CN116310447A - 基于计算机视觉的遥感图像变化智能检测方法及系统 - Google Patents

基于计算机视觉的遥感图像变化智能检测方法及系统 Download PDF

Info

Publication number
CN116310447A
CN116310447A CN202310579889.2A CN202310579889A CN116310447A CN 116310447 A CN116310447 A CN 116310447A CN 202310579889 A CN202310579889 A CN 202310579889A CN 116310447 A CN116310447 A CN 116310447A
Authority
CN
China
Prior art keywords
remote sensing
extreme point
super
image
chain code
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
Application number
CN202310579889.2A
Other languages
English (en)
Other versions
CN116310447B (zh
Inventor
刘俊鹏
菅小琴
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.)
Weijing Beijing Technology Co ltd
Original Assignee
Weijing Beijing Technology Co ltd
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 Weijing Beijing Technology Co ltd filed Critical Weijing Beijing Technology Co ltd
Priority to CN202310579889.2A priority Critical patent/CN116310447B/zh
Publication of CN116310447A publication Critical patent/CN116310447A/zh
Application granted granted Critical
Publication of CN116310447B publication Critical patent/CN116310447B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or 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
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (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

本发明涉及图像数据处理技术领域，具体涉及基于计算机视觉的遥感图像变化智能检测方法及系统，包括：通过SIFT算法获得极值点，进而得到每个极值点所在的上行图像和下行图像，分别通过超像素分割的方法得到图像中不同超像素区域，对每个极值点所对应超像素区域分别构建邻接图结构，根据邻接图结构得到每个极值点的拓扑结构稳定性，进而对极值点进行筛选，得到同于SIFT匹配的关键点实现遥感图像匹配和变化检测。本发明避免了在匹配过程中，拓扑结构稳定性较差的极值点参与图像匹配，提高了SIFT算法对遥感图像的匹配准确性，进一步提高了对遥感图像变化检测结果的准确性。

