專(zhuān)利名稱(chēng)：基于區(qū)域和Kmeans聚類(lèi)的遙感圖像變化檢測(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，涉及光學(xué)遙感圖像變化檢測(cè)，具體地說(shuō)是一種基于區(qū)域和Kmeans聚類(lèi)的遙感圖像變化檢測(cè)方法，適用于遙感圖像處理和分析。
背景技術(shù)：
遙感圖像變化檢測(cè)就是提取兩個(gè)時(shí)相遙感圖像中發(fā)生變化的區(qū)域，已廣泛應(yīng)用于經(jīng)濟(jì)和社會(huì)的諸多領(lǐng)域，如土地資源監(jiān)測(cè)、水體監(jiān)測(cè)、環(huán)境監(jiān)測(cè)、林業(yè)監(jiān)測(cè)、農(nóng)業(yè)調(diào)查、植被覆蓋和氣象監(jiān)測(cè)、災(zāi)害監(jiān)測(cè)與評(píng)估、城市管理規(guī)劃甚至軍事偵察和戰(zhàn)場(chǎng)估計(jì)等領(lǐng)域。實(shí)際應(yīng)用中，如土地覆蓋的變化、土地退化和沙漠化的變化、江河湖泊的變化、森林植被變化、農(nóng)作物等的變化在遙感圖像上呈現(xiàn)的都不是單個(gè)或兩三個(gè)像素點(diǎn)或塊的變化，而是面積大小形狀不同的區(qū)域變化，即便是存在較多小面積的變化區(qū)域的城市管理規(guī)劃、災(zāi)害監(jiān)測(cè)等，其變化區(qū)域的面積也是足可以形成連通的小區(qū)域的。遙感圖像的分辨率逐漸提高，真實(shí)變化區(qū)域的連通像素隨之增多，基于區(qū)域的遙感圖像變化檢測(cè)方法也越顯重要。人眼并非是逐像素地讀取和理解圖像的信息，而是基于區(qū)域進(jìn)行的。對(duì)于兩時(shí)相圖像比較獲得差異圖像，其中的變化區(qū)域是遙感圖像分析和解譯的重點(diǎn)區(qū)域，是視覺(jué)上的重要區(qū)域。為了能有效檢測(cè)兩時(shí)相遙感圖像的變化信息和提高變化檢測(cè)的精確度，從區(qū)域和視覺(jué)注意的角度來(lái)進(jìn)行變化檢測(cè)則是解決此問(wèn)題的一個(gè)有效途徑。2012年萬(wàn)紅林等在文獻(xiàn)“在感興趣的區(qū)域?qū)用嫔线M(jìn)行SAR圖像變化檢測(cè)方法研究.”(測(cè)繪學(xué)報(bào)，2012，41 (2):239-245.)提出了一種在感興趣的區(qū)域?qū)用嫔线M(jìn)行SAR圖像變化檢測(cè)方法。該方法首先對(duì)差異圖像提取感興趣區(qū)域；然后將每一個(gè)感興趣區(qū)域看作一個(gè)數(shù)據(jù)點(diǎn)并計(jì)算其特征，根據(jù)閾值標(biāo)準(zhǔn)的閾值技術(shù)對(duì)所有數(shù)據(jù)點(diǎn)分割，得到最終的變化檢測(cè)結(jié)果。該方法要求提取的感興趣區(qū)域必須含有非變化區(qū)域，否則會(huì)將變化區(qū)域錯(cuò)分為非變化區(qū)域，大大降低檢測(cè)效果；該方法用FCM聚類(lèi)提取感興趣區(qū)存在較多的漏檢，造成較大的傳遞誤差和丟失過(guò)多的變化信息。2010年張敏在西安電子科技大學(xué)在其專(zhuān)利申請(qǐng)“基于顯著性度量的遙感圖像變化檢測(cè)方法”(專(zhuān)利申請(qǐng)?zhí)?201210051159.7，公開(kāi)號(hào):CN102629377A)中提出了一種基于Ch1-square距離和顯著性度量的遙感圖像變化檢測(cè)方法。該方法首先對(duì)差值圖進(jìn)行顯著性度量得到差異影像，分別對(duì)差異影像和基于Ch1-square距離的差異圖像進(jìn)行分割，利用Ch1-square距離差異圖像的分割結(jié)果修正差異影像的分割結(jié)果，得到最終的變化檢測(cè)結(jié)果。該方法可以抑制偽變化信息的生成，通過(guò)修正使得變化區(qū)域的定位更準(zhǔn)確，但是這種方法由于存在較多的漏檢，不能很好地保持變化區(qū)域的邊緣。

