本发明专利技术公开一种基于非局部均值的SAR图像变化检测模糊聚类分析方法。实现过程主要包括：输入一幅由两幅不同时间相同地域的SAR图像的差异图；按全局快速模糊C均值聚类(FGFCM)算法中的相似性度量指标修正差异图像素值，得到局部空间信息像素值矩阵；对差异图作非局部均值处理生成非局部滤波的像素值矩阵；对上述两个矩阵加权求和生成完整的像素值矩阵；运用FGFCM算法对其进行聚类，生成变化检测二值结果图，整体完成对两幅SAR图像的变化检测。本发明专利技术兼顾了图像局部空间信息和非局部均值信息，并将其有机结合，使图像分析的聚类过程中既有效克服噪声影响并保留图像细节，得到更为精确的差异图分析结果。
【技术实现步骤摘要】
本专利技术属于SAR图像变化检测
，涉及SAR图像变化检测中的差异图分析技术。具体地说是提出了一种基于非局部均值的SAR图像变化检测模糊聚类分析方法，用来进行SAR图像变化检测中对差异图的分类分析，克服原有方法变化区域检测错误率较高的问题，提高SAR图像变化检测中的检测精度及速度。
技术介绍
随着合成孔径雷达(synthetic aperture radar, SAR)技术的快速发展,SAR系统 可以全天候、全天时获取图像数据，是较好的变化检测图像源。SAR图像变化检测是通过对同一地区的不同时期的两幅SAR图像进行比较分析，根据图像之间的差异得到所需的地物变化信息。SAR图像变化检测技术在森林覆盖变化、土地利用与覆盖、城市环境变化等领域具有广泛的应用前景。SAR图像变化检测可以分为三个阶段首先，对获得的SAR图像进行预处理，包括图像配准和辐射校正；然后，对校正过的图像进行比较，生成包含变化信息的差异图像 ’最后，通过分析差异图，得到最终的变化检测结果图像(即用二值图像代表变化和未变化两类)。差异图分析技术是SAR图像变化检测中的关键技术之一。常见的差异图分析理论可以分为两类，阈值理论和聚类理论。在SAR图像变化检测中，许多不同的阈值分割方法被应用于差异图分析。KI阈值分割方法是Kittler和Illingworth提出的经典的最小误差阈值方法，该方法假设变化区域与非变化区域的直方图统计分布符合高斯分布，通过最小化惩罚函数来自动确定阈值。但该方法中基于高斯模型的假设并不准确，实际SAR图像数据分布并不符合高斯分布，所以其检测错误率仍较高。意大利G. Moser, S. B. Serpico等人在最小误差阈值基础上提出了一种广义最小误差阈值方法，该方法以三种概率分布模型Nakagami分布、Log-Normal分布和Weibull分布为基础扩展了最小误差阈值方法。该阈值方法由于使用了更加适合SAR图像数据分布的模型，所以呈现了较好的检测结果。但是，这三种模型仍不能完全拟合差异图直方图，所以其检测错误率仍然较高。阈值理论方法简单，时间迅速但需要估计差异图变化类和未变化类的统计模型，这样大大限制了它的应用范围。聚类理论可以克服阈值理论的限制性，无需对变化类和未变化类的分布模型进行估计，可以提高分类精度，进而大大改善变化检测的正确率。聚类理论是指将物理或抽象对象的集合分组成由类似的对象组成的多个类的过程。由聚类所生成的簇是一组数据对象的集合，这些对象与同一簇中的对象彼此相似，与其它簇中的对象相异。其中K均值聚类算法和模糊C均值聚类算法是理论发展最成熟和最为常用的聚类算法。K均值算法是典型的硬聚类算法，其主要缺陷是依赖初始聚类中心的选择，一旦初始值选的不好，可能无法得到有效地聚类结果。另外，该算法需要不断地进行样本分类调整，不断地计算调整后新的聚类中心，因此，K均值聚类算法的时间开销是非常大的。由于硬聚类把每个待识别的对象严格的划分到某类中，具有非此即彼的性质，而模糊聚类能够描述样本类属的中介性，能够客观地反映现实世界，模糊聚类已逐渐成为聚类分析的主流。在众多模糊聚类算法中，模糊C均值聚类(FCM)算法应用最为广泛，发展最为成熟，并有一系列基于模糊C均值聚类算法的改进算法，克服了原始FCM处理图像不考虑图像空间信息及容易陷入局部最优的缺陷，对原始FCM作出了改进。