基于非局部cv模型的sar圖像變化檢測方法
【專利摘要】本發(fā)明公開了一種基于非局部CV模型的SAR圖像變化檢測方法，實現(xiàn)步驟包括：(1)輸入同一區(qū)域不同時間的兩幅SAR圖像構造差異圖；(2)在差異圖上做矩形輪廓曲線，初始化水平集函數(shù)；(3)計算內部區(qū)域的灰度均值和外部區(qū)域的灰度均值；(4)構建基于非鄰域和基于區(qū)域信息的總能量函數(shù)E；(5)通過梯度下降法最小化E更新水平集函數(shù)φ，獲得新的水平集函數(shù)φn+1，用其對差異圖X進行分割；(6)判斷當前的φn+1能否使總能量函數(shù)E達到最小值，如果能，停止迭代，輸出最終的變化檢測結果；否則，返回步驟3。本發(fā)明的方法對于差異位置更加敏感，對于初始化和圖像質量的魯棒性有明顯增強。
【專利說明】
基于非局部CV模型的SAR圖像變化檢測方法
技術領域
[0001] 本發(fā)明屬于圖像領域，主要解決遙感圖像的變化檢測問題，具體是一種基于非鄰 域統(tǒng)計學主動輪廓的變化檢測模型，實現(xiàn)對SAR圖像的變化檢測。
【背景技術】
[0002] 隨著一系列光學和雷達衛(wèi)星的運行服務的發(fā)展，不斷積累了大量的遙感數(shù)據(jù)，相 繼建立了各種基于遙感圖像數(shù)據(jù)的空間數(shù)據(jù)庫。通過對這些圖像數(shù)據(jù)進行進一步的分析、 處理及解譯，就可以將經(jīng)遙感技術獲得的圖像數(shù)據(jù)轉化為有用的信息，進而服務于國民經(jīng) 濟的各個領域。
[0003] 遙感圖像的變化檢測技術是遙感圖像研究的重要組成部分，它是對同一地域不同 時刻拍攝的多幅遙感影像，采用圖像處理和模式識別等手段進行對比分析，根據(jù)圖像之間 的差異來得到人們所需要的地物或目標隨時間發(fā)生的變化信息。變化檢測技術可以根據(jù)不 同時期獲取圖像的灰度值或局部紋理之間的變化，獲得感興趣的目標在數(shù)量、位置、形狀及 其它屬性的變化情況。這些變化或許是由圖像場景的真實變化造成的，也或許是由入射角、 傳感器精度、地面濕度、大氣條件等變化引起的。遙感圖像的變化檢測可以應用于軍事研究 領域，遙感氣象服務，
[0004] 隨著遙感技術的快速發(fā)展，遙感圖像變化檢測技術得到了快速的發(fā)展。Singh.A將 變化檢測方法分為直接比較法(差值法、比值法等)和分類比較法，直接比較法的算法相對 簡單，容易實現(xiàn)，但難以克服大氣條件和傳感器噪聲等對檢測結果帶來的誤差，受圖像的預 處理精度的影響嚴重;而分類比較法的變化檢測結果的精度容易受分類精度的影響，初始 分類的錯誤將造成難以彌補的誤檢或漏檢現(xiàn)象。根據(jù)操作的目標對象可以把變化檢測方法 分為基于特征級的變化檢測、基于像素級的變化檢測和基于目標級的變化檢測。按照是否 需要訓練樣本這一準則，變化檢測方法可以分為有監(jiān)督的變化檢測和無監(jiān)督的變化檢測。
[0005] 主動輪廓模型(active contour model)在圖像處理中得到了廣泛的研究和應用， 它是基于曲面演化和幾何流形理論的模型。由Osher和Sethian提出的水平集方法[33]常常 被用來求解主動輪廓模型。一般來講，主動輪廓模型可以分為兩類，基于邊界的和基于區(qū)域 的主動輪廓模型。每一類各有其缺點和優(yōu)點。
[0006] 基于邊界的主動輪廓模型把圖像梯度作為曲線收斂到理想邊界的附加約束，通常 會使用一個邊界檢測函數(shù)(或稱為邊界停止函數(shù))來實現(xiàn)這一邊界約束。最早的，也是最為 經(jīng)典的就是Kass等提出的Snakes模型[34]。之后，Snakes模型得到了發(fā)展，更為一般的、只 依賴于曲線幾何特征的GAC模型[35]被提出，其成功之處在于對曲線參數(shù)的獨立性。為增強 抓取邊界的能力，常數(shù)膨脹項(控制曲線收縮或膨脹)往往被加入到GAC模型的演化方程中。 然而，常數(shù)膨脹項雖然減少了迭代時間，但是合適的選值卻成為它的瓶頸。過小或過大的膨 脹項都會導致結果的不精確。早期主動輪廓模型[34,35,36,37]的能量函數(shù)都是驅使曲線 向圖像局部特征演化，最常用的就是邊界特征，這也是此類模型被稱為基于邊界的模型的 原因。由于使用了局部特征，基于邊界的模型往往陷入局部最優(yōu)解，并且分割結果很大程度 上受到噪聲、紋理和混雜特征的影響，因此，它們對復雜圖像的分割結果差強人意。
