CN109102503A - 一种基于色彩空间平滑和改进频率调谐显著模型的高分图像变化检测方法 - Google Patents
一种基于色彩空间平滑和改进频率调谐显著模型的高分图像变化检测方法 Download PDFInfo
- Publication number
- CN109102503A CN109102503A CN201810915622.5A CN201810915622A CN109102503A CN 109102503 A CN109102503 A CN 109102503A CN 201810915622 A CN201810915622 A CN 201810915622A CN 109102503 A CN109102503 A CN 109102503A
- Authority
- CN
- China
- Prior art keywords
- image
- fusion
- color space
- differential image
- frequency tuning
- 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
- 230000008859 change Effects 0.000 title claims abstract description 31
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 230000004927 fusion Effects 0.000 claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 230000006872 improvement Effects 0.000 claims abstract description 16
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 40
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000002156 mixing Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 abstract description 10
- 238000007689 inspection Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 238000009499 grossing Methods 0.000 description 5
- 230000005855 radiation Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000011800 void material Substances 0.000 description 3
- 238000000926 separation method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000021615 conjugation Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012804 iterative process 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
- 230000009467 reduction Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/10024—Color image
-
- 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
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- 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
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于色彩空间平滑和改进频率调谐显著模型的高分图像变化检测方法，包括以下步骤：获取图像差值图和对数比值图，对所述差值图和对数比值图进行分解，然后将分解后的图像融合，得到融合差异图像；在得到的融合差异图像的基础上，对融合差异图像进行基于金字塔Mean Shift的色彩空间平滑，去除融合差异图像中的干扰区域，保留融合差异图像中的变化区域；针对平滑后的融合差异图像，采用改进频率调谐显著模型对融合差异图像边缘进行保护，得到变化可分离性大的差异图像；基于二维直方图阀值算法对变化可分离性大的差异图像进行变化信息提取，并对变化结果采用形态学算法进行后处理得到最终变化的结果图，本发明检测精度高并且保证了检测结果的完整性。
Description
技术领域
本发明涉及图像处理技术领域，特别涉及一种基于色彩空间平滑和改进频率调谐显著模型的高分图像变化检测方法。
背景技术
随着卫星图像分辨率的提高，高分辨率遥感数据虽然细节信息丰富，但数据量增加、噪声干扰严重，使得多时相遥感图像自动识别变化区域的难度提高，相应的数据处理技术也很难满足应用的要求。另外，尽管高分辨率遥感图像各地物边缘明显，结构和纹理信息丰富，但现阶段基于特征级和像素级的变化检测方法无法克服检测精度不足的问题；而基于目标级检测方法，虽然精度上有所改善，但是人工参与较多、自动化程度不高，且检测精度依赖于目标获取(分割、分类)精度，从而影响变化检测后续的处理及应用。
专利申请号：CN201210231787.3中提出了一种基于改进C-V模型的SAR图像变化检测方法，通过改进的C-V水平集对差异图进行分割，具有较高的分割精确度，能够有效地提取变化信息；但是对不同时刻的图像之间变化信息不能精准的检测。
发明内容
本发明要解决的技术问题是提供一种基于色彩空间平滑和改进频率调谐显著模型的高分图像变化检测方法，该方法检测精度高并且保证了检测结果的完整性。
为了解决上述技术问题，本发明采用以下技术方案：一种基于色彩空间平滑和改进频率调谐显著模型的高分图像变化检测方法，包括以下步骤：
S1，获取图像差值图和对数比值图，对所述差值图和对数比值图进行分解，然后将分解后的图像融合，得到融合差异图像；
S2，在得到的融合差异图像的基础上，对融合差异图像进行基于金字塔MeanShift的色彩空间平滑，去除融合差异图像中的干扰区域，保留融合差异图像中的变化区域；
S3，针对平滑后的融合差异图像，采用改进频率调谐显著模型对融合差异图像边缘进行保护，得到变化可分离性大的差异图像；
S4，基于二维直方图阀值算法对变化可分离性大的差异图像进行变化信息提取，并对变化结果采用形态学算法进行后处理得到最终变化的结果图。
进一步地，步骤S1中将差值图和对数比值图进行分解和融合具体包括以下步骤：
S11，将所述差值图像和对数比值图像经过小波分解后得到低频系数和对应的高频系数；
S12，对S11中所述的低频系数采用平均加权处理得到融合后的低频系数；
S13，对S11中所述的高频系数利用最大光谱融合处理得到融合后的高频系数；
S14，将S12中所述的融合后的低频系数与S13中所述的融合后的高频系数通过小波反变换重构得到融合差异图像。
图像融合是重要的图像分析技术之一，可以综合待融合图像的信息，实现图像信息的最大化，便于后续的图像解译，本发明正是从这一点出发，综合差值图像和对数比值图像的差异信息，寻求最大化差异信息的方法，从而为变化目标提取奠定基础；小波变换是像素级融合算法中的代表，由于其多分辨率分析的优势，本发明采用小波变换融合算法实现融合差异图像的生成。
小波变换避免了窗口大小与频率变化不相关的问题，提出了一种“时间-频率”窗口，被称为数学的显微镜，利用小波变换可以突出图像在其他域不能体现的特性，可以对时间和频率进行局部化的分析。假设一幅图像进行n层小波分解，将得到3n+1层子带，其中包括一个低频基带Sj，3n个高频部分Gh,Gy,Gd。数据源图像为f(x,y)，记为S0。假设尺度系数和小波系数对应的滤波器矩阵分别为H,D，则二维小波分解算法可表示为：
其中j表示分解层数，h，y，d分别表示水平，垂直和对角分量，H',D'分别表示共轭转置矩阵，则对应的小波重构算法可表示为：
Sj-1＝H'SjH+D'GhH+H'GyD+D'GdD
进一步地，在步骤S2中首先对融合差异图像进行高斯金字塔构建，然后从上到下逐级进行Mean Shift过程。
进一步地，所述Mean Shift过程包括以下步骤：
S21，对于融合差异图像上任意一点，以该点为圆心、两个核心半径为半径做5维空间球体；
S22，在构建的空间球体内部，求所有样本点相对于中心点的色彩向量之和；
S23，移动迭代空间的中心点到该向量的终点，并再次计算该球形空间中所有样本点的向量之和；
S24，重复步骤S23，直到在最后一个空间球体中所求向量和的终点为该空间球体的中心点时，将原始点的色彩值更新为该中心点的色彩向量。
