一種基于區(qū)域相關(guān)和視覺單詞的遙感圖像變化檢測方法
【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 化檢測方法。
【背景技術(shù)】
[0002] 多時相遙感圖像變化檢測是遙感技術(shù)應(yīng)用的一個重要方向。針對同一區(qū)域在不同 時間獲取的遙感影像，自動提取兩幅圖像中的不同區(qū)域并標記出來。這項技術(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)場毀傷評估等。
[0003] 目前在變化檢測方面已經(jīng)開展了許多研究工作，提出了多種變化檢測方法。常見 的變化檢測方法可以分為三類：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，多時相直接分類法等；第三類是模型法， 如預(yù)測模型法，統(tǒng)計模型法等。
[0004] 直接比較法主要是應(yīng)用兩幅圖像的代數(shù)運算進行變化檢測的方法。影像差值法是 傳統(tǒng)的變化檢測方法，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)性小的特點提取變化信息，復(fù)雜度低，不足之處是需要選擇合理 的計算區(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的結(jié)果， 并且通常監(jiān)督分類器需要準確的變化樣本，這種樣本較難提取，影響了此種方法的實時性。 模型法的優(yōu)點是可以有效克服噪聲和光照影響，簡化復(fù)雜問題。其缺點是建模困難，并且一 般的模型如馬爾科夫模型等都比較復(fù)雜，計算量非常大，不能滿足快速實時的處理要求。
[0005] 綜上，變化檢測的自動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方法，通過分 割選擇出合理的相關(guān)計算區(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，可以在滿足檢測任務(wù)的基礎(chǔ)上提高檢測的實時性和魯棒性。
[0007] 為了達到上述目的，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圖像；其中待檢測圖像與參考圖像中場景相同。
[0009] 步驟二：對參考圖像和待檢測圖像分別進行直方圖均衡化處理。
[0010] 步驟三：對處理后的參考圖像和待檢測圖像分別進行形態(tài)學(xué)重建的分水嶺分割。
[0011] 步驟四：對分割后得到的兩幅圖像進行融合處理，獲得融合圖像。
[0012] 步驟五：融合圖像中共包括k個子區(qū)域，對其中的每一個子區(qū)域j，計算加權(quán)相關(guān)
系數(shù)C,， D
[0013] 其中，Wi =4是第j個子區(qū)域相關(guān)系數(shù)的權(quán)重，N,是第j個子區(qū)域的像素個數(shù)， 1 N N是所有子區(qū)域像素個數(shù)的總和，RuniS參考圖像中第j個子區(qū)域中第m個像素的灰度值， R2]ni為待檢測圖像中第j個子區(qū)域中第m個像素的灰度值，^是參考圖像中第j個子區(qū)域 的灰度均值；&是待檢測圖像中第j個子區(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個子區(qū)域的加權(quán)相關(guān)系數(shù)C,大于△，則第j個 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行 提取。
[0016] 進一步地，以參考圖像或待檢測圖像為原圖像，步驟二中直方圖均衡化處理的過 程具體為：
[0017] 步驟201)統(tǒng)計原圖像中各灰度級出現(xiàn)的次數(shù)，計算每個灰度級出現(xiàn)的概率，其中 第1個灰度級出現(xiàn)的概率為P 1 (A) = N1M 1 = 0, 1，2,…L-I
[0018] 其中，N1為第1個灰度級像素個數(shù)，N為圖像像素總個數(shù)，L為圖像中出現(xiàn)的灰度 級總數(shù)；
[0019] 步驟202)計算圖像的累積分布函數(shù)S。~S^ L-I
[0020] 步驟203)計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)算子對待處理圖像進行腐蝕操作，用腐蝕前的圖對腐蝕后的 圖進行重建；
[0023] 步驟302)用形態(tài)學(xué)算子對步驟301)所得的重建圖進行膨脹操作，接著用步驟 301)所得的重建圖對膨脹操作所得的圖進行重建；
[0024] 步驟303)用梯度算子計算待處理圖像的梯度圖像；
