基于融合和pca核模糊聚類的遙感圖像變化檢測(cè)方法
【專利摘要】本發(fā)明公開(kāi)了一種基于融合和PCA核模糊聚類的遙感圖像變化檢測(cè)方法，主要解決現(xiàn)有技術(shù)檢測(cè)效果不理想，單一類型差異圖檢測(cè)精度低、適用范圍窄的問(wèn)題。其實(shí)現(xiàn)步驟為：（1）輸入兩時(shí)相遙感圖像X1和X2，并進(jìn)行中值濾波；（2）計(jì)算濾波后兩幅圖像的差值圖、對(duì)數(shù)比值圖和均值比圖；（3）對(duì)該3幅圖像進(jìn)行融合，得到融合后的圖像Xd；（4）用PCA方法對(duì)融合后圖像進(jìn)行特征提取，得到每個(gè)像素的特征向量，構(gòu)成特征空間矩陣；（5）用基于核的模糊C均值方法將特征空間矩陣聚成兩類；（6）根據(jù)聚類結(jié)果得到最終的變化檢測(cè)結(jié)果圖。本發(fā)明具有較好的抗噪性能和檢測(cè)精度，對(duì)不同類型的遙感圖像均可獲得較好的效果，可應(yīng)用于環(huán)境監(jiān)測(cè)、災(zāi)害評(píng)估領(lǐng)域。
【專利說(shuō)明】基于融合和PCA核模糊聚類的遙感圖像變化檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于圖像處理【技術(shù)領(lǐng)域】，涉及遙感圖像變化檢測(cè)方法，可用于城區(qū)規(guī)劃、自然災(zāi)害評(píng)估、土地利用和土地覆蓋的動(dòng)態(tài)監(jiān)測(cè)等領(lǐng)域。
【背景技術(shù)】
[0002]遙感圖像變化檢測(cè)是指通過(guò)對(duì)同一地區(qū)不同時(shí)期的兩幅或多幅圖像進(jìn)行比較分析，根據(jù)圖像之間的差異來(lái)獲取地物的變化信息。遙感圖像變化檢測(cè)技術(shù)已成功地應(yīng)用于眾多領(lǐng)域，如環(huán)境監(jiān)測(cè)、土地利用和土地覆蓋的動(dòng)態(tài)監(jiān)測(cè)、森林或植被的變化分析、災(zāi)害評(píng)估、農(nóng)業(yè)調(diào)查、城鎮(zhèn)變化研究及在軍事中的人造目標(biāo)監(jiān)測(cè)和地面武裝部署分析。
[0003]遙感圖像變化檢測(cè)方法主要包括3個(gè)步驟:(I)圖像預(yù)處理；(2)差異圖的構(gòu)造；
[3]變化信息的提取。其中:
[0004]在差異圖的構(gòu)造中，差值法和比值法作為兩種最基本的方法，分別通過(guò)對(duì)校正后的兩時(shí)相遙感圖像逐像素相減和相除運(yùn)算來(lái)獲得差異圖。由于SAR圖像中相干斑噪聲的乘性特征，比值法比差值法更適合于SAR圖像差異圖的構(gòu)造，并且比值法對(duì)校準(zhǔn)誤差不敏感。目前在用比值法構(gòu)造差異圖時(shí)主要采用對(duì)數(shù)比或均值比的形式。Dekker提出使用對(duì)數(shù)比的方法構(gòu)造差異圖，它除了可以將乘性噪聲轉(zhuǎn)化為加性噪聲外，還對(duì)比值圖像的變化范圍進(jìn)行了壓縮。均值比法就是取對(duì)應(yīng)像素的鄰域均值再求比值，它對(duì)噪聲具有更強(qiáng)的魯棒性。然而這種比值法，包括均值比和對(duì)數(shù)比方法在一定程度上夸大了低灰度值區(qū)域的變化，不能真實(shí)地反映變化信息。如灰度值從2到20的變化與從20到200的變化，比值法將無(wú)法區(qū)分，而差值法的變化就很明顯。因此，使用單一的比值法或差值法方法進(jìn)行差異圖的構(gòu)造會(huì)存在檢測(cè)精度低以及適用范圍窄等問(wèn)題。
