[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

摘要

本发明公开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。实现过程主要包括：输入一幅由两幅不同时间相同地域的SAR图像的差异图；按全局快速模糊C均值聚类(FGFCM)算法中的相似性度量指标修正差异图像素值，得到局部空间信息像素值矩阵；对差异图作非局部均值处理生成非局部滤波的像素值矩阵；对上述两个矩阵加权求和生成完整的像素值矩阵；运用FGFCM算法对其进行聚类，生成变化检测二值结果图，整体完成对两幅SAR图像的变化检测。本发明兼顾了图像局部空间信息和非局部均值信息，并将其有机结合，使图像分析的聚类过程中既有效克服噪声影响并保留图像细节，得到更为精确的差异图分析结果。

主权项

1.一种基于非局部均值的SAR图像变化检测模糊聚类分析方法，其特征在于：基于非局部均值的SAR图像变化检测模糊聚类分析具体实现步骤包括有：步骤1通过星载合成孔径雷达获取两幅不同时间相同地域的SAR图像，将两幅不同时间相同地域的图像，输入到安装有矩阵实验室和Visual C++6.0软件的计算机中，使SAR图像中每个像素点由其像素灰度值即像素值表示；利用相关软件处理经过滤波去噪，辐射校正与几何配准的预处理SAR图像X₁，图像X₂构造的差异图像X，使得在差异图像上低灰度级呈现为无变化区域，高灰度级呈现为变化区域；步骤2通过Matlab或C++编程，或Matlab和C ++混合编程实现对差异图X中每个像素点x_i按相似性度量方法进行处理，得到局部空间信息像素矩阵，差异图X中每个像素点按公式计算，其中S_ij表示以像素点i为中心的邻域内第j个像素值和中心像素的相似度，x_j为邻域内第j个像素点的像素值，x′_i为修正后新的像素矩阵中第i个像素点的像素值；步骤3对差异图X中每个像素点x_i作非局部均值处理，得到非局部滤波后像素矩阵，非局部滤波后像素矩阵中每个像素点通过公式求得，其中是指以像素点i为中心的半径为r的搜索窗口，x_p是像素点p的像素值，是像素点i和在搜索窗口内像素点p的相似度权重，且满足0≤w_ip≤1和为非局部滤波后的像素矩阵中第i个像素点的像素值；步骤4对差异图X中每个像素点计算给予权重λi，其中A_i，k，A_p，k分别代表以像素点i和像素点p为中心的第k个像素点的像素值，U_t代表在搜索窗口内相似度指数U(x_i，x_p)由大到小排列的第t个，m表示要取相似度指数U(x_i，x_p)的个数；步骤5对步骤2生成的局部空间信息像素矩阵和步骤3非局部均值滤波后的像素矩阵进行加权求和，得到新的完整像素值矩阵η，其中η_i为像素值矩阵η中第i个像素点的像素值；步骤6设置FGFCM算法中聚类个数c，模糊指数m，终止条件ε，最大迭代次数T，搜索窗口半径r，邻域窗口半径s；步骤7对差异图完整像素值矩阵η按设定聚类个数随机初始化隶属度矩阵μ_ki，μ_ki表示第i个像素点属于第k类的隶属度，满足和0≤μ_ki≤1，令迭代计数b＝1；步骤8更新差异图完整像素值矩阵η聚类中心其中，v_k代表第k类的聚类中心，M表示差异图中的像素值统计个数，γ_i表示像素值为i的像素点个数，且满足Σi=1Mγi=N;]]>步骤9更新差异图完整像素值矩阵η模糊隶属度矩阵其中v_k代表第k类的聚类中心，m为模糊指数，c为聚类个数；步骤10根据FGFCM聚类算法目标函数定义，计算目标函数当重复步骤8和步骤9，直到成立，聚类结束；步骤11根据聚类结果，命聚类后完整像素值矩阵η中像素值较大的类输出像素值为255，完整像素值矩阵η中像素值较小的类输出像素值为0，得到变化检测二值结果图，差异信息图分为变化/未变化两类，二值结果图表明实现了SAR图像变化检测的分类。