專利名稱：基于量子免疫克隆的sar圖像變化檢測方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理領(lǐng)域，具體地說是一種劃分聚類技術(shù)，可用于多時(shí)相SAR圖 像變化區(qū)域的檢測問題。
背景技術(shù)：
隨著衛(wèi)星遙感技術(shù)的發(fā)展，遙感數(shù)據(jù)飛速增加。其中的SAR數(shù)據(jù)由于不受大氣環(huán) 境和和云層遮擋的影響成為一種重要的遙感數(shù)據(jù)。如何準(zhǔn)確快速自動(dòng)地從不同時(shí)相的SAR 圖像中找出顯著變化的區(qū)域則具有十分重要的意義。在SAR圖像中尋找“非變化”和“變化”兩分類的研究目前還處于初步階段，大致 有兩個(gè)路線，一條路線是分類后比較方法，也稱后分類比較法，該方法先對兩個(gè)時(shí)相的圖像 進(jìn)行獨(dú)立分類，再對兩幅分類圖像進(jìn)行逐象素的比較，最后得到變化檢測圖；另外一條路線 是差異圖分類方法，該方法先對兩個(gè)時(shí)相的圖像進(jìn)行逐象素的比較，比如逐象素點(diǎn)的差值、 比值、CVA等，再對比較得出的差異圖像進(jìn)行進(jìn)一步地多種變換、概率分布等處理以達(dá)到兩 分類，最后得到變化檢測圖。后分類比較法能夠減少由于數(shù)據(jù)獲取平臺和環(huán)境的不同引起 的偽變化信息，不需要數(shù)據(jù)的輻射校正等復(fù)雜的預(yù)處理，目前較多的研究是沿著差異分類 模型這個(gè)路線進(jìn)行的。差異圖分類方法簡單直觀，得到的變化細(xì)節(jié)較為顯著。構(gòu)造差異影 像得到的結(jié)果與實(shí)際的變化和非變化趨勢大體一致。按照策略現(xiàn)有的變化檢測方法可以歸結(jié)為七類算術(shù)運(yùn)算法、變換法、分類法、高 級模型法、GIS方法、視覺分析法和其它方法。其中，在算術(shù)運(yùn)算法中，應(yīng)用比較廣泛的是無 監(jiān)督的分割方法，通常又叫做聚類方法。無監(jiān)督分割方法一般可以分為兩類層次聚類和劃 分聚類，其中劃分聚類通過最小化特定準(zhǔn)則將數(shù)據(jù)集劃分到不同的類屬中，因此這類方法 可以看作是最優(yōu)化問題，同時(shí)，圖像的變化檢測問題也可以視為組合優(yōu)化問題，因此可以用 劃分聚類方法來處理圖像的變化檢測問題。但是已有的優(yōu)化方法對于處理優(yōu)化問題的時(shí)候 往往耗時(shí)很長，并且在搜索過程中容易陷入局部最優(yōu)，同時(shí)對于復(fù)雜圖像的變化檢測問題 往往會(huì)存在邊緣定位不夠準(zhǔn)確的缺點(diǎn)，這樣勢必會(huì)影響到圖像變化檢測的區(qū)域一致性與邊 緣保持的性能。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服上述已有技術(shù)的不足，提出一種基于量子免疫克隆聚類算 法的變化檢測方法，以快速、有效地搜索到最優(yōu)聚類中心，準(zhǔn)確定位邊緣，提高圖像區(qū)域一 致性和邊緣保持性能。實(shí)現(xiàn)本發(fā)明的技術(shù)方案是用聚類來實(shí)現(xiàn)變化檢測，把變化區(qū)域的檢測問題看作組 合優(yōu)化問題，用量子免疫克隆算法計(jì)算搜索，使親合度函數(shù)最大化的序列組合作為變化檢 測結(jié)果，進(jìn)而得到最結(jié)果。具體實(shí)現(xiàn)步驟如下(1)對輸入的兩時(shí)相圖像分別采用中值濾波，得到濾波后的圖像I1和I2 ；(2)對濾波后的圖像I1和I2求對數(shù)比差異影像13，并將該I3的灰度值作為聚類數(shù)
