專利名稱：：基于Graph-cut和廣義高斯模型的遙感影像變化檢測(cè)方法
技術(shù)領(lǐng)域：
：本發(fā)明屬于圖像處理
技術(shù)領(lǐng)域：
，涉及遙感影像變化檢測(cè)，具體地說是一種基于Graph-cut和冠以高斯模型的遙感影像變化檢測(cè)方法。該方法可用于對(duì)遙感影像變化檢測(cè)中的差異圖像分類。
背景技術(shù)：
：遙感技術(shù)是從遠(yuǎn)距離感知目標(biāo)反射或自身輻射的電磁波、可見光、紅外線對(duì)目標(biāo)進(jìn)行探測(cè)和識(shí)別的技術(shù)，是獲取地面信息的快速有效的手段之一。隨著遙感技術(shù)的不斷發(fā)展，利用同一地區(qū)多時(shí)相的遙感影像進(jìn)行變化檢測(cè)已經(jīng)成為遙感技術(shù)的一個(gè)重要應(yīng)用領(lǐng)域。遙感變化檢測(cè)通常包含了四個(gè)方面的內(nèi)容判斷是否發(fā)生了變化；確定發(fā)生變化的區(qū)域；鑒別變化的性質(zhì)；評(píng)估變化的時(shí)間和空間分布模式。前兩個(gè)方面是變化檢測(cè)所要達(dá)到的基本目標(biāo)，也是變化檢測(cè)研究需要首先解決的問題?，F(xiàn)階段國(guó)內(nèi)外變化檢測(cè)的研究蓬勃發(fā)展。變化檢測(cè)廣泛地應(yīng)用于環(huán)境監(jiān)測(cè)，土地利用/覆蓋變化研究，森林植被變化分析，災(zāi)害評(píng)估，農(nóng)業(yè)調(diào)查，城市規(guī)劃布局分析，洪水監(jiān)測(cè)和地圖更新等領(lǐng)域。然而從整體上來說遙感影像的變化檢測(cè)仍然存在不少困難。遙感影像的變化檢測(cè)目前缺乏堅(jiān)實(shí)有力的數(shù)學(xué)理論和模型支持。在進(jìn)行變化檢測(cè)時(shí)，一般都沒有獲取檢測(cè)地區(qū)的變化地物的先驗(yàn)信息，只是根據(jù)圖像上的信息來檢測(cè)變化。絕大多數(shù)的變化檢測(cè)方法對(duì)數(shù)據(jù)的統(tǒng)計(jì)分布要求比較嚴(yán)格，方法實(shí)施的時(shí)候需要事先知道數(shù)據(jù)的統(tǒng)計(jì)分布模型，同時(shí)，大多數(shù)變化檢測(cè)方法對(duì)輸入影像之間的輻射校正、幾何配準(zhǔn)等要求較高，對(duì)噪聲等因素的影響比較敏感。傳統(tǒng)的遙感影像變化檢測(cè)方法通常是直接比較同一位置不同時(shí)相的像元特征值來檢測(cè)變化，通常采用數(shù)學(xué)變換的方式產(chǎn)生不同時(shí)相間的差異圖像，再對(duì)差異圖像進(jìn)行閾值化處理，從中提取變化區(qū)域。這些方法存在著一些自身的缺陷，變化閾值的選擇很大程度上影響變化檢測(cè)的精度。因此對(duì)差異圖像的閾值化處理提取變化區(qū)域成為變化檢測(cè)的難題和關(guān)鍵問題。傳統(tǒng)的代數(shù)運(yùn)算類變化檢測(cè)方法有差值法、比值法、圖像回歸法和變化矢量法。傳統(tǒng)的差值法在構(gòu)造差異圖像時(shí)簡(jiǎn)單、直觀，結(jié)果比較容易解譯。但是不能提供變化類型信息；當(dāng)兩次成像條件(季節(jié)、太陽高度角、地表濕度等)不同時(shí)，也可能造成灰度差異，但它不一定能代表目標(biāo)發(fā)生了變化。圖像回歸法由于在建立線性回歸關(guān)系時(shí)考慮了不同時(shí)相圖像中由于大氣條件、季節(jié)、太陽角度等因素引起的灰度差異，所以可以消除這些因素對(duì)變化檢測(cè)的影響。