专利名称：高分辨率可见光遥感图像变化检测方法
技术领域：
本发明涉及一种用于高分辨率可见光遥感图像的变化检测方法，具体说是一种基于机器学习和多特征 持的高分辨率可见光遥感图像变化检测方法，相关技术涉及遥感图像信息处理、目标特征提取与描述、机器学习等技术领域。
背景技术：
随着对地观测技术和传感器技术的飞速发展，遥感影像数据已经成为人们获取信息的重要手段之一。遥感图像变化检测旨在利用图像处理和模式识别等技术，针对同一场景在不同时期拍摄得到的两幅已配准的遥感图像，自动地检测出地物的变化信息，它在农业、环境监测、城市建设规划、水利、目标监测、灾害监测等民事和军事领域有着极其广泛的应用价值和重要的应用前景。近年来，随着航天技术和传感器技术的不断发展，遥感图像的空间分辨率越来越高，其中所呈现的地物细节也越来越丰富。虽然高分辨率可见光遥感图像极大地提高了对地观测信息量，但是地物的多样性也增加了图像的复杂性，给遥感图像的自动分析技术带来了前所未有的挑战。传统的可见光遥感图像变化检测技术主要针对中低分辨率的可见光遥感图像设计，高分辨率可见光遥感图像丰富的地物细节信息所带来的图像复杂性使得直接应用传统的变化检测方法无法获得令人满意的结果，大大制约了高分辨率遥感图像的应用。因此，高分辨率可见光遥感图像变化检测技术应运而生，受到了国际上广泛的关注。除了要面对传统中低分辨率可见光遥感图像变化检测的难点，高分辨率可见光遥感图像变化检测还有其特有的难点。这些难点包括(I)图像拍摄视角变化所导致的局部图像无法配准；(2)阴影的影响更加显著；(3)图像相邻像素之间高度相关；(4)拍摄时间不同引起相同地物光谱特性的差异更加显著。为此，有必要研究新的高分辨率可见光遥感图像变化检测技术来有效克服上述难点。
发明内容
本发明的目的是针对高分辨率可见光遥感图像变化检测的难点，综合利用图像处理、模式识别和机器学习技术，提供一种有效的高分辨率可见光遥感图像变化检测方法。本发明的基于目标多特征和机器学习的高分辨率可见光遥感图像变化检测方法步骤如下步骤SI :对输入的两幅已配准的可见光遥感图像进行两时相图像分割，得到图像目标，即分割后的图像区域；步骤S2 :通过对步骤SI得到的目标进行形状分析，去除部分由于局部配准误差引起的虚假目标；步骤S3 :对于步骤S2中去除虚假目标之后的目标，提取多种图像特征作为目标的变化特征，包括光谱特征、局部梯度分布特征、局部纹理分布特征；步骤S4 :对于步骤S2中去除虚假目标之后的目标，根据目标在所有波段上SIFT描述子之间的距离，计算目标的初始变化置信度，选择变化置信度高的部分目标作为正样本，选择变化置信度低的部分目标作为负样本，利用这些正负样本在步骤S3提取的变化特征进行SVM训练，得到变化检测模型；步骤S5 :基于步骤S3提取的变化特征，利用步骤S4训练得到的变化检测模型对步骤S2中去除虚假目标之后的所有目标进行变化检测；步骤S6 :利用目标的纹理特性对变化目标进行提炼，得到最终的变化检测结果。本发明所述方法对于提高变化检测的检测率、降低变化检测的虚警率以及提高变化检测的鲁棒性具有重要的意义，其主要优点如下1、本发明利用目标形状等特征对多时相分割的结果进行筛 选，可以去除一些由于局部配准误差引起的虚警，从而降低变化检测结果的虚警率。2、在提取目标变化特征时，本发明综合考虑了目标的多种特征，以此来提高变化检测的检测率，同时有效地减少虚警率。3、本发明利用目标的纹理特性对变化检测结果进行筛选，可以有效减少植被等地物由于时间变化而产生的虚警。本发明使高效鲁棒的高分辨率可见光遥感图像变化检测成为可能，极大地提高了现有高分辨率可见光遥感图像变化检测系统的精度和鲁棒性，可广泛应用于目标监测、灾害监测、城市规划等系统中。
