CN114022459A - 基于多时相卫星影像的超像素变化检测方法及系统 - Google Patents
基于多时相卫星影像的超像素变化检测方法及系统 Download PDFInfo
- Publication number
- CN114022459A CN114022459A CN202111321556.7A CN202111321556A CN114022459A CN 114022459 A CN114022459 A CN 114022459A CN 202111321556 A CN202111321556 A CN 202111321556A CN 114022459 A CN114022459 A CN 114022459A
- Authority
- CN
- China
- Prior art keywords
- pixel
- super
- image
- change
- feature information
- 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.)
- Pending
Links
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10024—Color 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多时相卫星影像的超像素变化检测方法及系统,方法包括:获取两个时相的卫星影像并进行预处理;基于K‑Means聚类算法,构建颜色空间和五维特征向量,采用欧式距离度量颜色距离和空间距离,并进行局部聚类;采用灰度共生矩阵法提取影像斑块的纹理特征信息和地物信息;采用灰度共生矩阵法中的参数因子集合构建模糊评价模型,计算各个超像素对象的纹理特征和地物信息变化概率值,并采用熵权法对每个影像斑块的纹理特征和地物信息在各因子尺度下的模糊评判结果进行加权计算,从而确定当前超像素对象是否发生变化。通过本发明的技术方案,解决了分辨率较高所造成的噪声影响,具有良好的稳健性、较快的学习速度及较高的精度。
Description
技术领域
本发明涉及卫星遥感影像技术领域,尤其涉及一种基于多时相卫星影像的超像素变化检测方法以及一种基于多时相卫星影像的超像素变化检测系统。
背景技术
随着遥感技术的发展,遥感影像的分辨率逐渐提高,地物的细节能更好地体现出来,同时,在变化检测领域中也有了更高的要求。在以前的研究中,采用像素的变化检测方法中,相邻像素之间的空间关系无法很好的体现出来,导致了大量的椒盐噪音现象,提取的精度和效率也会随之降低。传统的图像变化检测方法在影像处理过程中,图像分割作为基本的处理方法,该方法通常是以像素为基本处理单元,主要以单个像元作为对象进行处理,这种算法通常计算效率较低,无法考虑不同像元在整个影像内的关系,而导致变化检测结果的不合理性。
超像素这一名词是由Ren和Malik提出,指一种像素点的集合,在小范围内具有较均匀的低维度区域,在图像处理过程中可以持续保持局部信息。传统的方法对于训练模型的样本要求都较高,样本的制作过程也较为繁琐。
发明内容
针对上述问题,本发明提供了一种基于多时相卫星影像的超像素变化检测方法及系统,通过超像素分割算法、纹理和形态学特征的方法相结合的变化检测方法,以超像素影像斑块为基本处理单元,采用灰度共生矩阵法将尺度、方向和步长参数作为因子集合建立评判模型,根据该模型对各个超像素对象纹理特征和地物信息是否发生变化进行概率值的计算,最后采用熵权法对影像各个超像素斑块纹理特征和地物信息在三个因子尺度的模糊评判结果下进行加权计算,从而确定变化和未变化类别,较好地解决了在遥感图像中分辨率较高所造成其他地物对目标的噪声影响,具有良好的稳健性、较快的学习速度及较高的精度。
为实现上述目的,本发明提供了一种基于多时相卫星影像的超像素变化检测方法,包括:
获取两个时相的卫星影像,并对所述卫星影像进行预处理操作;
基于K-Means聚类算法,通过构建颜色空间和XY坐标下的五维特征向量,采用欧式距离度量颜色距离和空间距离,并利用所述颜色距离和空间距离对预处理后的所述卫星影像进行图像超像素的局部聚类,实现超像素分割;
针对超像素分割得到的超像素影像斑块,采用灰度共生矩阵法分别提取两个时相的影像斑块的纹理特征信息;
基于所述灰度共生矩阵法中尺度、方向及步长三个参数,对两个时相影像斑块的纹理特征影像进行地物提取;
采用所述灰度共生矩阵法中尺度、方向及步长为参数因子集合构建模糊评价模型,计算每个影像斑块中各个超像素对象的纹理特征和地物信息是否发生变化的变化概率值,并采用熵权法对每个影像斑块中纹理特征和地物信息在所述参数因子集合中各因子尺度的模糊评判结果进行加权计算,根据计算结果确定当前超像素对象的纹理特征和地物信息是否发生变化。
