CN108564083A - 一种遥感图像变化检测方法及装置 - Google Patents

一种遥感图像变化检测方法及装置 Download PDF

Info

Publication number
CN108564083A
CN108564083A CN201810418007.3A CN201810418007A CN108564083A CN 108564083 A CN108564083 A CN 108564083A CN 201810418007 A CN201810418007 A CN 201810418007A CN 108564083 A CN108564083 A CN 108564083A
Authority
CN
China
Prior art keywords
remote sensing
differential image
sensing images
image
vector
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
CN201810418007.3A
Other languages
English (en)
Inventor
刘陆洋
贾振红
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.)
Xinjiang University
Original Assignee
Xinjiang University
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 Xinjiang University filed Critical Xinjiang University
Priority to CN201810418007.3A priority Critical patent/CN108564083A/zh
Publication of CN108564083A publication Critical patent/CN108564083A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
    • 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)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Remote Sensing (AREA)
  • Astronomy & Astrophysics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种遥感图像变化检测方法及装置，涉及图像处理技术领域，主要目的是解决现有的无监督检测遥感图像变化区域时，由于无监督检测性能指标较低而导致的遥感图像变化区域检测的准确率较低的问题。技术方案包括：获取第一遥感图像和第二遥感图像；根据所述第一遥感图像和所述第二遥感图像，生成第一差异图像；根据所述第一差异图像，利用预置算法生成向量集合；利用预置聚类算法对各个所述向量进行聚类，得到最终差异图。主要用于两时相遥感图像变化区域的检测。

