CN109409389A - 一种融合多特征的面向对象变化检测方法 - Google Patents
一种融合多特征的面向对象变化检测方法 Download PDFInfo
- Publication number
- CN109409389A CN109409389A CN201710699957.3A CN201710699957A CN109409389A CN 109409389 A CN109409389 A CN 109409389A CN 201710699957 A CN201710699957 A CN 201710699957A CN 109409389 A CN109409389 A CN 109409389A
- Authority
- CN
- China
- Prior art keywords
- value
- weight
- segmentation
- texture
- characteristic
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 230000008859 change Effects 0.000 title claims abstract description 42
- 238000012360 testing method Methods 0.000 claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 241000282693 Cercopithecidae Species 0.000 claims abstract description 4
- 238000003709 image segmentation Methods 0.000 claims abstract description 4
- 230000011218 segmentation Effects 0.000 claims description 34
- 238000001228 spectrum Methods 0.000 claims description 34
- 230000003595 spectral effect Effects 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 11
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 238000003786 synthesis reaction Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000004927 fusion Effects 0.000 description 10
- 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 4
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明适用于遥感技术领域,提供了一种融合多特征的面向对象变化检测方法,包括S101、影像预处理;S102、纹理特征提取;S103、影像分割;S104、对象特征提取;S105、生成差分影像;S106、初始变化检测结果获取;S107、计算特征权重;S108、得到对象变化检测结果,通过加权模糊C均值法融合多维特征,将各个检测对象聚类为变与不变的两类。本发明实施例通过对两期图像进行上述步骤的处理,分析并确定各维特征的权重,并通过Relief算法提取各维特征的权重,将权重加入模糊C均值法中形成加权模糊C均值法,通过加权模糊C均值法融合多维特征,将各个检测对象聚类为变与不变的两类,有效地融合了不同特征进行面向对象的变化检测,提高了变化检测结果的精度。
Description
技术领域
本发明属于遥感技术领域,特别涉及一种融合多特征的面向对象变化检测方法。
背景技术
在遥感影像中,以对象为基本单元进行变化检测能够减低噪声对变化检测结果精度的影响,尤其是在应用高分遥感影像进行变化检测时具有明显的效果。在传统的面向对象变化检测中,通常是利用光谱特征进行变化检测,由于地物复杂性以及成像条件的限制,遥感影像具有“同谱异物”和“同物异谱”现象,这些因素对变化检测结果的影响较大。因此,这种仅利用光谱特征进行变化检测的检测精度偏低,以上不足有待改进。
发明内容
本发明的目的在于提供一种融合多特征的面向对象变化检测方法,旨在解决传统面向对象变化检测方法的检测结果精度低的问题。
