CN110427997A - 面向复杂遥感影像背景的改进cva变化检测方法 - Google Patents

Abstract

本发明公开了一种面向复杂遥感影像背景的改进CVA变化检测方法，包括：选取两张多时相遥感影像图像并进行影像配准，辐射归一化预处理，采用基于主成分分析与小波变换的影像融合方法分析出多时相遥感影像图像的隐含信息，通过构建多方向差分描述子以提取多时相遥感影像图像中心像素的空间特征及光谱特征，采用灰度共生矩阵提取多时相遥感影像图像的纹理特征，并在此基础上，采用基于相关性的特征融合策略，获得统一的变化强度差分影像，最后采用EM算法求得变化像素的阈值，得到二值检测结果。本方法能够有效应对在复杂遥感影像背景的伪变化的干扰，显著提高变化检测的精度及鲁棒性。

Description

面向复杂遥感影像背景的改进CVA变化检测方法

技术领域

本发明涉及遥感影像处理技术领域，具体而言涉及一种面向复杂遥感影像背景的改进CVA变化检测方法。

背景技术

近年来，随着航空航天遥感技术的飞速发展，海量的多时相遥感影像为监测区域的变化提供了重要的数据来源。遥感影像的变化检测是利用不同时期同一区域的遥感影像，分析和判断影像间的变化，已成为遥感影像处理技术领域的热点之一。

Malila提出一种基于变化向量分析(CVA，Change Vector Analysis)的变化检测法，可以提取变化强度和变化方向信息，且能避免由于影像分类而造成的误差累积；Bektas等利用绿度、亮度、湿度替换原始光谱波段进行变化检测；Junior等利用距离和相似测度定义了一种新的变化矢量；Ghosh等提出了中值CVA算法来构造变化方向余弦；黄维等提出了基于主成分分析的CVA遥感影像变化检测方法，在尽量保留变化细节的基础上抑制了噪声。

以上这些CVA改进算法大都直接以单个像元为处理单元，缺乏考虑变化向量的空间上下文信息及纹理信息，而且忽略了不同波段间变化信息的差异性与互补性，容易受到“伪变化”的干扰，难以满足高分辨率数据的要求。鉴于此，本文提出了面向复杂遥感影像背景的改进CVA变化检测方法。

发明内容

本发明的目的在于提供一种面向复杂遥感影像背景的改进CVA变化检测方法，包括：选取两张多时相遥感影像图像并进行影像配准，辐射归一化预处理，采用基于主成分分析与小波变换的影像融合方法分析出多时相遥感影像图像的隐含信息，通过构建多方向差分描述子以提取多时相遥感影像图像中心像素的空间特征及光谱特征，采用灰度共生矩阵提取多时相遥感影像图像的纹理特征，并在此基础上，采用基于相关性的特征融合策略，获得统一的变化强度差分影像，最后采用EM算法求得变化像素的阈值，得到二值检测结果。本方法能够有效应对在复杂遥感影像背景的伪变化的干扰，显著提高变化检测的精度及鲁棒性。

