[发明专利]基于多目标优化MOEA/D和模糊聚类的SAR图像变化检测方法

权利要求书

1.基于多目标优化MOEA/D和模糊聚类的SAR图像变化检测方法，其特征是：包括如下步骤：

步骤101：对经过配准、几何校正等预处理后得到的同一地区不同时刻的两幅图像X₁、X₂使用对数比方法生成差异图X_l，该差异图是根据如下对数比方法的计算公式得到的：

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

其中X_l为计算得到的差异图，X₁和X₂分别为同一地区不同时刻的两幅预处理后的图像，log为自然对数运算符；

步骤102：使用均值滤波方法对步骤101中产生的差异图X_l进行处理，得到去噪后的差异图该差异图按如下公式计算得到：

xi‾=1NRΣi∈Nixi]]>

其中为得到的去噪后的差异图的第i个像素的灰度值，x_i为差异图的第i个像素的灰度值，N_R为第i个像素的邻域所包含的像素个数，本发明中选用的是3x3的邻域窗口，即N_R为9，N_i为落在第i个像素邻域内的像素集合；

步骤103：根据细节保持和噪声去除这两个目标确定出两个目标函数f₁、f₂，并将其组合成多目标优化问题；

步骤104：使用多目标优化算法MOEA/D求解由步骤103得到的多目标问题，得到符合条件的Pareto前端，然后根据每一个Pareto最优解对应的隶属度矩阵求得对应的变化检测结果图；这一步骤中使用的MOEA/D算法的思想是把多目标优化问题分解成若干个单目标优化子问题，每个子问题在当前的种群中都能找到一个局部最优解；用权重向量的欧氏距离来描述子目标中邻居之间的远近程度，而这个权重向量就是所有子目标的聚合系数；然后通过进化过程，同时求解这些子问题，由于两个相邻子问题的优化解理论上非常相似，所以在MOEA/D算法中每个子问题均可借助于其相邻子问题的优化信息，从而可以得到更加可靠的Pareto前端；

步骤105：根据需要，从Pareto前端中选择合适的解，得到对应的SAR图像变化检测的结果图，其选择原则是：若重点在于图像细节的保持，则选择使第一个目标函数取得最小值的解；若重点在于图像中噪声的去除，则选择使第二个目标函数取得最小值的解，否则，根据对两个目标的偏重程度差异选择一个折衷解。

2.根据权利要求1所述的基于多目标优化MOEA/D和模糊聚类的SAR图像变化检测方法，其特征是：所述的步骤103，包括如下步骤：

步骤201：从图像细节保持的角度出发，选用如下函数作为第一个目标函数f₁：

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

其中N为图像总的像素个数，c为聚类数目，u_ji∈(0,1)为第i个像素相对于第j类的隶属度，m为大于1的加权指数，x_i为差异图的第i个像素的灰度值，v_j为第j个聚类中心，由随机初始化得到，然后根据如下公式得到隶属度矩阵：

uij=1Σk=1c(||xi-vj||||xi-vk||)2]]>

因为本发明是用于解决变化检测问题，所以聚类个数选为2，即分为变化类和未变化类，加权指数m也取为2；

步骤202：从图像噪声去除的角度出发，选用如下函数作为第二个目标函数f₂：

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

它与第一个目标函数(1)的区别在于为对差异图进行均值滤波后得到的图像第i个像素的灰度值；

步骤203：由以上两个目标函数(1)和(2)组合成为一个具有两个决策变量和两个目标变量的多目标优化问题：

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

其中变化类和未变化类的聚类中心(v₁,v₂)分别为两个决策变量，它们组成一个决策矢量v＝(v₁,v₂)^T，Ω为决策空间，这样就把问题转化成了对这个多目标问题(3)的求解。