基于金字塔的Mean shift算法是本发明实施例的重要部分，通过Mean shift算法在金字塔上进行色彩空间的平滑(实质上是一种分割操作，其本质是经过几次迭代，将收敛点的像素值代替原来的像素值)来去除了局部相似的纹理，同时保留边缘等差异较大的特征。由于变化信息提取中受到许多因素的影响，获取变化可分离性最大的图像一直是差异图像生成的重要目标。高分辨率图像噪声干扰严重，使得融合差异图中会包含许多干扰区域，这些区域可能是由于辐射信息变化引起的同物异谱的区域，也可能是由于季节变化带来的伪变化区域，还有一些是由于噪声的影响使得边界不明显的区域，杂点区域等，金字塔Mean shift算法将用于去除上述提到一些干扰区域；
Meanshift是一种在一组数据的密度分布中寻找局部极值的方法，可用于图像滤波、视频跟踪、图像分割、聚类等过程，起源于统计分析，渐渐应用到图像处理中。其基本原理是，对于给定的样本，任选其中一个样本为中心点划定一个圆形区域或方形区域，求该圆形区域或方形区域内样本的质心，即密度最大处的点，再以该点为中心继续执行上述迭代过程，直至最终收敛；每一级金字塔将生成一个平滑模板用于保持下一级的图像边缘，每次计算Meanshift前，先观察上一级模板提取出的图像边缘，碰到这些边缘时迭代过程直接停止，减少边缘处的计算时间。引入金字塔之后，可以保留多个维度的边缘，使得色彩层次丰富，平滑效果更好。
进一步地，所述两个核心半径为色彩空间半径和物理空间半径。
进一步地，所述S3中改进频率调谐显著模型的方法包括以下步骤：
S31，对图像进行三原色到Lab颜色空间转换，得到图像亮度特征和颜色特征，并计算图像亮度特征和颜色特征对应的均值；
S32，根据图像亮度特征和颜色特征计算出每个像素均值特征距离；
S33，对各个特征距离进行归一化，将归一化后的特征进行等权融合，得到变化可分离性大的差异图像。
进一步地，所述最佳的分割阈值是最大化类间离散测度矩阵的迹，其类间离散测度矩阵为：
其中和分别为两个类别(变化和未变化)，μ0和μ1分别为两个类别对应样本的均值，μz为二维直方图总均值向量。
本发明的有益效果：为提高高分辨率遥感图像变化检测的检测精度、保证检测结果的完整性，本发明在分析传统像素级及特征级方法的基础上，从高分数据边缘信息明显、但噪声干扰严重入手，引入金字塔Mean Shift色彩空间平滑技术，去除融合差异图像的噪声干扰信息。然后利用改进频率调谐显著模型在边缘保持上的优势，进一步突出差异图像中疑似变化区域的边缘，消除边缘模糊，获取噪声干扰最小、差异信息最大化的差异图像。该方法克服了由于噪声严重带来的检测结果精度不高的问题，为变化区域的完整提取、后续的毁伤效果及灾害评估等应用奠定基础。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例检测流程图；
图2a为本发明实施例某港口T1时相数据图；
图2b为本发明实施例某港口T2时相数据图；
图2c为本发明实施例某港口T3时相数据图；
图3a为本发明实施例某港口T1相对T2变化数据图；
图3b为本发明实施例某港口T2相对T3变化数据图；
图4a为T1相对T2变化检测结果图；
图4b为T2相对T3变化检测结果图。
具体实施方式
下面结合附图对发明进一步说明，但不用来限制本发明的范围。
如图1所示，本发明提供了一种基于色彩空间平滑和改进频率调谐显著模型的高分图像变化检测方法，包括一下步骤：
S1，获取图像差值图和对数比值图，对所述差值图和对数比值图进行分解，然后将分解后的图像融合，得到融合差异图像；
假设差值图像和对数比值图像经过三级小波分解之后可获得低频系数和对应的高频系数，对低频系数采用平均加权进行处理：
difL＝A1/2+A2/2
其中A1和A2分别对应差值图像和对数比值图像的低频系数，difL对应融合低频系数；对高频系数利用最大光谱融合处理：
其中difHs(i,j)为融合高频系数，s表示三个方向的分量，l,m分别表示差值图像和对数比值图像，cDs(i,j)表示差异图中坐标的高频系数，E表示局部能量。由此得到融合后的低频和高频系数，通过小波反变换重构得到最终的融合差异图像。
S2，在得到的融合差异图像的基础上，对图像进行基于金字塔Mean Shift的色彩空间平滑，去除融合差异图像中的干扰区域，保留差异图像中的变化区域；
S3，针对平滑后的差异图像，采用改进频率调谐显著模型对图像边缘进行保护，得到变化可分离性大的差异图像；
