CN104700411A - 基于稀疏重建的两时相遥感影像变化检测方法 - Google Patents
基于稀疏重建的两时相遥感影像变化检测方法 Download PDFInfo
- Publication number
- CN104700411A CN104700411A CN201510112471.6A CN201510112471A CN104700411A CN 104700411 A CN104700411 A CN 104700411A CN 201510112471 A CN201510112471 A CN 201510112471A CN 104700411 A CN104700411 A CN 104700411A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- image
- dictionary
- matrix
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 29
- 230000004927 fusion Effects 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 71
- 238000001514 detection method Methods 0.000 claims description 51
- 239000013598 vector Substances 0.000 claims description 29
- 230000009466 transformation Effects 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 8
- 238000004088 simulation Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000008030 elimination Effects 0.000 description 3
- 238000003379 elimination reaction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于稀疏重建的两时相遥感影像变化检测方法,主要解决现有技术去噪后图像信息丢失严重和变化检测精度低的问题。其实现过程为:输入两幅遥感影像并分别对其镜像延拓;将延拓后的两幅遥感影像X1和X2逐像素分别分割为重叠的图像块,构成两个训练样本集合Y1和Y2;通过稀疏字典训练得到两个训练字典D1、D2及其对应的稀疏表示系数S1、S2;由D1S1和D2S2重构出遥感影像和,进而得到差值图和比值图像,并分别进行三层小波分解;对分解后的高频带和低频带的小波系数采用不同的融合算子进行融合和逆变换得融合后的差异图XD;对XD进行聚类得到变化检测结果。本发明能有效地抑制噪声并保持影像边缘清晰度,提高变化检测的准确度。
Description
技术领域
本发明属于图像处理技术领域,特别涉及遥感影像变化检测方法,可用于对土地等地理资源的利用和植被覆盖情况的监测以及地震、洪水、泥石流、森林火灾等自然灾害灾情的评估等领域。
背景技术
遥感影像变化检测技术旨在检测同一地点不同时间的影像之间发生的变化。根据是否需要先验知识可将变化检测分为监督变化检测和非监督变化检测。由于实际中的先验知识比较难以获得,且需要人工参与,不能实现自动化;故非监督的可智能化的无监督变化检测方法被普遍采用。
无监督变化检测主要包括三个处理阶段:首先,对获得的影像进行预处理,包括辐射校正和几何配准等;然后,对校正过的影像进行比较,获得差异图像;最后,利用阈值或聚类的分割方法,通过对差异图像进行分析得到最终的变化检测结果图。其中遥感影像预处理的目的是将两幅遥感影像进行校准,预处理时首先需要对遥感影像进行去噪处理,对并尽可能地在抑制噪声的同时尽量地保留有用信号。
目前,对遥感影像的去噪方法主要分为基于空域和变换域两类。基于空域去噪主要是通过在图像上取一个滑动窗口对图像进行滤波,其滤波能力与滑动窗的大小成正比,随着窗口的增大其平滑效果变好,但是会导致图像边缘的模糊,使得细节信息丢失严重,在抑制噪声的同时很难保留边缘和纹理细节。基于变换域的去噪方法主要是利用多分辨分析的方法,常见的有基于小波变换和众多的后小波变换分析的方法。小波去噪效果的好坏取决于以下因素:小波基的选择、分解的层数、阈值函数的选取以及阈值估计方法的选取。其中最重要的环节是选择阈值函数和阈值选取。硬阈值函数的不连续性导致重构信号容易出现振铃、Pseudo-Gibbs现象;而软阈值函数虽整体连续性好,但估计值与实际值之间总存在恒定的偏差,具有一定的局限性,且可能会造成边缘模糊等失真现象。阈值的选取直接影响到最终的去噪效果,如何最大限度去除噪声的同时保留信号的原始特征是去噪过程中的一个难点,如果阈值选取过小,则会出现消噪不足,过多的保留了噪声,致使信号的弱特征成份被噪声淹没;如果阈值选取过大,则会出现过消噪,将信号中的弱特征成份误认为噪声消除。当信号所含噪声的水平不同,去噪时采用的阈值也应有所不同。
