基于多特征证据融合与结构相似度的遥感图像变化检测方法技术

本发明专利技术公开了一种基于多特征证据融合与结构相似度的遥感图像变化检测方法。其步骤：Ａ．数据准备：选取需要进行变化检测的不同时相、相同空间范围的遥感图像。Ｂ．特征提取：分别提取出两时相遥感图像的纹理、梯度和边缘特征。Ｃ．结构相似度计算：计算两时相遥感图像在工作窗口内的纹理结构相似度、梯度结构相似度和边缘结构相似度。Ｄ．确定基本概率赋值函数：以纹理、梯度和边缘结构相似度为基础，构建证据理论的基本概率赋值函数（ＢＰＡＦ）。Ｅ．证据合成并获得变化区域，从而实现了变化检测。本发明专利技术方法基于图像边缘、纹理、梯度的区域统计特征进行变化检测，可有效避免仅使用单一特征进行变化检测造成的漏检与误检，算法具稳健性。

【技术实现步骤摘要】

本专利技术涉及一种遥感图像变化内容的检测方法，具体说是一种基于多特征 证据融合与结构相似度的遥感图像变化检测方法，属于遥感图像处理与信息提 取领域。
技术介绍
遥感图像变化检测是利用对同一地区在不同时期拍摄的两幅遥感数字图像 (以下简称遥感图像)，采用数字图像处理和模式识别等手段，检测出该地区的 地物变化信息的一项技术，它在环境、农业、水利和军事等诸多领域都有着非 常广泛的应用。近年来，随着航天技术、传感器技术、计算机技术及其相关科学的迅猛发展，遥感技术得到了飞速进步，如GeoEye-l遥感图像的空间分辨率 已达到0.41米。高空间分辨率遥感图像呈现地物的更多细节，光谱混淆现象更 为严重，这给遥感图像变化检测带来了新的困难。遥感图像变化检测主要依据的图像特征包括灰度、边缘、结构、形状、紋 理等，其中最基本与最常用的是图像灰度特征，即每个像素上记录一组灰度值， 它反映了地物的波谱反射特性。遥感技术应用的一个基本前提就是不同类型的 地物具有不同的波谱反射特性，对于遥感图像变化检测来说就是地表覆盖类型 的变化在不同时相的遥感图像上反映为波谱反射特性发生了变化，即导致了波 谱反射值的变化。正是基于这种思路，传统的遥感图像变化检测主要依靠图像 的灰度特征进行。它对于中低分辨率的遥感图像，效果较好，但对于光谱混淆 现象严重的高空间分辨率遥感图像，其效果就较差。正是基于这种原因，以相对稳定的图像特征为依据进行遥感图像变化检测，日渐成为研究的热点。相对于灰度特征，图像边缘、紋理、梯度等特征更为稳定，不易受遥感图 像时相变化的影响。此外，不同的图像特征是反映图像不同侧面并互为补充的 图像表征，如紋理描述了图像灰度分布的空间结构状况，梯度描述了区域内相 邻像素的灰度变化程度，边缘则往往代表了目标边界。在变化检测时，单独使 用某一特征进行变化检测都有可能造成漏检或误检，为此，应该考虑综合利用 多特征实现变化检测。曹广真等人在《电子与信息学报》2008年第30卷第8期提出了 一种基于改 进证据理论的多时相微波遥感图像融合与变化检测的方法。他们首先通过综合 考虑证据本身的确信度和证据对辨别框架中子集的平均支持度进行证据间的加 权合成，改进证据理论对证据的合成，提高其可靠性；然后提取不同时相图像 间的散射幅度的对比度和概率密度分布函数在皮尔逊图中的距离，两种特征参 数代表了像素级和区域级不同空间尺度下微波遥感图像中关于地表变化的信 息；最后将改进的证据理论用于两特征之间的融合处理，得到地表的变化信息。 曹等人的变化检测方法是针对微波遥感图像设计的，且没有使用包括图像边缘、 紋理、梯度在内的其他重要图像特征。光学遥感图像的成像机理和微波遥感图 像有很大不同，地物变化往往反映为图像边缘、紋理、形状等多特征的综合变 化。为此，有必要发展综合利用图像更多特征，适用于光学遥感图像的新的变 化检测方法。
技术实现思路
