CN107220587A - 一种基于两期高分辨率遥感影像的非监督变化检测方法 - Google Patents
一种基于两期高分辨率遥感影像的非监督变化检测方法 Download PDFInfo
- Publication number
- CN107220587A CN107220587A CN201710258041.4A CN201710258041A CN107220587A CN 107220587 A CN107220587 A CN 107220587A CN 201710258041 A CN201710258041 A CN 201710258041A CN 107220587 A CN107220587 A CN 107220587A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing images
- binaryzation
- event
- detecting method
- 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
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000001514 detection method Methods 0.000 claims abstract description 54
- 230000004927 fusion Effects 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims description 10
- 235000006679 Mentha X verticillata Nutrition 0.000 claims description 9
- 235000002899 Mentha suaveolens Nutrition 0.000 claims description 9
- 235000001636 Mentha x rotundifolia Nutrition 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于两期高分辨率遥感影像的非监督变化检测方法，该方法包括如下：步骤一、对待检测区域的事件前和事件后两期遥感影像分别进行空间位置配准，使同一地位置的地理区域实现重叠；步骤二、求解事件前和事件后两期遥感影像之间的相对变化幅度影像；步骤三、基于相对变化幅度影像，建立最小值阈值与最大值阈值之间的多阈值区间；步骤四、利用多阈值区间，并设定增加步长S，形成多个二值化变化区域检测结果；步骤五、对多个二值化变化区域检测结果进行融合处理，得到优化的二值化变化区域检测结果。采用该基于两期高分辨率遥感影像的非监督变化检测方法，过程中有效避免阈值设置、有效降低算法的数据依赖性。
Description
技术领域
本发明属于遥感影像技术领域，具体涉及一种基于两期高分辨率遥感影像的非监督变化检测方法。
背景技术
随着遥感技术的发展，同一地区的遥感影像时空分辨率得到大幅度提高，给利用两期遥感影像发现地表覆盖变化区域带来了可能。利用遥感影像快速获取地表覆盖变化区域，对于灾后评估、土地利用监测、城镇扩张监测等等均有重大意义。基于遥感影像的变化检测，依据其监测结果不同，可以归纳为分类后变化监测与分类前变化检测方法，其中分类前变化检测方法也称“非监督变化检测”，本发明隶属于非监督变化检测方法的一种。当前非监督变化检测方法可以分类两类：(1)基于阈值分割方法，该类方法通过阈值将变化幅度影像分类“变化”与“未变化”区域；其中变化幅度的方法可以通过经过严格配准遥感影像的差值法，比值法，以及变化向量分析法 (change vector analysis)等方法求得；此类方法优点是简单易用，非遥感专业人员也可以很好的操作。但一般而言，此类方法对传感器件成相条件差异而造成的伪变化比较敏感，而且阈值直接决定检测结果，依赖一定的经验与数据。(2)基于数学模型分析的非监督变化检测方法，该类方法在求解变化幅度的基础上，假设变化信息符合某种数学分布，通过对分布特征的划分，实现变化检测发现。为了应对不同的情况，实际应用中研究人员提出了各种各样的非监督变化检测方法，如：基于马尔科夫场、K-means，以及基于模糊C均值等非监督变化检测方法。
尽管当前研究中，针对变化检测提出了一系列的非监督变化检测方法，但随着遥感影像分辨率的提高，在实际应用中，这些方法表现了一定的不足： (1)一些方法试图通过序列实验，以寻找合理的阈值，以准确提取的变化区域。但由于地表地理环境的复杂性，加之遥感影像成相时天气、传感器，以及背景噪声等非线性因素的影响，单一阈值很难提取可靠合理的变化区域。而且，理论上，通过序列实验法得到的单一阈值，很难适合其它影像，普适性较差。(2)随着分辨率的提高，地物类内方差变大，用于中低遥感影像的变化检测方法，应用在高分影像变化检测中受到挑战，在检测结果中表现出了较多的噪声，极大地降低了变化发现的精度与可靠性。
发明内容
本发明所要解决的技术问题在于针对上述现有技术的不足，提供一种过程中有效避免阈值设置、有效降低算法的数据依赖性的基于两期高分辨率遥感影像的非监督变化检测方法。
