CN109191503B - 基于条件随机场的遥感影像变化检测方法及系统 - Google Patents

基于条件随机场的遥感影像变化检测方法及系统 Download PDF

Info

Publication number
CN109191503B
CN109191503B CN201810964833.8A CN201810964833A CN109191503B CN 109191503 B CN109191503 B CN 109191503B CN 201810964833 A CN201810964833 A CN 201810964833A CN 109191503 B CN109191503 B CN 109191503B
Authority
CN
China
Prior art keywords
remote sensing
sensing image
change
random field
conditional random
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.)
Active
Application number
CN201810964833.8A
Other languages
English (en)
Other versions
CN109191503A (zh
Inventor
石爱业
李学亮
王鑫
马贞立
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.)
Hohai University HHU
Original Assignee
Hohai University HHU
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 Hohai University HHU filed Critical Hohai University HHU
Priority to CN201810964833.8A priority Critical patent/CN109191503B/zh
Publication of CN109191503A publication Critical patent/CN109191503A/zh
Application granted granted Critical
Publication of CN109191503B publication Critical patent/CN109191503B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于条件随机场的遥感影像变化检测方法及系统，所述方法包括：计算遥感影像的变化矢量幅值；根据变化矢量幅值采用FCM算法获取CRF的一元能量项；遥感影像每个节点的邻域、光谱角信息及变化矢量幅值获取CRF的二元能量项；通过循环信度传播算法对CRF的能量最小化获取变化检测结果。其中检测过程中CRF能量函数中的正则化参数的选择是通过伪训练样本集来选择的，在最优的正则化参数下，获取对应的最终变化检测结果。本发明能够使得变化检测的结果更加可靠，也更加具有稳健性，提高了变化检测的精度。

