基于加权Gabor小波特征和两级聚类的遥感图像变化检测方法
【专利摘要】本发明公开了一种基于加权Gabor小波特征和两级聚类的遥感图像变化检测方法，处理对象同时包含了光学遥感图像和合成孔径雷达SAR图像，其实现过程包括：(1)根据遥感图像类型产生差异图像，(2)对差异图像进行Gabor小波变换，(3)提取差异图像Gabor小波变换的多尺度和多方向特征，(4)设计加权系数，获得加权Gabor小波特征，(5)使用两级聚类策略对加权Gabor小波特征进行聚类，(6)获得变化检测结果。本发明减少边缘信息的丢失，同时检测较强和微弱、较小的变化区域，减少总错误像素数，保留了更多的细节信息，有效地提取变化结果。
【专利说明】基于加权Gabor小波特征和两级聚类的遥感图像变化检测
方法
【技术领域】
[0001]本发明属于数字图像处理【技术领域】，主要涉及多时相遥感图像变化检测研究方向，具体地说是基于加权Gabor小波特征和两级聚类的遥感图像变化检测方法，处理对象同时包含了多时相光学遥感图像和合成孔径雷达(Synthetic Aperture Radar, SAR)图像。该方法可应用于森林资源调查、土地覆盖/ 土地利用动态监测、环境灾害估计、城市规划及布局、打击效果评估，特别是自然灾害灾情监测与评估等对地观测的诸多实际问题中。
【背景技术】
[0002]遥感技术是从远距离感知目标反射或自身辐射的电磁波、可见光、红外线等，对目标进行探测和识别的技术，具有可获取大范围数据资料，获取信息的速度快、周期短及信息量大等特点。根据获取方式的不同，可将其分为光学遥感和微波遥感两类。其中，光学遥感对应的设备简单，所获取图像空间几何分辨率高，图像易于解译，不过只能在白天使用，受天气条件影响较严重；由于微波具有很好的穿透能力，微波遥感(SAR)可全天时、全天候对地成像，但相干成像特性使得其图像存在乘性相干斑噪声。两者各有特点，相互补充，在国民经济和国防建设中正发挥着越来越重要的作用。
[0003]随着传感器技术、空间技术和计算机技术的不断发展，众多机/星载遥感平台投入运营，所搭载的新型、高分辨率传感器可对地球表面进行不间断、持续观测，获取了大量的宽幅、高分辨率遥感数据。但面对日益增长的获取能力，与之不相宜的是对遥感图像处理与解译技术的研发相对滞后，不能满足实际应用的迫切需求。其中，多时相遥感图像变化检测作为处理与解译的基础和关键技术之一，是指通过对同一区域、不同时期获取的两幅或多幅遥感图像进行比较分析，进而根据图像之间差异来获取所感兴趣地物、场景或目标的变化信息，受制于人类活动加剧以及自然灾害频发，其研发越来越受到人们重视，逐渐成为遥感领域的研究热点。
[0004]近年来，国内外学者提出了很多有效的变化检测方法，概括起来可分为有监督变化检测和无监督变化检测。限于有监督变化检测所需地面真实变化类别样本难以获取，目前工作主要集中于无监督变换检测类，其大致分为:(1)基于分布模型差异的多时相遥感图像变化检测；(2)基于差异图像分析的多时相遥感图像变化检测；以及(3)基于马尔科夫融合的多时相遥感图像变化检测。特别是对第二类算法的研究最为普遍，核心思想是将变化检测问题视为图像的二元分类/分割问题，又可细分为聚类分析、智能优化、阈值分割、有限混合模型、马尔科夫随机场、主动轮廓和水平集等策略。其中，聚类分析由其简单、有效而受到普遍认可。
[0005]T.Celik 在文献[T.Celik, “Unsupervised change detection in satelliteimages using principal component analysis and K-means clustering, ，，IEEEGeoscience and Remote Sensing Letters, vol.6，n0.4，pp.772-776，2009.]中最早提出聚类分析的遥感图像变化检测方法。具体而言，首先利用主分量分析(PrincipalComponent Analysis, PCA)提取每个像素对应的特征向量,再使用K-means算法将特征向量分成两类(即变化类和不变化类)，得到变化检测图。尽管该方法简单有效，但并没有充分利用差异图像的局部结构信息，且易受到噪声干扰。