交互式图像变化检测方法

专利名称：交互式图像变化检测方法
技术领域：
本发明涉及图像处理和模式识别技术领域，特别涉及交互式图像变化检测领域。
背景技术：
图像变化检测是指通过分析在同一地点不同时间拍摄获得的两幅图像来辨识该地点发生变化的区域。图像变化检测技术是获取感兴趣地区内地物目标变化信息的重要手段，在国土资源管理、环境监测、自然资源监测、灾情监测等诸多领域中有着十分重要的应用。经过多年的研究，图像变化检测技术得到了较大发展。但是，目前并不存在一个通用的变化检测方法能够完全自动地检测出两幅图像之间发生变化的区域。其根本原因在于难以自动且准确地界定两幅图像之间的变化区域和非变化区域。比如，对同一座高层建筑，其遥感图像会随着拍摄时光照条件的不同而呈现出不同的图像视觉特征。对光照造成的图像视觉特征变化，现有技术往往错误地将其检测为真实的物理变化，即将非变化区域错误地检测为变化区域。其中的一个关键问题是，在构建完全自动的图像变化检测方法时缺少如何将图像区域界定为变化类和非变化类的相关线索。因此，变化检测仍然是图像处理领域中一个颇具挑战性的难题。图像变化检测技术首先假定在同一地点不同时间拍摄获得的两幅图像已事先进行了配准处理。经过配准处理后的两幅图像将具有相同的图像尺寸，且同一位置的像素将对应于场景的同一空间位置。为了从已配准的两幅图像中检测出发生变化区域，人们提出了多种解决方法。现有方法主要涉及到特征提取和特征分类两方面的工作。特征提取是描述场景中视觉目标的基本手段。在现有的图像变化检测方法中，特征提取方法一般在像素级、特征级和对象级这三个层次上实现。像素级特征提取方法通常只考虑单个像素本身的光谱信息(如亮度、颜色等)；特征级特征提取方法首先把像素视觉特征进行关联处理，并形成对变化检测有意义的组合；对象级特征提取方法通常利用对象固有的尺寸和形状以便于提高不同地物之间的类别可分性。特征分类是最终实现图像变化检测的基础，其主要任务是将所提取的特征分为变化类和非变化类，并在此基础上确定发生变化的区域。综合起来，目前变化检测技术主要包含基于差异图像的变化检测技术、基于分类后比较的变化检测技术、基于直接分类法的变化检测技术和基于混合法的变化检测技术。基于差异图像的变化检测技术主要包含差值法、比值法、变化向量分析法和视觉特征图像法。这类方法简单、直观、且计算量小。但是，这类方法容易受到噪声、光照等因素的影响，鲁棒性较差。基于分类后比较的变化检测技术主要是对两幅待检测的图像首先进行分类，然后提取出感兴趣的视觉对象，最后对像素(或区域)逐个进行比较。基于分类后比较的变化检测方法的最大困难是很难实现自动且准确的分类。同时，单幅图像分类的精度将直接影响变化检测的精度。基于直接分类法的变化检测技术是将两幅待检测的图像合成为一幅图像，然后对该合成图像进行分类以判定各像素是否发生变化。该类方法的最大缺点是将两幅图像合成为一幅图像的过程中会丢失图像信息，从而降低变化检测的精度。基于混合法的变化检测技术可以进一步分为基于数据的混合方法、基于过程的混合方法以及基于结果的混合方法。混合策略的优点在于综合多种方法的优点，获得更好的变化检测结果。但是，在采用何种混合策略以及如何协调多种方法的检测结果时仍然面临着诸多困难，从而限制了这类方法在实际中的应用。综上所述，现有的图像变化检测技术远未成熟，变化检测的精度不高。有关图像变化检测的研究大多还处在实验验证阶段，缺乏实用的变化检测技术。实际上，视觉目标的复杂性和 多样性给自动界定变化类和非变化类带来了极大的困难。这一困难将导致难以选择适当的特征提取方法和分类方法，从而难以保证变化检测的精度。但是，用户希望采用一些少量的人工标注即可精确地检测出给定的两幅图像中的变化，达到事半功倍的应用效果。

