專利名稱：基于treelet融合和水平集分割的遙感圖像變化檢測的制作方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，具體來說是一種基于treelet融合和水平集分割遙感圖像變化檢測方法，可用于土地資源監(jiān)測、自然災(zāi)害分析、城市發(fā)展規(guī)劃等諸多領(lǐng)域的遙感圖像分析。
背景技術(shù)：
遙感圖像變化檢測技術(shù)是遙感圖像研究的重要組成部分，它對同一地點不同時期的圖像進(jìn)行比較分析，根據(jù)圖像之間的差異來得到人們需要的地物變化信息。在遙感圖像的變化檢測方法中，最簡單常見的方法是直接對圖像灰度值進(jìn)行差分得到差異影像，利用閾值區(qū)分變化類和非變化類。然而不同時刻之間的遙感圖像由于光照、 輻射等因素造成圖像灰度值存在偏差，簡單對圖像的灰度做差得到差異圖的變化檢測方法結(jié)果中會存在較多的偽變化信息，同時，如何精確的估計閾值一直是一個瓶頸問題。為了提高變化檢測結(jié)果的精度，有關(guān)學(xué)者提出了許多改進(jìn)的方法=Yakoub Bazi等學(xué)者于2009年在會議文章“A Variational Level-Set Method for Unsupervised Change Detection in Remote Sensing Images”中提出基于CV模型的變化檢測方法，2010年作者在上述會議文章的基礎(chǔ)上進(jìn)一步完善理論部分并增加實驗數(shù)據(jù)，又發(fā)表了期刊文章 "Unsupervised Change Detection in Multispectral Remotely Sensed Imagery With Level Set Methods”。該方法不需要估計變化閾值，但是CV模型容易受到噪聲的影響從而影響結(jié)果的準(zhǔn)確性。Turgay Celik等學(xué)者在文章“A Bayesian approach to unsupervised multiscale change detection in synthetic aperture radar image”中一禾中■于雙樹復(fù)小波變換的變化檢測方法。由于雙樹復(fù)小波變換的下采樣特性，該方法首先要對原始圖像進(jìn)行插值，插值方法的選擇對結(jié)果有一定影響，此外，分別對低頻系數(shù)矩陣和高頻系數(shù)矩陣進(jìn)行分割容易累積分類誤差，同樣影響變化檢測結(jié)果的精度。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服上述已有的遙感圖像變化檢測技術(shù)的不足，提出了一種基于treelet融合和水平集分割的遙感圖像變化檢測方法，以較好的保持變化區(qū)域的邊緣， 減少偽變化信息，提高變化檢測的精度。為實現(xiàn)上述目的，本發(fā)明的檢測方法包括如下步驟(1)對輸入的兩幅已配準(zhǔn)的大小均為mXn的多時相遙感圖像I1和I2分別進(jìn)行均值漂移濾波，得到濾波后圖像X1和X2 ；(2)對濾波后圖像X1和X2分別進(jìn)行3次二維平穩(wěn)小波分解，且每一幅濾波后圖像 3次分解的最高分解層數(shù)分別為s (s = 1，... 3)，一次二維平穩(wěn)小波分解得到四個小波系數(shù)矩陣，即一個低頻系數(shù)矩陣和三個分別表示水平、垂直、對角方向的高頻小波系數(shù)矩陣；(3)對濾波后圖像X1和X2相同分解層數(shù)下對應(yīng)方向子帶的小波系數(shù)矩陣做差，得到每一個分解層s的低頻小波系數(shù)差矩陣和三個分別表示水平、垂直、對角方向的高頻小波系數(shù)差矩陣；(4)對步驟(3)中的水平方向小波系數(shù)差矩陣和垂直方向小波系數(shù)差矩陣?yán)?sobel算子進(jìn)行增強(qiáng)，保持低頻小波系數(shù)差矩陣和對角方向小波系數(shù)差矩陣不變；(5)使用(3)中低頻小波系數(shù)差矩陣、對角方向小波系數(shù)差矩陣和⑷中增強(qiáng)后的水平、垂直方向小波系數(shù)差矩陣，對每一個分解層s進(jìn)行二維逆平穩(wěn)小波變換，得到每個分解層s的重構(gòu)圖像RIs ；(6)對每個分解層s的重構(gòu)圖像RIs使用treelet變換進(jìn)行融合，得到融合后的差異圖D;(7)對融合后的差異圖D進(jìn)行水平集分割，得到變化檢測結(jié)果圖Z。