在上述技术方案中,优选地,所述采用所述灰度共生矩阵法中尺度、方向及步长为参数因子集合构建模糊评价模型,计算每个影像斑块中各个超像素对象的纹理特征和地物信息是否发生变化的变化概率值,并采用熵权法对每个影像斑块中纹理特征和地物信息在所述参数因子集合中各因子尺度的模糊评判结果进行加权计算,根据计算结果确定当前超像素对象的纹理特征和地物信息是否发生变化的具体过程包括:
以发生变化类型的概率和未发生变化类型的概率,建立评价集合;
以所述灰度共生矩阵法中的尺度大小、移动方向和步长参数,建立参数因子集合;
计算所述参数因子集合中不同因子尺度上每个超像素的纹理特征和地物信息变化概率值与全部超像素纹理特征和地物信息变化概率值之和的比值;
以所述比值,分别计算不同因子尺度上对应影像斑块的纹理特征和地物信息变化概率熵值;
以所述变化概率熵值,分别计算不同因子尺度的权重;
以所述权重和所述评价集合中的概率值,分别计算每个影像斑块纹理特征和地物信息发生变化和未发生变化的概率值,并根据概率值确定当前影像斑块是否发生变化。
在上述技术方案中,优选地,所述基于K-Means聚类算法,通过构建颜色空间和XY坐标下的五维特征向量,采用欧式距离度量颜色距离和空间距离,并利用所述颜色距离和空间距离对预处理后的所述卫星影像进行图像超像素的局部聚类的具体过程包括:
将所述卫星影像由RGB颜色空间转化到Lab颜色空间,建立每个像素的五维特征参数(li,ai,bi,xi,yi),其中,像素点在在Lab颜色空间的各个颜色分量为(li,ai,bi),影像坐标值为(xi,yi);
第K个超像素块聚类中心j与第i个像素点的颜色距离为:
第K个超像素块聚类中心j与第i个像素点的空间距离为:
第K个超像素块聚类中心j与第i个像素点的线性综合距离为:
ds=dlab+mdxy/S
其中,m为颜色空间和坐标空间在相似度计算中的权重;
将种子点进行初始化,根据所述像素点个数将所述种子点均匀显示在所述卫星影像中;
在n×n邻域的种子点内重复选择新的种子点;
聚类中心由每个像素点标签分配得到,分布于每个种子点周围邻域内,搜索大小为2S×2S;
计算单个像素点到其他种子点间距离的最小值,确定对应的种子点为该像素点的聚类中心;
迭代至收敛,得到完成超像素分割的所述卫星影像。
在上述技术方案中,优选地,采用灰度共生矩阵法提取影像斑块的纹理特征信息过程中,采用对比度特征提取所述影像斑块中地物的纹理特征信息;
对两个时相影像斑块的纹理特征影像进行地物提取过程中,采用预设的尺度、方向及步长对两个时相影像斑块的对比度纹理特征影像进行地物提取。
在上述技术方案中,优选地,所述采用所述灰度共生矩阵法中尺度、方向及步长为参数因子集合构建模糊评价模型,计算每个影像斑块中各个超像素对象的纹理特征和地物信息是否发生变化的变化概率值,并采用熵权法对每个影像斑块中纹理特征和地物信息在所述参数因子集合中各因子尺度的模糊评判结果进行加权计算,根据计算结果确定当前超像素对象的纹理特征和地物信息是否发生变化的具体过程进一步包括:
建立评价集合P={P1,P0},其中,P0为未发生变化类型的概率,P1为发生变化类型的概率;
建立参数因子集合u={u1,u2,u3},其中,u1,u2,u3分别为灰度共生矩阵法中的尺度大小、移动方向和步长;
其中,m为整个卫星影像内影像斑块的个数,P1 u1为第u1个尺度大小的因子尺度上第i个像素的变化概率值;
分别计算不同因子尺度上对应影像斑块的变化概率熵值Hu1、Hu2和Hu3:
其中,n=1/lnm,m为当前影像斑块内超像素的个数;
计算第u1,u2,u3个因子尺度的权重:
其中,l为上述三个因子尺度中对应的不同参数值;
每个超像素的纹理特征和地物信息变化检测综合评价结果为A0和A1,分别为对应超像素未变化概率值和变化概率值:
A1=1-A0
当A0≥A1时,表示该影像斑块未发生变化,赋值为0,
当A0<A1时,表示该影像斑块发生变化,赋值为1;
根据影像斑块的二值化结果,确定当前影像斑块是否发生变化。
在上述技术方案中,优选地,所述卫星影像的预处理操作包括几何校正、多光谱和全色波段的影像配准、多光谱和全色波段辐射定标、多光谱大气校正和正射校正以及导向滤波。
在上述技术方案中,优选地,所述卫星影像为空间分辨率为2米的高分一号卫星影像。
本发明还提出一种基于多时相卫星影像的超像素变化检测系统,应用如上述技术方案中任一项公开的基于多时相卫星影像的超像素变化检测方法,包括:
影像预处理模块,用于获取两个时相的卫星影像,并对所述卫星影像进行预处理操作;
超像素分割模块,用于基于K-Means聚类算法,通过构建颜色空间和XY坐标下的五维特征向量,采用欧式距离度量颜色距离和空间距离,并利用所述颜色距离和空间距离对预处理后的所述卫星影像进行图像超像素的局部聚类,实现超像素分割;
纹理特征提取模块,用于针对超像素分割得到的超像素影像斑块,采用灰度共生矩阵法分别提取两个时相的影像斑块的纹理特征信息;