Description

一种遥感图像变化检测方法及装置
技术领域
本发明涉及图像处理技术领域，尤其涉及一种遥感图像变化检测方法及装置。
背景技术
随着遥感技术的迅速发展，遥感图像已经在多个领域中得到广泛应用，如土地利用监测、森林监测、城市监测和自然灾害评估分析等。遥感图像的变化检测是指根据同一地区在不同时刻，获取的两幅或多幅遥感图像来确定和分析该地区地表的变化信息。通常情况下，对遥感图像进行变化检测的方法可以分为两类，即有监督检测方法和无监督检测方法。其中，有监督检测方法是指需要利用分类器训练样本，而后根据训练的样本检测遥感图像的变化区域的方法；无监督检测方法是指直接对两幅或多幅遥感图像进行检测的方法。然而由于监督检测方法需要获取真实的参考数据，成本较高，因而使得无监督检测方法在实际应用中更加普遍。
目前，在使用无监督检测方法进行遥感图像变化检测时，可以通过数据融合和模糊聚类的无监督图像变化检测方法，或者通过PPB去噪和K-means聚类的无监督图像变化检测算法等，虽然提高了遥感图像检测结果的精度，但检测结果的性能指标仍然较低，进而导致遥感图像变化检测准确性较低。
发明内容
鉴于上述问题，提出了本发明以便提供一种遥感图像变化检测方法及装置，主要目的是解决现有的遥感图像无监督检测法，检测结果的性能指标较低而导致的遥感图像变化区域检测准确性较低的问题。
为解决上述技术问题，第一方面，本发明提供的一种遥感图像变化检测方法，包括：
获取第一遥感图像和第二遥感图像，所述第一遥感图像和第二遥感图像为同一地区两个不同时相分别对应的遥感图像；
根据所述第一遥感图像和所述第二遥感图像，生成第一差异图像；
根据所述第一差异图像，利用预置算法生成向量集合，所述向量集合中保存与所述第一差异图像中全部像素对应的向量；
利用预置聚类算法对各个所述向量进行聚类，得到最终差异图，所述最终差异图像为表示所述两个不同时相之间的变化区域图像。
可选的，所述获取第一遥感图像和第二遥感图像之后，所述方法还包括：
分别利用预置第一函数和预置第二函数，根据所述第一遥感图像和所述第二遥感图像，计算第二差异图像和第三差异图像；
根据所述第二差异图像和第三差异图像分别对应的低频系数，利用非下采样变换进行融合得到第一系数；
根据所述第一系数进行非下采样反变换，得到第四差异图像和第五差异图像。
可选的，所述根据所述第一遥感图像和所述第二遥感图像，生成第一差异图像包括：
根据所述第四差异图像和第五差异图像进行像素能量合成，得到所述第一差异图像。
可选的，所述方法还包括：
对所述第一差异图像进行划分，得到多个子差异图像；
将各个所述子差异图像转换成列向量，得到列向量集合；
利用所述列向量集合中的各个所述列向量生成矩阵。
可选的，所述根据所述第一差异图像，利用预置算法生成向量集合包括：
利用预置算法提取所述矩阵的特征向量；
根据所述特征向量生成各个所述像素分别对应的向量。
第二方面，本发明还提供的一种遥感图像变化检测装置，包括：
获取单元，用于获取第一遥感图像和第二遥感图像，所述第一遥感图像和第二遥感图像为同一地区两个不同时相分别对应的遥感图像；
生成单元，用于根据所述第一遥感图像和所述第二遥感图像，生成第一差异图像；
所述生成单元，还用于根据所述第一差异图像，利用预置算法生成向量集合，所述向量集合中保存与所述第一差异图像中全部像素对应的向量；
聚类单元，用于利用预置聚类算法对各个所述向量进行聚类，得到最终差异图，所述最终差异图像为表示所述两个不同时相之间的变化区域图像。
可选的，所述装置还包括：计算单元、融合单元、反变换单元，
所述计算单元，用于分别利用预置第一函数和预置第二函数，根据所述第一遥感图像和所述第二遥感图像，计算第二差异图像和第三差异图像；
所述融合单元，用于根据所述第二差异图像和第三差异图像分别对应的低频系数，利用非下采样变换进行融合得到第一系数；
所述反变换单元，用于根据所述第一系数进行非下采样反变换，得到第四差异图像和第五差异图像。
可选的，所述合成单元，具体用于根据所述第四差异图像和第五差异图像进行像素能量合成，得到所述第一差异图像。
可选的，所述装置还包括：划分单元、转换单元，
所述划分单元，用于对所述第一差异图像进行划分，得到多个子差异图像；
所述转换单元，用于将各个所述子差异图像转换成列向量，得到列向量集合；
所述生成单元，还用于利用所述列向量集合中的各个所述列向量生成矩阵。
可选的，所述生成单元包括：提取模块、生成模块，
所述提取模块，用于利用预置算法提取所述矩阵的特征向量；
所述生成模块，用于根据所述特征向量生成各个所述像素分别对应的向量。
为了实现上述目的，根据本发明的第三方面，提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述所述的遥感图像变化检测方法。
为了实现上述目的，根据本发明的第四方面，提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述所述的遥感图像变化检测方法。
