CN106056577A - 基于mds‑srm混合级联的sar图像变化检测方法 - Google Patents

Abstract

本发明公开了一种基于MDS‑SRM的混合级联变化检测方法，主要解决现有SRM算法中因静态排序等因素导致变化检测不精确的问题。其实现步骤为：1.输入两时相单通道SAR图像，分别对其进行去噪处理；2.用去噪后的图像构造对数比值图和均值比值图，并两者叠加成一幅双通道差异图像；3.对双通道差异图像进行合并，得到第一次合并结果；4.在第一次合并结果的基础上再次合并，得到第二次合并结果；5.对第二次合并结果中的每个区域的灰度均值进行升序排序，并进行区域合并，得到最终变化检测结果。本发明能有效提高了SAR图像中变化区域的检测精确度，可用于灾害区域的定位及城市的扩张情况分析。

Description

基于MDS-SRM混合级联的SAR图像变化检测方法

技术领域

本发明属于图像处理领域，更进一步涉及两时相图像变化区域的检测方法，可用于灾害区域的定位及城市的扩张情况分析。

背景技术

随着近几年遥感技术的迅猛发展，遥感数据数量日益增长，并广泛应用于环境监测、大气分析和城市规划等领域。其中SAR图像变化检测被应用到军事和民用领域，主要涉及如洪水、火灾和地震等自然灾害区域的定位、城市的扩张情况分析以及军事应用中打击效果的评估，所以研究SAR图像变化检测具有重要意义。

SAR图像变化检测主要包含时相图像的预处理、产生差异图和提取变化区域三个步骤。其中，提取变化区域部分，本质上可分为无监督检测和有监督检测方法。相比较而言，无监督方法可以直接通过聚类或分割算法处理差异图像从而得到变化检测结果，比较契合变化检测缺乏先验信息的特点，因此被广泛使用。

基于图像分割的无监督方法包括：最大类间方差算法OTSU、阈值分割算法K&I、统计分割算法MRF和统计区域合并算法SRM等。其中SRM算法具有不依赖于数据的概率分布假设和拥有较好的抗噪能力的优点，这使其更适于SAR图像变化检测。但SRM算法仅考虑区域均值差进行静态排序，会导致过合并错误概率增大，且单次使用SRM无法获得最终的变化检测结果。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种基于多层动态排序统计区域合并算法MDS-SRM的混合级联变化检测方法，以实现SAR图像中变化区域的检测，提升检测的准确率。

实现本发明的技术方案是：对输入图像进行去噪，采用对数比和均值比方法构建双通道差异图像，通过混合级联结构对差异图像进行处理完成变化区域的提取，其中第一级采用SRM算法将差异图从像素空间转换为超像素空间，第二级利用MDS-SRM算法完成差异图像中小区域到大区域的合并过程，最后使用简化的SRM算法获得最终的变化检测结果，其实现步骤包括如下：

(1)输入两幅不同时间相同地域的单通道SAR图像X₁、X₂，并利用非局部均值算法去除该两幅图像中的相干斑噪声，得到去噪后的两幅图像I₁和I₂；

(2)用去噪后的图像I₁和I₂，构造对数比值图DI₁和均值比值图DI₂；

(3)将构造的对数比值差异图DI₁和均值比值差异图DI₂进行叠加，得到成一幅双通道差异图像DI；

(4)利用统计区域合并算法对双通道差异图像DI中的像素点进行合并，完成差异图从像素空间到区域空间的转变，得到第一次合并图像DT₁；

(5)利用多层动态排序统计区域合并算法对一次合并后图像DT₁中的区域进行二次合并，得到拥有较大区域的二次合并图像DT₂：

(5a)遍历一次合并图像DT₁中相邻的区域，确定区域对个数M；

(5b)计算区域对的相似度f(R',R)：

$f(R^{\′},R)=\underset{k\∈\{{\mathrm{DI}}_1,{\mathrm{DI}}_2\}}{max}\left|\sqrt{\[H_1-H_2\]*S^{-1}*{\[H_1-H_2\]}^T}\right|$

式中R'和R表示相邻的两个区域，H₁和H₂分别表示相邻两区域中的特征向量，其中代表k通道R区域的平均像素值，A(R_k)表示R区域的统计直方图矩阵，|R|表示区域R的像素个数；S^-1为相邻区域特征向量的协方差矩阵S(a,b)的逆矩阵；