地物提取模块,用于基于所述灰度共生矩阵法中尺度、方向及步长三个参数,对两个时相影像斑块的纹理特征影像进行地物提取;
变化模糊评价模块,用于采用所述灰度共生矩阵法中尺度、方向及步长为参数因子集合构建模糊评价模型,计算每个影像斑块中各个超像素对象的纹理特征和地物信息是否发生变化的变化概率值,并采用熵权法对每个影像斑块纹理特征和地物信息在所述参数因子集合中各因子尺度的模糊评判结果进行加权计算,根据计算结果确定当前超像素对象的纹理特征和地物信息是否发生变化。
在上述技术方案中,优选地,所述变化模糊评价模块具体包括:
评价集合建立子模块,用于以发生变化类型的概率和未发生变化类型的概率,建立评价集合;
参数因子建立子模块,用于以所述灰度共生矩阵法中的尺度大小、移动方向和步长参数,建立参数因子集合;
变化概率计算子模块,用于计算所述参数因子集合中不同因子尺度上每个超像素的纹理特征和地物信息变化概率值与全部超像素变化概率值之和的比值;
概率熵值计算子模块,用于以所述比值,分别计算不同因子尺度上对应影像斑块的变化概率熵值;
因子权重计算子模块,用于以所述变化概率熵值,分别计算不同因子尺度的权重;
影像变化确定子模块,用于以所述权重和所述评价集合中的概率值,分别计算每个影像斑块纹理特征和地物信息发生变化和未发生变化的概率值,并根据概率值确定当前影像斑块是否发生变化。
在上述技术方案中,优选地,所述超像素分割模块具体包括:
颜色空间和五维特征向量构建子模块,用于将所述卫星影像由RGB颜色空间转化到Lab颜色空间,建立每个像素的五维特征参数;
距离计算子模块,用于利用欧式距离度量颜色距离和空间距离;
像素局部聚类子模块,用于利用K-Means聚类算法迭代计算像素点与种子点间距离确定聚类中心、完成像素聚类,从而实现超像素分割。
与现有技术相比,本发明的有益效果为:通过超像素分割算法、纹理和形态学特征的方法相结合的变化检测方法,以超像素影像斑块纹理特征和地物信息为基本处理单元,采用灰度共生矩阵法将尺度、方向和步长参数作为因子集合建立评判模型,根据该模型对各个超像素对象是否发生变化进行概率值的计算,最后采用熵权法对影像各个超像素斑块在三个因子尺度的模糊评判结果下进行加权计算,从而确定变化和未变化类别,较好地解决了在遥感图像中分辨率较高所造成其他地物对目标的噪声影响,具有良好的稳健性、较快的学习速度及较高的精度。
附图说明
图1为本发明一种实施例公开的基于多时相卫星影像的超像素变化检测方法的流程示意图;
图2为本发明一种实施例公开的K-Means聚类算法中的聚类搜索方式示意图;
图3为本发明一种实施例公开的基于多时相卫星影像的超像素变化检测系统的模块示意图。
图中,各组件与附图标记之间的对应关系为:
11.影像预处理模块,12.超像素分割魔块,121.颜色空间和五维特征向量构建子模块,122.距离计算子模块,123.像素局部聚类子模块,13.纹理特征提取模块,14.地物提取模块,15.变化模糊评价模块,151.评价集合建立子模块,152.参数因子建立子模块,153.变化概率计算子模块,154.概率熵值计算子模块,155.因子权重计算子模块,156.影像变化确定子模块。
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的一部分实施例,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的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。
下面结合附图对本发明做进一步的详细描述:
如图1所示,根据本发明提供的一种基于多时相卫星影像的超像素变化检测方法,包括:
获取两个时相的卫星影像,并对卫星影像进行预处理操作;
基于K-Means聚类算法,通过构建颜色空间和XY坐标下的五维特征向量,采用欧式距离度量颜色距离和空间距离,并利用颜色距离和空间距离对预处理后的卫星影像进行图像超像素的局部聚类,实现超像素分割;
针对超像素分割得到的超像素影像斑块,采用灰度共生矩阵法分别提取两个时相的影像斑块的纹理特征信息;
基于灰度共生矩阵法中尺度、方向及步长三个参数,对两个时相影像斑块的纹理特征影像进行地物提取;
采用灰度共生矩阵法中尺度、方向及步长为参数因子集合构建模糊评价模型,计算每个影像斑块中各个超像素对象的纹理特征和地物信息是否发生变化的变化概率值,并采用熵权法对每个影像斑块纹理特征和地物信息在参数因子集合中各因子尺度的模糊评判结果进行加权计算,根据计算结果确定当前超像素对象的纹理特征和地物信息是否发生变化。
在该实施例中,通过超像素分割算法、纹理和形态学特征的方法相结合的变化检测方法,以超像素影像斑块为基本处理单元,采用灰度共生矩阵法将尺度、方向和步长参数作为因子集合建立评判模型,根据该模型对各个超像素对象纹理特征和地物信息是否发生变化进行概率值的计算,最后采用熵权法对影像各个超像素斑块纹理特征和地物信息在三个因子尺度的模糊评判结果下进行加权计算,从而确定变化和未变化类别,较好地解决了在遥感图像中分辨率较高所造成其他地物对目标的噪声影响,具有良好的稳健性、较快的学习速度及较高的精度。
