CN104392442A - 基于非下采样Contourlet变换与主动轮廓的遥感图像变化检测方法 - Google Patents

Abstract

本发明涉及一种基于非下采样Contourlet变换与主动轮廓的遥感图像变化检测方法，在获取差分图时使用了对量化噪声的不敏感且具有平移不变性的特性的非下采样Contourlet变换。在取得较好的噪声抑制的同时提高各方向细节保留的能力，从而提高遥感图像变化检测技术的准确率。有益效果是：首先，非下采样Contourlet变换可以在保留细节信息的前提下更好的去除噪声干扰；其次，主动轮廓算法是个迭代算法，能够一步步地逼近真实地物的边界信息，并且该算法不使用任何控制点或插值点来表示轮廓信息。基于上述两点，本发明在具有保持细节并去除噪声能力的同时也有保持边界信息的能力。

Description

基于非下采样Contourlet变换与主动轮廓的遥感图像变化检测方法

技术领域

本发明属于多时相遥感图像变化检测的方法，尤其涉及一种基于非下采样Contourlet变换与主动轮廓的遥感图像变化检测方法。

背景技术

地球表面每天都发生着各种各样的变化，这种变化信息催生了大量的应用，例如地表资源的监控、农田覆盖和土地利用的监控及环境变化的监控等等。卫星遥感成像技术的成熟使得能够用图像处理的方法抓取地球表面的这种变化信息，并进一步将这种变化信息应用到各种领域应用中。变化检测是一种通过观察及分析不同时刻同一地物的状态来识别地物是否发生变化的检测处理技术。遥感图像的变化检测能够通过同一地区不同时刻的遥感图像来监测地物变化信息。

遥感图像变化检测技术可以主要分为两个的类别：基于像素的变化检测技术和基于对象的变化检测技术。基于像素的变化检测技术只针对传感器采集来的数据以像素为单位进行变化检测，无法提取真实地物之间的关系，所以此方法在处理低分辨率图像时具有很好的效果，但对于高分辨率图像，其变化检测效果不佳。基于对象的变化检测技术在提取特征阶段会将图像进行分割，提取真实地物之间的关系，以对象为单位进行图像处理，所以基于对象的变化检测技术更适合处理高分辨率图像。传统的基于像素的遥感图像变化检测技术直接通过将图像点抽象成噪声模型和分布模型，采用阈值的方法得到变化图，这种传统的方法在去除噪声的同时同样也去除了图像中的细节信息。对此，文献“Multitemporal image change detection using undecimateddiscrete wavelet transform and active contours.IEEE Transactions onGeoscience and Remote Sensing,vol.49,no.2,pp.706–716,2011.”公开了基于小波变换和主动轮廓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，同时又较好的保留细节信息。但上述方法在对差分图进行去噪时没有考虑到小波变换不满足方向性及各向异性，不能完全保留图像中各个方向的细节信息。

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各方向细节保留效果。

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，本发明提出一种基于非下采样Contourlet变换与主动轮廓的遥感图像变化检测方法，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各方向细节保持效果。

技术方案

一种基于非下采样Contourlet变换与主动轮廓的遥感图像变化检测方法，其特征在于步骤如下：

步骤1：在不同时刻对同一地点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绝对值差分，获得差分图像；

步骤2：对差分图像进行非下采样Contourlet变换，分解成一个低频近似部分D^L和S个高频部分集；

步骤3：对S个高频部分集采用细节保留算法去除每张图像中的噪声干扰；

步骤4：将去除噪声的S个高频部分集与步骤2得到的低频近似部分D^L进行融合，得到一个保留细节同时去除噪声的差分图像；

步骤5：将步骤4得到的差分图像使用主动轮廓算法进行分割，从而获得表示变化结果图CM。

有益效果

本发明提出的一种基于非下采样Contourlet变换与主动轮廓的遥感图像变化检测方法，在获取差分图时使用了对量化噪声的不敏感且具有平移不变性的特性的非下采样Contourlet变换。在取得较好的噪声抑制的同时提高各方向细节保留的能力，从而提高遥感图像变化检测技术的准确率。

