基於非局部小波信息的遙感圖像變化檢測方法與流程

2023-04-23 07:22:51

本發明屬於圖像處理技術領域，更進一步涉及一種基於非局部小波信息的遙感圖像變化檢測方法。該方法可應用於環境變化中的湖泊水位動態監測、農作物生長狀態的動態監測、軍事偵察等領域，能夠快速的檢測出兩時相遙感圖像的變化信息。

背景技術：
遙感圖像的變化檢測是指通過分析在不同時間來自同一地區的兩幅或多幅遙感圖像，檢測出該地區的地物隨時間發生的變化信息。遙感圖像的變化檢測已經廣泛地應用於如森林資源的動態監測、土地覆蓋和利用的變化監測、農業資源調查、城市規劃布局、環境監測分析、自然災害評估、地理數據更新以及軍事偵察中戰略目標(如道路、橋梁、機場)等的動態監視等許多領域。SAR圖像變化檢測中，主要分為三個步驟：1.差異圖生成，2.對差異圖進行分割，3.分析變化檢測結果圖。其中，差異圖的生成在變化檢測中起著至關重要的作用，它的質量好壞直接影響變化檢測結果的優劣。目前，應用較為廣泛的基本的差異圖生成算法主要有差值法，比值法，對數比法等。早期的研究已經證實，差值操作在高灰度級區域會比低灰度級區域產生的誤差更多，這一點不利於構造差異影像直方圖的統計模型。另外，比值操作對於乘性噪聲是非常敏感的，對數比值操作能夠降低乘性斑點噪聲的影響，因此得到了學者的廣泛應用。西安電子科技大學在其專利申請「基於圖像融合的光學遙感圖像變化檢測」(專利申請號：201210234076.1，公開號：CN102750705A)中提出了一種基於圖像融合的光學遙感圖像變化檢測方法。其實現過程為：對同一地域不同時間獲取的兩幅光學遙感圖像預處理後，分別構造差值法差異圖和比值法差異圖；對這兩幅差異圖分別進行N層小波分解後獲取各分解層高頻帶和低頻帶的小波係數；對高頻帶和低頻帶的小波係數分別用不同的融合算子融合處理，得到高頻帶和低頻帶的融合小波係數；對高頻帶和低頻帶的融合小波係數進行逆變換得到融合後差異圖；運用模糊局部C均值聚類法分割融合後的差異圖，得到變化檢測結果。該方法雖然能都解決現有變化檢測技術檢測結果精度不高的問題，但仍存在的不足是，該方法在圖像受到噪聲幹擾時，圖像的變化檢測結果迅速變差，抗噪性能差。西北工業大學在其專利申請「一種基於邊緣和灰度的遙感圖像變化檢測方法」(專利申請號：201010292888.2，公開號：CN101968885A)中提出了一種基於邊緣和灰度的遙感圖像變化檢測方法。該技術方案是利用基於雙邊濾波的Canny算法進行多時相圖像邊緣特徵提取，然後對灰度差值圖像進行OSTU閾值分割和邊緣提取，獲得灰度特徵。再將所提取的邊緣和灰度特徵進行綜合，檢測遙感圖像的變化區域。該方法由於充分利用了圖像中的線性特性的同時，利用灰度差值圖像彌補了因配準誤差造成的斷線，提高了檢測準確性，但仍存在的不足是，不能有效地衡量去除噪聲和保留圖像細節信息之間的關係，不能有效地保留圖像的細節信息。

技術實現要素：
本發明針對上述現有技術存在的不足，提出了一種基於非局部小波變換遙感圖像變化檢測方法。本發明既可以較好的保留圖像的細節信息，又對噪聲具有很好的魯棒性，能夠在去除噪聲的同時保留細節信息。本發明實現上述目的的思路是：在對讀入的數據進行對數比操作後，先對構造的差異圖像進行小波分解，再對分解後圖像高頻細節部分進行基於非局部信息的去噪處理，接著進行小波逆變換，最後使用基於局部模糊C均值聚類算法進行分割，得到最終的變化檢測結果圖。