本发明专利技术公开了一种基于Treelet变换和特征融合的遥感图像变化检测方法，其实现步骤为：(1)读入数据；(2)中值滤波；(3)构造差异图像；(4)分类；(5)判断差异图像的标准差是否小于先验阈值；(6)自适应空间信息填充；(7)Treelet模糊融合；(8)构造模糊差异图像；(9)K-means分类；(10)数学形态学后处理；(11)特征与运算。本发明专利技术既可以较好的保持变化区域的边缘信息，又可以较好的兼顾变化检测结果中的漏检信息和虚警信息，具有较好的实时性和较高的检测精度，可应用于环境变化中的湖泊水位动态监测、农作物生长状态的动态监测、军事侦察等领域。
【技术实现步骤摘要】
本专利技术属于图像处理
，更进一步涉及一种。该方法可应用于环境变化中的湖泊水位动态监测、农作物生长状态的动态监测、军事侦察等领域，能够快速的检测出两时相遥感图像的变化信息。
技术介绍
变化检测是通过分析同一地区不同时刻的多幅遥感图像，检测出该地区地物随时间发生变化的信息。随着遥感技术和信息技术的发展，多时相遥感图像变化检测已经成为当前遥感图像分析研究的一个重要方向。在多时相遥感图像变化检测方法的研究中，常见的一种检测方法是先比较后分类法，即首先构造一幅差异图像，然后利用阈值或分类法确定变化类和非变化类。先比较后分类法的优点在于简单易行，没有先分类后比较法所存在的分类误差累计问题，但该方法存在的明显不足是，对图像的预处理如几何校正、辐射校正、图像滤波等要求较高，并且对阈值选择方法和分类方法要求更加严格，影响了遥感图像变化检测的精度。西安电子科技大学在其专利申请“基于Treelets的遥感图像变化检测方法”(专利申请号:201110001584. 0，公开号:CN102063720A)中提出了一种Treelets滤波和 K-means聚类相结合的遥感图像变化检测方法。该方法虽然能够减小辐射校正和光照不均对检测结果的影响，但仍存在的不足是，Treelets交叉滤波会导致检测结果中存在较多漏检信息，不能较好的保持变化区域边缘信息，降低了遥感图像的变化检测精度。此外，由于该方法使用Treelet变换对两幅图像中的每个像素点都进行滤波，使得该方法的时间复杂度较高，不具有实时性。为了更加准确、全面的获取多时相遥感图像的变化信息，许多学者将图像融合技术应用到多时相遥感图像变化检测中，使多时相遥感图像间的互补信息得到更好的结合， 达到更好的检测结果和检测精度。2010 年 Celik 禾口 Ma 在文献 “Unsupervised Change Detection for Satellite Images Using Dual-Tree Complex Wavelet Transform，， (IEEE Transactions on Geoscience and Remote Sensing, 2010,48 (3) :1199-1210.)中提出了一种基于双树复小波变换和尺度融合的变化检测方法。该方法首先对传统的双线性插值方法进行了改进，提出了一种加权双线性插值方法，并对两时相遥感图像分别进行加权双线性插值和双树复小波分解，然后通过尺度内融合得到同一分解层的变化检测结果，最后通过加权双线性插值和不同尺度间融合得到最终的变化检测结果。该方法虽然能够较好的保持变化区域的边缘信息，存在较少漏检信息，但仍存在的不足是，该方法通过逻辑与运算进行融合，为了获得较为全面的变化信息，导致检测结果中存在较多虚警信息，降低了遥感图像变化检测精度， 难以较好兼顾变化检测结果中的漏检信息和虚警信息
技术实现思路
本专利技术针对上述现有技术存在的不足，提出了一种。本专利技术既可以较好的保持变化区域的边缘信息，又可以较好的兼顾变化检测结果中的漏检信息和虚警信息，具有较好的实时性和较高的检测精度。本专利技术实现上述目的的思路是在对读入的数据进行中值滤波后，先对构造的差异图像进行统计均值阈值分类和自适应空间信息填充，再对滤波后的图像利用Treelet变换、K-means聚类和数学形态学后处理生成模糊结果图，最后通过特征与运算进行融合。本专利技术的步骤包括如下(1)读入同一地区不同时刻获取的两幅遥感图像。(2)中值滤波2a)确定正方形窗口 选取步骤(1)中的一幅遥感图像，以该图像中的某一像素点为中心，选取一个大小为N1XN1的正方形窗口，其中，N1为奇数；2b)确定滤波值将正方形窗口中全部像素点的灰度值按照由大到小的顺序排列，组成一个灰度序列，选取位于灰度序列中间位置的灰度值作为滤波值；2c)滤波用滤波值替代步骤加)中像素点的灰度值；2d)重复步骤2a)至步骤2c)，直至处理完图像中的全部像素点；2e)按照步骤2a)至步骤2d)，对步骤(1)中的另外一幅遥感图像进行处理，得到滤波后的两幅图像。