CN103345742A - 基于一种改进马尔可夫随机场模型的遥感图像变化的检测方法 - Google Patents

Abstract

本发明涉及一种基于一种改进马尔可夫随机场模型的遥感图像变化的检测方法，首先，基于Mean Shift算法分割在一定程度上进行了去噪；其次，改进马尔可夫随机场模型是基于同质区域的，这能够充分的利用像素间的空间关系，且完全分离出了边界，强化了边界的各向异性。本发明在保持去噪能力的同时也有能保持边界的能力。在运用马尔可夫随机场模型时考虑区域内的各向同性及边界处的各向异性，在取得较好的噪声抑制的同时提高保持边界的能力，从而提高遥感图像变化检测技术的准确率。

Description

基于一种改进马尔可夫随机场模型的遥感图像变化的检测方法

技术领域

本发明属于一种多时相遥感图像变化检测的方法，具体涉及基于一种改进马尔可夫随机场模型的遥感图像变化的检测方法。

背景技术

遥感是一种远距离获取目标信息的探测技术。利用遥感图像变化检测技术能够检测出地球表面的变化，其有非常多的应用。如，城市的扩展及耕地面积的减少，地震后的地形变化及房屋倒塌状况和远距离军事目标打击状况分析等等。因此，研究遥感图像变化检测技术具有非常重要的意义。

遥感图像变化检测技术可以分为两个主要的类别：有监督的与无监督的变化检测技术。有监督的变化检测技术需要事先知道真实地物反应到遥感图像中的先验信息，这种先验信息的采集是非常困难的事情，由此，有监督的遥感图像变化检测技术并没有得到广泛的应用。无监督的变化检测技术不需要事先知道真实地物反应在遥感图像中的先验信息，它直接的基于遥感传感器所采集到的图像，运用无监督分类技术进行遥感图像的变化检测。传统的无监督遥感图像变化检测技术直接的基于整个图像域做分解，没有考虑图像的局部特性，丢弃了图像本有的空间信息，容易存在噪声的影响。对此，文献“Automatic Analysis of the Difference Image for Unsupervised ChangeDetection.IEEE Transactions on Geoscience and Remote Sensing,2000,38(3):1171-1182.”公开了一种基于改进的马尔可夫随机场（IMRF）模型的遥感图像变化检测技术。其考虑图像的局部特性，加入图像的空间信息，能够很好的抑制噪声，但同时损坏了区域的边界。最新研究表明，在运用马尔可夫随机场模型时需要考虑区域内的各向同性及边界的各向异性。上述方法没有考虑这种性质以致抑制噪声的同时损坏了区域的边界。

综上所述，现有的遥感图像变化检测方法不能够同时取得较好的噪声抑制和边界保持效果。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出基于一种改进马尔可夫随机场模型的遥感图像变化的检测方法，解决现有遥感图像变化检测技术中不能同时获得较好的噪声抑制和边界保持效果的不足。

技术方案

一种基于一种改进马尔可夫随机场模型的遥感图像变化的检测方法，其特征在于步骤如下：

步骤1：对在同一地点、不同时刻获取的且已经配准和进行了辐射矫正及几何矫正的两幅遥感图像进行差分，获得差分图像D＝{D(i,j),1≤i≤M,1≤j≤N}，其中：D(i,j)为D中第i行、第j列的像素值，M为D的行数，N为D的列数；

当为光谱遥感图像时，取两图像的绝对值差分；

当为合成孔径雷达图像时，先取两图像的比值，然后取这个比值的对数的绝对值，最后对得到的绝对值进行归一化；

步骤2：对步骤1所得的差分图像利用Mean Shift算法进行图像分割，得到分割成许多同质区域的分割图像；并利用EM算法估计图像整个域上所服从高斯分布模型的参数

步骤3：建立基于改进MRF变化检测模型：

$U(D,C_l)=\underset{\∀(i,j)}{\mathrm{\Σ}}{U}_{\mathrm{data}}(D(i,j)/C_l(i,j))+U_{\mathrm{context}}[C_l(i,j)/\{C_l(g,h),(g,h)\∈{\mathrm{SC}}_k\∩(i,j)\∈{\mathrm{SC}}_k\left\}\right]$

所述U_data(·)计算公式如下： $U_{\mathrm{data}}(D(i,j)/C_l(i,j))=\frac{1}{2}{\ln 2\mathrm{\π\σ}}_{C_l(i,j)}^2+\frac{1}{2}{(D(i,j)-{\mathrm{\μ}}_{C_l(i,j)})}^2{\left[{\mathrm{\σ}}_{C_l(i,j)}^2\right]}^{-1}$