具体地,在上述实施例中,优选地,卫星影像采用空间分辨率为2米的高分一号卫星影像。进一步优选地,卫星影像的预处理操作包括几何校正、多光谱和全色波段的影像配准、融合、镶嵌、裁剪、多光谱和全色波段辐射定标、多光谱大气校正和正射校正以及导向滤波,使用的预处理工具主要包括ENVI、ArcGIS、Python等。
如图1所示,在上述实施例中,优选地,基于K-Means聚类算法,通过构建颜色空间和XY坐标下的五维特征向量,采用欧式距离度量颜色距离和空间距离,并利用颜色距离和空间距离对预处理后的卫星影像进行图像超像素的局部聚类的具体过程包括:
将卫星影像由RGB颜色空间转化到Lab颜色空间,建立每个像素的五维特征参数(li,ai,bi,xi,yi),其中,像素点在在Lab颜色空间的各个颜色分量为(li,ai,bi),影像坐标值为(xi,yi);
第K个超像素块聚类中心j与第i个像素点的颜色距离为:
第K个超像素块聚类中心j与第i个像素点的空间距离为:
第K个超像素块聚类中心j与第i个像素点的线性综合距离为:
ds=dlab+mdxy/S
其中,m为颜色空间和坐标空间在相似度计算中的权重;
将种子点进行初始化,根据像素点个数将种子点均匀显示在卫星影像中;
在n×n邻域的种子点内重复选择新的种子点,n为3;
聚类中心由每个像素点标签分配得到,分布于每个种子点周围邻域内,搜索大小为2S×2S;
计算单个像素点到其他种子点间距离的最小值,确定对应的种子点为该像素点的聚类中心;
迭代优化至至算法收敛为止,一般迭代10次左右可以得到满意的结果,得到完成超像素分割的卫星影像。
进一步的,对于经过超像素分割的影像斑块图像,优选地,采用灰度共生矩阵法提取影像斑块的纹理特征信息过程中,采用对比度特征提取影像斑块中地物的纹理特征信息;
对两个时相影像斑块的纹理特征影像进行地物提取过程中,采用预设的尺度、方向及步长对两个时相影像斑块的对比度纹理特征影像进行地物提取,比如,移动方向为45°,步长为1,并选取5×5窗口尺度对前后两期影像的对比度纹理特征影像进行地物提取。
针对多尺度上的超像素影像斑块对象,选择了三个参数构建评判模型,三个参数分别为尺度、方向及步长,从而确定变化和未变化类别,在尺度上进行模糊评价变化检测,包括以下步骤:
步骤1:以发生变化类型的概率和未发生变化类型的概率,建立评价集合;
步骤2:以灰度共生矩阵法中的尺度大小、移动方向和步长参数,建立参数因子集合;
步骤3:计算参数因子集合中不同因子尺度上每个超像素的纹理特征和地物信息变化概率值与全部超像素纹理特征和地物信息变化概率值之和的比值;
步骤4:以该比值,分别计算不同因子尺度上对应影像斑块的纹理特征和地物信息变化概率熵值;
步骤5:以该变化概率熵值,分别计算不同因子尺度的权重;
步骤6:以该权重和评价集合中的概率值,分别计算每个影像斑块纹理特征和地物信息发生变化和未发生变化的概率值,并根据概率值确定当前影像斑块是否发生变化。
在上述实施例中,优选地,在应用过程中,上述步骤1至步骤6的计算方法进一步包括:
步骤1-1:建立评价集合P={P1,P0},其中,P0为未发生变化类型的概率,P1为发生变化类型的概率;
步骤2-1:建立参数因子集合u={u1,u2,u3},其中,u1,u2,u3分别为灰度共生矩阵法中的尺度大小、移动方向和步长;
其中,m为整个卫星影像内影像斑块的个数,P1 u1为第u1个尺度大小的因子尺度上第i个像素的纹理特征和地物信息变化概率值;
步骤3-2:计算第u2个移动方向为45°的因子尺度上第j个超像素的纹理特征和地物信息变化概率值与全部超像素纹理特征和地物信息变换概率值之和的比值
步骤4-1:分别计算不同因子尺度上对应影像斑块的纹理特征和地物信息变化概率熵值Hu1、Hu2和Hu3:
其中,n=1/lnm,m为当前影像斑块内超像素的个数;
步骤5-1:计算第u1,u2,u3个因子尺度的权重:
其中,l为上述三个因子尺度中对应的不同参数值;
步骤6-1:每个超像素的变化检测综合评价结果为A0和A1,分别为对应超像素纹理特征和地物信息未变化概率值和变化概率值:
A1=1-A0
当A0≥A1时,表示该影像斑块未发生变化,赋值为0,
当A0<A1时,表示该影像斑块发生变化,赋值为1;
根据影像斑块的二值化结果,确定当前影像斑块是否发生变化。
如图3所示,本发明还提出一种基于多时相卫星影像的超像素变化检测系统,应用如上述实施例中任一项公开的基于多时相卫星影像的超像素变化检测方法,包括:
影像预处理模块11,用于获取两个时相的卫星影像,并对卫星影像进行预处理操作;