经过平滑算法之后的图像虽然保留了边缘差异较大的区域，也试图保留了多个维度的边缘，但是平滑本身仍然起到模糊的作用，改进频率调谐显著模型由于其在边缘上的保持性，本发明引入到变化检测任务中，进一步增大边缘部分的可分离性，从而突出差异图像中疑似变化区域，从侧面减少了边缘部分的干扰信息。假设经过Mean shift平滑后图像为I，大小为P×W。对得到的图像I进行三原色(RGB)到Lab颜色空间转换，得到图像亮度特征L和颜色特征a,b，并计算特征对应均值，计算公式为：
其中(i,j)表示图像中像素坐标点，而后对于每个像素计算均值特征距离：
sl(i,j)＝[L(i.j)-μl]2
sa(i,j)＝[a(i.j)-μa]2
sb(i,j)＝[b(i.j)-μb]2
由于L，a，b三个分量的变化快慢不一致，使得计算的上述特征距离会出现极小或者极大的情况，导致后续特征融合抑制了极小的分量，所以特征融合之前，对于各个特征距离进行归一化：
最终的融合特征图可以表示为：
其中表示权重。至此，获得变化可分离性大的差异图像。
S4，基于二维直方图阀值算法对差异图像进行变化信息提取，并对变化结果采用形态学算法进行后处理得到最终变化的结果图。
二维直方图(直方图第二维利用邻域灰度平均)增加了阈值化算法的鲁邦性，提取效果相对较好。其最佳的分割阈值是最大化类间离散测度矩阵的迹，其类间离散测度矩阵为：
其中和分别为两个类别(变化和未变化)，μ0和μ1分别为两个类别对应样本的均值，μz为二维直方图总均值向量。至此，完成了高分辨率图像变化检测任务，实现变化区域的高精度提取。
如图2-4所示，本发明采用卫星获得的高分辨率遥感图像数据进行实验，并与其他变化检测方法进行对比，为了验证算法的有效性和实用性，采用虚检率和漏警率进行算法的评价。原始数据集及前后时相真实变化情况如图2所示，所采用算法对比结果如图3和图4所示。可以发现由于高分辨率的独有特点，特别是噪声干扰的严重增加，导致现阶段像素级方法已经不能够满足检测精度的要求，存在大量的虚检和漏警，而本发明检测结果精度较高，从融合差异图像和减少噪声干扰的角度出发，针对高分图像带来的噪声问题和辐射干扰严重的问题，提高了检测精度。
目视解译发现，像素级检测方法(基于直方图的一维二维OTSU方法和循环分割方法)的检测结果存在大量的虚检，基本无法辨别真实变化区域，主要是由于像素级方法，直接利用光谱特征，对于辐射差异较大的数据无法完成检测任务，而本实验数据的特点即在于辐射差异较大；基于特征的方法，虚检和漏警相对像素级有所降低，但是依然存在，主要虚检的原因在于图像中辐射的变化。基于显著模型的方法虽然克服了辐射差异变化，但稳定性不高。观察图3和图4绿色、红色圆圈中的目标(其中红圈内部表示由于阴影变化所引起的误检情况，绿圈部分为漏检情况)，同样也可以发现本文方法克服阴影的同时，也保证了虚检漏警率相对比较低。
为了进一步说明本发明算法，从定量角度比较了上述检测算法在结果上的优劣性，如表1所示。
表1高分辨率遥感图像变化检测精度对比
本发明工作原理：本发明在分析传统像素级及特征级方法的基础上，从高分数据边缘信息明显、但噪声干扰严重入手，引入金字塔Mean Shift色彩空间平滑技术，去除融合差异图像的噪声干扰信息。然后利用改进频率调谐显著模型在边缘保持上的优势，进一步突出差异图像中疑似变化区域的边缘，消除边缘模糊，获取噪声干扰最小、差异信息最大化的差异图像。该方法克服了由于噪声严重带来的检测结果精度不高的问题，为变化区域的完整提取、后续的毁伤效果及灾害评估等应用奠定基础。
本发明为提高高分辨率遥感图像变化检测的检测精度、保证检测结果的完整性，本发明在分析传统像素级及特征级方法的基础上，从高分数据边缘信息明显、但噪声干扰严重入手，引入金字塔Mean Shift色彩空间平滑技术，去除融合差异图像的噪声干扰信息。然后利用改进频率调谐显著模型在边缘保持上的优势，进一步突出差异图像中疑似变化区域的边缘，消除边缘模糊，获取噪声干扰最小、差异信息最大化的差异图像。该方法克服了由于噪声严重带来的检测结果精度不高的问题，为变化区域的完整提取、后续的毁伤效果及灾害评估等应用奠定基础。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等同物界定。
Claims (10)
1.一种基于色彩空间平滑和改进频率调谐显著模型的高分图像变化检测方法，其特征在于，包括以下步骤：
S1,获取图像差值图和对数比值图，对所述差值图和对数比值图进行分解，然后将分解后的图像融合，得到融合差异图像；
