[發明專利]基于多目標優化MOEA/D和模糊聚類的SAR圖像變化檢測方法

有效

• 申請號: 201310733123.1
• 申請日: 2013-12-24
• 公開（公告）號: CN103700109A
• 公開（公告）日: 2014-04-02
• 發明（設計）人: 公茂果;焦李成;王橋;馬文萍;馬晶晶;李豪;雷雨;劉嘉
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 西安吉盛專利代理有限責任公司 61108
• 代理人: 張培勛

1.基于多目標優化MOEA/D和模糊聚類的SAR圖像變化檢測方法，其特征是：包括如下步驟：

步驟101：對經過配準、幾何校正等預處理后得到的同一地區不同時刻的兩幅圖像X₁、X₂使用對數比方法生成差異圖X_l，該差異圖是根據如下對數比方法的計算公式得到的：

Xl=|logX2X1|=|logX2-logX1|]]>

其中X_l為計算得到的差異圖，X₁和X₂分別為同一地區不同時刻的兩幅預處理后的圖像，log為自然對數運算符；

步驟102：使用均值濾波方法對步驟101中產生的差異圖X_l進行處理，得到去噪后的差異圖該差異圖按如下公式計算得到：

xi‾=1NRΣi∈Nixi]]>

其中為得到的去噪后的差異圖的第i個像素的灰度值，x_i為差異圖的第i個像素的灰度值，N_R為第i個像素的鄰域所包含的像素個數，本發明中選用的是3x3的鄰域窗口，即N_R為9，N_i為落在第i個像素鄰域內的像素集合；

步驟103：根據細節保持和噪聲去除這兩個目標確定出兩個目標函數f₁、f₂，并將其組合成多目標優化問題；

步驟104：使用多目標優化算法MOEA/D求解由步驟103得到的多目標問題，得到符合條件的Pareto前端，然后根據每一個Pareto最優解對應的隸屬度矩陣求得對應的變化檢測結果圖；這一步驟中使用的MOEA/D算法的思想是把多目標優化問題分解成若干個單目標優化子問題，每個子問題在當前的種群中都能找到一個局部最優解；用權重向量的歐氏距離來描述子目標中鄰居之間的遠近程度，而這個權重向量就是所有子目標的聚合系數；然后通過進化過程，同時求解這些子問題，由于兩個相鄰子問題的優化解理論上非常相似，所以在MOEA/D算法中每個子問題均可借助于其相鄰子問題的優化信息，從而可以得到更加可靠的Pareto前端；

步驟105：根據需要，從Pareto前端中選擇合適的解，得到對應的SAR圖像變化檢測的結果圖，其選擇原則是：若重點在于圖像細節的保持，則選擇使第一個目標函數取得最小值的解；若重點在于圖像中噪聲的去除，則選擇使第二個目標函數取得最小值的解，否則，根據對兩個目標的偏重程度差異選擇一個折衷解。

2.根據權利要求1所述的基于多目標優化MOEA/D和模糊聚類的SAR圖像變化檢測方法，其特征是：所述的步驟103，包括如下步驟：

步驟201：從圖像細節保持的角度出發，選用如下函數作為第一個目標函數f₁：

f1(v1,v2)=Σi=1NΣj=1cujim||xi-vj||2---(1)]]>

其中N為圖像總的像素個數，c為聚類數目，u_ji∈(0,1)為第i個像素相對于第j類的隸屬度，m為大于1的加權指數，x_i為差異圖的第i個像素的灰度值，v_j為第j個聚類中心，由隨機初始化得到，然后根據如下公式得到隸屬度矩陣：

uij=1Σk=1c(||xi-vj||||xi-vk||)2]]>

因為本發明是用于解決變化檢測問題，所以聚類個數選為2，即分為變化類和未變化類，加權指數m也取為2；

步驟202：從圖像噪聲去除的角度出發，選用如下函數作為第二個目標函數f₂：

f2(v1,v2)=Σi=11NΣj=1cujim||xi‾-vj||2---(2)]]>

它與第一個目標函數(1)的區別在于為對差異圖進行均值濾波后得到的圖像第i個像素的灰度值；

步驟203：由以上兩個目標函數(1)和(2)組合成為一個具有兩個決策變量和兩個目標變量的多目標優化問題：

minF(v1,v2)=(f1,f2)Ts.t.(v1,v2)T∈Ω---(5)]]>

其中變化類和未變化類的聚類中心(v₁,v₂)分別為兩個決策變量，它們組成一個決策矢量v＝(v₁,v₂)^T，Ω為決策空間，這樣就把問題轉化成了對這個多目標問題(3)的求解。