CN109902555A - 一种基于对象的多尺度层次表达学习的变化检测方法 - Google Patents

Abstract

本发明涉及一种基于对象的多尺度层次表达学习的变化检测方法，包括：根据第一待检测遥感图像获取融合图像和多尺度图像；根据所述融合图像获取超像素映射图；根据所述多尺度图像、所述超像素映射图和多尺度层次学习模型，获取多尺度层次特征；根据所述多尺度层次特征获取检测结果图。本发明所提出的基于对象的多尺度层次表达学习的变化检测方法，使用多个深度模型对多尺度图像进行特征学习提取多组层次特征，利用多组深度特征有效完成从粗到精的层次的变化区域识别，提高变化检测精度，提高鲁棒性。

Description

一种基于对象的多尺度层次表达学习的变化检测方法

技术领域

本发明属于图像处理技术领域，具体涉及一种基于对象的多尺度层次表达学习的变化检测方法。

背景技术

遥感图像是利用计算机通过对遥感图像中的各类地物的光谱信息和空间信息进行分析，选择特征，并用一定的手段将特征空间划分互补重叠的子空间，然后将图像中的各个像元归化到子空间去。高时间分辨率、高空间分辨率的遥感图像在土地利用变化检测、动态监测、快速地表变化检测等应用中发挥着重要的作用。

现有的针对遥感图像变化的检测方法分为基于像素的变化检测方法和基于对象的变化检测方法，基于像素的变化检测方法将像素作为基本分析单元，不考虑任何空间和上下文信息，使得应用于高分辨率的多光谱遥感影像受到限制，会产生大量的小的虚假变化；基于对象的变化检测方法将具有相似光谱属性和空间相邻关系的不同对象作为基本分析单元，尽可能地避免了多光谱遥感图像中冗余信息的干扰，抑制了虚假变化信息的影响进而提高变化检测精度，而基于对象的变化检测方法中如何从空间信息和光谱信息两方面获取具有关键新的变化特征是一个难题。

近年来，基于特征学习的深度模型在计算机视觉方面得到广泛应用，并具有较好的性能。现有的特征学习方法都只是直接通过单个学习模型来学习抽象特征表达，这样使得学到的特征是片面的，具有较低的鲁棒性。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于对象的多尺度层次表达学习的变化检测方法。

