CN112200769B - 一种用于违建检测的定点监控新旧时相图像变化检测方法 - Google Patents

一种用于违建检测的定点监控新旧时相图像变化检测方法 Download PDF

Info

Publication number
CN112200769B
CN112200769B CN202010932615.3A CN202010932615A CN112200769B CN 112200769 B CN112200769 B CN 112200769B CN 202010932615 A CN202010932615 A CN 202010932615A CN 112200769 B CN112200769 B CN 112200769B
Authority
CN
China
Prior art keywords
image
new
level set
change
old
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
Application number
CN202010932615.3A
Other languages
English (en)
Other versions
CN112200769A (zh
Inventor
张小国
张梓涵
丁丁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN202010932615.3A priority Critical patent/CN112200769B/zh
Publication of CN112200769A publication Critical patent/CN112200769A/zh
Application granted granted Critical
Publication of CN112200769B publication Critical patent/CN112200769B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种用于违建检测的定点监控新旧时相图像变化检测方法，旨在克服传统变化检测方法检测出的变化区域不完整，存在虚检等问题。该方法的主要流程包括：首先对监控点新时相图像和旧时相图像进行配准以及直方图匹配等数据预处理操作，然后通过融合对数比法和均值比法来构造差异图像以及使用水平集模型分割差异图像，之后提取变化区域的轮廓并计算轮廓垂直边界的最小矩形，最后合并重叠矩形并绘制到新时相图像上，得到变化检测效果图；本方法有效解决了传统新旧时相对比的违章建筑定点监控解决方案得到的变化区域不完整，不连续且存在虚检的问题，提升了违章建筑识别的准确性和效率。

