专利名称：多分辨率NMF和Treelet融合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，涉及遥感图像变化检测，主要涉及多分辨率非负矩阵分解(Non-negative Matrix Factorization, NMF)和Treelet融合的遥感图像变化检测，具体是ー种多分辨率NMF和Treelet融合的遥感图像变化检测方法。用于对遥感图像变化区域的检测。
背景技术：
遥感图像变化检测通过分析同一地区不同时相的遥感图像间光谱特征差异或空间结构特征的差异，从而得到地物的动态发展变化信息。遥感图像的变化检测已经得到了广泛的应用，如土地、森林、草场等的资源监测，农作物估产及病虫害监测，地图数据的校正更新，土地利用和覆盖变化的监测，海洋、湖泊水资源变化的监测，海岸线变化、湿地变化、 城区变化等的监测以及地震、海嘯、火灾等突发事件的评估；另外，军事目标动态侦查、战场动态情报获取、军事部署情况监测等。随着变化检测应用的发展，变化检测方法也成为重要的研究内容。不要求地面真实数据和额外分类信息的无监瞀的变化检测方法是目前变化检测方法研究的热点。一般的无监瞀变化检测方法是对输入图像所构造的差异图像进行分析，以判断出二分类的变化和非变化区域。然而传统的基于马尔科夫随机场(Markov RandomFields, MRF)的方法在考虑图像的邻域结构或纹理信息时易受到孤立噪声点的影响，从单一分辨率角度考虑图像的细节和平滑区域的权衡的方法常无法较好的既保留图像的细节信息又保留平滑区域信息，导致最終的变化检测结果不够准确。为了提高变化检测的精度，研究人员提出了许多方法。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聚类的变换检测方法，该方法提取数据特征时结合了像素的邻域信息，操作简单方便，但是PCA方法对于非线性相关的数据分类结果却不是很理想，且采用PCA方法提取特征数据时，对数据的邻域信息考虑有限，只在固定的邻域块内进行结构纹理分析。没有从多分辨率数据融合的角度对数据进行分析，没有考虑好图像的细节信息和平滑区域的信息和噪声的影响给变化检测带来错误的结果，从而影响了变化检测的准确性。黄世奇等在文章“基于小波变换的多时相SAR图像变化检测技术，测绘学报，2010，39⑵180-186”中提出了ー种基于图像多分辨率分解的可靠尺度融合的遥感图像变化检测方法。该方法对差异图像采用2维离散平稳小波分解，通过判定局部变化系数和全局变化系数的关系确定可靠尺度，并对可靠尺度进行加入权重的特征级融合，对融合后的图像采用EM双阈值得到变化检测結果。该方法的优点在于选择可靠尺度达到了去除噪声和保留细节的均衡，同时能够获得发生变化和未发生变化的像素区域，还可以区分发生变化的类型，如变化区域增强类和变化减弱类。但是由于平稳小波对图像具有平滑作用，分解的层数越高，平滑效应越大，造成一定程度上扩散了变化区域的面积，使得检测结果中虚警较高。同时特征级融合时只采用图像的低频信息，造成变化区域的边缘保持不理想。此外，对特征融合后的图像采用EM双阈值进行分割，造成伪变化信息过多，虚警较高。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”中提出了一种基于非下米样contourlet变换的变化检测方法。该方法对差异图采用非下采样contourlet变换分解得到低频子带和高频的方向子帯，对高频方向子带采用尺度内和尺度间的方法进行融合，以此增强图像的细节信息，同时选出较优的低频子带，将该低频子带加上一定权重值的融合后的方向信息得到细节信息增强的差异图像，接着对差异图像采用PCA构造特征矢量空 间，对该特征矢量空间采用基于PCA指导的K-means进行聚类得到变化检测結果。该方法采用尺度内和尺度间融合的方法增强了图像的细节信息，对于变化区域较为明显的图像能够检测出较好的结果，但对于变化区域不明显的图像，变化检测的精度大大降低。综上所述，上述现有的方法均不能既处理好非线性相关的数据，又同时保持图像的细节信息和平滑区域的信息，且易受噪声影响，造成漏检或者虚警过多，降低变化检测性倉^:。本发明的发明人就本主题对国内外的专利文献和公开发表的期刊论文捜索，尚未发现与本发明完全相同的文献及报道。
发明内容
