CN104978745A - 一种高分辨率可见光图像目标变化检测方法 - Google Patents
一种高分辨率可见光图像目标变化检测方法 Download PDFInfo
- Publication number
- CN104978745A CN104978745A CN201510359498.5A CN201510359498A CN104978745A CN 104978745 A CN104978745 A CN 104978745A CN 201510359498 A CN201510359498 A CN 201510359498A CN 104978745 A CN104978745 A CN 104978745A
- Authority
- CN
- China
- Prior art keywords
- image
- block
- disparity map
- structural similarity
- image block
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明属于图像变化检测技术领域,具体涉及一种高分辨率可见光图像目标变化检测方法。本发明主要解决现有方法直接对全局进行检测导致目标误检率高的问题。本发明高分辨率可见光图像目标变化检测方法包括以下步骤:(1):输入图像I1和图像I2;(2):对图像I1、I2处理得到结构图像I′1、I′2;(3):将图像I1、I2、I′1、I′2分为方形块;(4):计算I′1、I′2分块后相同位置间的熵值差;(5):计算I1、I2分块后相同位置间的结构相似度;(6):将熵值差和结构相似度分别按各自的判断条件判定,确定出存在变化目标的图像块;(7):计算图像块的对数比差异图与均值比差异图,并将两幅图融合获得融合差异图;(8):将融合差异图处理得到最终变化目标图像;(9):保存并输出。
Description
技术领域
本发明属于图像变化检测技术领域,具体涉及一种高分辨率可见光图像目标变化检测方法。
背景技术
一般来说目标变化是指在一个特定的场景中目标物整体或部分的出现或者消失,高分辨率可见光图像以其能在较小的空间尺度上反映地表的细节变化的优势,成为重要的对地观测信息源。利用变化检测技术从影像上提取目标的变化信息,是处理高分辨率可见光图像的一项重要内容,已广泛应用在目标探测、态势感知、毁伤评估等方面。在变化检测时图像中阴影的变化会导致各像素点的灰度值呈现区域性的变化,传统变化检测方法直接利用全局灰度特征进行变化检测会产生大量的伪变化目标。
目前,目标变化检测中排除伪变化目标的方法有基于阴影区域提取并补偿的方法、基于特征融合的变化检测方法等。基于阴影区域提取并补偿的方法,能够排除阴影引起的伪变化目标,但该方法需要从光谱信息中提取出阴影的准确位置,对于光谱混淆的高分辨图像,阴影提取不准确,目标误检测率高;基于特征融合的变化检测方法,对变化前后的两幅图像特征变化信息进行融合处理,其方法在检测精度上优于使用单一图像特征的检测结果,但该方法仅仅融合全局特征,未有效利用局部特征,检测结果的目标误检率高。
综合考虑以上传统方法可以看出,需要有一种方法来解决现有方法直接对全局进行检测导致的目标误检率高的问题,使得伪变化目标得以有效排除,保证目标变化检测准确的检测出真实变化目标。
发明内容
本发明为解决现有方法直接对全局进行检测导致的目标误检率高的问题,提出了一种基于区域选取的目标变化检测的新方法。采用区域选取的方法限制目标变化检测的范围,减少伪变化目标,获得存在变化目标的区域;将该区域图像的对数比差异图与均值比差异图进行图像融合,并对融合结果进行形态学处理,准确的检测出变化目标。
本发明高分辨率可见光图像目标变化检测方法包括以下具体步骤:
(1):输入同一地区、不同时刻获取的变化前图像I1和变化后图像I2;
(2):利用整体变分算法分别对图像I1、I2处理,得到结构图像I′1、I′2;
(3):根据图像分辨率及预估目标类型尺寸,将图像I1、I2、I′1、I′2分为方形块;
(4):计算I′1、I′2分块后其相同位置方形块间的熵值差;
(5):计算I1、I2分块后其相同位置方形块间的结构相似度;
(6):将步骤(4)获得的熵值差和步骤(5)获得的结构相似度分别按各自的判断条件进行判定,确定出存在变化目标的图像块;