Description

一种用于违建检测的定点监控新旧时相图像变化检测方法
技术领域
本发明属于图像处理领域，具体涉及一种用于违建检测的定点监控新旧时相图像变化检测方法。
背景技术
基于新旧时相对比的违章建筑定点监控解决方案，核心思想就是对监控点新旧时相图像进行变化检测，从而找出可能存在违章建筑的变化区域。传统的变化检测流程为：将新旧时相图像配准并校正辐射值后，转化为灰度图像并求绝对差值，得到差异图像，然后根据差异图的像素直方图选取阈值对差异图进行分割，得到变化检测结果。但是问题在于：(1)使用差值法求取差异图像，会丢失有效变化区域的信息，导致变化检测结果漏检率高；(2)定点监控图像背景复杂，使用直方图阈值法难以找到有效的阈值进行分割；(3)基于阈值分割得到的变化区域很可能是不完整的；(4)基于阈值法的变化检测结果存在大量虚检。
发明内容
为解决上述问题，本发明公开了一种用于违建检测的定点监控新旧时相图像变化检测方法，针对差值法丢失有效变化区域信息的问题，提出了一种融合对数比法和均值比法的差异图构造算法，用来生成完整保留变化区域信息，同时减少“伪变化”像素点；针对直方图阈值分割法存在的问题，利用水平集模型进行定点监控新旧时相图像的变化检测，使变化区域连续且完整，虚检像素少。
为达到上述目的，本发明的技术方案如下：
一种用于违建检测的定点监控新旧时相图像变化检测方法，包括如下步骤：
a.对监控点新时相图像和旧时相图像进行预处理；
b.融合对数比法和均值比法构造新时相图像和旧时相图像之间的差异图像；
c.使用水平集模型分割差异图像；
d.提取变化区域的轮廓；
e.计算轮廓垂直边界的最小矩形；
f.合并重叠矩形并绘制到原图。
进一步的，步骤a的预处理过程包括以下步骤：
a1.指定旧时相图像作为基准影像，新时相图像作为待配准影像(即以后一时相为待配准影像)，采用SURF特征点进行配准；
a2.采用直方图匹配算法对新旧时相图像进行辐射校正，使两幅图像光照基本均衡。
进一步的，步骤b的构造差异图像包括以下步骤：
b1.通过灰度转化将预处理后的新旧时相图像转化为灰度图像；
b2.对新旧时相灰度图像进行中值滤波，滤波核大小设为3*3；
b3.计算新旧时相图像中坐标相同的像素点的均值比，生成均值比差异图；
b4.将差异图上像素点的灰度值归一化到[0,255]。
进一步的，步骤c的使用水平集模型分割差异图像包括以下步骤：
c1.在差异图上选择一条封闭曲线来初始化水平集函数；
c2.基于差异图灰度差的特征构造能量泛函；
c3.迭代更新水平集函数使得能量泛函达到最小值；
c4.将零水平集内部区域，即变化区域，置为255，将零水平集外部区域，即非变化区域，置为0。
有益效果：
1、提供了一种用于违建检测的定点监控新旧时相图像变化检测方法；
2、有效解决了传统新旧时相对比的违章建筑定点监控解决方案得到的变化区域不完整，不连续且存在虚检的问题，提升了违章建筑识别的准确性和效率。
附图说明
图1为本发明的检测方法流程图。
具体实施方式
下面结合附图和具体实施方式，进一步阐明本发明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
如图所示，本发明所述的一种用于违建检测的定点监控新旧时相图像变化检测方法，包括以下步骤：
数据预处理：
新旧时相图像的预处理主要包括图像配准及光照补偿，由于摄像头抖动和定位精度误差的存在，新旧时相图像无论采取何种方法进行变化检测，较高的配准精度都是多时相变化检测成功的前提和保证。图像配准就是指对新旧时相进行最佳匹配、叠加的处理过程。配准的目的是通过几何变换使待配准影像与基准影像的坐标基本达到一致，从而为差异图的构造打下基础。本发明指定旧时相图像作为基准影像，新时相图像作为待配准影像(即以后一时相为待配准影像)，采用SURF特征点进行配准。同时，由于新旧时相图像提取间隔较长(可能超过3天)，两幅图像之间可能存在明显的光照的强度和角度不同造成的天气差异，严重影响差异图的构造，并使得检测结果存在很多“伪变化”。本发明采用直方图匹配算法对新旧时相图像进行辐射校正，使两幅图像光照基本均衡。
差异图构造：
通过对对新旧时相图像中的对应像素的像素比值求对数，可以将新旧时相图像中的乘性噪声转换成加性噪声，并对差异图的变化范围进行了压缩，从而进一步弱化了非变化区域的信息，有效地减少了误检像素数量。但是经过对数操作后，高灰度值像素的变化也遭到了抑制，丢失了部分真实变化区域地信息。均值比法融合了像素的空间邻域信息，能够更完整地保留真实变化区域的信息。但是，融合了邻域信息，导致真实变化区域和非变化区域之间的边界变得模糊，大大增加了差异图中非变化区域的信息，严重影响差异图的分类，尤其是对于定点监控图像这种背景复杂的图像，均值比法的抗噪声能力不足。综合分析对数比法和均值比法的优缺点，取长补短，结合对数比法中抑制非变化区域信息的能力和均值比法保留真实变化区域信息的能力即可得到更高质量的差异图。因此，本发明提出了一种融合对数比法和均值比法的差异图像构造方法：
其中Pc表示差异影像，AO(i,j)和AN(i,j)分别表示旧时相图像和新时相图像中以(i,j)为中心的3×3邻域窗口内所有像素灰度值的均值。将经过预处理的新旧时相图像转化为单通道灰度图像，分别求取两幅灰度图像的3*3邻域的均值，生成均值灰度图像。逐像素对均值灰度图像使用对数比法，生成差异图，最后对差异图进行归一化。本发明提出的差异图像构造方法，不仅考虑了像素的空间邻域信息，也有效地抑制噪声的干扰，能得到高质量的差异图，非常有利于差异图的分类。同时避免了其他复杂的融合步骤，提升了算法的效率。
差异图像分割：
构造出差异图后，采用基于水平集模型进行变化区域分割，具体流程如下：
a.初始化水平集函数根据差异图上对应点到符号距离函数的距离为正还是为负将差异图PC分割为内部区域和外部区域；
b.设第n次迭代时的水平集函数根据/>将差异图PC分为内部区域Ωin和外部区域Ωout并分别计算出灰度均值cin，cout；
c.根据步骤a,b构建基于全局区域信息的能量泛函EA如下式所示，其中PC(x,y)是差异图中对应像素点的灰度值，是水平集函数的梯度范式，/>是Heaviside函数，是Dirac函数，是/>的导数；
d.构建距离正则项从而取代重新初始化，其中/>为：
e.根据步骤c,d，构建总的能量泛函E：
其中，μ是距离正则项的权重。
f.通过梯度下降法(Gradient Descent)求取总能量函数E最小时的水平集函数更新水平集函数为/>根据/>对差异图PC进行分割。
g.若更新后的水平集函数不能使总能量E达到最小值，则返回步骤b，用/>代替上一步骤中的/>继续迭代直到满足条件为止。若更新后的水平集函数/>能使总能量E达到最小值，则停止迭代，此时水平集函数/>对应的零水平集的轮廓曲线就是所求的变化区域边界，对边界内外区域进行二值化，得到变化检测结果二值图。
为了得到最终的变化检测效果图，使用轮廓跟踪算法提取二值图变化区域的轮廓，然后计算轮廓垂直边界的最小矩形，合并存在重叠的矩形框，将矩形框映射到新时相图像上，得到最终的变化检测效果图。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。