本发明的一个实施例提供了一种基于对象的多尺度层次表达学习的变化检测方法，包括：

根据第一待检测遥感图像获取融合图像和多尺度图像；

根据所述融合图像获取超像素映射图；

根据所述多尺度图像、所述超像素映射图和多尺度层次学习模型，获取多尺度层次特征；

根据所述多尺度层次特征获取检测结果图。

在本发明的一个实施例中，根据第一待检测遥感图像获取融合图像和多尺度图像，包括：

获取若干所述第一待检测遥感图像；

对若干所述第一待检测遥感图像分别进行辐射校正、几何校正和配准处理，获取若干第二待检测遥感图像；

根据所述第二待检测遥感图像获取融合图像和多尺度图像。

在本发明的一个实施例中，根据所述第二待检测遥感图像获取融合图像和多尺度图像，包括：

对所述第二待检测遥感图像进行融合处理，获取所述融合图像；

利用高斯滤波器对所述第二待检测遥感图像进行处理，获取所述多尺度图像，其中，所述多尺度图像包括小尺度图像、中尺度图像和大尺度图像。

在本发明的一个实施例中，对所述第二待检测遥感图像进行融合处理，获取所述融合图像，包括：

按照预设区域计算所述第二待检测遥感图像中每个像素点的像素均值，获取第三待检测遥感图像；

计算所有所述第三待检测遥感图像种每个对应像素点的像素均值，获取所述融合图像。

在本发明的一个实施例中，根据所述融合图像获取超像素映射图，包括：

利用超像素分割法处理所述融合图像，获取所述超像素映射图，所述超像素映射图包括若干第一像素块。

在本发明的一个实施例中，根据所述多尺度图像、所述超像素映射图和多尺度层次学习模型，获取多尺度层次特征，包括：

建立多尺度层次学习模型，所述多尺度层次学习模型包括若干栈式自编码器，每个所述栈式自编码器包括输入层、若干隐藏层和输出层；

根据所述超像素映射图将所述多尺度图像进行处理，获取多尺度遥感图像，其中，所述多尺度遥感图像包括若干第二像素块；

将所述多尺度遥感图像对应位置的第二像素块输入至所述多尺度层次学习模型，获取所述多尺度层次特征。

在本发明的一个实施例中，根据所述多尺度层次特征获取检测结果图，包括：

将所述多尺度层次特征进行加权特征融合，获取所述第一待检测遥感图像的混合特征向量；

根据所述混合特征向量的KL散度获取所述检测结果图。

在本发明的一个实施例中，根据所述混合特征向量的KL散度获取所述检测结果图，包括：

对所述混合特征向量的KL散度进行聚类处理，获取所述检测结果图。

在本发明的一个实施例中，对KL散度进行聚类处理，获取所述检测结果图，包括：

利用无监督聚类法对KL散度进行聚类处理，获取所述检测结果图。

与现有技术相比，本发明的有益效果：

本发明所提出的基于对象的多尺度层次表达学习的变化检测方法，使用多个深度模型对多尺度图像进行特征学习提取多组层次特征，利用多组深度特征有效完成从粗到精的层次的变化区域识别，提高变化检测精度，提高鲁棒性。

附图说明

图1为本发明实施例提供的一种基于对象的多尺度层次表达学习的变化检测方法的流程示意图；

图2为本发明实施例提供的另一种基于对象的多尺度层次表达学习的变化检测方法的流程示意图；

图3为本发明实施例提供的一种栈式自编码器的结构示意图；

图4为本发明实施例提供的一种多尺度层次学习模型的流程示意图。

具体实施方式

下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。

实施例一

请参见图1，图1为本发明实施例提供的一种基于对象的多尺度层次表达学习的变化检测方法的流程示意图。本发明实施例提供的一种基于对象的多尺度层次表达学习的变化检测方法，包括：

根据第一待检测遥感图像获取融合图像和多尺度图像；

根据所述融合图像获取超像素映射图；

根据所述多尺度图像、所述超像素映射图和多尺度层次学习模型，获取多尺度层次特征；

根据所述多尺度层次特征获取检测结果图。

本发明实施例所提出的基于对象的多尺度层次表达学习的变化检测方法，使用多个深度模型对多尺度图像进行特征学习提取多组层次特征，利用多组深度特征有效完成从粗到精的层次的变化区域识别，提高变化检测精度，提高鲁棒性。

在上述实施例的基础上，对本发明实施例提供的基于对象的多尺度层次表达学习的变化检测方法进行具体介绍，请同时参见图1和图2，该变化检测方法具体包括：

步骤一、根据第一待检测遥感图像获取融合图像和多尺度图像；

步骤1.1、获取若干所述第一待检测遥感图像；

具体地，在同一地点获取处于不同时刻的若干幅第一待检测遥感图像，其中，第一待检测遥感图像的大小相同；

例如，获取两幅处于同一地点、不同时刻的第一待检测遥感图像，该两幅第一待检测遥感图像分别为第一子待检测遥感图像和第二子待检测遥感图像。

步骤1.2、对若干所述第一待检测遥感图像分别进行辐射校正、几何校正和配准处理，获取若干第二待检测遥感图像；

具体地，对每幅第一待检测遥感图像依次进行辐射校正、几何校正和配准处理，每幅第一待检测遥感图像经辐射校正、几何校正和配准处理之后即为第二待检测遥感图像。

其中，辐射校正(radiometric correction)是指对由于外界因素，数据获取和传输系统产生的系统的、随机的辐射失真或畸变进行的校正，消除或改正因辐射误差而引起影像畸变的过程。

几何校正是指通过一系列的数学模型来改正和消除遥感影像成像时因摄影材料变形、物镜畸变、大气折光、地球曲率、地球自转、地形起伏等因素导致的原始图像上各地物的几何位置、形状、尺寸、方位等特征与在参照系统中的表达要求不一致时产生的变形。

图像配准(Image registration)就是将不同时间、不同传感器(成像设备)或不同条件下(天候、照度、摄像位置和角度等)获取的两幅或多幅图像进行匹配、叠加的过程。

