一种多层次分割的遥感影像变化检测方法

摘要

本发明公开了一种多层次分割的遥感影像变化检测方法，检测共分为九大步骤，最后通过对图像去噪、平滑等处理后，融合各个图斑对象，最终得到遥感影像的变化检测结果。本发明首先采用分割后直接比较法，如果图斑对象发生变化，算法则对这些图斑对象进行二次分割，然后再提取特征值进行比较。本发明能有效的去除伪变化信息，提高变化检测精度，并且相比已有方法，本发明能得到更加详细复杂的变化结果，实现亚图斑对象的变化检测。

权利要求

1.一种多层次分割的遥感影像变化检测方法，其特征在于：检测分为以下步骤：(1)、选取待检测区域两景不同时相的遥感影像，01期和02期；

(2)、选取01期遥感影像作为基准影像，02期遥感影像作为检测影像；

(3)、对选择的遥感影像进行图像预处理，包括降噪处理、辐射校正和影像配准；

(A)降噪处理：图像的噪声存在于图像的高频部分，而要想剔除高频信号中的噪声，需要将图像的高低频分开，利用小波变化进行图像消噪，剔除混杂在图像中的非相关信息；

(B)辐射校正：采用统计回归法，以基准影像为主图像，对检测影像进行辐射校正，该统计回归法在两时相影像中找到同一地点没有发生地物类型变化且光谱性质稳定的地物样本点，利用其灰度值的线性相关关系进行校正，不需要传感器的辐射定标和相关大气参数就可获得规则化的地物反射率数据；

(C)影像配准：采用仿射不变特征提取算法实现影像配准，方法首先构建具有仿射不变性的SIFT描述子，并利用该描述子对提取的控制点进行匹配，求出变换参数实现影像配准；

(4)、将步骤3选择的基准影像进行面向对象的多尺度分割：采用均值平移的分割算法对基准影像进行第一次分割，得到基准影像的图斑对象和边界信息，组合这些边界信息并转换为分割矢量图；

(5)、将步骤4所得的分割矢量图叠加检测影像，对该影像进行分割，得到与基准影像一一对应的图斑对象；

(6)、基于上述的分割结果，得到各个图斑对象，提取对象的多个特征值，包括灰度共生矩阵-熵、均值和密度；

本发明根据公式(1)来计算均值，其中Ci表示影像对象中第i个像素点的像素值；n表示影像对象的像素点个数；

利用公式(2)来计算熵值，其中p(i，j)表示灰度共生矩阵中第(i，j)个元素；G表示灰度共生矩阵的阶数；

利用公式(3)来计算密度值，其中s表示影像对象的面积，Var(x)表示对影像中所有像素的x坐标求方差，Var(y)表示对影像中所有像素的y坐标求方差；

(7)、基于步骤6所得到的特征值，设定相应的阈值，进行特征值检测，对于检测结果进行加权融合，得到变化图斑和非变化图斑；

(8)、对于变化图斑，进行第二次分割，首先选取检测影像的图斑对象作为基准影像进行分割，得到多个亚图斑对象，重复4-7步；

(9)、结果融合：通过去噪、平滑后处理，融合各个图斑对象，最终得到遥感影像的变化检测结果。

说明书

一种多层次分割的遥感影像变化检测方法

技术领域

[0001] 本发明涉及一种遥感图像变化检测的方法，尤其涉及一种多层次分割的遥感影像变化检测方法，属于图像处理技术领域。

背景技术

[0002] 遥感图像变化检测是指对同一地区不同时期的遥感图像进行分析，从中检测出地物随时间发生变化的信息，这些信息可用于地理系统信息更新、资源环境监测、目标动态监视以及军事打击效果评估等。

[0003] 目前的检测技术分为：

[0004] 1.基于像元的变化检测方法

[0005] 基于像元的变化检测，其实现主要依赖于由地物变化引起的遥感图像中光谱反射值的改变，而这些改变可能是由于地物的真实变化引起的，也可能是由于传感器位置，太阳入射角，云，雾等非地物因素的差异引起的，因此，需要对比较的图像进行配准，配准之后直接进行像元相减，求出差异图像。