本发明是这样实现的,一种融合多特征的面向对象变化检测方法,包括下述步骤:
S101、影像预处理:对两期多光谱遥感影像进行预处理,所述预处理包括影像匹配和辐射校正;
S102、纹理特征提取:在两期多光谱遥感影像上提取变化检测所需的纹理特征;
S103、影像分割:将两期多光谱遥感影像叠加,对叠加后的影像进行初始分割,根据合并代价对初始分割的结果进行对象合并得到最终的分割结果,每个分割区域为一个对象;
S104、对象特征提取:每个对象内包含多个像元,以对象内所有像元特征值的均值作为该对象的特征值,所述特征值包括纹理特征和光谱特征;
S105、生成差分影像:根据所述特征值生成差分影像;
S106、初始变化检测结果获取:基于所述差分影像,利用直方图峰谷法获取初始变化检测结果;
S107、计算特征权重:以所述初始变化检测结果为基础,通过Relief算法提取各维特征的权重;
S108、得到对象变化检测结果:在模糊C均值法中加入所述权重,形成加权模糊C均值法,通过所述加权模糊C均值法融合多维特征,将各个检测对象聚类为变与不变的两类。
进一步地,在所述步骤S102中,所述纹理特征包括高斯马尔可夫纹理特征和Gabor小波纹理特征。
进一步地,所述高斯马尔可夫纹理特征的提取方式如下:通过二阶高斯马尔可夫模型进行参数提取,一个所述二阶高斯马尔可夫模型包含四个参数,加上均值和方差共构成六个高斯马尔可夫纹理特征。
进一步地,所述步骤S103具体为:
将两期多光谱遥感影像叠加,叠加后的影像波段数量是两期多光谱遥感影像波段数量之和;
利用分水岭分割方法对叠加后的影像进行初始分割,得到允许过分割没有欠分割的初始分割结果;
根据合并代价对所述的初始分割结果进行对象合并,得到最终的分割结果,一个分割区域为一个对象,合并代价计算方式如下:
其中,C为合并代价;
LA、LB为分别为分割对象A、B的周长;
LAB为分割对象A、B公共边界的长度;
RA、RB分别为分割对象A、B的面积;
分别为分割对象A、B的第i个波段的光谱均值;
分别为分割对象A、B的第j种纹理均值;
为分割对象A、B的第i个波段的光谱均值的距离,为分割对象A、B的第j种纹理均值的距离,所述光谱均值为对象内部所有像元光谱值的均值,所述纹理均值为对象内部所有像元纹理值的均值;
ρ、η分别为光谱特征和纹理特征的权重,ρ的值为对象内部像元的光谱值方差占光谱值方差和纹理值方差之和的比例,η的值为对象内部像元的纹理值方差占光谱值方差和纹理值方差之和的比例。
进一步地,在所述利用分水岭分割方法对叠加后的影像进行分割的步骤中,所述分割结果中相邻对象之间有一条宽度为一个像元的边界,根据所述边界的像元与相邻对象的特征差异性逐一将所述边界的像元合并到差异性最小的相邻对象中,所述特征差异性的计算方式如下:
其中,Δ(si,Si)为边界像元与对象的第i个波段光谱特征差异;
Δ(tj,Tj)为边界像元与对象的第j个纹理特征差异;
m为光谱波段数量,n为纹理特征数量。
进一步地,所述步骤S105具体为:基于步骤S104所述的分割结果,提取t1时刻和t2时刻的影像分别为F1和F2,以F1=(F11,F12,…,F1n)T和F2=(F21,F22,…,F2n)T分别表示影像F1和影像F2的特征值,其中n是特征维度,则差分影像FD为
FD=F1-F2=(F11-F21,F12-F22,…,F1n-F2n)T。
进一步地,所述步骤S106具体为:将差分影像的各维特征值的平方和的方根作为差分影像的综合特征值,统计差分影像的综合特征值的直方图,选择所述直方图的波谷作为阈值,将所述综合特征值小于所述阈值的对象划分为不变,将所述综合特征值等于或大于所述阈值的对象划分为变化,得到所述初始变化检测结果。
进一步地,所述步骤S107具体为:在所述初始变化检测结果的基础上选择Relief算法计算各维特征的权重,所述Relief算法的计算方式如下:
其中,为第q维特征的第i次迭代的权重值;
m为样本数量;
d(xq,HMq(x))为样本x与最近邻的同类样本在q维特征上的距离;
d(xq,NMq(x))为样本x与最近邻的异类样本在q维特征上的距离;
所有样本都参与计算之后,迭代过程结束,得到各维特征的权重。
进一步地,所述步骤S108具体为:根据所述各维特征的权重,对模糊C均值法中的目标函数J进行改进,形成加权模糊C均值法,所述目标函数J中包含测度距离||·||,采用加权的欧式距离作为测度距离,计算方式如下:
