像过程中不可避免的会受到不同噪声的干扰。
技术实现思路
本专利技术的目的在于针对上述已有技术模糊C均值聚类方法的不足，提出一种基于样本局部密度的在线聚类SAR图像变化检测方法，以减少变化检测错误率，提高检测效果。为实现上述目的，本专利技术的技术方案包括如下：(1)对输入的两时相待检测图像进行中值滤波处理，得到滤波后的两时相待检测图像I1和I2；(2)对滤波后的两时相待检测图像求对数比差异图像灰度值X3并归一化，将归一化后的差异图像灰度值X3′作为聚类数据集；(3)计算聚类数据集中所有样本的局部分布密度，根据样本的局部分布密度从大到小对聚类数据集重新排序并分块；(4)输入第一块数据，设置初始权值为1，用加权模糊C均值方法对其聚类；(5)更新当前聚类中心的权值；(6)输入下一块数据，设置初始权值为1，将该初始权值与当前聚类中心的权值合并，得到新的权值；(7)将新输入的数据与当前聚类中心合并，得到新的数据，再将步骤(6)中得到的新的权值赋给该新的数据；(8)用加权模糊C均值方法对步骤(7)得到的新数据进行聚类；(9)重复进行步骤(5)到(8)直至所有数据处理完毕，输出最终的聚类中心；(10)计算聚类数据集中所有样本到最终输出的聚类中心的隶属度，根据隶属度确定样本类标；(11)根据步骤(10)中得到的样本类标重构变化检测结果图。。本专利技术与现有技术相比具有如下优点：传统的模糊C均值算法在聚类过程中各个像素是相互独立的，并未考虑到图像中各个像素点的灰度特征与其它像素点的关系，导致变化检测的错误率较高。本专利技术在聚类过程中先计算像素点的局部密度，然后根据局部密度的大小对数据重新排序，排序后将数据分块再依次进行聚类，这种聚类方法由于密度越大的区域内样本点更接近真实的聚类中心，因此本专利技术与现有技术相比降低了变化检测的错误率，提高了检测效果。附图说明图1是本专利技术的检测流程图；图2是用本专利技术方法对Bern地区的变化检测结果示意图；图3是用本专利技术方法对Ottawa地区的变化检测结果示意图。具体实施方式参考图1，本专利技术的变化检测过程如下：步骤1，输入两时相待检测图像并进行平滑处理。输入两时相待检测图像，选取窗口大小为3×3的中值滤波器对输入的两时相待检测图像进行中值滤波，去掉小的噪声干扰，得到滤波后的两时相待检测图像I1和I2。步骤2，对滤波后的两时相待检测图像求对数比差异图像灰度值X3并归一化，将归一化后的差异图像灰度值X3′作为聚类数据集。(2a)求对数比差异图像的像素点灰度值X3：X3＝|log(X2+1)-log(X1+1)|其中X1、X2分别表示滤波后的两时相待检测图像I1和I2的像素点灰度值；(2b)对差异图像的像素点灰度值X3进行归一化处理，得到归一化后的图像灰度值X3′：X3′＝255*(X3-Xmin)/(Xmax-Xmin)其中Xmax＝max(X3),Xmin＝min(X3)；(2c)将归一化处理后得到的图像灰度值作为聚类数据集。步骤3，计算聚类数据集中所有样本的局部分布密度，根据样本的局部分布密度从大到小对聚类数据集重新排序并分块。(3a)计算第i个样本点xi与第j个样本点xj之间的欧氏距离：dij＝||xi-xj||,1≤i≤n,1≤j≤n(3b)计算第i个样本点xi的局部分布密度值： z i = Σ j = 1 , j ≠ i n 1 d i j , d i j ≤ e ]]>其中，e为局部分布密度的范围限定值，通过实验选取；(3c)根据计算得到的局部分布密度值从大到小将数据集重新排序并分成S块，S的具体取值根据实验数据而定，取值范围为10≤S≤50，每块数据的样本点个数为ns。步骤4，输入第一块数据，设置初始权值为1，用加权模糊C均值方法对第一块数据进行聚类。(4a)初始化两个聚类中心，即分别选取所有样本中灰度值最小和最大的两个样本点作为两个初始聚类中心；(4b)选择模糊C均值算法的目标函数： J m ( U , V ) = Σ i = 1 2 Σ j = 1 n s u i j m d i j 2 ]]>其中，U为隶属度矩阵，uij表示第j个样本点隶属于第i类的隶属度，满足uij∈[0,1]且某个样本点属于各模糊子集的隶属度之和为1，V为聚类中心，dij＝||xj-vi||表示第j个样本点到第i个聚类中心的欧氏距离，m为模糊度，取值范围为1.5≤m≤2.5；(4c)计算第一块数据中各个样本点的隶属度uij： u i j = &ls本文档来自技高网...

