专利名称：基于主成份广义逆变换的图像变化检测方法
技术领域：
本发明涉及的是一种图像处理技术领域的方法，具体是一种基于主成份广义逆变 换的图像变化检测方法。
背景技术：
随着航天技术、传感器技术、计算机技术及相关科学的迅速发展，遥感技术在社会 生活和经济建设中发挥越来越重要的作用。变化检测是从同一地域不同时期的遥感图像数 据中定量分析和确定地表变化的过程。在更新地理数据、评估灾害、预测灾害发展趋势、土 地覆盖/利用检测、新一代智能型对地观测卫星等方面有着广泛的应用前景。通常情况下，变化检测是对未知目标区域进行的，而且由于遥感图像自身的一些 特点，如信息与噪声的共生性、方位不一致和光照不均勻等，使得图像数据带有一定的模糊 性和不确定性。因此在有噪声或者图像质量差的情况下准确的检测出图像中的变化区域是 一项长期而重要的任务。经过近几十年的发展，遥感图像变化检测方法一直处于不断改进和发展中，很多 学者在这方面做了大量的研究。根据算法的实现途径不同，大致可以分为三大类(1)基于 光谱像元进行简单代数运算的方法。这类方法简单，主要问题是如何确定阈值来分割变化 目标。Paul L. Rosin 于 1998 年在 Sixth International Conference on Computer Vision 上发表论文^Thresholding for change detection (变化检测中阈值的确定)。主要工作是 针对基于图像做差分检测方法中阈值的确定，论文中对噪声和信息分别建模，提出了四种 选择阈值来有效提取变化区域的方法。( 基于图像分类的方法。Civco等于2002年发表 论文 A Comparison of Land Useand Land Cover Change Detection Methods (土地使用 和土地覆盖变化检测方法的比较)。文章中对每个时相的遥感影像进行校正和分类，使用 变化检测矩阵，对两幅分类图进行逐像元比较来获取具体的变化类型。该方法要求分类尽 可能准确，分类误差影响最终检查误差。( 基于多变量分析的数据变换的方法。Guiting Wang 等于 2009 年在 2nd Asian-Pacific Conference on Synthetic Aperture Radar 上发 表论文 Change detection in SAR image based on multiscale product and PCA(基于 多尺度和主成份分析变化检测在SAR图像中的应用)。论文中首先对图像进行多尺度小波 变换，然后为了增强变化信息和减少噪声的干扰，通过主成份变换的方法合并多尺度处理 后的结果。目前这些变化检测方法一般是针对具体的应用提出的，并没有一种通用的变化 检测方法能应用于所有的场合。
发明内容
本发明针对现有技术存在的上述不足，提供一种基于主成份广义逆变换的图像变 化检测方法，在主成份广义逆变换后的特征空间里对图像进行差分检测，有效的抑制了噪 声，降低了图像模糊扭曲等对检测精度下降的影响，提高了检测精度。本发明是通过以下技术方案实现的，本发明通过对待检测图像重新组织数据后进
3行两个特征空间中的变换，并在变换后的特征空间里进行更新波段差分处理以获取变化成 分，再通过自动阈值确定方法来提取变化区域，实现图像变化检测。所述的重新组织数据是指将原始图像的波段数据按照行的方式转化为列向量Vk (t) [n] = (i-1) Xlength+j，然后将1个列向量组织成矩阵M，并求出其转置矩 阵 Μτ。M= [V1(U)^2(U), -,V1(tl),V1(t2),V2(t2), ...,vHt〗)]，其中待检测图像分 别为#(山,4((2),丨，j，k分别代表图像的行、列和波段数，波段总数为1，width和length 分别为图像的宽度像素数和长度像素数，单位为自然常数，t e {tl，t2}，i e {1,2,…，
