CN107301641A - 一种遥感图像变化的检测方法及装置 - Google Patents
一种遥感图像变化的检测方法及装置 Download PDFInfo
- Publication number
- CN107301641A CN107301641A CN201710475244.9A CN201710475244A CN107301641A CN 107301641 A CN107301641 A CN 107301641A CN 201710475244 A CN201710475244 A CN 201710475244A CN 107301641 A CN107301641 A CN 107301641A
- Authority
- CN
- China
- Prior art keywords
- denoising
- disparity map
- remote sensing
- nsct
- sensing images
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- 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
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种遥感图像变化的检测方法及装置,涉及图像处理技术领域,主要目的是降低复杂噪声对图像变化检测结果的影响,提高检测效率。所述方法包括:获取遥感图像对应的差异图;通过NSCT‑HMT模型对所述差异图进行去噪处理,得到去噪后的差异图;采用FLICMC算法对所述去噪后的差异图进行聚类,得到遥感图像中的变化类以及非变化类。本发明主要用于遥感图像变化的检测。
Description
技术领域
本发明涉及图像处理技术领域,尤其是一种遥感图像变化的检测方法及装置。
背景技术
遥感图像变化的检测是指利用两幅同一地点不同时间拍摄得到的遥感图像自动地确定和分析发生了变化的地物的过程,这些地物变化包括光谱特性的变化以及物体空间位置的变化。遥感图像变化的检测在自然灾害监测、国土资源规划管理、军事目标打击评估等众多领域都有所应用,因此,对遥感图像变化的检测有重要价值。
现有的对遥感图像变化的检测方法主要有以下两种,一种是使用先验经验的有监督遥感图像变化检测,该方法在获取先验知识的基础上对样本进行训练,而实际应用中先验知识很难获取,使得该方法应用受限;另一种是无需先验经验的无监督遥感图像变化检测,该方法无需先验知识,但是需要通过检测算法来获取遥感图像的变化,如直接利用检测算法进行图像变化检测,计算量较大,同时检测效率低。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种遥感图像变化的检测方法及装置,能够降低复杂噪声对图像变化检测结果的影响,提高检测效。
依据本发明实施例的一方面,本发明实施例提供了一种遥感图像变化的检测方法,包括:
获取遥感图像对应的差异图;
通过NSCT-HMT模型对所述差异图进行去噪处理,得到去噪后的差异图;
采用FLICMC算法对所述去噪后的差异图进行聚类,得到遥感图像中的变化类以及非变化类。
进一步地,所述获取遥感图像对应的差异图包括:采用均值比值法获取遥感图像的局部像素均值,确定遥感图像对应的差异图。
进一步地,所述通过NSCT-HMT模型对所述差异图进行去噪处理,得到去噪后的差异图包括:
对所述差异图进行NSCT分解,得到所述差异图对应不同尺度的方向子带;
根据所述差异图对应不同尺度的方向子带的系数结合HTM,建立NSCT-HMT模型参数;
通过NSCT-HMT模型对不同尺度的方向子带进行去噪处理;
对去噪处理后的不同尺度的方向子带进行NSCT重构,得到去噪后的差异图。
进一步地,所述采用FLICMC算法对所述去噪后的差异图进行聚类,得到遥感图像中的变化类以及非变化类包括:
通过FLICMC算法中的模糊因子计算所述去噪后的差异图的聚类中心;
通过FLICMC算法中的目标函数计算所述去噪后的差异图中像素的隶属度矩阵,所述隶属度矩阵用于描述像素隶属于所述聚类中心的分布情况;
