CN109903274A - 一种高分辨率遥感影像变化检测方法及系统 - Google Patents
一种高分辨率遥感影像变化检测方法及系统 Download PDFInfo
- Publication number
- CN109903274A CN109903274A CN201910097118.3A CN201910097118A CN109903274A CN 109903274 A CN109903274 A CN 109903274A CN 201910097118 A CN201910097118 A CN 201910097118A CN 109903274 A CN109903274 A CN 109903274A
- Authority
- CN
- China
- Prior art keywords
- image
- super
- pixel
- pixel segmentation
- segmentation
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开一种高分辨率遥感影像变化检测方法及系统。首先对两幅高分辨率遥感影像分别利用简单线性迭代算法SLIC进行超像素分割,得到第一超像素分割图像和第二超像素分割图像;提取第一超像素分割图像和第二超像素分割图像的光谱特征和纹理特征;根据各光谱特征和各纹理特征,计算第一超像素分割图像和第二超像素分割图像的特征差异向量;根据特征差异向量,得到第一幅变化幅度图像和第二幅变化幅度图像;将第一幅变化幅度图像和第二幅变化幅度图像融合得到统一的变化幅度图像;根据统一的变化幅度图像利用条件随机场算法,得到变化图像。本发明能够消除产生的噪声并很好的保留变化图像的边界信息,提高检测结果的精确度。
Description
技术领域
本发明涉及遥感影像识别领域,特别是涉及一种高分辨率遥感影像变化检测方法及系统。
背景技术
变化检测是遥感影像研究中非常重要的部分。其目的是分析在相同地方不同时间所获取影像之间的差异。在近几十年间变化检测结果在许多方面得到了广泛的应用,比如:环境监测、灾害评估、城市规划等。
多时相遥感影像中,变化检测技术的发展引起学者们广泛的关注。在过去几十年间,针对中低分辨率遥感影像(比如:MODIS、Landsat(MSS,TM),SPOT等)研究者们提出许多不同的变化检测技术,这些方法主要是以单个像素作为处理的基本单元。基于像素的变化检测方法首先是利用两个时相影像得到差异图像,采用的方法主要有:差值法、比值法、变化向量分析法、主成分分析法等。这些算法被用来计算差异图像主要是通过阈值来确定变化和未变化类。其优势在于能够利用到影像间的光谱信息,而且计算简单容易实现,在中低分辨率遥感影像变化检测中得到了较为满意的结果。
最近几年间,随着遥感技术的发展,高分辨率遥感影像(比如:QuickBird、SPOT-5、IKONOS和高分二号等)的获取更加容易,已经成为变化检测技术的主要数据来源。随着遥感影像分辨率的提高,给变化检测技术带来了更多机遇的同时也带来了诸多困难。因为空间分辨率的提高可以提取到更加丰富的光谱、纹理、结构和细节信息,但是相对于中低分辨率遥感影像变化检测来说高分遥感影像变化检测更加困难,主要体现在下面两个方面:一方面随着空间和光谱分辨率的提高,要利用其光谱、纹理等的信息计算就更加复杂;另一方面在高分辨率遥感影像间存在很多同谱异物和同物异谱现象,这对于基于像素的变化检测技术很不友好,其结果往往存在大量椒盐噪声。传统的变化检测技术应用于中低分辨率遥感影像是合理的,但应用于高分辨率遥感影像存在下面四个巨大缺陷:首先因为基于像素的变化检测技术对多时相影像间的配准误差很敏感,如果出现较大配准误差,由于高分遥感影像空间分辨率高导致大量误检和漏检现象,严重影响变化检测精度;其次,基于像素变化检测容易受到阴影和季节变化影响,将未变化类检测为变化类,产生错检现象;再者,通过阈值法来确定变化与未变化类存在不稳定性,很容易受到干扰而产生错检和漏检现象;最后,由于基于像素的变化检测技术只是以单个像素点作为处理单元,对于影像间的光谱、空间上下文信息无法有效利用,而高分辨率遥感影像的优势就在于丰富的细节信息提取上面。
为了有效利用高分辨率遥感影像间丰富的光谱、纹理、结构等信息,学者们提出了面向对象和马尔可夫随机场的方法。这些方法的优势在于能够将空间信息和光谱上下文信息融合到算法中,得到一个相对平滑的结果,能够消除椒盐噪声。面向对象的变化检测技术首先对影像进行分割,分割的规则是将光谱相似空间相邻的像素归为一个对象,然后对于得到的对象提取它的光谱、纹理、结构和几何等信息,最后分别比较两个时相上对应对象块的特征,然后通过阈值得到变化检测结果。该方法优势在于能够保护边界信息,消除椒盐噪声,但是有一个问题就是最后阈值的确定具有不稳定性,容易受到干扰。马尔可夫随机场的方法同样能够利用像素间的空间信息,但是一方面为了简化计算假设观测数据间是条件独立的,只是利用到了状态数据或标签数据间的空间依赖关系,另一方面为了得到先验概率还需要建立对应的假设分布模型。因此受限于本身结构的问题,最后结果跟面向对象变化检测相差不多,无法显著提高检测精度,而且容易在边界处产生过平滑现象。
发明内容
本发明的目的是提供一种高分辨率遥感影像变化检测方法及系统,能够消除在高分辨率遥感影像变化检测过程中产生的噪声,并很好的保留变化图像的边界信息,提高检测结果的精确度。
为实现上述目的,本发明提供了如下方案:
一种高分辨率遥感影像变化检测方法,包括:
对两幅高分辨率遥感影像分别利用简单线性迭代算法SLIC进行超像素分割,得到第一超像素分割图像和第二超像素分割图像;
