1.基于差异图融合和改进水平集的SAR图像变化检测方法，其特征在于，包括如下步骤：

(1)输入原始图像：

输入两幅配准及校正后的同一地区不同时间的SAR图像X1和X2；

(2)获取差异图：

2a)分别对输入的SAR图像使用对数比值法和均值比值法得到对应的对数比值图和均值比值图，计算过程如下：

Ilog＝|X1(p)‑X2(p)|式中Ilog、Iave为获取的对数比值图和均值比值图，p表示坐标为(i,j)的像素点，X1(p)表示X1中坐标为(i,j)对应像素灰度值，X2(p)表示X2中坐标为(i,j)对应像素灰度值，X1'(p)和X2'(p)分别为X1和X2中坐标为(i,j)对应像素的局部均值；

2b)融合对数比值图和均值比值图，得到最终差异图I，其公式如下：I＝aIlog+bIave

式中I为融合差异图，a、b为加权系数，a、b决定了两种差异类型在整体差异度所占的权值大小且满足a+b＝1；对于不同的原始图像，所得到的对数比值图和均值比值图表现力也不同，为了最大程度地融合差异图，需要通过实验来确定最佳的a、b值；

(3)KI阈值预分类：

利用KI阈值法推导出差异图I的最佳分类阈值T、两类数据集的均值和方差，通过阈值T对差异图中的每个像素标记为变化类wc或者非变化类wu，得到初始标记场W＝(w1,w2,…,wn)，其中n为图像像素点数，并记w＝{wc,wu}；

(4)构建自适应核函数：

4a)数据集中类别标记的先验概率符合Gibbs分布，局部概率为MLL模型，类别w的条件概率分布为高斯分布，根据步骤(3)中得到的初始标记场、类别w像素集的均值及方差，计算当前状态下每个像素点的标记场能量和特征场能量，其公式分别如下所示：式中U(wp)为像素点p的标记场能量，R是一个常数，用于控制MRF模型中背景信息的影响；Np为以像素p为中心的局部邻域 wp和wp表示相邻点像素标签，U(p|w)为像素点p的特征场能量，μw和σw分别为类别w像素集的均值和方差，I(p)是差异图I像素点p的灰度值；

4b)计算每个像素属于类别w的条件概率，确定每个像素点的隶属度，计算公式如下：式中P(w|p)表示像素点p的隶属度，Z为局部窗口内的归一化因子；

4c)分别利用两类隶属度矩阵构建自适应核函数，当局部窗口大小是3×3时，以像素点p为中心的自适应核函数表示为：式中Kl(p)(l＝u,c)表示由类别wl的隶属度构建的核函数，Np,q(q＝1,2,…,8)是以像素点p为中心的邻域；

(5)改进的水平集方法分类：

5a)使用步骤(4)中得到的核函数构建一个新的局部能量项，将局部隶属度和曲线梯度信息加入到CV水平集能量函数中，这对水平集曲线的演化进行约束，其水平集函数的梯度下降流方程为：

式中δ(φ)为Dirac函数，φ为水平集函数，α、β、ν和μ分别为各个能量项的权重系数，e1和e2分别为全局能量项和局部能量项；

其中：

2 2

e1＝‑|I‑c1|+|I‑c2|

2 2

e2＝‑Kc*|I‑c1|+Ku*|I‑c2|β＝1‑α

式中I表示融合差异图，c1和c2分别为差异图演化曲线C轮廓内外的灰度均值，Ku和Kc分别是未变化类和变化类的核函数，参数α、β是基于水平集函数的梯度信息自适应得出，对于靠近边界区域的像素，α的值将远小于β的值，以避免在边界区域中使用过多的局部信息；相反，如果像素具有相对低的梯度值，这意味着α的值大于β的值，则局部能量将在水平集演化中占主导地位；

5b)令K＝0，初始化水平集函数φ，定义一个初始曲线C，令φ在曲线内部为大于零的值，曲线外部为小于零的值，并计算此时曲线C内部和外部的灰度均值c1和c2；

5c)根据梯度下降流方程更新水平集函数，直至函数收敛，否则返回5b)；函数收敛时水k

平集函数φ对应的零水平集即为两类区域的分界线，将变化区域的灰度值设为1，非变化区域的灰度值设为0，得到SAR图像变化检测结果图；

(6)输出变化检测结果。