本發(fā)明屬于圖像處理
技術(shù)領(lǐng)域：
，特別涉及一種sar圖像變化檢測(cè)方法，可用于遙感、醫(yī)療診斷和視頻監(jiān)控。
背景技術(shù)：
：由于合成孔徑雷達(dá)sar不受云層覆蓋和大氣條件等因素的影響，sar圖像技術(shù)在人們的日常生活中扮演著不可或缺的重要角色。而sar圖像技術(shù)中的sar圖像變化檢測(cè)技術(shù)更起著尤為關(guān)鍵的作用。sar圖像變化檢測(cè)技術(shù)就是研究同一場(chǎng)景不同時(shí)段的兩幅或者多幅sar圖像發(fā)生的變化。它的應(yīng)用場(chǎng)景很廣泛，包括自然生態(tài)的監(jiān)控，自然災(zāi)害評(píng)估和預(yù)防，獲取地貌變化信息等。但是sar圖像變化檢測(cè)也經(jīng)常會(huì)遇到難題，導(dǎo)致這些困難的原因很多，主要原因有：sar成像系統(tǒng)或者傳感器自身所固有的斑點(diǎn)噪聲的影響，不同時(shí)段成像回波角度不同所帶來的差異，不同時(shí)段相隔時(shí)間長(zhǎng)所帶來的雷達(dá)自身內(nèi)部結(jié)構(gòu)發(fā)生的差異。從近年來對(duì)sar圖像變化檢測(cè)的研究來看，現(xiàn)有的圖像變化檢測(cè)可分為兩種：第一種是差異圖分類方法，它的核心是差異圖的產(chǎn)生。該差異圖分類方法包括差值法、比值法和對(duì)數(shù)比值法。差值法是最原始的處理方法，此方法的最大的缺點(diǎn)是對(duì)斑點(diǎn)噪聲的抑制很差；比值法優(yōu)點(diǎn)是在一定程度上抑制了斑點(diǎn)噪聲，但是效果不是很明顯，它的最大的缺點(diǎn)是加性噪聲較多；對(duì)數(shù)比值法將加性噪聲轉(zhuǎn)化為乘性噪聲，該方法通過對(duì)數(shù)轉(zhuǎn)換后差異圖得到了非線性拉伸，它的優(yōu)點(diǎn)是增強(qiáng)了變化類和非變化類的對(duì)比度，但是它的缺點(diǎn)是差異圖的準(zhǔn)確度還不高。第二種是后分類比較法，該方法的關(guān)鍵是差異圖中變化信息的提取，它的缺點(diǎn)是存在分類累積誤差問題，影響分類的準(zhǔn)確度。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的目的在于針對(duì)上述已有技術(shù)的不足，提出一種基于集成學(xué)習(xí)的多目標(biāo)優(yōu)sar圖像變化檢測(cè)方法，以進(jìn)一步優(yōu)化并減少噪聲，提高變化檢測(cè)的準(zhǔn)確度。實(shí)現(xiàn)本發(fā)明目的的技術(shù)方案是對(duì)輸入的兩幅sar圖像y1和y2采用波動(dòng)參數(shù)劃分的方法產(chǎn)生原始差異圖d1；再對(duì)原始差異圖d1去噪得到去噪差異圖d2；由原始差異圖d1和去噪差異圖d2構(gòu)造兩個(gè)目標(biāo)函數(shù)，并計(jì)算得到這兩個(gè)目標(biāo)函數(shù)的函數(shù)值同時(shí)最小的解集，進(jìn)而得到多個(gè)二值圖像；對(duì)這多個(gè)二值圖像再采用集成學(xué)習(xí)的方法得到最終的變化檢測(cè)圖像r。