本發(fā)明涉及一種高分辨率遙感圖像變化檢測方法，屬于高光譜遙感圖像技術(shù)領(lǐng)域。

背景技術(shù)：

隨著衛(wèi)星分辨率的提高，高分辨率遙感衛(wèi)星數(shù)據(jù)細節(jié)信息豐富、數(shù)據(jù)量劇增，圖像數(shù)據(jù)量和復(fù)雜度的增加使多時相遙感影像自動識別變化區(qū)域的難度提高，相應(yīng)的數(shù)據(jù)處理技術(shù)也很難滿足精度的要求；且高分辨率遙感影像細節(jié)信息豐富，各地物邊緣明顯，噪聲大大增加，使得現(xiàn)階段大多數(shù)基于特征域和像素級別的變化檢測方法無法克服檢測精度不足的問題，大多目標級檢測方法，無法克服檢測目標破碎的問題，從而影響后續(xù)的處理及應(yīng)用。

技術(shù)實現(xiàn)要素：

本發(fā)明目的是為了解決現(xiàn)有遙感圖像變化檢測技術(shù)對于高分辨率遙感圖像的檢測精度低、無法保證檢測結(jié)果的完整性的問題，提供了一種基于多尺度分割和融合的高分辨率遙感圖像變化檢測方法。

本發(fā)明所述基于多尺度分割和融合的高分辨率遙感圖像變化檢測方法，該方法的具體過程為：

步驟1、采用多尺度分割算法對多時相的高分辨率遙感圖像進行空間尺度分割，空間尺度分為粗尺度和細尺度兩個部分，并選擇適當?shù)男螤钜蜃?，利用自上而下區(qū)域異質(zhì)性準則進行合并；

步驟2、對步驟1分割后的各尺度圖像中的目標在對象角度上進行特征提取，用對象特征描述對象本身，進而相對其他時相的遙感圖像進行向量分析，獲得多個尺度的對象差異圖；

步驟3、對步驟2獲得的多個尺度的對象差異圖進行變化信息提取和融合；首先采用自適應(yīng)權(quán)重的像素級別融合方法，利用變化差異圖的方差定義權(quán)重，分別得到針對粗尺度大目標和細尺度小目標的融合差異圖；然后增加算法的魯棒性，基于圖像二維直方圖進行變換信息提取，分別對粗尺度大目標和細尺度小目標變化差異圖提取差異，分別獲得粗尺度大目標和細尺度小目標的變化結(jié)果圖；最后利用決策級的融合規(guī)則獲得最終的總變化結(jié)果圖。

本發(fā)明的優(yōu)點：為提高遙感圖像變化檢測技術(shù)對于高分辨率遙感圖像的檢測精度、保證檢測結(jié)果的完整性，本發(fā)明在分析傳統(tǒng)像素級別及特征級別方法的基礎(chǔ)上，引入多尺度分割和融合的檢測技術(shù)，從高分辨率遙感圖像對象出發(fā)，通過粗細尺度融合的方式來提取變化區(qū)域，從而提高變化檢測的精度，實現(xiàn)變化區(qū)域的完整提取，克服了目標破碎的情況，為后續(xù)毀傷評估，災(zāi)害評估等應(yīng)用奠定基礎(chǔ)。

附圖說明

圖1是本發(fā)明所述目標區(qū)域直方圖示意圖；

圖2是時相1的原圖像；圖3是時相2的原圖像；圖4是一維otsu檢測結(jié)果圖；圖5是二維otsu檢測結(jié)果圖；圖6是循環(huán)分割結(jié)果圖；圖7是em算法結(jié)果圖；圖8是多特征融合方法結(jié)果圖；圖9是pca聚類方法結(jié)果圖；圖10是多尺度分割融合結(jié)果圖；圖11是mrf方法結(jié)果圖；圖12是參考變化圖；

圖13是細尺度融合變化圖；圖14是粗尺度融合變化圖。

具體實施方式

具體實施方式一：本實施方式所述基于多尺度分割和融合的高分辨率遙感圖像變化檢測方法，該檢測方法的具體過程為：

步驟1、采用多尺度分割算法對多時相的高分辨率遙感圖像進行空間尺度分割，空間尺度分為粗尺度和細尺度兩個部分，并選擇適當?shù)男螤钜蜃?，利用自上而下區(qū)域異質(zhì)性準則進行合并；

