CN102521827A - 基于迭代不变区域直方图匹配的遥感图像变化检测方法 - Google Patents

基于迭代不变区域直方图匹配的遥感图像变化检测方法 Download PDF

Info

Publication number
CN102521827A
CN102521827A CN2011103725540A CN201110372554A CN102521827A CN 102521827 A CN102521827 A CN 102521827A CN 2011103725540 A CN2011103725540 A CN 2011103725540A CN 201110372554 A CN201110372554 A CN 201110372554A CN 102521827 A CN102521827 A CN 102521827A
Authority
CN
China
Prior art keywords
image
iteration
remote
changeless
remote sensing
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.)
Pending
Application number
CN2011103725540A
Other languages
English (en)
Inventor
李皎洁
张伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Dianji University
Original Assignee
Shanghai Dianji University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Dianji University filed Critical Shanghai Dianji University
Priority to CN2011103725540A priority Critical patent/CN102521827A/zh
Publication of CN102521827A publication Critical patent/CN102521827A/zh
Pending legal-status Critical Current

Links

Landscapes

  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及图像处理技术，是基于迭代不变区域直方图匹配的遥感图像变化检测方法，它利用多波段多时相遥感图像的分解匹配与曼哈顿距离的比较选取最优波段和参考图像，然后采用图像差分法提取一次变化信息；再将提取的一次变化信息与遥感图像的剩余不变区域进行迭代直方图匹配找出最小的不变区域，从而得到最佳的变化检测图像；其积极效果是：利用遥感图像差分法和直方图匹配法的灵活快速运算，采用迭代计算不变区域的方式找出最优的不变像素点位置信息，从而确定图像的变化区域，获得变化检测图像；能减小辐射差异、光照、噪声的影响；适用于同地区不同时相的具有辐射差异的多波段遥感图像的检测，具有检测面积大、实时性强、检测精确的优点。

