專利名稱：：基于視覺選擇注意和像素依賴的無監(jiān)督變化檢測方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及的是一種信息處理
技術(shù)領(lǐng)域：
的檢測方法，具體是一種基于視覺選擇注意和像素依賴的無監(jiān)督變化檢測方法。
背景技術(shù)：
：在遙感研究領(lǐng)域，變化檢測通常涉及對不同時期同一地域的兩幅遙感影像(簡稱兩期影像)進(jìn)行分析，來獲得后期地表變化區(qū)域。由于變化檢測能夠廣泛應(yīng)用于環(huán)境監(jiān)測、農(nóng)業(yè)調(diào)查、城市研究和森林監(jiān)測等領(lǐng)域，因此，在最近幾年，越來越多的研究者開始關(guān)注遙感影像變化檢測。變化檢測方法主要分兩大類監(jiān)督方法和無監(jiān)督方法。前者主要基于監(jiān)督分類的方法，需要大量人工標(biāo)注的變化區(qū)域圖譜(groundtruth)集作為訓(xùn)練樣本。后者直接對比兩期影像，進(jìn)行變化檢測。由于人工標(biāo)注的變化區(qū)域圖譜集的產(chǎn)生是一項(xiàng)困難和耗時的工作。因此，在沒有人工標(biāo)注的變化區(qū)域圖譜集情況下，使用無監(jiān)督變化檢測是唯一選擇。但目前噪聲是影響無監(jiān)督變化檢測精度的一個重要因素。視覺選擇注意理論是C.Koch等人在《HumanNeurobiology》(人類神經(jīng)生物學(xué))，Volume.4，1985，page.219-227上發(fā)表的"Shiftsinselectivevisualattention:towardstheunderlyingneuralcircuitry"(選擇性視覺注意轉(zhuǎn)移潛在的視覺神經(jīng)元注意線路)一文提出的理論，即人類視覺在區(qū)分場景中各個具體目標(biāo)之前，能夠潛意識首先關(guān)注場景中某些重要目標(biāo)。依據(jù)該特性，L.Itti等人在《IEEETrans.Anal.Mach.Intell》，Volume.20，Number.11，1998，page.1254-1259上發(fā)表的"AmodelofSaliency-basedvisualattentionforrapidsceneanalysis"(基于顯著性視覺注意的場景目標(biāo)快速搜索模型)一文將視覺選擇注意理論引入到計算機(jī)視覺領(lǐng)域，構(gòu)造出計算機(jī)視覺選擇性注意模型，應(yīng)用于場景目標(biāo)快速搜索。具體為對場景圖像顏色部分或強(qiáng)度部分進(jìn)行高斯金字塔和Gabor金字塔操作，對相差三級和四級的高斯(或Gabor)金字塔圖像對進(jìn)行插值相處理，取絕對值，獲得特征圖譜，疊加所有特征圖譜形成顯著譜，該顯著譜能夠指向場景中對比度強(qiáng)的目標(biāo)，并對噪聲魯棒。經(jīng)對現(xiàn)有技術(shù)的文獻(xiàn)檢索發(fā)現(xiàn)，L.Bruzzone等人在《IEEETrans.Geosci.RemoteSens》(IEEE地球科學(xué)與遙感雜志)，Volume.38,Number.3，May2000，page.1171-1182上發(fā)表的"Automaticanalysisofthedifferenceimageforunsupervisedchangedetection"(無監(jiān)督變化檢測中自動分析差分圖像)一文，僅考慮了自動區(qū)分變化像素的策略，不能較好解決噪聲對變化檢測的影響，變化檢測中圖像噪聲越大，檢測精度越低。
