專利名稱：基于Treelet曲波域去噪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曲波域去噪的遙感圖像變化檢測方法。該方法可應(yīng)用于自然災(zāi)害中的災(zāi)情監(jiān)測和評估、森 林覆蓋率的監(jiān)測和評估、城市規(guī)劃等領(lǐng)域。
背景技術(shù)：
變化檢測是通過觀察不同時刻的一個物體或現(xiàn)象，鑒定其狀態(tài)差異的過程。隨著遙感技術(shù)和信息技術(shù)的發(fā)展，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。遙感圖像變化檢測方法可以分為兩類先分類后比較法和先比較后分類法。先分類后比較法的優(yōu)點在于可以克服由于大氣、傳感器、季節(jié)、地面環(huán)境、多時相遙感圖像的分辨率等因素帶來的不同時相圖像間的差異。但該類方法存在誤差累計問題，并且分類本身存在病態(tài)分割問題，因此會導(dǎo)致最終的變化檢測精度不高。先比較后分類法的優(yōu)勢在于直觀、簡單、易行，沒有先分類后比較法所存在的誤差累計問題，是現(xiàn)在普遍應(yīng)用的一類多時相遙感圖像變化檢測方法?；诙喑叨葞缀畏治龅倪b感圖像變化檢測方法能夠在不同尺度上進行檢測，并通過最優(yōu)尺度或者多尺度的融合確定最終的變化檢測結(jié)果，在一定程度上避免了單一尺度下對邊緣信息的保持和變化區(qū)域信息的檢測難以兼顧的缺點。西安電子科技大學(xué)在其專利申請“基于多尺度積和主成分分析的SAR圖像變化檢測方法”(專利申請?zhí)?200910023637. 1，公開號CN101634709)中提出了一種多尺度積去噪和主成分分析融合的SAR圖像變化檢測方法。該方法雖然能夠減弱圖像誤配準(zhǔn)的影響， 但仍存在的不足是，該方法僅利用當(dāng)前尺度層和其下一個尺度層進行去噪，沒有考慮當(dāng)前尺度層和其上一個尺度層的關(guān)系，使得該方法的去噪結(jié)果不夠理想，對噪聲信號較為敏感。 此外，由于SAR圖像并非完全服從廣義高斯模型，因此基于廣義高斯模型的最小錯誤率閾值法會使得檢測結(jié)果中存在較多的偽變化信息，降低了遙感圖像變化檢測的精度。2010年黃世奇等在文獻“基于小波變換的多時相SAR圖像變化檢測技術(shù)”(測繪學(xué)報，2010，39(2) 180-186.)中提出了一種基于可靠尺度融合的遙感圖像變化檢測方法。 該方法通過局部變化系數(shù)和全局變化系數(shù)的關(guān)系確定可靠尺度，并采用加入權(quán)重的可靠尺度特征級融合策略進行變化區(qū)域檢測。該方法雖然能夠?qū)ψ兓瘏^(qū)域類進行了進一步的類型分析，得到變化區(qū)域減弱類和變化區(qū)域增強類，但仍存在的不足是，該方法在進行可靠尺度特征級融合時僅考慮了圖像的低頻信息，因此變化區(qū)域的邊緣信息不能夠得到較好的保持。此外，由于該方法使用EM算法進行分類，使得檢測結(jié)果中存在較多的偽變化信息，影響了遙感圖像變化檢測的精度。

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曲波域去噪的遙感圖像變化檢測方法。本發(fā)明對噪聲信號具有較好的魯棒性，能夠較好的保持變化區(qū)域的邊緣信息，減少偽變化信息，具有較高的變化檢測精度。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、構(gòu)造差異圖像、快速離散曲波分解和曲波變換系數(shù)分類處理之后，使用Treelet變換自適應(yīng)的對Detail尺度層進行去噪，再利用曲波域低頻變化圖像及其邊緣圖計算變化比例閾值，最后進行圖像分類和圖像融合。本發(fā)明的具體步驟包括如下 (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NuXNu的正方形窗口，其中，Nu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)造對數(shù)差異圖像3a)對步驟(2)中濾波后的兩幅圖像分別進行對數(shù)運算，得到兩幅對數(shù)圖像；3b)對兩幅對數(shù)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，得到一幅對數(shù)差異圖像。