CN114937211A - 基于不变对象的遥感影像变化检测方法 - Google Patents
基于不变对象的遥感影像变化检测方法 Download PDFInfo
- Publication number
- CN114937211A CN114937211A CN202210876418.3A CN202210876418A CN114937211A CN 114937211 A CN114937211 A CN 114937211A CN 202210876418 A CN202210876418 A CN 202210876418A CN 114937211 A CN114937211 A CN 114937211A
- Authority
- CN
- China
- Prior art keywords
- invariant
- change
- image
- detection
- points
- 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
- 230000008859 change Effects 0.000 title claims abstract description 130
- 238000001514 detection method Methods 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 claims abstract description 57
- 230000004927 fusion Effects 0.000 claims abstract description 55
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000005457 optimization Methods 0.000 claims description 11
- 238000013135 deep learning Methods 0.000 claims description 10
- 238000013136 deep learning model Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 3
- 238000002187 spin decoupling employing ultra-broadband-inversion sequences generated via simulated annealing Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 description 23
- 230000005855 radiation Effects 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于不变对象的遥感影像变化检测方法,该方法包括:选取待检测区域的基准影像和检测影像;将基准影像和检测影像进行比对,并利用不变提取方法进行提取得到不变对象,不变对象包含多维度信息和不变信息;对基准影像和检测影像进行初步变化检测,得到变化集;根据不变对象的多维度信息构建变化集与不变对象的融合关系,并进行融合得到融合区域,利用不变信息检测和标注融合区域中的伪变化,去除伪变化,得到变化检测结果。本发明基于不变对象的遥感影像变化检测方法在初步变化检测的基础上,能够进一步标注并去除遥感影像在变化过程中的伪变化,提高变化检测的精度和准确度。
Description
技术领域
本发明涉及影像处理技术领域,尤其涉及一种基于不变对象的遥感影像变化检测方法。
背景技术
遥感影像即遥感图像,其变化检测是指对同一地区不同时相的遥感图像进行提取和分析,来识别和检测地物的状态变化或现象变化的过程。所获取到的变化信息可用于地理系统信息更新、资源环境监测、城区扩展监测、森林和植被变化监测等。
目前的检测技术从分析单元的角度可以分为像元级变化检测方法和对象级变化检测方法。像元级变化检测方法主要依赖于由地物变化引起的遥感图像中光谱反射值的改变;对象级变化检测方法包括分类后比较和直接比较。由于地物的复杂性以及地物随着时间在影像上信息会有微小变化,在变化检测的过程中经常会有很多伪变化信息,导致变化检测的精度不高。
因此,需要一种新的变化检测方法,以解决上述技术问题。
发明内容
为了解决上述所述的技术问题,本发明提出一种基于不变对象的遥感影像变化检测方法,通过将不变对象和变化集进行融合,构建融合关系,利用融合关系确定变化集中的伪变化,并进行去除,得到更加精确的变化检测结果。
为实现上述技术目的,本发明提供一种基于不变对象的遥感影像变化检测方法,所述方法包括:
S1:选取待检测区域的基准影像和检测影像;
S2:将所述基准影像和所述检测影像进行比对,并利用不变提取法进行提取得到不变对象,所述不变对象包含多维度信息和不变信息;
S3:对所述基准影像和所述检测影像进行初步变化检测,得到变化集;
S4:根据所述不变对象中的所述多维度信息构建所述变化集与所述不变对象的融合关系,并根据所述融合关系确定所述不变对象与所述变化集的融合区域;
S5:利用所述不变信息检测和标注所述融合区域中的伪变化并去除所述伪变化,得到变化检测结果。
于本发明一具体实施例中,步骤S2包括:
S21利用所述不变提取法分别对所述基准影像和所述检测影像进行提取,得到不变特征点;
S22基于所述不变特征点进行区域性延伸,得到不变对象,所述不变对象包含多维度信息和不变信息;
其中,所述不变特征点包括基准不变特征点和检测不变特征点。
于本发明一具体实施例中,步骤S22包括:
步骤一、将所述基准影像和所述检测影像均按照预设大小划分为多个滑动窗口;
步骤二、在滑动窗口内,将所述检测不变特征点与所述基准不变特征点进行比对,若某一所述基准不变特征点的特征值在滑动窗口内找到特征值与其绝对差值小于预设阈值的所述检测不变特征点,则将这些所述检测不变特征点作为候选点;
步骤三、对所述候选点进行区域性延伸,包括:以每个所述候选点为中心计算其特征方向,该特征方向具有不变特性,之后检测所述特征方向上与所述候选点相关的相对不变点,根据所述候选点、所述特征方向和所述相对不变点构造不变特征区域,得到初始不变对象,所述不变特征区域中包含所述候选点和像素点;
步骤四、利用优化算法对步骤三得到的所述初始不变对象进行优化,得到优化后的不变对象;
步骤五、重复执行步骤二到步骤四,遍历所有的滑动窗口,得到最终的不变对象。
于本发明一具体实施例中,所述优化算法的优化过程包括:
1)将所述不变特征区域中的所有所述像素点分别与所述候选点进行相似性比较,并统计相似性比较的结果,构建频率直方图;
2)选取所述频率直方图中前M个矩形范围内的A个像素点,作为第一像素点集;
3)计算所述第一像素点集中所有所述像素点的特征均值;
4)计算每个所述像素点的特征值与所述特征均值的特征距离;
5)将特征距离按从小到大排序,选前B个对应的所述像素点构成第二像素点集;
6)计算所述第二像素点集的特征均值;
7)重复步骤4)到步骤6),迭代计算N次。
于本发明一具体实施例中,所述多维度信息包括二维信息和三维信息;
其中,所述二维信息包括面积信息,所述三维信息包括空间位置信息和拓扑关系信息。
于本发明一具体实施例中,步骤S4包括:
根据所述不变对象的所述多维度信息确定所述不变对象与所述变化集的融合区域;
相应地,步骤S5包括:
根据所述不变信息确定所述融合区域对应的不变区域,并将所述不变区域的变化作为伪变化进行去除,得到变化检测结果。
于本发明一具体实施例中,步骤S4包括:
根据所述不变对象的所述多维度信息确定所述不变对象与所述变化集的融合区域;
相应地,步骤S5包括:
利用所述多维度信息计算所述融合区域在所述变化集中的融合占比;
若所述融合占比超过阈值,则根据所述不变信息判定融合区域为不变区域;
将所述不变区域的变化作为伪变化进行去除,得到变化检测结果。
于本发明一具体实施例中,所述不变提取法包括传统方法和深度学习方法;
其中,所述传统方法包括SIFT算法、SURF算法、Harris算法、SUSAN算法和无变化散点图法;
所述深度学习方法包括伪不变特征法、旋转不变特征法以及基于对象的深度学习算法。
于本发明一具体实施例中,所述变化集为整个所述检测影像或所述检测影像中的变化图斑。
于本发明一具体实施例中,当所述变化集为检测影像中的变化图斑时,步骤S3包括:
构建深度学习模型,所述深度学习模型为语义分割模型;
将所述基准影像和所述检测影像输入至所述深度学习模型进行解译提取,得到所述变化集。
本发明的有益效果为:本发明提供一种基于不变对象的遥感影像变化检测方法,将提取的变化集和不变对象进行融合,构建融合关系,利用不变对象的相关信息判定融合区域是否为伪变化,进而将伪变化进行去除,得到变化检测结果。本发明的变化检测方法能去除遥感图像在变化过程中的伪变化,提高了变化检测的精度和准确性。
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为本发明的变化检测方法的流程示意图。
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。需要说明的是,只要不构成冲突,本发明中的各个实施例以及各实施例的各个特征可以相互结合,所形成的技术方案均在本发明的保护范围之内。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