[0006] 假设图像输入为两幅不同时相的遥感图像X(t1)，X(t2)，并已经做过配准处理。

[0007] 差异图像：

[0008] Xchange＝|X(t1)-X(t2)|

[0009] 2.面向对象的变化检测技术

[0010] (1)分类后比较：

[0011] 分类后比较的方法：首先分别对两期图像进行图像分割，然后将图像分割结果与各自的光谱分类结果结合进行图像的再分类(即面向对象的分类)，接着对两个时相的分类图像进行比较，得到变化检测结果，如图1所示。

[0012] (2)直接比较：

[0013] 直接比较的方法：首先选择两景不同时相的遥感影像，包括多光谱数据和全色波段数据，对选择的数据进行预处理，将预处理后的两期遥感影像的所有波段组成一景影像，对该影像进行分割，建立两景不同时相遥感影像的对象的一一映射关系；基于分割结果，构建每个对象的特征集描述，利用这些特征值进行代数计算，设定一个变化阈值，结合计算结果，最终得到变化图像，其整体方案如图2所示。

[0014] 现有技术缺点：

[0015] (1)基于像元的变化检测，有很多伪变化信息，变化检测精度不高，不适用于高分辨率遥感影像。

[0016] (2)面向对象的变化检测方法，采用直接比较法，即图像分割后，直接提取特征值进行图斑对象的变化检测，很难检测到亚图斑对象(分割区域内部)的变化情况。采用分类后比较法，即在图像分割后，以图斑对象进行分类，从而得到各类要素的变化情况。该方法受限于分类结果的精确度，存在分类误差累积的现象。

发明内容

[0017] 本发明的目的在于克服上述已有的遥感图像变化检测技术的不足，提出一种面向对象的图斑变化检测方法。

[0018] 本发明所采用的技术方案是：一种多层次分割的遥感影像变化检测方法，检测分为以下步骤：

[0019] 1.选取待检测区域两景不同时相的遥感影像，01期和02期；

[0020] 2.选取01期遥感影像作为基准影像，02期遥感影像作为检测影像；

[0021] 3.对选择的遥感影像进行图像预处理，包括降噪处理、辐射校正和影像配准；

[0022] (1)降噪处理：图像的噪声存在于图像的高频部分，而要想剔除高频信号中的噪声，需要将图像的高低频分开，利用小波变化进行图像消噪，剔除混杂在图像中的非相关信息；

[0023] (2)辐射校正：采用统计回归法，以基准影像为主图像，对检测影像进行辐射校正，该方法在两时相影像中找到同一地点没有发生地物类型变化且光谱性质稳定的地物样本点，利用其灰度值的线性相关关系进行校正，不需要传感器的辐射定标和相关大气参数就可获得规则化的地物反射率数据；

[0024] (3)影像配准：采用仿射不变特征提取算法实现影像配准，方法首先构建具有仿射不变性的SIFT描述子，并利用该描述子对提取的控制点进行匹配，求出变换参数实现影像配准；

[0025] 4.将步骤3选择的基准影像进行面向对象的多尺度分割：采用均值平移(Mean-shift)的分割算法对基准影像进行第一次分割，得到基准影像的图斑对象和边界信息，组合这些边界信息并转换为分割矢量图；

[0026] 5.将步骤4所得的分割矢量图叠加检测影像，对该影像进行分割，得到与基准影像一一对应的图斑对象；

[0027] 6.基于上述的分割结果，得到各个图斑对象，提取对象的多个特征值，主要包括灰度共生矩阵-熵、均值和密度；

[0028] 本发明根据公式(1)来计算均值，其中Ci表示影像对象中第i个像素点的像素值；n表示影像对象的像素点个数；

[0029]

