CN107085708A - 基于多尺度分割和融合的高分辨率遥感图像变化检测方法 - Google Patents
基于多尺度分割和融合的高分辨率遥感图像变化检测方法 Download PDFInfo
- Publication number
- CN107085708A CN107085708A CN201710261895.8A CN201710261895A CN107085708A CN 107085708 A CN107085708 A CN 107085708A CN 201710261895 A CN201710261895 A CN 201710261895A CN 107085708 A CN107085708 A CN 107085708A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msup
- msub
- prime
- yardstick
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Abstract
基于多尺度分割和融合的高分辨率遥感图像变化检测方法,属于高光谱遥感图像技术领域,本发明为解决现有遥感图像变化检测技术对于高分辨率遥感图像的检测精度低、无法保证检测结果的完整性的问题。本发明的具体过程为:采用多尺度分割算法对多时相的高分辨率遥感图像进行空间尺度分割;对分割后的各尺度图像中的目标在对象角度上进行特征提取,用对象特征描述对象本身,进而相对其他时相的遥感图像进行向量分析,获得多个尺度的对象差异图;对获得的多个尺度的对象差异图进行变化信息提取和融合,获得最终的总变化结果图。本发明用于高分辨率遥感图像变化检测。
Description
技术领域
本发明涉及一种高分辨率遥感图像变化检测方法,属于高光谱遥感图像技术领域。
背景技术
随着卫星分辨率的提高,高分辨率遥感卫星数据细节信息丰富、数据量剧增,图像数据量和复杂度的增加使多时相遥感影像自动识别变化区域的难度提高,相应的数据处理技术也很难满足精度的要求;且高分辨率遥感影像细节信息丰富,各地物边缘明显,噪声大大增加,使得现阶段大多数基于特征域和像素级别的变化检测方法无法克服检测精度不足的问题,大多目标级检测方法,无法克服检测目标破碎的问题,从而影响后续的处理及应用。
发明内容
本发明目的是为了解决现有遥感图像变化检测技术对于高分辨率遥感图像的检测精度低、无法保证检测结果的完整性的问题,提供了一种基于多尺度分割和融合的高分辨率遥感图像变化检测方法。
本发明所述基于多尺度分割和融合的高分辨率遥感图像变化检测方法,该方法的具体过程为:
步骤1、采用多尺度分割算法对多时相的高分辨率遥感图像进行空间尺度分割,空间尺度分为粗尺度和细尺度两个部分,并选择适当的形状因子,利用自上而下区域异质性准则进行合并;
步骤2、对步骤1分割后的各尺度图像中的目标在对象角度上进行特征提取,用对象特征描述对象本身,进而相对其他时相的遥感图像进行向量分析,获得多个尺度的对象差异图;
步骤3、对步骤2获得的多个尺度的对象差异图进行变化信息提取和融合;首先采用自适应权重的像素级别融合方法,利用变化差异图的方差定义权重,分别得到针对粗尺度大目标和细尺度小目标的融合差异图;然后增加算法的鲁棒性,基于图像二维直方图进行变换信息提取,分别对粗尺度大目标和细尺度小目标变化差异图提取差异,分别获得粗尺度大目标和细尺度小目标的变化结果图;最后利用决策级的融合规则获得最终的总变化结果图。
本发明的优点:为提高遥感图像变化检测技术对于高分辨率遥感图像的检测精度、保证检测结果的完整性,本发明在分析传统像素级别及特征级别方法的基础上,引入多尺度分割和融合的检测技术,从高分辨率遥感图像对象出发,通过粗细尺度融合的方式来提取变化区域,从而提高变化检测的精度,实现变化区域的完整提取,克服了目标破碎的情况,为后续毁伤评估,灾害评估等应用奠定基础。
附图说明
图1是本发明所述目标区域直方图示意图;
图2是时相1的原图像;图3是时相2的原图像;图4是一维OTSU检测结果图;图5是二维OTSU检测结果图;图6是循环分割结果图;图7是EM算法结果图;图8是多特征融合方法结果图;图9是PCA聚类方法结果图;图10是多尺度分割融合结果图;图11是MRF方法结果图;图12是参考变化图;
图13是细尺度融合变化图;图14是粗尺度融合变化图。
具体实施方式
具体实施方式一:本实施方式所述基于多尺度分割和融合的高分辨率遥感图像变化检测方法,该检测方法的具体过程为:
步骤1、采用多尺度分割算法对多时相的高分辨率遥感图像进行空间尺度分割,空间尺度分为粗尺度和细尺度两个部分,并选择适当的形状因子,利用自上而下区域异质性准则进行合并;
步骤2、对步骤1分割后的各尺度图像中的目标在对象角度上进行特征提取,用对象特征描述对象本身,进而相对其他时相的遥感图像进行向量分析,获得多个尺度的对象差异图;
步骤3、对步骤2获得的多个尺度的对象差异图进行变化信息提取和融合;首先采用自适应权重的像素级别融合方法,利用变化差异图的方差定义权重,分别得到针对粗尺度大目标和细尺度小目标的融合差异图;然后增加算法的鲁棒性,基于图像二维直方图进行变换信息提取,分别对粗尺度大目标和细尺度小目标变化差异图提取差异,分别获得粗尺度大目标和细尺度小目标的变化结果图;最后利用决策级的融合规则获得最终的总变化结果图。
本实施方式中,步骤1选择适当的形状因子,适当是指在分割过程中更多的考虑形状和光谱中的哪个要素,试验中取0.4,光谱取0.6,这样不至于多边形中包含更多的其他地物,实际应用中可以根据图像具体特征调整。
本实施方式中,通常来讲,尺度主要指空间尺度、光谱尺度和时间尺度,本发明所利用的是空间尺度。
本实施方式中,步骤1选择适当的形状因子,利用自上而下区域异质性准则进行合并,能够有效地保证高分图像中各尺度对象完整分割,从而站在对象的角度上,为后续变化差异图的生成奠定基础。