近年来,基于超完备稀疏分解的信号表示理论得到广泛关注,并取得巨大成果。其基本原理是利用超完备字典中的冗余基取代正交基,对字典的选择尽可能地包含分解信号的信息。对信号的稀疏分解就是从超完备字典当中选择出最佳线性组合的若干原子来表示信号,将该方法应用于遥感影像的去噪,能取得较好的去噪效果。
差异图像的生成也是变化检测过程中至关重要的一步,差异图像的质量直接决定后续分析处理的精确度,进而影响到整个变化检测系统的性能。差异图像的构造最为简单且常用的方法是差值法和比值法。差值法是对两时相影像对应像素点位置处的灰度值进行作差取绝对值,如果值为0则代表该像素点的信息未发生变化,否则判定该像素点的信息发生了变化。比值法是计算两时相影像对应像素点灰度值的比值,若一个像素点没有发生变化则该比值应接近于1,反之则远大于1或远小于1。
虽然这两种方法构造出的差异图像都可以用来有效地检测出变化信息,但仍存在各自的不足:差值法易受影像成像质量、波谱特性等客观条件影响,不能完全反应地面地物的辐射能量变化;变化检测结果漏检率较高;比值法在增强变化信息、抑制背景信息的同时可帮助减少大气条件造成的影响,但有时会过于夸大部分变化;变化检测结果误检率较高。
发明内容
本发明的目的在于针对上述已有技术的不足,提出一种基于稀疏重建的两时相遥感影像变化检测方法,以有效地抑制噪声,保持影像的边缘清晰度;同时尽可能降低漏检数及误检数,抑制背景信息,增强变化信息,提高变化检测的准确度。
为实现上述目的,本发明的技术方案包括如下步骤:
(1)输入两幅大小均为I×J的遥感影像XA和XB,其中,I为遥感影像的行数,J为遥感影像的列数;
(2)对两幅遥感影像XA和XB分别进行N个像素的边界镜像延拓,得到边界延拓后的两幅遥感影像X1和X2,其中N为奇数,N∈{1,3,5,7,……};
(3)以第一幅边界延拓后的遥感影像X1的像素(i+N,j+N)为中心,选取一个大小为(2N+1)×(2N+1)的重叠图像块y1k,并将其图像块拉成列向量作为像素(i+N,j+N)的特征向量y1 ij,得到I×J个特征向量构成训练样本集合其中,i=1,2,...,I,j=1,2,...,J,k为正整数;
(4)以第二幅边界延拓后的遥感影像X2的像素(i+N,j+N)为中心,选取一个大小为(2N+1)×(2N+1)的重叠图像块,并将其图像块拉成列向量作为像素(i+N,j+N)的特征向量y2 ij,得到I×J个特征向量构成训练样本集合
(5)用训练样本集合Y1进行稀疏字典训练,得到训练字典D1及其对应的稀疏表示系数集合
(6)用训练样本集合Y2进行稀疏字典训练,得到训练字典D2及其对应的稀疏表示系数集合
(7)根据上述训练字典和系数表示集合,得到去噪后的两幅遥感影像的重叠图像块矩阵和其中,“*”表示矩阵相乘;
(8)将两幅遥感影像的重叠图像块矩阵和中的每个图像块放回与原始各自图像对应的像素位置处,并对这些图像块的重叠部分的灰度值进行平均,重构出两幅遥感影像和
(9)根据重构出的两幅遥感影像和得到两幅重构遥感影像的差值图像 和比值图像
(10)对两幅重构遥感影像的差值图像YD和比值图像YR分别进行W层小波分解,得到各自图像在W个分解层上的高频带和低频带的小波系数,其中W=3;
(11)对差值图像YD和比值图像YR的高频带和低频带的小波系数采用不同的融合算子进行融合,即对高频带的小波系数选取YD和YR这两幅图像区域标准差较小的小波系数作为高频带融合后的小波系数;对低频带的小波系数选取YD和YR这两幅图像边缘信息较大的小波系数作为低频带融合后的小波系数;
(12)对融合后的高频带和低频带的小波系数进行小波逆变换,得到融合后的差异图像XD;
(13)运用加权的模糊C均值聚类算法对融合后差异图XD的灰度值进行类别数为2的聚类,得到变化类和非变化类的二值变化检测结果图XCD,分别用1、0表示,完成对两幅遥感影像变化信息的检测。
本发明与现有技术相比具有以下优点:
1)本发明由于对图像进行了重叠分块,利用重叠块的冗余信息,不仅保留了图像的结构信息,而且很好地修复了细节信息和边缘信息,有利于遥感影像的解译和后续的相关处理。
2)本发明由于采用了基于小波分解的图像融合策略,在时间和空间上分解频率,可以更容易地提取细节信息,保存图像细节信息,从而得到正确率更高的变化检测结果。
3)本发明由于对高频带和低频带的小波系数采用不同的融合规则分别进行融合,可以更大程度上地抑制变化区域的背景信息,增强变化区域的变化信息,使差值法的漏检率和比值法的误检率互补,获得较高的检测精度。
附图说明
图1是本发明的实现流程图;
图2是本发明中的稀疏字典训练示意图;
图3是本发明中对差值图像YD和比值图像YR进行融合的子流程图;
图4是本发明仿真使用的Bern地区的两幅SAR遥感影像;
图5是用本发明对输入的两幅原始遥感影像进行稀疏重构后的遥感影像图;