其中,xi为第i个对象的特征值,xiq为对象i的第q个特征值,v j为第j类的聚类中心,vjq为第j个聚类中心第q个特征的值,wq为第q维特征的权重值,Q为特征的数量;
改进后的模糊C均值法中,目标函数J为:
其中,uij为第i个对象属于第j类的隶属度,Y为类别数量,N为对象数量,l∈[1,∞)是一个加权指数;
使得改进后的目标函数J达到最小的必要条件为:
采用改进的模糊C均值法融合多维特征,将分割对象划分为变化和不变的两类。
本发明提供的融合多特征的面向对象变化检测方法的有益效果在于:纹理特征能够在一定程度上反映地物空间关系的特性,不同特征对变化检测结果的精度影响不一致,本发明融合纹理特征和光谱特征,通过对两期图像进行上述步骤的处理,分析并确定各维特征的权重,并通过Relief算法提取各维特征的权重,将各权重加入模糊C均值法中,形成加权模糊C均值法,通过该加权模糊C均值法融合多维特征,将各个检测对象聚类为变与不变的两类,进而有效地融合了不同特征进行面向对象的变化检测,提高了变化检测结果的精度。
附图说明
图1是本发明实施例提供的融合多特征的面向对象变化检测方法的流程图;
图2是本发明实施例提供的融合多特征的面向对象变化检测方法中涉及的T1时刻和T2时刻波段1的影像以及参考影像;
图3是使用传统直接使用多波段光谱特征直接加权融合检测方法的变化检测结果图;
图4是使用本发明实施例提供的融合多特征的面向对象变化检测方法的检测结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
为了说明本发明所述的技术方案,以下结合具体附图及实施例进行详细说明。
请参阅图1,本发明实施例提供一种融合多特征的面向对象变化检测方法,包括下述步骤:
S101、影像预处理:对两期多光谱遥感影像进行预处理,所述预处理包括影像匹配和辐射校正;
S102、纹理特征提取:在两期多光谱遥感影像上提取变化检测所需的纹理特征;
S103、影像分割:将两期多光谱遥感影像叠加,对叠加后的影像进行初始分割,根据合并代价对初始分割的结果进行对象合并得到最终的分割结果,每个分割区域为一个对象;
S104、对象特征提取:每个对象内包含多个像元,以对象内所有像元特征值的均值作为该对象的特征值,所述特征值包括纹理特征和光谱特征;
S105、生成差分影像:根据所述特征值生成差分影像;
S106、初始变化检测结果获取:基于所述差分影像,利用直方图峰谷法获取初始变化检测结果;
S107、计算特征权重:以所述初始变化检测结果为基础,通过Relief算法提取各维特征的权重;
S108、得到对象变化检测结果:在模糊C均值法中加入所述权重,形成加权模糊C均值法,通过所述加权模糊C均值法融合多维特征,将各个检测对象聚类为变与不变的两类。
参考图2,具体地,在上述步骤S101中,利用SPOT-5影像数据进行实验,获取时间分别为2008年4月(T1)和2009年2月(T2),实验区域位于天津市西青区,影像大小为2001*1601像素,分辨率为2.5m,两时期影像分别包含3个波段。图2中的(a)和(b)分别给出了T1时刻和T2时刻波段1的影像,图2中的(c)示出了该实验地区的参考影像。本实施例以T1时期影像为参考,对T2时期影像进行了辐射校正和影像匹配,目的是降低辐射差异和几何差异对变化检测结果的影响。
进一步地,在上述步骤S102和S103中,该纹理特征包括高斯马尔可夫纹理特征和Gabor小波纹理特征。根据马尔可夫纹理的特性,选择3*3的窗口,即每个像元通过周围3*3个像元提取马尔可夫纹理,采用二阶高斯马尔科夫模型进行参数提取,利用最小二乘法估计二阶高斯马尔科夫模型参数,二阶模型参数一个包含4个参数,加上均值和方差一共构成6个高斯马尔科夫纹理特征,由于各个波段之间的高斯马尔科夫纹理特征具有相似性,本实施例选择T1时期影像和T2时期影像的第2个波段,通过移动窗口逐像元提取整幅图的高斯马尔科夫纹理特征。另外,根据Gabor小波纹理的特性,在Gabor纹理提取过程中,选择宽度、尺度、方向三个参数分别为5、5、12构建60个Gabor滤波器,一个波段即可提取60个纹理信息,由于各个波段之间的Gabor纹理特征具有相似性,本实施例中选择T1时期影像和T2时期影像的第1个波段提取Gabor纹理。
进一步地,上述步骤S103具体包括下述步骤:
首先,将两期多光谱遥感影像叠加,叠加后的影像波段数量是两期多光谱遥感影像波段数量之和;
其次,利用分水岭分割方法对叠加后的影像进行初始分割,得到允许过分割没有欠分割的初始分割结果;
最后,根据合并代价对上述初始分割结果进行对象合并,得到最终的分割结果,一个分割区域为一个对象,合并代价计算方式如下:
其中,C为合并代价;
LA、LB为分别为分割对象A、B的周长;
LAB为分割对象A、B公共边界的长度;
RA、RB分别为分割对象A、B的面积;
分别为分割对象A、B的第i个波段的光谱均值;
分别为分割对象A、B的第j种纹理均值;
为分割对象A、B的第i个波段的光谱均值的距离,为分割对象A、B的第j种纹理均值的距离,所述光谱均值为对象内部所有像元光谱值的均值,纹理均值为对象内部所有像元纹理值的均值;
ρ、η分别为光谱特征和纹理特征的权重,ρ的值为对象内部像元的光谱值方差占光谱值方差和纹理值方差之和的比例,η的值为对象内部像元的纹理值方差占光谱值方差和纹理值方差之和的比例。
进一步地,在利用分水岭分割方法对叠加后的影像进行分割的步骤中,分割结果中相邻对象之间会有一条宽度为一个像元的边界,本实施例要根据边界的像元与相邻对象的特征差异性逐一将边界的像元合并到差异性最小的相邻对象中,该特征差异性的计算方式如下:
其中,Δ(si,Si)为边界像元与对象的第i个波段光谱特征差异;
Δ(tj,Tj)为边界像元与对象的第j个纹理特征差异;
m为光谱波段数量,n为纹理特征数量,ρ、η的含义同上。
进一步地,在上述的步骤S105中,具体是在步骤S104获得的分割结果的基础上,提取t1时刻和t2时刻的影像,分别记为F1和F2,以F1=(F11,F12,…,F1n)T和F2=(F21,F22,…,F2n)T分别表示影像F1和影像F2的特征值,其中n是特征维度,则差分影像FD为:
FD=F1-F2=(F11-F21,F12-F22,…,F1n-F2n)T
进一步地,步骤S106应用了直方图峰谷法获取初始的变化检测结果,具体地,将差分影像的各维特征值的平方和的方根作为差分影像的综合特征值,统计差分影像的综合特征值的直方图,选择直方图的波谷作为阈值,将综合特征值小于阈值的对象划分为不变,将综合特征值等于或大于阈值的对象划分为变化,得到初始变化检测结果。得到该初始变化检测结果后,以其为基础,进行各维特征权重的计算。该步骤S107具体为:在初始变化检测结果的基础上选择Relief算法计算各维特征的权重,该Relief算法的计算方式如下:
其中,为第q维特征的第i次迭代的权重值;
m为样本数量;
d(xq,HMq(x))为样本x与最近邻的同类样本在q维特征上的距离;
d(xq,NMq(x))为样本x与最近邻的异类样本在q维特征上的距离;
所有样本都参与计算之后,迭代过程结束,得到各维特征的权重。
两期影像的光谱有n个波段,纹理也有多种,每个波段的光谱和每一种纹理都有一个权重,使所有样本都参与上述迭代算法之后得到最终各个特征的权重,作用范围是整个影像范围。
进一步地,本发明实施例通过在模糊C均值法增加特征的权重,即加权模糊C均值法,突出特征的重要性。具体在步骤S108中,根据上述步骤S107获得的各维特征的权重,对模糊C均值法中的目标函数J进行改进,形成加权模糊C均值法,采用加权模糊C均值法融合多维特征,将分割对象划分为变化和不变的两类。该目标函数J中包含测度距离||·||,采用加权的欧式距离作为测度距离,计算方式如下:
其中,xi为第i个对象的特征值,xiq为对象i的第q个特征值,v j为第j类的聚类中心,vjq为第j个聚类中心第q个特征的值,wq为第q维特征的权重值,Q为特征的数量;
改进后的加权模糊C均值法中,目标函数J为:
其中,uij为第i个对象属于第j类的隶属度,Y为类别数量,N为对象数量,l∈[1,∞)是一个加权指数;本实施例中取l的值为2。
使得改进后的目标函数J达到最小的必要条件为:
采用上述加权模糊C均值法融合多维特征,将分割对象划分为变化和不变的两类,可以融合不同特征进行面向对象的变化检测,提高变化检测结果的精度。
图3和图4分别给出了直接使用多波段光谱特征直接加权融合和使用本发明实施例提供的方法融合光谱特征与纹理特征的变化检测结果图。表1为两种变化检测结果的对比统计分析。通过对两种变化检测结果定量分析后发现,本发明实施例的变化检测效果明显优于直接使用多波段光谱特征直接加权融合的变化检测结果。进而说明本实施例提供的融合多特征的面向对象变化检测方法能够更有效的检测出地物的空间关系和变化状态。
表1两种变化检测结果的统计比较