Description

基于计算机视觉的遥感图像变化智能检测方法及系统
技术领域
本发明涉及图像数据处理技术领域，具体涉及基于计算机视觉的遥感图像变化智能检测方法及系统。
背景技术
遥感图像变化检测中，由于不同时期的遥感影像存在位置偏差，因此需要首先通过sift匹配的方法完成地物之间的匹配，但由于两幅图像的时间差异较大，同一个地物也发生了较大变化，常规的SIFT算法，未考虑在应用SIFT算法对遥感图像进行匹配时极值点之间的拓扑关系，极值点之间往往匹配结果较差，准确性不高。
基于此，本发明提出了一种基于计算机视觉的遥感图像变化智能检测方法及系统，通过计算每个初始极值点的拓扑结构稳定性，得到了在不同时间的遥感影像中变化较小的极值点参与匹配，这些极值点之间的拓扑关系稳定，保证了SIFT算法对遥感图像的匹配精度；
本发明提出了一种基于计算机视觉的遥感图像变化智能检测方法及系统，通过计算遥感图像中每个初始极值点的拓扑结构稳定性，得到了在不同时间的遥感影像中变化较小的因素参与匹配，提高了SIFT算法的匹配精度，进一步提高了对遥感图像变化检测的准确程度。
发明内容
本发明提供基于计算机视觉的遥感图像变化智能检测方法及系统，以解决现有的问题。
本发明的基于计算机视觉的遥感图像变化智能检测方法及系统采用如下技术方案：
本发明提供了基于计算机视觉的遥感图像变化智能检测方法，该方法包括以下步骤：
获取同一地区不同时期下的遥感图像，以及遥感图像对应的高斯图像和差分图像，获取遥感图像中的极值点；
将差分图像中极值点对应的两个高斯图像中，高斯模糊程度最小的高斯图像记为下行图像，高斯模糊程度最大的高斯图像记为上行图像，对上行图像和下行图像进行不同参数下的超像素分割，根据每一次获取的超像素分割块之间存在的共同边缘构建图结构，记为邻接图结构；根据任意极值点所在的超像素块，获取相邻的超像素块边缘的链码作为在邻接图结构中对应节点的节点值；获取邻接图结构的最短路径，根据最短路径按照顺序将节点值连接起来获得极值点的链码，每一个极值点都对应有两个链码；
根据任意极值点的两个链码长度之间的差异获得链码长度特征，将任意极值点对应的两个链码中最短的链码作为窗口在另一个链码上逐次滑动，根据滑动过程中链码序列中数值相等的数量与最短链码的长度之间的差异，获得若干个链码特征值，根据链码长度特征对最大链码特征值进行调节获得极值点的稳定因子；
获取若干个链码特征值从大到小排列，所形成对应链码特征值变化曲线的拐点的横坐标值，根据稳定因子对拐点的横坐标值以及极值点之间在所有超像素分割参数K值下两个链码对应的二元组所形成的序列之间的差异获得对应极值点的拓扑结构稳定性；
根据拓扑结构稳定性的大小对极值点进行删减，然后实现遥感图像匹配和变化检测。
进一步的，所述高斯图像和差分图像，获取方法如下：
利用SIFT算法获取遥感图像的高斯金字塔，将高斯金字塔中的图像记为高斯图像，将高斯金字塔中不同相邻模糊程度的高斯图像的差分结果图像记为差分图像，即一个差分图像对应两个模糊程度不同的高斯图像。
进一步的，所述根据每一次获取的超像素分割块之间存在的共同边缘构建图结构，包括的具体步骤如下：
利用不同大小的超像素分割参数K值对高斯图像进行超像素分割，获得若干个超像素块，将每一个超像素块作为节点，判断超像素块之间是否存在共同边缘，将存在共同边缘的超像素块进行连接，作为边，将任意极值点所在的超像素块记为极值点块，将与极值点块存在共同边缘的超像素块记为邻接块，则由邻接块与极值点块之间所获取的节点和边构建对应的图结构。
进一步的，所述根据任意极值点所在的超像素块，获取相邻的超像素块边缘的链码作为在邻接图结构中对应节点的节点值，包括的具体步骤如下：
获取任意极值点到所在极值点块与每个邻接块之间共同边缘上，极值点与共同边缘上像素点之间的最短距离，将最短距离下对应的共同边缘的像素点作为每个邻接区域的链码起点，通过逆时针旋转的方式进行链码编码，得到每个邻接区域边缘的链码，将链码作为邻接图结构中每个节点的节点值。
进一步的，所述获取邻接图结构的最短路径，根据最短路径按照顺序将节点值连接起来获得极值点的链码，获取方法如下：
通过Dijkstra算法计算得到遍历所有节点的最短路径，即得到邻接图结构的最短路径，将最短路径对应的路途中节点链码通过路径对应的节点顺序，将节点的链码连接起来所形成的链码，作为该极值点的链码，即所有节点值链码按照路径顺序连接，形成极值点的链码。
进一步的，所述稳定因子，获取方法如下：
Figure SMS_1
其中，
Figure SMS_2
表示极值点的稳定因子，/>
Figure SMS_3
表示第i个超像素分割参数K值下极值点的短链码的长度，/>
Figure SMS_4
表示第i个超像素分割参数K值下极值点的长链码的长度，/>
Figure SMS_5
表示极值点的m个链码特征值序列，exp()表示以自然常数为底的指数函数，max()表示获取最大值；链码长度特征/>
Figure SMS_6
表示第i个极值点对应的短链码与长链码的长度比值。
进一步的，所述拓扑结构稳定性，获取方法如下：
将任意极值点作为目标极值点，获取目标极值点在所有超像素分割参数K值下两个链码对应的二元组所形成的序列，并获取目标极值点的第j个邻域块中极值点在所有超像素分割参数K值下两个链码对应的二元组所形成的序列；
获取遥感图像中任意极值点的拓扑结构稳定性：
Figure SMS_7
其中，W表示极值点的拓扑结构稳定性，
Figure SMS_8
表示极值点的稳定因子，x表示极值点对应链码特征值变化曲线上拐点所对应的横坐标值，n表示极值点的邻域极值点的数量，/>
Figure SMS_9
表示极值点在所有超像素分割参数K值下两个链码对应的二元组所形成的序列，/>
Figure SMS_10
