[发明专利]基于NSGA-Ⅱ进化算法的变化检测方法

说明书

技术领域

本发明属于图像处理技术领域，可用于变化检测、图像分割等技术领域中。

背景技术

图像变化检测是分析同一地点不同时间两幅图像差别的过程。在最近几十年，由于在各个方面的应用，比如遥感、医学诊断和视频监控等，图像变化检测越来越受到关注。随着遥感技术的发展，在遥感领域的变化检测变得越来越重要。在这其中，相比于光学图像，SAR图像表现出一些复杂性，这是由于受到斑点噪声存在的影响。当然，SAR图像的优点是受到大气和光照的影响较小。

无监督SAR图像变化检测可以大致分为三个步骤：一是图像预处理过程。主要包括配准、几何校正、去噪等步骤；二是生成差异图。两幅已配准的图像像素点对应进行比较生成差异图，常用的技术是差值和比值，由于乘性噪声的存在，常用的是均值比和对数比；三是分析差异图。这一步相当于对图像做二值分割，常用的技术有阈值法和聚类法。

进化算法作为一类启发式搜索算法，已被成功应用与多目标优化领域，发展成为一个相对较热的研究方向——进化多目标优化。最优化问题是工程实践和科学研究中主要的形式之一，其中，仅有1个目标函数的最优化问题称为单目标优化问题，目标函数超过1个并且需要同时处理的最优化问题称为多目标优化问题。对于多目标优化问题，一个解对于某个目标来说可能是较好的，而对于其他目标来讲可能是较差的，因此，存在一个折衷解的集合，称为pareto最优解集或非支配解集。起初，多目标优化问题往往通过加权方式转化为单目标优化问题，然后用数学规划的方法来求解，每次只能得到一种权值情况下的最优解。同时，由于多目标优化问题的目标函数和约束函数可能是非线性、不可微或不连续的，传统的数学规划方法往往效率较低，且它们对于权重值或目标给定的次序较敏感。进化算法通过在代与代之间维持由潜在解组成的种群来实现全局搜索，这种从种群到种群的方法对于搜索多目标优化问题的pareto最优解集是很有用的。

NSGA-Ⅱ是2002年Deb等人对其算法NSGA的改进，它是迄今为止最优秀的进化多目标优化算法之一，提出该算法的文献是《Deb K,Pratap A,Agarwal S,Meyarivan T.A fast and elitist multi-objective genetic algorithm:NSGA-II.IEEE Trans.on Evolutionary Computation,2002,6(2):182-197》。相对于NSGA而言，NSGA-Ⅱ具有以下优点：一是新的基于分级的快速非支配解排序方法降低了计算复杂度；二是为了标定快速非支配排序后同级中不同元素的适应度值，同时使当前pareto前沿面中的个体能够扩展到整个pareto前沿面，并尽可能地均匀遍布。该算法提出了拥挤距离的概念。采用拥挤距离比较算子代替了NSGA中的适应度共享方法；三是引入了精英保留机制，经选择后参加繁殖的个体所产生的后代与其父代个体共同竞争来产生下一代种群，因此有利于保持优良的个体，提高种群的整体进化水平。

发明内容

本发明的目的是提供一种基于NSGA-Ⅱ进化算法的变化检测方法。动机在于分析差异图利用聚类算法时，目标函数可以拆成两部分，一部分代表图像细节，一部分图像去噪，两个目标是矛盾的，一方面好时，另一方面不一定好，这就可以考虑用多目标进化算法对两个目标进行优化，得到一组折衷解，使得目标函数达到最小值。

本发明的技术方案是将NSGA-Ⅱ进化算法引入变化检测分析差异图这一步骤，权衡图像细节和去噪程度，得到一组折衷解，然后从一组图像中选取自己需要的一幅或几幅结果图。

其具体实现过程如下：

步骤101：设置运行参数；

步骤102：用对数比生成差异图；

步骤103：随机初始化隶属度矩阵和聚类中心；

步骤104：计算个体适应度；

步骤105：非支配快速排序；

步骤106：更新隶属度矩阵；

步骤107：二元锦标赛选择父代；

步骤108：父代交叉和变异生成子代；

步骤109：对父代和子代一起进行非支配快速排序；

步骤110：选择精英种群；

步骤111：判断进化代数是否达到设置条件，未达到则返回步骤106，否则，输出pareto前端和结果图。

所述步骤101，包括以下步骤：

步骤201：设置运行参数，包括种群大小pop，进化代数gen，其中pop设为50，gen设为200。

所述步骤102，包括以下步骤：