CN103077515A - 一种多光谱图像建筑物变化检测方法 - Google Patents
一种多光谱图像建筑物变化检测方法 Download PDFInfo
- Publication number
- CN103077515A CN103077515A CN2012105875763A CN201210587576A CN103077515A CN 103077515 A CN103077515 A CN 103077515A CN 2012105875763 A CN2012105875763 A CN 2012105875763A CN 201210587576 A CN201210587576 A CN 201210587576A CN 103077515 A CN103077515 A CN 103077515A
- Authority
- CN
- China
- Prior art keywords
- buildings
- image
- variation
- change
- phase
- 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
- 230000008859 change Effects 0.000 title claims abstract description 112
- 238000001514 detection method Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 90
- 238000012360 testing method Methods 0.000 claims description 14
- 239000000284 extract Substances 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 6
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 36
- 238000010276 construction Methods 0.000 description 15
- 238000007689 inspection Methods 0.000 description 14
- 238000011156 evaluation Methods 0.000 description 8
- 238000001228 spectrum Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 238000000513 principal component analysis Methods 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 239000004744 fabric Substances 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 239000011800 void material Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004040 coloring Methods 0.000 description 2
- 238000010835 comparative analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 244000000626 Daucus carota Species 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 235000005770 birds nest Nutrition 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 235000005765 wild carrot Nutrition 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种多光谱图像建筑物变化检测方法。首先进行基于像素比值法的变化检测,得到全部地物的变化区域,这个区域做为建筑物变化候选区域。在用比值法检测出的变化区域上进行基于建筑物特征的变化检测,由于采用一种特征容易造成误检,所以本方法采取了纹理特征和色调特征顺序相结合的方式进行特征级变化检测,将建筑物的变化和其他地物的变化区别开来,提高建筑物检测的准确率,降低误检率。
Description
技术领域
本发明涉及一种建筑物变化检测方法,尤其是涉及一种多光谱图像建筑物变化检测方法。
背景技术
传统的遥感图像变化检测方法建立在基于像素级别的光谱信息分析基础上,它们的共同特征是只能使用图像的强度量,即灰度值的统计信息。变化检测性能受到以下因素的严重制约:图像辐射差异、配准误差和阈值的选取,而且用像素级变化检测的地物变化类型无法确定,得到的是全部地物的变化。