图6是本发明对Bern地区遥感影像进行变化检测的结果与标准参考图的对比图。
具体实施方式
下面结合附图对本发明的技术方案和效果作进一步的详细描述。
参照图1,本发明的实现步骤如下:
步骤1,输入原始遥感影像。
这两幅原始遥感影像为经过辐射校正和几何配准的同一地区在不同时刻的遥感影像,记t1时刻的遥感影像为XA,t2时刻的遥感影像为XB,其影像大小均为I×J。
步骤2,对该两幅遥感影像XA和XB分别进行N个像素的边界镜像延拓。
分别以影像XA和XB的边界像素为中轴,向外对称复制N个像素,得到边界延拓后的两幅遥感影像X1和X2,其中N为奇数,N∈{1,3,5,7,……}。
步骤3,构造训练样本集合Y1和Y2。
3a)以t1时刻的遥感影像X1在(i+N,j+N)位置处的像素为中心,选取一个大小为(2N+1)×(2N+1)的重叠图像块y1k,并将其图像块拉成列向量作为像素(i+N,j+N)的特征向量y1 ij,得到I×J个特征向量构成t1时刻的训练样本集合其中,I为遥感影像的行数,J为遥感影像的列数,i=1,2,...,I,j=1,2,...,J,k为正整数;
3b)以t2时刻的遥感影像X2在(i+N,j+N)位置处的像素为中心,选取一个大小为(2N+1)×(2N+1)的重叠图像块y2k,并将其图像块拉成列向量作为像素(i+N,j+N)的特征向量y2 ij,得到I×J个特征向量构成t2时刻的训练样本集合
本发明仿真实验中取N=1,即将遥感影像分割为大小为3×3的重叠块,由于实验中采用的影像大小为256×256,则分割后的影像块数目为256×256=4096个,且将每个影像块拉成列向量作为一个训练样本,得到4096个训练样本。
步骤4,利用t1时刻的训练样本集合Y1和t2时刻的训练样本集合Y2,分别进行稀疏字典训练,得到最终的两个训练字典D1和D2及其对应的两个稀疏表示系数矩阵S1和S2:
参照图2,本步骤的具体实现步骤如下:
4a)用t1时刻的训练样本集合进行稀疏字典训练
4a1)初始化:初始化t1时刻的字典D1为大小为((2N+1)*(2N+1))×L的随机高斯矩阵,并对其列向量进行归一化处理,L为所要构造的字典原子个数,且(2N+1)2≤L≤I*J;
4a2)稀疏编码:固定t1时刻的字典D1,采用正交匹配追踪算法按照如下公式计算每个图像块y1k的稀疏表示系数s1k:
其中,1<k≤I*J且为正整数,H为稀疏度,即为稀疏表示系数s1k的最大非0值的个数,进而可得到稀疏表示系数矩阵S1;
4a3)更新t1时刻的字典D1的第m列原子d1m及其对应的稀疏表示系数矩阵S1的第m行元素,1≤m≤L:
4a3.1)定义集合为与d1m相关的样本集合Y1中的索引,即点的索引值,其中,为与d1m对应的稀疏表示系数矩阵S1的第m行元素;
4a3.2)将索引值的值置0,计算除去成分在所有I*J个样本中造成的表示误差矩阵:其中,d1t为t1时刻字典D1的第t个原子,为系数矩阵S1中与d1t相应的第t行,1≤t≤L;
4a3.3)从Em中只选择与集合ωm对应的列构成残差矩阵
4a3.4)对残差矩阵进行奇异值分解,即其中,U为左奇异矩阵,Δ为奇异值矩阵,VT为右奇异矩阵的转置;
4a3.5)用左奇异矩阵U的第一列替换t1时刻字典D1的原子得到更新后的原子用右奇异矩阵V的第一列乘以奇异值矩阵的第一行第一列的元素值Δ(1,1)得到系数矢量其中,为的去掉零值元素后的收缩结果;
4a3.6)根据系数矢量和集合ωm对应的索引值更新稀疏表示系数矩阵S1的第m行元素
4a4)重复步骤4a3),对t1时刻字典D1进行逐列更新得到t1时刻的新字典
4a5)返回步骤4a2),重复执行步骤4a2)-4a4)共200次,得到t1时刻最终的字典和其对应的稀疏表示系数矩阵S1;
4b)用t2时刻的训练样本集合进行稀疏字典训练
4b1)初始化:初始化t2时刻的字典D2为大小为((2N+1)*(2N+1))×L的随机高斯矩阵,并对其列向量进行归一化处理,L为所要构造的字典原子个数,且(2N+1)2≤L≤I*J;
4b2)稀疏编码:固定t2时刻的字典D2,采用正交匹配追踪算法按照如下公式计算每个图像块y2k的稀疏表示系数s2k:
其中,1<k≤I*J且为正整数,H为稀疏度,即为稀疏表示系数s2k的最大非0值的个数,进而得到稀疏表示系数矩阵S2;
4b3)更新t2时刻的字典D2的第m列原子d2m及其对应的稀疏表示系数矩阵S2的第m行,1≤m≤L:
4b3.1)定义集合为与d2m相关的样本集合Y2中的索引,即点的索引值,其中,为与d2m对应的稀疏表示系数矩阵S2的第m行元素;
4b3.2)将索引值的值置0,计算除去成分在所有I*J个样本中造成的表示误差矩阵:其中,d2t为t2时刻字典D2的第t个原子,为系数矩阵S2中与d2t相应的第t行,1≤t≤L;
4b3.3)从Em中只选择与集合ωm对应的列构成残差矩阵
4b3.4)对残差矩阵进行奇异值分解,即其中,U为左奇异矩阵,Δ为奇异值矩阵,VT为右奇异矩阵的转置;