请参阅图1,本发明提供一种基于不变对象的遥感影像变化检测方法,该方法包括:
S1、选取待检测区域的基准影像和检测影像。
需要说明的是,上述基准影像和检测影像为同一区域的不同时相的遥感影像。其中,基准影像为前时相影像,基准影像可以是一张影像,也可以是多个影像组成的影像集;检测影像为后时相影像。
选取了基准影像和检测影像后,还需要对两幅影像进行预处理,预处理的过程包括几何校正、辐射校正和直方图匹配。
(1)几何校正
遥感成像的时候,由于飞行器的姿态、高度、速度以及地球自转等因素的影响,造成影像相对于地面目标发生几何畸变,这种畸变表现为像元相对于地面目标的实际位置发生挤压、扭曲、拉伸和偏移等,因此需要对遥感影像进行误差校正,即几何校正。
需要说明的是,几何校正分为几何粗校正和几何精校正,本实施例中对两幅影像进行几何精校正,步骤为:
a)选取地面控制点,可以从地形图为参考进行控制选点,选取的地面控制点在影像上有明显的、清晰的点位标志,且地面控制点上的地物不随时间而变化,地面控制点需均匀分布在整幅影响内,并有一定的数量保证;
b)建立几何校正模型,根据影像的几何畸变性质及地面控制点的多少来确定校正数学模型,建立起影像与地图之间的空间变换关系;
c)重采样内插,为了使校正后的输出影像像元与输入的未校正影像相对应,根据确定的校正公式,对输入影像的数据重新排列,具体为:根据影像上的各像素的位置,按一定规则对影像进行重新采样,按照亮度值的插值计算,建立新的影像矩阵,插值方法包括最近邻法、双线性内插法和三次卷积内插法。
(2)辐射校正
由于遥感传感器在接收来自地面目标物的电磁波辐射能量时,受传感器本身特性、大气作用以及地物光照条件(如地形起伏和太阳高度角变化)等影响,致使遥感传感器的探测值与地物实际的光谱辐射值不一致,即辐射误差,辐射误差造成了遥感影像的失真,影响遥感影像的判读和解译,因此必须要对辐射误差进行消除或减弱,这个消除或减弱辐射误差的过程即为辐射校正。辐射校正的结果会改变影像的色调和色彩。
辐射校正主要包括三个过程:辐射定标、大气校正和地形及太阳高度角校正。
a)辐射定标:包括绝对辐射定标和相对辐射定标。
b)大气校正:在辐射定标的基础上进行大气校正,结果分为绝对大气校正和相对大气校正。
c)地形及太阳高度角校正:包括公式法和波段比值法。
(3)直方图匹配
图像直方图是反映一个图像像素分布的统计表,其横坐标代表图像像素的种类,可以是灰度的,也可以是彩色的;纵坐标代表每一种颜色值在图像中的像素总数或者占所有像素个数的百分比。
直方图匹配也称为直方图规定化,是指将某幅影像的直方图变成规定形状的直方图而进行的图像增强方法。本实施例中将检测影像的直方图匹配到基准影像上,使两幅影像的对比度保持一致。
S2:利用不变提取法对所述基准影像和所述检测影像进行提取得到不变对象,所述不变对象包含多维度信息和不变信息。
遥感影像也为遥感图像,遥感图像是数字图像。图像是人类视觉的基础,是自然景物的客观反映,是人类认识世界和人类本身的重要源泉。“图”是物体反射或透射光的分布,“像”是人的视觉系统所接受的图在人脑中所形成的印象或认识,照片、绘画、地图等都属于图像。特征提取是计算机视觉和图像处理中的一个概念。特征提取指的是使用计算机提取图像信息,决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不同的子集,这些子集往往属于孤立的点、连续的曲线或者连续的区域。
需要说明的是,本步骤中的所述不变提取法包括传统方法和深度学习方法;其中,传统方法可以是SIFT算法、SURF算法、Harris算法、SUSAN算法和无变化散点图法,深度学习方法包括伪不变特征法、旋转不变特征法,以及基于对象的深度学习算法,包括解译、分割、目标检测、分类和变化检测等。
具体地,步骤S2包括:
S21利用不变提取法分别对所述基准影像和所述检测影像进行提取,得到不变特征点,所述不变特征点包括基准不变特征点和检测不变特征点。
对所述基准不变特征点和检测不变特征点同时进行提取,且采用的不变提取法相同。在得到不变对象前,可以先得到不变特征点,然后通过不变特征点得到不变对象。对不变特征点的提取有多种,本实施例以SIFT特征点和旋转不变特征点为例进行说明,具体如下所述:
(1)SIFT特征点
首先明确特征点的概念,特征点表示为在图像上的行号和列号。具体的,对不变特征点进行提取的过程为:
A、建立高斯差分金字塔
建立高斯差分金字塔之前,应先建立高斯金字塔,高斯金字塔是由图像与高斯函数卷积得到,如式(1)所示:
式中,I(x,y)是原图像,G(x,y,σ)是对原图像进行卷积运算的高斯函数:
高斯差分尺度空间是由高斯尺度空间相邻图像相减得到的高斯差分(Differenceof Gaussian,DOG)响应值图像D(x,y,σ),通过对响应值图像进行非极大值抑制,确定出在位置和尺度空间的特征点,其中D(x,y,σ)可以表示为式(3),式中k表示相邻尺度图像的尺度倍数:
构建金字塔的尺度空间组数一般依影像长宽而定。
B、特征点搜索与定位
特征点搜索是通过将同一组内各DOG相邻层之间进行比较来确定的。其中,相互比较的过程是在尺度空间将每一个采样点与其邻域内的点进行比较,判断其是否为极值点。其中采样点的所有相邻点包括同尺度空间相邻的8个点,以及其上下尺度空间的9×2个点。
以上方法是在离散空间检测到的极值点,不是真正意义上的极值点,因此要利用离散空间点进行插值计算得到在连续空间的极值点。
C、边缘效应剔除
以上得到的极值点并不全是真正的特征点,因为还有一些边缘响应较强的点还需要剔除,这是因为边缘上的点存在定位比较困难以及容易受到噪声的干扰变得不稳定的缺陷。因此一旦特征点落到图像的边缘上,这些点就是不稳定的点。根据DOG响应值在横跨边缘处主曲率较大,而垂直边缘的地方主曲率较小的原理对极值点进行判断,检测其是否为边缘点。其中主曲率可通过2×2的Hessian矩阵H(x,y)计算得到:
式中,D可由相邻像元的差分得到。H的特征值与D的主曲率成正比,令α=λmin是最大特征值,可得:
令γ是最大特征值和最小特征值之间倍数,则有α=γβ,从而可得出式(7):
从式(7)可以看出,上式的结果与具体的特征值没有关系,只与它们之间的比值有关,当两个特征值相等时,上式的值最小;随着比值的增大,上式的值也随着增大。因此,可以通过判断式(8)是否成立来检测判断是否为边缘点。
式中γ是阈值,取值为γ=10。
边缘点在灰度值上变化快,低对比度特征不明显,剔除这两种极值点以提高关键点匹配度的稳定性。
由以上步骤匹配得到的关键点即为不变特征点,通过SIFT方法对基准影像和检测影像进行提取,得到SIFT特征点,即不变特征点。
(2)旋转不变特征点
所述旋转不变特征点即为不变特征点,其具体指的是找到地物的中心质角点,该中心质角点具有表述任意形状轮廓的特性,其性质有旋转不变的特征,对中心质角点进行提取,具体过程为:
选取地物对象,例如选取建筑对象,其轮廓图形的分辨率为m×n,O为该轮廓图形的中心点,P为其质点,A为轮廓上任意点,中心角φA和质点角γA分别为:
式中,(XOA,YOA)是A点与O点的相对坐标,(XPA,YPA)是A点与P点的相对坐标。S函数可将角度转换到[0,2π)范围内,即
式中,(X,Y)表示直角坐标系中任意点坐标,可以等效理解为(XOA,YOA)。中心点O的坐标以及质点P的坐标分别为:
式中,(x0,y0)是检测窗口的中心点,为了计算方便,通常默认为坐标系原点;h为轮廓像素点总数;xi为每一个轮廓像素点的横坐标;yi为每一个轮廓像素点的纵坐标。
根据式(9)、(10)可计算出A点的中心质点角为:
当轮廓目标发生旋转时,其轮廓上任意一点的中心角与质点角是相对不变的,即中心质角点具有旋转不变性,通过上述步骤,即得到旋转不变特征点。
S22基于所述不变特征点进行区域性延伸,得到不变对象,所述不变对象包含多维度信息和不变信息。
具体地,在得到不变特征点后,以不变特征点为基点进行多方位的区域性延伸,得到不变对象,进一步地,还可以利用优化算法对不变对象的轮廓进行优化,得到优化后的不变对象。
在本发明一实施例中,步骤S22的具体过程为:
步骤一、将所述基准影像和所述检测影像均按照预设大小划分为多个滑动窗口,本发明实施例中,所述滑动窗口为50×50像素大小。
步骤二、在滑动窗口内,将所述检测不变特征点与所述基准不变特征点进行比对,若某一所述基准不变特征点的特征值可以在滑动窗口内找到特征值与其绝对差值小于预设阈值的所述检测不变特征点,则将这些所述检测不变特征点作为候选点。本发明实施例中,所述预设阈值为0.1。
步骤三、对所述候选点进行区域性延伸,包括:以每个所述候选点为中心计算其特征方向,该特征方向具有不变特性,之后检测所述特征方向上与所述候选点相关的相对不变点,根据所述候选点、所述特征方向和所述相对不变点构造不变特征区域,即可得到初始不变对象,所述不变特征区域中包含候选点和像素点。具体地,所述不变特征区域可以是椭圆区域,也可以是其它形状的区域,当所述不变特征区域为椭圆区域时,所述不变特征区域的构造过程为:以所述候选点和所述相对不变点的连线作为斜边、所述特征方向上的直线作为其中一条直角边构造直角三角形,将直角三角形的两条直角边作为椭圆区域的两条轴,将所述候选点作为椭圆区域的中心点,所述特征方向为构造椭圆区域的方向,以构造椭圆区域。
步骤四、利用优化算法对步骤三得到的所述初始不变对象进行优化,得到优化后的不变对象。本发明实施例中,步骤四的所述优化算法的优化过程可以具体为:
1)将所述不变特征区域中的所有所述像素点分别与所述候选点进行相似性比较,相似性比较使用欧式距离度量,然后统计相似性比较的结果,构建频率直方图。