本专利技术的目的在于克服现有技术存在的缺陷，提出一种。本方法对图像边缘变化、紋理变化、 梯度变化等多变化证据进行证据融合(也称作证据合成)，实现了多种变化证据 的综合利用，从而能有效地避免仅使用单一特征进行变化检测所造成的漏检或 误检。相比现有技术，区别与特点在于由于综合使用了图像的边缘、紋理、 梯度等特征，所以方法更适合于高空间分辨率光学图像的遥感图像变化检测。 本专利技术方法原理与基本步骤本专利技术涉及到的技术包括1)图像特征(紋理、梯度、边缘)的提取；2) 以上特征的直方图统计获得对应的特征向量；3)两时相遥感图像的特征向量的 结构相似度计算；4)依托多特征、利用D-S证据理论，进行证据融合提取遥感 图像变化区域。在本方法中，图像边缘特征采用Canny边缘检测方法获取，紋理特征采用 灰度共生矩阵方法(GLCM)获取，梯度特征釆用Sobel算子获取。 Canny边缘检测方法步骤如下(1) 用高斯滤波器对遥感图像进行平滑处理，得到平滑图像S"，力。在此需 要设置高斯滤波器的标准差参数，以构造高斯滤波模板。(2) 用一阶偏导数的有限差分计算图像梯度的幅度和方向，得到图像/"，力 上G'，力点处的边缘强度^"')和法向矢量T("力，所有的^("')构成边缘强度图像。(3) 对梯度幅值进行非极大值抑制由于以图像/"，力上("')点处的边缘强度^a力值的大小并不能确定该点是否为边缘点，为此需要采用非极大值抑制方法确定边缘点。非极大值抑制的基本过程是如果图像/"，力上("')像素点的边 缘强度A"')小于沿着梯度线方向上的两个相邻像素点的边缘强度，则认为该像 素点为非边缘点，将」("力置为0，否则保留原值。(4)用双阈值方法检测和连接边缘。其过程是首先设定两个阈值tl (低阈值)和t2 (高阈值)(t2〉tl)，对非极大值抑制处理后的边缘强度图像进行双阈值化，可得到一个高阔值检测结果和一个低阈值检测结果。然后在高阈值检测 结果中连接边缘轮廓，连接到端点时，到低阈值检测结果中寻找边缘点，直到 高阈值检测结果所有间隙连接起来为止。在此需设置小于高阈值像素数占边缘 强度图像的总像素数的比例，从而计算得到高阈值，并通过设置低阈值和高阈 值之比来计算得到低阈值。创建灰度共生矩阵的基本步骤是在图像上任意取一点"，力，以及偏离它 的另一点^ + "，>; + 6)，形成一个点对，设该点对的灰度值为(z'，力，即点",力的灰 度为z'，点"+ "，"6)的灰度为7。固定"和6，令点"力在整幅图像上移动，则 会得到各种"力值。设灰度值的级数为Z，贝lj/和y的组合有"种。对于整幅图像，统计出每一种("')值的出现次数，再将它们归一化为出现的概率^，则称方阵 WJw为灰度联合概率矩阵，也称为灰度共生矩阵。在得到灰度共生矩阵之后，就可以利用它来计算一系列的紋理特征统计量，本方法选用灰度共生矩阵对比度特征来表征紋理，其计算公式如下' =0 _/=。其中r代表灰度共生矩阵对比度特征，丄为灰度级数。采用Sobel算子计算图像梯度。所采用的模板如下下"两时相遥感图像工作窗口"均指在两个时相遥感图像的相同位置上同时开 设的、相同大小的、并进行同步滑动的子窗口)，同时对两时相遥感图像进行特 征统计。对于紋理、梯度特征，进行特征归一化以及分段(也称为特征量化)， 构成频数直方图，以直方图的每个分段(量化等级)的频数形成特征向量；对 于边缘特征，我们对其边缘分布模式进行分析，统计各种边缘模式的出现频率， 构成频数直方图，形成特征向量(具体见方法详细步骤的说明)。获取了各个特征的特征向量后，分别计算两个时相遥感图像工作窗口内的 边缘、紋理、梯度的结构相似度作为多个特征的各自相似性指标，然后依此构 建D-S证据理论所需的基本概率赋值函数(BPAF)。选用结构相似度作为特征向 量相似性度量的理由如下。为保证特征向量间相似性度量指标的通用性，我们要求其满足如下条件(以 下J， 7代表特征向量)① 有界性即0《IS/M(Z,7)1《1，越接近于0，表示两向量相似性越弱；越 接近于l，表示两向量相似性越强；② 对称性即S/M(X, y) = S7M(J,X);③ 唯一最大值即s/M(y,;r)-i，当且仅当i^7;在向量空间中定义的各种距离，例如欧式距离、马氏距离等，它们不满足 本文档来自技高网...