高分辨率遥感图像则给遥感技术的发展带来了重大的变化,在高空间分辨率的卫星图像上,地物景观的结构、纹理和细节等信息都非常清楚地表现出来,除了地物光谱信息,还可以获得关于地物结构、形状和纹理方面的信息。特征级变化检测主要利用某类地物的特征区别于其他地物来进行变化检测,特征在图像上表现一般较稳定,受辐射差异影响较小,不易受遥感图像时相变化的影响。单独使用某一特征进行变化检测有可能造成漏检或误检。
与本发明最相近似的实现方案包括:比值法变化检测方法、纹理特征变化检测方法、基于建筑物纹理特征及阴影检测变化检测方法、面向对象分类后变化检测方法,以及多特征证据融合的图像变化检测方法。
目前,常用的基于像素的变化检测方法主要有图像差值法、图像比值法、图像回归法、主成分分析法四种方法。图像比值法是将不同时相的遥感图像对应波段进行逐像素相除。通过对不同时相图像做相对辐射校正,得到的比值图像增强了变化信息,其中像素比值为1或者近似为1的认为是未发生变化的区域,像素比值明显高于或低于1的认为是发生变化的区域。比值法的理论假设是比值图像呈正态分布,通常采用均值和标准偏差作为标准划分变化与非变化区域,但对于很多实际问题该假设并不总是成立的,这时变化阈值的选择就成为比值法变化检测是否有效的关键。比值法直观,容易掌握,变化检测速度快,但这种方法过于简单,很难考虑到所有因素的影响,容易造成大量信息的流失。本发明分别采用像素比值法、差值法、图像回归法、主成分分析法四种方法进行基于像素的变化检测,并对这四种方法进行比较。综合正确率、虚检率和漏检率三个指标来看,比值法是对建筑物检测最好的基于像素的变化检测方法。
比值法是基于像素的变化检测方法,由于简单直接,忠实于原始数据,不会像其他方法由于方法本身而对检测前的变化信息加以改变,保证了变化检测结果的可靠性。然而不同时相的遥感图像之间由于不同季节,不同时刻的光照、辐射、误配准等因素造成不同时相拍摄的图像对应位置的灰度值存在整体或者部分的偏差,因此简单地对灰度值运算得到的差异图进行阈值分割,所得到的变化检测结果中存在很多伪变化信息。
建筑物在遥感图像上呈现出来的特征有光谱特征、纹理特征、色调特征、形状特征、空间结构特征等,这些特征在对建筑物进行变化检测时是非常有用的,合理运用建筑物的特征进行建筑物变化检测将会提高建筑物检测的精度和效率。图像纹理特征代表物体表面特性,是地物在局部分布无条理,而整体上分布有规则,对于不同地物有不同纹理模式,建筑物在局部一般分布比较整齐,具有一定的纹理特征。建筑物在变化前后呈现不同的纹理特征,因此可以利用纹理特征检测建筑物变化。
刘小洲提出了一种基于建筑物纹理特征及阴影检测变化检测方法,首先利用纹理特征检测建筑物的初始变化区域,然后再实现建筑物的阴影变化检测,最后去除阴影的影响来提高建筑物的变化检测正确率,这种方法容易受到其他地物阴影的影响。
唐朴谦等提出一种基于像素比值法的面向对象分类后变化检测方法,首先用像素比值法检测出变化区域,再对变化区域进行面向对象的分类后变化检测,检测出各个地物类的变化。采用面向对象分类主要是人工参与,过程比较繁琐,
汪闽等提出一种多特征证据融合的图像变化检测方法,通过计算两时相图像的纹理、梯度、边缘三种特征的结构相似度来构建D-S证据理论并进行证据合成,通过某种规则确定变化区域,但规则较难确定。
目前的研究表明,没有任何一种变化检测方法具有绝对的优势。在实际的应用中,要根据具体的应用目的,选取合适的变化检测方法。
发明内容
本发明的上述技术问题主要是通过下述技术方案得以解决的:
一种多光谱图像建筑物变化检测方法包括以下步骤:
步骤1,对多个时相的遥感图像进行基于比值法的像素级变化检测,得到包含建筑物变化的候选区域,所述多个时相的遥感图像包括同一区域的前时相多光谱图像和后时相多光谱图像;
步骤2,在候选区域上再进行基于建筑物特征的变化检测,提取纹理和色调特征进行变化检测,得到建筑物的变化信息。
在上述的一种多光谱图像建筑物变化检测方法,所述的步骤1的具体过程是:分别针对遥感图像的前时相多光谱图像和后时相多光谱图像进行基于比值法的像素级变化检测得到包含建筑物变化的前时相多光谱图像候选区域和后时相多光谱图像的候选区域。
在上述的一种多光谱图像建筑物变化检测方法,所述的步骤2中,提取纹理特征进行变化检测的具体过程是:针对步骤1中得到的包含建筑物变化的前时相多光谱图像候选区域,进行建筑物纹理特征的变化检测,并从前时相图像纹理特征图像中分割出建筑物;针对后时相多光谱图像的候选区域进行建筑物纹理特征的变化检测,并从后时相图像纹理特征图像中分割出建筑物;并对前时相图像纹理特征图像中的建筑物和后时相图像纹理特征图像中的建筑物进行逐像素比较,得到整个遥感图像的建筑物变化区域,并将建筑物变化区域标记在原图像上。
在上述的一种多光谱图像建筑物变化检测方法,所述的步骤2中,提取色调特征进行变化检测的具体过程是:获取前时相多光谱图像和后时相多光谱图像的色调特征图像,并结合步骤2中得到的建筑物变化区域采用异或方法将建筑物的变化检测出来,并将检测结果作为建筑物的最终变化检测结果。