超像素分割模块12,用于基于K-Means聚类算法,通过构建颜色空间和XY坐标下的五维特征向量,采用欧式距离度量颜色距离和空间距离,并利用颜色距离和空间距离对预处理后的卫星影像进行图像超像素的局部聚类,实现超像素分割;
纹理特征提取模块13,用于针对超像素分割得到的超像素影像斑块,采用灰度共生矩阵法分别提取两个时相的影像斑块的纹理特征信息;
地物提取模块14,用于基于灰度共生矩阵法中尺度、方向及步长三个参数,对两个时相影像斑块的纹理特征影像进行地物提取;
变化模糊评价模块15,用于采用灰度共生矩阵法中尺度、方向及步长为参数因子集合构建模糊评价模型,计算每个影像斑块中各个超像素对象纹理特征和地物信息是否发生变化的变化概率值,并采用熵权法对每个影像斑块中纹理特征和地物信息在参数因子集合中各因子尺度的模糊评判结果进行加权计算,根据计算结果确定当前超像素对象纹理特征和地物信息是否发生变化。
在该实施例中,通过超像素分割算法、纹理和形态学特征的方法相结合的变化检测方法,以超像素影像斑块为基本处理单元,采用灰度共生矩阵法将尺度、方向和步长参数作为因子集合建立评判模型,根据该模型对各个超像素对象是否发生变化进行概率值的计算,最后采用熵权法对影像各个超像素斑块纹理特征和地物信息在三个因子尺度的模糊评判结果下进行加权计算,从而确定变化和未变化类别,较好地解决了在遥感图像中分辨率较高所造成其他地物对目标的噪声影响,具有良好的稳健性、较快的学习速度及较高的精度。
在上述实施例中,优选地,超像素分割模块12具体包括:
颜色空间和五维特征向量构建子模块121,用于将卫星影像由RGB颜色空间转化到Lab颜色空间,建立每个像素的五维特征参数;
距离计算子模块122,用于利用欧式距离度量颜色距离和空间距离;
像素局部聚类子模块123,用于利用K-Means聚类算法迭代计算像素点与种子点间距离确定聚类中心、完成像素聚类,从而实现超像素分割。
在该实施例中,超像素分割模块12中的各个子模块,基于K-Means聚类,通过构建颜色空间和五维特征向量,基于欧式距离度量的颜色距离和空间距离实现图像局部聚类,通过这种分割,使得分割后的影像斑块能够持续保持局部信息,实现基于超像素影像斑块的纹理和形态学特征的地物信息是否变化的评价。
在上述实施例中,优选地,变化模糊评价模块15具体包括:
评价集合建立子模块151,用于以发生变化类型的概率和未发生变化类型的概率,建立评价集合;
参数因子建立子模块152,用于以灰度共生矩阵法中的尺度大小、移动方向和步长参数,建立参数因子集合;
变化概率计算子模块153,用于计算参数因子集合中不同因子尺度上每个超像素的纹理特征和地物信息变化概率值与全部超像素纹理特征和地物信息变化概率值之和的比值;
概率熵值计算子模块154,用于以比值,分别计算不同因子尺度上对应影像斑块的纹理特征和地物信息变化概率熵值;
因子权重计算子模块155,用于以变化概率熵值,分别计算不同因子尺度的权重;
影像变化确定子模块156,用于以权重和评价集合中的概率值,分别计算每个影像斑块纹理特征和地物信息发生变化和未发生变化的概率值,并根据概率值确定当前影像斑块对象是否发生变化。
在该实施例中,变化模糊评价模块15中的各个子模块针对多尺度上的超像素斑块对象,引入两个时相遥感影像的纹理特征,建立了模糊评价模型对各个斑块内的像元纹理特征和地物信息是否发生变化进行变化概率计算,并采用熵权法对评价结果进行加权计算得到变化检测结果。
根据上述实施例公开的基于多时相卫星影像的超像素变化检测系统,其各个模块所要实现的功能,与上述实施例公开的基于多时相卫星影像的超像素变化检测方法中各步骤的实现方法分别对应保持一致,具体请参照上述检测方法,在此不再赘述。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于多时相卫星影像的超像素变化检测方法,其特征在于,包括:
获取两个时相的卫星影像,并对所述卫星影像进行预处理操作;
基于K-Means聚类算法,通过构建颜色空间和XY坐标下的五维特征向量,采用欧式距离度量颜色距离和空间距离,并利用所述颜色距离和空间距离对预处理后的所述卫星影像进行图像超像素的局部聚类,实现超像素分割;
针对超像素分割得到的超像素影像斑块,采用灰度共生矩阵法分别提取两个时相的影像斑块的纹理特征信息;
基于所述灰度共生矩阵法中尺度、方向及步长三个参数,对两个时相影像斑块的纹理特征影像进行地物提取;
采用所述灰度共生矩阵法中尺度、方向及步长为参数因子集合构建模糊评价模型,计算每个超像素斑块中各个超像素对象的纹理特征和地物信息是否发生变化的变化概率值,并采用熵权法对每个影像斑块中纹理特征和地物信息在所述参数因子集合中各因子尺度的模糊评判结果进行加权计算,根据计算结果确定当前超像素对象的纹理特征和地物信息是否发生变化。