步驟2、對步驟1分割后的各尺度圖像中的目標在對象角度上進行特征提取，用對象特征描述對象本身，進而相對其他時相的遙感圖像進行向量分析，獲得多個尺度的對象差異圖；

步驟3、對步驟2獲得的多個尺度的對象差異圖進行變化信息提取和融合；首先采用自適應(yīng)權(quán)重的像素級別融合方法，利用變化差異圖的方差定義權(quán)重，分別得到針對粗尺度大目標和細尺度小目標的融合差異圖；然后增加算法的魯棒性，基于圖像二維直方圖進行變換信息提取，分別對粗尺度大目標和細尺度小目標變化差異圖提取差異，分別獲得粗尺度大目標和細尺度小目標的變化結(jié)果圖；最后利用決策級的融合規(guī)則獲得最終的總變化結(jié)果圖。

本實施方式中，步驟1選擇適當?shù)男螤钜蜃?，適當是指在分割過程中更多的考慮形狀和光譜中的哪個要素，試驗中取0.4，光譜取0.6，這樣不至于多邊形中包含更多的其他地物，實際應(yīng)用中可以根據(jù)圖像具體特征調(diào)整。

本實施方式中，通常來講，尺度主要指空間尺度、光譜尺度和時間尺度，本發(fā)明所利用的是空間尺度。

本實施方式中，步驟1選擇適當?shù)男螤钜蜃?，利用自上而下區(qū)域異質(zhì)性準則進行合并，能夠有效地保證高分圖像中各尺度對象完整分割，從而站在對象的角度上，為后續(xù)變化差異圖的生成奠定基礎(chǔ)。

本實施方式中，步驟2進行特征提取和對象向量分析，由于變化檢測的核心問題是差異圖的生成，因此針對于不同的高分辨率遙感圖像提取最能夠表示目標的特征，包括均值、方差、對比度、熵、直方圖等特征，至此完成對于變化差異圖的生成。

本實施方式中，步驟3為了保證各個目標對象的完整性，利用了自適應(yīng)權(quán)重的像素級別融合方法；為了進一步克服噪聲的影響，增加算法的魯棒性，基于圖像二維直方圖進行變換信息提取，分別對粗尺度大目標和細尺度小目標變化差異圖提取差異，分別獲得粗尺度大目標和細尺度小目標的變化結(jié)果圖。

具體實施方式二：本實施方式對實施方式一作進一步說明，采用多尺度分割算法對多時相的高分辨率遙感圖像進行空間尺度分割的具體方法為：

多尺度分割采用一種基于最小異質(zhì)性的自上而下區(qū)域合并的算法來得到輸入圖像不同尺度的圖像分割序列，聯(lián)合形狀異質(zhì)性獲得合并的區(qū)域，異質(zhì)性的表示形式為：

其中，htotal表示整體異質(zhì)性，表示光譜異質(zhì)性權(quán)重，滿足hc和hs分別表示光譜異質(zhì)性和形狀異質(zhì)性，并且滿足：

其中，表示各個波段權(quán)重，波段個數(shù)為c，σc表示各個光譜波段的標準差；表示光滑度權(quán)重，hsm和hco分別表示區(qū)域的光滑度和緊致度；

按照自上而下區(qū)域合并的算法，得到新合并區(qū)域的光譜異質(zhì)性和形狀異質(zhì)性分別為：

其中，nnew表示新合并區(qū)域的像素數(shù)目，n1和n2分別表示合并前兩個區(qū)域的像素數(shù)目，σc1和σc2分別表示合并前兩個區(qū)域的標準差，h′sm和h'co分別表示新合并區(qū)域的光滑度和緊致度，h′sm和h'co分別表示為：

其中，l和l分別表示新合并區(qū)域的實際邊界長度和外部矩形邊界長度，l1和l2分別表示合并前兩個區(qū)域的實際邊界長度，l1和l2分別表示合并前兩個區(qū)域的外部矩形邊界長度；

根據(jù)合并準則得到的兩個相鄰區(qū)域之間的邊權(quán)重值如果大于所設(shè)定的尺度參數(shù)，當前合并結(jié)束；如果圖像中所有邊的權(quán)重值均大于尺度參數(shù)，合并結(jié)束，生成該尺度參量控制下的分割結(jié)果。

本實施方式中，圖像分割是一個重要的分析技術(shù)，用于尋找感興趣的區(qū)域，通常指的是將圖像分成互不重疊，各具特性(紋理，顏色等特征)的多個區(qū)域，并從區(qū)域中進行圖像解譯。本發(fā)明正是從這一點出發(fā)，站在圖像分割區(qū)域的角度提取感興趣的變化目標。一般意義下，圖像處理方法大多分為基于像素的和基于區(qū)域的，所謂區(qū)域指的是具有一定相似性和特征的像素集合，其內(nèi)在包含著相似的鄰域信息，相比于基于像素的方法，更加符合人類的思維模式。