提取所述第一超像素分割图像和所述第二超像素分割图像的光谱特征和纹理特征;
根据各所述光谱特征和各所述纹理特征,计算所述第一超像素分割图像和所述第二超像素分割图像的特征差异向量;
根据所述特征差异向量,得到第一幅变化幅度图像和第二幅变化幅度图像;
将所述第一幅变化幅度图像和所述第二幅变化幅度图像融合得到统一的变化幅度图像;
根据所述统一的变化幅度图像利用条件随机场算法,得到变化图像。
可选的,所述对两幅高分辨率遥感影像分别利用简单线性迭代算法SLIC进行超像素分割,得到第一超像素分割图像和第二超像素分割图像,具体包括:
获取经过几何配准和辐射校正的两幅高分辨率遥感影像;
利用SLIC算法分割所述两幅高分辨率遥感影像,得到第一超像素分割图像和第二超像素分割图像;
对所述第一超像素分割图像和所述第二超像素分割图像的超像素块分别编号;其中,分割影像时空间紧致度=1000,分割网格大小=15,所述第一超像素分割图像的超像素块数量从1~N编号,N为第一超像素分割图像分割得到的超像素块数量,所述第二超像素分割图像的超像素块数量从1~M编号,M为第二超像素分割图像分割得到的超像素块总数量。
可选的,所述提取所述第一超像素分割图像和所述第二超像素分割图像的光谱特征和纹理特征,具体包括:
通过各所述超像素块内部的均值和方差,得到光谱特征;
通过各所述超像素块局部二进制模式LBP和局部反差LC,得到纹理特征。
可选的,所述根据所述统一的变化幅度图像利用条件随机场算法,得到变化图像,具体包括:
利用模糊C均值聚类FCM对所述统一的变化幅度图像进行聚类操作,计算各个位置属于变化和未变化信息的模糊隶属度值;
根据各所述模糊隶属度值构建条件随机场的顶点势或一阶势;
利用基于空间-光谱约束的函数构建边界势;
根据所述顶点势和所述边界势或所述一阶势和所述边界势,利用循环信念传播算法得到变化图像。
一种高分辨率遥感影像变化检测系统,包括:
分割模块,用于对两幅高分辨率遥感影像分别利用简单线性迭代算法SLIC进行超像素分割,得到第一超像素分割图像和第二超像素分割图像;
特征提取模块,用于提取所述第一超像素分割图像和所述第二超像素分割图像的光谱特征和纹理特征;
差异向量计算模块,用于根据各所述光谱特征和各所述纹理特征,计算所述第一超像素分割图像和所述第二超像素分割图像的特征差异向量;
变化幅度图像确定模块,用于根据所述特征差异向量,得到第一幅变化幅度图像和第二幅变化幅度图像;
融合模块,用于将所述第一幅变化幅度图像和所述第二幅变化幅度图像融合得到统一的变化幅度图像;
变化图像确定模块,用于根据所述统一的变化幅度图像利用条件随机场算法,得到变化图像。
可选的,所述分割模块,具体包括:
影像获取单元,用于获取经过几何配准和辐射校正的两幅高分辨率遥感影像;
分割单元,用于利用SLIC算法分割所述两幅高分辨率遥感影像,得到第一超像素分割图像和第二超像素分割图像;
对所述第一超像素分割图像和所述第二超像素分割图像的超像素块分别编号;其中,分割影像时空间紧致度=1000,分割网格大小=15,所述第一超像素分割图像的超像素块数量从1~N编号,N为第一超像素分割图像分割得到的超像素块数量,所述第二超像素分割图像的超像素块数量从1~M编号,M为第二超像素分割图像分割得到的超像素块总数量。
可选的,所述特征提取模块,具体包括:
光谱特征提取单元,用于通过各所述超像素块内部的均值和方差,得到光谱特征;
纹理特征提取单元,用于通过各所述超像素块局部二进制模式LBP和局部反差LC,得到纹理特征。
可选的,所述变化图像确定模块,具体包括:
聚类操作单元,用于利用模糊C均值聚类FCM对所述统一的变化幅度图像进行聚类操作,计算各个位置属于变化和未变化信息的模糊隶属度值;
第一构建单元,用于根据各所述模糊隶属度值构建条件随机场的顶点势或一阶势;
第二构建单元,用于利用基于空间-光谱约束的函数构建边界势;
变化图像确定单元,用于根据所述顶点势和所述边界势或所述一阶势和所述边界势,利用循环信念传播算法得到变化图像。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提供一种高分辨率遥感影像变化检测方法,结合超像素分割技术和条件随机场算法应用于高分辨率遥感影像变化检测,其优势在于超像素分割能够保护边界信息,条件随机场作为马尔可夫条件随机场的改进,它是判别式模型算法,直接建立了观测数据的后验概率,避免了观测数据之间的条件独立假设,将整个观测数据都考虑进去,充分考虑到了观测数据和标签数据之间的空间相关性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明高分辨率遥感影像变化检测方法流程图;
图2为本发明第一幅高分辨率遥感影像分割结果;
图3为本发明第二幅高分辨率遥感影像分割结果;
图4为本发明基于第一幅分割结果叠加到第二幅影像所得分割;
图5为本发明基于第二幅分割结果叠加到第一幅影像所得分割;
图6为本发明融合后的变化幅度图像;
图7为本发明实现框架图;
图8为本发明所得变化检测结果图像;
图9为本发明高分辨率遥感影像变化检测系统结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种高分辨率遥感影像变化检测方法及系统,能够消除在高分辨率遥感影像变化检测过程中产生的噪声,并很好的保留变化图像的边界信息,提高检测结果的精确度。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明高分辨率遥感影像变化检测方法流程图。如图1所示,一种高分辨率遥感影像变化检测方法,包括:
步骤101:对两幅高分辨率遥感影像分别利用简单线性迭代算法SLIC进行超像素分割,得到第一超像素分割图像和第二超像素分割图像;