本发明的目的在于克服上述已有技术的不足，提出了ー种多分辨率NMF和Treelet融合的遥感图像变化检测方法。本方法利用了 NMF是非线性维数约减方法，能够处理非线性相关的数据，且本方法中多分辨分析既能保留图像的细节信息又能保留图像平滑区域信息的特点，受噪声影响较小，可提高后续的变化检测的性能。本发明是ー种多分辨率NMF和Treelet融合的遥感图像变化检测方法，其特征在于包括有如下步骤(I)取同一地区在不同时间获取的已配准的两幅大小均为PXQ的遥感图像，将该两图像对应空间位置像素的灰度值相减取绝对值，得到一幅差异图像，对此差异图像进行大小为mXm像素的中值滤波，其中，m的取值范围为3、5、7、9，在该步骤中包含了两部分内容，首先是对输入的两幅图像构造差异图，然后对差异图进行中值滤波。(2)对滤波后的差异图像运用NMF算法提取五幅不同分辨率图像^ (r =1,2....,5)；2a)将滤波后的差异图像Xd分成大小均为hXh且不重叠的正方形图像块E，将每个小块E转成h2X I的列向量Ch，所有块的列向量合并构成矩阵Vh，其中，图像块尺寸h取2 10中的所有偶数值；2b)对矩阵Vh采用NMF进行分解，得到NMF基矩阵Wh和系数矩阵Hh ；2c)对滤波后的差异图像Xd边界进行扩展得到边界扩展图像D，即将差异图像Xd的首列向左扩展W列，末列向右扩展W列，对列扩展完成后的图像再进行首行向上扩展W行，末行向下扩展W行，即可得到边界扩展后的差异图像D。其中，w=U/2」，L」为向下取整符号;2d)逐个选择图像D中的非边界扩展像素——即D中对应的差异图像Xd的每个像素点，作为中心像素点，以此为中心，也取大小为hXh的邻域块，将每个hXh邻域块转化成h2Xl的列向量，这些列向量合并构成了矩阵Vvh，将矩阵Vvh在NMF的相应的基Wh上进行投影，得到特征数据集Fdh，将特征数据集Fdh转化成PXQ的图像大小，可得特征图像Fh ；2e)重复步骤(2a)至步骤(2d)直到图像块尺寸h依次取遍2，4，6，8，10，可得到五幅不同分辨率的图像FJr = 1，2. . . .，5)，其中r是图像的标号。(3)估计滤波后的差异图像Xd的噪声标准差，对Xd取阈值K = Ka^，得到图像Y，估计五幅不同分辨率图像(r = 1,2, ...，5)的噪声标准差，对Fr(r = 1,2,...,5)取阈值K =Kびf,，得到图像YJr = 1,2, ...，5)，其中K为常数，K的取值为2，在该步骤中包含了两部分内容，一部分内容是对滤波后的差异图像取阈值，另一部分内容是对五幅 不同分辨率图像取阈值，该步骤的目的是为了抑制图像的背景噪声的影响。(4)用Treelet算法对阈值后的差异图像Y和阈值后的五幅不同分辨率图像Yr进行融合，得到一幅融合后的图像A，该步骤包含三部分内容，首先将阈值后的差异图像Y和阈值后的五幅不同分辨率图像\构成初始样本，然后对初始样本进行逐层聚类，直至最高层，得到最終的狄拉克基矩阵B，最后将初始样本与在狄拉克基矩阵B转置的方向进行投影，将投影得到的数据集转化为PXQ的图像大小，得到融合后的图像A。(5)采用区域生长算法对融合后的图像A进行分割，得到最終的变化检测結果。本发明将直接差值法构造的差异图像运用NMF算法在不同分辨率下提取特征图像，将差异图像和不同分辨率的特征图像取阈值，以此抑制背景噪声影响，然后运用Treelet算法将阈值后的差异图像和不同分辨率的特征图像进行融合，采用区域生长算法对融合后的图像进行分割，得到的ニ值图像为最終結果，即变化检测結果。本发明采用的NMF方法能够较好地处理非线性相关的数据，同时沿用多分辨分析的方法既能够保留图像的细节信息又能保留图像的平滑区域的信息的特点，且采用的Treelet融合方法能够既保留图像的强变化区域的信息又能保留图像的弱变化区域的信息，综合利用了这些方法的优势，扬长避短，提高了变化检测的准确性。本发明的实现还在干步骤2b)中对矩阵Vh采用NMF进行分解的过程是2bl)随机初始化Wh和Hh，设置最大迭代次数e和停止精度ε，最大迭代次数e的取值范围为50 1000，停止精度ε的取值范围为10_4 10_6 ；2b2)在Wh和Hh均为非负矩阵的约束下，极小化目标函数I IVh-WhHhI |2，对矩阵Hh进行更新，
权利要求