发明内容
(一 )要解决的技术问题本发明的目的在于提出一种基于样条函数映射的图像变化检测方法，以便于利用用户标注的变化像素和非变化像素快速准确地检测出两幅图像发生变化的区域。( 二 )技术方案为解决上述的技术问题，本发明提供了一种交互式图像变化检测方法，该方法包括如下步骤步骤I :对在同一地点不同时间拍摄获得的两幅彩色图像，通过像素的图像局部窗口和像素的空间坐标构建像素的变化向量；步骤2 :对用户标注的变化像素和非变化像素，分别进行聚类分析；步骤3 :以聚类中心为参照点，构建样条函数；步骤4 :以聚类中心为训练样本，采用回归估计方法确定样条函数的待定系数；步骤5 :利用回归估计得到的所述样条函数，对未标注像素进行映射，根据映射结果判定其是否属于变化类或非变化类。优选地，在步骤2中，以各像素的变化向量为特征，分别对用户标注的属于变化类的像素和用户标注的属于非变化类的像素进行聚类分析。优选地，所述聚类中心的数目为80。优选地，所述样条函数由线性函数和以各聚类中心为参照点的径向基函数组合而成,其表达式为
KK./'(X) = α0+2τχ + ^η· g.(x) + . ./ ,(x) ’
Z=Ij=l其中，f(x)为样条函数，X为一个长度为29维的自变量向量；K为聚类中心数目；a0为一个待定的系数；a为一个长度为29维的待定的系数向量和~均为待定系数；上标T表示转置；i为自然数且取值范围为I到K ；j为自然数且取值范围为I到K ;gi(x)为一个以变化类的第i个聚类中心为参照点的径向基函数，其表达式为g;(x)=||x-cf)||2 .Indlx-C⑴ II)，其中，c;(1)为属于变化类的第i个聚类中心；|| x-c;(1) Il表示自变量向量X到聚类中也(^(1)的欧氏距离，ln( ·)表示自然对数运算；
hj(x)为一个以非变化类的第j个聚类中心为参照点的径向基函数，其表达式为hj(X) =|| X-cj2) 112 ·ln(|I X -c( 2) 11)，其中 < 〗为属于非变化类的第j个聚类中心；||x-C)J Il表示自变量向量X到聚类中LC17 ]的欧氏距离，ln( ·)表示自然对数运算。优选地，在以聚类中心为训练样本并采用回归估计方法确定样条函数的待定系数时，所述样条函数将属于变化类的聚类中心映射为数值+1，将属于非变化类的聚类中心映射为数值-I。优选地，在利用回归估计所得到的样条函数对未标注像素进行映射时，以数值O 作为类别划分的阈值；如果映射结果大于0，将该像素标注为变化类；如果映射结果小于等于O,将该像素标注为非变化类。(三)有益效果本发明所提供的方法可快速准确地检测出两幅已配准图像中发生变化的区域，主要体现在利用用户标注，避免了在界定变化类和非变化类的过程中所出现的不确定性问题，并可将用户指定的变化类型从图像区域中分离出来；将交互式图像变化检测视为一个两类分类问题，根据两类分类机理构建变化检测模型，具有直观、易于编程等特点；以及仅依赖于输入图像的像素颜色和空间位置信息，无需额外的视觉特征提取方法，可实现快速准确的变化检测；


图I是根据本发明的交互式图像变化检测方法的流程图；图2是根据本发明的关于图像的左上角像素、左下角像素、右上角像素、右下角像素、左边界像素、右边界像素、上边界像素、下边界像素和内部像素的图像局部窗口示意图；图3是根据本发明的关于像素的图像局部窗口内所包含的9个像素的编号示意图；图4a、4b分别为两幅待进行变化检测的图像，两幅图像显示了一个湖泊水面面积发生变化的情况；图4c展示了用户关于变化区域和非变化区域的标注；图4d展示了根据本发明所提供的方法得到的变化检测结果，其中白色区域标示出湖泊水面面积发生变化的区域；图5a、5b分别为两幅待进行变化检测的图像，两幅图像显示了一个城区建筑发生变化的情况；图5c展示了用户关于变化区域和非变化区域的标注；图5d展示了根据本发明所提供的方法得到的变化检测结果，其中白色区域标示出由原来的土地变成大楼的区域。
