專利名稱：多分辨率NMF和Treelet融合的遙感圖像變化檢測方法
技術領域：
本發(fā)明屬于圖像處理技術領域，涉及遙感圖像變化檢測，主要涉及多分辨率非負矩陣分解(Non-negative Matrix Factorization, NMF)和Treelet融合的遙感圖像變化檢測，具體是ー種多分辨率NMF和Treelet融合的遙感圖像變化檢測方法。用于對遙感圖像變化區(qū)域的檢測。
背景技術：
遙感圖像變化檢測通過分析同一地區(qū)不同時相的遙感圖像間光譜特征差異或空間結構特征的差異，從而得到地物的動態(tài)發(fā)展變化信息。遙感圖像的變化檢測已經(jīng)得到了廣泛的應用，如土地、森林、草場等的資源監(jiān)測，農作物估產及病蟲害監(jiān)測，地圖數(shù)據(jù)的校正更新，土地利用和覆蓋變化的監(jiān)測，海洋、湖泊水資源變化的監(jiān)測，海岸線變化、濕地變化、 城區(qū)變化等的監(jiān)測以及地震、海嘯、火災等突發(fā)事件的評估；另外，軍事目標動態(tài)偵查、戰(zhàn)場動態(tài)情報獲取、軍事部署情況監(jiān)測等。隨著變化檢測應用的發(fā)展，變化檢測方法也成為重要的研究內容。不要求地面真實數(shù)據(jù)和額外分類信息的無監(jiān)瞀的變化檢測方法是目前變化檢測方法研究的熱點。一般的無監(jiān)瞀變化檢測方法是對輸入圖像所構造的差異圖像進行分析，以判斷出二分類的變化和非變化區(qū)域。然而傳統(tǒng)的基于馬爾科夫隨機場(Markov RandomFields, MRF)的方法在考慮圖像的鄰域結構或紋理信息時易受到孤立噪聲點的影響，從單一分辨率角度考慮圖像的細節(jié)和平滑區(qū)域的權衡的方法常無法較好的既保留圖像的細節(jié)信息又保留平滑區(qū)域信息，導致最終的變化檢測結果不夠準確。為了提高變化檢測的精度，研究人員提出了許多方法。如Celik等在文章uUnsupervisea Cnange Detection in Satellite 丄mages Using Principal ComponentAnalysis and K-Means Clustering, IEEE Geoscience and Remote Sensing Letters,2009,6(4) :772_776”中提出了基于主成分分析(Principle Component Analysis, PCA)和K-means聚類的變換檢測方法，該方法提取數(shù)據(jù)特征時結合了像素的鄰域信息，操作簡單方便，但是PCA方法對于非線性相關的數(shù)據(jù)分類結果卻不是很理想，且采用PCA方法提取特征數(shù)據(jù)時，對數(shù)據(jù)的鄰域信息考慮有限，只在固定的鄰域塊內進行結構紋理分析。沒有從多分辨率數(shù)據(jù)融合的角度對數(shù)據(jù)進行分析，沒有考慮好圖像的細節(jié)信息和平滑區(qū)域的信息和噪聲的影響給變化檢測帶來錯誤的結果，從而影響了變化檢測的準確性。黃世奇等在文章“基于小波變換的多時相SAR圖像變化檢測技術，測繪學報，2010，39⑵180-186”中提出了ー種基于圖像多分辨率分解的可靠尺度融合的遙感圖像變化檢測方法。該方法對差異圖像采用2維離散平穩(wěn)小波分解，通過判定局部變化系數(shù)和全局變化系數(shù)的關系確定可靠尺度，并對可靠尺度進行加入權重的特征級融合，對融合后的圖像采用EM雙閾值得到變化檢測結果。該方法的優(yōu)點在于選擇可靠尺度達到了去除噪聲和保留細節(jié)的均衡，同時能夠獲得發(fā)生變化和未發(fā)生變化的像素區(qū)域，還可以區(qū)分發(fā)生變化的類型，如變化區(qū)域增強類和變化減弱類。