1.ー种多分辨率NMF和Treelet融合的遥感图像变化检测方法，其特征在于包括有如下步骤 (1)取同一地区在不同时间获取的已配准的两幅大小均为PXQ的遥感图像，将该两图像对应空间位置像素的灰度值相减取绝对值，得到一幅差异图像，对此差异图像进行大小为mXm像素的中值滤波，其中，m的取值范围为3、5、7、9 ； (2)对滤波后的差异图像运用NMF算法提取五幅不同分辨率图像FJr=1，2，...，5)； 2a)将滤波后的差异图像Xd分成大小均为hXh且不重叠的正方形图像块E，将每个小块E转成h2X I的列向量Ch，所有块的列向量合并构成矩阵Vh，其中，图像块尺寸h取2 10中的所有偶数值； 2b)对矩阵Vh采用NMF进行分解，得到NMF基矩阵Wh和系数矩阵Hh ； 2c)对滤波后的差异图像Xd边界进行扩展得到边界扩展图像D，将滤波后的差异图像Xd的首列向左扩展w列，末列向右扩展w列，对列扩展完成后的图像再进行首行向上扩展w行，末行向下扩展W行，即可得到边界扩展后的差异图像D，其中，w=U/2」，L」为向下取整符号; 2d)逐个选择图像D中的非边界扩展像素——即D中对应的差异图像Xd的每个像素点，作为中心像素点，以此为中心，也取大小为hX h的邻域块，将每个hXh邻域块转化成h2X I的列向量，这些列向量合并构成了矩阵Vvh，将矩阵Vvh在NMF的相应的基Wh上进行投影，得到特征数据集Fdh，将特征数据集Fdh转化成PXQ的图像大小，可得特征图像Fh ； 2e)重复步骤(2a)至步骤(2d)直到图像块尺寸h依次取遍2，4，6，8，10，可得到五幅不同分辨率的图像(r = 1,2,...，5)，其中r是图像的标号； (3)估计滤波后的差异图像Xd的噪声标准差σΧζ)，对Xd取阈值Tx=ΚσΧζ)，得到图像Y，估计五幅不同分辨率图像(r =1,2,...,5)的噪声标准差，对FJr =1,2,...,5)取阈值Tf = Κσ￥，得到图像Yr (r = 1，2，. . .，5)，其中K为常数，K的取值为2 ； (4)用Treelet算法对阈值后的差异图像Y和阈值后的五幅不同分辨率图像I进行融合，得到一幅融合后的图像A ; (5)采用区域生长算法对融合后的图像A进行分割，得到最終的变化检测結果。
2.根据权利要求I所述的多分辨率NMF和Treelet融合的遥感图像变化检测方法，其特征在于步骤2b)中对矩阵Vh采用NMF进行分解的过程是 2bl)随机初始化Wh和Hh，设置最大迭代次数e和停止精度ε，最大迭代次数e的取值范围为50 1000，停止精度ε的取值范围为10_4 10_6 ； 2b2)在Wh和Hh均为非负矩阵的约束下，极小化目标函数I IVh-WhHhI I2，对矩阵Hh进行更新，
3.根据权利要求I所述的多分辨率NMF和Treelet融合的遥感图像变化检测方法，其特征在于步骤(4)中用Treelet算法对阈值后的差异图像Y和阈值后的五幅不同分辨率图像I进行融合的过程是 4a)将阈值后图像Y和も合并表示为Yt (t = 1，2，...，6)，t为图像标号，将Yt转为大小均为PXQ的列向量￥1、1、1、1、1、1，所有列向量构成初始样本矩阵父=[YijY2jY3jY4,Y5，Y6I ； 4b)初始化Treelet变换的逐层聚类层数I = O, I,. . .，L_1,L为矩阵X的列向量的个数，即L = 6，在第O层，每个变量采用初始样本X的列向量表示，初始化和变量的下标集δ={I，2，. . .，L}，初始化狄拉克基矩阵Btl为LX L的单位阵，计算矩阵X的协方差矩阵か和相关系数矩阵，计算公式如下
全文摘要
本发明公开一种多分辨率NMF和Treelet融合的遥感图像变化检测方法，针对从单一分辨率考虑图像细节和平滑区域时常无法较好权衡的问题，使得图像变化检测既保留图像的细节信息又保留平滑区域信息。实现过程是输入两时相图像，直接差值法构造差异图像和进行中值滤波；之后运用NMF算法提取不同分辨率图像；对滤波后差异图像和不同分辨率图像分别取阈值；用Treelet算法融合上述阈值后图像；用区域生长法对融合后图像分割，得到最终变化检测结果。本发明解决了图像的邻域结构易受到孤立噪声点影响的问题，能够保持图像的细节信息与平滑区域信息，且能够去除孤立噪声，提高了变化检测精度，可用于灾情监测、土地利用、农业调查等领域。
文档编号G06T7/00GK102831598SQ20121024441
公开日2012年12月19日 申请日期2012年7月4日 优先权日2012年7月4日
发明者王桂婷, 焦李成, 陆明媚, 钟桦, 田小林, 侯彪, 王爽 申请人:西安电子科技大学