例如，本发明实施例对第一子待检测遥感图像和第二子待检测遥感图像分别进行辐射校正、几何校正和配准处理，第一子待检测遥感图像经辐射校正、几何校正和配准处理之后对应得到时相1图像I，第二子待检测遥感图像经辐射校正、几何校正和配准处理之后对应得到时相2图像T。

步骤1.3、根据所述第二待检测遥感图像获取融合图像和多尺度图像；

在一个具体实施例中，根据所有第二待检测遥感图像获取融合图像和多尺度图像。

步骤1.3.1、对第二待检测遥感图像进行融合处理，获取所述融合图像；

具体地，按照预设区域计算第二待检测遥感图像中每个像素点的像素均值，获取第三待检测遥感图像；

进一步地，设定预设区域的大小，对第二待检测遥感图像中每个像素点(i，j)选取该像素点(i，j)的预设区域，即该像素点(i，j)处于预设区域中(如像素点(i，j)为预设区域的中心)，之后求取包含像素点(i，j)的预设区域中的所有像素点的均值，利用上述方法获取每幅第二待检测遥感图像中的每个像素点的均值之后，即获取第三待检测遥感图像。

例如，预设区域为3*3像素大小的区域。

具体地，计算所有所述第三待检测遥感图像种每个对应像素点的像素均值，获取所述融合图像。

进一步地，求取所有第三待检测遥感图像中每个对应像素点的像素和，之后再求取该像素和的均值，该均值即为融合图像对应像素点的像素值，即将所有第三待检测遥感图像每个对应位置的像素点进行求和处理，获得求和值，之后再利用该求和值求取均值。

例如第三待检测遥感图像共两幅，选取每幅第三待检测遥感图像的第一个像素点，将所有第一个像素点进行求和处理，之后将求和处理的结果按照均值计算公式求取均值，当求取完成所有第三待检测遥感图像的像素点的均值后即得到融合图像，均值计算公式如下：

其中，fs为融合图像的像素点(i，j)，μ₁与μ₂为两幅第三待检测遥感图像的像素点(i，j)像素值。

步骤1.3.2、利用高斯滤波器对所述第二待检测遥感图像进行处理，获取所述多尺度图像，其中，所述多尺度图像包括小尺度图像、中尺度图像和大尺度图像。

具体地，利用高斯滤波器对第二待检测遥感图像进行处理，即根据高斯滤波公式处理第二待检测遥感图像，处理之后即可得到多尺度图像，其中，多尺度图像包括小尺度图像、中尺度图像和大尺度图像。

其中，高斯滤波公式为：

小尺度图像、中尺度图像和大尺度图像的大小不同，只是平滑系数不同，例如，当σ为0时，对应的为小尺度图像，当σ为σ时，对应的为中尺度图像，当σ为kσ时，对应的为大尺度图像，其中，0<k<1。

例如，时相1图像I对应得到一组小尺度图像、中尺度图像和大尺度图像，时相2图像T对应得到一组小尺度图像、中尺度图像和大尺度图像。

步骤二、根据所述融合图像获取超像素映射图；

具体地，利用超像素分割法处理所述融合图像，获取所述超像素映射图，即利用超像素分割法对融合图像进行超像素分割，融合图像经超像素分割后即可得到超像素映射图，超像素映射图包括若干第一像素块。

其中，超像素分割法是指具有相似纹理、颜色、亮度等特征的相邻像素构成的有一定视觉意义的不规则像素块。它利用像素之间特征的相似性将像素分组，用少量的超像素代替大量的像素来表达图片特征,很大程度上降低了图像后处理的复杂度。

步骤三、根据所述多尺度图像、所述超像素映射图和多尺度层次学习模型，获取多尺度层次特征；

步骤3.1、建立多尺度层次学习模型，所述多尺度层次学习模型包括若干栈式自编码器(SAE)，每个所述栈式自编码器包括输入层、若干隐藏层和输出层；

具体地，请参见图3，利用栈式自编码器按照由粗到精的的原则构建多尺度层次学习模型。其中，栈式自编码器由三层自编码器堆栈而成，堆栈结构为：输入层、隐藏层1、隐藏层2、隐藏层3以及输出层，输入层、隐藏层1、隐藏层2、隐藏层3以及输出层的神经元数目分别为INN、HNN1、HNN2、HNN3、ONN，其中，堆栈自动编码器网络的每一个隐藏层的结构为一个自动编码器；每个隐藏层输出的特征为特征图。

