CN101369308B - 基于视觉选择注意和像素依赖的无监督变化检测方法 - Google Patents

Abstract

本发明公开了一种基于视觉选择注意和像素依赖的无监督变化检测方法，属于遥感信息处理与应用技术领域。步骤为：第一步，对两期多波段遥感影像进行配准和归一化操作，使用矢量分析方法处理配准和归一化后的两期影像，获得差分图谱；第二步，使用计算机视觉选择性注意模型的强度谱部分处理差分图谱，去除差分图谱中的噪声点，获得中间图谱；第三步，使用基于像素依赖方法，使用EM算法和Bayes决策区分出中间图谱中的变化类和无变化类，并进一步去除孤立噪声点，获得变化检测图谱。本发明能够有效降低噪声对变化检测的影响，提高检测精度。

Description

基于视觉选择注意和像素依赖的无监督变化检测方法

技术领域

本发明涉及的是一种信息处理技术领域的检测方法，具体是一种基于视觉选择注意和像素依赖的无监督变化检测方法。

背景技术

在遥感研究领域，变化检测通常涉及对不同时期同一地域的两幅遥感影像(简称两期影像)进行分析，来获得后期地表变化区域。由于变化检测能够广泛应用于环境监测、农业调查、城市研究和森林监测等领域，因此，在最近几年，越来越多的研究者开始关注遥感影像变化检测。变化检测方法主要分两大类：监督方法和无监督方法。前者主要基于监督分类的方法，需要大量人工标注的变化区域图谱(ground truth)集作为训练样本。后者直接对比两期影像，进行变化检测。由于人工标注的变化区域图谱集的产生是一项困难和耗时的工作。因此，在没有人工标注的变化区域图谱集情况下，使用无监督变化检测是唯一选择。但目前噪声是影响无监督变化检测精度的一个重要因素。

视觉选择注意理论是C.Koch等人在《Human Neurobiology》(人类神经生物学)，Volume.4，1985，page.219-227上发表的“Shifts in selective visualattention：towards the underlying neural circuitry”(选择性视觉注意转移：潜在的视觉神经元注意线路)一文提出的理论，即：人类视觉在区分场景中各个具体目标之前，能够潜意识首先关注场景中某些重要目标。依据该特性，L.Itti等人在《IEEE Trans.Anal.Mach.Intell》，Volume.20，Number.11，1998，page.1254-1259上发表的“A model of Saliency-based visual attention forrapid scene analysis”(基于显著性视觉注意的场景目标快速搜索模型)一文将视觉选择注意理论引入到计算机视觉领域，构造出计算机视觉选择性注意模型，应用于场景目标快速搜索。具体为：对场景图像颜色部分或强度部分进行高斯金字塔和Gabor金字塔操作，对相差三级和四级的高斯(或Gabor)金字塔图像对进行插值相处理，取绝对值，获得特征图谱，叠加所有特征图谱形成显著谱，该显著谱能够指向场景中对比度强的目标，并对噪声鲁棒。

经对现有技术的文献检索发现，L.Bruzzone等人在《IEEE Trans.Geosci.Remote Sens》(IEEE地球科学与遥感杂志)，Volume.38，Number.3，May2000，page.1171-1182上发表的“Automatic analysis of the difference image forunsupervised change detection”(无监督变化检测中自动分析差分图像)一文，仅考虑了自动区分变化像素的策略，不能较好解决噪声对变化检测的影响，变化检测中图像噪声越大，检测精度越低。

发明内容

本发明目的在于针对现有无监督变化检测对噪声敏感的不足，提出一种基于视觉选择注意和像素依赖的无监督变化检测方法，将视觉选择注意理论引入无监督变化检测领域，有效地降低噪声对变化检测的影响，提高检测精度。

本发明是通过以下技术方案实现的，本发明包括步骤如下：

第一步，获取差分图谱：对两期多波段遥感影像进行配准和归一化操作，使用矢量分析方法处理配准和归一化后的两期影像，获得差分图谱；

第二步，去除差分图谱中的噪声：使用计算机视觉选择性注意模型的强度谱部分处理差分图谱，去除差分图谱中的噪声点，获得中间图谱；

第三步，使用基于像素依赖方法，使用EM算法和Bayes决策区分出中间图谱中的变化类和无变化类，并进一步去除孤立噪声点，获得变化检测图谱。

所述使用计算机视觉选择性注意模型的强度谱部分处理差分图谱，去除差分图谱中的噪声点，具体为：对差分图谱进行高斯金字塔操作，顶级金字塔图像尺寸大于4*4，共产生n级金字塔图像I(n)，n为自然数，将相差三级或四级金字塔图像配成对，每对图像插值到原始图像大小，相减取绝对值，获得特征谱，对特征谱中每一个像素值进行平方运算，拉伸图像像素值的范围，叠加所有拉伸后的特性谱形成中间图谱。