本实施方式中,步骤2进行特征提取和对象向量分析,由于变化检测的核心问题是差异图的生成,因此针对于不同的高分辨率遥感图像提取最能够表示目标的特征,包括均值、方差、对比度、熵、直方图等特征,至此完成对于变化差异图的生成。
本实施方式中,步骤3为了保证各个目标对象的完整性,利用了自适应权重的像素级别融合方法;为了进一步克服噪声的影响,增加算法的鲁棒性,基于图像二维直方图进行变换信息提取,分别对粗尺度大目标和细尺度小目标变化差异图提取差异,分别获得粗尺度大目标和细尺度小目标的变化结果图。
具体实施方式二:本实施方式对实施方式一作进一步说明,采用多尺度分割算法对多时相的高分辨率遥感图像进行空间尺度分割的具体方法为:
多尺度分割采用一种基于最小异质性的自上而下区域合并的算法来得到输入图像不同尺度的图像分割序列,联合形状异质性获得合并的区域,异质性的表示形式为:
其中,htotal表示整体异质性,表示光谱异质性权重,满足hc和hs分别表示光谱异质性和形状异质性,并且满足:
其中,表示各个波段权重,波段个数为c,σc表示各个光谱波段的标准差;表示光滑度权重,hsm和hco分别表示区域的光滑度和紧致度;
按照自上而下区域合并的算法,得到新合并区域的光谱异质性和形状异质性分别为:
其中,nnew表示新合并区域的像素数目,n1和n2分别表示合并前两个区域的像素数目,σc1和σc2分别表示合并前两个区域的标准差,h′sm和h'co分别表示新合并区域的光滑度和紧致度,h′sm和h'co分别表示为:
其中,L和l分别表示新合并区域的实际边界长度和外部矩形边界长度,L1和L2分别表示合并前两个区域的实际边界长度,l1和l2分别表示合并前两个区域的外部矩形边界长度;
根据合并准则得到的两个相邻区域之间的边权重值如果大于所设定的尺度参数,当前合并结束;如果图像中所有边的权重值均大于尺度参数,合并结束,生成该尺度参量控制下的分割结果。
本实施方式中,图像分割是一个重要的分析技术,用于寻找感兴趣的区域,通常指的是将图像分成互不重叠,各具特性(纹理,颜色等特征)的多个区域,并从区域中进行图像解译。本发明正是从这一点出发,站在图像分割区域的角度提取感兴趣的变化目标。一般意义下,图像处理方法大多分为基于像素的和基于区域的,所谓区域指的是具有一定相似性和特征的像素集合,其内在包含着相似的邻域信息,相比于基于像素的方法,更加符合人类的思维模式。
本实施方式中,实际上区域合并的准则可以看成是一个寻优的过程,直至满足区域新特征或者尺度参数的条件为止,不同的尺度将对应不同的分割结果。本发明在此基础上选用不同的尺度参量,定义了尺度参量10到50为细尺度,50到100为粗尺度,为综合得到目标的完整信息提供可能。需要注意的是,如果直接设置尺度参量得到的分割结果其边界不一定满足一致性,因此采用这种尺度参量递增的控制方法,形成一个多尺度分割序列。
具体实施方式三:本实施方式对实施方式一或二作进一步说明,多尺度分为粗尺度和细尺度,细尺度的尺度参量为10到50,粗尺度的尺度参量为50到100。
具体实施方式四:下面结合图1说明本实施方式,本实施方式对实施方式一或二作进一步说明,对分割后的各尺度图像中的目标在对象角度上进行特征提取的具体方法为:通过提取均值、标准差和目标直方图获得特征向量;
图像直方图f(x')是图像灰度值x'的函数,其中1≤x'<M,M为图像最大灰度级;
两时相第i个目标的特征向量表示为:
Hi=[Hi(1),Hi(2),…,Hi(k)];
其中,k表示原始图像的波段数,特征向量中的每一个变量Hi(j)看作是波段j的特征向量;
fi(j,x')为第j波段第i个目标的灰度值频率,经过特征提取之后得到的特征向量为一个M维的行向量;
通过均值模板和标准差模板计算各个目标的标准差和灰度均值,综合直方图特征向量得到M+2维的行向量;
对每个目标都采用上述方式,对所有多尺度分割得到的结果都采用特征提取方式获得特征图序列;
利用Gabor滤波器组得到各个方向相对应的特征图;二维Gabor滤波器看作是复指数函数和高斯函数结合的结果,通过图像与不同的滤波函数进行卷积得到不同特征图,滤波函数定义为:
其中,x和y分别为图像横坐标和纵坐标,σx和σy分别为x和y的尺度参量,为滤波器中心频率,φ为方向,u和v满足:
u=xcosφ+ysinφ;
v=-xsinφ+ycosφ。
本实施方式中,目标区域直方图示意图如图1所示。
本实施方式中,图像特征提取是图像处理的重要部分,通过寻找有效特征描述目标,从而减少不必要的计算量,在多尺度分割序列的基础上,对每幅多尺度图像所分割出的目标采用适当的有效特征进行描述,提取特征向量。图像直方图特征能够描述被分割目标内部各个像素的灰度值和其数目之间的内在联系,目标灰度均值,标准差能够描述目标的光谱信息以及纹理信息,针对于全色以及多光谱高分辨率遥感图像,通过提取均值,标准差,目标直方图来得到特征向量。
本实施方式中,在实际运用当中可以采用不同的目标描述特征,利用Gabor滤波器组得到各个方向相对应的特征图。
具体实施方式五:本实施方式对实施方式四作进一步说明,向量分析的具体方法为:从目标对象开始,进行对象向量分析,得到不同尺度对象变化强度图序列,其变化表示为:
其中,Gj(k')表示不同时相来自于第j波段第k'个目标的直方图距离,M'是灰度级上限,s指的是时相数,表示第j波段第k'个目标灰度值为i'的频率;
变化向量表示为:
B(k')=(G1(k'),G2(k'),…,GM'(k'),μs,σs);
μs和σs分别为均值差异和标准差差异;
由此得到的最终强度变化图表示为变化向量的二范数:
对对象向量分析后得到的强度图进行尺度选择,以保证大小目标在检测结果上保持完整性为目的,分别从细尺度强度图和粗尺度强度图中分别寻找小目标和大目标保存完整的尺度图像,对选择出的几幅尺度图,采用一种自适应权重的方法,进行权重级融合,其权重系数表示为:
其中σk'为对应尺度差异图的图像标准差,N为选取的细尺度或者粗尺度中图像的个数;最终得到细尺度变化差异图和粗尺度变化差异图。
本实施方式中,传统的变化向量分析方法从像素出发针对于多光谱图像,利用欧氏距离得到变化强度图,但针对高分辨率遥感图像,由于其细节信息以及噪声的增多,纹理信息的丰富使得传统的向量分析法不再适用。
具体实施方式六:本实施方式对实施方式一或五作进一步说明,对多个尺度的对象差异图进行变化信息提取和融合的具体方法为:
变化信息提取采用基于直方图阈值分割的方法,得到最终的变化结果图;由于噪声点对检测精度的影响,二维直方图增加了阈值分割算法的鲁棒性;最佳分割阈值将使类间离散测度矩阵的迹达到最大,其类间离散测度矩阵为:
其中和分别为两个类别,μ0和μ1分别为两个类别对应样本的均值,μz为二维直方图总均值向量。
本实施方式中,通过对比阈值分割得到的细尺度和粗尺度变化结果图可以发现,大目标在细尺度当中分割较为破碎,在粗尺度中分割完整;相反,小目标在细尺度中被完整检出,在粗尺度中被湮没。基于变化检测结果,采用决策级融合的方式对两个尺度的变化结果图进行融合,得到最终的变化检测结果图,从而达到最终检测目的。
本发明中,图像融合是一种整合数据并得到比原先信息更多的数据的过程,主要包括像素级、特征级和决策级三种。决策级融合中常用的有逻辑二叉树等方法,通过二叉树可以对两个尺度的检测结果进行融合,融合规则可以设计为三种,如表1所示。当然,在实际应用中如果尺度较多,可以采用多类决策,得到变化强度等级,由于本发明只采用了两个尺度故融合规则为三种。
表1 决策融合规则
为了验证算法的有效性,将本发明提出的方法与传统的像素级别方法、聚类方法和基于显著图的特征融合方法进行对比,实验结果表明了,本发明方法更能完整体现变化检测结果。
本发明采用实测的高分辨率遥感图像数据进行实验,并与传统的基于像素的变化检测和基于特征的变化检测方法进行对比,为了验证算法的有效性和实用性,采用虚警率和漏警率进行算法的评价。从分割的角度上来讲,本发明站在目标级检测角度,避免了其他检测方法所检测目标的不完整性,采用融合的技术提高检测精度。将其检测结果与传统的一维二维最大方差阈值法、MRF方法、EM方法、循环分割法以及基于特征的多特征融合法,分块PCA聚类方法进行了对比。如图2-图12所示,可以发现由于高分辨率的独有特点,特别是纹理信息的不断丰富,导致现阶段基于像素的技术已经不能够满足检测精度的要求,存在大量的虚检和漏检,而本发明检测结果精度较高,这是由于常规方法忽视了目标的整体性,而本发明提出的多尺度分割融合算法,不仅完整地利用了图像光谱和空间信息,保持了目标的完整性,而且减少了误差,提高了精度。
进一步发现,马尔科夫随机场方法虽然结合空间信息,提高了像素级的检测精度,但是在一定程度上,依然无法避免大量虚检;基于直方图阈值的一维二维OTSU方法和EM方法在检测结果上同样存在大量的虚检;基于特征的方法,从主观评价的角度上,漏检和虚检相对降低,但是目标存在破碎和不完整性,边缘轮廓不清晰,结构不明显。
为了说明本发明算法对于目标完整性的保持,分别给出细尺度融合变化图以及粗尺度融合变化图的结果,如图13-图14所示,可以发现,在细尺度下,较大目标检测结果较为破碎,较小目标被完整检测出来,相反,粗尺度中大目标完整,小目标由于尺度较大,目标被淹没。其对比结果如图中,圆圈中目标和方框中显示。
表2 高分辨率遥感图像变化检测精度对比
通过检测结果可以发现,从主观评价角度来讲,常规像素级方法虚警率和漏警率都比较高,基于特征的方法相对较高,因此从定量角度比较了基于特征的方法与本发明算法在检测结果上的优越性,如表2所示。
Claims (6)
1.基于多尺度分割和融合的高分辨率遥感图像变化检测方法,其特征在于,该检测方法的具体过程为:
步骤1、采用多尺度分割算法对多时相的高分辨率遥感图像进行空间尺度分割,空间尺度分为粗尺度和细尺度两个部分,并选择适当的形状因子,利用自上而下区域异质性准则进行合并;
步骤2、对步骤1分割后的各尺度图像中的目标在对象角度上进行特征提取,用对象特征描述对象本身,进而相对其他时相的遥感图像进行向量分析,获得多个尺度的对象差异图;
步骤3、对步骤2获得的多个尺度的对象差异图进行变化信息提取和融合;首先采用自适应权重的像素级别融合方法,利用变化差异图的方差定义权重,分别得到针对粗尺度大目标和细尺度小目标的融合差异图;然后增加算法的鲁棒性,基于图像二维直方图进行变换信息提取,分别对粗尺度大目标和细尺度小目标变化差异图提取差异,分别获得粗尺度大目标和细尺度小目标的变化结果图;最后利用决策级的融合规则获得最终的总变化结果图。
2.根据权利要求1所述的基于多尺度分割和融合的高分辨率遥感图像变化检测方法,其特征在于,采用多尺度分割算法对多时相的高分辨率遥感图像进行空间尺度分割的具体方法为:
多尺度分割采用一种基于最小异质性的自上而下区域合并的算法来得到输入图像不同尺度的图像分割序列,联合形状异质性获得合并的区域,异质性的表示形式为:
其中,htotal表示整体异质性,表示光谱异质性权重,满足hc和hs分别表示光谱异质性和形状异质性,并且满足:
其中,表示各个波段权重,波段个数为c,σc表示各个光谱波段的标准差;表示光滑度权重,hsm和hco分别表示区域的光滑度和紧致度;
按照自上而下区域合并的算法,得到新合并区域的光谱异质性和形状异质性分别为:
其中,nnew表示新合并区域的像素数目,n1和n2分别表示合并前两个区域的像素数目,σc1和σc2分别表示合并前两个区域的标准差,h′sm和h′co分别表示新合并区域的光滑度和紧致度,h′sm和h′co分别表示为:
<mrow>
<msubsup>
<mi>h</mi>
<mrow>
<mi>c</mi>
<mi>o</mi>
</mrow>
<mo>&prime;</mo>
</msubsup>
<mo>=</mo>
<msub>
<mi>n</mi>
