CN117575979A - 一种遥感图像变化的检测方法及装置 - Google Patents

一种遥感图像变化的检测方法及装置 Download PDF

Info

Publication number
CN117575979A
CN117575979A CN202310959168.4A CN202310959168A CN117575979A CN 117575979 A CN117575979 A CN 117575979A CN 202310959168 A CN202310959168 A CN 202310959168A CN 117575979 A CN117575979 A CN 117575979A
Authority
CN
China
Prior art keywords
image
remote sensing
prototype
change
sensing image
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
Application number
CN202310959168.4A
Other languages
English (en)
Inventor
高绵新
乔振民
马晓黎
黄习艺
金诗程
袁壮志
吴建
史汉斌
赵瑞娟
徐志文
潘晓薇
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.)
SURVEYING AND MAPPING INSTITUTE LANDS AND RESOURCE DEPARTMENT OF GUANGDONG PROVINCE
Original Assignee
SURVEYING AND MAPPING INSTITUTE LANDS AND RESOURCE DEPARTMENT OF GUANGDONG PROVINCE
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 SURVEYING AND MAPPING INSTITUTE LANDS AND RESOURCE DEPARTMENT OF GUANGDONG PROVINCE filed Critical SURVEYING AND MAPPING INSTITUTE LANDS AND RESOURCE DEPARTMENT OF GUANGDONG PROVINCE
Priority to CN202310959168.4A priority Critical patent/CN117575979A/zh
Publication of CN117575979A publication Critical patent/CN117575979A/zh
Pending legal-status Critical Current

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
    • G06T7/30—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
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
    • 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
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G06V10/225—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition based on a marking or identifier characterising the area
    • 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
    • G06V10/70—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
    • G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • 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
    • 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
    • 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
    • G06T2207/10032—Satellite or aerial image; Remote sensing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种遥感图像变化的检测方法及装置，通过构建原型图斑特征库，其中所述原型图斑特征库中包括相互区别分类的图斑变化类别、以及图斑变化类别对应的原型图斑以及原型图斑对应的图斑特征点；在后期对目标区域的前时相遥感图像和后时相遥感图像进行处理时，利用调取原型图斑特征库的方式，利于对后时相遥感图像中的目标变化地块中是否变化状态以及对变化类型进行快速的识别，实现时间/人力成本节约。

