本發(fā)明屬于圖像檢測技術(shù)領(lǐng)域，主要涉及sar圖像的變化檢測，具體是一種基于dap聚類和基于圖正則的極速學(xué)習機(arelm)的在軌sar圖像變化檢測方法，用于對sar圖像的變化檢測。

背景技術(shù)：

變化檢測是一種根據(jù)同一地區(qū)不同時間得到的多時相衛(wèi)星圖片分析檢測出區(qū)域內(nèi)地物變化的技術(shù)。隨著科學(xué)技術(shù)的不斷進步，變化檢測技術(shù)在理論和實踐中都取得了矚目的成果，檢測手段日趨成熟，一些優(yōu)秀算法也被應(yīng)用到了變化檢測技術(shù)中?，F(xiàn)如今，變化檢測技術(shù)已廣泛應(yīng)用于醫(yī)學(xué)診斷、土地利用、植被覆蓋檢測等方面。

作為一種微波成像雷達，合成孔徑雷達系統(tǒng)獲得的sar圖像因為不受云層、光照等現(xiàn)象的干擾，在植被監(jiān)控、工業(yè)生產(chǎn)及軍事領(lǐng)域都有廣泛應(yīng)用。隨著科技進步，我國的遙感技術(shù)得到了長足的發(fā)展。在發(fā)射的各種衛(wèi)星獲得的海量地面區(qū)域數(shù)據(jù)面前，正確有效且及時從其中獲取有效數(shù)據(jù)信息成了目前急需解決的問題。

可將在軌的sar的圖像變化檢測方法分為兩類：(1)無監(jiān)督sar圖像在軌變化檢測，該類方法是利用圖像中的特征信息進行分析聚類，最終獲取目標區(qū)域的變化部分；(2)有監(jiān)督的sar圖像在軌變化檢測，該類方法需要足夠的標記樣本作為訓(xùn)練數(shù)據(jù)，從訓(xùn)練數(shù)據(jù)中提取出方法所需的樣本特征來分類未知類別的樣本。

無監(jiān)督的sar圖像在軌變化檢測方法由于不需要額外的訓(xùn)練樣本，因此各個領(lǐng)域都有具有比較廣泛的應(yīng)用。但是由于沒有利用到樣本的有效信息，使得無監(jiān)督的sar圖像在軌變化檢測方法的檢測精度和方法穩(wěn)定性需要進一步提高。

有監(jiān)督的sar圖像在軌變化檢測一般需要用足量的人工數(shù)據(jù)樣本對有監(jiān)督的在軌變化檢測方法進行訓(xùn)練，這類方法和無監(jiān)督檢測方法相比具有更高的檢測精度，但是由于這些人工標注的樣本信息稀缺且昂貴，并且訓(xùn)練后的方法參數(shù)固定，使得此類方法在面對不同幅寬不同分辨率以及不同成像方式(單視或四視)的目標區(qū)域的數(shù)據(jù)時，其檢測質(zhì)量受到很大程度的波動，制約了有監(jiān)督檢測方法的實際推廣和使用。

綜上，無監(jiān)督的sar圖像在軌變化檢測方法的檢測精度不足。有監(jiān)督的sar圖像在軌變化檢測方法受限于對大量人工標注的數(shù)據(jù)的需求，不能靈活應(yīng)用于不同成像方式及分辨率的sar數(shù)據(jù)。在sar圖像的變化檢測領(lǐng)域，隨著獲得的數(shù)據(jù)集中包含信息量的不斷提升，以往的基于像素級的變化檢測方法不能滿足檢測需求。如何在滿足在軌變化檢測方法要求的同時，從細節(jié)更多的新數(shù)據(jù)集中獲取更多有效信息，以最終優(yōu)化變化檢測方法的檢測結(jié)果，成為新時期急需要研究解決的問題。

技術(shù)實現(xiàn)要素：

針對以上方法的不足和局限，為了使在軌變化檢測方法更有效的處理更多細節(jié)的高精度sar圖像，結(jié)合圖像的紋理特征，本發(fā)明提出了一種穩(wěn)定高效的基于距離ap聚類(dap)和圖正則的極速學(xué)習機(arelm)的sar圖像在軌變化檢測方法。

本發(fā)明是一種基于dap聚類和arelm的在軌sar圖像變化檢測方法，其特征是：直接在衛(wèi)星上對配準后的sar圖像對進行變化檢測，并包括以下步驟：

步驟1：針對兩幅配準后的同一地區(qū)不同時相的sar圖像對x1和x2，逐一地在圖像對每個對應(yīng)的像素點上作對數(shù)比值法計算，獲得sar圖像對的對數(shù)差分圖di。

步驟2：設(shè)置超像素的分割塊數(shù)和緊致度，對獲得的對數(shù)差分圖進行slic(simplelineariterativeclustering)超像素分割，將對數(shù)差分圖di分割成若干超像素,用超像素代替對數(shù)差分圖中的所有像素，獲得整體分割成超像素的對數(shù)差分圖，將超像素作為后續(xù)步驟的待分類樣本。

步驟3：求取整體分割成超像素的對數(shù)差分圖中所有超像素的均值和質(zhì)心，運用添加了樣本間距離相似度的dap算法，根據(jù)超像素的均值和質(zhì)心對所有超像素進行相似度劃分，最終分類獲得若干類超像素集合。

步驟4：設(shè)置區(qū)域分類的類別數(shù)為3，運用k-means算法對獲得的若干類超像素集合再進行區(qū)域分類，分類后的三個區(qū)域中均值最高的集合視為嚴格變化區(qū)域，將均值最低的集合視為嚴格未變化區(qū)域，剩余的一類區(qū)域視之為未知類別區(qū)域。