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，对本发明作进一步的详细说明。图I是本发明所提供的交互式图像变化检测方法的流程图。如图I所示，本发明提供一种交互式图像变化检测方法，该方法包括以下步骤步骤SI :对在同一地点不同时间拍摄获得的两幅彩色图像，通过像素的图像局部窗口和像素的空间坐标构建像素的变化向量；步骤S2 :对用户标注的变化像素和非变化像素，分别进行聚类分析；步骤S3 :以聚类中心为参照点，构建样条函数；步骤S4 :以聚类中心为训练样本，采用回归估计方法确定样条函数的待定系数；步骤S5 :利用回归估计得到的所述样条函数，对未标注像素进行映射，根据映射 结果判定其是否属于变化类或非变化类。下面对上述各步骤进行详细阐述。步骤SI :对在同一地点不同时间拍摄获得的两幅彩色图像，通过像素的图像局部窗口和像素的空间坐标构建像素的变化向量。给定在同一地点不同时间拍摄获得的两幅彩色图像，I1表示第一幅彩色图像，I2表示第二幅彩色图像。如果图像I1和图像I2没有进行配准处理，首先采用常用的基于控制点匹配的方法对它们进行配准。经过配准处理后，图像I1和图像I2将具有相同的图像尺寸，且图像I1和图像I2的同一位置的像素将对应于所拍摄场景的同一空间位置。由于图像I1和图像I2已经过配准处理，因此它们具有相同的图像宽度和图像高度。图像I1和图像I2的图像宽度为W个像素，图像高度为h个像素。按行扫描的方式，从左至右从上至下对像素进行编号。这样，图像的每一个像素均获得一个位于I到wXh之间的唯一整数编号。对像素p，p = l，2，…，wXh，首先获取其图像局部窗口。如果像素P为图像的内部像素(即非边界像素)，像素P的图像局部窗口是一个以像素P为中心且尺寸为3X3像素大小的小块图像。如果像素P为图像的边界像素，具体地，若像素P为图像的左上角像素、左下角像素、右上角像素、右下角像素、左边界像素、右边界像素、上边界像素或下边界像素，其图像局部窗口定义为与其最近的一个3X3像素大小的小块图像。这样，每一个像素可获得一个3 X 3像素大小的图像局部窗口。关于各像素的图像局部窗口的获取方法，如图2所示。首先，从图像I1中取出像素P的3X3像素大小的图像局部窗口，并从左上角开始至右下角为止按行扫描的方式对该窗口内的9个像素进行编号。具体地，将左上角像素编号为1，逐一对像素进行编号，直至右下角像素编号为9。关于图像局部窗口内各像素的编号，可参见附图2。按编号顺序取出9个像素，并依次将这9个像素的颜色分量值按顺序排列成一个向量up。具体地，向量Up为一个27维的列向量，按顺序依次存放9个像素的红色、绿色和蓝色分量值
rnnWI- I,XG .XB 2,R 2,G 2,B9.R 9.G 9.5-ιΓUp — 255"*- ^ P f，P P P ,…，P P f J，其中,Μ”，Ulf，分别表示在图像I1中位于像素P的图像局部窗口内编号为I的像素的红色、绿色和蓝色分量值-M2pR，u2pG，wf"分别表示位于该图像局部窗口内编号为2的像素的红色、绿色和蓝色分量值；U9p\ Uf，W，5分别表示位于该图像局部窗口内编号为9的像素的红色、绿色
和蓝色分量值；上标T表示转 置。在构建向量Up时，用255除以向量Up的各分量是为了将
区间内的整数值归一化到