Description

一种遥感图像变化的检测方法及装置
技术领域
本发明涉及遥感图像信息处理技术领域，特别涉及一种遥感图像变化的检测方法及装置。
背景技术
遥感两期图像变化检测会遇到很多的问题和挑战，诸如卫星分辨率，成像时的光照、角度等因素都会增加检测的难度，同时耕地的轮作，季节性的变化等还会带来很多伪变化，所以仅仅依靠学习模型难以解决所有的问题。
变化检测的规则很难标准化，不同使用场景下变化检测的定义会发生变化。固定的变化检测模型无法适配不同地区和不同应用领域的变化检测需求。
因此，针对上述问题，急需解决方案。
发明内容
本发明的目的是提供一种遥感图像变化的检测方法及装置，用于实现对需求的地块分类进行快速的标注或筛选，实现时间/人力成本节约。
为了达到上述目的，作为本申请的第一方面：
提供了一种遥感图像变化的检测方法，包括：
构建原型图斑特征库，其中所述原型图斑特征库中包括多个原型图斑特征序列，每个原型图斑特征序列均具有图斑变化类别以及配置给图斑变化类别对应的原型图斑，其中，每个原型图斑均包括多个图斑特征点，所述原型图斑基于环境特征点配置给对应的图斑变化类别；
获取目标区域的前时相遥感图像和后时相遥感图像；
对前时相遥感图像和后时相遥感图像进行预处理，从而获得目标图像，在目标图像中标注有目标变化地块；
对目标变化地块进行特征点提取，并在原型图斑特征库中检索，筛选出与目标变化地块中提取的特征点匹配的图斑变化类别，得到与该图斑变化类别对应的原型图斑特征序列，根据该原型图斑特征序列中的与该图斑变化类别对应的原型图斑，并将该原型图斑在目标变化地块上标注；
获取在目标变化地块上标注的原型图斑的共性点，获得根据共性点区分且具有共性地块以及非共性地块的图像。
与现有技术相比，本发明的一种遥感图像变化的检测方法，通过构建原型图斑特征库，其中所述原型图斑特征库中包括相互区别分类的图斑变化类别、以及图斑变化类别对应的原型图斑以及原型图斑对应的图斑特征点；在后期对目标区域的前时相遥感图像和后时相遥感图像进行处理时，利用调取原型图斑特征库的方式，利于对后时相遥感图像中的目标变化地块中是否变化状态以及对变化类型进行快速的识别，实现时间/人力成本节约。
进一步的，构建原型图斑特征库，具体包括：
获取目标区域的多源遥感图像；
采用聚类算法将多源遥感图像分类出多个地块，在多张遥感图像进行对比时，地块每具有一种变化则在该地块上标注一个原型编号；
对每个原型编号对应的地块变化进行特征点提取，并对提取的特征点进行处理而获得与地块变化对应的图斑特征点，结合原型编号而获得每个地块变化的原型图斑；
结合目标区域的多源遥感图像中分类出的多个地块、与地块变化对应的原型图斑以及与原型图斑对应的图斑特征点，建立原型图斑特征库。
进一步的，对地块上标注原型图斑进行特征点提取，并对提取的特征点进行处理，得到与地块上标注原型图斑对应的图斑特征点，具体包括：
获得地块上标注原型图斑进行特征点提取；
对该原型图斑中的深层特征点以及浅层特征点进行融合，得到目标图斑；
对目标图斑中的各个特征点进行池化，得到与地块上标注原型图斑对应的图斑特征点。
进一步的，对前时相遥感图像和后时相遥感图像进行预处理，从而获得目标图像，在目标图像中标注有目标变化地块，具体包括：
对目标区域的前时相遥感图像和后时相遥感图像做直方图匹配处理；
对所述直方图匹配处理后前时相遥感图像和后时相遥感图像做图像配准处理；
对所述图像配准处理后的遥感图像进行去噪处理。
进一步的，所述对所述直方图匹配处理后前时相遥感图像和后时相遥感图像做图像配准处理；
将前时相遥感图像和后时相遥感图像用作参考图像以建立参考坐标系统，并且将后时相遥感图像作为待配准的图像，建立待配准的图像坐标系统；
获取后时相遥感图像的特征点，通过训练模型来对所述特征点进行筛选和过滤，使用互相关算法对所述特征点进行匹配，确定连接点；
根据各个连接点之间的关系，确定不同时序遥感图像配准所需要的变换模型参数，并构建变换模型；
根据所述变换模型，对将要配准的遥感图像采取几何坐标变换和插值重采样操作，得到最终的配准图像。
作为本申请的第二方面，提供了一种遥感图像变化检测装置，包括：
特征库构建模块，用于构建原型图斑特征库，其中所述原型图斑特征库中包括多个原型图斑特征序列，每个原型图斑特征序列均具有图斑变化类别以及配置给图斑变化类别对应的原型图斑，其中，每个原型图斑均包括多个图斑特征点，所述原型图斑基于环境特征点配置给对应的图斑变化类别；
第一获取模块，用于获取目标区域的前时相遥感图像和后时相遥感图像；
第一处理模块，用于对前时相遥感图像和后时相遥感图像进行预处理，从而获得目标图像，在目标图像中标注有目标变化地块；
第二处理模块，用于对目标变化地块进行特征点提取，并在原型图斑特征库中检索，筛选出与目标变化地块中提取的特征点匹配的图斑变化类别，并在目标变化地块标注与该图斑变化类别对应的原型图斑；
