【技術(shù)領(lǐng)域】

本發(fā)明屬于圖像處理領(lǐng)域，特別是一種涉及sar圖像變化檢測的方法，可應用于環(huán)境監(jiān)測，具體是一種基于光學輔助的sar圖像變化檢測方法。

背景技術(shù)：

合成孔徑雷達(sar)是一種全天時，全天候?qū)Φ厍蜻M行探測和偵察的高分辨微波成像雷達。sar能有效識別偽裝和穿透掩蓋物，因此在遙感測繪、軍事偵察、抗震救災等軍事和民用領(lǐng)域得到了廣泛應用。sar圖像具有豐富的紋理信息、較強的乘性相干斑噪聲等特點。變化檢測是遙感技術(shù)的主要應用之一，它可以通過對不同時期圖像的比較分析，根據(jù)圖像之間的差異來得到我們所需要的地物變化信息。變化檢測技術(shù)可以應用于很多方面，如對人工檢測比較困難的熱帶雨林、沙漠等自然條件惡劣的地區(qū)進行監(jiān)測，以了解生態(tài)環(huán)境變化的情況；對農(nóng)田進行監(jiān)測，分析農(nóng)作物生長狀況；對軍事目標進行監(jiān)測，了解兵力部署、軍事調(diào)動等情報。變化檢測技術(shù)在城區(qū)環(huán)境監(jiān)控領(lǐng)域也有廣泛的用途。例如城市的合理規(guī)劃布局，土地使用的管理和規(guī)范，非法占地和違章建筑的監(jiān)控等。

目前sar圖像分類技術(shù)發(fā)展狀況可歸納如下：

目前變化檢測方法大體上可分為以下幾類：一是基于不同時相圖像灰度變化的比較，根據(jù)圖像灰度的差別進行變化檢測，如圖像差值法、圖像比值法和植被指數(shù)法。根據(jù)不同的應用，常見的有比值植被指數(shù)、歸一化植被指數(shù)、變換植被指數(shù)等。二是在不同時相圖像的灰度變化的基礎(chǔ)上進行相關(guān)分析，利用分析的結(jié)果進行變化檢測，如主成分分析法、分類后比較法、直接多時相分類法和光譜特征分析法。近年來,一些學者提出了許多新方法。一些方法不僅利用圖像的灰度特征、形狀特征、空間特征,而且利用了圖像的紋理特征、結(jié)構(gòu)特征，在處理算法上采用了小波變換、神經(jīng)網(wǎng)絡(luò)等；另一些方法在對不同時相圖像處理的基礎(chǔ)上，再對處理后的圖像進一步處理(如統(tǒng)計分析的分類、馬爾可夫場的紋理分析)，以確定其變化區(qū)域。

而sar圖像往往存在分辨率不高，噪聲點多的缺點，不能滿足檢測要求。

技術(shù)實現(xiàn)要素：

本發(fā)明意在彌補現(xiàn)有sar圖像變化檢測技術(shù)的缺陷，本發(fā)明的目的在于提出一種基于光學輔助的sar圖像變化檢測方法，通過本發(fā)明的方法能夠減少圖像中雜點的影響，得到更精確的檢測結(jié)果，有助于后續(xù)分類的進行，因此能夠解決sar圖像往往存在分辨率不高，噪聲點多的缺點。

本發(fā)明的目的通過如下技術(shù)方案實現(xiàn)：

一種基于光學輔助的sar圖像變化檢測方法，包括如下步驟：

(1)用兩幅不同時刻的sar圖像構(gòu)造差異圖d；

(2)對步驟(1)得到的差異圖進行模糊c均值聚類，將像素分為嚴變、嚴不變和中間3類；

(3)再計算差異圖中每個像素鄰域內(nèi)嚴變的像素數(shù)目與嚴不變的像素數(shù)目，以嚴變的像素數(shù)目和嚴不變的像素數(shù)目分別形成特征向量numc和numu；

