CN108229426B - 一种基于差分描述子的遥感图像变化向量变化检测法 - Google Patents

Abstract

本发明公开了一种基于差分描述子的遥感图像变化向量变化检测法，其特征是，包括如下步骤：1)选取两张多时相图像；2)对多时相图像的波段进行组合，得到图像信息最大化组合；3)针对波段的空间信息，构建差分描述子来得到差分图像；4)基于贝叶斯判别规则选取阈值，通过阈值法确定差分图像中的变化像素。本发明所达到的有益效果：本方法实现了光谱域中波段组合的最优化并有效地结合空间信息，可以有效地提高结果的精确度；所构建的差分描述子，可实现更加可靠的变化检测，通过该描述子计算出像素的水平变化量和垂直变化量，并依据图像在相邻像素之间存在较强的相关性，对变化量进行加权，得到最终的输出值，可以有效地减少波段信息的损失。

Description

一种基于差分描述子的遥感图像变化向量变化检测法

技术领域

本发明涉及一种基于差分描述子的遥感图像变化向量变化检测法，属于遥感影像处理技术领域。

背景技术

近年来，随着航空航天技术的迅速发展，卫星遥感、无人机航拍等遥感技术广泛应用在农、林、地质、海洋、气象以及军事侦察、导航制导等领域。遥感影像变化检测是指利用不同时期同一区域的遥感影像及相关数据，通过图像处理及数理模型等技术对其进行比较，分析和判断其影像间的变化。最近20年来，人们对自动变化检测技术从不同的角度进行了研究，提出了许多基于遥感影像变化的检测方法和技术，这些方法概括起来可以分为三类：分类后比较方法、像素光谱直接比较方法和混合方法。在这些方法中，由于像素光谱比较方法原理简单，对检测的遥感数据要求比较低且保留了图像的原始信息，不受分类和特征提取等处理方法误差传递的影响，所以在实际应用中适应面较广。其主要方法有：①不同时相的波段代数运算法：②回归法；③主成分分析法；④变化向量分析法(CVA，ChangeVector Analysis)。在像素光谱直接比较的方法中，变化向量分析法通过两个时相间的向量大小表示变化的程度，并通过阈值来确定两个时相之间变化/未变化的像素。不同地物的变化有不同的变化角度，通过对变化角度的分类可以获得地物变化的类型。

但是在该类技术中，CVA存在的不足主要体现在仅使用了多时相高分辨率差分影像的光谱信息，其次未考虑波段相关性及空间上下文信息，导致了算法对噪声敏感且鲁棒性较差，易出现椒盐现象。针对以上问题有许多专家和学者对算法进行了改进，比如基于主成分分析的变化向量法和基于模糊支持向量机的变化向量法等，但这些算法都局限于传统差分影像配准后匹配像素间直接相减，组成一幅新的差值多光谱图像，没有对得到变化向量的差分描述子做出改善。

发明内容

为解决现有技术的不足，本发明的目的在于提供一种基于差分描述子的遥感图像变化向量变化检测法，有效改善了CVA算法在高分辨率遥感影像变化检测中对噪声敏感且鲁棒性较差的问题。

为了实现上述目标，本发明采用如下的技术方案：

一种基于差分描述子的遥感图像变化向量变化检测法，其特征是，包括如下步骤：

1)选取两张多时相图像并进行预处理，进行影像配准等预处理，目的是排除传感器，大气等因素对数据源造成的一定误差；

2)对多时相图像的波段进行组合，得到图像信息最大化的组合；

3)针对波段的空间信息，构建差分描述子来得到差分图像；

4)基于贝叶斯判别规则选取阈值，通过阈值法确定差分图像中的变化像素。

前述的一种基于差分描述子的遥感图像变化向量变化检测法，其特征是，所述步骤2)的具体内容为：

21)找出两张图像x₁和x₂中所有的n个波段；

22)找出图像x₁的每一个波段i，分别与图像x₂的所有的n个波段进行组合，得到n²个结果；

23)计算出图像x₁中每个波段i的n个组合结果的相关系数；

24)对图像x₁中所有波段i的相关系数做归一化处理。

前述的一种基于差分描述子的遥感图像变化向量变化检测法，其特征是，所述步骤23)的具体内容为：

231)分别求出图像x₁中每个波段i的图像像素平均值

和图像x₂中每个波段j的图像像素平均值

232)求出波段i和波段j的协方差cov(i,j)；

233)求出所有波段i和波段j的相关系数

前述的一种基于差分描述子的遥感图像变化向量变化检测法，其特征是，所述步骤24)的具体内容为：对步骤233)得到的n个相关系数r₁……r_n相叠加得到S后，求出n个归一化的相关系数λ₁、…、λ_n。