(4)構(gòu)造絕對值差異圖像對步驟(2)中濾波后的兩幅圖像對應(yīng)像素點進行減法運算，并對減法運算的結(jié)果取絕對值，得到一幅絕對值差異圖像。(5)對步驟(3)中的對數(shù)差異圖像進行Sc層快速離散曲波分解。(6)根據(jù)曲波(Curvelet)變換域頻率的大小，對步驟(5)中的曲波變換系數(shù)進行分類。(7)將Fine尺度層的曲波變換系數(shù)全部賦值為零。(8)Detail尺度層去噪8a)水平方向去噪對Detail尺度層的任一方向子帶，應(yīng)用Treelet變換自適應(yīng)的計算水平方向去噪閾值，并進行軟閾值去噪，得到該方向子帶的水平方向去噪結(jié)果；8b)垂直方向去噪對步驟8a)中選取的方向子帶，應(yīng)用Treelet變換自適應(yīng)的計算垂直方向去噪閾值，并進行軟閾值去噪，得到該方向子帶的垂直方向去噪結(jié)果；8c)平均加權(quán)求和將水平方向去噪結(jié)果和垂直方向去噪結(jié)果進行平均加權(quán)求和，得到該方向子帶的最終去噪結(jié)果；8d)重復(fù)步驟8a)、8b)和8c)，直至處理完Detail尺度層的所有方向子帶。(9)曲波逆變換對Coarse尺度層的Curvelet變換系數(shù)、經(jīng)步驟(7)處理后的Fine尺度層的 Curvelet變換系數(shù)和經(jīng)步驟(8)處理后的Detail尺度層的Curvelet變換系數(shù)進行逆Curvelet變換，得到重構(gòu)圖像。(10)計 算變化比例閾值IOa)低頻差異圖像將Fine尺度層和Detail尺度層的Curvelet變換系數(shù)全部置零，并與Coarse尺度層的Curvelet變換系數(shù)進行逆Curvelet變換，得到僅包含低頻信息的低頻差異圖像；IOb)低頻變化圖像對低頻差異圖像采用最大類間方差(Otsu)法分類，得到低頻變化圖像；IOc)最終邊緣圖分別采用Canny、S0bel、PreWitt邊緣算子提取低頻變化圖像的邊緣，得到三幅邊緣圖，通過邏輯或運算將此三幅邊緣圖合成一幅最終邊緣圖；IOd)計算變化比例閾值統(tǒng)計最終邊緣圖中的邊緣像素點個數(shù)和低頻變化圖像中變化像素點的個數(shù)，計算變化比例閾值。(11)分類Ila)通過變化比例閾值對步驟(4)獲得的絕對值差異圖像進行分類，得到一幅分類圖像；lib)通過變化比例閾值對步驟(9)獲得的重構(gòu)圖像進行分類，得到另一幅分類圖像。(12)獲得變化檢測結(jié)果圖對步驟Ila)獲得的分類圖像和步驟lib)獲得的分類圖像進行融合，得到變化檢測結(jié)果圖。本發(fā)明與現(xiàn)有技術(shù)相比具有以下優(yōu)點第一，本發(fā)明由于采用了 Treelet變換自適應(yīng)的對Detail尺度層進行去噪，克服了現(xiàn)有技術(shù)對噪聲較為敏感的缺點，使得本發(fā)明的檢測結(jié)果不容易受噪聲信號的干擾，對噪聲具有較好的魯棒性。第二，本發(fā)明根據(jù)Curvelet域低頻變化圖像及其邊緣圖計算變化比例閾值，克服了現(xiàn)有技術(shù)存在較多偽變換信息的缺點，使得本發(fā)明的檢測精度得到了提高。第三，本發(fā)明通過圖像融合獲得變化檢測結(jié)果圖像，克服了現(xiàn)有技術(shù)對變化區(qū)域邊緣信息保持不理想的缺點，使得本發(fā)明的變化區(qū)域邊緣信息得到了更加準(zhǔn)確、全面的保持。


圖1為本發(fā)明的流程圖；圖2為本發(fā)明的仿真效果圖。
具體實施例方式下面結(jié)合附圖1對本發(fā)明的步驟做進一步的詳細(xì)描述。步驟1，讀入同一地區(qū)不同時刻獲取的兩幅遙感圖像。步驟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NuXNu的正方形窗口，其中，Nu為奇數(shù)，本發(fā)明實施例中選取一個3X3的正方形窗口。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)濾波將濾波值替代步驟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)中的另一幅圖像進行處理，得到濾波后的兩幅圖像。