本发明提出的多光谱图像建筑物变化检测方法首先利用像素比值法对两个时相图像进行变化检测,得到全部地物变化信息,在这个变化区域上再进行特征级变化检测,这样缩小了特征级变化检测的范围,降低了非变化区域对检测结果的影响;在进行特征级变化检测时采用纹理特征和色调特征相结合的方式,由于建筑物和其他地物在这两种特征上的差异性,降低了分类中的同物异谱和同谱异物的影响;建筑物阴影的色调和建筑物本身的色调区别明显,提取建筑物的色调特征减少了建筑物阴影的影响;采用色调特征和纹理特征结合降低了对建筑物边缘的依赖性,有效地提高了建筑物的检测正确率,降低了检测的虚检率。表3给出了不同变化检测方法的评价结果。
附图说明
附图1是本发明的方法流程示意图。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
实施例:
1.首先,介绍一下本发明采用的基于像素比值法的像素级变化检测原理。
建筑物在遥感图像上的最基本变化就是像素灰度值的变化,因此,像素灰度值也可以看做是图像的基本特征。像素级变化检测定义为直接对两时相的图像进行像素值的运算,以此构建差值图像,并根据某种判别规则得到变化区域。常用的像素级变化检测方法主要有像素差值法、像素比值法、图像回归法等。像素差值法实现起来简单直接,但是在变化检测时会出现许多小碎片。像素比值法可以减少图像获取时太阳角度和地形的影响,但是比值法结果往往是非正态分布。图像回归法的特点是先建立图像间的回归等式,然后相减,可以减少大气、入射角和环境差异的影响,但是需要得到准确的回归等式,选择合适的波段。基于遥感图像像素级的变化检测方法检测的是全部地物的变化信息,它不仅包括建筑物的变化,还包括建筑物所在区域其他地物的变化,而且地物变化类型未知,因此如何有效地抑制建筑物周围地物的误检是像素级变化检测面对的主要问题。
基于像素级变化检测另外一个重要问题是如何区分差异图像的变化区域和非变化区域。通过分析差异图像及其直方图,选取合适的阈值来准确区分各像素属于变化区域还是非变化区域,并对差异图像的像素依据其灰度值进行0或1的二值化分割(其中0代表非变化,1代表变化,若转化为8位的灰度值则分别为0和255),提取变化信息,由此可得到差异图像的代表地物变化的二值图像。
本发明采用像素比值法、差值法、图像回归法、主成分分析法四种方法进行变化检测,并对这四种方法进行比较。综合正确率、虚检率和漏检率三个指标来看,比值法是对建筑物检测最好的方法。
本发明中像素级变化检测方法采用唐朴谦等提出的基于3×3的小窗口矩阵像素比值法。具体方法如下:用图像中以某像素为中心的3×3的小窗口矩阵替代这个像素,并求小窗口中所有像素和来做比值,设在不同时相遥感图像上这样的小窗口矩阵分别为M1、M2,小窗口矩阵中所有像素之和的比值为α,则有公式:
得到两个时相多光谱遥感图像的比值差异图像,由于建筑物在变化前后的灰度值相差较大,而不变的建筑物灰度值相差较小,故可以设定阈值为0.25,使得比值α大于0.25的像素点标记为变化像素,用1来表示;比值α小于0.25的像素点标记为不变像素,用0来表示。这样就得到一幅包括所有地物变化的二值图像,用1表示变化区域,用0表示不变区域。
可采用客观评价法对变化检测的结果进行分析,客观评价的指标主要包括变化检测正确率、虚检率、漏检率三个客观评价指标。
变化检测正确率:
Ptd=Ctd/Ct (2)
变化检测虚检率:
Pfd=Cfd/Cd (3)
变化检测漏检率:
Pld=Cld/Ct (4)
其中,Ct为遥感图像中建筑物区域真实变化像素点的总和,本发明首先对两个不同时相的多光谱图像进行人工判读,给出所有建筑物的位置,利用eCognition软件对图像进行合适尺度的分割,再将所有建筑物提取出来,得到两个不同时相多光谱图像的建筑物区域后,利用逐像素比较的方法统计建筑物变化区域的像素点总数,就是Ct。
Cd为检测出的建筑物区域变化像素点总和,Ctd为在真实变化像素中检测出的建筑物区域变化像素点个数,Cfd为建筑物区域中实际不变却被检测为变化的虚检像素点个数,Cld为建筑物区域中漏检的真实变化像素点个数。经计算得到各个指标的值见表1。
表1变化检测客观评价结果
评价指标 | 正确率 | 漏检率 | 虚检率 |
实验结果 | 64.04% | 35.96% | 67.26% |
2.介绍一下本发明采用的特征级变化检测原理。
特征级变化检测利用建筑物区别于其他地物的特征来检测建筑物变化,可利用的特征有纹理特征、色调特征、几何特征、空间结构特征等。
图像纹理特征代表物体表面特性,是地物在局部分布无条理,而整体上分布有规则,对于不同地物有不同纹理模式,建筑物在局部一般分布比较整齐,具有一定的纹理特征。建筑物在变化前后呈现不同的纹理特征,因此可以利用纹理特征检测建筑物变化。色调是地物电磁辐射能量在图像上的模拟记录,在黑白图像上表现为灰度,在彩色图像上表现为颜色。在遥感图像上各种地物都有自己的主色调,利用主色调可以将这些地物区别开来,例如植被的主色调是绿色,道路的主色调是灰色,水的主色调是黑色等,建筑物虽然在大范围内色调不统一,但是一般在小区域范围内具有稳定的主色调。在多光谱图像中,在变化前后的色调一般会有较大的区别,因此,本发明主要采用纹理、色调特征进行建筑物的变化检测。