第二获取模块，用于获取在目标变化地块上标注的原型图斑的共性点，获得根据共性点区分且具有共性地块以及非共性地块的图像。
另外，还提供了一种电子设备，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如上述的遥感图像变化的检测方法。
一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如上述的遥感图像变化的检测方法。
一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的遥感图像变化的检测方法。
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
图1是本实施例提供的一种遥感图像变化的检测方法的流程图；
图2是本实施例提供的一种遥感图像变化的检测方法中的指示步骤S2的流程图；
图3是本实施例提供的一种遥感图像变化的检测方法中示出特征点聚类分析状态示意图；
图4是本实施例提供的一种遥感图像变化的检测方法中的指示步骤S13的流程图；
图5是本实施例提供的一种遥感图像变化的检测方法中的指示步骤S3的流程图；
图6是本实施例提供的一种遥感图像变化的检测方法中的指示步骤S32的流程图；
图7是本实施例提供的一种遥感图像变化的检测方法中的一个具体的示例用以基于后时相遥感图像标注有目标变化土块的示意图；
图8是本实施例提供的一种遥感图像变化的检测方法中的一个具体的示例用以基于后时相遥感图像标注有目标变化土块已完成原型图斑标注的示意图；
图9是本实施例提供的一种遥感图像变化的检测方法中的一个具体的示例用以基于后时相遥感图像标注有目标变化土块在已完成原型图斑标注并归类示意图；
图10是本实施例提供的一种遥感图像变化检测装置的结构框图。
具体实施方式
为了更好地阐述本发明，下面参照附图对本发明作进一步的详细描述。
应当明确，所描述的实施例仅仅是本申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，本领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它实施例，都属于本申请实施例保护的范围。
在本申请实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
遥感两期图像变化检测会遇到很多的问题和挑战，诸如卫星分辨率，成像时的光照、角度等因素都会增加检测的难度，同时耕地的轮作，季节性的变化等还会带来很多伪变化，所以仅仅依靠学习模型难以解决所有的问题。
变化检测的规则很难标准化，不同使用场景下变化检测的定义会发生变化。固定的变化检测模型无法适配不同地区和不同应用领域的变化检测需求。
因此，本申请实际解决的技术问题在于如何简化对后时相遥感图像中地块状态变化的判断方式。
由此，以一个示例性的例子进行举例说明，在本实施例中，如图1所示，提供了一种遥感图像变化的检测方法，包括：
步骤S1、构建原型图斑特征库，其中所述原型图斑特征库中包括多个原型图斑特征序列，每个原型图斑特征序列均具有图斑变化类别以及配置给图斑变化类别对应的原型图斑，其中，每个原型图斑均包括多个图斑特征点，所述原型图斑基于环境特征点配置给对应的图斑变化类别；
具体的，原型图斑特征序列指示为集合，其中：
图斑变化类别，按照简单分类，例如：以“耕地变化”为例，在遥感图像中的地块变化按照变化可以区分有：耕地到林地变化、耕地到园地变化、耕地到建筑变化、……、耕地到大棚变化等多种变化，每一种变化即为一个图斑变化类别；按照复杂分类，例如：增加时间、季节等特征进行分别，在遥感图像中的地块变化按照变化可以区分有：春季白天耕地到林地变化、春季夜晚耕地到林地变化、……；
通过对每个图斑变化类别赋予一种原型图斑，相当于即给每个图斑变化类别赋予一个标签，在赋予标签的原型图斑中具有多个图斑特征点，即在标签的目录下具有时间、季节等环境特征，例如，春季白天耕地到林地变化包含的图斑特征点为<春季、白天、耕地到林地变化>三个图斑特征点。
在步骤S1中，若耕地变化中的特征增加，相当于增加了图斑变化类别，这时需要赋予新的原型图斑给改图斑变化类别，相当于给新的图斑变化类别赋予一个新的标签。
具体的，构建原型图斑特征库，如图2所示，具体包括：
步骤S11、获取目标区域的多源遥感图像；
多源遥感图像指示为多种不同技术获取的遥感图像，例如，对目标区域采用多时相、多光谱、多传感器、多平台和多分辨率中的一种或多种方式而获取对目标区域的遥感图像。
步骤S12、采用聚类算法将多源遥感图像分类出多个地块，在多张遥感图像进行对比时，地块每具有一种变化则在该地块上标注一个原型编号；
