CN111476813B - 图像变化检测方法、装置、电子设备及存储介质 - Google Patents

Abstract

本发明涉及图像处理技术领域，提供了一种图像变化检测方法、装置、电子设备及存储介质，所述方法包括：获取待检测的大小相同的第一图像和第二图像；对第一图像和第二图像进行差异分析，得到用于表征第一图像和第二图像之间差异的差异图像；查找差异图像中满足预设条件的目标连通区域图；对目标连通区域图进行谱聚类处理，得到与目标连通区域图对应的图像变化区域。本发明实施例通过先粗粒度地确定发生变化、且满足预设条件的目标连通区域图，再细粒度地针对目标连通区域图进行谱聚类处理，最终得到较为准确的图像变化区域，降低了图像变化检测的误差，具有较强的实用性，一定程度上解决了谱聚类算法在高分辨率图像上应用的可行性问题。

Description

图像变化检测方法、装置、电子设备及存储介质

技术领域

本发明涉及图像处理技术领域，具体而言，涉及一种图像变化检测方法、装置、电子设备及存储介质。

背景技术

合成孔径雷达SAR(Synthetic Aperture Radar，SAR)图像是由一种主动式的且具有一定的地表穿透能力成孔径雷达系统所产生的可以记录地表相位、振幅、强度等信息的影像。

传统的对于SAR图像的变化检测方法是对图像中的像素点进行简单的代数操作，可以直观的表达出不同时相的SAR图像中某区域变化程度。但是这种方法对噪声十分敏感，因此图像变化检测的误差较大，检测效果不理想。

发明内容

本发明的目的在于提供一种图像变化检测方法、装置、电子设备及存储介质，其能够降低图像变化检测的误差，提高图像变化检测的准确性。

为了实现上述目的，本申请实施例采用的技术方案如下：

第一方面，本发明提供了一种图像变化检测方法，所述方法包括：获取待检测的大小相同的第一图像和第二图像；对第一图像和第二图像进行差异分析，得到用于表征第一图像和第二图像之间差异的差异图像；查找差异图像中满足预设条件的目标连通区域图；对目标连通区域图进行谱聚类处理，得到与目标连通区域图对应的图像变化区域。

第二方面，本发明提供了一种图像变化检测装置，所述装置包括：获取模块，用于获取待检测的大小相同的第一图像和第二图像；分析模块，用于对第一图像和第二图像进行差异分析，得到用于表征第一图像和第二图像之间差异的差异图像；查找模块，用于查找差异图像中满足预设条件的目标连通区域图；聚类模块，用于对目标连通区域图进行谱聚类处理，得到与目标连通区域图对应的图像变化区域。

第三方面，本发明提供了一种电子设备，所述电子设备包括：一个或多个处理器；存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述的图像变化检测方法。

第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的图像变化检测方法。

相对于现有技术，本发明提供的图像变化检测方法、装置、电子设备及存储介质，首先对大小相同的待检测的第一图像和第二图像进行差异分析，得到差异图像，然后，查找差异图像中满足预设条件的目标连通区域图，最后，对目标连通区域图进行谱聚类处理，得到与目标连通区域图对应的图像变化区域，通过先粗粒度地确定发生变化、且满足预设条件的目标连通区域图，再细粒度地针对目标连通区域图进行谱聚类处理，最终得到较为准确的图像变化区域，降低了图像变化检测的误差，提高了图像变化检测的准确性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1示出了本发明实施例提供的一种图像变化检测方法的流程图。

图2示出了本发明实施例提供的另一种图像变化检测方法的流程图。

图3示出了本发明实施例提供的另一种图像变化检测方法的流程图。

图4示出了本发明实施例提供的另一种图像变化检测方法的流程图。

图5示出了本发明实施例提供的图像变换检测过程的图像变化示例图。

图6示出了本发明实施例提供的图像变化检测装置的方框示意图。

图7示出了本发明实施例提供的电子设备的方框示意图。

图标：10-电子设备；11-存储器；12-处理器；13-总线；100-图像变化检测装置；110-获取模块；120-分析模块；130-查找模块；140-聚类模块。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本邻域普通技术人员在没有作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。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本发明的描述中，需要说明的是，若出现术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，若出现术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