图I是本发明基于目标多特征和机器学习的高分辨率可见光遥感图像变化检测方法流程图。
具体实施例方式为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。本发明使用的方法既可以在个人计算机、工控机及服务器上以软件的形式安装并执行，也可将方法做成嵌入式芯片以硬件的形式来体现。图I是本发明基于目标多特征和机器学习的高分辨率可见光遥感图像变化检测方法流程图。参照图1，本发明的高分辨率可见光遥感图像变化检测方法流程包括在步骤SI，进行两时相图像分割。首先将输入的两幅已配准图像合成一幅多波段图像(该图像称为两时相图像)，然后利用基于图的快速图像分割技术对其进行分割，得到一个区域的集合作为两时相图像分割的结果，经过分割之后得到的每一个图像区域称为目标，是后续步骤处理的对象。图像分割具体步骤如下Sll :根据合成的多波段图像，构造图G = (V，E)，其中V是顶点集合，每一个像素点构成一个顶点，E是边的集合。w(e) = Wij = 11 (Vi)-I (V」)I表示连接顶点Vi和顶点Vj的边e的权重，I (Vi)和I (Vj)表示像素点Vi和Vj的光谱值。在构造以Vi为顶点的边时，只在Vi的四邻域内构造，即当顶点Vi和顶点Vj对应的像素之间的距离为I时，Wij Φ O,否则Wij = O ；S12 :对E中的边按权值从小到大进行排序，得到{ei，e2，…，en}，其中η为总的边数；S13 :初始化分割结果V = !/d丨'，…ΛΚ ·，即在初始分割结果中，每个顶点构成一个分割区域，m为顶点个数；S14 :分别令 q = 1，2，...,η 重复步骤 S141:S141 :找到第q条边连接的两个顶点Vi, V」,v Ii和％分别为Strl中包含Vi和Vj的区域，如果iT1本1并且乂<M{Rf-\Rfl)，那么合并Srl中的i 和K 1得到Sq,否则Sq=Strl ;其中 M(RpR2) = Hiindnt(R1)+ τ (R1), Int (R2) + τ (R2)), Int (R) = maxe e βτ(ΕιΕ)￥ (e),
Ii
F(A) = Pi，MST (R，E)表示由R中顶点和E中边产生的最小生成树，I R|表示R中顶点的个
数，k是一个固定的常数，反映了观测尺度，k值越大最后得到分割区域也越大，一般取值为200。S15 :输出最终图像分割的结果为Sn。在步骤S2，对步骤SI得到的图像目标进行形状分析。可以先对分割结果提取最小
外接正矩形(四条边分别和图像四条边平行的矩形)，然后计算外接矩形的长宽比，去掉比值大于5的长条形目标；同时，计算目标大小与外接矩形面积的比值，去掉比值小于O. 3的目标。通过这两方面的筛选，可以有效地去除大部分由于局部配准误差造成的虚假目标。在步骤S3，对步骤S2筛选之后的目标提取特征，用于变化检测。为了避免不同目标大小对特征提取以及之后的变化检测结果的影响，首先将目标最小外接正矩形归一化
至大小为kXk的正方形区域，k 一般取值为16，得到变换关系？ = ~^(/ = ~^.)’，其中Hi1,
m'Hi1
