[发明专利]一种基于分解的SAR图像多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SAR图像多目标模糊变化检测方法，属于遥感监测技术领域。该方法从保留细节与去除噪声两个目标点出发，针对不同的目标生成不同的差分图像，分别使用FCM与FLICM模糊聚类代价函数来构造不同的目标函数，通过MOEA/D的方式对多目标任务进行优化，最后采用新的隶属度更新公式，通过种群迭代的方式，以不同的权重分配来计算每个像素点最后关于不同类别的隶属度值。通过实验证明本申请方法对SAR图像具有更好的检测效果。同时本申请针对保留细节和去除噪声两个目标进行了更加细致的分析，针对两目标选取了两个相互冲突的目标函数以进一步提高其区分能力，提高了对斑点噪声的鲁棒性。

技术领域

本发明涉及一种基于分解的SAR图像多目标模糊变化检测方法，属于遥感监测技术领域。

背景技术

变化检测是通过对不同时段得到的同一地区的遥感图像进行分析，以确定地表发生的人为或自然造成的改变。变化检测已被应用于很多重要领域当中，比如冰川消融检测，灾害管理，土地覆盖检测等等。

随着地球观测技术的不断进步，如今我们可以更加容易的获得不同分辨率、不同类别的卫星遥感影像，其中合成孔径雷达(Synthetic Aperture Radar，SAR)影像由于其全天候，全天时工作与具有较强的穿透能力的特点，受到了广泛的关注。但由于其成像原理的因素，SAR图像中存在散点噪声的干扰，故对SAR图像的分析仍然是一项困难的任务。

从机器学习的角度，目前比较流行的无监督变化监测方法的主要步骤如下：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。

Li和Gong等提出了一种MOFCM算法(Li,H.,Gong,M.,Wang,Q.,Liu,J.,Su,L.(2016).A multiobjective fuzzy clustering method for change detection in SARimages.Applied Soft Computing,46,767-777.)，其将变化检测问题转化为多目标优化问题(MOP)，通过对数比算子产生的差分图像来保留细节，然后对差分图像进行均值滤波处理以去除噪声，得到去噪后的差分图像。然后直接使用FCM的成本函数作为两目标的目标函数，构建多目标模糊聚类模型。使用加权和分解的方式对不同的目标进行权衡，并通过进化算法更新聚类中心。最后，利用对数比图像和均值滤波后的对数比图像中的信息来决定每个像素点的隶属度，进而获得最终的变化检测结果。

但是，其对噪声的处理过于粗糙，仅使用均值滤波无法有效的对斑点噪声进行处理。同时，由于其直接使用FCM的成本函数作为两目标的目标函数，而FCM不考虑像素点的空间位置信息，对噪声敏感，因此不适用于对去噪图像的分析。所以其对变化检测结果的预测精度还有待于进一步的提高。

发明内容

为了增强对SAR图像的分析能力并提高对变化检测任务的检测精度，本发明提供了一种基于分解的多目标模糊变化检测方法，所述方法针对MOFCM算法中所使用的均值滤波无法有效的对斑点噪声进行处理的问题，提出了一种新的去噪差分图像的产生方式，即小波滤波+显著性检测的方式获得去噪差分图像，有效去除了斑点噪声；而针对MOFCM算法中使用对噪声敏感且不考虑空间信息的FCM作为去噪目标函数，从而导致对去噪图像的分析能力较弱的问题，本申请提出了一种新的多目标模糊聚类模型，使用不同的隶属度更新公式去分析每个像素点对不同类别的隶属度，从而提高了变化检测任务的检测精度。

一种基于分解的多目标模糊变化检测方法，所述方法包括：

步骤一：获取在同一地理区域的两个不同时期的SAR图像，并对图像进行预处理；

步骤二：对预处理后的图像分别使用log算子获得保留细节差分图像，使用小波滤波与基于频域的显著性检测相结合的方式，获得去噪差分图像；