专利名称：基于Treelet和方向自适应滤波的遥感图像变化检测方法
技术领域：
本发明属于图像处理技术领域，更进ー步涉及一种基于Treelet和方向自适应滤波的遥感图像变化检测方法。该方法可应用于湖泊水位的动态监测、农作物生长状态的动态监测、城区规划、军事侦察等领域。
背景技术：
变化检测是通过分析同一地区不同时刻的多幅遥感图像，检测出该地区地物随时间发生变化的信息。随着遥感技术和信息技术的发展，多时相遥感图像变化检测已经成为当前遥感图像分析研究的ー个重要方向。在多时相遥感图像变化检测方法的研究中，常见的ー种变化检测方法是先比较后分类法。它的优点在于简单易行，没有先分类后比较法存在的分类误差累计问题，但仍存在 的不足是，该方法对分类阈值的选取十分敏感，如果分类阈值较大，会使变化检测结果存在较多漏检信息，如果分类阈值较小，会使变化检测结果存在较多虚警信息，降低变化检测精度。光学遥感图像变化检测中图像滤波的方法已较为常见，如均值滤波、中值滤波、维纳滤波、形态学滤波等。这些滤波处理在一定程度上平滑了同质区域的噪声，但仍存在的不足是，该滤波处理难以在去除同质区噪声的同时保持图像的边缘信息。西安电子科技大学在其专利申请“基于Treelets的遥感图像变化检测方法”(专利申请号201110001584. 0，公开号CN102063720A)中提出了一种基于Treelets滤波的遥感图像变化检测方法。该方法虽然能够降低辐射校正和光照不均对变化检测结果的影响，但仍存在的不足是，Treelets滤波使得变化检测结果存在较多漏检信息，不能较好的保持变化区域边缘信息，降低了变化检测精度。
发明内容
本发明针对上述现有技术存在的不足，提出了一种基于Treelet和方向自适应滤波的遥感图像变化检测方法。本发明能够较好的保持变化区域的边缘信息，減少了检测结果中的漏检信息，具有较高的变化检测精度。本发明实现上述目的的思路是在构造完差异图像后，首先对差异图像进行方向自适应滤波，其次利用Treelet对滤波后的两幅图像和差异图像进行融合，然后对融合后的图像进行自适应阈值分类，最后对分类图进行基于面积阈值的后处理，得到变化检测结果图。本发明的步骤包括如下(I)读入同一地区不同时刻获取的两幅相同大小的遥感图像。(2)构造差异图像将步骤(I)中的任意一幅遥感图像与另一幅遥感图像做減法运算，并将減法运算结果取绝对值，得到一幅差异图像。
(3)方向自适应滤波3a)在差异图像中任意选取ー个像素点，以该像素点为中心，以固定长度为边长，确定ー个正方形邻域图像块；3b)按照水平方向将正方形邻域图像块划分为2个方向模板，按照垂直方向将正方形邻域图像块划分为2个方向模板，按照对角方向将正方形邻域图像块划分为4个方向模板，按照原点位置将正方形邻域图像块划分为I个方向模板；3c)按照标准差计算公式计算9个方向模板的标准差，对9个方向模板的标准差值按照从小到大的顺序进行排列；3d)按照均值计算公式计算最小标准差值对应模板的灰度均值，将该值作为第一幅滤波图像在正方形邻域图像块中心处的灰度值；3e)按照均值计算公式计算次小标准差值对应模板的灰度均值，将该值作为第二幅滤波图像在正方形邻域图像块中心处的灰度值；3f)重复步骤3a)至步骤3e)，直至处理完差异图像中的全部像素点，得到一幅对应于最小标准差模板的滤波图像和一幅对应于次小标准差模板的滤波图像。(4)Treelet 融合4a)将差异图像的像素按照从左到右、从上到下的顺序进行排列，组成ー个列向量;4b)将对应于最小标准差模板的滤波图像的像素按照从左到右、从上到下的顺序进行排列，组成ー个列向量；4c)将对应于次小标准差模板的滤波图像的像素按照从左到右、从上到下的顺序进行排列，组成ー个列向量；4d)将步骤4a)、4b)和4c)中的列向量依次按照从左到右的顺序进行排列，组成ー个图像序列，对该图像序列进行Treelet变换，得到ー个基矩阵；4e)将图像序列向基矩阵投影，得到一幅融合图像。(5)自适应阈值分类5a)按照标准差计算公式计算融合图像的标准差；5b)按照均值计算公式计算融合图像的均值；5c)采用均值和标准差计算分类阈值；5d)采用分类阈值对融合图像进行分类，得到一幅分类图像，将像素灰度值为I的像素点作为变化信息，将像素灰度值为O的像素点作为非变化信息。(6)后处理6a)将分类图像中像素灰度值为I的像素点按照八连通方式进行连接，得到分类图像的八连通区域；6b)统计分类图像中八连通区域中像素灰度值为I的像素点个数；、