根据所述隶属度矩阵将所述去噪后的差异图像素中隶属于各自聚类中心的像素进行聚类,得到遥感图像中的变化类以及非变化类。
进一步地,在所述获取遥感图像对应的差异图之前,所述方法还包括:
通过遥感图像处理平台对遥感图像进行校准。
依据本发明实施例的另一方面,本发明实施例提供了一种遥感图像变化的检测装置,包括:
获取单元,用于获取遥感图像对应的差异图;
去噪单元,用于通过NSCT-HMT模型对所述差异图进行去噪处理,得到去噪后的差异图;
聚类单元,用于采用FLICMC算法对所述去噪后的差异图进行聚类,得到遥感图像中的变化类以及非变化类。
进一步地,所述获取单元,具体用于采用均值比值法获取遥感图像的局部像素均值,确定遥感图像对应的差异图。
进一步地,所述去噪单元包括:
分解模块,用于对所述差异图进行NSCT分解,得到所述差异图对应不同尺度的方向子带;
建立模块,用于根据所述差异图对应不同尺度的方向子带的系数结合HTM,建立NSCT-HMT模型参数;
去噪模块,用于通过NSCT-HMT模型对不同尺度的方向子带进行去噪处理;
重构模块,用于对去噪处理后的不同尺度的方向子带进行NSCT重构,得到去噪后的差异图。
进一步地,所述聚类单元包括:
第一计算模块,用于通过FLICMC算法中的模糊因子计算所述去噪后的差异图的聚类中心;
第二计算模块,用于通过FLICMC算法中的目标函数计算所述去噪后的差异图中像素的隶属度矩阵,所述隶属度矩阵用于描述像素隶属于所述聚类中心的分布情况;
聚类模块,用于根据所述隶属度矩阵将所述去噪后的差异图像素中隶属于各自聚类中心的像素进行聚类,得到遥感图像中的变化类以及非变化类。
进一步地,所述装置还包括:
校准单元,用于通过遥感图像处理平台对遥感图像进行校准。
借由上述技术方案,本发明提供的一种遥感图像变化的检测方法及装置,通过NSCT-HMT模型对遥感图像对应的差异图进行去噪处理,能够捕捉不同方向、不同尺度之间系数的依赖性,从而得到较好的去噪效果,进一步采用FLICMC算法对去噪后的差异图进行聚类,得到遥感图像中的变化类以及非变化类,在保留去噪图像的边缘和细节方面信息的同时,更好地抑制了杂点噪声。与现有技术的遥感图像变化的检测方法相比,本发明实施例采用NSCT-HMT模型对差异图进行去噪,充分考虑空间邻域特性,在增强变化区域轮廓及小面积变化区域的同时,能够有效抑制了杂点噪声,提高了变化检测精度。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例提供的一种遥感图像变化的检测方法流程示意图;
图2示出了本发明实施例提供的另一种遥感图像变化的检测方法流程示意图;
图3示出了本发明实施例提供的一种遥感图像变化的检测装置的组成框图;
图4示出了本发明实施例提供的另一种遥感图像变化的检测装置的组成框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明实施例提供了一种遥感图像变化的检测方法,如图1所示,该方法主要采用NSCT-HMT模型对差异图进行去噪,充分考虑空间邻域特性,在增强变化区域轮廓及小面积变化区域的同时,能够有效抑制了杂点噪声,具体步骤包括:
101、获取遥感图像对应的差异图。
遥感图像由于其覆盖范围大且含有丰富的信息,所以具有宏观性和综合性,它可以采用可见光、红外线、微波等多种波段对物体进行遥感监测,同时还可以得到同一地区不同时间的遥感图像,所以具有多波段性和多时行,而遥感图像变化的检测常用来识别地表覆盖变化过程,广泛应用于视频监控、医疗诊断等多个领域。
对于本发明实施例,在获取到原始遥感图像后,通常为两幅遥感图像,可以采用差值法或比值法来获取遥感图像对应的差异图,两种算法都可以有效的构造出遥感图像的差异图,本发明实施例对构造差异图的方法不进行限定。
102、通过NSCT-HMT模型对所述差异图进行去噪处理,得到去噪后的差异图。
其中,NSCT-HMT模型是基于非下采样Contourlet变换(NonsubsampledContourlet transform,NSCT)与隐Markov树模型(Hadden Markov Tree,HMT)相结合的检测模型,主要用于对差异图进行去噪处理,该模型能够捕捉不同方向、不同尺度之间系数的依赖性、同一尺度和方向间系数的聚集性,具有较好的去噪效果,特别在保持去噪图像的边缘和细节信息方面。
