基於深信度網絡的多目標優化SAR圖像變化檢測方法與流程

2023-07-22 20:41:51

本發明屬於圖像處理
技術領域：
，特別涉及一種sar圖像變化檢測方法，可用於遙感、醫療診斷和視頻監控。
背景技術：
：由於合成孔徑雷達sar不受雲層覆蓋和大氣條件等因素的影響，sar圖像技術在人們的日常生活中扮演著不可或缺的重要角色。而sar圖像技術中的sar圖像變化檢測技術更起著尤為關鍵的作用。sar圖像變化檢測技術就是研究同一場景不同時段的兩幅或者多幅sar圖像發生的變化。它的應用場景很廣泛，包括自然生態的監控，自然災害評估和預防，獲取地貌變化信息等。但是sar圖像變化檢測也經常會遇到難題，導致這些困難的原因很多，主要原因有：sar成像系統或者傳感器自身所固有的斑點噪聲的影響，不同時段成像回波角度不同所帶來的差異，不同時段相隔時間長所帶來的雷達自身內部結構發生的差異。從近年來對sar圖像變化檢測的研究來看，現有的圖像變化檢測可分為兩種：第一種是差異圖分類方法，它的核心是差異圖的產生。該差異圖分類方法包括差值法、比值法和對數比值法。差值法是最原始的處理方法，此方法的最大的缺點是對斑點噪聲的抑制很差；比值法優點是在一定程度上抑制了斑點噪聲，但是效果不是很明顯，它的最大的缺點是加性噪聲較多；對數比值法將加性噪聲轉化為乘性噪聲，該方法通過對數轉換後差異圖得到了非線性拉伸，它的優點是增強了變化類和非變化類的對比度，但是它的缺點是差異圖的準確度還不高。第二種是後分類比較法，該方法的關鍵是差異圖中變化信息的提取，它的缺點是存在分類累積誤差問題，影響分類的準確度。技術實現要素：本發明的目的在於針對上述已有技術的不足，提出一種基於深信度網絡的多目標優化sar圖像變化檢測方法，以進一步優化並減少噪聲，提高變化檢測的準確度。實現本發明目的的技術方案是對輸入的兩幅sar圖像y1和y2採用波動參數劃分的方法產生原始差異圖d1；再對原始差異圖d1去噪得到去噪差異圖d2；由原始差異圖d1和去噪差異圖d2構造兩個目標函數，並計算得到這兩個目標函數的函數值同時最小的解集，進而得到多個二值圖像qk；由二值圖像qk和訓練好的深信度網絡得到最終的變化檢測圖像rk。其步驟包括如下：(1)輸入兩幅同一地區不同時段的sar圖像y1和y2，並對其進行濾波處理，得到濾波處理後的兩幅圖像i1和i2；(2)根據濾波處理後的兩幅圖像i1和i2產生原始差異圖d1；2a)定義原始差異圖的參數：2a1)定義小值像素接近函數為濾波處理後的兩幅圖像i1和i2在位置x處的灰度值中，其較小的像素與其鄰域ωx中的像素的接近程度，其中n為濾波處理後的兩幅圖像i1和i2在位置x處鄰域中像素點的個數；2a2)定義大值像素接近函數為濾波處理後的兩幅圖像i1和i2在位置x處的灰度值中，其較大的像素與其鄰域ωx中的像素的接近程度；2a3)定義波動參數h在0～10範圍內，h取值為2。2b)根據2a)定義的參數關係，計算原始差異圖d1在位置x處的灰度值d1(x),其中x＝1,2,...,m,m是原始差異圖d1像素點的總個數；2c)根據2b)中計算出的每個像素點的灰度值d1(x)得到原始差異圖d1；(3)對原始差異圖d1進行濾波得到去噪差異圖d2，並根據原始差異圖d1和去噪差異圖d2構造兩個不同的目標函數f1(v1,v2)和f2(v1,v2)，並計算得到這兩個目標函數的函數值同時最小的解集，由這個解集得到二值圖像qk,k＝1,2,...,100；(4)由已知的變化參考圖像s訓練深信度網絡，得到訓練好的深信度網絡；(5)由二值圖像qk和訓練好的深信度網絡，得到最終的變化檢測圖像rk。本發明與現有技術相比具有以下優點：1.本發明通過小值像素接近函數f1，大值像素接近函數f2和波動參數h的之間的關係來確定原始差異圖d1在位置x處的分段函數計算方式，能夠有效減少斑點噪聲，保留了圖像的局部信息。2.