CN102789578A - 基于多源目标特征支持的红外遥感图像变化检测方法 - Google Patents

Abstract

一种基于多源目标特征和机器学习的红外遥感图像变化检测方法，包括：步骤S1：对可见光遥感图像进行变化检测，得到初始检测结果；步骤S2：通过可见光和红外遥感图像配准，将可见光变化检测得到变化目标和不变化目标变换至红外遥感图像；步骤S3：提取多源目标特征；步骤S4：分别从可见光变化目标中与不变化目标中选择一部分作为正样本、从可见光不变化目标中选择一部分作为负样本，将选择的样本作为训练样本；步骤S5：训练SVM得到变化检测模型；步骤S6：进行变化检测，得到红外遥感图像变化检测结果。本发明能检测出由于地物发生变化而引起的图像变化，并检测出由于地物工作状态发生变化而引起的图像变化，稳定性高，适用范围广。

Description

基于多源目标特征支持的红外遥感图像变化检测方法

技术领域

本发明涉及一种用于红外遥感图像的变化检测方法，具体说是一种基于多源目标特征和机器学习的红外遥感图像变化检测方法，相关技术涉及遥感图像信息处理、目标特征提取、模式识别、机器学习等技术领域。

背景技术

遥感图像变化检测的目的在于通过分析计算同一场景在不同时间拍摄得到的遥感图像，自动地检测出发生了变化的地物，在农业、土地利用、城市规划、灾害监测、目标监测等方面有着极其重要的应用价值。目前，大部分遥感图像变化检测系统都是针对可见光遥感图像进行处理的，可以检测出由于地物发生变化而引起的图像变化。近年来，随着航天技术和传感器技术的不断发展，人们对地观测的手段越来越丰富，包括红外遥感成像技术。与可见光遥感图像不同，红外遥感图像反映了地物的温度特性，相同的地物，由于其工作状态不同，会引起其红外图像的差异，也就是说，通过红外遥感图像可以发现关于地物更高层次的信息，这是仅利用可见光遥感图像无法做到的。因此，通过红外遥感图像进行变化检测，可以发现同一地物工作状态的变化，这对于目标状态监测有着极其重要的价值。另一方面，由于红外遥感图像反应的是地物的温度特性，而不同的地物可以具有相同的温度，所以仅利用红外遥感图像无法很好地检测出因地物发生变化而引起的图像变化。

由于航天技术的发展，一颗卫星上同时搭载多种传感器已越来越普遍，这给变化检测技术带来了新的机遇，使得同时利用多源图像信息进行变化检测成为可能，从而可以有效综合各种图像源的优势。例如，通过融合可见光遥感图像的变化检测结果和红外遥感图像的变化检测结果，不仅可以检测出由于地物发生变化而引起的图像变化，还可以检测出由于地物工作状态发生变化而引起的图像变化。因此，如何有效地利用多种图像传感器得到的信息进行变化检测将是一项极具应用潜力的技术，也是遥感图像变化检测技术的发展趋势所在。尽管国内外现有许多变化检测的方法，然而这些方法都是针对单一图像源进行的，基于多源数据进行图像变化检测的方法还不多见。

发明内容

有鉴于此，本发明综合利用图像处理、模式识别和机器学习技术，提供一种有效的基于多源(可见光、红外)目标特征的红外遥感图像变化自动检测技术。

在本发明的基于多源目标特征和机器学习的红外遥感图像变化检测方法中，输入数据为同一时间同一地点的可见光和红外遥感图像以及另一时间同一地点的可见光和红外遥感图像，该方法包括以下步骤：步骤S1：对可见光遥感图像进行变化检测，得到初始的检测结果，即区分出变化目标和不变化目标；步骤S2：通过可见光遥感图像和红外遥感图像配准，将步骤S1可见光遥感图像变化检测得到的变化目标和不变化目标变换至红外遥感图像；步骤S3：提取变化和不变化目标的红外图像特征以及可见光图像特征，得到多源目标特征；步骤S4：根据可见光遥感图像变化检测结果以及目标多源图像特征之间的距离，从可见光变化目标中选择距离较大的一部分目标，同时从可见光不变化目标中选择距离较大的一部分目标共同组成正样本，从可见光不变化目标中选择距离较小的一部分目标作为负样本，将选择的正样本和负样本作为训练样本；步骤S5：根据选择的训练样本训练SVM得到变化检测模型；步骤S6：利用得到的变化检测模型对所有目标的多源目标特征进行变化检测，得到红外遥感图像变化检测结果。