[0005]變化信息的提取常用的方法是利用K-means或模糊C均值FCM等聚類方法直接對(duì)差異圖進(jìn)行聚類，得到變化類和未變化類。這種方法由于未考慮空間鄰域信息，其抗噪性能往往不理想。
[0006]Celik T提出的一種新穎的PCA變化檢測(cè)方法。對(duì)于兩幅同一地區(qū)不同時(shí)間的遙感圖像來(lái)說(shuō)，首先構(gòu)造差異圖，然后將差異圖劃分成大小相等且互不重疊的小塊，用PCA方法對(duì)小塊進(jìn)行特征向量提取，然后將差異圖中每個(gè)像素所在的鄰域小塊映射到特征向量上，構(gòu)成新的特征空間，用K-means方法對(duì)特征空間聚類得到最終的變化檢測(cè)結(jié)果圖。該方法簡(jiǎn)稱為PCA-Kmeans法。這種方法由于使用了基于分塊的數(shù)據(jù)分析技術(shù)，用每個(gè)像素的鄰域作為它的紋理向量，具有一定的抗噪能力。但是K-means聚類方法屬于硬劃分的范疇，它將每個(gè)樣本嚴(yán)格地劃分到某一類，類別界限分明，對(duì)實(shí)際類別間有重疊的數(shù)據(jù)或線性不可分?jǐn)?shù)據(jù)的聚類效果不理想。另外PCA-Kmeans方法在差異圖的構(gòu)造中，由于只使用了單一類型的差異圖，部分真實(shí)變化區(qū)域輪廓的像素灰度值與非變化類像素的灰度值比較接近，會(huì)影響變化區(qū)域的檢測(cè)，造成檢測(cè)精度不夠高的問(wèn)題。

【發(fā)明內(nèi)容】
[0007]本發(fā)明目的在于提出一種基于融合和PCA核模糊聚類的遙感圖像變化檢測(cè)方法，以現(xiàn)有技術(shù)檢測(cè)效果不理想，單一類型差異圖檢測(cè)精度低、適用范圍窄的問(wèn)題，更好地檢測(cè)出變化區(qū)域。
[0008]為實(shí)現(xiàn)上述目的，本發(fā)明的實(shí)現(xiàn)步驟包括如下:
[0009](I)讀入在不同時(shí)刻從同一地區(qū)犾取的兩幅遙感圖像X1和X2,并對(duì)這兩幅遙感圖像進(jìn)行3X3中值濾波；
[0010](2)獲取中值濾波后兩幅圖像的差異圖:
[0011](2a)計(jì)算中值濾波后兩幅圖像對(duì)應(yīng)像素灰度值的差，并進(jìn)行歸一化，得到差值圖Xd1 ；
[0012](2b)計(jì)算中值濾波后兩幅圖對(duì)應(yīng)像素灰度值的商，并對(duì)商取對(duì)數(shù)后，再進(jìn)行歸一化，得到對(duì)數(shù)比值圖Xd2;
[0013](2c)計(jì)算中值濾波后兩幅圖的均值比，并歸一化，得到均值比圖Xd3 ；
[0014](3)對(duì)差值圖Xd1，對(duì)數(shù)比值圖Xd2及均值比圖Xd3分別進(jìn)行3層平穩(wěn)小波變換，得到每一幅圖的低頻子帶系數(shù)和高頻子帶系數(shù)；分別對(duì)該3幅圖的低頻子帶系數(shù)和高頻子帶系數(shù)進(jìn)行融合，并對(duì)融合后的低頻子帶系數(shù)和高頻子帶系數(shù)進(jìn)行平穩(wěn)小波反變換，得到融合后的圖像Xd ；
[0015](4)用PCA方法對(duì)融合后的圖像Xd進(jìn)行特征提取，得到融合后圖像Xd中每個(gè)像素的特征向量，構(gòu)成特征空間矩陣Q ；
[0016](5)用基于核的模糊C均值聚類方法，將特征空間矩陣Q聚成兩個(gè)不同的類別A和B ；
[0017](6)根據(jù)特征空間矩陣Q中的每一列為融合后圖像Xd每個(gè)像素的特征向量的對(duì)應(yīng)關(guān)系及特征空間矩陣Q的聚類結(jié)果，將Xd劃分為與特征空間矩陣Q聚類結(jié)果相對(duì)應(yīng)的兩個(gè)不同類別A'和B'，分別計(jì)算這兩個(gè)不同類別的均值，并均值較大的那一類則為變化類，均值較小的那一類則為非變化類，由此得到最終的變化檢測(cè)結(jié)果。
