基于Treelets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Treelets的遥感图像变化检测方法，它属于遥感图像分析与处理领域，主要解决现有遥感图像变化检测方法存在很多伪变化信息的问题。其实现步骤是：(1)对输入的时相1遥感图像进行Treelets滤波；(2)对输入的时相2遥感图像进行Treelets交叉滤波；(3)对滤波后的两时相图像对应像素点灰度值进行差值计算，得到一幅差异图；(4)对差异图像再进行Treelets滤波得到新的差异图像；(5)对新差异图采用K-means聚类分为变化类和非变化类，得到最后的变化检测结果图。本发明专利技术能有效减小辐射校正不理想和光照不均对检测效果的影响，提高变化检测的精度，可用于对灾情监测、土地利用及农业调查。

【技术实现步骤摘要】

本专利技术属于图像处理
，具体地说是一种基于Treelets的遥感图像变化 检测的方法，适用于遥感图像分析和处理。
技术介绍
遥感图像变化检测的研究始于20世纪70年代，随着图像处理技术的不断发展，遥 感图像变化检测的研究逐渐成为了一个热点，并广泛应用于国民经济和国防建设的诸多领 域，如森林资源的动态监测，土地覆盖、利用的变化监测，农业资源调查，城市规划布局，环 境监测分析，自然灾害评估，地理数据更新以及军事侦察中道路、桥梁、机场等战略目标的 动态监视等。早期的遥感图像变化检测方法由于受到当时技术条件的限制，采用的方法较为简 单。其中很多是通过人工目测来进行解释的，但人工目测受到个人主观因素的影响较大，容 易产生错误，且效率低下，因此在实际应用方面受到很大的限制。一般而言，遥感图像变化 检测的流程主要包括遥感图像的预处理、变化区域检测、后处理和变化检测性能评价几个 步骤。随着图像处理技术的不断发展，遥感图像变化检测的研究逐渐成为了一个热点，近几 年经过国内外遥感图像变化检测研究的蓬勃发展，涌现出了很多新的有效的方法。但宏观 上讲主要分为两条研究路线第一条是先比较后分类的方法，即首先构造两幅图像的差异 图像，然后再对差异图像进行分类确定变化区域和非变化区域；第二条是先分类后比较的 方法，即首先对两幅图像进行分类，然后再对分类后的两幅图像进行比较确定变化区域和 非变化区域。针对基于先比较后分类的遥感图像变化检测方法，它主要涉及差异图像的构建和 分类两个方面。其中对于差异图像的构建方法有很多，其中主要有差值法(灰度差值法、 纹理特征差值法、图像回归法)、比值法、相关系数法、变化向量法和主分量分析法等。基于 差异图像分析的方法由于简单直接，不同于其他复杂的方法，不会由于方法本身而对检测 前的变化信息加以改变，忠于原始数据，保证了变化检测结果的可靠性。然而不同时相的遥 感图像之间由于不同季节和情况下的光照、辐射等因素造成不同时相间的图像灰度值存在 整体或者部分的差异，因此简单地对灰度值运算得到的差异图进行阈值分割，所得到的变 化检测结果中存在很多伪变化信息，使得变化检测的精度较低。
技术实现思路
本专利技术的目的在于克服上述已有技术的不足，提出一种基于Treelets的遥感图 像变化检测方法，以减少伪变化信息，提高遥感图像变化检测精度。为实现上述目的，本专利技术的检测方法包括如下步骤(1)输入时相1遥感图像，并对该时相1遥感图像进行Treelets滤波；(2)输入时相2遥感图像，并对时相2图像每个像素点取5X5滑动窗拉成列向量 投影至步骤1中得到的尺度向量Φ中，用该结果取代时相2的像素点灰度值，得到交叉滤波后的时相2图像；C3)将步骤1和步骤2得到的滤波后的两个时相图像对应点进行差值计算，得到一 幅差异图；(4)对步骤3得到的差异图像按步骤1再进行一次Treelets滤波得到一幅新的差 异图像；(5)对步骤4得到的新差异图采用κ-means聚类分为变化类和非变化类，得到最后 的变化检测结果图。本专利技术与现有的技术相比具有以下优点a、本专利技术采用了 Treelets滤波和Treelets交叉滤波，避免了两时相图像因噪声、 光照、辐射等因素对变化检测结果的影响。