前述的一种基于差分描述子的遥感图像变化向量变化检测法，其特征是，所述步骤3)的具体步骤如下：

31)建立像素模板：分别将图像x₁的i波段和x₂的j波段转换成M×N阶像素矩阵，将非边界上的每个点的像素作为中心像素，并与其相邻的8个像素一起构成3×3的模块

在3×3的模块中，每个模块用该点的像素来表示数值；

32)建立单波段的水平分量模型和垂直分量模型

单独对每个图像所构成的若干个3×3的模块，依次计算出模块的水平变化量v和竖直变化量h，水平分量v＝v₁+v₈+v₇-(v₃+v₄+v₅)，竖直分量h＝v₁+h₂+v₃-(v₇+h₁+v₅)；

33)建立双波段的变化分量模型：将波段i和波段j所有的3×3模块按照中心像素的位置依次对应，并将波段j所有的3×3模块的中心像素替换为波段i的对应点，形成双波段的变化分量模型

F_i(u,v)代表i波段(u,v)点的像素，F_j(u,v)代表j波段(u,v)点的像素；

34)在双波段的变化分量模型中，依次计算出双波段的变化分量模型的中心像素局部的水平变化量v和竖直变化量h，其中

35)建立高斯模板：依据图像在相邻像素之间存在的相关性，引入高斯分布函数，令中心元素坐标(U,V)为(0,0)，并把其邻域坐标代入可得出3*3归一化高斯加权模板；

将高斯加权模板与

的对应位置依次做乘积得到

即可得最终的加权局部变化分量

和

36)对加权变化量

和

求模值，作为该中心像素点的光谱变化强度值；

37)根据上述步骤，计算出所有像素点的光谱变化强度值

并组成M×N阶矩阵；

38)依次计算出图像x₁的i波段与图像x₂所有波段组合下的光谱变化强度值，并组成n个M×N阶矩阵；根据归一化的波段相关系数，对n个M×N阶矩阵依次加权，求出最终的加权变化分量矩阵X；

39)依次计算出图像x₁除i波段以外波段的光谱变化强度值，可求出所有的变化分量矩阵。

前述的一种基于差分描述子的遥感图像变化向量变化检测法，其特征是，所述步骤4)的具体步骤如下：

41)基于EM算法进行参数估计：

像素组成集合F＝{f₁,f₂,····f_n}，并用f_k代表第k个像素；

集合F中的元素分为变化类w_c和未变类w_n；假设w_c和w_n的条件概率密度函数服从高斯分布即

集合F中的所有元素可看作由两个子高斯组成的混合分布：p(f_k)＝p(w_c)×p(f_k|w_c)+p(w_n)×p(f_k|w_n)，其中

公式中待求取的参数分别为变化类w_c的

和

以及未变化w_n的

和

可由EM算法迭代求解，即下述公式来求取：

t为迭代次数，初始值为k均值聚类的结果，迭代直到连续两次迭代出的参数差值小于设定的阈值；

42)基于贝叶斯判别规则的变化判断：根据贝叶斯公式，可得到后验概率计算式：

当得到w_c与w_n的参数后，若p(w_c|f_k)＞p(w_n|f_k)，则f_k∈w_c，即该像素属于变化类，若p(w_n|f_k)≥p(w_c|f_k)，则f_k∈w_n，即该像素属于未变化类。

本发明所达到的有益效果：本方法实现了光谱域中波段组合的最优化并有效地结合空间信息，可以有效地提高结果的精确度；所构建的差分描述子，可实现更加可靠的变化检测，通过该描述子计算出像素的水平变化量和垂直变化量，并依据图像在相邻像素之间存在较强的相关性，对变化量进行加权，得到最终的输出值，即为光谱特征变化强度，可以有效地减少波段信息的损失，不仅可以应用于传统的变化向量法，还可以直接应用于其他基于变化向量法的算法。

附图说明

图1是本发明的结构示意图；

图2是本发明提供的一种波段组合最优化模块的流程图；

图3是本发明提供的一种结合空间域并加权值的变化流程图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

我们假设图像已经被配准和辐射归一化，针对CVA技术以及相关的CVA改进算法大多仅使用多时相高分辨率差异影像的光谱信息，并没有利用自身的空间信息。本发明提出一种结合空间上下文信息的非线性滤波方法，构建了一种新的差分描述子，可实现更加可靠的变化检测。通过该描述子计算出像素的水平变化量和垂直变化量，并依据图像在相邻像素之间存在较强的相关性，对变化量进行加权，得到最终的输出值，即为光谱特征变化强度。对于不同数据源，不同波段所提供的变化信息往往是有所差异的。例如，TM(Thematicmapper)数据包括七个波段，在对土地沙化的识别中，波段TM5和TM7包含的信息量相对其他波段较高。CVA及在其基础上改进的算法未考虑不同波段下的变化信息在变化检测中的权重，波段组合的过程容易中造成信息冗余和损失，因此我们设计了一种基于波段间相关系数的提取策略，其原理为：若某一波段与其他波段的相关系数越小，则该波段所反映的原始影像纹理分布就越具有代表性，因此这类波段组合应当在计算归一化相关系数时占有更大的比重，这可以有效地减少波段信息的损失。我们提出的差分影像构建法不仅可以应用于传统的变化向量法，还可以直接应用于其他基于变化向量法的算法。