本发明在这一步骤中,将两个经过配准和辐射校正的原始影像分别用简单线形迭代算法(SLIC)分割得到超像素块。SLIC分割是一个有效的聚类技术,其原理与K-means聚类方法类似。相比于K-means聚类算法,该算法将像素间的空间距离约束加入到了算法当中。像素间的光谱距离保证了超像素是同质的,而像素间的空间约束使得分割结果是空间紧致的区域块。像素m与n的光谱距离定义如公式(1)所示:
其中:B表示光谱通道数量,Xi表示在第i个光谱通道的像素值。像素m与n的空间距离定义如公式(2):
其中:x和y表示像素的位置坐标。最后得到基于光谱和空间带权重约束的距离计算公式如公式(3)所示:
其中:s表示分割后网格的宽度,c是引入的变量,能够控制分割后超像素块的紧致度。c值越大分割得到的空间约束性越强,分割所得超像素块越紧凑,而s越大,超像素块也就越大。本发明中c=1000,s=15分割效果良好,满足变化检测需求。实现结果如图2和图3所示。图2为本发明第一幅高分辨率遥感影像分割结果。图3为本发明第二幅高分辨率遥感影像分割结果。
步骤102:提取所述第一超像素分割图像和所述第二超像素分割图像的光谱特征和纹理特征;
本发明在这一步骤中得到经过超像素分割后两幅影像的超像素块或同质性对象。两个时间点的图像T1和T2被定义为式(4)和(5):
其中:n和m分别表示第一幅影像和第二幅影像的对象数量,而与分别表示各自分割得到的区域或图像对象。
分割对象的特征向量表示能够代表该对象综合属性的一种量化表示方式。针对遥感影像主要有光谱、纹理、形状和空间上下文等特征,实际应用中不是特征数量选择越多效果就越好,这往往跟要研究的对象相关联。在遥感影像变化检测算法研究中,学者们发现在光谱特征的基础上加入纹理特征能够较好地提取出影像间的变化信息,提高算法准确性。在本发明中主要提取了对象间的光谱特征(均值和方差)和纹理特征(LBP和LC)。局部二进制模式(LBP)是一种纹理描述算子,该算子能够计算局部窗口内像素的局部空间结构与灰度反差。由于LBP对纹理的表述性很强已经广泛应用于图像分析处理中。其算法原理定义如公式(6)所示:
式中
其中:P表示半径取R时的领域像素个数;gc为中心点的灰度值;gp表示领域像素灰度值。因此利用LBP去描述纹理的结构信息,而纹理的强度信息以局部反差(LC)进行描述,其定义如公式(8)所示:
LCP,R=S1/n1-S2/n2 (8)
其中:S1与S2表示窗口内亮像素和暗像素的灰度和,而n1和n2表示窗口内亮像素和暗像素的个数。
步骤103:根据各所述光谱特征和各所述纹理特征,计算所述第一超像素分割图像和所述第二超像素分割图像的特征差异向量;
步骤104:根据所述特征差异向量,得到第一幅变化幅度图像和第二幅变化幅度图像;
之前的分割过程是在两幅影像上分别做SLIC分割,导致分割边界不一致。为了解决两幅影像分割对象边界对齐问题,本发明首先分别对两幅影像优先分割,为了获取第一幅影像的变化幅度图像,即第一幅变化幅度图像,利用第一幅影像的分割结果叠加到第二幅影像上,得到相同几何形状的对象块,然后按照特征提取方法得到基于第一幅影像的对象特征。同理,为了得到第二幅影像的变化幅度图像,即第二幅变化幅度图像,以第二幅影像分割结果为基准。实现结果如图4、5所示。图4为本发明基于第一幅分割结果叠加到第二幅影像所得分割。图5为本发明基于第二幅分割结果叠加到第一幅影像所得分割。
为了得到两幅变化幅度图像,利用前文提取的光谱和纹理特征进行差异性计算。以第一幅影像为分割基准,其光谱差异性主要表达了图像间灰度的变化情况,本发明计算对应超像素块间的光谱差异是通过欧式距离和融合距离来计算,定义如公式(9)和(10)所示:
其中:B表示影像波段数目,μ和σ表示超像素块的均值和标准差,而σFused表示两个影像超像素块合在一起计算的标准差。而纹理差异性的计算是利用前文提取的LBP和LC纹理特征,然后利用G统计技术分别去测量LBP和LC的差异性,具体实现公式如(11)所示:
其中:t1与t2表示两个时间点,即不同的影像;fi表示每个对象计算的LBP和LC纹理特征占整个对象块的比例。n表示LBP与LC计算时取的范围大小,本发明计算LBP时,划分了36个等级,计算LC时,划分了8个等级。
通过光谱和纹理差异性度量得到超像素块的特征差异性向量表达如公式(12)所示:
其中:表示第一幅影像第i个分割对象的特征差异向量,n表示第一幅影像总的超像素或分割对象数量。通过上式能够计算得到所有超像素的特征差异向量,可以计算出基于第一幅影像分割结果的变化幅度图像,每个超像素块的变化幅度值计算如公式(13)所示:
其中:是对特征差异向量取范式或模长,n表示分割得到的超像素块数量。同理可以得到基于第二幅影像分割结果的变化幅度值,如公式(14)所示:
为了得到两幅变化幅度图像,每个超像素块中的变化幅度值都设为统一计算得到的值。以第一幅变化幅度图像为例,其计算公式如式(15)所示:
步骤105:将所述第一幅变化幅度图像和所述第二幅变化幅度图像融合得到统一的变化幅度图像;
本发明在前述步骤得到的两幅变化幅度图像分割对象边界未能对齐,因此直接比较两个分割块十分复杂。本发明为了解决该问题,将两幅影像分割对象相互有重叠的部分叠加分析,取变化幅度值较大的对象块来表示该区域的融合变化幅度值。
步骤106:根据所述统一的变化幅度图像利用条件随机场算法,得到变化图像。
本发明在处理影像时,为了消除过平滑现象和结合邻域像素信息,将新的条件随机场框架用于遥感影像变化检测任务。采用c均值聚类方法构建条件随机场一阶势,避免了样本提取、参数训练和观测数据之间的独立假设条件,有效减少斑点噪声。引入带光谱-空间约束的模型改进条件随机场二阶势,能更好的利用影像间的光谱和空间信息,消除部分斑点噪声并防止过平滑现象。变化检测的分布模型如下:
其中Z表示正则化常数或者叫划分函数,使得(7)式服从概率分布,X和Y分别表示观测到的图像像素和对应类别标签,而E表示条件随机场的吉布斯能量函数模型有如下形式:
其中:φi(yi;xi)和φij(yi,yj;X)分别表示一元势和二元势,而λ表示权衡二者之间的参数。xi与yi分别表示第i个像素值和对应类别标签,j表示第i个像素的邻域像素,邻域范围为δi。图7为本发明实现框架图。整体流程框图如图7所示。
一元势函数建立了单个像素点和其对应的标签之间的联系,因此像逻辑回归、支持向量机等判别分类器都可以构建一元势函数。但是监督学习方法用于变化检测由于缺乏有效的训练样本,导致结果不理想。
无监督聚类算法相比于监督算法在于无需训练样本,自适应的调节参数来得到一个相对比较理想的结果。算法执行效率高,并且对于不同的数据来源有较好的自适应性。本发明利用FCM算法对变化幅度图像聚类得到变化与未变化像素的模糊隶属度去定义一元势函数。对于一元势的定义如下:
其中uki表示位于i处的像素类别为k的隶属度值。δ(·)函数是脉冲函数,当函数内部条件成立时取1,其他为零。k表示像素类别,c表示总的像素类别数目,本文变化检测任务取为2。
一元势函数无法有效结合空间上下文信息,为了充分利用影像的光谱和空间信息,引入了二元势;二元势的定义如下:
其中:xi与xj表示原始影像波段叠加之后单个波段的像素值大小,并且i与j两个位置相邻,d(xi,xj)是一个光谱-空间差异性度量函数,具体实现如公式(20),而yi与yj表示相邻两个位置的类别标签。该函数能够在原观测影像的层面对中心像素和其邻域像素的相似性进行度量,能够有效约束类边界,防止过度平滑现象出现,对变化检测的精度有贡献。该方法更加倾向于相邻像素具有相同的标签类型,并且鼓励类边界与强边对齐。具体来说就是对于通过强边界的邻域像素的值较大,经过模型优化后会得到不同的标签。相对的,对于通过平缓区域的邻域像素的值较小,经过模型优化后与会得到一致的标签类型。本发明差异性度量如下所示:
公式(20)中qb(xi)计算如公式(21)所示,表示第i个像素在第b个像素通道的像素值占整个波段像素值的比例或概率,2B表示两幅影像叠加后的总通道数目,而xib表示第i个像素在第b个像素通道的像素值。
本发明所用方法代入到条件随机场中得到最大化后验概率等同于Gibbs能量函数最小化如公式(22)所示:
y*=argmaxyp(y|x;θ)=argminyE(y|x;θ) (22)
遥感影像直接作为图结构去推理,其节点个数过多而无法精确推理。当图结构中存在大量环状子图时,直接求后验概率是个比较困难的问题。本发明采用变分推理中的循环信念传播算法去推理最优配置。循环信念传播算法是基于最大后验概率的(MAP),在算法上采用和积算法去得到最终的结果。由于信念传播算法以消息的形式在各个节点以及四邻域的边上来回传递,可以有效地结合遥感影像的全局信息,并且避免了MRF算法只能够结合标签域的局限。最终变化检测结果图如图8所示。图8为本发明所得变化检测结果图像。
步骤101,具体包括:
获取经过几何配准和辐射校正的两幅高分辨率遥感影像;
利用SLIC算法分割所述两幅高分辨率遥感影像,得到第一超像素分割图像和第二超像素分割图像;
对所述第一超像素分割图像和所述第二超像素分割图像的超像素块分别编号;其中,分割影像时空间紧致度=1000,分割网格大小=15,所述第一超像素分割图像的超像素块数量从1~N编号,N为第一超像素分割图像分割得到的超像素块数量,所述第二超像素分割图像的超像素块数量从1~M编号,M为第二超像素分割图像分割得到的超像素块总数量。
步骤102,具体包括:
通过各所述超像素块内部的均值和方差,得到光谱特征;
通过各所述超像素块局部二进制模式LBP和局部反差LC,得到纹理特征。
步骤106,具体包括:
利用模糊C均值聚类FCM对所述统一的变化幅度图像进行聚类操作,计算各个位置属于变化和未变化信息的模糊隶属度值;
根据各所述模糊隶属度值构建条件随机场的顶点势或一阶势;
利用基于空间-光谱约束的函数构建边界势;
根据所述顶点势和所述边界势或所述一阶势和所述边界势,利用循环信念传播算法得到变化图像。
本发明具有下列优势:
(1)本发明分析总结了在高分辨率遥感影像变化检测过程中遇到的重要问题,在已有的研究基础上设计实现一套无监督变化检测方案。
(2)本发明将面向对象技术中的超像素分割技术和图结构中的条件随机场有效的结合起来,综合了两种方法各自的优势。
(3)本发明通过综合两套技术方案去提高变化检测准确性,实验表明在高分辨率遥感影像数据集上,该技术方案能够消除在高分辨率遥感影像变化检测过程中产生的噪声,并很好的保留了变化图像的边界信息,检测结果具有较高的使用价值。
下面以QuickBird卫星数据为例说明。
实验以MATLAB为基础。实验平台所使用的CPU为Intel Celeron E3300@2.5GHz,计算机系统为MicrosoftWindows7,内存8G。
本实验主要选取QuickBird卫星数据,数据来源为中国北方某地区在2011年到2013年土地利用变化状况。影像分辨率2.4米,大小为1000*800。图6为本发明融合后的变化幅度图像。图6展示了原始影像和参考图像,参考图像中变化像素数目为123063,变化内容主要是土地。
表1变化检测准确性
FA/% | MA/% | OA/% | Kappa/% | |
差值法 | 16.43 | 6.67 | 66.73 | 52.68 |
FCM | 15.47 | 8.83 | 75.55 | 56.83 |
