基于Semi-NMF的遙感圖像變化檢測(cè)方法
【專利摘要】本發(fā)明公開了一種基于Semi-NMF的遙感圖像變化檢測(cè)方法,處理對(duì)象同時(shí)包含了光學(xué)遙感和合成孔徑雷達(dá)圖像,主要解決現(xiàn)有遙感圖像變化檢測(cè)方法在獲得較強(qiáng)變化區(qū)域的同時(shí)無法檢測(cè)到微弱、較小的變化區(qū)域,以及不能有效保留更多細(xì)節(jié)和邊緣信息的問題。其實(shí)現(xiàn)過程包括:(1)根據(jù)遙感圖像類型產(chǎn)生差異圖像。(2)通過PCA獲得差異圖像每個(gè)像素所對(duì)應(yīng)的基于鄰域信息的特征向量,并利用其構(gòu)建特征矩陣X。(3)對(duì)X執(zhí)行Semi-NMF算法,經(jīng)過迭代運(yùn)算將其分解為基矩陣F和系數(shù)矩陣G。(4)根據(jù)系數(shù)矩陣判定變化類ωc和不變化類ωu,實(shí)現(xiàn)軟聚類的功能,得到二值變化檢測(cè)結(jié)果。本發(fā)明減少邊緣信息的丟失,同時(shí)檢測(cè)較強(qiáng)和微弱、較小的變化區(qū)域,減少總錯(cuò)誤率,保留了更多的細(xì)節(jié)信息,有效地獲取變化結(jié)果。
【專利說明】基于Sem1-NMF的遙感圖像變化檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于數(shù)字圖像處理【技術(shù)領(lǐng)域】,主要涉及多時(shí)相遙感圖像變化檢測(cè)研究方向,具體地說是基于 Sem1-NMF (Sem1-Nonnegative Matrix Factorization,半非負(fù)矩陣分解)的遙感圖像變化檢測(cè)方法,處理對(duì)象同時(shí)包含了多時(shí)相光學(xué)遙感圖像和合成孔徑雷達(dá)(Synthetic Aperture Radar, SAR)圖像。該方法可應(yīng)用于對(duì)地觀測(cè)的諸多實(shí)際問題。
【背景技術(shù)】
[0002]近年來,隨著航天技術(shù)、傳感器技術(shù)、計(jì)算機(jī)技術(shù)及相關(guān)學(xué)科的迅猛發(fā)展,遙感技術(shù)亦得以不斷進(jìn)步,各種搭載光學(xué)和SAR傳感器的遙感平臺(tái)(如飛機(jī)或衛(wèi)星等)相繼運(yùn)行,可大面積、迅速、動(dòng)態(tài)地進(jìn)行對(duì)地觀測(cè),獲取寬幅、多時(shí)相的遙感圖像,為地物感知和檢測(cè)提供有效數(shù)據(jù)源。受制于人類活動(dòng)加劇以及自然災(zāi)害頻發(fā),利用不同時(shí)間所獲取的同一地區(qū)遙感圖像進(jìn)行地表變化檢測(cè)一直是遙感應(yīng)用研究的熱點(diǎn),并且已經(jīng)廣泛地應(yīng)用于國(guó)民經(jīng)濟(jì)和國(guó)防建設(shè)的諸多方面,譬如土地利用、環(huán)境監(jiān)測(cè)、森林資源調(diào)查、城市規(guī)劃、災(zāi)情評(píng)估等。
[0003]多時(shí)相遙感圖像變化檢測(cè)是指通過對(duì)同一區(qū)域、不同時(shí)期獲取的兩幅或多幅遙感圖像進(jìn)行比較分析,進(jìn)而根據(jù)圖像之間差異來獲取所感興趣地物、場(chǎng)景或目標(biāo)的變化信息,主要包括三個(gè)基本步驟:1)圖像預(yù)處理;2)變化信息檢測(cè)提取;3)后處理及性能評(píng)估。本發(fā)明主要是針對(duì)第2步變化信息檢測(cè)提取的創(chuàng)新工作。
