專利名稱：基于分水嶺和treelet的遙感圖像變化檢測方法
技術(shù)領(lǐng)域：
本發(fā)明屬于數(shù)字圖像處理技術(shù)領(lǐng)域，具體的說是一種基于分水嶺和treelet的遙感圖像變化檢測方法，適用于在農(nóng)業(yè)、環(huán)境、城市規(guī)劃對圖像的處理。
背景技術(shù)：
遙感圖像的變化檢測是指對同一地理位置不同時期的遙感圖像進行分析獲得其中的變化信息，它是當(dāng)前遙感數(shù)據(jù)處理技術(shù)的主要發(fā)展方向。對配準后的兩幅遙感圖像的變化檢測方法一般是先獲取差異圖，然后對差異圖進行變化與非變化分類。這種方法由于對原始數(shù)據(jù)直接進行差異比較，不會改變數(shù)據(jù)本身，信息較為可靠。將差異圖分為變化類與非變化類的一種常見方法是閾值法，人們嘗試了各種精確估計閾值的方法，多閾值結(jié)果融合方法、統(tǒng)計分布建模閾值方法、基于優(yōu)化算法等的閾值方法等，但變化閾值的自動、精確地獲取一直是一個瓶頸問題。將差異圖分為變化類與非變化類的另一種方法是分割方法。其中基于聚類的分割方法由于特征的相似度、類內(nèi)和類間距離的度量等問題，效果不是十分理想。為了提高變化檢測的精確度，Bruzzone等學(xué)者在文章“Automatic Analysis of the Difference Image for Unsupervised Change Detection，，中提出了自適應(yīng)選取圖像閾值的方法，但仍會出現(xiàn)閾值算法難以分辨的噪聲區(qū)域，從而影響變化檢測的結(jié)果。 Guiting Wang等學(xué)者在文章"A new change detection method based on non-parametric density estimation and Markov random fields”中提出了基于馬爾可夫場概率密度的變化檢測分割方法，該方法是在隨機統(tǒng)計樣本的基礎(chǔ)上獲得總體數(shù)據(jù)的概率密度，需要大量的統(tǒng)計樣本才能得到準確的結(jié)果，方法的正確性易受影響。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服上述已有遙感圖像變化檢測方法的不足，提出一種基于分水嶺和treelet結(jié)合的遙感圖像變化檢測方法，以快速、準確的檢測出連續(xù)的變化區(qū)域邊緣，減少偽變化信息和運行時間，提高變化檢測的準確度。為實現(xiàn)上述目的，本發(fā)明的檢測方法包括如下步驟(1)對輸入的兩幅已配準的多時相遙感圖像分別進行3X3像素的中值濾波，得到去噪后圖像Tl和T2 ；(2)將去噪圖像Tl和T2空間位置對應(yīng)的像素灰度值進行差值計算，得到一幅差值差異圖X;(3)對差值差異圖X進行空間域到模糊域的變換，在模糊域修正隸屬度后反變換回空間域，得到增強后的差異圖像EX ；(4)采用標(biāo)記分水嶺算法將增強后的差異圖像EX進行分割，得到L個區(qū)域的分水嶺過分割圖像Y，其中L為增強后的差異圖像EX分水嶺過分割后的區(qū)域數(shù)目，取值根據(jù)選取的圖像確定，每一個標(biāo)記區(qū)域記為lk(lk= 1，2，3，...，L)；
