專利名稱：基于核傳播的遙感圖像變化檢測方法
技術(shù)領域：
本發(fā)明屬于數(shù)字圖像處理領域，主要涉及遙感圖像變化檢測，具體是一種基于核傳播的遙感圖像變化檢測方法，可用于遙感圖像分析和處理。
背景技術(shù)：
遙感圖像的變化檢測是通過分析和提取同一地區(qū)不同時相的遙感圖像之間存在的電磁波譜特征差異或空間結(jié)構(gòu)特征差異，來識別物體的狀態(tài)變化或現(xiàn)象變化的過程。在國民經(jīng)濟和國防建設的諸多領域已得到廣泛應用，如農(nóng)業(yè)調(diào)查、森林和植被變化監(jiān)測、城區(qū)擴展監(jiān)測、軍事目標監(jiān)測等。遙感圖像變化檢測中一種常見的檢測方法是先比較后分類的方法，即首先將兩時相圖像做差，構(gòu)造一幅差異圖像，然后對其進行分類，得到變化檢測結(jié)果。直接對兩時相圖像進行比較，不會改變原圖像數(shù)據(jù)，不存在分類誤差累計的問題，保證了變化檢測結(jié)果的可靠性。但是由于配準誤差等原因，對于沒有發(fā)生變化的區(qū)域，兩時相圖像對應位置的灰度值也存在一定的偏差，故而簡單地對差值圖像進行分類會導致變化檢測結(jié)果中存在很多的偽變化信息。一些學者將圖像的變化檢測問題轉(zhuǎn)化為聚類問題，根據(jù)差異圖中像素點之間的相似性將像素點聚為變化類和非變化類。Celik (2009)在文章“Multiscale ChangeDetection in Multitemporal Satellite Images, IEEE Geoscience and Remote SensingLetters, 2009，6 (4):820-824"中提出了一種k均值聚類多尺度特征的遙感圖像變化檢測方法，該方法首先對差值圖像進行非下采樣離散小波變換，提取每一個像素的多尺度特征矢量，然后用k均值聚類方法將這些特征矢量分為變化類和非變化類，得到變化檢測結(jié)果。該方法雖然利用了每個像素的鄰域信息及多尺度信息，能在一定程度上提高變化檢測的正確率，但是對于背景區(qū)域和變化區(qū)域?qū)Ρ榷群艿偷膱D像，其鄰域特征和多尺度特征起到的作用不大，該方法并不 能很好的檢測出變化區(qū)域。為了提高聚類的準確度，一些學者對傳統(tǒng)聚類方法進行了改進。Mishra等學 者(2012) 在文 章“Fuzzy Custering Algorithms Incorporating LocalInformation for Change Detection in Remotely Sensed Images,Applied SoftComputing, 2012，12:2683-2692”中提出了一種基于模糊聚類的無監(jiān)督遙感圖像變化檢測方法，該方法對多個波段的兩時相遙感圖像采用CVA方法得到一幅差異圖，然后通過合并差異圖中像素的二階鄰域信息對像素的灰度值進行校正，并將模擬退火算法與多種傳統(tǒng)聚類算法結(jié)合，對校正后的差異圖進行聚類得到變化檢測結(jié)果。該方法通過合并鄰域信息和改進聚類方法降低了變化檢測結(jié)果的誤檢，但該方法對于低對比度差異圖的檢測結(jié)果也較差。上述的變化檢測方法都是采用無監(jiān)督的學習方式，不能準確的反映數(shù)據(jù)間的關系，從而使得變化檢測結(jié)果不理想。

發(fā)明內(nèi)容