本发明的有益效果是：首先，非下采样Contourlet变换可以在保留细节信息的前提下更好的去除噪声干扰；其次，主动轮廓算法是个迭代算法，能够一步步地逼近真实地物的边界信息，并且该算法不使用任何控制点或插值点来表示轮廓信息。基于上述两点，本发明在具有保持细节并去除噪声能力的同时也有保持边界信息的能力。

附图说明

图1：本发明基于非下采样Contourlet变换和主动轮廓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：

1、设X₁，X₂为在t₁，t₂两个时刻，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进行绝对值差分，即D＝|X₁-X₂|，获得差分图像D。

2、对步骤1所得的差分图像D进行非下采样Contourlet变换，得到一个低频近似部分D^L和S个高频部分集 $D^H=\left\{D_s^H\right|1\≤s\≤S\},$ 其中 $D_s^H=\left\{D_s^{\mathrm{Hl}}\right|1\≤l\≤L_s\},$ L_s为每一层级高频部分提取出来的方向数目。

3、合成一个保留细节的差分图像。在非下采样Contourlet变换中保留第一层分解后的低频近似部分D^L；高频部分需要采用如下方式获得：

①对于D^H集合中所有独立的采用阈值算法初步提取细节

阈值其中C为常数且取值为3或4，为噪声标准差。

②对于每一层级中不同方向的子带采用如下方式提取组内细节信息，从而得到一个新的组内细节图

$D_s^{\mathrm{Hbase}}=\left\{D_s^{\mathrm{Hbase}}(i,j)\right|D_s^{\mathrm{Hbase}}(i,j)=\max \left\{\mathrm{abs}\left(D_s^{\mathrm{Hl}}(i,j)\right)\right\}{\}}_{l=1}^{L_s}$

③在每一层级之间采用如下方式提取层间的细节信息，获得一个保留细节的高频信息

$D^{\mathrm{Hbase}}=\left\{D^{\mathrm{Hbase}}(i,j)\right|D^{\mathrm{Hbase}}(i,j)=\max \left\{D_s^{\mathrm{Hbase}}(i,j)\right\}{\}}_{s=1}^S$

得到最终高频部分后采用下式方式融合低频部分与高频部分信息

D^E＝D^L+βD^Hbase

其中β为平衡低频信息与高频信息的一个权重参数，通常取0.7。

最后对合成图像进行归一化，即min(·)，max(·)分别为取最小值与最大值函数。

4、对差分D^E采用主动轮廓算法得到曲线C，将D^E分割成两个目标区域Ω₁和Ω₂，过程如下：

①定义能量函数

$\begin{array}{c}E(C,c_1,c_2)=\underset{{\mathrm{\Ω}}_1}{\∫}{(X(x,y)-c_1)}^2\mathrm{dxdy}\\ +\underset{{\mathrm{\Ω}}_2}{\∫}{(X(x,y)-c_2)}^2\mathrm{dxdy}+\mathrm{\μLength}\left(C\right)\end{array}$

其中c₁和c₂表示Ω₁和Ω₂中像素点的平均灰度值；μ>0为正则化参数，且μ∈[30,35]；曲线C即为最终分割曲线。

5、最小化上述能量函数得到分割曲线C，将D^E分割成前景区域和背景区域，前景区域为变化区域，背景区域为非变化区域。从而得到变化结果图CM。

Claims (1)

1.一种基于非下采样Contourlet变换与主动轮廓的遥感图像变化检测方法，其特征在于步骤如下：

步骤1：在不同时刻对同一地点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绝对值差分，获得差分图像；

步骤2：对差分图像进行非下采样Contourlet变换，分解成一个低频近似部分D^L和S个高频部分集；

步骤3：对S个高频部分集采用细节保留算法去除每张图像中的噪声干扰；

步骤4：将去除噪声的S个高频部分集与步骤2得到的低频近似部分D^L进行融合，得到一个保留细节同时去除噪声的差分图像；

步骤5：将步骤4得到的差分图像使用主动轮廓算法进行分割，从而获得表示变化结果图CM。