其步驟包括如下：(1)輸入兩幅同一地區(qū)不同時(shí)段的sar圖像y1和y2，并對(duì)其進(jìn)行濾波處理，得到濾波處理后的兩幅圖像i1和i2；(2)根據(jù)濾波處理后的兩幅圖像i1和i2產(chǎn)生原始差異圖d1；2a)定義原始差異圖的參數(shù)：小值像素接近函數(shù)f1，大值像素接近函數(shù)f2和波動(dòng)參數(shù)h；2b)根據(jù)2a)定義的參數(shù)之間關(guān)系，計(jì)算原始差異圖d1在位置x處的灰度值d1(x),其中x＝1,2,...,m,m是原始差異圖d1像素點(diǎn)的總個(gè)數(shù)；2c)根據(jù)2b)中計(jì)算出的每個(gè)像素點(diǎn)的灰度值d1(x)得到原始差異圖d1；(3)對(duì)原始差異圖d1進(jìn)行濾波得到去噪差異圖d2，并根據(jù)原始差異圖d1和去噪差異圖d2構(gòu)造兩個(gè)不同的目標(biāo)函數(shù)f1(v1,v2)和f2(v1,v2)，計(jì)算得到這兩個(gè)目標(biāo)函數(shù)的函數(shù)值同時(shí)最小的解集，由這個(gè)解集得到二值圖像qk,k＝1,2,...,100；(4)從二值圖像qk中選取前99幅圖像ts,s＝1,2,...,99，采用集成學(xué)習(xí)的方法集成這99幅圖像，得到最終的變化檢測(cè)圖像r。本發(fā)明與現(xiàn)有技術(shù)相比具有以下優(yōu)點(diǎn)：1.本發(fā)明通過小值像素接近函數(shù)f1，大值像素接近函數(shù)f2和波動(dòng)參數(shù)h的之間的關(guān)系來確定原始差異圖d1在位置x處的分段函數(shù)計(jì)算方式，能夠有效減少斑點(diǎn)噪聲，保留圖像局部信息。2.本發(fā)明在計(jì)算第一目標(biāo)函數(shù)f1(v1,v2)和第二目標(biāo)函數(shù)f2(v1,v2)的函數(shù)值時(shí)采用了多目標(biāo)優(yōu)化的方法，同時(shí)在得到最終的變化檢測(cè)圖像r時(shí)使用了集成學(xué)習(xí)的方法，提高了sar圖像變化檢測(cè)結(jié)果的準(zhǔn)確度。附圖說明圖1為本發(fā)明的實(shí)現(xiàn)總流程圖。圖2為bern數(shù)據(jù)集原始圖像及變化參考圖。圖3為ottawa數(shù)據(jù)集原始圖像及變化參考圖。圖4為mulargia數(shù)據(jù)集原始圖像及變化參考圖。圖5為用本發(fā)明測(cè)試bern、ottawa、mulargia數(shù)據(jù)集得到的二值圖像r。圖6為用現(xiàn)有的mofcm算法測(cè)試bern數(shù)據(jù)集得到的二值圖像r。圖7為用現(xiàn)有的mofcm算法測(cè)試ottawa數(shù)據(jù)集得到的二值圖像r。圖8為用現(xiàn)有的mofcm算法測(cè)試mulargia數(shù)據(jù)集得到的二值圖像r。圖9為用現(xiàn)有的flicm算法測(cè)試bern、ottawa、mulargia數(shù)據(jù)集得到的二值圖像r。圖10為用現(xiàn)有的mrfsm算法測(cè)試bern、ottawa、mulargia數(shù)據(jù)集得到的二值圖像r。圖11為用現(xiàn)有的mrffcm算法測(cè)試bern、ottawa、mulargia數(shù)據(jù)集得到的二值圖像r。具體實(shí)施方式下面結(jié)合附圖對(duì)本發(fā)明做詳細(xì)說明：參照?qǐng)D1，本發(fā)明的實(shí)現(xiàn)步驟如下：步驟1，輸入兩幅同一地區(qū)不同時(shí)段的sar圖像y1和y2，并對(duì)其進(jìn)行濾波處理，得到濾波處理后的兩幅圖像i1和i2。本發(fā)明中采用的輸入圖像y1和y2來自bern數(shù)據(jù)集，ottawa數(shù)據(jù)集，mulargia數(shù)據(jù)集這三個(gè)數(shù)據(jù)集。