本發明在計算第一目標函數f1(v1,v2)和第二目標函數f2(v1,v2)的函數值時採用了多目標優化的方法，同時在得到最終的變化檢測圖像rk時使用了深信度網絡的方法，提高了sar圖像變化檢測結果的準確度。附圖說明圖1為本發明的實現總流程圖。圖2為bern數據集原始圖像及變化參考圖。圖3為ottawa數據集原始圖像及變化參考圖。圖4為mulargia數據集原始圖像及變化參考圖。圖5為用本發明測試bern數據集得到的二值圖像rk。圖6為用本發明測試ottawa數據集得到的二值圖像rk。圖7為用本發明測試mulargia數據集得到的二值圖像rk。圖8為用現有mofcm算法測試bern數據集得到的二值圖像rk。圖9為用現有mofcm算法測試ottawa數據集得到的二值圖像rk。圖10為用現有mofcm算法測試mulargia數據集得到的二值圖像rk。圖11為用現有flicm算法測試bern、ottawa、mulargia數據集得到的二值圖像r。圖12為用現有mrfsm算法測試bern、ottawa、mulargia數據集得到的二值圖像r。圖13為用現有mrffcm算法測試bern、ottawa、mulargia數據集得到的二值圖像r。具體實施方式下面結合附圖對本發明做詳細說明：參照圖1，本發明的實現步驟如下：步驟1，輸入兩幅同一地區不同時段的sar圖像y1和y2，並對其進行濾波處理，得到濾波處理後的兩幅圖像i1和i2。本發明中採用的輸入圖像y1和y2來自bern數據集，ottawa數據集，mulargia數據集這三個數據集。bern數據集原始圖像分別是通過傳感器ers-2獲得的1999年4月和1999年5月瑞士bern地區的圖像，第一幅圖像是在洪水災害剛剛發生後獲得的，圖像中陰暗部分為受洪水影響的區域，第二幅圖像是洪水幾乎完全消失的時候獲得的，圖像的大小為301×301，灰度級為256，等效視數為10.89和9.26。ottawa數據集原始圖像分別為加拿大的ottawa地區的1997年5月和1997年8月的圖像，圖像的大小為290×350，灰度級為256。兩幅圖像的變化信息主要是由於因夏季雨季來臨，洪水淹沒了部分陸地地區所致。mulargia數據集原始圖像分別為1996年7月和1996年9月的landsat-5衛星第五波段在義大利撒丁島mulargia湖泊區域得到的圖像組成，變化區域是由湖水水位上漲引起的，兩幅圖像的大小均為300×412。對圖像的濾波預處理，現有方法主要有：中值濾波，均值濾波，維納濾波，本實例使用的是維納濾波對輸入的兩幅sar圖像進行預處理，即將兩幅sar圖像y1，y2分別作為matlab中維納濾波函數的輸入，輸出濾波後的兩幅sar圖像i1，i2。步驟2，根據濾波處理後的兩幅圖像i1和i2產生原始差異圖d1。現有產生差異圖的方法有：差值法，比值法，對數比值法，本實例使用與現有技術不同的另一種方法，其差異圖的產生步驟如下：2a)定義原始差異圖的參數：小值像素接近函數f1，大值像素接近函數f2和波動參數h：2a1)定義小值像素接近函數表示i1(x)和i2(x)中較小的像素與其鄰域ωx中的像素的接近程度，其中i1(x)和i2(x)分別表示濾波處理後的兩幅圖像i1和i2在x處的灰度值，n為濾波處理後的兩幅圖像i1和i2在位置x處鄰域中像素點的個數；2a2)定義大值像素接近函數表示i1(x)和i2(x)中較大的像素與其鄰域ωx中的像素的接近程度；2a3)定義波動參數h在0～10範圍內，h取值為2；2b)根據2a)定義的參數之間關係，計算原始差異圖d1在位置x處的灰度值d1(x),其中x＝1,2,...,m,m是原始差異圖d1像素點的總個數；2c)根據2b)中計算出的每個像素點的灰度值d1(x)得到原始差異圖d1。步驟3，對原始差異圖d1進行濾波得到去噪差異圖d2，並根據原始差異圖d1和去噪差異圖d2構造兩個不同的目標函數f1(vi1,vi2)和f2(vi1,vi2)。