为解决上述技术问题，本发明采用的技术方案是一种基于两期高分辨率遥感影像的非监督变化检测方法，该方法包括如下：
步骤一、对待检测区域的事件前和事件后两期遥感影像分别进行空间位置配准，使同一地位置的地理区域实现重叠；
步骤二、求解步骤一中所述的事件前和事件后两期遥感影像之间的相对变化幅度影像；
步骤三、基于步骤二中所述的相对变化幅度影像，建立最小值阈值与最大值阈值之间的多阈值区间；
步骤四、利用步骤三中所述的多阈值区间，并设定增加步长S，形成多个二值化变化区域检测结果；
步骤五、对步骤四中所述的多个二值化变化区域检测结果进行融合处理，得到优化的二值化变化区域检测结果。
进一步地，还包括步骤六：基于事件后影像的多尺度分割结果，对步骤五中所述的优化后的二值化变化区域检测结果进行处理，以得到平滑的变化检测区域。
进一步地，该步骤三中的具体过程如下：
步骤3.1、通过遍历变化幅度影像值，求解最小的变化幅度值，记作minT；
步骤3.2、通过遍历变化幅度影像值，求解最大的变化幅度值，记作 maxT；
步骤3.3、以[minT+S,maxT-S]为多阈值区间；其中：S为增加步长；
进一步地，该步骤四如下、依据步骤3.3中多阈值区间中的离散阈值，构建二值化检测结果集合，记作：B＝{bT1，bT2，bT3，……，bTn}，，其中T1为第一个阈值minT+S,Tn为最后一个阈值maxT-S；bTi为以Ti为阈值的二值化变化检测结果。
进一步地，该步骤五中对多个二值化变化区域检测结果进行投票法融合处理，具体过程包括如下步骤：
步骤5.1、读取步骤四中所述的二值化变化区域检测结果中，分别统计各“变化”和“未变化”状态栅格的数量；
步骤5.2、对步骤5.1所得的“变化”和“未变化”状态栅格的数量，采用“投票法”处理，得到优化的二值化变化区域检测结果。
进一步地，该步骤二中的两期遥感影像之间的相对变化幅度影像采用差值法或CVA法求解。
本发明一种基于两期高分辨率遥感影像的非监督变化检测方法具有如下优点：(1)利用多阈值区间，有效避免了在实际应用中选择合理阈值的困难；同时，也有有效降低了算法的数据依赖性，提高了检测算法的普适性，降低了非专业人员或无经验从业者选取阈值的难度；(2)将投票法引入变化检测中。投票法的应用，其过程是直观合理的。实验证明，投票法可以大大降低单一阈值的噪声影响，提高变化区域的提取精度。(3)引入了多尺度分割结果来优化变化检测结果，有效利用了纹理、形状等边缘空间信息来处理变化检测中间结果，有效降低了噪声信息。(4)整个变化区域提取流程不涉及参数设置，是一种自动化程度相对较高的变化区域检测方法，规避了非监督变化检测过程中的缺陷。
附图说明
图1是本发明基于两期高分辨率遥感影像的非监督变化检测方法的流程示意图。
图2为本发明中实际数据示意图；其中：
图2a滑坡前(事件前)影像；
图2b滑坡后(事件后)影像；
图3为本发明实施例中二值化变化区域检测结果示意图；
图4为本发明实施例中变化区域检测结果示意图；其中：
图4a基于MRF的非监督变化检测方法得到的变化区域检测结果；
图4b基于K-Means的非监督变化检测方法得到的变化区域检测结果；
图4c本发明中检测方法得到的变化区域检测结果；
图4d人工目视解译参考变化真值。
具体实施方式
本发明一种基于两期高分辨率遥感影像的非监督变化检测方法，该方法包括如下：
步骤一、对待检测区域的事件前和事件后两期遥感影像分别进行空间位置配准，使同一地位置的地理区域实现重叠；
步骤二、求解步骤一中所述的事件前和事件后两期遥感影像之间的相对变化幅度影像；两期遥感影像之间的相对变化幅度影像采用差值法或CVA 法求解。
步骤三、基于步骤二中所述的相对变化幅度影像，建立最小值阈值与最大值阈值之间的多阈值区间；具体如下：
步骤3.1、通过遍历变化幅度影像值，求解最小的变化幅度值，记作minT；
步骤3.2、通过遍历变化幅度影像值，求解最大的变化幅度值，记作 maxT；
步骤3.3、以[minT+S，maxT-S]为多阈值区间；其中：S为增加步长。
步骤四、利用步骤三中所述的多阈值区间，并设定增加步长S，形成多个二值化变化区域检测结果；
依据步骤3.3中多阈值区间中的离散阈值，构建二值化检测结果集合，记作：B＝{bT1，bT2，bT3，……，bTn}，，其中T1为第一个阈值minT+S,Tn为最后一个阈值maxT-S；bTi为以Ti为阈值的二值化变化检测结果。
步骤五、对步骤四中所述的多个二值化变化区域检测结果进行融合处理，得到优化的二值化变化区域检测结果，具体如下：
步骤5.1、读取步骤四中所述的二值化变化区域检测结果中，分别统计各“变化”和“未变化”状态栅格的数量；
步骤5.2、对步骤5.1所得的“变化”和“未变化”状态栅格的数量，采用“投票法”处理，得到优化的二值化变化区域检测结果。
还包括步骤六：基于事件后影像的多尺度分割结果，对步骤五中所述的优化后的二值化变化区域检测结果进行处理，得到平滑的变化检测区域。
本发明中的方法，通过提出多阈值区间与投票方法二者结合策略，有效规避了单一阈值在实际应用中的缺陷；通过引入多尺度分割到非监督变化检测领域，综合利用了事件后影像的纹理与边缘等空间信息，大大提高了变化区域的内部一致性，提高了算法检测变化区域的能力。
实施例
具体过程如图1所示：