需要说明的是，在不冲突的情况下，本发明的实施例中的特征可以相互结合。

在对SAR图像进行变换检测时，传统的对SAR图像中的像素点进行简单的代数操作，以直观的表达出不同时相的SAR图像中的某区域变换的程度，但是这种方法对噪声十分敏感，因此图像变化检测的误差较大，检测效果不理想。发明人对该方法进行了分析和研究发现，导致误差较大的原因在于没有对像素信息的空间邻域信息做处理。

还有一些方法对待检测的图像的差异图进行聚类处理，以提高图像变化检测的准确性，常用的普通聚类算法例如k-均值聚类、EM算法等，这些算法都是建立在凸球形状的样本空间中，当样本空间不是凸球形状时，该聚类算法容易陷入局部最优，从而得不到理想的聚类效果。

谱聚类是针对数据集的拉普拉斯矩阵的特征向量求解划分，可以克服普通聚类算法的缺陷，但是基于谱聚类的SAR图像变化检测方法在创建相似度矩阵时需要庞大的内存空间以及运算时间，对计算机的硬件有非常高的要求，目前个人计算机在有限的时间范围内只能对小规模的影像进行处理，处理效率不高、也无法在个人计算机处理大规模像素点的图像。

针对上述问题，发明人发现，对图像变化检测时，待检测的图像通常包含多处变化区域，并且变化区域的面积大小不同。再加上遥感监测、图像处理和数据转换时会出现各种各样的误差，因此，通常情况下并不是每一处变化区域都有值得研究的价值。基于这一发现，发明人提出一种图像变化检测方法、装置、电子设备及存储介质，通过查找待检测图像的差异图中的目标连通区域图，以粗粒度地确定发生变化、且满足预设条件的目标连通区域图，再细粒度地针对目标连通区域图进行谱聚类处理，最终在不受限计算机硬件条件下得到较为准确的图像变化区域，下面将对此进行详细描述。

请参考图1，图1示出了本发明实施例提供的一种图像变化检测方法的流程图，该方法包括以下步骤：

步骤S101，获取待检测的大小相同的第一图像和第二图像。

在本实施例中，第一图像和第二图像可以是在不同时间采用相同的拍摄参数针对同一目标进行图像采集得到的图像，其中，拍摄参数包括、但不限于拍摄角度、拍摄模式等。

步骤S102，对第一图像和第二图像进行差异分析，得到用于表征第一图像和第二图像之间差异的差异图像。

步骤S103，查找差异图像中满足预设条件的目标连通区域图。

在本实施例中，差异图像中通常存在多个连通区域图，为了减少不必要的处理的数据量，只对满足预设条件的目标连通区域图进一步地分析，得到更具研究价值的图像变化区域。

步骤S104，对目标连通区域图进行谱聚类处理，得到与目标连通区域图对应的图像变化区域。

在本实施例中，目标连通区域图可以是一个，也可以是多个，当目标连通区域图为多个时，对每一个目标连通区域图分别进行谱聚类处理，再将每一个目标连通区域图对应的图像变化区域合并至同一张图像上，以得到可以反映出图像变化区域的整体变化图。

本发明实施例提供的上述图像变化检测方法，通过查找待检测图像的差异图中的目标连通区域图，以粗粒度地确定发生变化、且满足预设条件的目标连通区域图，再细粒度地针对目标连通区域图进行谱聚类处理，最终在不受限计算机硬件条件下得到较为准确、且最具研究价值的图像变化区域。

在图1的基础上，本实施例提供了一种生成第一图像和第二图像的差异图像的具体实施例，请参照图2，图2示出了本发明实施例提供的另一种图像变化检测方法的流程图，步骤S102包括以下子步骤：

子步骤S1021，对第一图像和第二图像进行滤波处理，得到滤波后的第一图像和滤波后的第二图像。

在本实施例中，为了减小噪声对图像检测准确性的影响，对第一图像和第二图像进行滤波处理，其中，滤波处理包括、但不限于中值滤波、均值滤波、最大最小值滤波等。以对第一图像进行中值滤波为例，对第一图像进行中值滤波处理的方法可以是，对于第一图像中的每一个像素点计算对应的中值滤波后的像素值，采用的计算公式可以是：

g(x,y)＝med{f(x-k,y-l),(k,l∈W)}

其中，g(x,y)为滤波后的第一图像的像素坐标点为(x,y)的像素值，med为中值滤波函数，W为第一图像的像素坐标点(x,y)的邻域范围，f(x-k,y-l)为像素坐标点(x,y)在W邻域范围内的像素坐标点(x-k,y-l)的像素值。