4據(jù)集；(3)設(shè)置抗體規(guī)模N = 20、類別數(shù)k = 2和停機(jī)條件，隨機(jī)產(chǎn)生初始量子抗
體2 (O =“2 “‘ ？ ’作為聚類數(shù)據(jù)集的初始聚類中心，Q(t)中的
P i P 2 … P m Jf，
^ = 2-m)都以等概率w々初始化，所述的停機(jī)條件包括最大親合度值改變量的閾值 ε = 10e-5以及連續(xù)無法改進(jìn)次數(shù)η = 5 ；(4)通過觀察量子抗體Q(t)的狀態(tài)，隨機(jī)產(chǎn)生一個(gè)W，l]數(shù)，若隨機(jī)產(chǎn)生的數(shù)大 于|<|2 ,則在相應(yīng)的二進(jìn)制位上取1，否則取0，以得到觀測后的解~) = { …乂}，每個(gè) 《C/= 1,2,…，均表示長度為m的二進(jìn)制串(X1XfXm)；(5)計(jì)算觀測后的二進(jìn)制抗體P (t)與聚類數(shù)據(jù)集的親合度函數(shù)fk，保留當(dāng)前種群 中的最優(yōu)子抗體qbest;(6)將量子抗體Q(t)進(jìn)行量子旋轉(zhuǎn)門變異操作，得到量子種群Qm(t)；(7)將量子種群Qm(t)進(jìn)行量子全干擾交叉重組操作，得到聚類中心Q。(t)；(8)將聚類中心Q。(t)觀測成為新的二進(jìn)制抗體P。(t)，計(jì)算ρ。(t)中每個(gè)子抗體 與聚類數(shù)據(jù)集的親合度函數(shù)值f。；(9)對p。(t)進(jìn)行選擇操作，得到子代抗體ρ (t+1)；(10)判斷子代抗體是否滿足停機(jī)條件，如果滿足該條件就將子代抗體中親合度 最高的抗體對應(yīng)的圖像類屬劃分作為輸出結(jié)果，否則返回步驟(4)，循環(huán)執(zhí)行步驟(4) (10)，直到滿足停機(jī)條件。本發(fā)明與現(xiàn)有技術(shù)相比具有如下優(yōu)點(diǎn)1.在圖像數(shù)據(jù)聚類過程中快速且有效地搜索到最優(yōu)聚類中心，防止在進(jìn)化過程中 陷入局部最優(yōu)解。本發(fā)明由于采用了量子免疫克隆聚類算法來實(shí)現(xiàn)SAR圖像變化檢測，在操作中利 用量子編碼的疊加性來構(gòu)造抗體，使得作用在量子編碼抗體上的操作具有高效的并行性， 為防止盲目的搜索，利用當(dāng)前最優(yōu)抗體的信息來控制變異，使種群以大概率向著優(yōu)良模式 進(jìn)化來加速收斂，并且有效地提高了搜索速度，使得該操作的時(shí)間復(fù)雜度降低。隨著問題的 復(fù)雜求解能力不盡人意，在各個(gè)子群體間采用量子重組操作增強(qiáng)信息交流，在各個(gè)子群體 內(nèi)部采用量子旋轉(zhuǎn)門對抗體進(jìn)行進(jìn)化，并動(dòng)態(tài)調(diào)整旋轉(zhuǎn)角度，在全局搜索的同時(shí)兼顧局部， 有效防止了在進(jìn)化過程中陷入局部最優(yōu)解。2.圖像變化檢測效果好本發(fā)明由于采用了量子編碼，量子重組，量子變異操作和精英選擇策略操作，因而 具有比現(xiàn)有技術(shù)更好的圖像變化檢測效果。仿真實(shí)驗(yàn)表明，針對幾幅變化檢測SAR圖像，其 變化檢測結(jié)果的區(qū)域一致性，邊緣準(zhǔn)確性好，同時(shí)具有更低的變化檢測錯(cuò)誤率。


