基于SRM超像素聚类的SAR图像变化检测方法与流程

本发明涉及图像处理领域，具体涉及一种基于SRM超像素聚类的SAR图像变化检测方法。
背景技术：
：近年来，航天和航空遥感技术取得了飞速的发展。人们每天都能获得海量的SAR数据。到目前，遥感技术作为仅有的能够提供大面积范围的动态观测数据的技术手段已被广泛应用于资源调查、灾害监测、地质找矿以及测绘、环境、农业、土地等部门，所以研究SAR图像变化检测具有重要意义。根据检测层次，SAR图像变化检测方法可以分为像素级和超像素级。对分辨率不高的图像，采用基于像素级的变化检测方法进行处理；对于分辨率较高的图像，则采用基于对象级的变化检测方法进行处理。由于现实中相比于高分辨率图像，获取低分辨率图像更为容易且成本较低，所以用于变化检测的低分辨率图像大量存在，而低分辨率图像检测准确度低。技术实现要素：本发明旨在至少解决上述技术问题之一。为此，本发明的目的在于提出一种基于SRM超像素聚类的SAR图像变化检测方法，以实现SAR图像中变化区域的检测，提升检测的准确率。为了实现上述目的，本发明的实施例公开了一种基于SRM超像素聚类的SAR图像变化检测方法，包括以下步骤：S1：输入两幅不同时间相同地域的单通道SAR图像X1和单通道SAR图像X2，去除单通道SAR图像X1和单通道SAR图像X2中的相干斑噪声，得到去噪后的图像I1和图像I2；S2：根据图像I1和图像I2构造对数比值图DI1、对数均值比值图DI2和对数高斯比值DI3；S3：将对数比值图DI1、对数均值比值图DI2和对数高斯比值DI3进行叠加构造三通道差异图像DI；S4：对差异图像DI中的像素点进行合并得到超像素空间的合并结果DT；S5：遍历合并结果DT中所有的超像素块，分别提取所有超像素块的灰度均值μ、方差σ2和质心横、纵坐标特征；S6：对从所有超像素块中的灰度均值μ、方差σ2和质心横和纵坐标特征进行聚类得到二值化的变化检测结果。根据本发明实施例的基于SRM超像素聚类的SAR图像变化检测方法，通过利用对数比、对数均值比和对数高斯比值各自的优点构建三通道差异图，可以弥补由于实验SAR图像只含有单通道数据,无法充分利用SRM算法中多通道约束能力的缺点；在快速得到变化检测结果的同时，可以有效地提高SAR图像变化检测的精度。另外，根据本发明上述实施例的基于SRM超像素聚类的SAR图像变化检测方法，还可以具有如下附加的技术特征：进一步地，在步骤S1中，采用非局部均值算法去除单通道SAR图像X1和单通道SAR图像X2中的相干斑噪声。进一步地，所述采用非局部均值算法去除单通道SAR图像X1和单通道SAR图像X2中的相干斑噪声进一步包括：选取单通道SAR图像X1＝{X1(i)|i∈I}，I为图像像素域，对图像中任意一个像素点i，采用以下非局部均值算法去噪得到像素点i的灰度估计值：I1(i)=Σj∈Iω(i,j)X1(i)]]>其中，ω(i,j)为权值，表示第i个像素与第j个像素之间的相似程度，0≤ω(i,j)≤1，且遍历单通道SAR图像X1中所有的像素点，得到去噪后的图像I1；选取单通道SAR图像X2＝{X2(i)|i∈I}，对图像中任意一个像素点i，采用以下非局部均值算法去噪得到像素点i的灰度估计值：I2(i)=Σj∈Iω(i,j)X2(i)]]>其中，权值ω(i,j)表示第i个像素和第j个像素之间的相似程度，0≤ω(i,j)≤1且遍历单通道SAR图像X2中所有的像素点，得到去噪后的图像I2。进一步地，步骤S2进一步包括：S201：通过以下公式构造对数比值图DI1：DI1(x,y)=log(max(I1(i,j)I2(i,j),I2(i,j)I1(i,j)))]]>其中，DI1(i,j)、I1(i,j)和I2(i,j)分别为对数比值图DI1、图像I1和图像I2在图像中坐标为(i,j)的像素点的像素值；S202：通过以下公式构造对数比值图DI2：DI2(i,j)=log(max(μ1(i,j)μ2(i,j),μ2(i,j)μ1(i,j)))]]>其中μ1(i,j)和μ2(i,j)分别为图像I1和图像I2中以坐标为(i,j)的像素点为中心的领域像素平均值，DI2(i,j)为对数均值比值差异图DI2图像中坐标为(i,j)的像素点的像素值；S203：通过以下公式构造对数高斯比值DI3：DI3(i,j)=log(max(g1(i,j)g2(i,j),g2(i,j)g1(i,j)))]]>其中g1(i,j)和g2(i,j)分别为图像I1和图像I2中以坐标为(i,j)的像素点为中心的领域高斯滤波后的值，DI3(i,j)为对数高斯比值差异图DI3图像中坐标为(i,j)的像素点的像素值。