表示极值点第j个邻域块中极值点在所有超像素分割参数K值下两个链码对应的二元组所形成的序列，e表示自然常数。
进一步的，所述根据拓扑结构稳定性的大小对极值点进行删减，然后实现遥感图像匹配和变化检测，包括的具体步骤如下：
首先，将拓扑结构稳定性小于预设拓扑结构稳定性阈值的极值点删除，将保留的极值点作为SIFT算法后续匹配过程中所用的关键点，利用SIFT算法实现对不同时期的遥感图像匹配；
然后，计算所匹配的两个不同时期遥感图像中相同区域之间的灰度值绝对差；
最后，预设阈值区间对灰度值绝对差进行分类，根据对不同区域的灰度值绝对差的分类结果，识别出两个不同时期遥感图像之间发生变化和未发生变化的区域，实现对遥感图像的变化检测。
本发明另外还提供了一种基于计算机视觉的遥感图像变化智能检测系统，该系统包括以下模块：
遥感图像采集模块：利用遥感相机获取同一地区在不同时间下的遥感图像；
极值点检测模块：利用SIFT算法对遥感图像进行处理，获取所有遥感图像中的极值点；
构造邻接图结构模块：利用超像素分割算法对所有遥感图像进行处理，每一个遥感图像都获得若干个超像素块，并根据超像素块之间的位置关系以及超像素块中的极值点，将极值点所在的超像素块记为极值点块，将与极值点块存在共同边缘的超像素块称之为邻接块，根据极值点块以及对应的邻接块之间的邻接关系，构建对应的图结构，记为邻接图结构；
极值点链码编码模块：根据极值点块中极值点与邻接块的边缘之间的最小欧氏距离，获取对应的边缘像素点，记为链码起点，根据链码起点通过逆时针旋转的方式获取每个邻接块的边缘对应的链码，作为在邻接图结构中对应节点的节点值；
拓扑结构稳定性模块：根据极值点在上行图像和下行图像中链码长度的差异获得链码长度特征；根据上行图像和下行图像中链码进行滑窗对比，将链码作为滑窗进行对比的过程中，在对应位置处链码序列中对应位置元素值相同时，与较短链码的长度之间的比值记为链码特征值，将获得的任意极值点的若干个链码特征值所形成的序列，记为链码特征值序列；根据不同超像素分割参数下对应的链码长度特征对最大链码特征值进行调节，将调节结果中的最大值作为对应极值点的稳定因子；根据稳定因子和链码特征值序列获得任意极值点的拓扑结构稳定性；
遥感图像匹配模块：将极值点的拓扑结构稳定性作为极值点的权重，利用SIFT算法的后续操作，对遥感图像中的极值点进行删减，保留拓扑结构稳定性更强的极值点，实现对遥感图像进行最后的SIFT算法匹配；
遥感图像变化检测模块：利用SIFT算法对不同时期的遥感图像进行匹配后，实现遥感图像的匹配，然后利用图像差值法对所匹配的两个遥感图像进行差分，获取两个不同时期遥感图像中相匹配区域的之间灰度值存在差异的部分，预设灰度值阈值或区间范围对灰度值存在差异的部分进行分类，识别出遥感图像中发生变化和未发生变化的区域，实现对遥感图像变化的智能检测。
本发明的技术方案的有益效果是：通过将不同超像素尺度下的分割情况作为拓扑结构的范围扩大过程，得到了拓扑范围变大过程中，变化较小的极值点，有助于提高后续的匹配精度；通过计算拓扑结构的链码表示，得到了拓扑结构变化的定量表示，有助于得到拓扑结构的变化，筛选得到拓扑结构稳定性高的极值点，参与后续匹配过程，提高了匹配精度。
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，下面将对实施例或现有技术描述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为本发明基于计算机视觉的遥感图像变化智能检测系统的模块流程图；
图2为本发明基于计算机视觉的遥感图像变化智能检测方法的步骤流程图；
图3为高斯金字塔以及高斯差分金字塔示意图；
图4为邻接图结构的构建示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于计算机视觉的遥感图像变化智能检测方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于计算机视觉的遥感图像变化智能检测方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的基于计算机视觉的遥感图像变化智能检测系统的模块流程图，该系统包括以下模块：
遥感图像采集模块：利用遥感相机获取同一地区在不同时间下的遥感图像；
极值点检测模块：利用SIFT算法对遥感图像进行处理，获取所有遥感图像中的极值点；
构造邻接图结构模块：利用超像素分割算法对所有遥感图像进行处理，每一个遥感图像都获得若干个超像素块，并根据超像素块之间的位置关系以及超像素块中的极值点，将极值点所在的超像素块记为极值点块，将与极值点块存在共同边缘的超像素块称之为邻接块，根据极值点块以及对应的邻接块之间的邻接关系，构建对应的图结构，记为邻接图结构；
极值点链码编码模块：根据极值点块中极值点与邻接块的边缘之间的最小欧氏距离，获取对应的边缘像素点，记为链码起点，根据链码起点通过逆时针旋转的方式获取每个邻接块的边缘对应的链码，作为在邻接图结构中对应节点的节点值；
拓扑结构稳定性模块：根据极值点在上行图像和下行图像中链码长度的差异获得链码长度特征；根据上行图像和下行图像中链码进行滑窗对比，将链码作为滑窗进行对比的过程中，在对应位置处链码序列中对应位置元素值相同时，与较短链码的长度之间的比值记为链码特征值，将获得的任意极值点的若干个链码特征值所形成的序列，记为链码特征值序列；根据不同超像素分割参数下对应的链码长度特征对最大链码特征值进行调节，将调节结果中的最大值作为对应极值点的稳定因子；根据稳定因子和链码特征值序列获得任意极值点的拓扑结构稳定性；