圖1是本發(fā)明的SAR圖像變化檢測流程圖；圖2是現(xiàn)有量子旋轉(zhuǎn)門的構(gòu)造示意圖；圖3是用本發(fā)明方法對Bern城市水災(zāi)變化檢測結(jié)果示意圖4是用本發(fā)明方法對Ottawa地區(qū)水災(zāi)變化檢測結(jié)果示意圖。
具體實(shí)施例方式參照圖1，本發(fā)明的變化檢測過程如下步驟1，對待檢測的兩時(shí)相圖像進(jìn)行簡化處理。這里選取形態(tài)學(xué)中最常用的工具之一中值濾波器，窗口大小為3x3，用該濾波器對 輸入的兩時(shí)相圖像進(jìn)行濾波處理，得到濾波后的圖像I1和12，濾波的目的是去掉小的噪聲 干擾以及對感知不重要的細(xì)節(jié)，對圖像起到平滑作用，與經(jīng)典的圖像簡化工具，如低通或中 通濾波器相比，中值濾波器的優(yōu)勢在于簡化圖像而不造成圖像模糊或改變圖像輪廓。步驟2，按如下步驟對濾波后的圖像I1和I2求對數(shù)比差異影像I3，并將得到的I3 的灰度值作為聚類數(shù)據(jù)集。(2a)求待變化檢測兩時(shí)相圖像的對數(shù)比差異影像Id = Ilog(I^l)-Iogd1+!)其中I' ！ = (I1 (i, j),l ^ i ^ 1,1 ^ j ^ J}, I2 = {I2(i, j),l ^ i ^ I, 1 ^ j ^ J};(2b)對差異影像進(jìn)行歸一化處理，得到對數(shù)比差異影像圖I3 = 255* (I11-Imin) / (Imax-Imin)其中Imax = max (Id)，表示Id中最大灰度值，Imin = min (Id)，表示Id中最小灰度值。步驟3，設(shè)置初始化參數(shù)，生成初始量子抗體。(3a)按照量子免疫克隆算法設(shè)置抗體規(guī)模N = 20、類別數(shù)k = 2，同時(shí)給定停機(jī) 條件，該停機(jī)條件包括最大親合度值改變量的閾值ε =10e_5以及連續(xù)無法改進(jìn)次數(shù)η = 5 ；(3b)初始量子抗體Q(t)按如下定義隨機(jī)產(chǎn)生，作為聚類數(shù)據(jù)集的初始聚類中心一個(gè)具有m個(gè)量子比特位的抗體Q(t)可以描述為Q (O =其中α，β表示一個(gè)量子比特位，是用一對復(fù)數(shù)歸|Ψ>= α |0>+β | 1 >來定 義，這個(gè)復(fù)數(shù)表示一個(gè)量子比特位的狀態(tài)可以取0或1，該量子比特位處于狀態(tài)0和狀態(tài)1 的概率分別是I α I2, I β I2，并且QiI2+! ^iI2 = Ki = 1,2,…，m)，這種表示方法能夠表 征任意的線性疊加態(tài)。在本發(fā)明中，Q(t)中的= — 都以等概率▲初始化，意味著所有 可能的線性疊加態(tài)以相同的概率出現(xiàn)。步驟4，將初始量子抗體Q (t)觀測成為二進(jìn)制抗體ρ (t)。通過觀察初始量子抗體Q (t)的狀態(tài)，產(chǎn)生一組普通二進(jìn)制解ρ (t)，其中在第t代 中P(t)可以描述為= K, '■··,<}其中<(/.= 1,2,…,《)是長度為m的二進(jìn)制串(X1X2…xm)，它是由量子比特幅度|α,'|2或|A'|2 (^1,2,---,肌)得到的。產(chǎn)生二進(jìn)制抗體(X1XfXm)的具體過程為隨機(jī)產(chǎn)生一個(gè)