6c)判断八连通区域像素点个数是否大于面积阈值，若满足，则将八连通区域视为变化信息区域，否则视为非变化信息区域，将该区域内的像素灰度值赋值为O。本发明与现有技术相比具有以下优点第一，本发明利用方向自适应滤波进行图像滤波，克服了现有滤波技术难以在消除同质区噪声的同时保持图像细节信息的缺点，使得通过本发明获得的变化区域边缘信息保持较为完整。第二，本发明采用自适应阈值分类和后处理方法检测变化区域，克服了现有图像分类技术存在较多漏检信息的缺点，提高了变化检测精度。
图I为本发明的流程图；图2为本发明中方向自适应滤波的9个方向模板示意图； 图3为本发明的仿真效果图。
具体实施例方式下面结合附图I对本发明的步骤做进ー步的详细描述。步骤I,读入同一地区不同时刻获取的两幅相同大小的遥感图像。步骤2，构造差异图像。将步骤I中的任意一幅遥感图像与另一幅遥感图像做減法运算，并将减法运算结果取绝对值，得到一幅差异图像。步骤3，方向自适应滤波。选取正方形邻域图像块在差异图像中任意选取ー个像素点，其空间位置记为(m, η)，以该像素点为中心，以固定长度Nu为边长，确定ー个正方形邻域图像块，其中，本发明实施例中固定长度Nu为5个像素点。參照附图2，对正方形邻域图像块进行方向模板划分。附图2(a)和2 (b)为正方形邻域图像块按照水平方向划分的2个方向模板。附图2(c)和2(d)为正方形邻域图像块按照垂直方向划分的2个方向模板。附图2レ)、2び)、2&)和2(h)为正方形邻域图像块对角水平方向划分的4个方向模板。附图2(i)为正方形邻域图像块按照原点位置划分的I个方向模板。在正方形邻域图像块中，将对应于空间位置(m, n)、(m-l,n-2)、(m-l,n_l)、(m,n-2)、(m,n-l)、(m+l,n_2)和(m+l,n_l)的7个像素点划分为第I个方向模板，如附图2 (a)。将对应于空间位置(m, n)、(m-1, η+1)、(m_l, n+2)、(m, n+1)、(m, n+2)、(m+1, n+1)和(m+1,n+2)的7个像素点划分为第2个方向模板，如附图2(b)。将对应于空间位置(m，n)、(m-1,n-1)、(m-1, η)、(m-1, n+1)、(m-2, n-1)、(m-2, η)和(m-2, n+1)的 7 个像素点划分为第 3 个方向模板，如附图2 (c)。将对应于空间位置(m, n)、(m+1, n-1)、(m+1, η)、(m+1, n+1)、(m+2,n-1)、(m+2，n)和(m+2，n+l)的7个像素点划分为第4个方向模板，如附图2 (d)。将对应于空间位置(m, n)、(m, n-1)、(m-1, η)、(m-1, n-1)、(m-1, n-2)、(m-2, n-2)和(m-2, n-1)的 7个像素点划分为第5个方向模板，如附图2(e);将对应于空间位置(m，η)、(m, n+1)、(m-1,η)、(i_l,n+l)、(i_l,n+2)、(m-2,n+1)和(m-2,n+2)的7个像素点划分为第6个方向模板，如附图 2 (f)。将对应于空间位置(m, n)、(m, n-1)、(m+1, n-2)、(m+1, n-1)、(m+1, n)、(m+2,n-2)和(m+2，n-l)的7个像素点划分为第7个方向模板，如附图2 (g)。将对应于空间位置(m, n)、(m, n+1)、(m+1, η)、(m+1, η+1)、(m+1, n+2)、(m+2, n+1)和(m+2, n+2)的 7 个像素点划分为第8个方向模板，如附图2 (h)。将对应于空间位置(m，η)、(m-1, n-1)、(m-1, n)、(m-1, n+1)、(m+1, n-1)、(m+1, n)、(m+1, n+1)、(m, n-1)和(m, n+1)的 9 个像素点划分为第9个方向模板，如附图2(i)。
标准差排序按照标准差计算公式计算9个方向模板的标准差，对9个方向模板的标准差值按照从小到大的顺序进行排列，将排序后的标准差对应的方向模板记为BM1. BM2,BM3、BM4、BM5、BM6、BM7、BM8、BM9。最小标准差对应方向模板滤波按照下列均值计算公式计算最小标准差对应模板的灰度均值，将该值作为第一幅滤波图像在正方形邻域图像块中心处的灰度值ξ ι = mean (BM1)其中，ξ :为最小标准差对应方向模板的均值，mean为均值运算符,BM1为最小标准差对应的方向模板。次小标准差对应方向模板滤波按照下列均值计算公式计算次小标准差对应模板的灰度均值，并将该值作为第二幅滤波图像在正方形邻域图像块中心处的灰度值ξ 2 = mean (BM2)其中，ξ 2为次小标准差对应方向模板的均值，mean为均值运算符，BM2为次小标准差对应的方向模板。