專利名稱：基于單邊廣義高斯模型的sar圖像變化檢測閾值方法
技術領域：
本發(fā)明屬于SAR圖像變化檢測領域，涉及SAR圖像變化檢測中的閾值技術。具體 地說是提出了一種基于單邊廣義高斯模型的閾值方法，用來解決SAR圖像變化檢測領域中 變化區(qū)域檢測錯誤率較高的問題，提高SAR圖像變化檢測中的檢測精度及速度。
背景技術：
SAR圖像變化檢測是從不同時間獲取同一地理區(qū)域的多時相遙感影像，定性地分 析和確定地表變化過程和特征的技術。由于與光學遙感系統(tǒng)相比，SAR系統(tǒng)具有全天時、全 天候獲取數(shù)據的能力，所以SAR圖像變化檢測技術正廣泛的應用于各個領域，例如環(huán)境監(jiān) 控，農業(yè)研究，城市區(qū)域研究，森林監(jiān)控等方面。閾值技術是SAR圖像變化檢測中的關鍵技術之一。該技術通過變化前后不同時相 的SAR影像圖構造差異圖，然后在差異圖的基礎上進行自動閾值的確定，形成變化檢測結 果圖，完成變化檢測過程，該技術具有方法簡單，時間迅速等特點。同時，在相關技術中該技 術又往往作為其中的某個環(huán)節(jié)，其精度高低也直接影響相關算法的性能。因此，該技術在 SAR圖像變化檢測領域中至關重要，得到了廣泛的關注。在閾值技術中，差異影像直方圖的 概率統(tǒng)計分布是其核心內容，概率統(tǒng)計模型能否很好的擬合差異影像直方圖，直接影響著 變化檢測錯誤率的大小，受到了國內外研究者的廣泛關注。所以，目前的研究主要集中在統(tǒng) 計概率分布模型的建立上。國內外學者提出了不同的閾值方法來提高SAR圖像變化檢測系統(tǒng)的檢測性能，但 均存在不同的問題，主要檢測錯誤率較高的問題。閾值方法作為一種實時性較好方法，具有 自動性，實時性的優(yōu)點，但是現(xiàn)有的閾值方法檢測錯誤率仍較高。在SAR圖像變化檢測中，許多學者給出了許多不同的閾值方法。Kittler和 Illingworth提出了經典了最小誤差閾值方法，該方法假設變化區(qū)域與非變化區(qū)域的直方 圖統(tǒng)計分布符合高斯分布，通過最小化懲罰函數(shù)來自動確定閾值。但該方法中基于高斯模 型的假設并不準確，實際SAR圖像數(shù)據分布并不符合高斯分布，所以其檢測錯誤率仍較高。 意大利G. Moser, S. B. Serpico等人在最小誤差閾值基礎上提出了一種廣義最小誤差閾值 方法，該方法以三種概率分布模型Nakagami分布、Log-Normal分布和Weibull分布為基礎 擴展了最小誤差閾值方法。該閾值方法由于使用了更加適合SAR圖像數(shù)據分布的模型，所 以呈現(xiàn)了較好的檢測結果。但是，這三種模型仍不能完全擬合差異圖直方圖，所以其檢測錯 誤率仍然較高。

發(fā)明內容
本發(fā)明的目的在于為了降低SAR圖像變化檢測的錯誤率克服現(xiàn)有方法較高的檢 測錯誤率，提高檢測精度，針對SAR圖像變化檢測的特點，提出了基于單邊廣義高斯模型的 閾值方法，與其它現(xiàn)有的方法相比能夠獲得較低的檢測錯誤率。本發(fā)明的技術方案是首先對兩幅不同時間相同地域的SAR圖像構造差異圖，然
3后求出差異圖像的直方圖，接著利用單邊廣義高斯模型求出其無變化區(qū)域的直方圖概率分 布函數(shù)，再利用高斯模型求出其變化區(qū)域的直方圖概率分布函數(shù)，最后通過最大后驗概率 方法自動確定閾值，再通過該閾值生成變化檢測結果圖，完成對兩幅SAR圖像中變化區(qū)域 的最終檢測，其具體實現(xiàn)步驟如下(1)對兩幅不同時間相同地域的SAR圖像I1, I2構造差異圖像；(2)遍歷差異圖像的每個像素，記錄圖像上每個灰度級出現(xiàn)的頻率值，求出該差異 圖像的直方圖h(z)，z e