bern數(shù)據(jù)集原始圖像分別是通過ers-2獲得的1999年4月和1999年5月瑞士bern地區(qū)的圖像，第一幅圖像是在洪水災(zāi)害剛剛發(fā)生后獲得的，圖像中陰暗部分為受洪水影響的區(qū)域，第二幅圖像是洪水幾乎完全消失的時(shí)候獲得的，圖像的大小為301×301，灰度級(jí)為256，等效視數(shù)為10.89和9.26。ottawa數(shù)據(jù)集原始圖像分別為加拿大的ottawa地區(qū)的1997年5月和1997年8月的圖像，圖像的大小為290×350，灰度級(jí)為256。兩幅圖像的變化信息主要是由于因夏季雨季來臨，洪水淹沒了部分陸地地區(qū)所致。mulargia數(shù)據(jù)集原始圖像分別為1996年7月和1996年9月的landsat-5衛(wèi)星tm第五波段在意大利撒丁島mulargia湖泊區(qū)域得到的圖像組成，變化區(qū)域是由湖水水位上漲引起的，兩幅圖像的大小均為300×412。對(duì)圖像的濾波預(yù)處理，現(xiàn)有方法主要有：中值濾波，均值濾波，維納濾波，本實(shí)例使用的是維納濾波對(duì)輸入的兩幅sar圖像進(jìn)行預(yù)處理，即將兩幅sar圖像y1，y2分別作為matlab中維納濾波函數(shù)的輸入，輸出濾波后的兩幅sar圖像i1，i2。步驟2，根據(jù)濾波處理后的兩幅圖像i1和i2產(chǎn)生原始差異圖d1?，F(xiàn)有產(chǎn)生差異圖的方法有：差值法，比值法，對(duì)數(shù)比值法，本實(shí)例使用與現(xiàn)有技術(shù)不同的另一種方法，其差異圖的產(chǎn)生步驟如下：2a)定義原始差異圖的參數(shù)：小值像素接近函數(shù)f1，大值像素接近函數(shù)f2和波動(dòng)參數(shù)h；2a1)定義小值像素接近函數(shù)為濾波處理后的兩幅圖像i1和i2在位置x處的灰度值中，其較小的像素與其鄰域ωx中的像素的接近程度，其中n為濾波處理后的兩幅圖像i1和i2在位置x處鄰域中像素點(diǎn)的個(gè)數(shù)；2a2)定義大值像素接近函數(shù)為濾波處理后的兩幅圖像i1和i2在位置x處的灰度值中，其較大的像素與其鄰域ωx中的像素的接近程度；2a3)定義波動(dòng)參數(shù)h在0～10范圍內(nèi)，h取值為2；2b)根據(jù)2a)定義的參數(shù)之間關(guān)系，計(jì)算原始差異圖d1在位置x處的灰度值d1(x),其中x＝1,2,...,m,m是原始差異圖d1像素點(diǎn)的總個(gè)數(shù)；2c)根據(jù)2b)中計(jì)算出的每個(gè)像素點(diǎn)的灰度值d1(x)得到原始差異圖d1。步驟3，對(duì)原始差異圖d1進(jìn)行濾波得到去噪差異圖d2，并根據(jù)原始差異圖d1和去噪差異圖d2構(gòu)造兩個(gè)不同的目標(biāo)函數(shù)f1(v1,v2)和f2(v1,v2)，計(jì)算得到這兩個(gè)目標(biāo)函數(shù)的函數(shù)值同時(shí)最小的解集，由這個(gè)解集得到二值圖像qk,k＝1,2,...,100。計(jì)算第一目標(biāo)函數(shù)f1(v1,v2)和第二目標(biāo)函數(shù)f2(v1,v2)的函數(shù)值的現(xiàn)有的方法主要有：moea/d算法，moea/de算法,nsga算法，本實(shí)例使用的是mofcm算法，其步驟如下：3a)對(duì)原始差異圖d1進(jìn)行濾波，得到去噪差異圖d2；3b)隨機(jī)產(chǎn)生均勻分布的n個(gè)權(quán)重向量w1,w2,...,wi...,wn，每一個(gè)權(quán)重向量的形式是wi