Description

基于条件随机场的遥感影像变化检测方法及系统
技术领域
本发明属于图像处理技术领域，尤其涉及一种基于条件随机场的遥感影像变化检测方法及系统。
背景技术
遥感影像的变化检测就是从不同时期的遥感数据中，定量地分析和确定地表变化的特征与过程。各国学者从不同的角度和应用研究提出了许多有效的检测算法，总体来说，根据检测过程中是否需要训练样本，可以将变化检测分为三个大类：非监督变化检测算法、半监督变化检测算法和监督变化检测算法。由于非监督变化检测算法无需训练样本，加之建模过程无需先验知识，因此该类算法获得了广泛的应用。常规的非监督变化检测算法有变化矢量分析法(Change Vector Analysis，CVA)、基于主成分变换的检测方法、基于FuzzyC-means(模糊C均值聚类算法，FCM)的聚类方法、基于多元变化检测算法、基于无向图的变化检测算法(包括MRF、CRF等)等。变化检测建模中，像素和其邻域具有高度相关性，MRF和CRF两种概率图模型均可以刻画这种邻域关系。由于CRF能够同时考虑观察场与标记场的空间上下文信息，比MRF建模更加灵活，其在多时相变化检测领域应用具有优势。
2015年12月16日中国专利数据库公开了一种基于非平稳分析与条件随机场的SAR图像变化检测方法(专利号：201510526592.5)，但是检测方法是监督类变化检测，实际应用中需消耗大量的人力成本等去构建训练样本。现有技术中还公开了一种基于CRF的非监督变换检测方法[Guo Cao,Xuesong Li&Licun Zhou.Unsupervised change detection inhigh spatial resolution remote sensing images based on a conditional randomfield model.European Journal of Remote Sensing,2016,49:225-237.]，该检测方法应用于多光谱多时相遥感图像检测过程中，能够提高检测精度，但该方法的CRF能量函数中，正则化参数是通过试错法获取的，不具有鲁棒性。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种基于条件随机场的遥感影像变化检测方法及系统，检测结果更加可靠、稳健，检测精度更高。
为达到上述目的，本发明是采用下述技术方案实现的：
一方面，本发明提供了一种基于条件随机场的遥感影像变化检测方法，所述方法包括如下步骤：
S100：计算遥感影像的变化矢量幅值；
S200：计算变化矢量幅值的最优分割阈值，根据最优分割阈值及变化矢量幅值的模值动态范围的百分比确定伪训练样本集；
S300：按照预设的正则化参数范围及迭代步长，循环执行步骤S301～S304，直至正则化参数达到预设范围最大值：
S301：根据变化矢量幅值获取条件随机场的一元能量项；
S302：根据遥感影像每个节点的邻域、光谱角信息及变化矢量幅值构建条件随机场的二元能量项；
S303：根据一元能量项和二元能量项构建条件随机场能量项；
S304：以能量最小化为目标，对条件随机场能量项进行优化，获取变化检测结果；
S400：针对每一个正则化参数，选择伪训练样本集的精度最高的正则化参数，输出对应的变化检测结果作为最终的变化检测图。
进一步的，采用公式(1)计算多时相遥感影像的变化矢量幅值XM：
Figure BDA0001774705680000031
其中：(i,j)表示遥感影像的坐标；XM(i,j)表示坐标(i,j)处的变化矢量幅值；B表示每一个时相遥感影像的波段数目；b表示波段的序号；X1b(i,j)表示前一时相第b波段遥感影像坐标(i,j)处的像素值；X2b(i,j)表示后一时相第b波段遥感影像坐标(i,j)处的像素值。
进一步的，依据Bayes最小误差准则，基于最大期望算法获取变化矢量幅值的最优分割阈值。
进一步的，根据变化矢量幅值采用模糊C类均值聚类算法获取条件随机场的一元能量项。
进一步的，所构建的二元能量项如下式所示：
Figure BDA0001774705680000032
式中，k,q表示遥感影像相邻的两个节点；ck,cq表示两个节点k,q处的类别标签；XM(k)表示节点k处的变化矢量的幅值；XM(q)表示节点q处的变化矢量的幅值；samkq表示k,q两个节点处两个时相的多光谱影像的光谱角信息，[ck≠cq]表示0-1指示函数。