本實施方式中，實際上區(qū)域合并的準則可以看成是一個尋優(yōu)的過程，直至滿足區(qū)域新特征或者尺度參數(shù)的條件為止，不同的尺度將對應(yīng)不同的分割結(jié)果。本發(fā)明在此基礎(chǔ)上選用不同的尺度參量，定義了尺度參量10到50為細尺度，50到100為粗尺度，為綜合得到目標的完整信息提供可能。需要注意的是，如果直接設(shè)置尺度參量得到的分割結(jié)果其邊界不一定滿足一致性，因此采用這種尺度參量遞增的控制方法，形成一個多尺度分割序列。

具體實施方式三：本實施方式對實施方式一或二作進一步說明，多尺度分為粗尺度和細尺度，細尺度的尺度參量為10到50，粗尺度的尺度參量為50到100。

具體實施方式四：下面結(jié)合圖1說明本實施方式，本實施方式對實施方式一或二作進一步說明，對分割后的各尺度圖像中的目標在對象角度上進行特征提取的具體方法為：通過提取均值、標準差和目標直方圖獲得特征向量；

圖像直方圖f(x')是圖像灰度值x'的函數(shù)，其中1≤x'<m，m為圖像最大灰度級；

兩時相第i個目標的特征向量表示為：

hi＝[hi(1),hi(2),…,hi(k)]；

其中，k表示原始圖像的波段數(shù)，特征向量中的每一個變量hi(j)看作是波段j的特征向量；

fi(j,x')為第j波段第i個目標的灰度值頻率，經(jīng)過特征提取之后得到的特征向量為一個m維的行向量；

通過均值模板和標準差模板計算各個目標的標準差和灰度均值，綜合直方圖特征向量得到m+2維的行向量；

對每個目標都采用上述方式，對所有多尺度分割得到的結(jié)果都采用特征提取方式獲得特征圖序列；

利用gabor濾波器組得到各個方向相對應(yīng)的特征圖；二維gabor濾波器看作是復(fù)指數(shù)函數(shù)和高斯函數(shù)結(jié)合的結(jié)果，通過圖像與不同的濾波函數(shù)進行卷積得到不同特征圖，濾波函數(shù)定義為：

其中，x和y分別為圖像橫坐標和縱坐標，σx和σy分別為x和y的尺度參量，為濾波器中心頻率，φ為方向，u和v滿足：

u＝xcosφ+ysinφ；

v＝-xsinφ+ycosφ。

本實施方式中，目標區(qū)域直方圖示意圖如圖1所示。

本實施方式中，圖像特征提取是圖像處理的重要部分，通過尋找有效特征描述目標，從而減少不必要的計算量，在多尺度分割序列的基礎(chǔ)上，對每幅多尺度圖像所分割出的目標采用適當?shù)挠行卣鬟M行描述，提取特征向量。圖像直方圖特征能夠描述被分割目標內(nèi)部各個像素的灰度值和其數(shù)目之間的內(nèi)在聯(lián)系，目標灰度均值，標準差能夠描述目標的光譜信息以及紋理信息，針對于全色以及多光譜高分辨率遙感圖像，通過提取均值，標準差，目標直方圖來得到特征向量。

本實施方式中，在實際運用當中可以采用不同的目標描述特征，利用gabor濾波器組得到各個方向相對應(yīng)的特征圖。

具體實施方式五：本實施方式對實施方式四作進一步說明，向量分析的具體方法為：從目標對象開始，進行對象向量分析，得到不同尺度對象變化強度圖序列，其變化表示為：

其中，gj(k')表示不同時相來自于第j波段第k'個目標的直方圖距離，m'是灰度級上限，s指的是時相數(shù)，表示第j波段第k'個目標灰度值為i'的頻率；

變化向量表示為：

b(k')＝(g1(k'),g2(k'),…,gm'(k'),μs,σs)；

μs和σs分別為均值差異和標準差差異；

由此得到的最終強度變化圖表示為變化向量的二范數(shù)：

對對象向量分析后得到的強度圖進行尺度選擇，以保證大小目標在檢測結(jié)果上保持完整性為目的，分別從細尺度強度圖和粗尺度強度圖中分別尋找小目標和大目標保存完整的尺度圖像，對選擇出的幾幅尺度圖，采用一種自適應(yīng)權(quán)重的方法，進行權(quán)重級融合，其權(quán)重系數(shù)表示為：

其中σk'為對應(yīng)尺度差異圖的圖像標準差，n為選取的細尺度或者粗尺度中圖像的個數(shù)；最終得到細尺度變化差異圖和粗尺度變化差異圖。

本實施方式中，傳統(tǒng)的變化向量分析方法從像素出發(fā)針對于多光譜圖像，利用歐氏距離得到變化強度圖，但針對高分辨率遙感圖像，由于其細節(jié)信息以及噪聲的增多，紋理信息的豐富使得傳統(tǒng)的向量分析法不再適用。

