基于鄰域聚類(lèi)核的sar圖像變化檢測(cè)方法
【專(zhuān)利摘要】本發(fā)明公開(kāi)了一種基于鄰域聚類(lèi)核的SAR圖像變化檢測(cè)方法，主要解決現(xiàn)有差值合成核不能利用無(wú)標(biāo)簽樣本信息而導(dǎo)致檢測(cè)精度低下的問(wèn)題。其實(shí)現(xiàn)步驟是：(1)提取兩時(shí)像圖像的強(qiáng)度特征和紋理特征；(2)手動(dòng)選取標(biāo)簽訓(xùn)練樣本和無(wú)標(biāo)簽訓(xùn)練樣本；(3)利用標(biāo)簽訓(xùn)練樣本構(gòu)造差值合成核；(4)利用無(wú)標(biāo)簽訓(xùn)練樣本信息修正上述差值合成核，得到鄰域聚類(lèi)核；(5)將鄰域聚類(lèi)核輸入支撐矢量機(jī)中進(jìn)行訓(xùn)練，得到支撐矢量分類(lèi)器；(6)將標(biāo)簽訓(xùn)練樣本和所有像素點(diǎn)構(gòu)成的鄰域聚類(lèi)核輸入到支撐矢量分類(lèi)器中測(cè)試，得到最終變化檢測(cè)結(jié)果。本發(fā)明與差值合成核方法相比，具有檢測(cè)精度高，對(duì)SAR圖像抗斑點(diǎn)噪聲性能好的優(yōu)點(diǎn)，可用于SAR圖像變化檢測(cè)。
【專(zhuān)利說(shuō)明】基于鄰域聚類(lèi)核的SAR圖像變化檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于圖像處理【技術(shù)領(lǐng)域】，涉及圖像變化檢測(cè)，可用于對(duì)SAR圖像進(jìn)行地物狀態(tài)變化監(jiān)測(cè)與評(píng)估。
【背景技術(shù)】
[0002]SAR圖像變化檢測(cè)是一種利用不同時(shí)期的SAR圖像獲取地物變化信息的技術(shù)，它是針對(duì)SAR圖像的特點(diǎn)而建立的數(shù)據(jù)分析方法，可用于識(shí)別地物狀態(tài)的變化。由于SAR圖像變化檢測(cè)在自然災(zāi)情監(jiān)測(cè)與評(píng)估、資源和環(huán)境監(jiān)測(cè)、軍事目標(biāo)探測(cè)和農(nóng)作物監(jiān)測(cè)等領(lǐng)域的需求越來(lái)越多，因此具有高檢測(cè)精度和高執(zhí)行效率的SAR圖像變化檢測(cè)方法己經(jīng)成為目iu的研究熱點(diǎn)。
[0003]SAR圖像變化檢測(cè)方法一般可分為:基于直接比較法的變化檢測(cè)方法，如圖像差值法，圖像比值法；基于間接比較法的變化檢測(cè)方法，如基于特征提取的方法和分類(lèi)后檢測(cè)方法；基于多元變量分析的變化檢測(cè)方法，如主成分分析法和獨(dú)立成分分析法。比較流行的SAR圖像變化檢測(cè)方法有:基于多尺度分 析的變化檢測(cè)方法，如學(xué)者Ka1-Kuang Ma提出的基于雙樹(shù)-復(fù)小波變換DT-CWT的變化檢測(cè)方法，它利用DT-CWT對(duì)對(duì)數(shù)比值圖進(jìn)行多尺度分解，但它沒(méi)有考慮圖像的紋理信息，閾值的選取也是一個(gè)棘手的問(wèn)題；基于統(tǒng)計(jì)模型的變化檢測(cè)方法，如學(xué)者L.Bruzzone提出的基于廣義高斯GGD模型和改進(jìn)KI門(mén)限的變化檢測(cè)方法，該方法取得了較好的檢測(cè)結(jié)果但它沒(méi)有考慮圖像空間信息，且模型參數(shù)的選擇也是一個(gè)難點(diǎn)；基于空間信息的變化檢測(cè)方法，如學(xué)者Gabriele Moser提出的利用馬爾科夫隨機(jī)場(chǎng)MRF模型構(gòu)建SAR圖像鄰域相關(guān)信息的變化檢測(cè)方法。近期新發(fā)展起來(lái)的是基于核方法的SAR圖像變化檢測(cè)方法，學(xué)者Gustavo Camps-Valls在2008年提出的基于差值合成核的SAR圖像變化檢測(cè)方法，盡管該方法取得了一定的檢測(cè)效果，但由于該方法是一種有監(jiān)督的方法，只利用了少量標(biāo)簽樣本信息對(duì)支撐矢量機(jī)進(jìn)行訓(xùn)練，沒(méi)有充分考慮無(wú)標(biāo)簽樣本的信息，因此它無(wú)法捕獲更為合理的圖像特征，學(xué)習(xí)機(jī)也不具有較好的推廣能力，因而該方法的檢測(cè)精度較低。