3a)對原始差異圖d1進行濾波，得到去噪差異圖d2；3b)隨機產生均勻分布的n個權重向量w1,w2,...,wi...,wn，每一個權重向量的形式wi＝(wi1,wi2)，其中wi1表示第i個權重向量的第一維元素，wi2表示第i個權重向量的第二維元素；3c)計算任意兩個權重向量之間的歐式距離d(wi,wj),i,j＝1,2,...n且i≠j，對第i個權重向量和其他權重向量的歐式距離按從小到到大排序，獲得i個權重向量的t個最近的權重向量的上標集合：b(eq)＝{e1,...,eq...,et}，由上標集合得到wi的t個最近的權重向量其中，eq表示第i個權重向量的最近的第q個權重向量的上標，q＝1,2,...,t，t是每個權重向量的最近權重向量的個數；3d)隨機產生一個表示目標函數的解集的初始化種群v1,v2,...,vi...,vn，每個種群的形式是vi＝(vi1,vi2)，其中vi1是第i個個體的第一維元素，vi2是第i個個體的第二維元素；3e)計算初始模糊隸屬度矩陣u1,u2,...,ui...,un，其中每一個初始模糊隸屬度矩陣的形式是表示初始模糊隸屬度矩陣中第i個個體的第k行對應的第x個隸屬度，x＝1,2,...,m,k＝1,2,該uikx的計算公式為：其中i＝1,2,...,n,m＝2，ukx滿足約束3f)根據原始差異圖d1，去噪差異圖d2，隸屬度uikx和種群vi得到第一目標函數f1(vi1,vi2)和第二目標函數f2(vi1,vi2)：步驟4，計算得上述兩個目標函數的函數值在同時最小時的解集，由這個解集得到二值圖像qk,k＝1,2,...,100。計算第一目標函數f1(vi1,vi2)和第二目標函數f2(vi1,vi2)的函數值的現有的方法主要有：moea/d算法，moea/de算法,nsga算法，本實例使用的是mofcm算法，其步驟如下：4a)根據第一目標函數f1(vi1,vi2)和第二目標函數f2(vi1,vi2)，計算權重和函數gws(vi|wi)：gws(vi|wi)＝wi1f1(vi1,vi2)+wi2f2(vi1,vi2)；4b)設置當前循環次數b＝1，總的循環次數t＝100；4c)更新種群；4c1)從上標集合b(eq)中選擇兩個下標s和l，使用遺傳算子從vs和vl得到新的個體y，y的形式為y＝(y1,y2)，其中y1是個體y的第一維元素，y2是個體y的第二維元素；4c2)計算新的個體y的循環模糊隸屬度矩陣：其中uykx表示循環模糊隸屬度矩陣中新個體y的第k行對應的第x個隸屬度，循環模糊隸屬度矩陣uy的每個元素uykx的計算公式如下：4c3)計算循環第一目標函數f1(y1,y2)和循環第二目標函數f2(y1,y2)：4c4)根據循環第一目標函數f1(y1,y2)和循環第二目標函數f2(y1,y2)，計算循環權重和函數gws(y|wi)：gws(y|wi)＝wi1f1(y1,y2)+wi2f2(y1,y2)；4c5)比較循環權重函數gws(y|wi)和權重函數gws(vj|wi)的大小：如果gws(y|wi)≤gws(vj|wi)，j∈b(eq)，則將種群個體vj的值更新為y，並且將gws(y|wi)的值賦值給gws(vj|wi)，反之，不進行任何操作；4d)判斷更新的種群是否滿足終止條件：如果不滿足終止條件，即b<t，則b的值加1，返回步驟4c)；如果滿足終止條件，即b≥t，得到目標函數的解集v1,v2,...,vi...,vn，執行4e)；4e)將目標函數的解集v1,v2,...,vi...,vn的vi分別代入公式：進而得到初始隸屬度矩陣ui；4f)判斷ui的第一行的每一個元素的大小：若元素的值大於0.5，則二值圖像qk的對應像素的值為255,k＝1,2,...,100；若元素的值小於0.5，則二值圖像qk的對應像素的值為0。步驟5，由已知的變化參考圖像s訓練深信度網絡，得到訓練好的深信度網絡。