进一步地，步骤S4进一步包括：S401：对差异图像DI中每对像素根据以下公式计算相似度权重：f(p,p′)=maxk∈{DI1,DI2}|pk-pk′|]]>其中pk和p'k为相邻的像素值，并将相似度权重进行升序排序；S402：按照排序顺序，依次选取像素对并使用以下合并准则判断该像素对是否合并：P(R,R′)=true.maxk∈{DI1,DI2}|Rk′‾-Rk‾|≤b2(R)-b2(R′)false.otherwise]]>b(R)=g12Q|R|ln||R|R|||δ]]>其中代表k通道R区域的平均观测值，R|R|表示有|R|个像素的区域集合，且有||R|R|||≤(n+1)min(|R|,g)，Q代表统计复杂度，通过调节Q获得不同程度的分割结果，常数|I|表示图像含有的像素个数，对所有像素对均进行合并准则判断，得到合并结果DT。进一步地，在步骤S5中，分别根据以下公式提取所有超像素块的灰度均值μ、方差σ2和质心横、纵坐标特征：μ=ΣxijN]]>σ2=Σ(xij-μ)2N]]>CM=Σxij×mijΣmij]]>CN=Σxij×nijΣnij]]>其中N代表超像素块中的像素点个数，xij代表某像素块中像素灰度值，CM代表质心横坐标，CN代表质心纵坐标，mij代表坐标为(i,j)像素的横坐标，nij代表坐标为(i,j)像素的纵坐标。进一步地，步骤S6进一步包括：S601：从所有的超像素块中任意选择2个超像素块作为初始聚类中心；S602：根据每个聚类中心的特征向量，计算每个超像素块与初始聚类中心之间的距离，并根据最小距离对超像素块进行划分；S603：重新计算每个聚类中心；S604：判断新的聚类中心与旧的聚类中心之间的差值是否小于阈值：若小于所述阈值，则聚类停止；否则返回步骤S602。本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。附图说明本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：图1是本发明一个实施例的基于SRM超像素聚类的SAR图像变化检测方法的流程图；图2是本发明一个实施例的SAR图像变化检测过程中对应的结果图；图3是本发明与SRM算法对Bern数据集、Ottawa数据集和黄河数据集的变化检测结果图以及参考图。具体实施方式下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。参照下面的描述和附图，将清楚本发明的实施例的这些和其他方面。在这些描述和附图中，具体公开了本发明的实施例中的一些特定实施方式，来表示实施本发明的实施例的原理的一些方式，但是应当理解，本发明的实施例的范围不受此限制。相反，本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。以下结合附图描述根据本发明实施例的基于SRM超像素聚类的SAR图像变化检测方法。请参考图1，一种基于SRM超像素聚类的SAR图像变化检测方法，包括以下步骤：S1：输入两幅不同时间相同地域的单通道SAR图像X1和单通道SAR图像X2，去除单通道SAR图像X1和单通道SAR图像X2中的相干斑噪声，得到去噪后的图像I1和图像I2。在本发明的一个实施例中，采用非局部均值算法去除单通道SAR图像X1和单通道SAR图像X2中的相干斑噪声。非局部均值算法包括以下步骤：选取单通道SAR图像X1＝{X1(i)|i∈I}，I为图像像素域，对图像中任意一个像素点i，采用以下非局部均值算法去噪得到像素点i的灰度估计值：I1(i)=Σj∈Iω(i,j)X1(i)]]>其中，ω(i,j)为权值，表示第i个像素与第j个像素之间的相似程度，0≤ω(i,j)≤1，且遍历单通道SAR图像X1中所有的像素点，得到去噪后的图像I1。选取单通道SAR图像X2＝{X2(i)|i∈I}，对图像中任意一个像素点i，采用以下非局部均值算法去噪得到像素点i的灰度估计值：I2(i)=Σj∈Iω(i,j)X2(i)]]>其中，权值ω(i,j)表示第i个像素和第j个像素之间的相似程度，0≤ω(i,j)≤1且遍历单通道SAR图像X2中所有的像素点，得到去噪后的图像I2。S2：根据图像I1和图像I2构造对数比值图DI1、对数均值比值图DI2和对数高斯比值DI3。在本发明的一个实施例中，步骤S2进一步包括：S201：通过以下公式构造对数比值图DI1：DI1(x,y)=log(max(I1(i,j)I2(i,j),I2(i,j)I1(i,j)))]]>其中，DI1(i,j)、I1(i,j)和I2(i,j)分别为对数比值图DI1、图像I1和图像I2在图像中坐标为(i,j)的像素点的像素值。S202：通过以下公式构造对数比值图DI2：DI2(i,j)=log(max(μ1(i,j)μ2(i,j),μ2(i,j)μ1(i,j)))]]>其中μ1(i,j)和μ2(i,j)分别为图像I1和图像I2中以坐标为(i,j)的像素点为中心的领域像素平均值，DI2(i,j)为对数均值比值差异图DI2图像中坐标为(i,j)的像素点的像素值。