【發(fā)明內(nèi)容】

[0004]本發(fā)明的目的在于針對(duì)上述已有問(wèn)題的缺點(diǎn)，提出一種基于鄰域聚類(lèi)核的SAR圖像變化檢測(cè)方法，以解決現(xiàn)有的差值合成核不能充分利用無(wú)標(biāo)簽樣本信息而導(dǎo)致的檢測(cè)精度低下的問(wèn)題。
[0005]為實(shí)現(xiàn)上述目的，本發(fā)明的實(shí)現(xiàn)步驟包括如下:
[0006]A訓(xùn)練步驟:
[0007]Al)對(duì)原始兩時(shí)相SAR圖像Xi，提取其強(qiáng)度特征&和紋理特征『,i = 1,2 ；
[0008]A2)對(duì)兩時(shí)相圖像的強(qiáng)度特征和紋理特征匕,分別進(jìn)行歸一化，得到歸一化后的兩時(shí)相圖像的強(qiáng)度特征Si,和紋理特征.[0009]A3)將歸一化后的兩時(shí)相圖像的強(qiáng)度特征和紋理特征gxi,進(jìn)行聯(lián)合，構(gòu)成兩時(shí)相圖像特征Ti (p, q)；
[0010]A4)對(duì)原始兩時(shí)相SAR圖像Xi手動(dòng)提取M個(gè)兩時(shí)相標(biāo)簽訓(xùn)練樣本和Q個(gè)兩時(shí)相無(wú)標(biāo)簽訓(xùn)練樣本，其中，O <M≤ 100，O < Q≤1000 ；
[0011]A5)將M個(gè)兩時(shí)相標(biāo)簽訓(xùn)練樣本用步驟A2)得到的強(qiáng)度特征Sxi和紋理特征~進(jìn)行表示，得到兩時(shí)相標(biāo)簽訓(xùn)練樣本的特征Xu，其中，1≤ j≤M ；
[0012]A6)將所有的(M+Q)個(gè)兩時(shí)相訓(xùn)練樣本用步驟A2)得到的強(qiáng)度特征gxi和紋理特征 進(jìn)行表示，得到所有兩時(shí)相訓(xùn)練樣本的特征Zil，其中I≤I≤(M+Q)；
[0013]A7)利用兩時(shí)相標(biāo)簽訓(xùn)練樣本的特征Xij,構(gòu)造差值合成核Ks (Xj，xk)，其中，Xj表示標(biāo)簽訓(xùn)練樣本(Pj，Qj)處的差特征，Xk表示標(biāo)簽訓(xùn)練樣本(Pk，qk)處的差特征，K j,k < M ;
[0014]AS)利用所有兩時(shí)相訓(xùn)練樣本的特征Zil，構(gòu)造差值合成核Kd (Zl，z山其中，Z1表示訓(xùn)練樣本(P1, Qi)處的差特征，Zr表示訓(xùn)練樣本(Py qr)處的差特征，I≤1，r≤(M+Q)；
[0015]A9)利用差值合成核Ks (xj; xk)和差值合成核Kd (Zl，zr)，構(gòu)造鄰域聚類(lèi)核UxpXk)；
[0016]A10)將鄰域聚類(lèi)核KCN(xj，Xk)輸入到支撐矢量機(jī)SVM中，對(duì)SVM進(jìn)行訓(xùn)練，得到支撐矢量分類(lèi)器SVC ；
[0017]B測(cè)試步驟:
[0018]BI)利用兩時(shí)相圖像特征Ti (p，q)和兩時(shí)相標(biāo)簽訓(xùn)練樣本的特征Xij,構(gòu)造差值合成核Km (Xj，T (p，q))，其中Xj表示標(biāo)簽訓(xùn)練樣本(P」，qj)處的差特征，I≤j≤M，T (p，q)為像素點(diǎn)(P，q)處的差特征；
[0019]B2)利用差值合成核Km(Xj, T (p, q)),構(gòu)造鄰域聚類(lèi)核Kcn(xj; T (p, q))；
[0020]B3)將步驟B2)得到的鄰域聚類(lèi)核KCN(Xj，T(p，q))輸入到步驟A10)得到的支撐矢量分類(lèi)器SVC中，對(duì)SVC進(jìn)行測(cè)試，得到最終的變化檢測(cè)結(jié)果圖。