全局快速模糊C均值聚类(FGFCM)算法在原始FCM中引入空间相似性度量指标，既考虑了邻域的灰度值信息，也考虑了邻域的空间信息，能综合图像中的空间信息得到更为精确的聚类结果，且聚类过程在灰度统计直方图上进行，图像的灰度值往往远小于图像大小，这样，在时间复杂度上FGFCM比原始FCM更有优势。综上，现有技术中包括现有的差异图分析方法对差异图的质量依赖性高，且对差异图中噪声敏感，现有的常用差异图分析方法 检测错误率较高，以致SAR图像变化检测系统精度不高。
技术实现思路
本专利技术的目的在于运用改进模糊C均值聚类将SAR图像变化检测中的差异信息图分为变化/未变化两类，克服现有差异图分析方法对差异图中的噪声敏感，检测错误率较高的缺陷。SAR图像变化检测可以分为三个阶段，预处理阶段，比较产生差异图阶段和差异图分析阶段，对实现变化检测而言，这三个阶段是不可或缺但又相对独立的部分，差异图分析作为SAR图像变化检测的终极阶段，其任务是分析由上一阶段生成的差异图像，即把上一阶段生成的差异信息图作为图像源，进行分类分析处理，得到能显示变化/未变化区域的二值图像，完成SAR图像变化检测，本专利技术正是处于SAR图像变化检测的终极阶段。本专利技术的技术方案是首先输入由两幅不同时间相同地域的SAR图像构造的差异图，然后按全局快速模糊C均值聚类(FGFCM)算法中的相似性度量指标修正像素值，得到考虑到局部空间信息的像素值矩阵，接着对差异图进行非局部均值滤波处理，得到非局部滤波后的像素值矩阵，再将局部空间信息矩阵与非局部信息矩阵加权求和，生成完整的像素值矩阵，最后运用FGFCM算法对其进行聚类，再通过FGFCM聚类结果生成变化检测结果图，完成对两幅SAR图像中变化区域的最终检测，本专利技术其具体实现步骤如下步骤I通过星载合成孔径雷达获取两幅不同时间相同地域的SAR图像，将两幅不同时间相同地域的图像，输入到安装有矩阵实验室和Visual C++6.0软件的计算机中，使SAR图像中每个像素点由其像素灰度值，即像素值表示；利用相关软件处理经过滤波去噪，辐射校正与几何配准的预处理SAR图像X1,图像X2构造的差异图像X，X"i1~m^1,x')]><255，使得在差异图像上低灰度级呈现为无变化区域，高灰度级呈现为变化区域；步骤2通过Matlab或C++编程，或Matlab和C++混合编程实现对差异图X中每个像素点Xi按相似性度量方法进行处理，得到局部空间信息像素矩阵，差异图X中每个像 Σ SijXj素点按公式Y计算，其中Sij表示以像素点i为中心的邻域内第j个像素值和中心 卢 N,像素的相似度，Xj为邻域内第j个像素点的像素值，Xi i为修正后新的像素矩阵中第i个像素点的像素值；步骤3对差异图X中每个像素点Xi作非局部均值处理，得到非局部滤波后像素矩阵，非局部滤波后像素矩阵中每个像素点通过公式权利要求1.一种基于非局部均值的SAR图像变化检测模糊聚类分析方法，其特征在于基于非局部均值的SAR图像变化检测模糊聚类分析具体实现步骤包括有 步骤I通过星载合成孔径雷达获取两幅不同时间相同地域的SAR图像，将两幅不同时间相同地域的图像，输入到安装有矩阵实验室和Visual C++6. O软件的计算机中，使SAR图像中每个像素点由其像素灰度值即像素值表示；利用相关软件处理经过滤波去噪，辐射校正与几何配准的预处理SAR图像X1,图像X2构造的差异图像x’xj1-= : }255，使得在差异图像上低灰度级呈现为无变化区域，高灰度级呈现为变化区域； 步骤2通过Matlab或C++编程，或Matlab和C ++混合编程实现对差异图X中每个像素点Xi按相似性度量方法进行处理，得到局部空间信息像素矩阵，差异图X中每个像素点YSvXj按公式「计算，其中Sij表示以像素点i为中心的邻域内第j个像素值本文档来自技高网...