为达成上述目的，结合图1，本发明提出一种面向复杂遥感影像背景的改进CVA变化检测方法，所述方法包括：

S1：选取两张多时相遥感影像图像，进行预处理，所述预处理包括遥感影像配准、辐射归一化。

S2：采用基于主成分分析与小波变换的影像融合方法，分析出多时相遥感影像图像所包含的隐含信息。

S3：构建多方向差分描述子以提取多时相遥感影像图像的中心像素的空间特征及光谱特征。

S4：采用灰度共生矩阵提取多时相遥感影像图像的纹理特征。

S5：采用基于相关性的特征融合策略，得到统一的变化强度差分影像。

S6：采用EM算法计算变化像素的阈值，得到二值检测结果。

本发明提出，在步骤S2中，所述采用基于主成分分析与小波变换的影像融合方法，分析出多时相遥感影像图像所包含的隐含信息的过程包括以下步骤：

S21：对多时相遥感影像图像做主成分分析，得到n个主分量。

S22：将原始多时相遥感影像图像与所述n个主分量进行直方图匹配。

S23：采用小波变换，将原始多时相遥感影像图像与所述n个主分量进行融合，得到变换检测所需的数据。

在步骤S3中，所述构建多方向差分描述子以提取多时相遥感影像图像的中心像素的空间特征及光谱特征的过程包括以下步骤：

S31：计算多时相遥感影像图像中心像素点邻域内的局部方差σ²。

S32：计算多时相遥感影像图像的整体方差σ₁ ²。

S33：采用如下公式选择相应模型的阶数r：

S34：计算三阶模型中多时相遥感影像图像中心像素与相邻像素的局部变化分量。

S35：通过欧式距离计算多时相遥感影像图像中心像素点(u,v)的灰度变化值。

在步骤S34中，所述计算多时相遥感影像图像中心像素与相邻像素的局部变化分量包括：设r＝3，采用如下公式计算三阶模型中多时相遥感影像图像中心像素与8个相邻像素的局部变化分量x₁、x₂、x₃、x₄、x₅、x₆、x₇、x₈：

其中，x₁为第n主分量中多时相遥感影像图像中心像素点(u,v)与相邻点的灰度差异值，表示变化的概率；为空域尺度参数，表示观测尺度的精度。

在步骤S4中，所述采用灰度共生矩阵提取多时相遥感影像图像的纹理特征的过程包括以下步骤：

S41：选取W个纹理特征统计量，所述纹理特征统计量包括：均值、同质性、对比度、差异性、熵，即W＝5。

S42：G_T,n(u,v)表示T时相的第n主分量中像素点(u,v)的纹理特征信息， 分别表示T时相的第n主分量中像素点(u,v)的均值、同质性、对比度、差异性和熵。