但是由于平穩(wěn)小波對圖像具有平滑作用，分解的層數(shù)越高，平滑效應越大，造成一定程度上擴散了變化區(qū)域的面積，使得檢測結果中虛警較高。同時特征級融合時只采用圖像的低頻信息，造成變化區(qū)域的邊緣保持不理想。此外，對特征融合后的圖像采用EM雙閾值進行分割，造成偽變化信息過多，虛警較高。Li 等在文章“Multitemporal Image Change Detection Using aDetaiI-Enhancing Approach With Nonsubsampled Contourlet Transform, IEEEGeoscience and RemoteSensing Letters, 2012,9 (5) :836_840”中提出了一種基于非下米樣contourlet變換的變化檢測方法。該方法對差異圖采用非下采樣contourlet變換分解得到低頻子帶和高頻的方向子帯，對高頻方向子帶采用尺度內和尺度間的方法進行融合，以此增強圖像的細節(jié)信息，同時選出較優(yōu)的低頻子帶，將該低頻子帶加上一定權重值的融合后的方向信息得到細節(jié)信息增強的差異圖像，接著對差異圖像采用PCA構造特征矢量空 間，對該特征矢量空間采用基于PCA指導的K-means進行聚類得到變化檢測結果。該方法采用尺度內和尺度間融合的方法增強了圖像的細節(jié)信息，對于變化區(qū)域較為明顯的圖像能夠檢測出較好的結果，但對于變化區(qū)域不明顯的圖像，變化檢測的精度大大降低。綜上所述，上述現(xiàn)有的方法均不能既處理好非線性相關的數(shù)據(jù)，又同時保持圖像的細節(jié)信息和平滑區(qū)域的信息，且易受噪聲影響，造成漏檢或者虛警過多，降低變化檢測性倉^:。本發(fā)明的發(fā)明人就本主題對國內外的專利文獻和公開發(fā)表的期刊論文捜索，尚未發(fā)現(xiàn)與本發(fā)明完全相同的文獻及報道。

發(fā)明內容
本發(fā)明的目的在于克服上述已有技術的不足，提出了ー種多分辨率NMF和Treelet融合的遙感圖像變化檢測方法。本方法利用了 NMF是非線性維數(shù)約減方法，能夠處理非線性相關的數(shù)據(jù)，且本方法中多分辨分析既能保留圖像的細節(jié)信息又能保留圖像平滑區(qū)域信息的特點，受噪聲影響較小，可提高后續(xù)的變化檢測的性能。本發(fā)明是ー種多分辨率NMF和Treelet融合的遙感圖像變化檢測方法，其特征在于包括有如下步驟(I)取同一地區(qū)在不同時間獲取的已配準的兩幅大小均為PXQ的遙感圖像，將該兩圖像對應空間位置像素的灰度值相減取絕對值，得到一幅差異圖像，對此差異圖像進行大小為mXm像素的中值濾波，其中，m的取值范圍為3、5、7、9，在該步驟中包含了兩部分內容，首先是對輸入的兩幅圖像構造差異圖，然后對差異圖進行中值濾波。(2)對濾波后的差異圖像運用NMF算法提取五幅不同分辨率圖像^ (r =1,2....,5)；2a)將濾波后的差異圖像Xd分成大小均為hXh且不重疊的正方形圖像塊E，將每個小塊E轉成h2X I的列向量Ch，所有塊的列向量合并構成矩陣Vh，其中，圖像塊尺寸h取2 10中的所有偶數(shù)值；2b)對矩陣Vh采用NMF進行分解，得到NMF基矩陣Wh和系數(shù)矩陣Hh ；2c)對濾波后的差異圖像Xd邊界進行擴展得到邊界擴展圖像D，即將差異圖像Xd的首列向左擴展W列，末列向右擴展W列，對列擴展完成后的圖像再進行首行向上擴展W行，末行向下擴展W行，即可得到邊界擴展后的差異圖像D。