[0030] 利用公式(2)来计算熵值，其中p(i，j)表示灰度共生矩阵中第(i，j)个元素；G表示灰度共生矩阵的阶数；

[0031]

[0032] 利用公式(3)来计算密度值，其中s表示影像对象的面积，Var(x)表示对影像中所有像素的x坐标求方差，Var(y)表示对影像中所有像素的y坐标求方差；

[0033]

[0034] 7.基于步骤6所得到的特征值，设定相应的阈值，进行特征值检测，对于检测结果进行加权融合，得到变化图斑和非变化图斑；

[0035] 8.对于变化图斑，进行第二次分割，首先选取检测影像的图斑对象作为基准影像进行分割，得到多个亚图斑对象，重复4-7步；

[0036] 9.结果融合：通过去噪、平滑后处理，融合各个图斑对象，最终得到遥感影像的变化检测结果。

[0037] 本发明首先采用分割后直接比较法，如果图斑对象发生变化，算法则对这些图斑对象进行二次分割，然后再提取特征值进行比较。本发明能有效的去除伪变化信息，提高变化检测精度，并且相比已有方法，本发明能得到更加详细复杂的变化结果，实现亚图斑对象的变化检测。

附图说明

[0038] 下面结合附图和具体实施方式对本发明作进一步详细的说明。

[0039] 图1为分类后比较法方案框图。

[0040] 图2为直接比较法方案框图。

[0041] 图3为本发明的多期遥感影像景区资源变化检测方法处理流程图。

[0042] 图4为本发明的变化检测整体技术流程图。

具体实施方式

[0043] 针对两期配准后的高分遥感影像，选择其中一期作为变化检测的基准图像，对该影像进行影像分割，形成对象矢量图，然后利用对象分割技术对两期影像进行统一切割，形成一系列对应的对象块，针对每一对对象块利用变化检测技术进行变化信息提取，最后通过结果整合得到最后变化结果。图3总结了面向对象的多期遥感影像景区资源变化检测技术处理流程。

[0044] 与基于像元的变化检测相比，面向对象的变换检测技术利用对象整体特性，判断整体变化情况，具有更高的计算效率和检测精度。能有效克服由于季节、天气、配准偏差造成的变化区域误判断。

[0045] 本发明提出的面向对象的多期影像景区资源提取变化检测技术中，利用一期影像的分割结果对两期影像进行对象分割后，形成多个一一对应的图斑对象，对于发生变化的图斑对象，则进行二次分割，基于该分割结果再做比较。两次分割算法都采用均值平移的方法(mean-shift)，整体技术流程如图4所示。

[0046] 针对第一期影像分割所得的01期图斑对象和第二期遥感影像叠加分割矢量图所得的对应的02期图斑对象，首先，对02期图斑对象进行二次分割，得到多个亚图斑对象，形成该图斑的矢量分割图，对01期图斑对象叠加该矢量图，得到相应的亚图斑对象。然后，分别提取二次分割所得的两期亚图斑对象的各种特征值，如纹理特征、光谱特征和形状特征等，进行对象级的变化检测，对各个变化检测结果进行融合，而后合并亚图斑变化检测结果，最终通过去噪、平滑等后处理得到两期图斑对象的变化结果。

[0047] 实施步骤：

[0048] 1.选取待检测区域两景不同时相的遥感影像，01期和02期；

[0049] 2.选取01期遥感影像作为基准影像，02期遥感影像作为检测影像；

[0050] 3.对选择的遥感影像进行图像预处理。包括降噪处理、辐射校正和影像配准；

[0051] (1)降噪处理：图像的噪声一般存在于图像的高频部分，而要想剔除高频信号中的噪声，需要将图像的高低频分开，本发明利用小波变化进行图像消噪，剔除混杂在图像中的非相关信息；

[0052] (2)辐射校正：本发明采用统计回归法，以基准影像为主图像，对检测影像进行辐射校正，该方法在两时相影像中找到同一地点没有发生地物类型变化且光谱性质稳定的地物样本点，利用其灰度值的线性相关关系进行校正，不需要传感器的辐射定标和相关大气参数就可获得规则化的地物反射率数据；