<mrow>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
</mrow>
</msub>
<mfrac>
<mi>L</mi>
<msqrt>
<msub>
<mi>n</mi>
<mrow>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
</mrow>
</msub>
</msqrt>
</mfrac>
<mo>-</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>n</mi>
<mn>1</mn>
</msub>
<mfrac>
<msub>
<mi>L</mi>
<mn>1</mn>
</msub>
<msqrt>
<msub>
<mi>n</mi>
<mn>1</mn>
</msub>
</msqrt>
</mfrac>
<mo>+</mo>
<msub>
<mi>n</mi>
<mn>2</mn>
</msub>
<mfrac>
<msub>
<mi>L</mi>
<mn>2</mn>
</msub>
<msqrt>
<msub>
<mi>n</mi>
<mn>2</mn>
</msub>
</msqrt>
</mfrac>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
<mrow>
<msubsup>
<mi>h</mi>
<mrow>
<mi>s</mi>
<mi>m</mi>
</mrow>
<mo>&prime;</mo>
</msubsup>
<mo>=</mo>
<msub>
<mi>n</mi>
<mrow>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
</mrow>
</msub>
<mfrac>
<mi>L</mi>
<mi>l</mi>
</mfrac>
<mo>-</mo>
<msub>
<mi>n</mi>
<mn>1</mn>
</msub>
<mfrac>
<msub>
<mi>L</mi>
<mn>1</mn>
</msub>
<msub>
<mi>l</mi>
<mn>1</mn>
</msub>
</mfrac>
<mo>-</mo>
<msub>
<mi>n</mi>
<mn>2</mn>
</msub>
<mfrac>
<msub>
<mi>L</mi>
<mn>2</mn>
</msub>
<msub>
<mi>l</mi>
<mn>2</mn>
</msub>
</mfrac>
<mo>;</mo>
</mrow>
其中,L和l分别表示新合并区域的实际边界长度和外部矩形边界长度,L1和L2分别表示合并前两个区域的实际边界长度,l1和l2分别表示合并前两个区域的外部矩形边界长度;
根据合并准则得到的两个相邻区域之间的边权重值如果大于所设定的尺度参数,当前合并结束;如果图像中所有边的权重值均大于尺度参数,合并结束,生成该尺度参量控制下的分割结果。
3.根据权利要求1或2所述的基于多尺度分割和融合的高分辨率遥感图像变化检测方法,其特征在于,多尺度分为粗尺度和细尺度,细尺度的尺度参量为10到50,粗尺度的尺度参量为50到100。
4.根据权利要求1或2所述的基于多尺度分割和融合的高分辨率遥感图像变化检测方法,其特征在于,对分割后的各尺度图像中的目标在对象角度上进行特征提取的具体方法为:通过提取均值、标准差和目标直方图获得特征向量;
图像直方图f(x')是图像灰度值x'的函数,其中1≤x'<M,M为图像最大灰度级;
两时相第i个目标的特征向量表示为:
Hi=[Hi(1),Hi(2),…,Hi(k)];
其中,k表示原始图像的波段数,特征向量中的每一个变量Hi(j)看作是波段j的特征向量;
fi(j,x')为第j波段第i个目标的灰度值频率,经过特征提取之后得到的特征向量为一个M维的行向量;
通过均值模板和标准差模板计算各个目标的标准差和灰度均值,综合直方图特征向量得到M+2维的行向量;
对每个目标都采用上述方式,对所有多尺度分割得到的结果都采用特征提取方式获得特征图序列;
利用Gabor滤波器组得到各个方向相对应的特征图;二维Gabor滤波器看作是复指数函数和高斯函数结合的结果,通过图像与不同的滤波函数进行卷积得到不同特征图,滤波函数定义为:
其中,x和y分别为图像横坐标和纵坐标,σx和σy分别为x和y的尺度参量,为滤波器中心频率,φ为方向,u和v满足:
u=xcosφ+ysinφ;
v=-xsinφ+ycosφ。
5.根据权利要求4所述的基于多尺度分割和融合的高分辨率遥感图像变化检测方法,其特征在于,向量分析的具体方法为:从目标对象开始,进行对象向量分析,得到不同尺度对象变化强度图序列,其变化表示为:
<mrow>
<msub>
<mi>G</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<msup>
<mi>k</mi>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>2</mn>
<mo>{</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>s</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
</mrow>
</munder>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<msup>
<mi>i</mi>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<msup>
<mi>M</mi>
<mo>&prime;</mo>
</msup>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msubsup>
