專利名稱：基于Treelet變換和特征融合的遙感圖像變化檢測方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，更進一步涉及一種基于Treelet變換和特征融合的遙感圖像變化檢測方法。該方法可應(yīng)用于環(huán)境變化中的湖泊水位動態(tài)監(jiān)測、農(nóng)作物生長狀態(tài)的動態(tài)監(jiān)測、軍事偵察等領(lǐng)域，能夠快速的檢測出兩時相遙感圖像的變化信息。
背景技術(shù)：
變化檢測是通過分析同一地區(qū)不同時刻的多幅遙感圖像，檢測出該地區(qū)地物隨時間發(fā)生變化的信息。隨著遙感技術(shù)和信息技術(shù)的發(fā)展，多時相遙感圖像變化檢測已經(jīng)成為當(dāng)前遙感圖像分析研究的一個重要方向。在多時相遙感圖像變化檢測方法的研究中，常見的一種檢測方法是先比較后分類法，即首先構(gòu)造一幅差異圖像，然后利用閾值或分類法確定變化類和非變化類。先比較后分類法的優(yōu)點在于簡單易行，沒有先分類后比較法所存在的分類誤差累計問題，但該方法存在的明顯不足是，對圖像的預(yù)處理如幾何校正、輻射校正、圖像濾波等要求較高，并且對閾值選擇方法和分類方法要求更加嚴格，影響了遙感圖像變化檢測的精度。西安電子科技大學(xué)在其專利申請“基于Treelets的遙感圖像變化檢測方法”(專利申請?zhí)?201110001584. 0，公開號:CN102063720A)中提出了一種Treelets濾波和 K-means聚類相結(jié)合的遙感圖像變化檢測方法。該方法雖然能夠減小輻射校正和光照不均對檢測結(jié)果的影響，但仍存在的不足是，Treelets交叉濾波會導(dǎo)致檢測結(jié)果中存在較多漏檢信息，不能較好的保持變化區(qū)域邊緣信息，降低了遙感圖像的變化檢測精度。此外，由于該方法使用Treelet變換對兩幅圖像中的每個像素點都進行濾波，使得該方法的時間復(fù)雜度較高，不具有實時性。為了更加準(zhǔn)確、全面的獲取多時相遙感圖像的變化信息，許多學(xué)者將圖像融合技術(shù)應(yīng)用到多時相遙感圖像變化檢測中，使多時相遙感圖像間的互補信息得到更好的結(jié)合， 達到更好的檢測結(jié)果和檢測精度。2010 年 Celik 禾口 Ma 在文獻 “Unsupervised Change Detection for Satellite Images Using Dual-Tree Complex Wavelet Transform，， (IEEE Transactions on Geoscience and Remote Sensing, 2010,48 (3) :1199-1210.)中提出了一種基于雙樹復(fù)小波變換和尺度融合的變化檢測方法。該方法首先對傳統(tǒng)的雙線性插值方法進行了改進，提出了一種加權(quán)雙線性插值方法，并對兩時相遙感圖像分別進行加權(quán)雙線性插值和雙樹復(fù)小波分解，然后通過尺度內(nèi)融合得到同一分解層的變化檢測結(jié)果，最后通過加權(quán)雙線性插值和不同尺度間融合得到最終的變化檢測結(jié)果。該方法雖然能夠較好的保持變化區(qū)域的邊緣信息，存在較少漏檢信息，但仍存在的不足是，該方法通過邏輯與運算進行融合，為了獲得較為全面的變化信息，導(dǎo)致檢測結(jié)果中存在較多虛警信息，降低了遙感圖像變化檢測精度， 難以較好兼顧變化檢測結(jié)果中的漏檢信息和虛警信息
發(fā)明內(nèi)容
本發(fā)明針對上述現(xiàn)有技術(shù)存在的不足，提出了一種基于Treelet變換和特征融合的遙感圖像變化檢測方法。本發(fā)明既可以較好的保持變化區(qū)域的邊緣信息，又可以較好的兼顧變化檢測結(jié)果中的漏檢信息和虛警信息，具有較好的實時性和較高的檢測精度。本發(fā)明實現(xiàn)上述目的的思路是在對讀入的數(shù)據(jù)進行中值濾波后，先對構(gòu)造的差異圖像進行統(tǒng)計均值閾值分類和自適應(yīng)空間信息填充，再對濾波后的圖像利用Treelet變換、K-means聚類和數(shù)學(xué)形態(tài)學(xué)后處理生成模糊結(jié)果圖，最后通過特征與運算進行融合。本發(fā)明的步驟包括如下(1)讀入同一地區(qū)不同時刻獲取的兩幅遙感圖像。