專利名稱：多分辨率NMF和Treelet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，涉及遙感圖像變化檢測，主要涉及多分辨率非負(fù)矩陣分解(Non-negative Matrix Factorization, NMF)和Treelet融合的遙感圖像變化檢測，具體是ー種多分辨率NMF和Treelet融合的遙感圖像變化檢測方法。用于對遙感圖像變化區(qū)域的檢測。
背景技術(shù)：
遙感圖像變化檢測通過分析同一地區(qū)不同時相的遙感圖像間光譜特征差異或空間結(jié)構(gòu)特征的差異，從而得到地物的動態(tài)發(fā)展變化信息。遙感圖像的變化檢測已經(jīng)得到了廣泛的應(yīng)用，如土地、森林、草場等的資源監(jiān)測，農(nóng)作物估產(chǎn)及病蟲害監(jiān)測，地圖數(shù)據(jù)的校正更新，土地利用和覆蓋變化的監(jiān)測，海洋、湖泊水資源變化的監(jiān)測，海岸線變化、濕地變化、 城區(qū)變化等的監(jiān)測以及地震、海嘯、火災(zāi)等突發(fā)事件的評估；另外，軍事目標(biāo)動態(tài)偵查、戰(zhàn)場動態(tài)情報獲取、軍事部署情況監(jiān)測等。隨著變化檢測應(yīng)用的發(fā)展，變化檢測方法也成為重要的研究內(nèi)容。不要求地面真實數(shù)據(jù)和額外分類信息的無監(jiān)瞀的變化檢測方法是目前變化檢測方法研究的熱點。一般的無監(jiān)瞀變化檢測方法是對輸入圖像所構(gòu)造的差異圖像進(jìn)行分析，以判斷出二分類的變化和非變化區(qū)域。然而傳統(tǒng)的基于馬爾科夫隨機(jī)場(Markov RandomFields, MRF)的方法在考慮圖像的鄰域結(jié)構(gòu)或紋理信息時易受到孤立噪聲點的影響，從單一分辨率角度考慮圖像的細(xì)節(jié)和平滑區(qū)域的權(quán)衡的方法常無法較好的既保留圖像的細(xì)節(jié)信息又保留平滑區(qū)域信息，導(dǎo)致最終的變化檢測結(jié)果不夠準(zhǔn)確。為了提高變化檢測的精度，研究人員提出了許多方法。如Celik等在文章uUnsupervisea Cnange Detection in Satellite 丄mages Using Principal ComponentAnalysis and K-Means Clustering, IEEE Geoscience and Remote Sensing Letters,2009,6(4) :772_776”中提出了基于主成分分析(Principle Component Analysis, PCA)和K-means聚類的變換檢測方法，該方法提取數(shù)據(jù)特征時結(jié)合了像素的鄰域信息，操作簡單方便，但是PCA方法對于非線性相關(guān)的數(shù)據(jù)分類結(jié)果卻不是很理想，且采用PCA方法提取特征數(shù)據(jù)時，對數(shù)據(jù)的鄰域信息考慮有限，只在固定的鄰域塊內(nèi)進(jìn)行結(jié)構(gòu)紋理分析。沒有從多分辨率數(shù)據(jù)融合的角度對數(shù)據(jù)進(jìn)行分析，沒有考慮好圖像的細(xì)節(jié)信息和平滑區(qū)域的信息和噪聲的影響給變化檢測帶來錯誤的結(jié)果，從而影響了變化檢測的準(zhǔn)確性。