CN109785318B - 基于面线基元关联约束的遥感图像变化检测方法 - Google Patents
基于面线基元关联约束的遥感图像变化检测方法 Download PDFInfo
- Publication number
- CN109785318B CN109785318B CN201910071894.6A CN201910071894A CN109785318B CN 109785318 B CN109785318 B CN 109785318B CN 201910071894 A CN201910071894 A CN 201910071894A CN 109785318 B CN109785318 B CN 109785318B
- Authority
- CN
- China
- Prior art keywords
- phase
- primitive
- remote sensing
- line
- time
- 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
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于面线基元关联约束的遥感图像变化检测方法,包括数据预处理;对多时相遥感图像进行多精度分割后获取的初始面基元进行叠合处理,获取待检测的多时相叠合面基元;对多时相叠合面基元的光谱、边缘、梯度等多种变化证据进行证据融合,从而获得初始变化检测结果;采用相位编组直线提取方法分别在两时相图像上提取直线,得到多时相线基元;对多时相叠合面基元与第1、第2时相线基元进行多时相面线基元关联关系建模;依据多时相面线基元关联关系,对初始变化信息进行再筛选,提取最终的遥感图像变化区域。本发明方法提高了检测对象的精细度,避免了漏检和误检,提升了变化检测的精度,适合于高空间分辨率遥感图像的变化检测。
Description
技术领域
本发明涉及遥感图像变化内容的检测方法,具体说是一种基于面线基元关联约束的遥感图像变化检测方法,属于遥感图像处理与信息提取领域。
背景技术
遥感图像变化检测是以一个时相的遥感图像为参考,采用数字图像处理、模式识别和机器学习等手段,检测出另外一个时相遥感图像相对参考图像的差异,以识别该地区的地物变化信息的一项技术,它在环境、农业、水利和军事等诸多领域都有着非常广泛的应用。
近年来,遥感数据获取技术得到了迅速的发展,遥感图像的空间分辨率不断提高,然而高空间分辨率遥感图像在具有更为精细的地表刻画能力的同时也带来了更为严重的地物遮挡、阴影、噪声干扰和光谱混淆现象,大大增加了高空间分辨率遥感图像变化检测的难度。
面向对象图像分析(Object-based image analysis,OBIA),即一般采用先分割后识别的遥感图像分析技术框架,已成为进行中高分辨率遥感图像信息提取的“范式技术”,相较传统的面向像素图像分析(Pixel-based image analysis,PBIA)技术,OBIA由于特征极大丰富,为此理论上相较PBIA具有更强的技术性能。所谓对象是指影像上通过图像分割等手段获得的紧密相关的一组像素,它们构成了后续特征提取和分析的基本单元,为此也往往被称为“特征基元”、“对象基元”等。OBIA能够较好利用基元所提供的光谱、纹理、形状,以及空间关系等丰富的特征,同时还能够比较方便地关联外部信息源,相比基于像素的图像分析方法(Pixel-based Image Analysis,PBIA)具有极大优势,为此在诸如图像分类、专题信息提取、目标识别等领域得到广泛研究和应用,基于OBIA框架的遥感变化检测,即面向对象的遥感变化检测,也是其中热门研究方向。
为了提高OBIA的技术性能,汪闽等人提出了一系列面线基元关联关系的建模方法,并统称为面线基元关联架构(框架)(Region-line primitive associationframework,RLPAF)。RLPAF除了面基元之外,还利用了线基元(即图像中提取的直线)作为后续特征提取和分析的基础基元。RLPAF结合了面、线基元各自的优势,实现了信息互补,这扩充了OBIA的特征库,使得OBIA在实现上更为灵活,性能得以增强。将RLPAF应用到变化检测领域,需要设计进行面线基元关联约束的基元多特征融合的变化分析方法。
王立民等人提出了一种基于D-S证据理论的遥感图像融合变化检测方法。他们依据融合策略和规则在决策层对来自多种算法的检测结果进行综合判定,利用D-S证据理论组合多种变化检测算法的差值图,形成更加准确的融合差值图,在此基础上进行二值判决得到最终的变化检测结果。王等人的变化检测方法是基于像素级而进行的。
发明内容
发明目的:为克服现有技术存在的缺陷,提出一种基于面线基元关联约束的遥感图像变化检测方法。
技术方案:为实现上述发明目的,本发明采用以下技术方案:
基于面线基元关联约束的遥感图像变化检测方法,包括以下步骤:
(1)数据准备与预处理:选取两个不同时间获取的具有相同空间范围的遥感图像,并对其进行几何校正、辐射校正和配准预处理;