纹理特征能够在一定程度上反映地物空间关系的特性,不同特征对变化检测结果的精度影响不一致,本发明实施例基于该问题,提供上述的融合多特征的面向对象变化检测方法,通过对两期图像进行上述步骤的处理,分析并确定各维特征的权重,并通过Relief算法提取各维特征的权重,将各权重加入模糊C均值法中,形成加权模糊C均值法,通过该加权模糊C均值法融合多维特征,将各个检测对象聚类为变与不变的两类,进而有效地融合了不同特征进行面向对象的变化检测,提高了变化检测结果的精度。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种融合多特征的面向对象变化检测方法,其特征在于,包括下述步骤:
S101、影像预处理:对两期多光谱遥感影像进行预处理,所述预处理包括影像匹配和辐射校正;
S102、纹理特征提取:在两期多光谱遥感影像上提取变化检测所需的纹理特征;
S103、影像分割:将两期多光谱遥感影像叠加,对叠加后的影像进行初始分割,根据合并代价对初始分割的结果进行对象合并得到最终的分割结果,每个分割区域为一个对象;
S104、对象特征提取:每个对象内包含多个像元,以对象内所有像元特征值的均值作为该对象的特征值,所述特征值包括纹理特征和光谱特征;
S105、生成差分影像:根据所述特征值生成差分影像;
S106、初始变化检测结果获取:基于所述差分影像,利用直方图峰谷法获取初始变化检测结果;
S107、计算特征权重:以所述初始变化检测结果为基础,通过Relief算法提取各维特征的权重;
S108、得到对象变化检测结果:在模糊C均值法中加入所述权重,形成加权模糊C均值法,通过所述加权模糊C均值法融合多维特征,将各个检测对象聚类为变与不变的两类。
2.如权利要求1所述的面向对象变化检测方法,其特征在于,在所述步骤S102中,所述纹理特征包括高斯马尔可夫纹理特征和Gabor小波纹理特征。
3.如权利要求2所述的面向对象变化检测方法,其特征在于,所述高斯马尔可夫纹理特征的提取方式如下:通过二阶高斯马尔可夫模型进行参数提取,一个所述二阶高斯马尔可夫模型包含四个参数,加上均值和方差共构成六个高斯马尔可夫纹理特征。
4.如权利要求1所述的面向对象变化检测方法,其特征在于,所述步骤S103具体为:
将两期多光谱遥感影像叠加,叠加后的影像波段数量是两期多光谱遥感影像波段数量之和;
利用分水岭分割方法对叠加后的影像进行初始分割,得到允许过分割没有欠分割的初始分割结果;
根据合并代价对所述的初始分割结果进行对象合并,得到最终的分割结果,一个分割区域为一个对象,合并代价计算方式如下:
其中,C为合并代价;
LA、LB为分别为分割对象A、B的周长;
LAB为分割对象A、B公共边界的长度;
RA、RB分别为分割对象A、B的面积;
分别为分割对象A、B的第i个波段的光谱均值;
分别为分割对象A、B的第j种纹理均值;
为分割对象A、B的第i个波段的光谱均值的距离,为分割对象A、B的第j种纹理均值的距离,所述光谱均值为对象内部所有像元光谱值的均值,所述纹理均值为对象内部所有像元纹理值的均值;
ρ、η分别为光谱特征和纹理特征的权重,ρ的值为对象内部像元的光谱值方差占光谱值方差和纹理值方差之和的比例,η的值为对象内部像元的纹理值方差占光谱值方差和纹理值方差之和的比例。
5.如权利要求4所述的面向对象变化检测方法,其特征在于,在所述利用分水岭分割方法对叠加后的影像进行分割的步骤中,所述分割结果中相邻对象之间有一条宽度为一个像元的边界,根据所述边界的像元与相邻对象的特征差异性逐一将所述边界的像元合并到差异性最小的相邻对象中,所述特征差异性的计算方式如下:
其中,Δ(si,Si)为边界像元与对象的第i个波段光谱特征差异;
Δ(tj,Tj)为边界像元与对象的第j个纹理特征差异;
m为光谱波段数量,n为纹理特征数量。
6.如权利要求1所述的面向对象变化检测方法,其特征在于,所述步骤S105具体为:设t1时刻和t2时刻在分割结果基础上提取特征影像分别为F1和F2,由它们生成的差分影像记为FD,设F1=(F11,F12,…,F1n)T和F2=(F21,F22,…,F2n)T分别表示影像F1和影像F2的特征值,其中n是特征维度,则差分影像为:
FD=F1-F2=(F11-F21,F12-F22,…,F1n-F2n)T。
7.如权利要求1所述的面向对象变化检测方法,其特征在于,所述步骤S106具体为:将差分影像的各维特征值的平方和的方根作为差分影像的综合特征值,统计差分影像的综合特征值的直方图,选择所述直方图的波谷作为阈值,将所述综合特征值小于所述阈值的对象划分为不变,将所述综合特征值等于或大于所述阈值的对象划分为变化,得到所述初始变化检测结果。
8.如权利要求1所述的面向对象变化检测方法,其特征在于,所述步骤S107具体为:在所述初始变化检测结果的基础上选择Relief算法计算各维特征的权重,所述Relief算法的计算方式如下:
其中,为第q维特征的第i次迭代的权重值;
m为样本数量;
d(xq,HMq(x))为样本x与最近邻的同类样本在q维特征上的距离;
d(xq,NMq(x))为样本x与最近邻的异类样本在q维特征上的距离;
所有样本都参与计算之后,迭代过程结束,得到各维特征的权重。
9.如权利要求1所述的面向对象变化检测方法,其特征在于,所述步骤S108具体为:根据所述各维特征的权重,对模糊C均值法中的目标函数J进行改进,形成加权模糊C均值法,所述目标函数J中包含测度距离||·||,采用加权的欧式距离作为测度距离,计算方式如下:
其中,xi为第i个对象的特征值,xiq为对象i的第q个特征值,vj为第j类的聚类中心,vjq为第j个聚类中心第q个特征的值,wq为第q维特征的权重值,Q为特征的数量;
改进后的模糊C均值法中,目标函数J为:
其中,uij为第i个对象属于第j类的隶属度,Y为类别数量,N为对象数量,l∈[1,∞)是一个加权指数;
使得改进后的目标函数J达到最小的必要条件为:
采用改进的模糊C均值法融合多维特征,将分割对象划分为变化和不变的两类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710699957.3A CN109409389B (zh) | 2017-08-16 | 2017-08-16 | 一种融合多特征的面向对象变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710699957.3A CN109409389B (zh) | 2017-08-16 | 2017-08-16 | 一种融合多特征的面向对象变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109409389A true CN109409389A (zh) | 2019-03-01 |
CN109409389B CN109409389B (zh) | 2020-01-24 |
Family
ID=65454294
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710699957.3A Active CN109409389B (zh) | 2017-08-16 | 2017-08-16 | 一种融合多特征的面向对象变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109409389B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276746A (zh) * | 2019-05-28 | 2019-09-24 | 河海大学 | 一种鲁棒性遥感图像变化检测方法 |
CN111626131A (zh) * | 2020-04-27 | 2020-09-04 | 国家电网有限公司 | 基于无人机遥感的电力施工区域信息提取及其变化检测方法 |
CN112164116A (zh) * | 2020-09-27 | 2021-01-01 | 西南交通大学 | 一种基于改进fcm算法的列车定位方法及系统 |
CN112767376A (zh) * | 2021-01-27 | 2021-05-07 | 三峡大学 | 引力模型优化条件随机场的多尺度融合图像变化检测方法 |
CN114937211A (zh) * | 2022-07-25 | 2022-08-23 | 北京数慧时空信息技术有限公司 | 基于不变对象的遥感影像变化检测方法 |
CN117114436A (zh) * | 2023-07-27 | 2023-11-24 | 中冶建筑研究总院有限公司 | 一种基于实测数据的既有预应力混凝土构件性能评价方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100098342A1 (en) * | 2008-10-16 | 2010-04-22 | Curators Of The University Of Missouri | Detecting geographic-area change using high-resolution, remotely sensed imagery |
CN102254319A (zh) * | 2011-04-19 | 2011-11-23 | 中科九度(北京)空间信息技术有限责任公司 | 一种多层次分割的遥感影像变化检测方法 |