數(shù)，若隨機(jī)產(chǎn)生的 數(shù)大于|<|2;則相應(yīng)的二進(jìn)制位上取1，否則取0。步驟5，計(jì)算每個(gè)觀測后的二進(jìn)制抗體ρ (t)與聚類數(shù)據(jù)集的親合度函數(shù)fk，保留 當(dāng)前群體中的最優(yōu)抗體qbest?？贵w親合度函數(shù)定義為 其中，i表示類別，j表示樣本點(diǎn)，μ 表示一個(gè)像素點(diǎn)樣本j屬于各個(gè)類別i的隸 屬度，m表示模糊指數(shù)，d(Xj, Vi)表示第Vi個(gè)聚類中心到第Xj個(gè)像素樣本之間的歐幾里德距離。步驟6，將初始量子抗體Q(t)進(jìn)行量子旋轉(zhuǎn)門變異操作，得到新的量子種群 Qm⑴。在本發(fā)明中，各個(gè)狀態(tài)間的轉(zhuǎn)移是通過量子門變換矩陣實(shí)現(xiàn)的，在0、1編碼的問 題中，設(shè)計(jì)了下面這種量子門變換矩陣來加速進(jìn)化求優(yōu)
「cos(0) -sin(0)"jU(0)=J,
sin(0) cos((9) _U( θ )表示量子旋轉(zhuǎn)門變換矩陣，旋轉(zhuǎn)變異的角度θ可由表量子旋轉(zhuǎn)門變異角θ 變化表得到，用量子旋轉(zhuǎn)門的旋轉(zhuǎn)角度表征了量子抗體中的優(yōu)化方向，進(jìn)而方便的在變異 過程中加入最優(yōu)抗體的信息，加快算法收斂。表1量子旋轉(zhuǎn)門變異角θ變化表 表中Xi為當(dāng)前抗體的第i位，best,為當(dāng)前的最優(yōu)抗體的第i位，均為二值編碼， f(x)為親合度函數(shù)，Δ Qi為旋轉(zhuǎn)角度的大小，用以控制算法收斂的速度，S(CiJi)為旋轉(zhuǎn) 角度的方向，用于保證算法的收斂。參照圖2，本發(fā)明用一個(gè)二維坐標(biāo)系來表示量子旋轉(zhuǎn)門的結(jié)構(gòu)，其中橫坐標(biāo)為α表示當(dāng)前解取零的概率，縱坐標(biāo)為βi，表示當(dāng)前解取ι的概率，單位圓表示I ai|2+| β」2 = l(i = 1,2,…，m)的所包含的區(qū)域，當(dāng)Xi = 0，besti = 1，f(x)彡f(best)時(shí)，為使當(dāng)前 解收斂到一個(gè)具有更高親合度的抗體，應(yīng)增大當(dāng)前解取0的概率，即要使I α」2變大，如果 (a,, ^j)在第一、三象限，θ應(yīng)向順時(shí)針方向旋轉(zhuǎn)；如果(Cii, β,)在第二、四象限，θ應(yīng) 向逆時(shí)針方向旋轉(zhuǎn)。步驟7，將新的量子種群Qm (t)進(jìn)行量子全干擾交叉重組操作，得到Q。(t)，并將其 作為新的聚類中心。本發(fā)明通過使用量子的相干特性構(gòu)造了一種新的重組操作_ “全干擾交叉”，量子 抗體在實(shí)行這種重組操作之前的狀態(tài)如表2量子重組操作前的抗體所示，實(shí)行量子重組后 各個(gè)抗體之間的狀態(tài)如表3量子重組操作后的抗體所示。該量子重組操作采用對角線交叉的方式，讓處于對角線上的抗體經(jīng)過這種量子重 組方式之后處于同一行上面，這樣保證了種群中的所有抗體均參與重組，這種量子重組可 以充分利用種群中的盡可能多的抗體的信息，從而改進(jìn)普通交叉的局部性與片面性，在種 群進(jìn)化出現(xiàn)早熟時(shí)，這種量子重組方法能夠產(chǎn)生新的抗體，可以給進(jìn)化過程注入新的動(dòng)力。表2量子重組操作前的抗體 表3量子重組操作后的抗體 步驟8，將新的量子種群Q。(t)觀測成為二進(jìn)制抗體P。