对于本发明实施例,对差异图进行去噪处理后,充分考虑空间邻域特性,在增强变换区域轮廓及小面积变化区域的同时,能够抑制复杂噪声对差异图的影响。
103、采用FLICMC算法对所述去噪后的差异图进行聚类,得到遥感图像中的变化类以及非变化类。
其中,FLICMC算法是利用模糊局部信息C均值的聚类算法,该算法基于传统模糊C均值聚类算法的目标函数进行修改,引入模糊因子,通过模糊因子优化目标函数,进而对去噪后的差异图进行聚类,将遥感图像中的像素聚类为变化类以及非变化类,从而实现对遥感图像进行变化检测。
结合上述的实现方式可以看出,本发明实施例提供的一种遥感图像变化的检测方法,通过NSCT-HMT模型对遥感图像对应的差异图进行去噪处理,能够捕捉不同方向、不同尺度之间系数的依赖性,从而得到较好的去噪效果,进一步采用FLICMC算法对去噪后的差异图进行聚类,得到遥感图像中的变化类以及非变化类,在保留去噪图像的边缘和细节方面信息的同时,更好地抑制了杂点噪声。与现有技术的遥感图像变化的检测方法相比,本发明实施例采用NSCT-HMT模型对差异图进行去噪,充分考虑空间邻域特性,在增强变化区域轮廓及小面积变化区域的同时,能够有效抑制了杂点噪声,提高了变化检测精度。
以下为了更加详细地说明本发明提出的一种遥感图像变化的检测方法,特别是在通过通过NSCT-HMT模型对差异图进行去噪处理,得到去噪后的差异图的步骤,本发明实施例还提供了另一种遥感图像变化的检测方法,如图2所示,该方法的具体步骤包括:
201、通过遥感图像处理平台对遥感图像进行校准。
这里的遥感图像处理平台是对遥感图像进行辐射校正和几何纠正、图像整饰、投影变换等各类处理操作以达到预期效果,对于本发明实施例,可以通过ENVI软件对遥感图像进行配准,进而纠正遥感图像中变形的图像数据或低质量的图像数据,更加真实地反应其情景,当然还可以通过其他遥感图像处理平台,本发明实施例不限定。
202、采用均值比值法获取遥感图像的局部像素均值,确定遥感图像对应的差异图。
示例性的,图像F和图像G为同地区不同时获取的校准好的两幅SAR图像,大小均为r pixel×c pixel,均值比值法确定的遥感图像对应的差异图为:
其中,μ1(i,j)和μ2(i,j)分别标识图像F和图像G在像素点(i,j)处邻域为ω×ω的局部均值,对于窗口ω的选取,选取越大,噪声去除越干净,但是变化区域的扩大会导致边缘和细节的缺失;选取越小,细节保留越多,但是去噪效果差,本发明实施例不限定窗口的选取。
对于本发明实施例,采用均值比值法可以有效增强变换区域的轮廓及小面积的变化区域,同时也能防止变化信息丢失,能够真实反映出图像变化区域。
203、对所述差异图进行NSCT分解,得到所述差异图对应不同尺度的方向子带。
其中,NSCT在图像分解与重构的过程中没有下采样过程,并且分解过程由二维非下采样金字塔滤波组和非下采样方向滤波器组组成,由于方向子的系数带具有持续性和聚集性,而且对邻域系数具有较强的依赖性,可以用两个高斯函数的混合来对方向子带的系数建模。
示例性的,对差异图进行3层NSCT分解,尺度从粗到细依次为4、4、8个方向子带,利用如下所述的高斯函数的混合来对方向子带的系数建模,具体公式如下:
其中,Ni为某一尺度下某一方向子带系数,si为系数选取何种状态,为系数取不同状态条件下的概率分布函数,且满足 为系数取某一状态条件下对应高斯模型的概率分布密度函数,μim和σ2 im分布为高斯分布的均值和方差。
对于本发明实施例,通过对差异图进行NSCT分解,能够得到差异图对应不同尺度的方向子带,该方向子带服从零均值的混合高斯分布。
204、根据所述差异图对应不同尺度的方向子带的系数结合HTM,建立NSCT-HMT模型参数。
其中,隐Markov树模型(Hadden Markov Tree,HMT)是由具有一定状态数的隐Markov链和显示随机函数集组成的双重随机过程,可以分为隐含层和观测层,隐含层不能直接被观察到,并且包括一定量的状态,而观测层能观测到与状态对应的一些观察值,观测向量是由一个具有响应概率密度分布的状态序列所产生,它是通过某些概率密度分布来表现各种状态。
