CN107248172A - 一种基于cva和样本选择的遥感影像变化检测方法 - Google Patents

一种基于cva和样本选择的遥感影像变化检测方法 Download PDF

Info

Publication number
CN107248172A
CN107248172A CN201610856189.3A CN201610856189A CN107248172A CN 107248172 A CN107248172 A CN 107248172A CN 201610856189 A CN201610856189 A CN 201610856189A CN 107248172 A CN107248172 A CN 107248172A
Authority
CN
China
Prior art keywords
image
change
remote sensing
difference image
difference
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
Application number
CN201610856189.3A
Other languages
English (en)
Inventor
贾永红
谢志伟
罗伦
阳柯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guo Jiao space information technology (Beijing) Co., Ltd.
Original Assignee
China Transport Telecommunications & Information Center
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Transport Telecommunications & Information Center filed Critical China Transport Telecommunications & Information Center
Priority to CN201610856189.3A priority Critical patent/CN107248172A/zh
Publication of CN107248172A publication Critical patent/CN107248172A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • 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
    • G06T2207/20076—Probabilistic image processing
    • 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
    • G06T2207/20081—Training; Learning

Landscapes

  • Image Analysis (AREA)

Abstract

本发明公开了一种基于CVA和样本选择的遥感影像变化检测方法，包括以下步骤：对检测区域的2幅不同时相的遥感影像进行配准；进行多尺度分割得到像斑；将全部像斑进行特征融合得到差异影像；进行格网分块得到多个差异影像块并计算标准差；按照差异程度从大到小的排序生成排序曲线，提取曲线斜率变化最大位置处及斜率变化最大位置前的差异影像块；基于贝叶斯阈值获取变化阈值，利用变化阈值对差异影像进行二值分割，获得变化检测结果；输出检测结果。本发明具有如下优点：有效融合影像对象的多维特征，发挥不同影像对象特征在变化检测中的能力，提高变化检测算法的可靠性和适用范围；变化检测算法稳定性增强。