采用无监督学习算法，如聚类算法/卷积算法，将多源遥感图像中分类出多个地块，并在地块上标注原型图斑；
通过多源遥感图像中的特征点，对待分类的特征点按照设定的检索半径进行检索匹配，在匹配的过程中若匹配到的多个特征点中占比重较大的特征点，则赋予待分类的特征点与其相同的标签，最后得到如图3所示的聚类分析图示，图3中所展示为无监督学习条件下的聚类计算；在完成聚类计算后，进而获得不同标签的区域作为多源遥感图像中分类出的多个地块，并且在地块上标注原型图斑；
结合前述目标区域的多源遥感图像，从而获取能够获取具有<地块变化类型、时间、季节>等标签序列的原型图斑；
例如，冬季夜晚时耕地到林地变化的地块的原型图斑，春季夜晚时耕地到园地变化的地块的原型图斑等。
步骤S13、采用聚类算法将多源遥感图像分类出多个地块，在多张遥感图像进行对比时，地块每具有一种变化则在该地块上标注一个原型编号；
对地块上特征点，提取内容包括图斑的形状、大小以及时间、季节等用于指示地块特点性质的标记，结合原型编号而形成改变化地块对应的原型图斑。
该原型图斑中包括原型编号以及指示变化地块的形状、大小和时间、季节等特征。
将原型图斑所对应的特征点分层，即包括深层特征点和浅层特征点，深层特征点指示原型图斑的全局特征，浅层特征点指示原型图斑的细节特征，在融合后，得到目标图斑，在目标图斑中可以识别地块的全局信息和细节信息，利于在后期原型图斑特征库中筛选调用时，能够利于待分类的地块/图斑匹配的精准度。
例如，浅层特征所指示为变化地块的形状、大小以及变化类型，深层特征所指示为时间、季节等特征。从而用赋予原型图斑指示变化地块的全局信息和细节信息。
步骤S14、结合目标区域的多源遥感图像中分类出的多个地块、与地块变化对应的原型图斑以及与原型图斑对应的图斑特征点，建立原型图斑特征库。
通过定义地块的类别，例如：将地块按照粒度变化归类分为粗粒度变化、细粒度变化以及其他不明变化等。
进一步的，粗粒度变化分为亮斑变化、阴影变化、模糊建筑等；细粒度变化分为耕地到林地变化、耕地到园地变化、耕地到建筑变化、耕地到大棚变化等；结合分类方式，例如，耕地到林地变化的地块对应有多个原型图斑，均指示为耕地到林地变化，其中区分的内容为每个原型图斑分别对应不同的时段、不同季节或不同天气等，但总体归类为耕地到林地变化。
步骤S2、获取目标区域的前时相遥感图像和后时相遥感图像；
其中，所述第前时相遥感图像和后时相遥感图像为同一地区两个不同时相分别对应的遥感图像，具体的，前时相遥感图像和后时相遥感图像同为为RGB图像或基于RGB图像的矢量图，另外，后时相遥感图像还可以是栅格图像，因为，在本方案的应用中，后时相遥感图像不需要对图像的细节进行识别只需识别图像中地块的划分以及地块的变化。
步骤S3、对前时相遥感图像和后时相遥感图像进行预处理，从而获得目标图像，在目标图像中标注有目标变化地块；
具体的，在前时相遥感图像和后时相遥感图像同为为RGB图像或基于RGB图像的矢量图的前提下，如图5所示，执行下述步骤：
步骤S31、对目标区域的前时相遥感图像和后时相遥感图像做直方图匹配处理；
图像直方图匹配是利用图像的灰度直方图客观地反映图像的灰度分布，并通过转换图像的直方图使其与另一幅图像的色彩相似，然后减小图像之间的辐射差异，从而达到辐射匹配的目的；
步骤S32、对所述直方图匹配处理后前时相遥感图像和后时相遥感图像做图像配准处理；
其中，如图6所示，具体包括4个步骤：
步骤S321、将前时相遥感图像和后时相遥感图像用作参考图像以建立参考坐标系统，并且将后时相遥感图像作为待配准的图像，建立待配准的图像坐标系统；
步骤S322、获取后时相遥感图像的特征点，通过训练模型来对所述特征点进行筛选和过滤，使用互相关算法对所述特征点进行匹配，确定连接点；
步骤S323、根据各个连接点之间的关系，确定不同时序遥感图像配准所需要的变换模型参数，并构建变换模型；
步骤S324、根据所述变换模型，对将要配准的遥感图像采取几何坐标变换和插值重采样操作，得到最终的配准图像。
步骤S33、对所述图像配准处理后的遥感图像进行去噪处理。
本实施例的任务并不是检测出所有发生变化的参数，而是能够准确的确定建筑物发生变化的区域。因此，有必要有效的去除特别突出的局部特征和噪声，以减小变化检测产生的误差。
步骤S4、对目标变化地块进行特征点提取，并在原型图斑特征库中检索，筛选出与目标变化地块中提取的特征点匹配的图斑变化类别，得到与该图斑变化类别对应的原型图斑特征序列，根据该原型图斑特征序列中的与该图斑变化类别对应的原型图斑，并将该原型图斑在目标变化地块上标注；