对于本发明实施例,可以通过以下4个参数来建立NSCT-HMT模型参数:
(1)各个方向自带根节点N1的状态概率分布函数,可以表示为其中m为隐状态的个数;
(2)状态转移概率,可以表示为
(3)当j尺度d方向子带上隐状态变量为Tj时,NSCT系数混合高斯分布的方差σ2 im和均值μim;
以上4个参数用形式化四元组表示为θN-HMT,即NSTC-HTM模型:
其中P为系数的个数,M为状态数,
205、通过NSCT-HMT模型对不同尺度的方向子带进行去噪处理。
对于本发明实施例,基于NSCT-HMT模型对不同尺度的方向子带进行去噪处理的过程如下:
(1)对建立的NSCT-HMT模型进行估计,得到模型参数,可以表示为
(2)通过不断生成随机的白噪声图像并均衡图像在NSCT域内的方差,进而估算噪声图像模型中噪声系数的方差
(3)原始图像的系数模型通过含噪图像的NSCT-HMT模型的方差减去噪声系数的方差获得,即
(4)由上述公式得到去噪后图像的NSCT-HMT参数模型为:
需要说明的是,用词参数模型对去噪图像的NSCT系数进行估计,当状态一定时,NSCT系数服从高斯分布,设噪声是均值为0的高斯白噪声,且与NSCT系数无关,则对去噪图像的NSCT系数进行估计可以为:
(5)由EM算法获得的条件概率可表示为:p(Sj,k,i=m|yj,k,i,θN-HMT-x)
(6)去噪图像的NSCT系数可以估计为:
206、对去噪处理后的不同尺度的方向子带进行NSCT重构,得到去噪后的差异图。
由于去噪处理后的不同尺度的方向子带能够较好的保留原始图像的边缘和细节信息方面,因此将不同尺度的方向子带进行NSCT重构,得到去噪后的差异图。
207、采用FLICMC算法对所述去噪后的差异图进行聚类,得到遥感图像中的变化类以及非变化类。
对于本发明实施例,FLICMC算法基于传统模糊C均值聚类算法的目标函数进行修改,引入模糊因子Gki,
其中,xj为局部窗口内中心像素i附近的邻域像素,dij为像素i和邻域像素j的空间欧式距离,νk为第k类的聚类中心,μkj为第j个像素xj对第k类的隶属度。
另外,FLICMC算法的目标函数为:
其中,xi是局部窗口的中心像素i,νk和μki分别为第k类聚类中心和迷糊隶属度矩阵,分别表示为:
对于本发明实施例,采用FLICMC算法对去噪后的差异图进行聚类,得到遥感图像中变化类以及非变化类的步骤可以包括但不局限于下述实现方式,首先通过FLICMC算法中的模糊因子计算出去噪后差异图的聚类中心,然后通过FLICMC算法中的目标函数计算去噪后差异图中像素的隶属度矩阵,该隶属度矩阵用于标识像素隶属于聚类中心的分布情况,最后根据隶属度矩阵对去噪后差异图中的像素类属于各自聚类中心的像素进行迭代聚类,得到遥感图像中的变化类以及非变化类,得到最终的变化检测结果。
本发明实施例提供的另一种遥感图像变化的检测方法,通过NSCT-HMT模型对遥感图像对应的差异图进行去噪处理,能够捕捉不同方向、不同尺度之间系数的依赖性,从而得到较好的去噪效果,进一步采用FLICMC算法对去噪后的差异图进行聚类,得到遥感图像中的变化类以及非变化类,在保留去噪图像的边缘和细节方面信息的同时,更好地抑制了杂点噪声。
另外,本发明实施例采用NSCT-HMT模型对差异图进行去噪,充分考虑空间邻域特性,在增强变化区域轮廓及小面积变化区域的同时,能够有效抑制了杂点噪声,提高了变化检测精度。
进一步地,作为图1所示方法的具体实现,本发明实施例提供一种遥感图像变化的检测装置,该装置实施例与前述方法实施例对应,为便于阅读,本装置不在对前述方法实施例中的细节内容进行逐一赘述,但应当明确,本实施例中的装置能够对应实现前述方法实施例中的全部内容,如图3所示,所述装置包括:
获取单元31,可以用于获取遥感图像对应的差异图;
去噪单元32,可以用于通过NSCT-HMT模型对所述差异图进行去噪处理,得到去噪后的差异图;
聚类单元33,可以用于采用FLICMC算法对所述去噪后的差异图进行聚类,得到遥感图像中的变化类以及非变化类。
需要说明的是,本发明实施例提供的遥感图像变化的检测装置所涉及各功能单元的其他相应描述,可以参考图1中的对应描述,在此不再赘述。