本发明实施例提供的遥感图像变化检测方法，与现有的通过无监督检测方法对遥感图像进行变化区域检测相比，本发明实施例通过获取同一地区两个不同时相的遥感图像之后，首先根据两幅遥感图像生成相应的差异图像，而后利用预置算法依次生成与差异图像中各个元素分别对应的向量，再利用聚类算法对各个向量进行聚类得到表示两时相变化区域的最终差异图，提高了检测结果的性能指标，进而提高了遥感图像变化区域检测的准确性。
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示出了发明实施例提供的一种遥感图像变化检测方法的流程图；
图2示出了发明实施例提供的另一种遥感图像变化检测方法的流程图；
图3示出了发明实施例提供的一种遥感图像变化检测装置的方框图；
图4示出了发明实施例提供的另一种遥感图像变化检测装置的方框图。
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。
本发明实施例提供一种遥感图像变化检测方法，如图1所示，所述方法包括：
101、获取第一遥感图像和第二遥感图像。
其中，所述第一遥感图像和第二遥感图像为同一地区两个不同时相分别对应的遥感图像，而所述遥感图像可以为SAR(SyntheticAperture Radar，合成孔径雷达)图像。
例如，获取到第一遥感图像为地区A在时相1时的SAR图像为X1，X1＝{X1(i，j)，1＜i＜m，1＜j＜n}，获取到第二遥感图像为地区A在时相2时的SAR图像为X2，X2＝{X2(i，j)，1＜i＜m，1＜j＜n}，X1和X2均为m像素×n像素的SAR图像。
102、根据所述第一遥感图像和所述第二遥感图像，生成第一差异图像。
具体地，本步骤可以为首先根据原始的第一遥感图像A和第二遥感图像B，利用预置算法生成两幅差异图AB1和AB2，并根据这两个差异图进行非下采样变换和非下采样反变换，得到AB1’和AB2’，而后再进行像素能量合成得到本步骤中的第一差异图像，但不限于此。
103、根据所述第一差异图像，利用预置算法生成向量集合。
其中，所述向量集合中保存与所述第一差异图像中全部像素对应的向量。而所述预置算法为PCA(principal components analysis，主成分分析)具体地，本步骤可以为将第一差异图像切分成多个不重叠的小区域，并将每个区域转换成相应的向量，而后使用PCA生成本步骤中所述的全部元素对应的向量。
104、利用预置聚类算法对各个所述向量进行聚类。
进一步地，得到最终差异图，所述最终差异图像为表示所述两个不同时相之间的变化区域图像。优选地，本步骤中所述的聚类算法采用FCM(fuzzy c-means algorithm，模糊C均值)聚类算法。需要说明的是，当对遥感差异图像中各个元素对应的向量使用聚类算法进行聚类时，可以使得全部向量划分成若干个簇，由于对于若干个簇，簇内相似性大且簇间相似性小，从而使得聚类效果显著，进而能够提取到差异图像中的变化区域，以完成对遥感图像变化区域的检测。
本发明实施例提供的遥感图像变化检测方法，与现有的通过无监督检测方法对遥感图像进行变化区域检测相比，本发明实施例通过获取同一地区两个不同时相的遥感图像之后，首先根据两幅遥感图像生成相应的差异图像，而后利用预置算法依次生成与差异图像中各个元素分别对应的向量，再利用聚类算法对各个向量进行聚类得到表示两时相变化区域的最终差异图，提高了检测结果的性能指标，进而提高了遥感图像变化区域检测的准确性。
进一步的，作为对图1所示实施例的细化及扩展，本发明实施例还提供了另一种遥感图像变化检测方法，如图2所示，所述方法包括：
201、获取第一遥感图像和第二遥感图像。
其中，所述第一遥感图像和第二遥感图像为同一地区两个不同时相分别对应的遥感图像。
本步骤与图1所示的步骤101方法相同，在此不再赘述。
202、分别利用预置第一函数和预置第二函数，根据所述第一遥感图像和所述第二遥感图像，计算第二差异图像和第三差异图像。
其中，所述第一函数可以为对数比函数，所述第二函数可以为均值比函数，优选地，均值比算法窗口取3×3，但不限于此。例如，在上述步骤中获取到第一遥感图像X1和第二遥感图像X2，则在本步骤中利用对数比函数计算得到第二差异图像为
203、根据所述第二差异图像和第三差异图像分别对应的低频系数，利用非下采样变换进行融合得到第一系数。
其中，所述非下采样变换可以为NSCT变换。而具体地本步骤可以为根据如下公式进行融合，得到第一系数b1：
b1＝αbj+(1-α)bd，α＞0，其中bj和bd分别为第二差异图像和第三差异图像的低频系数，α为根据不同应用场景设定的系数。
对于本发明实施例，根据两幅原始遥感图像利用不同算法生成两幅不同的差异图像，而后根据差异图像的高频信息和低频信息融合得到相应的系数，以便于根据该系数进行逆运算以完成对差异图像的优化，能够有效的保留原始遥感图像的特征，进而使得变化检测结果更加准确。
204、根据所述第一系数进行非下采样反变换，得到第四差异图像和第五差异图像。
例如，获取到同一地区两个不同时相的原始遥感图像分别为D1和D2，而后分别利用对数比函数和均值比函数计算得到与这两个遥感图像对应的两幅差异图像分别为D1’和D2’，获取到两个差异图像的低频系数分别为bj和bd，此时利用NSCT变换融合低频系数，得到b1＝αbj+(1-α)bd，而后在本步骤中利用NSCT反变换，得到第四差异图像和第五差异图像分别为Dj和Dd。