(t)，計(jì)算每個(gè)抗體與聚類數(shù) 據(jù)集的親合度函數(shù)值f。；步驟9，對p。(t)進(jìn)行選擇操作，得到子代抗體ρ (t+1)。本發(fā)明采用的是精英選擇策略，具體為，即在進(jìn)化過程中，如果某一代中的最優(yōu)解 的親合度函數(shù)值優(yōu)于當(dāng)前代最優(yōu)解的親合度函數(shù)值，則當(dāng)前代最優(yōu)解就被該最優(yōu)解所代 替，否則保留當(dāng)前代最優(yōu)解，從而可以保證在進(jìn)化過程中每一代的最優(yōu)解都不會(huì)丟失。選擇操作的目的是選擇出親合度較高的抗體，這些抗體對應(yīng)的差異圖像的變化檢 測的結(jié)果要好于親合度低的抗體對應(yīng)的差異圖像的變化檢測結(jié)果，采用精英選擇策略可以保證某一代的最優(yōu)解在整個(gè)進(jìn)化過程中可以毫發(fā)無損地被保留下來。步驟10，輸出圖像類屬劃分結(jié)果的條件判斷。按照輸出差異影像圖的變化檢測結(jié)果時(shí)最佳的抗體親合度改變量至少連續(xù)迭代 η次不變的原則，判斷停機(jī)條件，如果第t代與t+Ι代最大親合度值之差不大于閾值ε = lOe-5，則η = η+1，否則，η不變，如此反復(fù)迭代，直到滿足η次不大于已設(shè)定的閾值ε = lOe-5，就將該抗體中親合度最高的抗體對應(yīng)的圖像類屬劃分作為輸出結(jié)果，否則返回步驟 (4)，循環(huán)執(zhí)行步驟(4) (10)，直到滿足輸出類屬劃分結(jié)果的停機(jī)條件為止。通過以上十個(gè)步驟的操作，對于輸入的待變化檢測圖像均可以輸出一個(gè)最佳的變 化檢測結(jié)果。本發(fā)明的效果可以通過以下仿真進(jìn)一步說明1.仿真數(shù)據(jù)第一組的真實(shí)SAR數(shù)據(jù)是1999年4月和1999年5月由ERS 2所攜帶的SAR在瑞 士 Bern城區(qū)附近獲得，該組數(shù)據(jù)變化部分是在Thim市、Bern市和Bern機(jī)場段Aare河的 洪水引起的，實(shí)驗(yàn)中所用圖像大小為301X301像素，256灰度級，其中變化像元數(shù)為1155， 未變化像素元數(shù)為89446。第二組的真實(shí)SAR數(shù)據(jù)是1997年5月和1997年8月由Radarsat所攜帶的SAR 在加拿大Ottawa城區(qū)附近獲得，實(shí)驗(yàn)中所用圖像大小為290x350像素，256灰度級，其中變 化像元數(shù)為11952，未變化像素元數(shù)為82871。2.仿真內(nèi)容及結(jié)果(1)仿真內(nèi)容把以上仿真數(shù)據(jù)的第一時(shí)相原圖和第二時(shí)相原圖作為仿真對象，用本發(fā)明方法檢 測第二時(shí)相原圖相對于第一時(shí)相原圖的變化情況。(2)仿真結(jié)果·對第一組真實(shí)SAR數(shù)據(jù)及實(shí)驗(yàn)結(jié)果如圖3所示，其中圖3 (a)為真實(shí)SAR第一時(shí)相 的原圖，圖3(b)為真實(shí)SAR第二時(shí)相的原圖，圖3(c)為兩時(shí)相的變化檢測參考圖，圖7(d) 為本發(fā)明的變化檢測結(jié)果圖，圖3(e)為對比算法K均值算法變化檢測結(jié)果圖，圖3(f)為對 比算法遺傳算法變化檢測結(jié)果圖。