黃世奇等在文章“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，2010，39⑵180-186”中提出了ー種基于圖像多分辨率分解的可靠尺度融合的遙感圖像變化檢測方法。該方法對差異圖像采用2維離散平穩(wěn)小波分解，通過判定局部變化系數(shù)和全局變化系數(shù)的關(guān)系確定可靠尺度，并對可靠尺度進(jìn)行加入權(quán)重的特征級融合，對融合后的圖像采用EM雙閾值得到變化檢測結(jié)果。該方法的優(yōu)點在于選擇可靠尺度達(dá)到了去除噪聲和保留細(xì)節(jié)的均衡，同時能夠獲得發(fā)生變化和未發(fā)生變化的像素區(qū)域，還可以區(qū)分發(fā)生變化的類型，如變化區(qū)域增強(qiáng)類和變化減弱類。但是由于平穩(wěn)小波對圖像具有平滑作用，分解的層數(shù)越高，平滑效應(yīng)越大，造成一定程度上擴(kuò)散了變化區(qū)域的面積，使得檢測結(jié)果中虛警較高。同時特征級融合時只采用圖像的低頻信息，造成變化區(qū)域的邊緣保持不理想。此外，對特征融合后的圖像采用EM雙閾值進(jìn)行分割，造成偽變化信息過多，虛警較高。Li 等在文章“Multitemporal Image Change Detection Using aDetaiI-Enhancing Approach With Nonsubsampled Contourlet Transform, IEEEGeoscience and RemoteSensing Letters, 2012,9 (5) :836_840”中提出了一種基于非下米樣contourlet變換的變化檢測方法。該方法對差異圖采用非下采樣contourlet變換分解得到低頻子帶和高頻的方向子帯，對高頻方向子帶采用尺度內(nèi)和尺度間的方法進(jìn)行融合，以此增強(qiáng)圖像的細(xì)節(jié)信息，同時選出較優(yōu)的低頻子帶，將該低頻子帶加上一定權(quán)重值的融合后的方向信息得到細(xì)節(jié)信息增強(qiáng)的差異圖像，接著對差異圖像采用PCA構(gòu)造特征矢量空 間，對該特征矢量空間采用基于PCA指導(dǎo)的K-means進(jìn)行聚類得到變化檢測結(jié)果。該方法采用尺度內(nèi)和尺度間融合的方法增強(qiáng)了圖像的細(xì)節(jié)信息，對于變化區(qū)域較為明顯的圖像能夠檢測出較好的結(jié)果，但對于變化區(qū)域不明顯的圖像，變化檢測的精度大大降低。綜上所述，上述現(xiàn)有的方法均不能既處理好非線性相關(guān)的數(shù)據(jù)，又同時保持圖像的細(xì)節(jié)信息和平滑區(qū)域的信息，且易受噪聲影響，造成漏檢或者虛警過多，降低變化檢測性倉^:。本發(fā)明的發(fā)明人就本主題對國內(nèi)外的專利文獻(xiàn)和公開發(fā)表的期刊論文捜索，尚未發(fā)現(xiàn)與本發(fā)明完全相同的文獻(xiàn)及報道。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服上述已有技術(shù)的不足，提出了ー種多分辨率NMF和Treelet融合的遙感圖像變化檢測方法。本方法利用了 NMF是非線性維數(shù)約減方法，能夠處理非線性相關(guān)的數(shù)據(jù)，且本方法中多分辨分析既能保留圖像的細(xì)節(jié)信息又能保留圖像平滑區(qū)域信息的特點，受噪聲影響較小，可提高后續(xù)的變化檢測的性能。