纹理特征的提取方法有很多种,如基于灰度共生矩阵、小波变换以及地学统计学变差函数的纹理特征提取算法等。其中基于灰度共生矩阵的纹理提取算法是应用最为广泛的方法,灰度共生矩阵强调灰度的空间依赖性,其特点是体现了在一种纹理模式下的像素灰度的空间关系。灰度共生矩阵中的元素点(i,j)的值表示了在一定大小的窗口中一个像素的灰度值为i,另一个像素的灰度值为j,并且相邻距离为d,方向为a的这样两个像素出现的频率。灰度共生矩阵的各元素值由下式确定:
其中:P(i,j,d,a)是灰度分别为i和j,距离为d且方向为a的像素点对的出现次数。Haralick等人定义了14个用于纹理分析的灰度共生矩阵特征参数,比较常用的有均值、方差、对比度、差异性、角二阶矩、熵、相关性、均一度等。本发明比较这几种纹理特征分析参数,选取对于建筑物变化检测精度最高的一种应用到特征级变化检测方法中。
利用纹理特征进行建筑物变化检测首先要计算不同时相遥感图像上每个像素点处的灰度共生矩阵,据此计算出每个像素点处相应的纹理统计特征值,由此构成纹理特征图像。有些学者将纹理特征图像作为原图像的一个逻辑波段加入到原图像中进行分类,由此得到各个地物的类型,再进行变化检测,这样做得到的是所有地物的变化,如果要得到特定目标如建筑物的变化,就必须将建筑物单独作为一类,其他地物合并为一类,将原分类图像分为建筑物类和非建筑物类,再做变化检测,过程比较繁琐。
本发明采用图像分割方法进行建筑物的提取,在得到纹理特征图像后,根据图像灰度直方图或根据经验设定合适阈值分别将两个不同时相的纹理图像直接分割为建筑物区域和非建筑物区域,将建筑物区域用1来表示,非建筑物区域用0来表示,这样就得到两个时相建筑物区域的二值图像,通过对两个时相图像进行逐像素比较的方式来检测出两时相二值图像之间所有的不同像素点,并用1表示变化区域,用0表示不变区域,这样就得到建筑物变化区域二值图像。用红色代表建筑物变化区域,蓝色代表不变区域和其他地物区域。
3.本发明采用的结合上述两种方法的多光谱图像建筑物变化检测方法原理。
像素级变化检测可以得到全部地物的变化信息,其中包括建筑物的变化,可以利用建筑物区别于其他地物的特征从变化区域中提取。单独使用纹理特征级的变化检测需要计算整幅图像的纹理特征统计量,再进行分割,提取建筑物,容易造成建筑物分割的错误。本发明提出一种多光谱图像建筑物变化检测方法,首先进行像素级变化检测,得到包括建筑物变化在内的候选变化区域,然后在这个建筑物候选变化区域上进行特征级变化检测,即从变化候选区域中提取出建筑物的变化,得到建筑物的变化信息。采用先像素级变化检测得到变化区域的方法可以缩小检测范围,特征级变化检测可以在该候选变化区域上进行,这样可以有效减少未发生变化区域对于变化检测结果的影响。
利用像素比值法将变化区域检测出来后,将其标记在两个不同时相的图像中,使图像在变化区域的信息不变,而在不变区域的值设为0。对两幅图像进行基于建筑物特征的变化检测,计算两时相图像在变化区域的纹理特征统计量,分别得到两个时相的纹理特征图像,再对这两幅纹理图像进行阈值分割,建筑物区域像素点置为1;非建筑物区域像素点置为0,得到建筑物的二值化图像。对这两幅二值图像使用异或方法得到建筑物变化区域,对两个时相二值建筑物纹理图像同一位置处的像素进行逐一比较,同一位置处像素值相同为1或者相同为0,变化图像的值置为0;同一位置处像素值不相同,一个为0,另一个为1,变化图像的值置为1,得到利用纹理检测建筑物变化的图像。
在进行建筑物变化检测时使用单一的特征很容易造成误检,所以本发明采用纹理和色调特征结合进行建筑物变化检测。
色调是地面物体的电磁波特性在图像上的反映,在黑白影像上表现为灰度,在彩色影像上表现为颜色。在遥感图像上各种地物都有自己的主色调,利用主色调可以将这些地物区别开来,建筑物虽然在大范围内色调不统一,但是在小区域范围内具有稳定的主色调,而且建筑物在变化前后色调会有较大的区别,这就为利用色调特征检测建筑物变化带来可能。一般图像上显示的是RGB颜色信息,要得到色调信息,须将颜色信息从RGB空间转换到HSV空间。
在用纹理特征检测出建筑物的变化区域后,将这个区域标记在两个时相的图像中,使得图像在建筑物变化区域的信息不变,而在建筑物不变区域的值变为0。将两个时相的图像从RGB空间转换到HSV空间,在HSV空间中,H代表色调,S代表饱和度,V代表纯度。从HSV空间提取H分量,分别得到两时相色调特征图像,对其进行阈值分割,将建筑物从色调特征图像中分割出来,并二值化,得到二值图像,用1代表建筑物,0代表非建筑物,再用异或方法将建筑物的变化检测出来,并将检测结果作为建筑物的最终变化检测结果。多光谱图像建筑物变化检测方法流程图如图1所示。
4.具体的案例。
为了验证本发明方法的有效性和可行性,我们采用了多组不同时相的遥感图像进行了实验,实验图像包括上海城区、北京鸟巢地区、汶川地区等多组多光谱遥感图像,实验结果表明综合像素级和特征级的建筑物变化检测方法取得了较好的建筑物变化检测效果。本发明给出了利用图1所示的一组图像进行建筑物的变化检测,对比分析两个时相图像可以发现,一部分建筑物倒塌,一部分建筑物完好无损,建筑物发生了较明显的变化。