(5)在增強后的差異圖像EX計算每一個區(qū)域Ik內(nèi)的均值、方差、平滑度、三階矩、 一致性和熵這六種紋理特征，組成特征列向量Hlk，并將所有L個區(qū)域的紋理特征向量Hlk合并，得到維數(shù)為6 X L的特征矩陣H，再計算特征矩陣H的協(xié)方差矩陣C和相關(guān)系數(shù)矩陣A ；(6)采用treelet算法將特征矩陣H進行合并，得到紋理特征向量的合并標(biāo)記；(7)依據(jù)紋理特征向量合并標(biāo)記Slk，對步驟(4)所得的過分割圖像Y中的L個區(qū)域中相同類別的區(qū)域進行合并，得到變化和非變化兩分類圖Bn ；(8)統(tǒng)計兩分類圖Bn的鄰域像素信息，利用最大后驗概率的變權(quán)高斯馬爾科夫模型得到變化區(qū)域邊緣細化的檢測結(jié)果圖像4；(9)以變化檢測結(jié)果圖像 參考圖，在圖 中利用區(qū)域連通性保留 和Bn兩幅圖像中的相同區(qū)域，去除僅在 圖中存在的噪聲雜點，得到最終的變化檢測結(jié)果圖Z。本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點(1)本發(fā)明由于通過兩個主要步驟來實現(xiàn)遙感圖像變化檢測的，即先對初始差異圖像進行標(biāo)記分水嶺分割，再利用treelet算法獲得標(biāo)記區(qū)域特征有效聚類后對應(yīng)的變化檢測二值圖，因而可在保證檢測效果的同時有效減少運行時間，并通過聚類的方法降低分類錯誤數(shù)。(2)本發(fā)明由于對獲得的初始差異圖像進行了模糊增強，實現(xiàn)變化信息的分散，且增強后的差異圖能大幅減少分水嶺變換的過分割圖像標(biāo)記數(shù)，繼而減少后續(xù)treelet算法
的運算量。(3)本發(fā)明使用treelet算法對初始過分割標(biāo)記圖各區(qū)域的紋理特征進行聚類合并，該方法根據(jù)特征數(shù)據(jù)的相似性最大化實現(xiàn)，具有更強的抗噪性能。(4)本方法對變化檢測的結(jié)果使用馬爾可夫模型進行后處理，得到邊緣細化的后處理檢測結(jié)果圖，并通過初始檢測結(jié)果圖和后處理檢測結(jié)果圖的連通區(qū)域合并，刪除多余噪聲區(qū)域，得到更加有效的檢測結(jié)果。


圖1是本發(fā)明的實現(xiàn)流程圖；圖2是本發(fā)明使用的兩時相遙感圖像及其變化檢測參考圖；圖3是用本發(fā)明進行標(biāo)記分水嶺分割后的過分割圖像；圖4是用本發(fā)明進行treelet合并區(qū)域后的二值圖像；圖5是用本發(fā)明對模擬遙感圖像實驗的變化檢測結(jié)果圖；圖6是用本發(fā)明對真實遙感圖像實驗的變化檢測結(jié)果圖。
具體實施例方式參照圖1，本發(fā)明的實施如下步驟1，對輸入的如圖2(al)和圖2(a2)所示的兩幅不同時相的已配準遙感圖像， 分別進行窗口大小為3X3像素的中值濾波，得到兩幅濾波去噪后的圖像Tl和T2。步驟2， 將去噪后的圖像Tl和T2在空間位置為(m，n)的像素點灰度值和7；2 做差..“=\ \， 其中m=l，2，…，M，n=l，2，…，N，得到一幅差值差異圖X。步驟3，對差異圖X進行模糊增強，得到增強后的差異圖EX。
(3a)采用G變換將差異圖X從空間域變換到模糊域
權(quán)利要求
1.一種基于分水嶺和treelet的遙感圖像變化檢測方法，包括如下步驟(1)對輸入的兩幅已配準的多時相遙感圖像分別進行3X3像素的中值濾波，得到去噪后圖像Tl和T2 ；(2)將去噪圖像Tl和T2空間位置對應(yīng)的像素灰度值進行差值計算，得到一幅差值差異圖X;(3)對差值差異圖X進行空間域到模糊域的變換，在模糊域修正隸屬度后反變換回空間域，得到增強后的差異圖像EX ；(4)采用標(biāo)記分水嶺算法將增強后的差異圖像EX進行分割，得到L個區(qū)域的分水嶺過分割圖像Y，其中L為增強后的差異圖像EX分水嶺過分割后的區(qū)域數(shù)目，取值根據(jù)選取的圖像確定，每一個標(biāo)記區(qū)域記為lk(lk= 