本发明的具体步骤如下：

1)选取两张多时相图像并进行预处理；

2)对多时相图像的波段进行组合，得到图像信息最大化的组合，具体内容为：

21)找出两张图像x₁和x₂中所有的n个波段；

22)找出图像x₁的每一个波段i，分别与图像x₂的所有的n个波段进行组合，得到n²个结果；

23)计算出图像x₁中每个波段i的n个组合结果的相关系数：

231)设图像x₁中i波段(p,q)位置像素值为σ_(p,q)，利用公式

求出图像x₁中i波段的平均值

同理求出图像x₂波段j的平均值

232)利用公式

求出波段i和波段j的的协方差cov(i,j)。上式中x_1(u,v)代表图像x₁在i波段(u,v)点的像素值，x₂(u,v)表示图像x₂在j波段(u,v)点的像素值。

233)利用公式

求出所有波段i和波段j的相关系数

24)对图像x₁中所有波段i的相关系数做归一化处理：对步骤233)得到的n个相关系数r₁····r_n相叠加得到S后，利用公式

求出n个归一化的相关系数λ₁、…、λ_n。

3)针对波段的空间信息，构建差分描述子来得到差分图像，具体步骤如下：

31)建立像素模板：分别将图像x₁的i波段和x₂的j波段转换成M×N阶像素矩阵，将非边界上的每个点的像素作为中心像素，并与其相邻的8个像素一起构成3×3的模块

在3×3的模块中，每个模块用该点的像素来表示数值；

32)建立单波段的水平分量模型和垂直分量模型

单独对每个图像所构成的若干个3×3的模块，依次计算出模块的水平变化量v和竖直变化量h，水平分量v＝v₁+v₈+v₇-(v₃+v₄+v₅)，竖直分量h＝v₁+h₂+v₃-(v₇+h₁+v₅)；

33)建立双波段的变化分量模型：将波段i和波段j所有的3×3模块按照中心像素的位置依次对应，并将波段j所有的3×3模块的中心像素替换为波段i的对应点，形成双波段的变化分量模型

F_i(u,v)代表i波段(u,v)点的像素，F_j(u,v)代表j波段(u,v)点的像素；

34)在双波段的变化分量模型中，依次计算出双波段的变化分量模型的中心像素局部的水平变化量v和竖直变化量h，其中

35)建立高斯模板：依据图像在相邻像素之间存在的相关性，引入高斯分布函数，令中心元素坐标(U,V)为(0,0)，并把其邻域坐标代入可得出3*3归一化高斯加权模板；

将高斯加权模板与

的对应位置依次做乘积得到

即可得最终的加权局部变化分量

和

36)对加权变化量

和

求模值，作为该中心像素点的光谱变化强度值；

37)根据上述步骤，计算出所有像素点的光谱变化强度值

并组成M×N阶矩阵；

38)依次计算出图像x₁的i波段与图像x₂所有波段组合下的光谱变化强度值，并组成n个M×N阶矩阵；根据归一化的波段相关系数，对n个M×N阶矩阵依次加权，求出最终的加权变化分量矩阵X；

39)依次计算出图像x1除i波段以外波段的光谱变化强度值，可求出所有的变化分量矩阵。

4)基于贝叶斯判别规则选取阈值，通过阈值法确定差分图像中的变化像素：

41)基于EM算法进行参数估计：

像素组成集合F＝{f₁,f₂,····f_n}，并用f_k代表第k个像素；

集合F中的元素分为变化类w_c和未变类w_n；假设w_c和w_n的条件概率密度函数服从高斯分布即

集合F中的所有元素可看作由两个子高斯组成的混合分布：p(f_k)＝p(w_c)×p(f_k|w_c)+p(w_n)×p(f_k|w_n)，其中

公式中待求取的参数分别为变化类w_c的

和

以及未变化w_n的

和

可由EM算法迭代求解，即下述公式来求取：

t为迭代次数，初始值为k均值聚类的结果，迭代直到连续两次迭代出的参数差值小于设定的阈值；

42)基于贝叶斯判别规则的变化判断：根据贝叶斯公式，可得到后验概率计算式：

当得到w_c与w_n的参数后，若p(w_c|f_k)＞p(w_n|f_k)，则f_k∈w_c，即该像素属于变化类，若p(w_n|f_k)≥p(w_c|f_k)，则f_k∈w_n，即该像素属于未变化类。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (2)