遥感图像匹配模块：将极值点的拓扑结构稳定性作为极值点的权重，利用SIFT算法的后续操作，对遥感图像中的极值点进行删减，保留拓扑结构稳定性更强的极值点，实现对遥感图像进行最后的SIFT算法匹配；
遥感图像变化检测模块：利用SIFT算法对不同时期的遥感图像进行匹配后，利用图像差值法，对所匹配的两个遥感图像进行差分，获取两个不同时期遥感图像中相匹配区域的之间灰度值存在差异的部分，预设灰度值阈值或区间范围对灰度值存在差异的部分进行分类，识别出遥感图像中发生变化和未发生变化的区域。
进一步的，请参阅图2，其示出了本发明一个实施例提供的基于计算机视觉的遥感图像变化智能检测方法的步骤流程图，该方法包括以下步骤：
步骤S001，利用遥感相机获取对应地区的遥感图像。
利用遥感相机采集在同一地区不同时期下的遥感图像；
至此，获得若干张同一地区在不同时期下的遥感图像，以其中任意两个时期所对应的遥感图像为例，进行后续步骤的处理分析过程。
步骤S002，利用SIFT算法获取遥感图像中的极值点，并获取每个极值点所在的上行图像和下行图像。
如图3所示为利用SIFT算法获取极值点的过程，左侧为高斯金字塔，右侧为高斯差分金字塔，将高斯金字塔中的图像记为高斯图像，高斯差分金字塔中的图像是根据高斯金字塔中相邻高斯图像之间进行差分获取的，将高斯金字塔中相邻高斯图像之间的差分结果记为差分图像，即一个差分图像对应两个高斯图像，利用差分图像获取极值点的方法为SIFT算法的公知方法，此处不过多赘述。
考虑到利用遥感图像进行地物信息变化检测时，往往不同时期获取的同一地区的两幅遥感图像之间，由于在采集时间上存在差异，同一地区的具体地物信息发生了较大变化，因此利用常规的SIFT算法对这两幅遥感图像进行匹配时，往往匹配结果较差。
但是，遥感图像中的拓扑结果的变化往往较小，因此考虑通过在sift计算过程中，引入拓扑信息对极值点进行筛选，使得最终获得的关键点的拓扑不变性较强，进而提高不同时期的遥感图像的匹配精度。
需要说明的是，利用SIFT算法获取的遥感图像的高斯金字塔，是对遥感图像进行不同程度的下采样，以及不同程度的高斯模糊后，对应的若干个高斯图像形成的，因此形成差分图像所对应的两个高斯图像的高斯模糊程度是不相同的；
另外，通过SIFT算法检测遥感图像中的极值点，可以得到不同差分图像上的极值点，将任意极值点所在差分图像所对应的两个高斯图像中，将高斯模糊程度最小的高斯图像记为减数图像，另一个高斯图像记为被减数图像，极值点是在图3中右侧的差分图像上计算得到的，每个差分图像是通过左侧的两张高斯图像得到的，将被减数图像称之为该极值点的上行图像，将减数图像称之为该极值点的下行图像。
步骤S003，对高斯图像进行超像素分割，对每个极值点所对应高斯图像中的超像素块构建对应的邻接图结构，将超像素块的边缘进行链码编码作为对应邻接图结构中节点的节点值。
在任意极值点的上行图像和下行图像上进行图结构的构建，得到不同超像素分割参数K下对应的邻接图结构，即得到了拓扑结果的变化，因为越大范围内的拓扑图往往变化较小，当某个极值点的拓扑范围变大，越来越接近地物不同类别的拓扑信息，越来越接近整体拓扑，变化会减小，趋于稳定，所述拓扑图越早达到稳定阶段，说明该极值点的拓扑结构越明显，结构越明显的拓扑结果，随着时间的变化，变化往往越小，即越稳定的拓扑结构，作为匹配指标进行匹配，可以得到更高的匹配精度。
所述拓扑范围的扩大可以通过不同超像素分割算法的参数K值下的超像素分割结果来表示，K值越小，超像素块越大，表示越大的拓扑范围，则对每个超像素分割算法的参数K值下的每个极值点进行如下计算：
任意极值点的上行图像中对应的邻接图结构的获取方法如下：
首先，获取任意极值点的上行图像，所对应的上行图像的图像大小用M*N表示；
其次，对上行图像利用不同参数K值的超像素分割图像，K值的最大值Kmax=最接近(M*N)/20的整数值，K值的最小值Kmin=最接近(M*N)/200的整数值，将参数K值的从小到大迭代增大的步长为50；
最后，将极值点所在的超像素块称之为极值点块，将与极值点块存在共同边缘的超像素块称之为邻接块，因此，任意含有极值点的超像素块都可以为极值点块，任意极值点块都存在若干邻接块；构建极值点块与邻接块的图结构，如图4所示为邻接图结构的构建示意图：左图为上行图像经过超像素分割后的示意图，右图为对应的邻接图结构，左图中有5个超像素块区域：a、b、c、d、o，对应右图中的五个节点，左图中o为某个极值点所在极值点块，其它四个为邻接块，由于o与a、b、c、d均相邻接，因此右图中o与其他四个节点都有边，由于左图中的a超像素块与b超像素块有共边，因此右图中节点a与节点b存在边；另外，左图中b超像素块与d超像素块有共边，因此右图中节点b与节点d存在边，由此，将根据节点和边构成的图结构称为邻接图结构；
通过相同方法获取任意极值点的下行图像中对应的邻接图结构。
另外，获取任意极值点到所在极值点块与每个邻接块之间共同边缘上，极值点与共同边缘上像素点之间的最短距离，将最短距离下对应的共同边缘的像素点作为每个邻接区域的链码起点，通过逆时针旋转的方式进行链码编码，得到每个邻接区域边缘的链码，将链码作为邻接图结构中每个节点的节点值，进而通过Dijkstra算法计算得到遍历所有节点的最短路径，即得到邻接图结构的最短路径，将最短路径对应的路途中节点链码通过路径对应的节点顺序，将节点的链码连接起来所形成的链码，作为该极值点的链码，即所有节点值链码按照路径顺序连接，形成极值点的链码，所述极值点链码表示的是该极值点的拓扑结构。
需要说明的是，每一个极值点都对应由上行图像和下行图像，而在上行图像和下行图像中每一个超像素块都对应一个链码，因此每一个极值点都在上行图像和下行图像中分别对应一个链码，即一个极值点对应有两个链码。