m2为目标最小外接正矩形的长和宽，X' , γ'为归一化之后的像素位置，X，y为原图像上目标内像素点的位置；然后根据这个变换关系，将原图像上的目标映射至kXk的正方形区域内，对其提取目标的变化特征，包括光谱特征、局部梯度分布特征、局部纹理分布特征。给定一个归一化之后的目标，其特征可以记为Oneani (I), Si (I)，Iiisti (LBP)，Iiieani (| dx +dx,|dx|_dx, dy|+dy, dy | -dy), δ i(|dx|+dx, |dx|_dx, dy|+dy, dy | -dy)),其中 i = I,n指步骤SI合成的多波段图像的每个波段，Hieani (I)指第i个波段该目标光谱特性的均值，δ i (I)指第i个波段该目标光谱特性的标准差，hist, (LBP)指第i个波段该目标LBP特征的直方图，dx和dy分别指X方向和y方向的梯度值。在步骤S4，对变化检测模型进行训练。为了提高本发明的自动化程度，可以采用无监督的模型训练过程。首先，在不同波段分别提取目标在变化前图像上和变化后图像上的SIFT描述子，计算SIFT描述子之间的欧式距离，这样给定一个目标，就能得到n/2个距离，其中n/2是变化前图像以及变化后图像的波段数。由于变化的目标，它在任一波段图像来看都应该是具有明显变化的，因此在选择变化目标样本(正样本)时，针对每个目标，用其n/2个距离中最小者d来计算该目标的变化概率P = 1-θΛ选择变化概率最大的15%样本作为正样本。另一方面，对于不变化的目标，它在任一波段图像来看都应该是不发生变化的，因此在选择不变化目标样本(负样本)时，针对每个目标，用其n/2个距离中最大者d'来计算该目标的变化概率P = l-ei ,选择变化概率最小的15%样本作为负样本。将这些选择好的正负样本的变化特征(步骤S3计算得到)作为训练数据，对SVM训练，得到变化检测模型。在步骤S5，基于步骤S3提取的变化特征，利用步骤S4训练得到的变化检测模型对步骤S2中去除虚假目标之后的所有目标进行变化检测，确定变化目标。在步骤S6，对步骤S5得到的变化检测结果进行提炼，得到最终的输出变化检测结果。由于变化前图像和变化后图像的拍摄时间不同，会使得图像中植被等地物的光谱特性发生比较大的变化(尤其是在不同季节拍摄得到的图像)，由此可能进一步产生变化检测虚警。为了有效减少此类虚警，本发明最后一步对变化检测结果提炼，利用纹理分析的方法来有效去除此类虚警。在具体实施时，对变化目标计算其每个波段图像内容的Harris矩阵，如果每个波段上变化前图像以及变化后图像上的Harris矩阵的最大特征值都小于
O.005 (该值对应图像灰度值为0-255的情况)，那么判定该变化目标为虚警，不作为最后的输出结果。
以上所述，仅为本发明的具体实施方式
，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或更替，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。
权利要求
1.ー种高分辨率可见光遥感图像变化检测方法，其特征在于，包括以下步骤 步骤SI :对两幅已配准的可见光遥感图像进行两时相分割，分割得到的图像区域称为目标，是后续处理的对象； 步骤S2 :通过对步骤SI得到的目标进行形状分析，去除部分由于局部配准误差引起的虚假目标； 步骤S3 :对于步骤S2中去除虚假目标之后的目标，提取多种图像特征作为目标的变化特征，包括光谱特征、局部梯度分布特征、局部纹理分布特征； 步骤S4 :对于步骤S2中去除虚假目标之后的目标，根据目标在所有波段上SIFT描述子之间的距离，计算目标的初始变化置信度，选择变化置信度高的部分目标作为正样本，选择变化置信度低的部分目标作为负样本，利用这些正负样本在步骤S3提取的变化特征进行SVM训练，得到变化检测模型； 步骤S5 :基于步骤S3提取的变化特征，利用步骤S4训练得到的变化检测模型对步骤S2中去除虚假目标之后的所有目标进行变化检测； 步骤S6 :利用目标的纹理特性对变化目标进行提炼，得到最終的变化检测結果。
