[发明专利]基于非局部均值的SAR图像变化检测模糊聚类分析方法

说明书

技术领域

本发明属于SAR图像变化检测技术领域，涉及SAR图像变化检测中的差异图分析技术。具体地说是提出了一种基于非局部均值的SAR图像变化检测模糊聚类分析方法，用来进行SAR图像变化检测中对差异图的分类分析，克服原有方法变化区域检测错误率较高的问题，提高SAR图像变化检测中的检测精度及速度。

背景技术

随着合成孔径雷达(synthetic aperture radar，SAR)技术的快速发展，SAR系统可以全天候、全天时获取图像数据，是较好的变化检测图像源。SAR图像变化检测是通过对同一地区的不同时期的两幅SAR图像进行比较分析，根据图像之间的差异得到所需的地物变化信息。SAR图像变化检测技术在森林覆盖变化、土地利用与覆盖、城市环境变化等领域具有广泛的应用前景。

SAR图像变化检测可以分为三个阶段：首先，对获得的SAR图像进行预处理，包括图像配准和辐射校正；然后，对校正过的图像进行比较，生成包含变化信息的差异图像；最后，通过分析差异图，得到最终的变化检测结果图像(即用二值图像代表变化和未变化两类)。差异图分析技术是SAR图像变化检测中的关键技术之一。常见的差异图分析理论可以分为两类，阈值理论和聚类理论。

在SAR图像变化检测中，许多不同的阈值分割方法被应用于差异图分析。KI阈值分割方法是Kittler和Illingworth提出的经典的最小误差阈值方法，该方法假设变化区域与非变化区域的直方图统计分布符合高斯分布，通过最小化惩罚函数来自动确定阈值。但该方法中基于高斯模型的假设并不准确，实际SAR图像数据分布并不符合高斯分布，所以其检测错误率仍较高。意大利G.Moser，S.B.Serpico等人在最小误差阈值基础上提出了一种广义最小误差阈值方法，该方法以三种概率分布模型：Nakagami分布、Log-Normal分布和Weibull分布为基础扩展了最小误差阈值方法。该阈值方法由于使用了更加适合SAR图像数据分布的模型，所以呈现了较好的检测结果。但是，这三种模型仍不能完全拟合差异图直方图，所以其检测错误率仍然较高。阈值理论方法简单，时间迅速但需要估计差异图变化类和未变化类的统计模型，这样大大限制了它的应用范围。聚类理论可以克服阈值理论的限制性，无需对变化类和未变化类的分布模型进行估计，可以提高分类精度，进而大大改善变化检测的正确率。

聚类理论是指将物理或抽象对象的集合分组成由类似的对象组成的多个类的过程。由聚类所生成的簇是一组数据对象的集合，这些对象与同一簇中的对象彼此相似，与其它簇中的对象相异。其中K均值聚类算法和模糊C均值聚类算法是理论发展最成熟和最为常用的聚类算法。K均值算法是典型的硬聚类算法，其主要缺陷是依赖初始聚类中心的选择，一旦初始值选的不好，可能无法得到有效地聚类结果。另外，该算法需要不断地进行样本分类调整，不断地计算调整后新的聚类中心，因此，K均值聚类算法的时间开销是非常大的。由于硬聚类把每个待识别的对象严格的划分到某类中，具有非此即彼的性质，而模糊聚类能够描述样本类属的中介性，能够客观地反映现实世界，模糊聚类已逐渐成为聚类分析的主流。在众多模糊聚类算法中，模糊C均值聚类(FCM)算法应用最为广泛，发展最为成熟，并有一系列基于模糊C均值聚类算法的改进算法，克服了原始FCM处理图像不考虑图像空间信息及容易陷入局部最优的缺陷，对原始FCM作出了改进。

全局快速模糊C均值聚类(FGFCM)算法在原始FCM中引入空间相似性度量指标，既考虑了邻域的灰度值信息，也考虑了邻域的空间信息，能综合图像中的空间信息得到更为精确的聚类结果，且聚类过程在灰度统计直方图上进行，图像的灰度值往往远小于图像大小，这样，在时间复杂度上FGFCM比原始FCM更有优势。

综上，现有技术中包括现有的差异图分析方法对差异图的质量依赖性高，且对差异图中噪声敏感，现有的常用差异图分析方法检测错误率较高，以致SAR图像变化检测系统精度不高。

发明内容

本发明的目的在于：运用改进模糊C均值聚类将SAR图像变化检测中的差异信息图分为变化/未变化两类，克服现有差异图分析方法对差异图中的噪声敏感，检测错误率较高的缺陷。