为进一步提高检测的有效性，M.Volpi 等[M.Volpi, D.Tuia, G.Camps-Valls, and Μ.Kanevski, “Unsupervisedchangedetection with kernels, ”IEEE Geoscience and Remote Sensing Letters, vol.9,n0.6，pp.1026-1030, 2012]通过核映射将原始输入空间中的非线性可分问题转化为特征空间中的线性可分问题，利用核K-means算法实现聚类。同时，为降低噪声影响， 申请人:[Y.Q.Cheng, H.C.Li, T.Celik, and F.Zhang, “FRFT-based improved algorithm ofunsupervised change detection in SAR images via PCA and K-means clustering，，，inProceeding of IEEE International Geoscience and Remote Sensing Symposium, Melbourne, Australia, July2013:1952-1955.]以及 Y.G.Zheng 等[Y.G.Zheng, X.R.Zhang, B.Hou,and G.C.Liu, “Using combined difference image and K-means clustering forSAR image change detection, ”IEEE Geoscience and Remote Sensing Letters, vol.11, n0.3, pp.691-695, 2014]分别利用低阶次分数阶 Fourier 变换(Fractional FourierTransform, FRFT)> PPB (Probabilistic Patch-Based)滤波器产生噪声抑制的差异图像，再进行空域聚类变化检测，可获得比较满意的检测结果，但均仍然没有充分考虑差异图像的局部结构信息。另外随着遥感图像分辨率的提高，变化与不变化类之间的可分性降低，不确定性和模糊性增强，使得现有变化检测方法不能有效地检测高分辨率遥感影像的变化信息，具有较高的误检和漏检概率，成为制约高分辨率遥感变化检测应用的瓶颈，急需更优的变化检测方法。
【发明内容】
[0006]本发明利用Gabor小波变换和模糊C均值聚类(Fuzzy C-means, FCM)提出基于加权Gabor小波特征和两级聚类的多时相遥感图像变化检测新方法。该方法借助Gabor小波变换的多尺度和多方向特征，能有效刻画差异图像的局部结构信息，且两级聚类策略可减少噪声对检测结果影响，算法简单有效能够满足实际的需要。
[0007]一种基于加权Gabor小波特征和两级聚类的遥感图像变化检测方法，包括如下步骤:
[0008]步骤I，利用在同一地区不同时间所获得两幅大小相同、相互配准的遥感图像X。和X1以产生差异图像Xd;
[0009]步骤2，对差异图像Xd进行Gabor小波变换；
[0010]步骤3，提取差异图像Gabor小波变换的多尺度和多方向特征；
[0011 ] 步骤4,设计权值系数,获得加权Gabor小波特征；
[0012]步骤5,采用基于FCM算法的两级聚类策略对加权Gabor小波特征进行聚类,具体分为两步，即:
[0013](a)运用FCM算法将上一步获得的差异图像像素的特征向量分为:变化类、不变化类和边界类，得到变化类和不变化类的聚类中心，用V。和Vu分别表示变化类ω。和不变化类的聚类中心，cob表示边界类；
[0014](b)计算边界类COb中每一个特征向量与变化类和不变化类聚类中心的距离，将其分配到与聚类中心距离最小的类；然后同第(a)步得到的变化类和不变化类结合，得到新的变化类和不变化类；
[0015]步骤6，变化类像素位置置1，不变化类像素位置置0，得到最终的二值变化检测结果O