根据权利要求5所述的基于条件随机场的遥感影像变化检测方法，其特征在于：所构建的条件随机场能量项如下：
Figure BDA0001774705680000033
其中：S表示节点的集合，E表示相邻节点的集合，参数β是正则化参数，用于控制一元能量项和二元能量项间的比重；(k,q)表示节点k与其相邻的节点q组成的一个相邻节点对，Uk表示节点k处的一元能量项；Uk,q表示相邻节点对(k,q)处的二元能量项。
进一步的，采用循环信度传播优化算法对条件随机场能量项进行优化获取变化检测结果。
进一步的，所述方法还包括对遥感影像进行预处理，所述预处理包括：利用ENVI遥感图像处理软件对同一区域、不同时相的遥感影像进行影像配准。
进一步的，所述预处理还包括：利用多元变化检测方法对影像配准后的遥感影像进行辐射归一化校正。
另一方面，本发明还提供了一种基于条件随机场的遥感影像变化检测系统，包括处理器和存储设备，所述存储设备中存储有多条指令，用于所述处理器加载并执行前述任一项所述的基于条件随机场的遥感影像变化检测方法的步骤。
因此，本发明提供的基于条件随机场的遥感影像变化检测方法及系统，对于CRF能量项中的正则化参数，通过伪训练样本集获取最优的参数，使得变化检测的结果更加可靠，也更加具有稳健性；在CRF的二元能量项的构建中，不仅将图像相邻节点差异影像的幅值信息，而且将光谱角映射图信息也考虑进去，能够更好地刻画图像邻域间的关系，提高了变化检测的精度。
附图说明
图1是本发明实施例的实现流程示意图；
图2是本发明实施例所采用的2007年1月的沙特阿拉伯Mina地区高分辨率IKONOS图像第3波段示意图；
图3是本发明实施例所采用的2007年12月的沙特阿拉伯的Mina地区高分辨率IKONOS图像第3波段示意图；
图4是变化检测参考(Ground Truth)图像；
图5是EM-MRF算法检测结果图像；
图6是CRF1算法检测结果图像；
图7是CRF2算法的检测结果图像；
图8是采用本发明实施例方法获得的检测结果图像。
具体实施方式
本发明公开了一种基于条件随机场的遥感影像变化检测方法及系统，所述方法包括：计算遥感影像的变化矢量幅值；根据变化矢量幅值采用FCM算法获取CRF的一元能量项；遥感影像每个节点的邻域、光谱角信息及变化矢量幅值获取CRF的二元能量项；通过循环信度传播算法对CRF的能量最小化获取变化检测结果。其中检测过程中CRF能量函数中的正则化参数的选择是通过伪训练样本集来选择的，在最优的正则化参数下，获取对应的最终变化检测结果。本发明能够使得变化检测的结果更加可靠，也更加具有稳健性；在CRF的二元能量项的构建中，不仅将图像相邻节点差异影像的幅值信息，而且将光谱角映射图信息也考虑进去，能够更好地刻画图像邻域间的关系，提高了变化检测的精度。
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。
步骤1：输入同一区域、不同时相的两幅高分辨率光学遥感影像，分别记为X1和X2。
步骤2：利用遥感软件ENVI对X1和X2进行影像配准，分为粗校正和精校正两个步骤：
对于几何粗校正，利用ENVI4.8软件中的相关功能实现，具体操作步骤为：(1)显示基准影像和待校正影像；(2)采集地面控制点GCPs；GCPs应均匀分布在整幅图像内，GCPs的数目至少大于等于9。(3)计算误差；(4)选择多项式模型；(5)采用双线性插值进行重采样输出。
双线性差值法，若求未知函数f在点P＝(x,y)的值，假设我们已知函数f在Q11＝(x1,y1),Q12＝(x1,y2),Q21＝(x2,y1),及Q22＝(x2,y2)四个点的值。如果选择一个坐标系统使得这四个点的坐标分别为(0,0)、(0,1)、(1,0)和(1,1)，那么双线性插值公式就可以表示为：
f(x,y)≈f(0,0)(1-x)(1-y)+f(1,0)x(1-y)+f(0,1)(1-x)y+f(1,1)xy (1)
对于几何精校正，将经过几何粗校正的多光谱遥感影像数据，利用自动匹配与三角剖分法进行几何精校正。
三角剖分法为，采用逐点插入法构建Delaunay三角网，对每一个三角形，利用其三个顶点的行列号与其对应的基准影像同名点的地理坐标来确定该三角形内部的仿射变换模型参数，对待校正影像进行纠正，得到校正后的遥感影。