205、根据所述第四差异图像和第五差异图像进行像素能量合成，得到所述第一差异图像。
如上述步骤中示例，本步骤中根据第四差异图像和第五差异图像进行像素能量合成时可以得到第一差异图像为：
分别为下采样反变换之后得到的两幅差异图的局部能量，并且：
E(i，j)＝∑q∈Li，j[D(q)]2，式中Li，j代表以像素(i，j)为中心大小为3×3的邻域，D(q)表示邻域窗内第q个像素值。
对于本发明实施例，所述步骤205之后还可以包括：对所述第一差异图像进行划分，得到多个子差异图像；将各个所述子差异图像转换成列向量，得到列向量集合；利用所述列向量集合中的各个所述列向量生成矩阵。优选地，在对第一差异图像进行划分时采用3×3的大小进行划分。对于本发明实施例，通过根据像素能量合成的差异图进行划分，并且对每块子差异图均转换成相应的列向量，并根据多个列向量组成矩阵，以便于对矩阵进行主成分分析，进而实现对遥感图像变化区域的检测。
206、根据所述第一差异图像，利用预置算法生成向量集合。
其中，所述向量集合中保存与所述第一差异图像中全部像素对应的向量。而所述预置算法可以为PCA(principal components analysis，主成分分析)算法，但不限于此。
对于本发明实施例，所述步骤206具体可以为：利用预置算法提取所述矩阵的特征向量；根据所述特征向量生成各个所述像素分别对应的向量。当预置算法为PCA主成分分析算法时，本步骤具体可以为：
(一)计算列向量矩阵X的样本协方差矩阵S；
(二)计算得到的协方差矩阵S的特征向量分别为e1、e2……en和各个特征向量的特征值。
(三)将计算得到的特征值按照从大到小的顺序进行排列，并从中选取特征值最大的K个特征值，而后根据这K个特征值对应的特征向量分别作为列向量组成特征向量矩阵。
(四)将差异图像中的各个像素点投影到步骤(三)中得到的特征向量上。
对于本发明实施例，通过使用主成分分析方法对差异图像进行计算，可以减少像素点对应的向量数量，使得图像中的数据被压缩，进而可以提高数据处理的精确度，从而确保了遥感图像变化区域检测的精确性。
207、利用预置聚类算法对各个所述向量进行聚类，得到最终差异图，所述最终差异图像为表示所述两个不同时相之间的变化区域图像。
其中，所述预置聚类算法可以为FCM(fuzzy c-means algorithm，模糊C均值)聚类算法。
进一步的，所述步骤207可以为通过最小化目标函数Jm找到给定数据的模糊聚类，最小化目标函数Jm为：
式中Y＝(y1，y2，…，yn)是一组n维数据样本，Z＝(z1，z2，…，zn)是模糊组I的聚类中心，是Y的隶属度矩阵，uij∈[0，1]是yi属于第i类的隶属度，||yj-zi||为第i个聚类中心与第j个数据点间的欧几里德距离，且m∈(1，∞]是一个加权指数，而后通过拉格朗日乘子可以得到Jm达到最小值时的必要条件
和进行迭代，得到最优的聚类结果。但不限于此。
本发明实施例提供的遥感图像变化检测方法，与现有的通过无监督检测方法对遥感图像进行变化区域检测相比，本发明实施例通过获取同一地区两个不同时相的遥感图像之后，首先根据两幅遥感图像生成相应的差异图像，而后利用预置算法依次生成与差异图像中各个元素分别对应的向量，再利用聚类算法对各个向量进行聚类得到表示两时相变化区域的最终差异图，提高了检测结果的性能指标，进而提高了遥感图像变化区域检测的准确性。
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检测装置，如图3所示，所述装置可以包括：获取单元31、生成单元32、聚类单元33。
获取单元31，用于获取第一遥感图像和第二遥感图像，所述第一遥感图像和第二遥感图像为同一地区两个不同时相分别对应的遥感图像。
生成单元32，用于根据所述获取单元31获取到的第一遥感图像和所述第二遥感图像，生成第一差异图像。
所述生成单元32，还用于根据所述第一差异图像，利用预置算法生成向量集合，所述向量集合中保存与所述第一差异图像中全部像素对应的向量。
聚类单元33，可以用于利用预置聚类算法对所述生成单元32生成的向量集合中的各个所述向量进行聚类，得到最终差异图，所述最终差异图像为表示所述两个不同时相之间的变化区域图像。
进一步的，作为对上述图2所示方法的实现，本发明实施例还提供了另一种遥感图像变化检测装置，用于对上述图2所示的方法进行实现。该装置实施例与前述方法实施例对应，为便于阅读，本装置实施例不再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4所示，该装置包括：获取单元41、生成单元42、聚类单元43。
获取单元41，用于获取第一遥感图像和第二遥感图像，所述第一遥感图像和第二遥感图像为同一地区两个不同时相分别对应的遥感图像。
生成单元42，用于根据所述获取单元41获取到的第一遥感图像和所述第二遥感图像，生成第一差异图像。
所述生成单元42，还用于根据所述第一差异图像，利用预置算法生成向量集合，所述向量集合中保存与所述第一差异图像中全部像素对应的向量。
