專利名稱：基于低秩稀疏模型的遙感圖像變化檢測方法
技術領域：
本發(fā)明屬于圖像處理技術領域，特別涉及遙感圖像的處理，可應用于生態(tài)和環(huán)境的監(jiān)控以及自然災害的評測與預防。
背景技術：
遙感圖像變化檢測是指選用合適的檢測方法，從不同時期獲取的多幅遙感圖像中提取出變化信息并加以分析，生成變化分布圖和其他檢測結果的技術。目前遙感圖像變化檢測技術變化檢測已成為遙感圖像處理研究的一個研究重點，被廣泛的應用到社會經濟的各個領域，比如災害監(jiān)測和評估、土地使用情況的分析、水資源質量和地理分布情況調查、城市的規(guī)劃及布局、氣候的變化監(jiān)測、戰(zhàn)場態(tài)勢的評估等。目前遙感圖像變化檢測還處于初步階段，大致有兩個路線，一條路線是分類后比較方法，該方法先對多時相遙感圖像單獨進行分類標記，然后根據(jù)相應像素類別的差異來提取發(fā)生變化的區(qū)域/像素，最后得到變化檢測結果；另外一條路線是圖像直接比較方法，該方法先對多時相遙感圖像進行逐像素的比較，比如逐像素點的差值、比值、CVA等，再對比較得出的差異圖像進行進一步地多種變換、概率分布等處理以達到兩分類，最后得到變化檢測結果。圖像直接比較方法能夠減少由于數(shù)據(jù)獲取平臺和環(huán)境的不同引起的偽變化信息，不需要數(shù)據(jù)的輻射校正等復雜的預處理，目前較多的研究是沿著圖像直接比較方法這個路線進行的。目前變化檢測方法的缺陷主要有:對于圖像直接比較方法而言，首先，差異圖可分性的高低直接影響著變化檢測結果，而高可分性差異圖的構建至今是一個難題；其次，簡單的圖像直接比較方法，既沒有利用到圖像的空間信息，也沒有考慮到噪聲或光照變化造成的影響，很容易受噪聲因素的影響，使檢測不精確；最后，在構造差異圖的過程中不可避免的造成了圖像信息的丟失，圖像直接比較方法把變化信息壓縮到一維的差異圖像上，損失了遙感圖像的波段信息，從而使檢測不準確。

發(fā)明內容
本發(fā)明的目的在于針對上述已有技術的不足，提出了一種基于低秩稀疏模型的遙感圖像變化檢測方法，以降低構造差異圖降維造成的較高漏檢率，并考慮圖像像素鄰域之間的信息，降低了遙感圖像變化檢測的漏檢率。為實現(xiàn)上述目的，本發(fā)明基于低秩稀疏模型的遙感圖像變化檢測方法，包括如下步驟:(I)輸入變化前的遙感圖像P1和變化后的遙感圖像P2，其中，變化前后圖像大小均為 mXn ；(2)利用變化前的遙感圖像P1和變化后的遙感圖像P2,構造k幅模擬變化后遙感圖像Xi, i=l,2,…，k，且模擬變化后遙感圖像Xi的大小為mXn ；(3)由變化前的遙感圖像P1，變化后的遙感圖像P2以及k幅模擬變化后遙感圖像Xi, i=l, 2，…，k,構造模擬遙感圖像序列X=Iip1,…Xi,…P2],其中，P1, Xi, P2分別為將變化前圖像P1，模擬變化后圖像Xi以及變化后圖像匕，拉成列向量后的列向量，則Pl，Xi，p2 G Rmnxi,X G Rmnx(k+2), Rmnx(k+2)表示大小為mnX (k+2)的實數(shù)空間；(4)用GODEC低秩稀疏分解算法，對模擬遙感圖像序列X進行低秩稀疏分解:X=S+L+G,其中，S為稀疏矩陣，L為低秩矩陣，G為噪聲矩陣，S, L, G G RmnX(k+2)，且S =(S1, S2,…S1,…，sk+2}, 1=1，2，…，(k+2), S1 G Rmnxi 為稀疏矩陣 S 的列向量；(5)用模糊C均值方法對稀疏矩陣S中的最后一列的列向量sk+2 G Rnmxi進行聚類，得到每個像素對應的類別標簽，最終得到變化檢測結果圖。本發(fā)明與現(xiàn)有的技術相比具有以下優(yōu)點:1.本發(fā)明針對多時相遙感圖像之間的稀疏性，利用低秩稀疏模型提取出多時相遙感圖像中的稀疏信息，較好保存了遙感圖像之間的波段信息，提高了遙感圖像的變化檢測準確率； 2.本發(fā)明降低了構造差異圖時，將多時相遙感圖像壓縮到一維差異圖中所造成的信息丟失和累積誤差問題，提高了變化檢測的準確率；3.本發(fā)明中的雙邊隨機投影方法，既考慮了單時相遙感圖像內的鄰域信息，又考慮了多時相遙感圖像之間的差異信息，降低了變化檢測的漏檢率；