5a)隨機初始化深信度網絡的權重waz和偏置baz，其中waz表示第z層第a個單元的權重，baz表示第z層第a個單元的偏置，z＝1,2,3，a＝1,2,...,100；5b)由變化參考圖像s得到每個像素點的灰度值s(x),x＝1,2,...,m,由s(x)得到每個像素點被劃分為變化類的概率p1(x)和每個像素點被劃分為不變化類的概率p2(x)；5c)由p1(x)和p2(x)反向傳播得到更新後的權重和偏置；5d)由更新後權重和偏置構成訓練好的深信度網絡。步驟6，根據二值圖像qk和訓練好的深信度網絡得到最終的變化檢測圖像rk。6a)由二值圖像qk得到每個像素點的灰度值qk(x)及qk(x)的3×3鄰域的像素點的灰度值δθ,θ＝1,2,...,9；6b)將δθ輸入到已訓練好的深信度網絡中，得到像素點x被分類到變化類的概率p1(x)和被分類到不變化類的概率p2(x)；6c)由變化的概率p1(x)和不變化的概率p2(x)得到像素點x的分類，進而得到圖像中qk所有點的分類；6d)根據qk所有點的類別得到變化檢測圖像rk中的每個像素點灰度值：如果qk中點的分類是變化的類，則將rk中對應點的像素值設為255；如果qk中點的分類是不變化的類，則將rk中對應點的像素值設為0。6e)根據rk中的每個像素點灰度值得到最終的變化檢測圖像rk。步驟7，根據rk和已知的變化參考圖像s，計算虛檢數fp，漏檢數fn，總錯誤數oe,和卡帕係數kc。7a)設圖像rk在x處的像素的灰度值用bk(x)表示，設nc為s(x)＝255的像素點的個數，設nu為s(x)＝0的像素點的個數，設tp為bk(x)＝255的像素點的個數，設tn為bk(x)＝0的像素點的個數，設mc為變化參考圖像s的像素點的總個數；7b)由nu和tn計算虛檢數fp，即fp＝nu-tn；7c)由nc和tp計算漏檢數fn，即fn＝nc-tp；7d)由fp和fn計算總錯誤數oe，即oe＝fp+fn；7e)由tp，tn和mc計算精確度pcc，即7f)由tp，tn，fp，fn，nc，nu和mc計算過度參數pre,即7g)由pcc和pre計算卡帕係數kc，即通過步驟7可檢驗本發明對變化檢測結果的精度高低，即通過計算卡帕係數kc指標檢驗變化檢測結果的精度。本發明的實驗效果通過以下仿真說明：1.仿真實驗採用的數據集：本實驗仿真採用bern、ottawa和mulargia三個數據集，其中：bern數據集，如圖2所示，其中圖2(a)是通過傳感器ers-2獲得的1999年4月瑞士bern地區的圖像，圖2(b)是通過傳感器ers-2獲得的1999年5月瑞士bern地區的圖像，圖2(c)是變化參考圖；ottawa數據集，如圖3所示，其中圖3(a)是加拿大ottawa地區的1997年5月的圖像，圖3(b)是加拿大ottawa地區的1997年8月的圖像，圖3(c)是變化參考圖；mulargia數據集，如圖4所示，其中圖4(a)是1996年7月義大利撒丁島mulargia湖泊區域的圖像，圖4(b)是1996年9月義大利撒丁島mulargia湖泊區域的圖像，圖4(c)是變化參考圖。2.仿真內容：仿真1：用本發明方法對bern數據集圖2(a)和圖2(b)進行變化檢測，結果如圖5所示，其中：圖5(a)為本發明仿真bern數據集在種群個體為k＝1時得到的二值圖像rk，圖5(b)為本發明仿真bern數據集在種群個體為k＝20時得到的二值圖像rk，圖5(c)為本發明仿真bern數據集在種群個體為k＝40時得到的二值圖像rk，圖5(d)為本發明仿真bern數據集在種群個體為k＝60時得到的二值圖像rk，圖5(e)為本發明仿真bern數據集在種群個體為k＝80時得到的二值圖像rk，圖5(f)為本發明仿真bern數據集在種群個體為k＝100時得到的二值圖像rk，將圖5(a)-圖5(f)與圖2(c)分別進行比較，可以看出本發明的變化檢測結果圖像與變化參考圖像很接近。