專利名稱：高分辨率可見光遙感圖像變化檢測方法
技術領域：
本發(fā)明涉及一種用于高分辨率可見光遙感圖像的變化檢測方法，具體說是一種基于機器學習和多特征 持的高分辨率可見光遙感圖像變化檢測方法，相關技術涉及遙感圖像信息處理、目標特征提取與描述、機器學習等技術領域。
背景技術：
隨著對地觀測技術和傳感器技術的飛速發(fā)展，遙感影像數(shù)據(jù)已經(jīng)成為人們獲取信息的重要手段之一。遙感圖像變化檢測旨在利用圖像處理和模式識別等技術，針對同一場景在不同時期拍攝得到的兩幅已配準的遙感圖像，自動地檢測出地物的變化信息，它在農業(yè)、環(huán)境監(jiān)測、城市建設規(guī)劃、水利、目標監(jiān)測、災害監(jiān)測等民事和軍事領域有著極其廣泛的應用價值和重要的應用前景。近年來，隨著航天技術和傳感器技術的不斷發(fā)展，遙感圖像的空間分辨率越來越高，其中所呈現(xiàn)的地物細節(jié)也越來越豐富。雖然高分辨率可見光遙感圖像極大地提高了對地觀測信息量，但是地物的多樣性也增加了圖像的復雜性，給遙感圖像的自動分析技術帶來了前所未有的挑戰(zhàn)。傳統(tǒng)的可見光遙感圖像變化檢測技術主要針對中低分辨率的可見光遙感圖像設計，高分辨率可見光遙感圖像豐富的地物細節(jié)信息所帶來的圖像復雜性使得直接應用傳統(tǒng)的變化檢測方法無法獲得令人滿意的結果，大大制約了高分辨率遙感圖像的應用。因此，高分辨率可見光遙感圖像變化檢測技術應運而生，受到了國際上廣泛的關注。除了要面對傳統(tǒng)中低分辨率可見光遙感圖像變化檢測的難點，高分辨率可見光遙感圖像變化檢測還有其特有的難點。這些難點包括(I)圖像拍攝視角變化所導致的局部圖像無法配準；(2)陰影的影響更加顯著；(3)圖像相鄰像素之間高度相關；(4)拍攝時間不同引起相同地物光譜特性的差異更加顯著。為此，有必要研究新的高分辨率可見光遙感圖像變化檢測技術來有效克服上述難點。

發(fā)明內容
本發(fā)明的目的是針對高分辨率可見光遙感圖像變化檢測的難點，綜合利用圖像處理、模式識別和機器學習技術，提供一種有效的高分辨率可見光遙感圖像變化檢測方法。本發(fā)明的基于目標多特征和機器學習的高分辨率可見光遙感圖像變化檢測方法步驟如下步驟SI :對輸入的兩幅已配準的可見光遙感圖像進行兩時相圖像分割，得到圖像目標，即分割后的圖像區(qū)域；步驟S2 :通過對步驟SI得到的目標進行形狀分析，去除部分由于局部配準誤差引起的虛假目標；步驟S3 :對于步驟S2中去除虛假目標之后的目標，提取多種圖像特征作為目標的變化特征，包括光譜特征、局部梯度分布特征、局部紋理分布特征；步驟S4 :對于步驟S2中去除虛假目標之后的目標，根據(jù)目標在所有波段上SIFT描述子之間的距離，計算目標的初始變化置信度，選擇變化置信度高的部分目標作為正樣本，選擇變化置信度低的部分目標作為負樣本，利用這些正負樣本在步驟S3提取的變化特征進行SVM訓練，得到變化檢測模型；步驟S5 :基于步驟S3提取的變化特征，利用步驟S4訓練得到的變化檢測模型對步驟S2中去除虛假目標之后的所有目標進行變化檢測；步驟S6 :利用目標的紋理特性對變化目標進行提煉，得到最終的變化檢測結果。本發(fā)明所述方法對于提高變化檢測的檢測率、降低變化檢測的虛警率以及提高變化檢測的魯棒性具有重要的意義，其主要優(yōu)點如下1、本發(fā)明利用目標形狀等特征對多時相分割的結果進行篩 選，可以去除一些由于局部配準誤差引起的虛警，從而降低變化檢測結果的虛警率。2、在提取目標變化特征時，本發(fā)明綜合考慮了目標的多種特征，以此來提高變化檢測的檢測率，同時有效地減少虛警率。3、本發(fā)明利用目標的紋理特性對變化檢測結果進行篩選，可以有效減少植被等地物由于時間變化而產(chǎn)生的虛警。本發(fā)明使高效魯棒的高分辨率可見光遙感圖像變化檢測成為可能，極大地提高了現(xiàn)有高分辨率可見光遙感圖像變化檢測系統(tǒng)的精度和魯棒性，可廣泛應用于目標監(jiān)測、災害監(jiān)測、城市規(guī)劃等系統(tǒng)中。