[0007] 基于區(qū)域的模型[38]往往使用圖像的區(qū)域信息作為約束條件，由于此類模型的優(yōu) 化相對于局部的邊界特征更接近全局解，因此和基于邊界的模型相比具有一定的優(yōu)勢：1、 不使用圖像梯度等局部信息，對邊界模糊甚至沒有明顯邊界的目標分割結果也很理想；2、 優(yōu)化的全局解使得初始曲線的位置沒有非常嚴格的要求(在基于邊界的模型中，往往要求 初始曲線要貼近目標邊界）。早期的基于區(qū)域的模型往往是基于圖像模型[39,40,41，42， 43]或含參數(shù)的圖像統(tǒng)計量的[44](如，前景區(qū)域和背景區(qū)域的均值和方差等）。
[0008] 目前的SAR變化檢測算法大部分為中低分辨率、象元級、單極化的SAR變化檢測。隨 著SAR技術的日益成熟，圖像質量逐漸提高，分辨率逐漸增強，獲取數(shù)據(jù)的能力和精度越來 越高，圖像獲取越來越便捷，SAR變化檢測的前景會更加廣泛。

【發(fā)明內容】

[0009] 本發(fā)明的目的是提供一種新的基于非局部CV模型的SAR圖像變化檢測方法，該方 法是將原有的CV模型和非鄰域模型相結合，充分利用了感興趣的目標像素點附近的非局部 信息。該方法避免了水平集模型在變化檢測中出現(xiàn)的局部優(yōu)化問題，同時更好的利用了邊 界和區(qū)域信息。
[0010] 本發(fā)明的技術關鍵是利用Chan-Vese模型和非鄰域模型，定義一條閉合輪廓曲線 來表示目標的邊界輪廓，并定義一個包含輪廓曲線信息的能量泛函，將圖像變化檢測過程 轉變成為求解所定義的能量泛函最小值的過程。
[0011] 本發(fā)明的技術方案是如下幾個步驟：
[0012] 1、輸入同一區(qū)域不同時間的兩幅SAR圖像，構造差異圖。
[0013] 2、在差異圖上做個矩形輪廓曲線，初始化水平集函數(shù)。
[0014] 3、計算內部區(qū)域Q1"的灰度均值C1和外部區(qū)域Ω 2η的灰度均值C2。
[0015] 4、構建基于非鄰域和基于區(qū)域信息（即CV模型）的總能量函數(shù)E。
[0016] 5、通過梯度下降法最小化總能量函數(shù)E更新水平集函數(shù)Φ，獲得新的水平集函數(shù) Φ n+1，用該水平集函數(shù)Φ n+1對差異圖X進行分割。
[0017] 6、判斷當前的水平集函數(shù)巾"+1能否使總能量函數(shù)E達到最小值，如果能，停止迭 代，否則，返回步驟3。
[0018] 本發(fā)明與現(xiàn)有技術相比具有如下優(yōu)點：
[0019] 1、本發(fā)明的方法對于差異位置更加敏感，避免了原有的Chan-Vese模型在變化檢 測中出現(xiàn)的局部優(yōu)化問題；
[0020] 2、更好的利用了邊界和區(qū)域信息，反映出來的結果更好；
[0021] 3、對于初始化和圖像質量的魯棒性有明顯增強。
【附圖說明】
[0022]圖1為本發(fā)明的實現(xiàn)流程圖；
[0023] 圖2為水平集方法應用于SAR圖像變化檢測的整體流程圖；
[0024] 圖3為反映黃河的兩幅前后變化圖；
[0025] 圖4為原有的Chan-Vese模型與本發(fā)明在圖3變化檢測中對比結果圖；
[0026] 圖5為反映伯爾尼城市的兩幅前后變化圖；
[0027] 圖6為原有的Chan-Vese模型與本發(fā)明在圖5變化檢測中對比結果圖。
【具體實施方式】
[0028]參照圖1，本發(fā)明的實現(xiàn)步驟如下：
[0029]步驟1，對同一地域不同時間獲取的兩幅遙感圖像心和辦，構造差異圖X。