4b3.5)用左奇异矩阵U的第一列替换t2时刻字典D2的原子得到更新后的原子用右奇异矩阵V的第一列乘以奇异值矩阵的第一行第一列的元素值Δ(1,1)得到系数矢量其中,为的去掉零值元素后的收缩结果;
4b3.6)根据系数矢量和集合ωm对应的索引值更新稀疏表示系数矩阵S2的第m行元素
4b4)重复步骤4b3),对t2时刻字典D2进行逐列更新得到t2时刻的新字典
4b5)返回步骤4b2),重复执行步骤4b2)-4b4)共200次,得到t2时刻最终的字典和其对应的稀疏表示系数矩阵S2。
步骤5,稀疏重构两幅遥感影像和
5a)根据t1时刻最终的字典和其对应的稀疏表示系数矩阵S1得到t1时刻去噪后的重叠图像块矩阵其中,“*”表示矩阵相乘;
5b)根据t2时刻最终的字典和其对应的稀疏表示系数矩阵S2得到t2时刻去噪后的重叠图像块矩阵
5c)将t1时刻去噪后的重叠图像块矩阵的每列代表的图像块放回与其原始遥感影像X1对应的像素位置处,并对这些图像块的重叠部分的灰度值进行平均,重构出t1时刻的遥感影像
5d)将t2时刻去噪后的重叠图像块矩阵的每列代表的图像块放回与其原始遥感影像X2对应的像素位置处,并对这些图像块的重叠部分的灰度值进行平均,重构出t2时刻的遥感影像
步骤6,构造差值图像YD和比值图像YR。
6a)将重构出的两幅遥感影像和对应位置处像素的灰度值作差并取绝对值,得到两幅遥感影像的差值图像
6b)将重构出的两幅遥感影像和对应位置处像素的灰度值作比值处理,得到两幅遥感影像的比值图像
步骤7,对构造出的差值图像YD和比值图像YR分别进行W层小波分解,得到各自图像在W个分解层上的高频带和低频带的小波系数。
设W=3,本步骤的具体步骤如下:
7a)在第一层,即W=1的分解:
7a1)将差值图像YD分解为一个低频带子图像和三个高频带子图像其对应的小波系数记作和其中,ξ={LH,HL,HH},LH表示垂直方向的高频带,HL表示水平方向的高频带,HH表示对角方向上的高频带;
7a2)将比值图像YR分解为一个低频带子图像和三个高频带子图像其对应的小波系数记作和
7b)在第二层,即W=2的分解:
7b1)将差值图像YD经步骤7a1)得到的低频带子图像继续分解为一个低频带子图像和三个高频带子图像其对应的小波系数记作和其中,ξ={LH,HL,HH};
7b2)将比值图像YR经步骤7a2)得到的低频带子图像继续分解为一个低频带子图像和三个高频带子图像其对应的小波系数记作和
7c)在第三层,即W=3的分解:
7c1)将差值图像YD经步骤7b1)得到的低频带子图像继续分解为一个低频带子图像和三个高频带子图像其对应的小波系数记作和其中,ξ={LH,HL,HH};
7c2)将比值图像YR经步骤7b2)得到的低频带子图像继续分解为一个低频带子图像和三个高频带子图像其对应的小波系数记作和
步骤8,对高频带和低频带的小波系数采用不同的融合算子进行处理。
8a)对低频带小波系数采用取边缘信息最大的方法得到低频带融合后的小波系数
其中,表示融合后的小波系数在像素点(i,j)处即第i行第j列位置处的小波系数值;
指差值图像YD在第三分解层的低频带小波系数在像素点(i,j)处的值;
指比值图像YR在第三分解层的低频带小波系数在像素点(i,j)处的值;
表示差值图像第三分解层上的小波系数在像素点(i,j)处的总边缘信息,其计算公式为
表示比值图像第三分解层上的小波系数在像素点(i,j)处的总边缘信息,其计算公式为:
式中“*”代表卷积运算符,F1、F2、F3分别为垂直、水平和对角方向上的梯度算子,其值分别为:F1={{-1,-1,-1},{2,2,2},{-1,-1,-1}},F2={{-1,2,-1},{-1,2,-1},{-1,2,-1}},F3={{-1,0,-1},{0,4,0},{-1,0,-1}};
8b)对高频带小波系数采用取区域标准差最小的方法,得到高频带融合后的小波系数
其中,ξ={LH,HL,HH},W={1,2,3};表示第W分解层上的像素点(i,j)位置处融合后的小波系数值;
步骤9,对融合后高频带和低频带的小波系数进行小波逆变换,得到融合后的差异图像XD。
上述步骤7-步骤9的内容如图3所示。
步骤10,运用加权的模糊C均值聚类算法WFCM对融合后的差异图XD的灰度值进行类别数为2的聚类,得到分别用1、0表示的变化类和非变化类的二值变化检测结果图XCD,完成对两时相遥感影像的变化信息的检测。
本发明的效果可以通过以下仿真实验作进一步的说明。
1.仿真条件
本发明是在中央处理器为Intel(R)Core i3-5302.93GHZ、内存4G、WINDOWS 7操作系统上,运用MATLAB软件进行的仿真。
本发明的仿真数据如图4所示的两幅Bern城市的大小均为301×301的ERS-2SAR遥感影像,图4(a)和图4(b)的拍摄时间分别为1999年4月和1999年5月,图6(a)为标准的变化检测参考图。
2.仿真参数
对具有标准的变化检测参考图的实验数据可进行定量的变化检测结果分析,主要的评价指标有:
漏检数:统计实验结果图中发生变化区域的像素个数,与参考图中变化区域的像素个数进行对比,把参考图中发生变化但实验结果图中检测为未变化的像素个数,称为漏检数FN;
