[0019] 其中H(x)t1,H(x)t2分别表示相同位置图像块的熵值,w表示权重,权重取值范围为(0,0.5],本例取0.1;
[0020] (6-2):将步骤(5)获得的结构相似度按式(2)进行判别,选取满足条件的图像块;
[0021] Qmean(m,n)-Q(m,n)>kQmean(m,n) (2)
[0022] 其中Q(m,n)表示该块的结构相似度,(m,n)表示图像块位置,Qmean(m,n)表示该块的八邻域块的结构相似度的均值,k表示权重,权重取值范围为(0,0.5],本例取0.1;
[0023] (6-3):选取同时满足步骤(6-1)和步骤(6-2)的两个判定条件的图像块作为判定结果,为存在变化目标的图像块。
[0024] 本发明与现有技术相比具有以下优点:
[0025] 1.将图像分块处理,避免了直接对全局检测的不足,有效利用图像的局部特征;
[0026] 2.利用整体变分算法,在滤除细小纹理的同时较好的保留了图像块的结构特征,为后续利用图像块熵值特征提供有力依据;
[0027] 3.合理的利用了整体变分算法获得的结构图,其相同位置图像块的熵值差和源图像相同位置块的结构相似度,两种指标较好的表征了变化目标块的特征,为准确的选取变化目标块奠定基础。
[0028] 4.熵值差的判断条件利用熵值差与加权熵值和进行比较,考虑了阴影产生伪目标的原理;结构相似度的判定条件利用了该块的结构相似度与邻域的结构相似度,体现了目标变化结构相似度的突变与伪变化目标结构相似度的渐变。将两种判断方法结合,准确的排除了伪变化目标块,确定出了变化目标块。
[0029] 5.对于高分辨可见光图像,有效的利用了其阴影导致的伪变化目标与真实变化目标的特征差异,排除大量存在伪变化目标的图像块,从而降低了目标误检率。
附图说明
[0030] 图1为本发明的流程图;
[0031] 图2为输入的变化前图像I1和变化后图像I2;
[0032] 图3为通过整体变分算法后的结构图像I′1和I′2;
[0033] 图4为选取出存在变化目标的图像块;
[0034] 图5为图像块的对数比差异图;
[0035] 图6为图像块的均值比差异图;
[0036] 图7为图像块的融合差异图;
[0037] 图8为形态学处理前的差异图;
[0038] 图9为形态学处理后的差异图。
具体实施方式
[0039] 参照图1的流程图,以一组高分辨率可见光图像为例进行实验,该图像来源于互联网,(网址为http://datatang.com/),图像拍摄于波西米亚、拍摄高度为250米、倾斜度约为70度,每幅图像大小为800×600、分辨率为50cm、经过严格配准,有一个明显的变化目标和由光照强度及角度导致的阴影变化。具体实施步骤如下:
[0040] (1):输入同一地区、不同时刻获取的变化前图像I1和变化后图像I2,图2为输入的一幅图像实例的变化前图像I1和变化后图像I2;
[0041] (2):对图像I1、I2图像进行整体变分算法处理,得到滤除图像的噪声和细小纹理的结构图像I′1、I′2,所采用的整体变分算法模型如式(3):
[0042]
[0043] 其中,E表示能量泛函,I为输入图像,S为结构图,p为像素位置,λ为正则化参数,取值范围为[0,1],本例取0.05, 表示梯度,用来抑制噪声;(Sp-2
Ip)为正则项,用来保护边缘。通过求解能量泛函最小值得到结构图S,图3为源图像的结构图像I′1、I′2;
[0044] (3):根据图像分辨率及预估目标类型尺寸,将图像I1、I2、I′1、I′2分为方形块,选取的图像块尺寸为预估目标尺寸的2至5倍,本例将图像分为50×50的图像块;
[0045] (4):计算I′1、I′2分块后的相同位置方形块间的熵值差,熵值差为两图像块的熵值的差值的绝对值;
[0046] (5):计算I1、I2分块后的相同位置方形块间的结构相似度(Structural Similarity,SSIM)其计算方法如下,其中C1,C2,C3用来增加计算结果的稳定性:
[0047]
[0048]
[0049]