[0016]其中:步骤3所述的提取差异图像Gabor小波变换的多尺度和多方向特征，具体实施为:选用5个尺度和8个方向的Gabor小波，V e {O,…，4}，ue {O,…，7}，v代表Gabor小波的尺度参数，u体现了 Gabor小波的方向选择性；差异图像同5个尺度和8个方向的Gabor小波相卷积之后得到40个特征图像Gv,u(z),其中V e {O,…，4},ue {O,...,7};为方便用如下符号表示:Jk (z) = Gv,u(z),其中 k = u+8v, V e {O,…，4},ue {O,...,7}，每一个像素点相对应的特征向量可以表示为v(i, j) = [J0(i, j) Ji(i, j) *..J39(i? j)]，其中(i，j)为坐标点，v(i, j)是图像上坐标为(i, j)的像素Gabor小波特征向量表示。
[0017]另外，步骤4所述的对所提取Gabor小波特征的权值系数设计，具体实施为:不同尺度的频率参数可以得到为kv = kmax/fv;设V e {O,…，4}，这相对应的频率参数为kQ，k1? k2, k3, k4,则计算权值系数依次为ffcs，, e~k*，并求和为 s--?ilF = f&s+g_；ti+g_*5+g_S5+e_；J*,然后进行归一化依次为 e_/siiml.F,rfci/si?ri!4,，ft/sumP/，e~k-/sumW, 圆 14^不同尺度 v e {0,...,4}的权值系数依次设置为而.T，e~ks/sumW, e~k2/sumlV, e_iVs冊浪％ e_fcs/sMmW,,对归一化权值
系数依据尺度顺序进行翻转就是各个尺度下所有方向的权值系数，进而获得加权Gabor小波特征。
[0018]对于不同的图像来源，差异图像Xd有不同的获取方式:对于光学遥感图像，差异图像Xd为输入图像Xtl和X1直接相减的绝对值，Xd= IX1-XtlI ;对于合成孔径雷达(SAR)图像，其
差异图像Xd取输入图像X。和X1作对数比的绝对值，Xs+= 1108?! = Ngff-J-1oi(X0)I
[0019]有益效果
[0020]1、本发明借助Gabor小波变换，通过提取差异图像的多尺度和多方向特征可全面、有效地刻画差异图像的局部结构信息，并根据不同频率设计权重系数以减弱噪声和异质像素影响。
[0021]2、本发明所提出基于FCM算法的两级聚类策略对加权Gabor小波特征进行聚类，可在第一级聚类过程中得到可分性更好的变化类和不变化类的聚类中心，进而在第二级聚类过程中能更有效区分边缘类像素的类别。
[0022]3、该方法能够在完整获得较强变化区域同时，检测到微弱、较小的变化区域，减少边缘信息的丢失。可兼顾错检像素数和漏检像素数，使得总错误像素数降低，保留了更多细节信息，有效地提取变化结果。
【专利附图】
【附图说明】
[0023]图1基于加权Gabor小波特征和两级聚类的多时相遥感图像变化检测方法整体框架；
[0024]图2差异图像Gabor小波变换后的特征提取方式；[0025] 图3仿真实验使用的第一组遥感图像数据集Bern，(a) 1999年4月获得的ERS2SAR图像，(b) 1999年5月获得的ERS2SAR图像，(c)变化检测参考图；
[0026]图4仿真实验使用的第二组遥感图像数据集burn，(a) 1986年8月5日获得的光学遥感图像，(b) 1992年8月5日获得的光学遥感图像，(c)变化检测参考图；
[0027]图5仿真实验使用的第三组遥感图像数据集lake，(a) 1986年8月5日获得的光学遥感图像，(b) 1992年8月5日获得的光学遥感图像；
[0028]图6三组遥感图像数据集分别对应的差异图像:(a)Bern数据集差异图像，(b)burn数据集差异图像，(c) lake数据集差异图像；
[0029]图7本发明与对比方法仿真SAR图像数据Bern的变化检测结果，(a)对比方法I的变化检测结果，(b)对比方法2的变化检测结果，(C)对比方法3的变化检测结果，(d)本发明的变化检测结果，(e)变化检测参考图；
[0030]图8本发明与对比方法仿真光学遥感图像数据burn的变化检测结果，(a)对比方法I的变化检测结果，(b)对比方法2的变化检测结果，(c)对比方法3的变化检测结果，(d)本发明的变化检测结果，(e)变化检测参考图；
[0031]图9本发明与对比方法仿真光学遥感图像数据lake的变化检测结果，(a)对比方法I的变化检测结果，(b)对比方法2的变化检测结果，(c)对比方法3的变化检测结果，(d)本发明的变化检测结果。