所述获得变化检测图谱，具体为：使用Bayes决策将中间图谱中的像素分为两类：变化类和无变化类。其中，Bayes决策中的各项参数由EM算法确定：取中间图谱中像素的最大值和最小值之间的一个值，大于该值的像素作为一初始类，小于或等于该值的像素作为另一初始类。假定每类都服从高斯分布，计算每类的均值、方差和后验分布，通过迭代公式计算最终确定的每类均值和方差和后验分布。由于假定每类服从高斯分布，即可计算出Bayes决策中参数的值。两类中像素在图谱中分布存在缺陷：一类中的某一个像素被另一类中的像素包围，被包围的像素为错分几率较大。为克服该缺陷，使用马尔可夫模型对两类像素进行去除孤立点、修补遗漏点操作，获得变化检测图谱。

本发明能够较好地检测出两期影像中的变化区域，检测结果受噪声影响较少，精度较高。

本发明将计算机视觉选择性注意模型引入到了无监督变化检测，着重解决噪声影响变化检测精度问题。在获得变化检测图谱阶段使用马尔可夫模型去噪的同时，使用计算机视觉选择性注意模型对初始的差分图谱进行了去噪，避免了传统方法只考虑在获得变化检测图谱阶段去噪所隐含的缺陷：当噪声块尺寸较大或噪声密度较大时，马尔可夫模型无法去除噪声。因此，与传统方法相比，本发明具有更强的抗噪能力。本发明将视觉选择注意引入无监督变化检测，对跨学科发展是一个带动，即将仿生学理论引入到遥感影像处理领域，着力解决遥感影像处理领域的问题。对多学科交叉发展是个推动。

具体实施方式

下面对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

本发明对两期遥感影像进行变化矢量分析(CVA)，获得差分矢量图谱，求取差分矢量图谱中每一个矢量与0矢量的欧式距离，获得差分图谱。然后，使用计算机视觉选择性注意模型的强度谱部分处理差分图谱，去除差分图谱中的噪声点，获得中间图谱。最后，使用EM算法和Bayes决策将中间图谱中的像素分为两类，变化类和无变化类，再使用马尔可夫模型对两类像素进行去除孤立点、修补遗漏点操作，获得变化检测图谱。

1、获取差分图谱，具体实现如下：

设I₁和I₂代表两期已配准的遥感影像，尺寸为W×H，i(x，y)表示在位置(x，y)的像素。i₁(x，y)表示I₁中的像素，i₂(x，y)表示I₂中的像素。假定光照、环境因素等对两期影像的影响已被矫正。使用变化矢量分析方法(CVA)产生差分图谱。

i_D(x，y)＝i₁(x，y)-i₂(x，y)

i_D(x，y)代表每个差分矢量。通过一些简单方法计算，例如与零矢量的欧式距离计算每个差分矢量的大小i^m _D(x，y)，I^m _D表示差分图谱。

2、使用计算机视觉选择性注意模型的强度谱部分处理差分图谱，去除差分图谱中的噪声点，具体实现为：

对I^m _D运算产生的高斯金字塔图像I^m _D(σ)，其中σ∈[0..8]，共九级金字塔图像。使用高斯金字塔图像，能够产生六幅强度特征谱：

$I_D^m(c,s)=\left|I_D^m\left(c\right)\mathrm{\Θ}{I}_D^m\left(s\right)\right|---\left(1\right)$

其中c∈{2，3，4}，s＝c+k，k∈{3，4}。Θ是Center-surround运算，其含义是：将I^m _D(c)和I^m _D(s)缩放到同一尺寸，点对点相减。

结合六幅强度特征谱，产生强度显著谱：

$I^c=\underset{c=2}{\overset{4}{\⊕}}\underset{s=c+3}{\overset{c=0}{\⊕}}N\left(I_D^m(c,s)\right)---\left(2\right)$