(5c)将相似度f(R',R)从小到大排序，得到合并顺序列表Index(i),i为遍历合并顺序列表的指针，设i＝1，选定相似度f(R,R')最小值的区域对(R,R')；

(5d)根据以下公式判定最小值的区域对(R,R')是否合并：若满足则合并，计算此时的相邻区域对个数M并更新相邻区域对(R,R')的相似度f_n+1(R,R')：

其中，参数Q代表统计复杂度，通过调节Q获得不同程度的分割结果，R_|R|表示有|R|个像素的区域，且有||R_R|||≤(|R|+1)^min(R|,g)，g＝256，|R|表示区域含有的像素个数，常数|I|是图像I包含的像素点个数，代表k通道R区域的平均像素值；f_n(R,R')代表了第n次合并之前R'区域和R区域的相似度，φ和分别表示本次相似度和历史相似度的权重，更新合并顺序列表Index(i),设i＝1，选定f_n+1(R,R')最小值的区域对(R,R')，再次判断最小值的区域对(R,R')是否合并；

否则,i＝i+1，判断i<＝M是否成立，若成立，则取Index(i)对应的相邻区域对，重复步骤(5d)；若不成立，合并结束,得到二次合并图像DT₂；

(6)对二次合并图像DT₂中的每个区域的灰度均值进行升序排序得到合并顺序列表，然后采用SRM算法中的合并准则对合并顺序列表中的区域依次进行区域合并，得到最终的变化检测结果。

本发明具有如下优点：

第一，本发明通过利用均值比和对数比各自的优点构建双通道差异图，可以弥补由于实验中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；

第二，本发明通过采用优化的排序准则，在均值差的基础上加入了区域直方图和面积差异特征，使得排序更加合理，从而降低了发生错误合并的概率；

第三，本发明利用混合级联合并变化检测方法结构能有效地提高SAR图像变化检测的精度。

附图说明

图1为本发明的实现流程图；

图2为用本发明对Bern数据集进行SAR图像变化检测的结果图；

图3为本发明与现有RFLICM算法、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。

具体实施方案

下面结合附图，对本发明的实现步骤和效果作进一步的详细描述。

参照图1，本发明的实现步骤如下：

步骤1，输入两幅不同时间相同地域的单通道SAR图像X₁、X₂，并利用非局部均值算法去除该两幅图像中的相干斑噪声，得到去噪后的图像I₁、I₂。

(1a)选取数据集中变化前的噪声图像X₁＝{X₁(i)|i∈I}，I为图像像素域，对图像中任意一个像素点i，采用非局部均值算法去噪，得到该点的灰度估计值为：

$I_1\left(i\right)=\underset{j\&Element;I}{\&Sigma;}\mathrm{\&omega;}(i,j)X_1\left(i\right)$

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，且遍历图像X₁中所有的像素点，得到第一幅去噪后的图像I₁；

(1b)选取数据集中变化后的噪声图像X₂＝{X₂(i)|i∈I}，对图像中任意一个像素点i，采用非局部均值算法去噪，得到该点的灰度估计值为：

$I_2\left(i\right)=\underset{j\&Element;I}{\&Sigma;}\mathrm{\&omega;}(i,j)X_2\left(i\right)$

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且遍历图像X₂中所有的像素点，得到第二幅去噪后的图像I₂。

步骤2，用去噪后的两幅图像I₁、I₂，构造对数比值图DI₁和均值比值图DI₂。

(2a)用去噪后图像I₁、I₂中坐标为(i,j)的像素点的像素值，计算对数比值差异图DI₁中像素点坐标为(i,j)的像素值：遍历去噪后图像I₁、I₂中所有的像素点，得到对数比值差异图DI₁，其中I₁(i,j)，I₂(i,j)分别为图像I₁，I₂中坐标为(i,j)像素点的像素值；

(2b)用去噪后的图像I₁、I₂中坐标为(i,j)的像素点的像素值，计算均值比值差异图DI₂中像素点坐标为(i,j)的像素值：遍历去噪后图像I₁、I₂中所有的像素点，得到均值比值差异图DI₂，其中μ₁(i,j)，μ₂(i,j)分别为图像I₁，I₂中以坐标为(i,j)的像素点为中心的2*2领域像素平均值。