＝(wi1,wi2)；3c)計(jì)算任意兩個(gè)權(quán)重向量之間的歐式距離d(wi,wj),i,j＝1,2,...n且i≠j，對(duì)第i個(gè)權(quán)重向量和其他權(quán)重向量的歐式距離按從小到到大排序，獲得i個(gè)權(quán)重向量的t個(gè)最近的權(quán)重向量的上標(biāo)集合：b(eq)＝{e1,...,eq...,et}，由上標(biāo)集合得到wi的t個(gè)最近的權(quán)重向量其中，eq表示第i個(gè)權(quán)重向量的最近的第q個(gè)權(quán)重向量的上標(biāo)，q＝1,2,...,t，其中wi1表示第一目標(biāo)函數(shù)f1(vi1,vi2)所占的百分比，wi2表示第二目標(biāo)函數(shù)f2(vi1,vi2)所占的百分比；3d)隨機(jī)產(chǎn)生一個(gè)表示目標(biāo)函數(shù)的解集的始化種群v1,v2,...,vi...,vn，每個(gè)種群的形式是vi＝(vi1,vi2)，其中vi1是第i個(gè)個(gè)體的第一維元素，vi2是第i個(gè)個(gè)體的第二維元素；3e)計(jì)算初始模糊隸屬度矩陣u1,u2,...,ui...,un，其中每一個(gè)初始模糊隸屬度矩陣的形式是uikx表示初始模糊隸屬度矩陣中第i個(gè)個(gè)體的第k行對(duì)應(yīng)的第x個(gè)隸屬度，x＝1,2,...,m,k＝1,2,該uikx的計(jì)算公式如下：其中i＝1,2,...,n,m＝2，ukx滿足約束3f)計(jì)算第一目標(biāo)函數(shù)f1(vi1,vi2)和第二目標(biāo)函數(shù)f2(vi1,vi2)：3g)根據(jù)第一目標(biāo)函數(shù)f1(vi1,vi2)和第二目標(biāo)函數(shù)f2(vi1,vi2)，計(jì)算權(quán)重和函數(shù)gws(vi|wi)：gws(vi|wi)＝wi1f1(vi1,vi2)+wi2f2(vi1,vi2)；3h)設(shè)置當(dāng)前循環(huán)次數(shù)b＝1，總的循環(huán)次數(shù)t＝100；3i)更新種群；3i1)從上標(biāo)集合b(eq)選擇兩個(gè)下標(biāo)s和l，使用遺傳算子從vs和vl得到新的個(gè)體y，y的形式為y＝(y1,y2)，其中y1是個(gè)體y的第一維元素，y2是個(gè)體y的第二維元素；3i2)計(jì)算新的個(gè)體y的循環(huán)模糊隸屬度矩陣：其中uykx表示循環(huán)模糊隸屬度矩陣中個(gè)體y的第k行對(duì)應(yīng)的第x個(gè)隸屬度，循環(huán)模糊隸屬度矩陣uy的每個(gè)元素uykx的計(jì)算公式如下：3i3)計(jì)算循環(huán)第一目標(biāo)函數(shù)f1(y1,y2)和循環(huán)第二目標(biāo)函數(shù)f2(y1,y2)：3i4)根據(jù)循環(huán)第一目標(biāo)函數(shù)f1(y1,y2)和循環(huán)第二目標(biāo)函數(shù)f2(y1,y2)，計(jì)算循環(huán)權(quán)重和函數(shù)gws(y|wi)：gws(y|wi)＝wi1f1(y1,y2)+wi2f2(y1,y2)；3i5)比較循環(huán)權(quán)重函數(shù)gws(y|wi)和權(quán)重函數(shù)gws(vj|wi)的大?。