對第二組真實(shí)SAR數(shù)據(jù)及實(shí)驗(yàn)結(jié)果如圖4所示，其中圖4 (a)為真實(shí)SAR第一時(shí)相 的原圖，圖4(b)為真實(shí)SAR第二時(shí)相的原圖，圖4(c)為兩時(shí)相的變化檢測參考圖，圖7(d) 為本發(fā)明的變化檢測結(jié)果圖，圖4(e)為對比算法K均值算法變化檢測結(jié)果圖，圖4(f)為對 比算法遺傳算法變化檢測結(jié)果圖。表4給出了本發(fā)明實(shí)驗(yàn)結(jié)果數(shù)據(jù)。表4實(shí)驗(yàn)結(jié)果數(shù)據(jù) 3.仿真結(jié)果分析從圖3和圖4可以看出，本發(fā)明方法對于復(fù)雜圖像的變化檢測問題邊緣定位準(zhǔn)確， 圖像變化檢測的區(qū)域一致性與邊緣保持的性能相對于K均值算法和遺傳算法都有了很大 的提高。從表4可以得到，本發(fā)明對真實(shí)SAR數(shù)據(jù)，相對于K均值算法和遺傳算法來說，誤 檢率和漏檢率，錯(cuò)誤檢測率都處于較低的水平，總的來說，變化檢測精度高。
權(quán)利要求
一種基于量子免疫克隆的SAR圖像變化檢測，包括以下步驟(1)對輸入的兩時(shí)相圖像分別采用中值濾波，得到濾波后的圖像I1和I2；(2)對濾波后的圖像I1和I2求對數(shù)比差異影像I3，并將該I3的灰度值作為聚類數(shù)據(jù)集；(3)設(shè)置抗體規(guī)模N＝20、類別數(shù)k＝2和停機(jī)條件，隨機(jī)產(chǎn)生初始量子抗體作為聚類數(shù)據(jù)集的初始聚類中心，Q(t)中的都以等概率初始化，所述的停機(jī)條件包括最大親合度值改變量的閾值ε＝10e 5以及連續(xù)無法改進(jìn)次數(shù)n＝5；(4)通過觀察量子抗體Q(t)的狀態(tài)，隨機(jī)產(chǎn)生一個(gè)
數(shù)，若隨機(jī)產(chǎn)生的數(shù)大于則在相應(yīng)的二進(jìn)制位上取1，否則取0，以得到觀測后的解每個(gè)表示長度為m的二進(jìn)制串(x1x2…xm)；(5)計(jì)算觀測后的二進(jìn)制抗體p(t)與聚類數(shù)據(jù)集的親合度函數(shù)fk，保留當(dāng)前種群中的最優(yōu)子抗體qbest；(6)將量子抗體Q(t)進(jìn)行量子旋轉(zhuǎn)門變異操作，得到量子種群Qm(t)；(7)將量子種群Qm(t)進(jìn)行量子全干擾交叉重組操作，得到聚類中心Qc(t)；(8)將聚類中心Qc(t)觀測成為新的二進(jìn)制抗體pc(t)，計(jì)算pc(t)中每個(gè)子抗體與聚類數(shù)據(jù)集的親合度函數(shù)值fc；(9)對pc(t)進(jìn)行選擇操作，得到子代抗體p(t+1)；(10)判斷子代抗體是否滿足停機(jī)條件，如果滿足該條件就將子代抗體中親合度最高的抗體對應(yīng)的圖像類屬劃分作為輸出結(jié)果，否則返回步驟(4)，循環(huán)執(zhí)行步驟(4)～(10)，直到滿足停機(jī)條件。FSA00000197006500011.tif,FSA00000197006500012.tif,FSA00000197006500013.tif,FSA00000197006500014.tif,FSA00000197006500015.tif,FSA00000197006500016.tif,FSA00000197006500017.tif