本发明的有益效果是，本发明通过基于多源(可见光、红外)目标特征的红外遥感图像变化自动检测，结合可见光遥感图像变化检测、特征提取和机器学习技术，解决了红外遥感图像变化自动检测问题，不仅可以检测出由地物发生变化而引起的图像变化，还能检测出由地物工作状态发生变化而引起的图像变化，避免了使用单一红外遥感图像无法有效检测出由地物发生变化而引起的图像变化以及使用单一可见光遥感图像无法有效检测出由地物工作状态发生变化而引起的图像变化的问题。该方法稳定性高，适用范围广，可广泛应用于目标监测、灾害监测、城市规划、环境保护等系统中。

附图说明

图1是本发明基于多源目标特征和机器学习的红外遥感图像变化自动检测技术流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

本发明的方法既可以在个人计算机、工控机及服务器上以软件的形式安装并执行，也可将方法做成嵌入式芯片以硬件的形式来体现。

图1是本发明基于多源目标特征和机器学习的红外遥感图像变化自动检测技术流程图。

参照图1，在步骤S1，进行可见光遥感图像变化检测。采用现有的对象级变化检测方法进行检测，首先对输入图像进行图像分割，然后针对每个分割结果(对象)提取变化特征，计算变化概率，最后对变化概率阈值化操作得到可见光遥感图像的变化检测结果，区分出变化目标和不变化目标，计算得到的变化概率如果低于变化概率阈值，则分割对象被判断为不变化目标。

在步骤S2，可见光与红外遥感图像配准，将步骤S1得到的可见光遥感图像变化检测结果(包括变化目标和不变化目标)变换至红外遥感图像。在该步骤，先将变化前可见光遥感图像配准至变化前红外遥感图像，得到图像目标在变化前红外遥感图像上的位置；然后将变化后可见光遥感图像配准至变化后红外遥感图像，得到相应的图像目标在变化后红外遥感图像上的位置。

在步骤S3，对步骤S2得到的目标提取红外图像特征和可见光图像特征，用于变化检测。在该步骤，对于某一目标，分别在变化前红外遥感图像上的对应区域以及变化后红外遥感图像上的对应区域提取图像特征，构成该目标相应的红外变化特征。在提取特征时，为了避免不同目标大小对变化检测结果的影响，采用目标红外遥感图像的灰度以及梯度方向分布的均值和方差来构造目标的变化特征。给定一个目标，其红外变化特征可以记为：f_ir＝(mean₍₁₎(I)，δ₍₁₎(I)，mean₍₂₎(I)，δ₍₂₎(I)，mean₍₁₎(GOD)，δ₍₁₎(GOD)，mean₍₂₎(GOD)，δ₍₂₎(GOD))，其中下标(1)和(2)分别指变化前红外遥感图像和变化后红外遥感图像，mean是均值，δ是标准差，I指图像灰度，而GOD是梯度方向分布。具体地，假定将梯度(m，θ)划分至n个方向中，m为梯度幅值，θ为梯度方向，那么GOD＝(d₁，d₂，…，d_n)，其中

n是梯度方向直方图的维数，一般取值为8。d_i表示梯度分布在第i个方向上的加权幅值，α(θ，(2π/n)×(i-1))表示梯度方向θ与方向(2π/n)×(i-1)之间的夹角。同样地，可以在变化前可见光遥感图像上该目标的对应区域以及变化后可见光遥感图像上该目标的对应区域提取类似的图像特征，构成该目标的可见光变化特征f_vis。那么该目标的多源变化特征为：(f_ir，f_vis)。

在步骤S4，进行训练样本选择。基于可见光遥感图像变化检测结果以及多源图像特征提取的结果，选择正样本(变化目标)和负样本(不变化目标)用于训练红外目标变化检测模型。

对于可见光遥感图像来说，检测得到的变化目标是由于地物发生变化而引起的，此类变化目标在红外遥感图像上也应该作为变化目标(尽管有些变化在红外遥感图像上可能不太明显)，另一方面，对于由于地物工作状态变化引起的图像变化，在可见光遥感图像上无法检测得到，这类物体仍然被分为不变化目标，需要通过红外遥感图像来判断。综合考虑这些因素，在选择正样本的时候，其中一部分从可见光遥感图像变化检测结果中的变化目标中选择得到，另一部分从可见光遥感图像变化检测结果中的不变化目标中选择得到，而负样本全部从可见光遥感图像变化检测结果中的不变化目标中选择得到。

具体地，首先针对所有目标，计算目标多源特征距离：

dis(mean₍₁₎(GOD_ir)，mean₍₂₎(GOD_ir))+dis(δ₍₁₎(GOD_ir)，δ₍₂₎(GOD_ir))+dis(mean₍₁₎(GOD_vis)，mean₍₂₎(GOD_vis))+dis(δ₍₁₎(GOD_vis)，δ₍₂₎(GOD_vis))，其中