步骤一、对滑坡前后两期限影像空间配准：实施前首先对图2a滑坡前影像和图2b待匹配影像分别采用ArcMap10.0软件，通过选择控制点，使用 Adjust工具实现两幅影像的几何配准。
步骤二、通过差值法求解变化幅度影像，差值法是遥感影像变化检测中的基本方法，本发明具有良好的泛化性，在实际应用中，求解变化幅度的方法也可以采用差值法，CVA法或比值法等方法。
步骤三、求解多阈值区间：本实例中，求得最小化幅度为0；最大变化幅度为115，若设步长为5，则多阈值区间为[5，159]。
步骤四、利用多阈值区间，得到每个阈值下的二值化变化区域检测结果，如图3所示。
步骤五、通过投票法，对二值化变化区域检测结果进行融合处理；得到优化的二值化变化区域检测结果。
步骤六、对优化的二值化变化区域检测结果，基于事件后影像进行多尺度分割，利用分割影像对步骤五中的二值化变化区域检测结果进行融合，得到最终变化检测区域。
由图4a、4b、4c和4d相比较知，采用本发明中的检测方法得到的滑坡区域与实际滑坡区域相符程度最高。
Claims (6)
1.一种基于两期高分辨率遥感影像的非监督变化检测方法，其特征在于，该方法包括如下：
步骤一、对待检测区域的事件前和事件后两期遥感影像分别进行空间位置配准，使同一地位置的地理区域实现重叠；
步骤二、求解步骤一中所述的事件前和事件后两期遥感影像之间的相对变化幅度影像；
步骤三、基于步骤二中所述的相对变化幅度影像，建立最小值阈值与最大值阈值之间的多阈值区间；
步骤四、利用步骤三中所述的多阈值区间，并设定增加步长S，形成多个二值化变化区域检测结果；
步骤五、对步骤四中所述的多个二值化变化区域检测结果进行融合处理，得到优化的二值化变化区域检测结果。
2.按照权利要求1所述的一种基于两期高分辨率遥感影像的非监督变化检测方法，其特征在于，还包括步骤六：基于事件后影像的多尺度分割结果，对步骤五中所述的优化后的二值化变化区域检测结果进行处理，以得到平滑的变化检测区域。
3.按照权利要求2所述的一种基于两期高分辨率遥感影像的非监督变化检测方法，其特征在于，所述步骤三中的具体过程如下：
步骤3.1、通过遍历变化幅度影像值，求解最小的变化幅度值，记作minT；
步骤3.2、通过遍历变化幅度影像值，求解最大的变化幅度值，记作maxT；
步骤3.3、以[minT+S，maxT-S]为多阈值区间；其中：S为增加步长。
4.按照权利要求3所述的一种基于两期高分辨率遥感影像的非监督变化检测方法，其特征在于，所述步骤四中的具体过程如下：
依据步骤3.3中多阈值区间中的离散阈值，构建二值化检测结果集合，记作：B＝{bT1，bT2，bT3，……，bTn}，，其中T1为第一个阈值minT+S,Tn为最后一个阈值maxT-S；bTi为以Ti为阈值的二值化变化检测结果。
5.按照权利要求4所述的一种基于两期高分辨率遥感影像的非监督变化检测方法，其特征在于，所述步骤五中对多个二值化变化区域检测结果进行投票法融合处理，具体过程包括如下步骤：
步骤5.1、读取步骤四中所述的二值化变化区域检测结果中，分别统计各“变化”和“未变化”状态栅格的数量；
步骤5.2、对步骤5.1所得的“变化”和“未变化”状态栅格的数量，采用“投票法”处理，得到优化的二值化变化区域检测结果。
6.按照权利要求1所述的一种基于两期高分辨率遥感影像的非监督变化检测方法，其特征在于，所述步骤二中的两期遥感影像之间的相对变化幅度影像采用差值法或CVA法求解。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710258041.4A CN107220587B (zh) | 2017-04-19 | 2017-04-19 | 一种基于两期高分辨率遥感影像的非监督变化检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710258041.4A CN107220587B (zh) | 2017-04-19 | 2017-04-19 | 一种基于两期高分辨率遥感影像的非监督变化检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107220587A true CN107220587A (zh) | 2017-09-29 |
| CN107220587B CN107220587B (zh) | 2020-12-04 |
Family
ID=59927632
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710258041.4A Expired - Fee Related CN107220587B (zh) | 2017-04-19 | 2017-04-19 | 一种基于两期高分辨率遥感影像的非监督变化检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107220587B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109726639A (zh) * | 2018-12-07 | 2019-05-07 | 河北工程大学 | 一种基于非监督分类技术的地物信息提取方法 |