步骤S004，根据极值点的邻接图结构获取每个极值点的拓扑结构稳定性，根据拓扑结构稳定性对SIFT算法获取的极值点进行处理，并实现遥感图像匹配和变化检测。
每个极值点在任意超像素分割参数K值下的上行图像中的极值点链码和下行图像中的极值点链码分别可以计算得到，同一K值下的极值点链码相差越小，且范围变大过程，即K值减小过程中，链码差值越早达到稳定，该极值点的拓扑结构越明显，稳定性越好。
需要说明的是，任意极值点都对应有一个长度最短的链码和长度最长的链码；
某个极值点的拓扑结构与附近极值点的拓扑结构相差越大，该极值点在匹配过程中，越不容易被错误匹配，越应该优先对该极值点进行保留，作为最后的关键点。
获取遥感图像中每个极值点的拓扑结构稳定性的方法如下：
首先，任意极值点都对应两个链码，即对应上行图像和下行图像中的链码，而由于极值点在第i个超像素分割参数K值下，对应的上行图像和下行图像中的极值点链码长度不一定相等，因此根据链码获取极值点的拓扑结构稳定性时，需要通过滑窗的方法进行匹配，即将长度较小链码作为窗口，在另一个链码上进行滑动，每次滑动时获取在对应位置下相同元素值的数量，与较短链码的长度之间的比值，记为链码特征值p，获得任意极值点的若干个链码特征值，将若干个链码特征值所形成的序列记为链码特征值序列
Figure SMS_11
，其中m=较长链码长度-较短链码长度+1，例如：一个长度为3的链码在一个长度为5的链码上滑动，共有3种结果；
然后，根据链码特征值获得任意极值点的稳定因子
Figure SMS_12
：
Figure SMS_13
其中，
Figure SMS_14
表示第i个超像素分割参数K值下极值点的短链码的长度，/>
Figure SMS_15
表示第i个超像素分割参数K值下极值点的长链码的长度，/>
Figure SMS_16
表示极值点的m个链码特征值序列，exp()表示以自然常数为底的指数函数，max()表示获取最大值；
链码长度特征
Figure SMS_17
表示第i个极值点对应的短链码与长链码的长度比值，比值越大，说明链码变化越大，对应极值点的拓扑结果稳定性越小；
最后，将获取的链码特征值序列
Figure SMS_18
，按照从大到小的顺序进行排列，获取对应的链码特征值变化曲线上拐点所对应的横坐标值，记为x，横坐标值越小，表示不同超像素分割算法参数K值下，链码之间的差值越早达到稳定，即极值点的链码之间的差值变化越小，该极值点的拓扑结构越明显，稳定性越好；另外，将任意极值点记为目标极值点，获取同一个差分图像中目标极值点与其他所有极值点之间的欧式距离，利用所有欧式距离获取平均欧式距离，并将所有小于平均欧式距离的极值点记为目标极值点的邻域极值点，统计目标极值点的邻域极值点的数量，记为n，目标极值点与这些极值点的拓扑结构差异越大，在匹配过程中，越不容易产生错误匹配，即目标极值点的拓扑结构越明显，拓扑结果稳定性越好；
另外，获取极值点在所有超像素分割参数K值下两个链码对应的二元组所形成的序列，记为
Figure SMS_19
，并获取该极值点的第j个邻域块中极值点在所有超像素分割参数K值下两个链码对应的二元组所形成的序列，记为/>
Figure SMS_20
；
根据稳定因子获得遥感图像中任意极值点的拓扑结构稳定性W：
Figure SMS_21
其中，
Figure SMS_22
表示极值点的稳定因子，x表示极值点对应链码特征值变化曲线上拐点所对应的横坐标值，n表示极值点的邻域极值点的数量，/>
Figure SMS_23
表示极值点在所有超像素分割参数K值下两个链码对应的二元组所形成的序列，/>
Figure SMS_24
表示极值点第j个邻域块中极值点在所有超像素分割参数K值下两个链码对应的二元组所形成的序列，e表示自然常数；
需要说明的是，max()表示获取上行图像和下行图像中的极值点链码差异最大时的超像素分割参数K值，如果极值点的链码差异最大时的数值都较小，则该极值点在不同K值下的稳定性都较大；
需要说明的是，所述二元组是指由任意K值下的上行图像中极值点的链码和下行图像中极值点的链码形成的二元组，计算该极值点与邻域极值点的对应位置二元组的差异
Figure SMS_25
时，上行图像与上行图像对应的二元组进行计算，下行图像与下行图像对应的二元组进行计算，将所有计算结果求和/>
Figure SMS_26
，取均值得到该极值点与邻域极值点的拓扑结构的差异，差异越大，该极值点的拓扑结构稳定性越好。
通过计算得到了每个极值点的拓扑结构稳定性；
将拓扑结构稳定性作为这些点的关键点权重，在后续操作中删除一些不符合的极值点时，即优先删除拓扑结构稳定性较小的点，预设拓扑结构稳定性阈值为0.6，将拓扑结构稳定性小于0.6的极值点删除，将保留的极值点作为SIFT算法后续匹配过程中所用的关键点，实现对不同时期的遥感图像匹配。
最后，利用图像差值法分析遥感图像的匹配结果，对遥感图像发生变化的部分进行智能检测，具体过程如下：
步骤（1），计算所匹配的两个不同时期遥感图像中相同区域的灰度值之间的差异来确定区域的变化，获得相同区域之间的灰度值绝对差；
步骤（2），预设阈值区间对灰度值绝对差进行分类，根据分类结果识别出两个不同时期遥感图像之间发生变化和未发生变化的区域。
需要说明的是，本实施例中所用的exp(-x)模型仅用于表示负相关关系和约束模型输出的结果处于
Figure SMS_27
区间内，具体实施时，可替换成具有同样目的的其他模型，本实施例只是以exp(-x)模型为例进行叙述，不对其做具体限定，其中x是指该模型的输入。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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 (9)