本發(fā)明是ー種多分辨率NMF和Treelet融合的遙感圖像變化檢測方法，其特征在于包括有如下步驟(I)取同一地區(qū)在不同時間獲取的已配準(zhǔn)的兩幅大小均為PXQ的遙感圖像，將該兩圖像對應(yīng)空間位置像素的灰度值相減取絕對值，得到一幅差異圖像，對此差異圖像進(jìn)行大小為mXm像素的中值濾波，其中，m的取值范圍為3、5、7、9，在該步驟中包含了兩部分內(nèi)容，首先是對輸入的兩幅圖像構(gòu)造差異圖，然后對差異圖進(jìn)行中值濾波。(2)對濾波后的差異圖像運(yùn)用NMF算法提取五幅不同分辨率圖像^ (r =1,2....,5)；2a)將濾波后的差異圖像Xd分成大小均為hXh且不重疊的正方形圖像塊E，將每個小塊E轉(zhuǎn)成h2X I的列向量Ch，所有塊的列向量合并構(gòu)成矩陣Vh，其中，圖像塊尺寸h取2 10中的所有偶數(shù)值；2b)對矩陣Vh采用NMF進(jìn)行分解，得到NMF基矩陣Wh和系數(shù)矩陣Hh ；2c)對濾波后的差異圖像Xd邊界進(jìn)行擴(kuò)展得到邊界擴(kuò)展圖像D，即將差異圖像Xd的首列向左擴(kuò)展W列，末列向右擴(kuò)展W列，對列擴(kuò)展完成后的圖像再進(jìn)行首行向上擴(kuò)展W行，末行向下擴(kuò)展W行，即可得到邊界擴(kuò)展后的差異圖像D。其中，w=U/2」，L」為向下取整符號;2d)逐個選擇圖像D中的非邊界擴(kuò)展像素——即D中對應(yīng)的差異圖像Xd的每個像素點，作為中心像素點，以此為中心，也取大小為hXh的鄰域塊，將每個hXh鄰域塊轉(zhuǎn)化成h2Xl的列向量，這些列向量合并構(gòu)成了矩陣Vvh，將矩陣Vvh在NMF的相應(yīng)的基Wh上進(jìn)行投影，得到特征數(shù)據(jù)集Fdh，將特征數(shù)據(jù)集Fdh轉(zhuǎn)化成PXQ的圖像大小，可得特征圖像Fh ；2e)重復(fù)步驟(2a)至步驟(2d)直到圖像塊尺寸h依次取遍2，4，6，8，10，可得到五幅不同分辨率的圖像FJr = 1，2. . . .，5)，其中r是圖像的標(biāo)號。(3)估計濾波后的差異圖像Xd的噪聲標(biāo)準(zhǔn)差，對Xd取閾值K = Ka^，得到圖像Y，估計五幅不同分辨率圖像(r = 1,2, ...，5)的噪聲標(biāo)準(zhǔn)差，對Fr(r = 1,2,...,5)取閾值K =Kびf,，得到圖像YJr = 1,2, ...，5)，其中K為常數(shù)，K的取值為2，在該步驟中包含了兩部分內(nèi)容，一部分內(nèi)容是對濾波后的差異圖像取閾值，另一部分內(nèi)容是對五幅 不同分辨率圖像取閾值，該步驟的目的是為了抑制圖像的背景噪聲的影響。(4)用Treelet算法對閾值后的差異圖像Y和閾值后的五幅不同分辨率圖像Yr進(jìn)行融合，得到一幅融合后的圖像A，該步驟包含三部分內(nèi)容，首先將閾值后的差異圖像Y和閾值后的五幅不同分辨率圖像\構(gòu)成初始樣本，然后對初始樣本進(jìn)行逐層聚類，直至最高層，得到最終的狄拉克基矩陣B，最后將初始樣本與在狄拉克基矩陣B轉(zhuǎn)置的方向進(jìn)行投影，將投影得到的數(shù)據(jù)集轉(zhuǎn)化為PXQ的圖像大小，得到融合后的圖像A。(5)采用區(qū)域生長算法對融合后的圖像A進(jìn)行分割，得到最終的變化檢測結(jié)果。