CN103366373A (zh) * | 2013-07-10 | 2013-10-23 | 昆明理工大学 | 基于模糊相容图的多时相遥感影像变化检测方法 |
CN103425994A (zh) * | 2013-07-19 | 2013-12-04 | 淮阴工学院 | 一种用于模式分类的特征选择方法 |
CN104751478A (zh) * | 2015-04-20 | 2015-07-01 | 武汉大学 | 一种基于多特征融合的面向对象的建筑物变化检测方法 |
CN104850867A (zh) * | 2015-06-10 | 2015-08-19 | 中国人民武装警察部队工程大学 | 一种基于直觉模糊c均值聚类的目标识别方法 |
CN106897679A (zh) * | 2017-02-13 | 2017-06-27 | 长江水利委员会长江科学院 | 一种基于改进模糊c均值聚类的语义变化检测方法及系统 |
-
2017
- 2017-08-16 CN CN201710699957.3A patent/CN109409389B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100098342A1 (en) * | 2008-10-16 | 2010-04-22 | Curators Of The University Of Missouri | Detecting geographic-area change using high-resolution, remotely sensed imagery |
CN102254319A (zh) * | 2011-04-19 | 2011-11-23 | 中科九度(北京)空间信息技术有限责任公司 | 一种多层次分割的遥感影像变化检测方法 |
CN103366373A (zh) * | 2013-07-10 | 2013-10-23 | 昆明理工大学 | 基于模糊相容图的多时相遥感影像变化检测方法 |
CN103425994A (zh) * | 2013-07-19 | 2013-12-04 | 淮阴工学院 | 一种用于模式分类的特征选择方法 |
CN104751478A (zh) * | 2015-04-20 | 2015-07-01 | 武汉大学 | 一种基于多特征融合的面向对象的建筑物变化检测方法 |
CN104850867A (zh) * | 2015-06-10 | 2015-08-19 | 中国人民武装警察部队工程大学 | 一种基于直觉模糊c均值聚类的目标识别方法 |
CN106897679A (zh) * | 2017-02-13 | 2017-06-27 | 长江水利委员会长江科学院 | 一种基于改进模糊c均值聚类的语义变化检测方法及系统 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276746A (zh) * | 2019-05-28 | 2019-09-24 | 河海大学 | 一种鲁棒性遥感图像变化检测方法 |
CN110276746B (zh) * | 2019-05-28 | 2022-08-19 | 河海大学 | 一种鲁棒性遥感图像变化检测方法 |
CN111626131A (zh) * | 2020-04-27 | 2020-09-04 | 国家电网有限公司 | 基于无人机遥感的电力施工区域信息提取及其变化检测方法 |
CN111626131B (zh) * | 2020-04-27 | 2023-12-12 | 国家电网有限公司 | 基于无人机遥感的电力施工区域信息提取及其变化检测方法 |
CN112164116A (zh) * | 2020-09-27 | 2021-01-01 | 西南交通大学 | 一种基于改进fcm算法的列车定位方法及系统 |
CN112767376A (zh) * | 2021-01-27 | 2021-05-07 | 三峡大学 | 引力模型优化条件随机场的多尺度融合图像变化检测方法 |
CN112767376B (zh) * | 2021-01-27 | 2023-07-11 | 三峡大学 | 引力模型优化条件随机场的多尺度融合图像变化检测方法 |
CN114937211A (zh) * | 2022-07-25 | 2022-08-23 | 北京数慧时空信息技术有限公司 | 基于不变对象的遥感影像变化检测方法 |