Description

一种基于CVA和样本选择的遥感影像变化检测方法
技术领域
本发明涉及遥感科学与技术领域，具体设计一种基于CVA(Change VectorAnalysis，变化向量分析)和样本选择的遥感影像变化检测方法。
背景技术
由于高分辨率遥感影像的应用增多，能够发挥其优势的对象级变化检测逐步取代像素级变化检测成为主流的变化检测技术。对象为匀质性一致的像元集合，又可以称为像斑。像斑包含多维特征，基于差值法或比值法的变化检测方法，采用单一的特征进行变化检测，无法完整表达像斑的信息。
非监督变化检测能够用来快速检测变化区域，实现多时相遥感影像非监督变化检测的关键是自动确定用于分割“变化”与“未变化”区域的变化阈值。Bruzzone等提出了基于最大期望Expectation Maximization(EM)算法的贝叶斯阈值确定方法，得到了广泛的应用。该方法通过EM算法估计变化类样本和未变化类样本的分布模型参数，然后根据贝叶斯最小误差率理论得到变化阈值。该方法虽然能获取较准确的变化阈值，但其要求试验区域内变化区域与未变化区域的面积之比较高。然而地理国情监测覆盖的地理范围较大，需要使用大幅面的遥感影像，当两个时相遥感影像采集时间间隔较短时，检测区域内变化区域与未变化区域的面积之比很小。直接采用基于EM算法的贝叶斯阈值确定方法无法获取准确的变化阈值。
发明内容
本发明旨在至少解决上述技术问题之一。
为此，本发明的一个目的在于提出一种基于CVA和样本选择的遥感影像变化检测方法。
为了实现上述目的，本发明的实施例公开了一种基于CVA和样本选择的遥感影像变化检测方法，包括一下步骤：S1：对需要进行变化检测的同一区域的2幅不同时相的遥感影像进行配准；S2：对配准后遥感影像进行多尺度分割，得到像斑；S3：将全部像斑进行基于CVA的特征融合生成每个像斑的像斑差异度，并得到差异影像；S4：将所述差异影像进行格网分块得到多个差异影像块，计算出每个差异影像块的标准差；S5：按照所有差异影像块的标准差的差异程度从大到小的排序生成排序曲线，提取所述排序曲线中曲线斜率变化最大位置处的差异影像块及斜率变化最大位置前一的差异影像块分别作为第一差异影像块和第二差异影像块；S6：将所述第一差异影像块的差异度和所述第二差异影像块的差异度作为训练样本，将所述训练样本通过基于EM算法的贝叶斯阈值确定方法获取变化阈值，利用所述变化阈值对所述差异影像进行二值分割，获得变化检测结果；以及S7：输出所述检测结果。
根据本发明实施例的基于CVA和样本选择的遥感影像变化检测方法，能够有效融合影像对象的多维特征，发挥不同影像对象特征在变化检测中的能力，提高变化检测算法的可靠性和适用范围；能够准确获取变化区域与未变化区域面积比例较小的大幅面检测区域的变化阈值，避免变化阈值计算错误导致变化检测失败，使得变化检测算法稳定性增强。
另外，根据本发明上述实施例的基于CVA和样本选择的遥感影像变化检测方法，还可以具有如下附加的技术特征：
进一步地，在步骤S1中，采用小面元微分纠正方法进行配准。
进一步地，在步骤S2中，采用分形网络演化算法进行所述多尺度分割。
进一步地，当整幅影像的尺寸超过10000像素×10000像素时，采用2048像素×2048像素的分块进行所述网格分块。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明一个实施例的基于CVA和样本选择的遥感影像变化检测方法的流程图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
参照下面的描述和附图，将清楚本发明的实施例的这些和其他方面。在这些描述和附图中，具体公开了本发明的实施例中的一些特定实施方式，来表示实施本发明的实施例的原理的一些方式，但是应当理解，本发明的实施例的范围不受此限制。相反，本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
以下结合附图描述根据本发明实施例的基于CVA和样本选择的遥感影像变化检测方法。
请参考图1，一种基于CVA和样本选择的遥感影像变化检测方法，包括以下步骤：
S1：对需要进行变化检测的同一区域的2幅不同时相的遥感影像进行配准。在本发明的一个实施例中，小面元微分纠正方法进行配准，极大地提高了山区遥感影像的配准与融合。
S2：对配准后遥感影像进行多尺度分割，得到像斑。分割尺度参数依靠使用者的经验知识利用启发式的方法确定。在本发明的一个实施例中，采用分形网络演化算法进行多尺度分割。使用分形网络演化算法生成的影像不仅包括了光谱同质性，而且包括了空间特征与形状特征的同质性。在本发明的一个示例中，灰度位数16bit的影像数据设置分割尺度参数为300，灰度位数8bit的影像数据设置分割尺度参数为100。
S3：将全部像斑进行基于CVA的特征融合生成每个像斑的像斑差异度，并得到差异影像。其中，CVA算法为：
其中，为第l个像斑的差异度，Qt＝{Q1,Q2,...,QW}，Qt为原波段光谱特征组成的W维向量，t∈{1,2}分别代表前后时相。
S4：将差异影像进行格网分块得到多个差异影像块，计算出每个差异影像块的标准差，作为每个差异影像块的差异程度。
具体地，首先假设Xt,t∈{1,2}作为两个时相的影像，将Xt用格网分块法分为N个影像块 的尺寸p*q依据影像的分辨率和图幅范围设置。分块尺寸过小会影响算法的计算效率，尺寸过大则无法达到通过分块以提高局部区域变化类相对于未变化类先验概率的目的。然后采用CVA算法构建的差异影像块差异影像块的标准差反映了图像灰度动态变化程度，可以表征差异影像的变化程度。差异影像块标准差较大的差异影像块的样本分布更加符合混合高斯分布，利于基于EM算法的贝叶斯阈值计算。设为中变化区域与未变化区域的面积比例，为标准差σi的单调函数。其中，
在本发明的一个实施例中，当整幅影像的尺寸超过10000像素×10000像素时，采用2048像素×2048像素的分块进行网格分块，既能保证算法的处理效率，又能保证影像块具有足够的地物信息量。
S5：按照所有差异影像块的标准差的差异程度从大到小的排序生成排序曲线，提取排序曲线中曲线斜率变化最大位置处的差异影像块及斜率变化最大位置前一的差异影像块分别作为第一差异影像块和第二差异影像块。
具体地，将按差异度由大到小排序，即转化为按σi由大到小排序，得到经过排序的影像块集合：
将σi作为纵轴坐标，差异影像块的排序号i作为横坐标，得到标注差σi和排序号i组成的坐标系，则Pc中每个差异影像块在该坐标系中存在点(i，σi)，连接每一个点(i，σi)，则生成排序曲线，提取排序曲线斜率变化最大位置处及斜率变化最大位置前的差异影像块分别作为第一差异影像块和第二差异影像块，记为强差异影像块，其余影像块记为弱差异影像块。提取强差异影像块对应的影像块构建样本影像块集合Xt'。将Xt'包含的像斑差异度作为训练样本。
S6：将第一差异影像块的差异度和所述第二差异影像块的差异度作为训练样本，将训练样本通过基于EM算法的贝叶斯阈值确定方法获取变化阈值，利用所述变化阈值对所述差异影像进行二值分割，获得变化检测结果。
具体地，假设由像斑差异度组成的集合为m为像斑的数量；将集合Dcva分为变化类wc和未变化类wu，假设变化类条件密度函数和未变化类条件密度函数均服从高斯分布：
式中，s∈{c,u}，μs、δs分别为变化类像斑和未变化类像斑的均值和标准差；
则Dcva中所有像斑差异度近似满足2个子高斯组成的混合高斯分布：
式中p(wc)和p(wu)为变化类和未变化类的先验概率，且p(wc)+p(wu)＝1；
使用EM算法对2个子高斯模型进行参数估计，获得未变化类和变化类的分布参数p(wu)、μu、δu和p(wc)、μc、δc；
利用EM算法估计wc和wu的统计分布参数后，根据贝叶斯最小误差率理论计算变化阈值Τ，Τ的求解式：
通过基于EM算法的贝叶斯阈值确定方法计算变化阈值，并利用变化阈值对差异影像进行二值分割获得变化检测结果。
S7：输出检测结果。
另外，本发明实施例的基于CVA和样本选择的遥感影像变化检测方法的其它构成以及作用对于本领域的技术人员而言都是已知的，为了减少冗余，不做赘述。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同限定。