本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點(1)本發(fā)明由于通過對兩幅濾波后圖像分解得到的小波系數(shù)矩陣做差并對差矩陣重構(gòu)來構(gòu)造差異圖，因而能減輕不同時刻之間的遙感圖像由于光照、輻射等因素造成圖像灰度值存在偏差對結(jié)果造成的影響，從而能減少結(jié)果中的偽變化信息，提高變化檢測結(jié)果的精度；(2)本發(fā)明由于采用sobel算子的水平、垂直方向模板對水平、垂直方向的小波系數(shù)差矩陣進(jìn)行增強(qiáng)，使得圖像中幾何形狀的邊緣特征更加突出；(3)本發(fā)明采用treelet變換對三張逆平穩(wěn)小波變換重構(gòu)得到的差異圖進(jìn)行融合，該變換能得到一棵反映數(shù)據(jù)內(nèi)部結(jié)構(gòu)的層級聚類樹和一組多尺度的正交基，本發(fā)明利用這組正交基將三張不同分解層數(shù)下重構(gòu)得到的差異圖進(jìn)行融合，相比于直接對融合前的差異圖進(jìn)行分割得到的結(jié)果，對融合后的差異圖進(jìn)行分割得到的結(jié)果精度更高；(4)本發(fā)明由于采用均值漂移法對原始圖像進(jìn)行濾波，不僅可以濾除圖像中的噪聲信息，還具有良好的邊緣保持特性；(5)本發(fā)明由于采用二維平穩(wěn)小波分解，平穩(wěn)小波具有冗余性和平移不變性，因此不必對原始圖像進(jìn)行插值，避免了插值算法帶來的誤差。


圖1是本發(fā)明的實現(xiàn)流程圖；圖2是本發(fā)明使用的兩時相遙感圖像及對應(yīng)參考圖；圖3是本發(fā)明通過treelet融合得到的差異圖；圖4是用本發(fā)明及對比方法對模擬遙感數(shù)據(jù)集實驗得到的變化檢測結(jié)果圖；圖5是用本發(fā)明及對比方法對真實遙感數(shù)據(jù)集實驗得到的變化檢測結(jié)果圖。
具體實施例方式參照圖1，本發(fā)明的實施如下步驟1，對輸入的兩個不同時相的已配準(zhǔn)且大小均為mXn的遙感圖像I1和I2，如 2(a)和圖2(b)所示，分別進(jìn)行均值漂移濾波，得到濾波后圖像X1和X2 ；(Ia)對輸入圖像的每一個像素點，按照下式計算均值漂移矢量mh(x)的值
權(quán)利要求
1.一種基于treelet融合和水平集分割的遙感圖像變化檢測方法，包括如下步驟(1)對輸入的兩幅已配準(zhǔn)的大小均為mXn的多時相遙感圖像I1和I2分別進(jìn)行均值漂移濾波，得到濾波后圖像X1和X2 ；(2)對濾波后圖像X1和X2分別進(jìn)行3次二維平穩(wěn)小波分解，且每一幅濾波后圖像3次分解的最高分解層數(shù)分別為s(s = 1，...幻，一次二維平穩(wěn)小波分解得到四個小波系數(shù)矩陣，即一個低頻系數(shù)矩陣和三個分別表示水平、垂直、對角方向的高頻小波系數(shù)矩陣；(3)對濾波后圖像X1和X2相同分解層數(shù)下對應(yīng)方向子帶的小波系數(shù)矩陣做差，得到每一個分解層s的低頻小波系數(shù)差矩陣和三個分別表示水平、垂直、對角方向的高頻小波系數(shù)差矩陣；(4)對步驟(3)中的水平方向小波系數(shù)差矩陣和垂直方向小波系數(shù)差矩陣?yán)胹obel 算子進(jìn)行增強(qiáng)，保持低頻小波系數(shù)差矩陣和對角方向小波系數(shù)差矩陣不變；(5)使用(3)中低頻小波系數(shù)差矩陣、對角方向小波系數(shù)差矩陣和中增強(qiáng)后的水平、垂直方向小波系數(shù)差矩陣，對每一個分解層s進(jìn)行二維逆平穩(wěn)小波變換，得到每個分解層s的重構(gòu)圖像RIs ；(6)對每個分解層s的重構(gòu)圖像RIs使用treelet變換進(jìn)行融合，得到融合后的差異圖D ；(7)對融合后的差異圖D進(jìn)行水平集分割，得到變化檢測結(jié)果圖Z。