步骤3：利用多元变化检测(Multivariate Alteration Detection，MAD)方法对X1和X2进行辐射归一化校正。该方法首先找到两期影像各波段亮度值的一个线性组合，得到变化信息增强的差异影像，通过阈值确定变化和未变化区域，然后通过未变化区域对应的两时相像元对的映射方程，完成相对辐射校正。
步骤4：对输入的多时相高分辨率影像，其变化矢量幅值XM的计算如下：
Figure BDA0001774705680000061
其中，XM(i,j)表示坐标(i,j)处的变化矢量幅值；B表示每一个时相遥感影像的波段数目；(i,j)表示遥感影像的坐标；b表示波段的序号；X1b(i,j)表示前一时相第b波段影像(i,j)处的像素值；X2b(i,j)表示后一时相第b波段影像(i,j)处的像素值。
步骤5：利用Bayes原理，并基于最大期望(Expectation-Maximization，EM)算法获取最优分割阈值T。将|XM-T|≤δ的区域作为伪训练样本集。其中δ的选择为XM动态范围的15％，最优分割阈值T的计算过程及伪训练样本集的构建如下：
1)假设XM影像上未变化类ωn和变化类ωc服从如下的高斯分布，即：
Figure BDA0001774705680000071
其中p(XM(i,j)|ωl)表示影像XM上坐标(i,j)处的像素值属于类别ωl的条件概率，ωl∈{ωn,ωc}；σl，ml分别表示影像XM上属于类别ωl的方差和均值，σl∈{σn,σc}，ml∈{mn,mc}，未变化类的均值和标准差分别为mn和σn，变化类的均值和标准差分别为mc和σc；采用EM算法可估计mn、σn、mc和σc这四个参数，下面仅以未变化类的参数估计为例进行说明，变化类参数估计类似。
Figure BDA0001774705680000072
Figure BDA0001774705680000073
Figure BDA0001774705680000074
其中，I和J分别表示影像的行数和列数，t表示迭代次数；pt(XM(i,j))表示迭代次数为t时的像素值XM(i,j)的全概率；pt(ωn)表示迭代次数为t时的未变化类的先验概率；pt(XM(i,j)|ωn)表示迭代次数为t时的像素值XM(i,j)属于未变化类的条件概率；
Figure BDA0001774705680000081
表示迭代次数为t时的未变化类均值；
Figure BDA0001774705680000082
表示迭代次数为t+1时的未变化类方差。
3)依据Bayes最小误差准则，求解变化矢量幅值图像XM的分割阈值T
4)根据EM算法所估计的阈值T，伪训练样本集的构建分为如下两个部分：
其中未变化类伪训练集样本为：
Figure BDA0001774705680000083
变化类伪训练样本集为：
Figure BDA0001774705680000084
其中δ的选择为XM动态范围的15％。
步骤6：给定正则化参数β的搜索范围为0.1-10，搜索步长为0.1。
步骤7：按照迭代步长增加正则化参数，执行步骤8-11。
步骤8：根据步骤5的结果XM，设定隶属度的加权指数m＝2，聚类数目C＝2，具体实施如下：
1)首先构建FCM的模型如下：
Figure BDA0001774705680000085
式中，C是聚类数目，对于本发明的变化检测，由于只涉及变化和非变化两个类别，故此设置C＝2，N是样本的总数，本发明中N＝IJ，I和J分别表示影像的行数和列数，
Figure BDA0001774705680000086
表示在隶属度加权指数为m时第k个样本对于第h类聚类中心的模糊隶属度，本发明中，设置m为2，uhk∈[0,1]且
Figure BDA0001774705680000091
vh表示第h个类别的中心；dhk表示第k个样本和第h类聚类中心的欧式距离。
2)式(9)的目标函数最小化可以用下述的公式交替进行：
Figure BDA0001774705680000092
Figure BDA0001774705680000093
3)FCM算法收敛后，获得CRF的一元能量项Uk＝uhk。
步骤9：根据多时相图像中的任一幅图像构建CRF的4邻域系统，并结合步骤5的结果，构建CRF的二元项能量如下：
