CN102063722A - 基于主成份广义逆变换的图像变化检测方法 - Google Patents
基于主成份广义逆变换的图像变化检测方法 Download PDFInfo
- Publication number
- CN102063722A CN102063722A CN 201110009716 CN201110009716A CN102063722A CN 102063722 A CN102063722 A CN 102063722A CN 201110009716 CN201110009716 CN 201110009716 CN 201110009716 A CN201110009716 A CN 201110009716A CN 102063722 A CN102063722 A CN 102063722A
- Authority
- CN
- China
- Prior art keywords
- image
- data
- conversion
- pca
- generalized inverse
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
一种图像处理技术领域的基于主成份广义逆变换的图像变化检测方法,通过对待检测图像重新组织数据后进行两个特征空间中的变换,并在变换后的特征空间里进行更新波段差分处理以获取变化成分,再通过自动阈值确定方法来提取变化区域,实现图像变化检测。本发明在主成份广义逆变换后的特征空间里对图像进行差分检测,有效的抑制了噪声,降低了图像模糊扭曲等对检测精度下降的影响,提高了检测精度。
Description
技术领域
本发明涉及的是一种图像处理技术领域的方法,具体是一种基于主成份广义逆变换的图像变化检测方法。
背景技术
随着航天技术、传感器技术、计算机技术及相关科学的迅速发展,遥感技术在社会生活和经济建设中发挥越来越重要的作用。变化检测是从同一地域不同时期的遥感图像数据中定量分析和确定地表变化的过程。在更新地理数据、评估灾害、预测灾害发展趋势、土地覆盖/利用检测、新一代智能型对地观测卫星等方面有着广泛的应用前景。
通常情况下,变化检测是对未知目标区域进行的,而且由于遥感图像自身的一些特点,如信息与噪声的共生性、方位不一致和光照不均匀等,使得图像数据带有一定的模糊性和不确定性。因此在有噪声或者图像质量差的情况下准确的检测出图像中的变化区域是一项长期而重要的任务。
经过近几十年的发展,遥感图像变化检测方法一直处于不断改进和发展中,很多学者在这方面做了大量的研究。根据算法的实现途径不同,大致可以分为三大类:(1)基于光谱像元进行简单代数运算的方法。这类方法简单,主要问题是如何确定阈值来分割变化目标。Paul L.Rosin于1998年在Sixth International Conference on Computer Vision上发表论文Thresholding for change detection(变化检测中阈值的确定)。主要工作是针对基于图像做差分检测方法中阈值的确定,论文中对噪声和信息分别建模,提出了四种选择阈值来有效提取变化区域的方法。(2)基于图像分类的方法。Civco等于2002年发表论文A Comparison of Land Useand Land Cover Change Detection Methods(土地使用和土地覆盖变化检测方法的比较)。文章中对每个时相的遥感影像进行校正和分类,使用变化检测矩阵,对两幅分类图进行逐像元比较来获取具体的变化类型。该方法要求分类尽可能准确,分类误差影响最终检查误差。(3)基于多变量分析的数据变换的方法。Guiting Wang等于2009年在2nd Asian-Pacific Conference on Synthetic Aperture Radar上发表论文Change detection in SAR image based on multiscale product and PCA(基于多尺度和主成份分析变化检测在SAR图像中的应用)。论文中首先对图像进行多尺度小波变换,然后为了增强变化信息和减少噪声的干扰,通过主成份变换的方法合并多尺度处理后的结果。目前这些变化检测方法一般是针对具体的应用提出的,并没有一种通用的变化检测方法能应用于所有的场合。
发明内容
本发明针对现有技术存在的上述不足,提供一种基于主成份广义逆变换的图像变化检测方法,在主成份广义逆变换后的特征空间里对图像进行差分检测,有效的抑制了噪声,降低了图像模糊扭曲等对检测精度下降的影响,提高了检测精度。
本发明是通过以下技术方案实现的,本发明通过对待检测图像重新组织数据后进行两个特征空间中的变换,并在变换后的特征空间里进行更新波段差分处理以获取变化成分,再通过自动阈值确定方法来提取变化区域,实现图像变化检测。
所述的重新组织数据是指:将原始图像的波段数据按照行的方式转化为列向量:
Vk(t)[n]=(i-1)×length+j,然后将l个列向量组织成矩阵M,并求出其转置矩阵MT。M=[V1(t1),V2(t1),…,Vl(t1),V1(t2),V2(t2),…,Vl(t2)],其中:待检测图像分别为i,j,k分别代表图像的行、列和波段数,波段总数为l,width和length分别为图像的宽度像素数和长度像素数,单位为自然常数,t∈{t1,t2},i∈{1,2,…,width},j∈{1,2,…,length},k∈{1,2,…,l}。
所述的矩阵M的物理意义为k维空间里的width×length个点,MT为width×length维空间里的k个点。
所述的两个特征空间中的变换是指:PCA(Principal component analysis主成份分析)变换和PCA广义逆变换,其中:
PCA变换是指:对转置矩阵MT进行PCA变换,在width×length维空间里通过对MT协方差矩阵进行对角化找到前m个主成份,m≤l,通过变换后得到特征空间矩阵P,将原始空间中组织后的数据MT映射到主成份特征空间中,得到新的数据DATAPCA,DATAPCA=MT·P,其中:P为主成分变换后得到的特征空间矩阵。
PCA广义逆变换是指:通过广义逆矩阵Q,将正特征空间里的数据,映射到广义逆特征空间中,得到新空间中的数据DATAAPC,DATAAPC=DATAPCA·Q,其中:Q为广义逆矩阵。
所述的更新波段差分处理是指:对于波段总数大于1时,直接选择最大的特征值对应的波段求差值向量或将多波段合成后求差值向量,然后再将差值向量还原到图像。如DIFF=DATA(1,:)-DATA(2,:),DIFFimage=DIFF(j+(i-1)×length),其中:DATA(1,:),DATA(2,:)分别为变化前后的最大特征值对应波段向量,DIFF为差值向量,DIFFimage为差值向量转化后的差值图像。
所述的提取变化区域是指:采用基于OTSU(最大类间方差法)的自动阈值方法得到的阈值加上一定的偏移来分离变化区域和非变化区域,具体是指:通过基于OTSU的阈值分割方法,得到待分割图像的阈值threshold,然后采用threshold+threshold*5%将图像二值化得到变化区域和非变化区域。
本发明选择主成份逆变换后的空间进行差分检测,主要解决受噪声干扰,图像模糊扭曲等因素的引起检测精度低的问题。传统基于像元简单做差分的变化检测方法,受噪声的干扰比较大。基于PCA变换的变换检测方法将原始数据变换到特征空间,降低了对噪声干扰的影响,突出了变化区域的信息,具有较好的检测性能。本发明相对于上述两种变化检测方法具有更优的性能,在图像受噪声干扰、图像模糊、图像变形扭曲、图像低分辨率等方面具有更高的检测精度。
附图说明
图1待检测图像;
图中:(a)为变化前图像(b)为配准后图像(c)为变化后图像。
图2经过多种干扰处理后的图像;
图中:(a)为高斯噪声处理(b)为窗口大小9*9高斯模糊处理(c)为窗口大小13*13高斯模糊处理(d)为6像素采样处理(e)10像素采样处理。
图3三种检测方法检测的结果图;
图中:(a1)(b1)(c1)(d1)(e1)依次为高斯噪声处理、窗口大小9*9高斯模糊处理、窗口大小13*13高斯模糊处理、6像素采样处理、10像素采样处理下像元差分方法检测结果图(a2)(b2)(c2)(d2)(e2)依次为高斯噪声处理、窗口大小9*9高斯模糊处理、窗口大小13*13高斯模糊处理、6像素采样处理、10像素采样处理下基于PCA变换方法检测结果图(a3)(b3)(c3)(d3)(e3)依次为高斯噪声处理、窗口大小9*9高斯模糊处理、窗口大小13*13高斯模糊处理、6像素采样处理、10像素采样处理下本发明方法检测结果图。
图4三种检测方法检测性能比较图。
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。
本实施例包括以下步骤:
第一步,图像数据的重新组织。图像是两期航空拍摄的机场影像,影像大小为410*294,如图1所示,其中图1(a)是变化前图像,图1(b)是经过配准后的图像,图1(c)是变化后的图像(人工处理过)。为了测试模型对噪声等的鲁棒性,对变化前图像进行手动加工合成一组图像,如图2所示,其中图2(a)是加入高斯噪声处理后的图像、图2(b)是经过窗口大小9*9高斯模糊处理后的图像、图2(c)是经过窗口大小13*13高斯模糊处理后的图像、图2(d)是经过6像素采样处理后的图像、图2(e)是经过10像素采样处理后的图像。一共5组实验。对每组实验中的变化前和变化后的图像分别转化为120540维的列向量。然后把每组实验中的这两个列向量组织为一个大小为120540*2的矩阵,表示120540维空间里的2个点。
第二步,进行PCA变换和PCA广义逆变换。对第一步中得到的120540*2矩阵进行PCA变换,选择最大特征值对应的向量数据进行PCA广义逆变换,得到逆特征空间下的两个列向量数据。
第三步,求取差值图像。将逆特征空间下得到的两个列向量进行差值求的差值向量,然后再将差值向量还原成一幅图像,即所得到差值图像。
第四步,分离变化区域。对第三步中得到的差值图像,采用基于OTSU的阈值分割方法,得到待分割图像的初始阈值,然将该初始阈值加上初始阈值的5%作为最终阈值,利用该阈值将图像二值化得到变化区域和非变化区域。