其中，w=U/2」，L」為向下取整符號;2d)逐個選擇圖像D中的非邊界擴展像素——即D中對應的差異圖像Xd的每個像素點，作為中心像素點，以此為中心，也取大小為hXh的鄰域塊，將每個hXh鄰域塊轉化成h2Xl的列向量，這些列向量合并構成了矩陣Vvh，將矩陣Vvh在NMF的相應的基Wh上進行投影，得到特征數(shù)據(jù)集Fdh，將特征數(shù)據(jù)集Fdh轉化成PXQ的圖像大小，可得特征圖像Fh ；2e)重復步驟(2a)至步驟(2d)直到圖像塊尺寸h依次取遍2，4，6，8，10，可得到五幅不同分辨率的圖像FJr = 1，2. . . .，5)，其中r是圖像的標號。(3)估計濾波后的差異圖像Xd的噪聲標準差，對Xd取閾值K = Ka^，得到圖像Y，估計五幅不同分辨率圖像(r = 1,2, ...，5)的噪聲標準差，對Fr(r = 1,2,...,5)取閾值K =Kびf,，得到圖像YJr = 1,2, ...，5)，其中K為常數(shù)，K的取值為2，在該步驟中包含了兩部分內容，一部分內容是對濾波后的差異圖像取閾值，另一部分內容是對五幅 不同分辨率圖像取閾值，該步驟的目的是為了抑制圖像的背景噪聲的影響。(4)用Treelet算法對閾值后的差異圖像Y和閾值后的五幅不同分辨率圖像Yr進行融合，得到一幅融合后的圖像A，該步驟包含三部分內容，首先將閾值后的差異圖像Y和閾值后的五幅不同分辨率圖像\構成初始樣本，然后對初始樣本進行逐層聚類，直至最高層，得到最終的狄拉克基矩陣B，最后將初始樣本與在狄拉克基矩陣B轉置的方向進行投影，將投影得到的數(shù)據(jù)集轉化為PXQ的圖像大小，得到融合后的圖像A。(5)采用區(qū)域生長算法對融合后的圖像A進行分割，得到最終的變化檢測結果。本發(fā)明將直接差值法構造的差異圖像運用NMF算法在不同分辨率下提取特征圖像，將差異圖像和不同分辨率的特征圖像取閾值，以此抑制背景噪聲影響，然后運用Treelet算法將閾值后的差異圖像和不同分辨率的特征圖像進行融合，采用區(qū)域生長算法對融合后的圖像進行分割，得到的ニ值圖像為最終結果，即變化檢測結果。本發(fā)明采用的NMF方法能夠較好地處理非線性相關的數(shù)據(jù)，同時沿用多分辨分析的方法既能夠保留圖像的細節(jié)信息又能保留圖像的平滑區(qū)域的信息的特點，且采用的Treelet融合方法能夠既保留圖像的強變化區(qū)域的信息又能保留圖像的弱變化區(qū)域的信息，綜合利用了這些方法的優(yōu)勢，揚長避短，提高了變化檢測的準確性。本發(fā)明的實現(xiàn)還在干步驟2b)中對矩陣Vh采用NMF進行分解的過程是2bl)隨機初始化Wh和Hh，設置最大迭代次數(shù)e和停止精度ε，最大迭代次數(shù)e的取值范圍為50 1000，停止精度ε的取值范圍為10_4 10_6 ；2b2)在Wh和Hh均為非負矩陣的約束下，極小化目標函數(shù)I IVh-WhHhI |2，對矩陣Hh進行更新，
權利要求
1.ー種多分辨率NMF和Treelet融合的遙感圖像變化檢測方法，其特征在于包括有如下步驟 (1)取同一地區(qū)在不同時間獲取的已配準的兩幅大小均為PXQ的遙感圖像，將該兩圖像對應空間位置像素的灰度值相減取絕對值，得到一幅差異圖像，對此差異圖像進行大小為mXm像素的中值濾波，其中，m的取值范圍為3、5、7、9 ； (2)對濾波后的差異圖像運用NMF算法提取五幅不同分辨率圖像FJr=1，2，...，5)； 2a)將濾波后的差異圖像Xd分成大小均為hXh且不重疊的正方形圖像塊E，將每個小塊E轉成h2X I的列向量Ch，所有塊的列向量合并構成矩陣Vh，其中，圖像塊尺寸h取2 10中的所有偶數(shù)值； 2b)對矩陣Vh采用NMF進行分解，得到NMF基矩陣Wh和系數(shù)矩陣Hh ； 2c)對濾波后的差異圖像Xd邊界進行擴展得到邊界擴展圖像D，將濾波后的差異圖像Xd的首列向左擴展w列，末列向右擴展w列，對列擴展完成后的圖像再進行首行向上擴展w行，末行向下擴展W行，即可得到邊界擴展后的差異圖像D，其中，w=U/2」，L」為向下取整符號; 