MRF | 8.24 | 8.49 | 84.72 | 66.00 |
OBCD | 10.53 | 8.37 | 84.76 | 65.69 |
RC2RF | 9.61 | 8.02 | 86.63 | 67.15 |
本发明方法 | 6.98 | 7.44 | 88.95 | 77.91 |
通过表1定量计算,对比算法的统计kappa系数。而当采用MRF以及OBCD算法后整个kappa系数都到65以上,由此可以得出高分辨率遥感影像在变化检测过程中结合空间上下文信息特别重要。RC2RF与本发明算法其差别主要在于对于变化幅度图像或区域,本发明通过超像素分割算法和条件随机场相结合,充分抽取两幅影像的光谱-空间和纹理信息,进而去提高算法的检测准确性,kappa系数由67.15提升到了77.91。实验表明,在高分辨率遥感影像数据集上,本发明能够消除在高分辨率遥感影像变化检测过程中产生的噪声,并很好的保留了变化图像的边界信息,检测结果具有较高的使用价值。
图9为本发明高分辨率遥感影像变化检测系统结构图。如图9所示,一种高分辨率遥感影像变化检测系统,包括:
分割模块201,用于对两幅高分辨率遥感影像分别利用简单线性迭代算法SLIC进行超像素分割,得到第一超像素分割图像和第二超像素分割图像;
特征提取模块202,用于提取所述第一超像素分割图像和所述第二超像素分割图像的光谱特征和纹理特征;
差异向量计算模块203,用于根据各所述光谱特征和各所述纹理特征,计算所述第一超像素分割图像和所述第二超像素分割图像的特征差异向量;
变化幅度图像确定模块204,用于根据所述特征差异向量,得到第一幅变化幅度图像和第二幅变化幅度图像;
融合模块205,用于将所述第一幅变化幅度图像和所述第二幅变化幅度图像融合得到统一的变化幅度图像;
变化图像确定模块206,用于根据所述统一的变化幅度图像利用条件随机场算法,得到变化图像。
所述分割模块201,具体包括:
影像获取单元,用于获取经过几何配准和辐射校正的两幅高分辨率遥感影像;
分割单元,用于利用SLIC算法分割所述两幅高分辨率遥感影像,得到第一超像素分割图像和第二超像素分割图像;
对所述第一超像素分割图像和所述第二超像素分割图像的超像素块分别编号;其中,分割影像时空间紧致度=1000,分割网格大小=15,所述第一超像素分割图像的超像素块数量从1~N编号,N为第一超像素分割图像分割得到的超像素块数量,所述第二超像素分割图像的超像素块数量从1~M编号,M为第二超像素分割图像分割得到的超像素块总数量。
所述特征提取模块202,具体包括:
光谱特征提取单元,用于通过各所述超像素块内部的均值和方差,得到光谱特征;
纹理特征提取单元,用于通过各所述超像素块局部二进制模式LBP和局部反差LC,得到纹理特征。
所述变化图像确定模块206,具体包括:
聚类操作单元,用于利用模糊C均值聚类FCM对所述统一的变化幅度图像进行聚类操作,计算各个位置属于变化和未变化信息的模糊隶属度值;
第一构建单元,用于根据各所述模糊隶属度值构建条件随机场的顶点势或一阶势;
第二构建单元,用于利用基于空间-光谱约束的函数构建边界势;
变化图像确定单元,用于根据所述顶点势和所述边界势或所述一阶势和所述边界势,利用循环信念传播算法得到变化图像。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本发明中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种高分辨率遥感影像变化检测方法,其特征在于,包括:
对两幅高分辨率遥感影像分别利用简单线性迭代算法SLIC进行超像素分割,得到第一超像素分割图像和第二超像素分割图像;
提取所述第一超像素分割图像和所述第二超像素分割图像的光谱特征和纹理特征;
根据各所述光谱特征和各所述纹理特征,计算所述第一超像素分割图像和所述第二超像素分割图像的特征差异向量;
根据所述特征差异向量,得到第一幅变化幅度图像和第二幅变化幅度图像;
将所述第一幅变化幅度图像和所述第二幅变化幅度图像融合得到统一的变化幅度图像;
根据所述统一的变化幅度图像利用条件随机场算法,得到变化图像。
2.根据权利要求1所述的高分辨率遥感影像变化检测方法,其特征在于,所述对两幅高分辨率遥感影像分别利用简单线性迭代算法SLIC进行超像素分割,得到第一超像素分割图像和第二超像素分割图像,具体包括:
获取经过几何配准和辐射校正的两幅高分辨率遥感影像;
利用SLIC算法分割所述两幅高分辨率遥感影像,得到第一超像素分割图像和第二超像素分割图像;
对所述第一超像素分割图像和所述第二超像素分割图像的超像素块分别编号;其中,分割影像时空间紧致度=1000,分割网格大小=15,所述第一超像素分割图像的超像素块数量从1~N编号,N为第一超像素分割图像分割得到的超像素块数量,所述第二超像素分割图像的超像素块数量从1~M编号,M为第二超像素分割图像分割得到的超像素块总数量。
3.根据权利要求1所述的高分辨率遥感影像变化检测方法,其特征在于,所述提取所述第一超像素分割图像和所述第二超像素分割图像的光谱特征和纹理特征,具体包括:
通过各所述超像素块内部的均值和方差,得到光谱特征;
通过各所述超像素块局部二进制模式LBP和局部反差LC,得到纹理特征。
4.根据权利要求1所述的高分辨率遥感影像变化检测方法,其特征在于,所述根据所述统一的变化幅度图像利用条件随机场算法,得到变化图像,具体包括:
利用模糊C均值聚类FCM对所述统一的变化幅度图像进行聚类操作,计算各个位置属于变化和未变化信息的模糊隶属度值;
根据各所述模糊隶属度值构建条件随机场的顶点势或一阶势;
利用基于空间-光谱约束的函数构建边界势;
