专利名称：基于分水岭和treelet的遥感图像变化检测方法
技术领域：
本发明属于数字图像处理技术领域，具体的说是一种基于分水岭和treelet的遥感图像变化检测方法，适用于在农业、环境、城市规划对图像的处理。
背景技术：
遥感图像的变化检测是指对同一地理位置不同时期的遥感图像进行分析获得其中的变化信息，它是当前遥感数据处理技术的主要发展方向。对配准后的两幅遥感图像的变化检测方法一般是先获取差异图，然后对差异图进行变化与非变化分类。这种方法由于对原始数据直接进行差异比较，不会改变数据本身，信息较为可靠。将差异图分为变化类与非变化类的一种常见方法是阈值法，人们尝试了各种精确估计阈值的方法，多阈值结果融合方法、统计分布建模阈值方法、基于优化算法等的阈值方法等，但变化阈值的自动、精确地获取一直是一个瓶颈问题。将差异图分为变化类与非变化类的另一种方法是分割方法。其中基于聚类的分割方法由于特征的相似度、类内和类间距离的度量等问题，效果不是十分理想。为了提高变化检测的精确度，Bruzzone等学者在文章“Automatic Analysis of the Difference Image for Unsupervised Change Detection，，中提出了自适应选取图像阈值的方法，但仍会出现阈值算法难以分辨的噪声区域，从而影响变化检测的结果。 Guiting Wang等学者在文章"A new change detection method based on non-parametric density estimation and Markov random fields”中提出了基于马尔可夫场概率密度的变化检测分割方法，该方法是在随机统计样本的基础上获得总体数据的概率密度，需要大量的统计样本才能得到准确的结果，方法的正确性易受影响。
发明内容
本发明的目的在于克服上述已有遥感图像变化检测方法的不足，提出一种基于分水岭和treelet结合的遥感图像变化检测方法，以快速、准确的检测出连续的变化区域边缘，减少伪变化信息和运行时间，提高变化检测的准确度。为实现上述目的，本发明的检测方法包括如下步骤(1)对输入的两幅已配准的多时相遥感图像分别进行3X3像素的中值滤波，得到去噪后图像Tl和T2 ；(2)将去噪图像Tl和T2空间位置对应的像素灰度值进行差值计算，得到一幅差值差异图X;(3)对差值差异图X进行空间域到模糊域的变换，在模糊域修正隶属度后反变换回空间域，得到增强后的差异图像EX ；(4)采用标记分水岭算法将增强后的差异图像EX进行分割，得到L个区域的分水岭过分割图像Y，其中L为增强后的差异图像EX分水岭过分割后的区域数目，取值根据选取的图像确定，每一个标记区域记为lk(lk= 1，2，3，...，L)；
(5)在增强后的差异图像EX计算每一个区域Ik内的均值、方差、平滑度、三阶矩、 一致性和熵这六种纹理特征，组成特征列向量Hlk，并将所有L个区域的纹理特征向量Hlk合并，得到维数为6 X L的特征矩阵H，再计算特征矩阵H的协方差矩阵C和相关系数矩阵A ；(6)采用treelet算法将特征矩阵H进行合并，得到纹理特征向量的合并标记；(7)依据纹理特征向量合并标记Slk，对步骤(4)所得的过分割图像Y中的L个区域中相同类别的区域进行合并，得到变化和非变化两分类图Bn ；(8)统计两分类图Bn的邻域像素信息，利用最大后验概率的变权高斯马尔科夫模型得到变化区域边缘细化的检测结果图像4；(9)以变化检测结果图像 参考图，在图 中利用区域连通性保留 和Bn两幅图像中的相同区域，去除仅在 图中存在的噪声杂点，得到最终的变化检测结果图Z。本发明与现有的技术相比具有以下优点(1)本发明由于通过两个主要步骤来实现遥感图像变化检测的，即先对初始差异图像进行标记分水岭分割，再利用treelet算法获得标记区域特征有效聚类后对应的变化检测二值图，因而可在保证检测效果的同时有效减少运行时间，并通过聚类的方法降低分类错误数。(2)本发明由于对获得的初始差异图像进行了模糊增强，实现变化信息的分散，且增强后的差异图能大幅减少分水岭变换的过分割图像标记数，继而减少后续treelet算法
的运算量。(3)本发明使用treelet算法对初始过分割标记图各区域的纹理特征进行聚类合并，该方法根据特征数据的相似性最大化实现，具有更强的抗噪性能。(4)本方法对变化检测的结果使用马尔可夫模型进行后处理，得到边缘细化的后处理检测结果图，并通过初始检测结果图和后处理检测结果图的连通区域合并，删除多余噪声区域，得到更加有效的检测结果。