S43：根据下述公式计算第n主分量中像素点(u,v)的纹理特征差异值L_n(u,v)：

其中，表示第一时相中，第n个主分量的第w个特征，表示第二时相中，第n个主分量的第w个特征。

在步骤S5中，所述采用基于相关性的特征融合策略，得到统一的变化强度差分影像的过程包括以下步骤：

S51：采用如下公式计算第n主分量的归一化相关系数λ_n：

其中，p_n为第n主分量的相关系数，S为n个主分量相关系数之和。

S52：采用如下公式，根据相关系数的多特征融合策略计算第2时相中多时相遥感影像中心像素点(u,v)的最终灰度变化值M₂(u,v)：

其中，D_2,n(u,v)表示第2时相中第n主分量的光谱特征差异值，L_n(u,v)表示第n主分量中多时相遥感影像中心像素点(u,v)的纹理特征差异值。

进一步的，在步骤S6中，采用EM算法计算变化像素的阈值，得到二值检测结果的过程包括以下步骤：

S61：基于EM算法进行参数估计，包括以下步骤：

S611：定义多时相遥感影像图像的像素集合H＝{h₁,h₂,····h_n}，h_k为第k个像素。

S612：将集合H中的元素分为变化类w_c、未变化类w_n，并且w_c、w_n的条件概率密度函数服从高斯分布：

采用如下公式，集合H中的所有元素构成由两个子高斯组成的混合分布：

S613：采用如下公式，根据EM算法迭代求解变化类w_c的p(w_c)、和以及未变化w_n的p(w_n)、和参数：

其中，t为迭代次数，初始值为k均值聚类的结果。

不断迭代直到连续两次迭代出的参数差值小于设定阈值。

S62：基于贝叶斯公式进行变化判断，包括以下步骤：

S621：根据贝叶斯公式，得到后验概率计算式：

S622：得到w_c与w_n的参数后，比较p(w_c|h_k)、p(w_n|h_k)：

(1)若p(w_c|h_k)＞p(w_n|h_k)，则h_k∈w_c，判定该像素属于变化类。

(2)若p(w_c|h_k)≤p(w_n|h_k)，则h_k∈w_n，判定该像素属于未变化类。

以上本发明的技术方案，与现有相比，其显著的有益效果在于：

(1)采用结合主成分分析与小波变换的影像融合方法，分析出多光谱遥感影像的“隐含”信息。

(2)构建结合空间特征和光谱特征的多方向差分描述子，实现更加可靠提取图像的空间特征和光谱特征。

(3)采用灰度共生矩阵实现更加可靠的图像纹理特征提取。

(4)采用基于相关性的特征融合策略，获得统一的变化强度差分影像，有效地弥补了CVA及在其基础上改进的算法忽略了不同波段间变化信息的差异性和互补性。

(5)不仅可以应用于传统的变化向量法，还可以直接应用于其他基于变化向量法的算法。

应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。

结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。

附图说明

附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：

图1是本发明的一种面向复杂遥感影像背景的改进CVA变化检测方法步骤图。

图2是本发明的一种面向复杂遥感影像背景的改进CVA变化检测方法流程示意图。

图3是本发明的一种面向复杂遥感影像背景的改进CVA变化检测方法的一种多方向差分描述子。

具体实施方式

为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。

在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定义在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。

结合图1、图2，本发明提及一种面向复杂遥感影像背景的改进CVA变化检测方法，其特征在于，所述方法包括：

S1：选取两张多时相遥感影像图像，进行预处理，所述预处理包括遥感影像配准、辐射归一化。

通常CVA技术及一般的改进算法大都直接以单张遥感影像图像的像元为处理单元，缺乏考虑变化向量的空间上下文信息及纹理信息，忽略了不同波段间变化信息的差异性与互补性，容易受到“伪变化”的干扰，难以满足高分辨率数据的要求。因此本方法中选取了两张多时相遥感影像图像进行检测。

S2：采用基于主成分分析与小波变换的影像融合方法，分析出多时相遥感影像图像所包含的隐含信息。

步骤S2可分解为：

S21：对多时相遥感影像图像做主成分分析，得到n个主分量。

S22：将原始多时相遥感影像图像与所述n个主分量进行直方图匹配。

S23：采用小波变换，将原始多时相遥感影像图像与所述n个主分量进行融合，得到变换检测所需的数据。

S3：构建多方向差分描述子以提取多时相遥感影像图像的中心像素的空间特征及光谱特征。

首先计算多时相遥感影像图像中心像素点邻域内的局部方差σ²、多时相遥感影像图像的整体方差σ₁ ²，并根据局部方差σ²的大小来选择相应模型的阶数r，采用如下公式：

由于多时相遥感影像图像中，影像平滑区域的方差往往较小，边缘区域则较大并包含大量细节信息，因此为了更好地检测多时相遥感影像图像的变化信息，本发明采用了基于方差的模型阶数自适应选择策略，根据某一区域的局部方差σ²的大小来决定模型阶数r的大小。σ²越大，相应的模型阶数r越小；σ²越小，相应的模型阶数r越大。

此外，若模型过大，会导致多时相遥感影像图像中心像素点邻域的边缘权重很小，因此本实施例中选择3×3及5×5。

以三阶模板为例，设r＝3，并结合图2，采用如下公式计算三阶模板中的多时相遥感影像图像中心像素与8个相邻像素的局部变化分量x₁、x₂、x₃、x₄、x₅、x₆、x₇、x₈：

其中，x₁为第n主分量中多时相遥感影像图像中心像素点(u,v)与相邻点的灰度差异值，表示变化的概率，值越大代表变化的概率越大。

为空域尺度参数，表示观测尺度的精度，较小的表示较为精细的观测尺度，相反表示较为粗糙的观测尺度。

同样可以计算五阶模板下的变化分量。

接着，通过欧式距离计算多时相遥感影像图像中心像素点(u,v)的灰度变化值。

S4：采用灰度共生矩阵提取多时相遥感影像图像的纹理特征。

选取W个纹理特征统计量，所述纹理特征统计量包括：均值、同质性、对比度、差异性、熵，W＝5。

采用分别表示T时相的第n主分量中像素点(u,v)的均值、同质性、对比度、差异性和熵。

令G_T,n(u,v)表示T时相的第n主分量中像素点(u,v)的纹理特征信息，并且

令L_n(u,v)表示第n主分量中像素点(u,v)的纹理特征差异值，并且其中，表示第一时相中，第n个主分量的第w个特征，表示第二时相中，第n个主分量的第w个特征。