(2)多时相叠合面基元的获取:对多时相遥感图像进行多精度分割后获取的初始面基元进行叠合处理,获取待检测的多时相叠合面基元;
(3)基于多特征证据融合的变化信息初提取:对待检测的多时相叠合面基元的光谱、边缘和梯度多种变化证据进行证据融合,从而获得初始变化检测结果;
(4)多时相线基元的获取:采用相位编组直线提取方法分别在两时相图像上提取直线,得到多时相线基元;
(5)多时相面线基元关联关系建模:对多时相叠合面基元与第1时相线基元、第2时相线基元进行多时相面线基元关联关系建模;
(6)面线基元关联约束以提取最终变化检测结果:依据多时相面线基元关联关系,对初始变化信息进行再筛选,提取最终的遥感图像变化区域。
进一步的,步骤(2)中获取多时相叠合面基元的具体方法为:
(21)利用基于硬边界约束与两阶段合并的遥感图像分割方法分别对第1时相遥感图像和第2时相遥感图像进行图像分割,获取第1时相和第2时相的初始面基元;
(22)若第1时相遥感图像f1(x,y)上(x,y)处的点属于第1时相的初始面基元P1,第2时相遥感图像f2(x,y)上(x,y)处的点属于第2时相的初始面基元P2,则称在该点存在从初始面基元P1到初始面基元P2的面基元变化映射Map(P1,P2);遍历图像上的所有点,统计存在变化映射Map(P1,P2)的点的个数Nm,并将Nm记为变化映射Map(P1,P2)的数量;
(23)新建与第1时相遥感图像f1(x,y)和第2时相遥感图像f2(x,y)等大的图像f'(x,y),以从步骤(22)中获取的图像f1(x,y)上(x,y)处的点存在的面基元变化映射Map(P1,P2)的数量Nm为图像f'(x,y)上(x,y)处的点的灰度值;以此方式遍历图像上的所有点,对图像f'(x,y)进行赋值,称图像f'(x,y)为两时相遥感图像的分割叠合图像;
(24)对分割叠合图像f'(x,y)使用基于硬边界约束与两阶段合并的遥感图像分割方法进行分割,以获取待检测的多时相叠合面基元。
进一步的,步骤(3)具体包括以下步骤:
(31)提取多时相叠合面基元在第1时相遥感图像和第2时相遥感图像上的光谱、梯度和边缘特征;
(32)获取多时相叠合面基元的两时相光谱、梯度和边缘特征向量;其中,对光谱、梯度特征进行特征量化,构成频数直方图,以直方图的每个量化等级的频数形成特征向量;对于边缘特征,对其边缘分布模式进行分析,统计各种边缘模式的出现频率,构成频数直方图,形成特征向量;
(33)计算多时相叠合面基元的两时相光谱、梯度和边缘特征向量的结构相似度;结构相似度的计算公式如下:
(34)以光谱结构相似度、梯度结构相似度和边缘结构相似度为基础,构建D-S证据理论的基本概率赋值函数BPAF;
以多时相叠合面基元为检测对象,定义辨别框架U为:
U={Y,N};
其中,Y表示变化类,N表示未变化类;
特征的基本概率赋值函数BPAF为:
mi({Y})=(1.0-Si)*αi;
mi({N})=Si*αi;
mi({Y,N})=1.0-αi;
其中,Si为该特征的结构相似度,αi为该特征证据对判别的信任度;
(35)对多时相叠合面基元的光谱BPAF、边缘BPAF和梯度BPAF进行证据融合,得到融合后的BPAF为BPAF4,设置阈值T1和T2,若支持变化类的BPAF4的值大于T1或支持未变化类的BPAF4的值小于T2,则判定该面基元发生变化,否则未发生变化,从而得到初始变化信息;其中,证据融合的公式为:
进一步的,步骤(4)包括以下步骤:
(41)首先计算图像梯度,获取梯度方向图;选用2×2的小模板进行梯度计算,模板如下:
其中,Gx和Gy是梯度在水平方向和垂直方向的模板,其大小和方向分别是:
其中,mag为梯度的大小,θ为方位角;
(42)将整个梯度方向进行N等分,得到N个小区间,对不同区间内的像元进行编码,在同一区域的像元便可组成同一个支撑区;
(43)使用加权最小二乘拟合方法求出支持区的梯度强度平面,随后与支持区表示灰度平均强度的平面相交,得到的交线即为线基元。
进一步的,步骤(5)中建模方法具体为:
(52)将第1时相线基元集合和第2时相线基元集合中线基元的方向的范围π(-90°-90°]划分为n个子区间,对各子区间进行唯一标号;依据线基元的方向,将线基元集合和线基元集合中的所有线基元归于各子区间内,登记各子区间内第1时相线基元和第2时相线基元的数量;
(53)获取归于第1时相线基元集合中线基元最多的子区间ni和归于第2时相线基元集合中线基元最多的子区间nj,将子区间ni和nj分别称为线基元集合和线基元集合的主方向区间,以子区间ni和nj的中线方向分别为线基元集合和线基元集合的主方向,并将其分别称为多时相叠合面基元P在第1时相上关联的线基元集合的主方向和第2时相上关联的线基元集合的主方向。
进一步的,步骤(6)具体包括以下步骤:
(62)比较与多时相叠合面基元P关联的第1时相线基元集合和第2时相线基元集合的主方向是否发生变化,若发生变化,则调整基于多特征证据融合与结构相似度的遥感图像变化检测中的BPAF4判定阈值T1和T2,具体为减小阈值T1至阈值T3,增大阈值T2至阈值T4;