(2)式的含义是：先对I^m _D(c，s)进行标准化操作(N(.)的含义)，即使I^m _D(c，s)中的值得到拉伸，最简单的方式是平方I^m _D(c，s)中的每一个元素；然后将平方后的I^m _D(c，s)放大到原始图像尺寸，点对点叠加所有放大后的I^m _D(c，s)，产生中间图谱I^m _D。

3、应用基于像素依赖关系方法分析中间图谱，获得变化检测图谱，具体实现为：

①分析中间图谱获得变化类w_c和不变类w_u。基于贝叶斯决策理论区分两类的前提是估计出两类的概率密度函数和先验分布，即变化类的概率密度函数p(i^m _D(x，y)/w_c)和先验分布P(w_c)，不变类的概率密度函p(i^m _D(x，y)/w_u)和先验分布P(w_u)。其中i^m _D(x，y)为中间图谱中的像素。由于假定两类的概率密度函数服从高斯分布，因此，计算出两类的均值和方差，即可计算出p(i^m _D(x，y)/w_c)和p(i^m _D(x，y)/w_u)。u_c和σ_c ²表示变化类的均值和方差，u_u和σ_u ²表示无变化类的均值和方差。利用最大期望算法(EM算法)，可估计出这些参数。

②使用EM算法，需要确定P(w_c)，P(w_u)，u_c，σ_c ²，u_u和σ_u ²的初始值。可通过门限法粗略地将中间图谱中的像素分为两类。借助两类中的像素，即可计算出参数的初始值。门限T可通过下式获得：

$T=\min \left(I_D^m\right)+(\max \left(I_D^m\right)-\min \left(I_D^m\right))/2---\left(3\right)$

其中，min()表示计算图谱中最大值，max()表示计算图谱中最小值。大于T的像素属于变化类，反之属于无变化类。

确定初始参数后，通过EM算法的迭代计算出最终的参数值。再由贝叶斯决策理论将中间图谱中的像素分成变化类w_c和不变类w_u。获得初步的变化检测图谱。但是在该图谱中可能存在大量孤立点(变化或无变化点)，这些孤立点很大可能是由噪声引起，不是真实的变化区域或不变区域，因此有效去除或修补孤立点，是需解决的重要内容。马尔可夫模型是一种考虑像素间依赖关系的方法，可以利用基于马尔可夫模型的方法有效去除孤立变化点，修补变化区域的遗漏点。获得最后的变化检测图谱。

结合本发明方法的内容提供以下应用实施例：

使用了两组数据测试模型变化检测的准确性。一组来自于北京密云水库区域的真实两期遥感影像，一组为人工制作影像集，用于测试模型对噪声的鲁棒性。真实影像分别为2001年5月19号的Landsat7ETM+数据和2004年7月6号的Landsat5ETM+数据。分别取4，3，2波段合成，进行SCR(Scattergram controlledRegression)相对辐射纠正和几何精校正以后，截取出覆盖北京密云水库区域的524×365个像元。人工影像集通过如下方式获得：取上海崇明岛地区的一幅航拍影像作为一期影像，大小为556×434。第二幅影像是由人工处理一期影像，设置一些改变区域获得的影像，作为第二期影像。为了测试模型对噪声的鲁棒性，不同级别的零均值高斯噪声加入两期影像，形成十对两期影像。其中，高斯噪声的密度值是从0.01到0.1。

以人工标注的图谱为参考图谱，对比两种方法实际变化检测图谱的准确性，一种为基于变化矢量差分和像素依赖的无监督变化检测方法(传统方法)，另一种为本发明方法。试验结果如下：(1)真是遥感影像变化检测准确性比较(见表1)；(2)使用人工影像测试本发明的抗噪能力(见表2)；

从三个方面对变化检测结果进行评价：(1)误检面积：实际为无变化区域，检测为变化区域；(2)漏检面积：实际为变化区域，检测为无变化区域；(2)总错误面积：误检面积和漏检面积的总和。