Claims (4)

1.一种用于违建检测的定点监控新旧时相图像变化检测方法，其特征在于，包括如下步骤：
(1)对监控点新时相图像和旧时相图像进行预处理；
(2)融合对数比法和均值比法构造新时相图像和旧时相图像之间的差异图像；
(3)使用水平集模型分割差异图像；
具体包括如下内容：
(3.1)在差异图上选择一条封闭曲线来初始化水平集函数根据差异图上对应点到符号距离函数的距离为正还是为负将差异图PC分割为内部区域和外部区域；
(3.2)基于差异图灰度差的特征构造能量泛函：设第n次迭代时的水平集函数根据/>将差异图PC分为内部区域Ωin和外部区域Ωout并分别计算出灰度均值cin，cout，根据步骤(3.1)(3.2)构建基于全局区域信息的能量泛函EA如下式所示，其中PC(x,y)是差异图中对应像素点的灰度值，/>是水平集函数的梯度范式，/>是Heaviside函数，/>是Dirac函数，是/>的导数：
构建距离正则项从而取代重新初始化，其中/>为：
然后构建总的能量泛函：
其中，μ是距离正则项的权重；
(3.3)迭代更新水平集函数使得能量泛函达到最小值：通过梯度下降法求取总能量函数E最小时的水平集函数更新水平集函数为/>根据/>对差异图PC进行分割；若更新后的水平集函数/>不能使总能量E达到最小值，则返回步骤(3.2)，用/>代替上一步骤中的继续迭代直到满足条件为止；若更新后的水平集函数/>能使总能量E达到最小值，则停止迭代，此时水平集函数/>对应的零水平集的轮廓曲线就是所求的变化区域边界；
(3.4)将零水平集内部区域，即变化区域，置为255，将零水平集外部区域，即非变化区域，置为0；
(4)提取变化区域的轮廓；
(5)计算轮廓垂直边界的最小矩形；
(6)合并重叠矩形并绘制到原图。
2.根据权利要求1所述的用于违建检测定点监控的新旧时相图像变化检测方法，其特征在于：所述步骤(1)中，预处理包括使用SURF特征点进行配准。
3.根据权利要求2所述的用于违建检测定点监控的新旧时相图像变化检测方法，其特征在于：所述步骤(1)中，预处理还包括使用直方图匹配算法进行光照均衡。
4.根据权利要求1所述的用于违建检测定点监控的新旧时相图像变化检测方法，其特征在于：所述步骤(2)具体包括如下内容：
(2.1)通过灰度转化将预处理后的新旧时相图像转化为灰度图像；
(2.2)对新旧时相灰度图像进行中值滤波，滤波核大小设为3*3；
(2.3)计算新旧时相图像中坐标相同的像素点的均值比，生成均值比差异图；
(2.4)将差异图上像素点的灰度值归一化到[0，255]。
CN202010932615.3A 2020-09-08 2020-09-08 一种用于违建检测的定点监控新旧时相图像变化检测方法 Active CN112200769B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010932615.3A CN112200769B (zh) 2020-09-08 2020-09-08 一种用于违建检测的定点监控新旧时相图像变化检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010932615.3A CN112200769B (zh) 2020-09-08 2020-09-08 一种用于违建检测的定点监控新旧时相图像变化检测方法