例如，目标变化地块为耕地变化地块，那在后时相遥感图像上标注有耕地变化地块的原型图斑，但在后时相遥感图像上仅有这些原型图斑中所指示的区域范围，该区域范围内在后时相遥感图像上对应的地块为目标变化地块，再对目标变化地块进行特征提取，同时在原型图斑特征库中进行检索，在检索到匹配到特征点数量最多的原型图斑时，则在该目标变化地块上赋予该图斑。
如图7至8所示，在后时相遥感图像上获取目标变化地块，在完成特征提取后，在该目标变化地块上赋予原型图斑，在图中用颜色区别各个原型图斑。
步骤S5、根据目标变化地块中提取共性点，对目标变化地块标注的原型图斑进行归类并区分共性地块以及非共性地块。
例如，目标变化地块之间的共性点为同为耕地变化地块，反之非共性地块即为非耕地变化地块，可以采用人工识别的方式将这些目标变化地块进行区分，即如图8至9所示。
综上，结合图7至图9所示，以标注“耕地到园地变化”为例；
首先，根据前时相遥感图像以及后时相遥感图像中获取有“耕地变化”的地块，并在后时相遥感图像中进行标注，即如图7中所示G1标注指示的颜色的地块为目标变化地块；此时仅知道目标变化地块指示为“耕地变化”，相当于圈定范围指示目标变化地块具有“耕地变化”；
进一步的，对目标变化地块中的各个地块进行特征获取，通过调取原型图斑特征库而确定出目标变化地块中的各个地块的变化类型，根据图8所示，图8中标注有“1、2、……、34”的地块用不同对比度的灰色图块进行指示；具有不同对比度的灰色图块的因素在于原型图斑特征库中获取的数据，例如：图中1～8均属于“耕地到园地变化”的图斑，然而原型图斑特征库中的原型图斑所指示的特征不仅仅包含地块的变化类型，而且包含了各类环境影响导致的特征差异，如天气、季节、白天/夜晚均可导致，指示“耕地到园地变化”的原型图斑具有多种；同样的，图中9～16均属于“耕地到建筑变化”的图斑，其中各个图斑的对比度均有差异。
在进一步，目标变化地块中提取共性点，结合上述例子，共性点即为“耕地到园地变化”，通过人工识别将“耕地到园地变化”的地块筛选出来进行区分标注，如图9所示，图9中指示为“1”的地块与指示为“0”的地块具有不同程度的对比度差异，指示为“1”的地块为“耕地到园地变化”的地块，指示为“0”的地块为非“耕地到园地变化”的地块。
本实施例中的一种遥感图像变化的检测方法，通过构建原型图斑特征库，其中所述原型图斑特征库中包括相互区别分类的图斑变化类别、以及图斑变化类别对应的原型图斑以及原型图斑对应的图斑特征点；在后期对目标区域的前时相遥感图像和后时相遥感图像进行处理时，利用调取原型图斑特征库的方式，利于对后时相遥感图像中的目标变化地块中是否变化状态以及对变化类型进行快速的识别，实现时间/人力成本节约。
在本实施例中，作为本申请的第二方面，提供了一种遥感图像变化检测装置100，如图10所示，包括：
特征库构建模块101，用于构建原型图斑特征库，其中所述原型图斑特征库中包括多个原型图斑特征序列，每个原型图斑特征序列均具有图斑变化类别以及配置给图斑变化类别对应的原型图斑，其中，每个原型图斑均包括多个图斑特征点，所述原型图斑基于环境特征点配置给对应的图斑变化类别；
第一获取模块102，用于获取目标区域的前时相遥感图像和后时相遥感图像；
第一处理模块103，用于对前时相遥感图像和后时相遥感图像进行预处理，从而获得目标图像，在目标图像中标注有目标变化地块；
第二处理模块104，用于对目标变化地块进行特征点提取，并在原型图斑特征库中检索，筛选出与目标变化地块中提取的特征点匹配的图斑变化类别，并在目标变化地块标注与该图斑变化类别对应的原型图斑；
第二获取模块105，用于获取在目标变化地块上标注的原型图斑的共性点，获得根据共性点区分且具有共性地块以及非共性地块的图像。
另外，还提供了一种电子设备，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如上述的遥感图像变化的检测方法。
一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如上述的遥感图像变化的检测方法。
一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的遥感图像变化的检测方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flashRAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。
根据上述说明书的揭示和教导，本发明所属领域的技术人员还可以对上述实施方式进行变更和修改。因此，本发明并不局限于上面揭示和描述的具体实施方式，对本发明的一些修改和变更也应当落入本发明的权利要求的保护范围内。此外，尽管本说明书中使用了一些特定的术语，但这些术语只是为了方便说明，并不对本发明构成任何限制。