[0030]步驟2,初始化水平集函數(shù)Φ為符號距離函數(shù)形式，根據(jù)水平集函數(shù)值的正負，根 據(jù)水平集函數(shù)的正負，將差異圖X的整個圖像區(qū)域分為內部區(qū)域〇:和外部區(qū)域ω2,在差異 圖X上做個矩形輪廓曲線，初始化水平集函數(shù)Φ = ±D。當Φ >0,表示矩形輪廓曲線的內部 區(qū)域Ω :，當φ <〇時，表示矩形輪廓曲線的內部區(qū)域Ω 2,當Φ =0時，表示差異圖中的像素點 在矩形輪廓曲線上。其中，D表示差異圖中的像素點到矩形輪廓曲線的歐氏距離。
[0031]步驟3,設循環(huán)次數(shù)η的初始值為n = 0,設第η次循環(huán)時的水平集函數(shù)Φη=Φ根據(jù) 當前水平集函數(shù)Φ "將差異圖X分成內部區(qū)域Ω f和外部區(qū)域Ω /，計算內部區(qū)域Ω f的灰度 均值Cl和外部區(qū)域Ω 2n的灰度均值C2。
[0032] 步驟4,結合步驟2和步驟3構建基于區(qū)域信息的能量函數(shù)Ecv:
[0033]
[0034] 其中X(x，y)表示差異圖X中像素點的坐標，Ω表示整個差異圖區(qū)域，C1為內部區(qū)域 Ω ιη的灰度均值，C2為外部區(qū)域Ω 2n的灰度均值，表示對水平集函數(shù)求梯度，為梯度 范式，μ為調節(jié)長度約束]
的權重參數(shù)，并且Η( Φ )為Heaviside函數(shù)，δ〇( φ ) 為Η(Φ)的導數(shù)。
[0035] 擊驟Fi,構律某干韭郃域信息的能量函教Rm，
[0036]
[0037] 其中，<
X表示像素點X的鄰域點集合，σ是高斯函數(shù)的標準差，d (px，py)表示像素點x，y的鄰域點集合px和py之間的距離。
[0038] 步驟6,基于步驟4和步驟5,添加可取代重新初始化過程的距離正則項：
，該距離正則項中的函I
。構建總能量函數(shù)E為：
[0039] E = Ecv+Enl+D
[0040] 步驟7,通過梯度下降法最小化總能量函數(shù)E更新水平集函數(shù)Φ，獲得新的水平集 函數(shù)Φ n+1，用該水平集函數(shù)Φ n+1對差異圖X進行分割。
[0041] 步驟8,判斷當前的水平集函數(shù)巾"+1能否使總能量函數(shù)E達到最小值，如果能，停止 迭代，此時的水平集函數(shù)Φ η+1對應的零水平集就是變化區(qū)域的邊界，將變化區(qū)域的像素灰 度值賦值I，非變化區(qū)域的像素灰度值賦值0,得到變化檢測結果圖，否則，返回步驟(3)，用 當前的水平集函數(shù)Φ n+1替代步驟(3)中的Φ "繼續(xù)循環(huán)迭代。
[0042]本發(fā)明的效果可以通過以下仿真進一步說明：
[0043] 1.仿真條件
[0044] 本實例在AMD Athlon(tm)P340Dual_Core Processor 2 · 20GHz Windows 8 · 1系統(tǒng) 下，Mat lab 2014a運行平臺上，完成本發(fā)明仿真實驗。
[0045] 2.仿真實驗內容
[0046] 本實驗內容包括兩部分：
[0047] 1、本發(fā)明的算法模型在SAR圖像中的變化檢測；
[0048] 2、已有的Chan-Vese模型在SAR圖像中的變化檢測。
[0049] 選擇了兩個例子，第一組圖是反映黃河的前后變化圖，是Radarsat_2W衛(wèi)星拍攝于 2008年6月和2009年6月。
[0050]第二組圖是反映城市伯爾尼附近區(qū)域的前后變化圖，是歐洲的遙感衛(wèi)星拍攝于 1999年4月和5月。
[0051 ] 兩組圖的大小均為301*301。
[0052] 3.仿真實驗結果及分析
[0053]圖4和圖6給出了Chan-Vese模型與本發(fā)明的結果圖，圖（a)是表示Chan-Vese模型 在變化檢測中的結果圖，圖（b)是表示本發(fā)明在變化檢測中的結果圖。比較前后兩幅圖，可 見本發(fā)明相比Chan-Vese模型在邊界上更加平滑，細節(jié)保持的清晰完整，變化檢測的效果相 對比較好。使用Chan-Vese模型與加入了非鄰域信息的CV模型的效果指標如表1所示。
[0054]表1CV模型與NL-CV模型進行變化檢測的效果指標