(63)利用阈值T3和T4重新判定多时相叠合面基元P是否发生变化。若其支持变化类的BPAF4的值大于T3或支持未变化类的BPAF4的值小于T4,则标记为变化,否则为未变化。
有益效果:与现有技术相比,本发明方法以对多时相遥感图像多精度分割得到的初始面基元进行叠合获取的多时相叠合面基元为检测对象,提高了检测对象的精细度,避免了仅使用单一时相遥感图像分割获取的面基元为检测对象所导致的漏检和误检。同时由于地物信息的变化会同步引起多时相线基元的变化,为此对多时相叠合面基元与第1时相线基元和第2时相线基元进行多时相面线基元关联关系建模,进而利用多时相面线基元关联关系对初始变化信息进行约束,调整疑似变化面基元的判别条件,以提取出初始变化检测中的漏检面基元,提升了变化检测的精度。
附图说明
图1是本发明方法流程图;
图2是实施例遥感图像原图:(a)为实施区03年ALOS图像,(b)为实施区05年ALOS图像;
图3是实施例面基元提取结果图:(a)为实施区03年图像的初始面基元提取结果图,(b)实施区05年图像的初始面基元提取结果图,(c)多时相叠合面基元提取结果图;
图4是实施例多特征证据融合初始变化检测结果;
图5是实施例线基元提取结果图:(a)为实施区03年图像的线基元提取结果图,(b)为实施区05年图像的线基元提取结果图;
图6是实施例面线基元关联约束变化检测结果。
具体实施方式
下面结合附图和具体实施例对本发明的技术方案进行详细说明。
本发明提出的一种基于面线基元关联约束的遥感图像变化检测方法对多时相遥感图像进行多精度分割后获取的初始面基元进行叠合处理以获取多时相叠合面基元,对多时相叠合面基元的光谱、边缘、梯度等多种变化证据进行证据融合并设定变化判断阈值,从而获得初始变化检测结果;随后对多时相叠合面基元与第1时相线基元、第2时相线基元建立多时相面线基元关联关系,然后利用多时相面线基元关联关系对初始变化检测结果进行再判别,调整变化判断阈值,从而提取出初始变化检测中的被判断为未变化的漏检变化面基元,并将其加入最后变化类别,从而实现多时相遥感图像变化信息的准确提取。
本发明方法以对多时相初始面基元进行叠合处理,获取的多时相叠合面基元为变化检测对象;同时对多时相叠合面基元与第1时相线基元、第2时相线基元建立多时相面线基元关联关系,从而利用多时相面线基元关联关系对检测结果进行再筛选,提高了变化检测精度。方法适合于高空间分辨率遥感图像的变化检测。
如图1所示,一种基于面线基元关联约束的遥感图像变化检测方法,具体包括以下步骤:
(1)数据准备与预处理:选取两个不同时间获取的具有相同空间范围的遥感图像,并对其进行几何校正、辐射校正和配准预处理;其中,辐射校正方法为直方图匹配法。
(2)多时相叠合面基元的获取:对多时相遥感图像进行多精度分割后获取的初始面基元进行叠合处理,获取待检测的多时相叠合面基元;
首先采用基于硬边界约束与两阶段合并的遥感图像分割方法分别对两个时相的遥感图像进行多精度分割,以获取两个时相的初始面基元;随后进行两时相分割图层的叠合处理,构建两时相遥感图像的分割叠合图像,得到最终待检测的多时相叠合面基元。
其中,基于硬边界约束与两阶段合并的遥感图像分割方法的具体步骤为:
首先,通过边缘约束的分水岭分割和边缘分配获得初始亚基元;
其次,通过边缘约束的层次化基元合并,合并亚基元,使亚基元在边界控制下极限增长,得到初始基元集合;
再次以获取到的初始基元集合为基础,舍弃边缘约束,用一个尺度参数进行第二次层次化合并,直到所有基元的合并代价均超过此较小尺度参数,分割结束,输出分割结果,进而获得初始面基元。
以基于硬边界约束与两阶段合并的遥感图像分割方法为基础获取多时相叠合面基元的具体步骤为:
(21)利用基于硬边界约束与两阶段合并的遥感图像分割方法分别对第1时相遥感图像和第2时相遥感图像进行图像分割,获取第1时相和第2时相的初始面基元;
(22)若第1时相遥感图像f1(x,y)上(x,y)处的点属于第1时相的初始面基元P1,第2时相遥感图像f2(x,y)上(x,y)处的点属于第2时相的初始面基元P2,则称在该点存在从初始面基元P1到初始面基元P2的面基元变化映射Map(P1,P2)。遍历图像上的所有点,统计存在变化映射Map(P1,P2)的点的个数Nm,并将Nm记为变化映射Map(P1,P2)的数量。
(23)新建与第1时相遥感图像f1(x,y)和第2时相遥感图像f2(x,y)等大的图像f'(x,y),以从步骤(22)中获取的图像f1(x,y)上(x,y)处的点存在的面基元变化映射Map(P1,P2)的数量Nm为图像f'(x,y)上(x,y)处的点的灰度值。以此方式遍历图像上的所有点,对图像f'(x,y)进行赋值,称图像f'(x,y)为两时相遥感图像的分割叠合图像;
(24)对分割叠合图像f'(x,y)使用基于硬边界约束与两阶段合并的遥感图像分割方法进行分割,以获取待检测的多时相叠合面基元。
(3)基于多特征证据融合的变化信息初提取:对待检测的多时相叠合面基元的光谱、边缘、梯度等多种变化证据进行证据融合,从而获得初始变化检测结果;