Claims (8)

1.一种遥感图像变化的检测方法，其特征点在于，包括：
构建原型图斑特征库，其中所述原型图斑特征库中包括多个原型图斑特征序列，每个原型图斑特征序列均具有图斑变化类别以及配置给图斑变化类别对应的原型图斑，其中，每个原型图斑均包括多个图斑特征点，所述原型图斑基于环境特征点配置给对应的图斑变化类别；
获取目标区域的前时相遥感图像和后时相遥感图像；
对前时相遥感图像和后时相遥感图像进行预处理，从而获得目标图像，在目标图像中标注有目标变化地块；
对目标变化地块进行特征点提取，并在原型图斑特征库中检索，筛选出与目标变化地块中提取的特征点匹配的图斑变化类别，得到与该图斑变化类别对应的原型图斑特征序列，根据该原型图斑特征序列中的与该图斑变化类别对应的原型图斑，并将该原型图斑在目标变化地块上标注；
获取在目标变化地块上标注的原型图斑的共性点，获得根据共性点区分且具有共性地块以及非共性地块的图像。
2.根据权利要求1所述的遥感图像变化的检测方法，其特征点在于，构建原型图斑特征库，具体包括：
获取目标区域的多源遥感图像；
采用聚类算法将多源遥感图像分类出多个地块，在多张遥感图像进行对比时，地块每具有一种变化则在该地块上标注一个原型编号；
对每个原型编号对应的地块变化进行特征点提取，并对提取的特征点进行处理而获得与地块变化对应的图斑特征点，结合原型编号而获得每个地块变化的原型图斑；
结合目标区域的多源遥感图像中分类出的多个地块、与地块变化对应的原型图斑以及与原型图斑对应的图斑特征点，建立原型图斑特征库。
3.根据权利要求1所述的遥感图像变化的检测方法，其特征点在于，对前时相遥感图像和后时相遥感图像进行预处理，从而获得目标图像，在目标图像中标注有目标变化地块，具体包括：
对目标区域的前时相遥感图像和后时相遥感图像做直方图匹配处理；
对所述直方图匹配处理后前时相遥感图像和后时相遥感图像做图像配准处理；对所述图像配准处理后的遥感图像进行去噪处理。
4.根据权利要求3所述的遥感图像变化的检测方法，其特征点在于，所述对所述直方图匹配处理后前时相遥感图像和后时相遥感图像做图像配准处理，具体包括；
将前时相遥感图像和后时相遥感图像用作参考图像以建立参考坐标系统，并且将后时相遥感图像作为待配准的图像，建立待配准的图像坐标系统；
获取后时相遥感图像的特征点，通过训练模型来对所述特征点进行筛选和过滤，使用互相关算法对所述特征点进行匹配，确定连接点；
根据各个连接点之间的关系，确定不同时序遥感图像配准所需要的变换模型参数，并构建变换模型；
根据所述变换模型，对将要配准的遥感图像采取几何坐标变换和插值重采样操作，得到最终的配准图像。
5.一种遥感图像变化检测装置，其特征在于，包括：
特征库构建模块，用于构建原型图斑特征库，其中所述原型图斑特征库中包括多个原型图斑特征序列，每个原型图斑特征序列均具有图斑变化类别以及配置给图斑变化类别对应的原型图斑，其中，每个原型图斑均包括多个图斑特征点，所述原型图斑基于环境特征点配置给对应的图斑变化类别；
第一获取模块，用于获取目标区域的前时相遥感图像和后时相遥感图像；
第一处理模块，用于对前时相遥感图像和后时相遥感图像进行预处理，从而获得目标图像，在目标图像中标注有目标变化地块；
第二处理模块，用于对目标变化地块进行特征点提取，并在原型图斑特征库中检索，筛选出与目标变化地块中提取的特征点匹配的图斑变化类别，并在目标变化地块标注与该图斑变化类别对应的原型图斑；
第二获取模块，用于获取在目标变化地块上标注的原型图斑的共性点，获得根据共性点区分且具有共性地块以及非共性地块的图像。
6.一种电子设备，其特征在于，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如权利要求1至4中任一项所述的遥感图像变化的检测方法。
7.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1至4中任一项所述的遥感图像变化的检测方法。
8.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述的遥感图像变化的检测方法。
CN202310959168.4A 2023-08-01 2023-08-01 一种遥感图像变化的检测方法及装置 Pending CN117575979A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310959168.4A CN117575979A (zh) 2023-08-01 2023-08-01 一种遥感图像变化的检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310959168.4A CN117575979A (zh) 2023-08-01 2023-08-01 一种遥感图像变化的检测方法及装置

