[發(fā)明專利]基于Semi-NMF的遙感圖像變化檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201410163199.X
• 申請(qǐng)日: 2014-04-22
• 公開（公告）號(hào): CN103955926A
• 公開（公告）日: 2014-07-30
• 發(fā)明（設(shè)計(jì)）人: 李恒超;程永強(qiáng)
• 申請(qǐng)（專利權(quán)）人: 西南交通大學(xué)
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00
• 代理公司: 成都信博專利代理有限責(zé)任公司 51200
• 代理人: 張澎

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，主要涉及多時(shí)相遙感圖像變化檢測(cè)研究方向，具體地說是基于Semi-NMF(Semi-Nonnegative?Matrix?Factorization，半非負(fù)矩陣分解)的遙感圖像變化檢測(cè)方法，處理對(duì)象同時(shí)包含了多時(shí)相光學(xué)遙感圖像和合成孔徑雷達(dá)(Synthetic?Aperture?Radar，SAR)圖像。該方法可應(yīng)用于對(duì)地觀測(cè)的諸多實(shí)際問題。

背景技術(shù)

近年來,隨著航天技術(shù)、傳感器技術(shù)、計(jì)算機(jī)技術(shù)及相關(guān)學(xué)科的迅猛發(fā)展,遙感技術(shù)亦得以不斷進(jìn)步，各種搭載光學(xué)和SAR傳感器的遙感平臺(tái)(如飛機(jī)或衛(wèi)星等)相繼運(yùn)行，可大面積、迅速、動(dòng)態(tài)地進(jìn)行對(duì)地觀測(cè)，獲取寬幅、多時(shí)相的遙感圖像，為地物感知和檢測(cè)提供有效數(shù)據(jù)源。受制于人類活動(dòng)加劇以及自然災(zāi)害頻發(fā)，利用不同時(shí)間所獲取的同一地區(qū)遙感圖像進(jìn)行地表變化檢測(cè)一直是遙感應(yīng)用研究的熱點(diǎn),并且已經(jīng)廣泛地應(yīng)用于國(guó)民經(jīng)濟(jì)和國(guó)防建設(shè)的諸多方面，譬如土地利用、環(huán)境監(jiān)測(cè)、森林資源調(diào)查、城市規(guī)劃、災(zāi)情評(píng)估等。

多時(shí)相遙感圖像變化檢測(cè)是指通過對(duì)同一區(qū)域、不同時(shí)期獲取的兩幅或多幅遙感圖像進(jìn)行比較分析，進(jìn)而根據(jù)圖像之間差異來獲取所感興趣地物、場(chǎng)景或目標(biāo)的變化信息，主要包括三個(gè)基本步驟：1)圖像預(yù)處理；2)變化信息檢測(cè)提取；3)后處理及性能評(píng)估。本發(fā)明主要是針對(duì)第2步變化信息檢測(cè)提取的創(chuàng)新工作。

截至目前，國(guó)內(nèi)外學(xué)者提出了很多有效的變化檢測(cè)方法，概括起來可分為有監(jiān)督變化檢測(cè)和無監(jiān)督變化檢測(cè)。其中，有監(jiān)督變化檢測(cè)需要事先獲得關(guān)于地面真實(shí)類別的樣本進(jìn)行訓(xùn)練，但在大多數(shù)情況下，關(guān)于地面的真實(shí)情況是難以或無法獲取的，在很大程度上制約了其在實(shí)際中的應(yīng)用。而無監(jiān)督變化檢測(cè)則是針對(duì)不同時(shí)期的圖像直接進(jìn)行比較分析，不需要其它信息，相對(duì)簡(jiǎn)單、直觀，因此得到了廣泛研究和應(yīng)用。其大致分為：(1)基于分布模型差異的多時(shí)相遙感圖像變化檢測(cè)；(2)基于差異圖像分析的多時(shí)相遙感圖像變化檢測(cè)；以及(3)基于馬爾科夫融合的多時(shí)相遙感圖像變化檢測(cè)。特別是對(duì)第二類算法的研究最為普遍，核心思想是將變化檢測(cè)問題視為圖像的二元分類/分割問題，又可細(xì)分為聚類分析、智能優(yōu)化、閾值分割、有限混合模型、馬爾科夫隨機(jī)場(chǎng)、主動(dòng)輪廓和水平集等策略,涉及圖像處理、模式識(shí)別與機(jī)器視覺領(lǐng)域的許多基本理論和方法。其中，聚類分析由其簡(jiǎn)單、有效而受到普遍認(rèn)可。

T.Celik在文獻(xiàn)[T.Celik,“Unsupervised?change?detection?in?satellite?images?using?principal?component?analysis?and?K-means?clustering,”IEEE?Geoscience?and?Remote?Sensing?Letters,vol.6,no.4,pp.772-776,2009.]中最早提出聚類分析的遙感圖像變化檢測(cè)方法。在此基礎(chǔ)上，申請(qǐng)人通過低階次分?jǐn)?shù)階Fourier變換產(chǎn)生噪聲抑制的差異圖像，以降低噪聲對(duì)檢測(cè)性能的影響。兩者均使用最簡(jiǎn)單的硬聚類算法(即K-means聚類)實(shí)現(xiàn)差異圖像特征聚類，產(chǎn)生對(duì)應(yīng)的變化類和不變化類，但限于K-means聚類算法的局限性，難以獲得比較好的檢測(cè)結(jié)果。后續(xù)，A.Ghosh等[A.Ghosh,N.S.Mishra,and?S.Ghosh,“Fuzzy?clustering?algorithms?for?unsupervised?change?detection?in?remote?sensing?images”,Information?Sciences,vol.181,no.4,pp.699-715,2011.]以及M.Volpi等[M.Volpi,D.Tuia,G.Camps-Valls,and?M.Kanevski,“Unsupervised?change?detection?with?kernels,”IEEE?Geoscience?and?Remote?Sensing?Letters,vol.9,no.6,pp.1026-1030,2012]等分別采用模糊C均值聚類(Fuzzy?C-means)、Gustafson-Kesse模糊聚類和核K-means聚類算法進(jìn)行多時(shí)相遙感圖像變化檢測(cè)，在一定程度上提高了檢測(cè)性能，但仍具有較高的錯(cuò)誤檢測(cè)概率，特別是針對(duì)高分辨率的遙感圖像。因此，有必要發(fā)明一種簡(jiǎn)單且能獲得更好檢測(cè)效果的多時(shí)相遙感圖像變化檢測(cè)方法，以提高遙感圖像變化檢測(cè)在實(shí)際中的應(yīng)用價(jià)值。

發(fā)明內(nèi)容