对于第二图像，同样可以利用上述公式进行中值滤波处理，此处不再赘述。

子步骤S1022，利用图像差值法计算滤波后的第一图像和滤波后的第二图像的差值差异图。

在本实施例中，作为一种差值差异图的具体计算方式，计算差值差异图可以采用如下公式：

D₁＝255-|T₁-T₂|

其中，D₁为差值差异图，T₁为滤波后的第一图像中每一像素点的像素值，T₂为滤波后的第二图像中与第一图像中的像素点对应的像素点的像素值。

子步骤S1023，利用图像邻域比值法计算滤波后的第一图像和滤波后的第二图像的邻域比值差异图。

在本实施例中，作为一种邻域比值差异图的具体计算方式，计算邻域比值差异图可以采用如下公式：

其中，D₂(x)为邻域比值差异图中像素点x的像素值，M为邻域半径，S₁(x_i)为滤波后的第一图像中每一像素点的邻域的集合，S₂(x_i)为滤波后的第二图像中的每一像素点的邻域的集合。

在本实施例中，M的取值可以是3～5。

子步骤S1024，将差值差异图和邻域比值差异图进行融合，得到差异图像。

在本实施例中，融合的方式可以是基于非局部均值去噪(NL-means)的思想对差值差异图和邻域比值差异图进行乘法融合，也可以是基于典型关联分析CCA(CanonicalCorrelationAnalysis，CCA)的思想对差值差异图和邻域比值差异图进行关联融合，本发明实施例对具体融合方式不予限定。

在本实施例中，以乘法融合为例，可以采用如下公式进行乘法融合：

D(i)＝∑u(i,j)d₂(j)

其中，D(i)为差异图像D的第i个元素的像素值，d₂(j)为邻域比值差异图的第j个元素的像素值，u(i,j)为差值差异图的第i个像素点和第j个像素点的相似度。

u(i,j)可以通过如下公式计算得到：

其中，N_i为差值差异图中第i个像素点的邻域的集合，N_j为差值差异图中第j个像素点的邻域的集合，1≤i≤H×W,1≤j≤H×W，邻域半径可以取3～5，H为差值差异图的高度，W为差值差异图的宽度，d₁(N_i)为差值差异图中，以第i个像素点为中心的窗口，N_i内所有像素点的灰度值依次构成的向量，所有窗口取同一方向，d₁(N_j)为差值差异图中，以第j个像素点为中心的窗口，N_j内所有像素点的灰度值依次构成的向量，所有窗口取同一方向邻域的集合构成的向量，h为控制衰减程度的参数，

表示d₁(N_i)和d₁(N_j)之间的欧式距离，用d₁(N_i)和d₁(N_j)之间的欧式距离表征d₁(N_i)和d₁(N_j)的相似性。

本发明实施例提供的上述图像变化检测方法，通过先对第一图像和第二图像进行滤波处理，以减少噪声对检测准确性的影响，同时，采用差值差异图和邻域比值差异图进行融合方式，得到第一图像和第二图像之间的差异图，再基于差异图进行图像变化检测，大大减少图像变化检测过程中处理的数据量，同时可以充分利用第一图像和第二图像的遥感数据的数据点空间信息。

在图1的基础上，本实施例提供了一种查找差异图像中的目标连通区域图的具体实施例，请参照图3，图3示出了本发明实施例提供的另一种图像变化检测方法的流程图，步骤S103包括以下子步骤：

子步骤S1031，以差异图像中的每一个表征存在差异的像素点为起始点，将在起始点的预设邻域范围内、且表征存在差异的像素点作为与起始点连通的目标连通点，再将目标连通点作为新的起始点，继续确定新的起始点的目标连通点，直至找不到目标连通点，将包括起始点及所有相关的目标连通点的几何区域作为一个连通区域图、并记录连通区域图的位置信息及对应的连通面积，其中，连通面积由该连通区域图内的起始点及所有相关的目标连通点组成的区域的面积。