[0004]截至目前,國(guó)內(nèi)外學(xué)者提出了很多有效的變化檢測(cè)方法,概括起來可分為有監(jiān)督變化檢測(cè)和無監(jiān)督變化檢測(cè)。其中,有監(jiān)督變化檢測(cè)需要事先獲得關(guān)于地面真實(shí)類別的樣本進(jìn)行訓(xùn)練,但在大多數(shù)情況下,關(guān)于地面的真實(shí)情況是難以或無法獲取的,在很大程度上制約了其在實(shí)際中的應(yīng)用。而無監(jiān)督變化檢測(cè)則是針對(duì)不同時(shí)期的圖像直接進(jìn)行比較分析,不需要其它信息,相對(duì)簡(jiǎn)單、直觀,因此得到了廣泛研究和應(yīng)用。其大致分為:(1)基于分布模型差異的多時(shí)相遙感圖像變化檢測(cè);(2)基于差異圖像分析的多時(shí)相遙感圖像變化檢測(cè);以及(3)基于馬爾科夫融合的多時(shí)相遙感圖像變化檢測(cè)。特別是對(duì)第二類算法的研究最為普遍,核心思想是將變化檢測(cè)問題視為圖像的二元分類/分割問題,又可細(xì)分為聚類分析、智能優(yōu)化、閾值分割、有限混合模型、馬爾科夫隨機(jī)場(chǎng)、主動(dòng)輪廓和水平集等策略,涉及圖像處理、模式識(shí)別與機(jī)器視覺領(lǐng)域的許多基本理論和方法。其中,聚類分析由其簡(jiǎn)單、有效而受到普遍認(rèn)可。
[0005]T.Celik 在文獻(xiàn)[T.Celik, “Unsupervised change detection in satelliteimages using principal component analysis and K-means clustering, ” IEEEGeoscience and Remote Sensing Letters, vol.6, n0.4, pp.772-776, 2009.]中最早提出聚類分析的遙感圖像變化檢測(cè)方法。在此基礎(chǔ)上, 申請(qǐng)人:通過低階次分?jǐn)?shù)階Fourier變換產(chǎn)生噪聲抑制的差異圖像,以降低噪聲對(duì)檢測(cè)性能的影響。兩者均使用最簡(jiǎn)單的硬聚類算法(即K-means聚類)實(shí)現(xiàn)差異圖像特征聚類,產(chǎn)生對(duì)應(yīng)的變化類和不變化類,但限于K-means聚類算法的局限性,難以獲得比較好的檢測(cè)結(jié)果。后續(xù),A.Ghosh等[A.Ghosh, N.S.Mishra, and S.Ghosh, “Fuzzy clustering algorithms for unsupervisedchange detection in remote sensing images,,,Information Sciences, vol.181,n0.4, pp.699-715, 2011.]以及 M.Volpi 等[M.Volpi, D.Tuia, G.Camps-Valls, andM.Kanevski, “Unsupervised change detection with kernels,,,IEEE Geoscience andRemote Sensing Letters, vol.9, n0.6, pp.1026-1030, 2012]等分別米用模糊 C 均值聚類(Fuzzy C-means) >Gustafson-Kesse模糊聚類和核K-means聚類算法進(jìn)行多時(shí)相遙感圖像變化檢測(cè),在一定程度上提高了檢測(cè)性能,但仍具有較高的錯(cuò)誤檢測(cè)概率,特別是針對(duì)高分辨率的遙感圖像。因此,有必要發(fā)明一種簡(jiǎn)單且能獲得更好檢測(cè)效果的多時(shí)相遙感圖像變化檢測(cè)方法,以提高遙感圖像變化檢測(cè)在實(shí)際中的應(yīng)用價(jià)值。
【發(fā)明內(nèi)容】