步驟5：獲得的三類區(qū)域集合中樣本數(shù)過多，從三個區(qū)域中均按序選擇其中的1/100的像素作為區(qū)域訓(xùn)練樣本，以每個區(qū)域訓(xùn)練樣本為中心，提取所有區(qū)域訓(xùn)練樣本的n×n鄰域特征；初始化基于圖正則的極速學(xué)習機arelm中所有網(wǎng)絡(luò)節(jié)點的權(quán)重和偏置，將三類區(qū)域訓(xùn)練樣本的鄰域特征分別送入到arelm中進行訓(xùn)練，最終獲得訓(xùn)練好網(wǎng)絡(luò)參數(shù)的arelm。

步驟6：將待檢測的對數(shù)差分圖中所有像素視為測試樣本，以每個測試樣本為中心，提取所有測試樣本的n×n鄰域特征，送入到訓(xùn)練好的arelm中進行分類判決，自動獲得待檢測圖像的變化檢測結(jié)果圖。

本發(fā)明與現(xiàn)有技術(shù)相比具有下列有益的效果：

1、本發(fā)明創(chuàng)新性的將距離維度添加到樣本的ap聚類算法的判別過程中，通過距離和特征的雙重約束構(gòu)造出更優(yōu)異更穩(wěn)定的相似度矩陣，平滑了聚類過程中的相似度波形震蕩現(xiàn)象，縮短了聚類算法的迭代次數(shù)，顯著地優(yōu)化了聚類結(jié)果。

2、本發(fā)明將超像素分割應(yīng)用到變化檢測的樣本分類中，不再根據(jù)單個像素的灰度特征來判別像素所屬類別，利用分割后超像素的光譜特征和距離特征對超像素進行聚類，保留了有標記樣本的更多細節(jié)，使得圖正則的極速學(xué)習機更加健壯，能夠很好的抑制斑點噪聲的干擾。

3、本發(fā)明利用圖像像素間的局部一致性，構(gòu)造出基于像素相似性度量的圖正則項，顯著提升了方法的聚類精度，使得檢測結(jié)果更加穩(wěn)定。

4、本發(fā)明從待檢測圖像對的差分圖中自動提取訓(xùn)練樣本，使得本方法可以靈活應(yīng)用于不同分辨率及成像方式的sar成像系統(tǒng)中，消除了訓(xùn)練樣本對方法檢測能力的限制。

5、仿真實驗表明，本發(fā)明采用的dap聚類和arelm的在軌sar圖像變化檢測方法檢測效果優(yōu)秀，抗噪性能明顯，正確檢測率高，kappa系數(shù)高。

附圖說明

圖1是本發(fā)明的圖像檢測主流程圖；

圖2是本發(fā)明運用slic對對數(shù)差分圖進行超像素分割的流程圖；

圖3是本發(fā)明dap算法對超像素進行進行分類的流程圖；

圖4是第一組實驗仿真圖，拍攝地點為berne地區(qū)，大小均為301×301；其中圖4(a)的拍攝時間是1999年4月，圖4(b)的拍攝時間是1999年5月；

圖5是整體分割成超像素的對數(shù)差分圖；

圖6是對應(yīng)圖4中第一組實驗仿真圖的dap和k-means聚類算法實現(xiàn)變化類、非變化類和中間類的樣本選擇結(jié)果圖，其中圖6(a)為變化類，圖6(b)為中間類，圖6(c)為未變化類；

圖7是對應(yīng)圖4中第一組實驗仿真圖的變化檢測結(jié)果對比，其中圖7(a)表示變化檢測參考圖，圖7(b)表示本方法得到的變化檢測結(jié)果圖，圖7(c)表示ckld方法(thecumulant-basedkullback-leiblerdivergencemethod)的變化檢測結(jié)果圖；

圖8是第二組實驗仿真圖，拍攝地點為ottawa地區(qū)，圖片大小均為290×350，其中圖8(a)的拍攝時間是1997年5月，圖8(b)的拍攝時間是1997年8月；

圖9是整體分割成超像素的對數(shù)差分圖；

圖10是對應(yīng)圖8中第二組實驗仿真圖的dap和k-means聚類算法實現(xiàn)變化類、非變化類和中間類的樣本選擇結(jié)果圖，其中圖10(a)為變化類，圖10(b)為中間類，圖10(c)為非變化類；

圖11是對應(yīng)圖8中第二組實驗仿真圖的變化檢測結(jié)果對比，其中圖11(a)表示變化檢測結(jié)果圖，圖11(b)表示本方法得到的變化檢測結(jié)果圖，圖11(c)表示ckld方法得到的變化檢測結(jié)果圖。

具體實施方式

下面結(jié)合附圖對本發(fā)明詳細說明。

實施例1

使用有監(jiān)督的在軌sar圖像變化檢測對人工標注的數(shù)據(jù)有大量的需求，采用地面訓(xùn)練、星上檢測的方式不能同時應(yīng)用于不同成像方式及分辨率的sar圖像數(shù)據(jù)。隨著衛(wèi)星獲得的數(shù)據(jù)集中包含信息量的不斷提升，基于像素級的變化檢測方法不再滿足實際的檢測需求。針對此現(xiàn)狀，本發(fā)明展開了探索與改進，提出一種基于dap和arelm的在軌sar圖像變化檢測方法，參見圖1：具體包括以下步驟：