分别提取多时相叠合面基元的光谱、梯度和边缘特征,并利用直方图统计的方式获取其光谱、梯度和边缘特征向量,随后计算其各特征向量的结构相似度,然后以各特征的结构相似度为基础,构建D-S证据理论的基本概率赋值函数(BPAF),进而得到证据融合后的BPAF(BPAF4),设置阈值T1和T2,若支持变化类的BPAF4的值大于T1或支持未变化类的BPAF4的值小于T2,则判定该面基元发生变化,否则未发生变化,从而得到初始变化信息。
基于多特征证据融合与结构相似度的遥感图像变化检测方法的基本步骤为:
(31)提取多时相叠合面基元在第1时相遥感图像和第2时相遥感图像上的光谱、梯度和边缘特征。其中,梯度特征采用Sobel算子获取,边缘特征采用Canny边缘检测方法获取。
(32)获取多时相叠合面基元的两时相光谱、梯度和边缘特征向量。其中,对光谱、梯度特征进行特征量化,构成频数直方图,以直方图的每个量化等级的频数形成特征向量;对于边缘特征,对其边缘分布模式进行分析,统计各种边缘模式的出现频率,构成频数直方图,形成特征向量。特别,对于多波段遥感图像,首先构建多时相叠合面基元在每个波段上的特征直方图,而后将多个波段的特征直方图进行拼接,进而获取其特征向量。
(33)计算多时相叠合面基元的两时相光谱、梯度和边缘特征向量的结构相似度。结构相似度的计算公式如下:
(34)以光谱结构相似度、梯度结构相似度和边缘结构相似度为基础,构建D-S证据理论的基本概率赋值函数(BPAF)。
以多时相叠合面基元为检测对象,定义辨别框架U为:
U={Y,N};
其中,Y表示变化类,N表示未变化类。
特征的基本概率赋值函数(BPAF)为:
mi({Y})=(1.0-Si)*αi (2);
mi({N})=Si*αi (3);
mi({Y,N})=1.0-αi (4);
其中,Si为该特征的结构相似度,αi为该特征证据对判别的信任度,该值依经验给出。
(35)对多时相叠合面基元的光谱BPAF、边缘BPAF和梯度BPAF进行证据融合,得到融合后的BPAF为BPAF4,设置阈值T1和T2,若支持变化类的BPAF4的值大于T1或支持未变化类的BPAF4的值小于T2,则判定该面基元发生变化,否则未发生变化,从而得到初始变化信息。其中,证据融合的公式为:
(4)多时相线基元的获取:采用相位编组直线提取方法分别在两时相图像上提取直线,得到多时相线基元;
采用相位编组直线提取方法分别在两时相图像上提取直线,得到多时相线基元;首先计算图像梯度,获取梯度方向图;在获得图像的梯度图后,依据这些方向信息将像素编组为直线边缘支持区域;通过上述处理,图像梯度方向图已经被分割为多个直线支持区,采用加权最小二乘法拟合出支持区的梯度强度平面,然后和支持区代表平均强度的平面相交,交线即为所要提取的直线。具体为:
(41)首先计算图像梯度,获取梯度方向图;选用2×2的小模板进行梯度计算,模板如下:
其中,Gx和Gy是梯度在水平方向和垂直方向的模板,其大小和方向分别是:
其中,mag为梯度的大小,θ为方位角;
(42)将整个梯度方向(0-360度)进行N等分(N选取8等分,每个45度),得到N个小区间,对不同区间内的像元进行编码,在同一区域的像元便可组成同一个支撑区;
(43)使用加权最小二乘拟合方法求出支持区的梯度强度平面,随后与支持区表示灰度平均强度的平面相交,得到的交线即为线基元。
(5)多时相面线基元关联关系建模:对多时相叠合面基元与第1时相线基元、第2时相线基元进行多时相面线基元关联关系建模;
依据多时相叠合面基元与第1时相线基元和第2时相线基元之间的相交空间关系,分别对多时相叠合面基元与第1时相线基元、第2时相线基元建立关联关系;首先分别获取与多时相叠合面基元关联的第1时相线基元集合和第2时相线基元集合,然后计算两时相线基元集合内各线基元的方向,进而获取两时相线基元集合的主方向区间和主方向。具体为:
(51)获取与多时相叠合面基元P存在相交关系的第1时相线基元集合和第2时相线基元集合在面线基元关联架构(框架)(Region-line primitive associationframework,RLPAF)中,称以上线基元集合和面基元P存在关联关系;
(52)将第1时相线基元集合和第2时相线基元集合中线基元的方向的范围π(-90°-90°]划分为n个子区间,对各子区间进行唯一标号;依据线基元的方向,将线基元集合和线基元集合中的所有线基元归于各子区间内,登记各子区间内第1时相线基元和第2时相线基元的数量;
(53)获取归于第1时相线基元集合中线基元最多的子区间ni和归于第2时相线基元集合中线基元最多的子区间nj,将子区间ni和nj分别称为线基元集合和线基元集合的主方向区间,以子区间ni和nj的中线方向分别为线基元集合和线基元集合的主方向,并将其分别称为多时相叠合面基元P在第1时相上关联的线基元集合的主方向和第2时相上关联的线基元集合的主方向。
(6)面线基元关联约束以提取最终变化检测结果:依据多时相面线基元关联关系,对初始变化信息进行再筛选,提取最终的遥感图像变化区域。