發(fā)明內(nèi)容
本發(fā)明的目的在于針對(duì)上述遙感圖像變化檢測(cè)方法中的不足，提出一種基于區(qū)域和Kmeans聚類(lèi)的遙感圖像變化檢測(cè)方法，以減少漏檢，精確定位變化區(qū)域邊緣，提高變化檢測(cè)的精度。
本發(fā)明的實(shí)現(xiàn)方案，包括如下步驟:(I)讀入兩幅遙感圖像X1和X2,并對(duì)X1和X2進(jìn)行鄰域均值濾波，得到濾波后的圖像Y1和Y2 ；(2)根據(jù)濾波后的圖像Y1和Y2，構(gòu)造差異圖像=Y=IY1-Y2I ；(3)利用最大熵原理計(jì)算差異圖像Y的最大熵閾值T ；(4)由差異圖像Y中灰度值不小于最大熵閾值T的像素形成若干個(gè)連通區(qū)域，并將每一個(gè)連通區(qū)域看作一個(gè)感興趣區(qū)域ROI，并將所有感興趣區(qū)域構(gòu)成一個(gè)感興趣區(qū)域集合{R0I}；(5)將差異圖像Y中灰度值小于α*Τ的像素作為肯定非變化像素，并將差異圖像Y中所有肯定非變化像素構(gòu)成一個(gè)肯定非變化像素集合NRset，將該肯定非變化像素集合NRset看作一個(gè)肯定非變化區(qū)域NR，其中，0〈α〈I ；(6)計(jì)算感興趣區(qū)域集合{R0I}中各個(gè)感興趣區(qū)域的區(qū)域灰度均值G、區(qū)域灰度最大值M和感興趣區(qū)域的核心區(qū)域灰度均值K，并將這三個(gè)特征構(gòu)成的向量[G，Μ, K]作為該感興趣區(qū)域的特征向量；(7)計(jì)算肯定非變化區(qū)域NR的區(qū)域灰度均值U、區(qū)域灰度最大值V和肯定非變化區(qū)域的核心區(qū)域灰度均值S，并將這三個(gè)特征構(gòu)成的向量[U，V，S]作為肯定非變化區(qū)域的特征向量；(8)將肯定非變化區(qū)域NR和感興趣區(qū)域集合{R0I}中各個(gè)感興趣區(qū)域作為待分類(lèi)區(qū)域集合R={R0I} U NR, U為取并集符號(hào)；(9)采用Kmeans聚類(lèi)算法對(duì)待分類(lèi)區(qū)域集合R中所有區(qū)域的特征向量進(jìn)行聚類(lèi)，并將聚類(lèi)中心向量的區(qū)域灰度均值分量較大的那類(lèi)區(qū)域作為最終的變化區(qū)域，將差異圖像Y中余下的其他區(qū)域則作為最終的非變化區(qū)域，得到最終的變化檢測(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):(I)本發(fā)明由于是在區(qū)域的層次上進(jìn)行變化檢測(cè)，對(duì)差異圖像分割提取感興趣區(qū)域，提高了分割精度，降低了區(qū)域分割對(duì)檢測(cè)結(jié)果的傳遞誤差。(2)本發(fā)明將肯定非變化像素集合作為一個(gè)肯定非變化區(qū)域參與Kmeans聚類(lèi)，保證參與Kmeans聚類(lèi)的所有區(qū)域一定含有變化區(qū)域和非變化區(qū)域，避免了參與Kmeans聚類(lèi)的區(qū)域中僅含有變化區(qū)域從而將變化區(qū)域錯(cuò)分為非變化區(qū)域的情況發(fā)生。仿真結(jié)果證明，與現(xiàn)有的方法相比，本發(fā)明能兼顧虛警和漏檢，能保持變化區(qū)域的邊緣，提高了檢測(cè)的精度，解決了現(xiàn)有方法中漏檢較多的問(wèn)題。


圖1是本發(fā)明的流程圖；圖2是本發(fā)明使用的三組兩時(shí)相遙感圖像及其變化檢測(cè)參考圖；圖3是用本發(fā)明和現(xiàn)有方法對(duì)圖2遙感圖像的變化檢測(cè)結(jié)果圖。
