[發(fā)明專利]基于分水嶺和treelet的遙感圖像變化檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201110140996.2
• 申請(qǐng)日: 2011-05-28
• 公開（公告）號(hào): CN102169584A
• 公開（公告）日: 2011-08-31
• 發(fā)明（設(shè)計(jì)）人: 王桂婷;焦李成;曹娟;張小華;鐘樺;田小林;王爽;侯彪
• 申請(qǐng)（專利權(quán)）人: 西安電子科技大學(xué)
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06T5/00
• 代理公司: 陜西電子工業(yè)專利中心 61205
• 代理人: 王品華;朱紅星

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(cè)方法，適用于在農(nóng)業(yè)、環(huán)境、城市規(guī)劃對(duì)圖像的處理。

背景技術(shù)

遙感圖像的變化檢測(cè)是指對(duì)同一地理位置不同時(shí)期的遙感圖像進(jìn)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(duì)配準(zhǔn)后的兩幅遙感圖像的變化檢測(cè)方法一般是先獲取差異圖，然后對(duì)差異圖進(jìn)行變化與非變化分類。這種方法由于對(duì)原始數(shù)據(jù)直接進(jìn)行差異比較，不會(huì)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(jì)閾值的方法，多閾值結(jié)果融合方法、統(tǒng)計(jì)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(dòng)、精確地獲取一直是一個(gè)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(cè)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(huì)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(cè)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(chǎng)概率密度的變化檢測(cè)分割方法，該方法是在隨機(jī)統(tǒng)計(jì)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(jì)樣本才能得到準(zhǔn)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(cè)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(cè)方法，以快速、準(zhǔn)確的檢測(cè)出連續(xù)的變化區(qū)域邊緣，減少偽變化信息和運(yùn)行時(shí)間，提高變化檢測(cè)的準(zhǔn)確度。

為實(shí)現(xiàn)上述目的，本發(fā)明的檢測(cè)方法包括如下步驟：

(1)對(duì)輸入的兩幅已配準(zhǔn)的多時(shí)相遙感圖像分別進(jìn)行3×3像素的中值濾波，得到去噪后圖像T1和T2；

(2)將去噪圖像T1和T2空間位置對(duì)應(yīng)的像素灰度值進(jìn)行差值計(jì)算，得到一幅差值差異圖X；

(3)對(duì)差值差異圖X進(jìn)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(qiáng)后的差異圖像EX；

(4)采用標(biāo)記分水嶺算法將增強(qiáng)后的差異圖像EX進(jìn)行分割，得到L個(gè)區(qū)域的分水嶺過分割圖像Y，其中L為增強(qiáng)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(gè)標(biāo)記區(qū)域記為lk(lk＝1，2，3，...，L)；

(5)在增強(qiáng)后的差異圖像EX計(jì)算每一個(gè)區(qū)域lk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H_lk，并將所有L個(gè)區(qū)域的紋理特征向量H_lk合并，得到維數(shù)為6×L的特征矩陣H，再計(jì)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(jìn)行合并，得到紋理特征向量的合并標(biāo)記S_lk；

(7)依據(jù)紋理特征向量合并標(biāo)記S_lk，對(duì)步驟(4)所得的過分割圖像Y中的L個(gè)區(qū)域中相同類別的區(qū)域進(jìn)行合并，得到變化和非變化兩分類圖B_n；

(8)統(tǒng)計(jì)兩分類圖B_n的鄰域像素信息，利用最大后驗(yàn)概率的變權(quán)高斯馬爾科夫模型得到變化區(qū)域邊緣細(xì)化的檢測(cè)結(jié)果圖像B_E；

(9)以變化檢測(cè)結(jié)果圖像B_E參考圖，在圖B_E中利用區(qū)域連通性保留B_E和B_n兩幅圖像中的相同區(qū)域，去除僅在B_E圖中存在的噪聲雜點(diǎn)，得到最終的變化檢測(cè)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(diǎn)：

(1)本發(fā)明由于通過兩個(gè)主要步驟來實(shí)現(xiàn)遙感圖像變化檢測(cè)的，即先對(duì)初始差異圖像進(jìn)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(duì)應(yīng)的變化檢測(cè)二值圖，因而可在保證檢測(cè)效果的同時(shí)有效減少運(yùn)行時(shí)間，并通過聚類的方法降低分類錯(cuò)誤數(shù)。