【具体实施方式】
[0032]下面参照附图描述本发明的实施例。应当理解，在此描述的本发明各个实施例仅仅是为了更好地解释本发明的原理和概念，而不是要限制本发明。在阅读这样的描述之后，本领域技术人员很容易构造其他修改或替换，这样的修改或替换应被理解为落入本发明的范围中。
[0033]图1给出了本发明实施例的流程框架，具体实施包含以下步骤:
[0034]( I)利用多时相遥感图像广生差异图像。两幅大小为HXW且相互配准的遥感图像 X0 = {x0(i, j) 11 ≤ i ≤ H，I ≤ j ≤ W}和 X1 = Ix1 (i，j) 11 ≤ i ≤ H，I ≤ j ≤ W}，它们是在同一地区不同时间h和h分别获得的遥感数据。根据遥感图像的类型生成差异图像V
[0035]对于光学图像(Optical Images),输入图像X。和X1直接相减的绝对值就是差异图像\，
[0036]Xd= I X1-X0
[0037]而对于SAR (Synthetic Aperture Radar)图像，差异图像Xd是输入图像X。和X1的比值图像，为了提高低幅度的像素值，我们对比值图像执行一个对数运算，
[0038]
【权利要求】
1.一种基于加权Gabor小波特征和两级聚类的遥感图像变化检测方法，包括如下步骤: 步骤1，利用在同一地区不同时间所获得两幅大小相同、相互配准的遥感图像XdPX1以产生差异图像Xd; 步骤2，对差异图像Xd进行Gabor小波变换； 步骤3，提取差异图像Gabor小波变换的多尺度和多方向特征； 步骤4，设计权值系数，获得加权Gabor小波特征； 步骤5，采用基于FCM算法的两级聚类策略对加权Gabor小波特征进行聚类，具体分为两步，即: (a)运用FCM算法将上一步获得的差异图像像素的特征向量分为:变化类、不变化类和边界类，得到变化类和不变化类的聚类中心，用V。和Vu分别表示变化类ω。和不变化类Cou的聚类中心，表示边界类； (b)计算边界类cob中每一个特征向量与变化类和不变化类聚类中心的距离，将其分配到与聚类中心距离最小的类；然后同第(a)步得到的变化类和不变化类结合，得到新的变化类和不变化类； 步骤6，变化类像素位置置1，不变化类像素位置置0，得到最终的二值变化检测结果。
2.根据权利要求1所述的基于加权Gabor小波特征和两级聚类的遥感图像变化检测方法，其特征在于步骤3所述的提取差异图像Gabor小波变换的多尺度和多方向特征，具体实施为:选用5个尺度和8个方向的Gabor小波，V e {O,…，4),ue {O,代表Gabor小波的尺度参数，u体现了 Gabor小波的方向选择性；差异图像同5个尺度和8个方向的Gabor小波相卷积之后得到40个特征图像Gv,u(z),其中V e {O,…，4},ue {O,...,7};为方便用如下符号表示:Jk (z) = Gv,u(z),其中 k = u+8v, V e {O,…，4},ue {O,...,7}，每一个像素点相对应的特征向量可以表示为v(i, j) = [J0(i, j) Ji(i, j) *..J39(i? j)]，其中(i，j)为坐标点，v(i, j)是图像上坐标为(i, j)的像素Gabor小波特征向量表示。
3.根据权利要求1所述的基于加权Gabor小波特征和两级聚类的遥感图像变化检测方法，其特征在于步骤4所述的对所提取Gabor小波特征的权值系数设计，具体实施为:不同尺度的频率参数可以得到为kv = kmax/fv;设ve {O,…，4}，这相对应的频率参数为kQ，k1; k2，k3，k4，则计算权值系数依次为
4.根据权利要求1所述的基于加权Gabor小波特征和两级聚类的遥感图像变化检测方法，其特征在于所述的差异图像Xd:对于光学遥感图像，差异图像Xd为输入图像Xtl和X1直接相减的绝对值，Xd= Ix1-XoI ;对于合成孔径雷达(SAR)图像，其差异图像Xd取输入图像X0 和 X1 作对数比的绝对值，
【文档编号】G06T7/00GK103971364SQ201410134520
【公开日】2014年8月6日 申请日期:2014年4月4日 优先权日:2014年4月4日
【发明者】李恒超, 程永强, 冯利静 申请人:西南交通大学