專利名稱：基于多組濾波和降維的遙感圖像變化檢測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明屬于數(shù)字圖像處理技術(shù)領(lǐng)域，具體的說是ー種基于多組濾波和降維的遙感圖像變化檢測(cè)方法，適用于遙感圖像的處理與分析。
背景技術(shù)：
基于遙感圖像的變化檢測(cè)就是從不同時(shí)間獲取的同一地理區(qū)域的多時(shí)相遙感圖像中，分析和確定地表變化特征和過程的技術(shù)。在農(nóng)業(yè)、環(huán)境、城市規(guī)劃、國(guó)防等領(lǐng)域得到廣泛的應(yīng)用。通過對(duì)同一地區(qū)不同時(shí)相的遙感圖像的分析，能夠獲取該地區(qū)地物變化的信息，這些信息可用于地理信息系統(tǒng)更新、資源環(huán)境監(jiān)測(cè)、目標(biāo)動(dòng)態(tài)監(jiān)視以及打擊效果評(píng)估等，是遙感技術(shù)的重要研究方向。對(duì)配準(zhǔn)后的兩幅遙感圖像的變化檢測(cè)方法一般是先獲取差異圖，然后對(duì)差異圖進(jìn)行變化與非變化分類。獲取差異圖的方法由于對(duì)原始數(shù)據(jù)直接進(jìn)行差異比較，不會(huì)改變數(shù)據(jù)本身，信息較為可靠。其中對(duì)變化區(qū)域與非變化區(qū)域的常用分類方法是通過統(tǒng)計(jì)差異圖的分布計(jì)算分類閾值，但該方法沒有考慮差異圖像的鄰域信息，易將劇烈的噪聲部分認(rèn)為變化區(qū)域從而影響最終的檢測(cè)精度?？紤]鄰域信息的分類方法能夠克服以上的缺點(diǎn)。聚類方法即屬于考慮鄰域信息的分類方法，不需要建立統(tǒng)計(jì)模型，能夠?qū)ψ兓头亲兓哪：糠钟行У姆诸?。常見的聚類算法有模糊均值聚?Fuzzy C-Means, FCM)和K均值聚類(K-Means, KM)等。Susmita Ghosh 等學(xué)者在文章“Unsupervised Change Detection of RemotelySensed Images using Fuzzy Clustering”中提出的FCM聚類進(jìn)行變化檢測(cè)的方法,能夠?qū)Σ町悎D像中變化區(qū)域和非變化區(qū)域的重疊部分得到有效地的分類判斷結(jié)果。但仍會(huì)出現(xiàn)難以分辨的噪聲區(qū)域，從而影響變化檢測(cè)的結(jié)果。Turgay Celik學(xué)者在文章“ Unsupervisedchange detection in satellite images using principal component analysis andk-means clustering”中提出的利用PCA降維提取差異圖中鄰域塊的有效特征向量,從而得到差異圖像的特征向量空間，利用K均值聚類對(duì)差異圖像的特征向量空間進(jìn)行分類，最后根據(jù)最小歐氏距離得到最終的變化檢測(cè)結(jié)果圖。但差異圖像的特征向量空間需要較大的計(jì)算量，且將圖像進(jìn)行塊處理會(huì)降低變化區(qū)域的空間信息，影響變化檢測(cè)的結(jié)果。

發(fā)明內(nèi)容
本發(fā)明的目的在于針對(duì)上述已有遙感圖像變化檢測(cè)方法的不足，提出一種基于多組濾波和降維的遙感圖像變化檢測(cè)方法，以減小計(jì)算量，快速、準(zhǔn)確地檢測(cè)出變化區(qū)域。為實(shí)現(xiàn)上述目的，本發(fā)明的變化檢測(cè)方法包括如下步驟(I)對(duì)輸入的兩幅已經(jīng)配準(zhǔn)的多時(shí)相遙感圖像Tl和T2空間位置對(duì)應(yīng)的像素灰度值進(jìn)行差值計(jì)算，得到一幅差值差異圖Xd ；(2)計(jì)算差值差異圖Xd變化類和非變化類的分類閾值；(3)根據(jù)分類閾值計(jì)算出圖像Tl和圖像T2中非變化類像素的灰度直方圖，將圖像Tl中的非變化類像素和圖像T2中的非變化類像素進(jìn)行灰度校正，得到圖像T2灰度校正后的圖像T3 ;將圖像Tl和圖像T3空間位置對(duì)應(yīng)的像素灰度值進(jìn)行差值計(jì)算，得到一幅灰度校正的差值差異圖D ；(4)將Gabor濾波函數(shù)參數(shù)中5個(gè)方向角度的任意一個(gè)與6個(gè)頻率的任意一個(gè)進(jìn)行兩兩組合，可得到30組濾波器函數(shù)，利用該組濾波器函數(shù)對(duì)灰度校正的差值差異圖D進(jìn)行濾波得到30組濾波后的差異圖像組，記為濾波圖像組矩陣E1 ；(5)將灰度校正的差值差異圖D加入到濾波圖像組矩陣E1中，得到降維樣本矩陣E ；(6)利用Treelet算法計(jì)算降維樣本矩陣E的投影矩陣P，得到沿投影方向降維后 的最終差異圖像F ;(7)對(duì)得到的最終差異圖像F利用K均值算法進(jìn)行聚類，得到最終的變化檢測(cè)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(diǎn)(I)本發(fā)明根據(jù)差值差異圖的預(yù)分類結(jié)果對(duì)原始遙感圖像的非變化類像素進(jìn)行灰度校正，能有效地減少噪聲信號(hào)的影響，提高變化檢測(cè)的準(zhǔn)確度。(2)本發(fā)明使用多組Gabor濾波器對(duì)差值差異圖進(jìn)行濾波，濾波圖像具有較大的類間離散度和較小的類內(nèi)離散度，提高圖像的聚類質(zhì)量和算法效率。(3)本發(fā)明使用Treelet算法對(duì)濾波后的圖像進(jìn)行降維，得到有效的濾波結(jié)果，不需要進(jìn)行參數(shù)遍歷，算法效率將得到提高。


圖I是本發(fā)明的實(shí)現(xiàn)流程圖；圖2是本發(fā)明使用的兩時(shí)相遙感數(shù)據(jù)圖像及其變化檢測(cè)參考圖；圖3是用本發(fā)明對(duì)模擬遙感圖像實(shí)驗(yàn)的變化檢測(cè)結(jié)果圖；圖4是用本發(fā)明對(duì)真實(shí)遙感圖像實(shí)驗(yàn)的變化檢測(cè)結(jié)果圖。
具體實(shí)施例方式參照?qǐng)DI，本發(fā)明的實(shí)施步驟如下步驟I，對(duì)輸入的兩幅大小均為MXN的不同時(shí)相已配準(zhǔn)的遙感圖像Tl和T2，如圖2所示，將圖像Tl和圖像T2空間對(duì)應(yīng)位置(x，y)處的像素點(diǎn)灰度值7；和巧進(jìn)行差值計(jì)算，得到差值差異圖Xdxy=I7；- |，X = 1，2， ，M，y = 1，2，…，N，其中M為遙感圖像Tl的長(zhǎng)，N為遙感圖像Tl的寬。步驟2，計(jì)算差值差異圖Xd變化類和非變化類的分類閾值Tm (2a)初始化分類閾值T為差值差異圖Xd中最大像素值和最小像素值的均值；(2b)利用初始化分類閾值T將差值差異圖Xd分成兩類，分別計(jì)算變化類像素值的均值m。和非變化類像素值的均值md，將m。和md的均值記為Tn，當(dāng)初始化分類閾值T與Tn的絕對(duì)差值大于收斂值Ts時(shí)，更新分類閾值T為Tn，Ts << I ;(2c)重復(fù)步驟(2b)直至初始化分類閾值T與均值Tn的絕對(duì)差值滿足收斂值Ts時(shí)，得到最終的分類閾值Tm。
步驟3，將圖像Tl中的非變化類像素和圖像T2中的非變化類像素進(jìn)行灰度校正(3a)根據(jù)差值差異圖Xd的分類閾值Tm將圖像Tl和T2分成兩類，得到兩幅圖像各自的變化類和非變化類，計(jì)算出圖像Tl中的非變化類像素的灰度直方圖P1和圖像T2中非變化類像素的灰度直方圖P2 ;(3b)以灰度直方圖P1為參考，通過直方圖匹配使灰度直方圖P2盡可能地接近灰度直方圖P1，得到圖像T2灰度校正后的圖像T3 ；(3c)將圖像Tl和圖像T3空間位置對(duì)應(yīng)的像素灰度值進(jìn)行差值計(jì)算，得到灰度校正的差值差異圖D。步驟4，利用Gabor濾波器函數(shù)對(duì)灰度校正的差值差異圖D進(jìn)行濾波，得到濾波圖像組矩陣E1 (4a)設(shè)Gabor濾波器函數(shù)的參數(shù)包括六個(gè)不同頻率f=
和五個(gè)不同方向角度小=
，將參數(shù)中6個(gè)頻率的任意一個(gè)與5個(gè)方向角度的任意一個(gè)進(jìn)行兩兩組合，可得到30組Gabor濾波器函數(shù)，二維Gabor濾波器函數(shù)可以表示為
權(quán)利要求