重复步骤选取正方形邻域图像块、对正方形邻域图像块进行方向模板划分、标准差排序、最小标准差对应模板滤波和次小标准差对应模板滤波，直至处理完差异图像中的全部像素点，得到一幅对应于最小标准差模板的滤波图像和一幅对应于次小标准差模板的滤波图像。步骤4, Treelet 融合。对差异图像的像素点按照从左到右、从上到下的顺序进行排列，组成ー个列向量S10对第一幅滤波图像中的像素点按照从左到右、从上到下的顺序进行排列，组成ー个列向量S2O对第二幅滤波图像中的像素点按照从左到右、从上到下的顺序进行排列，组成ー个列向量S3O对列向量Sp S2和S3依次按照从左到右的顺序进行排列，组成ー个图像序列X，对该图像序列进行Treelet变换，得到ー个基矩阵。在Treelet变换第I = O分解层，将图像序列X初始化为
权利要求
1.基于Treelet和方向自适应滤波的遥感图像变化检测方法，包括如下步骤 (1)读入同一地区不同时刻获取的两幅相同大小的遥感图像； (2)构造差异图像 将步骤(I)中的任意一幅遥感图像与另一幅遥感图像做減法运算，并将减法运算结果取绝对值，得到一幅差异图像； (3)方向自适应滤波 3a)在差异图像中任意选取ー个像素点，以该像素点为中心，以固定长度为边长，确定ー个正方形邻域图像块； 3b)按照水平方向将正方形邻域图像块划分为2个方向模板，按照垂直方向将正方形邻域图像块划分为2个方向模板，按照对角方向将正方形邻域图像块划分为4个方向模板，按照原点位置将正方形邻域图像块划分为I个方向模板； 3c)按照标准差计算公式计算9个方向模板的标准差，对9个方向模板的标准差值按照从小到大的顺序进行排列； 3d)按照均值计算公式计算最小标准差值对应模板的灰度均值，将该值作为第一幅滤波图像在正方形邻域图像块中心处的灰度值； 3e)按照均值计算公式计算次小标准差值对应模板的灰度均值，将该值作为第二幅滤波图像在正方形邻域图像块中心处的灰度值； 3f)重复步骤3a)至步骤3e)，直至处理完差异图像中的全部像素点，得到一幅对应于最小标准差模板的滤波图像和一幅对应于次小标准差模板的滤波图像；(4)Treelet 融合 4a)将差异图像的像素按照从左到右、从上到下的顺序进行排列，组成ー个列向量； 4b)将对应于最小标准差模板的滤波图像的像素按照从左到右、从上到下的顺序进行排列，组成ー个列向量； 4c)将对应于次小标准差模板的滤波图像的像素按照从左到右、从上到下的顺序进行排列，组成ー个列向量； 4d)将步骤4a)、4b)和4c)中的列向量依次按照从左到右的顺序进行排列，组成ー个图像序列，对该图像序列进行Treelet变换，得到ー个基矩阵； 4e)将图像序列向基矩阵投影，得到一幅融合图像； (5)自适应阈值分类 5a)按照标准差计算公式计算融合图像的标准差； 5b)按照均值计算公式计算融合图像的均值； 5c)采用均值和标准差计算分类阈值； 5d)采用分类阈值对融合图像进行分类，得到一幅分类图像，将像素灰度值为I的像素点作为变化信息，将像素灰度值为O的像素点作为非变化信息； (6)后处理 6a)将分类图像中像素灰度值为I的像素点按照八连通方式进行连接，得到分类图像的八连通区域； 6b)统计分类图像中八连通区域中像素灰度值为I的像素点个数； 6c)判断八连通区域像素点个数是否大于面积阈值，若满足，则将八连通区域视为变化信息区域，否则视为非变化信息区域，将该区域内的像素灰度值赋值为O。
2.根据权利要求I所述的基于Treelet和方向自适应滤波的遥感图像变化检测方法，其特征在于步骤3a)所述的固定长度为5个像素点。
3.根据权利要求I所述的基于Treelet和方向自适应滤波的遥感图像变化检测方法，其特征在于步骤5c)所述的分类阈值的计算公式如下
4.根据权利要求I所述的基于Treelet和方向自适应滤波的遥感图像变化检测方法，其特征在于步骤6c)所述的面积阈值为75个像素点。
全文摘要
本发明公开了一种基于Treelet和方向自适应滤波的遥感图像变化检测方法，其实现步骤为(1)读入数据；(2)构造差异图像；(3)方向自适应滤波；(4)Treelet融合；(5)自适应阈值分类；(6)后处理。本发明既可以较好的保持变化区域的边缘信息，又能够减少变化检测结果中的漏检信息，具有较高的变化检测精度，可应用于湖泊水位的动态监测、农作物生长状态的动态监测、城区规划、军事侦察等领域。
文档编号G06T7/00GK102663730SQ201210064059
公开日2012年9月12日 申请日期2012年3月12日 优先权日2012年3月12日
发明者万义萍, 侯彪, 公茂果, 张小华, 焦李成, 王桂婷, 王爽, 田小林, 钟桦 申请人:西安电子科技大学