一種基于區(qū)域相關(guān)和視覺單詞的遙感圖像變化檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于遙感圖像處理技術(shù)領(lǐng)域，具體涉及一種基于區(qū)域相關(guān)和視覺單詞的變 化檢測(cè)方法。
【背景技術(shù)】
[0002] 多時(shí)相遙感圖像變化檢測(cè)是遙感技術(shù)應(yīng)用的一個(gè)重要方向。針對(duì)同一區(qū)域在不同 時(shí)間獲取的遙感影像，自動(dòng)提取兩幅圖像中的不同區(qū)域并標(biāo)記出來。這項(xiàng)技術(shù)在民用和軍 用領(lǐng)域都發(fā)揮著重要的作用，如防災(zāi)減災(zāi)、地震預(yù)警和戰(zhàn)場(chǎng)毀傷評(píng)估等。
[0003] 目前在變化檢測(cè)方面已經(jīng)開展了許多研究工作，提出了多種變化檢測(cè)方法。常見 的變化檢測(cè)方法可以分為三類：第一類是直接比較法，如影像差值法，相關(guān)系數(shù)法，變化向 量分析法等；第二類是分類法，如分類后比較法，多時(shí)相直接分類法等；第三類是模型法， 如預(yù)測(cè)模型法，統(tǒng)計(jì)模型法等。
[0004] 直接比較法主要是應(yīng)用兩幅圖像的代數(shù)運(yùn)算進(jìn)行變化檢測(cè)的方法。影像差值法是 傳統(tǒng)的變化檢測(cè)方法，通過設(shè)定差分圖像灰度閾值得到變化區(qū)域，但通常效果不理想；相關(guān) 系數(shù)法利用變化區(qū)域相關(guān)性小的特點(diǎn)提取變化信息，復(fù)雜度低，不足之處是需要選擇合理 的計(jì)算區(qū)域；而分類法可以獲取變化的類別信息，但是分類精度直接影響變化檢測(cè)的結(jié)果， 并且通常監(jiān)督分類器需要準(zhǔn)確的變化樣本，這種樣本較難提取，影響了此種方法的實(shí)時(shí)性。 模型法的優(yōu)點(diǎn)是可以有效克服噪聲和光照影響，簡(jiǎn)化復(fù)雜問題。其缺點(diǎn)是建模困難，并且一 般的模型如馬爾科夫模型等都比較復(fù)雜，計(jì)算量非常大，不能滿足快速實(shí)時(shí)的處理要求。
[0005] 綜上，變化檢測(cè)的自動(dòng)快速高精度處理成為現(xiàn)今亟待解決的問題。

【發(fā)明內(nèi)容】

[0006] 有鑒于此，本發(fā)明提供了一種基于區(qū)域相關(guān)和視覺單詞的變化檢測(cè)方法，通過分 割選擇出合理的相關(guān)計(jì)算區(qū)域，使用加權(quán)相關(guān)系數(shù)提出可靠度高的不變區(qū)域，并且引入視 覺單詞理論提取變化區(qū)域，可以在滿足檢測(cè)任務(wù)的基礎(chǔ)上提高檢測(cè)的實(shí)時(shí)性和魯棒性。
[0007] 為了達(dá)到上述目的，本發(fā)明的技術(shù)方案包括如下步驟：
[0008] 步驟一：選取參考圖像和待檢測(cè)圖像；其中待檢測(cè)圖像與參考圖像中場(chǎng)景相同。
[0009] 步驟二：對(duì)參考圖像和待檢測(cè)圖像分別進(jìn)行直方圖均衡化處理。
[0010] 步驟三：對(duì)處理后的參考圖像和待檢測(cè)圖像分別進(jìn)行形態(tài)學(xué)重建的分水嶺分割。
[0011] 步驟四：對(duì)分割后得到的兩幅圖像進(jìn)行融合處理，獲得融合圖像。
[0012] 步驟五：融合圖像中共包括k個(gè)子區(qū)域，對(duì)其中的每一個(gè)子區(qū)域j，計(jì)算加權(quán)相關(guān)
系數(shù)C,， D
[0013] 其中，Wi =4是第j個(gè)子區(qū)域相關(guān)系數(shù)的權(quán)重，N,是第j個(gè)子區(qū)域的像素個(gè)數(shù)， 1 N N是所有子區(qū)域像素個(gè)數(shù)的總和，RuniS參考圖像中第j個(gè)子區(qū)域中第m個(gè)像素的灰度值， R2]ni為待檢測(cè)圖像中第j個(gè)子區(qū)域中第m個(gè)像素的灰度值，^是參考圖像中第j個(gè)子區(qū)域 的灰度均值；&是待檢測(cè)圖像中第j個(gè)子區(qū)域的灰度均值。