采样三种变化检测方法进行这五个实验,它们分别是像元差分检测方法、基于PCA变换的检测方法以及本发明的方法。每一个实验得到3个检测结果,如图3所示。图中(a1)(b1)(c1)(d1)(e1)依次为高斯噪声处理、窗口大小9*9高斯模糊处理、窗口大小13*13高斯模糊处理、6像素采样处理、10像素采样处理下像元差分方法检测结果图。(a2)(b2)(c2)(d2)(e2)依次为高斯噪声处理、窗口大小9*9高斯模糊处理、窗口大小13*13高斯模糊处理、6像素采样处理、10像素采样处理下基于PCA变换方法检测结果图。(a3)(b3)(c3)(d3)(e3)依次为高斯噪声处理、窗口大小9*9高斯模糊处理、窗口大小13*13高斯模糊处理、6像素采样处理、10像素采样处理下本发明方法检测结果图。
从三个方面对变化检测的结果进行评价:(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;(3)总错误面积:误检面积加上漏检面积。上述面积用像素的个数表示,单位为自然常数。对五个实验的变化检测结果图像进行统计得到如表1。
表1三种变化检测方法的检测结果比较
对上面每个实验进行分析,本发明方法在高斯噪声处理、高斯模糊处理、低分辨率处理中相对像元差分和基于PCA变换的方法具有更高的检测精度。由高斯模糊处理实验和低分辨率处理实验知,随着图像模糊或不清晰程度的加剧,本发明方法比基于PCA变换检测的方法受干扰较低,对噪声具有很强的鲁棒性。总体来说,本发明方法相对其它两种方法具有更好的检测性能。比较在不同干扰下,三种检测方法性能的好坏,对上面表格中数据做进一步处理,采用模糊统计方法,横坐标表示不同的处理实验,纵坐标用模糊量来评估检测的性能,分为好、较好、一般、差、很差。统计得到如图4。
通过分析,可以看出,总体上本发明方法较基于PCA变换的检测方法和像元差分的检测方法具有更好的检测性能。而且可以得出以下规律。
●基于特征变换的变化检测方法,将原始空间下的像元映射到新的特征空间中,在新的特征空间下,图像的灰度分布进行了重新的调整。本发明方法比基于PCA变换的检测方法使得特征空间下灰度分布更加集中,这也说明本发明方法对干扰像素具有更强的鲁棒性。
●基于特征变换的变化检测方法,比像元差分检测的方法更加有效的抑制噪声的干扰。在影像模糊程度加大(模糊处理实验和低分辨率处理实验)的情况下,本发明方法比基于PCA变换的检测方法性能检测结果好很多。这种情况下基于PCA变换检测的方法基于不能进行变化区域的检测。
●像元差分检测方法对边缘干扰检测效果不好。本发明方法和基于PCA变化检测的方法能够很好的对边缘干扰情况进行检测。
●在图像局部灰度增强情况下,本发明方法和基于PCA变换的检测方法具有较好的检测结果。在图像局部灰度弱化的情况下,本发明方法和像元差分检测方法具有较好的检测结果。总的来说,本发明的方法较其它两种方法具有更高的检测精度。
Claims (5)
1.一种基于主成份广义逆变换的图像变化检测方法,其特征在于,通过对待检测图像重新组织数据后进行两个特征空间中的变换,并在变换后的特征空间里进行更新波段差分处理以获取变化成分,再通过自动阈值确定方法来提取变化区域,实现图像变化检测。
2.根据权利要求1所述的基于主成份广义逆变换的图像变化检测方法,其特征是,所述的重新组织数据是指:将原始图像的波段数据按照行的方式转化为列向量:
3.根据权利要求1所述的基于主成份广义逆变换的图像变化检测方法,其特征是,所述的两个特征空间中的变换是指:PCA变换和PCA广义逆变换,其中:
PCA变换是指:对转置矩阵MT进行PCA变换,在width×length维空间里通过对MT协方差矩阵进行对角化找到前m个主成份,m≤l,通过变换后得到特征空间矩阵P,将原始空间中组织后的数据MT映射到主成份特征空间中,得到新的数据DATAPCA,DATAPCA=MT·P,其中:P为主成分变换后得到的特征空间矩阵;
PCA广义逆变换是指:通过广义逆矩阵Q,将正特征空间里的数据,映射到广义逆特征空间中,得到新空间中的数据DATAACP,DATAACP=DATAPCA·Q,其中:Q为广义逆矩阵。
4.根据权利要求1所述的基于主成份广义逆变换的图像变化检测方法,其特征是,所述的更新波段差分处理是指:对于波段总数大于1时,直接选择最大的特征值对应的波段求差值向量或将多波段合成后求差值向量,然后再将差值向量还原到图像。如DIFF=DATA(1,:)-DATA(2,:),DIFFimage=DIFF(j+(i-1)×length),其中:DATA(1,:),DATA(2,:)分别为变化前后的最大特征值对应波段向量,DIFF为差值向量,DIFFimage为差值向量转化后的差值图像。
