SAR图像变化检测

算法流程1差异图的构造2聚类算法3结果对比4变化检测基本流程：SAR图像1SAR图像2差异图1二聚类图融合处理理滤波处理理滤波处理理差异图2消躁滤波处理：•中值滤波虽然能处理掉很多小的噪声点，但是在处理噪声的同时也很容易把一些细节部分掩盖掉；•在本算法测试的图中，大部分图像是需要保留很多细节变化的，所以，我们采用自适应滤波器来对原图像进行处理，最后，经过测试，发现在同样可以消除掉很多噪声的同时，也保留了很多细节，效果比较的好。•自适应滤波器：根据图像的局部方差来调整滤波器的输出，当局部方差大时，滤波器的平滑效果较弱；反之，当局部方差小时，滤波器的平滑效果较强。分别用两种方法处理后的简单FCM聚类准确率：•中值滤波（97.14%）•自适应滤波（97.31%）差异图的构造本文提出的差异图构造方法：•Step1.构造对数比差异图；•Step2.构造均值比差异图；•Step3.小波融合，结合两种差异图的优点；对数比算子：•设两图分别为X1，X2,则其差异图为D=|log(X1)-log(X2)|特点：背景区域加强，变化区域减弱，变化区域与不变化区域差别不明显。均值比算子：•小波融合的步骤：•Step1.先用小波对两图进行一层分解，提取出低频近似分量和高频细节分量；•Step2.对低频分量取均值，高频分量根据局部能量极小值选取，得到新的低频和高频成分；•Step3.小波重构，得到融合后的图像。低高高高低1+低2低频=，高频={局部能量较小的系数}2聚类算法FCM•它是一种典型的区域分割算法，但是在每次的迭代过程中。是以单个像素为单位，没有考虑到像素的邻域信息，所以它在含有噪音的图像分割时，效果并不理想。•优点：实现简单，聚类速度快。•缺点：单纯的考虑了图像的像素信息，未考虑像素领域信息，造成聚类噪点多，效果不理想。前辈们也对FCM算法进行了一些改进：•如：•（1）上课时老师讲的修改FCM的目标函数，增加了邻域信息对像素的影响；•（2）或者先利用像素邻域信息生成一副加权图像，然后对新图像进行聚类分割；•（3）或者直接修改距离函数改进FCM算法；•（4）或者在像素隶属度的计算中加入邻域信息。•这些改进在某种程度上改善了噪声图像的分割结果，但忽略了邻域像素对中心像素影响的差异性，造成它们在处理噪声图像的分割精度上仍有不足。•本文提出一种改进算法，利用高斯函数来刻画邻域像素点的空间和灰度等差异信息，从而指导中心像素隶属度的调整，实现对噪声图像的精确聚类。算法步骤：•Step1.初始化聚类中心，聚类个数，参数（选择差异图两个像素的极端值作为初始聚类中心，可以极大减少聚类迭代次数）；•Step2.利用下面的式子计算隶属度矩阵U:•Step3.利用每个像素的邻域信息对该像素的隶属度进行调整:2/(1)11()ikcmkijkjuxvxv1212((,))()1()1((,))()kkijkjkjjNikikkjkjjNukdistxxkxxhukdistxxkxx•xk22/k()xxe用改进的FCM算法处理对数比差异图：•（a）FCM聚类（b）改进FCM算法对比评价标准：•（1）漏检数（变化了，但是没有检测出来）；•（2）虚检数（没有变化，但是检测的变了）；•（3）总正确率；•（4）人眼观察。实验数据集•Berne：•Mexico：•Ottawa：•Sardinia：Berne：（a）（b）（c）（d）(a)参考图；(b)利用对数比算子构造的差异图聚类结果；(c)利用均值比算子构造的差异图聚类结果；(d)利用小波融合构造的差异图聚类结果。方法虚检数漏检数准确率对数比3531799.61%均值比3359799.53%小波融合11716799.69%老师课件3121799.73%Ottawa：•（a）（b）（c）（d）(a)参考图；(b)利用对数比算子构造的差异图聚类结果；(c)利用均值比算子构造的差异图聚类结果；(d)利用小波融合构造的差异图聚类结果。方法虚检数漏检数准确率对数比155209197.79%均值比186922697.94%小波融合11716798.84%老师课件20761199.14%Sardinia：方法虚检数漏检数准确率对数比108393698.37%均值比479027495.91%小波融合103189898.44%墨西哥：方法虚检数漏检数准确率对数比199126297.77%均值比31195098.08%小波融合29093198.14%实验总结•算法优点：效果稳定，变化检测中，在抑制一定噪声的同时，对细节的保持较好；算法缺点：对不同的图像，要想得到最佳的效果，相应的参数也要及时调整，带来了一定的麻烦；在某些图片的测试中，改进的FCM算法可能并不比简单FCM好。算法改进：可以想办法让重要参数可以自学习，减少人为劳动谢谢观赏！