步驟1：輸入待檢測的圖像對x1和x2，針對兩幅配準后的同一地區(qū)不同時相的sar圖像對x1和x2，逐一地在圖像對每個對應(yīng)的像素點上作對數(shù)比值法計算，獲得sar圖像對的對數(shù)差分圖di。圖像對可參見圖4和圖8。其中圖4的拍攝地點為berne地區(qū)，圖像大小均為301×301；圖4(a)為x1，圖4(b)為x2。圖8的拍攝地點為ottawa地區(qū)，圖像大小均為290×350，圖8(a)為x1，圖8(b)為x2。

步驟2：獲取對數(shù)差分圖的超像素：為了降低方法的運算時間，設(shè)置超像素的分割塊數(shù)和緊致度，對獲得的對數(shù)差分圖進行slic(simplelineariterativeclustering)超像素分割，將對數(shù)差分圖di分割成若干超像素,用超像素代替對數(shù)差分圖中的所有像素，獲得整體分割成超像素的對數(shù)差分圖，將超像素作為后續(xù)步驟的待分類樣本，參見圖5和圖9。

步驟3：求取若干類超像素集合：求取整體分割成超像素的對數(shù)差分圖中所有超像素的均值和質(zhì)心，運用添加了樣本間距離相似度的dap算法，根據(jù)超像素的均值和質(zhì)心對所有超像素進行相似度劃分，由于dap算法不指定具體的聚類類別數(shù)，分類獲得若干類超像素集合。

步驟4：劃分嚴格變化、嚴格未變化和未知類別三個區(qū)域：設(shè)置區(qū)域分類的類別數(shù)為3，運用k-means算法對獲得的若干類超像素集合再進行區(qū)域分類，分類后的三個區(qū)域中均值最高的集合視為嚴格變化區(qū)域，將分類后的三個集合中均值最低的集合視為嚴格未變化區(qū)域，剩余的一類區(qū)域視之為未知類別區(qū)域；參見圖6和圖10，其中圖6(a)和圖10(a)為嚴格變化區(qū)域，圖6(b)和圖10(b)為未知類別區(qū)域，圖6(c)和圖10(c)為嚴格未變化區(qū)域。

步驟5：用獲得的三個區(qū)域中的樣本訓(xùn)練arelm：獲得的三類區(qū)域集合中樣本數(shù)過多，本發(fā)明從三個區(qū)域中均按序選擇其中的1/100的像素作為區(qū)域訓(xùn)練樣本，以每個區(qū)域訓(xùn)練樣本為中心，提取所有區(qū)域訓(xùn)練樣本的n×n鄰域特征；初始化基于圖正則的極速學(xué)習機arelm中所有網(wǎng)絡(luò)節(jié)點的權(quán)重和偏置，將三類區(qū)域訓(xùn)練樣本的鄰域特征分別送入到arelm中進行訓(xùn)練，獲得訓(xùn)練好網(wǎng)絡(luò)參數(shù)的arelm。

步驟6：用訓(xùn)練好的arelm獲取待檢測圖像對的變化檢測結(jié)果圖：將待檢測的對數(shù)差分圖中所有像素視為測試樣本，以每個測試樣本為中心，提取所有測試樣本的n×n鄰域特征，送入到訓(xùn)練好的arelm中進行分類判決，自動獲得待檢測圖像對的變化檢測結(jié)果圖。

本發(fā)明使用超像素分割方法，在大幅度減少樣本數(shù)目的同時完美保持了圖像的局部細節(jié)信息；方法從待檢測的sar圖像對中自動提取出需要的嚴格變化樣本和嚴格未變化樣本作為arelm的訓(xùn)練數(shù)據(jù)，使其能夠同時應(yīng)用于不同場景下不同成像方式及不同分辨率的sar圖像的變化檢測中。創(chuàng)新性的將樣本的距離維度添加到ap算法的決策過程中，使得方法避免了人工提取樣本的同時，保持了相當高的檢測精度。arelm的特征相似樣本有更大概率歸為一類的特性提升了方法的檢測精度。

實施例2

基于dap聚類和arelm的在軌sar圖像變化檢測方法的總體技術(shù)方案同實施例1，本發(fā)明步驟1中的對數(shù)比值法計算，包括如下步驟：

步驟1.1：根據(jù)下列的對數(shù)比值法公式，將兩幅配準后sar圖像x1和x2帶入到公式中，獲得對應(yīng)的對數(shù)差分圖di：

其中ε是一個很小的正常數(shù)，一般為10^-2～10^-4；x1表示發(fā)生變化前目標區(qū)域的sar圖像，x2表示發(fā)生變化后目標區(qū)域的sar圖像。

步驟1.2：對生成的對數(shù)差分圖di進行歸一化處理，采用離差標準化的方式，具體公式如下：

其中dimax和dimin分別表示對數(shù)差分圖di中的最大值和最小值，差分圖大小為m×n，m和n表示對數(shù)差分圖中具體像素的坐標，得到歸一化后的對數(shù)差分圖。

步驟1.3：結(jié)束對數(shù)比值法。

實施例3

基于dap聚類和arelm的在軌sar圖像變化檢測方法的總體技術(shù)方案同實施例1-2，步驟2中對歸一化的對數(shù)差分圖進行超像素分割的流程參見圖2。包括有如下步驟：

步驟2.1：參數(shù)設(shè)置:設(shè)置超像素分割方法的預(yù)定分割塊數(shù)，選取范圍為[500，3000]，設(shè)置超像素分割時的緊致度，選取范圍為[20，50]，本例中，考慮到采用的兩個實例中實驗數(shù)據(jù)圖的大小，設(shè)置超像素的預(yù)定分割塊數(shù)為1000，設(shè)置超像素分割時的緊致度為25。

