CN103226826A - 基于局部熵视觉注意模型的遥感图像变化检测方法 - Google Patents

Abstract

本发明公开了一种基于局部熵的视觉注意模型的遥感图像的变化检测方法，主要解决现有技术中变化检测漏检率高的问题。其实现过程是：首先，对变化前后的遥感图像分别提取灰度和方向特征，得到变化前后图像在每个特征空间内的特征图像；其次，用变化前后特征图像构造前后高斯金字塔，并在前后高斯金字塔之间进行“中央-差值”运算，得到每个特征空间下的特征图；然后，分别对不同特征空间内的特征图计算局部熵，并将不同特征空间内的加熵特征图进行加权融合，得到视觉注意模型显著图；最后，用模糊C均值的方法对显著图进行分类，得到最终的变化检测结果图。本发明避免了已有技术中的信息丢失和累积误差等问题，提高了变化检测的检测精度。

Description

基于局部熵视觉注意模型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，特别是遥感图像的处理，主要可应用于生态和环境的监控以及自然灾害的评测与预防。

背景技术

遥感图像变化检测是指选用合适的检测方法，从不同时期获取的多幅遥感图像中提取出变化信息并加以分析，生成变化分布图和其他检测结果的技术。目前遥感图像变化检测技术变化检测已成为遥感图像处理研究的一个研究重点，被广泛的应用到社会经济的各个领域，比如灾害监测和评估、土地使用情况的分析、水资源质量和地理分布情况调查、城市的规划及布局、气候的变化监测、战场态势的评估等。

目前遥感图像变化检测还处于初步阶段，大致有两个路线，一条路线是分类后比较方法，该方法先对多时相遥感图像单独进行分类标记，然后根据相应像素类别的差异来提取发生变化的区域/像素，最后得到变化检测结果；另外一条路线是图像直接比较方法，该方法先对多时相遥感图像进行逐像素的比较，比如逐像素点的差值、比值、CVA等，再对比较得出的差异图像进行进一步地多种变换、概率分布等处理以达到两分类，最后得到变化检测结果。图像直接比较方法能够减少由于数据获取平台和环境的不同引起的伪变化信息，不需要数据的辐射校正等复杂的预处理，目前较多的研究是沿着图像直接比较方法这个路线进行的。

目前变化检测方法的缺陷主要有：对于图像直接比较方法而言，首先，差异图可分性的高低直接影响着变化检测结果，而高可分性差异图的构建至今是一个难题；其次，简单的图像直接比较方法，既没有利用到图像的空间信息，也没有考虑到噪声或光照变化造成的影响，很容易造成虚检或误检；最后，在构造差异图的过程中不可避免的造成了图像信息的丢失，图像直接比较方法把变化信息压缩到一维的差异图像上，损失了遥感图像的波段信息，从而使检测不准确。

发明内容

本发明的目的在于针对上述已有技术的不足，提出了一种基于局部熵视觉注意模型的遥感图像变化检测方法，以降低构造差异图降维造成的较高漏检率，并提高差异图的可分性，提高遥感图像变化检测的检测精度。

为实现上述目的，本发明基于局部熵视觉注意模型的遥感图像变化检测方法，包括如下步骤：

（1）输入变化前遥感图像P₁和变化后遥感图像P₂，其中，变化前后的遥感图像大小均为m×n；

（2）对变化前遥感图像P₁提取h维灰度特征H₁和d维方向特征D₁，得到h+d幅变化前特征图像p_1l∈H₁∪D₁，l＝1，2，...，(h+d)，同时，对变化后遥感图像P₂提取h维灰度特征H₂和d维方向特征D₂，得到h+d幅变化后特征图像p_2l∈H₂∪D₂，其中，∪表示灰度特征与方向特征的并集;

(3)利用变化前遥感图像P₁在不同特征空间R_l∈H_r∪D_r，r＝1，2内的变化前特征图像p_1l，构造3层变化前高斯金字塔G_1l=g_1l(c),c=0,1,2，其中，g_1l(c)为变化前高斯金字塔中的第c层图像，变化前高斯金字塔第0层图像g_1l(0)大小为m×n，且第c层图像g_1l(c)为在第c-l层图像g_1l(c-1)上，进行隔行隔列下采样得到；