S2,在得到的融合差异图像的基础上，对融合差异图像进行基于金字塔Mean Shift的色彩空间平滑，去除融合差异图像中的干扰区域，保留融合差异图像中的变化区域；
S3,针对平滑后的融合差异图像，采用改进频率调谐显著模型对融合差异图像边缘进行保护，得到变化可分离性大的差异图像；
S4,基于二维直方图阀值算法对变化可分离性大的差异图像进行变化信息提取，并对变化结果采用形态学算法进行后处理得到最终变化的结果图。
2.根据权利要求1所述的一种基于色彩空间平滑和改进频率调谐显著模型的高分图像变化检测方法，其特征在于，所述步骤S1中将差值图和对数比值图进行分解和融合包括以下步骤：
S11,将所述差值图像和对数比值图像经过三级小波分解后得到低频系数和对应的高频系数；
S12,对S11中所述的低频系数采用平均加权处理得到融合后的低频系数；
S13,对S11中所述的高频系数利用最大光谱融合处理得到融合后的高频系数；
S14,将S12中所述的融合后的低频系数与S13中所述的融合后的高频系数通过小波反变换重构得到融合差异图像。
3.根据权利要求1所述的一种基于色彩空间平滑和改进频率调谐显著模型的高分图像变化检测方法，其特征在于，所述步骤S2中首先对差异融合图像进行高斯金字塔构建，然后从上到下逐级进行Mean Shift过程。
4.根据权利要求3所述的一种基于色彩空间平滑和改进频率调谐显著模型的高分图像变化检测方法，其特征在于，所述Mean Shift过程包括以下步骤：
S21,对于融合差异图像上任意一点，以该点为圆心两个核心半径为半径做5维空间球体；
S22,在构建的空间球体内部，求所有样本点相对于中心点的色彩向量之和；
S23,移动迭代空间的中心点到该向量的终点，并再次计算该球形空间中所有样本点的向量之和；
S24,重复步骤S23,直到在最后一个空间球体中所求向量和的终点为该空间球体的中心点时，将原始点的色彩值更新为该中心点的色彩向量。
5.根据权利要求4所述的一种基于色彩空间平滑和改进频率调谐显著模型的高分图像变化检测方法，其特征在于，所述两个核心半径为色彩空间半径和物理空间半径。
6.根据权利要求1所述的一种基于色彩空间平滑和改进频率调谐显著模型的高分图像变化检测方法，其特征在于，所述S3中改进频率调谐显著模型的方法包括：
S31,对图像进行三原色到Lab颜色空间转换，得到图像亮度特征和颜色特征，并计算图像亮度特征和颜色特征对应均值；
S32,根据图像亮度特征和颜色特征计算出每个像素均值特征距离；
S33,对各个特征距离进行归一化，将归一化后的特征进行等权融合，得到变化可分离性大的差异图像。
7.根据权利要求1所述的一种基于色彩空间平滑和改进频率调谐显著模型的高分图像变化检测方法，其特征在于，所述最佳的分割阈值是最大化类间离散测度矩阵的迹，其类间离散测度矩阵为：
其中和分别为两个类别，μ0和μ1分别为两个类别对应样本的均值，μz为二维直方图总均值向量。
8.根据权利要求6所述一种基于色彩空间平滑和改进频率调谐显著模型的高分图像变化检测方法，其特征在于，假设经过Mean shift平滑后图像为I，大小为P×W，图像I进行三原色到Lab颜色空间转换，得到图像亮度特征L和颜色特征a,b，所述计算图像亮度特征和颜色特征对应均值的公式为：
其中(i,j)表示图像中像素坐标点。
9.根据权利要求8所述一种基于色彩空间平滑和改进频率调谐显著模型的高分图像变化检测方法，其特征在于，所述计算像素均值特征距离的公式为：
sl(i,j)＝[L(i.j)-μl]2
sa(i,j)＝[a(i.j)-μa]2
sb(i,j)＝[b(i.j)-μb]2。
10.根据权利要求9所述一种基于色彩空间平滑和改进频率调谐显著模型的高分图像变化检测方法，其特征在于，所述对各个特征距离进行归一化的公式为：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810915622.5A CN109102503A (zh) | 2018-08-13 | 2018-08-13 | 一种基于色彩空间平滑和改进频率调谐显著模型的高分图像变化检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810915622.5A CN109102503A (zh) | 2018-08-13 | 2018-08-13 | 一种基于色彩空间平滑和改进频率调谐显著模型的高分图像变化检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109102503A true CN109102503A (zh) | 2018-12-28 |
