CN102496154A - 一种基于马尔科夫随机场的多时相遥感图像变化检测方法 - Google Patents
一种基于马尔科夫随机场的多时相遥感图像变化检测方法 Download PDFInfo
- Publication number
- CN102496154A CN102496154A CN2011103244004A CN201110324400A CN102496154A CN 102496154 A CN102496154 A CN 102496154A CN 2011103244004 A CN2011103244004 A CN 2011103244004A CN 201110324400 A CN201110324400 A CN 201110324400A CN 102496154 A CN102496154 A CN 102496154A
- Authority
- CN
- China
- Prior art keywords
- pixel
- remote sensing
- image
- temporal remote
- sensing image
- 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 Analysis (AREA)
Abstract
本发明公开了一种基于马尔科夫随机场的多时相遥感图像变化检测方法,属于数字图像处理与理解领域,目的在于自动检测已配准的多时相遥感图像中的变化与非变化区域,以提高遥感图像变化检测中的自动化程度和精度。该方法包括差值图像生成步骤、EM参数估计步骤、差值图像边缘检测步骤、自适应权重计算步骤以及马尔科夫随机场标记步骤。本发明利用差值图像的相邻像素大小自动调整马尔科夫随机场的权值大小,有效提高变化检测精度。
Description
技术领域
本发明属于图像变化检测技术领域,具体涉及一种基于马尔科夫随机场的多时相遥感图像变化检测方法,用于自动检测已配准的多时相遥感图像中的变化与非变化区域,以提高遥感图像变化检测中的自动化程度和精度。
背景技术
图像变化检测技术是基于计算机图像处理系统,对不同时段目标或现象状态发生的变化进行识别分析,包括变化检测、变化定位、变化区分等关键技术,是目前数字图像处理与理解领域的前沿分支。它广泛应用于多个领域,例如土地使用监测、森林监测、农业勘察、城市研究等。
马尔科夫随机场(Markov Random Field,MRF)方法是主流的遥感图像变化检测方法之一。马尔科夫随机场(Markov Random Field,MRF)方法在[L.Bruzzone and P.D.Fernandez,Automatic analysis of the difference image forunsupervised change detection.IEEE transactions on Geoscience and RemoteSensing[J].2000,38(3):1171-1182]中提出。MRF考虑包含于差值图像中的空间上下文信息,增加了最终变化检测结果的精确度。然而,传统的MRF模型,假定邻域内像素标记具有一致性。因此,邻域像素的权重被设定为相同常数。也就是说,传统MRF模型支持邻域内出现最多的标记。这对于平坦光滑、没有较多细节的区域是恰当的。因为在这些光滑区域中,像素标记的不一致性主要由于噪声,例如配准误差、传感器噪声等。但是,在细节区域中,传统的MRF模型经常得到错误标记。
发明内容
为了克服现有MRF变化检测方法的缺点,本发明提出了一种改进的基于马尔科夫随机场的多时相遥感图像变化检测方法,提高了检测精确度。
一种基于马尔科夫随机场的多时相遥感图像变化检测方法,包括:生成差值图像的步骤、采用EM方法估计差值图像的图像参数的步骤、提取差值图像的边缘像素的步骤、依据像素边缘状态设定差值图像内各像素权值的步骤以及依据图像参数和像素权值对差值图像作马尔科夫随机场类别标记的步骤;其特征在于,
所述设定差值图像各像素权值的步骤具体为:设定差值图像的非边缘像素的权值为预定常数值βmax,边缘像素的内各像素的权重为其中,η为两相邻像素(i,j)与(g,h)的亮度差,fγ(η)为自适应权重函数,F(ij,gh)(η)为(i,j)与(g,h)之间的权重, 为的反状态;
进一步地,所述马尔科夫随机场类别标记的步骤具体为:
求解贝叶斯准则方程式得到初始阈值T0;
以T0为阈值对差值图像作二值化处理:
迭代更新像素类别Cl(i,j)=arg min{U[Cl(i,j)|XD(i,j)]},其中,U[Cl(i,j)|XD(i,j)]=Udata[XD(i,j)|Cl(i,j)]+Ucontext[Cl(i,j)|{Cl(g,h)}],
进一步地,迭代次数为30~100。
进一步地,采用8-邻域线过程提取差值图像的边缘像素。
进一步地,所述预定常数值10≤βmax≤100。
进一步地,所述自适应权重函数fγ(η)满足:
a为fγ(η)与X轴交点的X轴坐标,f′γ(η)表示对fγ(η)求导。
进一步地,所述自适应权重函数为f1γ(η)=exp(-η2/γ)、f2γ(η)=1/(1+η2/γ)2、f3γ(η)=1/(1+η2/γ)、f4γ(η)=1/(1+|η|/γ)、f5γ(η)=1-|η|/γ、f6γ(η)=2exp[-(η/γ)2]-1、f7γ(η)=2/[1+(η/γ)2]-1或f8γ(η)=2/(1+|η|/γ)-1。