具體實施方式六：本實施方式對實施方式一或五作進一步說明，對多個尺度的對象差異圖進行變化信息提取和融合的具體方法為：

變化信息提取采用基于直方圖閾值分割的方法，得到最終的變化結(jié)果圖；由于噪聲點對檢測精度的影響，二維直方圖增加了閾值分割算法的魯棒性；最佳分割閾值將使類間離散測度矩陣的跡達到最大，其類間離散測度矩陣為：

其中和分別為兩個類別，μ0和μ1分別為兩個類別對應(yīng)樣本的均值，μz為二維直方圖總均值向量。

本實施方式中，通過對比閾值分割得到的細尺度和粗尺度變化結(jié)果圖可以發(fā)現(xiàn)，大目標在細尺度當中分割較為破碎，在粗尺度中分割完整；相反，小目標在細尺度中被完整檢出，在粗尺度中被湮沒?；谧兓瘷z測結(jié)果，采用決策級融合的方式對兩個尺度的變化結(jié)果圖進行融合，得到最終的變化檢測結(jié)果圖，從而達到最終檢測目的。

本發(fā)明中，圖像融合是一種整合數(shù)據(jù)并得到比原先信息更多的數(shù)據(jù)的過程，主要包括像素級、特征級和決策級三種。決策級融合中常用的有邏輯二叉樹等方法，通過二叉樹可以對兩個尺度的檢測結(jié)果進行融合，融合規(guī)則可以設(shè)計為三種，如表1所示。當然，在實際應(yīng)用中如果尺度較多，可以采用多類決策，得到變化強度等級，由于本發(fā)明只采用了兩個尺度故融合規(guī)則為三種。

表1決策融合規(guī)則

為了驗證算法的有效性，將本發(fā)明提出的方法與傳統(tǒng)的像素級別方法、聚類方法和基于顯著圖的特征融合方法進行對比，實驗結(jié)果表明了，本發(fā)明方法更能完整體現(xiàn)變化檢測結(jié)果。

本發(fā)明采用實測的高分辨率遙感圖像數(shù)據(jù)進行實驗，并與傳統(tǒng)的基于像素的變化檢測和基于特征的變化檢測方法進行對比，為了驗證算法的有效性和實用性，采用虛警率和漏警率進行算法的評價。從分割的角度上來講，本發(fā)明站在目標級檢測角度，避免了其他檢測方法所檢測目標的不完整性，采用融合的技術(shù)提高檢測精度。將其檢測結(jié)果與傳統(tǒng)的一維二維最大方差閾值法、mrf方法、em方法、循環(huán)分割法以及基于特征的多特征融合法，分塊pca聚類方法進行了對比。如圖2-圖12所示，可以發(fā)現(xiàn)由于高分辨率的獨有特點，特別是紋理信息的不斷豐富，導(dǎo)致現(xiàn)階段基于像素的技術(shù)已經(jīng)不能夠滿足檢測精度的要求，存在大量的虛檢和漏檢，而本發(fā)明檢測結(jié)果精度較高，這是由于常規(guī)方法忽視了目標的整體性，而本發(fā)明提出的多尺度分割融合算法，不僅完整地利用了圖像光譜和空間信息，保持了目標的完整性，而且減少了誤差，提高了精度。

進一步發(fā)現(xiàn)，馬爾科夫隨機場方法雖然結(jié)合空間信息，提高了像素級的檢測精度，但是在一定程度上，依然無法避免大量虛檢；基于直方圖閾值的一維二維otsu方法和em方法在檢測結(jié)果上同樣存在大量的虛檢；基于特征的方法，從主觀評價的角度上，漏檢和虛檢相對降低，但是目標存在破碎和不完整性，邊緣輪廓不清晰，結(jié)構(gòu)不明顯。

為了說明本發(fā)明算法對于目標完整性的保持，分別給出細尺度融合變化圖以及粗尺度融合變化圖的結(jié)果，如圖13-圖14所示，可以發(fā)現(xiàn)，在細尺度下，較大目標檢測結(jié)果較為破碎，較小目標被完整檢測出來，相反，粗尺度中大目標完整，小目標由于尺度較大，目標被淹沒。其對比結(jié)果如圖中，圓圈中目標和方框中顯示。

表2高分辨率遙感圖像變化檢測精度對比

通過檢測結(jié)果可以發(fā)現(xiàn)，從主觀評價角度來講，常規(guī)像素級方法虛警率和漏警率都比較高，基于特征的方法相對較高，因此從定量角度比較了基于特征的方法與本發(fā)明算法在檢測結(jié)果上的優(yōu)越性，如表2所示。