CN109448030A - 一种变化区域提取方法 - Google Patents

一种变化区域提取方法 Download PDF

Info

Publication number
CN109448030A
CN109448030A CN201811222332.9A CN201811222332A CN109448030A CN 109448030 A CN109448030 A CN 109448030A CN 201811222332 A CN201811222332 A CN 201811222332A CN 109448030 A CN109448030 A CN 109448030A
Authority
CN
China
Prior art keywords
variation
region
pixel
gray
area
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
Application number
CN201811222332.9A
Other languages
English (en)
Other versions
CN109448030B (zh
Inventor
施文灶
程姗
林志斌
何代毅
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.)
Fujian Normal University
Original Assignee
Fujian Normal 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 Fujian Normal University filed Critical Fujian Normal University
Priority to CN201811222332.9A priority Critical patent/CN109448030B/zh
Publication of CN109448030A publication Critical patent/CN109448030A/zh
Application granted granted Critical
Publication of CN109448030B publication Critical patent/CN109448030B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/02—Affine transformations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种变化区域提取方法。包括如下步骤：步骤1，输入两幅灰度数字图像；步骤2，配准；步骤3，归一化；步骤4，构造归一化候选变化集合；步骤5，计算变化阈值；步骤6，像素点二分类；步骤7，区域标注处理；步骤8，求最小外接矩形；步骤9，求标注区域及其最小外接矩形的面积；步骤10，通过面积比提取变化区域；步骤11，输出变化区域。采用本发明的方法，能够快速提取数字图像中的变化区域，可以应用于视频监控及遥感影像的地物变化检测等领域。

