[发明专利]一种基于分解的两目标模糊变化检测方法

说明书

本发明公开了一种基于分解的两目标模糊变化检测方法，属于遥感图像检测技术领域。所述方法对SAR图像进行变化检测时，将变化检测任务分解为保留细节和去除噪声两个子问题。通过对保留细节和去除噪声两个目标的分析，使用log‑mean算子得到了更高质量的保留细节差分图像。利用同态滤波和显著性检测，获得更加有效的去噪差分图像。使用FLICM构建不同的目标模型，同时利用MOEA/D方法对这两个目标同时进行优化。新的隶属度更新方法充分考虑了不同目标之间的平衡，生成了更优的最终变化检测图。通过在四个不同数据集上进行实验证明了本申请方法在复杂噪声干扰的SAR图像中具有更强大的检测性能。

技术领域

本发明涉及一种基于分解的两目标模糊变化检测方法，属于遥感图像检测技术领域。

背景技术

SAR(Synthetic Aperture Radar，合成孔径雷达)图像由于其不受光照、气候影响的特点，在遥感监测领域发挥着重要的作用。但由于斑点噪声的存在，对SAR图像的变化检测分析仍旧是一项艰巨的任务。

变化检测任务的主要分析方法包括有监督学习、半监督学习和无监督学习。在有监督学习和半监督学习方法中，需要预先获得有标注的数据集来训练分类器，以区分变化区域。但受到遥感卫星的分辨率，角度，大气环境等诸多复杂因素的影响，获得足够多的可靠标注数据存在一定困难，所以其时间花销大并且成本高昂。而无监督学习根据样本间的相似性对样本进行分类，不需要任何先验知识，因而更加广泛的用于变化检测任务。

无监督变化检测可以看作一个二分类问题，而分类后比较是比较流行的无监督变化监测方法，其主要步骤如下：首先，对不同时间获取的同一地区的遥感图像进行图像预处理操作，主要包括几何配准，辐射校正，去噪等操作。然后，使用某些手段获取差分图像，最后对获得的差分图像进行分析，从而获得最终的变化检测结果。对差分图像的分析方式主要是阈值法和聚类方法。

经典的阈值算法通过分析差异图像的像素值以寻找最佳阈值，然后根据最佳阈值将差分图像的像素分为两类；常见的阈值方法有OSTU方法，KI算法和期望最大化(EM)算法。如Hu和ban通过对直方图模式的分析以使用不同算法自动确定所选取的最佳阈值(Hu,H.,and Ban,Y.Unsupervised change detection in multitemporal sar images overlarge urban areas.IEEE Journal of Selected Topics in Applied EarthObservations and Remote Sensing 7,8(2014),3248–3261.)；Bruzzone等人结合使用了马尔可夫随机场与期望最大化算法进行自动阈值选择，从而降低了总体错误概率(Bruzzone,L.,and Prieto,D.F.Automatic analysis of the difference image forunsupervised change detection.IEEE Transactions on Geoscience and RemoteSensing 38,3(2000),1171–1182.)。Sumaiya等人将Gabor滤波器与KI算法结合生成二值变化图，提高了其检测结果的准确性(Sumaiya,M.N.,and Kumari,R.S.S.Gabor filterbased change detection in sar images by ki thresholding.Optik-InternationalJournal for Light and Electron Optics(2017).)。综上，阈值方法的操作相对简单，具有较低的时间复杂度，但是其对噪声敏感，并且对灰度差异不明显的复杂图像处理能力相对较弱。