[0006]本發(fā)明提出一種基于Sem1-NMF的遙感圖像變化檢測(cè)新方法。該方法借助主成分分析(Principal Component Analysis, PCA)提取差異圖像每個(gè)像素對(duì)應(yīng)的緊致特征矢量,以構(gòu)建特征矩陣;然后執(zhí)行Sem1-NMF算法將其分解為基矩陣F和系數(shù)矩陣G。其中,系數(shù)矩陣為差異圖像像素的隸屬度矩陣,對(duì)其進(jìn)行判決實(shí)現(xiàn)像素集的軟聚類,得到最終變化檢測(cè)結(jié)果。具體實(shí)現(xiàn)過程包括如下步驟:
[0007](I)利用在同一地區(qū)不同時(shí)間所獲得兩幅大小相同、相互配準(zhǔn)的遙感圖像Yci和Y1以產(chǎn)生差異圖像YD,對(duì)于光學(xué)遙感圖像和SAR圖像計(jì)算方式不同。
[0008](2)構(gòu)建特征矩陣X。這一步主要是利用PCA獲得差異圖像中每一個(gè)像素的特征向量,利用這些特征向量構(gòu)建特征矩陣X。具體的執(zhí)行過程可以分為如下四步。
[0009](2a)將差異圖 像Yd分成hXh非重疊子塊,并且h≤2。按照一定的順序?qū)⒉町悎D像塊排列為向量形式,表示為yD(x,y)。
[0010](2b)對(duì)非重疊子塊所對(duì)應(yīng)的向量集執(zhí)行PCA以生成本征向量空間。首先計(jì)算上述列向量集的平均向量μ ;然后將每一個(gè)向量減去平均向量μ得到差值向量集Aa,并構(gòu)建協(xié)方差矩陣c ;最后經(jīng)奇異值分解得到協(xié)方差矩陣c的特征向量{es}和特征值{λ J,并將特征向量依據(jù)與它們相對(duì)應(yīng)的特征值大小降序排列。
[0011](2c)對(duì)于差異圖像的每一個(gè)像素坐標(biāo)(i,。,映射乂:/^ y)到本征向量空間生成特征向量,
[0012]V (i, j) = [V1 V2...vs]T
[0013]其中I≤S≤h2,并且1? = e J(Jafel) — R).l<s<5?參數(shù)S決定在空間位置(i,
j)的特征向量V(i,j)的維數(shù),yD(i,j)是在差異圖像上獲得的重疊塊,按照與(2a)中相同的規(guī)則排列成向量形式。
[0014](2d)將差異圖像所有像素的特征向量V(i,j)作為列向量構(gòu)建大小為SXHW的特征矩陣X。
[0015](3)執(zhí)行Sem1-NMF算法。該步主要是對(duì)步驟⑵中獲得特征矩陣X執(zhí)行Sem1-NMF算法,將其分解為基矩陣F和系數(shù)矩陣G。
[0016]為了找到基矩陣F和系數(shù)矩陣G,我們必須求解代價(jià)函數(shù)(即最小化重構(gòu)誤差)使其收斂。鑒于代價(jià)函數(shù)對(duì)F和G而言不是聯(lián)合凸的,可使用F和G交替更新的迭代算法解決上述最小化問題,包含下面兩個(gè)步驟,迭代前首先對(duì)Sem1-NMF算法進(jìn)行隨機(jī)初始化,[0017](3a)保持系數(shù)矩陣G不變,更新基矩陣F,
[0018](3b)保持基矩陣F不變,更新系數(shù)矩陣G,
[0019]然后驗(yàn)證是否收斂。若達(dá)到收斂條件,則Sem1-NMF算法運(yùn)算結(jié)束。若沒有達(dá)到收斂條件,則返回(3a)處繼續(xù)迭代。
[0020](4)獲得變化檢測(cè)結(jié)果。Sem1-NMF算法能夠?qū)崿F(xiàn)軟聚類功能,優(yōu)于K-means與核K-means聚類算法,可以減弱噪聲和異質(zhì)像素影響,完整地從差異圖像中提取變化信息。特征矩陣X經(jīng)過Sem1-NMF算法處理獲得大小為2 X HW的矩陣GT,該矩陣就是差異圖像像素歸屬于變化類ω。和不變化類Cou的隸屬度指示矩陣。根據(jù)矩陣Gt每一列中隸屬度大小是判定所代表像素屬于變化類ω?;蛘卟蛔兓恈ou,
[0021 ]
【權(quán)利要求】
