结合多阈值分割与模糊聚类的SAR图像变化检测方法

摘要

本发明公开了一种结合多阈值分割与模糊聚类的SAR图像变化检测方法，主要针对已有模糊聚类算法的不足，把多阈值分割与模糊聚类结合起来，用于SAR图像变化检测。其实现步骤是：(1)对两幅SAR图像进行中值滤波；(2)计算得到归一化后的对数比差异图像；(3)采用基于标准粒子群优化的大津法对归一化后的对数比差异图像进行多阈值分割；(4)初始化隶属度矩阵U₀和U₁；(5)采用FLICM算法对多阈值分割后属于不能确定是否发生了变化的像素进行模糊聚类；(6)去模糊；(7)输出变化检测结果。本发明把多阀值分割和模糊聚类结合起来用于SAR图像变化检测，降低了变化检测时间，并提高了变化检测的精度。

主权项

一种结合多阈值分割与模糊聚类的SAR图像变化检测方法，包括如下步骤：(1)中值滤波选取3×3中值滤波器对两幅待检测的SAR图像进行预处理，得到中值滤波后的两幅图像；(2)求出归一化后的对数比差异图像2a)采用对数比差异公式，由中值滤波后的两幅图像，求出对数比差异图像；2b)采用归一化公式对对数比差异图像进行归一化处理后得到归一化后的对数比差异图像；(3)多阈值分割采用基于标准粒子群优化的大津法，对归一化后的对数比差异图像进行多阈值分割，分割后图像中的像素被分成三类：没有发生变化的像素、发生了变化的像素和不能确定是否发生了变化的像素；所述的基于标准粒子群优化的大津法对归一化后的对数比差异图像进行多阈值分割的具体步骤如下：第一步，把用来分割图像的n个阈值编码为标准粒子群优化中的一个n维粒子；第二步，使用标准粒子群优化搜索使得大津法目标函数最大的n个阈值，大津法目标函数如下所示：Maximize σ²＝ω₀(μ₀‑μ_T)²+ω₁(μ₁‑μ_T)²+...+ω_n(μ_n‑μ_T)²归一化后的对数比差异图像可以被n个阈值分成n+1个部分，在上式中，σ²表示这n+1个部分之间的方差，ω₀，ω₁，...，ω_n分别表示各个部分出现的概率，μ₀，μ₁，...，μ_n分别表示各个部分的灰度平均值，μ_T表示整个图像的灰度平均值；在标准粒子群优化中粒子第d维飞行速度的更新公式为：$v_i^d=\omega v_i^d+c_1{\mathrm{rand}}_1^d(p{\mathrm{Best}}_i^d-x_i^d)+c_2{\mathrm{rand}}_2^d(g{\mathrm{Best}}^d-x_i^d)$其中，表示种群中第i个粒子的第d维飞行速度，ω表示惯性权重，c₁和c₂表示学习因子，表示种群中第i个粒子的第d维位置，和是两个相互独立的均匀分布于0和1之间的随机数，pBest_i是第i个粒子的历史最优位置，gBest是整个种群的历史最优位置；在标准粒子群优化中粒子第d维位置的更新公式为：$x_i^d=x_i^d+v_i^d$其中，表示种群中第i个粒子的第d维位置，表示种群中第i个粒子的第d维飞行速度；第三步，n个阈值把归一化后的对数比差异图像分成n+1个部分，按照灰度值从小到大的顺序记为：C₀，C₁，...，C_n；把C₀中的像素归为没有发生变化的像素，把C_n中的像素归为发生了变化的像素，而把C₁至C_n‑1中的像素归为不能确定是否发生了变化的像素，从而把归一化后的对数比差异图像中的像素分成了三类；(4)初始化隶属度矩阵4a)初始化隶属度矩阵U₀，U₀存储像素隶属于非变化类的隶属度，隶属度用一个在区间[0，1]上取值的实数来表示，多阈值分割后属于没有发生变化的像素在U₀中的隶属度取1，多阈值分割后属于发生了变化的像素在U₀中的隶属度取0，多阈值分割后属于不能确定是否发生了变化的像素在U₀中的隶属度则随机生成；4b)初始化隶属度矩阵U₁，U₁存储像素隶属于变化类的隶属度，隶属度用一个在区间[0，1]上取值的实数来表示，多阈值分割后属于没有发生变化的像素在U₁中的隶属度取0，多阈值分割后属于发生了变化的像素在U₁中的隶属度取1，多阈值分割后属于不能确定是否发生了变化的像素在U₁中的隶属度则等于1减去该像素在U₀中的隶属度；(5)模糊聚类采用FLICM算法对多阈值分割后属于不能确定是否发生了变化的像素进行模糊聚类，迭代更新直至达到预定的终止条件，即迭代前后隶属度的最大改变量小于0.00001；(6)去模糊根据归一化后的对数比差异图像中每个像素隶属于非变化类的隶属度和隶属于变化类的隶属度，将像素判归到隶属度较大的那一类，从而把归一化后的对数比差异图像中所有的像素分成了两类：非变化类和变化类；(7)输出变化检测结果。