当前位置：首页 > news >正文

基于PCA-K-means的图像变化检测算法

news 2026/5/12 0:11:29

一、算法框架设计

graph TD A[输入双时相图像] --> B{预处理} B --> C[差分图像生成] C --> D[分块处理] D --> E[PCA降维] E --> F[K-means聚类] F --> G[变化区域检测] G --> H[后处理优化] H --> I[输出变化图]

二、核心步骤详解

1. 预处理模块

灰度转换：对彩色图像选择亮度最小通道（R/G/B中min值）
分辨率对齐：双线性插值调整至相同尺寸
差分计算：采用对数比值算子增强变化特征

有效抑制光照变化影响

2. 分块特征提取

滑动窗口：设置5×5非重叠块（可配置）
特征构造：每个块展平为25维向量

3. PCA降维优化

协方差矩阵：计算块特征协方差矩阵

\(C=\frac{1}{N−1}X^TX\)
特征选择：保留累计方差贡献率≥90%的主成分
降维公式：

\(Z=XW\)

其中W为前k个特征向量组成的投影矩阵

4. K-means聚类分析

参数设置：聚类数k=2（变化/未变化类）
初始化优化：K-means++算法选择初始质心
距离度量：余弦相似度更适合纹理特征分析

5. 变化区域检测

类别判定：比较聚类中心与差分图像均值
掩膜生成：标记变化区域为255（二值图）

6. 后处理优化

边缘检测：Canny算子提取变化区域轮廓
非极大抑制：过滤重叠率(IOU>0.7)的冗余框
区域合并：形态学闭运算填充空洞，膨胀连接相邻区域

三、关键参数优化

参数	推荐范围	影响特性
分块尺寸	3×3~7×7	小窗口检测细节，大窗口保留纹理
PCA维数	3-6	维数过低丢失信息，过高增加计算量
K-means迭代	50-100	迭代不足导致收敛不充分
变化阈值	0.5-1.2σ	阈值过高漏检，过低误检

四、MATLAB实现代码

function change_map = PCA_Kmeans_CD(im1, im2)% 输入: im1/im2 - 双时相灰度图像% 输出: change_map - 变化检测二值图% 预处理if size(im1,3)==3im1 = rgb2gray(im1);endif size(im2,3)==3im2 = rgb2gray(im2);end[H,W] = size(im1);im2 = imresize(im2, [H,W]); % 分辨率对齐% 差分图像diff = abs(log(double(im1)) - log(double(im2)));% 分块处理patch_size = 5;pad = floor(patch_size/2);im_pad = padarray(diff, [pad,pad], 'both');patches = im2col(im_pad, [patch_size,patch_size], 'distinct');% PCA降维[coeff,score,latent] = pca(patches');k = 6; % 保留前6个主成分reduced = score(:,1:k);% K-means聚类idx = kmeans(reduced', 2, 'Start', 'plus'); % K-means++初始化centers = coeff * mean(reduced,2);% 类别判定mu_diff = mean(diff(:));dist1 = norm(centers(:,1) - mu_diff);dist2 = norm(centers(:,2) - mu_diff);change_class = (dist1 > dist2) ? 1 : 2;change_mask = reshape(idx==change_class, H,W);% 后处理change_mask = medfilt2(change_mask, [3,3]); % 中值滤波去噪edges = edge(change_mask, 'Canny'); % 边缘检测se = strel('disk',2);change_map = imclose(change_mask & edges, se);
end

参考代码 PCA Kmeans-master图像变化检测算法设计 www.youwenfan.com/contentcnr/100267.html