[发明专利]基于多组滤波和降维的遥感图像变化检测方法

说明书

技术领域

本发明属于数字图像处理技术领域，具体的说是一种基于多组滤波和降维的遥感图像变化检测方法，适用于遥感图像的处理与分析。

背景技术

基于遥感图像的变化检测就是从不同时间获取的同一地理区域的多时相遥感图像中，分析和确定地表变化特征和过程的技术。在农业、环境、城市规划、国防等领域得到广泛的应用。通过对同一地区不同时相的遥感图像的分析，能够获取该地区地物变化的信息，这些信息可用于地理信息系统更新、资源环境监测、目标动态监视以及打击效果评估等，是遥感技术的重要研究方向。

对配准后的两幅遥感图像的变化检测方法一般是先获取差异图，然后对差异图进行变化与非变化分类。获取差异图的方法由于对原始数据直接进行差异比较，不会改变数据本身，信息较为可靠。其中对变化区域与非变化区域的常用分类方法是通过统计差异图的分布计算分类阈值，但该方法没有考虑差异图像的邻域信息，易将剧烈的噪声部分认为变化区域从而影响最终的检测精度。考虑邻域信息的分类方法能够克服以上的缺点。聚类方法即属于考虑邻域信息的分类方法，不需要建立统计模型，能够对变化和非变化的模糊部分有效的分类。常见的聚类算法有模糊均值聚类(Fuzzy C-Means，FCM)和K均值聚类(K-Means，KM)等。

Susmita Ghosh等学者在文章“Unsupervised Change Detection of Remotely Sensed Images using Fuzzy Clustering”中提出的FCM聚类进行变化检测的方法，能够对差异图像中变化区域和非变化区域的重叠部分得到有效地的分类判断结果。但仍会出现难以分辨的噪声区域，从而影响变化检测的结果。Turgay Celik学者在文章“Unsupervised change detection in satellite images using principal component analysis and k-means clustering”中提出的利用PCA降维提取差异图中邻域块的有效特征向量，从而得到差异图像的特征向量空间，利用K均值聚类对差异图像的特征向量空间进行分类，最后根据最小欧氏距离得到最终的变化检测结果图。但差异图像的特征向量空间需要较大的计算量，且将图像进行块处理会降低变化区域的空间信息，影响变化检测的结果。

发明内容

本发明的目的在于针对上述已有遥感图像变化检测方法的不足，提出一种基于多组滤波和降维的遥感图像变化检测方法，以减小计算量，快速、准确地检测出变化区域。

为实现上述目的，本发明的变化检测方法包括如下步骤：

(1)对输入的两幅已经配准的多时相遥感图像T1和T2空间位置对应的像素灰度值进行差值计算，得到一幅差值差异图Xd；

(2)计算差值差异图Xd变化类和非变化类的分类阈值；

(3)根据分类阈值计算出图像T1和图像T2中非变化类像素的灰度直方图，将图像T1中的非变化类像素和图像T2中的非变化类像素进行灰度校正，得到图像T2灰度校正后的图像T3；将图像T1和图像T3空间位置对应的像素灰度值进行差值计算，得到一幅灰度校正的差值差异图D；

(4)将Gabor滤波函数参数中5个方向角度的任意一个与6个频率的任意一个进行两两组合，可得到30组滤波器函数，利用该组滤波器函数对灰度校正的差值差异图D进行滤波得到30组滤波后的差异图像组，记为滤波图像组矩阵E₁；

(5)将灰度校正的差值差异图D加入到滤波图像组矩阵E₁中，得到降维样本矩阵E；

(6)利用Treelet算法计算降维样本矩阵E的投影矩阵P，得到沿投影方向降维后的最终差异图像F；

(7)对得到的最终差异图像F利用K均值算法进行聚类，得到最终的变化检测结果图Z。

本发明与现有的技术相比具有以下优点：

(1)本发明根据差值差异图的预分类结果对原始遥感图像的非变化类像素进行灰度校正，能有效地减少噪声信号的影响，提高变化检测的准确度。

(2)本发明使用多组Gabor滤波器对差值差异图进行滤波，滤波图像具有较大的类间离散度和较小的类内离散度，提高图像的聚类质量和算法效率。

(3)本发明使用Treelet算法对滤波后的图像进行降维，得到有效的滤波结果，不需要进行参数遍历，算法效率将得到提高。

附图说明

图1是本发明的实现流程图；

图2是本发明使用的两时相遥感数据图像及其变化检测参考图；