区间内的浮点值。接着，从图像I2中取出像素P的3X3像素大小的图像局部窗口，并从左上角开始至右下角为止按行扫描的方式进行编号。具体地，将左上角像素编号为1，逐一对像素进行编号，直至右下角像素编号为9。关于图像局部窗口内各像素的编号，如图2所示。按编号顺序取出9个像素，并依次将这9个像素的颜色分量值按顺序排列成一个向量vp。具体地，向量Vp为一个27维的列向量，按顺序依次存放9个像素的红色、绿色和蓝色分量值V =-^-\vhR VhG VhB VZR V2-G VZB ··· V%R V%Bf ,
L J T p 2,55 ^ 5 ，P p， ，p , p , p J，其中，，Vf，V=分别表示在图像I2中位于像素P的图像局部窗口内编号
为I的像素的红色、绿色和蓝色分量值;V2/，V2/，表示位于该图像局部窗口内编号
为2的像素的红色、绿色和蓝色分量值,Vf，V》5分别表示位于该图像局部窗口内编号为9的像素的红色、绿色和蓝色分量值；上标T表示转置。在构建向量Vp时，用255除以向量Vp的各分量是为了将
区间内的整数值归一化到
区间内的浮点值。其次，构建像素P的视觉特征差异向量。\表示像素P的视觉特征差异向量，并按下式计算dp = Up-Vp。视觉特征差异向量dp描述在像素P处图像I1和图像I2视觉外观的差异。在这里，用图像局部窗口内各像素值的差异来代替由单个像素值构成的差异，可增强视觉特征差异向量对噪声的鲁棒性。根据向量Up和向量Vp的构造方式，视觉特征差异向量dp将为一个27维的列向量。然后，构建像素P的变化向量。通过引入像素P的视觉特征差异向量\和空间位置坐标来构建像素P的变化向量。Xp为像素P的变化向量。变化向量Xp按下式计算Xp,jTl]7
w η其中，dp为像素P的视觉特征差异向量，Px为像素P的图像空间横坐标，Py为像素P的图像空间纵坐标，W为图像的宽度，h为图像的高度，上标T表示转置。可见，由于视觉特征差异向量dp为一个27维的列向量，像素P的变化向量Xp最终将为一个29维的列向量。最后，通过遍历图像的每个像素，得到了图像中所有wXh个像素的变化向量。X表示图像所有像素的变化向量的集合。根据图像像素编号的顺序，变化向量集合X所包含的wXh个变化向量如下X {xi，X2，X3，···，XwXi1I，其中，X1为图像中编号为I的像素(即图像的左上角像素)的变化向量，X2为图像中编号为2的像素(即位于图像第一行第二列的像素)的变化向量，X3为图像中编号为3的像素(即位于图像第一行第三列的像素)的变化向量，Xwxh为图像中编号为wXh的像素(图像的右下角像素)的变化向量。
步骤S2 :对用户标注的变化像素和非变化像素，分别进行聚类分析。在交互式图像变化检测中，用户通过拖动鼠标的方式在变化区域标注变化像素，在非变化区域标注非变化像素。这一标注过程可以很容易地在两幅待进行变化检测的图像上实现，即分别采用同一种画笔颜色在变化区域和非变化区域记录拖动鼠标时覆盖的像素即可完成用户标注。随后，读出同一种颜色标注的像素位置可获得用户标注的变化像素或非变化像素。
在拖动鼠标的过程中，用户很容易标注成千上万个像素。在构建样条函数的过程，若将每一个标注像素当作一个参考点来构建样条函数，将会产生一个规模很大的样条函数，从而增加估计样条函数待定系数的计算量。另外，具体到变化类和非变化类，其所包含的不同类型的视觉外观的数目通常是很小的。基于此，对用户标注的变化像素和非变化像素分别进行聚类分析。首先，根据用户标注变化像素时所使用的标注颜色，读出所有的被标注为变化类的像素。对被标注为变化类的像素，根据像素编号从步骤SI中获得的变化向量集合X中取出各像素的变化向量，组成变化向量子集合Xi。具体地，集合X1包含了用户标注的所有变化像素的变化向量。其次，根据用户标注非变化像素时所使用的标注颜色，读出所有被标注为非变化类的像素。对被标注为非变化类的像素，根据像素编号从步骤Si中获得的变化向量集合X中取出各像素的变化向量，组成变化向量子集合χ2。具体地，集合X2包含了用户标注的所有非变化像素的变化向量。接着，对变化向量子集合X1中的所有变化向量，进行聚类分析。这里采用常用的K-均值方法进行聚类。执行完K-均值聚类方法后，获得K个聚类中心点，记为