仿真2：用本發明方法對圖2(c)所示的bern數據集進行計算，得到虛檢數fp，漏檢數fn，總錯誤數oe,再根據虛檢數fp，漏檢數fn，總錯誤數oe計算卡帕係數kc，結果如表1所示：表1種群代數虛檢數fp漏檢數fn總錯誤數oe卡帕係數kc11711843550.84320982073050.86040852092940.86460852092940.86480852092940.864100852092940.864仿真3：用本發明方法對如圖3(a)和圖3(b)所示的ottawa數據集圖進行變化檢測，結果如圖6所示，其中：圖6(a)為本發明仿真ottawa數據集在種群個體為k＝1時得到的二值圖像rk，圖6(b)為本發明仿真ottawa數據集在種群個體為k＝20時得到的二值圖像rk，圖6(c)為本發明仿真ottawa數據集在種群個體為k＝40時得到的二值圖像rk，圖6(d)為本發明仿真ottawa數據集在種群個體為k＝60時得到的二值圖像rk，圖6(e)為本發明仿真ottawa數據集在種群個體為k＝80時得到的二值圖像rk，圖6(f)為本發明仿真ottawa數據集在種群個體為k＝100時得到的二值圖像rk，將圖6(a)-圖6(f)與圖3(c)分別進行比較，可以看出本發明的變化檢測結果圖像與變化參考圖像很接近。仿真4：用本發明方法對圖3(c)所示的ottawa數據集進行計算，得到虛檢數fp，漏檢數fn，總錯誤數oe,再根據虛檢數fp，漏檢數fn，總錯誤數oe計算卡帕係數kc，計算結果如表2所示：表2種群代數虛檢數fp漏檢數fn總錯誤數oe卡帕係數kc1362205424160.90720373205624290.90640357211724740.90460356212024760.90480356212024760.904100356212024760.904仿真5：用本發明方法對如圖4(a)和圖4(b)所示的mulargia數據集進行變化檢測，結果如圖7所示，其中：圖7(a)為本發明仿真mulargia數據集在種群個體為k＝1時得到的二值圖像rk，圖7(b)為本發明仿真mulargia數據集在種群個體為k＝20時得到的二值圖像rk，圖7(c)為本發明仿真mulargia數據集在種群個體為k＝40時得到的二值圖像rk，圖7(d)為本發明仿真mulargia數據集在種群個體為k＝60時得到的二值圖像rk，圖7(e)為本發明仿真mulargia數據集在種群個體為k＝80時得到的二值圖像rk，圖7(f)為本發明仿真mulargia數據集在種群個體為k＝100時得到的二值圖像rk，將圖7(a)-圖7(f)與圖4(c)分別進行比較，可以看出本發明的變化檢測結果圖像與變化參考圖像很接近。仿真6：用本發明方法對圖4(c)所示的mulargia數據集進行計算，得到虛檢數fp，漏檢數fn，總錯誤數oe,再根據虛檢數fp，漏檢數fn，總錯誤數oe計算卡帕係數kc，計算結果如表3所示：表3種群代數虛檢數fp漏檢數fn總錯誤數oe卡帕係數kc1490832352310.71520487434752210.71440484134751880.71660484034751870.71680484034751870.716100484034751870.716仿真7：用mofcm算法對如圖2(a)和圖2(b)所示的bern數據集進行變化檢測，結果如圖8所示，其中：圖8(a)為用現有mofcm算法仿真bern數據集在種群個體為k＝1時得到的二值圖像rk圖8(b)為用現有mofcm算法仿真bern數據集在種群個體為k＝20時得到的二值圖像rk，圖8(c)為用現有mofcm算法仿真bern數據集在種群個體為k＝40時得到的二值圖像rk，圖8(d)為用現有mofcm算法仿真bern數據集在種群個體為k＝60時得到的二值圖像rk，圖8(e)為用現有mofcm算法仿真bern數據集在種群個體為k＝80時得到的二值圖像rk，圖8(f)為用現有mofcm算法仿真bern數據集在種群個體為k＝100時得到的二值圖像rk，將圖8(a)-圖8(f)與圖2(c)分別進行比較，可以看出mofcm算法的變化檢測結果圖像與變化參考圖像差別大。