多时相遥感图像上地物信息的变化,除了会导致面基元光谱、梯度、边缘等特征的变化之外,同样会引起和其相关联的线基元的变化,如地物的消失会引起线基元的消失,地物的新建引起会线基元的出现等。为此,依据RLPAF,对多时相叠合面基元利用与之关联的第1时相线基元和第2时相线基元的关系,对初始变化信息进行再判断,以进一步提取出初始变化信息中可能存在的漏检面基元。
对于初始变化检测结果中的未变化的多时相叠合面基元,获取与其关联的第1时相线基元集合和第2时相线基元集合,然后检测与其关联的第1时相线基元集合的主方向和第2时相线基元集合的主方向是否发生变化,若发生变化,则调整(3)中的变化判定阈值,减小阈值T1至阈值T3和增大阈值T2至阈值T4,利用阈值T3和T4重新进行变化判定,得到新增的变化面基元和未变化面基元,进而得到最终的变化检测结果,实现多时相遥感图像变化信息的精确提取。具体为:
(62)比较与多时相叠合面基元P关联的第1时相线基元集合和第2时相线基元集合的主方向是否发生变化,若发生变化,则调整基于多特征证据融合与结构相似度的遥感图像变化检测中的BPAF4判定阈值T1和T2,具体为减小阈值T1至阈值T3,增大阈值T2至阈值T4,其中,T3的范围为T1的0.5倍至0.8倍,T4的范围为T2的1.2倍至1.5倍,具体值依经验给出;
(63)利用阈值T3和T4重新判定多时相叠合面基元P是否发生变化。若其支持变化类的BPAF4的值大于T3或支持未变化类的BPAF4的值小于T4,则标记为变化,否则为未变化。
实施例:
(1)数据准备与预处理
实验图像为南京江宁的某区域的ALOS全色图像,空间分辨率2.5米。成像时间分别为2003年11月和2005年12月。图像的坐标空间范围是31°52′45.40″N~31°54′4.47″N,118°46′2.58″E~118°47′35.97″E。图像大小是999×963像素,如图2(a)、2(b)所示。对图2(a)、2(b)进行几何校正、辐射校正和配准等预处理。
(2)多时相叠合面基元的获取
利用基于硬边界约束与两阶段合并的图像分割方法分别对两个时相的遥感图像进行图像分割,获取初始的面基元。依据两个时相遥感图像的空间关系,建立两个时相初始面基元的面基元变化映射关系,进而构建两时相遥感图像的分割叠合图像,对分割叠合图像使用基于硬边界约束与两阶段合并的图像分割方法进行分割得到最终待检测的多时相叠合面基元。分割尺度参数设置为50,光谱异质性参数设置为0.9,形状异质性参数设置为0.1,紧凑度参数设置为0.5,光滑度参数设置为0.5。图5为实施例面基元提取结果图,其中图3(a)实施区03年图像的初始面基元提取结果图,图3(b)实施区05年图像的初始面基元提取结果图,图3(c)多时相叠合面基元提取结果图。
(3)多特征证据融合的变化信息初提取
对多时相叠合面基元进行基于多特征证据融合与结构相似度的变化初检,获取遥感图像的初始变化信息。利用式(1)计算结构相似度时,C1和C2分别为0.3和0.9。利用式(2)、(3)和(4)分别计算光谱BPAF(BPAF1)、梯度BPAF(BPAF2)和边缘BPAF(BPAF3)时,对应的αi分别为0.15、0.95和0.65。变化判定阈值T1为0.3,T2为0.7。图4是实施例的初始变化检测结果。
(4)多时相线基元的获取
采用相位编组直线提取方法分别在两时相图像上提取直线,得到多时相线基元。相位编组法提取直线的参数设置为:梯度幅度差限为1,最短直线长度为10。提取结果如图5所示,其中图5(a)为实施区03年图像的线基元提取结果图,图5(b)为实施区05年图像的线基元提取结果图。
(5)多时相面线基元关联关系建模
依据多时相叠合面基元与多时相线基元之间的相交关系,获取与多时相叠合面基元关联的第1时相线基元集合和第2时相线基元集合,随后分别计算两时相线基元的方向,并将线基元的方向范围划分为8个子区间,进而获取与多时相叠合面基元关联的第1时相线基元集合的主方向和第2时相线基元集合的主方向。
(6)面线基元关联约束以提取最终变化检测结果
对于初始变化检测中的未变化的多时相叠合面基元,获取与其关联的第1时相线基元集合和第2时相线基元集合,然后检测与其关联的两时相线基元集合的主方向是否发生变化,若发生变化,则减小(3)中的判定阈值T1至T3(T3=0.8×T1)和增大(3)中的判定阈值T2至T4(T4=1.2×T2),随后对该多时相叠合面基元重新进行变化判定,得到新增的变化面基元和未变化面基元,进而得到最终的变化检测结果。图6为实施例进行面线基元关联约束后的变化检测结果。
Claims (6)
1.基于面线基元关联约束的遥感图像变化检测方法,其特征在于,包括以下步骤:
(1)数据准备与预处理:选取两个不同时间获取的具有相同空间范围的遥感图像,并对其进行几何校正、辐射校正和配准预处理;
(2)多时相叠合面基元的获取:对多时相遥感图像进行多精度分割后获取的初始面基元进行叠合处理,获取待检测的多时相叠合面基元;
(3)基于多特征证据融合的变化信息初提取:对待检测的多时相叠合面基元的光谱、边缘和梯度多种变化证据进行证据融合,从而获得初始变化检测结果;