但是建立高精度的回歸關(guān)系往往比較困難，計(jì)算量大。變化矢量法可以認(rèn)為是圖像差值法的擴(kuò)展，可以提供變化類型信息，但是當(dāng)兩次成像條件不同時(shí)，也可能造成灰度差異。傳統(tǒng)的比值法構(gòu)造差異圖像時(shí)通過除法運(yùn)算可以消除一些由于太陽高度角、陰影和地形引起的乘性誤差。但是生成的結(jié)果圖像往往不服從正態(tài)分布，給差異圖像的分析造成一定的困難。因此在比值法構(gòu)造的差異圖像中選擇合適的模型分析差異圖像是基于比值法構(gòu)造差異圖像需要解決的問題。
發(fā)明內(nèi)容本發(fā)明的目的在于針對(duì)變化檢測(cè)中運(yùn)用傳統(tǒng)方法構(gòu)造的差異圖像分類時(shí)閾值難以確定的問題，提出了一種基于Graph-cut和廣義高斯模型的遙感影像變化檢測(cè)方法。該方法用于差異圖像分類，不需要閾值，解決了閾值選擇的問題。并且選擇廣義高斯分布近似對(duì)數(shù)比值法構(gòu)造的差異圖像的類別概率分布函數(shù)。解決了比值法差異圖像分析困難的問題。本發(fā)明的技術(shù)方案是將對(duì)數(shù)比值法構(gòu)造的差異圖像運(yùn)用Graph-cut算法進(jìn)行初始分類，將分類結(jié)果運(yùn)用FCM算法聚為兩類，然后采用EM算法估計(jì)廣義高斯分布參數(shù)，優(yōu)化分類結(jié)果。具體實(shí)現(xiàn)步驟如下1、一種基于Graph-cut和廣義高斯模型的遙感影像變化檢測(cè)方法，包括如下步驟(1)選取兩個(gè)不同時(shí)間采集到的待檢測(cè)遙感影像，分別表示為&和X2，采用對(duì)數(shù)比值法構(gòu)造差異圖像為XLK=log(VX》=logVlogX丄；(2)利用Gr即h-cut方法將差異圖像分為N類:G丄，G2，，GN，N>2;(3)運(yùn)用模糊C均值FCM聚類算法將上述分類結(jié)果合并為變化類和非變化類，分別表示為"。和"u，該"。和"u服從廣義高斯分布，即|^)=《e—m,;e{c，w}其中Xi,j為差異圖像的像素值，mi為該類別的均值，c表示變化類，u表示非變化類，"=,:丄j^^'gi為形狀參數(shù)；'2r(1/々,)Mr("A)(4)采用最大數(shù)學(xué)期望EM算法估計(jì)"。和"u廣義高斯模型參數(shù)mu、ou2、Pu、p("J、m。、o。2、|3。和p("。)，其中mx為非變化類的均值，oJ為非變化類的方差，13u為非變化類的形狀參數(shù)、P("u)為非變概率密度函數(shù)，其中m。為非變化類的均值，0。2為非變化類的方差，P。為非變化類的形狀參數(shù)、P("。)為非變概率密度函數(shù)；(5)根據(jù)貝葉斯最小誤差準(zhǔn)則，針對(duì)圖像中的每個(gè)像素點(diǎn)，分別計(jì)算p("。)*p(Xi,j|"e)和P("u^P(Xi,jl"u)，根據(jù)計(jì)算結(jié)果判斷像素點(diǎn)的變化類，如果P("》P(Xi,jl"c)大于P("u)*P(Xi,jI"u)，則該像素點(diǎn)判斷為變化類，否則判為非變化類，最終得到變化檢測(cè)結(jié)果。本發(fā)明與現(xiàn)有技術(shù)相比具有如下優(yōu)點(diǎn)1、本發(fā)明由于采用Graph-cut分類方法，不需要設(shè)置閾值，因而避免了由于閾值選擇對(duì)變化檢測(cè)精度的影響；2、本發(fā)明由于采用廣義高斯模型，相比于傳統(tǒng)的高斯模型，能夠更加精確地近似差異圖像的類別概率分布函數(shù)，提高了分類精度。