本發明的步驟包括如下：(1)讀入數據：讀入同一地區不同時刻獲取的已配準的兩幅遙感圖像；(2)構造差異圖：對讀入的兩幅遙感圖像，使用對數比公式，獲得兩幅遙感圖像的差異圖；(3)小波分解：對兩幅遙感圖像的差異圖，使用離散小波變換DWT進行分解，得到一幅低頻輪廓圖像和三幅高頻細節圖像，三幅高頻細節圖像分別為水平方向，豎直方向和對角方向的高頻細節圖像；(4)去噪：(4a)從水平方向的高頻細節圖像中任選一點k，以k為中心，選取一個大小為l×l的鄰域窗口，其中，l取值為(3，5，7)奇數；(4b)將鄰域窗口的全部像素點的灰度值以列優先的方式排成一列，得到該鄰域窗口的中心像素點k的特徵向量；(4c)重複步驟(4a)、步驟(4b)，直至得到水平方向高頻細節圖像中的全部像素點的特徵向量；(4d)按照下式，計算水平方向高頻細節圖像去噪時的權重值：其中，wij表示水平方向高頻細節圖像中的點j對點i去噪時的影響權重值，e表示自然常數，Ri表示水平方向高頻細節圖像中的點i的特徵向量，Rj表示水平方向高頻細節圖像中的點j的特徵向量，σ表示水平方向高頻細節圖像的方差；(4e)按照下式，對水平方向高頻細節圖像去噪，得到水平方向高頻細節圖像中的像素點的真實灰度值：其中，ti表示水平方向高頻細節圖像中的點i的真實灰度值，Wi表示水平方向高頻細節圖像中的點i的去噪權重值的歸一化常量，wij表示水平方向高頻細節圖像中的點j對點i去噪時的影響權重值，xj表示水平方向高頻細節圖像中的點j的像素灰度值，Si表示水平方向高頻細節圖像中的點i的搜索窗口；(4f)重複步驟(4d)、步驟(4e)，直至得到水平方向高頻細節圖像中的全部像素點的真實灰度值；(4g)採用步驟(4a)、步驟(4b)、步驟(4c)、步驟(4d)、步驟(4e)、步驟(4f)的相同方法，對步驟(3)中得到的豎直方向高頻細節圖像和對角方向高頻細節圖像分別進行去噪處理，得到去噪後豎直方向和對角方向的高頻細節圖像；(5)小波逆變換：對水平、豎直和對角方向形成的三幅去噪後高頻細節圖像和步驟(3)中得到的低頻輪廓圖像共四幅圖像，使用小波逆變換IDWT，得到去噪後的兩幅遙感圖像的差異圖；(6)分割差異圖：使用基於局部模糊C均值聚類算法FLICM，對去噪後的兩幅遙感圖像的差異圖進行分割，得到最終的變化檢測結果圖。本發明與現有技術相比具有以下優點：第一，本發明利用基於非局部信息的去噪處理方法，克服了現有技術在圖像受到噪聲幹擾時，圖像的變化檢測結果迅速變差，抗噪性能差的問題，使得本發明對噪聲的魯棒性得到了提高。第二，本發明通過對對數比差異圖進行小波分解，僅在高頻細節部分進行基於非局部信息的去噪處理，保留低頻輪廓部分信息，克服了現有技術不能有效地衡量去除噪聲和保留圖像細節信息之間的關係和不能有效地保留圖像的細節信息的問題，使得本發明的變化檢測精度得到了提高。附圖說明圖1為本發明的流程圖；圖2為本發明的第一組兩時相遙感數據圖像及其變化檢測參考圖；圖3為本發明與現有對比實驗方法的差異圖；圖4為本發明與現有對比實驗方法的變化檢測結果圖；圖5為本發明的第二組兩時相遙感數據圖像及其變化檢測參考圖；圖6為本發明與現有對比實驗方法的差異圖；圖7為本發明與現有對比實驗方法的變化檢測結果圖；具體實施方式下面結合附圖對本發明做進一步的詳細描述。參照附圖1，本發明的步驟如下。步驟1，讀入數據。讀入中同一地區不同時刻獲取的已經過配準和幾何校正的兩幅遙感圖像。本發明實施例中輸入第一組的原始遙感圖像如圖2所示，圖2(a)、圖2(b)源自歐洲遙感圖像庫中的Bern城市的不同時刻的兩幅原始的遙感圖像，分別拍攝於1999.04和1999.05，其大小均為256×256個像素。