(4)多时相线基元的获取:采用相位编组直线提取方法分别在两时相图像上提取直线,得到多时相线基元;
(5)多时相面线基元关联关系建模:对多时相叠合面基元与第1时相线基元、第2时相线基元进行多时相面线基元关联关系建模;
(6)面线基元关联约束以提取最终变化检测结果:依据多时相面线基元关联关系,对初始变化信息进行再筛选,提取最终的遥感图像变化区域。
2.根据权利要求1所述的基于面线基元关联约束的遥感图像变化检测方法,其特征在于:步骤(2)中获取多时相叠合面基元的具体方法为:
(21)利用基于硬边界约束与两阶段合并的遥感图像分割方法分别对第1时相遥感图像和第2时相遥感图像进行图像分割,获取第1时相和第2时相的初始面基元;
(22)若第1时相遥感图像f1(x,y)上(x,y)处的点属于第1时相的初始面基元P1,第2时相遥感图像f2(x,y)上(x,y)处的点属于第2时相的初始面基元P2,则称在该点存在从初始面基元P1到初始面基元P2的面基元变化映射Map(P1,P2);遍历图像上的所有点,统计存在变化映射Map(P1,P2)的点的个数Nm,并将Nm记为变化映射Map(P1,P2)的数量;
(23)新建与第1时相遥感图像f1(x,y)和第2时相遥感图像f2(x,y)等大的图像f'(x,y),以从步骤(22)中获取的图像f1(x,y)上(x,y)处的点存在的面基元变化映射Map(P1,P2)的数量Nm为图像f'(x,y)上(x,y)处的点的灰度值;以此方式遍历图像上的所有点,对图像f'(x,y)进行赋值,称图像f'(x,y)为两时相遥感图像的分割叠合图像;
(24)对分割叠合图像f'(x,y)使用基于硬边界约束与两阶段合并的遥感图像分割方法进行分割,以获取待检测的多时相叠合面基元。
3.根据权利要求1所述的基于面线基元关联约束的遥感图像变化检测方法,其特征在于,步骤(3)具体包括以下步骤:
(31)提取多时相叠合面基元在第1时相遥感图像和第2时相遥感图像上的光谱、梯度和边缘特征;
(32)获取多时相叠合面基元的两时相光谱、梯度和边缘特征向量;其中,对光谱、梯度特征进行特征量化,构成频数直方图,以直方图的每个量化等级的频数形成特征向量;对于边缘特征,对其边缘分布模式进行分析,统计各种边缘模式的出现频率,构成频数直方图,形成特征向量;
(33)计算多时相叠合面基元的两时相光谱、梯度和边缘特征向量的结构相似度;结构相似度的计算公式如下:
(34)以光谱结构相似度、梯度结构相似度和边缘结构相似度为基础,构建D-S证据理论的基本概率赋值函数BPAF;
以多时相叠合面基元为检测对象,定义辨别框架U为:
U={Y,N};
其中,Y表示变化类,N表示未变化类;
特征的基本概率赋值函数BPAF为:
mi({Y})=(1.0-Si)*αi;
mi({N})=Si*αi;
mi({Y,N})=1.0-αi;
其中,Si为该特征的结构相似度,αi为该特征证据对判别的信任度;
(35)对多时相叠合面基元的光谱BPAF、边缘BPAF和梯度BPAF进行证据融合,得到融合后的BPAF为BPAF4,设置阈值T1和T2,若支持变化类的BPAF4的值大于T1或支持未变化类的BPAF4的值小于T2,则判定该面基元发生变化,否则未发生变化,从而得到初始变化信息;其中,证据融合的公式为:
5.根据权利要求1所述的基于面线基元关联约束的遥感图像变化检测方法,其特征在于:步骤(5)中建模方法具体为:
(52)将第1时相线基元集合和第2时相线基元集合中线基元的方向的范围π(-90°-90°]划分为n个子区间,对各子区间进行唯一标号;依据线基元的方向,将线基元集合和线基元集合中的所有线基元归于各子区间内,登记各子区间内第1时相线基元和第2时相线基元的数量;
6.根据权利要求1所述的基于面线基元关联约束的遥感图像变化检测方法,其特征在于,步骤(6)具体包括以下步骤:
(62)比较与多时相叠合面基元P关联的第1时相线基元集合和第2时相线基元集合的主方向是否发生变化,若发生变化,则调整基于多特征证据融合与结构相似度的遥感图像变化检测中的BPAF4判定阈值T1和T2,具体为减小阈值T1至阈值T3,增大阈值T2至阈值T4;
(63)利用阈值T3和T4重新判定多时相叠合面基元P是否发生变化;若其支持变化类的BPAF4的值大于T3或支持未变化类的BPAF4的值小于T4,则标记为变化,否则为未变化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910071894.6A CN109785318B (zh) | 2019-01-25 | 2019-01-25 | 基于面线基元关联约束的遥感图像变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910071894.6A CN109785318B (zh) | 2019-01-25 | 2019-01-25 | 基于面线基元关联约束的遥感图像变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109785318A CN109785318A (zh) | 2019-05-21 |