1.基于计算机视觉的遥感图像变化智能检测方法，其特征在于，该方法包括以下步骤：
获取同一地区不同时期下的遥感图像，以及遥感图像对应的高斯图像和差分图像，获取遥感图像中的极值点；
将差分图像中极值点对应的两个高斯图像中，高斯模糊程度最小的高斯图像记为下行图像，高斯模糊程度最大的高斯图像记为上行图像，对上行图像和下行图像进行不同参数下的超像素分割，根据每一次获取的超像素分割块之间存在的共同边缘构建图结构，记为邻接图结构；根据任意极值点所在的超像素块，获取相邻的超像素块边缘的链码作为在邻接图结构中对应节点的节点值；获取邻接图结构的最短路径，根据最短路径按照顺序将节点值连接起来获得极值点的链码，每一个极值点都对应有两个链码；
根据任意极值点的两个链码长度之间的差异获得链码长度特征，将任意极值点对应的两个链码中最短的链码作为窗口在另一个链码上逐次滑动，根据滑动过程中链码序列中数值相等的数量与最短链码的长度之间的差异，获得若干个链码特征值，根据链码长度特征对最大链码特征值进行调节获得极值点的稳定因子；
获取若干个链码特征值从大到小排列，所形成对应链码特征值变化曲线的拐点的横坐标值，根据稳定因子对拐点的横坐标值以及极值点之间在所有超像素分割参数K值下两个链码对应的二元组所形成的序列之间的差异获得对应极值点的拓扑结构稳定性；
根据拓扑结构稳定性的大小对极值点进行删减，然后实现遥感图像匹配和变化检测。
2.根据权利要求1所述基于计算机视觉的遥感图像变化智能检测方法，其特征在于，所述高斯图像和差分图像，获取方法如下：
利用SIFT算法获取遥感图像的高斯金字塔，将高斯金字塔中的图像记为高斯图像，将高斯金字塔中不同相邻模糊程度的高斯图像的差分结果图像记为差分图像，即一个差分图像对应两个模糊程度不同的高斯图像。
3.根据权利要求1所述基于计算机视觉的遥感图像变化智能检测方法，其特征在于，所述根据每一次获取的超像素分割块之间存在的共同边缘构建图结构，包括的具体步骤如下：
利用不同大小的超像素分割参数K值对高斯图像进行超像素分割，获得若干个超像素块，将每一个超像素块作为节点，判断超像素块之间是否存在共同边缘，将存在共同边缘的超像素块进行连接，作为边，将任意极值点所在的超像素块记为极值点块，将与极值点块存在共同边缘的超像素块记为邻接块，则由邻接块与极值点块之间所获取的节点和边构建对应的图结构。
4.根据权利要求1所述基于计算机视觉的遥感图像变化智能检测方法，其特征在于，所述根据任意极值点所在的超像素块，获取相邻的超像素块边缘的链码作为在邻接图结构中对应节点的节点值，包括的具体步骤如下：
获取任意极值点到所在极值点块与每个邻接块之间共同边缘上，极值点与共同边缘上像素点之间的最短距离，将最短距离下对应的共同边缘的像素点作为每个邻接区域的链码起点，通过逆时针旋转的方式进行链码编码，得到每个邻接区域边缘的链码，将链码作为邻接图结构中每个节点的节点值。
5.根据权利要求1所述基于计算机视觉的遥感图像变化智能检测方法，其特征在于，所述获取邻接图结构的最短路径，根据最短路径按照顺序将节点值连接起来获得极值点的链码，获取方法如下：
通过Dijkstra算法计算得到遍历所有节点的最短路径，即得到邻接图结构的最短路径，将最短路径对应的路途中节点链码通过路径对应的节点顺序，将节点的链码连接起来所形成的链码，作为该极值点的链码，即所有节点值链码按照路径顺序连接，形成极值点的链码。
6.根据权利要求1所述基于计算机视觉的遥感图像变化智能检测方法，其特征在于，所述稳定因子，获取方法如下：
Figure QLYQS_1
其中，/>
Figure QLYQS_2
表示极值点的稳定因子，/>
Figure QLYQS_3
表示第i个超像素分割参数K值下极值点的短链码的长度，/>
Figure QLYQS_4
表示第i个超像素分割参数K值下极值点的长链码的长度，/>
Figure QLYQS_5
表示极值点的m个链码特征值序列，exp()表示以自然常数为底的指数函数，max()表示获取最大值；链码长度特征/>
Figure QLYQS_6
表示第i个极值点对应的短链码与长链码的长度比值。
7.根据权利要求1所述基于计算机视觉的遥感图像变化智能检测方法，其特征在于，所述拓扑结构稳定性，获取方法如下：