本发明提供一种改进的基于MRF的多时相遥感图像变化检测方法,通过提取差值图像的边缘点,并且根据边缘点与邻域像素的亮度差值自适应调整MRF先验能量的权重,克服了传统MRF变化检测方法细节保持能力差的缺陷,提高了遥感图像变化检测中的自动化程度和精度。
附图说明
图1为本发明步骤流程图;
图2为原始遥感图像时相1示意图;
图3为原始遥感图像时相2示意图;
图4为参考变化区域图像;
图5为检测到的边缘点图像;
图6为最终变化检测结果图像。
具体实施方式
一种基于马尔科夫随机场的多时相遥感图像变化检测方法,用于自动检测已配准的多时相遥感图像中的变化与非变化区域,以提高遥感图像变化检测中的自动化程度和精度。其具体步骤为:
(1)差值图像生成步骤
选取两幅同一地理位置、不同时间取得的已配准的遥感图像,设它们具有同样大小M×N,分别记为X1(i,j)和X2(i,j),1≤i≤I,1≤j≤J,将对应的像素分别相减得到差值图像记为XD(i,j)。即表示为:
XD(i,j)=X1(i,j)-X2(i,j)
(2)EM参数估计步骤
假定差值图像中的变化和非变化类像素亮度服从高斯分布,则总体亮度直方图为混合高斯分布。使用EM参数估计得到两类各自的均值和方差记为:Θ={μc,σc,μn,σn},下标n表示非变化类,下标c表示变化类。
非变化类的迭代步骤为:
变化类的迭代步骤为:
其中t=0,1,2…为迭代次数。迭代公式中的
p(x)=p(x|ωn)P(ωn)+p(x|ωc)P(ωc)
其中,ωn和ωc分别表示非变化类和变化类,p(x|ωi)和p(x)分别为似然概率和全概率。
初始像素类别集合的阈值选为:
Tn=MD(1-α)
Tc=MD(1+α)
其中MD=[max(XD)-min(XD)]/2为像素中值,α∈(0,1)。由阈值Tn、Tc,可将初始变化、非变化类集合分别选择为:
Sc={X(i,j)|X(i,j)>Tc}
Sn={X(i,j)|X(i,j)<Tn}
因此,迭代公式中的先验概率、均值和方差初始值为:
其中||·||表示集合中元素的个数。
(3)差值图像边缘检测步骤。
边缘提取可采用Canny算子、Sobel算子、LOG算子等方法,本发明优选8-邻域线过程从差值图像中提取出边缘像素。使用以下记号:
SP={i|1≤i≤m}
SE={(i,i′)|i∈SP,i′∈SP,i′∈Ni}
分别表示亮度点集合和边缘网格,m为差值图像像素总数,Ni为i的邻域。
先验能量定义为:
后验能量定义为:
其中d为差值图像观测值,di为差值图像像素i的观测值,λ为平滑参数,λ可设为1≤λ≤100。边缘场fE通过对于(fP)*阈值化得到:
(4)自适应权重计算步骤。
对于非边缘点,其权值不需要调整,而直接设置为高的常数值βmax,可设为10≤βmax≤100。对于边缘点,根据其自身与邻域像素的灰度差值自适应调整其权值,即为βmaxfγ(η)。其中fγ(η)为自适应权重函数,η为差值图像相邻像素与当前考虑像素的亮度差值。即:
其中η为相邻两像素(i,j)与(g,h)的亮度差,fγ(η)为自适应权重函数,γ为fγ(η)的一个参数,F(ij,gh)(η)为(i,j)与(g,h)之间的权重。为点(i,j)的边缘状态, 为的反状态。
定义:以γ(>0)为参数的自适应权重函数(AWF)fγ满足:
(i)fγ(η)=fγ(-η)
(iv)limη→0fγ(η)=1
(v)limη→∞fγ(η)≤-∞
其中η为当前像素与邻域像素的差值,a为fγ(η)与x轴的交点横坐标,可由γ控制,可取1≤γ≤1000,本发明设γ=1。
列举8个AWF为:
f1γ(η)=exp(-η2/γ) | f5γ(η)=1-|η|/γ |
f2γ(η)=1/(1+η2/γ)2 | f6γ(η)=2exp[-(η/γ)2]-1 |
f3γ(η)=1/(1+η2/γ) | f7γ(η)=2/[1+(η/γ)2]-1 |
f4γ(η)=1/(1+|η|/γ) | f8γ(η)=2/(1+|η|/γ)-1 |
(5)马尔科夫随机场标记步骤。根据上一步的自适应权重,可以将修改后的马尔科夫随机场模型应用于差值图像。迭代最小化马尔科夫随机场能量函数表达式可得到最终变化检测结果。
其具体步骤为:
(5.1)根据EM算法得到的参数Θ={μc,σc,μn,σn},两类的先验概率P(ωn)和P(ωc)求解下述贝叶斯准则方程式得到初始阈值T0:
(5.2)根据初始阈值T0将差值图像初始划分为两类,即:
(5.3)迭代更新。对差异图像中的每个像元,计算该像元的每一类所对应的局部后验能量:
U[Cl(i,j)|XD(i,j)]=Udata[XD(i,j)|Cl(i,j)]
+Ucontext[Cl(i,j)|{Cl(g,h)}]
其中马尔科夫随机场似然能量为:
马尔科夫随机场先验能量为:
其中δk为delta函数,表示为:
然后找出使后验能量最小的类别标记C′l(i,j)替换当前类别标记Cl(i,j):
C′l(i,j)=arg min{U[Cl(i,j)|X(i,j)]}
(5.4)如果迭代次数小于预定次数,重复(5.3)步,否则输出最后标记结果。迭代次数取30至100。
Claims (7)
3.如权利要求2所述的多时相遥感图像变化检测方法,其特征在于,迭代次数为30~100。
4.如权利要求1所述的多时相遥感图像变化检测方法,其特征在于,采用8-邻域线过程提取差值图像的边缘像素。
5.如权利要求1所述的多时相遥感图像变化检测方法,其特征在于,所述预定常数值10≤βmax≤100。