[0056]從表1中可以看出，本發(fā)明的方法的變化檢測漏警率和誤警率相對原有的CV模型 較低，PCC指數(shù)總體效果較好些，檢測的結果優(yōu)良。
[0057]根據(jù)以上結果可知，本發(fā)明的方法對于差異位置更加敏感，避免了原有的Chan-Vese模型在變化檢測中出現(xiàn)的局部優(yōu)化問題，更好的利用了邊界和區(qū)域信息，反映出來的 結果更好，對于初始化和圖像質量的魯棒性有明顯增強。
[0058]總體來說，本發(fā)明方法明顯提高了 SAR圖像變化檢測的效果。
【主權項】
1. 一種基于非局部CV模型的SAR圖像變化檢測方法，其特征在于所述方法包括下列步 驟： (1) 對同一地域不同時間獲取的兩幅遙感圖像Xi和拉，構造差異圖X; (2) 初始化水平集函數(shù)Φ為符號距離函數(shù)形式； (3) 設循環(huán)次數(shù)η的初始值為n = 0,設第η次循環(huán)時的水平集函數(shù)φη= Φ，根據(jù)當前水平 集函數(shù)Φ η將差異圖X分成內部區(qū)域Ω 1"和外部區(qū)域Ω 2";計算內部區(qū)域Ω 1"的灰度均值C1和 外部區(qū)域Ω 2"的灰度均值C2; (4) 結合步驟2和步驟3構建基于區(qū)域信息的能量函數(shù)Ecv:其中X(x，y)表示差異圖X中像素點的坐標，Ω表示整個差異圖區(qū)域，Cl為內部區(qū)域Ωι" 的灰度均值，C2為外部區(qū)域Ω 2"的灰度均值，表示對水平集函數(shù)求梯度，為梯度范式， μ為調節(jié)長度約束巧的權重參數(shù)，并且Η( Φ )為化aviside函數(shù)，δ〇( Φ )為Η (Φ)的導數(shù)； (5) 構建基于非鄰域信息的能量函數(shù)Enl:其中，Ρχ表示像素點X的鄰域點集合，0是高斯函數(shù)的標準差，d (Px， Py)表示像素點X，y的鄰域點集合Ρχ和Py之間的距離； (6) 基于步驟4和步驟5,添加可取代重新初始化過程的距離正則項：，該距離正則項中的函數(shù)Ρ(|νψ;構建總能量函數(shù)E為： E = Ecv+Enl+D (7) 通過梯度下降法最小化總能量函數(shù)E更新水平集函數(shù)Φ，獲得新的水平集函數(shù) Φ n+l，用該水平集函數(shù)Φ n+l對差異圖X進行分割； (8) 判斷當前的水平集函數(shù)φη+1能否使總能量函數(shù)E達到最小值，如果能，停止迭代，否 貝1J，返回步驟(3)，用當前的水平集函數(shù)φη+1替代步驟(3)中的φη繼續(xù)循環(huán)迭代。2. 根據(jù)權利要求書1所述的基于非局部CV模型的SAR圖像變化檢測方法，其特征是:所 述步驟(2)包括下列步驟： (2a)根據(jù)水平集函數(shù)值的正負，將差異圖X的整個圖像區(qū)域分為內部區(qū)域Ωι和外部區(qū) 域Ω2; (2b)在差異圖X上做個矩形輪廓曲線，初始化水平集函數(shù)Φ=±0;當Φ>0,表示矩形 輪廓曲線的內部區(qū)域Ωι，當Φ<0時，表示矩形輪廓曲線的內部區(qū)域Ω 2,當Φ=0時，表示差 異圖中的像素點在矩形輪廓曲線上;其中，D表示差異圖中的像素點到矩形輪廓曲線的歐氏 距離。3.根據(jù)權利要求書1所述的基于非局部CV模型的SAR圖像變化檢測方法，其特征是:所 述步驟(8)包括下列步驟： (3a)判斷當前的水平集函數(shù)φη+1能否使總能量函數(shù)E達到最小值； (3b)否則，返回步驟(3)，用當前的水平集函數(shù)φη+1替代步驟（3)中的φη繼續(xù)循環(huán)迭 代； (3c)如果能，停止迭代，此時的水平集函數(shù)φη+1對應的零水平集就是變化區(qū)域的邊界， 將變化區(qū)域的像素灰度值賦值1，非變化區(qū)域的像素灰度值賦值0,得到變化檢測結果圖； (3d)結束變化檢測過程。
【文檔編號】G06T7/00GK105844637SQ201610168000
【公開日】2016年8月10日
【申請日】2016年3月23日
【發(fā)明人】公茂果, 王倩, 劉嘉, 馬文萍, 張普照, 趙秋楠, 馬晶晶, 胡天妤
【申請人】西安電子科技大學