基于差异图与比值图融合的SAR图像变化检测系统

资 源 简 介

本项目实现了一套针对多时相合成孔径雷达（SAR）图像的变化检测算法，旨在解决单一差异图构造方法在抑制相干斑噪声和保留边缘细节之间的矛盾。系统首先对输入的两幅已配准SAR图像进行预处理，包括Lee滤波或Frost滤波以减少斑点噪声干扰。核心处理环节采用图像融合策略，分别计算两幅图像的对数比值图（Log-Ratio Image）和均值比值图或代数差值图。对数比值图能够将乘性噪声转化为加性噪声，对高强度变化区域敏感；而差值图则能较好地反映背景的细微变化。随后，项目利用离散小波变换（DWT）或主成分分析（PCA）等融合规则，将两种差异图的互补信息结合，生成一张信噪比更高、对比度更强的融合差异图。最后，通过最大类间方差法（Otsu）、K-Means聚类或模糊C均值聚类（FCM）算法对融合图进行自动分割，生成二值化的变化检测结果图。该项目代码包含完整的处理流程，适用于自然灾害评估（如洪水、地震）、环境监测及城市扩张分析等场景，能够有效降低虚警率和漏检率。

详 情 说 明

基于差异图与比值图融合的SAR图像变化检测系统

项目简介

本项目实现了一套完整的多时相合成孔径雷达（SAR）图像变化检测算法流程。针对SAR图像特有的乘性相干斑噪声，系统采用“预处理-差异图构造-数据融合-二值化分割”的处理框架。不仅实现了仿真SAR数据的生成，还通过融合对数比值图（Log-Ratio）与均值比值图（Mean-Ratio），并利用主成分分析（PCA）自适应确定融合权重，有效克服了单一差异图在抗噪性与边缘保持上的局限性。最终通过Otsu阈值法和形态学优选实现了高精度的变化区域提取。

功能特性

• 仿真数据生成：内置SAR图像模拟模块，可生成包含地面真值（Ground Truth）、背景纹理、变化区域以及Gamma分布乘性噪声的多时相仿真数据。
• 专用降噪处理：实现了经典的Lee滤波器，通过局部统计特性自适应平滑图像，在抑制相干斑噪声的同时保留纹理细节。
• 互补差异图构造：

* 对数比值图：将乘性噪声转换为加性噪声，对高强度变化区域敏感。 * 均值比值图：利用局部邻域均值信息，有效抑制孤立噪点，反映背景的细微变化。

• PCA自适应融合：基于主成分分析提取两个差异图的主要特征，自动计算最优融合权重，生成高信噪比的增强差异图。
• 自动分割与后处理：采用Otsu最大类间方差法自动确定阈值，结合形态学开闭运算去除虚假噪点并填补孔洞。
• 全方位精度评价：自动计算总体精度（OA）、Kappa系数、虚警率（FAR）和漏检率（MR）。

系统要求

• MATLAB R2016a 或更高版本
• Image Processing Toolbox（图像处理工具箱）
• Statistics and Machine Learning Toolbox（统计与机器学习工具箱，用于生成Gamma噪声）

使用方法

直接在MATLAB环境中运行主程序即可。程序将自动按顺序执行以下步骤：

1. 清理工作区并初始化参数。
2. 生成带有Gamma噪声的仿真SAR图像对及对应的真值图。
3. 执行Lee滤波预处理。
4. 计算并展示差异图、融合图及最终分割结果。
5. 在命令行窗口输出精度评价指标，并生成可视化对比图表。

详细实现逻辑

以下是代码的具体处理流程与核心逻辑解析：

1. 模拟数据生成

代码首先定义了256x256的图像尺寸。

• 地面真值 (GT)：构建了一个圆形区域作为变化参考。
• 时相T1与T2：T1作为背景图像（包含一个固定的矩形特征），T2在T1的基础上叠加了上述圆形变化区域及强度差异。
• 噪声模拟：使用gamrnd函数生成服从Gamma分布的随机噪声矩阵，并以乘性方式叠加到主要图像上，模拟SAR图像的相干斑（Speckle）特性。
• 归一化：将数据拉伸至[0, 255]灰度空间以便处理。

2. 图像预处理 (Lee滤波)

调用自定义函数lee_filter对T1和T2图像进行去噪。

• 使用5x5的滑动窗口。
• 计算窗口内的局部均值和局部方差。
• 原理：根据局部方差与估计噪声方差的比率计算权重系数K。在平坦区域（低方差）K值较小，输出趋向于局部均值（强滤波）；在边缘区域（高方差）K值较大，输出保留原始像素值。

3. 差异图构造

构建两种互补的差异图（DI）：

• 对数比值图 (Log-Ratio)：计算公式为 |log(T2) - log(T1)|。通过对数变换将SAR图像的乘性噪声模型转化为加性噪声模型，便于后续线性处理。
• 均值比值图 (Mean-Ratio)：利用local_mean函数计算3x3邻域均值。计算公式基于 1 - min(μ1/μ2, μ2/μ1)。该指标被归一化到[0, 1]区间，能够抑制单像素噪声对变化检测的影响。

4. PCA图像融合

利用主成分分析（PCA）技术融合上述两个差异图：

• 向量化：将Log-Ratio和Mean-Ratio图像重塑为列向量，构建数据矩阵。
• 特征分析：计算协方差矩阵及其特征值与特征向量。
• 权重计算：选取最大特征值对应的特征向量，将其分量归一化后作为两个差异图的加权系数（w1, w2）。
• 加权求和：根据计算出的权重生成最终的融合差异图（Fused Map），该图结合了对数比值的强度敏感性和均值比值的抗噪性。

5. 图像分割与后处理

• Otsu阈值：使用graythresh函数计算融合图的全局最佳阈值，通过imbinarize生成二值化掩膜（Binary Mask）。
• 形态学处理：使用3x3方形结构元素，先进行开运算（消除背景中的微小噪点），再进行闭运算（平滑边界并填补目标内部孔洞）。

6. 精度评价

代码通过对比检测结果与地面真值（Ground Truth），计算混淆矩阵的四个分量（TP, TN, FP, FN），并输出以下指标：

• 总体精度 (OA)：正确分类的像素比例。
• Kappa系数：一致性检验指标，排除偶然一致性的影响。
• 虚警率 (FAR)：未变化像素被错误检测为变化的比例。
• 漏检率 (MR)：变化像素未被检测出来的比例。

关键算法与函数解析

lee_filter (自定义函数)

实现了Lee滤波算法的核心逻辑。它利用卷积操作（conv2）快速计算局部均值和局部平方均值，进而推导出局部方差。算法假设全图中局部方差最小的区域代表背景噪声方差，以此自适应调节滤波强度。

local_mean (自定义函数)

辅助函数，利用均值卷积核快速计算图像的局部邻域平均值，是构造均值比值图和Lee滤波的基础组件。

PCA融合逻辑

在主程序第4节中实现。不同于简单的平均融合，PCA方法根据数据的统计分布特性分配权重。如果一种差异图的信息量（方差）更大或与主成分方向更一致，它将获得更高的融合权重，从而最大化保留有用信息。