1.一種基于多組濾波和降維的遙感圖像變化檢測(cè)方法，包括如下步驟 (1)對(duì)輸入的兩幅已經(jīng)配準(zhǔn)的多時(shí)相遙感圖像Tl和T2空間位置對(duì)應(yīng)的像素灰度值進(jìn)行差值計(jì)算，得到一幅差值差異圖Xd ； (2)計(jì)算差值差異圖Xd變化類和非變化類的分類閾值； (3)根據(jù)分類閾值計(jì)算出圖像Tl和圖像T2中非變化類像素的灰度直方圖，將圖像Tl中的非變化類像素和圖像T2中的非變化類像素進(jìn)行灰度校正，得到圖像T2灰度校正后的圖像T3 ;將圖像Tl和圖像T3空間位置對(duì)應(yīng)的像素灰度值進(jìn)行差值計(jì)算，得到一幅灰度校正的差值差異圖D ； (4)將Gabor濾波器函數(shù)參數(shù)中5個(gè)方向角度的任意一個(gè)與6個(gè)頻率的任意一個(gè)進(jìn)行兩兩組合，可得到30組濾波器函數(shù)，利用該組濾波器函數(shù)對(duì)灰度校正的差值差異圖D進(jìn)行濾波得到30組濾波后的差異圖像組，記為濾波圖像組矩陣E1 ； (5)將灰度校正的差值差異圖D加入到濾波圖像組矩陣E1中，得到降維樣本矩陣E； (6)利用Treelet算法計(jì)算降維樣本矩陣E的投影矩陣P，得到沿投影方向降維后的最終差異圖像F ; (7)對(duì)得到的最終差異圖像F利用K均值算法進(jìn)行聚類，得到最終的變化檢測(cè)結(jié)果圖Z。
2.根據(jù)權(quán)利要求I所述的遙感圖像變化檢測(cè)方法，其中步驟(2)所述計(jì)算差值差異圖Xd變化類和非變化類的分類閾值，按如下步驟計(jì)算 (2a)初始化分類閾值T為差值差異圖Xd中最大像素值和最小像素值的均值； (2b)利用初始化分類閾值T將差值差異圖Xd分成兩類，分別計(jì)算變化類像素值的均值mc和非變化類像素值的均值md，將m。和md的均值記為Tn，當(dāng)初始化分類閾值T與Tn的絕對(duì)差值大于收斂值Ts時(shí)，更新分類閾值T為Tn，Ts << I ; (2c)重復(fù)步驟(2b)直至初始化分類閾值T與均值Tn的絕對(duì)差值滿足收斂值Ts時(shí)，得到最終的分類閾值Tm。
3.根據(jù)權(quán)利要求I所述的遙感圖像變化檢測(cè)方法，其中步驟(3)所述將圖像Tl中的非變化類像素和圖像T2中的非變化類像素進(jìn)行灰度校正，按如下步驟計(jì)算 (3a)根據(jù)差值差異圖Xd的分類閾值Tm將兩幅已經(jīng)配準(zhǔn)的多時(shí)相遙感圖像Tl和T2分成兩類，得到兩幅圖像各自的變化類和非變化類，計(jì)算出該圖像Tl中的非變化類像素的灰度直方圖P1和該圖像T2中非變化類像素的灰度直方圖P2 ； (3b)以灰度直方圖P1為參考，通過直方圖匹配使灰度直方圖P2盡可能地接近灰度直方圖P1，得到圖像T2灰度校正后的圖像T3 ； (3c)將多時(shí)相遙感圖像Tl和校正后的圖像T3空間位置對(duì)應(yīng)的像素灰度值進(jìn)行差值計(jì)算，得到灰度校正的差值差異圖D。
4.根據(jù)權(quán)利要求I所述的遙感圖像變化檢測(cè)方法，其中步驟(5)所述利用Treelet算法計(jì)算降維樣本矩陣E的投影矩陣P，得到沿投影方向降維后的最終差異圖像F的過程，按如下步驟進(jìn)行 (6a)計(jì)算降維樣本矩陣E的協(xié)方差系數(shù)矩陣C
全文摘要
本發(fā)明公開了一種基于多組濾波和降維的遙感圖像變化檢測(cè)方法，主要解決現(xiàn)有技術(shù)對(duì)變化檢測(cè)圖像的精度和運(yùn)行時(shí)間上不足的問題。其實(shí)現(xiàn)過程是輸入兩幅不同時(shí)相的遙感圖像，并構(gòu)造差值差異圖像，得到差值差異圖像的分割結(jié)果，并對(duì)遙感圖像進(jìn)行灰度校正得到新的差值差異圖；應(yīng)用Gabor濾波器得到多組濾波圖像，并組成樣本矩陣；利用Treelet算法對(duì)樣本矩陣進(jìn)行降維，對(duì)降維后的圖像進(jìn)行K均值聚類得到最終的變化檢測(cè)結(jié)果。實(shí)驗(yàn)表明本發(fā)明能夠有效地提高變化檢測(cè)處理效率，保持圖像的邊緣信息，提高變化檢測(cè)的精確度，可用于災(zāi)情監(jiān)測(cè)、土地利用領(lǐng)域。
文檔編號(hào)G06T7/00GK102629380SQ20121005387
公開日2012年8月8日 申請(qǐng)日期2012年3月3日 優(yōu)先權(quán)日2012年3月3日
發(fā)明者公茂果, 張小華, 曹娟, 焦李成, 王桂婷, 王爽, 田小林, 鐘樺 申請(qǐng)人:西安電子科技大學(xué)