根据所述顶点势和所述边界势或所述一阶势和所述边界势,利用循环信念传播算法得到变化图像。
5.一种高分辨率遥感影像变化检测系统,其特征在于,包括:
分割模块,用于对两幅高分辨率遥感影像分别利用简单线性迭代算法SLIC进行超像素分割,得到第一超像素分割图像和第二超像素分割图像;
特征提取模块,用于提取所述第一超像素分割图像和所述第二超像素分割图像的光谱特征和纹理特征;
差异向量计算模块,用于根据各所述光谱特征和各所述纹理特征,计算所述第一超像素分割图像和所述第二超像素分割图像的特征差异向量;
变化幅度图像确定模块,用于根据所述特征差异向量,得到第一幅变化幅度图像和第二幅变化幅度图像;
融合模块,用于将所述第一幅变化幅度图像和所述第二幅变化幅度图像融合得到统一的变化幅度图像;
变化图像确定模块,用于根据所述统一的变化幅度图像利用条件随机场算法,得到变化图像。
6.根据权利要求5所述的高分辨率遥感影像变化检测系统,其特征在于,所述分割模块,具体包括:
影像获取单元,用于获取经过几何配准和辐射校正的两幅高分辨率遥感影像;
分割单元,用于利用SLIC算法分割所述两幅高分辨率遥感影像,得到第一超像素分割图像和第二超像素分割图像;
对所述第一超像素分割图像和所述第二超像素分割图像的超像素块分别编号;其中,分割影像时空间紧致度=1000,分割网格大小=15,所述第一超像素分割图像的超像素块数量从1~N编号,N为第一超像素分割图像分割得到的超像素块数量,所述第二超像素分割图像的超像素块数量从1~M编号,M为第二超像素分割图像分割得到的超像素块总数量。
7.根据权利要求5所述的高分辨率遥感影像变化检测系统,其特征在于,所述特征提取模块,具体包括:
光谱特征提取单元,用于通过各所述超像素块内部的均值和方差,得到光谱特征;
纹理特征提取单元,用于通过各所述超像素块局部二进制模式LBP和局部反差LC,得到纹理特征。
8.根据权利要求5所述的高分辨率遥感影像变化检测系统,其特征在于,所述变化图像确定模块,具体包括:
聚类操作单元,用于利用模糊C均值聚类FCM对所述统一的变化幅度图像进行聚类操作,计算各个位置属于变化和未变化信息的模糊隶属度值;
第一构建单元,用于根据各所述模糊隶属度值构建条件随机场的顶点势或一阶势;
第二构建单元,用于利用基于空间-光谱约束的函数构建边界势;
变化图像确定单元,用于根据所述顶点势和所述边界势或所述一阶势和所述边界势,利用循环信念传播算法得到变化图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910097118.3A CN109903274B (zh) | 2019-01-31 | 2019-01-31 | 一种高分辨率遥感影像变化检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910097118.3A CN109903274B (zh) | 2019-01-31 | 2019-01-31 | 一种高分辨率遥感影像变化检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109903274A true CN109903274A (zh) | 2019-06-18 |
CN109903274B CN109903274B (zh) | 2020-05-15 |
Family
ID=66944530
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910097118.3A Active CN109903274B (zh) | 2019-01-31 | 2019-01-31 | 一种高分辨率遥感影像变化检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109903274B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101937079A (zh) * | 2010-06-29 | 2011-01-05 | 中国农业大学 | 基于区域相似度的遥感影像变化检测方法 |
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 |
CN103177450A (zh) * | 2013-04-11 | 2013-06-26 | 北京航空航天大学 | 一种基于构件集采样的图像场景分割与分层联合求解方法 |
CN104392228A (zh) * | 2014-12-19 | 2015-03-04 | 中国人民解放军国防科学技术大学 | 基于条件随机场模型的无人机图像目标类检测方法 |
US9042648B2 (en) * | 2012-02-23 | 2015-05-26 | Microsoft Technology Licensing, Llc | Salient object segmentation |
US9153031B2 (en) * | 2011-06-22 | 2015-10-06 | Microsoft Technology Licensing, Llc | Modifying video regions using mobile device input |
CN105260738A (zh) * | 2015-09-15 | 2016-01-20 | 武汉大学 | 基于主动学习的高分辨率遥感影像变化检测方法及系统 |
CN105551031A (zh) * | 2015-12-10 | 2016-05-04 | 河海大学 | 基于fcm和证据理论的多时相遥感影像变化检测方法 |