喝绻鹓ws(y|wi)≤gws(vj|wi)，j∈b(eq)，則將種群個(gè)體vj的值更新為y，并且將gws(y|wi)的值賦值給gws(vj|wi)，反之，不進(jìn)行任何操作；3j)判斷更新的種群是否滿足終止條件：如果不滿足終止條件，即b<t,則b的值加1，返回步驟3h)；如果滿足終止條件，即b≥t,得到目標(biāo)函數(shù)的解集v1,v2,...,vi...,vn，執(zhí)行3j)；3k)將目標(biāo)函數(shù)的解集v1,v2,...,vi...,vn的vi分別代入公式：進(jìn)而得到初始隸屬度矩陣ui；3l)判斷ui的第一行的每一個(gè)元素的大小：若元素的值大于0.5，則二值圖像qk,k＝1,2,...,100的對(duì)應(yīng)像素的值為255。若元素的值小于0.5，則二值圖像qk的對(duì)應(yīng)像素的值為0。步驟4，從二值圖像qk中選取前99幅圖像ts,s＝1,2,...,99，采用集成學(xué)習(xí)的方法集成這99幅圖像，得到最終的變化檢測(cè)圖像r。4a)從二值圖像qk中選取前99幅圖像tg,g＝1,2,...,99作為被集成的圖像；4b)統(tǒng)計(jì)這99幅圖像tg中統(tǒng)計(jì)在點(diǎn)(c,d)處像素灰度值為255的點(diǎn)的個(gè)數(shù)n1和灰度值為0的點(diǎn)的個(gè)數(shù)n2，其中c＝1,2,...,col,d＝1,2,...,row，col是圖像tg的行數(shù)，row是圖像tg的列數(shù)；4c)假設(shè)過渡標(biāo)簽圖像p在點(diǎn)(c,d)的像素的灰度值為p(c,d)，由n1和n2的大小關(guān)系得到過渡標(biāo)簽圖像為p：如果n1≥n2，則過渡標(biāo)簽圖像p的在點(diǎn)(c,d)處的像素點(diǎn)的灰度值p(c,d)＝255；如果n1<n2，則過渡標(biāo)簽圖像p的在點(diǎn)(c,d)處的像素點(diǎn)的灰度值p(c,d)＝0；4d)分別比較二值圖像tg和過渡標(biāo)簽圖像p的所有像素點(diǎn)的灰度值，得到灰度值相同的點(diǎn)的個(gè)數(shù)same，計(jì)算評(píng)價(jià)準(zhǔn)則total是二值圖像tg像素點(diǎn)的總個(gè)數(shù)；4e)對(duì)arg按照從大到小的順序進(jìn)行排序，選取其中的最大的29個(gè)所對(duì)應(yīng)的二值圖像mapqa,a＝1,2,...,29；4f)統(tǒng)計(jì)二值圖像mapqa在點(diǎn)(c,d)處像素灰度值為255的點(diǎn)的個(gè)數(shù)m1和灰度值為0的點(diǎn)的個(gè)數(shù)m2；4g)假設(shè)最終變化檢測(cè)結(jié)果二值圖像r在點(diǎn)(c,d)的像素的灰度值為r(c,d)，根據(jù)m1和m2的大小關(guān)系得到最終變化檢測(cè)結(jié)果二值圖像為r：如果m1≥m2，則最終變化檢測(cè)結(jié)果二值圖像r在點(diǎn)(c,d)處的像素點(diǎn)的灰度值r(c,d)＝255；如果m1<m2，則最終變化檢測(cè)結(jié)果二值圖像r在點(diǎn)(c,d)處的像素點(diǎn)的r(c,d)＝0。步驟5，根據(jù)r和已知的變化參考圖像s,計(jì)算虛檢數(shù)fp，漏檢數(shù)fn，總錯(cuò)誤數(shù)oe,和卡帕系數(shù)kc。