在本实施例中，通常情况下，像素值在[0,254]范围内的像素点为表征存在差异的像素点，即该像素点对应的区域是第一图像和第二图像存在差异的区域，像素值为255的像素点为表征未变化的像素点，表示该像素点对应的区域是第一图像和第二图像不存在差异的区域。但是由于差异图融合的过程中应用到像素点的空间邻域像素数据，差异图内像素点受周围邻域像素值一定的影响，存在一定误差，所以实际场景中根据像素点的像素值对像素点是否表征差异进行判断时，一般可以采用自适应OSTU方法先对差异图进行阈值分割，得到用于表征像素点是否发生变化的像素值阈值，根据实际场景的需要，可以设置：若像素点的像素值大于该像素值阈值，则该像素点为表征不存在差异的像素点，若像素点的像素值小于或者等于该像素值阈值该像素点为表征存在差异的像素点，例如：像素值阈值为200，则大于200的像素点代表为未变化的像素点，小于或者等于200的像素点代表为发生变化的像素点，也可以设置：若像素点的像素值大于或者等于该像素值阈值，则该像素点为表征不存在差异的像素点，若像素点的像素值小于该像素值阈值为表征存在差异的像素点。

在本实施例中，起始点的预设邻域范围可以是以起始点为中心的预设邻域半径覆盖的区域。

例如，表1为差异图像的像素点数据，预设邻域半径为1，以a1为起始点，a1的预设邻域范围覆盖了a2、b1和b2，以b2为起始点，b2的预设邻域范围覆盖了a1、a2、a3、b1、b3、c1、c2和c3。

表1

a1	a2	a3	a4	a5
					b1	b2	b3	b4	b5
c1	c2	c3	c4	c5
					d1	d2	d3	d4	d5

以像素值阈值为200为例，请参照表2，表2为表1中差异图像中对应像素点的像素值。

表2

以邻域半径为1为例，参照表2，子步骤S1031的处理过程如下：由于a1的像素值小于200，则以a1为起始点，a1预设邻域范围内覆盖了a2、b1和b2，其中a2和b2的像素值均大于200，代表a2和b2的像素点对应的区域不存在差异，b1的像素值小于200，则b1为a1预设邻域范围内存在差异的像素点，则b1为a1的目标连通点，以b1为新的起始点，继续查找b1的目标连通点为c1和c2，分别以c1和c2为新的起始点，继续查找c1和c2的目标连通点，c1的目标连通点为c2，c2的目标连通点为c1和c3，c1已经确定为目标连通点，因此，不再继续以c1为新的起始点进行查找，c3为新的目标连通点，因此，继续以c3为新的起始点，继续查找c3的目标连通点，c3的目标连通点为c2，c2已经确定为目标连通点，c3除c2之外不存在新的目标连通点，此时，结束目标连通点的查找，则包括a1、b1、c1、c2、c3的几何区域作为一个连通区域图，然后依次遍历a4、a5、b1、c1、c2和c3，进行上述相同的查找过程，直到找到表2差异图像中所有的连通区域图。

需要说明的是，可以对每一像素点为起始点查找到的连通区域图进行去重，最终得到不相重复的连通区域图。

在本实施例中，几何区域可以是包括起始点及所有相关的目标连通点的最小的矩形区域，即用矩形框将连通区域圈围起来的连通区域图，也可以是包括起始点及所有相关的目标连通点的圆形区域、正方形区域等其他几何区域。以几何区域为矩形区域为例，参照表2，包括a1、b1、c1、c2、c3的矩形区域可以是由a1、a2、a3、b1、b2、b3、c1、c2、c3组成的矩形区域，该矩形区域为一个连通区域图，该连通区域图对应的连通面积为由a1、b1、c1、c2、c3组成的不规则连通区域的面积。

在本实施例中，以连通区域图为矩形区域为例，连通区域图的位置信息可以由该连通区域的左上角顶点的坐标及该连通区域图的高度和宽度进行表示。

子步骤S1032，对所有连通区域图对应的连通面积进行预设阈值分析，确定面积阈值。

在本实施例中，预设阈值分析方法可以是自适应OSTU算法，也称为大津法或最大类间方差法，也可以是自适应阈值二值化算法，本发明实施例对具体的预设阈值分析方法不予限定。