Figure BDA0001774705680000094
式中，k,q表示遥感影像相邻的两个节点(k,q也可以视为k(i,j),q(i′,j′)的简写，(i,j)和(i′,j′)分别表示节点k,q处的坐标)；ck,cq表示两个节点k,q处的类别标签；XM(k)表示节点k处的变化矢量的幅值；XM(q)表示表示节点q处的变化矢量的幅值；samkq表示k,q两个节点处两个时相的多光谱影像的光谱角信息，[ck≠cq]表示0-1指示函数。
最后，构建的CRF能量项如下：
Figure BDA0001774705680000095
其中：S表示节点的集合，E表示相邻节点的集合，参数β是正则化参数，用于控制一元能量项和二元能量项间的比重；k表示当前的节点；k,q表示节点k与其相邻的节点q组成的一个相邻节点对，Uk表示节点k处的一元能量项；Uk,q表示相邻节点对(k,q)处的二元能量项。
步骤10：根据优化算法循环信度传播(Loopy Belief Propagation,LBP)算法对CRF能量项U进行优化，获取变化检测结果。
步骤11：判读正则化参数是否达到最大值10。如果是，终止迭代；如果否，回到步骤7。
步骤12：针对每一个正则化参数，判断伪训练样本集的精度，选择精度最高的置信水平，在此基础上，输出对应的变化检测结果。
下面结合具体实验数据对本发明做进一步详细说明。本次实验采用的实验数据为沙特阿拉伯的Mina地区的多时相IKNOS高分辨影像数据，图像大小为700×950，使用B1、B2和B3三个波段。为了验证本发明的有效性，将本发明变化检测方法与下述变化检测方法进行比对：
(1)基于CVA的EM-MRF方法(EM-MRF)[意大利的Bruzzone L.等在文章“Automaticanalysis of difference image for unsupervised change detection”(IEEETransactions on Geoscience and Remote Sensing,2000,38(3):1171-1182.)中所提的检测方法]。
(2)Cao等所提的CRF检测(CRF1)方法[Guo Cao,Xuesong Li&LicunZhou.Unsupervised change detection in high spatial resolution remote sensingimages based on a conditional random field model.European Journal of RemoteSensing,2016,49:225-237.]
(3)常规的CRF检测方法(CRF2)，只考虑由幅度值构成的差分影像(不考虑两个时相影像的光谱角SAM信息)。
(4)本发明方法。
检测性能用错检数FP、漏检数FN、总错误数OE和Kappa系数四个指标来衡量。FP、FN和OE越接近于0、Kappa系数越接近于1，表明变化检测方法的性能越好。检测结果如表1所示。
表1Mina地区的多时相IKONOS影像变化检测结果比较
方法 FP FN OE k
EM-MRF 13373 1367 14740 0.821
CRF1 650 3913 4563 0.934
CRF2 1617 2793 4410 0.937
本发明方法 1676 2104 3780 0.947
理想 0 0 0 1
由表1可见，本发明所提的检测方法Kappa系数最大，比其他三种检测算法相比更接近于1。另外，本发明的总错误数OE在对比算法中是最小的，更接近于0。综上，本发明变化检测算法的性能优于其他三种检测方法，这表明本发明所提的变化检测方法是有效的。
图2是Mina地区的前一时相多光谱IKONOS影像，图3是Mina地区的后一时相多光谱IKONOS影像，图4是变化检测的参考图。图5是EM-MRF算法的变化检测结果，图6是CRF1算法的变化检测结果，图7是CRF2算法的变化检测结果，图8是采用本发明实施例方法的变化检测结果。从图4的参考图和图5～8的对比来看，目视效果上，本发明所提算法的检测效果是最好的。
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。
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 (9)