CN109785318B true CN109785318B (zh) | 2020-09-22 |
Family
ID=66501261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910071894.6A Active CN109785318B (zh) | 2019-01-25 | 2019-01-25 | 基于面线基元关联约束的遥感图像变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109785318B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114429588B (zh) * | 2022-04-06 | 2022-06-03 | 四川省冶勘设计集团有限公司 | 应用于矿山环境恢复治理的数据处理方法及系统 |
CN115761279B (zh) * | 2022-11-29 | 2023-06-23 | 中国国土勘测规划院 | 空间布局相似性检测方法、设备、存储介质及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101539629A (zh) * | 2009-04-17 | 2009-09-23 | 南京师范大学 | 基于多特征证据融合与结构相似度的遥感图像变化检测方法 |
CN104752821A (zh) * | 2015-03-06 | 2015-07-01 | 周丰峻 | 一种金属网壳结构球形天线罩快速构建方法 |
US9646201B1 (en) * | 2014-06-05 | 2017-05-09 | Leap Motion, Inc. | Three dimensional (3D) modeling of a complex control object |
CN108022245A (zh) * | 2017-12-06 | 2018-05-11 | 南京师范大学 | 基于面线基元关联模型的光伏面板模板自动生成方法 |
CN108876760A (zh) * | 2017-12-31 | 2018-11-23 | 苏州中科天启遥感科技有限公司 | 一种基于历史解译知识的遥感影像变化检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106447706A (zh) * | 2016-09-08 | 2017-02-22 | 王涛 | 一种联合激光雷达和多视密集匹配点云提取树高的方法 |
CN107180448B (zh) * | 2017-04-24 | 2019-08-02 | 中国矿业大学 | 一种基于地表不变特征的矿区dem变化检测方法 |
-
2019
- 2019-01-25 CN CN201910071894.6A patent/CN109785318B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101539629A (zh) * | 2009-04-17 | 2009-09-23 | 南京师范大学 | 基于多特征证据融合与结构相似度的遥感图像变化检测方法 |
US9646201B1 (en) * | 2014-06-05 | 2017-05-09 | Leap Motion, Inc. | Three dimensional (3D) modeling of a complex control object |
CN104752821A (zh) * | 2015-03-06 | 2015-07-01 | 周丰峻 | 一种金属网壳结构球形天线罩快速构建方法 |
CN108022245A (zh) * | 2017-12-06 | 2018-05-11 | 南京师范大学 | 基于面线基元关联模型的光伏面板模板自动生成方法 |
CN108876760A (zh) * | 2017-12-31 | 2018-11-23 | 苏州中科天启遥感科技有限公司 | 一种基于历史解译知识的遥感影像变化检测方法 |
Non-Patent Citations (5)
Title |
---|
"A Region-Line Primitive Association Framework for Object-Based Remote Sensing Image Analysis";Min Wang 等;《Photogrammetric Engineering & Remote Sensing》;20160228;第82卷(第2期);第149-159页 * |