，其中上标“⑴”表示这些聚类中心是从变化向量子集合X1中通过聚类得到的。具体地，Cf表示属于变化类的第I个聚类中心C(1)表示属于变化类的第2个聚类中心，表示属于变化类的第K个聚类中心。根据步骤SI中所述的变化向量的构造方法，每一个衆关中心为一个29维的列向量。最后，对非变化向量子集合X2中的所有变化向量，进行聚类分析。这里采用常用的K-均值方法进行聚类。执行完K-均值聚类方法后，获得K个聚类中心点，记为ci2),42),---,42)，其中上标“(2) ”表示这些聚类中心是从非变化向量子集合X2中通过聚类得到的。具体地，Cf)表示属于非变化类的第I个聚类中心，Cp表示属于非变化类的第2个聚类中心，Cf表示属于非变化类的第K个聚类中心。根据步骤SI中所述的变化向量的构造方法，每一个聚类中心为一个29维的列向量。本发明方法中，聚类中心数目K设定为80。由于每一个聚类中心代表一个基本的变化模式，因此用这些数目的聚类中心可表述复杂的变化。通过这一步，一共获得了 2K聚类中心，依次记为[Cj1V21),…C;2),C(22),…,Cf)，其中,ci'c^···,^^表示属于变化类的K个聚类中心；ci2),c(22)，"sci2)表示属于非变化类的K个聚类中心。
步骤S3 :以聚类中心为参照点，构建样条函数。首先，引入数值+1与-I来标识变化类和非变化类。通过这一标识，将图像变化检测任务视为一个两类分类问题。然后，引入一个样条函数。f(X)表示该样条函数，其中X为一个长度为29维的自变量向量。样条函数f (X)将由两部分组成。第一部分为一个线性函数，由afak两项组成，其中％为一个待定的系数，a为一个待定的系数向量，上标T表示转置。同样地，系数向量a的长度也为29。样条函数f (X)的第二部分由步骤S2获得的2K个聚类中心导出，并以每一个聚类中心作为一个欧氏距离计算的参照点。具体地，给定属于变化类的聚类中LCw i = 1，2，…，K，分别以这些聚类中心为参照点，引入如下径向基函数&00 &(χ)=|| X-C;1) Il2 ·1η(|| x-cf) ||)，其中，gi(x)表示一个径向基函数，X为一个长度为29维的自变量向量，Cf)为属于变化类的第i个聚类中心，||叉-€(1)||表示自变量向量叉到聚类中心《^的欧氏距离，ln( ·)表示自然对数运算。可见，径向基函数gi(x)的函数值由欧氏距离的平方与欧氏距离的自然对数之乘积来得到。进一步，给定属于非变化类的聚类中;LCt/ j = 1,2,…，K，分别以这些聚类中心为参照点，引入如下的径向基函数比(X)hj (X) =II X- C;2) 112 · 1ιι(| I X - c(/) 11)，其中，hj(x)表示一个径向基函数，X为一个长度为29维的自变量向量，C()为属
于非变化类的第j个聚类中心，Il X-cf Il表示自变量向量X到聚类中心C'}的欧氏距离，1η(·)表示自然对数运算。可见，径向基函数hj(x)的函数值由欧氏距离的平方与欧氏距离的自然对数之乘积来得到。样条函数f(x)的第二部分最终将由上述2K个径向基函数组合而成，SP
KK
Vz^gi(X) +V‘/'.(X),其中X为一个长度为29维的自变量向量，ri;i = 1,2,…，K和