發(fā)明內(nèi)容本發(fā)明目的在于針對現(xiàn)有無監(jiān)督變化檢測對噪聲敏感的不足，提出一種基于視覺選擇注意和像素依賴的無監(jiān)督變化檢測方法，將視覺選擇注意理論引入無監(jiān)督變化檢測領(lǐng)域，有效地降低噪聲對變化檢測的影響，提高檢測精度。本發(fā)明是通過以下技術(shù)方案實(shí)現(xiàn)的，本發(fā)明包括步驟如下第一步，獲取差分圖譜對兩期多波段遙感影像進(jìn)行配準(zhǔn)和歸一化操作，使用矢量分析方法處理配準(zhǔn)和歸一化后的兩期影像，獲得差分圖譜；第二步，去除差分圖譜中的噪聲使用計算機(jī)視覺選擇性注意模型的強(qiáng)度譜部分處理差分圖譜，去除差分圖譜中的噪聲點(diǎn)，獲得中間圖譜；第三步，使用基于像素依賴方法，使用EM算法和Bayes決策區(qū)分出中間圖譜中的變化類和無變化類，并進(jìn)一步去除孤立噪聲點(diǎn)，獲得變化檢測圖譜。所述使用計算機(jī)視覺選擇性注意模型的強(qiáng)度譜部分處理差分圖譜，去除差分圖譜中的噪聲點(diǎn)，具體為對差分圖譜進(jìn)行高斯金字塔操作，頂級金字塔圖像尺寸大于4*4，共產(chǎn)生n級金字塔圖像I(n)，n為自然數(shù)，將相差三級或四級金字塔圖像配成對，每對圖像插值到原始圖像大小，相減取絕對值，獲得特征譜，對特征譜中每一個像素值進(jìn)行平方運(yùn)算，拉伸圖像像素值的范圍，疊加所有拉伸后的特性譜形成中間圖譜。所述獲得變化檢測圖譜，具體為使用Bayes決策將中間圖譜中的像素分為兩類變化類和無變化類。其中，Bayes決策中的各項(xiàng)參數(shù)由EM算法確定取中間圖譜中像素的最大值和最小值之間的一個值，大于該值的像素作為一初始類，小于或等于該值的像素作為另一初始類。假定每類都服從高斯分布，計算每類的均值、方差和后驗(yàn)分布，通過迭代公式計算最終確定的每類均值和方差和后驗(yàn)分布。由于假定每類服從高斯分布，即可計算出Bayes決策中參數(shù)的值。兩類中像素在圖譜中分布存在缺陷一類中的某一個像素被另一類中的像素包圍，被包圍的像素為錯分幾率較大。為克服該缺陷，使用馬爾可夫模型對兩類像素進(jìn)行去除孤立點(diǎn)、修補(bǔ)遺漏點(diǎn)操作，獲得變化檢測圖譜。本發(fā)明能夠較好地檢測出兩期影像中的變化區(qū)域，檢測結(jié)果受噪聲影響較少，精度較高。本發(fā)明將計算機(jī)視覺選擇性注意模型弓I入到了無監(jiān)督變化檢測，著重解決噪聲影響變化檢測精度問題。在獲得變化檢測圖譜階段使用馬爾可夫模型去噪的同時，使用計算機(jī)視覺選擇性注意模型對初始的差分圖譜進(jìn)行了去噪，避免了傳統(tǒng)方法只考慮在獲得變化檢測圖譜階段去噪所隱含的缺陷當(dāng)噪聲塊尺寸較大或噪聲密度較大時，馬爾可夫模型無法去除噪聲。因此，與傳統(tǒng)方法相比，本發(fā)明具有更強(qiáng)的抗噪能力。本發(fā)明將視覺選擇注意引入無監(jiān)督變化檢測，對跨學(xué)科發(fā)展是一個帶動，即將仿生學(xué)理論引入到遙感影像處理領(lǐng)域，著力解決遙感影像處理領(lǐng)域的問題。對多學(xué)科交叉發(fā)展是個推動。具體實(shí)施例方式下面對本發(fā)明的實(shí)施例作詳細(xì)說明本實(shí)施例在以本發(fā)明技術(shù)方案為前提下進(jìn)行實(shí)施，給出了詳細(xì)的實(shí)施方式和具體的操作過程，但本發(fā)明的保護(hù)范圍不限于下述的實(shí)施例。本發(fā)明對兩期遙感影像進(jìn)行變化矢量分析(CVA)，獲得差分矢量圖譜，求取差分矢量圖譜中每一個矢量與o矢量的歐式距離，獲得差分圖譜。然后，使用計算機(jī)視覺選擇性注意模型的強(qiáng)度譜部分處理差分圖譜，去除差分圖譜中的噪聲點(diǎn)，獲得中間圖譜。