S203：通过以下公式构造对数高斯比值DI3：DI3(i,j)=log(max(g1(i,j)g2(i,j),g2(i,j)g1(i,j)))]]>其中g1(i,j)和g2(i,j)分别为图像I1和图像I2中以坐标为(i,j)的像素点为中心的领域高斯滤波后的值，DI3(i,j)为对数高斯比值差异图DI3图像中坐标为(i,j)的像素点的像素值。S3：将对数比值图DI1、对数均值比值图DI2和对数高斯比值DI3进行叠加构造三通道差异图像DI。S4：对差异图像DI中的像素点进行合并得到超像素空间的合并结果DT。在本发明的一个实施例中，步骤S4进一步包括：S401：对差异图像DI中每对像素根据以下公式计算相似度权重：f(p,p′)=maxk∈{DI1,DI2}|pk-pk′|]]>其中pk和p'k为相邻的像素值，并将相似度权重进行升序排序。S402：按照排序顺序，依次选取像素对并使用以下合并准则判断该像素对是否合并：P(R,R′)=true.maxk∈{DI1,DI2}|Rk′‾-Rk‾|≤b2(R)-b2(R′)false.otherwise]]>b(R)=g12Q|R|ln||R|R|||δ]]>其中代表k通道R区域的平均观测值，R|R|表示有|R|个像素的区域集合，且有||R|R|||≤(n+1)min(|R|,g)，Q代表统计复杂度，通过调节Q获得不同程度的分割结果，常数|I|表示图像含有的像素个数，对所有像素对均进行合并准则判断，得到合并结果DT。S5：遍历合并结果DT中所有的超像素块，分别提取所有超像素块的灰度均值μ、方差σ2和质心横、纵坐标特征。在本发明的一个是实施例中，在步骤S5中，分别根据以下公式提取所有超像素块的灰度均值μ、方差σ2和质心横、纵坐标特征：μ=ΣxijN]]>σ2=Σ(xij-μ)2N]]>CM=Σxij×mijΣmij]]>CN=Σxij×nijΣnij]]>其中N代表超像素块中的像素点个数，xij代表某像素块中像素灰度值，CM代表质心横坐标，CN代表质心纵坐标，mij代表坐标为(i,j)像素的横坐标，nij代表坐标为(i,j)像素的纵坐标。S6：对从所有超像素块中的灰度均值μ、方差σ2和质心横和纵坐标特征进行聚类得到二值化的变化检测结果。在本发明的一个实施例中，步骤S6进一步包括：S601：从所有的超像素块中任意选择2个超像素块作为初始聚类中心；S602：根据每个聚类中心的特征向量，计算每个超像素块与初始聚类中心之间的距离，并根据最小距离对超像素块进行划分；S603：重新计算每个聚类中心；S604：判断新的聚类中心与旧的聚类中心之间的差值是否小于阈值：若小于上述阈值，则聚类停止；否则返回步骤S602。本发明实施例的基于SRM超像素聚类的SAR图像变化检测方法，通过利用对数比、对数均值比和对数高斯比值各自的优点构建三通道差异图，可以弥补由于实验SAR图像只含有单通道数据,无法充分利用SRM算法中多通道约束能力的缺点；在快速得到变化检测结果的同时，可以有效地提高SAR图像变化检测的精度。为了验证本发明实施例的效果，将通过以下仿真实验进一步说明。1、仿真条件本发明是在中央处理器为Intel(R)Corei5-34703.2GHZ、内存8G、WINDOWS7操作系统的PC上，运用MATLAB2013b进行的仿真实验。2、仿真内容仿真1，采用本发明方法对Bern数据集进行变化检测，检测结果如图2所示，其中：图2(a)表示对由对数比值差异图、对数均值比值差异图和高斯均值比值差异图叠加成的三通道差异图进行合并得到的合并结果图；图2(b)表示在合并结果图的基础上通过kmeans聚类得到的最终变化检测结果图。由图2可以看出，本发明方法能有效地将SAR图像中的变化区域检测出来。仿真2，采用SRM算法和本发明方法对Bern数据集、Ottawa数据集和黄河数据集进行变化检测，结果如图3所示，其中：图3(a)表示三组数据集的输入变化前图像，图3(b)表示三组数据集的输入变化后图像，图3(c)表示根据图3(a)和图3(b)构造的三组数据集的三通道差异图。图3(d)表示三组数据集的采用SRM算法的检测结果，图3(e)表示三组数据集的本发明方法的检测结果；图3(f)表示三组数据集的标准参考图。分别通过图3(d)与图3(f)、图3(e)与图3(f)的检测结果图对比图的差异可知，相比于SRM算法，本发明方法能够有效提高SAR图像中变化区域的检测精确度。另外，本发明实施例的基于SRM超像素聚类的SAR图像变化检测方法的其它构成以及作用对于本领域的技术人员而言都是已知的，为了减少冗余，不做赘述。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同限定。当前第1页1 2 3