本發(fā)明的目的在于針對上述變換檢測技術(shù)的不足，提出一種基于核傳播的遙感圖像變化檢測方法，該方法通過較精確的標記信息對數(shù)據(jù)的特征空間進行約束修正，使獲得的特征空間更準確地反映數(shù)據(jù)之間關系，從而提高檢測結(jié)果的正確率。實現(xiàn)本發(fā)明目的的技術(shù)方案，包括如下步驟:(I)輸入兩幅大小均為IXJ的同一地區(qū)不同時相已配準的遙感圖像X1和X2,計算它們對應空間位置(m，n)處的像素點灰度值X1On, η)和X2 (m，η)的差值的絕對值Xd (m, η) = | X1 (m, n) -X2 (m, η) |，由此得到一幅差值圖像 Xd= {Xd (m, n) m=l, 2,..., I, n=l, 2，...，J}，其中，m和η分別為輸入遙感圖像的行和列序號；
(2)對差值圖像Xd采用均值漂移方法進行分割，得到一幅由不同標記區(qū)域構(gòu)成的過分割標記圖xb，計算差值圖像Xd中空間位置對應在同一標記區(qū)域中的所有像素點的灰度均值，再將同一標記區(qū)域的灰度均值賦給該標記區(qū)域的像素點的灰度值，得到一幅過分割灰度圖X。，其中具有相同灰度值的像素點形成的一個標記區(qū)域為一個超像素；(3)用k均值聚類算法將過分割灰度圖X。中的超像素聚為三類，分別是肯定變化類、肯定非變化類及不確定類；(4)從肯定變化類的超像素中選取Nk個種子，形成肯定變化類的種子集X。，從肯定非變化類的超像素中選取Nz-Nk個種子，形成肯定非變化類的種子集Xn，合并肯定變化類的種子集X。和肯定非變化類的種子集Xn，得到種子集X1,并將超像素集中減去種子集X1后剩余的超像素形成的集合稱為無標簽集Xu，其中，Nz為選取種子的總個數(shù)；(5)在肯定變化類的種子集X。中隨機選取種子對，在肯定非變化類的種子集Xn中隨機選取種子對，所有種子對形成正約束集M，再分別在肯定變化類的種子集X。和肯定非變化類的種子集Xn中隨機選取一個種子，構(gòu)成種子對，所有種子對形成負約束集C ；(6)先將種子集X1中的超像素按標記值從小到大排列，再將無標簽集Xu中的超像素按標記值從小到大排列，按順序構(gòu)成超像素向量S ;計算超像素向量S的歸一化拉普拉斯矩陣L，由此計算種子核矩陣K11,用核傳播公式計算與超像素集S對應的全核矩陣K*并對其進行歸一化，得到一個大小為NXN的歸一化全核矩陣K ；(7)用k均值聚類算法將全核矩陣K按行聚為兩類，分別計算這兩類的所有超像素的灰度均值，將灰度均值較大的一類超像素確定為變化類超像素，另一類即為非變化類超像素；(8)對于超像素向量S中的超像素，如果該超像素屬于變化類，則將分割標記圖Xb中與該超像素標記相同的像素點都確定為變化類，否則，為非變化類，由此得到變化檢測結(jié)果O本發(fā)明與現(xiàn)有技術(shù)相比具有如下優(yōu)點:1、本發(fā)明采用均值漂移方法過分割差值圖，獲得關于差值圖的超像素集，有效地保持了變化區(qū)域的邊緣結(jié)構(gòu)信息，同時降低了需要處理的數(shù)據(jù)量，提高了計算效率。2、本發(fā)明用k均值聚類算法將過分割灰度圖X。聚為三類，在屬于肯定變化類和肯定非變化類的超像素中選取種子點，使得選取的種子點更具有代表性；另外，在屬于肯定變化類和肯定非變化類的種子點中選取種子對構(gòu)造約束集，使獲取的關于變化類和非變化類的先驗信息更準確。
3、本發(fā)明采用核傳播的方法將約束信息傳播到與整個超像素集對應的全核矩陣，使獲得的特征空間更準確地反映超像素之間的關系，提高了變化檢測結(jié)果的正確率。


圖1是本發(fā)明的實現(xiàn)流程框圖；圖2是用于實驗的第一組遙感圖像和對應的變化參考圖像；圖3是用于實驗的第二組遙感圖像和對應的變化參考圖像；圖4是本發(fā)明與對比方法仿真第一組遙感圖像得到的變化檢測結(jié)果圖；圖5是本發(fā)明與對比方法仿真第二組遙感圖像得到的變化檢測結(jié)果圖。