聚类单元43，可以用于利用预置聚类算法对所述生成单元42生成的向量集合中的各个所述向量进行聚类，得到最终差异图，所述最终差异图像为表示所述两个不同时相之间的变化区域图像。
进一步地，所述装置还包括：计算单元44、融合单元45、反变换单元46、合成单元47。
所述计算单元44，可以用于分别利用预置第一函数和预置第二函数，根据所述第一遥感图像和所述第二遥感图像，计算第二差异图像和第三差异图像。
所述融合单元45，可以用于根据所述第二差异图像和第三差异图像分别对应的低频系数，利用非下采样变换进行融合得到第一系数。
所述反变换单元46，可以用于根据所述第一系数进行非下采样反变换，得到第四差异图像和第五差异图像。
所述合成单元47，可以用于根据所述第四差异图像和第五差异图像进行像素能量合成，得到所述第一差异图像。
进一步地，所述装置还包括：划分单元48、转换单元49。
所述划分单元48，可以用于对所述第一差异图像进行划分，得到多个子差异图像。
所述转换单元49，可以用于将各个所述子差异图像转换成列向量，得到列向量集合。
所述生成单元42，还可以用于利用所述列向量集合中的各个所述列向量生成矩阵。
进一步地，所述生成单元42包括：
提取模块4201，可以用于利用预置算法提取所述矩阵的特征向量。
生成模块4202，可以用于根据所述特征向量生成各个所述像素分别对应的向量。
本发明实施例提供的另一种遥感图像变化检测装置，与现有的通过无监督检测方法对遥感图像进行变化区域检测相比，本发明实施例通过获取同一地区两个不同时相的遥感图像之后，首先根据两幅遥感图像生成相应的差异图像，而后利用预置算法依次生成与差异图像中各个元素分别对应的向量，再利用聚类算法对各个向量进行聚类得到表示两时相变化区域的最终差异图，提高了检测结果的性能指标，进而提高了遥感图像变化区域检测的准确性。
所述文本处理装置包括处理器和存储器，上述获取单元31、生成单元32、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提高遥感图像变化检测的准确性。
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。
本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述遥感图像变化检测方法。
本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述遥感图像变化检测方法。
本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：获取第一遥感图像和第二遥感图像，所述第一遥感图像和第二遥感图像为同一地区两个不同时相分别对应的遥感图像；根据所述第一遥感图像和所述第二遥感图像，生成第一差异图像；根据所述第一差异图像，利用预置算法生成向量集合，所述向量集合中保存与所述第一差异图像中全部像素对应的向量；利用预置聚类算法对各个所述向量进行聚类，得到最终差异图，所述最终差异图像为表示所述两个不同时相之间的变化区域图像。
进一步的，所述获取第一遥感图像和第二遥感图像之后，所述方法还包括：
分别利用预置第一函数和预置第二函数，根据所述第一遥感图像和所述第二遥感图像，计算第二差异图像和第三差异图像；
根据所述第二差异图像和第三差异图像分别对应的低频系数，利用非下采样变换进行融合得到第一系数；
根据所述第一系数进行非下采样反变换，得到第四差异图像和第五差异图像。
进一步的，所述根据所述第一遥感图像和所述第二遥感图像，生成第一差异图像包括：
根据所述第四差异图像和第五差异图像进行像素能量合成，得到所述第一差异图像。
进一步的，所述方法还包括：
对所述第一差异图像进行划分，得到多个子差异图像；
将各个所述子差异图像转换成列向量，得到列向量集合；
利用所述列向量集合中的各个所述列向量生成矩阵。
进一步的，所述根据所述第一差异图像，利用预置算法生成向量集合包括：
利用预置算法提取所述矩阵的特征向量；
根据所述特征向量生成各个所述像素分别对应的向量。
本发明实施例中的设备可以是服务器、PC、PAD、手机等。
本发明实施例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：获取第一遥感图像和第二遥感图像，所述第一遥感图像和第二遥感图像为同一地区两个不同时相分别对应的遥感图像；根据所述第一遥感图像和所述第二遥感图像，生成第一差异图像；根据所述第一差异图像，利用预置算法生成向量集合，所述向量集合中保存与所述第一差异图像中全部像素对应的向量；利用预置聚类算法对各个所述向量进行聚类，得到最终差异图，所述最终差异图像为表示所述两个不同时相之间的变化区域图像。
进一步的，所述获取第一遥感图像和第二遥感图像之后，所述方法还包括：
分别利用预置第一函数和预置第二函数，根据所述第一遥感图像和所述第二遥感图像，计算第二差异图像和第三差异图像；
根据所述第二差异图像和第三差异图像分别对应的低频系数，利用非下采样变换进行融合得到第一系数；
根据所述第一系数进行非下采样反变换，得到第四差异图像和第五差异图像。