子步骤S1033，将连通面积超出面积阈值的连通区域图作为目标连通区域图。

在本实施例中，连通面积超出面积阈值的目标连通区域图才是真正有研究价值的、需要进一步细粒度处理的区域。

本发明实施例提供的上述图像变化检测方法，通过确定连通区域的面积阈值将无价值或者价值不大的连通区域图筛选掉，只保留连通面积超出面积阈值的有价值的、或者价值比较大的目标连通区域图，再对目标连通区域图进行进一步的细粒度的处理，可以大大减少图像变化检测需要处理的数据量，同时解决了高分辨率SAR图像因数据量大无法使用谱聚类算法的问题。

在图1的基础上，本实施例提供了一种对目标连通区域图进行谱聚类处理的具体实施例，请参照图4，图4示出了本发明实施例提供的另一种图像变化检测方法的流程图，步骤S104包括以下子步骤：

子步骤S1041，对目标连通区域图进行超像素处理，得到目标连通区域图的多个超像素子图。

在本实施例中，对任意一个目标连通区域图进行超像素处理的过程可以是：

首先，根据该目标连通区域图的位置信息在差异图像中获取对应目标连通区域图的像素信息；

其次，对该目标连通区域图中的像素信息采用超像素经典SLIC算法处理将位置相邻且特征相似的像素点归在同一个小区域，每一个小区域为一个超像素子图，将这些小区域作为目标连通区域图中的像素点，由此可以大大地减少该目标连通区域图中需要处理的像素点的数量。进行超像素处理后的该目标连通区域图的图像大多保留了进一步进行图像分割的有效信息，也不会破坏原目标连通区域图的图像中物体的边界信息。

子步骤S1042，对多个超像素子图进行谱聚类处理，得到谱聚类结果。

在本实施例中，作为一种具体实施方式，谱聚类的实现方式可以是：

首先，将多个超像素子图进行影像数据变换，得到对应的一维向量矩阵，并构造该一维向量矩阵的相似度矩阵。

相似度矩阵W中的第i行第j列对应的元素的值可以通过计算X_i和X_j之间的欧式距离得到，欧式距离用于表征两者的相似性，欧式距离可以通过如下公式得到：

其中，(W)_ij为相似度矩阵中的第i行第j列对应的元素的值，即X_i和X_j之间的欧式距离，X_i为目标连通区域图的图像中第i个位置的超像素子图的平均像素值，X_j为目标连通区域图的图像中第j个位置的超像素子图的平均像素值，σ为带宽参数，用于控制径向作用的范围。

其次，确定对角矩阵D，D的第i行第i个元素为相似度矩阵W的第i行的元素之和。

第三，计算拉普拉斯矩阵L。

在本实施例中，拉普拉斯矩阵L可以采用如下公式计算：

L＝D-W

其中，L为拉普拉斯矩阵，D为对角矩阵，W为相似度矩阵。

第四，对拉普拉斯矩阵L进行归一化。

在本实施例中，拉普拉斯矩阵L可以采用如下公式进行归一化：

L′＝D^-1/2×L×D^-1/2

其中，L′为对L归一处理后的矩阵。

第五，提取L′前k个最小的特征向量并放入矩阵Q中。

在本实施例中，k为预设值，可以根据实际检测变化的精确度及数据处理的效率进行确定。

第六，利用K均值聚类k-means算法对矩阵Q做聚类得到一个一维向量，将一维向量内的数据与对应目标连通区域图图中超像素子图位置进行赋值，得到谱聚类结果。

子步骤S1043，依据谱聚类结果及目标连通区域图的位置信息得到与目标连通区域图对应的图像变化区域。

在本实施例中，目标连通区域图的位置信息中可以包括目标连通区域图的左上角顶点位置信息，及目标连通区域图的宽度和高度，根据谱聚类结果及目标连通区域图的左上角顶点位置信息，及目标连通区域图的宽度和高度，对目标连通区域图对应的图像进行还原，最终得到变化区域的图像。

需要说明的是，当目标连通区域图有多个时，对每一个目标连通区域均进行上述子步骤S1041～子步骤S1043的处理，最终得到所有目标连通区域图对应的变换区域的图像。

本发明实施例提供的上述图像变化检测方法，通过先对目标连通区域图进行超像素处理，极大地减少了处理的数据量，提高了图像变换检测的效率的同时，进一步提高了图像分割效率，另外，采用谱聚类算法对目标连通区域图进行细粒度的聚类处理，提高了图像变化区域检测的准确性，比传统图像变化检测方法更具有实用性。