[0018]本發(fā)明與現(xiàn)有技術(shù)相比具有以下優(yōu)點(diǎn):
[0019]1.本發(fā)明采用圖像融合的方法構(gòu)造差異圖，對(duì)不同類型的遙感圖像均可獲得較好的檢測(cè)結(jié)果，解決了單一類型差異圖檢測(cè)精度低、適用范圍窄的問(wèn)題，具有較好的魯棒性。
[0020]2.本發(fā)明對(duì)PCA提取的特征采用基于核的模糊聚類方法，將原始數(shù)據(jù)映射到高維特征空間再進(jìn)行聚類，該方法通過(guò)非線性映射能夠較好地分辨、提取并放大有用特征，實(shí)現(xiàn)更為準(zhǔn)確的聚類，進(jìn)一步降低了變化檢測(cè)的錯(cuò)誤率。
【專利附圖】

【附圖說(shuō)明】
[0021 ]圖1是本發(fā)明的流程圖；
[0022]圖2是模擬遙感圖像數(shù)據(jù)集和該數(shù)據(jù)集的標(biāo)準(zhǔn)變化檢測(cè)圖；
[0023]圖3是用本發(fā)明和對(duì)比方法對(duì)模擬遙感圖像數(shù)據(jù)集的變化檢測(cè)結(jié)果圖；
[0024]圖4是Ottawa地區(qū)SAR圖像數(shù)據(jù)集和該數(shù)據(jù)集的標(biāo)準(zhǔn)變化檢測(cè)圖；
[0025]圖5是用本發(fā)明和對(duì)比方法對(duì)Ottawa地區(qū)SAR圖像數(shù)據(jù)集的變化檢測(cè)結(jié)果圖；
[0026]圖6是墨西哥郊區(qū)遙感圖像數(shù)據(jù)集和和該數(shù)據(jù)集的標(biāo)準(zhǔn)變化檢測(cè)圖；
[0027]圖7是本發(fā)明和對(duì)比方法對(duì)墨西哥郊區(qū)遙感圖像數(shù)據(jù)集的變化檢測(cè)結(jié)果圖?！揪唧w實(shí)施方式】
[0028]參照?qǐng)D1，本發(fā)明的具體步驟如下:
[0029]步驟1:讀入在不同時(shí)刻從同一地區(qū)獲取的兩幅遙感圖像XJPX2，并對(duì)這兩幅圖像進(jìn)行3X3中值濾波。
[0030]Ia)對(duì)X1遙感圖像中的每一個(gè)像素點(diǎn)，選取一個(gè)大小為3X3的矩形窗口，將窗口中全部像素點(diǎn)的灰度值按從大到小的順序排列，組成一個(gè)灰度序列，選取序列中間位置的灰度值作為濾波后的輸出值，從而得到中值濾波后的圖像X/ ；
[0031]Ib)用同樣方法對(duì)遙感圖像X2進(jìn)行處理，得到中值濾波后的圖像X2'。
[0032]步驟2:獲取中值濾波后兩幅圖像的差異圖。
[0033]2a)對(duì)中值濾波后的圖像X/在坐標(biāo)(i，j)處的灰度值X1' (i, j)與中值濾波后的圖像X2'在坐標(biāo)(i，j)處的灰度值X2' (i, j)進(jìn)行差值運(yùn)算，得到差矩陣C在坐標(biāo)(i，j)處的值C(i，j):
[0034]C (i, j) = I X1, (i, j) -X2, (i, j) I，進(jìn)而得到差矩陣 C= {C (i, j)}；
[0035]2b)歸一化差矩陣，得到差值圖Xd1在坐標(biāo)(i，j)處的值Xd1 (i，j):
[0036]
【權(quán)利要求】