Claims (4)

1.一种基于CVA和样本选择的遥感影像变化检测方法，其特征在于，包括以下步骤：
S1：对需要进行变化检测的同一区域的2幅不同时相的遥感影像进行配准；
S2：对配准后遥感影像进行多尺度分割，得到像斑；
S3：将全部像斑进行基于CVA的特征融合生成每个像斑的像斑差异度，并得到差异影像；
S4：将所述差异影像进行格网分块得到多个差异影像块，计算出每个差异影像块的标准差；
S5：按照所有差异影像块的标准差的差异程度从大到小的排序生成排序曲线，提取所述排序曲线中曲线斜率变化最大位置处的差异影像块及斜率变化最大位置前一的差异影像块分别作为第一差异影像块和第二差异影像块；
S6：将所述第一差异影像块的差异度和所述第二差异影像块的差异度作为训练样本，将所述训练样本通过基于EM算法的贝叶斯阈值确定方法获取变化阈值，利用所述变化阈值对所述差异影像进行二值分割，获得变化检测结果；以及
S7：输出所述检测结果。
2.根据权利要求1所述的基于CVA和样本选择的遥感影像变化检测方法，其特征在于，在步骤S1中，采用小面元微分纠正方法进行配准。
3.根据权利要求1所述的基于CVA和样本选择的遥感影像变化检测方法，其特征在于，在步骤S2中，采用分形网络演化算法进行所述多尺度分割。
4.根据权利要求1所述的基于CVA和样本选择的遥感影像变化检测方法，其特征在于，在步骤S4中，当整幅影像的尺寸超过10000像素×10000像素时，采用2048像素×2048像素的分块进行所述网格分块。
CN201610856189.3A 2016-09-27 2016-09-27 一种基于cva和样本选择的遥感影像变化检测方法 Pending CN107248172A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610856189.3A CN107248172A (zh) 2016-09-27 2016-09-27 一种基于cva和样本选择的遥感影像变化检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610856189.3A CN107248172A (zh) 2016-09-27 2016-09-27 一种基于cva和样本选择的遥感影像变化检测方法

Publications (1)

Publication Number Publication Date
CN107248172A true CN107248172A (zh) 2017-10-13

Family

ID=60016305

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610856189.3A Pending CN107248172A (zh) 2016-09-27 2016-09-27 一种基于cva和样本选择的遥感影像变化检测方法

Country Status (1)