2.根据权利要求1所述的基于多时相卫星影像的超像素变化检测方法,其特征在于,所述采用所述灰度共生矩阵法中尺度、方向及步长为参数因子集合构建模糊评价模型,计算每个超像素斑块中各个超像素对象的纹理特征和地物信息是否发生变化的变化概率值,并采用熵权法对每个影像斑块中纹理特征和地物信息在所述参数因子集合中各因子尺度的模糊评判结果进行加权计算,根据计算结果确定当前超像素对象的纹理特征和地物信息是否发生变化的具体过程包括:
以提取的各个超像素纹理特征和地物信息发生变化类型的概率和未发生变化类型的概率,建立评价集合;
以所述灰度共生矩阵法中的尺度大小、移动方向和步长参数,建立参数因子集合;
计算所述参数因子集合中不同因子尺度上每个超像素的变化概率值与全部超像素变化概率值之和的比值;
以所述比值,分别计算不同因子尺度上对应影像斑块纹理特征和地物信息的变化概率熵值;
以所述变化概率熵值,分别计算不同因子尺度的权重;
以所述权重和所述评价集合中的概率值,分别计算每个影像斑块纹理特征和地物信息发生变化和未发生变化的概率值,并根据概率值确定当前影像斑块是否发生变化。
3.根据权利要求1所述的基于多时相卫星影像的超像素变化检测方法,其特征在于,所述基于K-Means聚类算法,通过构建颜色空间和XY坐标下的五维特征向量,采用欧式距离度量颜色距离和空间距离,并利用所述颜色距离和空间距离对预处理后的所述卫星影像进行图像超像素的局部聚类的具体过程包括:
将所述卫星影像由RGB颜色空间转化到Lab颜色空间,建立每个像素的五维特征参数(li,ai,bi,xi,yi),其中,像素点在在Lab颜色空间的各个颜色分量为(li,ai,bi),影像坐标值为(xi,yi);
第K个超像素块聚类中心j与第i个像素点的颜色距离为:
第K个超像素块聚类中心j与第i个像素点的空间距离为:
第K个超像素块聚类中心j与第i个像素点的线性综合距离为:
ds=dlab+mdxy/S
其中,m为颜色空间和坐标空间在相似度计算中的权重;
将种子点进行初始化,根据所述像素点个数将所述种子点均匀显示在所述卫星影像中;
在n×n邻域的种子点内重复选择新的种子点;
聚类中心由每个像素点标签分配得到,分布于每个种子点周围邻域内,搜索大小为2S×2S;
计算单个像素点到其他种子点间距离的最小值,确定对应的种子点为该像素点的聚类中心;
迭代至收敛,得到完成超像素分割的所述卫星影像。
4.根据权利要求1所述的基于多时相卫星影像的超像素变化检测方法,其特征在于,采用灰度共生矩阵法提取影像斑块的纹理特征信息过程中,采用对比度特征提取所述影像斑块中地物的纹理特征信息;
对两个时相影像斑块的纹理特征影像进行地物提取过程中,采用预设的尺度、方向及步长对两个时相影像斑块的对比度纹理特征影像进行地物提取。
5.根据权利要求2所述的基于多时相卫星影像的超像素变化检测方法,其特征在于,所述采用所述灰度共生矩阵法中尺度、方向及步长为参数因子集合构建模糊评价模型,计算每个超像素斑块中纹理特征和地物信息是否发生变化的变化概率值,并采用熵权法对每个影像斑块中特征和地物信息在所述参数因子集合中各因子尺度的模糊评判结果进行加权计算,根据计算结果确定当前超像素对象的纹理特征和地物信息是否发生变化的具体过程进一步包括:
建立评价集合P={P1,P0},其中,P0为未发生变化类型的概率,P1为发生变化类型的概率;
建立参数因子集合u={u1,u2,u3},其中,u1,u2,u3分别为灰度共生矩阵法中的尺度大小、移动方向和步长;
其中,m为整个卫星影像内影像斑块的个数,P1 u1为第u1个尺度大小的因子尺度上第i个像素的纹理特征和地物信息变化概率值;
分别计算不同因子尺度上对应影像斑块的变化概率熵值Hu1、Hu2和Hu3:
其中,n=1/lnm,m为当前影像斑块内超像素的个数;
计算第u1,u2,u3个因子尺度的权重:
其中,l为上述三个因子尺度中对应的不同参数值;
每个超像素的纹理特征和地物信息变化检测综合评价结果为A0和A1,分别为对应超像素未变化概率值和变化概率值:
A1=1-A0
当A0≥A1时,表示该影像斑块未发生变化,赋值为0,
当A0<A1时,表示该影像斑块发生变化,赋值为1;
根据影像斑块的二值化结果,确定当前影像斑块是否发生变化。
6.根据权利要求1所述的基于多时相卫星影像的超像素变化检测方法,其特征在于,所述卫星影像的预处理操作包括几何校正、多光谱和全色波段的影像配准、多光谱和全色波段辐射定标、多光谱大气校正和正射校正以及导向滤波。
7.根据权利要求1所述的基于多时相卫星影像的超像素变化检测方法,其特征在于,所述卫星影像为空间分辨率为2米的高分一号卫星影像。
8.一种基于多时相卫星影像的超像素变化检测系统,应用如权利要求1至7中任一项所述的基于多时相卫星影像的超像素变化检测方法,其特征在于,包括:
影像预处理模块,用于获取两个时相的卫星影像,并对所述卫星影像进行预处理操作;
超像素分割模块,用于基于K-Means聚类算法,通过构建颜色空间和XY坐标下的五维特征向量,采用欧式距离度量颜色距离和空间距离,并利用所述颜色距离和空间距离对预处理后的所述卫星影像进行图像超像素的局部聚类,实现超像素分割;