误检数:统计实验结果图中未发生变化区域的像素个数,与参考图中未发生变化区域的像素个数进行对比,把参考图中未发生变化而实验结果图中检测为变化的像素个数,称为误检个数FP;
正确分类的概率PCC:其中TP、TN分别为正确检测到非变化及变化的像素个数。
衡量检测结果图与参考图一致性的Kappa系数:其中,这里,N表示像素总个数,Nc和Nu分别表示实际的变化像素数和未变化像素数。
3.仿真内容
用本发明对图4所示的两幅SAR遥感影像进行变化检测:即先对这两幅遥感影像分别进行稀疏字典训练并重构,得到去噪后的遥感影像和其结果分别如图5(a)和5(b)所示;再根据去噪后的遥感影像和构造差异图像,并用WFCM聚类方法对差异图像进行聚类生成最终的变化检测结果图如图6(b)所示。
4.仿真实验结果及分析
将图6(b)所示的变化检测结果与图6(a)所示的标准变化检测参考图进行比较,可以看出,用本发明方法得到的仿真实验结果具有较好的主观视觉效果,变化检测结果图噪声点较少。
进一步以图6(a)的标准变化检测参考图为基准对图6(b)所示的变化检测结果进行定量的指标评价,其指标如下表1所示。
表1 本发明变化检测结果的定量指标评价
从表1中可以看出,本发明方法的正确分类概率PCC和Kappa系数值都比较理想,误检数FP和漏检数FN比较低,检测效果优良。通过这些指标可以定量地看出本发明应用于遥感影像变化检测产生了较好的效果。
Claims (4)
1.一种基于稀疏重建的两时相遥感影像变化检测方法,其特征在于:包括如下步骤:
(1)输入两幅大小均为I×J的遥感影像XA和XB,其中,I为遥感影像的行数,J为遥感影像的列数;
(2)对两幅遥感影像XA和XB分别进行N个像素的边界镜像延拓,得到边界延拓后的两幅遥感影像X1和X2,其中N为奇数,N∈{1,3,5,7,……};
(3)以第一幅边界延拓后的遥感影像X1的像素(i+N,j+N)为中心,选取一个大小为(2N+1)×(2N+1)的重叠图像块y1k,并将其图像块拉成列向量作为像素(i+N,j+N)的特征向量y1 ij,得到I×J个特征向量构成训练样本集合其中,i=1,2,...,I,j=1,2,...,J,k为正整数;
(4)以第二幅边界延拓后的遥感影像X2的像素(i+N,j+N)为中心,选取一个大小为(2N+1)×(2N+1)的重叠图像块y2k,并将其图像块拉成列向量作为像素(i+N,j+N)的特征向量y2 ij,得到I×J个特征向量构成训练样本集合
(5)用训练样本集合Y1进行稀疏字典训练,得到训练字典D1及其对应的稀疏表示系数集合
(6)用训练样本集合Y2进行稀疏字典训练,得到训练字典D2及其对应的稀疏表示系数集合
(7)根据上述训练字典和稀疏表示系数集合,得到去噪后的两幅遥感影像的重叠图像块矩阵和其中,“*”表示矩阵相乘;
(8)将两幅遥感影像的重叠图像块矩阵和中的每个图像块放回与原始各自图像对应的像素位置处,并对这些图像块的重叠部分的灰度值进行平均,重构出两幅遥感影像和
(9)根据重构出的两幅遥感影像和得到两幅重构遥感影像的差值图像 和比值图像
(10)对两幅重构遥感影像的差值图像YD和比值图像YR分别进行W层小波分解,得到各自图像在W个分解层上的高频带和低频带的小波系数,其中W=3;
(11)对差值图像YD和比值图像YR的高频带和低频带的小波系数采用不同的融合算子进行融合,即对高频带的小波系数选取YD和YR这两幅图像区域标准差较小的小波系数作为高频带融合后的小波系数;对低频带的小波系数选取YD和YR这两幅图像边缘信息较大的小波系数作为低频带融合后的小波系数;
(12)对融合后的高频带和低频带的小波系数进行小波逆变换,得到融合后的差异图像XD;
(13)运用加权的模糊C均值聚类算法对融合后差异图XD的灰度值进行类别数为2的聚类,得到变化类和非变化类的二值变化检测结果图XCD,分别用1、0表示,完成对两幅遥感影像变化信息的检测。
2.根据权利要求1所述的基于稀疏重建的两时相遥感影像变化检测方法,其特征在于:步骤(2)所述的对两幅遥感影像XA和XB分别进行N个像素的边界镜像延拓,是分别以第一幅遥感影像XA和第二幅遥感影像XB的边界像素为中轴,向外对称复制N个像素,得到边界延拓后的两幅遥感影像X1和X2。
3.根据权利要求1所述的基于稀疏重建的两时相遥感影像变化检测方法,其特征在于:步骤(5)所述的用训练样本集合Y1进行稀疏字典训练,按如下步骤进行:
(5a)初始化字典D1为大小为((2N+1)*(2N+1))×L的随机高斯矩阵,并对其列向量进行归一化处理,其中L为所要构造的字典原子个数,且(2N+1)2≤L≤I*J;
(5b)固定字典D1,采用正交匹配追踪算法计算每个图像块y1k的稀疏表示系数s1k:
其中,1<k≤I*J且为正整数,H为稀疏度,即稀疏表示系数s1k的最大非0值个数;
(5c)由稀疏表示系数s1k,得稀疏表示系数矩阵S1;
(5d)更新字典的第m列d1m及其对应的稀疏表示系数矩阵S1的第m行,1≤m≤L:
(5d1)定义集合为与d1m相关的样本集合Y1中的索引,即点的索引值,其中,为与d1m对应的稀疏表示系数矩阵S1的第m行元素;
(5d2)将的值置0,计算除去成分在所有I*J个样本中造成的表示误差矩阵:其中,d1t为字典D1的第t个原子,为系数矩阵S1中与d1t相应的第t行;
(5d3)从Em中只选择与ωm对应的列构成残差矩阵
(5d4)对进行奇异值分解,即其中,U为左奇异矩阵,Δ为奇异值矩阵,VT为右奇异矩阵的转置;
(5d5)用左奇异矩阵U的第一列更新字典的原子用右奇异矩阵V的第一列乘以Δ(1,1)更新系数矢量其中为中去掉零输入后的收缩结果;
(5e)重复步骤(5d),对字典D1进行逐列更新得到新的字典
(5f)返回步骤(5b),重复执行步骤(5b)-(5e)共200次,得到优化的字典D1和与训练样本集Y1对应的稀疏表示系数矩阵S1。
4.根据权利要求1所述的基于稀疏重建的两时相遥感影像变化检测方法,其特征在于:步骤(6)所述的用训练样本集合Y2进行稀疏字典训练,按如下步骤进行:
(6a)初始化字典D2为大小为((2N+1)*(2N+1))×L的随机高斯矩阵,并对其列向量进行归一化处理,其中L为所要构造的字典原子个数,且(2N+1)2≤L≤I*J;
(6b)固定字典D2,采用正交匹配追踪算法计算每个图像块y2k的稀疏表示系数s2k:
其中,1<k≤I*J且为正整数,H为稀疏度,即稀疏表示系数s2k的最大非0值个数;
(6c)由稀疏表示系数s2k,得稀疏表示系数矩阵S2;
(6d)更新字典的第m列d2m及其对应的稀疏表示系数矩阵S2的第m行,1≤m≤L:
(6d1)定义集合为与d2m相关的样本集合Y2中的索引,即点的索引值,其中,为与d2m对应的稀疏表示系数矩阵S2的第m行元素;
(6d2)将的值置0,计算除去成分在所有I*J个样本中造成的表示误差矩阵:其中,d2t为字典D2的第t个原子,为系数矩阵S2中与d2t相应的第t行;
(6d3)从Em中只选择与ωm对应的列构成残差矩阵
(6d4)对进行奇异值分解,即其中,U为左奇异矩阵,Δ为奇异值矩阵,VT为右奇异矩阵的转置;
(6d5)用左奇异矩阵U的第一列更新字典的原子用右奇异矩阵V的第一列乘以Δ(1,1)更新系数矢量其中为中去掉零输入后的收缩结果;
(6e)重复步骤(6d),对字典D2进行逐列更新得到新的字典
(6f)返回步骤(6b),重复执行步骤(6b)-(6e)共200次,得到优化的字典D2和与训练样本集Y2对应的稀疏表示系数矩阵S2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510112471.6A CN104700411A (zh) | 2015-03-15 | 2015-03-15 | 基于稀疏重建的两时相遥感影像变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510112471.6A CN104700411A (zh) | 2015-03-15 | 2015-03-15 | 基于稀疏重建的两时相遥感影像变化检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104700411A true CN104700411A (zh) | 2015-06-10 |
Family
ID=53347493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510112471.6A Pending CN104700411A (zh) | 2015-03-15 | 2015-03-15 | 基于稀疏重建的两时相遥感影像变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104700411A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105225227A (zh) * | 2015-09-07 | 2016-01-06 | 中国测绘科学研究院 | 遥感影像变化检测的方法及系统 |
CN105427310A (zh) * | 2015-11-20 | 2016-03-23 | 中国地质大学(武汉) | 一种基于局部线性约束的稀疏特征匹配的图像配准方法 |
CN105957049A (zh) * | 2016-02-03 | 2016-09-21 | 北京化工大学 | 一种基于稀疏表示分类的遥感图像变化检测方法 |
CN106295688A (zh) * | 2016-08-02 | 2017-01-04 | 浙江工业大学 | 一种基于稀疏均值的模糊聚类方法 |
CN106919952A (zh) * | 2017-02-23 | 2017-07-04 | 西北工业大学 | 基于结构稀疏表示和内部聚类滤波的高光谱异常目标检测方法 |
CN107451992A (zh) * | 2017-07-20 | 2017-12-08 | 广东工业大学 | 一种sar图像变化检测的方法与装置 |