（4）利用变化后遥感图像P₂在不同特征空间R_l内的变化后特征图像p_2l，构造3层变化后高斯金字塔G_2l=g_2l(s),s=0,1,2，其中g_2l(s)为变化后高斯金字塔中的第s层图像，且变化后高斯金字塔的构造方法与变化前高斯金字塔相同；

（5）分别在每个特征空间R_l内，对变化前高斯金字塔G_1l和变化后高斯金字塔G_2l中属于不同高斯金字塔的任意两层图像，进行“中央-边缘”操作，得到每个特征空间R_l内的特征图F_l，l＝1，2，...，(h+d)：

$F_l=\underset{c=0}{\overset{2}{\mathrm{\Σ}}}\underset{s=0}{\overset{2}{\mathrm{\Σ}}}{F}_{\mathrm{lcs}},$

其中，F_lcs为变化前高斯金字塔第c层图像与变化后高斯金字塔第s层图像之间的“中央-边缘”图像：

F_lcs＝g_1l(c)Θg_2l(s)＝g_1l(c)-Interp_s→c(g_2l(s)),c,s∈{0,1,2}，

式中，Θ为“中央-边缘”操作的操作符，Interp_s→c()为用插值的方法，将高斯金字塔第s层图像插值到与高斯金字塔第c层图像大小相同的图像；

（6）分别对每个特征空间R_l内的特征图F_l计算局部熵，得到每个特征空间R内的加熵特征图H_l：

$H_l=-\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{f}_{\mathrm{ij}}\log f_{\mathrm{ij}},$

其中，

表示特征图F_l中第i行第j列像素的像素值F_l(i,j)在整幅特征图F_l中的统计概率；

（7）将不同特征空间R_l内的加熵特征图H_l进行加权融合，得到视觉注意模型的显著图F；

（8）用模糊C均值的方法对显著图F进行聚类，得到显著图F中每个像素的聚类标签，最终得到变化检测结果图。

本发明与现有的技术相比具有以下优点：

1.本发明针对多时相遥感图像中变化区域的稀疏性，利用视觉注意模型提取多时相遥感图像中变化区域的感兴趣信息，较好保存了多时相遥感图像中的波段信息，实现了遥感图像的变化检测；

2.本发明降低了构造差异图法中将多时相遥感图像压缩到一维差异图中，造成的信息丢失和累积误差问题，降低了变化检测的漏检率；

3.本发明在不同特征空间的不同尺度上，对多时相遥感图像进行处理，使得本发明融合了多特征空间以及多尺度空间上的处理结果，提高了变化检测的检测精度；

4.本发明通过在视觉注意模型中加入局部熵，使得该模型可以较好的检测出模糊与渐变的变化区域，实现了遥感图像的变化检测。

附图说明

图1是本发明的流程图；

图2是本发明仿真所使用的模拟遥感图像数据集；

图3是通过人工标记得到图2的标准变化检测结果图；

图4是用本发明和传统变化检测方法对图2的变化检测结果图；

图5是本发明仿真所使用的撒丁岛遥感图像数据集；

图6是通过人工标记得到图5的标准变化检测结果图；

图7是用本发明和传统变化检测方法对图5的变化检测结果图。

具体实施方式

参照图1，本发明基于局部熵视觉注意模型的遥感图像变化检测方法，包括如下步骤：

步骤1:输入变化前遥感图像P₁和变化后遥感图像P₂，其中，变化前后的遥感图像大小均为m×n。

步骤2:对变化前遥感图像P₁提取h维灰度特征H₁和d维方向特征D₁，得到为+d幅变化前特征图像p_1l∈H₁∪D₁，l＝1，2，...，(h+d)，其中，0≤h≤5，1≤d≤12，且h,d为自然数；同时，对变化后遥感图像P₂提取h维灰度特征H₂和d维方向特征D₂，得到h+d幅变化后特征图像p_2l∈H₂∪D₂，其中，∪表示灰度特征与方向特征的并集。