圖2(c)為Bern城市變化檢測參考圖。本發明實施例中輸入第二組的原始遙感圖像如圖5所示，圖5(a)、圖5(b)源自加拿大遙感圖像庫中的Ottawa地區的不同時刻的兩幅原始的遙感圖像，分別拍攝於1997.05和1997.08，其大小均為290×350個像素。圖5(c)為Ottawa地區變化檢測參考圖。步驟2，構造差異圖。對讀入的兩幅遙感圖像，使用對數比公式，獲得兩幅遙感圖像的差異圖，對數比公式為：其中，X表示兩幅遙感圖像的差異圖，X1和X2分別表示同一地區不同時刻已配準的兩幅遙感圖像，log表示自然對數操作。參照圖3，圖3(a)是對圖2(a)和圖2(b)使用對數比公式得到的兩幅遙感圖像的差異圖。參照圖6，圖6(a)是對圖5(a)和圖5(b)使用對數比公式得到的兩幅遙感圖像的差異圖。步驟3，小波分解。對兩幅遙感圖像的差異圖，使用離散小波變換DWT進行分解，得到一幅低頻輪廓圖像和三幅高頻細節圖像，三幅高頻細節圖像分別為水平方向，豎直方向和對角方向的高頻細節圖像。步驟4，去噪。(4a)從水平方向的高頻細節圖像中任選一點k，以k為中心，選取一個大小為l×l的鄰域窗口，其中，l取值為(3，5，7)奇數。(4b)將鄰域窗口的全部像素點的灰度值以列優先的方式排成一列，得到該鄰域窗口的中心像素點k的特徵向量。(4c)重複步驟(4a)、步驟(4b)，直至得到水平方向高頻細節圖像中的全部像素點的特徵向量。(4d)按照下式，計算水平方向高頻細節圖像去噪時的權重值：其中，wij表示水平方向高頻細節圖像中的點j對點i去噪時的影響權重值，e表示自然常數，Ri表示水平方向高頻細節圖像中的點i的特徵向量，Rj表示水平方向高頻細節圖像中的點j的特徵向量，σ表示水平方向高頻細節圖像的方差。(4e)按照下式，對水平方向高頻細節圖像去噪，得到水平方向高頻細節圖像中的像素點的真實灰度值。其中，ti表示水平方向高頻細節圖像中的點i的真實灰度值，Wi表示水平方向高頻細節圖像中的點i的去噪權重值的歸一化常量，wij表示水平方向高頻細節圖像中的點j對點i去噪時的影響權重值，xj表示水平方向高頻細節圖像中的點j的像素灰度值，Si表示水平方向高頻細節圖像中的點i的搜索窗口。(4f)重複步驟(4d)、步驟(4e)，直至得到水平方向高頻細節圖像中的全部像素點的真實灰度值。(4g)採用步驟(4a)、步驟(4b)、步驟(4c)、步驟(4d)、步驟(4e)、步驟(4f)的相同方法，對步驟(3)中得到的豎直方向高頻細節圖像和對角方向高頻細節圖像分別進行去噪處理，得到去噪後豎直方向和對角方向的高頻細節圖像。步驟5，小波逆變換。對水平、豎直和對角方向形成的三幅去噪後高頻細節圖像和步驟(3)中得到的低頻輪廓圖像共四幅圖像，使用小波逆變換IDWT，得到去噪後的兩幅遙感圖像的差異圖。參照圖3，圖3(b)是對圖3(a)去噪後的兩幅遙感圖像的差異圖。參照圖6，圖6(b)是對圖6(a)去噪後的兩幅遙感圖像的差異圖。步驟6，分割差異圖。使用基於局部模糊C均值聚類算法FLICM，對去噪後的兩幅遙感圖像的差異圖進行分割，得到最終的變化檢測結果圖，基於局部模糊C均值聚類算法FLICM的步驟如下：(6a)初始化：設定聚類數目c＝2，模糊指數m＝2和迭代截止條件閾值ε＝10-6，隨機初始化模糊隸屬度矩陣U(0)，設置循環計數器b＝0，按照下式，進行初迭代截止條件閾值ε＝10-6始化：U(b)＝[uij](i＝1,2；j＝1,2,…,N)其中，U(b)表示模糊隸屬度矩陣，b表示循環計數器，uij表示兩幅遙感圖像的差異圖中像素點j屬於第i類的模糊隸屬度，N表示兩幅遙感圖像的差異圖中像素點的總個數。