本发明实施例的变化检测方法使用多个深度模型对多尺度图像进行特征学习提取多组层次特征(低、中、高)，利用多组深度特征有效完成从粗到精的层次的变化区域识别，提高变化检测精度。

本发明实施例通过构建多个层次学习模型来学习多尺度图像中关键特征的表达，由于本实施例的变化检测方法可以学到多组深度特征来进行变化区域检测，使得本实施例的变化检测方法具有良好的变化检测性能和鲁棒性。

本发明实施例的多尺度层次学习模型可以更为有效捕捉图像中信息，可以有效避免遥感图像中的冗余信息以及噪声影响，应用于变化检测具有较强的鲁棒性和识别性。

步骤3.2、根据所述超像素映射图将所述多尺度图像进行处理，获取多尺度遥感图像，其中，所述多尺度遥感图像包括若干第二像素块；

具体地，每个多尺度图像均与超像素映射图进行比对，根据超像素映射图中每个第一像素块，将多尺度图像中对应位置的像素块作为第二像素块，其中，多尺度遥感图像包括若干第二像素块，每个第二像素块对应为一个超像素。

进一步地，即根据超像素映射图的第一像素块对应得到小尺度图像、中尺度图像和大尺度图像的第二像素块，将包括若干第二像素块的小尺度图像作为小尺度超像素图像，将包括若干第二像素块的中尺度图像作为中尺度超像素图像，将包括若干第二像素块的大尺度图像作为大尺度超像素图像，小尺度超像素图像、中尺度超像素图像和大尺度超像素图像包括第二像素块1、第二像素块2……第二像素块n。

步骤3.3、将所述多尺度遥感图像对应位置的第二像素块输入至所述多尺度层次学习模型，获取所述多尺度层次特征；

具体地，请参见图4，将小尺度超像素图像的第二像素块m输入至多尺度层次学习模型，隐藏层1将学习到一种特征，之后将隐藏层1输出的特征输入至隐藏层2，隐藏层2继续对特征进行学习，之后将隐藏层2输出的特征输入至隐藏层3，隐藏层3经学习之后所输出的特征即为多尺度层次特征；同理，将中尺度超像素图像的第二像素块m输入至多尺度层次学习模型，对应得到多尺度层次特征，将大尺度超像素图像的第二像素块m输入至多尺度层次学习模型，对应得到多尺度层次特征，其中，0≤m≤1，且m为正整数。

步骤四、根据所述多尺度层次特征获取检测结果图；

步骤4.1、将所述多尺度层次特征进行加权特征融合，获取所述第一待检测遥感图像的混合特征向量；

具体地，每个多尺度层次特征对应一个权重，根据加权公式对所获取得多尺度层次特征进行加权特征融合处理，即可得到混合特征向量，其中，加权公式为：

f＝λf₁+μf₂+(1-λ-μ)f₃

其中，f₁为小尺度超像素图像对应的多尺度层次特征，f₂为中尺度超像素图像对应的多尺度层次特征，f₃为大尺度超像素图像对应的多尺度层次特征，λ和μ为加权系数，其中λ和μ均大于0且小于1。

步骤4.2、根据所述混合特征向量的KL散度获取所述检测结果图；

具体地，对所述混合特征向量的KL散度进行聚类处理，获取所述检测结果图。

进一步地，利用无监督聚类法对KL散度进行聚类处理，获取所述检测结果图。

每个第一待检测遥感图像的第二像素块均对应一个混合特征向量，例如包括两幅第一待检测遥感图像，则计算该两幅第一待检测遥感图像的第二像素块对应的混合特征向量之间的KL散度，将KL散度输入至k-means聚类(无监督聚类法)中，k-means将KL散度分为两类，一类为变化类，一类为非变化类，通过k-means便可得到每个第二像素块是否发生变化，若发生变化，则对应值超像素映射图，根据第二像素块位于超像素映射图中的位置，便可得到第一待检测遥感图像中每个像素发生变化的情况。