(3)构造差异图像3a)对步骤O)中滤波后的两幅遥感图像对应像素点进行减法运算，并对减法运算的结果取绝对值，得到一幅差异图像；3b)计算该差异图像的标准差。(4)分类4a)按照下式计算精细分类阈值；权利要求1.，包括如下步骤(1)读入同一地区不同时刻获取的两幅遥感图像；(2)中值滤波2a)确定正方形窗口 选取步骤(1)中的一幅遥感图像，以该图像中的某一像素点为中心，选取一个大小为N1XN1的正方形窗口，其中，N1为奇数；2b)确定滤波值将正方形窗口中全部像素点的灰度值按照由大到小的顺序排列，组成一个灰度序列，选取位于灰度序列中间位置的灰度值作为滤波值； 2c)滤波用滤波值替代步骤2a)中像素点的灰度值； 2d)重复步骤2a)至步骤2c)，直至处理完图像中的全部像素点； 2e)按照步骤2a)至步骤2d)，对步骤(1)中的另外一幅遥感图像进行处理，得到滤波后的两幅图像；(3)构造差异图像3a)对步骤O)中滤波后的两幅遥感图像对应像素点进行减法运算，并对减法运算的结果取绝对值，得到一幅差异图像； 3b)计算该差异图像的标准差；(4)分类4a)按照下式计算精细分类阈值；2.根据权利要求1所述的，其特征在于步骤7a)所述的平稳小波分解的层数Q e {3,4,5}。3.根据权利要求1所述的，其特征在于步骤7b)所述的低频序列为\。4.根据权利要求1所述的，其特征在于步骤Ila)所述的确定空间位置的公式为Γ = {(χ, y) I (Dre(χ, y) = 1) Π (Ere(χ, y) = 1)}其中，Γ为待查找对象空间位置的集合，Dre为精细结果图(大小为MXN)，Fre为模糊结果图，χ和y为图像的行序号和列序号，χ e {1,2,…，M}，ye {1,2,…，N}，η表示逻辑与运算。5.根据权利要求1所述的，其特征在于步骤lib)所述对象的连通方式为W e {4,8}。全文摘要本专利技术公开了一种，其实现步骤为(1)读入数据；(2)中值滤波；(3)构造差异图像；(4)分类；(5)判断差异图像的标准差是否小于先验阈值；(6)自适应空间信息填充；(7)Treelet模糊融合；(8)构造模糊差异图像；(9)K-means分类；(10)数学形态学后处理；(11)特征与运算。本专利技术既可以较好的保持变化区域的边缘信息，又可以较好的兼顾变化检测结果中的漏检信息和虚警信息，具有较好的实时性和较高的检测精度，可应用于环境变化中的湖泊水位动态监测、农作物生长状态的动态监测、军事侦察等领域。文档编号G06T7/00GK102289807SQ201110191629公开日2011年12月21日 申请日期2011年7月8日 优先权日2011年7月8日专利技术者万义萍, 侯彪, 公茂果, 张小华, 焦李成, 王桂婷, 王爽, 田小林, 钟桦 申请人:西安电子科技大学本文档来自技高网...
【技术保护点】
１．基于Ｔｒｅｅｌｅｔ变换和特征融合的遥感图像变化检测方法，包括如下步骤：（１）读入同一地区不同时刻获取的两幅遥感图像；（２）中值滤波２ａ）确定正方形窗口：选取步骤（１）中的一幅遥感图像，以该图像中的某一像素点为中心，选取一个大小为Ｎ１×Ｎ１的正方形窗口，其中，Ｎ１为奇数；２ｂ）确定滤波值：将正方形窗口中全部像素点的灰度值按照由大到小的顺序排列，组成一个灰度序列，选取位于灰度序列中间位置的灰度值作为滤波值；２ｃ）滤波：用滤波值替代步骤２ａ）中像素点的灰度值；２ｄ）重复步骤２ａ）至步骤２ｃ），直至处理完图像中的全部像素点；２ｅ）按照步骤２ａ）至步骤２ｄ），对步骤（１）中的另外一幅遥感图像进行处理，得到滤波后的两幅图像；（３）构造差异图像３ａ）对步骤（２）中滤波后的两幅遥感图像对应像素点进行减法运算，并对减法运算的结果取绝对值，得到一幅差异图像；３ｂ）计算该差异图像的标准差；（４）分类４ａ）按照下式计算精细分类阈值；（ｍａｔｈ）??（ｍｒｏｗ）?（ｍｉ）Ｔ（／ｍｉ）?（ｍｏ）＝（／ｍｏ）?（ｍｉ）ａｒｇ（／ｍｉ）?（ｍｕｎｄｅｒ）?（ｍｉ）ｍｉｎ（／ｍｉ）?（ｍｉ）Ｇ（／ｍｉ）?（／ｍｕｎｄｅｒ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｏ）｜（／ｍｏ）?