b、本专利技术对于变化区域的一致性保持较好。c、本专利技术减少了伪变化信息，提高了变化检测的精确性。附图说明图1是本专利技术的实现流程图图2是本专利技术的第一组实验i图3是本专利技术的第二组实验i图4是本专利技术的第三组实验i图5是本专利技术的第四组实验i亂图6是本专利技术的第一组实验i 据的差异图像和变化检测结果图7是本专利技术的第二组实验i 据的差异图像和变化检测结果图8是本专利技术的第三组实验i 据的差异图和变化检测结果图像；图9是本专利技术的第四组实验i 据的差异图和变化检测结果图像。具体实施例方式参照图1，本专利技术的实现步骤如下步骤1，输入时相1遥感图像，并对该时相1遥感图像进行Treelets滤波。la)对时相1图像取5X5像素的滑动窗，计算该图像的初始协方差矩阵权利要求1. 一种，包括如下步骤 (1)输入时相1遥感图像，并对该时相1遥感图像进行如下Treelets滤波 la)对时相1图像取5X5像素的滑动窗，计算该图像的初始协方差矩阵tw: lb)由协方差矩阵 (。〕计算图像的初始相似度矩阵M(q)； Ic)初始化基矩阵Btl为25X25的单位矩阵 "10L 0"BnOlLO MMO M OOLl初始化iTreelets层级1 = {0,1,2, K 24}以及和变量的下标集δ = {1,2, 1,25} Id)由1层的图像相似度矩阵众《找出最相似的两个变量α和β (α, β) = arg max M1(J)其中，α和β分别代表图像的协方差矩阵 中的行变量和列变量，i和j是图像相似度矩阵众《的位置索引，且必须属于和变量下标集δ，并且i < j ；Ie)对图像的协方差矩阵 进行局部主成分分析变换，得到第一主成分的和变量&和 第二主成分的差变量Cl1，且使得图像协方差矩阵 中α行β列的值和β行α列的值都 为零，即ig =0，得到旋转角度为θ i，并由下式得到雅克比旋转矩阵J ILOL OLO MO M M M OL c L -S L 0MMO MMOLiL c L 0 M M MOM l0 L 0 L 0 L 1」其中，c和s为雅克比旋转矩阵J中的两个不同变量，C = C0s(Q1), S = Sin(O1), 9 11 ^ ^ /4 ；If)根据雅克比旋转矩阵J计算当前层级的基矩阵=B1 = B1^1J,以及相似度矩阵 Mm = ^^('-、和协方差矩阵 = jri(M)j ；lg)将差变量的下标β从和变量的下标集δ中去除，S卩δ = δ\{β}； lh)重复步骤Id)至步骤Ig)直至到1 = 24层，得到基矩阵为 B = [Φ F1 L F1^Jt其中，Φ和Ψ分别是基矩阵B的尺度向量和细节向量；Ii)对时相1图像每个像素点取5X5滑动窗拉成列向量，然后投影至尺度向量Φ中， 用得到的结果取代时相1的像素点灰度值，得到滤波后的时相1图像；(2)输入时相2遥感图像，并对时相2图像每个像素点取5X5滑动窗拉成列向量投影 至步骤Ih)中得到的尺度向量Φ中，用该结果取代时相2的像素点灰度值，得到交叉滤波 后的时相2图像；(3)将步骤1和步骤2得到的滤波后的两个时相图像对应点进行差值计算，得到一幅差 异图；(4)对步骤3得到的差异图像按步骤la)至步骤li)再进行一次Treelets滤波得到一 幅新的差异图像；(5)对步骤4得到的新差异图采用K-means聚类分为变化类和非变化类，得到最后的变 化检测结果图。全文摘要本专利技术公开了一种，它属于遥感图像分析与处理领域，主要解决现有遥感图像变化检测方法存在很多伪变化信息的问题。其实现步骤是(1)对输入的时相1遥感图像进行Treelets滤波；(2)对输入的时相2遥感图像进行Treelets交叉滤波；(3)对滤波后的两时相图像对应像素点灰度值进行差值计算，得到一幅差异图；(4)对差异图像再进行Treelets滤波得到新的差异图像；(5)对新差异图采用K-means聚类分为变化类和非变化类，得到最后的变化检测结果图。本专利技术能有效减小辐射校本文档来自技高网...