(6b)利用下式計算聚類中心：其中，νk表示第k類的聚類中心，μki表示兩幅遙感圖像的差異圖中像素點i屬於第k類的模糊隸屬度，xi表示兩幅遙感圖像的差異圖中像素點i的灰度值，m表示模糊指數，N表示兩幅遙感圖像的差異圖中像素點的總個數；(6c)按照下式，計算空間距離項：其中，Gki表示兩幅遙感圖像的差異圖中像素點i到第k類聚類中心的空間距離，Ni表示點兩幅遙感圖像的差異圖中像素點i的空間鄰域，dij表示點i的空間鄰域中的點j到點i的歐式距離，dij＝||xj-xi||2，xj表示兩幅遙感圖像的差異圖中像素點i的空間鄰域中的點j的灰度值，νk表示第k類的聚類中心，m表示模糊指數；(6d)按照下式，計算模糊隸屬度矩陣的元素，得到更新後的模糊隸屬度矩陣U(b+1)：其中，μki表示兩幅遙感圖像的差異圖中像素點i屬於第k類的模糊隸屬度，Gki表示像素點i到第k個聚類中心的空間距離，xi表示兩幅遙感圖像的差異圖中像素點i的灰度值，νk表示第k類的聚類中心，m表示模糊指數，c表示聚類數目；(6e)判斷max{U(b)-U(b+1)}＜ε是否成立，如果成立，結束該聚類算法，得到最終的模糊隸屬度矩陣U＝U(b+1)，由模糊隸屬度矩陣U得到各像素點的分類結果；否則，令b＝b+1,執行(6b)；其中，ε表示迭代截止條件閾值，ε＝10-6，U(b)表示更新前的模糊隸屬度矩陣，U(b+1)表示更新後的模糊隸屬度矩陣。參照圖4，圖4(a)、圖4(b)是對圖3(a)、圖3(b)分別進行分割後得到的變化檢測結果圖。參照圖7，圖7(a)、圖7(b)是對圖6(a)、圖6(b)分別進行分割後得到的變化檢測結果圖。本發明的效果可通過以下仿真進一步說明。1.仿真條件：本發明的仿真是在Intel(R)Core(TM)i3CPU3.19GHz3.05G內存WindowsXP系統下，Matlabr2012a運行平臺上，完成的仿真實驗。2.仿真實驗結果及分析：從圖4和圖7這兩組變化檢測結果對比可以發現，本發明在視覺上均能得到較好的結果，為了進一步比較客觀的說明問題，分別比較了變化檢測圖像的正確率及kappa係數。對於第一組實驗對數比方法得到的變化監測結果圖4(a)的正確率為99.49％，本發明方法得到的變化檢測結果圖4(b)的正確率為99.57％，圖4(a)的kapaa係數為0.8331，本發明方法圖4(b)的kapaa係數為0.8653，本發明方法的漏檢數由306減少到225；第二組實驗變化檢測結果如圖7所示，圖7(a)的正確率和kappa係數分別為0.9733和0.8935，本發明圖7(b)所示的結果正確率為0.9796，kappa係數為0.9196。通過這些指標可以定量的看出本發明應用於SAR圖像變化檢測產生了較好的效果。由圖4和圖7的仿真結果可以說明，針對SAR圖像變化檢測，本發明存在一定的優勢，將圖像使用小波變換隻對高頻部分進行處理，具有針對性，能夠有效的去除噪聲而不影響圖像的低頻信息；在去除噪聲的過程中，使用圖像的鄰域信息構成的特徵向量替代單個像素，用全局像素點的特徵向量與所求像素點特徵向量灰度值的相似性確定出全局像素對於所求像素點灰度值的貢獻，提高了對噪聲的魯棒性，保護了圖像本身的結構信息。綜上所述，本發明能夠更加有效的應用於SAR圖像變化檢測中。