Family
ID=64849583
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810915622.5A Pending CN109102503A (zh) | 2018-08-13 | 2018-08-13 | 一种基于色彩空间平滑和改进频率调谐显著模型的高分图像变化检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109102503A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109919910A (zh) * | 2019-01-25 | 2019-06-21 | 合肥工业大学 | 基于差异图融合和改进水平集的sar图像变化检测方法 |
| CN110956602A (zh) * | 2019-12-17 | 2020-04-03 | 内蒙古工业大学 | 一种变化区域的确定方法、装置及存储介质 |
| CN111340792A (zh) * | 2020-03-05 | 2020-06-26 | 宁波市测绘设计研究院 | 一种遥感影像变化检测方法 |
| CN114240805A (zh) * | 2022-02-24 | 2022-03-25 | 中国科学院空天信息创新研究院 | 一种多角度sar动态成像检测方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101634709A (zh) * | 2009-08-19 | 2010-01-27 | 西安电子科技大学 | 基于多尺度积和主成分分析的sar图像变化检测方法 |
| CN102800074A (zh) * | 2012-07-12 | 2012-11-28 | 西安电子科技大学 | 基于轮廓波变换的sar图像变化检测差异图生成方法 |
| CN104217442A (zh) * | 2014-08-28 | 2014-12-17 | 西北工业大学 | 基于多模型估计的航拍视频运动目标检测方法 |
| CN105528619A (zh) * | 2015-12-10 | 2016-04-27 | 河海大学 | 基于小波变换和svm的sar遥感影像变化检测方法 |
| CN105957054A (zh) * | 2016-04-20 | 2016-09-21 | 北京航空航天大学 | 一种图像变化检测方法 |
| CN106296655A (zh) * | 2016-07-27 | 2017-01-04 | 西安电子科技大学 | 基于自适应权值和高频阈值的sar图像变化检测方法 |
-
2018
- 2018-08-13 CN CN201810915622.5A patent/CN109102503A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101634709A (zh) * | 2009-08-19 | 2010-01-27 | 西安电子科技大学 | 基于多尺度积和主成分分析的sar图像变化检测方法 |
| CN102800074A (zh) * | 2012-07-12 | 2012-11-28 | 西安电子科技大学 | 基于轮廓波变换的sar图像变化检测差异图生成方法 |
| CN104217442A (zh) * | 2014-08-28 | 2014-12-17 | 西北工业大学 | 基于多模型估计的航拍视频运动目标检测方法 |
| CN105528619A (zh) * | 2015-12-10 | 2016-04-27 | 河海大学 | 基于小波变换和svm的sar遥感影像变化检测方法 |
| CN105957054A (zh) * | 2016-04-20 | 2016-09-21 | 北京航空航天大学 | 一种图像变化检测方法 |
| CN106296655A (zh) * | 2016-07-27 | 2017-01-04 | 西安电子科技大学 | 基于自适应权值和高频阈值的sar图像变化检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 周著黄: "肿瘤热消融治疗术中导航与超声监测关键技术研究", 《中国博士学位论文全文数据库 医药卫生科技辑》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109919910A (zh) * | 2019-01-25 | 2019-06-21 | 合肥工业大学 | 基于差异图融合和改进水平集的sar图像变化检测方法 |