【技术保护点】
一种基于样本局部密度的在线聚类SAR图像变化检测方法，包括：(1)对输入的两时相待检测图像进行中值滤波处理，得到滤波后的两时相待检测图像I1和I2；(2)对滤波后的两时相待检测图像求对数比差异图像灰度值X3并归一化，将归一化后的差异图像灰度值X3′作为聚类数据集；(3)计算聚类数据集中所有样本的局部分布密度，根据样本的局部分布密度从大到小对聚类数据集重新排序并分块；(4)输入第一块数据，设置初始权值为1，用加权模糊C均值方法对其聚类；(5)更新当前聚类中心的权值；(6)输入下一块数据，设置初始权值为1，将该初始权值与当前聚类中心的权值合并，得到新的权值；(7)将新输入的数据与当前聚类中心合并，得到新的数据，再将步骤(6)中得到的新的权值赋给该新的数据；(8)用加权模糊C均值方法对步骤(7)得到的新数据进行聚类；(9)重复进行步骤(5)到(8)直至所有数据处理完毕，输出最终的聚类中心；(10)计算聚类数据集中所有样本到最终输出的聚类中心的隶属度，根据隶属度确定样本类标；(11)根据步骤(10)中得到的样本类标重构变化检测结果图。

【技术特征摘要】
1.一种基于样本局部密度的在线聚类SAR图像变化检测方法，包括：(1)对输入的两时相待检测图像进行中值滤波处理，得到滤波后的两时相待检测图像I1和I2；(2)对滤波后的两时相待检测图像求对数比差异图像灰度值X3并归一化，将归一化后的差异图像灰度值X3′作为聚类数据集；(3)计算聚类数据集中所有样本的局部分布密度，根据样本的局部分布密度从大到小对聚类数据集重新排序并分块；(4)输入第一块数据，设置初始权值为1，用加权模糊C均值方法对其聚类；(5)更新当前聚类中心的权值；(6)输入下一块数据，设置初始权值为1，将该初始权值与当前聚类中心的权值合并，得到新的权值；(7)将新输入的数据与当前聚类中心合并，得到新的数据，再将步骤(6)中得到的新的权值赋给该新的数据；(8)用加权模糊C均值方法对步骤(7)得到的新数据进行聚类；(9)重复进行步骤(5)到(8)直至所有数据处理完毕，输出最终的聚类中心；(10)计算聚类数据集中所有样本到最终输出的聚类中心的隶属度，根据隶属度确定样本类标；(11)根据步骤(10)中得到的样本类标重构变化检测结果图。2.根据权利要求1所述的方法，其中步骤(3)中计算样本的局部分布密度，按照如下步骤进行：(3a)计算第i个样本点xi与第j个样本点xj之间的欧氏距离：dij＝||xi-xj||,1≤i≤n,1≤j≤n(3b)计算第i个样本点xi的局部分布密度： z i = Σ j = 1 , j ≠ i n 1 d i j , d i j ≤ e ]]>其中，e为局部分布密度的范围限定值，通过实验选取。3.根据权利要求1所述的方法，其中步骤(4)中用加权模糊C均值方法对输入的第一块数据进行聚类，按照如下步骤进行：(4a)初始化两个聚类中心，分别选取所有样本中灰度值最小和最大的两个样本点作为两个初始聚类中心；(4b)选择模糊C均值算法的目标函数： J m ( U , V ) = Σ i = 1 2 Σ j = 1 n s u i j m d i j 2 ]]>其中，U为隶属度矩阵，uij表示第j个样本点隶属于第i类的隶属度，满足uij∈[0,1]且某个样本点属于各模糊子集的隶属度之和为1；V为聚类中心；dij＝||xj-vi||表示第j个样本点到第i个聚类中心的欧氏距离；m为模糊度，取值范围为1.5≤m≤2.5；(4c)计算第一块数据中各个样本点的隶属度uij： u i j = [ Σ k = 1 2 ( ...

【专利技术属性】
技术研发人员：李阳阳，冉坤，焦李成，刘芳，尚荣华，马文萍，马晶晶，刘若辰，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61