最后，使用EM算法和Bayes決策將中間圖譜中的像素分為兩類，變化類和無變化類，再使用馬爾可夫模型對兩類像素進(jìn)行去除孤立點(diǎn)、修補(bǔ)遺漏點(diǎn)操作，獲得變化檢測圖譜。1、獲取差分圖譜，具體實(shí)現(xiàn)如下設(shè)L和12代表兩期已配準(zhǔn)的遙感影像，尺寸為WXH，i(x，y)表示在位置(x，y)的像素。i"x，y)表示I,中的像素，i2(x，y)表示l2中的像素。假定光照、環(huán)境因素等對兩期影像的影響已被矯正。使用變化矢量分析方法(CVA)產(chǎn)生差分圖譜。1、(x，y)代表每個差分矢量。通過一些簡單方法計算，例如與零矢量的歐式距離計算每個差分矢量的大小r。(x，y)，n表示差分圖譜。2、使用計算機(jī)視覺選擇性注意模型的強(qiáng)度譜部分處理差分圖譜，去除差分圖譜中的噪聲點(diǎn)，具體實(shí)現(xiàn)為對n運(yùn)算產(chǎn)生的高斯金字塔圖像rD")，其中oe[o..s]，共九級金字塔圖像。使用高斯金字塔圖像，能夠產(chǎn)生六幅強(qiáng)度特征譜/;(c)=|/;(c)/|(i)其中cE(2，3，4}，s=c+k，kE{3，4}。O是Center-surround運(yùn)算，其含義是將r。(c)和n(s)縮放到同一尺寸，點(diǎn)對點(diǎn)相減。結(jié)合六幅強(qiáng)度特征譜，產(chǎn)生強(qiáng)度顯著譜尸=，^+3^(/^(^，力)(2)(2)式的含義是:先對r。(c，s)進(jìn)行標(biāo)準(zhǔn)化操作(N(.)的含義)，即使r。(c，s)中的值得到拉伸，最簡單的方式是平方n(c，s)中的每一個元素；然后將平方后的r。(c，s)放大到原始圖像尺寸，點(diǎn)對點(diǎn)疊加所有放大后的rD(c，s)，產(chǎn)生中間圖譜r。。3、應(yīng)用基于像素依賴關(guān)系方法分析中間圖譜，獲得變化檢測圖譜，具體實(shí)現(xiàn)為①分析中間圖譜獲得變化類W。和不變類Wu?；谪惾~斯決策理論區(qū)分兩類的前提是估計出兩類的概率密度函數(shù)和先驗(yàn)分布，即變化類的概率密度函數(shù)p(i(x，y)/w。)和先驗(yàn)分布P(w。)，不變類的概率密度函p(iVx，y)AO和先驗(yàn)分布P(wJ。其中imD(x，y)為中間圖譜中的像素。由于假定兩類的概率密度函數(shù)服從高斯分布，因此，計算出兩類的均值和方差，即可計算出p(r。(x，y)/w。)和P(i(x，y)AO。u。和0。2表示變化類的均值和方差，iiu和c/表示無變化類的均值和方差。利用最大期望算法(EM算法)，可估計出這些參數(shù)。②使用EM算法，需要確定P(wJ，P(wJ，u。，o。2，Uu和o的初始值。可通過門限法粗略地將中間圖譜中的像素分為兩類。借助兩類中的像素，即可計算出參數(shù)的初始值。門限T可通過下式獲得<formula>formulaseeoriginaldocumentpage7</formula>(3)其中，min()表示計算圖譜中最大值，max()表示計算圖譜中最小值。大于T的像素屬于變化類，反之屬于無變化類。確定初始參數(shù)后，通過EM算法的迭代計算出最終的參數(shù)值。再由貝葉斯決策理論將中間圖譜中的像素分成變化類w。和不變類wu。獲得初步的變化檢測圖譜。但是在該圖譜中可能存在大量孤立點(diǎn)(變化或無變化點(diǎn))，這些孤立點(diǎn)很大可能是由噪聲引起，不是真實(shí)的變化區(qū)域或不變區(qū)域，因此有效去除或修補(bǔ)孤立點(diǎn)，是需解決的重要內(nèi)容。馬爾可夫模型是一種考慮像素間依賴關(guān)系的方法，可以利用基于馬爾可夫模型的方法有效去除孤立變化點(diǎn)，修補(bǔ)變化區(qū)域的遺漏點(diǎn)。