具體實(shí)施例方式參照?qǐng)D1對(duì)本發(fā)明的實(shí)現(xiàn)步驟如下:步驟1，讀入同一地區(qū)在不同時(shí)刻犾取的已配準(zhǔn)的兩幅遙感圖像X1和X2,這兩幅圖像X1和X2的大小均為I行J列。步驟2，對(duì)第一時(shí)相圖像X1進(jìn)行鄰域?yàn)V波，得到濾波后的第一時(shí)相圖像I。鄰域?yàn)V波的方法很多，例如有四鄰域均值濾波、四鄰域中值濾波、八鄰域均值濾波、八鄰域中值濾波和N3鄰域均值濾波等，本實(shí)施例采用N3鄰域均值濾波，其濾波步驟如下:2a)在第一時(shí)相圖像X1中，以像素點(diǎn)(i，j)為中心，選取該像素點(diǎn)的鄰域像素所得集合 Nij=Ki, j), (1-2, j), (i+2, j), (1-1, j-1), (1-1, j), (1-1, j+1), (i, j-2), (i, j-1), (i,j+1), (i, j+2), (i+1, j-1), (i+1, j), (i+1, j+1)}，其中，i 和 j 分別為圖像中的行和列序號(hào)，它們的限定范圍為i=3,...，1-2，j=3,...，J-2 ；2b)計(jì)算步驟2a)中集合Nu中全部像素灰度值的均值，并將該均值作為濾波后第一時(shí)相圖像Y1在像素點(diǎn)(i，j)的灰度值Y1 (i, j)；2c)對(duì)于第一時(shí)相圖像X1中i=3，…，1-2且j=3，…，J-2以外的邊界像素點(diǎn)(i，j)，將該像素點(diǎn)的灰度值X1Q, j)作為濾波后第一時(shí)相圖像Y1在像素點(diǎn)(i，j)的灰度值Y1(I1J)；2d)重復(fù)步驟2a)至2c)，直至處理完第一時(shí)相圖像X1中所有的像素點(diǎn)，得到濾波后的第一時(shí)相圖像Y:。步驟3，對(duì)第二時(shí)相圖像X2進(jìn)行與步驟2同樣的鄰域?yàn)V波，得到濾波后的第二時(shí)相圖像γ2。步驟4，對(duì)濾波后圖像Y1和Y2的對(duì)應(yīng)像素點(diǎn)的灰度值進(jìn)行相減并取絕對(duì)值，得到一幅差異圖像Y，Y= IY1-Y21，差異圖像Y的大小為I行J列。步驟5，通過(guò)如下公式計(jì)算差異圖像Y的最大熵閾值T:

權(quán)利要求
1.一種基于區(qū)域和Kmeans聚類(lèi)的遙感圖像變化檢測(cè)方法，包括如下步驟: (1)讀入兩幅遙感圖像X1和X2,并對(duì)X1和X2進(jìn)行鄰域均值濾波，得到濾波后的圖像Y1和Y2 ； (2)根據(jù)濾波后的圖像^和Y2，構(gòu)造差異圖像:Y=IY1-Y2I； (3)利用最大熵原理計(jì)算差異圖像Y的最大熵閾值T； (4)由差異圖像Y中灰度值不小于最大熵閾值T的像素形成若干個(gè)連通區(qū)域，并將每一個(gè)連通區(qū)域看作一個(gè)感興趣區(qū)域ROI，并將所有感興趣區(qū)域構(gòu)成一個(gè)感興趣區(qū)域集合{ROI}； (5)將差異圖像Y中灰度值小于α*Τ的像素作為肯定非變化像素，由差異圖像Y中所有肯定非變化像素構(gòu)成一個(gè)肯定非變化像素集合NRset，將肯定非變化像素集合NRset看作一個(gè)肯定非變化區(qū)域NR，其中，0〈α〈1 ； (6)計(jì)算感興趣區(qū)域集合{ROI}中各個(gè)感興趣區(qū)域的區(qū)域灰度均值G、區(qū)域灰度最大值M和感興趣區(qū)域的核心區(qū)域灰度均值K，并將這三個(gè)特征構(gòu)成的向量[G，Μ, K]作為該感興趣區(qū)域的特征向量； (7)計(jì)算肯定非變化區(qū)域NR的區(qū)域灰度均值U、區(qū)域灰度最大值V和肯定非變化區(qū)域的核心區(qū)域灰度均值S，并將這三個(gè)特征構(gòu)成的向量[U，V，S]作為肯定非變化區(qū)域的特征向量; (8)將肯定非變化區(qū)域NR和感興趣區(qū)域集合{ROI}中各個(gè)感興趣區(qū)域作為待分類(lèi)區(qū)域集合R={ROI} U NR, U為取并集符號(hào)； (9)采用Kmeans聚類(lèi)算法對(duì)待分類(lèi)區(qū)域集合R中所有區(qū)域的特征向量進(jìn)行聚類(lèi)，并將聚類(lèi)中心向量的區(qū)域灰度均值分量較大的那類(lèi)區(qū)域作為最終的變化區(qū)域，將差異圖像Y中余下的其他區(qū)域則作為最終的非變化區(qū)域，得到最終的變化檢測(cè)結(jié)果。
