高分辨率可见光遥感图像变化检测方法技术

本发明专利技术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。本发明专利技术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。

【技术实现步骤摘要】

本专利技术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，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

技术介绍
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。
技术实现思路
本专利技术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。本专利技术的基于目标多特征和机器学习的步骤如下步骤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。本专利技术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、本专利技术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，本专利技术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、本专利技术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。本专利技术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。附图说明图I是本专利技术基于目标多特征和机器学习的流程图。具体实施例方式为使本专利技术的目的、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，对本专利技术进一步详细说明。本专利技术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是本专利技术基于目标多特征和机器学习的流程图。参照图1，本专利技术的流程包括在步骤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),IiF(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'Hi1m2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本文档来自技高网...

【技术保护点】
一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S1：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S1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。

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：江碧涛，樊彬，张秀玲，潘春洪，杜鹃，李京龙，常民，
申请(专利权)人：北京市遥感信息研究所，中国科学院自动化研究所，
类型：发明
国别省市：