(4)再用光學圖像及numc，numu作為輔助特征，對嚴變和嚴不變像素區(qū)域分別求特征中心，再對中間像素進行分類，得到最終的檢測結(jié)果。

所述步驟(1)中，兩幅不同時刻的sar圖像構(gòu)造差異圖d的過程包括如下步驟：

1a)兩幅不同時刻的sar圖像分別為i1和i2，通過i1和i2計算對數(shù)比差異圖d，增強變化類和非變化類的對比度，sar圖像大小為m×n，則差異圖d大小為m×n，m和n均為正整數(shù)，則

1b)再對差異圖進行雙邊濾波，去除噪聲。

所述步驟(2)具體包括如下步驟：

2a)對差異圖進行fcm聚類，得到2個聚類中心c1，c2；

2b)設(shè)定閾值，分別選出嚴變與嚴不變的像素。

所述步驟2b)中，選出嚴變像素的過程包括如下步驟：

2b11)將兩個聚類中心的像素距離平分成4份，將閾值sh提高到第3份和第4份的分割處，像素值在閾值sh之上；

2b12)其8鄰域中至少有兩個像素值之和高于2倍的普通閾值sn；

選出嚴不變的像素的過程包括如下步驟：

2b21)將兩個聚類中心的像素距離平分成4份，將閾值sl為第1份和第2份的分割處，像素值在閾值sl之下；

2b22)其8鄰域中至少有4個像素之和不小于2倍的閾值sl；

其余為中間像素；

其中：sh＝c2-(c2-c1)/4

sn＝(c1+c2)/2

sl＝c1+c2。

所述步驟(4)具體包括如下步驟：

4a)計算特征矩陣：將差異圖d拉成列，為dicol，大小為mn×1，光學圖像opt每個波段拉成列，為optcol，大小為mn×3，其中m和n均為正整數(shù)，按列歸一化后，再將dicol、optcol、numc和numu組合成特征矩陣f＝[dicol,optcol,numc,numu]；

4b)計算嚴變、嚴不變區(qū)域像素的特征中心；

4c)對中間像素進行分類。

所述步驟(3)中，采用的像素鄰域大小為5×5。

與現(xiàn)有技術(shù)相比，本發(fā)明具有如下有益效果：

本發(fā)明的基于光學輔助的sar圖像變化檢測方法通過用兩幅不同時刻的sar圖像構(gòu)造差異圖，應用fcm將像素分為嚴變、嚴不變與中間3類，根據(jù)每個像素鄰域的嚴變、嚴不變像素個數(shù)，作為輔助特征，然后用光學圖像各通道拉成列，作為輔助特征，進行聚類，有效克服了sar圖像分類方法雜點過多的缺陷。

本發(fā)明對差異圖用光學圖像進行輔助檢測，去除了聚類噪點多的影響；具有噪聲小，分類精確，簡單快速的特點，有助于后續(xù)的分類；仿真結(jié)果表明，本發(fā)明方法能夠更加有效的對變化區(qū)域進行檢測。

【附圖說明】

圖1是本發(fā)明的基于光學輔助的sar圖像變化檢測方法的流程圖；

圖2是本發(fā)明在一組包含城市復雜區(qū)域圖像上的仿真結(jié)果圖，其中：

圖2(a)為伯恩某地區(qū)時間1的sar圖像原圖；

圖2(b)為伯恩某地區(qū)時間2的sar圖像原圖；

圖2(c)為光學圖像原圖；

圖2(d)為參考圖像；

圖2(e)為用fcm方法進行變化檢測得到的結(jié)果圖像；

圖2(f)為用mrffcm進行變化檢測得到的變化區(qū)域結(jié)果圖；

圖2(g)為用sc-nsp得到的檢測結(jié)果圖像；

圖2(h)為通過本發(fā)明的基于光學輔助的sar圖像變化檢測方法處理后的圖像。

【具體實施方式】

下面結(jié)合附圖和實施例來對本發(fā)明作進一步的說明：

參照圖1，結(jié)合圖2(a)-圖2(h)，本發(fā)明的具體實施步驟如下：

步驟一、對于兩幅不同時刻sar圖像與一幅光學圖像，對sar圖像計算對數(shù)比差異圖；

該步驟的具體過程如下：

(1a)對不同時刻的兩幅圖像i1，i2計算對數(shù)比差異圖d，增強變化類和非變化類的對比度，sar圖像大小為m×n，則差異圖d大小為m×n，m和n均為正整數(shù)，則