【技术保护点】
一种基于非局部均值的SAR图像变化检测模糊聚类分析方法，其特征在于：基于非局部均值的SAR图像变化检测模糊聚类分析具体实现步骤包括有：步骤1通过星载合成孔径雷达获取两幅不同时间相同地域的SAR图像，将两幅不同时间相同地域的图像，输入到安装有矩阵实验室和Visual？C++6.0软件的计算机中，使SAR图像中每个像素点由其像素灰度值即像素值表示；利用相关软件处理经过滤波去噪，辐射校正与几何配准的预处理SAR图像X1，图像X2构造的差异图像X，使得在差异图像上低灰度级呈现为无变化区域，高灰度级呈现为变化区域；步骤2通过Matlab或C++编程，或Matlab和C？++混合编程实现对差异图X中每个像素点xi按相似性度量方法进行处理，得到局部空间信息像素矩阵，差异图X中每个像素点按公式计算，其中Sij表示以像素点i为中心的邻域内第j个像素值和中心像素的相似度，xj为邻域内第j个像素点的像素值，x′i为修正后新的像素矩阵中第i个像素点的像素值；步骤3对差异图X中每个像素点xi作非局部均值处理，得到非局部滤波后像素矩阵，非局部滤波后像素矩阵中每个像素点通过公式求得，其中是指以像素点i为中心的半径为r的搜索窗口，xp是像素点p的像素值，是像素点i和在搜索窗口内像素点p的相似度权重，且满足0≤wip≤1和为非局部滤波后的像素矩阵中第i个像素点的像素值；步骤4对差异图X中每个像素点计算给予权重λi，其中Ai，k，Ap，k分别代表以像素点i和像素点p为中心的第k个像素点的像素值，Ut代表在搜索窗口内相似度指数U(xi，xp)由大到小排列的 第t个，m表示要取相似度指数U(xi，xp)的个数；步骤5对步骤2生成的局部空间信息像素矩阵和步骤3非局部均值滤波后的像素矩阵进行加权求和，得到新的完整像素值矩阵η，其中ηi为像素值矩阵η中第i个像素点的像素值；步骤6设置FGFCM算法中聚类个数c，模糊指数m，终止条件ε，最大迭代次数T，搜索窗口半径r，邻域窗口半径s；步骤7对差异图完整像素值矩阵η按设定聚类个数随机初始化隶属度矩阵μki，μki表示第i个像素点属于第k类的隶属度，满足和0≤μki≤1，令迭代计数b＝1；步骤8更新差异图完整像素值矩阵η聚类中心其中，vk代表第k类的聚类中心，M表示差异图中的像素值统计个数，γi表示像素值为i的像素点个数，且满足Σi=1Mγi=N;步骤9更新差异图完整像素值矩阵η模糊隶属度矩阵其中vk代表第k类的聚类中心，m为模糊指数，c为聚类个数；步骤10根据FGFCM聚类算法目标函数定义，计算目标函数当重复步骤8和步骤9，直到成立，聚类结束；步骤11根据聚类结果，命聚类后完整像素值矩阵η中像素值较大的类输出像素值为255，完整像素值矩阵η中像素值较小的类输出像素值为0，得到变化检测二值结果图，差异信息图分为变化/未变化两类，二值结果图表明实现了SAR图像变化检测的分类。FSA00000778808900011.tif,FSA00000778808900012.tif,FSA00000778808900013.tif,FSA00000778808900014.tif,FSA00000778808900015.tif,FSA00000778808900016.tif,FSA00000778808900017.tif,FSA00000778808900018.tif,FSA00000778808900019.tif,FSA00000778808900021.tif,FSA00000778808900022.tif,FSA00000778808900023.tif,FSA00000778808900025.tif,FSA00000778808900026.tif,FSA00000778808900027.tif,FSA00000778808900028.tif...
【技术特征摘要】
【专利技术属性】
技术研发人员：公茂果，焦李成，陈默，马晶晶，贾萌，李瑜，翟路，王爽，王桂婷，马文萍，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。