图1是本发明的实现流程图；图2是本发明使用的两时相遥感图像及其变化检测参考图；图3是用本发明进行标记分水岭分割后的过分割图像；图4是用本发明进行treelet合并区域后的二值图像；图5是用本发明对模拟遥感图像实验的变化检测结果图；图6是用本发明对真实遥感图像实验的变化检测结果图。
具体实施例方式参照图1，本发明的实施如下步骤1，对输入的如图2(al)和图2(a2)所示的两幅不同时相的已配准遥感图像， 分别进行窗口大小为3X3像素的中值滤波，得到两幅滤波去噪后的图像Tl和T2。步骤2， 将去噪后的图像Tl和T2在空间位置为(m，n)的像素点灰度值和7；2 做差..“=\ \， 其中m=l，2，…，M，n=l，2，…，N，得到一幅差值差异图X。步骤3，对差异图X进行模糊增强，得到增强后的差异图EX。
(3a)采用G变换将差异图X从空间域变换到模糊域
权利要求
1.一种基于分水岭和treelet的遥感图像变化检测方法，包括如下步骤(1)对输入的两幅已配准的多时相遥感图像分别进行3X3像素的中值滤波，得到去噪后图像Tl和T2 ；(2)将去噪图像Tl和T2空间位置对应的像素灰度值进行差值计算，得到一幅差值差异图X;(3)对差值差异图X进行空间域到模糊域的变换，在模糊域修正隶属度后反变换回空间域，得到增强后的差异图像EX ；(4)采用标记分水岭算法将增强后的差异图像EX进行分割，得到L个区域的分水岭过分割图像Y，其中L为增强后的差异图像EX分水岭过分割后的区域数目，取值根据选取的图像确定，每一个标记区域记为lk(lk= 1,2,3,... ,L)；(5)在增强后的差异图像EX计算每一个区域Ik内的均值、方差、平滑度、三阶矩、一致性和熵这六种纹理特征，组成特征列向量Hlk，并将所有L个区域的纹理特征向量Hlk合并， 得到维数为6XL的特征矩阵H，再计算特征矩阵H的协方差矩阵C和相关系数矩阵A ；(6)采用treelet算法将特征矩阵H进行合并，得到纹理特征向量的合并标记^t；(7)依据纹理特征向量合并标记Slk，对步骤(4)所得的过分割图像Y中的L个区域中相同类别的区域进行合并，得到变化和非变化两分类图Bn ；(8)统计两分类图Bn的邻域像素信息，利用最大后验概率的变权高斯马尔科夫模型得到变化区域边缘细化的检测结果图像 ；(9)以变化检测结果图像 参考图，在图 中利用区域连通性保留 和Bn两幅图像中的相同区域，去除仅在 图中存在的噪声杂点，得到最终的变化检测结果图Z。
2.根据权利要求1所述的遥感图像变化检测方法，其中步骤(6)所述采用treelet算法将特征矩阵H进行合并，按如下步骤进行(6a)定义聚类的层数1 = 0，1，···， -2，当1 = 0时，初始化和变量为S = H，差变量 D 为空集，并将和变量的集合Ω用下标集表示为Ω = {1，2，...，L}，将差变量集合Φ作为空集，将正交Dirac基Βω = [Φ0,ι; Φ0,2'Φο, 作为LXL维单位矩阵；(6b)当1兴0时，寻找相关系数矩阵A中最大的两个值，将最大值和次大值的对应位置序号分别记为α和β
3.根据权利要求1所述的遥感图像变化检测方法，其中步骤(7)涉及的对过分割图像 Y中的L个区域中相同类别的区域进行合并，得到变化和非变化两分类图Bn 是先根据过分割图像Y中的任意区域Ik对应的类别标记Slk，将Y中具有相同标记值的区域进行合并，得到一幅两分类图像；再分别统计该两分类图像中各自类别的像素数目，将数目较多的一类标记为0，即确定为非变化类，将数目较少的另一类标记为1，即确定为变化类，最终得到变化和非变化两分类图Bn。
全文摘要
本发明公开了一种基于分水岭和treelet的遥感图像变化检测方法，它属于图像处理技术领域。其实现过程是输入两幅不同时相的遥感图像，并对每幅图像去噪，得到两时相的去噪后图像，并构造差值差异图像；应用分水岭算法得到差异图像的初始过分割标记图，并采用treelet算法对过分割标记区域的纹理特征进行合并，聚类得到变化类和非变化类的二值图像，利用变权马尔科夫随机场模型对二值图像进行空间约束得到后处理的边缘一致性图像，合并聚类二值图和边缘一致性图的连通区域，得到最终的变化检测结果。本发明能够有效地提高变化检测处理效率，保持图像的边缘信息，可用于灾情监测和土地利用对图像变化的检测。
文档编号G06T5/00GK102169584SQ20111014099
公开日2011年8月31日 申请日期2011年5月28日 优先权日2011年5月28日
发明者侯彪, 张小华, 曹娟, 焦李成, 王桂婷, 王爽, 田小林, 钟桦 申请人:西安电子科技大学