[0050] 其中μ(x),μ(y)为图像的均值,d(x),d(y)为图像的方差,d(x,y)为图像的协方差。图像结构相似度用Q=[L(X,Y)a]×[C(X,Y)b]×[S(X,Y)c]表示,其中a,b,c为加权系数,本例赋值为1;C1,C2,C3为比较小的数值,通常C1=(K1×N)2,C2=(K2×N)2,C3=C2/2,K1<<1,K2<<1,本例K1=0.01,K2=0.03。N为像素的最大值本例为255。结构相似度取值范围为[0,
1],c
[0051] (6):将步骤(4)获得的熵值差和步骤(5)获得的结构相似度分别按各自判断条件进行判定,确定出存在变化目标的图像块,图4为确定出的图像块;
[0052] 具体步骤如下:
[0053] (6-1):将步骤(4)获得的熵值差按式(1)进行判别,选取满足条件的图像块。
[0054] |H(x)t1-H(x)t2|
[0055] 其中H(x)t1,H(x)t2分别表示相同位置图像块的熵值,w表示权重,权重取值范围为(0,0.5],本例取0.1;
[0056] (6-2):将步骤(5)获得的结构相似度按式(2)进行判别,选取满足条件的图像块。
[0057] Qmean(m,n)-Q(m,n)>kQmean(m,n) (2)
[0058] 其中Q(m,n)表示该块的结构相似度,(m,n)表示图像块位置,Qmean(m,n)表示该块的八邻域块的结构相似度的均值,k表示权重,权重取值范围为(0,0.5],本例取0.1;
[0059] (6-3):选取同时满足步骤(6-1)和步骤(6-2)的两个判定条件的图像块作为判定结果,为存在变化目标的图像块;
[0060] (7):计算步骤(6)获得的图像块的对数比差异图与均值比差异图,并将对数比差异图与均值比差异图进行融合,获得融合差异图;
[0061] 具体步骤如下:
[0062] (7-1):计算步骤(6)获得的图像块的对数比差异图,对数比差异图各像素的灰度值为源图像块对应位置的像素灰度值的比值的对数,图5为图像块的对数比差异图;
[0063] (7-2):计算步骤(6)获得的图像块的均值比差异图,均值比差异图的计算公式如式(4)
[0064]
[0065] 其中Xe(i,j)表示均值比差异图,(i,j)表示像素坐标,μ1(i,j),μ2(i,j)分别表示变化前后源图像块对应位置像素点的八邻域的灰度均值,图6为图像块的均值比差异图;
[0066] (7-3):将两幅差异图进行融合,获得融合差异图,以获得更准确的目标信息,本例选取融合算子如式(5):
[0067]
[0068] Xf(i,j)表示融合图像。(i,j)表示像素坐标,Xe(i,j)表示均值比差异图,Xl(i,j)表示对数比差异图,图7为图像块的融合差异图;
[0069] (8):将融合差异图进行阈值分割与形态学处理,本例设定阈值为0.1将融合差异图划分为二值图像,对二值图像进行形态学开运算:C=Xf(i,j)оA,其中,Xf(i,j)为融合差异图,о表示形态学开运算,A为半径为r的圆形结构元素,r取值范围为{2,3,4,5};本例取2,图8、图9分别为图像块形态学处理前后的差异图。
[0070] (9):将S8得到的图像保存并输出。
[0071] 为充分验证本发明方法的有效性和适用性,选取了不同场景的50组高分辨率航拍可见光仿真图像进行验证,本发明采用了目标检出率、目标漏检率和目标误检率对目标变化检测进行评估。其中目标检出率表示正确检出(目标50%的像素被检出)的变化目标数占总变化目标数的比例。目标漏检率表示被漏检的变化目标占总变化目标的比例;目标误检率表示,检测出伪变化目标占检出变化目标总数的比例。具体结果见表1:
[0072] 表1
[0073]
[0074] 从表1中可以得出,本发明方法相对传统方法目标误检测率降低了20%以上,这是由于本发明方法通过分块利用其局部特征,同时通过整体变分方法使变化目标的特征得以利用,并合理的利用了熵值差与结构相似度确定出了存在变化目标的图像块;排除了其他图像块中伪变化目标的影响,降低了图像的目标误检率。