仿真8：用mofcm方法對圖2(c)所示的bern數據集進行計算，得到虛檢數fp，漏檢數fn，總錯誤數oe,再根據虛檢數fp，漏檢數fn，總錯誤數oe計算卡帕係數kc，結果如表4所示：表4種群代數虛檢數fp漏檢數fn總錯誤數oe卡帕係數kc1760468060.72920631697000.75240774888620.70860771938640.70680771938640.706100771938640.706仿真9：用mofcm算法對如圖3(a)和圖3(b)所示ottawa數據集進行變化檢測，結果如圖9所示，其中：圖9(a)為用現有mofcm算法仿真ottawa數據集在種群個體為k＝1時得到的二值圖像rk，圖9(b)為用現有mofcm算法仿真ottawa數據集在種群個體為k＝20時得到的二值圖像rk，圖9(c)為用現有mofcm算法仿真ottawa數據集在種群個體為k＝40時得到的二值圖像rk，圖9(d)為用現有mofcm算法仿真ottawa數據集在種群個體為k＝60時得到的二值圖像rk，圖9(e)為用現有mofcm算法仿真ottawa數據集在種群個體為k＝80時得到的二值圖像rk，圖9(f)為用現有mofcm算法仿真ottawa數據集在種群個體為k＝100時得到的二值圖像rk，將圖9(a)-圖9(f)與圖3(c)分別進行比較，可以看出mofcm算法的變化檢測結果圖像與變化參考圖像差別大。仿真10：用mofcm方法對圖3(c)所示ottawa數據集進行計算，得到虛檢數fp，漏檢數fn，總錯誤數oe,再根據虛檢數fp，漏檢數fn，總錯誤數oe計算卡帕係數kc，結果如表5所示：表5種群代數虛檢數fp漏檢數fn總錯誤數oe卡帕係數kc1178098627660.899203627115047770.833406007135773640.756605986154675320.749805986154675320.7491005986154675320.749仿真11：用mofcm算法對如圖4(a)和圖4(b)所示mulargia數據集進行變化檢測，結果如圖10所示，其中：圖10(a)為用現有mofcm算法仿真mulargia數據集在種群個體為k＝1時得到的二值圖像rk，圖10(b)為用現有mofcm算法仿真mulargia數據集在種群個體為k＝20時得到的二值圖像rk，圖10(c)為用現有mofcm算法仿真mulargia數據集在種群個體為k＝40時得到的二值圖像rk，圖10(d)為用現有mofcm算法仿真mulargia數據集在種群個體為k＝60時得到的二值圖像rk，圖10(e)為用現有mofcm算法仿真mulargia數據集在種群個體為k＝80時得到的二值圖像rk，圖10(f)為用現有mofcm算法仿真mulargia數據集在種群個體為k＝100時得到的二值圖像rk，將圖10(a)-圖10(f)與圖4(c)分別進行比較，可以看出mofcm算法的變化檢測結果圖像與變化參考圖像差別大。仿真12：用mofcm方法對圖4(c)所示mulargia數據集進行計算，得到虛檢數fp，漏檢數fn，總錯誤數oe,再根據虛檢數fp，漏檢數fn，總錯誤數oe計算卡帕係數kc，結果如表6所示：表6種群代數虛檢數fp漏檢數fn總錯誤數oe卡帕係數kc1604628463300.67320645429767510.65740630231366150.66160626931965880.66380626931965880.663100626931965880.663仿真13：用flicm算法分別對如圖2所示bern數據集、圖3所示ottawa數據集及如圖4所示的mulargia數據集進行變化檢測，結果如圖11所示，其中：圖11(a)為用現有flicm算法仿真bern數據集得到的二值圖像r，圖11(b)為用現有flicm算法仿真ottawa數據集的得到二值圖像r，圖11(c)為用現有flicm算法仿真mulargia數據集的得到二值圖像r。