【技术保护点】
一种基于Ｔｒｅｅｌｅｔｓ的遥感图像变化检测方法，包括如下步骤：（１）输入时相１遥感图像，并对该时相１遥感图像进行如下Ｔｒｅｅｌｅｔｓ滤波：１ａ）对时相１图像取５×５像素的滑动窗，计算该图像的初始协方差矩阵＊↑［（０）］；１ｂ）由协方差矩阵计算图像的初始相似度矩阵＊↑［（０）］；１ｃ）初始化基矩阵Ｂ↓［０］为２５×２５的单位矩阵：＊＊＊初始化Ｔｒｅｅ１ｅｔｓ层级：ｌ＝｛０，１，２，Ｋ２４｝以及和变量的下标集：δ＝｛１，２，Ｌ，２５｝；１ｄ）由ｌ层的图像相似度矩阵＊↑［（ｌ）］找出最相似的两个变量α和β：（α，β）＝＊＊＊其中，α和β分别代表图像的协方差矩阵＊↑［（ｌ）］中的行变量和列变量，ｉ和ｊ是图像相似度矩阵＊↑［（ｌ）］的位置索引，且必须属于和变量下标集δ，并且ｉ＜ｊ；１ｅ）对图像的协方差矩阵＊↑［（ｌ）］进行局部主成分分析变换，得到第一主成分的和变量ｓ↓［ｌ］和第二主成分的差变量ｄ↓［ｌ］，且使得图像协方差矩阵＊↑［（ｌ）］中α行β列的值和β行α列的值都为零，即＊↓［αβ］↑［（ｌ）］＝↓［βα］↑［（ｌ）］＝０，得到旋转角度为θ↓［ｌ］，并由下式得到雅克比旋转矩阵Ｊ：＊＊＊其中，ｃ和ｓ为雅克比旋转矩阵Ｊ中的两个不同变量，ｃ＝ｃｏｓ（θ↓［ｌ］），ｓ＝ｓｉｎ（θ↓［ｌ］），｜θ↓［ｌ］｜≤π／４；１ｆ）根据雅克比旋转矩阵Ｊ计算当前层级的基矩阵：Ｂ↓［ｌ］＝Ｂ↓［ｌ－１］Ｊ，以及相似度矩阵：＊↑［（ｌ）］＝Ｊ↑［Ｔ］＊↑［（ｌ－１）］Ｊ和协方差矩阵：＊↑［（ｌ）］＝Ｊ↑［Ｔ］＊↑［ｌ－１）］Ｊ；１ｇ）将差变量的下标β从和变量的下标集δ中去除，即δ＝δ＼｛β｝；１ｈ）重复步骤１ｄ）至步骤１ｇ）直至到ｌ＝２４层，得到基矩阵为：Ｂ＝［Φψ↓［１］Ｌψ↓［ｌ－１］］↑［Ｔ］其中，Φ和ψ分别是基矩阵Ｂ的尺度向量和细节向量；１ｉ）对时相１图像每个像素点取５×５滑动窗拉成列向量，然后投影至尺度向量Φ中，用得到的结果取代时相１的像素点灰度值，得到滤波后的时相１图像；（２）输入时相２遥感图像，并对时相２图像每个像素点取５×５滑动窗拉成列向量投影至步骤１ｈ）中得到的尺度向量Φ中，用该结果取代时相２的像素点灰度值，得到交叉滤波后的时相２图像；（３）将步骤１和步骤２得到的滤波后的两个时相图像对应点进行差值计算，得到一幅差异图；（４）对步骤３得到的差异图像按步骤１ａ）至步骤１ｉ）再进行一次Ｔｒｅｅｌｅｔｓ滤波得到一幅新的差异图像；（５）对步骤４得到的新差异图采用Ｋ－ｍｅａｎｓ聚类分为变化类和非变化类，得到最后的变化检测结果图。...

【技术特征摘要】

【专利技术属性】
技术研发人员：王桂婷，焦李成，盖超，公茂果，钟桦，王爽，侯彪，田小林，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：87