本發(fā)明將直接差值法構(gòu)造的差異圖像運(yùn)用NMF算法在不同分辨率下提取特征圖像，將差異圖像和不同分辨率的特征圖像取閾值，以此抑制背景噪聲影響，然后運(yùn)用Treelet算法將閾值后的差異圖像和不同分辨率的特征圖像進(jìn)行融合，采用區(qū)域生長算法對融合后的圖像進(jìn)行分割，得到的ニ值圖像為最終結(jié)果，即變化檢測結(jié)果。本發(fā)明采用的NMF方法能夠較好地處理非線性相關(guān)的數(shù)據(jù)，同時沿用多分辨分析的方法既能夠保留圖像的細(xì)節(jié)信息又能保留圖像的平滑區(qū)域的信息的特點，且采用的Treelet融合方法能夠既保留圖像的強(qiáng)變化區(qū)域的信息又能保留圖像的弱變化區(qū)域的信息，綜合利用了這些方法的優(yōu)勢，揚(yáng)長避短，提高了變化檢測的準(zhǔn)確性。本發(fā)明的實現(xiàn)還在干步驟2b)中對矩陣Vh采用NMF進(jìn)行分解的過程是2bl)隨機(jī)初始化Wh和Hh，設(shè)置最大迭代次數(shù)e和停止精度ε，最大迭代次數(shù)e的取值范圍為50 1000，停止精度ε的取值范圍為10_4 10_6 ；2b2)在Wh和Hh均為非負(fù)矩陣的約束下，極小化目標(biāo)函數(shù)I IVh-WhHhI |2，對矩陣Hh進(jìn)行更新，
權(quán)利要求
1.ー種多分辨率NMF和Treelet融合的遙感圖像變化檢測方法，其特征在于包括有如下步驟 (1)取同一地區(qū)在不同時間獲取的已配準(zhǔn)的兩幅大小均為PXQ的遙感圖像，將該兩圖像對應(yīng)空間位置像素的灰度值相減取絕對值，得到一幅差異圖像，對此差異圖像進(jìn)行大小為mXm像素的中值濾波，其中，m的取值范圍為3、5、7、9 ； (2)對濾波后的差異圖像運(yùn)用NMF算法提取五幅不同分辨率圖像FJr=1，2，...，5)； 2a)將濾波后的差異圖像Xd分成大小均為hXh且不重疊的正方形圖像塊E，將每個小塊E轉(zhuǎn)成h2X I的列向量Ch，所有塊的列向量合并構(gòu)成矩陣Vh，其中，圖像塊尺寸h取2 10中的所有偶數(shù)值； 2b)對矩陣Vh采用NMF進(jìn)行分解，得到NMF基矩陣Wh和系數(shù)矩陣Hh ； 2c)對濾波后的差異圖像Xd邊界進(jìn)行擴(kuò)展得到邊界擴(kuò)展圖像D，將濾波后的差異圖像Xd的首列向左擴(kuò)展w列，末列向右擴(kuò)展w列，對列擴(kuò)展完成后的圖像再進(jìn)行首行向上擴(kuò)展w行，末行向下擴(kuò)展W行，即可得到邊界擴(kuò)展后的差異圖像D，其中，w=U/2」，L」為向下取整符號; 2d)逐個選擇圖像D中的非邊界擴(kuò)展像素——即D中對應(yīng)的差異圖像Xd的每個像素點，作為中心像素點，以此為中心，也取大小為hX h的鄰域塊，將每個hXh鄰域塊轉(zhuǎn)化成h2X I的列向量，這些列向量合并構(gòu)成了矩陣Vvh，將矩陣Vvh在NMF的相應(yīng)的基Wh上進(jìn)行投影，得到特征數(shù)據(jù)集Fdh，將特征數(shù)據(jù)集Fdh轉(zhuǎn)化成PXQ的圖像大小，可得特征圖像Fh ； 2e)重復(fù)步驟(2a)至步驟(2d)直到圖像塊尺寸h依次取遍2，4，6，8，10，可得到五幅不同分辨率的圖像(r = 1,2,...