7.如权利要求1所述的多时相遥感图像变化检测方法,其特征在于,所述自适应权重函数为f1γ(η)=exp(-η2/γ)、f2γ(η)=1/(1+η2/γ)2、f3γ(η)=1/(1+η2/γ)、f4γ(η)=1/(1+|η|/γ)、f5γ(η)=1-|η|/γ、f6γ(η)=2exp[-(η/γ)2]-1、f7γ(η)=2/[1+(η/γ)2]-1或f8γ(η)=2/(1+|η|/γ)-1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110324400 CN102496154B (zh) | 2011-10-24 | 2011-10-24 | 一种基于马尔科夫随机场的多时相遥感图像变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110324400 CN102496154B (zh) | 2011-10-24 | 2011-10-24 | 一种基于马尔科夫随机场的多时相遥感图像变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102496154A true CN102496154A (zh) | 2012-06-13 |
CN102496154B CN102496154B (zh) | 2013-10-30 |
Family
ID=46187976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110324400 Active CN102496154B (zh) | 2011-10-24 | 2011-10-24 | 一种基于马尔科夫随机场的多时相遥感图像变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102496154B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930532A (zh) * | 2012-09-28 | 2013-02-13 | 中国电子科技集团公司第三十八研究所 | 基于mrf迭代的sar图像非监督变化检测方法和装置 |
CN104680549A (zh) * | 2015-03-24 | 2015-06-03 | 西安电子科技大学 | 基于高阶邻域tmf模型的sar图像变化检测方法 |
CN106780471A (zh) * | 2016-12-23 | 2017-05-31 | 贵州电网有限责任公司电力科学研究院 | 基于马尔科夫随机场的变电站设备红外图像变化检测方法 |
CN109903318A (zh) * | 2019-04-17 | 2019-06-18 | 中国科学院电子学研究所 | 基于高分辨率遥感影像的配准与变化检测一体化处理方法 |
CN110111300A (zh) * | 2019-03-18 | 2019-08-09 | 西安电子科技大学 | 一种图像变化检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020122570A1 (en) * | 2000-09-06 | 2002-09-05 | Nikos Paragios | Real-time crowd density estimation from video |
CN101661497A (zh) * | 2009-09-10 | 2010-03-03 | 北京农业信息技术研究中心 | 遥感土地利用变化检测方法及系统 |
CN101694719A (zh) * | 2009-10-13 | 2010-04-14 | 西安电子科技大学 | 基于非参数密度估计的遥感图像变化检测方法 |
CN102169584A (zh) * | 2011-05-28 | 2011-08-31 | 西安电子科技大学 | 基于分水岭和treelet的遥感图像变化检测方法 |
-
2011
- 2011-10-24 CN CN 201110324400 patent/CN102496154B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020122570A1 (en) * | 2000-09-06 | 2002-09-05 | Nikos Paragios | Real-time crowd density estimation from video |
CN101661497A (zh) * | 2009-09-10 | 2010-03-03 | 北京农业信息技术研究中心 | 遥感土地利用变化检测方法及系统 |
CN101694719A (zh) * | 2009-10-13 | 2010-04-14 | 西安电子科技大学 | 基于非参数密度估计的遥感图像变化检测方法 |
CN102169584A (zh) * | 2011-05-28 | 2011-08-31 | 西安电子科技大学 | 基于分水岭和treelet的遥感图像变化检测方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930532A (zh) * | 2012-09-28 | 2013-02-13 | 中国电子科技集团公司第三十八研究所 | 基于mrf迭代的sar图像非监督变化检测方法和装置 |
CN104680549A (zh) * | 2015-03-24 | 2015-06-03 | 西安电子科技大学 | 基于高阶邻域tmf模型的sar图像变化检测方法 |