5.根据权利要求1所述的基于主成份广义逆变换的图像变化检测方法,其特征是,所述的提取变化区域是指:采用基于OTSU自动阈值方法得到的阈值加上一定的偏移来分离变化区域和非变化区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110009716A CN102063722B (zh) | 2011-01-18 | 2011-01-18 | 基于主成份广义逆变换的图像变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110009716A CN102063722B (zh) | 2011-01-18 | 2011-01-18 | 基于主成份广义逆变换的图像变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102063722A true CN102063722A (zh) | 2011-05-18 |
CN102063722B CN102063722B (zh) | 2012-09-05 |
Family
ID=43998986
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110009716A Expired - Fee Related CN102063722B (zh) | 2011-01-18 | 2011-01-18 | 基于主成份广义逆变换的图像变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102063722B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102867308A (zh) * | 2012-09-11 | 2013-01-09 | 大连理工大学 | 一种电脑输出视频图像变化检测的方法 |
CN107346549A (zh) * | 2017-06-09 | 2017-11-14 | 中国矿业大学 | 一种利用遥感影像多特征的多类别变化动态阈值检测方法 |
CN109145996A (zh) * | 2018-08-31 | 2019-01-04 | 阿里巴巴集团控股有限公司 | 异常环境下的指标数据生成方法、装置及电子设备 |
CN109741320A (zh) * | 2019-01-07 | 2019-05-10 | 哈尔滨理工大学 | 一种基于航拍图像的风电叶片故障检测方法 |
CN109862207A (zh) * | 2019-02-02 | 2019-06-07 | 浙江工业大学 | 一种基于压缩域的kvm视频内容变化检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101000686A (zh) * | 2007-01-15 | 2007-07-18 | 浙江大学 | 一种基于主成分分析的颜色调整方法 |
CN101216942A (zh) * | 2008-01-14 | 2008-07-09 | 浙江大学 | 一种自适应选取权重的增量式特征背景建模算法 |
CN101634709A (zh) * | 2009-08-19 | 2010-01-27 | 西安电子科技大学 | 基于多尺度积和主成分分析的sar图像变化检测方法 |
-
2011
- 2011-01-18 CN CN201110009716A patent/CN102063722B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101000686A (zh) * | 2007-01-15 | 2007-07-18 | 浙江大学 | 一种基于主成分分析的颜色调整方法 |
CN101216942A (zh) * | 2008-01-14 | 2008-07-09 | 浙江大学 | 一种自适应选取权重的增量式特征背景建模算法 |
CN101634709A (zh) * | 2009-08-19 | 2010-01-27 | 西安电子科技大学 | 基于多尺度积和主成分分析的sar图像变化检测方法 |
Non-Patent Citations (1)
Title |
---|
《成都理工大学学报(自然科学版)》 20070228 贺奋琴等 改进的主成分分析法自动发现土地覆盖变化 92-96 第34卷, 第1期 2 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102867308A (zh) * | 2012-09-11 | 2013-01-09 | 大连理工大学 | 一种电脑输出视频图像变化检测的方法 |
CN102867308B (zh) * | 2012-09-11 | 2015-06-03 | 大连理工大学 | 一种电脑输出视频图像变化检测的方法 |
CN107346549A (zh) * | 2017-06-09 | 2017-11-14 | 中国矿业大学 | 一种利用遥感影像多特征的多类别变化动态阈值检测方法 |
CN107346549B (zh) * | 2017-06-09 | 2020-04-14 | 中国矿业大学 | 一种利用遥感影像多特征的多类别变化动态阈值检测方法 |
CN109145996A (zh) * | 2018-08-31 | 2019-01-04 | 阿里巴巴集团控股有限公司 | 异常环境下的指标数据生成方法、装置及电子设备 |