Publications (1)

Publication Number Publication Date
CN117575979A true CN117575979A (zh) 2024-02-20

Family

ID=89859482

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310959168.4A Pending CN117575979A (zh) 2023-08-01 2023-08-01 一种遥感图像变化的检测方法及装置

Country Status (1)

Country Link
CN (1) CN117575979A (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101661497A (zh) * 2009-09-10 2010-03-03 北京农业信息技术研究中心 遥感土地利用变化检测方法及系统
CN102446356A (zh) * 2011-09-24 2012-05-09 中国测绘科学研究院 一种获取均匀分布匹配点的遥感影像并行自适应匹配方法
CN105183795A (zh) * 2015-08-25 2015-12-23 中国科学院遥感与数字地球研究所 基于内容的遥感图像变化检测信息检索方法
CN111739067A (zh) * 2020-05-28 2020-10-02 中国国土勘测规划院 一种遥感影像变化检测方法及装置
CN113496220A (zh) * 2021-09-07 2021-10-12 阿里巴巴达摩院(杭州)科技有限公司 影像处理方法、系统、计算机可读存储介质
CN114429590A (zh) * 2021-12-24 2022-05-03 山东土地集团数字科技有限公司 一种耕地图像提取方法及设备
CN114677589A (zh) * 2022-03-18 2022-06-28 广州市城市规划勘测设计研究院 基于遥感解译的城市功能区识别方法、装置、设备及介质
WO2022252799A1 (zh) * 2021-06-04 2022-12-08 成都数之联科技股份有限公司 模型训练方法及林地变化检测方法及系统及装置及介质
CN115620148A (zh) * 2022-11-30 2023-01-17 航天宏图信息技术股份有限公司 一体化像素级变化样本标注和模型优化方法及装置
CN115618040A (zh) * 2022-10-25 2023-01-17 中科北纬(北京)科技有限公司 一种基于数据分析的遥感样本库综合管理系统
CN115641509A (zh) * 2022-11-16 2023-01-24 自然资源部第三地理信息制图院 遥感影像地物变化检测方法、系统、电子设备及存储介质
CN115690591A (zh) * 2023-01-05 2023-02-03 速度时空信息科技股份有限公司 基于深度学习的遥感影像耕地非农变化的检测方法
CN115830297A (zh) * 2022-12-02 2023-03-21 珠海欧比特宇航科技股份有限公司 一种遥感影像变化检测类样本库的处理方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101661497A (zh) * 2009-09-10 2010-03-03 北京农业信息技术研究中心 遥感土地利用变化检测方法及系统
CN102446356A (zh) * 2011-09-24 2012-05-09 中国测绘科学研究院 一种获取均匀分布匹配点的遥感影像并行自适应匹配方法
CN105183795A (zh) * 2015-08-25 2015-12-23 中国科学院遥感与数字地球研究所 基于内容的遥感图像变化检测信息检索方法
CN111739067A (zh) * 2020-05-28 2020-10-02 中国国土勘测规划院 一种遥感影像变化检测方法及装置
WO2022252799A1 (zh) * 2021-06-04 2022-12-08 成都数之联科技股份有限公司 模型训练方法及林地变化检测方法及系统及装置及介质
CN113496220A (zh) * 2021-09-07 2021-10-12 阿里巴巴达摩院(杭州)科技有限公司 影像处理方法、系统、计算机可读存储介质
CN114429590A (zh) * 2021-12-24 2022-05-03 山东土地集团数字科技有限公司 一种耕地图像提取方法及设备
CN114677589A (zh) * 2022-03-18 2022-06-28 广州市城市规划勘测设计研究院 基于遥感解译的城市功能区识别方法、装置、设备及介质
CN115618040A (zh) * 2022-10-25 2023-01-17 中科北纬(北京)科技有限公司 一种基于数据分析的遥感样本库综合管理系统
CN115641509A (zh) * 2022-11-16 2023-01-24 自然资源部第三地理信息制图院 遥感影像地物变化检测方法、系统、电子设备及存储介质
CN115620148A (zh) * 2022-11-30 2023-01-17 航天宏图信息技术股份有限公司 一体化像素级变化样本标注和模型优化方法及装置
CN115830297A (zh) * 2022-12-02 2023-03-21 珠海欧比特宇航科技股份有限公司 一种遥感影像变化检测类样本库的处理方法
CN115690591A (zh) * 2023-01-05 2023-02-03 速度时空信息科技股份有限公司 基于深度学习的遥感影像耕地非农变化的检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
彭博;: "遥感影像变化检测方法研究", 科技视界, no. 32, 15 November 2013 (2013-11-15) *
李丹丹;舒宁;李亮;: "像斑的遥感影像土地利用变化检测方法", 地理空间信息, no. 01, 28 February 2011 (2011-02-28) *
陈振清;董玉娟;李久刚;刘正军;段敏燕;: "基于模板阈值法的土地利用变化信息提取方法研究", 遥感信息, no. 03, 15 June 2009 (2009-06-15) *
马元: "特征库辅助的遥感影像快速变化检测方法研究", 基础科学辑, 15 May 2013 (2013-05-15), pages 17 - 47 *