Publications (2)

Publication Number Publication Date
CN112200769A CN112200769A (zh) 2021-01-08
CN112200769B true CN112200769B (zh) 2024-02-23

Family

ID=74005373

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010932615.3A Active CN112200769B (zh) 2020-09-08 2020-09-08 一种用于违建检测的定点监控新旧时相图像变化检测方法

Country Status (1)

Country Link
CN (1) CN112200769B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113822247B (zh) * 2021-11-22 2022-02-18 广东泰一高新技术发展有限公司 基于航拍影像的违章建筑识别方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1995691A2 (en) * 2007-05-23 2008-11-26 Samsung Electronics Co., Ltd. Method and apparatus for segmenting a motion area
CN102779346A (zh) * 2012-07-05 2012-11-14 西安电子科技大学 基于改进c-v模型的sar图像变化检测方法
CN110502977A (zh) * 2019-07-10 2019-11-26 广东国地规划科技股份有限公司 一种建筑物变化分类检测方法、系统、装置及存储介质
CN111161229A (zh) * 2019-12-23 2020-05-15 大连理工大学 一种基于几何主动轮廓模型和稀疏自编码的变化检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1995691A2 (en) * 2007-05-23 2008-11-26 Samsung Electronics Co., Ltd. Method and apparatus for segmenting a motion area
CN102779346A (zh) * 2012-07-05 2012-11-14 西安电子科技大学 基于改进c-v模型的sar图像变化检测方法
CN110502977A (zh) * 2019-07-10 2019-11-26 广东国地规划科技股份有限公司 一种建筑物变化分类检测方法、系统、装置及存储介质
CN111161229A (zh) * 2019-12-23 2020-05-15 大连理工大学 一种基于几何主动轮廓模型和稀疏自编码的变化检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
综合像素级和特征级的建筑物变化检测方法;张永梅;李立鹏;姜明;刘海伟;;计算机科学;20130115(第01期);全文 *

Also Published As

Publication number Publication date
CN112200769A (zh) 2021-01-08

Similar Documents

Publication Publication Date Title
US11580647B1 (en) Global and local binary pattern image crack segmentation method based on robot vision
Zhang et al. Object-oriented shadow detection and removal from urban high-resolution remote sensing images
CN111681197B (zh) 一种基于Siamese网络结构的遥感图像无监督变化检测方法
Zhang et al. CNN based suburban building detection using monocular high resolution Google Earth images
Xu et al. Pavement crack detection based on saliency and statistical features
CN109214380B (zh) 车牌倾斜校正方法
CN109711256B (zh) 一种低空复杂背景无人机目标检测方法
US10249046B2 (en) Method and apparatus for object tracking and segmentation via background tracking
CN114005042A (zh) 基于阴影补偿和U-net的遥感影像城市建筑提取方法
CN110580709A (zh) 一种基于ViBe和三帧差分融合的目标检测方法
CN113313107B (zh) 一种斜拉桥缆索表面多类型病害智能检测和识别方法
CN112733711B (zh) 基于多尺度场景变化检测的遥感影像损毁建筑物提取方法
CN103473547A (zh) 一种用于智能交通检测系统的车辆目标物识别算法
CN107909085A (zh) 一种基于Harris算子的图像特征角点提取方法
CN106886988B (zh) 一种基于无人机遥感的线性目标检测方法及系统
CN111310771B (zh) 遥感影像的道路图像提取方法、装置、设备及存储介质
CN112200769B (zh) 一种用于违建检测的定点监控新旧时相图像变化检测方法
CN109785318B (zh) 基于面线基元关联约束的遥感图像变化检测方法
CN113379639B (zh) 一种复杂环境中红外目标抗干扰检测跟踪方法
CN112967305B (zh) 一种复杂天空场景下的图像云背景检测方法
CN110942452B (zh) 一种基于多时相热红外遥感影像的云检测方法
CN110689538B (zh) 隧道衬砌裂缝图像检测方法
Du et al. Shadow detection in high-resolution remote sensing image based on improved K-means
CN112258548B (zh) 基于改进ViBe算法的运动目标提取方法
CN116434065B (zh) 全色几何校正遥感影像的水体分割方法

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