[0014] 設(shè)定加權(quán)相關(guān)系數(shù)閾值△，若第j個(gè)子區(qū)域的加權(quán)相關(guān)系數(shù)C,大于△，則第j個(gè) 子區(qū)域即為不變區(qū)域，直接將該不變區(qū)域提取出來。
[0015] 若第j個(gè)子區(qū)域的加權(quán)相關(guān)系數(shù)C/j、于Δ，則通過基于視覺單詞理論的方法進(jìn)行 提取。
[0016] 進(jìn)一步地，以參考圖像或待檢測(cè)圖像為原圖像，步驟二中直方圖均衡化處理的過 程具體為：
[0017] 步驟201)統(tǒng)計(jì)原圖像中各灰度級(jí)出現(xiàn)的次數(shù)，計(jì)算每個(gè)灰度級(jí)出現(xiàn)的概率，其中 第1個(gè)灰度級(jí)出現(xiàn)的概率為P 1 (A) = N1M 1 = 0, 1，2,…L-I
[0018] 其中，N1為第1個(gè)灰度級(jí)像素個(gè)數(shù)，N為圖像像素總個(gè)數(shù)，L為圖像中出現(xiàn)的灰度 級(jí)總數(shù)；
[0019] 步驟202)計(jì)算圖像的累積分布函數(shù)S。~S^ L-I
[0020] 步驟203)計(jì)算直方圖均衡化處理后的結(jié)果S。'~SJ :S/ zrouncKSdL+O.S);其 中，round為取整操作。
[0021] 進(jìn)一步地，以步驟二中直方圖均衡化處理后的參考圖像和待檢測(cè)圖像作為本步驟 的待處理圖像，步驟三中形態(tài)學(xué)重建的分水嶺分割具體為：
[0022] 步驟301)用形態(tài)學(xué)算子對(duì)待處理圖像進(jìn)行腐蝕操作，用腐蝕前的圖對(duì)腐蝕后的 圖進(jìn)行重建；
[0023] 步驟302)用形態(tài)學(xué)算子對(duì)步驟301)所得的重建圖進(jìn)行膨脹操作，接著用步驟 301)所得的重建圖對(duì)膨脹操作所得的圖進(jìn)行重建；
[0024] 步驟303)用梯度算子計(jì)算待處理圖像的梯度圖像；
[0025] 步驟304)用步驟302)所得的重建圖對(duì)步驟303)得到的梯度圖像進(jìn)行極小值標(biāo) 記，最后用分水嶺算法對(duì)標(biāo)記后的梯度圖像進(jìn)行分割處理；
[0026] 進(jìn)一步地，以步驟三中分割后的參考圖像和待檢測(cè)圖像為待融合圖像，步驟四中 的融合處理過程具體為
[0027] 步驟401)對(duì)待融合圖像進(jìn)行二值化處理，二值化規(guī)則為將分水嶺上的像素置為 1，非分水嶺上的像素置為〇 ;
[0028] 步驟402)對(duì)二值化后的兩幅圖像進(jìn)行邏輯或操作，即得到分割區(qū)域融合后的結(jié) 果。
[0029] 進(jìn)一步地，形態(tài)學(xué)算子選擇圓盤型的結(jié)構(gòu)。
[0030] 進(jìn)一步地，基于視覺單詞理論的方法包括局部特征提取、字典生成、視覺單詞詞頻 統(tǒng)計(jì)以及使用Bhattacharyya距離提取變化區(qū)域。
[0031] 有益效果：
[0032] 1、本發(fā)明通過計(jì)算分割融合子區(qū)域的加權(quán)相關(guān)系數(shù)和視覺單詞直方圖相似度來 提取變化區(qū)域，結(jié)合了兩種方法特點(diǎn)，能帶來更高的檢測(cè)精度。加權(quán)相關(guān)系數(shù)的提出，衡量 了相關(guān)系數(shù)的可靠程度，增強(qiáng)了合理性。
[0033] 2、本發(fā)明對(duì)參考圖像和待檢測(cè)圖像進(jìn)行直方圖均衡化處理，減少了光照因素對(duì)檢 測(cè)結(jié)果的影響。
[0034] 3、選擇基于形態(tài)學(xué)重建的分水嶺算法對(duì)參考圖像和待測(cè)試圖像進(jìn)行分割，對(duì)梯度 圖像的極小值進(jìn)行抑制，解決了分水嶺算法的過分割問題，得到目標(biāo)級(jí)的分割輪廓，使融合 子區(qū)域包含了目標(biāo)級(jí)的信息；同時(shí)可以調(diào)整形態(tài)學(xué)算子的大小以適應(yīng)不同分辨率的圖像， 提尚了檢測(cè)的魯棒性。
[0035] 4、本發(fā)明在融合分割區(qū)域之前，首先對(duì)分割結(jié)果進(jìn)行了二值化處理，保留了變化 的有效信息的同時(shí)大大降低了融合的運(yùn)算量。