步驟2.2：將對數(shù)差分圖的長寬和設(shè)定的參數(shù)送入到slic超像素分割方法中，對歸一化的對數(shù)差分圖進行超像素分割。首先根據(jù)設(shè)定的超像素分割的塊數(shù)，在圖像內(nèi)均勻分配聚類中心；為了避免聚類中心被分配在圖像的高梯度區(qū)，微調(diào)聚類中心到其鄰域的梯度最小處；根據(jù)像素到聚類中心的顏色距離和空間距離，迭代優(yōu)化超像素的聚類中心；當超像素的聚類中心不再發(fā)生變化后，得到整體分割成超像素的對數(shù)差分圖。參見圖5和圖9。

步驟2.3：得到整體分割成超像素的對數(shù)差分圖，結(jié)束slic超像素分割。

本發(fā)明引入超像素分割法對對數(shù)差分圖進行超像素分割，在保留了圖像局部區(qū)域完整的細節(jié)特征的同時，大幅度降低了后續(xù)dap算法的待聚類數(shù)量，明顯提升了方法的求解速度。

實施例4

基于dap聚類和arelm的在軌sar圖像變化檢測方法的總體技術(shù)方案同實施例1-3，本發(fā)明在步驟3中運用添加了樣本間距離相似度的dap聚類算法進行相似度劃分，流程參見圖3。包括有如下步驟：

步驟3.1：針對每個不規(guī)則外形的超像素，分別計算出每個超像素的均值和質(zhì)心。

步驟3.2：計算相似度矩陣：在整體分割成超像素的對數(shù)差分圖中，利用每個超像素的均值，求解計算超像素間的灰度相似度sgray(i,j)，以及計算超像素間的距離相似度sdistance(i,j)，最終按照如下公式獲得超像素間的相似度s(i,j)，i,j分別表示第i個和第j個超像素的編號:

s(i,j)＝sgray(i,j)+μ×sdistance(i,j)

其中μ是超像素間距離相似度的權(quán)重，具體取值范圍為[10^-3,10⁰]，sgray(i,j)＝-||pi-pj||²，pi表示第i個超像素的灰度均值，pj表示第j個超像素的灰度均值；灰度均值相差越小，計算得到的超像素間灰度相似度sgray(i,j)值越大，因為值為負，所以越接近于0。反之，超像素間灰度相差越大，計算得到的超像素間灰度相似度的值越小。超像素間的距離相似度ix和jx分別表示第i個超像素的質(zhì)心和第j個超像素的質(zhì)心在x軸上的坐標，iy和jy分別表示第i個超像素的質(zhì)心和第j個超像素的質(zhì)心在y軸上的坐標；以所有超像素的編號作為相似度矩陣s的橫坐標和縱坐標，用超像素彼此間的相似度s(i,j)構(gòu)成相似度矩陣s，本發(fā)明中超像素彼此間的相似度包括有距離相似度和灰度相似度。本例中超像素間距離相似度的權(quán)重μ取10^-2。

步驟3.3：進行添加了樣本間距離相似度的dap聚類算法的計算：首先初始化歸屬度矩陣a中每個元素a(i,j)為0，迭代更新吸引度矩陣r和歸屬度矩陣a直至兩個矩陣在若干代內(nèi)不再發(fā)生變化：

最終獲得若干類經(jīng)dap算法聚類得到的超像素集合，即獲得若干類超像素集合。

步驟3.4：結(jié)束運用添加了樣本間距離相似度的dap聚類算法進行相似度劃分。

本發(fā)明創(chuàng)新性的將距離維度添加到樣本的ap聚類算法的判別過程中，通過距離和特征的雙重約束構(gòu)造出更優(yōu)異更穩(wěn)定的相似度矩陣，平滑了聚類過程中的相似度波形震蕩現(xiàn)象，縮短了聚類算法的迭代次數(shù)，顯著地優(yōu)化了聚類結(jié)果。

實施例5

基于dap聚類和arelm的在軌sar圖像變化檢測方法的總體技術(shù)方案同實施例1-4，步驟4中對獲得的若干類超像素集合再進行區(qū)域聚類，包括如下步驟：

步驟4.1：根據(jù)獲得的若干類超像素集合，分別統(tǒng)計集合內(nèi)部的所有超像素個數(shù)以及灰度值，求取每一類超像素集合的灰度均值。

步驟4.2：設(shè)聚類類別數(shù)k＝3，用k-means聚類算法以超像素集合的均值為特征，對所有超像素集合類進行再聚類，獲得了三類聚類結(jié)果；在獲得的三類聚類結(jié)果中，定義灰度均值最高的一類為嚴格變化區(qū)域，其中的像素定義為嚴格變化像素；定義灰度均值最低的一類為嚴格非變化區(qū)域，其中的像素定義為嚴格未變化像素；對剩余的一類定義為未知類別區(qū)域，其中的像素具體歸屬未知；形成三類區(qū)域。將嚴格變化像素和嚴格未變化像素統(tǒng)稱為標記樣本，將未知類別區(qū)域中的像素稱為無標記樣本。

步驟4.3：結(jié)束運用k-means聚類算法對超像素進行區(qū)域再聚類。

本發(fā)明通過區(qū)域再分類，從待檢測圖像對的差分圖中自動提取訓(xùn)練樣本，使得本發(fā)明可以靈活應(yīng)用于不同分辨率及成像方式的sar成像系統(tǒng)中，消除了訓(xùn)練樣本對方法檢測能力的限制，提升了本發(fā)明的應(yīng)用范圍。

實施例6

基于dap聚類和arelm的在軌sar圖像變化檢測方法的總體技術(shù)方案同實施例1-5，步驟5所述的訓(xùn)練arelm的網(wǎng)絡(luò)參數(shù)，包括如下步驟：