1,2,3,... ,L)；(5)在增強后的差異圖像EX計算每一個區(qū)域Ik內(nèi)的均值、方差、平滑度、三階矩、一致性和熵這六種紋理特征，組成特征列向量Hlk，并將所有L個區(qū)域的紋理特征向量Hlk合并， 得到維數(shù)為6XL的特征矩陣H，再計算特征矩陣H的協(xié)方差矩陣C和相關(guān)系數(shù)矩陣A ；(6)采用treelet算法將特征矩陣H進行合并，得到紋理特征向量的合并標(biāo)記^t；(7)依據(jù)紋理特征向量合并標(biāo)記Slk，對步驟(4)所得的過分割圖像Y中的L個區(qū)域中相同類別的區(qū)域進行合并，得到變化和非變化兩分類圖Bn ；(8)統(tǒng)計兩分類圖Bn的鄰域像素信息，利用最大后驗概率的變權(quán)高斯馬爾科夫模型得到變化區(qū)域邊緣細化的檢測結(jié)果圖像 ；(9)以變化檢測結(jié)果圖像 參考圖，在圖 中利用區(qū)域連通性保留 和Bn兩幅圖像中的相同區(qū)域，去除僅在 圖中存在的噪聲雜點，得到最終的變化檢測結(jié)果圖Z。
2.根據(jù)權(quán)利要求1所述的遙感圖像變化檢測方法，其中步驟(6)所述采用treelet算法將特征矩陣H進行合并，按如下步驟進行(6a)定義聚類的層數(shù)1 = 0，1，···， -2，當(dāng)1 = 0時，初始化和變量為S = H，差變量 D 為空集，并將和變量的集合Ω用下標(biāo)集表示為Ω = {1，2，...，L}，將差變量集合Φ作為空集，將正交Dirac基Βω = [Φ0,ι; Φ0,2'Φο, 作為LXL維單位矩陣；(6b)當(dāng)1興0時，尋找相關(guān)系數(shù)矩陣A中最大的兩個值，將最大值和次大值的對應(yīng)位置序號分別記為α和β
3.根據(jù)權(quán)利要求1所述的遙感圖像變化檢測方法，其中步驟(7)涉及的對過分割圖像 Y中的L個區(qū)域中相同類別的區(qū)域進行合并，得到變化和非變化兩分類圖Bn 是先根據(jù)過分割圖像Y中的任意區(qū)域Ik對應(yīng)的類別標(biāo)記Slk，將Y中具有相同標(biāo)記值的區(qū)域進行合并，得到一幅兩分類圖像；再分別統(tǒng)計該兩分類圖像中各自類別的像素數(shù)目，將數(shù)目較多的一類標(biāo)記為0，即確定為非變化類，將數(shù)目較少的另一類標(biāo)記為1，即確定為變化類，最終得到變化和非變化兩分類圖Bn。
全文摘要
本發(fā)明公開了一種基于分水嶺和treelet的遙感圖像變化檢測方法，它屬于圖像處理技術(shù)領(lǐng)域。其實現(xiàn)過程是輸入兩幅不同時相的遙感圖像，并對每幅圖像去噪，得到兩時相的去噪后圖像，并構(gòu)造差值差異圖像；應(yīng)用分水嶺算法得到差異圖像的初始過分割標(biāo)記圖，并采用treelet算法對過分割標(biāo)記區(qū)域的紋理特征進行合并，聚類得到變化類和非變化類的二值圖像，利用變權(quán)馬爾科夫隨機場模型對二值圖像進行空間約束得到后處理的邊緣一致性圖像，合并聚類二值圖和邊緣一致性圖的連通區(qū)域，得到最終的變化檢測結(jié)果。本發(fā)明能夠有效地提高變化檢測處理效率，保持圖像的邊緣信息，可用于災(zāi)情監(jiān)測和土地利用對圖像變化的檢測。
文檔編號G06T5/00GK102169584SQ20111014099
公開日2011年8月31日 申請日期2011年5月28日 優(yōu)先權(quán)日2011年5月28日
發(fā)明者侯彪, 張小華, 曹娟, 焦李成, 王桂婷, 王爽, 田小林, 鐘樺 申請人:西安電子科技大學(xué)