5a)設(shè)變化參考圖像s在x處的像素的灰度值用a(x)表示，設(shè)圖像r在x處的像素的灰度值用b(x)表示，設(shè)nc為a(x)＝255的像素點(diǎn)的個(gè)數(shù)，設(shè)nu為a(x)＝0的像素點(diǎn)的個(gè)數(shù)，設(shè)tp為b(x)＝255的像素點(diǎn)的個(gè)數(shù)，設(shè)tn為b(x)＝0的像素點(diǎn)的個(gè)數(shù)，設(shè)mc為變化參考圖像s的像素點(diǎn)的總個(gè)數(shù)；5b)由nu和tn計(jì)算虛檢數(shù)fp，即fp＝nu-tn；5c)由nc和tp計(jì)算漏檢數(shù)fn，即fn＝nc-tp；5d)由fp和fn計(jì)算總錯(cuò)誤數(shù)oe，即oe＝fp+fn；5e)由tp，tn和mc計(jì)算精確度pcc，即5f)由tp，tn，fp，fn，nc，nu和mc計(jì)算過度參數(shù)pre,即；5g)由pcc和pre計(jì)算卡帕系數(shù)kc，即通過步驟5可檢驗(yàn)本發(fā)明對(duì)變化檢測(cè)結(jié)果的精度高低，即通過計(jì)算卡帕系數(shù)kc指標(biāo)檢驗(yàn)變化檢測(cè)結(jié)果的精度。本發(fā)明的實(shí)驗(yàn)效果通過以下仿真說明：1.仿真實(shí)驗(yàn)采用的數(shù)據(jù)集：本實(shí)驗(yàn)仿真采用bern、ottawa和mulargia三個(gè)數(shù)據(jù)集，其中：bern數(shù)據(jù)集，如圖2所示，其中圖2(a)是通過ers-2獲得的1999年4月瑞士bern地區(qū)的圖像，圖2(b)是通過ers-2獲得的1999年5月瑞士bern地區(qū)的圖像，圖2(c)是變化參考圖；ottawa數(shù)據(jù)集，如圖3所示，其中圖3(a)是加拿大ottawa地區(qū)的1997年5月的圖像，圖3(b)是加拿大ottawa地區(qū)的1997年8月的圖像，圖3(c)是變化參考圖；mulargia數(shù)據(jù)集，如圖4所示，其中圖4(a)是1996年7月意大利撒丁島mulargia湖泊區(qū)域的圖像，圖4(b)是1996年9月意大利撒丁島mulargia湖泊區(qū)域的圖像，圖4(c)是變化參考圖。2.仿真內(nèi)容：仿真1：用本發(fā)明方法分別對(duì)bern數(shù)據(jù)集、ottawa數(shù)據(jù)集和mulargia數(shù)據(jù)集中的各2幅輸入圖像進(jìn)行變化檢測(cè)，結(jié)果如圖5所示，其中：圖5(a)為本發(fā)明仿真bern數(shù)據(jù)集得到的二值圖像r，圖5(b)為本發(fā)明仿真ottawa數(shù)據(jù)集的得到二值圖像r，圖5(c)為本發(fā)明仿真mulargia數(shù)據(jù)集的得到二值圖像r。用本發(fā)明方法分別對(duì)bern數(shù)據(jù)集、ottawa數(shù)據(jù)集和mulargia數(shù)據(jù)集中的各2幅輸入圖像進(jìn)行變化檢測(cè)，再分別根據(jù)圖2(c)圖，圖3(c)圖，圖4(c)圖得到的虛檢數(shù)fp，漏檢數(shù)fn，總錯(cuò)誤數(shù)oe,再根據(jù)虛檢數(shù)fp，漏檢數(shù)fn，總錯(cuò)誤數(shù)oe計(jì)算卡帕系數(shù)kc，結(jié)果如表1：表1虛檢數(shù)fp漏檢數(shù)fn總錯(cuò)誤數(shù)oe卡帕系數(shù)kcbern數(shù)據(jù)集951962910.867ottawa數(shù)據(jù)集540193224720.905mulargia數(shù)據(jù)集505831953770.709仿真2：用mofcm算法分別對(duì)bern數(shù)據(jù)集、ottawa數(shù)據(jù)集和mulargia數(shù)據(jù)集中的各2幅輸入圖像進(jìn)行變化檢測(cè)，結(jié)果如圖6-8所示，其中：圖6(a)～(f)為mofcm算法仿真bern數(shù)據(jù)集得到的二值圖像r，圖7(a)～(f)為mofcm算法仿真ottawa數(shù)據(jù)集的得到二值圖像r，圖8(a)～(f)為mofcm算法仿真mulargia數(shù)據(jù)集的得到二值圖像r。