圖1是本發(fā)明實(shí)現(xiàn)的流程圖；圖2是本發(fā)明用于實(shí)驗(yàn)的數(shù)據(jù)集原始圖像及變化參考圖像；圖3是本發(fā)明利用對(duì)數(shù)比值法構(gòu)造的差異圖像；圖4是本發(fā)明采用Graph-cut算法對(duì)差異圖像初分類得到的結(jié)果圖；圖5是本發(fā)明將初分類結(jié)果采用FCM算法聚為兩類的結(jié)果圖；圖6是本發(fā)明采用廣義高斯模型分類變化檢測(cè)結(jié)果圖；圖7是本發(fā)明中采用廣義高斯模型分類結(jié)果和基于高斯模型的變化檢測(cè)結(jié)果比較圖；圖8是廣義高斯分布函數(shù)與高斯分布函數(shù)的比較圖；圖9是本發(fā)明與現(xiàn)有的二種方法得到的變化檢測(cè)結(jié)果圖。具體實(shí)施例方式參照?qǐng)Dl，本發(fā)明的具體實(shí)施過程如下步驟1，設(shè)兩幅配準(zhǔn)的遙感圖像&={Xji,j)，1《i《I，1《j《J}和X2={X2(i，j)，l《i《I，l《j《J}分別是tl和t2時(shí)間同一地區(qū)采集到的數(shù)據(jù)，tl時(shí)間圖像如圖2(a)所示，t2時(shí)間圖像如圖2(b)所示，設(shè)&是通過比值法逐像元比較得到的差異圖像，對(duì)比值差異圖像取對(duì)數(shù)變換，得到對(duì)數(shù)比值差異圖像，如圖3所示，<formula>formulaseeoriginaldocumentpage5</formula>步驟2，將差異圖像看作一個(gè)無向圖G:(V，E)，其中V表示圖中所有頂點(diǎn)的集合，E表示圖中頂點(diǎn)之間邊緣的集合，對(duì)于圖像中任意空間位置為(i，j)的像素點(diǎn)有一個(gè)相應(yīng)的頂點(diǎn)eV，它與其相鄰的空間位置為(r，s)的像素點(diǎn)之間有邊緣ei,j、wGE，每個(gè)邊緣ei,化sGE有一個(gè)衡量基于像素點(diǎn)(i，j)和(r，s)之間相似性的權(quán)值w(ei,汁,s)，按w(ei,j;r,變化類s)值大小，采用Gr即h-cut方法將圖像分成N類G"G2，…，G『N>2，如圖4所示。步驟3，將上述Graph-cut方法得到的分類結(jié)果，采用模糊C均值聚類的方法，分為"。和非變化類"u，如圖5所示。步驟4，采用以下步驟估計(jì)形狀參數(shù)13,:4a)將Pi的取值范圍限定為1.0IO.O，每隔為O.1計(jì)算一次廣義高斯比率函數(shù)<formula>formulaseeoriginaldocumentpage5</formula>并建立r(g》與—一對(duì)應(yīng)的一個(gè)數(shù)據(jù)表；4b)計(jì)算每個(gè)像素點(diǎn)像素值與均值差的數(shù)學(xué)期望，計(jì)算公式為<formula>formulaseeoriginaldocumentpage5</formula>其中Xi為像素值，nii為均值，M為像素點(diǎn)的總數(shù)目；4c)計(jì)算該類別所有像素點(diǎn)方差o與上述數(shù)學(xué)期望E(Ixi)的比值<formula>formulaseeoriginaldocumentpage5</formula>4d)在步驟中4a)建立的數(shù)據(jù)表中搜索，找到與Pi對(duì)應(yīng)的Pi的值，作為形狀參數(shù)Pi的估計(jì)值。步驟5，假設(shè)差異圖像的變化類"。