圖I是本發(fā)明基于目標多特征和機器學習的高分辨率可見光遙感圖像變化檢測方法流程圖。
具體實施例方式為使本發(fā)明的目的、技術方案和優(yōu)點更加清楚明白，以下結合具體實施例，并參照附圖，對本發(fā)明進一步詳細說明。本發(fā)明使用的方法既可以在個人計算機、工控機及服務器上以軟件的形式安裝并執(zhí)行，也可將方法做成嵌入式芯片以硬件的形式來體現(xiàn)。圖I是本發(fā)明基于目標多特征和機器學習的高分辨率可見光遙感圖像變化檢測方法流程圖。參照圖1，本發(fā)明的高分辨率可見光遙感圖像變化檢測方法流程包括在步驟SI，進行兩時相圖像分割。首先將輸入的兩幅已配準圖像合成一幅多波段圖像(該圖像稱為兩時相圖像)，然后利用基于圖的快速圖像分割技術對其進行分割，得到一個區(qū)域的集合作為兩時相圖像分割的結果，經(jīng)過分割之后得到的每一個圖像區(qū)域稱為目標，是后續(xù)步驟處理的對象。圖像分割具體步驟如下Sll :根據(jù)合成的多波段圖像，構造圖G = (V，E)，其中V是頂點集合，每一個像素點構成一個頂點，E是邊的集合。w(e) = Wij = 11 (Vi)-I (V」)I表示連接頂點Vi和頂點Vj的邊e的權重，I (Vi)和I (Vj)表示像素點Vi和Vj的光譜值。在構造以Vi為頂點的邊時，只在Vi的四鄰域內構造，即當頂點Vi和頂點Vj對應的像素之間的距離為I時，Wij Φ O,否則Wij = O ；S12 :對E中的邊按權值從小到大進行排序，得到{ei，e2，…，en}，其中η為總的邊數(shù)；S13 :初始化分割結果V = !/d丨'，…ΛΚ ·，即在初始分割結果中，每個頂點構成一個分割區(qū)域，m為頂點個數(shù)；S14 :分別令 q = 1，2，...,η 重復步驟 S141:S141 :找到第q條邊連接的兩個頂點Vi, V」,v Ii和％分別為Strl中包含Vi和Vj的區(qū)域，如果iT1本1并且乂<M{Rf-\Rfl)，那么合并Srl中的i 和K 1得到Sq,否則Sq=Strl ;其中 M(RpR2) = Hiindnt(R1)+ τ (R1), Int (R2) + τ (R2)), Int (R) = maxe e βτ(ΕιΕ)￥ (e),
Ii
F(A) = Pi，MST (R，E)表示由R中頂點和E中邊產(chǎn)生的最小生成樹，I R|表示R中頂點的個
數(shù)，k是一個固定的常數(shù)，反映了觀測尺度，k值越大最后得到分割區(qū)域也越大，一般取值為200。S15 :輸出最終圖像分割的結果為Sn。在步驟S2，對步驟SI得到的圖像目標進行形狀分析?？梢韵葘Ψ指罱Y果提取最小
外接正矩形(四條邊分別和圖像四條邊平行的矩形)，然后計算外接矩形的長寬比，去掉比值大于5的長條形目標；同時，計算目標大小與外接矩形面積的比值，去掉比值小于O. 3的目標。通過這兩方面的篩選，可以有效地去除大部分由于局部配準誤差造成的虛假目標。在步驟S3，對步驟S2篩選之后的目標提取特征，用于變化檢測。為了避免不同目標大小對特征提取以及之后的變化檢測結果的影響，首先將目標最小外接正矩形歸一化
至大小為kXk的正方形區(qū)域，k 一般取值為16，得到變換關系？ = ~^(/ = ~^.)’，其中Hi1,
m'Hi1