(1b)再對差異圖進行雙邊濾波，去除噪聲；

步驟二、對差異圖進行模糊c均值(fcm)聚類，將像素分為嚴變、嚴不變和中間3類；

該步驟的具體過程如下：

(2a)對差異圖d進行fcm聚類，得到2個聚類中心c1，c2；

(2b)設(shè)定閾值，分別選出嚴變與嚴不變的像素；

選出所有滿足以下兩個條件的像素，作為嚴變像素：

2b11)將兩個聚類中心的像素距離平分成4份，將閾值sh提高到第3份和第4份的分割處，像素值在閾值sh之上；

2b12)其8鄰域中4個像素值之和高于4倍的普通閾值sn；

選出所有滿足以下兩個條件的像素，作為嚴不變像素：

2b21)將兩個聚類中心的像素距離平分成4份，將閾值sl為第1份和第2份的分割處，像素值在閾值sl之下；

2b22)其8鄰域中至少有4個像素之和不小于2倍的閾值sl；

其余為中間像素；

sh＝c2-(c2-c1)/4

sn＝(c1+c2)/2

sl＝c1+c2；

步驟三、分別計算每個像素5×5鄰域內(nèi)嚴變與嚴不變像素數(shù)目，分別構(gòu)成特征向量numc和numu，numc和numu大小均為mn×1，m和n均為正整數(shù)，然后歸一化；

步驟四、用光學圖像及numc和numu作為輔助特征，對嚴變和嚴不變像素分別求均值，作為兩類的中心，再對中間像素進行分類，得到最終的檢測結(jié)果；

該步驟的具體過程如下：

(4a)計算特征矩陣：

將差異圖d拉成列，為dicol，大小為mn×1，光學圖像opt每個波段拉成列，為optcol，大小為mn×3，m和n均為正整數(shù)，按列歸一化，再將dicol、optcol、numc和numu組合成特征矩陣f＝[dicol,optcol,numc,numu]；

(4b)對嚴變、嚴不變區(qū)域像素的特征分別取均值，得到兩類的特征中心；

(4c)將步驟(4b)計算得到的特征中心作為固定中心，計算中間像素特征與兩類特征中心的歐式距離，比較大小，將中間像素分給距離較小的一類。

本發(fā)明的效果可通過以下仿真進一步說明：

1仿真內(nèi)容：應用本發(fā)明方法和一般的算法：如模糊c均值聚類(fcm)，基于mrf的fcm聚類算法(mrffcm，2014)，基于空間編碼和非局部相似度池化算法(sc-nsp，2016)，分別對一組sar與光學圖像分類實驗，并評價方法的各自性能。

2仿真實驗結(jié)果

用本發(fā)明以及對比方法對第一組圖像進行變化檢測，其效果比較如圖2所示，其中圖2(a)與2(b)為伯恩某地區(qū)的不同時相sar圖像原圖；圖2(c)為光學圖像原圖；圖2(d)為參考圖像；圖2(e)為用fcm方法進行變化檢測得到的結(jié)果；圖2(f)為用mrffcm進行變化檢測得到的變化區(qū)域結(jié)果圖；圖2(g)為用sc-nsp得到的檢測結(jié)果；圖2(h)為用本方法進行變化檢測得到的檢測結(jié)果。由圖2可見本發(fā)明對含有城市復雜紋理的sar圖像檢測效果良好，變化區(qū)域檢測比較準確，噪聲影響較小，且速度快。

光學圖像通常會包含多個波段的灰度信息，比sar色彩更為豐富，也為地物影像計算機識別與分類提供了可能，光學遙感不僅可以根據(jù)影像的形態(tài)和結(jié)構(gòu)的差異判別地物，還可以根據(jù)光譜特性的差異判別地物，擴大了遙感的信息量。其豐富的光譜信息在sar圖像變化檢測中，可以是很好的輔助工具，通過與光學圖像的融合，使得sar圖像的變化檢測有更精確的結(jié)果。