本发明实施例提供的一种遥感图像变化的检测装置,通过NSCT-HMT模型对遥感图像对应的差异图进行去噪处理,能够捕捉不同方向、不同尺度之间系数的依赖性,从而得到较好的去噪效果,进一步采用FLICMC算法对去噪后的差异图进行聚类,得到遥感图像中的变化类以及非变化类,在保留去噪图像的边缘和细节方面信息的同时,更好地抑制了杂点噪声。与现有技术的遥感图像变化的检测方法相比,本发明实施例采用NSCT-HMT模型对差异图进行去噪,充分考虑空间邻域特性,在增强变化区域轮廓及小面积变化区域的同时,能够有效抑制了杂点噪声,提高了变化检测精度。
进一步地,如图4所示,所述装置还包括:
校准单元34,可以用于通过遥感图像处理平台对遥感图像进行校准
进一步地,所述获取单元31,具体可以用于采用均值比值法获取遥感图像的局部像素均值,确定遥感图像对应的差异图。
进一步地,所述去噪单元32包括:
分解模块321,可以用于对所述差异图进行NSCT分解,得到所述差异图对应不同尺度的方向子带;
建立模块322,可以用于根据所述差异图对应不同尺度的方向子带的系数结合HTM,建立NSCT-HMT模型参数;
去噪模块323,可以用于通过NSCT-HMT模型对不同尺度的方向子带进行去噪处理;
重构模块324,可以用于对去噪处理后的不同尺度的方向子带进行NSCT重构,得到去噪后的差异图。
进一步地,所述聚类单元33包括:
第一计算模块331,可以用于通过FLICMC算法中的模糊因子计算所述去噪后的差异图的聚类中心;
第二计算模块332,可以用于通过FLICMC算法中的目标函数计算所述去噪后的差异图中像素的隶属度矩阵,所述隶属度矩阵用于描述像素隶属于所述聚类中心的分布情况;
聚类模块333,可以用于根据所述隶属度矩阵将所述去噪后的差异图像素中隶属于各自聚类中心的像素进行聚类,得到遥感图像中的变化类以及非变化类。
需要说明的是,本发明实施例提供的遥感图像变化的检测装置所涉及各功能单元的其他相应描述,可以参考图2中的对应描述,在此不再赘述。
本发明提供的另一种遥感图像变化的检测装置,通过NSCT-HMT模型对遥感图像对应的差异图进行去噪处理,能够捕捉不同方向、不同尺度之间系数的依赖性,从而得到较好的去噪效果,进一步采用FLICMC算法对去噪后的差异图进行聚类,得到遥感图像中的变化类以及非变化类,在保留去噪图像的边缘和细节方面信息的同时,更好地抑制了杂点噪声。
另外,本发明实施例采用NSCT-HMT模型对差异图进行去噪,充分考虑空间邻域特性,在增强变化区域轮廓及小面积变化区域的同时,能够有效抑制了杂点噪声,提高了变化检测精度。
所述遥感图像变化的检测装置包括处理器和存储器,上述获取单元31、去噪单元32和聚类单元33等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来降低复杂噪声对图像变化检测结果的影响,提高检测效率。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flashRAM),存储器包括至少一个存储芯片。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序代码:获取遥感图像对应的差异图;通过NSCT-HMT模型对所述差异图进行去噪处理,得到去噪后的差异图;采用FLICMC算法对所述去噪后的差异图进行聚类,得到遥感图像中的变化类以及非变化类。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flashRAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种遥感图像变化的检测方法,其特征在于,包括:
获取遥感图像对应的差异图;
通过NSCT-HMT模型对所述差异图进行去噪处理,得到去噪后的差异图;
采用FLICMC算法对所述去噪后的差异图进行聚类,得到遥感图像中的变化类以及非变化类。
2.根据权利要求1所述的方法,其特征在于,所述获取遥感图像对应的差异图包括:
采用均值比值法获取遥感图像的局部像素均值,确定遥感图像对应的差异图。