[0036] 5、本發(fā)明提供了針對(duì)不規(guī)則區(qū)域的視覺單詞特征描述的提取方法，具有一定的應(yīng) 用價(jià)值。
【附圖說明】
[0037] 圖1是變化檢測(cè)流程不意圖；
[0038] 圖2是子區(qū)域融合示意圖；
[0039] 圖3本發(fā)明中的詞頻統(tǒng)計(jì)決策機(jī)制。
【具體實(shí)施方式】
[0040] 下面結(jié)合附圖并舉實(shí)施例，對(duì)本發(fā)明進(jìn)行詳細(xì)描述。
[0041] 如圖1所示，基于區(qū)域相關(guān)和視覺單詞的變化檢測(cè)方法，具體步驟為：
[0042] 步驟一、選取參考圖像和待檢測(cè)圖像。待檢測(cè)圖像必須和參考圖像是同一個(gè)場(chǎng)景， 并且待檢測(cè)圖像和參考圖像的配準(zhǔn)誤差要在2個(gè)像素以內(nèi)。
[0043] 步驟二，分別對(duì)參考圖像和待檢測(cè)圖像進(jìn)行直方圖均衡化處理。
[0044] 下面對(duì)直方圖均衡化技術(shù)進(jìn)行說明：
[0045] 直方圖均衡化技術(shù)是一種圖像變換方法，可以使圖像的灰度值均勻分布在所有灰 度級(jí)上，增強(qiáng)圖像對(duì)比度，同時(shí)對(duì)參考圖像和待測(cè)圖像進(jìn)行處理可以均衡兩者的光照強(qiáng)度。 具體實(shí)施過程如下：
[0046] 步驟201)統(tǒng)計(jì)原圖像中各灰度級(jí)出現(xiàn)的次數(shù)，計(jì)算每個(gè)灰度級(jí)出現(xiàn)的概率P1(F 1) =VN，1 = 0, 1，2, ...L-1
[0047] 其中，表示第1個(gè)灰度級(jí)出現(xiàn)的概率，N1為第1個(gè)灰度級(jí)像素個(gè)數(shù)，N為圖像像素 總個(gè)數(shù)，L為圖像中出現(xiàn)的灰度級(jí)總數(shù)；
[0048] 步驟202)計(jì)算圖像的累積分布函數(shù)：<
[0049] 步驟203) S/ = round (SfL+O. 5);其中，round為取整操作，則S/為直方圖均衡 化處理結(jié)果。
[0050] 步驟三、分別對(duì)處理后的參考圖像和待檢測(cè)圖像進(jìn)行形態(tài)學(xué)重建的分水嶺分割。 下面對(duì)形態(tài)學(xué)重建的分水嶺分割算法進(jìn)行說明：
[0051] 以步驟二中直方圖均衡化處理后的參考圖像和待檢測(cè)圖像作為本步驟的待處理 圖像，步驟三中形態(tài)學(xué)重建的分水嶺分割具體為，：
[0052] 步驟301)用形態(tài)學(xué)算子對(duì)待處理圖像進(jìn)行腐蝕操作，用腐蝕前的圖對(duì)腐蝕后的 圖進(jìn)行重建；
[0053] 步驟302)用形態(tài)學(xué)算子對(duì)步驟301)所得的重建圖進(jìn)行膨脹操作，接著用步驟 301)所得的重建圖對(duì)膨脹操作所得的圖進(jìn)行重建；
[0054] 步驟303)用梯度算子計(jì)算待處理圖像的梯度圖像；
[0055] 步驟304)用步驟302)所得的重建圖對(duì)步驟303)得到的梯度圖像進(jìn)行極小值標(biāo) 記，最后用分水嶺算法對(duì)標(biāo)記后的梯度圖像進(jìn)行分割處理。
[0056] 在本實(shí)例中，需要分別對(duì)直方圖均衡化后的參考圖像和待檢測(cè)圖像進(jìn)行兩次重建 操作，第一次是腐蝕重建，第二次是膨脹重建。本實(shí)例使用圓盤型，大小為4的腐蝕和膨脹 算子。
[0057] 2)用梯度算子計(jì)算出參考圖像和待檢測(cè)圖像的梯度圖像。本實(shí)例使用sobel算子 進(jìn)行計(jì)算。
[0058] 3)使用1)中重建后的圖像對(duì)參考圖像和待檢測(cè)圖像進(jìn)行局部極小值標(biāo)記，對(duì)標(biāo) 記后的圖像使用分水嶺分割算法。分水嶺算法的原理是每一個(gè)局部極小值及其影響區(qū)域可 以看作集水盆，而集水盆的邊界則形成分水嶺。它的一個(gè)的經(jīng)典實(shí)現(xiàn)過程是由L. Vincent 提出的模擬浸潤(rùn)過程，它包括了兩個(gè)步驟：首先對(duì)每個(gè)像素的灰度