<mi>f</mi>
<mi>s</mi>
<msup>
<mi>k</mi>
<mo>&prime;</mo>
</msup>
</msubsup>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>,</mo>
<msup>
<mi>i</mi>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
<mi>ln</mi>
<mi> </mi>
<msubsup>
<mi>f</mi>
<mi>s</mi>
<msup>
<mi>k</mi>
<mo>&prime;</mo>
</msup>
</msubsup>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>,</mo>
<msup>
<mi>i</mi>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<msup>
<mi>i</mi>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<msup>
<mi>M</mi>
<mo>&prime;</mo>
</msup>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<mo>(</mo>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>s</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
</mrow>
</munder>
<msubsup>
<mi>f</mi>
<mi>s</mi>
<msup>
<mi>k</mi>
<mo>&prime;</mo>
</msup>
</msubsup>
<mrow>
<mo>(</mo>
<mrow>
<mi>j</mi>
<mo>,</mo>
<msup>
<mi>i</mi>
<mo>&prime;</mo>
</msup>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
<mi>ln</mi>
<mo>(</mo>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>s</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
</mrow>
</munder>
<msubsup>
<mi>f</mi>
<mi>s</mi>
<msup>
<mi>k</mi>
<mo>&prime;</mo>
</msup>
</msubsup>
<mrow>
<mo>(</mo>
<mrow>
<mi>j</mi>
<mo>,</mo>
<msup>
<mi>i</mi>
<mo>&prime;</mo>
</msup>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
<mo>+</mo>
<mn>2</mn>
<mi>ln</mi>
<mn>2</mn>
<mo>}</mo>
<mo>;</mo>
</mrow>
其中,Gj(k')表示不同时相来自于第j波段第k'个目标的直方图距离,M'是灰度级上限,s指的是时相数,fs k'(j,i')表示第j波段第k'个目标灰度值为i'的频率;
变化向量表示为:
B(k')=(G1(k'),G2(k'),…,GM'(k'),μs,σs);
μs和σs分别为均值差异和标准差差异;
由此得到的最终强度变化图表示为变化向量的二范数:
<mrow>
<mi>D</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>k</mi>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<msup>
<mi>i</mi>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msup>
<mi>M</mi>
<mo>&prime;</mo>
</msup>
</munderover>
<msub>
<mi>G</mi>
<msup>
<mi>i</mi>
<mo>&prime;</mo>
</msup>
</msub>
<msup>
<mrow>
<mo>(</mo>
<msup>
<mi>k</mi>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msubsup>
<mi>&mu;</mi>
<mi>s</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>&sigma;</mi>
<mi>s</mi>
<mn>2</mn>
</msubsup>
</mrow>
</msqrt>
<mo>;</mo>
</mrow>
对对象向量分析后得到的强度图进行尺度选择,以保证大小目标在检测结果上保持完整性为目的,分别从细尺度强度图和粗尺度强度图中分别寻找小目标和大目标保存完整的尺度图像,对选择出的几幅尺度图,采用一种自适应权重的方法,进行权重级融合,其权重系数表示为:
<mrow>
<msub>
<mi>W</mi>
<msup>
<mi>k</mi>
<mo>&prime;</mo>
</msup>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<msubsup>
<mi>&sigma;</mi>
<msup>
<mi>k</mi>