Description

一种变化区域提取方法
技术领域
本发明涉及一种数字图像处理领域，具体说是一种变化区域提取方法。
背景技术
数字图像变化检测就是从两幅图像中定量分析和确定变化区域信息的技术。目前在国际上，许多专家学者力求寻找快速、自动化的变化检测方法，虽然研究人员已经提出了很多变化检测方法，但是这些方法往往缺乏有力的数学理论推导和数字化模型的建立，具体实施过程中的诸多步骤依然依赖人为经验指导，多数方法对用于变化检测的图像数据要求苛刻，对噪声、干扰等因素的影响比较敏感，缺乏自动高效的变化区域信息提取和分析方法。尽管出现了许多变化检测技术和方法，并且在很多方面都得到应用，但仍然存在着以下难点有待深入研究解决：(1)对数据质量要求高；(2)算法实用性不足；(3)自动化程度较低。
发明内容
本发明提供了一种变化区域提取方法，将数字图像转化为归一化矩阵，依据模糊条件，按像素到对象的顺序逐步提取变化区域，方法计算量小，自动化程度高。
为实现本发明的目标所采用的技术方案是：方法包括以下步骤：
步骤1：输入宽为W，高为H的两幅灰度数字图像I1和I2；
步骤2：以灰度数字图像I2为基准影像，对灰度数字图像I1进行仿射变换，得到配准后的灰度数字图像I1r；
步骤3：分别将灰度数字图像I1r和I2转化为归一化矩阵FS1和FS2，FS1(i,j)＝I1r(i,j)/255，FS2(i,j)＝I2(i,j)/255，其中，FS1(i,j)和FS2(i,j)分别为归一化矩阵FS1和FS2中的元素，I1r(i,j)和I2(i,j)分别为灰度数字图像I1r和I2中像素点(i,j)的灰度值，1≤i≤W，1≤j≤H；
步骤4：基于步骤3中灰度数字图像与归一化矩阵的关系，灰度数字图像I1r和I2的变化检测可转化为归一化矩阵FS1和FS2中元素取值的差异程度，即如果满足模糊条件：“FS1(i,j)较大且FS2(i,j)较小”或“FS1(i,j)较小且FS2(i,j)较大”，则判定像素点(i,j)为候选变化像素点，构造归一化候选变化函数chg(i,j)：
由chg(i,j)组成归一化候选变化集合Schg，1≤i≤W，1≤j≤H，式(1)中，chg(i,j)表示灰度数字图像I1r和I2中的像素点(i,j)的变化程度，和分别为归一化矩阵FS1和FS2的补集；
步骤5：用公式(2)计算变化阈值Tc：
Tc＝argmax(HSchg)+3δ (2)
式(2)中，HSchg为归一化候选变化集合Schg的直方图，δ为归一化候选变化集合Schg的标准差；
步骤6：利用步骤5中的变化阈值Tc对归一化候选变化集合Schg中的像素点进行二分类，将其分为变化像素点和非变化像素点，得到变化二值图像BWim，具体方法为：当归一化候选变化集合Schg中的像素点(i,j)的取值大于变化阈值Tc时，则将像素点(i,j)判别为变化像素点，取值为1，否则，将像素点(i,j)判别为非变化像素点，取值为0；
步骤7：用四邻域连通法对变化二值图像BWim进行区域标注处理，并删除区域面积小于面积阈值Ts的区域以消除噪声干扰，得到标注区域集合Slb；
步骤8：求标注区域集合Slb中所有区域的最小外接矩形，得到最小外接矩形集合Smr；
步骤9：计算标注区域集合Slb中的标注区域Slbk的面积Ok及其最小外接矩形Smrk的面积Rk，1≤k≤N，N为标注区域集合Slb中标注区域的数量；
步骤10：计算面积比Pk＝Ok/Rk，当Pk>Tch时，将标注区域集合Slb的第k个标注区域Slbk判别为变化区域，其最小外接矩形Smrk作为变化区域边界Bck，Tch为面积变化阈值；
步骤11：将步骤10的变化区域边界Bck用红色线条表示，并叠加在灰度数字图像I2上输出。
本发明的有益效果是：能够快速提取数字图像中的变化区域，可以应用于视频监控及遥感影像的地物变化检测等领域。
附图说明
图1是本发明的总体处理流程图。
具体实施方式
下面结合附图详细描述本发明的具体实施方式。
在步骤101，输入宽为W＝800，高为H＝600的两幅灰度数字图像I1和I2。
在步骤102，以灰度数字图像I2为基准影像，对灰度数字图像I1进行仿射变换，得到配准后的灰度数字图像I1r。
在步骤103，分别将灰度数字图像I1r和I2转化为归一化矩阵FS1和FS2，FS1(i,j)＝I1r(i,j)/255，FS2(i,j)＝I2(i,j)/255，其中，FS1(i,j)和FS2(i,j)分别为归一化矩阵FS1和FS2中的元素，I1r(i,j)和I2(i,j)分别为灰度数字图像I1r和I2中像素点(i,j)的灰度值，1≤i≤800，1≤j≤600。
在步骤104，基于步骤103中灰度数字图像与归一化矩阵的关系，灰度数字图像I1r和I2的变化检测可转化为归一化矩阵FS1和FS2中元素取值的差异程度，即如果满足模糊条件：“FS1(i,j)较大且FS2(i,j)较小”或“FS1(i,j)较小且FS2(i,j)较大”，则判定像素点(i,j)为候选变化像素点，构造归一化候选变化函数chg(i,j)：
由chg(i,j)组成归一化候选变化集合Schg，1≤i≤800，1≤j≤600，式(3)中，chg(i,j)表示灰度数字图像I1r和I2中的像素点(i,j)的变化程度，和分别为归一化矩阵FS1和FS2的补集；。
在步骤105，用公式(4)计算变化阈值Tc：
Tc＝argmax(HSchg)+3δ (4)
式(4)中，HSchg为归一化候选变化集合Schg的直方图，δ为归一化候选变化集合Schg的标准差。
在步骤106，利用步骤105中的变化阈值Tc对归一化候选变化集合Schg中的像素点进行二分类，将其分为变化像素点和非变化像素点，得到变化二值图像BWim，具体方法为：当归一化候选变化集合Schg中的像素点(i,j)的取值大于变化阈值Tc时，则将像素点(i,j)判别为变化像素点，取值为1，否则，将像素点(i,j)判别为非变化像素点，取值为0。
在步骤107，用四邻域连通法对变化二值图像BWim进行区域标注处理，并删除区域面积小于面积阈值Ts的区域以消除噪声干扰，得到标注区域集合Slb。
在步骤108，求标注区域集合Slb中所有区域的最小外接矩形，得到最小外接矩形集合Smr。
在步骤109，计算标注区域集合Slb中的标注区域Slbk的面积Ok及其最小外接矩形Smrk的面积Rk，1≤k≤N，N为标注区域集合Slb中标注区域的数量。
在步骤110，计算面积比Pk＝Ok/Rk，当Pk>Tch时，将标注区域集合Slb的第k个标注区域Slbk判别为变化区域，其最小外接矩形Smrk作为变化区域边界Bck，Tch为面积变化阈值。
在步骤111，将步骤110的变化区域边界Bck用红色线条表示，并叠加在灰度数字图像I2上输出。

Claims (6)