将任意极值点作为目标极值点，获取目标极值点在所有超像素分割参数K值下两个链码对应的二元组所形成的序列，并获取目标极值点的第j个邻域块中极值点在所有超像素分割参数K值下两个链码对应的二元组所形成的序列；
获取遥感图像中任意极值点的拓扑结构稳定性：
Figure QLYQS_7
其中，W表示极值点的拓扑结构稳定性，/>
Figure QLYQS_8
表示极值点的稳定因子，x表示极值点对应链码特征值变化曲线上拐点所对应的横坐标值，n表示极值点的邻域极值点的数量，/>
Figure QLYQS_9
表示极值点在所有超像素分割参数K值下两个链码对应的二元组所形成的序列，/>
Figure QLYQS_10
表示极值点第j个邻域块中极值点在所有超像素分割参数K值下两个链码对应的二元组所形成的序列，e表示自然常数。
8.根据权利要求1所述基于计算机视觉的遥感图像变化智能检测方法，其特征在于，所述根据拓扑结构稳定性的大小对极值点进行删减，然后实现遥感图像匹配和变化检测，包括的具体步骤如下：
首先，将拓扑结构稳定性小于预设拓扑结构稳定性阈值的极值点删除，将保留的极值点作为SIFT算法后续匹配过程中所用的关键点，利用SIFT算法实现对不同时期的遥感图像匹配；
然后，计算所匹配的两个不同时期遥感图像中相同区域之间的灰度值绝对差；
最后，预设阈值区间对灰度值绝对差进行分类，根据对不同区域的灰度值绝对差的分类结果，识别出两个不同时期遥感图像之间发生变化和未发生变化的区域，实现对遥感图像的变化检测。
9.基于计算机视觉的遥感图像变化智能检测系统，其特征在于，该系统包括以下模块：
遥感图像采集模块：利用遥感相机获取同一地区在不同时间下的遥感图像；
极值点检测模块：利用SIFT算法对遥感图像进行处理，获取所有遥感图像中的极值点；
构造邻接图结构模块：利用超像素分割算法对所有遥感图像进行处理，每一个遥感图像都获得若干个超像素块，并根据超像素块之间的位置关系以及超像素块中的极值点，将极值点所在的超像素块记为极值点块，将与极值点块存在共同边缘的超像素块称之为邻接块，根据极值点块以及对应的邻接块之间的邻接关系，构建对应的图结构，记为邻接图结构；
极值点链码编码模块：根据极值点块中极值点与邻接块的边缘之间的最小欧氏距离，获取对应的边缘像素点，记为链码起点，根据链码起点通过逆时针旋转的方式获取每个邻接块的边缘对应的链码，作为在邻接图结构中对应节点的节点值；
拓扑结构稳定性模块：根据极值点在上行图像和下行图像中链码长度的差异获得链码长度特征；根据上行图像和下行图像中链码进行滑窗对比，将链码作为滑窗进行对比的过程中，在对应位置处链码序列中对应位置元素值相同时，与较短链码的长度之间的比值记为链码特征值，将获得的任意极值点的若干个链码特征值所形成的序列，记为链码特征值序列；根据不同超像素分割参数下对应的链码长度特征对最大链码特征值进行调节，将调节结果中的最大值作为对应极值点的稳定因子；根据稳定因子和链码特征值序列获得任意极值点的拓扑结构稳定性；
遥感图像匹配模块：将极值点的拓扑结构稳定性作为极值点的权重，利用SIFT算法的后续操作，对遥感图像中的极值点进行删减，保留拓扑结构稳定性更强的极值点，实现对遥感图像进行最后的SIFT算法匹配；
遥感图像变化检测模块：利用SIFT算法对不同时期的遥感图像进行匹配后，实现遥感图像的匹配，然后利用图像差值法对所匹配的两个遥感图像进行差分，获取两个不同时期遥感图像中相匹配区域的之间灰度值存在差异的部分，预设灰度值阈值或区间范围对灰度值存在差异的部分进行分类，识别出遥感图像中发生变化和未发生变化的区域，实现对遥感图像变化的智能检测。
CN202310579889.2A 2023-05-23 2023-05-23 基于计算机视觉的遥感图像变化智能检测方法及系统 Active CN116310447B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310579889.2A CN116310447B (zh) 2023-05-23 2023-05-23 基于计算机视觉的遥感图像变化智能检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310579889.2A CN116310447B (zh) 2023-05-23 2023-05-23 基于计算机视觉的遥感图像变化智能检测方法及系统