Description

基于迭代不变区域直方图匹配的遥感图像变化检测方法
技术领域
本发明涉及图像处理技术领域，尤其涉及遥感图像的辨别和判读技术，具体的是一种基于迭代不变区域直方图匹配的遥感图像变化检测方法。
背景技术
遥感技术是现在采用的比较多的技术，除军事用途外，还可广泛用于国土资源调查、地质勘探、农业调查、沙漠治理、自然灾害评估、甚至可用于地下古物的发现与发掘。遥感技术的应用会产生大量的信息，因此，对这些信息的辨别和判读就非常重要，否则，对遥感技术的应用就是一句空话。而利用图像变化检测技术处理遥感数据就是其中一项重要的技术。
利用图像变化检测技术处理遥感数据的光谱波段数的多少可以分为多波段多时相遥感图像变化检测和单波段多时相遥感图像变化检测。用于多波段多时相遥感图像变化检测的图像变换技术包括主成分分析法（Principal Components Analysis, PCA）、典型相关分析法（multivariate alteration detection，MAD）、穗帽变换（Tasseled Cap Transformation，TCT，也称为Kanth-Thomas变换）、Gram-Schmidt变换、HSI变换和Chi-square变换等等。单波段多时相遥感图像变化检测则包括变换法、分类后比较法、算术运算法、模型分析法、GIS方法、视觉分析法等等。目前，许多学者提出了将多种方法综合起来应用的方法，它主要是指将贝叶斯理论、高斯模型、马尔科夫随机场、小波方法、人工神经网络法包括在内的各种方法综合起来应用。
随着遥感数据量的增大，多波段多时相遥感图像因数据冗长，其变化检测技术与单波段多时相遥感图像检测技术相比更为复杂。尽管目前有许多复杂的综合性变化检测算法，但是，它们大多数在变化检测算法上的实用性不足，效率不高。而实用性较好的分类后比较法、算术运算法等方法对输入图像之间的辐射度差，对几何上是否配准、噪声、光照等因素的影响比较敏感，因此，对数据预处理的要求比较高。
发明内容
本发明的目的在于克服现有遥感图像变化检测方法效率低、噪声敏感的不足，提供一种基于迭代不变区域直方图匹配的遥感图像变化检测方法，它可缩小图像辐射度差、减小噪声、光照等因素的影响，提高遥感图像变化检测的效率和精度。
为实现上述目的，本发明的方法采取的技术方案为：
一种基于迭代不变区域直方图匹配的遥感图像变化检测方法，其特征是，利用多波段多时相遥感图像的分解匹配与曼哈顿距离的比较选取最优波段和参考图像，然后采用图像差分法提取一次变化信息；再将提取的一次变化信息与遥感图像的剩余不变区域进行迭代直方图匹配，找出最小的不变区域，从而得到最佳的变化检测图像。
一种基于迭代不变区域直方图匹配的遥感图像变化检测方法，其特征是，包括以下的步骤： 
（1）选取不同时相的两幅多波段遥感图像图1和图2，所述的时相中应包含目标变化信息；
（2）将所述的图1和图2分别分解为单一波段的遥感图像，其中，图1与图2的相同波段用于匹配处理；
（3）选取图1和图2的相同波段互为参考图像进行直方图匹配，得到匹配结果，计算匹配结果与参考图像之间的曼哈顿距离；
（4）找出所有曼哈顿距离中的最小值，得出最优波段、参考图像和待匹配图；
（5）用参考图像与待匹配图像进行直方图匹配，得到匹配结果；
（6）判断参考图像与待匹配图像中处在不变区域位置的像素值，标记变化区域的像素值，更新参考图像和待匹配图像并进行迭代直方图匹配，直到图像中没有新的变化区域，生成最终的变化检测图像。
本发明与现有技术相比的积极效果是：
（1）本发明的方法综合利用了遥感图像差分法和直方图匹配法运算灵活快速的优势，采用迭代计算不变区域的方式找出了最优的不变像素点位置信息，从而能确定图像的变化区域，获得变化检测图像。
（2）直方图匹配的迭加计算有效地减小了辐射差异、光照、噪声的影响，提高了目标检测的速度和精度，本发明的方法已在实际应用中得到验证。
（3）本发明的方法适用于两幅同一地区不同时相的具有辐射差异的多波段遥感图像中地物变化信息的检测，具有检测面积大、实时性强、检测精确等优点。
具体实施方式
以下继续解释本发明基于迭代不变区域直方图匹配的遥感图像变化检测方法的具体实施方式，但是需要指出，本发明的实施不限于以下的实施方式。
一种基于迭代不变区域直方图匹配的遥感图像变化检测方法，可分以下的步骤具体进行：
（1）选取不同时相的两幅多波段遥感图像                                                和
Figure 41923DEST_PATH_IMAGE002
，时相中包含目标变化信息。
（2）设两幅多波段遥感图像中各包含L个波段，将多波段遥感图像
Figure 821660DEST_PATH_IMAGE001
和
Figure 777722DEST_PATH_IMAGE002
分别分解为单一波段遥感图像
Figure 654411DEST_PATH_IMAGE003
和
Figure 539190DEST_PATH_IMAGE004
，其中，
Figure 868540DEST_PATH_IMAGE005
和
Figure 67441DEST_PATH_IMAGE006
波段相同，
Figure 300101DEST_PATH_IMAGE007
。
（3）选取
Figure 355782DEST_PATH_IMAGE005
为
Figure 172428DEST_PATH_IMAGE006
的参考图像，对图像
Figure 909440DEST_PATH_IMAGE006
进行直方图匹配，得到匹配结果图像
Figure 495142DEST_PATH_IMAGE008
；计算匹配结果图像
Figure 485838DEST_PATH_IMAGE008
与参考图像
Figure 789781DEST_PATH_IMAGE005
之间的曼哈顿距离，再选取
Figure 770692DEST_PATH_IMAGE006
为
Figure 168175DEST_PATH_IMAGE005
的参考图像，对图像
Figure 460879DEST_PATH_IMAGE005
进行直方图匹配，得到匹配结果图像
Figure 539693DEST_PATH_IMAGE010
，计算匹配结果图像
Figure 99987DEST_PATH_IMAGE010
与参考图像
Figure 933951DEST_PATH_IMAGE006
之间的曼哈顿距离
Figure 946907DEST_PATH_IMAGE011
，其中。
（4）找出所有曼哈顿距离
Figure 829412DEST_PATH_IMAGE009
，
Figure 742748DEST_PATH_IMAGE011
，
Figure 747613DEST_PATH_IMAGE012
中的最小值，假设最小曼哈顿距离为
Figure 247865DEST_PATH_IMAGE013
，
Figure 668482DEST_PATH_IMAGE014
，
Figure 203368DEST_PATH_IMAGE015
，则得出最优波段为b波段，参考图像为
Figure 880599DEST_PATH_IMAGE016
，待匹配图像为
Figure 868147DEST_PATH_IMAGE017
，其中。 
（5）将
Figure 216269DEST_PATH_IMAGE016
作为
Figure 562936DEST_PATH_IMAGE017
的参考图像，对图像
Figure 559753DEST_PATH_IMAGE017
进行直方图匹配，得到匹配结果，求出
Figure 831651DEST_PATH_IMAGE019
和
Figure 83641DEST_PATH_IMAGE016
之间的差值图像D，计算差值图像D的像素均值和标准差
Figure 611891DEST_PATH_IMAGE021
，选取阈值
Figure 477341DEST_PATH_IMAGE022
，计算所有满足
Figure 900232DEST_PATH_IMAGE023
的像素点组成差值图像的不变区域，
Figure 287351DEST_PATH_IMAGE024
为差值图像D中第
Figure DEST_PATH_IMAGE025
行第列点的像素值。
（6）判断是否存在满足
Figure 672382DEST_PATH_IMAGE027
的像素点，如果存在则保留参考图像
Figure 30289DEST_PATH_IMAGE016
和待匹配图像
Figure 701442DEST_PATH_IMAGE017
中处在不变区域位置的像素值，将变化区域像素值标记为255，更新参考图像
Figure 874934DEST_PATH_IMAGE016
和待匹配图像
Figure 947932DEST_PATH_IMAGE017
并返回步骤（5）；如果不存在则将差值图像不变区域位置的像素设置为0，其余区域像素值设置为255，生成最终的变化检测图像。
以上所述仅为本发明的优选实施步骤，应当指出，对于本技术领域的普通技术人员而言，在不脱离本发明方法的前提下，还可以做出若干改进和润饰，这些改进和润饰也应该视为本发明的保护范围内。