步驟5.1：由于獲得的三類區(qū)域集合中樣本數(shù)過多，本發(fā)明從三個區(qū)域中均按序選擇其中的部分像素作為區(qū)域訓(xùn)練樣本；以每個區(qū)域訓(xùn)練樣本為中心，提取所有區(qū)域訓(xùn)練樣本的n×n鄰域特征，并將特征拉成列向量，將其作為arelm的訓(xùn)練數(shù)據(jù)。本例中，選擇1/100的像素作為區(qū)域訓(xùn)練樣本，提取所有區(qū)域訓(xùn)練樣本的5×5鄰域特征。本發(fā)明中三類區(qū)域也稱為三個區(qū)域。

步驟5.2：引入基于圖正則的極速學(xué)習機arelm，設(shè)置arelm的單隱層節(jié)點數(shù)，設(shè)置輸入層的權(quán)重和隱藏層的偏置為均勻分布的隨機數(shù)；本例中設(shè)置arelm的單隱層節(jié)點數(shù)為200。

步驟5.3：將訓(xùn)練數(shù)據(jù)送入到arelm中進行訓(xùn)練；設(shè)置arelm的目標函數(shù)為：

其中β表示arelm的隱藏節(jié)點到輸出節(jié)點的權(quán)重向量，β^t表示β的轉(zhuǎn)置向量，hl為有標記樣本的隱藏層輸出矩陣，hu為無標記樣本的隱藏層輸出矩陣，hu^t表示hu的轉(zhuǎn)置矩陣，t為有標記樣本的類標矩陣，tr求取矩陣的跡。

步驟5.4：當網(wǎng)絡(luò)的輸出結(jié)果與類標的差別最小化時訓(xùn)練停止，獲得訓(xùn)練好網(wǎng)絡(luò)參數(shù)的的arelm。

步驟5.5：結(jié)束訓(xùn)練arelm。

本發(fā)明利用圖像的局部一致特性，構(gòu)建了基于圖正則的極速學(xué)習機arelm。構(gòu)建的arelm在保證檢測速度的前提下進一步提升了方法的檢測精度，確保了檢測質(zhì)量的穩(wěn)定性。

下面給出一個所有步驟融合在一起且更加詳實的例子，對本發(fā)明進一步說明。

實施例7

基于dap聚類和arelm的在軌sar圖像變化檢測方法的總體技術(shù)方案同實施例1-6，本發(fā)明提出了一種基于dap和arelm的在軌sar圖像變化檢測方法，將神經(jīng)網(wǎng)絡(luò)和圖像處理相結(jié)合，目的是獲取精確穩(wěn)定且全程自動化檢測的變化區(qū)域檢測圖，采用的技術(shù)方案是：首先通過slic(simplelineariterativecluster)算法實現(xiàn)對獲得的對數(shù)差分圖進行超像素分割，獲得的每一個超像素可以視為微小區(qū)域的第一次分割聚類，每個超像素中的像元的聚類過程不僅僅依賴其本身的灰度值，更依賴于像元周圍的紋理特征；其次，求取獲得的所有超像素的均值和質(zhì)心，利用dap算法在特征維度和距離維度對超像素進行聚類；然后利用k-means算法自動在dap算法最終的分類結(jié)果中挑選出嚴格變化像素、嚴格未變化像素以及未知類別像素；在此，像素也稱為樣本；接著利用圖像的局部一致性構(gòu)造基于arelm，提取部分樣本的特征訓(xùn)練arelm網(wǎng)絡(luò)；最后將待檢測的對數(shù)差分圖中所有像素視為測試樣本，提取所有測試樣本的特征輸入到訓(xùn)練好的arelm網(wǎng)絡(luò)中獲得最終的變化檢測結(jié)果。

具體實施步驟包括：

步驟1：針對兩幅配準后的同一地區(qū)不同時相的sar圖像對x1和x2，逐一地在圖像對每個對應(yīng)的像素點上作對數(shù)比值法計算，獲得sar圖像對的對數(shù)差分圖di。

步驟1.1：根據(jù)下列的對數(shù)比值法公式，將兩幅配準后sar圖像x1和x2帶入到公式中，獲得對應(yīng)的對數(shù)差分圖di：

其中ε是一個很小的正常數(shù)，一般為[10^-4～10⁰]；x1表示發(fā)生變化前目標區(qū)域的sar圖像，x2表示發(fā)生變化后目標區(qū)域的sar圖像。

步驟1.2：對生成的對數(shù)差分圖di進行歸一化處理，采用離差標準化的方式，具體公式如下：

其中dimax和dimin分別表示對數(shù)差分圖di中的最大值和最小值，差分圖大小為m×n，m和n表示對數(shù)差分圖中具體像素的坐標，得到歸一化后的對數(shù)差分圖。

步驟1.3：結(jié)束對數(shù)比值法，獲得對數(shù)差分圖。

步驟2：為了降低方法的運算時間，設(shè)置超像素的分割塊數(shù)和緊致度，對獲得的對數(shù)差分圖進行slic(simplelineariterativeclustering)超像素分割，將對數(shù)差分圖di分割成若干超像素,用超像素代替對數(shù)差分圖中的所有像素，獲得整體分割成超像素的對數(shù)差分圖，將超像素作為后續(xù)步驟的待分類樣本。

步驟2.1：參數(shù)設(shè)置:設(shè)置超像素分割方法的預(yù)定分割塊數(shù)，考慮到本發(fā)明的兩個實例中實驗數(shù)據(jù)圖的大小，本方法設(shè)置超像素的預(yù)定分割塊數(shù)為1000，設(shè)置超像素分割時的緊致度為25。