本发明实施例的变化检测方法可以应用于多光谱遥感图像，其使用了基于对象的变化检测方法，可以较好地保证变化检测区域的完整性并有效抑制噪声，最终有效降低了变化检测的虚警率以及总误差。

本发明实施例的变化检测方法基于变化检测，使用多尺度层次学习模型充分考虑了不同尺度图像特征之间信息的相互补充联系，所得到的变化检测结果鲁棒性更高，有效克服了冗余信息造成的伪变化，提高了变化检测精度。

本发明实施例的变化检测方法使用基于对象的变化检测方法，有效地提高了变化检测区域的完整性，并且降低了变化检测的虚警率。

本发明实施例的变化检测方法由于构建了多尺度层次学习模型来提取图像特征，能够有效抵抗多光谱遥感图像中的冗余信息以及噪声干扰，有效检测边缘等细节信息提高变化检测精度。

本发明实施例的变化检测方法使用多尺度层次学习模型可以学习到原始时相图中全局和局部的特征表达，更加有效地捕捉图像中信息的分布。利用多组深度层次特征可以更加有效地得到良好的变化检测结果。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种基于对象的多尺度层次表达学习的变化检测方法，其特征在于，包括：

根据第一待检测遥感图像获取融合图像和多尺度图像；

根据所述融合图像获取超像素映射图；

根据所述多尺度图像、所述超像素映射图和多尺度层次学习模型，获取多尺度层次特征；

根据所述多尺度层次特征获取检测结果图。

2.如权利要求1所述的变化检测方法，其特征在于，根据第一待检测遥感图像获取融合图像和多尺度图像，包括：

获取若干所述第一待检测遥感图像；

对若干所述第一待检测遥感图像分别进行辐射校正、几何校正和配准处理，获取若干第二待检测遥感图像；

根据所述第二待检测遥感图像获取融合图像和多尺度图像。

3.如权利要求2所述的变化检测方法，其特征在于，根据所述第二待检测遥感图像获取融合图像和多尺度图像，包括：

对所述第二待检测遥感图像进行融合处理，获取所述融合图像；

利用高斯滤波器对所述第二待检测遥感图像进行处理，获取所述多尺度图像，其中，所述多尺度图像包括小尺度图像、中尺度图像和大尺度图像。

4.如权利要求3所述的变化检测方法，其特征在于，对所述第二待检测遥感图像进行融合处理，获取所述融合图像，包括：

按照预设区域计算所述第二待检测遥感图像中每个像素点的像素均值，获取第三待检测遥感图像；

计算所有所述第三待检测遥感图像种每个对应像素点的像素均值，获取所述融合图像。

5.如权利要求1所述的变化检测方法，其特征在于，根据所述融合图像获取超像素映射图，包括：

利用超像素分割法处理所述融合图像，获取所述超像素映射图，所述超像素映射图包括若干第一像素块。

6.如权利要求5所述的变化检测方法，其特征在于，根据所述多尺度图像、所述超像素映射图和多尺度层次学习模型，获取多尺度层次特征，包括：

建立多尺度层次学习模型，所述多尺度层次学习模型包括若干栈式自编码器，每个所述栈式自编码器包括输入层、若干隐藏层和输出层；

根据所述超像素映射图将所述多尺度图像进行处理，获取多尺度遥感图像，其中，所述多尺度遥感图像包括若干第二像素块；

将所述多尺度遥感图像对应位置的第二像素块输入至所述多尺度层次学习模型，获取所述多尺度层次特征。

7.如权利要求1所述的变化检测方法，其特征在于，根据所述多尺度层次特征获取检测结果图，包括：

将所述多尺度层次特征进行加权特征融合，获取所述第一待检测遥感图像的混合特征向量；

根据所述混合特征向量的KL散度获取所述检测结果图。

8.如权利要求7所述的变化检测方法，其特征在于，根据所述混合特征向量的KL散度获取所述检测结果图，包括：

对所述混合特征向量的KL散度进行聚类处理，获取所述检测结果图。

9.如权利要求8所述的变化检测方法，其特征在于，对KL散度进行聚类处理，获取所述检测结果图，包括：

利用无监督聚类法对KL散度进行聚类处理，获取所述检测结果图。