1.基于条件随机场的遥感影像变化检测方法，其特征在于：所述方法包括如下步骤：
S100：计算遥感影像的变化矢量幅值；
S200：计算变化矢量幅值的最优分割阈值，根据最优分割阈值及变化矢量幅值的模值动态范围的百分比确定伪训练样本集；
S300：按照预设的正则化参数范围及迭代步长，循环执行步骤S301～S304，直至正则化参数达到预设范围最大值：
S301：根据变化矢量幅值获取条件随机场的一元能量项；
S302：根据遥感影像每个节点的邻域、光谱角信息及变化矢量幅值构建条件随机场的二元能量项；
S303：根据一元能量项和二元能量项构建条件随机场能量项；
S304：以能量最小化为目标，对条件随机场能量项进行优化，获取变化检测结果；
S400：针对每一个正则化参数，选择伪训练样本集的精度最高的正则化参数，输出对应的变化检测结果作为最终的变化检测图；
所构建的二元能量项如下式所示：
Figure FDA0003077453940000011
式中，k,q表示遥感影像相邻的两个节点；ck,cq表示两个节点k,q处的类别标签；XM(k)表示节点k处的变化矢量的幅值；XM(q)表示节点q处的变化矢量的幅值；samkq表示k,q两个节点处两个时相的多光谱影像的光谱角信息，[ck≠cq]表示0-1指示函数。
2.根据权利要求1所述的基于条件随机场的遥感影像变化检测方法，其特征在于，采用公式(1)计算多时相遥感影像的变化矢量幅值XM：
Figure FDA0003077453940000021
其中：(i，j)表示遥感影像的坐标；XM(i，j)表示坐标(i，j)处的变化矢量幅值；B表示每一个时相遥感影像的波段数目；b表示波段的序号；X1b(i，j)表示前一时相第b波段遥感影像坐标(i，j)处的像素值；X2b(i，j)表示后一时相第b波段遥感影像坐标(i，j)处的像素值。
3.根据权利要求1所述的基于条件随机场的遥感影像变化检测方法，其特征在于，依据Bayes最小误差准则，基于最大期望算法获取变化矢量幅值的最优分割阈值。
4.根据权利要求1所述的基于条件随机场的遥感影像变化检测方法，其特征在于：根据变化矢量幅值采用模糊C类均值聚类算法获取条件随机场的一元能量项。
5.根据权利要求1所述的基于条件随机场的遥感影像变化检测方法，其特征在于：所构建的条件随机场能量项如下：
Figure FDA0003077453940000022
其中：S表示节点的集合，E表示相邻节点的集合，参数β是正则化参数，用于控制一元能量项和二元能量项间的比重；(k,q)表示节点k与其相邻的节点q组成的一个相邻节点对，Uk表示节点k处的一元能量项；Uk,q表示相邻节点对(k,q)处的二元能量项。
6.根据权利要求1所述的基于条件随机场的遥感影像变化检测方法，其特征在于：采用循环信度传播优化算法对条件随机场能量项进行优化获取变化检测结果。
7.根据权利要求1所述的基于条件随机场的遥感影像变化检测方法，其特征在于：所述方法还包括对遥感影像进行预处理，所述预处理包括：利用ENVI遥感图像处理软件对同一区域、不同时相的遥感影像进行影像配准。
8.根据权利要求7所述的基于条件随机场的遥感影像变化检测方法，其特征在于：所述预处理还包括：利用多元变化检测方法对影像配准后的遥感影像进行辐射归一化校正。
9.基于条件随机场的遥感影像变化检测系统，其特征在于，包括处理器和存储设备，所述存储设备中存储有多条指令，用于所述处理器加载并执行权利要求1～8任一项所述的方法的步骤。
CN201810964833.8A 2018-08-23 2018-08-23 基于条件随机场的遥感影像变化检测方法及系统 Active CN109191503B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810964833.8A CN109191503B (zh) 2018-08-23 2018-08-23 基于条件随机场的遥感影像变化检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810964833.8A CN109191503B (zh) 2018-08-23 2018-08-23 基于条件随机场的遥感影像变化检测方法及系统