步驟2.2：將對數(shù)差分圖的長寬和設(shè)定的參數(shù)送入到slic超像素分割方法中，對歸一化的對數(shù)差分圖進行超像素分割。首先根據(jù)設(shè)定的超像素分割的塊數(shù)，在圖像內(nèi)均勻分配聚類中心；為了避免聚類中心被分配在圖像的高梯度區(qū)，微調(diào)聚類中心到某鄰域的梯度最小處；根據(jù)像素到聚類中心的顏色距離和空間距離，迭代優(yōu)化超像素的聚類中心；當超像素的聚類中心不再發(fā)生變化后迭代終止。

步驟2.3：得到整體分割成超像素的對數(shù)差分圖，參見圖5和圖9，結(jié)束slic超像素分割。

步驟3：求取整體分割成超像素的對數(shù)差分圖中所有超像素的均值和質(zhì)心，運用添加了樣本間距離相似度的dap算法，根據(jù)超像素的均值和質(zhì)心對所有超像素進行相似度劃分，由于dap算法不指定具體的聚類類別數(shù)，最終分類獲得若干類超像素集合。

步驟3.1：針對每個不規(guī)則外形的超像素，分別計算其均值和質(zhì)心。

步驟3.2：計算相似度矩陣：在整體分割成超像素的對數(shù)差分圖中，利用每個超像素的均值，求解計算超像素間的灰度相似度sgray(i,j)，以及計算超像素間的距離相似度sdistance(i,j)，最終按照如下公式獲得超像素間的相似度s(i,j)，i,j分別表示第i個和第j個超像素的編號:

s(i,j)＝sgray(i,j)+μ×sdistance(i,j)

其中μ是距離相似度的權(quán)重，具體取值范圍為10^-1～10^-2之間，sgray(i,j)＝-||pi-pj||²，xi和xj分別表示第i個超像素的灰度均值和第j個超像素的灰度均值；灰度相差越小，計算得到的灰度相似度值越大，越接近于0；灰度相差越大，計算得到的值越??；ix和jx分別表示第i個超像素的質(zhì)心和第j個超像素的質(zhì)心在x軸上的坐標，iy和jy分別表示第i個超像素的質(zhì)心和第j個超像素的質(zhì)心在y軸上的坐標；以所有超像素的編號作為相似度矩陣s的橫坐標和縱坐標，用超像素彼此間的相似度s(i,j)構(gòu)成相似度矩陣s。

步驟3.3：開始進行添加了樣本間距離相似度的dap聚類算法的計算，首先初始化歸屬度矩陣a中每個元素a(i,j)為0，迭代更新吸引度矩陣r和歸屬度矩陣a直至兩個矩陣在若干代內(nèi)不再發(fā)生變化：

最終獲得若干類經(jīng)dap算法聚類得到的超像素集合。

步驟3.4：結(jié)束運用添加了樣本間距離相似度的dap聚類算法進行相似度劃分。

步驟4：設(shè)置區(qū)域分類的類別數(shù)為3，運用k-means算法對獲得的若干類超像素集合再進行區(qū)域分類，分類后的三個區(qū)域中均值最高的集合視為嚴格變化區(qū)域，將分類后的三個集合中均值最低的集合視為嚴格未變化區(qū)域，剩余的一類區(qū)域視之為未知類別區(qū)域。

步驟4.1：根據(jù)獲得的若干類超像素集合，分別統(tǒng)計集合內(nèi)部的所有超像素個數(shù)以及灰度值，求取每一類超像素集合的灰度均值。

步驟4.2：設(shè)聚類類別數(shù)k＝3，用k-means聚類算法以超像素集合的均值為特征，對所有超像素集合類進行聚類，獲得了三類聚類結(jié)果；在獲得的三類聚類結(jié)果中，定義灰度均值最高的一類為嚴格變化區(qū)域，其中的像素定義為嚴格變化像素；定義灰度均值最低的一類為嚴格非變化區(qū)域，其中的像素定義為嚴格未變化像素；對剩余的一類定義為未知類別區(qū)域，其中的像素具體歸屬未知；將嚴格變化像素和嚴格未變化像素統(tǒng)稱為標記樣本，將未知類別區(qū)域中的像素稱為無標記樣本，參見圖6和圖10，圖6是本發(fā)明針對圖4經(jīng)過超像素分割和dap及k-means聚類得到的結(jié)果圖，其中圖6(a)為嚴格變化區(qū)域，圖6(b)為未知類別區(qū)域，圖6(c)為嚴格未變化區(qū)域。圖10是本發(fā)明針對圖8經(jīng)過超像素分割和dap及k-means聚類得到的結(jié)果圖，其中圖10(a)為嚴格變化區(qū)域，圖10(b)為未知類別區(qū)域，圖10(c)為嚴格未變化區(qū)域。

步驟4.3：結(jié)束運用k-means聚類算法對超像素進行區(qū)域再分類。

步驟5：獲得的三個區(qū)域集合中樣本數(shù)過多，本發(fā)明從三個區(qū)域中均按序選擇其中的1/100的像素作為區(qū)域訓(xùn)練樣本，以每個區(qū)域訓(xùn)練樣本為中心，提取所有區(qū)域訓(xùn)練樣本的n×n鄰域特征；初始化基于圖正則的極速學(xué)習機arelm中所有網(wǎng)絡(luò)節(jié)點的權(quán)重和偏置，將三類區(qū)域訓(xùn)練樣本的鄰域特征分別送入到arelm中進行訓(xùn)練，最終獲得訓(xùn)練好網(wǎng)絡(luò)參數(shù)的arelm。