Claims (2)

1.一种基于迭代不变区域直方图匹配的遥感图像变化检测方法，其特征在于，利用多波段多时相遥感图像的分解匹配与曼哈顿距离的比较选取最优波段和参考图像，然后采用图像差分法提取一次变化信息；再将提取的一次变化信息与遥感图像的剩余不变区域进行迭代直方图匹配，找出最小的不变区域，从而得到最佳的变化检测图像。
2.根据权利要求1所述的基于迭代不变区域直方图匹配的遥感图像变化检测方法，其特征在于，包括以下的步骤： 
（1）选取不同时相的两幅多波段遥感图像图1和图2，所述的时相中应包含目标变化信息；
（2）将所述的图1和图2分别分解为单一波段的遥感图像，其中，图1与图2的相同波段用于匹配处理；
（3）选取图1和图2的相同波段互为参考图像进行直方图匹配，得到匹配结果，计算匹配结果与参考图像之间的曼哈顿距离；
（4）找出所有曼哈顿距离中的最小值，得出最优波段、参考图像和待匹配图；
（5）用参考图像与待匹配图像进行直方图匹配，得到匹配结果；
（6）判断参考图像与待匹配图像中处在不变区域位置的像素值，标记变化区域的像素值，更新参考图像和待匹配图像并进行迭代直方图匹配，直到图像中没有新的变化区域，生成最终的变化检测图像。
CN2011103725540A 2011-11-22 2011-11-22 基于迭代不变区域直方图匹配的遥感图像变化检测方法 Pending CN102521827A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2011103725540A CN102521827A (zh) 2011-11-22 2011-11-22 基于迭代不变区域直方图匹配的遥感图像变化检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2011103725540A CN102521827A (zh) 2011-11-22 2011-11-22 基于迭代不变区域直方图匹配的遥感图像变化检测方法

Publications (1)

Publication Number Publication Date
CN102521827A true CN102521827A (zh) 2012-06-27

Family

ID=46292731

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2011103725540A Pending CN102521827A (zh) 2011-11-22 2011-11-22 基于迭代不变区域直方图匹配的遥感图像变化检测方法