具體實施例方式參照圖1，本發(fā)明的實現(xiàn)步驟如下:步驟1，輸入兩幅大小均為IXJ的同一地區(qū)不同時相已配準的遙感圖像X1和X2,如圖2(a)和圖2(b)所示，將圖像X1和X2空間對應位置(m，η)處的像素點灰度值X1On, η)和X2 (m, η)進行差值計算，得到灰度差值Xd (m, n) = | X1 (m, n) -X2 (m, η) |，由此得到一幅差值圖像Xd= {Xd(m, n) m=l, 2,..., I, n=l, 2，…，J}，其中，m和η分別為輸入遙感圖像的行和列序號。步驟2，根據(jù)差值圖像Xd，得到一幅過分割灰度圖X。。(2a)對差值圖Xd采用均值漂移方法進行分割，得到一幅過分割標記圖Xb，過分割標記圖Xb中每個像素點的灰度值為該像素點的標記1，標記1=1，2，…，N，其中N表示用均值漂移方法分割差值圖Xd得到的標記的最大值；(2b)過分割標記圖Xb中具有相同標記I的像素點形成一個區(qū)域，在差值圖Xd中計算與該區(qū)域空間位置對應的所有像素點的灰度均值，將得到的灰度均值作為該區(qū)域中每個像素點的灰度值，由此得到一幅過分割灰度圖X。，其中具有相同灰度值的像素點形成的一個標記區(qū)域為一個超像素。 步驟3，用k均值聚類算法將過分割灰度圖X。中的超像素聚為三類，分別是肯定變化類、肯定非變化類及不確定類。步驟4，從肯定變化類和肯定非變化類的超像素中選取種子，得到種子集X10本發(fā)明中肯定變化類的種子集的選取方法，可以是聚類中心法，即從肯定變化類的聚類中心及其特征空間鄰域內(nèi)選??；也可以是概率分布法，即種子點到肯定變化類的聚類中心的距離符合高斯分布方法；也可以是隨機選取法，本實例按如下步驟進行:(4a)將過分割灰度圖X。中標記為I的超像素的灰度值記為島得到超像素I S={劍/=1，2，.Λ};(4b)如果屬于肯定變化類的超像素個數(shù)大于Nz/2，則在屬于肯定變化類的超像素中隨機選取Nk=Nz/2個種子，否則，將屬于肯定變化類的所有Nk個超像素都作為種子；用這些種子形成肯定變化類的種子集X。，其中，Νζ=λ ΧΝ，其中λ為種子數(shù)系數(shù)，其取值范圍為
0.1 0.2。 (4c)從肯定非變化類的超像素中選取Nz-Nk個種子，形成肯定非變化類的種子集Xn;
(4d)將肯定非變化類的種子集Xn和肯定變化類的種子集X。合并，得到一個肯定類種子集X1 ；(4e)從超像素集§中減去肯定類種子集X1，將剩余的超像素形成的集合作為無標簽集xu，其中，無標簽集Xu中的超像素是沒有確定類別的，也就是該超像素沒有標記是屬于變化類或?qū)儆诜亲兓?。步驟5，在肯定類種子集X1中隨機選取種子對，構(gòu)成正約束集M和負約束集C。本發(fā)明中肯定變化類的種子集中種子對的選取方法，可以是聚類中心法，即一個種子為肯定變化類的聚類中心，另一個種子在聚類中心的特征空間鄰域內(nèi)選??；也可以是概率分布法，即種子點對到聚類中心的距離均符合高斯分布方法，也可以是隨機選取法，本實例按如下步驟進行:(5a)在肯定變化類的種子集X。中隨機選取2個種子，構(gòu)成一對種子對，該種子對在超像素集§中的對應的兩個標記込和Ib構(gòu)成一對標記對(la，Ib)，其中，Ia e {I, 2，…，N}，Ib e U，2,…，N}；(5b)重 復步驟(5a)Nm次,得到Nm對標記對{(la, Ib)},構(gòu)成肯定變化類標記集Ml,其中，Nm表示正約束集中的種子對的數(shù)目，其取值范圍為10 30 ;(5c)在肯定非變化類的種子集Xn中隨機選取2個種子，構(gòu)成一對種子對，該種子對在超像素彳S中的對應的兩個標記I。和Id構(gòu)成一對標記對(1。，Id)其中，I。e {I, 2，…，N}，Id e {1，2，...，N}；(5d)重復步驟(5c) Nffl次，得到Nm對標記對{(lc, Id)}，構(gòu)成肯定非變化類標記集M2 ；(5e)將肯定變化類標記集Ml和肯定非變化類標記集M2合并構(gòu)成正約束集M。(5f)在肯定變化類的種子集X。