[0021]本發(fā)明具有如下優(yōu)點(diǎn):
[0022](I)本發(fā)明由于利用了核方法，可以將原始空間中的非線(xiàn)性不可分問(wèn)題轉(zhuǎn)化為高維空間中的線(xiàn)性可分問(wèn)題，因此本發(fā)明更適合處理具有非線(xiàn)性特征的SAR圖像。
[0023](2)本發(fā)明由于利用了無(wú)標(biāo)簽樣本的信息，能更充分的考慮圖像的空間信息，進(jìn)而更全面的提取圖像特征，因此本發(fā)明可以顯著的提高變化檢測(cè)結(jié)果的精度。
[0024]仿真結(jié)果表明，本發(fā)明與現(xiàn)有的差值合成核方法相比，具有更高的檢測(cè)精度和更強(qiáng)的抗斑點(diǎn)噪聲能力。
【專(zhuān)利附圖】

【附圖說(shuō)明】
[0025]圖1是本發(fā)明的實(shí)現(xiàn)流程圖；
[0026]圖2是本發(fā)明應(yīng)用于兩時(shí)相稻田洪水災(zāi)害Real SAR圖像的變化檢測(cè)結(jié)果圖；
[0027]圖3是本發(fā)明應(yīng)用于兩時(shí)相機(jī)場(chǎng)洪水災(zāi)害Real SAR圖像的變化檢測(cè)結(jié)果圖；
[0028]圖4是本發(fā)明應(yīng)用于兩時(shí)相城市洪水災(zāi)害Real SAR圖像的變化檢測(cè)結(jié)果圖；
[0029]圖5是本發(fā)明應(yīng)用于兩時(shí)相農(nóng)田Real SAR圖像的變化檢測(cè)結(jié)果圖?！揪唧w實(shí)施方式】
[0030]參照?qǐng)D1，本發(fā)明的具體實(shí)施包括如下訓(xùn)練步驟和測(cè)試步驟:
[0031]一.訓(xùn)練步驟:
[0032]步驟1.對(duì)原始兩時(shí)相SAR圖像Xi，提取其強(qiáng)度特征(和紋理特征Px,.，i = 1，2。
[0033]1.1)提取原始兩時(shí)相SAR圖像Xi的灰度值矢量，并用該灰度值矢量作為強(qiáng)度特征I
[0034]1.2)對(duì)原始兩時(shí)相SAR圖像Xi進(jìn)行C個(gè)尺度、D個(gè)方向的Gabor變換，令/?,表示兩時(shí)相圖像在第s個(gè)尺度、第d個(gè)方向上的變換系數(shù)，其中s=l，...，C，d=l，...，D，則在以(p，q)為中心像素，大小為N的窗口上提取高通子帶系數(shù)If的均值信息(Ag)和方差信息0，<7.):1 p+N/2 q+N/2
【權(quán)利要求】
1.一種基于鄰域聚類(lèi)核的SAR圖像變化檢測(cè)方法，包括: A訓(xùn)練步驟: Al)對(duì)原始兩時(shí)相SAR圖像Xi，提取其強(qiáng)度特怔&和紋理特征匕,.，1=1,2 ； A2)對(duì)兩時(shí)相圖像的強(qiáng)度特征和紋理特征分別進(jìn)行歸一化，得到歸一化后的兩時(shí)相圖像的強(qiáng)度特征gx,+和紋理特征 A3)將歸一化后的兩時(shí)相圖像的強(qiáng)度特征Sx,.和紋理特征 進(jìn)行聯(lián)合，構(gòu)成兩時(shí)相圖像特征 Ti (p, q)； A4)對(duì)原始兩時(shí)相SAR圖像Xi手動(dòng)提取M個(gè)兩時(shí)相標(biāo)簽訓(xùn)練樣本和Q個(gè)兩時(shí)相無(wú)標(biāo)簽訓(xùn)練樣本，其中，0〈M≤100,0<Q ≤ 1000 ； A5)將M個(gè)兩時(shí)相標(biāo)簽訓(xùn)練樣本用步驟A2)得到的強(qiáng)度特征I和紋理特征 進(jìn)行表示，得到兩時(shí)相標(biāo)簽訓(xùn)練樣本的特征，其中，I≤j ≤ M ； A6)將所有的(M+Q)個(gè)兩時(shí)相訓(xùn)練樣本用步驟A2)得到的強(qiáng)度特征S和紋理特征~進(jìn)行表示，得到所有兩時(shí)相訓(xùn)練樣本的特征Zil，其中I < I < (M+Q)； A7)利用兩時(shí)相標(biāo)簽訓(xùn)練樣本的特征，構(gòu)造差值合成核Ks(\，xk)，其中，&表示標(biāo)簽訓(xùn)練樣本(Pj，Qj)處的差特征，Xk表示標(biāo)簽訓(xùn)練樣本(Pk，qk)處的差特征，I≤j, k≤M ; AS)利用所有兩時(shí)相訓(xùn)練樣本的特征Zil，構(gòu)造差值合成核Kd (Zl，％)，其中，Z1表示訓(xùn)練樣本(P1, Qi)處的差特征，Zr表示訓(xùn)練樣本(Pr, qr)處的差特征，I≤1，r≤(M+Q)； A9)利用差值合成核Ks (Xj, xk)和差值合成核Kd (Z1, zr),構(gòu)造鄰域聚類(lèi)核KeN(Xj, xk)；A10)將鄰域聚類(lèi)核Kcm (\，Xk)輸入到支撐矢量機(jī)SVM中，對(duì)SVM進(jìn)行訓(xùn)練，得到支撐矢量分類(lèi)器SVC ； B測(cè)試步驟: BI)利用兩時(shí)相圖像特征Ti (p，q)和兩時(shí)相標(biāo)簽訓(xùn)練樣本的特征Xij，構(gòu)造差值合成核KM(Xj,T(p, q))，其中Xj表示標(biāo)簽訓(xùn)練樣本(P」，Qj)處的差特征，I ≤ j≤ M, T (p, q)為像素點(diǎn)(P，q)處的差特征； B2)利用差值合成核ΚΜ(χ」，T(p, q)),構(gòu)造鄰域聚類(lèi)核KeN(Xj, T(p, q))； B3)將步驟B2)得到的鄰域聚類(lèi)核KCN(Xi，T (p, q))輸入到步驟A10)得到的支撐矢量分類(lèi)器SVC中，對(duì)SVC進(jìn)行測(cè)試，得到最終的變化檢測(cè)結(jié)果圖。
2.根據(jù)權(quán)利要求1所述方法，其中步驟Al)中所述的提取兩時(shí)相圖像強(qiáng)度特征~和紋理特征K按如下步驟進(jìn)行:All)提取原始兩時(shí)相SAR圖像的灰度值矢量，并用該灰度值矢量作為強(qiáng)度特征；A12)對(duì)原始兩時(shí)相SAR圖像進(jìn)行C個(gè)尺度、D個(gè)方向的Gabor變換，令 表示兩時(shí)相圖像在第s個(gè)尺度、第d個(gè)方向上的變換系數(shù)，其中s=l，…，C，d=l,…，D，則在以(p，q)為中心像素，大小為N的窗口上提取高通子帶系數(shù)Μ"的均值信息和方差信息
3.根據(jù)權(quán)利要求1所述方法，其中步驟A2)所述的對(duì)兩時(shí)相圖像的強(qiáng)度特征Grf和紋理特征分別進(jìn)行歸一化，按如下公式進(jìn)行:
4.根據(jù)權(quán)利要求1所述方法，其中所述步驟A5)中兩時(shí)相標(biāo)簽訓(xùn)練樣本的特Exu，其公式如下:

5.根據(jù)權(quán)利要求1所述方法，其中步驟A7)所述的構(gòu)造差值合成核Ks(\，xk)，其步驟如下: A71)利用兩時(shí)相標(biāo)簽訓(xùn)練樣本的特征Xij構(gòu)造強(qiáng)度核Kg(XuXik)和紋理核Kw (Xij, xik):
6.根據(jù)權(quán)利要求1所述方法，其中步驟A9)所述的構(gòu)造鄰域聚類(lèi)核KcmO xk)，其步驟如下: A91)將差值合成核Kd (Zl，zr)輸入到核K-means聚類(lèi)算法中，對(duì)所有訓(xùn)練樣本進(jìn)行聚類(lèi)，并記錄聚類(lèi)中心； A92)將聚類(lèi)結(jié)果中所有的變化類(lèi)樣本差特征歸入到變化類(lèi)鄰域CH中，將聚類(lèi)結(jié)果中所有的非變化類(lèi)樣本差特征歸入到非變化類(lèi)鄰域NCH中； A93)利用差值合成核Kd (z1； zr)、變化類(lèi)鄰域CH和非變化類(lèi)鄰域NCH，求取如下8個(gè)統(tǒng)計(jì)特征:
【文檔編號(hào)】G06T7/00GK103455825SQ201310404987
【公開(kāi)日】2013年12月18日 申請(qǐng)日期:2013年9月8日 優(yōu)先權(quán)日:2013年9月8日
【發(fā)明者】李明, 賈璐, 吳艷, 張鵬, 劉高峰, 陳洪猛, 安琳 申請(qǐng)人:西安電子科技大學(xué)