步驟3，構(gòu)造對數(shù)差異圖像。3a)對步驟2中濾波后的兩幅圖像分別進行對數(shù)運算，得到兩幅對數(shù)圖像。其對數(shù)運算公式為I3 (m, n) = log (I1 (m, n)+l)I4 (m, η) = log (I2 (m, η)+1)其中，I3和I4為兩幅對數(shù)圖像(大小為MXN)，I1和I2為濾波后的兩幅圖像，m和 η為圖像的行序號和列序號，m = 0，1，2，…，M_l，η = 0，1，2，…，Ν-1。3b)對兩幅對數(shù)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，得到一幅對數(shù)差異圖像L。L (m, n) = 113 (m, η)-I4 (m, η) |其中，L為對數(shù)差異圖像，I3和I4為兩幅對數(shù)圖像(大小為MXN)，m和η為圖像的行序號和列序號，m = 0，1，2，…，Μ-1，η = 0，1，2，…，Ν-1。步驟4，構(gòu)造絕對值差異圖像。對步驟2中濾波后的兩幅圖像對應(yīng)像素點進行減法運算，并對減法運算的結(jié)果取絕對值，得到一幅絕對值差異圖像Α。A (m, n) = 111 (m, η)-I2 (m, η) |其中，A為絕對值差異圖像，I1和I2為濾波后的兩幅圖像(大小為MXN)，m和η 為圖像的行序號和列序號，m = 0，1，2，-,M-Ln = 0,1,2,…，N-1。步驟5，快速離散曲波分解。對步驟3中的對數(shù)差異圖像L進行Sc層快速離散曲波分解。
權(quán)利要求
1.基于Treelet曲波域去噪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NuXNu的正方形窗口，其中，Nu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)造對數(shù)差異圖像3a)對步驟(2)中濾波后的兩幅圖像分別進行對數(shù)運算，得到兩幅對數(shù)圖像； 3b)對兩幅對數(shù)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，得到一幅對數(shù)差異圖像；(4)構(gòu)造絕對值差異圖像對步驟(2)中濾波后的兩幅圖像對應(yīng)像素點進行減法運算，并對減法運算的結(jié)果取絕對值，得到一幅絕對值差異圖像；(5)對步驟(3)中的對數(shù)差異圖像進行Sc層快速離散曲波分解；(6)根據(jù)曲波變換域頻率的大小，對步驟(5)中的Curvelet變換系數(shù)進行分類；(7)將Fine尺度層的Curvelet變換系數(shù)全部賦值為零； (S)Detail尺度層去噪8a)水平方向去噪對Detail尺度層的任一方向子帶，應(yīng)用Treelet變換自適應(yīng)的計算水平方向去噪閾值，并進行軟閾值去噪，得到該方向子帶的水平方向去噪結(jié)果；8b)垂直方向去噪對步驟8a)中選取的方向子帶，應(yīng)用Treelet變換自適應(yīng)的計算垂直方向去噪閾值，并進行軟閾值去噪，得到該方向子帶的垂直方向去噪結(jié)果；8c)平均加權(quán)求和將水平方向去噪結(jié)果和垂直方向去噪結(jié)果進行平均加權(quán)求和，得到該方向子帶的最終去噪結(jié)果；8d)重復(fù)步驟8a)、8b)和8c)，直至處理完Detail尺度層的所有方向子帶；(9)曲波逆變換對Coarse尺度層的Curvelet變換系數(shù)、經(jīng)步驟(7)處理后的Fine尺度層的Curvelet 變換系數(shù)和經(jīng)步驟(8)處理后的Detail尺度層的Curvelet變換系數(shù)進行逆Curvelet變換，得到重構(gòu)圖像；(10)計算變化比例閾值IOa)低頻差異圖像將Fine尺度層和Detail尺度層的Curvelet變換系數(shù)全部置零， 并與Coarse尺度層的Curvelet變換系數(shù)進行逆Curvelet變換，得到僅包含低頻信息的低頻差異圖像；IOb)低頻變化圖像對低頻差異圖像采用最大類間方差(Otsu)法分類，得到低頻變化圖像；IOc)最終邊緣圖分別采用Canny、Sobel, Prewitt邊緣算子提取低頻變化圖像的邊緣，得到三幅邊緣圖，通過邏輯或運算將此三幅邊緣圖合成一幅最終邊緣圖；IOd)計算變化比例閾值統(tǒng)計最終邊緣圖中的邊緣像素點個數(shù)和低頻變化圖像中變化像素點的個數(shù)，計算變化比例閾值；(11)分類Ila)通過變化比例閾值對步驟(4)獲得的絕對值差異圖像進行分類，得到一幅分類圖像；lib)通過變化比例閾值對步驟(9)獲得的重構(gòu)圖像進行分類，得到另一幅分類圖像；(12)獲得變化檢測結(jié)果圖對步驟Ila)獲得的分類圖像和步驟lib)獲得的分類圖像進行融合，得到變化檢測結(jié)果圖。