1.一種基于融合和PCA核模糊聚類的遙感圖像變化檢測(cè)方法，包括如下步驟: (1)讀入在不同時(shí)刻從同一地區(qū)獲取的兩幅遙感圖像X1和X2，并對(duì)這兩幅遙感圖像進(jìn)行3X3中值濾波； (2)獲取中值濾波后兩幅圖像的差異圖: (2a)計(jì)算中值濾波后兩幅圖像對(duì)應(yīng)像素灰度值的差，并進(jìn)行歸一化，得到差值圖Xd1 ；(2b)計(jì)算中值濾波后兩幅圖對(duì)應(yīng)像素灰度值的商，并對(duì)商取對(duì)數(shù)后，再進(jìn)行歸一化，得到對(duì)數(shù)比值圖Xd2; (2c)計(jì)算中值濾波后兩幅圖的均值比，并歸一化，得到均值比圖Xd3 ； (3)對(duì)差值圖Xd1，對(duì)數(shù)比值圖Xd2及均值比圖Xd3分別進(jìn)行3層平穩(wěn)小波變換，得到每一幅圖的低頻子帶系數(shù)和高頻子帶系數(shù)；分別對(duì)該3幅圖的低頻子帶系數(shù)和高頻子帶系數(shù)進(jìn)行融合，并對(duì)融合后的低頻子帶系數(shù)和高頻子帶系數(shù)進(jìn)行平穩(wěn)小波反變換，得到融合后的圖像Xd ; (4)用PCA方法對(duì)融合后的圖像Xd進(jìn)行特征提取，得到融合后圖像Xd中每個(gè)像素的特征向量，構(gòu)成特征空間矩陣Q ； (5)用基于核的模糊C均值聚類方法，將特征空間矩陣Q聚成兩個(gè)不同的類別A和B; (6)根據(jù)特征空間矩陣Q中的每一列為融合后圖像Xd每個(gè)像素的特征向量的對(duì)應(yīng)關(guān)系及特征空間矩陣Q的聚類結(jié)果，將Xd劃分為與特征空間矩陣Q聚類結(jié)果相對(duì)應(yīng)的兩個(gè)不同類別A'和B'，分別計(jì)算這兩個(gè)不同類別的均值，并均值較大的那一類則為變化類，均值較小的那一類則為非變化類，由此得到最終的變化檢測(cè)結(jié)果。
2.根據(jù)權(quán)利要求1中所述的方法，其中步驟(3)所述的對(duì)3幅圖的低頻子帶系數(shù)進(jìn)行融合，按如下公式進(jìn)行:
difL=A2/4+A3/4+A1/2 式中，difL是融合后的低頻子帶系數(shù)，A1, A2, A3分別表示差值圖Xd1，對(duì)數(shù)比值圖Xd2和均值比圖Xd3進(jìn)行平穩(wěn)小波變換后的低頻子帶系數(shù)。
3.根據(jù)權(quán)利要求1中所述的方法，其中步驟(3)所述的對(duì)3幅圖的高頻子帶系數(shù)進(jìn)行融合，按如下公式進(jìn)行:
4.根據(jù)權(quán)利要求1中所述的方法，其中步驟(4)所述的用PCA方法對(duì)融合后的圖像Xd進(jìn)行特征提取，得到圖像Xd中每個(gè)像素的特征向量，構(gòu)成特征空間矩陣Q，按如下步驟進(jìn)行: 4a)將融合后的差異圖Xd分成大小相等且互不重疊的小塊，塊的大小為hXh，h > 2，共有η個(gè)小塊，將每個(gè)小塊轉(zhuǎn)化為列向量Xt, t=l, 2,..., η ； 4b )根據(jù)4a)中得到的η個(gè)列向量，計(jì)算均值向量"teun =，從而得出大小為






h2Xh2的協(xié)方差矩陣:
5.根據(jù)權(quán)利要求1中所述的方法，其中步驟(5)所述的用基于核的模糊C均值聚類方法，將特征空間矩陣Q聚成兩個(gè)不同的類別A和B，按如下步驟進(jìn)行: 5a)設(shè)定聚類數(shù)目為2,初始化聚類中心οξ, Ck表示第ξ個(gè)聚類中心，ξ =1，2 ; 5b)設(shè)定循環(huán)計(jì)數(shù)器b=0，計(jì)算隸屬度矩陣:υω={ιιξ E}， 其中，
【文檔編號(hào)】G06T7/00GK103456018SQ201310405037
【公開(kāi)日】2013年12月18日 申請(qǐng)日期:2013年9月8日 優(yōu)先權(quán)日:2013年9月8日
【發(fā)明者】慕彩紅, 焦李成, 霍利利, 劉若辰, 馬文萍, 王桂婷, 劉勇, 師萌, 張文婷 申請(qǐng)人:西安電子科技大學(xué)