和肯定非變化類的種子集Xn中分別隨機選取一個種子組成一對種子對，將該種子對在超像素集§中的對應的兩個標記Ie和If構(gòu)成一對標記對(le，lf)，其中，Ie e {1,2, - ,N}, If e {1,2, - ,N}；(5g)重復步驟(5f)共N。次，得到N。對標記對{(le，If) }，構(gòu)成負約束集合C，其中N。表示負約束集中的種子對的數(shù)目，其取值范圍為10 30，本發(fā)明實例中^=20。步驟6，將肯定類種子集X1和無標簽集Xu中的超像素構(gòu)成超像素向量S，計算其種子核矩陣K11,用核傳播公式計算得到歸一化全核矩陣K。(6a)將肯定類種子集X1中的超像素按標記值從小到大排序，并賦給超像素向量S的第I個到第Nz個元素；將無標簽集Xu中的超像素按標記值從小到大排序，并賦給超像素向量S的第Nz+1個到第N個元素；(6b)計算超像素向量S的歸一化拉普拉斯矩陣L，其計算公式如下:L = 1-『1/2 販1/2其中，I是大小為NXN的單位矩陣；W是大小為NXN的相似度矩陣，Wij為相似度矩陣W中的元素，i和j為矩陣的行序號和列序號，i=l, 2，…，N, j=l, 2，…，N,當i=j時，Wij=O,當i關j時，Wij的計算公式為:
權(quán)利要求
1.一種基于核傳播的遙感圖像變化檢測方法，包括如下步驟: (1)輸入兩幅大小均為IXJ的同一地區(qū)不同時相已配準的遙感圖像X1和X2，計算它們對應空間位置(m，n)處的像素點灰度值X1On, η)和X2 (m，η)的差值的絕對值Xd (m, η) = | X1 (m, n) -X2 (m, η) |，由此得到一幅差值圖像 Xd= {Xd (m, n) m=l, 2,..., I, n=l, 2，...，J}，其中，m和η分別為輸入遙感圖像的行和列序號； (2)對差值圖像Xd采用均值漂移方法進行分割，得到一幅由不同標記區(qū)域構(gòu)成的過分割標記圖Xb，計算差值圖像Xd中空間位置對應在同一標記區(qū)域中的所有像素點的灰度均值，再將同一標記區(qū)域的灰度均值賦給該標記區(qū)域的像素點的灰度值，得到一幅過分割灰度圖X。，其中具有相同灰度值的像素點形成的一個標記區(qū)域為一個超像素； (3)用k均值聚類算法將過分割灰度圖X。中的超像素聚為三類，分別是肯定變化類、肯定非變化類及不確定類； (4)從肯定變化類的超像素中選取Nk個種子，形成肯定變化類的種子集X。，從肯定非變化類的超像素中選取Nz-Nk個種子，形成肯定非變化類的種子集Xn，合并肯定變化類的種子集X。和肯定非變化類的種子集Xn，得到種子集X1,并將超像素集中減去種子集X1后剩余的超像素形成的集合稱為無標簽集Xu，其中，Nz為選取種子的總個數(shù)； (5)在肯定變化類的種子集X。中隨機選取種子對，在肯定非變化類的種子集Xn中隨機選取種子對，所有種子對形成正約束集M，再分別在肯定變化類的種子集X。和肯定非變化類的種子集Xn中隨機選取一個種子，構(gòu)成種子對，所有種子對形成負約束集C ； (6)先將種子集X1中的超像素按標記值從小到大排列，再將無標簽集Xu中的超像素按標記值從小到大排列，按順序構(gòu)成超像素向量S ;計算超像素向量S的歸一化拉普拉斯矩陣L，由此計算種子核矩陣K11,用核傳播公式計算與超像素集S對應的全核矩陣K*并對其進行歸一化，得到一個大小為NXN的歸一化全核矩陣K ； (7)用k均值聚類算法將全核矩陣K按行聚為兩類，分別計算這兩類的所有超像素的灰度均值，將灰度均值較大的一類超像素確定為變化類超像素，另一類即為非變化類超像素； (8)對于超像素向量S中的超像素，如果該超像素屬于變化類，則將分割標記圖Xb中與該超像素標記相同的像素點都確定為變化類，否則，為非變化類，由此得到變化檢測結(jié)果。