所述U_context(·)计算公式如下：

$U_{\mathrm{context}}(C_l(i,j)/\{C_l(g,h),(g,h)\∈{\mathrm{SC}}_k\∩(i,j)\∈{\mathrm{SC}}_k\left\}\right)=\underset{(g,h)\∈{\mathrm{SC}}_k}{\mathrm{\Σ}}\mathrm{\β}*\mathrm{\λ}*\mathrm{\δ}(C_l(i,j),C_l(g,h))$

δ(·)为克罗里克函数，其表达形式如下：

$\mathrm{\δ}(C_l(i,j),C_l(g,h))=\left\{\begin{array}{cc}-1,\mathrm{if}& C_l(i,j)=C_l(g,h)\\ 0,\mathrm{if}& C_l(i,j)\≠C_l(g,h)\end{array}\right.$

其中：π为圆周率，ln(·)为自然对数函数；C_l＝{C_l(i,j),1≤i≤M,1≤j≤N}为标号图，C_l(i,j)取值为{0,1}，其中0代表不变，1代表变化；

取值为

取值为{μ₀,μ₁}；β为一正常数，λ为参数；

步骤4：通过条件迭代模型算法求取步骤3中建立的基于IMRF变换检测模型的最小解，从而得到最终变化检测图。

所述λ取值为1/||SC_k||，SC_k为步骤2得到的分割图像中的第k个同质区域。

有益效果

本发明提出的基于一种改进马尔可夫随机场模型的遥感图像变化的检测方法，首先，基于Mean Shift算法分割在一定程度上进行了去噪；其次，改进马尔可夫随机场模型是基于同质区域的，这能够充分的利用像素间的空间关系，且完全分离出了边界，强化了边界的各向异性。本发明在保持去噪能力的同时也有能保持边界的能力。在运用马尔可夫随机场模型时考虑区域内的各向同性及边界处的各向异性，在取得较好的噪声抑制的同时提高保持边界的能力，从而提高遥感图像变化检测技术的准确率。

附图说明

图1是本发明基于一种改进马尔可夫随机场模型的遥感图像变化检测方法的流程图。

具体实施方式

现结合实施例、附图对本发明作进一步描述：

步骤1、设时刻t₁,t₂为两个不同时刻，设X₁,X₂为在t₁,t₂时刻，同一遥感传感器及同一波段上对同一地点获取的两幅遥感图像，且X₁,X₂已经经过配准和进行了辐射矫正及几何矫正。对X₁,X₂进行差分，获得差分图像D。对于光谱遥感图像，取两图像的绝对值差分，即D＝|X₁-X₂|；对于合成孔径雷达(Synthetic Aperture Radar,SAR)图像，先取两图像的比值，然后取这个比值的对数的绝对值，即

最后对对数绝对值进行归一化，即

min(·)，max(·)分别为取最小值与最大值函数。

步骤2、对步骤1所得的差分图像D利用Mean Shift算法进行图像分割。得到分割成许多同质区域的分割图像SC＝{SC_k,1≤k≤L}，L为分割图像的不同同质区域的数目，SC_k为分割图像中的第k个同质区域。

对步骤1得到的差分图像D利用EM算法估计图像整个域上高斯分布模型的参数：

步骤3、结合步骤1和步骤2得到的结果，建立如下的基于IMRF变化检测模型：

$U(D,C_l)=\underset{\∀(i,j)}{\mathrm{\Σ}}{U}_{\mathrm{data}}(D(i,j)/C_l(i,j))+U_{\mathrm{context}}[C_l(i,j)/\{C_l(g,h),(g,h)\∈{\mathrm{SC}}_k\∩(i,j)\∈{\mathrm{SC}}_k\left\}\right]$

其中D＝{D(i,j),1≤i≤M,1≤j≤N}为步骤1所得到的差分图像，M,N为图像的行数与列数，D(i,j)为D中第i行、第j列的像素值；C_l＝{C_l(i,j),1≤i≤M,1≤j≤N}为标号图，即所要求的变化检测图，其中C_l(i,j)取值为{0,1}，0代表不变，1代表变化。

其中U_data(·)计算公式如下：

$U_{\mathrm{data}}(D(i,j)/C_l(i,j))=\frac{1}{2}{\ln 2\mathrm{\π\σ}}_{C_l(i,j)}^2+\frac{1}{2}{(D(i,j)-{\mathrm{\μ}}_{C_l(i,j)})}^2{\left[{\mathrm{\σ}}_{C_l(i,j)}^2\right]}^{-1}$