我们实现了几种不同的变化检测方法,并对比分析了不同方法变化检测结果的有效性。图4分别给出了利用像素比值法、纹理特征法、纹理特征去除阴影法、面向对象分类后比较法、多特征D-S证据融合以及本发明方法得到的建筑物变化检测结果。采用纹理特征进行建筑物变化检测时,经提取建筑物不同的纹理特征发现建筑物方差特征能保持建筑物的边缘清晰,保证建筑物边缘的完整性,因此本发明提取建筑物的纹理方差特征来进行变化检测。
对比分析以上六种方法的实验结果,可以看到,单独使用像素比值法进行变化检测得到的变化区域范围最大,它不仅包含了建筑物的变化,而且包含了建筑物周围其他地物的变化,从两个时相原图像可以看到,建筑物周围地物如道路、植被等都有较大变化,单独利用图像像素信息进行变化检测无法获取建筑物变化信息。提取纹理特征进行建筑物变化检测效果明显优于像素比值法,首先提取建筑物在两个时相上的纹理特征,再对提取出的建筑物区域逐像素比较进行变化检测,这种方法充分利用建筑物在图像上的特征来检测建筑物的变化,但是图像上存在一些纹理特征和建筑物相似的区域,进行阈值分割后这些区域被当作建筑物区域保留下来,并参与了逐像素比较过程,这些区域构成了变化检测虚检的部分。检测建筑物阴影的变化并在纹理特征变化图像中去除阴影的影响,可以在一定程度上减少虚检率,这种方法适用于建筑物阴影较多的图像,阴影的影响比较大,而且其他地物阴影的影响应当非常小;在建筑物排列较密集的区域,建筑物阴影被建筑物遮挡,阴影的影响有限,这些区域建筑物面积远远超过阴影面积,仅仅消除阴影对变化检测的影响不能有效提高检测效果。面向对象分类后比较法首先对图像进行像素比值法检测变化区域,再利用图像的光谱特征对变化区域地物进行分类,图像上地物共分两类,建筑物类作为一类,其他地物合并为一类,再进行变化检测。由于遥感图像存在同物异谱和同谱异物的现象,对一些光谱特征相近的地物进行分类很容易造成分类混淆,如道路和部分建筑物的光谱比较相似,单纯利用光谱进行分类容易出现分类混淆,从实验结果可以看出,建筑物和道路以及建筑物和建筑物废墟之间出现了分类混淆的现象,影响了变化检测正确率。多特征证据融合采用了纹理、梯度、边缘三种特征进行证据融合,构建两个时相图像的结构相似度再进行证据判别,得到变化区域,由于后时相图像在地震后建筑物和非建筑物的边缘特征不是很显著,道路被倒塌的建筑物覆盖掉,结合三种特征进行变化检测出现了很多孤立的离散小区域,虚检信息较多,这些区域主要是图像中道路和倒塌建筑物区域带来的影响。
本发明提出的多光谱图像建筑物变化检测方法首先利用像素比值法对两个时相图像进行变化检测,得到全部地物变化信息,在这个变化区域上再进行特征级变化检测,这样缩小了特征级变化检测的范围,降低了非变化区域对检测结果的影响;在进行特征级变化检测时采用纹理特征和色调特征相结合的方式,由于建筑物和其他地物在这两种特征上的差异性,降低了分类中的同物异谱和同谱异物的影响;建筑物阴影的色调和建筑物本身的色调区别明显,提取建筑物的色调特征减少了建筑物阴影的影响;采用色调特征和纹理特征结合降低了对建筑物边缘的依赖性,有效地提高了建筑物的检测正确率,降低了检测的虚检率。表2给出了不同变化检测方法的评价结果。
表2不同变化检测方法的评价结果
从表2可以看到,相对于单独使用像素级变化检测和单独使用纹理特征变化检测,本发明提出的多光谱图像建筑物变化检测方法正确率分别提高了15%和7%左右,虚检率明显降低,分别降低了41%和31%左右,由于特征级变化检测针对的是感兴趣目标的变化,所以虚检率比像素级要低得多,将像素级和特征级结合可以减少非变化区域的影响,可以达到比较好的检测效果。由于建筑物阴影在图像上只是很小一部分,所以去除阴影的方法还是有一定的局限性;本发明方法与多特征D-S融合法相比正确率有一定提高,虚检率也有所下降;与面向对象分类后比较相比,将像素级和特征级结合起来后变化检测正确率提高了5%,虚检率则减少了10%左右,在一定程度上减少了与建筑物光谱相似的地物对变化检测的影响。
本文中所描述的具体实施例仅仅是对本发明方法精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (4)
1.一种多光谱图像建筑物变化检测方法,其特征在于,包括以下步骤:
步骤1,对多个时相的遥感图像进行基于比值法的像素级变化检测,得到包含建筑物变化的候选区域,所述多个时相的遥感图像包括同一区域的前时相多光谱图像和后时相多光谱图像;
步骤2,在候选区域上再进行基于建筑物特征的变化检测,提取纹理和色调特征进行变化检测,得到建筑物的变化信息。
2.根据权利要求1所述的一种多光谱图像建筑物变化检测方法,其特征在于,所述的步骤1的具体过程是:分别针对遥感图像的前时相多光谱图像和后时相多光谱图像进行基于比值法的像素级变化检测得到包含建筑物变化的前时相多光谱图像候选区域和后时相多光谱图像的候选区域。