1.一种变化区域提取方法，其特征在于包括以下步骤：
步骤1：输入宽为W，高为H的两幅灰度数字图像I1和I2；
步骤2：以灰度数字图像I2为基准影像，对灰度数字图像I1进行仿射变换，得到配准后的灰度数字图像I1r；
步骤3：分别将灰度数字图像I1r和I2转化为归一化矩阵FS1和FS2，FS1(i,j)＝I1r(i,j)/255，FS2(i,j)＝I2(i,j)/255；
步骤4：基于步骤3中灰度数字图像与归一化矩阵的关系，灰度数字图像I1r和I2的变化检测可转化为归一化矩阵FS1和FS2中元素取值的差异程度，即如果满足模糊条件：“FS1(i,j)较大且FS2(i,j)较小”或“FS1(i,j)较小且FS2(i,j)较大”，则判定像素点(i,j)为候选变化像素点，构造归一化候选变化函数chg(i,j)：
由chg(i,j)组成归一化候选变化集合Schg，1≤i≤W，1≤j≤H；
步骤5：用公式(2)计算变化阈值Tc：
Tc＝argmax(HSchg)+3δ (2)
步骤6：利用步骤5中的变化阈值Tc对归一化候选变化集合Schg中的像素点进行二分类，将其分为变化像素点和非变化像素点，得到变化二值图像BWim；
步骤7：用四邻域连通法对变化二值图像BWim进行区域标注处理，并删除区域面积小于面积阈值Ts的区域以消除噪声干扰，得到标注区域集合Slb；
步骤8：求标注区域集合Slb中所有区域的最小外接矩形，得到最小外接矩形集合Smr；
步骤9：计算标注区域集合Slb中的标注区域Slbk的面积Ok及其最小外接矩形Smrk的面积Rk，1≤k≤N，N为标注区域集合Slb中标注区域的数量；
步骤10：计算面积比Pk＝Ok/Rk，当Pk>Tch时，将标注区域集合Slb的第k个标注区域Slbk判别为变化区域，其最小外接矩形Smrk作为变化区域边界Bck，Tch为面积变化阈值；
步骤11：将步骤10的变化区域边界Bck用红色线条表示，并叠加在灰度数字图像I2上输出。
2.根据权利要求1所述的一种变化区域提取方法，其特征在于所述的FS1(i,j)和FS2(i,j)分别为归一化矩阵FS1和FS2中的元素。
3.根据权利要求1所述的一种变化区域提取方法，其特征在于所述的I1r(i,j)和I2(i,j)分别为灰度数字图像I1r和I2中像素点(i,j)的灰度值，1≤i≤W，1≤j≤H。
4.根据权利要求1所述的一种变化区域提取方法，其特征在于式(1)中所述的chg(i,j)表示灰度数字图像I1r和I2中的像素点(i,j)的变化程度，和分别为归一化矩阵FS1和FS2的补集。
5.根据权利要求1所述的一种变化区域提取方法，其特征在于式(2)中，HSchg为归一化候选变化集合Schg的直方图，δ为归一化候选变化集合Schg的标准差。
6.根据权利要求1所述的一种变化区域提取方法，其特征在于所述的二分类，具体方法为：当归一化候选变化集合Schg中的像素点(i,j)的取值大于变化阈值Tc时，则将像素点(i,j)判别为变化像素点，取值为1，否则，将像素点(i,j)判别为非变化像素点，取值为0。
CN201811222332.9A 2018-10-19 2018-10-19 一种变化区域提取方法 Active CN109448030B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811222332.9A CN109448030B (zh) 2018-10-19 2018-10-19 一种变化区域提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811222332.9A CN109448030B (zh) 2018-10-19 2018-10-19 一种变化区域提取方法

Publications (2)

Publication Number Publication Date
CN109448030A true CN109448030A (zh) 2019-03-08
CN109448030B CN109448030B (zh) 2021-07-20

Family

ID=65546932

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811222332.9A Active CN109448030B (zh) 2018-10-19 2018-10-19 一种变化区域提取方法

Country Status (1)