需要说明的是，上述子步骤S1021～S1024可以替换图3和图4中的步骤S102，上述子步骤S1031～S1033也可以替换图2和图4中的步骤S103，上述子步骤S1041～S1043也可以替换图2和图3中的步骤S104，已达到对应的技术效果。

为了更清楚地对本发明实施例的图像变换检测方法进行说明，本发明实施例还提供了图像变换检测过程的图像变化示例图，请参照图5，图5示出了本发明实施例提供的图像变换检测过程的图像变化示例图。图5(a)示出了待检测的第一图像和第二图像，图5(b)示出了图5(a)中第一图像和第二图像的差值差异图，图5(c)示出了图5(a)中第一图像和第二图像的邻域比值差异图，图5(d)示出了图5(b)和图5(c)融合后的差异图像，图5(e)示出了图5(d)中所有连通区域图，即图5(e)中用矩形框标识出的区域，图5(f)示出了图5(d)中目标连通区域图对应的图像，图5(g)示出了图5(f)中其中一个目标连通区域图对应的子图像，图5(h)示出了图5(g)进行超像素处理后的图，图5(i)示出了对图5(g)进行谱聚类处理并根据其位置信息得到对应的图像变化区域，图5(j)示出了图5(f)中所有矩形区域进行谱聚类得到的对应的图像变化区域。

为了执行上述实施例及各个可能的实施方式中的相应步骤，下面给出一种图像变化检测装置的方框示意图的实现方式，请参看图6，图6示出了本发明实施例提供的图像变化检测装置100的方框示意图。需要说明的是，本实施例所提供的图像变化检测装置100，其基本原理及产生的技术效果和上述实施例相同，为简要描述，本实施例部分未提及指出，可参考上述实施例中的相应内容。

图像变化检测装置100包括获取模块110、分析模块120、查找模块130及聚类模块140。

获取模块110，用于获取待检测的大小相同的第一图像和第二图像。

分析模块120，用于对第一图像和第二图像进行差异分析，得到用于表征第一图像和第二图像之间差异的差异图像。

作为一种实施方式，分析模块120具体用于：对第一图像和第二图像进行滤波处理，得到滤波后的第一图像和滤波后的第二图像；利用图像差值法计算滤波后的第一图像和滤波后的第二图像的差值差异图；利用图像比值法计算滤波后的第一图像和滤波后的第二图像的邻域比值差异图；将差值差异图和邻域比值差异图进行融合，得到差异图像。

查找模块130，用于查找差异图像中满足预设条件的目标连通区域图。

作为一种实施方式，查找模块130具体用于：以差异图像中的每一个表征存在差异的像素点为起始点，将在起始点的预设邻域范围内、且表征存在差异的像素点作为与起始点连通的目标连通点，再将目标连通点作为新的起始点，继续确定新的起始点的目标连通点，直至找不到目标连通点，将包括起始点及所有相关的目标连通点的几何区域作为一个连通区域图、并记录连通区域图的位置信息及对应的连通面积，其中，连通面积由该连通区域图内的起始点及所有相关的目标连通点组成的区域的面积；对所有连通区域图对应的连通面积进行预设阈值分析，确定面积阈值；将连通面积超出面积阈值的连通区域图作为目标连通区域图。

聚类模块140，用于对目标连通区域图进行谱聚类处理，得到与目标连通区域图对应的图像变化区域。

作为一种实施方式，聚类模块140用于：对目标连通区域图进行超像素处理，得到目标连通区域图的多个超像素子图；对多个超像素子图进行谱聚类处理，得到谱聚类结果；依据谱聚类结果及目标连通区域图的位置信息得到与目标连通区域图对应的图像变化区域。

本实施例提供一种电子设备，请参照图7，图7示出了本发明实施例提供的电子设备10的方框示意图。电子设备10可以是一个主机或服务器等实体的计算机，也可以是多个主机组成的主机组，或者是多个服务器组成的服务器组，还可以是能够实现与实体的计算机具有相同功能的虚拟主机或者虚拟服务器、或者虚拟主机组或者虚拟服务器组，还可以是平板电脑等移动终端。电子设备10还包括存储器11、处理器12和总线13。存储器11、处理器12通过总线13连接。