m2為目標最小外接正矩形的長和寬，X' , γ'為歸一化之后的像素位置，X，y為原圖像上目標內像素點的位置；然后根據(jù)這個變換關系，將原圖像上的目標映射至kXk的正方形區(qū)域內，對其提取目標的變化特征，包括光譜特征、局部梯度分布特征、局部紋理分布特征。給定一個歸一化之后的目標，其特征可以記為Oneani (I), Si (I)，Iiisti (LBP)，Iiieani (| dx +dx,|dx|_dx, dy|+dy, dy | -dy), δ i(|dx|+dx, |dx|_dx, dy|+dy, dy | -dy)),其中 i = I,n指步驟SI合成的多波段圖像的每個波段，Hieani (I)指第i個波段該目標光譜特性的均值，δ i (I)指第i個波段該目標光譜特性的標準差，hist, (LBP)指第i個波段該目標LBP特征的直方圖，dx和dy分別指X方向和y方向的梯度值。在步驟S4，對變化檢測模型進行訓練。為了提高本發(fā)明的自動化程度，可以采用無監(jiān)督的模型訓練過程。首先，在不同波段分別提取目標在變化前圖像上和變化后圖像上的SIFT描述子，計算SIFT描述子之間的歐式距離，這樣給定一個目標，就能得到n/2個距離，其中n/2是變化前圖像以及變化后圖像的波段數(shù)。由于變化的目標，它在任一波段圖像來看都應該是具有明顯變化的，因此在選擇變化目標樣本(正樣本)時，針對每個目標，用其n/2個距離中最小者d來計算該目標的變化概率P = 1-θΛ選擇變化概率最大的15%樣本作為正樣本。另一方面，對于不變化的目標，它在任一波段圖像來看都應該是不發(fā)生變化的，因此在選擇不變化目標樣本(負樣本)時，針對每個目標，用其n/2個距離中最大者d'來計算該目標的變化概率P = l-ei ,選擇變化概率最小的15%樣本作為負樣本。將這些選擇好的正負樣本的變化特征(步驟S3計算得到)作為訓練數(shù)據(jù)，對SVM訓練，得到變化檢測模型。在步驟S5，基于步驟S3提取的變化特征，利用步驟S4訓練得到的變化檢測模型對步驟S2中去除虛假目標之后的所有目標進行變化檢測，確定變化目標。在步驟S6，對步驟S5得到的變化檢測結果進行提煉，得到最終的輸出變化檢測結果。由于變化前圖像和變化后圖像的拍攝時間不同，會使得圖像中植被等地物的光譜特性發(fā)生比較大的變化(尤其是在不同季節(jié)拍攝得到的圖像)，由此可能進一步產(chǎn)生變化檢測虛警。為了有效減少此類虛警，本發(fā)明最后一步對變化檢測結果提煉，利用紋理分析的方法來有效去除此類虛警。在具體實施時，對變化目標計算其每個波段圖像內容的Harris矩陣，如果每個波段上變化前圖像以及變化后圖像上的Harris矩陣的最大特征值都小于
O.005 (該值對應圖像灰度值為0-255的情況)，那么判定該變化目標為虛警，不作為最后的輸出結果。
以上所述，僅為本發(fā)明的具體實施方式
，但本發(fā)明的保護范圍并不局限于此，任何熟悉該技術的人在本發(fā)明所揭露的技術范圍內，可理解想到的變換或更替，都應涵蓋在本發(fā)明的包含范圍之內，因此，本發(fā)明的保護范圍應該以權利要求書的保護范圍為準。
權利要求
1.ー種高分辨率可見光遙感圖像變化檢測方法，其特征在于，包括以下步驟 步驟SI :對兩幅已配準的可見光遙感圖像進行兩時相分割，分割得到的圖像區(qū)域稱為目標，是后續(xù)處理的對象； 步驟S2 :通過對步驟SI得到的目標進行形狀分析，去除部分由于局部配準誤差引起的虛假目標； 步驟S3 :對于步驟S2中去除虛假目標之后的目標，提取多種圖像特征作為目標的變化特征，包括光譜特征、局部梯度分布特征、局部紋理分布特征； 步驟S4 :對于步驟S2中去除虛假目標之后的目標，根據(jù)目標在所有波段上SIFT描述子之間的距離，計算目標的初始變化置信度，選擇變化置信度高的部分目標作為正樣本，選擇變化置信度低的部分目標作為負樣本，利用這些正負樣本在步驟S3提取的變化特征進行SVM訓練，得到變化檢測模型； 步驟S5 :基于步驟S3提取的變化特征，利用步驟S4訓練得到的變化檢測模型對步驟S2中去除虛假目標之后的所有目標進行變化檢測； 步驟S6 :利用目標的紋理特性對變化目標進行提煉，得到最終的變化檢測結果。