I=I7=1
Sj, j = 1,2, ···,!(,为2K个待定的系数,K为聚类中心数目，i为自然数且取值范围为I到K, j为自然数且取值范围为I到K。最后，综合第一部分的线性函数和第二部分的各径向基函数，样条函数f(x)的最终形式如下
KK/(X) = α0+ητ\ + Υ^η· g}(X) + IvHj(x)，
1=1J=I其中，gi(x)(i = 1,2, ···, K)和 hj (X) (j = I, 2, ···, K)均为径向基函数，x 为一个长度为29维的自变量向量，K为聚类中心数目，上标T表示转置，a0为一个待定的系数，a为一个长度为29维的待定的系数向量，ri (i = 1，2，…，K)和Sj(j = 1，2，…，K)均为待定系数，i为自然数且取值范围为I到K, j为自然数且取值范围为I到K。因此,样条函数f(x) —共有30+2K个待定系数。
可见，以2K聚类中心来代替用户标注的所有像素，可降低在构建样条函数时的参照点数目，从而减少样条函数的待定系数的个数，降低计算规模。样条函数f(x)是一个关于自变量向量X的非线性函数。样条函数f(x)可以解释为首先将自变量向量X进行线性映射，然后以各个聚类中心为参照点，根据自变量向量X到各参照点的距离进一步对线性映射的结果进行修正。相对于单纯地使用线性映射而言，样条函数f(x)能获得更精确的映射结果。步骤S4 :以聚类中心为训练样本，采用回归估计方法确定样条函数的待定系数。首先，取出步骤S2中获得的属于变化类的K个聚类中心, …,，利用步骤S3构建的样条函数f (X)，分别将每一个聚类中心映射为“+1”，由此得到K个回归方程/(Cjn) = I, i = 1,2, ···, K,
其中，K为聚类中心数目，下标i从1，2—直遍历至K为止。比如，当i = I时，表 示以聚类中心为自变量向量，通过样条函数f(x)将其映射为“+I”；当i = 2时，表示以聚类中心为自变量向量，通过样条函数f(x)将其映射为“+I”。对下标i的其它取值，以此类推。这样，一共可以得到K个回归方程，且每个回归方程为一个线性方程。然后，取出步骤S2中获得的属于非变化类的K个聚类中心利用步骤S3构建的样条函数f(x)，分别将每一个聚类中心映射为“-1”，由此得到K个回归方程./(C )) = -1, j = I, 2, ...,K,其中，下标j从1,2—直遍历至K为止。如，当j = I时，表示以聚类中；L·、# j为自变量向量，通过样条函数f(X)将其映射为“-I”；当j = 2时，表示以聚类中心c(22)为自变量向量，并通过样条函数f(x)将其映射为“-I”。对下标j的其它取值，以此类推。这样，一共可以得到K个回归方程，且每个回归方程为一个线性方程。通过上述操作，一共得到了 2K个回归方程。由于样条函数f(x) —共有30+2K个待定系数，因此需要进一步补充30个线性方程。为此，通过引入聚类中心与样条函数f (X)中的待定系数rji = 1,2,…，K)和待定系数Sj(j = l，2，…，K)的正交性来补充方程。具体地，将步骤S2中获得的2K个聚类中心按列组成一个矩阵，该矩阵为N。矩阵N按下式构造N = [CiV21V c!2),cf,-,cl2)],其中，CjV21),…，C》为步骤S2中获得的属于变化类的K个聚类中心；<2),(^2),_-,<42)为步骤52中获得的属于非变化类的1(个聚类中心。可见，N为一个行数为29列数为2K的矩阵。进一步，用向量z来记录待定系数& (i = 1，2，…，K)和待定系数