步骤3:利用变化前遥感图像P₁在不同特征空间R_l∈H_r∪D_r，r＝1，2内的变化前特征图像p_1l，构造3层变化前高斯金字塔G_1l=g_1l(c),c=0,1,2，其中，g_1l(c)为变化前高斯金字塔中的第c层图像，变化前高斯金字塔的第0层图像大小为m×n，且第C层图像g_1l(c)为在第c-l层图像g_1l(c-l)上，进行隔行隔列下采样得到。

步骤4:利用变化后遥感图像P₂在不同特征空间R_l内的变化后特征图像p_2l，构造3层变化后高斯金字塔G_2l=g_2l(s),s=0,1,2，其中g_2l(s)为变化后高斯金字塔中的第s层图像，且变化后高斯金字塔的构造方法与变化前高斯金字塔相同。

步骤5:分别在每个特征空间R_l内，对变化前高斯金字塔G_1l和变化后高斯金字塔G_2l中属于不同高斯金字塔的任意两层图像，进行“中央-边缘”操作，得到每个特征空间R_l内的特征图F_l，l＝1，2，...，(h+d):

$F_l=\underset{c=0}{\overset{2}{\mathrm{\Σ}}}\underset{s=0}{\overset{2}{\mathrm{\Σ}}}{F}_{\mathrm{lcs}},$

其中，F_lcs为变化前高斯金字塔第c层图像与变化后高斯金字塔第s层图像之间的“中央-边缘”图像：

F_lcs＝g_1l(c)Θg_2l(s)＝g_1l(c)-Interp_s→c(g_2l(s)),c,s∈{0,1,2}，

式中，Θ为“中央-边缘”操作的操作符，Interp_s→c()为用立方插值的方法，将高斯金字塔第s层图像插值到与高斯金字塔第c层图像大小相同的图像。

步骤6:分别对每个特征空间R_l内的特征图F_l计算局部熵，得到每个特征空间R_l内的加熵特征图H_l：

$H_l=-\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{f}_{\mathrm{ij}}\log f_{\mathrm{ij}},$

其中，

表示特征图F_l中第i行第j列像素的像素值F_l(i,j)在整幅特征图F_l中的统计概率。

步骤7:将不同特征空间R_l内的加熵特征图H_l进行加权融合，得到视觉注意模型的显著图F：

7a）分别计算每个特征空间R_l内的加熵特征图H_l的均值M_l，假设特征空间R_l内的加熵特征图H_l的均值为M_l，则该特征空间R_l内的加熵特征图H_l对应的权值k_l为：

$k_l=\left\{\begin{array}{cc}{M}_l& M_l\&GreaterEqual;T\\ 0& M_l<T\end{array}\right.$

其中，O＜T≤1为设定的阅值，l＝1，2，...，(h+d)，该式中，h为灰度特征的维数，d为方向特征的维数；

7b）将每个特征空间R_l内的加熵特征图H_l的权值k_l进行归一化，得到每个特征空间R_l内的加熵特征图，在加权融合中的相应权值系数K_l为，

$k_l=\frac{k_l}{k_1+k_2+...+k_{h+d}},l=\mathrm{1,2},...,(h+d);$

7c）利用每个特征空间R_l内的加熵特征图的相应加权系数K_l，将不同特征空间R_l内的加熵特征图H_l进行加权融合，得到视觉注意模型的显著图F为：

F=K₁·H₁+K₂·H₂+…十K_l·H_l+…+K_h+d·H_h+d，l＝1，2，...，(h+d)。

步骤8：用模糊C均值的方法对显著图F进行分类，得到显著图F中每个像素的聚类标签，最终得到变化检测结果图。

本发明的效果可以通过以下实验进一步说明：

1.实验条件

实验环境为：windows XP，SPI，CPU Pentium（R）4，基本频率2.4GHZ，软件平台为Matlab7.0.4。

仿真选用的第一个数据集为英格兰Feltwell村庄模拟遥感图像数据集,如图2所示，其中图2(a)为英格兰Feltwell村庄变化前的遥感图像，图2(b)为英格兰Feltwell村庄变化后的遥感图像。该图像位于英国Feltwell村庄的一个农田区，模拟变化图像通过模拟地球的天气变化和电磁波的辐射特性等因素影响并人工地嵌入一些变化区域得到，图像大小均为470×335像素，灰度级为256，包括153214个非变化像素和4236个变化像素。检测的标准结果图采用如图3所示的对Feltwell遥感图像数据集进行人工标记的标准变化检测结果图。