纹理特征提取模块,用于针对超像素分割得到的超像素影像斑块,采用灰度共生矩阵法分别提取两个时相的影像斑块的纹理特征信息;
地物提取模块,用于基于所述灰度共生矩阵法中尺度、方向及步长三个参数,对两个时相影像斑块的纹理特征影像进行地物提取;
变化模糊评价模块,用于采用所述灰度共生矩阵法中尺度、方向及步长为参数因子集合构建模糊评价模型,计算每个影像斑块中各个超像素对象的纹理特征和地物信息是否发生变化的变化概率值,并采用熵权法对每个影像斑块纹理特征和地物信息在所述参数因子集合中各因子尺度的模糊评判结果进行加权计算,根据计算结果确定当前超像素对象的纹理特征和地物信息是否发生变化。
9.根据权利要求8所述的基于多时相卫星影像的超像素变化检测系统,其特征在于,所述变化模糊评价模块具体包括:
评价集合建立子模块,用于以发生变化类型的概率和未发生变化类型的概率,建立评价集合;
参数因子建立子模块,用于以所述灰度共生矩阵法中的尺度大小、移动方向和步长参数,建立参数因子集合;
变化概率计算子模块,用于计算所述参数因子集合中不同因子尺度上每个超像素纹理特征和地物信息的变化概率值与全部超像素纹理特征和地物信息变化概率值之和的比值;
概率熵值计算子模块,用于以所述比值,分别计算不同因子尺度上对应影像斑块的纹理特征和地物信息变化概率熵值;
因子权重计算子模块,用于以所述变化概率熵值,分别计算不同因子尺度的权重;
影像变化确定子模块,用于以所述权重和所述评价集合中的概率值,分别计算每个影像斑块纹理特征和地物信息发生变化和未发生变化的概率值,并根据概率值确定当前影像斑块对象是否发生变化。
10.根据权利要求8所述的基于多时相卫星影像的超像素变化检测系统,其特征在于,所述超像素分割模块具体包括:
颜色空间和五维特征向量构建子模块,用于将所述卫星影像由RGB颜色空间转化到Lab颜色空间,建立每个像素的五维特征参数;
距离计算子模块,用于利用欧式距离度量颜色距离和空间距离;
像素局部聚类子模块,用于利用K-Means聚类算法迭代计算像素点与种子点间距离确定聚类中心、完成像素聚类,从而实现超像素分割。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111321556.7A CN114022459A (zh) | 2021-11-09 | 2021-11-09 | 基于多时相卫星影像的超像素变化检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111321556.7A CN114022459A (zh) | 2021-11-09 | 2021-11-09 | 基于多时相卫星影像的超像素变化检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114022459A true CN114022459A (zh) | 2022-02-08 |
Family
ID=80063466
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111321556.7A Pending CN114022459A (zh) | 2021-11-09 | 2021-11-09 | 基于多时相卫星影像的超像素变化检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114022459A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114627087A (zh) * | 2022-03-21 | 2022-06-14 | 国网江苏省电力有限公司无锡供电分公司 | 一种多时相卫星遥感图像的地物变化自动检测方法及系统 |
CN115239682A (zh) * | 2022-08-03 | 2022-10-25 | 国网江苏省电力有限公司无锡供电分公司 | 一种电缆线路防外破监测告警方法与系统 |
CN116403007A (zh) * | 2023-04-12 | 2023-07-07 | 北京卫星信息工程研究所 | 基于目标向量的遥感影像变化检测方法 |
CN117173175A (zh) * | 2023-11-02 | 2023-12-05 | 湖南格尔智慧科技有限公司 | 一种基于超像素的图像相似度检测方法 |
-
2021
- 2021-11-09 CN CN202111321556.7A patent/CN114022459A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114627087A (zh) * | 2022-03-21 | 2022-06-14 | 国网江苏省电力有限公司无锡供电分公司 | 一种多时相卫星遥感图像的地物变化自动检测方法及系统 |