2.如權利要求I所述的變化檢測方法，其特征在于，在步驟SI，將輸入的兩幅已配準圖像合成一幅多波段圖像，該圖像稱為兩時相圖像，然后利用基于圖的快速圖像分割技術對其分割，分割得到的圖像區(qū)域稱為目標。
3.如權利要求2所述的變化檢測方法，其特征在于，在步驟S2，先對步驟SI得到的目標提取最小外接矩形，然后計算外接矩形的長寬比，去掉該比值超過5的長條形目標；同時，計算目標大小與其外接矩形面積的比值，去掉該比值小于O. 3的目標。
4.如權利要求3所述的變化檢測方法，其特征在于，在步驟S3，首先將目標根據(jù)其最小外接矩形歸ー化至ー個統(tǒng)一大小的區(qū)域，然后對目標提取特征，包括光譜特征、局部梯度分布特征、局部紋理分布特征。
5.如權利要求4所述的變化檢測方法，其特征在于，在步驟S3，給定ー個歸ー化之后的目標，其特征記為Oneani (I), δ 丨(I)，Iiisti (LBP), Iiieani (| dx |+dx, |dx|_dx, dy | +dy,dy I -dy), δ j(|dx|+dx, |dx|_dx, dy|+dy, | dy |-dy)),其中 i = I, .",ri 指步驟 SI 合成的多波段圖像的每個波段，Hieani (I)指第i個波段該目標光譜特性的均值，Si(I)指第i個波段該目標光譜特性的標準差，hist, (LBP)指第i個波段該目標LBP特征的直方圖，dx和dy分別指X方向和I方向的梯度值。
6.如權利要求5所述的變化檢測方法，其特征在于，在步驟S4，利用目標的SIFT特征 >算目標變化的初始置信度，根據(jù)初始置信度選擇一部分樣本作為正樣本和負樣本對SVM分類器進行訓練。
7.如權利要求6所述的變化檢測方法，其特征在于，在步驟S4，首先，在不同波段分別提取目標在變化前圖像上和變化后圖像上的SIFT描述子，計算SIFT描述子之間的歐式距離，這樣給定ー個目標，就能得到n/2個距離，其中n/2是變化前圖像以及變化后圖像的波段數(shù)。在選擇變化目標樣本吋，針對每個目標，用其n/2個距離中最小者d來計算該目標的變化概率P = l_e_d，選擇變化概率最大的一定百分比的樣本作為正樣本；在選擇不變化目標樣本吋，針對每個目標，用其n/2個距離中最大者d'來計算該目標的變化概率P =I-ei，選擇變化概率最小的一定百分比的樣本作為負樣本。
8.如權利要求7所述的變化檢測方法，其特征在于，在步驟S6，對變化目標計算其每個波段圖像內容的Harris矩陣，如果每個波段上變化前圖像以及變化后圖像上的Harris矩陣的最大特征值都小于O. 005，該值對應圖像灰度值為0-255的情況，那么判定該變化目標為虛警，不作為最后的輸出結果。
全文摘要
本發(fā)明公開一種高分辨率可見光遙感圖像變化檢測方法，包括步驟S1獲取圖像目標；步驟S2去除虛假目標；步驟S3提取目標的變化特征；步驟S4計算目標的初始變化置信度，選擇變化置信度高的部分目標作為正樣本，選擇變化置信度低的部分目標作為負樣本，得到變化檢測模型；步驟S5利用訓練得到的變化檢測模型對目標進行變化檢測；步驟S6利用目標的紋理特性對變化目標進行提煉，得到最終的變化檢測結果。本發(fā)明通過形狀分析有效去除由于局部配準誤差引起的虛假目標，同時綜合利用多種圖像特征作為目標的變化特征，適用范圍廣，提高變化檢測準確率的同時降低虛警率，此外，通過變化目標的紋理分析進一步有效去除部分虛警。
文檔編號G06K9/46GK102842044SQ20121024786
公開日2012年12月26日 申請日期2012年7月17日 優(yōu)先權日2012年7月17日
發(fā)明者江碧濤, 樊彬, 張秀玲, 潘春洪, 杜鵑, 李京龍, 常民 申請人:北京市遙感信息研究所, 中國科學院自動化研究所