width}, j e {1,2,…，length}，ke {1,2, ...，1}。所述的矩阵M的物理意义为k维空间里的widthX length个点，Mt为 widthX length维空间里的k个点。所述的两个特征空间中的变换是指PCA(Principal component analysis主成份 分析)变换和PCA广义逆变换，其中 PCA变换是指对转置矩阵Mt进行PCA变换，在widthX length维空间里通过对Mt 协方差矩阵进行对角化找到前m个主成份，1，通过变换后得到特征空间矩阵P，将原始 空间中组织后的数据Mt映射到主成份特征空间中，得到新的数据DATApffl, DATApca = Mt · P， 其中P为主成分变换后得到的特征空间矩阵。PCA广义逆变换是指通过广义逆矩阵Q，将正特征空间里的数据，映射到广义逆 特征空间中，得到新空间中的数据DATAap。，DATAapc = DATApca · Q，其中Q为广义逆矩阵。所述的更新波段差分处理是指对于波段总数大于1时，直接选择最大的特征值 对应的波段求差值向量或将多波段合成后求差值向量，然后再将差值向量还原到图像。如 DIFF = DATA(1, )-DATA (2, ), DIFFimage = DIFF (j+(i_l) X length)，其中DATA(1，), DATA (2，)分别为变化前后的最大特征值对应波段向量，DIFF为差值向量，DIFFimage为差值 向量转化后的差值图像。所述的提取变化区域是指采用基于OTSU(最大类间方差法)的自动阈值方法得 到的阈值加上一定的偏移来分离变化区域和非变化区域，具体是指通过基于OTSU的阈值 分割方法，得到待分割图像的阈值threshold，然后采用thresh0ld+thresh0ld*5%将图像 二值化得到变化区域和非变化区域。本发明选择主成份逆变换后的空间进行差分检测，主要解决受噪声干扰，图像模 糊扭曲等因素的引起检测精度低的问题。传统基于像元简单做差分的变化检测方法，受噪 声的干扰比较大。基于PCA变换的变换检测方法将原始数据变换到特征空间，降低了对噪 声干扰的影响，突出了变化区域的信息，具有较好的检测性能。本发明相对于上述两种变化 检测方法具有更优的性能，在图像受噪声干扰、图像模糊、图像变形扭曲、图像低分辨率等 方面具有更高的检测精度。
图1待检测图像；图中(a)为变化前图像(b)为配准后图像(C)为变化后图像。图2经过多种干扰处理后的图像；图中(a)为高斯噪声处理(b)为窗口大小9女9高斯模糊处理(c)为窗口大小13 * 13高斯模糊处理(d)为6像素采样处理(e) 10像素采样处理。图3三种检测方法检测的结果图；图中(al) (bl) (cl) (dl) (el)依次为高斯噪声处理、窗口大小9 ★ 9高斯模糊处 理、窗口大小13 ★ 13高斯模糊处理、6像素采样处理、10像素采样处理下像元差分方法检 测结果图(a2) (b2) (c2) (d2) (e2)依次为高斯噪声处理、窗口大小9 * 9高斯模糊处理、窗 口大小13 ★ 13高斯模糊处理、6像素采样处理、10像素采样处理下基于PCA变换方法检测 结果图(a3) (b3) (c3) (d3) (e3)依次为高斯噪声处理、窗口大小9女9高斯模糊处理、窗口 大小13女13高斯模糊处理、6像素采样处理、10像素采样处理下本发明方法检测结果图。图4三种检测方法检测性能比较图。
具体实施例方式下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行 实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施 例。本实施例包括以下步骤第一步，图像数据的重新组织。图像是两期航空拍摄的机场影像，影像大小为410 女四4，如图1所示，其中图1 (a)是变化前图像，图1 (b)是经过配准后的图像，图1 (c)是变 化后的图像(人工处理过)。为了测试模型对噪声等的鲁棒性，对变化前图像进行手动加 工合成一组图像，如图2所示，其中图2(a)是加入高斯噪声处理后的图像、图2(b)是经过 窗口大小9 * 9高斯模糊处理后的图像、图2(c)是经过窗口大小13女13高斯模糊处理后 的图像、图2(d)是经过6像素采样处理后的图像、图2(e)是经过10像素采样处理后的图 像。一共5组实验。对每组实验中的变化前和变化后的图像分别转化为120540维的列向 量。然后把每组实验中的这两个列向量组织为一个大小为120540 ^ 2的矩阵，表示120540 维空间里的2个点。第二步，进行PCA变换和PCA广义逆变换。对第一步中得到的120540女2矩阵进 行PCA变换，选择最大特征值对应的向量数据进行PCA广义逆变换，得到逆特征空间下的两 个列向量数据。第三步，求取差值图像。将逆特征空间下得到的两个列向量进行差值求的差值向 量，然后再将差值向量还原成一幅图像，即所得到差值图像。第四步，分离变化区域。对第三步中得到的差值图像，采用基于OTSU的阈值分割 方法，得到待分割图像的初始阈值，然将该初始阈值加上初始阈值的5%作为最终阈值，利 用该阈值将图像二值化得到变化区域和非变化区域。