(7):计算步骤(6)获得的图像块的对数比差异图与均值比差异图,并将对数比差异图与均值比差异图进行融合,获得融合差异图;
(8):将融合差异图进行阈值分割与形态学处理,得到最终变化目标图像;
(9):将步骤(8)得到的图像保存并输出。
其中步骤(6)中存在变化目标的图像块按以下步骤确定:
(6-1):将步骤(4)获得的熵值差按式(1)进行判别,选取满足条件的图像块;
|H(x)t1-H(x)t2|<w(H(x)t1+H(x)t2) (1)
其中H(x)t1,H(x)t2分别表示相同位置图像块的熵值,w表示权重,权重取值范围为(0,0.5],本例取0.1;
(6-2):将步骤(5)获得的结构相似度按式(2)进行判别,选取满足条件的图像块;
Qmean(m,n)-Q(m,n)>kQmean(m,n) (2)
其中Q(m,n)表示该块的结构相似度,(m,n)表示图像块位置,Qmean(m,n)表示该块的八邻域块的结构相似度的均值,k表示权重,权重取值范围为(0,0.5],本例取0.1;
(6-3):选取同时满足步骤(6-1)和步骤(6-2)的两个判定条件的图像块作为判定结果,为存在变化目标的图像块。
本发明与现有技术相比具有以下优点:
1.将图像分块处理,避免了直接对全局检测的不足,有效利用图像的局部特征;
2.利用整体变分算法,在滤除细小纹理的同时较好的保留了图像块的结构特征,为后续利用图像块熵值特征提供有力依据;
3.合理的利用了整体变分算法获得的结构图,其相同位置图像块的熵值差和源图像相同位置块的结构相似度,两种指标较好的表征了变化目标块的特征,为准确的选取变化目标块奠定基础。
4.熵值差的判断条件利用熵值差与加权熵值和进行比较,考虑了阴影产生伪目标的原理;结构相似度的判定条件利用了该块的结构相似度与邻域的结构相似度,体现了目标变化结构相似度的突变与伪变化目标结构相似度的渐变。将两种判断方法结合,准确的排除了伪变化目标块,确定出了变化目标块。
5.对于高分辨可见光图像,有效的利用了其阴影导致的伪变化目标与真实变化目标的特征差异,排除大量存在伪变化目标的图像块,从而降低了目标误检率。
附图说明
图1为本发明的流程图;
图2为输入的变化前图像I1和变化后图像I2;
图3为通过整体变分算法后的结构图像I′1和I′2;
图4为选取出存在变化目标的图像块;
图5为图像块的对数比差异图;
图6为图像块的均值比差异图;
图7为图像块的融合差异图;
图8为形态学处理前的差异图;
图9为形态学处理后的差异图。
具体实施方式
参照图1的流程图,以一组高分辨率可见光图像为例进行实验,该图像来源于互联网,(网址为http://datatang.com/),图像拍摄于波西米亚、拍摄高度为250米、倾斜度约为70度,每幅图像大小为800×600、分辨率为50cm、经过严格配准,有一个明显的变化目标和由光照强度及角度导致的阴影变化。具体实施步骤如下:
(1):输入同一地区、不同时刻获取的变化前图像I1和变化后图像I2,图2为输入的一幅图像实例的变化前图像I1和变化后图像I2;
(2):对图像I1、I2图像进行整体变分算法处理,得到滤除图像的噪声和细小纹理的结构图像I′1、I′2,所采用的整体变分算法模型如式(3):
其中,E表示能量泛函,I为输入图像,S为结构图,p为像素位置,λ为正则化参数,取值范围为[0,1],本例取0.05,表示梯度,用来抑制噪声;(Sp-Ip)2为正则项,用来保护边缘。通过求解能量泛函最小值得到结构图S,图3为源图像的结构图像I′1、I′2;
(3):根据图像分辨率及预估目标类型尺寸,将图像I1、I2、I′1、I′2分为方形块,选取的图像块尺寸为预估目标尺寸的2至5倍,本例将图像分为50×50的图像块;
(4):计算I′1、I′2分块后的相同位置方形块间的熵值差,熵值差为两图像块的熵值的差值的绝对值;
(5):计算I1、I2分块后的相同位置方形块间的结构相似度(Structural Similarity,SSIM)其计算方法如下,其中C1,C2,C3用来增加计算结果的稳定性:
其中μ(x),μ(y)为图像的均值,d(x),d(y)为图像的方差,d(x,y)为图像的协方差。图像结构相似度用Q=[L(X,Y)a]×[C(X,Y)b]×[S(X,Y)c]表示,其中a,b,c为加权系数,本例赋值为1;C1,C2,C3为比较小的数值,通常C1=(K1×N)2,C2=(K2×N)2,C3=C2/2,K1<<1,K2<<1,本例K1=0.01,K2=0.03。N为像素的最大值本例为255。结构相似度取值范围为[0,1],c