CN111553272A (zh) * | 2020-04-28 | 2020-08-18 | 上海市测绘院 | 基于深度学习的高分辨率卫星光学遥感影像建筑物变化检测方法 |
CN112488221A (zh) * | 2020-12-07 | 2021-03-12 | 电子科技大学 | 一种基于动态刷新正样本图像库的道路路面异常检测方法 |
CN114817443A (zh) * | 2022-06-30 | 2022-07-29 | 广东省科学院广州地理研究所 | 一种基于瓦片的卫星遥感图像数据处理方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971364A (zh) * | 2014-04-04 | 2014-08-06 | 西南交通大学 | 基于加权Gabor小波特征和两级聚类的遥感图像变化检测方法 |
CN103971362A (zh) * | 2013-12-24 | 2014-08-06 | 西安电子科技大学 | 基于直方图和精英遗传聚类算法的sar图像变化检测 |
-
2015
- 2015-03-15 CN CN201510112471.6A patent/CN104700411A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971362A (zh) * | 2013-12-24 | 2014-08-06 | 西安电子科技大学 | 基于直方图和精英遗传聚类算法的sar图像变化检测 |
CN103971364A (zh) * | 2014-04-04 | 2014-08-06 | 西南交通大学 | 基于加权Gabor小波特征和两级聚类的遥感图像变化检测方法 |
Non-Patent Citations (5)
Title |
---|
Wavelet Fusion on Ratio Images for Change Detection in SAR Images;Ms.Sushma Kokate 等;《International Journal of Advanced Research in Computer Science and Software Engineering 》;20140930;第4卷(第9期);参见第841-844页 * |
一种基于重叠块的遥感图像压缩算法;孙荣春等;《光学技术》;20060831;第32卷;第468-470页 * |
基于图像融合和压缩投影的SAR图像变化检测;魏倩;《中国优秀硕士学位论文全文数据库信息科技辑》;20141115(第11期);第I136-813页 * |
基于小波分析和聚类的多时相遥感影像变化检测;汤迎春;《中国优秀硕士学位论文全文数据库信息科技辑》;20130315(第3期);参见第5章 * |
稀疏表示在SAR图像相干斑抑制与检测中的应用研究;杨萌;《中国优秀硕士学位论文全文库信息科技辑》;20140615(第6期);参见第72-73页 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105225227A (zh) * | 2015-09-07 | 2016-01-06 | 中国测绘科学研究院 | 遥感影像变化检测的方法及系统 |
CN105225227B (zh) * | 2015-09-07 | 2018-03-30 | 中国测绘科学研究院 | 遥感影像变化检测的方法及系统 |
CN105427310B (zh) * | 2015-11-20 | 2017-02-22 | 中国地质大学(武汉) | 一种基于局部线性约束的稀疏特征匹配的图像配准方法 |
CN105427310A (zh) * | 2015-11-20 | 2016-03-23 | 中国地质大学(武汉) | 一种基于局部线性约束的稀疏特征匹配的图像配准方法 |
CN105957049B (zh) * | 2016-02-03 | 2018-10-23 | 北京化工大学 | 一种基于稀疏表示分类的遥感图像变化检测方法 |
CN105957049A (zh) * | 2016-02-03 | 2016-09-21 | 北京化工大学 | 一种基于稀疏表示分类的遥感图像变化检测方法 |
CN106295688A (zh) * | 2016-08-02 | 2017-01-04 | 浙江工业大学 | 一种基于稀疏均值的模糊聚类方法 |
CN106295688B (zh) * | 2016-08-02 | 2019-10-18 | 浙江工业大学 | 一种基于稀疏均值的模糊聚类方法 |
CN106919952A (zh) * | 2017-02-23 | 2017-07-04 | 西北工业大学 | 基于结构稀疏表示和内部聚类滤波的高光谱异常目标检测方法 |