S5：采用基于相关性的特征融合策略，得到统一的变化强度差分影像。

(1)利用归一化相关系数的计算公式，计算第n主分量的归一化相关系数λ_n，

其中，p_n为第n主分量的相关系数，S为n个主分量相关系数之和。

(2)根据相关系数的多特征融合策略计算第2时相中多时相遥感影像中心像素点(u,v)点的最终灰度变化值M₂(u,v)：

其中，D_2,n(u,v)表示第2时相中第n主分量的光谱特征差异值，L_n(u,v)表示第n主分量中多时相遥感影像中心像素点(u,v)的纹理特征差异值。

S6：采用EM算法计算变化像素的阈值，得到二值检测结果。

该步骤可以分解为两部分：

(1)基于EM算法进行参数估计；

(2)基于贝叶斯公式进行变化判断。

其中，(1)基于EM算法进行参数估计的过程包括以下步骤：

首先定义多时相遥感影像图像的像素集合H＝{h₁,h₂,····h_n}，令h_k表示第k个像素。

将集合H中的元素分为变化类w_c、未变化类w_n，并且假设w_c、w_n的条件概率密度函数服从高斯分布：

其中， 可以通过S613得出。

采用如下公式，将集合H中的所有元素看成是由两个子高斯组成的混合分布：

接着根据EM算法迭代求解变化类w_c的p(w_c)、和以及未变化w_n的p(w_n)、和参数：

其中，t为迭代次数，初始值为k均值聚类的结果。

不断迭代直到连续两次迭代出的参数差值小于设定阈值。

(2)基于贝叶斯公式进行变化判断的过程包括以下步骤：

根据贝叶斯公式，得到后验概率计算式：

在得到w_c与w_n的参数后，比较p(w_c|h_k)、p(w_n|h_k)二者大小：

(1)若p(w_c|h_k)＞p(w_n|h_k)，则h_k∈w_c，判定像素属于变化类。

(2)若p(w_c|h_k)≤p(w_n|h_k)，则h_k∈w_n，判定像素属于未变化类。

虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。

Claims (7)

1.一种面向复杂遥感影像背景的改进CVA变化检测方法，其特征在于，所述方法包括：

S1：选取两张多时相遥感影像图像，进行预处理，所述预处理包括遥感影像配准、辐射归一化；

S2：采用基于主成分分析与小波变换的影像融合方法，分析出多时相遥感影像图像所包含的隐含信息；

S3：构建多方向差分描述子以提取多时相遥感影像图像的中心像素的空间特征及光谱特征；

S4：采用灰度共生矩阵提取多时相遥感影像图像的纹理特征；

S5：采用基于相关性的特征融合策略，得到统一的变化强度差分影像；

S6：采用EM算法计算变化像素的阈值，得到二值检测结果。

2.根据权利要求1所述的面向复杂遥感影像背景的改进CVA变化检测方法，其特征在于，步骤S2中，所述采用基于主成分分析与小波变换的影像融合方法，分析出多时相遥感影像图像的隐含信息的过程包括以下步骤：

S21：对多时相遥感影像图像做主成分分析，得到n个主分量；

S22：将原始多时相遥感影像图像与所述n个主分量进行直方图匹配；

S23：采用小波变换，将原始多时相遥感影像图像与所述n个主分量进行融合，得到变换检测所需的数据。

3.根据权利要求1所述的面向复杂遥感影像背景的改进CVA变化检测方法，其特征在于，步骤S3中，所述构建多方向差分描述子以提取多时相遥感影像图像中心像素的空间特征及光谱特征的过程包括以下步骤：