步驟5.1：由于獲得的三類區(qū)域集合中樣本數(shù)過多，本發(fā)明從三個區(qū)域中均按序選擇其中的1/100的像素作為區(qū)域訓(xùn)練樣本；以每個區(qū)域訓(xùn)練樣本為中心，提取所有區(qū)域訓(xùn)練樣本的n×n鄰域特征，并將特征拉成列向量，將其作為arelm的訓(xùn)練數(shù)據(jù)；本例提取有區(qū)域訓(xùn)練樣本的5×5鄰域特征。

步驟5.2：引入基于圖正則的極速學(xué)習機arelm，設(shè)置arelm的單隱層節(jié)點數(shù)，設(shè)置輸入層的權(quán)重和隱藏層的偏置為均勻分布的隨機數(shù)，本例設(shè)置單隱層節(jié)點數(shù)為200。

步驟5.3：將訓(xùn)練數(shù)據(jù)送入到arelm中進行訓(xùn)練，設(shè)置arelm的目標函數(shù)為：

其中β表示arelm的隱藏節(jié)點到輸出節(jié)點的權(quán)重向量，β^t表示β的轉(zhuǎn)置向量，hl為有標記樣本的隱藏層輸出矩陣，hu為無標記樣本的隱藏層輸出矩陣，hu^t表示hu的轉(zhuǎn)置矩陣，t為有標記樣本的類標矩陣，tr求取矩陣的跡。

步驟5.4：當網(wǎng)絡(luò)的輸出結(jié)果與類標的差別最小化時訓(xùn)練停止，獲得訓(xùn)練好網(wǎng)絡(luò)參數(shù)的的arelm。

步驟5.5：結(jié)束訓(xùn)練arelm。

步驟6：將待檢測的對數(shù)差分圖中所有像素視為測試樣本，以每個測試樣本為中心，提取所有測試樣本的5×5鄰域特征，送入到訓(xùn)練好的arelm中進行分類判決，自動獲得待檢測圖像的變化檢測結(jié)果圖。

下面結(jié)合仿真及其相關(guān)實驗數(shù)據(jù)，對本發(fā)明的技術(shù)效果再做說明。

實施例8

基于dap聚類和arelm的在軌sar圖像變化檢測方法的總體技術(shù)方案同實施例1-7。

仿真評價指標

對于具有參考圖的實驗仿真圖，進行定量的變化檢測結(jié)果分析：

1)計算漏檢個數(shù)：統(tǒng)計檢測結(jié)果圖中檢測出的變化區(qū)域的像素個數(shù)，與參考圖中變化像素區(qū)域的像素個數(shù)進行對比，統(tǒng)計參考圖中發(fā)生變化但檢測結(jié)果圖中檢測為未變化的像素個數(shù)，稱之為漏檢個數(shù)fn。

2)計算錯檢個數(shù)：統(tǒng)計檢測結(jié)果圖中檢測出的無變化區(qū)域的像素個數(shù)，與參考圖中無變化區(qū)域的像素個數(shù)進行對比，統(tǒng)計參考圖中無變化但檢測結(jié)果圖中檢測為變化的像素個數(shù)統(tǒng)計，稱之為錯檢個數(shù)fp。

3)正確分類的概率pcc：pcc＝(tp+tn)/(tp+fp+tn+fn)。

4)衡量檢測結(jié)果圖與參考圖一致性的kappa系數(shù)：kappa＝(pcc–pre)/(1–pre)，其中：pre＝(tp+fp)×nc+(fn+tn)×nu/n²。

這里n代表總像素個數(shù)，nc和nu分別代表實際的變化像素個數(shù)和無變化像素個數(shù)。

仿真內(nèi)容

采用本發(fā)明的方法在第一組實驗仿真圖和第二組實驗仿真圖中實現(xiàn)了變化檢測，并將檢測結(jié)果與ckld算法在上述同樣的仿真圖中獲得的結(jié)果進行了對比。

仿真實驗結(jié)果及分析

1)反映bern城市地區(qū)的sar圖像如圖4所示，圖像大小為301×301，其中圖4(a)的拍攝時間是1999年4月，圖4(b)的拍攝時間是1999年5月。

本發(fā)明通過dap和k-means聚類算法對第一組實驗仿真圖實現(xiàn)變化類、非變化類和中間類的三類樣本選擇，也就是進行三個區(qū)域的劃分，結(jié)果如圖6所示，其中圖6(a)為本發(fā)明選擇的嚴格變化區(qū)域，6(b)為未知類別區(qū)域，6(c)為嚴格未變化區(qū)域。圖7給出了選擇圖6中的樣本作為訓(xùn)練數(shù)據(jù)訓(xùn)練arelm并用其進行分類的結(jié)果圖以及通過ckld方法得到的變化檢測結(jié)果圖，其中圖7(a)表示待檢測圖像對的標準變化圖，即參考圖，圖7(b)表示本發(fā)明dap-arelm方法的檢測結(jié)果，圖7(c)表示ckld方法的變化檢測結(jié)果。從圖7可見，ckld方法的噪點比較多，細節(jié)丟失比較嚴重，許多變化的區(qū)域并未能檢測出來。在檢測結(jié)果圖中變化區(qū)域的正下方可以看出，ckld方法大量丟失變化信息，許多微小區(qū)域的變化信息不能正確檢測出來。而本發(fā)明方法的變化檢測結(jié)果圖具有很優(yōu)秀的抗噪性能，細節(jié)得以清晰完整的保持，檢測的結(jié)果圖的輪廓更加逼近真實情形，得到的變化檢測結(jié)果更優(yōu)于ckld方法。

針對圖像對的檢測結(jié)果的對比，眼睛所看到的目測結(jié)果不夠精確可靠，接下來給出使用本發(fā)明的檢測效果指標以及ckld方法在第一組實驗仿真圖上的對比檢測效果指標，結(jié)果如表1所示。