分別將圖11(a)與圖2(c)進行比較，將圖11(b)與圖3(c)進行比較，將圖11(c)與圖4(c)進行比較，可以看出flicm算法的變化檢測結果圖像與變化參考圖像差別大。仿真14：用flicm算法分別對圖2(c)所示bern數據集圖、圖3(c)所示ottawa數據集、圖4(c)所示mulargia數據集進行計算，得到虛檢數fp，漏檢數fn，總錯誤數oe,再根據虛檢數fp，漏檢數fn，總錯誤數oe計算卡帕係數kc，結果如表7所示：表7虛檢數fp漏檢數fn總錯誤數oe卡帕係數kcbern數據集1641733370.851ottawa數據集1160171428740.892mulargia數據集19074957200310.659仿真15：用mrfsm算法分別對如圖2所示的bern數據集、如圖3所示的ottawa數據集及圖4所示mulargia數據集進行變化檢測，結果如圖12所示，其中：圖12(a)為用現有mrfsm算法仿真bern數據集得到的二值圖像r，圖12(b)為用現有mrfsm算法仿真ottawa數據集的得到二值圖像r，圖12(c)為用現有mrfsm算法仿真mulargia數據集的得到二值圖像r。分別將圖12(a)與圖2(c)進行比較，將圖12(b)與圖3(c)進行比較，將圖12(c)與圖4(c)進行比較，可以看出mrfsm算法的變化檢測結果圖像與變化參考圖像差別大。仿真16：用mrfsm算法分別對圖2(c)所示bern數據集圖、圖3(c)所示ottawa數據集、圖4(c)所示mulargia數據集進行計算，得到虛檢數fp，漏檢數fn，總錯誤數oe,再根據虛檢數fp，漏檢數fn，總錯誤數oe計算卡帕係數kc，結果如表8所示：表8虛檢數fp漏檢數fn總錯誤數oe卡帕係數kcbern數據集1033615103510.16ottawa數據集471218026510.897mulargia數據集159961116171120.694仿真17：用mrffcm算法分別對圖2所示bern數據集、對圖3所示的ottawa數據集及圖4所示的mulargia數據集進行變化檢測，結果如圖13所示，其中：圖13(a)為用現有mrffcm算法仿真bern數據集得到的二值圖像r，圖13(b)為用現有mrffcm算法仿真ottawa數據集的得到二值圖像r，圖13(c)為用現有mrffcm算法仿真mulargia數據集的得到二值圖像r。將圖13(a)與圖2(c)進行比較，圖13(b)與圖3(c)進行比較，圖13(c)與圖4(c)進行比較，可以看出mrffcm算法的變化檢測結果圖像與變化參考圖像差別大。仿真18：用mrffcm算法分別對圖2(c)所示bern數據集、圖3(c)所示ottawa數據集和圖4(c)所示mulargia數據集進行計算，得到虛檢數fp，漏檢數fn，總錯誤數oe,再根據虛檢數fp，漏檢數fn，總錯誤數oe計算卡帕係數kc，結果如表9所示：表9虛檢數fp漏檢數fn總錯誤數oe卡帕係數kcbern數據集346894350.828ottawa數據集474217626500.898mulargia數據集170101182181920.6793.結果分析將表1至表9進行整合，得到表10：表10整合後的三個數據集的不同算法的比較表本發明最優kcmofcm最優kcflicm算法kcmrfsm算法kcmrffcm算法kcbern數據集0.8640.7520.8510.160.828ottawa數據集0.9070.8990.8920.8970.898mulargia數據集0.7160.6730.6590.6940.679由表10可以看出，本發明的kc的值要大於現有mofcm算法，flicm算法，mrfsm算法，mrffcm算法的kc值，說明本發明比mofcm算法，flicm算法，mrfsm算法，mrffcm算法的變化檢測方法效果好，不僅減少了斑點噪聲，保留了圖像局部信息，而且提高了分類的準確。當前第1頁12