2.根據(jù)權(quán)利要求1所述的基于區(qū)域和Kmeans聚類(lèi)的遙感圖像變化檢測(cè)方法，其中步驟(I)所述的對(duì)X1和X2進(jìn)行鄰域均值濾波，采用N3鄰域均值濾波，其濾波步驟如下: Ia)在圖像X1中，以像素點(diǎn)(i，j)為中心，選取該像素點(diǎn)的鄰域像素所得集合=Nij=Ki，j)，(1-2, j), (i+2, j), (1-1, j-1), (1-1, j), (1-1, j+1), (i, j-2), (i，j_l)，(i, j+1), (i, j+2)，(i+1, j-1), (i+1, j), (i+1，j+1)}，其中，i和j分別為圖像中的行和列序號(hào)，它們的限定范圍為i=3,…，1-2，j=3,...，J-2，I為圖像X1的最大行序號(hào)，J為圖像X1的最大列序號(hào)； Ib)計(jì)算步驟Ia)中集合Nij中全部像素灰度值的均值，并將該均值作為濾波后圖像Y1在該點(diǎn)的灰度值Y1Q, j); Ic)對(duì)于圖像X1中i=3，…，1-2且j=3，…，J-2以外的邊界像素點(diǎn)(i，j)，將該像素點(diǎn)的灰度值作為濾波后圖像Y1在該點(diǎn)的灰度值Y1 (i, j)； Id)重復(fù)步驟Ia)至Ic)，直至處理完圖像X1全部的像素點(diǎn)，得到濾波后圖像Y1 ； Ie)按照步驟Ia)至Id)處理完圖像X2中所有的像素點(diǎn)，得到濾波后圖像Y2。
3.根據(jù)權(quán)利要求1所述的基于區(qū)域和Kmeans聚類(lèi)的遙感圖像變化檢測(cè)方法，其中步驟(3)所述的利用最大熵原理計(jì)算差異圖像Y的最大熵閾值Τ，通過(guò)如下公式進(jìn)行:
4.根據(jù)權(quán)利要求1所述的基于區(qū)域和Kmeans聚類(lèi)的遙感圖像變化檢測(cè)方法，其中步驟(6)所述的計(jì)算感興趣區(qū)域集合{ROI}中各個(gè)感興趣區(qū)域的區(qū)域灰度均值G、區(qū)域灰度最大值M和感興趣區(qū)域的核心區(qū)域灰度均值K，按如下公式計(jì)算:
5.根據(jù)權(quán)利要求1所述的基于區(qū)域和Kmeans聚類(lèi)的遙感圖像變化檢測(cè)方法，其中步驟(7)所述的計(jì)算肯定非變化區(qū)域NR的區(qū)域灰度均值U、區(qū)域灰度最大值V和肯定非變化區(qū)域的核心區(qū)域灰度均值S,按如下公式計(jì)算:
全文摘要
本發(fā)明公開(kāi)了一種基于區(qū)域和Kmeans聚類(lèi)的遙感圖像變化檢測(cè)方法。主要解決現(xiàn)有方法檢測(cè)結(jié)果含有孤立像素點(diǎn)和區(qū)域內(nèi)有空洞的問(wèn)題。實(shí)現(xiàn)步驟為(1)讀入兩幅已配準(zhǔn)的不同時(shí)相圖像X1和X2；(2)對(duì)X1和X2濾波后構(gòu)造差值圖像；(3)對(duì)差異圖像進(jìn)行最大熵閾值分割提取感興趣區(qū)域和肯定非變化區(qū)域；(4)計(jì)算感興趣區(qū)域和肯定非變化區(qū)域的特征向量；(5)采用Kmeans聚類(lèi)算法根據(jù)肯定非變化區(qū)域和所有感興趣區(qū)域的特征將所有區(qū)域分為兩類(lèi)；(6)根據(jù)聚類(lèi)結(jié)果，將對(duì)應(yīng)于差異圖像灰度值較高的那類(lèi)區(qū)域作為變化區(qū)域，差異圖像中的其他區(qū)域作為非變化區(qū)域，得到最終的變化檢測(cè)結(jié)果。本發(fā)明的檢測(cè)結(jié)果能保持區(qū)域內(nèi)部的一致性和去除孤立像素點(diǎn)，提高檢測(cè)精度，可用于資源監(jiān)測(cè)和災(zāi)害評(píng)估。
文檔編號(hào)G06T7/00GK103198480SQ201310114150
公開(kāi)日2013年7月10日 申請(qǐng)日期2013年4月2日 優(yōu)先權(quán)日2013年4月2日
發(fā)明者王桂婷, 焦李成, 馬靜林, 蒲振彪, 馬文萍, 馬晶晶 申請(qǐng)人:西安電子科技大學(xué)