圖1是本發(fā)明的流程圖；圖2是本發(fā)明仿真所使用的模擬遙感圖像數(shù)據(jù)集；圖3是通過人工標記得到圖2的標準變化檢測結果圖；圖4是用本發(fā)明和傳統(tǒng)變化檢測方法對圖2的變化檢測結果圖；圖5是本發(fā)明仿真所使用的墨西哥遙感圖像數(shù)據(jù)集；圖6是通過人工標記得到圖5的標準變化檢測結果圖；圖7是用本發(fā)明和傳統(tǒng)變化檢測方法對圖5的變化檢測結果圖。
具體實施例方式參照圖1，本發(fā)明基于低秩稀疏模型的遙感圖像變化檢測方法，包括如下步驟:步驟1:輸入變化前遙感圖像P1和變化后遙感圖像P2，其中，變化前后的遙感圖像大小均為mXn。步驟2:構造k幅模擬變化后遙感圖像。2a)用對數(shù)比值法，從變化前的遙感圖像P1和變化后的遙感圖像P2中，提取出變化后遙感圖像P2的初始變化區(qū)域P。;2b)利用變化前的遙感圖像P1，變化后的遙感圖像P2以及初始變化區(qū)域P。，構造k幅模擬變化后遙感圖像Xi:
權利要求
1.一種基于低秩稀疏模型的遙感圖像的變化檢測方法，包括如下步驟: (1)輸入變化前的遙感圖像P1和變化后的遙感圖像P2，其中，變化前后圖像大小均為mXn ； (2)利用變化前的遙感圖像P1和變化后的遙感圖像P2,構造k幅模擬變化后遙感圖像Xi, i=l,2,…，k，且模擬變化后遙感圖像Xi的大小為mXn ； (3)利用變化前的遙感圖像P1，變化后的遙感圖像P2以及k幅模擬變化后遙感圖像Xi, i=l, 2，…，k,構造模擬遙感圖像序列X=Iip1,…Xi,…P2],其中，P1, Xi, p2分別為將變化前圖像P1，模擬變化后圖像Xi以及變化后圖像匕，拉成列向量后的列向量，則Pl，Xi，p2 G Rmnxi,X G Rmnx(k+2), Rmnx(k+2)表示大小為mnX (k+2)的實數(shù)空間； (4)用GODEC低秩稀疏分解算法，對模擬遙感圖像序列X進行低秩稀疏分解:X=S+L+G, 其中，S為稀疏矩陣，L為低秩矩陣，G為噪聲矩陣，S，L，G G Rmnx(k+2), Rmnx(k+2)表示大小為 mnX(k+2)的實數(shù)空間，且 S= Is1, S2，…S1，…，sk+2}，1=1,2, -, (k+2)，S1 G Rmnxi 為稀疏矩陣S的列向量； (5)用模糊C均值方法，對稀疏矩陣S中最后一列的列向量sk+2G Rmnxi進行分類，得到每個像素對應的類別標簽，最終得到變化檢測結果圖。
2.根據(jù)權利要求1所述的方法，其中步驟(2)所述的利用變化前的遙感圖像P1和變化后的遙感圖像P2,構造k幅模擬變化后遙感圖像Xi, i=l, 2，…，k，按如下步驟進行: 2a)用對數(shù)比值法，從變化前的遙感圖像P1和變化后的遙感圖像P2中，提取出變化后遙感圖像P2的初始變化區(qū)域P。; 2b)利用變化前的遙感圖像P1，變化后的遙感圖像P2以及初始變化區(qū)域Ptl,構造k幅模擬變化后遙感圖像Xi, i=l, 2，…，k:
3.根據(jù)權利要求1所述的方法，其中步驟(4)所述的對模擬遙感圖像序列X，用GODEC低秩稀疏分解算法進行低秩稀疏分解，按如下步驟進行: 3a)用雙邊隨機投影的方法，對模擬遙感圖像序列X進行低秩逼近，得到迭代低秩矩陣Lt為:
全文摘要
本發(fā)明公開了一種基于低秩稀疏模型的遙感圖像的變化檢測方法，主要解決現(xiàn)有技術中構造差異圖信息丟失嚴重的問題。其實現(xiàn)過程是首先，用對數(shù)比值法從變化前后的遙感圖像中提取出初始變化區(qū)域；其次，用該初始變化區(qū)域與變化前后圖像，構造模擬遙感圖像序列；然后，用低秩稀疏分解算法，將模擬遙感圖像序列分解為低秩矩陣，稀疏矩陣和噪聲矩陣三個部分；最后，用模糊C均值的方法對稀疏矩陣最后一列的列向量進行分類，得到最終的變化檢測結果圖。本發(fā)明具有檢測精度高，信息丟失和累積誤差少的優(yōu)點，可用于目標檢測與識別，圖像分割以及機器學習領域。
文檔編號G06T7/00GK103226825SQ20131009079
公開日2013年7月31日 申請日期2013年3月20日 優(yōu)先權日2013年3月20日
發(fā)明者緱水平, 焦李成, 余田田, 馬文萍, 馬晶晶, 朱虎明 申請人:西安電子科技大學