步骤3，将得到的对数比值差异图DI₁和均值比值差异图DI₂叠加成一幅双通道差异图像DI。

步骤4，利用统计区域合并算法对双通道差异图像DI中的像素点进行合并，完成差异图从像素空间到区域空间的转变，得到第一次合并图像DT₁。

(4a)对双通道差异图像DI中每对像素计算相似度权重：

$f(p,p^{\&prime;})=\underset{k\&Element;\{{\mathrm{DI}}_1,{\mathrm{DI}}_2\}}{max}|p_k-p_k^{\&prime;}|$

其中p_k和p'_k为两个互为相邻的像素值；

(4b)将相似度权重从小到大进行升序排序，并按照排序顺序，依次选取像素对判断该像素对是否合并：若满足则合并，其中，代表k通道R区域的平均像素值，R区域为p_k像素点所属区域，参数Q代表统计复杂度，通过调节Q获得不同程度的分割结果，R_|R|表示有|R|个像素的区域集合，且有||R_R||≤(n+1)^min(|R|,g)，g＝256，常数|I|是图像I包含的像素点个数；否则，不合并；当每一组像素对都完成此判断过程时，即得到第一次合并图像DT₁。

步骤5，利用多层动态排序统计区域合并算法对第一次合并图像DT₁中的区域进行进一步的合并，得到第二次合并结果DT₂。

(5a)遍历第一次合并图像DT₁中相邻的区域，确定区域对个数M；

(5b)计算区域对的相似度f(R',R)：

$f(R^{\&prime;},R)=\underset{k\&Element;\{{\mathrm{DI}}_1,{\mathrm{DI}}_2\}}{max}\left|\sqrt{\&lsqb;H_1-H_2\&rsqb;*S^{-1}*{\&lsqb;H_1-H_2\&rsqb;}^T}\right|,$

式中R'和R表示互为相邻的两个区域，H₁和H₂分别表示相邻两区域中的特征向量，其中代表k通道R区域的平均像素值，A(R_k)表示R区域的统计直方图矩阵，|R|表示区域R的像素个数；S^-1为相邻区域特征向量的协方差矩阵S(a,b)的逆矩阵；

(5c)将相似度f(R',R)从小到大排序，得到合并顺序列表Index(i),i为遍历合并顺序列表的指针，设i＝1，选定相似度f(R,R')最小值的区域对(R,R')；

(5d)根据以下公式判定最小值的区域对(R,R')是否合并：若满足则合并，计算此时的相邻区域对个数M，更新相邻区域对(R,R')的相似度f_n+1(R,R')和合并顺序列表Index(i)，设i＝1，选定f_n+1(R,R')最小值的区域对(R,R')，再次判断最小值的区域对(R,R')是否合并，f_n+1(R,R')的计算公式如下：

其中，参数Q代表统计复杂度，通过调节Q获得不同程度的分割结果，R_|R|表示有|R|个像素的区域，且有||R_|R|||≤(|R|+1)^min(|R|,g)，g＝256，|R|表示区域含有的像素个数，常数|I|是图像I包含的像素点个数，代表k通道R区域的平均像素值；f_n(R,R')代表第n次合并之前R'区域和R区域的相似度，φ和分别表示本次相似度和历史相似度的权重，

否则，i＝i+1，判断i<＝M是否成立，若成立，则取Index(i)对应的相邻区域对，重复步骤(5d)；若不成立，合并结束，得到第二次合并图像DT₂。

步骤6，对第二次合并图像DT₂中的每个区域的灰度均值进行升序排序，然后采用统计区域合并算法中的合并准则进行区域合并，得到最终变化检测结果图。

(6a)计算第二次合并图像DT₂中的每个区域的灰度均值

$\mathrm{\&mu;}=\underset{i=0}{\overset{k-1}{\&Sigma;}}{\mathrm{ip}}_i$

式中p_i表示图像中灰度值为i的像素点所占区域中所有像素点的比例，k表示图像灰度级最大值，并将其进行升序排序；

(6b)按照排序顺序，依次选取区域对并使用以下合并准则判断该区域对是否合并：若满足则合并，其中，代表k通道R区域的平均像素值，参数Q代表统计复杂度，通过调节Q获得不同程度的分割结果，R_|R|表示有|R|个像素的区域集合，且有||R_|R|||≤(n+1)^min(|R|,g)，g＝256，常数|I|是图像I包含的像素点个数；否则，不合并。