2.根據(jù)權(quán)利要求1所述的基于核傳播的遙感圖像變化檢測方法，其特征在于:步驟4所述的從肯定變化類的超像素中選取種子，形成肯定變化類的種子集I，按如下步驟進行: (4a)將過分割灰度圖X。中標記為I的超像素的灰度值記力V得到超像素集§={i/|/=1,2,.N] (4b)如果屬于肯定變化類的超像素個數(shù)大于Nz/2，則在屬于肯定變化類的超像素中隨機選取Nk=Nz/2個種子，否則，將屬于肯定變化類的所有Nk個超像素都作為種子；用這些種子形成肯定變化類的種子集X。，其中，Nz= λ ΧΝ，其中λ為種子數(shù)系數(shù)，其取值范圍為0.1 0.2。
3.根據(jù)權(quán)利要求1所述的基于核傳播的遙感圖像變化檢測方法，其特征在于:步驟5所述的在肯定變化類的種子集X。中隨機選取種子對，在肯定非變化類的種子集Xn*隨機選取種子對，所有種子對形成正約束集Μ，按如下步驟進行:(5a)在肯定變化類的種子集X。中隨機選取2個種子，構(gòu)成一對種子對，該種子對在超像素集§中的對應的兩個標記込和Ib構(gòu)成一對標記對(la，lb)，其中，Ia e {1，2，…，N}，Ib e U，2,…，N}； (5b)重復步驟(5&)\次，得到Nm對標記對{(la，lb)}，構(gòu)成肯定變化類標記集M1，其中，Nm表示正約束集中的種子對的數(shù)目，其取值范圍為10 30 ; (5c)在肯定非變 化類的種子集Xn中隨機選取2個種子，構(gòu)成一對種子對，該種子對在超像素集§中的對應的兩個標記I。和Id構(gòu)成一對標記對(1。，Id)其中，Ic e {I, 2，…，N}，Id e U，2,…，N}； (5d)重復步驟(5c) Nffl次，得到Nm對標記對{(lc, Id)}，構(gòu)成肯定非變化類標記集M2 ； (5e)將肯定變化類標記集Ml和肯定非變化類標記集M2合并構(gòu)成正約束集M。
4.根據(jù)權(quán)利要求1所述的基于核傳播的遙感圖像變化檢測方法，其特征在于:步驟5所述的分別在肯定變化類的種子集X。和肯定非變化類的種子集Xn中隨機選取一個種子，構(gòu)成種子對，所有種子對形成負約束集C，按如下步驟進行: (5f)在肯定變化類的種子集X。和肯定非變化類的種子集Xn中分別隨機選取一個種子組成一對種子對，將該種子對在超像素集§中的對應的兩個標記Ie和If構(gòu)成一對標記對(le，If)，其中，Ie e {I, 2,…，N}，If e {I, 2,...,N}； (58)重復步驟(5^共N。次，得到N。對標記對{(le, If)}，構(gòu)成負約束集合C，其中N。表示負約束集中的種子對的數(shù)目，其取值范圍為10 30。
全文摘要
本發(fā)明公開了一種基于核傳播的遙感圖像變化檢測方法，主要解決現(xiàn)有技術(shù)不能準確反映數(shù)據(jù)間關系導致的檢測正確率不高的缺點。其實現(xiàn)步驟為輸入兩幅不同時相的遙感圖像，對其做差得到差值圖像；對差值圖像進行過分割得到超像素集，將超像素集用k均值方法分為肯定變化類、肯定非變化類和不確定類；在屬于肯定變化類和肯定非變化類的超像素中選取種子構(gòu)造約束集；用約束集計算種子核矩陣，再用核傳播公式計算全核矩陣并對其對角歸一化；對歸一化全核矩陣聚類得到變化檢測結(jié)果。本發(fā)明具有較強的抗噪性，能有效地去除雜點，同時較好的保留邊緣信息，檢測結(jié)果準確率高?？捎糜诔菂^(qū)擴展監(jiān)測、森林和植被變化監(jiān)測等領域。
文檔編號G06T7/00GK103218823SQ201310169168
公開日2013年7月24日 申請日期2013年5月8日 優(yōu)先權(quán)日2013年5月8日
發(fā)明者王桂婷, 焦李成, 劉博偉, 公茂果, 侯彪, 王爽, 鐘樺, 田小林, 張小華 申請人:西安電子科技大學