第二个数据集为意大利撒丁岛遥感图像数据集，如图5所示，其中图5(a)为意大利撒丁岛变化前的遥感图像，图5(b)为意大利撒丁岛变化后的遥感图像。该组真实遥感数据集由1995年9月和1996年7月Landsat-5卫星TM传感器接收的两幅多光谱图像构成。图像大小均为300×412像素，灰度级为256。包括115974个非变化像素和7626个变化像素。检测的标准结果图采用如图6所示的对撒丁岛遥感图像数据集进行人工标记的标准变化检测结果图。

2.实验内容和实验结果

实验一：用本发明方法和两种变化检测传统方法：ID差值法和LR对数比值法，对图2进行变化检测。实验结果如图4所示，其中4(a)为现有ID差值法对图2(b)进行变化检测的结果图，4(b)为现有LR对数比值法对图2(b)进行变化检测的结果图，4(c)为本发明方法对图2(b)进行变化检测的结果图。

实验二：用本发明方法和两种变化检测传统方法：ID差值法和LR对数比值法，对图5进行变化检测。实验结果如图7所示，其中7(a)为现有ID差值法对图5(b)进行变化检测的结果图，7(b)为现有LR对数比值法对图5(b)进行变化检测的结果图，7(c)为本发明方法对图5(b)进行变化检测的结果图。

从图4(a)和图7(a)中可以看出，ID差值法对图像进行变化检测的实验结果中有很多的杂点；从图4(b)和图7(b)中可以看出，LR对数比值法对图像进行变化检测的实验结果产生了很多的细节丢失，边缘很模糊，图4(b)丢失了大部分的变化区域；从图4(c)和图7(c)中可以看出，本发明方法能够在较好保持边缘细节的情况下，减少杂点的个数。

本发明方法和所述两种变化检测传统方法，对图2和图5进行变化检测的结果数据，如表1所示：

表1试验结果数据

表1中列出了三种评价指标：分别为虚警数FA，漏检数MA和总错误数OE，其中，虚警数FA为实际没有发生变化但被当作变化检测出来的像素，漏检数MA为没有检测出来的实际发生了变化的像素，总错误数OE=FA+MA。

从表1可以看出，本发明与两种传统变化检测方法相比：首先，从表1的虚检指标中可以看出，本发明方法与两种传统变化检测方法相比有相对较高的虚检数，这与本发明对数据集进行多尺度分解以及对特征图取局部熵有一定的关系；其次，值得注意的是，从表1的漏检指标中可以看出，本发明方法在模拟数据集以及撒丁岛遥感数据集上与两种传统变化检测方法相比，均获得较少的漏检数，这在变化检测问题中是比较好的，因此减少漏检数一直是许多算法的目标，而本发明方法在模拟数据集上漏检数降低了204个像素点，以及在撒丁岛数据集上降低了179个像素点。

综上所知，本发明方法与两种传统变化检测方法相比，均有较少的漏检数，虽然虚检率偏高，却在可观的范围内，从而使本发明方法无论是在模拟数据集以及真实遥感数据集中，均获得较少的漏检数以及错误数。这说明本发明方法对提高变化检测精度是有所改善的。

Claims (2)

1.基于局部熵的视觉注意模型的遥感图像的变化检测方法，包括如下步骤：

（1）输入变化前遥感图像P₁和变化后遥感图像P₂，其中，变化前后的遥感图像大小均为m×n；

（2）对变化前遥感图像P₁提取h维灰度特征H₁和d维方向特征D₁，得到h+d幅变化前特征图像p_1l∈H₁∪D₁，l＝1，2，...，(h+d)，同时，对变化后遥感图像P₂提取h维灰度特征H₂和d维方向特征D₂，得到h+d幅变化后特征图像p_2l∈H₂∪D₂，其中，∪表示灰度特征与方向特征的并集;