（ｍｓｕｂ）?（ｍｉ）Ｐ（／ｍｉ）?（ｍｉ）Ｇ（／ｍｉ）?（／ｍｓｕｂ）?（ｍｏ）－（／ｍｏ）?（ｍｆｒａｃ）?（ｍｒｏｗ）?（ｍｕｎｄｅｒｏｖｅｒ）?（ｍｉ）＆Ｓｉｇｍａ；（／ｍｉ）?（ｍｒｏｗ）?（ｍｉ）Ｇ（／ｍｉ）?（ｍｏ）＝（／ｍｏ）?（ｍｎ）０（／ｍｎ）?（／ｍｒｏｗ）?（ｍｎ）２５５（／ｍｎ）?（／ｍｕｎｄｅｒｏｖｅｒ）?（ｍｓｕｂ）?（ｍｉ）Ｐ（／ｍｉ）?（ｍｉ）Ｇ（／ｍｉ）?（／ｍｓｕｂ）?（／ｍｒｏｗ）?（ｍｎ）２５６（／ｍｎ）?（／ｍｆｒａｃ）?（ｍｏ）｜（／ｍｏ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（／ｍｒｏｗ）?（／ｍａｔｈ）其中，Ｔ为精细分类阈值，ｍｉｎ为取最小值函数，ＰＧ为差异图像中灰度值为Ｇ的像素点总个数，差异图像的大小为Ｍ×Ｎ，Ｇ∈｛０，１，２…，２５５｝，ＰＧ∈｛０，１，２…，Ｍ×Ｎ｝；４ｂ）利用精细分类阈值按照下式对差异图像进行分类，得到精细分类图；（ｍａｔｈ）??（ｍｒｏｗ）?（ｍｓｕｂ）?（ｍｉ）Ｄ（／ｍｉ）?（ｍｉ）Ａ（／ｍｉ）?（／ｍｓｕｂ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｉ）ｍ（／ｍｉ）?（ｍｏ），（／ｍｏ）?（ｍｉ）ｎ（／ｍｉ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（ｍｏ）＝（／ｍｏ）?（ｍｆｅｎｃｅｄｏｐｅｎ＝＇｛＇ｃｌｏｓｅ＝＇＇）?（ｍｔａｂｌｅ）?（ｍｔｒ）?（ｍｔｄ）?（ｍｎ）１（／ｍｎ）?（ｍｏ），（／ｍｏ）?（ｍｉ）Ａ（／ｍｉ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｉ）ｍ（／ｍｉ）?（ｍｏ），（／ｍｏ）?（ｍｉ）ｎ（／ｍｉ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（ｍｏ）＆ＧｒｅａｔｅｒＥｑｕａｌ；（／ｍｏ）?（ｍｉ）Ｔ（／ｍｉ）?（／ｍｔｄ）?（／ｍｔｒ）?（ｍｔｒ）?（ｍｔｄ）?（ｍｎ）０（／ｍｎ）?（ｍｏ），（／ｍｏ）?（ｍｉ）Ａ（／ｍｉ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｉ）ｍ（／ｍｉ）?（ｍｏ），（／ｍｏ）?（ｍｉ）ｎ（／ｍｉ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（ｍｏ）＆ｌｔ；（／ｍｏ）?（ｍｉ）Ｔ（／ｍｉ）?（／ｍｔｄ）?（／ｍｔｒ）?（／ｍｔａｂｌｅ）?（／ｍｆｅｎｃｅｄ）?（／ｍｒｏｗ）?（／ｍａｔｈ）其中，ＤＡ为精细分类图，Ａ为差异图像（大小为Ｍ×Ｎ），Ｔ为精细分类阈值，ｍ和ｎ为图像的行序号和列序号，ｍ＝１，２，…，Ｍ，ｎ＝１，２，…，Ｎ；（５）判断差异图像的标准差是否小于先验阈值若差异图像的标准差小于先验阈值Ｔ１，则进行步骤（６），否则步骤（４）中的精细分类图即为精细结果图，进行步骤（７），其中，Ｔ１∈｛１０，１１，…，１９，２０｝；（６）自适应空间信息填充６ａ）确定图像块：在精细分类图中选取一个待填充像素点，以该像素点为中心，以固定长度Ｎ２个像素为半径，确定一个图像块，其中，Ｎ２∈｛１，２，３｝；６ｂ）计算填充阈值：根据步骤６ａ）中的半径计算填充阈值，并统计图像块中灰度值为１的像素点总个数；Ｔｈ＝Ｎ２×（２×Ｎ２＋１）其中，Ｔｈ为填充阈值，Ｎ２为图像块半径；６ｃ）填充：当像素点总个数大于或等于填充阈值时，将待填充像素点的灰度值赋值为１，否则将待填充像素点的灰度值赋值为０；６ｄ）重复步骤６ａ）和步骤６ｃ），直至处理完精细分类图中的全部像素点，得到精细结果图；（７）Ｔｒｅｅｌｅｔ模糊融合７ａ）构造低频序列：分别对步骤（２）中滤波后的两幅遥感图像进行Ｑ层平稳小波分解，构造两个低频序列；７ｂ）构造Ｔｒｅｅｌｅｔ基矩阵：对步骤７ａ）中的一个低频序列进行Ｔｒｅｅｌｅｔ变换，得...
【技术特征摘要】
【专利技术属性】
技术研发人员：王桂婷，焦李成，万义萍，公茂果，钟桦，张小华，田小林，侯彪，王爽，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：87
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。