3.根据权利要求1所述的方法,其特征在于,所述通过NSCT-HMT模型对所述差异图进行去噪处理,得到去噪后的差异图包括:
对所述差异图进行NSCT分解,得到所述差异图对应不同尺度的方向子带;
根据所述差异图对应不同尺度的方向子带的系数结合HTM,建立NSCT-HMT模型参数;
通过NSCT-HMT模型对不同尺度的方向子带进行去噪处理;
对去噪处理后的不同尺度的方向子带进行NSCT重构,得到去噪后的差异图。
4.根据权利要求1所述的方法,其特征在于,所述采用FLICMC算法对所述去噪后的差异图进行聚类,得到遥感图像中的变化类以及非变化类包括:
通过FLICMC算法中的模糊因子计算所述去噪后的差异图的聚类中心;
通过FLICMC算法中的目标函数计算所述去噪后的差异图中像素的隶属度矩阵,所述隶属度矩阵用于描述像素隶属于所述聚类中心的分布情况;
根据所述隶属度矩阵将所述去噪后的差异图像素中隶属于各自聚类中心的像素进行聚类,得到遥感图像中的变化类以及非变化类。
5.根据权利要求1-4中任一项所述的方法,其特征在于,在所述获取遥感图像对应的差异图之前,所述方法还包括:
通过遥感图像处理平台对遥感图像进行校准。
6.一种遥感图像变化的检测装置,其特征在于,包括:
获取单元,用于获取遥感图像对应的差异图;
去噪单元,用于通过NSCT-HMT模型对所述差异图进行去噪处理,得到去噪后的差异图;
聚类单元,用于采用FLICMC算法对所述去噪后的差异图进行聚类,得到遥感图像中的变化类以及非变化类。
7.根据权利要求6所述的装置,其特征在于,
所述获取单元,具体用于采用均值比值法获取遥感图像的局部像素均值,确定遥感图像对应的差异图。
8.根据权利要求6所述的装置,其特征在于,所述去噪单元包括:
分解模块,用于对所述差异图进行NSCT分解,得到所述差异图对应不同尺度的方向子带;
建立模块,用于根据所述差异图对应不同尺度的方向子带的系数结合HTM,建立NSCT-HMT模型参数;
去噪模块,用于通过NSCT-HMT模型对不同尺度的方向子带进行去噪处理;
重构模块,用于对去噪处理后的不同尺度的方向子带进行NSCT重构,得到去噪后的差异图。
9.根据权利要求6所述的装置,其特征在于,所述聚类单元包括:
第一计算模块,用于通过FLICMC算法中的模糊因子计算所述去噪后的差异图的聚类中心;
第二计算模块,用于通过FLICMC算法中的目标函数计算所述去噪后的差异图中像素的隶属度矩阵,所述隶属度矩阵用于描述像素隶属于所述聚类中心的分布情况;
聚类模块,用于根据所述隶属度矩阵将所述去噪后的差异图像素中隶属于各自聚类中心的像素进行聚类,得到遥感图像中的变化类以及非变化类。
10.根据权利要求6-9中任一项所述的装置,其特征在于,所述装置还包括:
校准单元,用于通过遥感图像处理平台对遥感图像进行校准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710475244.9A CN107301641A (zh) | 2017-06-21 | 2017-06-21 | 一种遥感图像变化的检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710475244.9A CN107301641A (zh) | 2017-06-21 | 2017-06-21 | 一种遥感图像变化的检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107301641A true CN107301641A (zh) | 2017-10-27 |
Family
ID=60135810
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710475244.9A Pending CN107301641A (zh) | 2017-06-21 | 2017-06-21 | 一种遥感图像变化的检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107301641A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107945195A (zh) * | 2017-11-10 | 2018-04-20 | 西安电子科技大学 | 基于轮廓波集成dbn的极化sar图像变化检测方法 |