和非變化類"u都服從廣義高斯分布，則將"c和"u的概率分布函數(shù)表示為<formula>formulaseeoriginaldocumentpage6</formula>其中Xi,j為差異圖像的像素值，nii為該類別的均值，c表示變化類，u表示非變化<formula>formulaseeoriginaldocumentpage6</formula>根據(jù)形狀參數(shù)|3i的估計(jì)值，可以計(jì)算得到"。和"u的概率分布函數(shù)。步驟6，采用最大數(shù)學(xué)期望EM算法估計(jì)變化類"。和非變化類"u廣義高斯模型參數(shù)P("。)和P("u)，其中P("。)為"。概率密度函數(shù)，P("u)為"u概率密度函數(shù)。步驟7，利用步驟5中計(jì)算得到p(Xi,jl"。)和p(Xi,jl"u)，利用步驟6中估計(jì)參數(shù)得到P("。)和P("u)，根據(jù)貝葉斯最小誤差準(zhǔn)則，針對(duì)圖像中的每個(gè)像素點(diǎn)，分別計(jì)算p("》*p(Xi,jI"》禾Pp("J*p(Xi,jI"J，根據(jù)計(jì)算結(jié)果判斷像素點(diǎn)的變化類，如果P("e)*P(Xi,j|"》大于P("u^P(Xi,jl"u)，則該像素點(diǎn)判斷為變化類，否則判為非變化類，最終得到變化檢測(cè)結(jié)果，如圖6所示。本發(fā)明的效果可以通過以下內(nèi)容進(jìn)行說明1.實(shí)驗(yàn)數(shù)據(jù)圖2(a)、2(b)是實(shí)驗(yàn)數(shù)據(jù)原圖，圖2(c)為參考變化圖，圖中白色區(qū)域表示變化的區(qū)域，其中，變化的像元數(shù)為4236，未變化像元數(shù)為153214。2.對(duì)比實(shí)驗(yàn)本發(fā)明中采用兩種對(duì)比方案，第一種對(duì)比方案將本發(fā)明方法變化檢測(cè)結(jié)果與采用高斯模型的變化檢測(cè)結(jié)果比較，第二種對(duì)比方案將本發(fā)明方法變化檢測(cè)結(jié)果與傳統(tǒng)的閾值法變化檢測(cè)結(jié)果和傳統(tǒng)的FCM算法變化檢測(cè)結(jié)果進(jìn)行比較。3.實(shí)驗(yàn)結(jié)果與分析圖7(a)是基于廣義高斯模型GGM的變化檢測(cè)結(jié)果，圖7(b)是基于高斯模型GM的變化檢測(cè)結(jié)果，可以看出廣義高斯模型優(yōu)于高斯模型的檢測(cè)結(jié)果，GGM得到的檢測(cè)結(jié)果虛檢明顯少于GM得到的檢測(cè)結(jié)果，這兩種模型的檢測(cè)率比較見表l。圖8(a)是變化類概率密度函數(shù)，圖8(b)是非變化類概率密度函數(shù)，從圖8中可以看出，對(duì)于廣義高斯密度函數(shù)非常逼近非變化類別概率密度函數(shù)，而高斯函數(shù)與非變化類別概率密度函數(shù)相距較遠(yuǎn)，因此相對(duì)于基于高斯模型的變化檢測(cè)結(jié)果，基于廣義高斯模型的變化檢測(cè)結(jié)果較好。圖9(a)是閾值法檢測(cè)結(jié)果，圖9(b)是FCM方法檢測(cè)結(jié)果，圖9(c)是本發(fā)明方法檢測(cè)結(jié)果，從圖9中可以看出，相對(duì)于差異圖像閾值分類方法和差異圖像FCM分類方法，基于Graph-cut和廣義高斯模型的變化檢測(cè)方法減少了許多虛檢，檢測(cè)結(jié)果較好，這三種方法的檢測(cè)率比較見表2。