2.根據(jù)權(quán)利要求1所述的遙感圖像變化檢測方法，其中步驟C3)所述的對濾波后圖像 X1和X2相同分解層數(shù)下對應(yīng)方向子帶的小波系數(shù)矩陣做差，包括對低頻小波系數(shù)矩陣做差和對高頻小波系數(shù)矩陣做差，即Ai =I 41 K=IKs-Kl式中忍和Z〗分別表示濾波后圖像X1和X2第S分解層得到的低頻小波系數(shù)矩陣，Ai為忍和g的低頻小波系數(shù)差矩陣；分別表示濾波后圖像X1和X2第S分解層得到的高頻小波系數(shù)矩陣，θ取值為0°，45°和90°，分別表示水平、對角和垂直方向，為和的高頻小波系數(shù)差矩陣。
3.根據(jù)權(quán)利要求1所述的遙感圖像變化檢測方法，其中步驟(4)所述的對水平方向小波系數(shù)差矩陣和垂直方向小波系數(shù)差矩陣?yán)胹obel算子進(jìn)行增強(qiáng)，具體執(zhí)行如下采用sobel算子的水平方向模板與水平方向的高頻小波系數(shù)差矩陣進(jìn)行卷積，得到增強(qiáng)后的水平方向小波系數(shù)差矩陣皿；采用sobel算子的垂直方向模板與垂直方向的高頻小波系數(shù)差矩陣進(jìn)行卷積，得到增強(qiáng)后的垂直方向小波系數(shù)差矩陣^Div。
4.根據(jù)權(quán)利要求1所述的遙感圖像變化檢測方法，其中步驟(6)所述的采用treelet 算法對重構(gòu)后的圖像RIs進(jìn)行融合，按如下步驟進(jìn)行(6a)將重構(gòu)后的圖像RIs均變換為mXn大小的列向量RIl' ,RI2' ,RI3'，組成初始樣本 X = [RIl'，RI2'，RI3']；(6b)定義treelet變換的逐層聚類層數(shù)1 = 0，1，. . . L_l，L為初始樣本X中列向量的個數(shù)，L = 3，在第0層，每個變量采用初始樣本X中的列向量表示，初始化基矩陣B°為LX L 的單位矩陣及和變量下標(biāo)集合Ω = {1，2，. . . L}，計算樣本X的初始協(xié)方差矩陣C°和初始相關(guān)系數(shù)矩陣M°，計算公式如下
全文摘要
本發(fā)明公開了一種基于treelet融合和水平集分割的遙感圖像變化檢測方法，主要解決現(xiàn)有變化檢測方法存在較多偽變化信息的問題。其實現(xiàn)過程是輸入兩時相遙感圖像，對每幅圖像分別進(jìn)行均值漂移濾波，得到兩時相濾波后圖像并分別對其進(jìn)行3次不同層數(shù)下的二維平穩(wěn)小波分解，對相同分解層數(shù)對應(yīng)方向子帶的小波系數(shù)矩陣做差；采用sobel算子對得到的水平、垂直方向小波系數(shù)差矩陣進(jìn)行增強(qiáng)并進(jìn)行二維小波逆變換重構(gòu)；采用treelet算法融合不同分解層數(shù)的重構(gòu)圖像得到最終的差異圖，對該差異圖進(jìn)行水平集分割得到變化檢測結(jié)果。本發(fā)明能夠有效提高變化檢測結(jié)果的精度，同時較好的保持變化區(qū)域的邊緣特征，可用于對自然災(zāi)害的分析、土地資源監(jiān)測等領(lǐng)域。
文檔編號G06T5/00GK102254323SQ20111015565
公開日2011年11月23日 申請日期2011年6月10日 優(yōu)先權(quán)日2011年6月10日
發(fā)明者公茂果, 張小華, 張敏, 焦李成, 王桂婷, 王爽, 田小林, 鐘樺 申請人:西安電子科技大學(xué)