采样三种变化检测方法进行这五个实验，它们分别是像元差分检测方法、基于PCA 变换的检测方法以及本发明的方法。每一个实验得到3个检测结果，如图3所示。图中(al) (bl) (cl) (dl) (el)依次为高斯噪声处理、窗口大小9 * 9高斯模糊处理、窗口大小13 13 高斯模糊处理、6像素采样处理、10像素采样处理下像元差分方法检测结果图。(U) (b2) (c2) (d2) (e2)依次为高斯噪声处理、窗口大小9女9高斯模糊处理、窗口大小13 * 13高 斯模糊处理、6像素采样处理、10像素采样处理下基于PCA变换方法检测结果图。(U) (b3) (c3) (d3) (e3)依次为高斯噪声处理、窗口大小9 * 9高斯模糊处理、窗口大小13女13高斯模糊处理、6像素采样处理、10像素采样处理下本发明方法检测结果图。从三个方面对变化检测的结果进行评价(1)误检面积实际为无变化区域，检测 为变化区域；( 漏检面积实际为变化区域，检测为无变化区域；C3)总错误面积误检面 积加上漏检面积。上述面积用像素的个数表示，单位为自然常数。对五个实验的变化检测 结果图像进行统计得到如表1。表1三种变化检测方法的检测结果比较
权利要求
1.一种基于主成份广义逆变换的图像变化检测方法，其特征在于，通过对待检测图像 重新组织数据后进行两个特征空间中的变换，并在变换后的特征空间里进行更新波段差分 处理以获取变化成分，再通过自动阈值确定方法来提取变化区域，实现图像变化检测。
2.根据权利要求1所述的基于主成份广义逆变换的图像变化检测方法，其特征是，所 述的重新组织数据是指将原始图像的波段数据按照行的方式转化为列向量Vk (t) [n] = (i-l)Xlength+j，然后将1个列向量组织成矩阵Μ，并求出其转置矩阵Μτ， M= [V1(U), V2(tl)，···, V1Ul), V1(t2), V2(t2),…，V1 (t2)]，其中待检测图像分别为 /^1),/^2) , i，j，k分别代表图像的行、列和波段数，波段总数为1，width和length分别为 图像的宽度像素数和长度像素数，单位为自然常数，t e {tl，t2}，i e {1,2,…，width}， j e {1,2,…，length}，k e {1，2，...，1}。
3.根据权利要求1所述的基于主成份广义逆变换的图像变化检测方法，其特征是，所 述的两个特征空间中的变换是指PCA变换和PCA广义逆变换，其中PCA变换是指对转置矩阵Mt进行PCA变换，在widthX length维空间里通过对Mt协 方差矩阵进行对角化找到前m个主成份，1，通过变换后得到特征空间矩阵P，将原始空 间中组织后的数据Mt映射到主成份特征空间中，得到新的数据DATApffl, DATApca = Mt · P，其 中P为主成分变换后得到的特征空间矩阵；PCA广义逆变换是指通过广义逆矩阵Q，将正特征空间里的数据，映射到广义逆特征 空间中，得到新空间中的数据DATAAeP，DATAacp = DATApca · Q，其中Q为广义逆矩阵。
4.根据权利要求1所述的基于主成份广义逆变换的图像变化检测方法，其特征是， 所述的更新波段差分处理是指对于波段总数大于1时，直接选择最大的特征值对应的波 段求差值向量或将多波段合成后求差值向量，然后再将差值向量还原到图像。如DIFF = DATA(1, )-DATA(2, ) ,DIFFimage = DIFF(j+(i_l) X length)，其中=DATA(1, ) ,DATA(2,) 分别为变化前后的最大特征值对应波段向量，DIFF为差值向量，DIFFimage为差值向量转化后 的差值图像。
5.根据权利要求1所述的基于主成份广义逆变换的图像变化检测方法，其特征是，所 述的提取变化区域是指采用基于OTSU自动阈值方法得到的阈值加上一定的偏移来分离 变化区域和非变化区域。
全文摘要
一种图像处理技术领域的基于主成份广义逆变换的图像变化检测方法，通过对待检测图像重新组织数据后进行两个特征空间中的变换，并在变换后的特征空间里进行更新波段差分处理以获取变化成分，再通过自动阈值确定方法来提取变化区域，实现图像变化检测。本发明在主成份广义逆变换后的特征空间里对图像进行差分检测，有效的抑制了噪声，降低了图像模糊扭曲等对检测精度下降的影响，提高了检测精度。
文档编号G06T7/00GK102063722SQ20111000971
公开日2011年5月18日 申请日期2011年1月18日 优先权日2011年1月18日
发明者杨杰, 胡军辉 申请人:上海交通大学