用mofcm算法對(duì)bern數(shù)據(jù)集2幅輸入圖像進(jìn)行變化檢測(cè)，再根據(jù)圖2(c)圖得到的虛檢數(shù)fp，漏檢數(shù)fn，總錯(cuò)誤數(shù)oe和虛檢數(shù)fp、漏檢數(shù)fn及總錯(cuò)誤數(shù)oe，計(jì)算卡帕系數(shù)kc，結(jié)果如表2：表2種群代數(shù)虛檢數(shù)fp漏檢數(shù)fn總錯(cuò)誤數(shù)oe卡帕系數(shù)kc1760468060.72920631697000.75240774888620.70860771938640.70680771938640.706100771938640.706用mofcm算法對(duì)ottawa數(shù)據(jù)集2幅輸入圖像進(jìn)行變化檢測(cè)，再根據(jù)圖3(c)圖，得到的虛檢數(shù)fp，漏檢數(shù)fn，總錯(cuò)誤數(shù)oe和虛檢數(shù)fp、漏檢數(shù)fn及總錯(cuò)誤數(shù)oe，計(jì)算卡帕系數(shù)kc，結(jié)果如表3：表3種群代數(shù)虛檢數(shù)fp漏檢數(shù)fn總錯(cuò)誤數(shù)oe卡帕系數(shù)kc1178098627660.899203627115047770.833406007135773640.756605986154675320.749805986154675320.7491005986154675320.749用mofcm算法對(duì)mulargia數(shù)據(jù)集的2幅輸入圖像進(jìn)行變化檢測(cè)，再根據(jù)圖4(c)圖得到的虛檢數(shù)fp，漏檢數(shù)fn，總錯(cuò)誤數(shù)oe和虛檢數(shù)fp、漏檢數(shù)fn及總錯(cuò)誤數(shù)oe，計(jì)算卡帕系數(shù)kc，結(jié)果如表4：表4種群代數(shù)虛檢數(shù)fp漏檢數(shù)fn總錯(cuò)誤數(shù)oe卡帕系數(shù)kc1604628463300.67320645429767510.65740630231366150.66160626931965880.66380626931965880.663100626931965880.663仿真3：用flicm算法分別對(duì)bern數(shù)據(jù)集、ottawa數(shù)據(jù)集和mulargia數(shù)據(jù)集中的各2幅輸入圖像進(jìn)行變化檢測(cè)，結(jié)果如圖9所示，其中：圖9(a)為用flicm算法仿真bern數(shù)據(jù)集得到的二值圖像r，圖9(b)為用flicm算法仿真ottawa數(shù)據(jù)集的得到二值圖像r，圖9(c)為用flicm算法仿真mulargia數(shù)據(jù)集的得到二值圖像r。用flicm算法對(duì)bern數(shù)據(jù)集，ottawa數(shù)據(jù)集，mulargia數(shù)據(jù)集中的各2幅輸入圖像進(jìn)行變化檢測(cè)，再分別根據(jù)圖2(c)圖，圖3(c)圖，圖4(c)圖得到的虛檢數(shù)fp，漏檢數(shù)fn，總錯(cuò)誤數(shù)oe和虛檢數(shù)fp、漏檢數(shù)fn及總錯(cuò)誤數(shù)oe，計(jì)算卡帕系數(shù)kc，結(jié)果如表5：表5虛檢數(shù)fp漏檢數(shù)fn總錯(cuò)誤數(shù)oe卡帕系數(shù)kcbern數(shù)據(jù)集1641733370.851ottawa數(shù)據(jù)集1160171428740.892mulargia數(shù)據(jù)集19074957200310.659仿真4：：用mrfsm算法分別對(duì)bern數(shù)據(jù)集、ottawa數(shù)據(jù)集和mulargia數(shù)據(jù)集中的各2幅輸入圖像進(jìn)行變化檢測(cè)，結(jié)果如圖10所示，其中：圖10(a)為用mrfsm算法仿真bern數(shù)據(jù)集得到的二值圖像r，圖10(b)為用mrfsm算法仿真ottawa數(shù)據(jù)集的得到二值圖像r，圖10(c)為用mrfsm算法仿真mulargia數(shù)據(jù)集的得到二值圖像r。用mrfsm算法對(duì)bern數(shù)據(jù)集，ottawa數(shù)據(jù)集，mulargia數(shù)據(jù)集中的各2幅輸入圖像進(jìn)行變化檢測(cè)，再分別根據(jù)圖2(c)圖，圖3(c)圖，圖4(c)圖得到的虛檢數(shù)fp，漏檢數(shù)fn，總錯(cuò)誤數(shù)oe和虛檢數(shù)fp、漏檢數(shù)fn及總錯(cuò)誤數(shù)oe，計(jì)算卡帕系數(shù)kc，結(jié)果如表6：表6虛檢數(shù)fp漏檢數(shù)fn總錯(cuò)誤數(shù)oe卡帕系數(shù)kcbern數(shù)據(jù)集1033615103510.16ottawa數(shù)據(jù)集471218026510.897mulargia數(shù)據(jù)集159961116171120.694仿真5：用mrffcm算法分別對(duì)bern數(shù)據(jù)集、ottawa數(shù)據(jù)集和mulargia數(shù)據(jù)集中的各2幅輸入圖像進(jìn)行變化檢測(cè)，結(jié)果如圖11所示，其中：圖11(a)為用mrffcm算法仿真bern數(shù)據(jù)集得到的二值圖像r，圖11(b)為用mrffcm算法仿真ottawa數(shù)據(jù)集的得到二值圖像r，圖11(c)為用mrffcm算法仿真mulargia數(shù)據(jù)集的得到二值圖像r。用mrffcm算法對(duì)bern數(shù)據(jù)集，ottawa數(shù)據(jù)集，mulargia數(shù)據(jù)集中的各2幅輸入圖像進(jìn)行變化檢測(cè)，再分別根據(jù)圖2(c)圖，圖3(c)圖，圖4(c)圖得到的虛檢數(shù)fp，漏檢數(shù)fn，總錯(cuò)誤數(shù)oe和虛檢數(shù)fp、漏檢數(shù)fn及總錯(cuò)誤數(shù)oe，計(jì)算卡帕系數(shù)kc，結(jié)果如表7：表7虛檢數(shù)fp漏檢數(shù)fn總錯(cuò)誤數(shù)oe卡帕系數(shù)kcbern數(shù)據(jù)集346894350.828ottawa數(shù)據(jù)集474217626500.898mulargia數(shù)據(jù)集170101182181920.679將表1到表7進(jìn)行整合，得到表8：表8整合后的三個(gè)數(shù)據(jù)集的不同算法的比較表由表8可以看出本發(fā)明的kc的值要大于現(xiàn)有mofcm算法，flicm算法，mrfsm算法，mrffcm算法kc的值，說明本發(fā)明比mofcm算法，flicm算法，mrfsm算法，mrffcm算法的變化檢測(cè)方法效果好，減少了斑點(diǎn)噪聲，保留了圖像局部信息，提高了分類的準(zhǔn)確度。當(dāng)前第1頁12