CN105844292A (zh) * | 2016-03-18 | 2016-08-10 | 南京邮电大学 | 一种基于条件随机场和二次字典学习的图像场景标注方法 |
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 |
CN107689055A (zh) * | 2017-08-24 | 2018-02-13 | 河海大学 | 一种多时相遥感影像变化检测方法 |
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 |
CN109191503A (zh) * | 2018-08-23 | 2019-01-11 | 河海大学 | 基于条件随机场的遥感影像变化检测方法及系统 |
CN109242832A (zh) * | 2018-08-23 | 2019-01-18 | 河海大学 | 一种多时相多光谱遥感影像变化检测方法及系统 |
CN109255781A (zh) * | 2018-09-03 | 2019-01-22 | 河海大学 | 一种面向对象的基于crf的多时相多光谱遥感影像变化检测方法 |
-
2019
- 2019-01-31 CN CN201910097118.3A patent/CN109903274B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101937079A (zh) * | 2010-06-29 | 2011-01-05 | 中国农业大学 | 基于区域相似度的遥感影像变化检测方法 |
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 |
US9153031B2 (en) * | 2011-06-22 | 2015-10-06 | Microsoft Technology Licensing, Llc | Modifying video regions using mobile device input |
US9042648B2 (en) * | 2012-02-23 | 2015-05-26 | Microsoft Technology Licensing, Llc | Salient object segmentation |
CN103177450A (zh) * | 2013-04-11 | 2013-06-26 | 北京航空航天大学 | 一种基于构件集采样的图像场景分割与分层联合求解方法 |
CN104392228A (zh) * | 2014-12-19 | 2015-03-04 | 中国人民解放军国防科学技术大学 | 基于条件随机场模型的无人机图像目标类检测方法 |
CN105260738A (zh) * | 2015-09-15 | 2016-01-20 | 武汉大学 | 基于主动学习的高分辨率遥感影像变化检测方法及系统 |
CN105551031A (zh) * | 2015-12-10 | 2016-05-04 | 河海大学 | 基于fcm和证据理论的多时相遥感影像变化检测方法 |
CN105844292A (zh) * | 2016-03-18 | 2016-08-10 | 南京邮电大学 | 一种基于条件随机场和二次字典学习的图像场景标注方法 |
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 |
CN107689055A (zh) * | 2017-08-24 | 2018-02-13 | 河海大学 | 一种多时相遥感影像变化检测方法 |
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 |
CN109191503A (zh) * | 2018-08-23 | 2019-01-11 | 河海大学 | 基于条件随机场的遥感影像变化检测方法及系统 |
CN109242832A (zh) * | 2018-08-23 | 2019-01-18 | 河海大学 | 一种多时相多光谱遥感影像变化检测方法及系统 |
CN109255781A (zh) * | 2018-09-03 | 2019-01-22 | 河海大学 | 一种面向对象的基于crf的多时相多光谱遥感影像变化检测方法 |
Non-Patent Citations (4)
Title |
---|
ASHBINDU SINGH: "《Review Article Digital change detection techniques using remotely-sensed data》", 《INTERNATIONAL JOURNAL OF REMOTE SENSING》 * |
WENLIANG QIU等: "《A superpixel-based CRF saliency detection approach》", 《NEUROCOMPUTING》 * |
叶利瑛等: "《基于超像素上下文的图像成分分析》", 《内蒙古民族大学学报(自然科学版)》 * |
李凯等: "《基于条件随机场与多尺度卷积神经网络的交通标志检测与识别》", 《计算机应用》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Also Published As
Publication number | Publication date |
---|---|