【技术保护点】
基于多特征证据融合与结构相似度的遥感图像变化检测方法，其步骤如下：　Ａ、数据准备　选取需要进行变化检测的两个不同时相、相同空间范围的遥感图像；　Ｂ、特征提取　分别提取出两时相遥感图像的纹理特征、梯度特征和边缘特征；即 ：分别计算两时相遥感图像的灰度共生矩阵的对比度特征来描述两时相遥感图像的纹理特征，使用Ｃａｎｎｙ边缘检测方法计算两时相遥感图像的边缘特征，使用Ｓｏｂｅｌ算子计算两时相遥感图像的梯度特征；　Ｃ、结构相似度计算　在两时相遥感图像的相 同位置上同时开设相同大小的工作窗口，并进行逐行列同步滑动，计算两时相遥感图像在工作窗口内的纹理结构相似度、梯度结构相似度和边缘结构相似度；　对于纹理结构相似度，采用直方图统计的方式对特征进行量化，量化公式为：　Ｍ＝（Ｍａｘ－Ｍｉ ｎ）／Ｌ　ｈ＝（ｘ－Ｍｉｎ）／Ｍ　（ａ）　其中：ｘ为当前要量化的值，Ｍａｘ和Ｍｉｎ是分别是两时相工作窗口内纹理特征的最大值和最小值，Ｌ为量化等级的个数，Ｍ为每个量化等级的宽度（均相同），ｈ为纹理特征值经过量化后的等级归属；　 　将两时相工作窗口内的纹理特征分别进行量化，并统计其各个量化等级的相应频数，生成各自的直方图，构成各自的纹理特征向量，然后用下列公式计算两时相遥感图像在该工作窗口内的纹理特征向量的纹理结构相似度Ｓ↓［ｔ］：　ＳＳＩＭ（Ｘ，Ｙ）＝（２ μ↓［Ｘ］μ↓［Ｙ］＋Ｃ１）（２σ↓［ＸＹ］＋Ｃ２）／（μ↓［Ｘ］↑［２］＋μ↓［Ｙ］↑［２］＋Ｃ１）（σ↓［Ｘ］↑［２］＋σ↓［Ｙ］↑［２］＋Ｃ２）　（ｂ）　其中Ｘ，Ｙ代表特征向量。μ↓［Ｘ］、μ↓［Ｙ］、σ↓［Ｘ］、σ↓［Ｙ］、 σ↓［Ｘ］↑［２］、σ↓［Ｙ］↑［２］、σ↓［ＸＹ］分别是Ｘ与Ｙ的均值、标准差、方差和协方差，Ｃ１、Ｃ２是为了防止当分母接近零时产生不稳定现象所添加的常数；在这里公式（ｂ）中的Ｘ，Ｙ代表的是两时相工作窗口内的纹理特征向量；　对于梯度相 似度，采用和纹理相似度相同的方式计算；即：利用公式（ａ）进行量化，此时公式（ａ）中的ｘ代表当前要量化的梯度特征值，Ｍａｘ和Ｍｉｎ是分别是两时相工作窗口内梯度特征的最大值和最小值，Ｌ为量化等级，Ｍ为每个量化等级的宽度，ｈ为梯度特征值经过量化后的等级归属；将两时相工作窗口内的梯度特征分别进行量化，并统计其各个量化等级的频数，生成各自的直方图，构成各自的梯度特征向量，然...

【技术特征摘要】

【专利技术属性】
技术研发人员：汪闽，张星月，
申请(专利权)人：南京师范大学，
类型：发明
国别省市：84[中国|南京]