(2)中值濾波2a)確定正方形窗口 選取步驟(1)中的一幅遙感圖像，以該圖像中的某一像素點為中心，選取一個大小為N1XN1的正方形窗口，其中，N1為奇數(shù)；2b)確定濾波值將正方形窗口中全部像素點的灰度值按照由大到小的順序排列，組成一個灰度序列，選取位于灰度序列中間位置的灰度值作為濾波值；2c)濾波用濾波值替代步驟加)中像素點的灰度值；2d)重復(fù)步驟2a)至步驟2c)，直至處理完圖像中的全部像素點；2e)按照步驟2a)至步驟2d)，對步驟(1)中的另外一幅遙感圖像進行處理，得到濾波后的兩幅圖像。(3)構(gòu)造差異圖像3a)對步驟O)中濾波后的兩幅遙感圖像對應(yīng)像素點進行減法運算，并對減法運算的結(jié)果取絕對值，得到一幅差異圖像；3b)計算該差異圖像的標(biāo)準(zhǔn)差。(4)分類4a)按照下式計算精細分類閾值；
權(quán)利要求
1.基于Treelet變換和特征融合的遙感圖像變化檢測方法，包括如下步驟(1)讀入同一地區(qū)不同時刻獲取的兩幅遙感圖像；(2)中值濾波2a)確定正方形窗口 選取步驟(1)中的一幅遙感圖像，以該圖像中的某一像素點為中心，選取一個大小為N1XN1的正方形窗口，其中，N1為奇數(shù)；2b)確定濾波值將正方形窗口中全部像素點的灰度值按照由大到小的順序排列，組成一個灰度序列，選取位于灰度序列中間位置的灰度值作為濾波值； 2c)濾波用濾波值替代步驟2a)中像素點的灰度值； 2d)重復(fù)步驟2a)至步驟2c)，直至處理完圖像中的全部像素點； 2e)按照步驟2a)至步驟2d)，對步驟(1)中的另外一幅遙感圖像進行處理，得到濾波后的兩幅圖像；(3)構(gòu)造差異圖像3a)對步驟O)中濾波后的兩幅遙感圖像對應(yīng)像素點進行減法運算，并對減法運算的結(jié)果取絕對值，得到一幅差異圖像； 3b)計算該差異圖像的標(biāo)準(zhǔn)差；(4)分類4a)按照下式計算精細分類閾值；
2.根據(jù)權(quán)利要求1所述的基于Treelet變換和特征融合的遙感圖像變化檢測方法，其特征在于步驟7a)所述的平穩(wěn)小波分解的層數(shù)Q e {3,4,5}。
3.根據(jù)權(quán)利要求1所述的基于Treelet變換和特征融合的遙感圖像變化檢測方法，其特征在于步驟7b)所述的低頻序列為\。
4.根據(jù)權(quán)利要求1所述的基于Treelet變換和特征融合的遙感圖像變化檢測方法，其特征在于步驟Ila)所述的確定空間位置的公式為Γ = {(χ, y) I (Dre(χ, y) = 1) Π (Ere(χ, y) = 1)}其中，Γ為待查找對象空間位置的集合，Dre為精細結(jié)果圖(大小為MXN)，F(xiàn)re為模糊結(jié)果圖，χ和y為圖像的行序號和列序號，χ e {1,2,…，M}，ye {1,2,…，N}，η表示邏輯與運算。
5.根據(jù)權(quán)利要求1所述的基于Treelet變換和特征融合的遙感圖像變化檢測方法，其特征在于步驟lib)所述對象的連通方式為W e {4,8}。
全文摘要
本發(fā)明公開了一種基于Treelet變換和特征融合的遙感圖像變化檢測方法，其實現(xiàn)步驟為(1)讀入數(shù)據(jù)；(2)中值濾波；(3)構(gòu)造差異圖像；(4)分類；(5)判斷差異圖像的標(biāo)準(zhǔn)差是否小于先驗閾值；(6)自適應(yīng)空間信息填充；(7)Treelet模糊融合；(8)構(gòu)造模糊差異圖像；(9)K-means分類；(10)數(shù)學(xué)形態(tài)學(xué)后處理；(11)特征與運算。本發(fā)明既可以較好的保持變化區(qū)域的邊緣信息，又可以較好的兼顧變化檢測結(jié)果中的漏檢信息和虛警信息，具有較好的實時性和較高的檢測精度，可應(yīng)用于環(huán)境變化中的湖泊水位動態(tài)監(jiān)測、農(nóng)作物生長狀態(tài)的動態(tài)監(jiān)測、軍事偵察等領(lǐng)域。
文檔編號G06T7/00GK102289807SQ201110191629
公開日2011年12月21日 申請日期2011年7月8日 優(yōu)先權(quán)日2011年7月8日
發(fā)明者萬義萍, 侯彪, 公茂果, 張小華, 焦李成, 王桂婷, 王爽, 田小林, 鐘樺 申請人:西安電子科技大學(xué)