獲得最后的變化檢測圖譜。結(jié)合本發(fā)明方法的內(nèi)容提供以下應(yīng)用實(shí)施例使用了兩組數(shù)據(jù)測試模型變化檢測的準(zhǔn)確性。一組來自于北京密云水庫區(qū)域的真實(shí)兩期遙感影像，一組為人工制作影像集，用于測試模型對噪聲的魯棒性。真實(shí)影像分別為2001年5月19號的Landsat7ETM+數(shù)據(jù)和2004年7月6號的Landsat5ETM+數(shù)據(jù)。分別取4，3，2波段合成，進(jìn)行SCR(ScattergramcontrolledRegression)相對輻射糾正和幾何精校正以后，截取出覆蓋北京密云水庫區(qū)域的524X365個像元。人工影像集通過如下方式獲得取上海崇明島地區(qū)的一幅航拍影像作為一期影像，大小為556X434。第二幅影像是由人工處理一期影像，設(shè)置一些改變區(qū)域獲得的影像，作為第二期影像。為了測試模型對噪聲的魯棒性，不同級別的零均值高斯噪聲加入兩期影像，形成十對兩期影像。其中，高斯噪聲的密度值是從0.01到O.1。以人工標(biāo)注的圖譜為參考圖譜，對比兩種方法實(shí)際變化檢測圖譜的準(zhǔn)確性，一種為基于變化矢量差分和像素依賴的無監(jiān)督變化檢測方法(傳統(tǒng)方法)，另一種為本發(fā)明方法。試驗(yàn)結(jié)果如下(1)真是遙感影像變化檢測準(zhǔn)確性比較(見表1);(2)使用人工影像測試本發(fā)明的抗噪能力(見表2);從三個方面對變化檢測結(jié)果進(jìn)行評價(1)誤檢面積實(shí)際為無變化區(qū)域，檢測為變化區(qū)域；(2)漏檢面積實(shí)際為變化區(qū)域，檢測為無變化區(qū)域；(2)總錯誤面積誤檢面積和漏檢面積的總和。表1真實(shí)遙感影像變化檢測準(zhǔn)確性比較<table>tableseeoriginaldocumentpage8</column></row><table>表2使用人工影像測試本發(fā)明的抗噪能力<table>tableseeoriginaldocumentpage8</column></row><table><table>tableseeoriginaldocumentpage9</column></row><table>從表l可以看到(1)從誤檢面積來看，傳統(tǒng)方法誤檢像素個數(shù)為33628，本發(fā)明誤檢個數(shù)為32859;(2)從漏檢面積來看，傳統(tǒng)方法漏檢像素個數(shù)為1504，本發(fā)明漏檢像素個數(shù)為1175;(3)從總錯誤面積來看，傳統(tǒng)方法總錯誤像素個數(shù)為35132，本發(fā)明方法總錯誤像素個數(shù)為34034。因此，從三項(xiàng)評價指標(biāo)來看，無論哪項(xiàng)指標(biāo)，本發(fā)明方法的性能都要優(yōu)于傳統(tǒng)方法。從表2可以看到(l)從漏檢面積來看，隨著噪聲密度的增大，傳統(tǒng)方法和本發(fā)明的漏檢像素個數(shù)變化不大，集中在100以內(nèi)，雖然在噪聲密度大于0.07后，本發(fā)明方法漏檢像素個數(shù)有所增大，并且多于傳統(tǒng)方法，但是由于數(shù)量級不大，對檢測精度影響很小。(2)從誤檢面積來看，在噪聲密度小于0.04時，本發(fā)明誤檢像素個數(shù)大于傳統(tǒng)方法誤檢像素個數(shù)，但是數(shù)量級相差較小，但隨著噪聲密度的增大，本發(fā)明誤檢個數(shù)遠(yuǎn)小于傳統(tǒng)方法的誤檢個數(shù)，當(dāng)噪聲密度為O.l時，傳統(tǒng)方法的誤檢像素個數(shù)24020，而本發(fā)明方法誤檢像素個數(shù)僅為646，誤檢個數(shù)少23萬。