CN109583487A (zh) * | 2018-11-21 | 2019-04-05 | 新疆大学 | 一种sar图像变化检测方法及装置 |
CN109978855A (zh) * | 2019-03-26 | 2019-07-05 | 新疆大学 | 一种遥感图像变化检测方法及装置 |
CN110232302A (zh) * | 2018-03-06 | 2019-09-13 | 香港理工大学深圳研究院 | 一种集成灰度值、空间信息和类别知识的变化检测方法 |
CN110246091A (zh) * | 2019-04-25 | 2019-09-17 | 新疆大学 | 确定sar图差异区域的方法和装置 |
CN112308025A (zh) * | 2020-11-23 | 2021-02-02 | 内蒙古工业大学 | 图像变化的识别方法、装置、存储介质及电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101447080A (zh) * | 2008-11-19 | 2009-06-03 | 西安电子科技大学 | 基于非下采样Contourlet变换的HMT图像分割方法 |
CN104680536A (zh) * | 2015-03-09 | 2015-06-03 | 西安电子科技大学 | 利用改进的非局部均值算法对sar图像变化的检测方法 |
-
2017
- 2017-06-21 CN CN201710475244.9A patent/CN107301641A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101447080A (zh) * | 2008-11-19 | 2009-06-03 | 西安电子科技大学 | 基于非下采样Contourlet变换的HMT图像分割方法 |
CN104680536A (zh) * | 2015-03-09 | 2015-06-03 | 西安电子科技大学 | 利用改进的非局部均值算法对sar图像变化的检测方法 |
Non-Patent Citations (2)
Title |
---|
PENGYUN CHEN ET AL: "Remote Sensing Image Change Detection Based on NSCT-HMT Model and Its Application", 《SENSORS》 * |
姜椿芳 等: "《中国大百科全书电子学与计算机II》", 31 October 1998 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107945195A (zh) * | 2017-11-10 | 2018-04-20 | 西安电子科技大学 | 基于轮廓波集成dbn的极化sar图像变化检测方法 |
CN107945195B (zh) * | 2017-11-10 | 2019-10-25 | 西安电子科技大学 | 基于轮廓波集成dbn的极化sar图像变化检测方法 |
CN110232302A (zh) * | 2018-03-06 | 2019-09-13 | 香港理工大学深圳研究院 | 一种集成灰度值、空间信息和类别知识的变化检测方法 |
CN110232302B (zh) * | 2018-03-06 | 2020-08-25 | 香港理工大学深圳研究院 | 一种集成灰度值、空间信息和类别知识的变化检测方法 |
CN109583487A (zh) * | 2018-11-21 | 2019-04-05 | 新疆大学 | 一种sar图像变化检测方法及装置 |
CN109978855A (zh) * | 2019-03-26 | 2019-07-05 | 新疆大学 | 一种遥感图像变化检测方法及装置 |