Similar Documents

Publication Publication Date Title
Shendryk et al. Deep learning for multi-modal classification of cloud, shadow and land cover scenes in PlanetScope and Sentinel-2 imagery
Lv et al. Novel land cover change detection method based on K-means clustering and adaptive majority voting using bitemporal remote sensing images
CN108846832B (zh) 一种基于多时相遥感影像与gis数据的变化检测方法及系统
CA2840436C (en) System for mapping and identification of plants using digital image processing and route generation
CN109977997B (zh) 基于卷积神经网络快速鲁棒的图像目标检测与分割方法
Troya-Galvis et al. Unsupervised quantification of under-and over-segmentation for object-based remote sensing image analysis
Leichtle et al. Class imbalance in unsupervised change detection–a diagnostic analysis from urban remote sensing
Ghanea et al. Automatic building extraction in dense urban areas through GeoEye multispectral imagery
CN111768498A (zh) 基于稠密语义三维地图与混合特征的视觉定位方法、系统
Zhou et al. Individual tree crown segmentation based on aerial image using superpixel and topological features
CN115424142A (zh) 基于遥感影像的海岸线类型判别方法、装置、介质和设备
CN115546671A (zh) 一种基于多任务学习的无人机变化检测方法及其系统
CN113378642B (zh) 一种对农村违法占地建筑物进行检测的方法
Zhou et al. A novel change detection framework in urban area using multilevel matching feature and automatic sample extraction strategy
Kristollari et al. Change detection in VHR imagery with severe co-registration errors using deep learning: A comparative study
CN112967286B (zh) 一种新增建设用地检测方法及装置
CN116503733B (zh) 遥感图像目标检测方法、设备及存储介质
Bai et al. A novel class-specific object-based method for urban change detection using high-resolution remote sensing imagery
Sakieh et al. An integrated spectral-textural approach for environmental change monitoring and assessment: analyzing the dynamics of green covers in a highly developing region
CN116704270A (zh) 一种基于图像处理的智能设备定位标记方法
Moughal et al. An automatic unsupervised method based on context-sensitive spectral angle mapper for change detection of remote sensing images
CN117575979A (zh) 一种遥感图像变化的检测方法及装置
CN110660095A (zh) 动态环境下的视觉slam初始化方法、系统、装置
Guo et al. River extraction method of remote sensing image based on edge feature fusion
CN113298755B (zh) 基于时序影像的生态环境变化斑块快速检测方法和装置

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