遍历所有区域后，即得到最终变化检测结果图。

本发明的效果结合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)Core i5-34703.2GHZ、内存8G、WINDOWS 7操作系统的PC上，运用MATLAB 2013b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)表示输入的变化前图像；

图2(b)表示输入的变化后图像；

图2(c)表示对输入的变化前、变化后图像进行对数比值处理得到的对数比值差异图；

图2(d)表示对输入的变化前、变化后图像进行均值比值处理得到的均值比值差异图；

图2(e)表示对由对数比值差异图和均值比值差异图叠加成的双通道差异图进行合并得到的第一次合并结果图；

图2(f)表示在第一次合并结果图的基础上进行合并得到的第二次合并结果图；

图2(g)表示在第二次合并结果图的基础上进一步合并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RFLICM算法、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)表示三组数据集的RFLICM算法的检测结果；

图3(d)表示三组数据集的SRM算法的检测结果；

图3(e)表示三组数据集的MDS-SRM算法的检测结果；

图3(f)表示三组数据集的标准参考图。

由图3可以看出，相比于RFLICM算法和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。

以上描述仅是本发明的一个具体实例，显然对于本领域的专业人员来说，在了解了本发明内容和原理之后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种修正和改变，但是这些基于本发明思想的修正和改变仍在本发明的权利要求范围之内。

Claims (5)

1.一种基于MDS-SRM混合级联的SAR图像变化检测方法，包括：

(1)输入两幅不同时间相同地域的单通道SAR图像X₁、X₂，并利用非局部均值算法去除该两幅图像中的相干斑噪声，得到去噪后的两幅图像I₁和I₂；

(2)用去噪后的图像I₁和I₂，构造对数比值图DI₁和均值比值图DI₂；

(3)将构造的对数比值差异图DI₁和均值比值差异图DI₂进行叠加，得到成一幅双通道差异图像DI；

(4)利用统计区域合并算法对双通道差异图像DI中的像素点进行合并，完成差异图从像素空间到区域空间的转变，得到第一次合并图像DT₁；

(5)利用多层动态排序统计区域合并算法对一次合并后图像DT₁中的区域进行二次合并，得到拥有较大区域的二次合并图像DT₂：

(5a)遍历一次合并图像DT₁中相邻的区域，确定区域对个数M；

(5b)计算区域对的相似度f(R',R)：

$f(R^{\&prime;},R)=\underset{k\&Element;\{{\mathrm{DI}}_1,{\mathrm{DI}}_2\}}{max}\left|\sqrt{\&lsqb;H_1-H_2\&rsqb;\&times;S^{-1}\&times;{\&lsqb;H_1-H_2\&rsqb;}^T}\right|$

式中R'和R表示相邻的两个区域，H₁和H₂分别表示相邻两区域中的特征向量，其中代表k通道R区域的平均像素值，A(R_k)表示R区域的统计直方图矩阵，|R|表示区域R的像素个数；S^-1为相邻区域特征向量的协方差矩阵S(a,b)的逆矩阵；

(5c)将相似度f(R',R)从小到大排序，得到合并顺序列表Index(i),i为遍历合并顺序列表的指针，设i＝1，选定相似度f(R,R')最小值的区域对(R,R')；

(5d)根据以下公式判定最小值的区域对(R,R')是否合并：若满足则合并，计算此时的相邻区域对个数M并更新相邻区域对(R,R')的相似度f_n+1(R,R')：

其中，参数Q代表统计复杂度，通过调节Q获得不同程度的分割结果，R_|R|表示有|R|个像素的区域，且有||R_|R|||≤(|R|+1)^min(|R|,g)，g＝256，|R｜表示区域含有的像素个数，常数|I|是图像I包含的像素点个数，代表k通道R区域的平均像素值；f_n(R,R')代表了第n次合并之前R'区域和R区域的相似度，φ和分别表示本次相似度和历史相似度的权重，更新合并顺序列表Index(i),设i＝1，选定f_n+1(R,R')最小值的区域对(R,R')，再次判断最小值的区域对(R,R')是否合并；

否则,i＝i+1，判断i<＝M是否成立，若成立，则取Index(i)对应的相邻区域对，重复步骤(5d)；若不成立，合并结束,得到二次合并图像DT₂；

(6)对二次合并图像DT₂中的每个区域的灰度均值进行升序排序得到合并顺序列表，然后采用SRM算法中的合并准则对合并顺序列表中的区域依次进行区域合并，得到最终的变化检测结果。

2.根据权利要求1所述的基于混合级联统计区域合并的SAR图像变化检测方法，其中步骤(1)中利用非局部均值算法去除原始输入两幅图像中的相干斑噪声，是根据原始输入的噪声图像v＝{v(i)|i∈I}，I为图像像素域，对图像中任意一个像素点i，采用非局部均值算法去噪，得到该点的灰度估计值为：

$NL\left(v\right)\left(i\right)=\underset{j\&Element;I}{\&Sigma;}\mathrm{\&omega;}(i,j)v\left(i\right)$

其中，权值ω(i,j)表示像素i和j之间的相似程度，并满足条件0≤ω(i,j)≤1且

3.根据权利要求1所述的基于混合级联统计区域合并的SAR图像变化检测方法，其中步骤(2)中用去噪后的图像I₁、I₂，构造对数比值图DI₁和均值比值图DI₂，按照如下步骤进行：

(2a)用去噪后图像I₁、I₂中坐标为(i,j)的像素点的像素值，通过公式构造对数比值差异图DI₁中坐标为(i,j)的像素点DI₁(i,j)，遍历去噪后图像I₁、I₂中所有的像素点，即得到对数比值差异图DI₁；

(2b)用去噪后的图像I₁、I₂中坐标为(i,j)的像素点的像素值，通过公式构造均值比值差异图DI₂中坐标为(i,j)的像素点DI₂(i,j)，遍历去噪后图像I₁、I₂中所有的像素点，即得到均值比值差异图DI₂。其中μ₁(i,j)，μ₂(i,j)分别为图像I₁，I₂中以坐标为(i,j)的像素点为中心的2*2领域像素平均值。

4.根据权利要求1所述的基于混合级联统计区域合并的SAR图像变化检测方法，其中步骤(4)中利用统计区域合并算法对构建的差异图像DI中的像素点进行合并，按照如下步骤进行：

(4a)对差异图像DI中每对相邻像素计算相似度权重：

$f(p,p^{\&prime;})=\underset{k\&Element;\{{\mathrm{DI}}_1,{\mathrm{DI}}_2\}}{max}|p_k-p_k^{\&prime;}|$

其中p_k和p'_k为相邻像素对的像素值；

(4b)将相似度权重从小到大进行升序排序，并按照排序顺序，依次选取像素对判断该像素对是否合并：若满足则合并，其中，代表k通道R区域的平均像素值,R区域为p_k像素点所属区域，参数Q代表统计复杂度，通过调节Q获得不同程度的分割结果，R_|R|表示有|R|个像素的区域集合，且有||R_|R|||≤(n+1)^min(|R|,g)，g＝256，常数|I|是图像I包含的像素点个数；否则，不合并；当每一组像素对都完成判断过程时，即得到第一次合并图像DT₁。

5.根据权利要求1所述的基于混合级联统计区域合并的SAR图像变化检测方法，其中步骤(5)中协方差矩阵S(a,b)，表示如下：

$S(a,b)=\frac{\{\&lsqb;H_1\left(a\right)-\mathrm{\&mu;}\left(a\right)\&rsqb;\&times;\&lsqb;H_1\left(b\right)-\mathrm{\&mu;}\left(b\right)\&rsqb;+\&lsqb;H_2\left(a\right)-\mathrm{\&mu;}\left(a\right)\&rsqb;\&times;\&lsqb;H_2\left(b\right)-\mathrm{\&mu;}\left(b\right)\&rsqb;\}}{2}$

其中a和b表示和中的第a个或第b个特征向量，代表k通道R区域的平均像素值，A(R_k)表示R区域的统计直方图矩阵，|R|表示区域R的像素个数，μ表示相邻区域特征向量的均值。