CN104680549B (zh) * | 2015-03-24 | 2017-09-26 | 西安电子科技大学 | 基于高阶邻域tmf模型的sar图像变化检测方法 |
CN106780471A (zh) * | 2016-12-23 | 2017-05-31 | 贵州电网有限责任公司电力科学研究院 | 基于马尔科夫随机场的变电站设备红外图像变化检测方法 |
CN106780471B (zh) * | 2016-12-23 | 2020-05-12 | 贵州电网有限责任公司电力科学研究院 | 基于马尔科夫随机场的变电站设备红外图像变化检测方法 |
CN110111300A (zh) * | 2019-03-18 | 2019-08-09 | 西安电子科技大学 | 一种图像变化检测方法 |
CN109903318A (zh) * | 2019-04-17 | 2019-06-18 | 中国科学院电子学研究所 | 基于高分辨率遥感影像的配准与变化检测一体化处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102496154B (zh) | 2013-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guo et al. | FSDAF 2.0: Improving the performance of retrieving land cover changes and preserving spatial details | |
Chen et al. | An automated approach for updating land cover maps based on integrated change detection and classification methods | |
Gray et al. | Consistent classification of image time series with automatic adaptive signature generalization | |
CN102496154B (zh) | 一种基于马尔科夫随机场的多时相遥感图像变化检测方法 | |
CN102135606B (zh) | 一种基于knn分类算法的mr图像灰度不均匀性校正分割方法 | |
CN103198480B (zh) | 基于区域和Kmeans聚类的遥感图像变化检测方法 | |
CN102629380B (zh) | 基于多组滤波和降维的遥感图像变化检测方法 | |
CN103971115A (zh) | 一种基于NDVI和PanTex指数的高分辨率遥感影像新增建设用地图斑自动提取方法 | |
CN108171695A (zh) | 一种基于图像处理的高速公路路面检测方法 | |
CN101694718A (zh) | 基于感兴趣区域的遥感图像变化检测方法 | |
CN105956612A (zh) | 基于主动学习和半监督学习的高光谱图像分类方法 | |
CN104899892A (zh) | 一种快速的星图图像星点提取方法 | |
CN104809433A (zh) | 一种基于最大稳定区域和随机采样的斑马线检测方法 | |
CN103426158A (zh) | 两时相遥感图像变化检测的方法 | |
Ghanta et al. | Automatic road surface defect detection from grayscale images | |
Liang et al. | Maximum likelihood classification of soil remote sensing image based on deep learning | |
CN103824302A (zh) | 基于方向波域图像融合的sar图像变化检测方法 | |
CN105184790A (zh) | 一种烟田图像分割方法 | |
Gao et al. | Agricultural image target segmentation based on fuzzy set | |
CN110097524B (zh) | 基于融合卷积神经网络的sar图像目标检测方法 | |
Liu et al. | Extraction of lane markings using orientation and vanishing point constraints in structured road scenes | |
Ming et al. | Cropland extraction based on OBIA and adaptive scale pre-estimation | |
CN112348750B (zh) | 基于阈值融合和邻域投票的sar图像变化检测方法 | |
Hao et al. | A novel change detection approach for VHR remote sensing images by integrating multi-scale features | |
CN108986083B (zh) | 基于阈值优化的sar图像变化检测方法 |
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 |