3.根据权利要求2所述的一种多光谱图像建筑物变化检测方法,其特征在于,所述的步骤2中,提取纹理特征进行变化检测的具体过程是:针对步骤1中得到的包含建筑物变化的前时相多光谱图像候选区域,进行建筑物纹理特征的变化检测,并从前时相图像纹理特征图像中分割出建筑物;针对后时相多光谱图像的候选区域进行建筑物纹理特征的变化检测,并从后时相图像纹理特征图像中分割出建筑物;并对前时相图像纹理特征图像中的建筑物和后时相图像纹理特征图像中的建筑物进行逐像素比较,得到整个遥感图像的建筑物变化区域,并将建筑物变化区域标记在原图像上。
4.根据权利要求2所述的一种多光谱图像建筑物变化检测方法,其特征在于,所述的步骤2中,提取色调特征进行变化检测的具体过程是:获取前时相多光谱图像和后时相多光谱图像的色调特征图像,并结合步骤2中得到的建筑物变化区域采用异或方法将建筑物的变化检测出来,并将检测结果作为建筑物的最终变化检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210587576.3A CN103077515B (zh) | 2012-12-29 | 2012-12-29 | 一种多光谱图像建筑物变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210587576.3A CN103077515B (zh) | 2012-12-29 | 2012-12-29 | 一种多光谱图像建筑物变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103077515A true CN103077515A (zh) | 2013-05-01 |
CN103077515B CN103077515B (zh) | 2015-07-22 |
Family
ID=48154034
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210587576.3A Active CN103077515B (zh) | 2012-12-29 | 2012-12-29 | 一种多光谱图像建筑物变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103077515B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650663A (zh) * | 2016-12-21 | 2017-05-10 | 中南大学 | 建筑物真伪变化的判定方法及含此方法的伪变化去除方法 |
CN106683112A (zh) * | 2016-10-10 | 2017-05-17 | 中国交通通信信息中心 | 一种基于高分辨率图像的道路路域建筑物变化提取方法 |
CN107730496A (zh) * | 2017-10-26 | 2018-02-23 | 武汉大学 | 一种基于影像块的多时相遥感影像建筑物变化检测方法 |
CN108898143A (zh) * | 2018-06-28 | 2018-11-27 | 中国地震局地震预测研究所 | 一种建筑物损毁状态检测方法 |
CN108898144A (zh) * | 2018-06-28 | 2018-11-27 | 中国地震局地震预测研究所 | 一种建筑物损毁状态检测方法 |
CN109741377A (zh) * | 2018-11-30 | 2019-05-10 | 四川译讯信息科技有限公司 | 一种图像差异检测方法 |
CN110956207A (zh) * | 2019-11-22 | 2020-04-03 | 苏州中科天启遥感科技有限公司 | 一种光学遥感影像全要素变化检测方法 |
CN111738972A (zh) * | 2019-03-19 | 2020-10-02 | 阿里巴巴集团控股有限公司 | 建筑检测系统、方法和装置 |
CN111798415A (zh) * | 2020-06-16 | 2020-10-20 | 中设设计集团股份有限公司 | 一种高速公路控制区建筑物监测方法、装置及存储介质 |
CN111932457A (zh) * | 2020-08-06 | 2020-11-13 | 北方工业大学 | 遥感影像高时空融合处理算法及装置 |
CN114387530A (zh) * | 2022-01-13 | 2022-04-22 | 山东土地集团数字科技有限公司 | 一种基于遥感影像技术的土地利用属性的监测方法 |
CN117152619A (zh) * | 2023-10-27 | 2023-12-01 | 广州蓝图地理信息技术有限公司 | 基于高分辨率建筑物遥感影像数据的优化训练方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100092036A1 (en) * | 2008-06-17 | 2010-04-15 | Subhodev Das | Method and apparatus for detecting targets through temporal scene changes |