<mo>&prime;</mo>
</msup>
<mn>2</mn>
</msubsup>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<msup>
<mi>k</mi>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mfrac>
<mn>1</mn>
<msubsup>
<mi>&sigma;</mi>
<msup>
<mi>k</mi>
<mo>&prime;</mo>
</msup>
<mn>2</mn>
</msubsup>
</mfrac>
</mrow>
</mfrac>
<mo>;</mo>
<msup>
<mi>k</mi>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>N</mi>
<mo>;</mo>
</mrow>
其中σk'为对应尺度差异图的图像标准差,N为选取的细尺度或者粗尺度中图像的个数;最终得到细尺度变化差异图和粗尺度变化差异图。
6.根据权利要求1或5所述的基于多尺度分割和融合的高分辨率遥感图像变化检测方法,其特征在于,对多个尺度的对象差异图进行变化信息提取和融合的具体方法为:
变化信息提取采用基于直方图阈值分割的方法,得到最终的变化结果图;由于噪声点对检测精度的影响,二维直方图增加了阈值分割算法的鲁棒性;最佳分割阈值将使类间离散测度矩阵的迹达到最大,其类间离散测度矩阵为:
其中和分别为两个类别,μ0和μ1分别为两个类别对应样本的均值,μz为二维直方图总均值向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710261895.8A CN107085708B (zh) | 2017-04-20 | 2017-04-20 | 基于多尺度分割和融合的高分辨率遥感图像变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710261895.8A CN107085708B (zh) | 2017-04-20 | 2017-04-20 | 基于多尺度分割和融合的高分辨率遥感图像变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107085708A true CN107085708A (zh) | 2017-08-22 |
CN107085708B CN107085708B (zh) | 2020-06-09 |
Family
ID=59612884
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710261895.8A Active CN107085708B (zh) | 2017-04-20 | 2017-04-20 | 基于多尺度分割和融合的高分辨率遥感图像变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107085708B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805863A (zh) * | 2018-05-02 | 2018-11-13 | 南京工程学院 | 深度卷积神经网络结合形态学检测图像变化的方法 |
CN109376750A (zh) * | 2018-06-15 | 2019-02-22 | 武汉大学 | 一种融合中波红外与可见光的遥感影像分类方法 |
CN109697431A (zh) * | 2018-12-29 | 2019-04-30 | 哈尔滨工业大学 | 一种基于高光谱图像的弱小目标检测方法 |
CN110309780A (zh) * | 2019-07-01 | 2019-10-08 | 中国科学院遥感与数字地球研究所 | 基于bfd-iga-svm模型的高分辨率影像房屋信息快速监督识别 |
CN111340761A (zh) * | 2020-02-18 | 2020-06-26 | 南京信息工程大学 | 基于分形属性和决策融合的遥感影像变化检测方法 |
CN111652826A (zh) * | 2020-05-18 | 2020-09-11 | 哈尔滨工业大学 | 基于Wallis滤波+直方图匹配的有重多/高光谱遥感图像匀色方法 |
CN112767376A (zh) * | 2021-01-27 | 2021-05-07 | 三峡大学 | 引力模型优化条件随机场的多尺度融合图像变化检测方法 |
CN112785583A (zh) * | 2021-02-01 | 2021-05-11 | 哈尔滨工业大学 | 基于超像素分割的高光谱遥感图像反射率恢复方法 |
CN113129323A (zh) * | 2021-04-27 | 2021-07-16 | 西安微电子技术研究所 | 一种基于人工智能的遥感田埂界线检测方法、系统、计算机设备及存储介质 |
CN114511791A (zh) * | 2022-04-20 | 2022-05-17 | 成都锦城学院 | 一种基于改进深度残差网络的区域水资源分类评价方法 |
WO2022141145A1 (zh) * | 2020-12-30 | 2022-07-07 | 深圳技术大学 | 面向对象的高分辨率遥感影像多尺度分割方法及系统 |
CN115410096A (zh) * | 2022-11-03 | 2022-11-29 | 成都国星宇航科技股份有限公司 | 卫星遥感影像多尺度融合变化检测方法、介质及电子装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102176014A (zh) * | 2011-01-19 | 2011-09-07 | 西安理工大学 | 一种多时相sar图像城市区域变迁变化检测方法 |