其中，π为圆周率，ln(·)为自然对数函数；

取值为

取值为{μ₀,μ₁}；

1为步骤3中求出的高斯模型参数。

U_context(·)计算公式如下：

$U_{\mathrm{context}}(C_l(i,j)/\{C_l(g,h),(g,h)\∈{\mathrm{SC}}_k\∩(i,j)\∈{\mathrm{SC}}_k\left\}\right)=\underset{(g,h)\∈{\mathrm{SC}}_k}{\mathrm{\Σ}}\mathrm{\β}*\mathrm{\λ}*\mathrm{\δ}(C_l(i,j),C_l(g,h))$

δ(·)为克罗里克函数，其表达形式如下：

$\mathrm{\δ}(C_l(i,j),C_l(g,h))=\left\{\begin{array}{cc}-1,\mathrm{if}& C_l(i,j)=C_l(g,h)\\ 0,\mathrm{if}& C_l(i,j)\≠C_l(g,h)\end{array}\right.$

β为一正常数，其功能为调节上下文信息对变化检测处理过程中的影响；λ为一参数，其大小为1/||SC_k||，||SC_k||为同质区域SC_k中的像素点个数，这里SC_k为步骤2得到的分割图像SC中的第k个同质区域。

通过条件迭代模型算法（ICM算法）求取步骤4中基于IMRF变化检测模型的最小解，获得最终变化检测图C_l。

其中，在步骤2中Mean Shift算法分割图像所需要的空间窗口参数hs取值为7到11之间的常数；对于颜色窗口参数hr取值，取值为6.5到15.5之间的常数。对于模型参数β，在光谱图像变化检测问题中一般取8，在SAR图像变化检测问题中一般取60。

Claims (2)

1.一种基于一种改进马尔可夫随机场模型的遥感图像变化的检测方法，其特征在于

步骤如下：

步骤1：对在同一地点、不同时刻获取的且已经配准和进行了辐射矫正及几何矫正的两幅遥感图像进行差分，获得差分图像D＝{D(i,j),1≤i≤M,1≤j≤N}，其中：D(i,j)为D中第i行、第j列的像素值，M为D的行数，N为D的列数；

当为光谱遥感图像时，取两图像的绝对值差分；

当为合成孔径雷达图像时，先取两图像的比值，然后取这个比值的对数的绝对值，最后对得到的绝对值进行归一化；

步骤2：对步骤1所得的差分图像利用Mean Shift算法进行图像分割，得到分割成许多同质区域的分割图像；并利用EM算法估计图像整个域上所服从高斯分布模型的参数

步骤3：建立基于改进MRF变化检测模型：

$U(D,C_l)=\underset{\∀(i,j)}{\mathrm{\Σ}}{U}_{\mathrm{data}}(D(i,j)/C_l(i,j))+U_{\mathrm{context}}[C_l(i,j)/\{C_l(g,h),(g,h)\∈{\mathrm{SC}}_k\∩(i,j)\∈{\mathrm{SC}}_k\left\}\right]$

所述U_data(·)计算公式如下： $U_{\mathrm{data}}(D(i,j)/C_l(i,j))=\frac{1}{2}{\ln 2\mathrm{\π\σ}}_{C_l(i,j)}^2+\frac{1}{2}{(D(i,j)-{\mathrm{\μ}}_{C_l(i,j)})}^2{\left[{\mathrm{\σ}}_{C_l(i,j)}^2\right]}^{-1}$

所述U_context(·)计算公式如下：

$U_{\mathrm{context}}(C_l(i,j)/\{C_l(g,h),(g,h)\∈{\mathrm{SC}}_k\∩(i,j)\∈{\mathrm{SC}}_k\left\}\right)=\underset{(g,h)\∈{\mathrm{SC}}_k}{\mathrm{\Σ}}\mathrm{\β}*\mathrm{\λ}*\mathrm{\δ}(C_l(i,j),C_l(g,h))$

δ(·)为克罗里克函数，其表达形式如下：

$\mathrm{\δ}(C_l(i,j),C_l(g,h))=\left\{\begin{array}{cc}-1,\mathrm{if}& C_l(i,j)=C_l(g,h)\\ 0,\mathrm{if}& C_l(i,j)\≠C_l(g,h)\end{array}\right.$

其中：π为圆周率，ln(·)为自然对数函数；C_l＝{C_l(i,j),1≤i≤M,1≤j≤N}为标号图，C_l(i,j)取值为{0,1}，其中0代表不变，1代表变化；

取值为 取值为{μ₀,μ₁}；β为一正常数，λ为参数；

步骤4：通过条件迭代模型算法求取步骤3中建立的基于IMRF变换检测模型的最小解，从而得到最终变化检测图。

2.根据权利要求1所述基于一种改进马尔可夫随机场模型的遥感图像变化的检测方法，其特征在于：所述λ取值为1/||SC_k||，SC_k为步骤2得到的分割图像中的第k个同质区域。

Images