CN110246091A (zh) * | 2019-04-25 | 2019-09-17 | 新疆大学 | 确定sar图差异区域的方法和装置 |
CN112308025A (zh) * | 2020-11-23 | 2021-02-02 | 内蒙古工业大学 | 图像变化的识别方法、装置、存储介质及电子设备 |
CN112308025B (zh) * | 2020-11-23 | 2023-01-31 | 内蒙古工业大学 | 图像变化的识别方法、装置、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107301641A (zh) | 一种遥感图像变化的检测方法及装置 | |
CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
Li et al. | Complex contourlet-CNN for polarimetric SAR image classification | |
CN102982338B (zh) | 基于谱聚类的极化sar图像分类方法 | |
CN102629374B (zh) | 基于子空间投影和邻域嵌入的图像超分辨率重建方法 | |
WO2023123568A1 (zh) | 一种探地雷达图像人工智能识别方法及装置 | |
CN104794730B (zh) | 基于超像素的sar图像分割方法 | |
CN106815842A (zh) | 一种改进的基于超像素的图像显著性检测方法 | |
CN109712150A (zh) | 基于稀疏表示的光学微波图像融合重建方法和装置 | |
CN107103595A (zh) | 检测图像变化的方法、装置、存储介质及设备 | |
CN108564083A (zh) | 一种遥感图像变化检测方法及装置 | |
CN113065467A (zh) | 一种基于深度学习的卫星图像低相干区域识别方法及装置 | |
CN112669249A (zh) | 结合改进nsct变换和深度学习的红外与可见光图像融合方法 | |
CN115760814A (zh) | 一种基于双耦合深度神经网络的遥感图像融合方法及系统 | |
CN107392863A (zh) | 基于亲和矩阵融合谱聚类方法的sar图像变化检测方法 | |
CN107180418A (zh) | 一种基于Tetrolet变换的遥感图像增强方法及装置 | |
CN113298147B (zh) | 基于区域能量和直觉模糊集的图像融合方法及装置 | |
CN107341449A (zh) | 一种基于云块特征变化的静止气象卫星降水估算方法 | |
Fayad et al. | Hy-TeC: a hybrid vision transformer model for high-resolution and large-scale mapping of canopy height | |
CN111965645B (zh) | 一种顾及几何约束的多基线植被高度反演方法及装置 | |
Kim et al. | Unsupervised image denoising with frequency domain knowledge | |
CN117422619A (zh) | 图像重建模型的训练方法、图像重建方法、装置及设备 | |
CN116863247A (zh) | 一种融合全局和局部信息的多模态遥感数据分类方法 | |
Liu et al. | SI-SA GAN: A generative adversarial network combined with spatial information and self-attention for removing thin cloud in optical remote sensing images | |
Luo et al. | Infrared and visible image fusion based on VPDE model and VGG network |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171027 |