CN102254319A (zh) * | 2011-04-19 | 2011-11-23 | 中科九度(北京)空间信息技术有限责任公司 | 一种多层次分割的遥感影像变化检测方法 |
CN104156955A (zh) * | 2014-08-04 | 2014-11-19 | 华中农业大学 | 一种高分辨率遥感影像的变化检测方法 |
WO2014183259A1 (zh) * | 2013-05-14 | 2014-11-20 | 中国科学院自动化研究所 | 一种全色−多光谱遥感图像融合方法 |
CN104820992A (zh) * | 2015-05-19 | 2015-08-05 | 北京理工大学 | 一种基于超图模型的遥感图像语义相似性度量方法及装置 |
CN105741309A (zh) * | 2016-03-18 | 2016-07-06 | 武汉大学 | 一种基于卡方变换和样本选择的遥感影像变化检测方法 |
-
2017
- 2017-04-20 CN CN201710261895.8A patent/CN107085708B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102176014A (zh) * | 2011-01-19 | 2011-09-07 | 西安理工大学 | 一种多时相sar图像城市区域变迁变化检测方法 |
CN102254319A (zh) * | 2011-04-19 | 2011-11-23 | 中科九度(北京)空间信息技术有限责任公司 | 一种多层次分割的遥感影像变化检测方法 |
WO2014183259A1 (zh) * | 2013-05-14 | 2014-11-20 | 中国科学院自动化研究所 | 一种全色−多光谱遥感图像融合方法 |
CN104156955A (zh) * | 2014-08-04 | 2014-11-19 | 华中农业大学 | 一种高分辨率遥感影像的变化检测方法 |
CN104820992A (zh) * | 2015-05-19 | 2015-08-05 | 北京理工大学 | 一种基于超图模型的遥感图像语义相似性度量方法及装置 |
CN105741309A (zh) * | 2016-03-18 | 2016-07-06 | 武汉大学 | 一种基于卡方变换和样本选择的遥感影像变化检测方法 |
Non-Patent Citations (4)
Title |
---|
JIA L ET AL.: "Remote-Sensing Image Change detection with fusion of multiple wavelet kernels", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATION & REMOTE SENSING》 * |
冯文卿 张永军: "利用多尺度融合进行面向对象的遥感影像变化检测", 《测绘学报》 * |
吴俊政 等: "基于图像融合与对尺度分割的目标级变化检测", 《电光与控制》 * |
慕春芳: "高分辨率图像变化检测及其在应急灾害评估中的应用研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805863A (zh) * | 2018-05-02 | 2018-11-13 | 南京工程学院 | 深度卷积神经网络结合形态学检测图像变化的方法 |
CN108805863B (zh) * | 2018-05-02 | 2022-02-22 | 南京工程学院 | 深度卷积神经网络结合形态学检测图像变化的方法 |
CN109376750A (zh) * | 2018-06-15 | 2019-02-22 | 武汉大学 | 一种融合中波红外与可见光的遥感影像分类方法 |
CN109697431A (zh) * | 2018-12-29 | 2019-04-30 | 哈尔滨工业大学 | 一种基于高光谱图像的弱小目标检测方法 |
CN109697431B (zh) * | 2018-12-29 | 2021-11-23 | 哈尔滨工业大学 | 一种基于高光谱图像的弱小目标检测方法 |
CN110309780A (zh) * | 2019-07-01 | 2019-10-08 | 中国科学院遥感与数字地球研究所 | 基于bfd-iga-svm模型的高分辨率影像房屋信息快速监督识别 |
CN111340761A (zh) * | 2020-02-18 | 2020-06-26 | 南京信息工程大学 | 基于分形属性和决策融合的遥感影像变化检测方法 |
CN111652826A (zh) * | 2020-05-18 | 2020-09-11 | 哈尔滨工业大学 | 基于Wallis滤波+直方图匹配的有重多/高光谱遥感图像匀色方法 |
WO2022141145A1 (zh) * | 2020-12-30 | 2022-07-07 | 深圳技术大学 | 面向对象的高分辨率遥感影像多尺度分割方法及系统 |
CN112767376A (zh) * | 2021-01-27 | 2021-05-07 | 三峡大学 | 引力模型优化条件随机场的多尺度融合图像变化检测方法 |
CN112767376B (zh) * | 2021-01-27 | 2023-07-11 | 三峡大学 | 引力模型优化条件随机场的多尺度融合图像变化检测方法 |
CN112785583A (zh) * | 2021-02-01 | 2021-05-11 | 哈尔滨工业大学 | 基于超像素分割的高光谱遥感图像反射率恢复方法 |
CN112785583B (zh) * | 2021-02-01 | 2022-03-04 | 哈尔滨工业大学 | 基于超像素分割的高光谱遥感图像反射率恢复方法 |