2)选取所述频率直方图中前M个矩形范围内的A个像素点,作为第一像素点集。本实施例中,M为5,频率直方图包括7个矩形范围,A即表示频率最高的前5个矩形范围内的像素点个数。
3)计算所述第一像素点集中所有所述像素点的特征均值,计算公式如下:
其中,xi为第i个像素点到候选点之间的特征距离,Pi为x对应取值的概率,n为像素点的个数。
4)计算每个所述像素点的特征值与所述特征均值的特征距离。本发明实施例中,所述特征距离可以是欧氏距离,也可以是其它距离。
5)将特征距离按从小到大排序,选前B个对应的所述像素点构成第二像素点集。本发明实施例中,将特征距离从小到大排序后,从最小的特征距离对应的所述像素点开始选取,总共选B个对应的所述像素点,B可以指的是当选取的像素点占总像素点的60%即停止筛选时,已选取的像素点个数。
6)计算所述第二像素点集的特征均值。
7)重复步骤4)到步骤6),迭代计算N次。本发明实施例中,N设为6,或者可以设定迭代停止条件,达到迭代停止条件时,已经迭代计算N次,所述迭代停止条件可以是:当前计算的第二像素点集的特征均值与前一次计算的第二像素点集的特征均值相同。
通过上述步骤得到优化后的像素点,将不够准确的像素点予以剔除,根据优化后的像素点和候选点对不变特征区域进行重新界定,即以候选点为中心、优化后的像素点为基础重新构建不变特征区域的区域面,对不变特征区域的边界做优化处理,提高不变特征区域中像素点的准确性,得到优化后的不变特征区域。
步骤五、重复执行步骤二到步骤四,遍历所有的滑动窗口,得到最终的不变对象。
本发明实施例通过上述步骤先得到不变特征点,然后进行区域性延伸得到不变对象,并对不变对象进行迭代优化,剔除了一些不够准确的区域,能够提高不变对象的边界的准确度,所得到的不变对象为不变特性优良、更能准备表示遥感图像中为发生变化的区域,在后续的伪变化去除中,起到了提高伪变化检测精度的效果。
S3:对所述基准影像和所述检测影像进行初步变化检测,得到变化集。
变化集可以是整幅检测影像,也可以是检测影像中的变化图斑。当变化集是检测影像中的变化图斑时,通过构建深度学习模型来对基准影像和检测影像进行提取得到变化图斑,具体如下:
构建深度学习模型,深度学习模型采用语义分割模型。
构建深度学习全卷积网络,该全卷积网络中包括卷积层,每层卷积层都单独对分割后的对象进行计算。
将基准影像和检测影像输入深度学习模型,进行解译提取,得到变化图斑。
以FCN语义分割模型为例:(a)首先获取样本,对样本进行随机的裁剪、翻转以及旋转;构建损失函数,对损失函数采用随机梯度下降法进行模型训练。(b)将预处理后的基准影像和检测影像输入训练后的FCN语义分割模型,将影像进行语义分割,得到多个块,将每一块同时进行计算,识别出检测影像相对基准影像发生变化的块,将这些块的结果合成得到变化图斑。
S4:根据所述不变对象中的所述多维度信息构建变化集与所述不变对象的融合关系,并根据所述融合关系确定所述不变对象与所述变化集的融合区域;
S5:利用所述不变信息检测和标注所述融合区域中的伪变化并去除所述伪变化,得到变化检测结果。
需要说明的是,上述多维度信息包括二维信息和三维信息;其中,二维信息包括面积信息,三维信息包括空间位置信息和拓扑关系信息。
具体地,步骤S4-S5的实现包括两种情况:
第一种:根据所述不变对象中的所述多维度信息确定所述不变对象与变化集的融合区域;对所述融合区域进行标记,基于不变信息判定变化集中与所标记的融合区域相对应的部分为不变区域;将所述不变区域的变化作为伪变化进行去除,得到变化检测结果。
根据不变对象的多维度信息确定不变对象与变化集的融合区域;判定融合区域为不变区域,即变化集中相对应的部分为伪变化。
例如,多维度信息为三维信息,具体为不变对象的空间位置信息,不变对象包含不变信息,根据不变对象的空间位置确定不变对象与变化集的融合区域,将该融合区域进行标记,基于不变信息判定变化集中与融合区域相对应的部分为不变区域,即不变区域的变化为伪变化,将确定的伪变化进行去除,得到变化检测结果。
再例如,多维度信息为二维信息,具体为不变对象的面积,不变对象包含不变信息,检测不变对象覆盖变化集的融合区域,计算不变对象的面积,根据面积标记变化集中对应融合区域的部分,基于不变信息判定这个部分为不变区域,即不变区域的变化为伪变化,将确定的伪变化进行去除,得到变化检测结果。
第二种
根据不变对象的多维度信息确定不变对象与变化集的融合区域;利用多维度信息计算不变对象在变化集中的融合占比;若融合占比超过阈值,则判定融合区域为不变区域,即变化集中相对应的部分为伪变化。
例如,多维度信息为二维信息,具体为不变对象的面积,不变对象包含不变信息,根据面积确定不变对象与变化集的融合区域,并对面积的数值进行计算,具体为矢量计算,得到融合区域的面积占变化集的比例,即融合占比,设占比阈值为70%,若融合占比超过70%,根据不变信息判定变化集中与融合区域相对应的部分为不变区域,即这个区域的变化为伪变化,将确定的伪变化进行去除,得到变化检测结果。