CN102360503A (zh) * | 2011-10-09 | 2012-02-22 | 西安电子科技大学 | 基于空间贴近度和像素相似性的sar图像变化检测方法 |
-
2012
- 2012-12-29 CN CN201210587576.3A patent/CN103077515B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100092036A1 (en) * | 2008-06-17 | 2010-04-15 | Subhodev Das | Method and apparatus for detecting targets through temporal scene changes |
CN102360503A (zh) * | 2011-10-09 | 2012-02-22 | 西安电子科技大学 | 基于空间贴近度和像素相似性的sar图像变化检测方法 |
Non-Patent Citations (1)
Title |
---|
陈光: ""遥感图像中建筑物识别与变化检测"", 《中国优秀硕士论文全文数据库 信息科技辑》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106683112A (zh) * | 2016-10-10 | 2017-05-17 | 中国交通通信信息中心 | 一种基于高分辨率图像的道路路域建筑物变化提取方法 |
CN106650663B (zh) * | 2016-12-21 | 2019-07-16 | 中南大学 | 建筑物真伪变化的判定方法及含此方法的伪变化去除方法 |
CN106650663A (zh) * | 2016-12-21 | 2017-05-10 | 中南大学 | 建筑物真伪变化的判定方法及含此方法的伪变化去除方法 |
CN107730496A (zh) * | 2017-10-26 | 2018-02-23 | 武汉大学 | 一种基于影像块的多时相遥感影像建筑物变化检测方法 |
CN108898143B (zh) * | 2018-06-28 | 2020-08-25 | 中国地震局地震预测研究所 | 一种建筑物损毁状态检测方法 |
CN108898144A (zh) * | 2018-06-28 | 2018-11-27 | 中国地震局地震预测研究所 | 一种建筑物损毁状态检测方法 |
CN108898143A (zh) * | 2018-06-28 | 2018-11-27 | 中国地震局地震预测研究所 | 一种建筑物损毁状态检测方法 |
CN108898144B (zh) * | 2018-06-28 | 2020-12-11 | 中国地震局地震预测研究所 | 一种建筑物损毁状态检测方法 |
CN109741377A (zh) * | 2018-11-30 | 2019-05-10 | 四川译讯信息科技有限公司 | 一种图像差异检测方法 |
CN109741377B (zh) * | 2018-11-30 | 2021-07-06 | 四川译讯信息科技有限公司 | 一种图像差异检测方法 |
CN111738972A (zh) * | 2019-03-19 | 2020-10-02 | 阿里巴巴集团控股有限公司 | 建筑检测系统、方法和装置 |
CN111738972B (zh) * | 2019-03-19 | 2024-05-28 | 阿里巴巴集团控股有限公司 | 建筑检测系统、方法和装置 |
CN110956207B (zh) * | 2019-11-22 | 2023-09-19 | 苏州中科天启遥感科技有限公司 | 一种光学遥感影像全要素变化检测方法 |
CN110956207A (zh) * | 2019-11-22 | 2020-04-03 | 苏州中科天启遥感科技有限公司 | 一种光学遥感影像全要素变化检测方法 |
CN111798415A (zh) * | 2020-06-16 | 2020-10-20 | 中设设计集团股份有限公司 | 一种高速公路控制区建筑物监测方法、装置及存储介质 |
CN111932457A (zh) * | 2020-08-06 | 2020-11-13 | 北方工业大学 | 遥感影像高时空融合处理算法及装置 |
CN114387530A (zh) * | 2022-01-13 | 2022-04-22 | 山东土地集团数字科技有限公司 | 一种基于遥感影像技术的土地利用属性的监测方法 |
CN117152619A (zh) * | 2023-10-27 | 2023-12-01 | 广州蓝图地理信息技术有限公司 | 基于高分辨率建筑物遥感影像数据的优化训练方法 |