[0053] (3)影像配准：本发明采用仿射不变特征提取算法实现影像配准，方法首先构建具有仿射不变性的SIFT描述子，并利用该描述子对提取的控制点进行匹配，求出变换参数实现影像配准；

[0054] 4.将步骤3选择的基准影像进行面向对象的多尺度分割：本发明采用均值平移(Mean-shift)的分割算法对基准影像进行第一次分割，得到基准影像的图斑对象和边界信息。组合这些边界信息并转换为分割矢量图；

[0055] 5.将步骤4所得的分割矢量图叠加检测影像，对该影像进行分割，得到与基准影像一一对应的图斑对象；

[0056] 6.基于上述的分割结果，得到各个图斑对象，提取对象的多个特征值，主要包括纹理特征(灰度共生矩阵-熵)、光谱特征(均值)和形状特征(密度)；

[0057] 本发明根据公式(1)来计算均值，其中Ci表示影像对象中第i个像素点的像素值；

[0058]

[0059] 利用公式(2)来计算熵值，其中p(i，j)表示灰度共生矩阵中第(i，j)个元素；

[0060]

[0061] 利用公式(3)来计算密度值，其中Var表示求方差；

[0062]

[0063] 7.基于步骤6所得到的特征值，设定相应的阈值，进行特征值检测，对于检测结果进行加权融合，得到变化图斑和非变化图斑；

[0064] 8.对于变化图斑，进行第二次分割，首先选取检测影像的图斑对象作为基准影像进行分割，得到多个亚图斑对象，重复4-7步；

[0065] 9.结果融合：通过去噪、平滑后处理，融合各个图斑对象，最终得到遥感影像的变化检测结果。

[0066] 对象特征提取：

[0067] 与传统基于像元的变化检测技术相比，面向对象的变化检测技术最大特点在于其考虑的对象不是单个像元，而是一个分割对象整体，提取特征时，不是针对于某一个像元，而是针对一个整体。一个分割对象对应一组特征向量。在此，针对每一个分割对象，提取纹理特征(灰度共生矩阵)、光谱特征(植被、水体等指数)和形状特征(主要是边缘密度)等，它们共同组成特征向量。

[0068] 对象级变化检测：

[0069] 本发明以图斑为对象，提取分割所得图斑对象的特征向量(纹理特征、光谱特征、形状特征等)，利用差值法直接对各种特征图像进行差值计算。通过对各种特征变化检测结果对比分析，选择检测结果最好的几个特征值：对象均值，灰度共生矩阵熵，密度。

[0070] 结果融合：

[0071] 基于对象特征的变化检测方法对不同尺寸的变化都有很好的适用性，能够抑制不同时相遥感影像色调差异引起的伪变化，从像素级处理上升到对象级处理。不同特征检测出的变化的对象有一定的差别，影像中有的变化通过某一特征不能检测出来却能通过另一种特征检测出来，这说明在某一特征得到的变化检测结果只利用了这一种特征的优点，其结果并不一定可靠，根据专家知识，把不同特征得到的结果进行融合可以得到更好的结果。发明提出了将均值、熵、密度三种特征得到的变化检测结果进行加权融合，最终得到特征融合的变化检测结果。

[0072] 本发明的一个最主要的特点在于，判断两期影像直接的变化时不是针对某个像元变化，而是针对一个分割对象的整体变化。其突出优势在于：

[0073] (1)通过对图斑对象的二次分割，能够得到亚图斑对象中更加详细的变化结果。

[0074] (2)有效消除由于配准不准确造成的像元变化假象，提高变化检测的准确度；

[0075] (3)采用均值平移的分割算法，基于分割对象的整体考虑，有利于提高特征提取速度和匹配效率；

[0076] (4)容易结合多种特征进行整体判断，如纹理、形状、光谱等，大大提高准确率。