2.如权利要求I所述的变化检测方法，其特征在于，在步骤SI，将输入的两幅已配准图像合成一幅多波段图像，该图像称为两时相图像，然后利用基于图的快速图像分割技术对其分割，分割得到的图像区域称为目标。
3.如权利要求2所述的变化检测方法，其特征在于，在步骤S2，先对步骤SI得到的目标提取最小外接矩形，然后计算外接矩形的长宽比，去掉该比值超过5的长条形目标；同时，计算目标大小与其外接矩形面积的比值，去掉该比值小于O. 3的目标。
4.如权利要求3所述的变化检测方法，其特征在于，在步骤S3，首先将目标根据其最小外接矩形归ー化至ー个统一大小的区域，然后对目标提取特征，包括光谱特征、局部梯度分布特征、局部纹理分布特征。
5.如权利要求4所述的变化检测方法，其特征在于，在步骤S3，给定ー个归ー化之后的目标，其特征记为Oneani (I), δ 丨(I)，Iiisti (LBP), Iiieani (| dx |+dx, |dx|_dx, dy | +dy,dy I -dy), δ j(|dx|+dx, |dx|_dx, dy|+dy, | dy |-dy)),其中 i = I, .",ri 指步骤 SI 合成的多波段图像的每个波段，Hieani (I)指第i个波段该目标光谱特性的均值，Si(I)指第i个波段该目标光谱特性的标准差，hist, (LBP)指第i个波段该目标LBP特征的直方图，dx和dy分别指X方向和I方向的梯度值。
6.如权利要求5所述的变化检测方法，其特征在于，在步骤S4，利用目标的SIFT特征 >算目标变化的初始置信度，根据初始置信度选择一部分样本作为正样本和负样本对SVM分类器进行训练。
7.如权利要求6所述的变化检测方法，其特征在于，在步骤S4，首先，在不同波段分别提取目标在变化前图像上和变化后图像上的SIFT描述子，计算SIFT描述子之间的欧式距离，这样给定ー个目标，就能得到n/2个距离，其中n/2是变化前图像以及变化后图像的波段数。在选择变化目标样本吋，针对每个目标，用其n/2个距离中最小者d来计算该目标的变化概率P = l_e_d，选择变化概率最大的一定百分比的样本作为正样本；在选择不变化目标样本吋，针对每个目标，用其n/2个距离中最大者d'来计算该目标的变化概率P =I-ei，选择变化概率最小的一定百分比的样本作为负样本。
8.如权利要求7所述的变化检测方法，其特征在于，在步骤S6，对变化目标计算其每个波段图像内容的Harris矩阵，如果每个波段上变化前图像以及变化后图像上的Harris矩阵的最大特征值都小于O. 005，该值对应图像灰度值为0-255的情况，那么判定该变化目标为虚警，不作为最后的输出結果。
全文摘要
本发明公开一种高分辨率可见光遥感图像变化检测方法，包括步骤S1获取图像目标；步骤S2去除虚假目标；步骤S3提取目标的变化特征；步骤S4计算目标的初始变化置信度，选择变化置信度高的部分目标作为正样本，选择变化置信度低的部分目标作为负样本，得到变化检测模型；步骤S5利用训练得到的变化检测模型对目标进行变化检测；步骤S6利用目标的纹理特性对变化目标进行提炼，得到最终的变化检测结果。本发明通过形状分析有效去除由于局部配准误差引起的虚假目标，同时综合利用多种图像特征作为目标的变化特征，适用范围广，提高变化检测准确率的同时降低虚警率，此外，通过变化目标的纹理分析进一步有效去除部分虚警。
文档编号G06K9/46GK102842044SQ20121024786
公开日2012年12月26日 申请日期2012年7月17日 优先权日2012年7月17日
发明者江碧涛, 樊彬, 张秀玲, 潘春洪, 杜鹃, 李京龙, 常民 申请人:北京市遥感信息研究所, 中国科学院自动化研究所