CN117152619B (zh) * | 2023-10-27 | 2024-02-09 | 广州蓝图地理信息技术有限公司 | 基于高分辨率建筑物遥感影像数据的优化训练方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103077515B (zh) | 2015-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103077515B (zh) | 一种多光谱图像建筑物变化检测方法 | |
Zhang et al. | Mapping individual tree species in an urban forest using airborne lidar data and hyperspectral 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 | |
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 | |
CN103578110B (zh) | 基于灰度共生矩阵的多波段高分辨率遥感影像分割方法 | |
CN103632363B (zh) | 基于多尺度融合的对象级高分辨率遥感影像变化检测方法 | |
CN107610164B (zh) | 一种基于多特征混合的高分四号影像配准方法 | |
CN104851113A (zh) | 多分辨率遥感影像的城市植被自动提取方法 | |
CN110569751B (zh) | 一种高分遥感影像建筑物提取方法 | |
CN111626269A (zh) | 一种实用的大空间范围滑坡提取方法 | |
CN106971397B (zh) | 基于改进jseg算法的城市高分辨率遥感影像分割方法 | |
CN107992856B (zh) | 城市场景下的高分遥感建筑物阴影检测方法 | |
CN112488050A (zh) | 一种结合颜色与纹理的航拍影像场景分类方法和系统 | |
CN104217440B (zh) | 一种从遥感图像中提取建成区的方法 | |
CN103839267A (zh) | 一种基于形态学建筑物指数的建筑物提取方法 | |
Baraldi et al. | Operational performance of an automatic preliminary spectral rule-based decision-tree classifier of spaceborne very high resolution optical images | |
Manaf et al. | Hybridization of SLIC and Extra Tree for Object Based Image Analysis in Extracting Shoreline from Medium Resolution Satellite Images. | |
Singh et al. | A hybrid approach for information extraction from high resolution satellite imagery | |
YU et al. | Object oriented land cover classification using ALS and GeoEye imagery over mining area | |
Kim et al. | Tree and building detection in dense urban environments using automated processing of IKONOS image and LiDAR data | |
Xiao et al. | Individual tree detection and crown delineation with 3D information from multi-view satellite images | |
Manandhar et al. | Segmentation based building detection in high resolution satellite images | |
CN116310826B (zh) | 一种基于图神经网络的高分遥感影像林地二级分类方法 | |
Rajyalakshmi et al. | Compressed High Resolution Satellite Image Processing to Detect Water Bodies with Combined Bilateral Filtering and Threshold Techniques. | |
Xiao et al. | A Novel Image Fusion Method for Water Body Extraction Based on Optimal Band Combination. |
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 |