CN109903274B (zh) | 2020-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Semantic line framework-based indoor building modeling using backpacked laser scanning point cloud | |
Wang et al. | Optimal segmentation of high-resolution remote sensing image by combining superpixels with the minimum spanning tree | |
Tian et al. | Region-based automatic building and forest change detection on Cartosat-1 stereo imagery | |
Qin | Change detection on LOD 2 building models with very high resolution spaceborne stereo imagery | |
Cao et al. | A new change-detection method in high-resolution remote sensing images based on a conditional random field model | |
Akçay et al. | Building detection using directional spatial constraints | |
Jung | Detecting building changes from multitemporal aerial stereopairs | |
CN105551031B (zh) | 基于fcm和证据理论的多时相遥感影像变化检测方法 | |
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 | |
Li et al. | Automatic registration of panoramic image sequence and mobile laser scanning data using semantic features | |
Mahmoudi et al. | Object oriented image analysis based on multi-agent recognition system | |
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 | |
Zeng et al. | Image fusion for land cover change detection | |
Ma et al. | Image change detection based on an improved rough fuzzy c-means clustering algorithm | |
CN102968790A (zh) | 基于图像融合的遥感图像变化检测方法 | |
Li et al. | Improving LiDAR classification accuracy by contextual label smoothing in post-processing | |
Attarzadeh et al. | Object-based rule sets and its transferability for building extraction from high resolution satellite imagery | |
Miao et al. | Information fusion for urban road extraction from VHR optical satellite images | |
Qian et al. | Deep Roof Refiner: A detail-oriented deep learning network for refined delineation of roof structure lines using satellite imagery | |
Cao et al. | Unsupervised change detection in high spatial resolution remote sensing images based on a conditional random field model | |
Tian et al. | A novel edge-weight based fuzzy clustering method for change detection in SAR images | |
Mirnalinee et al. | An integrated multistage framework for automatic road extraction from high resolution satellite imagery | |
CN109903274A (zh) | 一种高分辨率遥感影像变化检测方法及系统 | |
Yousefi et al. | Hierarchical segmentation of urban satellite imagery | |
CN106373120B (zh) | 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 |
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 |