| CN112528962A (zh) * | 2021-01-01 | 2021-03-19 | 生态环境部卫星环境应用中心 | 一种基于高分卫星遥感影像的牧区牛马群的监测方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103729653B (zh) * | 2014-01-21 | 2016-08-17 | 武汉大学 | 一种高分辨率遥感影像监督变化检测的方法 |
-
2017
- 2017-04-19 CN CN201710258041.4A patent/CN107220587B/zh not_active Expired - Fee Related
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103729653B (zh) * | 2014-01-21 | 2016-08-17 | 武汉大学 | 一种高分辨率遥感影像监督变化检测的方法 |
Non-Patent Citations (4)
| Title |
|---|
| 刘逸等: "结合多阈值法的模糊聚类用于SAR图像变化检测", 《西安电子科技大学学报（自然科学版）》 * |
| 吴炜等: "联合概率密度空间的遥感自适应变化检测方法", 《测绘学报》 * |
| 贾永红等: "采用独立阈值的遥感影像变化检测方法", 《西安交通大学学报》 * |
| 邓小炼等: "奇异值分解和阈值分割的遥感自适应变化检测", 《测绘科学》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109726639A (zh) * | 2018-12-07 | 2019-05-07 | 河北工程大学 | 一种基于非监督分类技术的地物信息提取方法 |
| CN112528962A (zh) * | 2021-01-01 | 2021-03-19 | 生态环境部卫星环境应用中心 | 一种基于高分卫星遥感影像的牧区牛马群的监测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107220587B (zh) | 2020-12-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107016403B (zh) | 一种基于夜间灯光数据提取城市建成区阈值的方法 | |
| CN105844228A (zh) | 一种基于卷积神经网络的遥感图像云检测方法 | |
| CN106096561A (zh) | 基于图像块深度学习特征的红外行人检测方法 | |
| CN103578110B (zh) | 基于灰度共生矩阵的多波段高分辨率遥感影像分割方法 | |
| CN105335966B (zh) | 基于局域同质性指标的多尺度遥感影像分割方法 | |
| CN104182985B (zh) | 遥感图像变化检测方法 | |
| CN103294792B (zh) | 基于语义信息和极化分解的极化sar地物分类方法 | |
| CN109766936A (zh) | 基于信息传递和注意力机制的图像变化检测方法 | |
| 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 | |
| CN102982534B (zh) | 基于弦线切线法的Canny边缘检测双阈值获取方法 | |
| CN102629380B (zh) | 基于多组滤波和降维的遥感图像变化检测方法 | |
| CN102360503B (zh) | 基于空间贴近度和像素相似性的sar图像变化检测方法 | |
| CN102800074A (zh) | 基于轮廓波变换的sar图像变化检测差异图生成方法 | |
| CN103020649A (zh) | 一种基于纹理信息的森林类型识别方法 | |
| CN104751185A (zh) | 基于均值漂移遗传聚类的sar图像变化检测方法 | |
| CN104361351A (zh) | 一种基于区域统计相似度的合成孔径雷达图像分类方法 | |
| CN106340005A (zh) | 基于尺度参数自动优化的高分遥感影像非监督分割方法 | |
| CN102175993A (zh) | 基于卫星sar影像的雷达景象匹配特征参考图制备方法 | |
| CN104408747A (zh) | 一种适用于深度图像的人体运动检测方法 | |
| CN107944353A (zh) | 基于轮廓波bspp网络的sar图像变化检测方法 | |
| CN109360184A (zh) | 结合阴影补偿与决策融合的遥感影像变化检测方法 | |
| CN107220587A (zh) | 一种基于两期高分辨率遥感影像的非监督变化检测方法 | |
| CN113989652B (zh) | 分层多重判定规则下的耕地变化检测方法及系统 | |
| CN102081799A (zh) | 基于邻域相似性及双窗口滤波的sar图像变化检测方法 | |
| CN107977968B (zh) | 基于建筑物阴影信息挖掘的建筑物分层检测方法 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201204 Termination date: 20210419 |