1.一種基于Sem1-NMF的遙感圖像變化檢測(cè)方法,包括如下步驟: 步驟1,利用在同一地區(qū)不同時(shí)間所獲得兩幅大小相同、相互配準(zhǔn)的遙感圖像YdPY1以產(chǎn)生差異圖像Yd; 步驟2,構(gòu)建特征矩陣X,該步主要是通過PCA獲得差異圖像中每一個(gè)像素對(duì)應(yīng)的特征向量,利用這些特征向量構(gòu)建特征矩陣X ; 步驟3,對(duì)步驟2中獲得特征矩陣X執(zhí)行Sem1-NMF算法,將其分解為基矩陣F和系數(shù)矩陣G; 步驟4,根據(jù)系數(shù)矩陣G判定變化類和不變化類,變化類像素位置置O,不變化類像素位置置1,得到最終的二值變化檢測(cè)結(jié)果。
2.根據(jù)權(quán)利要求1所述的遙感圖像變化檢測(cè)方法,其特征在于步驟2所述的構(gòu)建特征矩陣X,具體實(shí)施包括: (a)將差異圖像Yd分成hXh非重疊子塊,并且h> 2 ;按照一定的順序?qū)⒉町悎D像塊排列為向量形式,表示為yD(x,y); (b)對(duì)非重疊子塊所對(duì)應(yīng)的向量集執(zhí)行PCA以生成本征向量空間;首先計(jì)算上述向量集的平均向量μ ;然后將每一個(gè)向量減去平均向量μ得到差值向量集Aa,并構(gòu)建協(xié)方差矩陣C ;最后經(jīng)奇異值分解得到協(xié)方差矩陣C的特征向量IeJ和特征值{ λ J,并將特征向量依據(jù)與它們相對(duì)應(yīng)的特征值大小降序排列; (c)對(duì)于差異圖像的每一個(gè)像素坐標(biāo)(1,」),映射九(1,」)到本征向量空間生成特征向量,
V(i, j) = [V1 V2...vs]T 其中I≤S≤h2,并且rs = e](yO(i,j) — μ}, I <s<5:參數(shù)S決定在空間位置(i,j)的特征向量V(i,j)的維數(shù),yD(x, y)是在差異圖像上獲得的重疊塊,按照與(a)中相同的規(guī)則排列成向量形式; (d)將差異圖像所有像素的特征向量V(i,j)作為列向量構(gòu)建大小為SXHW的特征矩陣X。
3.根據(jù)權(quán)利要求1所述的遙感圖像變化檢測(cè)方法,其特征在于步驟3所述的對(duì)特征矩陣X執(zhí)行Sem1-NMF算法,將其分解為基矩陣F和系數(shù)矩陣G,為找到基矩陣F和系數(shù)矩陣G,使用F和G交替更新的迭代策略解決最小化重構(gòu)誤差,包含下面兩個(gè)步驟,迭代前首先對(duì)Sem1-NMF算法進(jìn)行隨機(jī)初始化, (a)保持系數(shù)矩陣G不變,更新基矩陣F, (b)保持基矩陣F不變,更新系數(shù)矩陣G, 然后驗(yàn)證是否收斂;若達(dá)到收斂條件,則Sem1-NMF算法運(yùn)算結(jié)束;若沒有達(dá)到收斂條件,則返回(a)處繼續(xù)迭代。
4.根據(jù)權(quán)利要求1所述的遙感圖像變化檢測(cè)方法,其特征在于步驟4所述的獲得變化檢測(cè)結(jié)果,具體實(shí)施為:特征矩陣X經(jīng)過Sem1-NMF算法處理獲得大小為2 X HW的矩陣GT,該矩陣就是差異圖像像素歸屬于變化類ω。和不變化類Cou的隸屬度指示矩陣;根據(jù)矩陣Gt每一列中隸屬度大小是判定所代表像素屬于變化類ω。或者不變化類cou,
5.根據(jù)權(quán)利要求1所述的遙感圖像變化檢測(cè)方法,其特征在于所述的差異圖像Yd:對(duì)于光學(xué)遙感圖像,差異圖像Yd為輸入圖像Ytl和Y1直接相減的絕對(duì)值,Yd= Iy1-Y0I ;對(duì)于合成孔徑雷達(dá)(SAR)圖像,其差異圖像Yd取輸入圖像Yc^PY1作對(duì)數(shù)比的絕對(duì)值,
【文檔編號(hào)】G06T7/00GK103955926SQ201410163199
【公開日】2014年7月30日 申請(qǐng)日期:2014年4月22日 優(yōu)先權(quán)日:2014年4月22日
【發(fā)明者】李恒超, 程永強(qiáng) 申請(qǐng)人:西南交通大學(xué)