綜上，本發(fā)明提出的基于Graph-cut和廣義高斯模型的變化檢測(cè)方法能夠達(dá)到較高的檢測(cè)精度，比差異圖像閾值分類方法、差異圖像FCM分類方法和基于Gr即h-cut和高斯模型的變化檢測(cè)方法具有更好的檢測(cè)精度，虛檢較少，得到的反映檢測(cè)結(jié)果內(nèi)部一致性的ka卯a(chǎn)系數(shù)較高。表1基于廣義高斯模型和高斯模型的檢測(cè)結(jié)果比較<table>tableseeoriginaldocumentpage7</column></row><table>表2本發(fā)明方法與閾值法和FCM算法分類差異圖像的檢測(cè)結(jié)果比較<table>tableseeoriginaldocumentpage7</column></row><table>權(quán)利要求一種基于Graph-cut和廣義高斯模型的遙感影像變化檢測(cè)方法，包括如下步驟(1)選取兩個(gè)不同時(shí)間采集到的待檢測(cè)遙感影像，分別表示為X1和X2，采用對(duì)數(shù)比值法構(gòu)造差異圖像為XLR＝log(X2/X1)＝logX2-logX1；(2)利用Graph-cut方法將差異圖像分為N類G1，G2，…，GN，N＞2；(3)運(yùn)用模糊C均值FCM聚類算法將上述分類結(jié)果合并為變化類和非變化類，分別表示為ωc和ωu，該ωc和ωu服從廣義高斯分布，即<mrow><mi>p</mi><mrow><mo>(</mo><msub><mi>x</mi><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow></msub><mo>|</mo><msub><mi>ω</mi><mi>i</mi></msub><mo>)</mo></mrow><mo>=</mo><msub><mi>a</mi><mi>i</mi></msub><msup><mi>e</mi><mrow><mo>-</mo><msup><mrow><mo>[</mo><msub><mi>b</mi><mi>i</mi></msub><mo>|</mo><msub><mi>x</mi><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow></msub><mo>-</mo><msub><mi>m</mi><mi>i</mi></msub><mo>|</mo><mo>]</mo></mrow><msub><mi>β</mi><mi>i</mi></msub></msup></mrow></msup><mi>i</mi><mo>∈</mo><mo>{</mo><mi>c</mi><mo>,</mo><mi>u</mi><mo>}</mo></mrow>其中xi，j為差異圖像的像素值，mi為該類別的均值，c表示變化類，u表示非變化類，<mrow><msub><mi>a</mi><mi>i</mi></msub><mo>=</mo><mfrac><mrow><msub><mi>b</mi><mi>i</mi></msub><msub><mi>β</mi><mi>i</mi></msub></mrow><mrow><mn>2</mn><mi>Γ</mi><mrow><mo>(</mo><mn>1</mn><mo>/</mo><msub><mi>β</mi><mi>i</mi></msub><mo>)</mo></mrow></mrow></mfrac><mo>,</mo></mrow><mrow><msub><mi>b</mi><mi>i</mi></msub><mo>=</mo><mfrac><mn>1</mn><msub><mi>σ</mi><mi>i</mi></msub></mfrac><msqrt><mfrac><mrow><mi>Γ</mi><mrow><mo>(</mo><mn>3</mn><