需要明确的是,若多维度信息为三维信息中的空间位置信息,则由不变对象与变化集中心点的距离来设定阈值,当不变对象的位置距离变化集的中心点较近时,阈值较低,例如可设为60%,当不变对象的位置距离变化集的中心点较远时,阈值较高,例如可设为80%。
本发明的有益效果为:本发明提供一种基于不变对象的遥感影像变化检测方法,将提取的变化集和不变对象进行融合,构建融合关系,利用不变对象的相关信息判定融合区域是否为伪变化,进而将伪变化进行去除,得到变化检测结果。本发明的变化检测方法能去除遥感图像在变化过程中的伪变化,提高了变化检测的精度和准确性。
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权利要求的保护范围为准。
Claims (10)
1.一种基于不变对象的遥感影像变化检测方法,其特征在于,所述方法包括:
S1:选取待检测区域的基准影像和检测影像;
S2:将所述基准影像和所述检测影像进行比对,并利用不变提取法进行提取得到不变对象,所述不变对象包含多维度信息和不变信息;
S3:对所述基准影像和所述检测影像进行初步变化检测,得到变化集;
S4:根据所述不变对象中的所述多维度信息构建所述变化集与所述不变对象的融合关系,并根据所述融合关系确定所述不变对象与所述变化集的融合区域;
S5:利用所述不变信息检测和标注所述融合区域中的伪变化并去除所述伪变化,得到变化检测结果。
2.根据权利要求1所述的方法,其特征在于,步骤S2包括:
S21利用所述不变提取法分别对所述基准影像和所述检测影像进行提取,得到不变特征点;
S22基于所述不变特征点进行区域性延伸,得到不变对象,所述不变对象包含多维度信息和不变信息;
其中,所述不变特征点包括基准不变特征点和检测不变特征点。
3.根据权利要求2所述的方法,其特征在于,步骤S22包括:
步骤一、将所述基准影像和所述检测影像均按照预设大小划分为多个滑动窗口;
步骤二、在滑动窗口内,将所述检测不变特征点与所述基准不变特征点进行比对,若某一所述基准不变特征点的特征值在滑动窗口内找到特征值与其绝对差值小于预设阈值的所述检测不变特征点,则将这些所述检测不变特征点作为候选点;
步骤三、对所述候选点进行区域性延伸,包括:以每个所述候选点为中心计算其特征方向,该特征方向具有不变特性,之后检测所述特征方向上与所述候选点相关的相对不变点,根据所述候选点、所述特征方向和所述相对不变点构造不变特征区域,得到初始不变对象,所述不变特征区域中包含所述候选点和像素点;
步骤四、利用优化算法对步骤三得到的所述初始不变对象进行优化,得到优化后的不变对象;
步骤五、重复执行步骤二到步骤四,遍历所有的滑动窗口,得到最终的不变对象。
4.根据权利要求3所述的方法,其特征在于,所述优化算法的优化过程包括:
1)将所述不变特征区域中的所有所述像素点分别与所述候选点进行相似性比较,并统计相似性比较的结果,构建频率直方图;
2)选取所述频率直方图中前M个矩形范围内的A个像素点,作为第一像素点集;
3)计算所述第一像素点集中所有所述像素点的特征均值;
4)计算每个所述像素点的特征值与所述特征均值的特征距离;
5)将特征距离按从小到大排序,选前B个对应的所述像素点构成第二像素点集;
6)计算所述第二像素点集的特征均值;
7)重复步骤4)到步骤6),迭代计算N次。
5.根据权利要求1所述的方法,其特征在于,所述多维度信息包括二维信息和三维信息;
其中,所述二维信息包括面积信息,所述三维信息包括空间位置信息和拓扑关系信息。
6.根据权利要求5所述的方法,其特征在于,步骤S4包括:
根据所述不变对象的所述多维度信息确定所述不变对象与所述变化集的融合区域;
相应地,步骤S5包括:
根据所述不变信息确定所述融合区域对应的不变区域,并将所述不变区域的变化作为伪变化进行去除,得到变化检测结果。
7.根据权利要求5所述的方法,其特征在于,步骤S4包括:
根据所述不变对象的所述多维度信息确定所述不变对象与所述变化集的融合区域;
相应地,步骤S5包括:
利用所述多维度信息计算所述融合区域在所述变化集中的融合占比;
若所述融合占比超过阈值,则根据所述不变信息判定融合区域为不变区域;
将所述不变区域的变化作为伪变化进行去除,得到变化检测结果。
8.根据权利要求1所述的方法,其特征在于,所述不变提取法包括传统方法和深度学习方法;
其中,所述传统方法包括SIFT算法、SURF算法、Harris算法、SUSAN算法和无变化散点图法;
所述深度学习方法包括伪不变特征法、旋转不变特征法以及基于对象的深度学习算法。