表1本發(fā)明方法和ckld方法在第一組實驗仿真圖上的對比數(shù)據(jù)結(jié)果

從表1中可以看出，本發(fā)明方法的變化檢測正確率以及kappa系數(shù)和ckld方法比較都更優(yōu)秀，錯檢數(shù)和漏檢數(shù)都比較低，檢測效果優(yōu)秀。

實施例9

基于dap聚類和arelm的在軌sar圖像變化檢測方法的總體技術(shù)方案同實施例1-7，仿真評價指標及仿真內(nèi)容同實施例8。

本例中采用本發(fā)明的基于dap和arelm的在軌sar圖像變化檢測方法，檢測圖像為圖8中ottawa地區(qū)發(fā)生水災(zāi)前后的sar圖像，圖像大小均為290×350。其中圖8(a)的拍攝時間是1997年5月，圖8(b)的拍攝時間為1997年8月。

經(jīng)slic超像素分割方法獲得的分割成超像素的對數(shù)差分圖如圖9所示，通過dap算法和k-means聚類算法對第二組實驗仿真圖實現(xiàn)變化類、非變化類和中間類的樣本選擇結(jié)果如圖10所示，其中圖10(a)表示選擇的嚴格變化區(qū)域，圖10(b)表示未知類別區(qū)域，圖10(c)表示嚴格未變化區(qū)域。圖11給出了選擇圖10中的樣本作為訓(xùn)練數(shù)據(jù)時運用arelm進行變化檢測的結(jié)果圖以及通過ckld方法得到的變化檢測結(jié)果圖，其中圖11(a)表示參考圖，圖11(b)表示本發(fā)明的檢測結(jié)果，圖11(c)表示ckld方法的變化檢測結(jié)果。從圖11可以看出，ckld方法獲得的結(jié)果有模糊的重影，嚴重影響了變化區(qū)域細節(jié)的保持以及檢測的正確率，而本發(fā)明的變化檢測結(jié)果圖無論是抗噪性能還是細節(jié)保持能力都更優(yōu)于ckld方法，變化區(qū)域的邊緣能夠得到很好的還原。

同樣，以數(shù)據(jù)更精確的說明，使用本發(fā)明方法進行變化檢測的效果指標以及ckld方法在第二組實驗仿真圖上的對比數(shù)據(jù)結(jié)果如表2所示。

表2本發(fā)明方法和ckld方法在第二組實驗仿真圖上的對比數(shù)據(jù)結(jié)果

表2中明顯看出，本發(fā)明方法的變化檢測結(jié)果無論是正確檢出率還是kappa系數(shù)都遠遠優(yōu)于ckld方法，可見本發(fā)明方法提高了sar圖像變化檢測的效果。

本例沒有詳細敘述的工藝和字母含義屬本行業(yè)的公知常用手段及公知技術(shù)，這里不一一敘述。

簡而言之，本發(fā)明提出的一種基于dap算法和arelm的在軌sar圖像變化檢測方法。包括如下步驟：步驟1：針對兩幅配準后的同一地區(qū)不同時相的sar圖像對x1和x2，逐一地在圖像對每個對應(yīng)的像素點上作對數(shù)比值法計算，獲得sar圖像對的對數(shù)差分圖di；步驟2：設(shè)置超像素的分割塊數(shù)和緊致度，對獲得的對數(shù)差分圖進行slic(simplelineariterativeclustering)超像素分割，將對數(shù)差分圖di分割成若干超像素,用超像素代替對數(shù)差分圖中的所有像素，獲得整體分割成超像素的對數(shù)差分圖，將超像素作為后續(xù)步驟的待分類樣本；步驟3：求取整體分割成超像素的對數(shù)差分圖中所有超像素的均值和質(zhì)心，運用添加了樣本間距離相似度的dap算法，根據(jù)超像素的均值和質(zhì)心對所有超像素進行相似度劃分，最終分類獲得若干類超像素集合；步驟4：設(shè)置區(qū)域分類的類別數(shù)為3，運用k-means算法對獲得的若干類超像素集合再進行區(qū)域分類，分類后的三個區(qū)域中均值最高的集合視為嚴格變化區(qū)域，將均值最低的集合視為嚴格未變化區(qū)域，剩余的一類區(qū)域視之為未知類別區(qū)域；步驟5：獲得的三類區(qū)域集合中樣本數(shù)過多，從三個區(qū)域中均按序選擇其中的1/100的像素作為區(qū)域訓(xùn)練樣本，以每個區(qū)域訓(xùn)練樣本為中心，提取所有區(qū)域訓(xùn)練樣本的n×n鄰域特征；初始化基于圖正則的極速學(xué)習機arelm中所有網(wǎng)絡(luò)節(jié)點的權(quán)重和偏置，將三類區(qū)域訓(xùn)練樣本的鄰域特征分別送入到arelm中進行訓(xùn)練，最終獲得訓(xùn)練好網(wǎng)絡(luò)參數(shù)的arelm；步驟6：將待檢測的對數(shù)差分圖中所有像素視為測試樣本，以每個測試樣本為中心，提取所有測試樣本的n×n鄰域特征，送入到訓(xùn)練好的arelm中進行分類判決，自動獲得待檢測圖像的變化檢測結(jié)果圖；步驟7：結(jié)束基于dap和arelm的在軌sar圖像變化檢測方法。本發(fā)明在保證方法的檢測速度的基礎(chǔ)上有效抑制了雷達圖像中噪聲的干擾，同時方法的檢測正確率得到了顯著提升，檢測質(zhì)量穩(wěn)定高效，滿足實際在軌sar圖像的變化檢測需求。