2.根據(jù)權(quán)利要求1所述的圖像變化檢測方法，其中步驟(5)所述的計(jì)算觀測后的二進(jìn) 制抗體P(t)與聚類數(shù)據(jù)集的親合度函數(shù)fk，利用如下公式進(jìn)行 其中，i表示類別，j表示樣本點(diǎn)，μ ij表示一個(gè)像素點(diǎn)樣本j屬于各個(gè)類別i的隸屬 度，m表示模糊指數(shù)，d(Xj, Vi)表示第Vi個(gè)聚類中心到第Xj個(gè)像素樣本之間的歐幾里德距罔。
3.根據(jù)權(quán)利要求1所述的圖像變化檢測方法，其中步驟(6)所述的將量子抗體Q(t)進(jìn) 行量子旋轉(zhuǎn)門變異操作，是在抗體Q(t)的每一個(gè)基本量子位按如下步驟進(jìn)行(3a)查找量子旋轉(zhuǎn)門變異角θ變化表，如果親和度函數(shù)f (Xi)彡f(beSti)，查詢得到 要旋轉(zhuǎn)的角度Δ Qi，其中Xi為當(dāng)前抗體種群Q(t)的第i個(gè)基本量子位，besti為當(dāng)前的最 優(yōu)抗體qbest的第i個(gè)基本量子位；(3b)根據(jù)得到的旋轉(zhuǎn)角度Δ Qi，計(jì)算出新的量子位Xi—Mw:Xinew = XiW ( Δ θ,)"cos(A0,) -sin(Ae)1其中“仏幻二 .；‘； ；，為量子門變換矩陣。
4.根據(jù)權(quán)利要求1所述的圖像變化檢測方法，其中步驟(7)所述的將量子種群Qm(t) 進(jìn)行量子全干擾交叉重組操作，是通過使用量子的相干特性構(gòu)造全干擾交叉操作實(shí)現(xiàn)重組 算子，該操作采用對角線交叉的方式，使得種群中的所有抗體均參與交叉。
5.根據(jù)權(quán)利要求1所述的圖像變化檢測方法，其中步驟(9)所述的對p。(t)進(jìn)行選擇操 作，采用精英選擇策略，即在進(jìn)化過程中，如果某一代中的最優(yōu)解的親合度函數(shù)值優(yōu)于當(dāng)前 代最優(yōu)解的親合度函數(shù)值，則當(dāng)前代最優(yōu)解就被該最優(yōu)解所代替，否則保留當(dāng)前代最優(yōu)解， 從而可以保證在進(jìn)化過程中每一代的最優(yōu)解都不會(huì)丟失。
全文摘要
本發(fā)明公開一種基于量子免疫克隆的SAR圖像變化檢測方法，主要解決已有優(yōu)化方法耗時(shí)長，易陷入局部最優(yōu)，對復(fù)雜圖像邊緣定位不準(zhǔn)確的缺點(diǎn)。其步驟為(1)對兩時(shí)相待變化檢測圖像進(jìn)行濾波處理，求對數(shù)比差異影像圖；(2)設(shè)置種群規(guī)模、類別數(shù)k及停機(jī)條件，隨機(jī)產(chǎn)生量子抗體Q(t)作為初始聚類中心；(3)觀測Q(t)成二進(jìn)制抗體p(t)，計(jì)算每個(gè)抗體的親合度fk，保留Q(t)最優(yōu)抗體qbest；(4)對Q(t)進(jìn)行變異操作得到Qm(t)；(5)重組Qm(t)得到Qc(t)；(6)觀測Qc(t)成二進(jìn)制抗體pc(t)，計(jì)算每個(gè)抗體的親合度fc；(7)選擇操作pc(t)，得到子代抗體；(8)若子代抗體滿足停機(jī)條件，將子代抗體中親合度最高的抗體對應(yīng)圖像類屬劃分作為輸出結(jié)果。本發(fā)明具有變化檢測精度高、邊緣定位準(zhǔn)確的優(yōu)點(diǎn)，可用于對復(fù)雜圖像的變化檢測。
文檔編號G01S13/90GK101908213SQ201010230980
公開日2010年12月8日 申請日期2010年7月16日 優(yōu)先權(quán)日2010年7月16日
發(fā)明者劉芳, 吳娜娜, 吳建設(shè), 尚榮華, 李陽陽, 焦李成, 緱水平, 馬文萍 申請人:西安電子科技大學(xué)