為灰度級范圍，在直方圖上確定可能產生閾值的灰度級區(qū) 域，即閾值產生區(qū)域，該區(qū)域的上限為mn_up，下限為mn_low ；(3)令閾值 Ti = mn_low, i = 1 ；(4)構造單邊廣義高斯模型ρ (X) =aexp{-[b I X-(mn-c) ]0}構造該模型相對應的 參數(shù)估計方法，求出閾值Ti下的無變化區(qū)域直方圖曲線的概率分布函數(shù)pn。sgg(z I Ti)，其中
權利要求
1. 一種基于單邊廣義高斯模型的SAR圖像變化檢測閾值方法，其特征在于首先對兩 幅不同時間、相同地域的SAR圖像構造差異圖，然后求出差異圖像的直方圖，接著利用單邊 廣義高斯模型求出其無變化區(qū)域的直方圖概率分布函數(shù)，再利用高斯模型求出其變化區(qū)域 的直方圖概率分布函數(shù)，最后通過最大后驗概率方法自動確定閾值，再通過該閾值生成變 化檢測結果圖，完成對兩幅SAR圖像中變化區(qū)域的最終檢測，其具體實現(xiàn)步驟如下(1)對兩幅不同時間相同地域的SAR圖像I1,I2構造差異圖像；(2)遍歷差異圖像的每個像素，記錄圖像上每個灰度級出現(xiàn)的頻率值，求出該差異圖像 的直方圖h(z)，ζ e
為灰度級范圍，在直方圖上確定可能產生閾值的灰度級區(qū)域， 即閾值產生區(qū)域，該區(qū)域的上限為mn_up下限為mn_low ；(3)令閾值Ti = mn_low, i = 1 ；(4)構造單邊廣義高斯模型P(X) = aexp{-[b I X-(mn-c) ]0}構造該模型相對應的參 數(shù)估計方法，求出閾值Ti下的無變化區(qū)域直方圖曲線的概率分布函數(shù)pn。sgg(z I Ti)，其中參數(shù) 0 ，β MMmmmm, mn Mmmm,C是單邊平移參數(shù)，X為直方圖灰度級，Γ(·)為Gamma函數(shù)，其表達式為r(z) = ]V'd，z為直方圖灰度級； 0mn _up(5)利用準則函數(shù)C(z，7；)=Σ IMO-A^Gl7Ol計算在閾值Ti下無變化區(qū)域直方圖z=mn _low概率分布函數(shù)Pntjsgg(ZlTi)所對應的曲線擬合誤差；(6)令Ti+1 = Ti+1，i = i+1，如果 Ti+1 ≤ mn_up，轉步驟(4)，否則轉步驟(7)；(7)令閾值產生區(qū)域中擬合誤差最小的閾值為初始閾值T。，同時確定無變化區(qū)域直方 圖曲線的概率分布函數(shù)；(8)利用高斯模型與期望最大化EM參數(shù)估計方法，求出變化區(qū)域直方圖曲線的概率分 布函數(shù)；(9)根據最大后驗概率方法確定最終閾值，并通過該閾值構造變化檢測結果圖。
全文摘要
本發(fā)明公開一種基于單邊廣義高斯模型的SAR圖像變化檢測閾值方法，屬于SAR圖像變化檢測領域。其實現(xiàn)過程為首先對兩幅不同時間相同地域的SAR圖像構造差異圖，求出差異圖像的直方圖，接著利用單邊廣義高斯模型求出其無變化區(qū)域的直方圖概率分布函數(shù)，再利用高斯模型求出其變化區(qū)域的直方圖概率分布函數(shù)，最后通過最大后驗概率方法自動確定閾值，再通過該閾值生成變化檢測結果圖，完成對兩幅SAR圖像中變化區(qū)域的最終檢測。本發(fā)明利用新構造的模型對閾值產生區(qū)域的直方圖曲線進行擬合，從而提高了最終閾值的精度，避免了由于閾值產生區(qū)域曲線擬合不精確所導致的閾值偏差，使得SAR圖像變化檢測得到更好結果。通過與幾種SAR圖像變化檢測閾值方法對比，本發(fā)明得到的SAR圖像變化檢測結果的性能最佳。
文檔編號G06T7/00GK102005049SQ20101054834
公開日2011年4月6日 申請日期2010年11月16日 優(yōu)先權日2010年11月16日
發(fā)明者付磊, 公茂果, 周智強, 惠轉妮, 曹宇, 李陽陽, 焦李成, 王桂婷, 馬文萍, 馬晶晶 申請人:西安電子科技大學