(6):将步骤(4)获得的熵值差和步骤(5)获得的结构相似度分别按各自判断条件进行判定,确定出存在变化目标的图像块,图4为确定出的图像块;
具体步骤如下:
(6-1):将步骤(4)获得的熵值差按式(1)进行判别,选取满足条件的图像块。
|H(x)t1-H(x)t2|<w(H(x)t1+H(x)t2) (1)
其中H(x)t1,H(x)t2分别表示相同位置图像块的熵值,w表示权重,权重取值范围为(0,0.5],本例取0.1;
(6-2):将步骤(5)获得的结构相似度按式(2)进行判别,选取满足条件的图像块。
Qmean(m,n)-Q(m,n)>kQmean(m,n) (2)
其中Q(m,n)表示该块的结构相似度,(m,n)表示图像块位置,Qmean(m,n)表示该块的八邻域块的结构相似度的均值,k表示权重,权重取值范围为(0,0.5],本例取0.1;
(6-3):选取同时满足步骤(6-1)和步骤(6-2)的两个判定条件的图像块作为判定结果,为存在变化目标的图像块;
(7):计算步骤(6)获得的图像块的对数比差异图与均值比差异图,并将对数比差异图与均值比差异图进行融合,获得融合差异图;
具体步骤如下:
(7-1):计算步骤(6)获得的图像块的对数比差异图,对数比差异图各像素的灰度值为源图像块对应位置的像素灰度值的比值的对数,图5为图像块的对数比差异图;
(7-2):计算步骤(6)获得的图像块的均值比差异图,均值比差异图的计算公式如式(4)
其中Xe(i,j)表示均值比差异图,(i,j)表示像素坐标,μ1(i,j),μ2(i,j)分别表示变化前后源图像块对应位置像素点的八邻域的灰度均值,图6为图像块的均值比差异图;
(7-3):将两幅差异图进行融合,获得融合差异图,以获得更准确的目标信息,本例选取融合算子如式(5):
Xf(i,j)表示融合图像。(i,j)表示像素坐标,Xe(i,j)表示均值比差异图,Xl(i,j)表示对数比差异图,图7为图像块的融合差异图;
(8):将融合差异图进行阈值分割与形态学处理,本例设定阈值为0.1将融合差异图划分为二值图像,对二值图像进行形态学开运算:C=Xf(i,j)оA,其中,Xf(i,j)为融合差异图,о表示形态学开运算,A为半径为r的圆形结构元素,r取值范围为{2,3,4,5};本例取2,图8、图9分别为图像块形态学处理前后的差异图。
(9):将S8得到的图像保存并输出。
为充分验证本发明方法的有效性和适用性,选取了不同场景的50组高分辨率航拍可见光仿真图像进行验证,本发明采用了目标检出率、目标漏检率和目标误检率对目标变化检测进行评估。其中目标检出率表示正确检出(目标50%的像素被检出)的变化目标数占总变化目标数的比例。目标漏检率表示被漏检的变化目标占总变化目标的比例;目标误检率表示,检测出伪变化目标占检出变化目标总数的比例。具体结果见表1:
表1
从表1中可以得出,本发明方法相对传统方法目标误检测率降低了20%以上,这是由于本发明方法通过分块利用其局部特征,同时通过整体变分方法使变化目标的特征得以利用,并合理的利用了熵值差与结构相似度确定出了存在变化目标的图像块;排除了其他图像块中伪变化目标的影响,降低了图像的目标误检率。
Claims (2)
1.一种高分辨率可见光图像目标变化检测方法,其特征是包括以下步骤:
(1):输入同一地区、不同时刻获取的变化前图像I1和变化后图像I2;
(2):利用整体变分算法分别对图像I1、I2处理,得到结构图像I′1、I′2;
(3):根据图像分辨率及预估目标类型尺寸,将图像I1、I2、I′1、I′2分为方形块;
(4):计算I′1、I′2分块后其相同位置方形块间的熵值差;
(5):计算I1、I2分块后其相同位置方形块间的结构相似度;
(6):将步骤(4)获得的熵值差和步骤(5)获得的结构相似度分别按各自的判断条件进行判定,确定出存在变化目标的图像块;
(7):计算步骤(6)获得的图像块的对数比差异图与均值比差异图,并将对数比差异图与均值比差异图进行融合,获得融合差异图;
(8):将融合差异图进行阈值分割与形态学处理,得到最终变化目标图像;
(9):将步骤(8)得到的图像保存并输出。
2.根据权利要求1所述的一种高分辨率可见光图像目标变化检测方法,其特征是步骤(6)中存在变化目标的图像块按以下步骤确定:
(6-1):将步骤(4)获得的熵值差按式(1)进行判别,选取满足条件的图像块;
|H(x)t1-H(x)t2|<w(H(x)t1+H(x)t2) (1)
其中H(x)t1,H(x)t2分别表示相同位置图像块的熵值,w表示权重,权重取值范围为(0,0.5],本例取0.1;
(6-2):将步骤(5)获得的结构相似度按式(2)进行判别,选取满足条件的图像块;
Qmean(m,n)-Q(m,n)>kQmean(m,n) (2)
其中Q(m,n)表示该块的结构相似度,(m,n)表示图像块位置,Qmean(m,n)表示该块的八邻域块的结构相似度的均值,k表示权重,权重取值范围为(0,0.5],本例取0.1;
(6-3):选取同时满足步骤(6-1)和步骤(6-2)的两个判定条件的图像块作为判定结果,为存在变化目标的图像块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510359498.5A CN104978745B (zh) | 2015-06-25 | 2015-06-25 | 一种高分辨率可见光图像目标变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510359498.5A CN104978745B (zh) | 2015-06-25 | 2015-06-25 | 一种高分辨率可见光图像目标变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104978745A true CN104978745A (zh) | 2015-10-14 |
CN104978745B CN104978745B (zh) | 2017-07-07 |
Family
ID=54275223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510359498.5A Expired - Fee Related CN104978745B (zh) | 2015-06-25 | 2015-06-25 | 一种高分辨率可见光图像目标变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104978745B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574874A (zh) * | 2015-12-18 | 2016-05-11 | 中北大学 | 一种序列图像变化检测的伪变化目标去除方法 |
CN111862103A (zh) * | 2019-04-25 | 2020-10-30 | 中国科学院微生物研究所 | 一种细胞变化的判定方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101807301A (zh) * | 2010-03-17 | 2010-08-18 | 北京航空航天大学 | 一种基于高阶统计量的高光谱图像目标检测方法 |
CN104200471A (zh) * | 2014-08-30 | 2014-12-10 | 西安电子科技大学 | 基于自适应权值图像融合的sar图像变化检测方法 |
CN104268899A (zh) * | 2014-09-22 | 2015-01-07 | 河海大学 | 基于帧间差分和背景差分的运动目标检测方法 |
-
2015
- 2015-06-25 CN CN201510359498.5A patent/CN104978745B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101807301A (zh) * | 2010-03-17 | 2010-08-18 | 北京航空航天大学 | 一种基于高阶统计量的高光谱图像目标检测方法 |
CN104200471A (zh) * | 2014-08-30 | 2014-12-10 | 西安电子科技大学 | 基于自适应权值图像融合的sar图像变化检测方法 |
CN104268899A (zh) * | 2014-09-22 | 2015-01-07 | 河海大学 | 基于帧间差分和背景差分的运动目标检测方法 |
Non-Patent Citations (1)
Title |
---|