Country Link
CN (1) CN109448030B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110349173A (zh) * 2019-07-15 2019-10-18 长光卫星技术有限公司 基于高分辨率遥感影像的地物变化监测方法
CN112365462A (zh) * 2020-11-06 2021-02-12 华雁智科(杭州)信息技术有限公司 一种基于图像的变化检测方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101923711A (zh) * 2010-07-16 2010-12-22 西安电子科技大学 基于邻域相似性及掩模增强的sar图像变化检测方法
CN101968885A (zh) * 2010-09-25 2011-02-09 西北工业大学 一种基于边缘和灰度的遥感图像变化检测方法
CN103810704A (zh) * 2014-01-23 2014-05-21 西安电子科技大学 基于支持向量机和判别随机场的sar图像变化检测方法
CN103824309A (zh) * 2014-03-12 2014-05-28 武汉大学 一种城市建成区边界自动提取方法
CN103839257A (zh) * 2013-12-24 2014-06-04 西安电子科技大学 一种广义高斯k&i的sar图像变化检测方法
CN104766341A (zh) * 2015-05-04 2015-07-08 福建师范大学 一种基于dsm和核密度估计的遥感影像建筑物变化检测方法
CN105069811A (zh) * 2015-09-08 2015-11-18 中国人民解放军重庆通信学院 一种多时相遥感图像变化检测方法
CN105389817A (zh) * 2015-11-04 2016-03-09 河海大学 一种两时相遥感影像变化检测方法
CN106803070A (zh) * 2016-12-29 2017-06-06 北京理工雷科电子信息技术有限公司 一种基于遥感图像的港口区域舰船目标变化检测方法
CN108573276A (zh) * 2018-03-12 2018-09-25 浙江大学 一种基于高分辨率遥感影像的变化检测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101923711A (zh) * 2010-07-16 2010-12-22 西安电子科技大学 基于邻域相似性及掩模增强的sar图像变化检测方法
CN101968885A (zh) * 2010-09-25 2011-02-09 西北工业大学 一种基于边缘和灰度的遥感图像变化检测方法
CN103839257A (zh) * 2013-12-24 2014-06-04 西安电子科技大学 一种广义高斯k&i的sar图像变化检测方法
CN103810704A (zh) * 2014-01-23 2014-05-21 西安电子科技大学 基于支持向量机和判别随机场的sar图像变化检测方法
CN103824309A (zh) * 2014-03-12 2014-05-28 武汉大学 一种城市建成区边界自动提取方法
CN104766341A (zh) * 2015-05-04 2015-07-08 福建师范大学 一种基于dsm和核密度估计的遥感影像建筑物变化检测方法
CN105069811A (zh) * 2015-09-08 2015-11-18 中国人民解放军重庆通信学院 一种多时相遥感图像变化检测方法
CN105389817A (zh) * 2015-11-04 2016-03-09 河海大学 一种两时相遥感影像变化检测方法
CN106803070A (zh) * 2016-12-29 2017-06-06 北京理工雷科电子信息技术有限公司 一种基于遥感图像的港口区域舰船目标变化检测方法
CN108573276A (zh) * 2018-03-12 2018-09-25 浙江大学 一种基于高分辨率遥感影像的变化检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
施文灶 等: "基于图分割的高分辨率遥感影像建筑物变化检测研究", 《地球信息科学学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110349173A (zh) * 2019-07-15 2019-10-18 长光卫星技术有限公司 基于高分辨率遥感影像的地物变化监测方法
CN112365462A (zh) * 2020-11-06 2021-02-12 华雁智科(杭州)信息技术有限公司 一种基于图像的变化检测方法

Also Published As

Publication number Publication date
CN109448030B (zh) 2021-07-20

Similar Documents

Publication Publication Date Title
CN107610114B (zh) 基于支持向量机的光学卫星遥感影像云雪雾检测方法
CN104636754B (zh) 基于舌体分区颜色特征的智能图像分类方法
CN111476238B (zh) 一种基于区域尺度感知技术的害虫图像检测方法
CN102214291A (zh) 一种快速准确的基于视频序列的人脸检测跟踪方法
CN106934377B (zh) 一种改进的人脸检测系统
Laga et al. Image-based plant stornata phenotyping
Lu et al. Saliency modeling from image histograms
CN110659586B (zh) 一种基于身份保持循环式生成式对抗网络的步态识别方法
CN101577005A (zh) 一种目标跟踪方法及装置
Yuan et al. Learning to count buildings in diverse aerial scenes
CN109598200B (zh) 一种铁水罐罐号的图像智能识别系统及方法
CN110991398A (zh) 一种基于改进步态能量图的步态识别方法及系统
CN109448030A (zh) 一种变化区域提取方法
Zhang et al. A coarse-to-fine leaf detection approach based on leaf skeleton identification and joint segmentation
Hu et al. Fast face detection based on skin color segmentation using single chrominance Cr
Cretu et al. Building detection in aerial images based on watershed and visual attention feature descriptors
CN114758139B (zh) 基坑积水检测方法
CN106446958A (zh) 一种人体离开可靠检测方法
CN106021610A (zh) 一种基于显著区域的视频指纹提取方法
JP4929460B2 (ja) 動体の動作認識方法
CN110516686B (zh) 三色rgb图像的蚊虫识别方法
CN108776968B (zh) 基于深度森林的sar图像变化检测方法
Gurunathan et al. Plant Leaf Diseases Detection Using KNN Classifier
Chen et al. Recognition of sintering state in rotary kiln using a robust extreme learning machine
CN109117763A (zh) 一种基于rgb-d数据建立超平面的异常行为识别方法

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