Sj(j = 1,2,…，K):z [rI，3^2 ···，Γκ，Si，Sg，···，Sr]，其中，I^r2,···, sK均表示步骤S3构建的样条函数f (X)的待定系数，上标T表示转置。因此，系数向量z为一个长度为2K的列向量。根据正交性，可获得如下线性方程组Nz = O,其中，ο为一个长度为29维的零向量。这样，一共补充了 29个线性方程。
另外，还需要再补充一个线性方程才能解出样条函数f(x)中的所有待定系数。为此，对待定系数= 1,2,…，K)和待定系数Sj (j = 1,2,…，K)，通过令它们的和为零来补充如下线性方程
KKΣκ +Σ\ = 0，
j=\其中，i为自然数且取值范围为I到K, j为自然数且取值范围为I到K。最后，收集上述过程建立的所有的线性方程，可以得到一个线性方程组。该线性方程组一共由30+2K个线性方程所构成。通过求解该线性方程组，可得到样条函数f(x)中所有的30+2K个待定系数，从而完成对样条函数待定系数的求解。 步骤S5 :利用回归估计得到的所述样条函数，对未标注像素进行映射，根据映射结果判定其是否属于变化类或非变化类。首先，对待进行变化检测的每一个用户未标注的像素，根据其像素编号从步骤SI的变化向量集合X中获得该像素的变化向量。其次，以该向量为自变量，用步骤S4获得的样条函数，对其进行映射，获得一个映射结果。最后，判定该像素是否属于变化类或非变化类。具体地，如果该映射结果大于0，判定该像素属于变化类，并将其类别值置为“I”;否则，判定该像素属于非变化类，并将其类别值置为“-I”。通过该步,每一个未标注像素将被分为变化类或者非变化类。最后，对于用户标注的像素，如果被用户标注为变化类，将其类别值置为“I”;如果被用户标注为非变化类，将其类别值置为“-I”。结合步骤S5获得的未标注像素的变化检测结果，得到了一个与待检测图像同大小且取值为“I”和“-I”的变化检测结果。在所获得的变化检测结果中，凡是标注为“I”的像素所在的区域属于变化区域，其它标注为“-I”的像素所在的区域则属于非变化区域。介绍了实施方案中的技术细节之后，下面将介绍本发明的实验效果。为了验证本发明的有效性，用真实的遥感图像进行实验。图4给出了一个湖泊水面面积发生变化的例子。图4a和图4b给出了两幅不同时期拍摄的一个湖泊水面面积发生变化的图像。给定这两幅图像，本实施例的任务是要检测出发生变化的区域。图4c给出了对变化区域和非变化区域的用户标注，分别采用了两种颜色。根据标注颜色可自动地读出哪些像素被标注为变化像素，哪些被标注为非变化像素。然后通过执行本发明所述方法得到变化检测结果。图4d给出了检测结果，其中黑色区域代表非变化区域，白色区域代表发生变化的区域。可见，复杂的变化区域被精确地从两幅图像中检测出来。图5给出了一个城区建筑发生变化的例子。图5a和图5b给出了两幅不同时期拍摄的同一城区建筑发生变化的图像。图5a为未建大楼前的空闲土地图像，图5b为在部分土地上建成大楼的图像。给定这两幅图像，本实施例的任务是要检测出新建大楼所在的区域。由于拍摄图像时的光照条件不同，在图像的上半部分没有发生变化的区域(如图5a中字母“A”所在的区域)呈现出较大的图像视觉差异。另外，在图5a中字母“B”所在的土地区域，并没有出现新建大楼。但是，两幅图像在此区域却呈现出不同的局部细节。上述两种差异很容易造成现有的自动图像变化检测技术输出错误的检测结果。图5c给出了对变化区域和非变化区域的用户标注，分别采用了两种颜色。通过用户标注，明确地指出图像上半部分区域(如图5a中字母“A”所在的区域)和图像右下角区域(如图5a中字母“B”所在的土地区域)并没有发生变化，因此避免了在自动确定变化类和非变化类时所面临的不确定性问题。随后，根据标注颜色可自动地读出哪些像素被标注为变化像素，哪些被标注为非变化像素。