进一步的，所述根据所述第一遥感图像和所述第二遥感图像，生成第一差异图像包括：
根据所述第四差异图像和第五差异图像进行像素能量合成，得到所述第一差异图像。
进一步的，所述方法还包括：
对所述第一差异图像进行划分，得到多个子差异图像；
将各个所述子差异图像转换成列向量，得到列向量集合；
利用所述列向量集合中的各个所述列向量生成矩阵。
进一步的，所述根据所述第一差异图像，利用预置算法生成向量集合包括：
利用预置算法提取所述矩阵的特征向量；
根据所述特征向量生成各个所述像素分别对应的向量。
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。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，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。
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检测方法，其特征在于，包括：
获取第一遥感图像和第二遥感图像，所述第一遥感图像和第二遥感图像为同一地区两个不同时相分别对应的遥感图像；
根据所述第一遥感图像和所述第二遥感图像，生成第一差异图像；
根据所述第一差异图像，利用预置算法生成向量集合，所述向量集合中保存与所述第一差异图像中全部像素对应的向量；
利用预置聚类算法对各个所述向量进行聚类，得到最终差异图，所述最终差异图像为表示所述两个不同时相之间的变化区域图像。
2.根据权利要求1所述的方法，其特征在于，所述获取第一遥感图像和第二遥感图像之后，所述方法还包括：
分别利用预置第一函数和预置第二函数，根据所述第一遥感图像和所述第二遥感图像，计算第二差异图像和第三差异图像；
根据所述第二差异图像和第三差异图像分别对应的低频系数，利用非下采样变换进行融合得到第一系数；
根据所述第一系数进行非下采样反变换，得到第四差异图像和第五差异图像。
3.根据权利要求2所述的方法，其特征在于，所述根据所述第一遥感图像和所述第二遥感图像，生成第一差异图像包括：
根据所述第四差异图像和第五差异图像进行像素能量合成，得到所述第一差异图像。
4.根据权利要求1或3所述的方法，其特征在于，所述方法还包括：
对所述第一差异图像进行划分，得到多个子差异图像；
将各个所述子差异图像转换成列向量，得到列向量集合；
利用所述列向量集合中的各个所述列向量生成矩阵。
5.根据权利要求4所述的方法，其特征在于，所述根据所述第一差异图像，利用预置算法生成向量集合包括：
利用预置算法提取所述矩阵的特征向量；
根据所述特征向量生成各个所述像素分别对应的向量。
6.一种遥感图像变化检测装置，其特征在于，包括：
获取单元，用于获取第一遥感图像和第二遥感图像，所述第一遥感图像和第二遥感图像为同一地区两个不同时相分别对应的遥感图像；
生成单元，用于根据所述第一遥感图像和所述第二遥感图像，生成第一差异图像；
所述生成单元，还用于根据所述第一差异图像，利用预置算法生成向量集合，所述向量集合中保存与所述第一差异图像中全部像素对应的向量；
聚类单元，用于利用预置聚类算法对各个所述向量进行聚类，得到最终差异图，所述最终差异图像为表示所述两个不同时相之间的变化区域图像。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：计算单元、融合单元、反变换单元，
所述计算单元，用于分别利用预置第一函数和预置第二函数，根据所述第一遥感图像和所述第二遥感图像，计算第二差异图像和第三差异图像；
所述融合单元，用于根据所述第二差异图像和第三差异图像分别对应的低频系数，利用非下采样变换进行融合得到第一系数；
所述反变换单元，用于根据所述第一系数进行非下采样反变换，得到第四差异图像和第五差异图像。
8.根据权利要求7所述的装置，其特征在于，
所述生成单元，具体用于根据所述第四差异图像和第五差异图像进行像素能量合成，得到所述第一差异图像。
9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至权利要求5中任意一项所述的遥感图像变化检测方法。
10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至权利要求5中任意一项所述的遥感图像变化检测方法。
CN201810418007.3A 2018-04-28 2018-04-28 一种遥感图像变化检测方法及装置 Pending CN108564083A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810418007.3A CN108564083A (zh) 2018-04-28 2018-04-28 一种遥感图像变化检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810418007.3A CN108564083A (zh) 2018-04-28 2018-04-28 一种遥感图像变化检测方法及装置