然后在可见光遥感图像变化检测结果中的变化目标中，选择其中距离最大的m＝N/10个目标作为正样本(N为所有目标的个数)，同时在可见光遥感图像变化检测结果中的不变化目标中，选择其中距离最大的m个目标作为正样本；然后在可见光遥感图像变化检测结果中的不变化目标中，选择其中距离最小的2m个目标作为负样本。

在步骤S5，将这些选择好的正负样本的多源变化特征(步骤S3计算得到)作为训练数据，对SVM训练，得到变化检测模型。

在步骤S6，根据步骤S5得到的变化检测模型，对步骤S3中计算得到的所有目标的多源变化特征进行变化检测，确定最终变化目标。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (11)

1.一种基于多源目标特征和机器学习的红外遥感图像变化检测方法，其中输入数据为同一时间同一地点的可见光和红外遥感图像以及另一时间同一地点的可见光和红外遥感图像，该方法包括以下步骤：

步骤S1：对可见光遥感图像进行变化检测，得到初始的检测结果，即区分出变化目标和不变化目标；

步骤S2：通过可见光遥感图像和红外遥感图像配准，将步骤S1可见光遥感图像变化检测得到的变化目标和不变化目标变换至红外遥感图像；

步骤S3：提取变化和不变化目标的红外遥感图像特征以及可见光遥感图像特征，得到多源目标特征；

步骤S4：根据可见光遥感图像变化检测结果以及目标多源图像特征之间的距离，分别从可见光遥感图像变化目标中与不变化目标中选择一部分作为正样本、从可见光遥感图像不变化目标中选择一部分作为负样本，将选择的正样本和负样本作为训练样本；

步骤S5：根据选择的训练样本训练SVM得到变化检测模型；

步骤S6：利用得到的变化检测模型对所有目标的多源目标特征进行变化检测，得到红外遥感图像变化检测结果。

2.如权利要求1所述的变化检测方法，其特征在于，利用两幅输入的可见光遥感图像进行变化检测，得到初始的变化目标和不变化目标。

3.如权利要求1所述的变化检测方法，其特征在于，采用可见光红外图像配准的方法，将可见光遥感图像检测得到的变化目标和不变化目标变换至红外遥感图像。

4.如权利要求1所述的变化检测方法，其特征在于，采用可见光遥感图像特征和红外遥感图像特征对目标进行多源特征描述，通过SVM训练得到的变化检测模型对多源目标特征做判断进行变化检测。

5.如权利要求1所述的变化检测方法，其特征在于，基于可见光遥感图像变化检测的结果以及目标多源图像特征之间的距离，选择正负样本用于变化检测模型的训练。

6.如权利要求2所述的变化检测方法，其特征在于，在步骤S1，采用对象级的变化检测方法得到变化/不变化的目标。

7.如权利要求4所述的变化检测方法，其特征在于，根据目标的可见光光谱特征、可见光梯度方向分布特征、红外光谱特征、红外梯度方向分布特征对多源图像特征进行描述。

8.如权利要求5所述的变化检测方法，其特征在于，基于可见光遥感图像的变化检测结果，选择其中一部分多源目标特征变化较大的变化目标以及一部分多源目标特征变化较大的不变化目标共同组成正样本，选择其中一部分多源目标特征变化不大的不变化目标组成负样本。

9.如权利要求1所述的变化检测方法，其特征在于，在步骤S3，采用目标红外遥感图像的灰度以及梯度方向分布的均值和方差来构造目标的红外变化特征，给定一个目标，其红外变化特征可以记为：f_ir＝(mean₍₁₎(I)，δ₍₁₎(I)，mean₍₂₎(I)，δ_（2)(I)，mean₍₁₎(GOD)，δ₍₁₎(GOD)，mean₍₂₎(GOD)，δ₍₂₎(GOD))，其中下标(1)和(2)分别指变化前红外遥感图像和变化后红外遥感图像，mean是均值，δ是标准差，I指图像灰度，而GOD是梯度方向分布。

10.如权利要求9所述的变化检测方法，其特征在于，在步骤S3，假定将梯度(m，θ)划分至n个方向中，m为梯度幅值，θ为梯度方向，那么GOD＝(d₁，d₂，…，d_n)，其中

n是梯度方向直方图的维数，d_i表示梯度分布在第i个方向上的加权幅值，α(θ，(2π/n)×(i-1))表示梯度方向θ与方向(2π/n)×(i-1)之间的夹角。

11.如权利要求10所述的变化检测方法，其特征在于，在步骤S3，在变化前可见光遥感图像上对所述目标的对应区域以及变化后可见光遥感图像上该目标的对应区域提取与f_ir类似的图像特征，构成该目标的可见光变化特征f_vis，则该目标的多源变化特征为：(f_ir，f_vis)。

Images