FRANCESCA BOVOLO 等: "A Split-Based Approach to Unsupervised Change Detection in Large-Size Multitemporal Images:Application to Tsunami-Damage Assessment", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574874A (zh) * | 2015-12-18 | 2016-05-11 | 中北大学 | 一种序列图像变化检测的伪变化目标去除方法 |
CN105574874B (zh) * | 2015-12-18 | 2018-09-25 | 中北大学 | 一种序列图像变化检测的伪变化目标去除方法 |
CN111862103A (zh) * | 2019-04-25 | 2020-10-30 | 中国科学院微生物研究所 | 一种细胞变化的判定方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN104978745B (zh) | 2017-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108549874B (zh) | 一种目标检测方法、设备及计算机可读存储介质 | |
Jiang et al. | Enhanced crack segmentation algorithm using 3D pavement data | |
CN106856002B (zh) | 一种无人机拍摄图像质量评价方法 | |
CN103605953B (zh) | 基于滑窗搜索的车辆兴趣目标检测方法 | |
CN104574393B (zh) | 一种三维路面裂缝图像生成系统和方法 | |
CN102297660B (zh) | 一种盾构隧道衬砌管片接缝张开宽度的测量方法及装置 | |
CN107203981B (zh) | 一种基于雾气浓度特征的图像去雾方法 | |
CN102737370B (zh) | 检测图像前景的方法及设备 | |
CN107179322A (zh) | 一种基于双目视觉的桥梁底面裂缝检测方法 | |
CN106530271B (zh) | 一种红外图像显著性检测方法 | |
CN105279772B (zh) | 一种红外序列图像的可跟踪性判别方法 | |
CN108682012B (zh) | 一种基于线扫激光的3d曲面玻璃表面平整性缺陷检测方法 | |
CN105427286B (zh) | 一种基于灰度和梯度分割的红外目标检测方法 | |
CN103604371A (zh) | 移动终端及其物体测量方法 | |
CN107735812A (zh) | 视差图像生成设备、视差图像生成方法、视差图像生成程序、对象识别设备以及装置控制系统 | |
CN109145708A (zh) | 一种基于rgb和d信息融合的人流量统计方法 | |
CN108596975A (zh) | 一种针对弱纹理区域的立体匹配算法 | |
CN105139391B (zh) | 一种雾霾天气交通图像边缘检测方法 | |
CN106067177A (zh) | Hdr场景侦测方法和装置 | |
CN110245600B (zh) | 自适应起始快速笔画宽度无人机道路检测方法 | |
Flesia et al. | Sub-pixel straight lines detection for measuring through machine vision | |
CN105787912B (zh) | 一种基于分类的阶跃型边缘亚像素定位方法 | |
CN110189375A (zh) | 一种基于单目视觉测量的图像目标识别方法 | |
CN108009556A (zh) | 一种基于定点图像分析的河道漂浮物检测方法 | |
CN104574312A (zh) | 标靶图像求圆心的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170707 Termination date: 20180625 |
|
CF01 | Termination of patent right due to non-payment of annual fee |