CN113129323A (zh) * | 2021-04-27 | 2021-07-16 | 西安微电子技术研究所 | 一种基于人工智能的遥感田埂界线检测方法、系统、计算机设备及存储介质 |
CN114511791A (zh) * | 2022-04-20 | 2022-05-17 | 成都锦城学院 | 一种基于改进深度残差网络的区域水资源分类评价方法 |
CN115410096A (zh) * | 2022-11-03 | 2022-11-29 | 成都国星宇航科技股份有限公司 | 卫星遥感影像多尺度融合变化检测方法、介质及电子装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107085708B (zh) | 2020-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107085708A (zh) | 基于多尺度分割和融合的高分辨率遥感图像变化检测方法 | |
Gao et al. | Automatic change detection in synthetic aperture radar images based on PCANet | |
Huang et al. | Morphological building/shadow index for building extraction from high-resolution imagery over urban areas | |
Huang et al. | A new building extraction postprocessing framework for high-spatial-resolution remote-sensing imagery | |
Khazai et al. | An approach for subpixel anomaly detection in hyperspectral images | |
Cross et al. | Segmentation of remotely-sensed images by a split-and-merge process+ | |
Peng et al. | Object-based change detection from satellite imagery by segmentation optimization and multi-features fusion | |
CN103208001A (zh) | 结合形状自适应邻域和纹理特征提取的遥感图像处理方法 | |
CN104299232B (zh) | 一种基于自适应窗方向波域和改进fcm的sar图像分割方法 | |
CN107330875A (zh) | 基于遥感图像正反向异质性的水体周边环境变化检测方法 | |
CN111639587B (zh) | 基于多尺度谱空卷积神经网络的高光谱图像分类方法 | |
CN103729652A (zh) | 基于稀疏保持流形嵌入的高光谱遥感影像分类方法 | |
CN103198482B (zh) | 基于差异图模糊隶属度融合的遥感图像变化检测方法 | |
Yue et al. | Texture extraction for object-oriented classification of high spatial resolution remotely sensed images using a semivariogram | |
CN109191418A (zh) | 一种基于收缩自编码器特征学习的遥感图像变化检测方法 | |
CN108229551A (zh) | 一种基于紧凑字典稀疏表示的高光谱遥感图像分类方法 | |
Lei et al. | Sea-land segmentation for infrared remote sensing images based on superpixels and multi-scale features | |
CN105512622A (zh) | 一种基于图分割和监督学习的可见光遥感图像海陆分割方法 | |
CN108492288A (zh) | 基于随机森林的多尺度分层采样的高分卫星影像变化检测方法 | |
Liu et al. | Extraction of earthquake-induced collapsed buildings from bi-temporal VHR images using object-level homogeneity index and histogram | |
Guo et al. | Change detection for high-resolution remote sensing imagery based on multi-scale segmentation and fusion | |
Jing et al. | Island road centerline extraction based on a multiscale united feature | |
CN112784777B (zh) | 基于对抗学习的无监督高光谱图像变化检测方法 | |
CN104239895B (zh) | 基于特征降维的sar目标鉴别方法 | |
Wang et al. | Constructing hierarchical segmentation tree for feature extraction and land cover classification of high resolution MS imagery |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |