基于支持向量機(jī)和判別隨機(jī)場(chǎng)的sar圖像變化檢測(cè)方法
【專利摘要】本發(fā)明屬于SAR圖像變化檢測(cè)【技術(shù)領(lǐng)域】，公開了基于支持向量機(jī)和判別隨機(jī)場(chǎng)的SAR圖像變化檢測(cè)方法。該基于支持向量機(jī)和判別隨機(jī)場(chǎng)的SAR圖像變化檢測(cè)方法包括以下步驟：對(duì)原始兩時(shí)相圖像進(jìn)行灰度值歸一化處理，并在處理后的圖像中提取對(duì)應(yīng)的灰度特征差值和紋理特征差值；組成差值特征向量；利用加權(quán)平均比率算子提取差值圖像中每個(gè)像素點(diǎn)的邊界強(qiáng)度；在差值圖像中選取訓(xùn)練樣本，將訓(xùn)練樣本用對(duì)應(yīng)的差值特征向量進(jìn)行表示，通過訓(xùn)練支持向量機(jī)，得到測(cè)試樣本的初始分類標(biāo)簽、以及測(cè)試樣本的分類標(biāo)簽的后驗(yàn)概率；得出初始的支持向量機(jī)—判別隨機(jī)場(chǎng)模型；更新支持向量機(jī)—判別隨機(jī)場(chǎng)模型，得出對(duì)應(yīng)的測(cè)試樣本的最終分類標(biāo)簽以及變化檢測(cè)結(jié)果。
【專利說明】基于支持向量機(jī)和判別隨機(jī)場(chǎng)的SAR圖像變化檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于SAR圖像變化檢測(cè)【技術(shù)領(lǐng)域】，特別涉及基于支持向量機(jī)和判別隨機(jī)場(chǎng)的SAR圖像變化檢測(cè)方法。
【背景技術(shù)】
[0002]隨著合成孔徑雷達(dá)(synthetic aperture radar, SAR)技術(shù)的逐步成熟和SAR圖像分辨率的不斷提高，SAR圖像的使用逐漸為人們所重視。同光學(xué)遙感圖像相比，SAR圖像不受天氣、云層等因素的影響，可以全天候、全天時(shí)獲得遙感數(shù)據(jù)，是較好的變化檢測(cè)信息源。
[0003]SAR圖像變化檢測(cè)(change detection)通過對(duì)不同時(shí)期SAR圖像的比較分析,根據(jù)圖像之間的差異分析來獲取所需要的地物變化信息。變化檢測(cè)技術(shù)可以應(yīng)用于很多方面，例如對(duì)地震區(qū)域的定位和災(zāi)害評(píng)估；對(duì)農(nóng)作物生長(zhǎng)狀況的監(jiān)測(cè)；城區(qū)土地使用的監(jiān)測(cè)等等，它在環(huán)境、農(nóng)業(yè)、水利和軍事等國(guó)民經(jīng)濟(jì)諸多領(lǐng)域都有著非常廣泛的應(yīng)用。
[0004]SAR圖像變化檢測(cè)方法一般可分為:基于直接比較法的變化檢測(cè)方法，如圖像差值法、圖像比值法；基于間接比較法的變化檢測(cè)方法，如特征提取后比較法、分類后比較法；基于多元變量分析的變化檢測(cè)方法，如主成分分析法。近期在SAR圖像變化檢測(cè)上研究比較多的有:基于統(tǒng)計(jì)模型的變化檢測(cè)方法，如L.Bruzzone對(duì)SAR圖像對(duì)數(shù)比值差異圖進(jìn)行廣義高斯建模(GGD, Generalized Gaussian Distributions)然后在GGD下應(yīng)用改進(jìn)的KI (Kittler-1llingworth)門限選擇算法進(jìn)行分類以獲得最終變化影像，該方法取得了較好的檢測(cè)結(jié)果但沒有考慮空間信息，且模型參數(shù)的選擇也是一個(gè)難點(diǎn)；基于多尺度分析的變化檢測(cè)方法，如Ka1-Kuang Ma提出一種基于雙樹-復(fù)小波變換(DT-CWT，Dual-TreeComplex Wavelet Transform)的多尺度變化檢測(cè)方法，它利用DT-CWT對(duì)對(duì)數(shù)比值圖進(jìn)行多尺度分解，但沒有考慮到圖像的紋理信息，閾值的選取也是一個(gè)棘手的問題；近年來新發(fā)展起來的是基于核方法的SAR圖像變化檢測(cè)算法，Gustavo Camps-Valls在2008年首先提出了將核方法應(yīng)用于SAR圖像變化檢測(cè)，該方法首先提取圖像的強(qiáng)度信息和紋理信息，然后構(gòu)造強(qiáng)度紋理比值差值合成核(RDC_kernel)實(shí)現(xiàn)SAR圖像變化檢測(cè)，該方法可以有效的實(shí)現(xiàn)SAR圖像變化檢測(cè)，但是沒有考慮空間信息，且對(duì)噪聲比較敏感。

【發(fā)明內(nèi)容】

[0005]本發(fā)明的目的在于提出基于支持向量機(jī)和判別隨機(jī)場(chǎng)的SAR圖像變化檢測(cè)方法。該基于支持向量機(jī)和判別隨機(jī)場(chǎng)的SAR圖像變化檢測(cè)方法該方法能夠很好的結(jié)合SAR圖像的強(qiáng)度特征和紋理特征，能充分考慮圖像的空間信息，具有檢測(cè)速度快、分類精度高的特點(diǎn)。
[0006]為實(shí)現(xiàn)上述技術(shù)目的，本發(fā)明采用如下技術(shù)方案予以實(shí)現(xiàn)。
[0007]基于支持向量機(jī)和判別隨機(jī)場(chǎng)的SAR圖像變化檢測(cè)方法包括以下步驟:
[0008]S1:利用合成孔徑雷達(dá)接收原始兩時(shí)相圖像，原始兩時(shí)相圖像包括第I時(shí)刻圖像和第2時(shí)刻圖像；然后分別對(duì)第I時(shí)刻圖像和第2時(shí)刻圖像進(jìn)行灰度值歸一化處理，得到第I時(shí)刻歸一化圖像X1和第2時(shí)刻歸一化圖像X2 ;所述第k時(shí)刻歸一化圖像Xk中第i行第j列的像素點(diǎn)表示為X’ k(i，j)，k取I和2，i取I至I，j取I至J，I為第I時(shí)刻歸一化圖像X1的長(zhǎng)度，J為第I時(shí)刻歸一化圖像X1的寬度；提取X’ k(i，j)的灰度值g’ k(i，j)和X’ k(i，j)的紋理特征w’k(i，j);按照以下公式獲得灰度特征差值A(chǔ)g(i，j)以及紋理特征差值A(chǔ)w(i，j):Δ g(i, j)=g，2(i, j)_g’ ! (i, j)，Aw(i, j)=w’ 2(i, j)_w’ ^i, j);然后將 Δ g(i, j)和 Aw(i, j)組合成 X’k(i, j)的差值特征向量 y (i, j):y(i，j) = {Ag(i, j), Aw(i, j)}；
[0009]S2:對(duì)第I時(shí)刻歸一化圖像X1和第2時(shí)刻歸一化圖像X2按照灰度值作差值運(yùn)算，得到差值圖像ΛΧ，利用加權(quán)平均比率算子提取差值圖像中第t個(gè)像素點(diǎn)的邊界強(qiáng)度rt，t取 I 至 M，M=IXJ ；
[0010]S3:在差值圖像中選取訓(xùn)練樣本，將訓(xùn)練樣本用對(duì)應(yīng)的差值特征向量進(jìn)行表示，通過訓(xùn)練支持向量機(jī)，得到測(cè)試樣本的初始分類標(biāo)簽、以及測(cè)試樣本的分類標(biāo)簽的后驗(yàn)概率；
[0011]S4:根據(jù)所述差值圖像中每個(gè)像素點(diǎn)的邊界強(qiáng)度、以及測(cè)試樣本的后驗(yàn)概率，得出初始的支持向量機(jī)一判別隨機(jī)場(chǎng)模型；
[0012]S5:根據(jù)所述初始分類標(biāo)簽和初始的支持向量機(jī)一判別隨機(jī)場(chǎng)模型，更新支持向量機(jī)一判別隨機(jī)場(chǎng)模型的相互勢(shì)能函數(shù)，得出對(duì)應(yīng)的測(cè)試樣本的最終分類標(biāo)簽；根據(jù)所述對(duì)應(yīng)的測(cè)試樣本的最終分類標(biāo)簽，得出SAR圖像的變化檢測(cè)結(jié)果。
[0013]本發(fā)明的特點(diǎn)和進(jìn)一步改進(jìn)在于:
[0014]在步驟SI中，X’k(i，j)的灰度值g’k(i，j)為:
【權(quán)利要求】
1.基于支持向量機(jī)和判別隨機(jī)場(chǎng)的SAR圖像變化檢測(cè)方法，其特征在于，包括以下步驟: S1:利用合成孔徑雷達(dá)接收原始兩時(shí)相圖像，原始兩時(shí)相圖像包括第I時(shí)刻圖像和第2時(shí)刻圖像；然后分別對(duì)第I時(shí)刻圖像和第2時(shí)刻圖像進(jìn)行灰度值歸一化處理，得到第I時(shí)刻歸一化圖像X1和第2時(shí)刻歸一化圖像X2 ;所述第k時(shí)刻歸一化圖像Xk中第i行第j列的像素點(diǎn)表示為X’ k(i，j)，k取I和2，i取I至I，j取I至J，I為第I時(shí)刻歸一化圖像X1的長(zhǎng)度，J為第I時(shí)刻歸一化圖像X1的寬度；提取X’k(i，j)的灰度值g’k(i，j)和X’k(i，j)的紋理特征w’k(i，j);按照以下公式獲得灰度特征差值A(chǔ)g(i，j)以及紋理特征差值A(chǔ)w(i，j):Δ g(i, j)=g，2(i, j)_g’ ! (i, j)，Aw(i, j)=w’ 2(i, j)_w’ ^i, j);然后將 Δ g(i, j)和 Aw(i, j)組合成 X’k(i, j)的差值特征向量 y (i, j):y(i，j) = {Ag(i, j), Aw(i, j)}； S2:對(duì)第I時(shí)刻歸一化圖像X1和第2時(shí)刻歸一化圖像X2按照灰度值作差值運(yùn)算，得到差值圖像ΛΧ，利用加權(quán)平均比率算子提取差值圖像中第t個(gè)像素點(diǎn)的邊界強(qiáng)度rt，t取I至 M，M=IXJ ； S3:在差值圖像中選取訓(xùn)練樣本，將訓(xùn)練樣本用對(duì)應(yīng)的差值特征向量進(jìn)行表示，通過訓(xùn)練支持向量機(jī)，得到測(cè)試樣本的初始分類標(biāo)簽、以及測(cè)試樣本的分類標(biāo)簽的后驗(yàn)概率； S4:根據(jù)所述差值圖像中每個(gè)像素點(diǎn)的邊界強(qiáng)度、以及測(cè)試樣本的后驗(yàn)概率，得出初始的支持向量機(jī)一判別隨機(jī)場(chǎng)模型； S5:根據(jù)所述初始分類標(biāo)簽和初始的支持向量機(jī)一判別隨機(jī)場(chǎng)模型，更新支持向量機(jī)一判別隨機(jī)場(chǎng)模型的相互勢(shì)能函數(shù)，得出對(duì)應(yīng)的測(cè)試樣本的最終分類標(biāo)簽；根據(jù)所述對(duì)應(yīng)的測(cè)試樣本的最終分類標(biāo)簽，得出SAR圖像的變化檢測(cè)結(jié)果。
2.如權(quán)利要求1所述的基于支持向量機(jī)和判別隨機(jī)場(chǎng)的SAR圖像變化檢測(cè)方法，其特征在于，在步驟SI中，X’k(i，j)的灰度值g’k(i，j)為:

3.如權(quán)利要求1所述的基于支持向量機(jī)和判別隨機(jī)場(chǎng)的SAR圖像變化檢測(cè)方法，其特征在于，在步驟S2中，所述差值圖像的邊界強(qiáng)度包括差值圖像中每個(gè)像素點(diǎn)的邊界強(qiáng)度，定義平滑函數(shù)f (P)、因果濾波器(P)和非因果濾波器^㈧):
4.如權(quán)利要求1所述的基于支持向量機(jī)和判別隨機(jī)場(chǎng)的SAR圖像變化檢測(cè)方法，其特征在于，在步驟S3中，首先根據(jù)原始兩時(shí)相圖像中N組像素點(diǎn)，選取對(duì)應(yīng)的N個(gè)有標(biāo)簽的訓(xùn)練樣本；每組像素點(diǎn)包括:在第I時(shí)刻圖像和第2時(shí)刻圖像中處于相同位置的兩個(gè)像素點(diǎn)；每個(gè)訓(xùn)練樣本的標(biāo)簽的設(shè)置過程如下:通過對(duì)第I時(shí)刻圖像和第2時(shí)刻圖像進(jìn)行觀察對(duì)比，將所述N組像素點(diǎn)分為變化類像素點(diǎn)組和非變化類像素點(diǎn)組，根據(jù)N組像素點(diǎn)的分類情況來設(shè)置對(duì)應(yīng)N個(gè)訓(xùn)練樣本的標(biāo)簽； 將所述N個(gè)有標(biāo)簽的訓(xùn)練樣本表示為，其中，第s個(gè)有標(biāo)簽的訓(xùn)練樣本表示為(xs，Is)，其中，s取I至N ；xs=y(Si, Sj)，Si為第s個(gè)訓(xùn)練樣本對(duì)應(yīng)的像素點(diǎn)的橫坐標(biāo)，Sj為第s個(gè)訓(xùn)練樣本對(duì)應(yīng)的像素點(diǎn)的縱坐標(biāo)；ls表示第s個(gè)訓(xùn)練樣本的分類標(biāo)簽，當(dāng)?shù)趕個(gè)訓(xùn)練樣本對(duì)應(yīng)的一組像素點(diǎn)為變化類像素點(diǎn)組時(shí)，Is=I ;當(dāng)?shù)赟個(gè)訓(xùn)練樣本對(duì)應(yīng)的一組像素點(diǎn)為非變化類像素點(diǎn)組時(shí)，Is=O ； 在支持向量機(jī)中建立如下C-SVC模型:

5.如權(quán)利要求4所述的基于支持向量機(jī)和判別隨機(jī)場(chǎng)的SAR圖像變化檢測(cè)方法，其特征在于，在步驟S4中，根據(jù)所述差值圖像中每個(gè)像素點(diǎn)的邊界強(qiáng)度，構(gòu)建支持向量機(jī)一判別隨機(jī)場(chǎng)模型中的相互勢(shì)能函數(shù)I (I’ a, I’ b, r):
6.如權(quán)利要求5所述的基于支持向量機(jī)和判別隨機(jī)場(chǎng)的SAR圖像變化檢測(cè)方法，其特征在于，步驟S5具體包括以下步驟: 551:利用差值圖像的每個(gè)像素點(diǎn)的初始分類標(biāo)簽構(gòu)成原始標(biāo)記場(chǎng)，設(shè)定k=l ； 552:將第a個(gè)像素點(diǎn)的分類標(biāo)簽l’a設(shè)為0，將Θ的當(dāng)前取值以及I’3代入初始的支持向量機(jī)一判別隨機(jī)場(chǎng)模型P (1’ | y, r)中，計(jì)算出
【文檔編號(hào)】G06T7/00GK103810704SQ201410033433
【公開日】2014年5月21日 申請(qǐng)日期:2014年1月23日 優(yōu)先權(quán)日:2014年1月23日
【發(fā)明者】李明, 李荷鏡, 張鵬, 吳艷, 付利國(guó), 許佳 申請(qǐng)人:西安電子科技大學(xué)