CN114627087B (zh) * | 2022-03-21 | 2024-04-12 | 国网江苏省电力有限公司无锡供电分公司 | 一种多时相卫星遥感图像的地物变化自动检测方法及系统 |
CN115239682A (zh) * | 2022-08-03 | 2022-10-25 | 国网江苏省电力有限公司无锡供电分公司 | 一种电缆线路防外破监测告警方法与系统 |
CN115239682B (zh) * | 2022-08-03 | 2024-01-30 | 国网江苏省电力有限公司无锡供电分公司 | 一种电缆线路防外破监测告警方法与系统 |
CN116403007A (zh) * | 2023-04-12 | 2023-07-07 | 北京卫星信息工程研究所 | 基于目标向量的遥感影像变化检测方法 |
CN116403007B (zh) * | 2023-04-12 | 2023-12-19 | 北京卫星信息工程研究所 | 基于目标向量的遥感影像变化检测方法 |
CN117173175A (zh) * | 2023-11-02 | 2023-12-05 | 湖南格尔智慧科技有限公司 | 一种基于超像素的图像相似度检测方法 |
CN117173175B (zh) * | 2023-11-02 | 2024-02-09 | 湖南格尔智慧科技有限公司 | 一种基于超像素的图像相似度检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
CN114022459A (zh) | 基于多时相卫星影像的超像素变化检测方法及系统 | |
CN104574347B (zh) | 基于多源遥感数据的在轨卫星图像几何定位精度评价方法 | |
CN104200461B (zh) | 基于互信息图像选块和sift特征的遥感图像配准方法 | |
CN107067405B (zh) | 基于尺度优选的遥感影像分割方法 | |
CN108961286B (zh) | 一种顾及建筑物三维及边缘形状特征的无人机影像分割方法 | |
CN109829423B (zh) | 一种结冰湖泊红外成像检测方法 | |
CN112052783A (zh) | 一种结合像素语义关联和边界注意的高分影像弱监督建筑物提取方法 | |
CN110033484A (zh) | 一种结合uav影像和tls点云的高郁闭森林样地树高提取方法 | |
CN110334762A (zh) | 一种基于四叉树结合orb和sift的特征匹配方法 | |
CN109461132B (zh) | 基于特征点几何拓扑关系的sar图像自动配准方法 | |
Zhu et al. | Robust registration of aerial images and LiDAR data using spatial constraints and Gabor structural features | |
CN111160192A (zh) | 基于海岸线状特征的遥感图像定位方法 | |
Pan et al. | An adaptive multifeature method for semiautomatic road extraction from high-resolution stereo mapping satellite images | |
CN111311596A (zh) | 一种基于改进lbp特征的遥感影像变化检测方法 | |
CN113850769B (zh) | 一种基于Siamese空谱联合卷积网络的高光谱变化检测方法 | |
CN111626307A (zh) | 一种基于l-orb算法的植株图像实时拼接方法 | |
CN112184785B (zh) | 基于mcd度量和vtm的多模态遥感图像配准方法 | |
CN105894494A (zh) | 基于gpu技术的三线阵立体航测相机并行谱段配准方法 | |
CN108335320A (zh) | 多源遥感影像的空间配准方法及空间配准系统 | |
CN105631860B (zh) | 基于局部排序方向直方图描述子的图像同名点提取方法 | |
CN109215122B (zh) | 一种街景三维重建系统及方法、智能小车 | |
CN116843938A (zh) | 一种高空间分辨率遥感图像的混合分类方法 | |
Ibrahim et al. | Image registration based on multi-scale SIFT for remote sensing images | |
CN114596343A (zh) | 面向复杂地面场景的跨模态遥感图像智能多尺度配准方法 |
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 |