表1真实遥感影像变化检测准确性比较

表2使用人工影像测试本发明的抗噪能力

方法	噪声密度	漏检面积	误检面积	总错误面积
					传统方法	0.01	0	182	182
本发明方法	0.01	0	1312	1312
传统方法	0.02	1	279	280
					本发明方法	0.02	0	1015	1015
					传统方法	0.03	1	465	466
本发明方法	0.03	0	860	860
传统方法	0.04	9	593	602
					本发明方法	0.04	4	799	803
					传统方法	0.05	5	872	877
本发明方法	0.05	6	697	703
传统方法	0.06	15	1748	1763
					本发明方法	0.06	12	729	741
					传统方法	0.07	5	4912	4917
本发明方法	0.07	10	728	738

					传统方法	0.08	7	9951	9958
本发明方法	0.08	24	665	689
传统方法	0.09	11	17707	17718

本发明方法	0.09	63	594	657
传统方法	0.1	9	24020	24029
					本发明方法	0.1	67	646	713

从表1可以看到：(1)从误检面积来看，传统方法误检像素个数为33628，本发明误检个数为32859；(2)从漏检面积来看，传统方法漏检像素个数为1504，本发明漏检像素个数为1175；(3)从总错误面积来看，传统方法总错误像素个数为35132，本发明方法总错误像素个数为34034。因此，从三项评价指标来看，无论哪项指标，本发明方法的性能都要优于传统方法。

从表2可以看到：(1)从漏检面积来看，随着噪声密度的增大，传统方法和本发明的漏检像素个数变化不大，集中在100以内，虽然在噪声密度大于0.07后，本发明方法漏检像素个数有所增大，并且多于传统方法，但是由于数量级不大，对检测精度影响很小。(2)从误检面积来看，在噪声密度小于0.04时，本发明误检像素个数大于传统方法误检像素个数，但是数量级相差较小，但随着噪声密度的增大，本发明误检个数远小于传统方法的误检个数，当噪声密度为0.1时，传统方法的误检像素个数24020，而本发明方法误检像素个数仅为646，误检个数少23万。(3)从总错误面积来看，传统方法受噪声影响较大，当噪声密度大于0.05后，总错误像素个数急剧增加，当噪声密度为0.1时，总错像素个数为24029。而本发明受噪声影响较小，始终保持错误个数1000以内。

Claims (4)

1.一种基于视觉选择注意和像素依赖的无监督变化检测方法，其特征在于，包括如下步骤：

第一步，对两期多波段遥感影像进行配准和归一化操作，使用矢量分析方法处理配准和归一化后的两期影像，获得差分图谱；

第二步，使用视觉选择注意模型的强度谱部分处理差分图谱，去除差分图谱中的噪声点，获得中间图谱；

第三步，使用基于像素依赖方法，使用最大期望算法和Bayes决策区分出中间图谱中像素的变化类和无变化类，并进一步去除孤立噪声点，获得变化检测图谱。

2.根据权利要求1所述的基于视觉选择注意和像素依赖的无监督变化检测方法，其特征是，所述使用视觉选择注意模型的强度谱部分处理差分图谱，去除差分图谱中的噪声点，具体为：对差分图谱进行高斯金字塔操作，顶级金字塔图像尺寸大于4*4，共产生n级金字塔图像I(n)，n为自然数，将相差三级或四级金字塔图像配成对，每对图像插值到原始图像大小，相减取绝对值，获得特征谱，对特征谱中每一个像素值进行平方运算，拉伸图像像素值的范围，叠加所有拉伸后的特性谱形成中间图谱。

3.根据权利要求1所述的基于视觉选择注意和像素依赖的无监督变化检测方法，其特征是，所述获得变化检测图谱，具体为：使用Bayes决策将中间图谱中的像素分为两类：变化类和无变化类，其中，Bayes决策中的各项参数由最大期望算法确定，两类中像素在图谱中分布存在一类中的某一个像素被另一类中的像素包围的情况，使用马尔可夫模型对两类像素进行去除孤立点、修补遗漏点操作，获得变化检测图谱。

4.根据权利要求3所述的基于视觉选择注意和像素依赖的无监督变化检测方法，其特征是，所述Bayes决策中的各项参数由最大期望算法确定，具体为；取中间图谱中像素的最大值和最小值之间的一个值，大于该值的像素作为一初始类，小于或等于该值的像素作为另一初始类，每类都服从高斯分布，计算每类的均值、方差和后验分布，通过迭代公式计算最终确定的每类均值和方差和后验分布，每类服从高斯分布，即计算出Bayes决策中参数的值。