S31：计算多时相遥感影像图像中心像素点邻域内的局部方差σ²；

S32：计算多时相遥感影像图像的整体方差σ₁ ²；

S33：采用如下公式选择相应模型的阶数r：

S34：计算多时相遥感影像图像中心像素与相邻像素的局部变化分量；

S35：通过欧式距离计算多时相遥感影像图像中心像素点(u,v)的灰度变化值。

4.根据权利要求3所述的面向复杂遥感影像背景的改进CVA变化检测方法，其特征在于，步骤S34中，所述计算多时相遥感影像图像中心像素与相邻像素的局部变化分量包括：

设r＝3，采用如下公式计算三阶模型中多时相遥感影像图像中心像素与8个相邻像素的局部变化分量x₁、x₂、x₃、x₄、x₅、x₆、x₇、x₈：

其中，x₁为第n主分量中多时相遥感影像图像中心像素点(u,v)与相邻点的灰度差异值，表示变化的概率；为空域尺度参数，表示观测尺度的精度。

5.根据权利要求1所述的面向复杂遥感影像背景的改进CVA变化检测方法，其特征在于，步骤S4中，所述采用灰度共生矩阵提取多时相遥感影像图像的纹理特征的过程包括以下步骤：

S41：选取W个纹理特征统计量，所述纹理特征统计量包括：均值、同质性、对比度、差异性、熵，W＝5；

S42：G_T,n(u,v)表示T时相的第n主分量中像素点(u,v)的纹理特征信息， 分别表示T时相的第n主分量中像素点(u,v)的均值、同质性、对比度、差异性和熵；

S43：根据下述公式计算第n主分量中像素点(u,v)的纹理特征差异值L_n(u,v)：

其中，表示第一时相中，第n个主分量的第w个特征，表示第二时相中，第n个主分量的第w个特征。

6.根据权利要求1所述的面向复杂遥感影像背景的改进CVA变化检测方法，其特征在于，步骤S5中，所述采用基于相关性的特征融合策略，得到统一的变化强度差分影像的过程包括以下步骤：

S51：采用如下公式计算第n主分量的归一化相关系数λ_n：

其中，p_n为第n主分量的相关系数，S为n个主分量相关系数之和；

S52：采用如下公式，根据相关系数的多特征融合策略计算第2时相中多时相遥感影像中心像素点(u,v)的最终灰度变化值M₂(u,v)：

其中，D_2,n(u,v)表示第2时相中第n主分量的光谱特征差异值，L_n(u,v)表示第n主分量中多时相遥感影像中心像素点(u,v)的纹理特征差异值。

7.根据权利要求1所述的面向复杂遥感影像背景的改进CVA变化检测方法，其特征在于，步骤S6中，采用EM算法计算变化像素的阈值，得到二值检测结果的过程包括以下步骤：

S61：基于EM算法进行参数估计，包括以下步骤：

S611：定义多时相遥感影像图像的像素集合H＝{h₁,h₂,····h_n}，h_k为第k个像素；

S612：将集合H中的元素分为变化类w_c、未变化类w_n，并且w_c、w_n的条件概率密度函数服从高斯分布：

采用如下公式，集合H中的所有元素构成由两个子高斯组成的混合分布：

S613：采用如下公式，根据EM算法迭代求解变化类w_c的p(w_c)、和以及未变化w_n的p(w_n)、和参数：

其中，t为迭代次数，初始值为k均值聚类的结果；

不断迭代直到连续两次迭代出的参数差值小于设定阈值；

S62：基于贝叶斯公式进行变化判断，包括以下步骤：

S621：根据贝叶斯公式，得到后验概率计算式：

S622：得到w_c与w_n的参数后，比较p(w_c|h_k)、p(w_n|h_k)：

(1)若p(w_c|h_k)＞p(w_n|h_k)，则h_k∈w_c，判定该像素属于变化类；

(2)若p(w_c|h_k)≤p(w_n|h_k)，则h_k∈w_n，判定该像素属于未变化类。