[发明专利]NSST域MRF与自适应阈值融合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领域，涉及遥感图像变化检测，主要涉及一种非下采样Shearlet变换(Nonsubsampled Shearlet Transform，NSST)域马尔科夫随机场(Markov Random Field，MRF)与自适应阈值融合的遥感图像变化检测，具体是一种NSST域MRF与自适应阈值融合的遥感图像变化检测方法。该方法用于对遥感图像变化检测中的差异图像分类。

背景技术

遥感图像的变化检测主要依据同一地区不同时相的遥感图像存在电磁波谱特征差异或空间结构特征差异，通过分析和提取这些差异特征来实现识别地物类型的转变或内部条件和状态的变化。在国民经济和国防建设的诸多领域已得到广泛应用，如农作物的生长监测、森林和植被变化监测、城区变化监测、军事目标监测等。

遥感图像变化检测中变化/非变化信息检测的关键步骤是选择合适的阈值或二值分类方法。其中，无监督变化检测由于不需要昂贵且难以获得、甚至是常常无法获得的地面真实数据，因此在许多应用中是基本的普遍采用的变化检测方法。基于贝叶斯理论的阈值方法是无监督变化检测中的常用方法，MRF分类方法则由于考虑了像素点的邻域信息常用于提高分类准确性。

Bruzzone等学者(2000)在文章“Automatic Analysis of the Difference Image for Unsupervised Change Detection，IEEE Transactions on Geoscience and Remote Sensing，38(3)：1171-1182”中提出了两种基于贝叶斯理论的无监督变化检测方法。一种方法是在假设差值差异图的像素在空间上是独立的条件下，最小化全局变化检测误差来自动选取判决阈值的方法。该方法能保持较好的边缘信息，但是抗噪性能较差。另一种方法是考虑差值差异图中各个像素的邻域信息来分析差值图，该方法将差值差异图看作一个马尔科夫随机场，在基于贝叶斯准则下对差异图像分类。该方法有较强的抗噪性能，但是得到的变化检测结果并不能保持很好的边缘。

为了进一步提高变化检测的精度，一些学者提出了变化域的无监督变化检测方法，Bovolo等学者(2005)在文章“A Detail-Preserving Scale-Driven Approach to Change Detection in Multitemporal SAR Images，IEEE Transactions on Geoscience and Remote Sensing，2005，43(12)：2963-2972”中提出了一种尺度驱动融合的SAR图像变化检测方法，该方法首先对两时相图的对数比值图进行二维离散平稳小波分解，然后通过局部变化系数和全局变化系数的关系确定可靠尺度，并采用可靠尺度特征级融合策略进行变化检测。该方法虽然根据一定准则对变化域各尺度低频信息加以利用，提高了变化检测的准确性，但是用该方法提出的准则融合各尺度信息时，如果融合零尺度信息(即原对数比值图)，则变化检测结果边缘保持较好但是误检高，杂点多，如果不融合零尺度信息，则变化检测结果误检少但边缘保持较差，所以该方法并不能很好的权衡误检和边缘保持特性。

Celik(2010)在文章“A Bayesian approach to unsupervised multiscale change detection in synthetic aperture radar images，Signal Processing，2010，90：1471-1485”中提出了一种变化域的自适应阈值变化检测方法，该方法先将差值差异图进行双树复小波变换，然后在贝叶斯最小错误率准则下对各子带系数进行分类，最后融合各子带系数分类结果得到变化检测结果图，该方法中双树复小波是下采样的，在进行尺度间融合时要对粗尺度结果进行插值，从而使得最终结果图的边缘呈块状，边缘保持很差。