CN109145996B (zh) * | 2018-08-31 | 2021-11-26 | 创新先进技术有限公司 | 异常环境下的指标数据生成方法、装置及电子设备 |
CN109741320A (zh) * | 2019-01-07 | 2019-05-10 | 哈尔滨理工大学 | 一种基于航拍图像的风电叶片故障检测方法 |
CN109862207A (zh) * | 2019-02-02 | 2019-06-07 | 浙江工业大学 | 一种基于压缩域的kvm视频内容变化检测方法 |
CN109862207B (zh) * | 2019-02-02 | 2021-04-09 | 浙江工业大学 | 一种基于压缩域的kvm视频内容变化检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102063722B (zh) | 2012-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | A new building extraction postprocessing framework for high-spatial-resolution remote-sensing imagery | |
CN103971115B (zh) | 一种基于NDVI和PanTex指数的新增建设用地图斑自动提取方法 | |
Lu et al. | Land cover classification in a complex urban-rural landscape with QuickBird imagery | |
Kervrann et al. | Optimal spatial adaptation for patch-based image denoising | |
CN107330875B (zh) | 基于遥感图像正反向异质性的水体周边环境变化检测方法 | |
CN109919960B (zh) | 一种基于多尺度Gabor滤波器的图像连续边缘检测方法 | |
CN102609701B (zh) | 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法 | |
CN102254319A (zh) | 一种多层次分割的遥感影像变化检测方法 | |
CN102063722B (zh) | 基于主成份广义逆变换的图像变化检测方法 | |
CN102855621A (zh) | 一种基于显著区域分析的红外与可见光遥感图像配准方法 | |
CN108229551A (zh) | 一种基于紧凑字典稀疏表示的高光谱遥感图像分类方法 | |
CN103839267A (zh) | 一种基于形态学建筑物指数的建筑物提取方法 | |
CN105718942A (zh) | 基于均值漂移和过采样的高光谱图像不平衡分类方法 | |
CN111008664B (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
CN110310291A (zh) | 一种稻瘟病分级系统及其方法 | |
Li et al. | GIS-based detection of grain boundaries | |
CN109409389A (zh) | 一种融合多特征的面向对象变化检测方法 | |
Zhang et al. | Multi-temporal cloud detection based on robust PCA for optical remote sensing imagery | |
CN113850769B (zh) | 一种基于Siamese空谱联合卷积网络的高光谱变化检测方法 | |
Shire et al. | A review paper on: agricultural plant leaf disease detection using image processing | |
CN113837123A (zh) | 一种基于谱空信息结合的中分辨率遥感图像近海养殖区提取方法 | |
Gigandet et al. | Region-based satellite image classification: method and validation | |
CN111882573A (zh) | 一种基于高分辨率影像数据的耕地地块提取方法及系统 | |
CN109785318B (zh) | 基于面线基元关联约束的遥感图像变化检测方法 | |
Cheng et al. | Power pole detection based on graph cut |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120905 Termination date: 20180118 |
|
CF01 | Termination of patent right due to non-payment of annual fee |