2.根據(jù)權(quán)利要求1所述的基于Treelet曲波域去噪的遙感圖像變化檢測方法，其特征在于步驟3a)所述的對數(shù)運算公式為13(m, n) = Iogd1 (m, n)+l)14(m, η) = log (I2 (m, n)+l)其中，I3和I4為兩幅對數(shù)圖像(大小為MXN)，I1和I2為濾波后的兩幅圖像，m和η為圖像的行序號和列序號，m = 0，1，2，…，Μ-1，η = 0，1，2，…，Ν-1。
3.根據(jù)權(quán)利要求1所述的基于Treelet曲波域去噪的遙感圖像變化檢測方法，其特征在于步驟(5)所述的快速離散曲波分解的分解層數(shù)為5。
4.根據(jù)權(quán)利要求1所述的基于Treelet曲波域去噪的遙感圖像變化檢測方法，其特征在于步驟(6)所述的曲波變換系數(shù)分類的步驟如下將第Sc分解層的低頻系數(shù)歸類為 Coarse尺度層，第Sc-l、Sc-2、…、2分解層的高頻系數(shù)歸類為Detail尺度層，第1分解層的高頻系數(shù)歸類為Fine尺度層，其中，Sc為快速離散曲波分解的分解層數(shù)。
5.根據(jù)權(quán)利要求1所述的基于Treelet曲波域去噪的遙感圖像變化檢測方法，其特征在于步驟8a)所述的計算水平方向去噪閾值的步驟如下計算第1分解層第I1個尺度向量的歸一化能量
6.根據(jù)權(quán)利要求1所述的基于Treelet曲波域去噪的遙感圖像變化檢測方法，其特征在于步驟8c)所述的平均加權(quán)求和的計算公式為
7.根據(jù)權(quán)利要求1所述的基于Treelet曲波域去噪的遙感圖像變化檢測方法，其特征在于步驟(10)所述的變化比例閾值的計算公式如下P = P^P2其中，P為變化比例閾值，P1為最終邊緣圖中的邊緣像素點總個數(shù)，P2為低頻變化檢測圖像中的變化像素點總個數(shù)。
8.根據(jù)權(quán)利要求1所述的基于Treelet曲波域去噪的遙感圖像變化檢測方法，其特征在于步驟Ila)所述的分類的步驟如下將絕對值差異圖像中所有像素點的灰度值按照由大到小的順序排列，將前P個最大灰度值對應(yīng)的像素點視為變化類，賦值為1 ；其他像素點視為非變化類，賦值為0，得到分類圖像，其中，P為變化比例閾值。
9.根據(jù)權(quán)利要求1所述的基于Treelet曲波域去噪的遙感圖像變化檢測方法，其特征在于步驟(12)所述的融合方式如下Mp (m, n) = X1 (m, η) Π X2 (m, η)其中，Mp(m, η)為變化檢測結(jié)果圖，X1和X2為兩幅分類圖像(大小為MXN)，m和η為圖像的行序號和列序號，m = 0，1，2，-,M-Ln = 0,1,2,…，N-I，Π表示邏輯與運算。
全文摘要
本發(fā)明公開了一種基于Treelet曲波域去噪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)造對數(shù)差異圖像；(4)構(gòu)造絕對值差異圖像；(5)快速離散曲波分解；(6)曲波變換系數(shù)分類；(7)Fine尺度層置零；(8)Detail尺度層去噪；(9)曲波逆變換；(10)計算變化比例閾值；(11)分類；(12)獲得變化檢測結(jié)果圖。本發(fā)明對噪聲具有較好的魯棒性，能夠較好的保持變化區(qū)域的邊緣信息，減少偽變化信息，具有較高的檢測精度，可用于災(zāi)情監(jiān)測、森林覆蓋率評估、城市規(guī)劃等領(lǐng)域。
文檔編號G06T7/00GK102360500SQ20111019215
公開日2012年2月22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)