| CN110956602A (zh) * | 2019-12-17 | 2020-04-03 | 内蒙古工业大学 | 一种变化区域的确定方法、装置及存储介质 |
| CN110956602B (zh) * | 2019-12-17 | 2022-12-06 | 内蒙古工业大学 | 一种变化区域的确定方法、装置及存储介质 |
| CN111340792A (zh) * | 2020-03-05 | 2020-06-26 | 宁波市测绘设计研究院 | 一种遥感影像变化检测方法 |
| CN111340792B (zh) * | 2020-03-05 | 2022-04-12 | 宁波市测绘和遥感技术研究院 | 一种遥感影像变化检测方法 |
| CN114240805A (zh) * | 2022-02-24 | 2022-03-25 | 中国科学院空天信息创新研究院 | 一种多角度sar动态成像检测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109242888B (zh) | 一种结合图像显著性和非下采样轮廓波变换的红外与可见光图像融合方法 | |
| CN104376330B (zh) | 基于超像素散射机制的极化sar图像舰船目标检测方法 | |
| CN109102503A (zh) | 一种基于色彩空间平滑和改进频率调谐显著模型的高分图像变化检测方法 | |
| CN102609701B (zh) | 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法 | |
| CN103236063B (zh) | 基于多尺度谱聚类及决策级融合的sar图像溢油检测方法 | |
| CN102214298B (zh) | 基于选择性视觉注意机制的遥感图像机场目标检测与识别方法 | |
| CN100462054C (zh) | 胎儿图像性别部位识别屏蔽方法 | |
| CN102800074B (zh) | 基于轮廓波变换的sar图像变化检测差异图生成方法 | |
| CN104361582B (zh) | 一种对象级高分辨率sar影像洪水灾害变化检测方法 | |
| CN105957054B (zh) | 一种图像变化检测方法 | |
| CN103810704B (zh) | 基于支持向量机和判别随机场的sar图像变化检测方法 | |
| CN103425998B (zh) | 遮挡情况下的sar目标识别方法 | |
| CN104200471B (zh) | 基于自适应权值图像融合的sar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 | |
| CN107507209B (zh) | 极化sar图像的素描图提取方法 | |
| CN105761214A (zh) | 基于轮廓波变换与引导滤波的遥感图像融合方法 | |
| CN104217422B (zh) | 一种自适应窄带水平集的声纳图像检测方法 | |
| CN108550145B (zh) | 一种sar图像质量评估方法和装置 | |
| CN109363699A (zh) | 一种乳腺影像病灶识别的方法及装置 | |
| CN102750705A (zh) | 基于图像融合的光学遥感图像变化检测 | |
| CN110348459B (zh) | 基于多尺度快速地毯覆盖法声呐图像分形特征提取方法 | |
| Dixit et al. | Image texture analysis-survey | |
| CN109363697A (zh) | 一种乳腺影像病灶识别的方法及装置 | |
| CN107301641A (zh) | 一种遥感图像变化的检测方法及装置 | |
| CN106897999A (zh) | 基于尺度不变特征变换的苹果图像融合方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181228 |
|
| WD01 | Invention patent application deemed withdrawn after publication |