9.根据权利要求1所述的方法,其特征在于,所述变化集为整个所述检测影像或所述检测影像中的变化图斑。
10.根据权利要求9所述的方法,其特征在于,当所述变化集为检测影像中的变化图斑时,步骤S3包括:
构建深度学习模型,所述深度学习模型为语义分割模型;
将所述基准影像和所述检测影像输入至所述深度学习模型进行解译提取,得到所述变化集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210876418.3A CN114937211B (zh) | 2022-07-25 | 2022-07-25 | 基于不变对象的遥感影像变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210876418.3A CN114937211B (zh) | 2022-07-25 | 2022-07-25 | 基于不变对象的遥感影像变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114937211A true CN114937211A (zh) | 2022-08-23 |
CN114937211B CN114937211B (zh) | 2022-10-21 |
Family
ID=82868286
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210876418.3A Active CN114937211B (zh) | 2022-07-25 | 2022-07-25 | 基于不变对象的遥感影像变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114937211B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115661453A (zh) * | 2022-10-25 | 2023-01-31 | 腾晖科技建筑智能(深圳)有限公司 | 一种基于下视角相机的塔吊吊物检测分割方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120209514A1 (en) * | 2011-02-14 | 2012-08-16 | Microsoft Corporation | Change invariant scene recognition by an agent |
CN105354841A (zh) * | 2015-10-21 | 2016-02-24 | 武汉工程大学 | 一种快速遥感影像匹配方法及系统 |
CN109409389A (zh) * | 2017-08-16 | 2019-03-01 | 香港理工大学深圳研究院 | 一种融合多特征的面向对象变化检测方法 |
CN110263627A (zh) * | 2019-05-09 | 2019-09-20 | 生态环境部卫星环境应用中心 | 一种面向保护地监管的人类活动变化线索监测方法 |
CN113657351A (zh) * | 2021-09-28 | 2021-11-16 | 黄河水利委员会黄河水利科学研究院 | 基于深度学习的高分遥感影像林草变化检测装置及方法 |
CN114708501A (zh) * | 2022-03-28 | 2022-07-05 | 安徽大学 | 基于条件对抗网络的遥感影像建筑物变化检测方法 |
-
2022
- 2022-07-25 CN CN202210876418.3A patent/CN114937211B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120209514A1 (en) * | 2011-02-14 | 2012-08-16 | Microsoft Corporation | Change invariant scene recognition by an agent |
CN105354841A (zh) * | 2015-10-21 | 2016-02-24 | 武汉工程大学 | 一种快速遥感影像匹配方法及系统 |
CN109409389A (zh) * | 2017-08-16 | 2019-03-01 | 香港理工大学深圳研究院 | 一种融合多特征的面向对象变化检测方法 |
CN110263627A (zh) * | 2019-05-09 | 2019-09-20 | 生态环境部卫星环境应用中心 | 一种面向保护地监管的人类活动变化线索监测方法 |
CN113657351A (zh) * | 2021-09-28 | 2021-11-16 | 黄河水利委员会黄河水利科学研究院 | 基于深度学习的高分遥感影像林草变化检测装置及方法 |