"Technical design and system implementation of region-line primitive association framework";Min Wang 等;《ISPRS Journal of Photogrammetry and Remote Sensing》;20170430;第130卷;第202-216页 * |
"基于线面基元融合的港航目标提取方法研究";张冲;《中国优秀硕士学位论文全文数据库信息科技辑》;20160215(第02期);全文 * |
"基于面向对象图像分析的围填海工程遥感信息提取技术研究";鞠明明;《中国优秀硕士学位论文全文数据库基础科学辑》;20140215(第02期);全文 * |
"基于面线基元关联分析和模板匹配的光伏面板提取方法研究";崔齐;《中国优秀硕士学位论文全文数据库基础科学辑》;20190115(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109785318A (zh) | 2019-05-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108805904B (zh) | 一种基于卫星序列图像的运动舰船检测与跟踪方法 | |
Xiao et al. | Change detection of built-up land: A framework of combining pixel-based detection and object-based recognition | |
CN108596055B (zh) | 一种复杂背景下高分辨遥感图像的机场目标检测方法 | |
CN107085708B (zh) | 基于多尺度分割和融合的高分辨率遥感图像变化检测方法 | |
Shao et al. | Application of a fast linear feature detector to road extraction from remotely sensed imagery | |
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 | |
CN104835175B (zh) | 一种基于视觉注意机制的核环境中目标检测方法 | |
CN109871823B (zh) | 一种结合旋转框和上下文信息的卫星图像舰船检测方法 | |
Modava et al. | Hierarchical coastline detection in SAR images based on spectral‐textural features and global–local information | |
CN109614936B (zh) | 遥感图像飞机目标的分层识别方法 | |
Hormese et al. | Automated road extraction from high resolution satellite images | |
CN111027497B (zh) | 基于高分辨率光学遥感影像的弱小目标快速检测方法 | |
CN102496157A (zh) | 基于高斯多尺度变换及颜色复杂度的图像检测方法 | |
Wang et al. | Airport detection in remote sensing images based on visual attention | |
CN111079596A (zh) | 高分辨率遥感影像的海上典型人造目标识别系统及方法 | |
CN109978848A (zh) | 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法 | |
CN113920436A (zh) | 一种基于改进YOLOv4算法的遥感图像海上船舶识别系统及其方法 | |
CN108537816A (zh) | 一种基于超像素和背景连接先验的显著物体分割方法 | |
CN107992856A (zh) | 城市场景下的高分遥感建筑物阴影检测方法 | |
CN108492288B (zh) | 基于随机森林的多尺度分层采样的高分卫星影像变化检测方法 | |
CN109785318B (zh) | 基于面线基元关联约束的遥感图像变化检测方法 | |
CN111091071B (zh) | 基于探地雷达双曲波拟合的地下目标检测方法及系统 | |
Singh et al. | A hybrid approach for information extraction from high resolution satellite imagery | |
Kushwaha et al. | Automatic Bright Circular Type Oil Tank Detection Using Remote Sensing Images. | |
CN106971402B (zh) | 一种基于光学辅助的sar图像变化检测方法 |
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 |