CN117114436A (zh) * | 2023-07-27 | 2023-11-24 | 中冶建筑研究总院有限公司 | 一种基于实测数据的既有预应力混凝土构件性能评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109409389B (zh) | 2020-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109409389A (zh) | 一种融合多特征的面向对象变化检测方法 | |
CN108038476B (zh) | 一种基于边缘检测与sift的人脸表情识别特征提取方法 | |
Huang et al. | A multidirectional and multiscale morphological index for automatic building extraction from multispectral GeoEye-1 imagery | |
CN106204509B (zh) | 基于区域特性的红外与可见光图像融合方法 | |
CN110309781B (zh) | 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法 | |
Zhang et al. | Infrared small target detection based on spatial-temporal enhancement using quaternion discrete cosine transform | |
CN109118528A (zh) | 基于区域分块的奇异值分解图像匹配算法 | |
CN108564092A (zh) | 基于sift特征提取算法的向日葵病害识别方法 | |
CN110097101A (zh) | 一种基于改进可靠性因子的遥感图像融合与海岸带分类方法 | |
CN108664939A (zh) | 一种基于hog特征与深度学习的遥感图像飞机识别方法 | |
CN112308156B (zh) | 一种基于对抗学习的两阶段图像变化检测方法 | |
CN109871884A (zh) | 一种融合多特征的支持向量机面向对象遥感影像分类方法 | |
CN108229551A (zh) | 一种基于紧凑字典稀疏表示的高光谱遥感图像分类方法 | |
CN109190456A (zh) | 基于聚合通道特征和灰度共生矩阵的多特征融合俯视行人检测方法 | |
CN110120032A (zh) | 基于相对总变差模型与mser的织物毛球等级评价方法 | |
Duan et al. | An index-based shadow extraction approach on high-resolution images | |
CN110766657A (zh) | 一种激光干扰图像质量评价方法 | |
Kumar et al. | Comparative analysis for edge detection techniques | |
Tian et al. | Pedestrian detection based on laplace operator image enhancement algorithm and faster R-CNN | |
CN104239895B (zh) | 基于特征降维的sar目标鉴别方法 | |
CN113850769A (zh) | 一种基于Siamese空谱联合卷积网络的高光谱变化检测方法 | |
Kim et al. | Automatic pseudo-invariant feature extraction for the relative radiometric normalization of hyperion hyperspectral images | |
CN109815784A (zh) | 一种基于红外热像仪的智能分类方法、系统及存储介质 | |
CN102063722A (zh) | 基于主成份广义逆变换的图像变化检测方法 | |
Al-Ani et al. | Precision statistical analysis of images based on brightness distribution |
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 |