Publications (2)

Publication Number Publication Date
CN116310447A true CN116310447A (zh) 2023-06-23
CN116310447B CN116310447B (zh) 2023-08-04

Family

ID=86827274

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310579889.2A Active CN116310447B (zh) 2023-05-23 2023-05-23 基于计算机视觉的遥感图像变化智能检测方法及系统

Country Status (1)

Country Link
CN (1) CN116310447B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116542526A (zh) * 2023-07-05 2023-08-04 山东省标筑建筑规划设计有限公司 一种国土空间规划中的灾害风险的评估方法、装置和设备
CN116614705A (zh) * 2023-07-18 2023-08-18 华洋通信科技股份有限公司 基于多模态视频特征分析的采煤工作面相机调控系统
CN116958172A (zh) * 2023-08-01 2023-10-27 金景(海南)科技发展有限公司 基于三维空间信息的城市保护与更新评估方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101847258A (zh) * 2009-03-26 2010-09-29 陈贤巧 一种光学遥感图像配准方法
CN105719306A (zh) * 2016-01-26 2016-06-29 郑州恒正电子科技有限公司 一种高分辨率遥感影像中的建筑物快速提取方法
CN108257143A (zh) * 2017-12-12 2018-07-06 交通运输部规划研究院 一种基于遥感解译分析技术提取集装箱装卸桥的方法
CN109191418A (zh) * 2018-06-22 2019-01-11 西安电子科技大学 一种基于收缩自编码器特征学习的遥感图像变化检测方法
CN110136159A (zh) * 2019-04-29 2019-08-16 辽宁工程技术大学 面向高分辨率遥感影像的线段提取方法
AU2020103026A4 (en) * 2020-10-27 2020-12-24 Nanjing Forestry University A Single Tree Crown Segmentation Algorithm Based on Super-pixels and Topological Features in Aerial Images
CN113240688A (zh) * 2021-06-01 2021-08-10 安徽建筑大学 一种一体化洪涝灾害精准监测预警方法
CN114119437A (zh) * 2021-11-10 2022-03-01 哈尔滨工程大学 一种基于gms的用于改善运动物体畸变的图像拼接方法
CN115830179A (zh) * 2022-12-29 2023-03-21 武汉大学 一种类别无关的遥感地物矢量拓扑结构提取方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101847258A (zh) * 2009-03-26 2010-09-29 陈贤巧 一种光学遥感图像配准方法
CN105719306A (zh) * 2016-01-26 2016-06-29 郑州恒正电子科技有限公司 一种高分辨率遥感影像中的建筑物快速提取方法
CN108257143A (zh) * 2017-12-12 2018-07-06 交通运输部规划研究院 一种基于遥感解译分析技术提取集装箱装卸桥的方法
CN109191418A (zh) * 2018-06-22 2019-01-11 西安电子科技大学 一种基于收缩自编码器特征学习的遥感图像变化检测方法
CN110136159A (zh) * 2019-04-29 2019-08-16 辽宁工程技术大学 面向高分辨率遥感影像的线段提取方法
AU2020103026A4 (en) * 2020-10-27 2020-12-24 Nanjing Forestry University A Single Tree Crown Segmentation Algorithm Based on Super-pixels and Topological Features in Aerial Images
CN113240688A (zh) * 2021-06-01 2021-08-10 安徽建筑大学 一种一体化洪涝灾害精准监测预警方法
CN114119437A (zh) * 2021-11-10 2022-03-01 哈尔滨工程大学 一种基于gms的用于改善运动物体畸变的图像拼接方法
CN115830179A (zh) * 2022-12-29 2023-03-21 武汉大学 一种类别无关的遥感地物矢量拓扑结构提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
金良益: "遥感影像矢量化中多边形数据优化处理技术研究", 中国优秀硕士学位论文全文数据库 (基础科学辑), vol. 2018, no. 06, pages 008 - 135 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116542526A (zh) * 2023-07-05 2023-08-04 山东省标筑建筑规划设计有限公司 一种国土空间规划中的灾害风险的评估方法、装置和设备
CN116542526B (zh) * 2023-07-05 2023-09-19 山东省标筑建筑规划设计有限公司 一种国土空间规划中的灾害风险的评估方法、装置和设备
CN116614705A (zh) * 2023-07-18 2023-08-18 华洋通信科技股份有限公司 基于多模态视频特征分析的采煤工作面相机调控系统
CN116614705B (zh) * 2023-07-18 2023-10-03 华洋通信科技股份有限公司 基于多模态视频特征分析的采煤工作面相机调控系统
CN116958172A (zh) * 2023-08-01 2023-10-27 金景(海南)科技发展有限公司 基于三维空间信息的城市保护与更新评估方法
CN116958172B (zh) * 2023-08-01 2024-01-30 金景(海南)科技发展有限公司 基于三维空间信息的城市保护与更新评估方法

Also Published As

Publication number Publication date
CN116310447B (zh) 2023-08-04

Similar Documents

Publication Publication Date Title
CN116310447B (zh) 基于计算机视觉的遥感图像变化智能检测方法及系统
CN108388896B (zh) 一种基于动态时序卷积神经网络的车牌识别方法
CN102831409B (zh) 基于粒子滤波的运动行人视频自动跟踪方法及系统
CN107633226B (zh) 一种人体动作跟踪特征处理方法
CN103080979B (zh) 从照片合成肖像素描的系统和方法
CN110598692B (zh) 一种基于深度学习的椭圆识别方法
US20240282095A1 (en) Image processing apparatus, training apparatus, image processing method, training method, and storage medium
CN110263666B (zh) 一种基于非对称多流的动作检测方法
CN105069472A (zh) 一种基于卷积神经网络自适应的车辆检测方法
CN109360179B (zh) 一种图像融合方法、装置及可读存储介质
CN108320294B (zh) 一种二代身份证照片的人像背景智能全自动替换方法
CN107944354B (zh) 一种基于深度学习的车辆检测方法
CN116433887B (zh) 基于人工智能的建筑物快速定位方法
CN109214246B (zh) 基于全局方向信息的指纹检索方法
CN116703251B (zh) 基于人工智能的胶圈生产质量检测方法
CN104978738A (zh) 检测数字图像中的兴趣点的方法
CN112287906B (zh) 一种基于深度特征融合的模板匹配跟踪方法及系统
CN115761240B (zh) 一种混沌反向传播图神经网络的图像语义分割方法及装置
CN111241987B (zh) 基于代价敏感的三支决策的多目标模型视觉追踪方法
CN115984223A (zh) 基于PCANet及多分类器融合的图像溢油检测方法
CN116258877A (zh) 土地利用场景相似度变化检测方法、装置、介质及设备
CN113920168B (zh) 一种音视频控制设备中图像跟踪方法
CN110827327B (zh) 一种基于融合的长期目标跟踪方法
CN110992301A (zh) 一种气体轮廓识别方法
CN113627481A (zh) 一种面向智慧园林的多模型组合的无人机垃圾分类方法

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