(3)從總錯誤面積來看，傳統(tǒng)方法受噪聲影響較大，當(dāng)噪聲密度大于0.05后，總錯誤像素個數(shù)急劇增加，當(dāng)噪聲密度為O.l時，總錯像素個數(shù)為24029。而本發(fā)明受噪聲影響較小，始終保持錯誤個數(shù)1000以內(nèi)。權(quán)利要求1.一種基于視覺選擇注意和像素依賴的無監(jiān)督變化檢測方法，其特征在于，包括如下步驟第一步，對兩期多波段遙感影像進(jìn)行配準(zhǔn)和歸一化操作，使用矢量分析方法處理配準(zhǔn)和歸一化后的兩期影像，獲得差分圖譜；第二步，使用視覺選擇注意模型的強(qiáng)度譜部分處理差分圖譜，去除差分圖譜中的噪聲點(diǎn)，獲得中間圖譜；第三步，使用基于像素依賴方法，使用EM算法和Bayes決策區(qū)分出中間圖譜中像素的變化類和無變化類，并進(jìn)一步去除孤立噪聲點(diǎn)，獲得變化檢測圖譜。2、根據(jù)權(quán)利要求1所述的基于視覺選擇注意和像素依賴的無監(jiān)督變化檢測方法，其特征是，所述使用視覺選擇注意模型的強(qiáng)度譜部分處理差分圖譜，去除差分圖譜中的噪聲點(diǎn)，具體為對差分圖譜進(jìn)行高斯金字塔操作，頂級金字塔圖像尺寸大于4*4，共產(chǎn)生n級金字塔圖像I(n),n為自然數(shù)，將相差三級或四級金字塔圖像配成對，每對圖像插值到原始圖像大小，相減取絕對值，獲得特征譜，對特征譜中每一個像素值進(jìn)行平方運(yùn)算，拉伸圖像像素值的范圍，疊加所有拉伸后的特性譜形成中間圖譜。3、根據(jù)權(quán)利要求1所述的基于視覺選擇注意和像素依賴的無監(jiān)督變化檢測方法，其特征是，所述獲得變化檢測圖譜，具體為使用Bayes決策將中間圖譜中的像素分為兩類變化類和無變化類，其中，Bayes決策中的各項(xiàng)參數(shù)由EM算法確定，兩類中像素在圖譜中分布存在一類中的某一個像素被另一類中的像素包圍的情況，使用馬爾可夫模型對兩類像素進(jìn)行去除孤立點(diǎn)、修補(bǔ)遺漏點(diǎn)操作，獲得變化檢測圖譜。4、根據(jù)權(quán)利要求3所述的基于視覺選擇注意和像素依賴的無監(jiān)督變化檢測方法，其特征是，所述Bayes決策中的各項(xiàng)參數(shù)由EM算法確定，具體為；取中間圖譜中像素的最大值和最小值之間的一個值，大于該值的像素作為一初始類，小于或等于該值的像素作為另一初始類，假定每類都服從高斯分布，計算每類的均值、方差和后驗(yàn)分布，通過迭代公式計算最終確定的每類均值和方差和后驗(yàn)分布，假定每類服從高斯分布，即計算出Bayes決策中參數(shù)的值。全文摘要本發(fā)明公開了一種基于視覺選擇注意和像素依賴的無監(jiān)督變化檢測方法，屬于遙感信息處理與應(yīng)用
技術(shù)領(lǐng)域：
。步驟為第一步，對兩期多波段遙感影像進(jìn)行配準(zhǔn)和歸一化操作，使用矢量分析方法處理配準(zhǔn)和歸一化后的兩期影像，獲得差分圖譜；第二步，使用計算機(jī)視覺選擇性注意模型的強(qiáng)度譜部分處理差分圖譜，去除差分圖譜中的噪聲點(diǎn)，獲得中間圖譜；第三步，使用基于像素依賴方法，使用EM算法和Bayes決策區(qū)分出中間圖譜中的變化類和無變化類，并進(jìn)一步去除孤立噪聲點(diǎn)，獲得變化檢測圖譜。本發(fā)明能夠有效降低噪聲對變化檢測的影響，提高檢測精度。文檔編號G06K9/00GK101369308SQ20081020092公開日2009年2月18日申請日期2008年10月9日優(yōu)先權(quán)日2008年10月9日發(fā)明者濤方,李志強(qiáng)申請人:上海交通大學(xué)