mo>/</mo><msub><mi>β</mi><mi>i</mi></msub><mo>)</mo></mrow></mrow><mrow><mi>Γ</mi><mrow><mo>(</mo><mn>1</mn><mo>/</mo><msub><mi>β</mi><mi>i</mi></msub><mo>)</mo></mrow></mrow></mfrac></msqrt><mo>,</mo></mrow>βi為形狀參數(shù)；(4)采用最大數(shù)學(xué)期望EM算法估計(jì)ωc和ωu廣義高斯模型參數(shù)mu、σu2、βu、p(ωu)、mc、σc2、βc和p(ωc)，其中mu為非變化類的均值，σu2為非變化類的方差，βu為非變化類的形狀參數(shù)、p(ωu)為非變概率密度函數(shù)，其中mc為非變化類的均值，σc2為非變化類的方差，βc為非變化類的形狀參數(shù)、p(ωc)為非變概率密度函數(shù)；(5)根據(jù)貝葉斯最小誤差準(zhǔn)則，針對(duì)圖像中的每個(gè)像素點(diǎn)，分別計(jì)算p(ωc)*p(xi，j|ωc)和p(ωu)*p(xi，j|ωu)，根據(jù)計(jì)算結(jié)果判斷像素點(diǎn)的變化類，如果p(ωc)*p(xi,j|ωc)大于p(ωu)*p(xi，j|ωu)，則該像素點(diǎn)判斷為變化類，否則判為非變化類，最終得到變化檢測(cè)結(jié)果。2.根據(jù)權(quán)利要求1所述的基于Gr即h-cut和廣義高斯模型的遙感影像變化檢測(cè)方法，其中步驟(3)所述的形狀參數(shù)Pi，按如下步驟估計(jì)2a)將13,的取值范圍限定為1.010.0，每隔為0.1計(jì)算一次廣義高斯比率函數(shù)廠m-r(1/)並睡丄m、^r--r2(2//,)~，并建旦r(Pi)與P數(shù)據(jù)表；-一對(duì)應(yīng)的2b)計(jì)算每個(gè)像素點(diǎn)像素值與均值差的數(shù)學(xué)期望，計(jì)算公式為￡(Mh,)=i^lx'—附，其中Xi為像素值，mi為均值，M為像素點(diǎn)的總數(shù)目；2c)計(jì)算該類別所有像素點(diǎn)方差。與上述數(shù)學(xué)期望E(lxi)的比值2d)在步驟中2a)建立的數(shù)據(jù)表中搜索，找到與Pi對(duì)應(yīng)的13,的值，作為形狀參數(shù)|3的估計(jì)值。全文摘要本發(fā)明公開了一種基于Graph-cut和廣義高斯模型的遙感影像變化檢測(cè)方法，主要解決了現(xiàn)有差異圖像分類時(shí)閾值難以確定以及比值法構(gòu)造的差異圖像難以分析的問題。其實(shí)現(xiàn)過程是(1)采用對(duì)數(shù)比值法構(gòu)造差異圖像；(2)利用Graph-cut算法對(duì)差異圖像初分類；(3)對(duì)初分類的結(jié)果采用FCM算法聚類；(4)利用EM算法估計(jì)廣義高斯模型類別參數(shù)；(5)根據(jù)貝葉斯決策判斷像素所屬類別，得出變化檢測(cè)結(jié)果。實(shí)驗(yàn)表明本發(fā)明具有檢測(cè)精度高，虛檢較少，適用性強(qiáng)的優(yōu)點(diǎn)，可用于對(duì)遙感圖像的災(zāi)情評(píng)估和土地利用。文檔編號(hào)G06T7/00GK101751674SQ201010013578公開日2010年6月23日申請(qǐng)日期2010年1月8日優(yōu)先權(quán)日2010年1月8日發(fā)明者嚴(yán)曉丹,侯彪,公茂果,張小華,李洪峰,焦李成,王桂婷,王爽申請(qǐng)人:西安電子科技大學(xué)