本发明属于图像处理技术领域,涉及图像变化检测,可用于对sar图像进行地物状态变化监测与评估。
背景技术:
sar图像变化检测旨在识别在不同时间拍摄的同一场景sar图像间的变化信息,是遥感解释领域的重要分支。sar图像变化检测已在灾害管理、城市规划,土地覆盖监测、人造目标检测等领域得到了广泛的应用。随着分辨率的提高,高分辨率sar图像中出现了复杂的空间结构信息,复杂的局部和全局空间结构信息的有效利用给变化检测技术的发展带来了挑战。
sar图像变化检测技术一般通过监督和无监督的方式实现。无监督方法不需要图像先验信息,如统计建模法、马尔可夫随机场模型和聚类法。监督学习方法通过利用标记样本的先验信息来获得对变化区域的更为详尽的描述。核方法是一种优秀的监督sar图像变化检测方法,如学者camps-valls提出的基于比值核的sar图像变化检测方法,该比值核函数在核空间中利用图像灰度特征描述了全局变化信息。核函数的灵活设计为核方法提供了强大的支撑,目前核函数主要利用图像灰色,纹理,上下文和形态特征进行构造,然而高分辨率sar图像中含有丰富的空间结构特征,因此,利用图像空间结构特征构造核函数,是实现高分辨率sar图像变化检测的重要思路。图理论是提取和利用图像空间结构特征的有效工具。2016年,pham提出了一种基于局部图模型的sar图像变化检测方法,通过计算局部空间结构特征之间的相似性度量图像变化信息,但是该方法仅使用局部结构特征来描述变化信息,忽略了图像的全局空间结构特征,且采用的门限分类器也限制了其变化检测性能,因此设计能能够充分捕获图像局部全局空间结构特征的图模型,并将其与核方法结合,设计具有高非线性分类能力的图核函数,是实现高分辨率sar图像有效变化检测的重要手段。
技术实现要素:
本发明的目的在于针对上述已有问题的缺点,提出了一种时空图核函数的高分辨率sar图像变化检测方法,以解决现有比值核方法不能充分挖掘并利用图像空间结构特征而导致检测精度低下的问题。
为实现上述目的,本发明的实现步骤包括如下:
a1)对原始两时刻sar图像{x(t),t=t0,t1},构造两时刻局部稀疏图模型
a2)对两时刻局部稀疏图模型
a3)对两时刻局部稀疏图模型
a4)对两时刻全局图模型{gg(t)|t=t0,t1},构造空时图核函数
a5)将空时图核函数
本发明具有如下优点:
(1)本发明由于构造了局部稀疏图模型和全局图模型,充分挖掘了图像的局部全局空间结构特征,因此对高分辨率sar图像描述更全面,更适合高分辨sar图像变化检测。
(2)本发明由于构造了空时图核函数,在高维空间中实现了两时相图像间空间结构信息的相似性度量,可以获得更好的非线性分类结果,因此,本方法可以获得更准确、更精细的变化检测结果。
仿真结果表明,本发明与现有的比值核方法相比,具有更高的检测精度和更强的变化区域细节保持能力。
附图说明
图1是本发明的实现流程图;
图2是本发明应用于两时相安徽省淮河流域区域a高分-3sar图像的变化检测结果图;
图3是本发明应用于两时相安徽省淮河流域区域b高分-3sar图像的变化检测结果图;
图4是本发明应用于两时相安徽省淮河流域区域c高分-3sar图像的变化检测结果图;
具体实施方式
参照图1,本发明的具体实施包括如下步骤:
步骤1.构造两时刻局部稀疏图模型。
(1)对原始两时刻sar图像{x(t)|t=t0,t1},对任意像素点提取其两时刻局部邻域结点集合
其中,xi为第i个像素点,
(2)对任意像素点的两时刻局部邻域结点集合
其中,
步骤2.构造两时刻全局图模型。
(1)利用两时刻局部稀疏图模型
其中,
(2)对两时刻全局图结点集合{vg(t),t=t0,t1}和全局图边集合{eg(t),t=t0,t1},构造两时刻全局图模型{gg(t)|t=t0,t1}:
gg(t)={vg(t),eg(t)},t=t0,t1。
步骤3.构造两时刻空间核函数。
对于两时刻局部稀疏图模型
其中,
步骤4.构造空时图核函数。
(1)利用两时刻空间核函数
其中,
(2)利用两时刻图核函数
其中,kst(xi,xj)为像素点xi和xj构成的空时图核函数,λ为手工选取的参数,如果i=j,则δij=1,如果i≠j,则δij=0。
步骤5.将空时图核函数输入支撑矢量机中,得到最终的变化检测结果。
本发明效果可以通过以下实验进一步证实:
1)实验条件
实验仿真环境为:matlabr2009b,intel(r)i7cpu2.7ghz,window10旗舰版。
2)实验内容
实验1、分别应用比值核方法和本发明对安徽省淮河流域两时相高分-3sar图像区域a进行变化检测,该实验结果如图2所示。其中图2(a)是实测淮河流域区域a的第一时刻高分-3sar图像,图2(b)是实测淮河流域区域a的第二时刻高分-3sar图像,图2(c)是变化检测结果参考图,图2(d)是比值核的变化检测结果,图2(e)是本发明的变化检测结果。
实验2、分别应用比值核方法和本发明对安徽省淮河流域两时相高分-3sar图像区域b进行变化检测,该实验结果如图3所示。其中图3(a)是实测淮河流域区域b的第一时刻高分-3sar图像,图3(b)是实测淮河流域区域b的第二时刻高分-3sar图像,图3(c)是变化检测结果参考图,图3(d)是比值核的变化检测结果,图3(e)是本发明的变化检测结果。
实验3、分别应用比值核方法和本发明对安徽省淮河流域两时相高分-3sar图像区域c进行变化检测,该实验结果如图4所示。其中图4(a)是实测淮河流域区域c的第一时刻高分-3sar图像,图4(b)是实测淮河流域区域c的第二时刻高分-3sar图像,图4(c)是变化检测结果参考图,图4(d)是比值核的变化检测结果,图4(e)是本发明的变化检测结果。
3)实验结果
为验证变化检测结果质量,本发明选取总体精度、kappa系数作为性能指标参数,评价本发明检测精度,该实验结果如表1所示。
表1.本发明方法与比值核方法变化检测结果精度比较
4)实验结果分析
从图2、图3、图4和表1可以看到,本发明在检测精度和细节保持上均优于比值核方法。这是因为本发明通过构造局部稀疏图模型和全局图模型充分挖掘了图像的局部全局空间结构信息,且空时图核函数的设计提升了对非线性分布数据的描述,因此本发明方法的变化检测精度明显高于比值核方法。