，5)，其中r是圖像的標(biāo)號； (3)估計濾波后的差異圖像Xd的噪聲標(biāo)準(zhǔn)差σΧζ)，對Xd取閾值Tx=ΚσΧζ)，得到圖像Y，估計五幅不同分辨率圖像(r =1,2,...,5)的噪聲標(biāo)準(zhǔn)差，對FJr =1,2,...,5)取閾值Tf = Κσ￥，得到圖像Yr (r = 1，2，. . .，5)，其中K為常數(shù)，K的取值為2 ； (4)用Treelet算法對閾值后的差異圖像Y和閾值后的五幅不同分辨率圖像I進(jìn)行融合，得到一幅融合后的圖像A ; (5)采用區(qū)域生長算法對融合后的圖像A進(jìn)行分割，得到最終的變化檢測結(jié)果。
2.根據(jù)權(quán)利要求I所述的多分辨率NMF和Treelet融合的遙感圖像變化檢測方法，其特征在于步驟2b)中對矩陣Vh采用NMF進(jìn)行分解的過程是 2bl)隨機(jī)初始化Wh和Hh，設(shè)置最大迭代次數(shù)e和停止精度ε，最大迭代次數(shù)e的取值范圍為50 1000，停止精度ε的取值范圍為10_4 10_6 ； 2b2)在Wh和Hh均為非負(fù)矩陣的約束下，極小化目標(biāo)函數(shù)I IVh-WhHhI I2，對矩陣Hh進(jìn)行更新，
3.根據(jù)權(quán)利要求I所述的多分辨率NMF和Treelet融合的遙感圖像變化檢測方法，其特征在于步驟(4)中用Treelet算法對閾值后的差異圖像Y和閾值后的五幅不同分辨率圖像I進(jìn)行融合的過程是 4a)將閾值后圖像Y和も合并表示為Yt (t = 1，2，...，6)，t為圖像標(biāo)號，將Yt轉(zhuǎn)為大小均為PXQ的列向量￥1、1、1、1、1、1，所有列向量構(gòu)成初始樣本矩陣父=[YijY2jY3jY4,Y5，Y6I ； 4b)初始化Treelet變換的逐層聚類層數(shù)I = O, I,. . .，L_1,L為矩陣X的列向量的個數(shù)，即L = 6，在第O層，每個變量采用初始樣本X的列向量表示，初始化和變量的下標(biāo)集δ={I，2，. . .，L}，初始化狄拉克基矩陣Btl為LX L的單位陣，計算矩陣X的協(xié)方差矩陣か和相關(guān)系數(shù)矩陣，計算公式如下
全文摘要
本發(fā)明公開一種多分辨率NMF和Treelet融合的遙感圖像變化檢測方法，針對從單一分辨率考慮圖像細(xì)節(jié)和平滑區(qū)域時常無法較好權(quán)衡的問題，使得圖像變化檢測既保留圖像的細(xì)節(jié)信息又保留平滑區(qū)域信息。實現(xiàn)過程是輸入兩時相圖像，直接差值法構(gòu)造差異圖像和進(jìn)行中值濾波；之后運(yùn)用NMF算法提取不同分辨率圖像；對濾波后差異圖像和不同分辨率圖像分別取閾值；用Treelet算法融合上述閾值后圖像；用區(qū)域生長法對融合后圖像分割，得到最終變化檢測結(jié)果。本發(fā)明解決了圖像的鄰域結(jié)構(gòu)易受到孤立噪聲點影響的問題，能夠保持圖像的細(xì)節(jié)信息與平滑區(qū)域信息，且能夠去除孤立噪聲，提高了變化檢測精度，可用于災(zāi)情監(jiān)測、土地利用、農(nóng)業(yè)調(diào)查等領(lǐng)域。
文檔編號G06T7/00GK102831598SQ20121024441
公開日2012年12月19日 申請日期2012年7月4日 優(yōu)先權(quán)日2012年7月4日
發(fā)明者王桂婷, 焦李成, 陸明媚, 鐘樺, 田小林, 侯彪, 王爽 申請人:西安電子科技大學(xué)