1.一种基于差分描述子的遥感图像变化向量变化检测法，其特征是，包括如下步骤：

1)选取两张多时相图像并进行影像配准，辐射归一化的预处理；

2)对多时相图像的波段进行组合，得到图像信息最大化的组合；

3)针对波段的空间信息，构建基于非线性滤波的差分描述子来计算像素变化量，并得到差分图像；

4)基于贝叶斯判别规则选取阈值，通过阈值法确定差分图像中的变化像素；

所述步骤2)的具体内容为：

21)找出两张图像x₁和x₂中所有的n个波段；

22)找出图像x₁的每一个波段i，分别与图像x₂的所有的n个波段进行组合，得到n²个结果；

23)计算出图像x₁中每个波段i的n个组合结果的相关系数；

24)对图像x₁中所有波段i的相关系数做归一化处理；

所述步骤23)的具体内容为：

231)分别求出图像x₁中每个波段i的图像像素平均值

和图像x₂中每个波段j的图像像素平均值

232)求出波段i和波段j的协方差cov(i,j)；

233)求出所有波段i和波段j的相关系数r₁、·····、r_n2；

所述步骤24)的具体内容为：对步骤233)得到的n个相关系数r₁····r_n相叠加得到S后，求出n个归一化的相关系数λ₁、···、λ_n；

所述步骤3)的具体步骤如下：

31)建立像素模板：分别将图像x₁的i波段和x₂的j波段转换成M×N阶像素矩阵，将非边界上的每个点的像素作为中心像素，并与其相邻的8个像素一起构成3×3的模块

在3×3的模块中，每个模块用该点的像素来表示数值；

32)建立单波段的水平分量模型和垂直分量模型

单独对每个图像所构成的若干个3×3的模块，依次计算出模块的水平变化量v和竖直变化量h，水平分量v＝v₁+v₈+v₇-(v₃+v₄+v₅)，竖直分量h＝v₁+h₂+v₃-(v₇+h₁+v₅)；

33)建立双波段的变化分量模型：将波段i和波段j所有的3×3模块按照中心像素的位置依次对应，并将波段j所有的3×3模块的中心像素替换为波段i的对应点，形成双波段的变化分量模型

F_i(U,V)代表i波段(U,V)点的像素，F_j(U,V)代表j波段(U,V)点的像素；

34)在双波段的变化分量模型中，依次计算出双波段的变化分量模型的中心像素局部的水平变化量v和竖直变化量h，其中

35)建立高斯模板：依据图像在相邻像素之间存在的相关性，引入高斯分布函数，令中心元素坐标(U,V)为(0,0)，并把其邻域坐标代入可得出3*3归一化高斯加权模板；

将高斯加权模板与

的对应位置依次做乘积得到

即可得最终的加权局部变化分量

和

36)对加权变化量

和

求模值，作为该中心像素点的光谱变化强度值；

37)根据上述步骤，计算出所有像素点的光谱变化强度值

并组成M×N阶矩阵；

38)依次计算出图像x₁的i波段与图像x₂所有波段组合下的光谱变化强度值，并组成n个M×N阶矩阵；根据归一化的波段相关系数，对n个M×N阶矩阵依次加权，求出最终的加权变化分量矩阵X；

39)依次计算出图像x₁除i波段以外波段的光谱变化强度值，可求出所有的变化分量矩阵。

2.根据权利要求1所述的一种基于差分描述子的遥感图像变化向量变化检测法，其特征是，所述步骤4)的具体步骤如下：

41)基于EM算法进行参数估计：

像素组成集合F＝{f₁,f₂,····f_n}，并用f_k代表第k个像素；

集合F中的元素分为变化类w_c和未变类w_n；假设w_c和w_n的条件概率密度函数服从高斯分布即

集合F中的所有元素可看作由两个子高斯组成的混合分布：p(f_k)＝p(w_c)×p(f_k|w_c)+p(w_n)×p(f_k|w_n)，其中

公式中待求取的参数分别为变化类w_c的p(w_c)、

和

以及未变化w_n的p(w_n)、

和

可由EM算法迭代求解，即下述公式来求取：

t为迭代次数，初始值为k均值聚类的结果，迭代直到连续两次迭代出的参数差值小于设定的阈值；

42)基于贝叶斯判别规则的变化判断：根据贝叶斯公式，可得到后验概率计算式：

当得到w_c与w_n的参数后，若p(w_c|f_k)＞p(w_n|f_k)，则f_k∈w_c，即该像素属于变化类，若p(w_n|f_k)≥p(w_c|f_k)，则f_k∈w_n，即该像素属于未变化类。

Images