CN114708501A (zh) * | 2022-03-28 | 2022-07-05 | 安徽大学 | 基于条件对抗网络的遥感影像建筑物变化检测方法 |
Non-Patent Citations (1)
Title |
---|
秦慧杰等: "集成不变特征和纹理特征的遥感影像变化检测方法研究", 《现代测绘》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115661453A (zh) * | 2022-10-25 | 2023-01-31 | 腾晖科技建筑智能(深圳)有限公司 | 一种基于下视角相机的塔吊吊物检测分割方法及系统 |
CN115661453B (zh) * | 2022-10-25 | 2023-08-04 | 腾晖科技建筑智能(深圳)有限公司 | 一种基于下视角相机的塔吊吊物检测分割方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114937211B (zh) | 2022-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wei et al. | Toward automatic building footprint delineation from aerial images using CNN and regularization | |
CN109615611B (zh) | 一种基于巡检影像的绝缘子自爆缺陷检测方法 | |
CN109146889B (zh) | 一种基于高分辨率遥感图像的农田边界提取方法 | |
CN104778721B (zh) | 一种双目图像中显著性目标的距离测量方法 | |
Lari et al. | An adaptive approach for the segmentation and extraction of planar and linear/cylindrical features from laser scanning data | |
CN110021024B (zh) | 一种基于lbp和链码技术的图像分割方法 | |
CN114418957A (zh) | 基于机器人视觉的全局和局部二值模式图像裂缝分割方法 | |
CN109829423B (zh) | 一种结冰湖泊红外成像检测方法 | |
Cheng et al. | Building boundary extraction from high resolution imagery and lidar data | |
CN110428425B (zh) | 一种基于海岸线矢量数据的sar图像海陆分离方法 | |
CN107341813A (zh) | 基于结构学习和素描特性推理网络的sar图像分割方法 | |
CN111242000A (zh) | 一种结合激光点云转向的道路边沿检测方法 | |
CN112308873A (zh) | 多尺度Gabor小波PCA融合图像边缘检测方法 | |
CN114937211B (zh) | 基于不变对象的遥感影像变化检测方法 | |
CN111091071B (zh) | 基于探地雷达双曲波拟合的地下目标检测方法及系统 | |
CN115731257A (zh) | 基于图像的叶片形态信息提取方法 | |
CN110232694B (zh) | 一种红外偏振热像阈值分割方法 | |
Singh et al. | A hybrid approach for information extraction from high resolution satellite imagery | |
CN114387329A (zh) | 基于高分遥感影像的建筑物轮廓递进式规则化方法 | |
CN109829511B (zh) | 基于纹理分类的下视红外图像中云层区域检测方法 | |
Manandhar et al. | Segmentation based building detection in high resolution satellite images | |
CN109785318B (zh) | 基于面线基元关联约束的遥感图像变化检测方法 | |
CN116958837A (zh) | 基于无人机的市政设施故障检测系统 | |
Cheng et al. | Power pole detection based on graph cut | |
CN114742849B (zh) | 一种基于图像增强的水准仪距离测量方法 |
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 |