(3)利用变化前遥感图像P₁在不同特征空间R_l∈H_r∪D_r，r＝1，2内的变化前特征图像p_1l，构造3层变化前高斯金字塔G_1l=g_1l(c),c=0,1,2，其中，g_1l(c)为变化前高斯金字塔中的第c层图像，变化前高斯金字塔第0层图像g_1l(0)大小为m×n，且第c层图像g_1l(c)为在第c-l层图像g_1l(c-1)上，进行隔行隔列下采样得到；

（4）利用变化后遥感图像P₂在不同特征空间R_l内的变化后特征图像p_2l，构造3层变化后高斯金字塔G_2l=g_2l(s),s=0,1,2，其中g_2l(s)为变化后高斯金字塔中的第s层图像，且变化后高斯金字塔的构造方法与变化前高斯金字塔相同；

（5）分别在每个特征空间R_l内，对变化前高斯金字塔G_1l和变化后高斯金字塔G_2l中属于不同高斯金字塔的任意两层图像，进行“中央-边缘”操作，得到每个特征空间R_l内的特征图F_l，l＝1，2，...，(h十d):

$F_l=\underset{c=0}{\overset{2}{\mathrm{\&Sigma;}}}\underset{s=0}{\overset{2}{\mathrm{\&Sigma;}}}{F}_{\mathrm{lcs}},$

其中，F_lcs为变化前高斯金字塔第c层图像与变化后高斯金字塔第s层图像之间的“中央-边缘”图像：

F_lcs＝g_1l(c)Θg_2l(s)＝g_1l(c)-Interp_s→c(g_2l(s)),c,s∈{0,1,2}，

式中，Θ为“中央-边缘”操作的操作符，Interp_s→c()为用插值的方法，将高斯金字塔第s层图像插值到与高斯金字塔第c层图像大小相同的图像；

（6）分别对每个特征空间R_l内的特征图F_l计算局部熵，得到每个特征空间Rl内的加熵特征图H_l：

$H_l=-\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{f}_{\mathrm{ij}}\log f_{\mathrm{ij}},$

其中，

表示特征图F_l中第i行第j列像素的像素值F_l(i,j)在整幅特征图F_l中的统计概率；

（7）将不同特征空间R_l内的加熵特征图H_l进行加权融合，得到视觉注意模型的显著图F；

（8）用模糊C均值的方法对显著图F进行聚类，得到显著图F中每个像素的聚类标签，最终得到变化检测结果图。

2.根据权利要求1所述的方法，其中步骤（7）所述的将不同特征空间R_l内的加熵特征图H_l进行加权融合，得到视觉注意模型的显著图F，按如下步骤进行：

2a）分别计算每个特征空间R_l内的加熵特征图H_l的均值M_l，假设特征空间R_l内的加熵特征图H_l的均值为M_l，则该特征空间R_l内的加熵特征图H_l对应的权值k_l为：

$k_l=\left\{\begin{array}{cc}{M}_l& M_l\&GreaterEqual;T\\ 0& M_l<T\end{array}\right.$

其中，T为设定的闽值，l＝1，2，...，(h+d)，该式中，h为灰度特征的维数，d为方向特征的维数；

2b）将每个特征空间R_l内的加熵特征图H_l的权值k_l进行归一化，得到每个特征空间R_l内的加熵特征图，在加权融合中的相应权值系数K_l为，

$k_l=\frac{k_l}{k_1+k_2+...+k_{h+d}},l=\mathrm{1,2},...,(h+d),$

其中，h为灰度特征的维数，d为方向特征的维数；

2c）利用每个特征空间R_l内的加熵特征图的相应加权系数K_l，将不同特征空间R_l内的加熵特征图H_l进行加权融合，得到视觉注意模型的显著图F为：

F=K₁·H₁+K₂·H₂+…+K_l·H_t+…+K_h+d·H_h+d，l＝1，2，...，(h+d)。

Images