存储器11用于存储程序，例如图6中的图像变化检测装置100，该图像变化检测装置100包括至少一个可以软件或固件(firmware)的形式存储于存储器11中的软件功能模块，处理器12在接收到执行指令后，执行所述程序以实现上述实施例揭示的图像变化检测方法。

存储器11可能包括高速随机存取存储器(RAM：Random Access Memory)，也可能还包括非易失存储器(non-volatile memory)，例如至少一个磁盘存储器。可选地，存储器11可以是内置于处理器12中的存储装置，也可以是独立于处理器12的存储装置。

总线13可以是ISA总线、PCI总线或EISA总线等。图6仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

处理器12可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器12中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器12可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器12执行时实现上述的图像变化检测方法。

综上所述，本发明实施例提供了一种图像变化检测方法、装置、电子设备及存储介质，所述方法包括：获取待检测的大小相同的第一图像和第二图像；对第一图像和第二图像进行差异分析，得到用于表征第一图像和第二图像之间差异的差异图像；查找差异图像中满足预设条件的目标连通区域图；对目标连通区域图进行谱聚类处理，得到与目标连通区域图对应的图像变化区域。相对于现有技术，本发明实施例通过先粗粒度地确定发生变化的目标连通区域图，再细粒度地针对目标连通区域图进行谱聚类处理，最终得到较为准确的图像变化区域，降低了图像变化检测的误差，提高了图像变化检测的准确性，且具有较强的实用性，一定程度上解决了谱聚类算法在高分辨率图像上应用的可行性问题。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (6)

1.一种图像变化检测方法，其特征在于，所述方法包括：

获取待检测的大小相同的第一图像和第二图像；

对所述第一图像和所述第二图像进行差异分析，得到用于表征所述第一图像和所述第二图像之间差异的差异图像；

查找所述差异图像中满足预设条件的目标连通区域图；

对所述目标连通区域图进行超像素处理，得到所述目标连通区域图的多个超像素子图；

将所述多个超像素子图进行影像数据变换，得到对应的一维向量矩阵，并构造所述一维向量矩阵的相似度矩阵，所述相似度矩阵W中的第i行第j列对应的元素的值通过计算X_i和X_j之间的欧式距离得到，欧式距离用于表征两者的相似性，欧式距离通过如下公式得到：

其中，(W)ij为所述相似度矩阵中的第i行第j列对应的元素的值，即X_i和X_j之间的欧式距离，X_i为所述目标连通区域图的图像中第i个位置的超像素子图的平均像素值，X_j为所述目标连通区域图的图像中第j个位置的超像素子图的平均像素值，σ为带宽参数，用于控制径向作用的范围；

确定对角矩阵D，D的第i行第i个元素为相似度矩阵W的第i行的元素之和；

采用如下公式计算拉普拉斯矩阵L：

L＝D-W

其中，L为拉普拉斯矩阵，D为对角矩阵，W为相似度矩阵；

采用如下公式对拉普拉斯矩阵L进行归一化：

L′＝D^-1/2×L×D^-1/2

其中，L′为对L归一处理后的矩阵；

提取L′前k个最小的特征向量并放入矩阵Q中；

利用K均值聚类k-means算法对所述矩阵Q做聚类得到一个一维向量，将所述一维向量内的数据与对应所述目标连通区域图图中超像素子图位置进行赋值，得到谱聚类结果；

依据所述谱聚类结果及所述目标连通区域图的位置信息得到与所述目标连通区域图对应的图像变化区域；

所述查找所述差异图像中满足预设条件的目标连通区域图的步骤包括：

以所述差异图像中的每一个表征存在差异的像素点为起始点，将在所述起始点的预设邻域范围内、且表征存在差异的像素点作为与所述起始点连通的目标连通点，再将所述目标连通点作为新的起始点，继续确定所述新的起始点的目标连通点，直至找不到目标连通点，将包括所述起始点及所有相关的目标连通点的几何区域作为一个连通区域图、并记录所述连通区域图的位置信息及对应的连通面积，其中，所述连通面积由该连通区域图内的起始点及所有相关的目标连通点组成的区域的面积；