[0025] 步驟304)用步驟302)所得的重建圖對步驟303)得到的梯度圖像進行極小值標 記，最后用分水嶺算法對標記后的梯度圖像進行分割處理；
[0026] 進一步地，以步驟三中分割后的參考圖像和待檢測圖像為待融合圖像，步驟四中 的融合處理過程具體為
[0027] 步驟401)對待融合圖像進行二值化處理，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)對二值化后的兩幅圖像進行邏輯或操作，即得到分割區(qū)域融合后的結(jié) 果。
[0029] 進一步地，形態(tài)學(xué)算子選擇圓盤型的結(jié)構(gòu)。
[0030] 進一步地，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，能帶來更高的檢測精度。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，增強了合理性。
[0033] 2、本發(fā)明對參考圖像和待檢測圖像進行直方圖均衡化處理，減少了光照因素對檢 測結(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參考圖像和待測試圖像進行分割，對梯度 圖像的極小值進行抑制，解決了分水嶺算法的過分割問題，得到目標級的分割輪廓，使融合 子區(qū)域包含了目標級的信息；同時可以調(diào)整形態(tài)學(xué)算子的大小以適應(yīng)不同分辨率的圖像， 提尚了檢測的魯棒性。
[0035] 4、本發(fā)明在融合分割區(qū)域之前，首先對分割結(jié)果進行了二值化處理，保留了變化 的有效信息的同時大大降低了融合的運算量。
[0036] 5、本發(fā)明提供了針對不規(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) 用價值。
【附圖說明】
[0037] 圖1是變化檢測流程不意圖；
[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)計決策機制。
【具體實施方式】
[0040] 下面結(jié)合附圖并舉實施例，對本發(fā)明進行詳細描述。
[0041] 如圖1所示，基于區(qū)域相關(guān)和視覺單詞的變化檢測方法，具體步驟為：
[0042] 步驟一、選取參考圖像和待檢測圖像。待檢測圖像必須和參考圖像是同一個場景， 并且待檢測圖像和參考圖像的配準誤差要在2個像素以內(nèi)。
[0043] 步驟二，分別對參考圖像和待檢測圖像進行直方圖均衡化處理。
[0044] 下面對直方圖均衡化技術(shù)進行說明：
[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 度級上，增強圖像對比度，同時對參考圖像和待測圖像進行處理可以均衡兩者的光照強度。 具體實施過程如下：
[0046] 步驟201)統(tǒng)計原圖像中各灰度級出現(xiàn)的次數(shù)，計算每個灰度級出現(xiàn)的概率P1(F 1) =VN，1 = 0, 1，2, ...L-1
[0047] 其中，表示第1個灰度級出現(xiàn)的概率，N1為第1個灰度級像素個數(shù)，N為圖像像素 總個數(shù)，L為圖像中出現(xiàn)的灰度級總數(shù)；
[0048] 步驟202)計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、分別對處理后的參考圖像和待檢測圖像進行形態(tài)學(xué)重建的分水嶺分割。 下面對形態(tài)學(xué)重建的分水嶺分割算法進行說明：
[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)算子對待處理圖像進行腐蝕操作，用腐蝕前的圖對腐蝕后的 圖進行重建；
[0053] 步驟302)用形態(tài)學(xué)算子對步驟301)所得的重建圖進行膨脹操作，接著用步驟 301)所得的重建圖對膨脹操作所得的圖進行重建；
[0054] 步驟303)用梯度算子計算待處理圖像的梯度圖像；
[0055] 步驟304)用步驟302)所得的重建圖對步驟303)得到的梯度圖像進行極小值標 記，最后用分水嶺算法對標記后的梯度圖像進行分割處理。
[0056] 在本實例中，需要分別對直方圖均衡化后的參考圖像和待檢測圖像進行兩次重建 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)用梯度算子計算出參考圖像和待檢測圖像的梯度圖像。本實例使用sobel算子 進行計算。
[0058] 3)使用1)中重建后的圖像對參考圖像和待檢測圖像進行局部極小值標記，對標 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。它的一個的經(jīng)典實現(xiàn)過程是由L. Vincent 提出的模擬浸潤過程，它包括了兩個步驟：首先對每個像素的灰度