Country Status (1)

Country Link
CN (1) CN102521827A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108053426A (zh) * 2017-12-26 2018-05-18 武汉隆瑞地理信息技术有限公司 基于北斗定位技术在图像的对象结构变化检测方法
CN111325148A (zh) * 2020-02-20 2020-06-23 北京市商汤科技开发有限公司 遥感影像的处理方法、装置、设备和存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101458766A (zh) * 2008-12-16 2009-06-17 南京大学 计算机处理天文观测灰度图像信息以进行目标追踪的方法
JP2010137644A (ja) * 2008-12-10 2010-06-24 Honda Motor Co Ltd 車両の故障診断装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010137644A (ja) * 2008-12-10 2010-06-24 Honda Motor Co Ltd 車両の故障診断装置
CN101458766A (zh) * 2008-12-16 2009-06-17 南京大学 计算机处理天文观测灰度图像信息以进行目标追踪的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ZHENGWEI YANG ET AL.: "Change detection based on iterative invariant area histogram matching", 《2011 19TH INTERNATIONAL CONFERENCE ON GEOINFROMATICS》 *
ZHENGWEI YANG ET AL.: "Hetero Geneously Sensed Imagery Radiometric Response Normalization for Citrus Grove Change Detection", 《OPTICS FOR NATURAL RESOURCES,AGRICULTURE,AND FOODS II》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108053426A (zh) * 2017-12-26 2018-05-18 武汉隆瑞地理信息技术有限公司 基于北斗定位技术在图像的对象结构变化检测方法
CN111325148A (zh) * 2020-02-20 2020-06-23 北京市商汤科技开发有限公司 遥感影像的处理方法、装置、设备和存储介质
CN111325148B (zh) * 2020-02-20 2023-07-28 北京市商汤科技开发有限公司 遥感影像的处理方法、装置、设备和存储介质

Similar Documents

Publication Publication Date Title
Han et al. A survey of machine learning and deep learning in remote sensing of geological environment: Challenges, advances, and opportunities
Nath et al. A survey of image classification methods and techniques
Li et al. A review of remote sensing image classification techniques: The role of spatio-contextual information
CN102254319B (zh) 一种多层次分割的遥感影像变化检测方法
CN103971123B (zh) 基于线性回归与Fisher判别字典学习的高光谱图像分类方法
Zhu et al. Class centroid alignment based domain adaptation for classification of remote sensing images
Dhumal et al. Classification of Crops from remotely sensed Images: AnOverview
CN102903116A (zh) 一类基于图像块距离的高光谱图像流形降维方法
Hu et al. S3ANet: Spectral-spatial-scale attention network for end-to-end precise crop classification based on UAV-borne H2 imagery
Demir et al. Integrated shoreline extraction approach with use of Rasat MS and SENTINEL-1A SAR Images
Ghamisi et al. The potential of machine learning for a more responsible sourcing of critical raw materials
CN108229426B (zh) 一种基于差分描述子的遥感图像变化向量变化检测法
Misra et al. An efficient algorithm for automatic fusion of RISAT-1 SAR data and Resourcesat-2 optical images
CN103679703B (zh) 一种基于共形几何代数的高光谱遥感影像降维方法
Kathirvelu et al. Spectral unmixing based random forest classifier for detecting surface water changes in multitemporal pansharpened Landsat image
Wang et al. Simultaneous extracting area and quantity of agricultural greenhouses in large scale with deep learning method and high-resolution remote sensing images
Qian et al. A new nonlinear dimensionality reduction method with application to hyperspectral image analysis
CN102521827A (zh) 基于迭代不变区域直方图匹配的遥感图像变化检测方法
CN107832793A (zh) 一种高光谱图像的分类方法及系统
Yuan et al. Research on remote sensing image classification based on feature level fusion
Khanday et al. Change detection in hyper spectral images
Hu et al. SPNet: A spectral patching network for end-to-end hyperspectral image classification
Liu et al. Semi-automatic extraction and mapping of farmlands based on high-resolution remote sensing images
CN102902962A (zh) 一种基于尺度不变特征转换特征向量的前方车辆检测方法
WO2019090509A1 (zh) 一种高光谱图像的分类方法及系统

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20120627