CN107451992A (zh) * | 2017-07-20 | 2017-12-08 | 广东工业大学 | 一种sar图像变化检测的方法与装置 |
CN107451992B (zh) * | 2017-07-20 | 2020-08-11 | 广东工业大学 | 一种sar图像变化检测的方法与装置 |
CN111553272A (zh) * | 2020-04-28 | 2020-08-18 | 上海市测绘院 | 基于深度学习的高分辨率卫星光学遥感影像建筑物变化检测方法 |
CN111553272B (zh) * | 2020-04-28 | 2022-05-06 | 上海市测绘院 | 基于深度学习的高分辨率卫星光学遥感影像建筑物变化检测方法 |
CN112488221A (zh) * | 2020-12-07 | 2021-03-12 | 电子科技大学 | 一种基于动态刷新正样本图像库的道路路面异常检测方法 |
CN114817443A (zh) * | 2022-06-30 | 2022-07-29 | 广东省科学院广州地理研究所 | 一种基于瓦片的卫星遥感图像数据处理方法及装置 |
CN114817443B (zh) * | 2022-06-30 | 2022-10-21 | 广东省科学院广州地理研究所 | 一种基于瓦片的卫星遥感图像数据处理方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104700411A (zh) | 基于稀疏重建的两时相遥感影像变化检测方法 | |
CN106846268B (zh) | 一种高斯-脉冲混合图像噪声去除方法 | |
Yin et al. | Highly accurate image reconstruction for multimodal noise suppression using semisupervised learning on big data | |
CN103077508B (zh) | 基于变换域非局部和最小均方误差的sar图像去噪方法 | |
CN103093433B (zh) | 基于区域划分和字典学习的自然图像去噪方法 | |
Jia et al. | Image denoising via sparse representation over grouped dictionaries with adaptive atom size | |
CN112488934B (zh) | 一种基于cs-tcgan的指静脉图像去噪方法 | |
CN104657951A (zh) | 图像乘性噪声移除方法 | |
CN113837974A (zh) | 一种基于改进beeps滤波算法的nsst域电力设备红外图像增强方法 | |
CN114581330A (zh) | 一种基于多尺度混合注意力的太赫兹图像去噪方法 | |
CN109816618A (zh) | 一种基于自适应阈值的区域能量光子计数图像融合算法 | |
CN105913402A (zh) | 一种基于ds证据理论的多幅遥感图像融合去噪方法 | |
CN115578262A (zh) | 基于afan模型的偏振图像超分辨率重建方法 | |
CN101859385A (zh) | 基于图像的局部模糊篡改盲检测方法 | |
CN114708189A (zh) | 基于深度学习的多能x射线图像融合方法及装置 | |
CN110335196A (zh) | 一种基于分形解码的超分辨率图像重建方法及系统 | |
Lu et al. | CNN‐Enabled Visibility Enhancement Framework for Vessel Detection under Haze Environment | |
CN102682434B (zh) | 基于边缘先验和nsct域gsm的图像去噪方法 | |
CN117114984A (zh) | 基于生成对抗网络的遥感图像超分辨率重建方法 | |
Yamaguchi et al. | Detail preserving mixed noise removal by DWM filter and BM3D | |
Fan et al. | Single image super resolution method based on edge preservation | |
Yang et al. | Mixed noise removal by residual learning of deep cnn | |
CN115346048A (zh) | 基于边界点选择算法的遥感图像语义分割方法 | |
Latifi et al. | Image denoising using convolutional neural network | |
CN114219738A (zh) | 单幅图像多尺度超分辨重建网络结构及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150610 |