Publications (2)

Publication Number Publication Date
CN109191503A CN109191503A (zh) 2019-01-11
CN109191503B true CN109191503B (zh) 2021-08-27

Family

ID=64919644

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810964833.8A Active CN109191503B (zh) 2018-08-23 2018-08-23 基于条件随机场的遥感影像变化检测方法及系统

Country Status (1)

Country Link
CN (1) CN109191503B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109903274B (zh) * 2019-01-31 2020-05-15 兰州交通大学 一种高分辨率遥感影像变化检测方法及系统
CN110111300B (zh) * 2019-03-18 2021-06-15 西安电子科技大学 一种图像变化检测方法
CN110110727B (zh) * 2019-06-18 2023-04-18 南京景三医疗科技有限公司 基于条件随机场和贝叶斯后处理的图像分割方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8620093B2 (en) * 2010-03-15 2013-12-31 The United States Of America As Represented By The Secretary Of The Army Method and system for image registration and change detection
WO2015042772A1 (zh) * 2013-09-24 2015-04-02 中国科学院自动化研究所 一种遥感图像显著目标变化检测方法
CN105160666B (zh) * 2015-08-25 2018-03-06 西安电子科技大学 基于非平稳分析与条件随机场的sar图像变化检测方法
CN105405133B (zh) * 2015-11-04 2018-01-19 河海大学 一种遥感影像变化检测方法
CN105243378B (zh) * 2015-11-13 2019-03-01 清华大学 基于眼部信息的活体人脸检测方法及装置
CN106384352A (zh) * 2016-09-09 2017-02-08 河海大学 基于融合策略和fcm的多时相遥感影像变化检测方法
CN106373120B (zh) * 2016-09-09 2019-01-08 河海大学 基于非负矩阵分解和核fcm的多时相遥感影像变化检测方法
CN106650571B (zh) * 2016-09-09 2019-09-10 河海大学 一种基于自适应卡方变换的多时相遥感影像变化检测方法
CN109934799B (zh) * 2016-09-09 2021-06-25 南京工程学院 多时相差异影像模值计算及变化检测方法
CN107481235A (zh) * 2017-08-24 2017-12-15 河海大学 一种数学形态学滤波结合卡方变换的多时相遥感影像变化检测方法

Also Published As

Publication number Publication date
CN109191503A (zh) 2019-01-11

Similar Documents

Publication Publication Date Title
CA3091035C (en) Systems and methods for polygon object annotation and a method of training an object annotation system
US10420523B2 (en) Adaptive local window-based methods for characterizing features of interest in digital images and systems for practicing same
CN110826458A (zh) 一种基于深度学习的多光谱遥感图像变化检测方法及系统
CN108388896B (zh) 一种基于动态时序卷积神经网络的车牌识别方法
CN101398934B (zh) 对图像中的对象进行定位的方法和系统
CN108537102B (zh) 基于稀疏特征与条件随机场的高分辨sar图像分类方法
US9141871B2 (en) Systems, methods, and software implementing affine-invariant feature detection implementing iterative searching of an affine space
CN110827332B (zh) 一种基于卷积神经网络的sar图像的配准方法
CN107633226B (zh) 一种人体动作跟踪特征处理方法
CN109191503B (zh) 基于条件随机场的遥感影像变化检测方法及系统
CN109934799B (zh) 多时相差异影像模值计算及变化检测方法
CN109255781B (zh) 一种面向对象的多光谱高分辨率遥感影像变化检测方法
CN111986262B (zh) 一种图像区域定位方法及装置
CN107481235A (zh) 一种数学形态学滤波结合卡方变换的多时相遥感影像变化检测方法
CN110827330B (zh) 一种时序集成的多光谱遥感图像变化检测方法及系统
Yang et al. Non-rigid image registration with dynamic Gaussian component density and space curvature preservation
CN102169581A (zh) 一种基于特征向量的快速高精度鲁棒性匹配方法
CN109242832B (zh) 一种多时相多光谱遥感影像变化检测方法及系统
CN112052802A (zh) 一种基于机器视觉的前方车辆行为识别方法
Yu et al. Fast non-rigid image feature matching for agricultural UAV via probabilistic inference with regularization techniques
CN104050643A (zh) 遥感影像几何与辐射一体化相对校正方法及系统
Tian et al. The image segmentation based on optimized spatial feature of superpixel
CN106295710A (zh) 基于非几何约束的图像局部特征匹配方法、装置及终端
CN112036235A (zh) 一种高光谱图像目标检测方法和系统
CN109300115B (zh) 一种面向对象的多光谱高分辨率遥感影像变化检测方法

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
GR01 Patent grant
GR01 Patent grant