Country Link
CN (1) CN107248172A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107730496A (zh) * 2017-10-26 2018-02-23 武汉大学 一种基于影像块的多时相遥感影像建筑物变化检测方法
CN109146876A (zh) * 2018-09-14 2019-01-04 四川省安全科学技术研究院 一种基于高分遥感影像的矿山环境变化检测方法
CN109978811A (zh) * 2017-12-27 2019-07-05 财团法人工业技术研究院 医疗图像差异比对方法及其系统
CN110378224A (zh) * 2019-06-14 2019-10-25 香港理工大学深圳研究院 一种地物变化的检测方法、检测系统及终端
CN110717531A (zh) * 2019-09-27 2020-01-21 华东师范大学 一种基于不确定性分析和贝叶斯融合的分类后变化类型检测方法
CN112465886A (zh) * 2020-12-09 2021-03-09 苍穹数码技术股份有限公司 模型生成方法、装置、设备和可读存储介质
CN114419465A (zh) * 2022-03-31 2022-04-29 深圳市海清视讯科技有限公司 遥感图像变化检测方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN104680542A (zh) * 2015-03-15 2015-06-03 西安电子科技大学 基于在线学习的遥感影像变化检测方法
CN105405133A (zh) * 2015-11-04 2016-03-16 河海大学 一种遥感影像变化检测方法
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN104680542A (zh) * 2015-03-15 2015-06-03 西安电子科技大学 基于在线学习的遥感影像变化检测方法
CN105405133A (zh) * 2015-11-04 2016-03-16 河海大学 一种遥感影像变化检测方法
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

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107730496A (zh) * 2017-10-26 2018-02-23 武汉大学 一种基于影像块的多时相遥感影像建筑物变化检测方法
CN109978811A (zh) * 2017-12-27 2019-07-05 财团法人工业技术研究院 医疗图像差异比对方法及其系统
CN109146876A (zh) * 2018-09-14 2019-01-04 四川省安全科学技术研究院 一种基于高分遥感影像的矿山环境变化检测方法
CN110378224A (zh) * 2019-06-14 2019-10-25 香港理工大学深圳研究院 一种地物变化的检测方法、检测系统及终端
CN110717531A (zh) * 2019-09-27 2020-01-21 华东师范大学 一种基于不确定性分析和贝叶斯融合的分类后变化类型检测方法
CN112465886A (zh) * 2020-12-09 2021-03-09 苍穹数码技术股份有限公司 模型生成方法、装置、设备和可读存储介质
CN114419465A (zh) * 2022-03-31 2022-04-29 深圳市海清视讯科技有限公司 遥感图像变化检测方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN107248172A (zh) 一种基于cva和样本选择的遥感影像变化检测方法
CN105741309B (zh) 一种基于卡方变换和样本选择的遥感影像变化检测方法
CN107016403B (zh) 一种基于夜间灯光数据提取城市建成区阈值的方法
CN107229917A (zh) 一种基于迭代聚类的多幅遥感影像共性显著目标检测方法
CN103258324B (zh) 基于可控核回归和超像素分割的遥感图像变化检测方法
JP2014002738A (ja) 遠隔測定画像の混合画素物質構成精細化分解装置及び方法
Quan et al. Deep generative matching network for optical and SAR image registration
CN107506792B (zh) 一种半监督的显著对象检测方法
CN103984963B (zh) 一种高分辨率遥感图像场景分类方法
CN109784205B (zh) 一种基于多光谱巡检图像的杂草智能识别方法
CN110084782A (zh) 基于图像显著性检测的全参考图像质量评价方法
Bektas Balcik et al. Determination of land cover/land use using spot 7 data with supervised classification methods
CN104217436A (zh) 基于多特征联合稀疏图的sar图像分割方法
CN104036296A (zh) 一种图像的表示和处理方法及装置
CN108171119A (zh) 基于残差网络的sar图像变化检测方法
CN105469428B (zh) 一种基于形态学滤波和svd的弱小目标检测方法
CN104866853A (zh) 一种足球比赛视频中的多运动员的行为特征提取方法
CN104408731A (zh) 基于区域图和统计相似性编码的sar图像分割方法
Das et al. Transfer learning with res2net for remote sensing scene classification
CN107392211A (zh) 基于视觉稀疏认知的显著目标检测方法
CN104766313B (zh) 一种采用核递归的高光谱快速异常探测方法
CN105631849B (zh) 多边形目标的变化检测方法及装置
Zhiyong et al. Automatic landslide inventory mapping approach based on change detection technique with very-high-resolution images
CN104008374B (zh) 一种矿井图像中基于条件随机场的矿工检测方法
Yadav et al. Supervised learning based greenery region detection using unnamed aerial vehicle for smart city application

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20180510

Address after: 100016 2 floor, 6 Building 6, Fang Yuan Nan Li 9, Chaoyang District, Beijing.

Applicant after: Guo Jiao space information technology (Beijing) Co., Ltd.

Applicant after: China Transport Telecommunications & Information Center

Address before: 100011 rear body of Chaoyang District foreign and foreign embassy in Beijing

Applicant before: China Transport Telecommunications & Information Center

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20171013