[發明專利]一種廣義高斯K＆I的SAR圖像變化檢測方法

有效

• 申請號: 201310733231.9
• 申請日: 2013-12-24
• 公開（公告）號: CN103839257B
• 公開（公告）日: 2017-01-11
• 發明（設計）人: 公茂果;焦李成;趙姣姣;馬文萍;馬晶晶;劉嘉;雷雨;李豪
• 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;G06T5/00
• 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

1.一種廣義高斯K&I的SAR圖像變化檢測方法，其特征是：包括如下步驟：

步驟101：開始基于改進鄰域比及廣義高斯K&I的SAR圖像變化檢測方法；

步驟102：導入兩幅配準后的同一地區不同時刻的SAR圖像；

步驟103：對鄰域比值算法做改進，按照如下步驟構造兩幅不同時間同一地區的圖像I₁,I₂的差異影像圖DI；

步驟104：使用修正的廣義高斯K&I算法對上述所得的差異圖DI尋找最優的分割閾值T^*，由于原始的K&I閾值方法只能對對稱的高斯圖像找到合適的分割閾值，而通過鄰域比算子所得到的圖像符合非對稱的高斯模型，因此對原始的廣義高斯K&I方法的指標函數J_{GG_KI}(T)加入一個局部能量修正項使其對鄰域比差異圖能找到一個合理的閾值；

步驟105：利用步驟104中求得的最優閾值T^*對差異圖DI進行閾值分割，得到最終的變化檢測結果圖CNI；

步驟106：結束基于改進鄰域比及廣義高斯K&I的SAR圖像變化檢測方法。

2.根據權利要求1所述的一種廣義高斯K&I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：開始改進的鄰域比算子做差異圖；

步驟202：分別取得兩時像SAR圖像I₁,I₂在同一位置x上的像素鄰域集合Ω₁(x)和Ω₂(x)，其大小為N×N，N∈{3,5,7,9}；

步驟203：差異圖DI在位置x上的像素灰度值DI(x)：

DI(x)=∂×min{I1(x),I2(x)}max{I1(x),I2(x)}]]>

其中，I₁(i)和I₂(i)分別表示圖像I₁,I₂在位置x上鄰域集合Ω₁(x)和Ω₂(x)的第i個元素，DI(x)值越小，說明圖像I₁,I₂在位置x上的差異性越大，則位置x上的像素點屬于變化區域的可能性也越大，反之，該位置像素點屬于非變化區域的可能性越大；求解系數其表示比值圖像上像素x的鄰域異質性；表示極小值圖像上位置x鄰域集合的第i個元素的權重，表示極大值圖像上位置x鄰域集合的第i個元素的權重,對系數的求解采用公式：

∂=σ(x)μ(x)---(2)]]>

σ(x)和μ(x)分別表示比值圖像上像素x鄰域的方差和均值。值越大，表示區域異質性越強，差異圖DI(x)的求解公式中第一部分所占比重大；反之，則第二部分所占比重大；

步驟204：求解鄰域比部分中鄰域內第i個元素的權重α_i,x，它取決于鄰域內像素i和中心像素x的相似性，該相似性采用加權歐式距離測量v(Ω_k)表示中心像素為k的鄰域矢量。α_i,x計算公式如下：

αi,x=1Z(i)e-||v(Ωi)-v(Ωx)||22h2---(3)]]>

其中Z(i)為歸一化常數，

Z(i)=Σxe-||v(Ωi)-v(Ωx)||22h2---(4)]]>

參數h的評估使用如下公式：

h=2l2ln(1/γ)σn---(5)]]>

其中σ_n是噪聲的標準差，可以直接從圖像中計算出來，l²是領域大小，0＜γ≤1是自由參數，通常取0.6-0.9；

步驟205：比較兩個鄰域集合Ω₁(x)和Ω₂(x)的相似性，將步驟203和步驟204中公式(2)和(3)計算的結果代入公式(1)，對圖像I₁,I₂的每一個像素點計算得到差異圖DI；

步驟206：結束改進的鄰域比算子做差異圖。

3.根據權利要求1所述的一種廣義高斯K&I的SAR圖像變化檢測方法，其特征是：所述的步驟104，包括如下步驟：

步驟301：開始修正的廣義高斯K&I方法求圖像閾值；

步驟302：求得差異圖DI的灰度直方圖h(X_l)，l∈{0,1,......,L-1}；

步驟303：基于上述所得的灰度直方圖h(X_l)，對每一個閾值T(T∈{0,1,......,L-1})，灰度值小于T的屬于變化類，灰度值大于T的屬于未變化類，分別求解變化類和未變化類的概率P_u(T)和P_c(T)，均值m_u(T)和m_c(T)以及方差和

Pu(T)=ΣXl=0Th(Xl),mu(T)=1Pu(T)ΣXl=0TXlh(Xl)σu2(T)=1Pu(T)ΣXl=0T[Xl-mu(T)]2h(Xl)Pc(T)=1-Pu(T),mc(T)=1Pc(T)ΣXl=T+1L-1Xlh(Xl)σc2(T)=1Pc(T)ΣXl=T+1L-1[Xl-mc(T)]2h(Xl)---(6)]]>

步驟304：使用查表法求解廣義高斯建模下兩類條件概率表達式P(Xl|ωi)=aie-[bi|Xl-mi|]βi]]>的形狀參數ai=biβi2Γ(1βi)]]>和bi=1σiΓ(3βi)Γ(1βi)(i=u,c),]]>其中β_i為分布的形狀參數；

步驟305：根據步驟303和步驟304的計算結果求解原始的廣義高斯K&I的指標函數J_{GG_KI}(T)：

JGG_KI(T)=ΣXl=0Th(Xl)[bu(T)|Xl-mu(T)|]βu(T)]]>

+ΣXl=T+1L-1h(Xl)[bu(T)|Xl-mc(T)|]βu(T)]]>

+H(ω,T)-[Pu(T)lnau(T)+Pc(T)lnac(T)]---(7)]]>

步驟306：計算利用了空間信息的局部能量修正項其中S是圖像的所有像素集合，定義A_i(i∈S)代表變化類或未變化類的標簽(像素i屬于為變化類，A_i＝0；否則，A_i＝1。如果A_ξ＝A_η，[A_ξ≠A_η]為0，如果A_ξ≠A_η,[A_ξ≠A_η]為1)。系數B(ξ,η）=exp(-θ||Y_ξ-Y_η||²)是對像素ξ和η之間不連續性的懲罰,ξ和η越相似，B(ξ,η）值越大，反之，B(ξ,η）值接近于0，這里θ≥0是平滑參數，Y_i(i∈S)表示像素i的灰度值；

步驟307：對每一個閾值T(T∈{0,1,......,L-1})，計算修正后的指標函數J(T)=λJGG_KI(T)+Ση∈SBη(T);]]>

步驟308：根據T*=argminJ(T)T=0,1,......,L-1]]>最小化指標函數J(T)=λJGG_KI(T)+Ση∈SBη(T),]]>從而求得最優分割閾值T^*；

步驟309：結束修正的廣義高斯KI算法求分割閾值。