2d)逐個選擇圖像D中的非邊界擴展像素——即D中對應的差異圖像Xd的每個像素點，作為中心像素點，以此為中心，也取大小為hX h的鄰域塊，將每個hXh鄰域塊轉化成h2X I的列向量，這些列向量合并構成了矩陣Vvh，將矩陣Vvh在NMF的相應的基Wh上進行投影，得到特征數(shù)據(jù)集Fdh，將特征數(shù)據(jù)集Fdh轉化成PXQ的圖像大小，可得特征圖像Fh ； 2e)重復步驟(2a)至步驟(2d)直到圖像塊尺寸h依次取遍2，4，6，8，10，可得到五幅不同分辨率的圖像(r = 1,2,...，5)，其中r是圖像的標號； (3)估計濾波后的差異圖像Xd的噪聲標準差σΧζ)，對Xd取閾值Tx=ΚσΧζ)，得到圖像Y，估計五幅不同分辨率圖像(r =1,2,...,5)的噪聲標準差，對FJr =1,2,...,5)取閾值Tf = Κσ￥，得到圖像Yr (r = 1，2，. . .，5)，其中K為常數(shù)，K的取值為2 ； (4)用Treelet算法對閾值后的差異圖像Y和閾值后的五幅不同分辨率圖像I進行融合，得到一幅融合后的圖像A ; (5)采用區(qū)域生長算法對融合后的圖像A進行分割，得到最終的變化檢測結果。
2.根據(jù)權利要求I所述的多分辨率NMF和Treelet融合的遙感圖像變化檢測方法，其特征在于步驟2b)中對矩陣Vh采用NMF進行分解的過程是 2bl)隨機初始化Wh和Hh，設置最大迭代次數(shù)e和停止精度ε，最大迭代次數(shù)e的取值范圍為50 1000，停止精度ε的取值范圍為10_4 10_6 ； 2b2)在Wh和Hh均為非負矩陣的約束下，極小化目標函數(shù)I IVh-WhHhI I2，對矩陣Hh進行更新，
3.根據(jù)權利要求I所述的多分辨率NMF和Treelet融合的遙感圖像變化檢測方法，其特征在于步驟(4)中用Treelet算法對閾值后的差異圖像Y和閾值后的五幅不同分辨率圖像I進行融合的過程是 4a)將閾值后圖像Y和も合并表示為Yt (t = 1，2，...，6)，t為圖像標號，將Yt轉為大小均為PXQ的列向量￥1、1、1、1、1、1，所有列向量構成初始樣本矩陣父=[YijY2jY3jY4,Y5，Y6I ； 4b)初始化Treelet變換的逐層聚類層數(shù)I = O, I,. . .，L_1,L為矩陣X的列向量的個數(shù)，即L = 6，在第O層，每個變量采用初始樣本X的列向量表示，初始化和變量的下標集δ={I，2，. . .，L}，初始化狄拉克基矩陣Btl為LX L的單位陣，計算矩陣X的協(xié)方差矩陣か和相關系數(shù)矩陣，計算公式如下
全文摘要
本發(fā)明公開一種多分辨率NMF和Treelet融合的遙感圖像變化檢測方法，針對從單一分辨率考慮圖像細節(jié)和平滑區(qū)域時常無法較好權衡的問題，使得圖像變化檢測既保留圖像的細節(jié)信息又保留平滑區(qū)域信息。實現(xiàn)過程是輸入兩時相圖像，直接差值法構造差異圖像和進行中值濾波；之后運用NMF算法提取不同分辨率圖像；對濾波后差異圖像和不同分辨率圖像分別取閾值；用Treelet算法融合上述閾值后圖像；用區(qū)域生長法對融合后圖像分割，得到最終變化檢測結果。本發(fā)明解決了圖像的鄰域結構易受到孤立噪聲點影響的問題，能夠保持圖像的細節(jié)信息與平滑區(qū)域信息，且能夠去除孤立噪聲，提高了變化檢測精度，可用于災情監(jiān)測、土地利用、農業(yè)調查等領域。
文檔編號G06T7/00GK102831598SQ20121024441
公開日2012年12月19日 申請日期2012年7月4日 優(yōu)先權日2012年7月4日
發(fā)明者王桂婷, 焦李成, 陸明媚, 鐘樺, 田小林, 侯彪, 王爽 申請人:西安電子科技大學