Publications (1)

Publication Number Publication Date
CN108564083A true CN108564083A (zh) 2018-09-21

Family

ID=63537558

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810418007.3A Pending CN108564083A (zh) 2018-04-28 2018-04-28 一种遥感图像变化检测方法及装置

Country Status (1)

Country Link
CN (1) CN108564083A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110163294A (zh) * 2019-05-29 2019-08-23 广东工业大学 基于降维操作和卷积网络的遥感图像变化区域检测方法
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
CN113537063A (zh) * 2021-07-16 2021-10-22 海南省林业科学研究院(海南省红树林研究院) 一种基于综合遥感技术的森林环境遥感监测方法及终端
CN115164845A (zh) * 2022-07-04 2022-10-11 新疆维吾尔自治区环境保护科学研究院 一种生态恢复遥感自动探测装置及方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103456018A (zh) * 2013-09-08 2013-12-18 西安电子科技大学 基于融合和pca核模糊聚类的遥感图像变化检测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103456018A (zh) * 2013-09-08 2013-12-18 西安电子科技大学 基于融合和pca核模糊聚类的遥感图像变化检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张一晨 等: "《基于NSCT域图像融合改进算法的SAR图像无监督变化检测》", 《光电子激光》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110163294A (zh) * 2019-05-29 2019-08-23 广东工业大学 基于降维操作和卷积网络的遥感图像变化区域检测方法
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
CN113537063A (zh) * 2021-07-16 2021-10-22 海南省林业科学研究院(海南省红树林研究院) 一种基于综合遥感技术的森林环境遥感监测方法及终端
CN115164845A (zh) * 2022-07-04 2022-10-11 新疆维吾尔自治区环境保护科学研究院 一种生态恢复遥感自动探测装置及方法
CN115164845B (zh) * 2022-07-04 2024-04-05 新疆维吾尔自治区环境保护科学研究院 一种生态恢复遥感自动探测装置及方法

Similar Documents

Publication Publication Date Title
CN110135267B (zh) 一种大场景sar图像细微目标检测方法
Dupont et al. Generative models as distributions of functions
CN108564083A (zh) 一种遥感图像变化检测方法及装置
Kim et al. Color–texture segmentation using unsupervised graph cuts
Song et al. Unsupervised classification of polarimetric SAR imagery using large-scale spectral clustering with spatial constraints
CN114564982B (zh) 雷达信号调制类型的自动识别方法
Yu et al. Analysis of large-scale UAV images using a multi-scale hierarchical representation
CN108492298A (zh) 基于生成对抗网络的多光谱图像变化检测方法
CN111680579B (zh) 一种自适应权重多视角度量学习的遥感图像分类方法
Peng et al. Unsupervised change detection method based on saliency analysis and convolutional neural network
Govindaraj et al. A new 2D shape retrieval scheme based on phase congruency and histogram of oriented gradients
Du et al. SPOT: Selective point cloud voting for better proposal in point cloud object detection
Sima et al. Composite kernel of mutual learning on mid-level features for hyperspectral image classification
CN107316296A (zh) 一种基于对数变换的遥感图像变化检测方法及装置
Wang et al. Superpixel segmentation with squeeze-and-excitation networks
Sahu et al. A support vector machine binary classification and image segmentation of remote sensing data of Chilika Lagloon
Li et al. Standardized object-based dual CNNs for very high-resolution remote sensing image classification and standardization combination effect analysis
Imani An iterative PolSAR image classification method with utilizing scattering and contextual information
CN114842350B (zh) 遥感图像中的目标检测方法、装置
Shen et al. Cropland extraction from very high spatial resolution satellite imagery by object-based classification using improved mean shift and one-class support vector machines
Shi et al. Dual hybrid convolutional generative adversarial network for hyperspectral image classification
Bozkir et al. Geological Strength Index (GSI) determination by local image descriptors and machine learning methods
Singh et al. A hybrid approach using color spatial variance and novel object position prior for salient object detection
Machiraju et al. A dataset generation framework for evaluating megapixel image classifiers and their explanations
Huang et al. Research on motion recognition algorithm based on bag-of-words model

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