最后，通过执行本发明所述方法得到变化检测结果。图5d给出了检测结果，其中黑色区域代表非变化区域，白色区域代表发生变化区域。可见，在原有的空闲土地上已建成大楼的区域被精确地从两幅图像中检测出来。实验表明，本发明方法可以有效地分割出用户指定的变化区域和非变化区域。本发明采用样条函数映射方法，以非线性映射的方式来变换变化向量可获得高精度的变化检测结果。同时，由于对用户所标注的变化像素和非变化像素分别进行聚类分析，以各聚类中心作为构建样条函数的参照点，提高了确定样条函数待定系数的计算速度。实验表明，对800X600像素大小的图像，在3. OGHz CPU、2GB内存的计算机上，在C语言计算环境中本发明方法仅需2秒左右即可给出变化检测结果。本发明所提供的交互式图像变化检测方法克服了现有技术难以确定图像区域属于变化或非变化的类别，难以选定恰当的视觉特征描述方法和分类方法的诸多限制。该方法通过将用户标注的变化像素和非变化像素进行聚类分析，以聚类中心作为欧氏距离计算的参照点来构建样条函数，并以聚类中心作为训练样本且通过回归估计方法来确定样条函数的待定系数，不仅提高了样条函数映射的精度，也加快了样条函数估计的速度。具有检测精度高、计算快速等特点，具有广阔的应用前景。以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
权利要求
1.一种交互式图像变化检测方法，该方法包括如下步骤步骤I:对在同一地点不同时间拍摄获得的两幅彩色图像，通过像素的图像局部窗口和像素的空间坐标构建像素的变化向量；步骤2 :对用户标注的变化像素和非变化像素分别进行聚类分析；步骤3 :以聚类中心为参照点，构建样条函数；步骤4 :以聚类中心为训练样本，采用回归估计方法确定样条函数的待定系数；步骤5 :利用回归估计得到的所述样条函数，对未标注像素进行映射，根据映射结果判定其是否属于变化类或非变化类。
2.如权利要求I所述的方法，其特征在于，在步骤2中，以各像素的变化向量为特征，分别对用户标注的属于变化类的像素和用户标注的属于非变化类的像素进行聚类分析。
3.如权利要求I所述的方法，其特征在于，所述聚类中心的数目为80。
4.如权利要求I所述的方法，其特征在于，所述样条函数由线性函数和以各聚类中心为参照点的径向基函数组合而成，其表达式为
5.如权利要求I所述的方法，其特征在于，在以聚类中心为训练样本并采用回归估计方法确定样条函数的待定系数时，所述样条函数将属于变化类的聚类中心映射为数值+1，将属于非变化类的聚类中心映射为数值-I。
6.如权利要求I所述的方法，其特征在于，在利用回归估计所得到的样条函数对未标注像素进行映射时，以数值O作为类别划分的阈值；如果映射结果大于0，将该像素标注为变化类；如果映射结果小于等于0，将该像素标注为非变化类。
全文摘要
本发明公开了一种图像变化检测方法，该方法包括如下步骤对在同一地点不同时间拍摄获得的两幅彩色图像，通过像素的图像局部窗口和像素的空间坐标构建像素的变化向量；对用户标注的变化像素和非变化像素，分别进行聚类分析；以聚类中心为参照点，构建样条函数；以聚类中心为训练样本，采用回归估计方法确定样条函数的待定系数；利用回归估计得到的样条函数，对未标注像素进行映射，根据映射结果判定其是否属于变化类或非变化类。该方法解决现有技术检测精度低以及在界定图像变化区域和非变化区域时所遇到的不确定性等问题，具有广阔的应用前景。
文档编号G06K9/62GK102930288SQ201210366870
公开日2013年2月13日 申请日期2012年9月28日 优先权日2012年9月28日
发明者向世明, 孟高峰, 霍春雷, 潘春洪 申请人:中国科学院自动化研究所