对所有所述连通区域图对应的连通面积进行预设阈值分析，确定面积阈值；

将连通面积超出所述面积阈值的所述连通区域图作为目标连通区域图。

2.如权利要求1所述的图像变化检测方法，其特征在于，所述对所述第一图像和所述第二图像进行差异分析，得到用于表征所述第一图像和所述第二图像之间差异的差异图像的步骤包括：

对所述第一图像和所述第二图像进行滤波处理，得到滤波后的第一图像和滤波后的第二图像；

利用图像差值法计算所述滤波后的第一图像和所述滤波后的第二图像的差值差异图；

利用图像邻域比值法计算所述滤波后的第一图像和所述滤波后的第二图像的邻域比值差异图；

将所述差值差异图和所述邻域比值差异图进行融合，得到所述差异图像。

3.一种图像变化检测装置，其特征在于，所述装置包括：

获取模块，用于获取待检测的大小相同的第一图像和第二图像；

分析模块，用于对所述第一图像和所述第二图像进行差异分析，得到用于表征所述第一图像和所述第二图像之间差异的差异图像；

查找模块，用于查找所述差异图像中满足预设条件的目标连通区域图；

聚类模块，用于：对所述目标连通区域图进行超像素处理，得到所述目标连通区域图的多个超像素子图；

将所述多个超像素子图进行影像数据变换，得到对应的一维向量矩阵，并构造所述一维向量矩阵的相似度矩阵，所述相似度矩阵W中的第i行第j列对应的元素的值通过计算X_i和X_j之间的欧式距离得到，欧式距离用于表征两者的相似性，欧式距离通过如下公式得到：

其中，(W)ij为所述相似度矩阵中的第i行第j列对应的元素的值，即X_i和X_j之间的欧式距离，X_i为所述目标连通区域图的图像中第i个位置的超像素子图的平均像素值，X_j为所述目标连通区域图的图像中第j个位置的超像素子图的平均像素值，σ为带宽参数，用于控制径向作用的范围；

确定对角矩阵D，D的第i行第i个元素为相似度矩阵W的第i行的元素之和；

采用如下公式计算拉普拉斯矩阵L：

L＝D-W

其中，L为拉普拉斯矩阵，D为对角矩阵，W为相似度矩阵；

采用如下公式对拉普拉斯矩阵L进行归一化：

L′＝D^-1/2×L×D^-1/2

其中，L′为对L归一处理后的矩阵；

提取L′前k个最小的特征向量并放入矩阵Q中；

利用K均值聚类k-means算法对所述矩阵Q做聚类得到一个一维向量，将所述一维向量内的数据与对应所述目标连通区域图图中超像素子图位置进行赋值，得到谱聚类结果；

依据所述谱聚类结果及所述目标连通区域图的位置信息得到与所述目标连通区域图对应的图像变化区域；

所述查找模块具体用于：

以所述差异图像中的每一个表征存在差异的像素点为起始点，将在所述起始点的预设邻域范围内、且表征存在差异的像素点作为与所述起始点连通的目标连通点，再将所述目标连通点作为新的起始点，继续确定所述新的起始点的目标连通点，直至找不到目标连通点，将包括所述起始点及所有相关的目标连通点的几何区域作为一个连通区域图、并记录所述连通区域图的位置信息及对应的连通面积，其中，所述连通面积由该连通区域图内的起始点及所有相关的目标连通点组成的区域的面积；

对所有所述连通区域图对应的连通面积进行预设阈值分析，确定面积阈值；

将连通面积超出所述面积阈值的所述连通区域图作为目标连通区域图。

4.如权利要求3所述的图像变化检测装置，其特征在于，所述分析模块具体用于：

对所述第一图像和所述第二图像进行滤波处理，得到滤波后的第一图像和滤波后的第二图像；

利用图像差值法计算所述滤波后的第一图像和所述滤波后的第二图像的差值差异图；

利用图像邻域比值法计算所述滤波后的第一图像和所述滤波后的第二图像的邻域比值差异图；

将所述差值差异图和所述邻域比值差异图进行融合，得到所述差异图像。

5.一种电子设备，其特征在于，所述电子设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-2中任一项所述的图像变化检测方法。

6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-2中任一项所述的图像变化检测方法。

Images