基于融合和pca核模糊聚类的遥感图像变化检测方法
【专利摘要】本发明公开了一种基于融合和PCA核模糊聚类的遥感图像变化检测方法，主要解决现有技术检测效果不理想，单一类型差异图检测精度低、适用范围窄的问题。其实现步骤为：（1）输入两时相遥感图像X1和X2，并进行中值滤波；（2）计算滤波后两幅图像的差值图、对数比值图和均值比图；（3）对该3幅图像进行融合，得到融合后的图像Xd；（4）用PCA方法对融合后图像进行特征提取，得到每个像素的特征向量，构成特征空间矩阵；（5）用基于核的模糊C均值方法将特征空间矩阵聚成两类；（6）根据聚类结果得到最终的变化检测结果图。本发明具有较好的抗噪性能和检测精度，对不同类型的遥感图像均可获得较好的效果，可应用于环境监测、灾害评估领域。
【专利说明】基于融合和PCA核模糊聚类的遥感图像变化检测方法
【技术领域】
[0001]本发明属于图像处理【技术领域】，涉及遥感图像变化检测方法，可用于城区规划、自然灾害评估、土地利用和土地覆盖的动态监测等领域。
【背景技术】
[0002]遥感图像变化检测是指通过对同一地区不同时期的两幅或多幅图像进行比较分析，根据图像之间的差异来获取地物的变化信息。遥感图像变化检测技术已成功地应用于众多领域，如环境监测、土地利用和土地覆盖的动态监测、森林或植被的变化分析、灾害评估、农业调查、城镇变化研究及在军事中的人造目标监测和地面武装部署分析。
[0003]遥感图像变化检测方法主要包括3个步骤:(I)图像预处理；(2)差异图的构造；
[3]变化信息的提取。其中:
[0004]在差异图的构造中，差值法和比值法作为两种最基本的方法，分别通过对校正后的两时相遥感图像逐像素相减和相除运算来获得差异图。由于SAR图像中相干斑噪声的乘性特征，比值法比差值法更适合于SAR图像差异图的构造，并且比值法对校准误差不敏感。目前在用比值法构造差异图时主要采用对数比或均值比的形式。Dekker提出使用对数比的方法构造差异图，它除了可以将乘性噪声转化为加性噪声外，还对比值图像的变化范围进行了压缩。均值比法就是取对应像素的邻域均值再求比值，它对噪声具有更强的鲁棒性。然而这种比值法，包括均值比和对数比方法在一定程度上夸大了低灰度值区域的变化，不能真实地反映变化信息。如灰度值从2到20的变化与从20到200的变化，比值法将无法区分，而差值法的变化就很明显。因此，使用单一的比值法或差值法方法进行差异图的构造会存在检测精度低以及适用范围窄等问题。
[0005]变化信息的提取常用的方法是利用K-means或模糊C均值FCM等聚类方法直接对差异图进行聚类，得到变化类和未变化类。这种方法由于未考虑空间邻域信息，其抗噪性能往往不理想。
[0006]Celik T提出的一种新颖的PCA变化检测方法。对于两幅同一地区不同时间的遥感图像来说，首先构造差异图，然后将差异图划分成大小相等且互不重叠的小块，用PCA方法对小块进行特征向量提取，然后将差异图中每个像素所在的邻域小块映射到特征向量上，构成新的特征空间，用K-means方法对特征空间聚类得到最终的变化检测结果图。该方法简称为PCA-Kmeans法。这种方法由于使用了基于分块的数据分析技术，用每个像素的邻域作为它的纹理向量，具有一定的抗噪能力。但是K-means聚类方法属于硬划分的范畴，它将每个样本严格地划分到某一类，类别界限分明，对实际类别间有重叠的数据或线性不可分数据的聚类效果不理想。另外PCA-Kmeans方法在差异图的构造中，由于只使用了单一类型的差异图，部分真实变化区域轮廓的像素灰度值与非变化类像素的灰度值比较接近，会影响变化区域的检测，造成检测精度不够高的问题。
【发明内容】
[0007]本发明目的在于提出一种基于融合和PCA核模糊聚类的遥感图像变化检测方法，以现有技术检测效果不理想，单一类型差异图检测精度低、适用范围窄的问题，更好地检测出变化区域。
[0008]为实现上述目的，本发明的实现步骤包括如下:
[0009](I)读入在不同时刻从同一地区犾取的两幅遥感图像X1和X2,并对这两幅遥感图像进行3X3中值滤波；
[0010](2)获取中值滤波后两幅图像的差异图:
[0011](2a)计算中值滤波后两幅图像对应像素灰度值的差，并进行归一化，得到差值图Xd1 ；
[0012](2b)计算中值滤波后两幅图对应像素灰度值的商，并对商取对数后，再进行归一化，得到对数比值图Xd2;
[0013](2c)计算中值滤波后两幅图的均值比，并归一化，得到均值比图Xd3 ；
[0014](3)对差值图Xd1，对数比值图Xd2及均值比图Xd3分别进行3层平稳小波变换，得到每一幅图的低频子带系数和高频子带系数；分别对该3幅图的低频子带系数和高频子带系数进行融合，并对融合后的低频子带系数和高频子带系数进行平稳小波反变换，得到融合后的图像Xd ；
[0015](4)用PCA方法对融合后的图像Xd进行特征提取，得到融合后图像Xd中每个像素的特征向量，构成特征空间矩阵Q ；
[0016](5)用基于核的模糊C均值聚类方法，将特征空间矩阵Q聚成两个不同的类别A和B ；
[0017](6)根据特征空间矩阵Q中的每一列为融合后图像Xd每个像素的特征向量的对应关系及特征空间矩阵Q的聚类结果，将Xd划分为与特征空间矩阵Q聚类结果相对应的两个不同类别A'和B'，分别计算这两个不同类别的均值，并均值较大的那一类则为变化类，均值较小的那一类则为非变化类，由此得到最终的变化检测结果。
[0018]本发明与现有技术相比具有以下优点:
[0019]1.本发明采用图像融合的方法构造差异图，对不同类型的遥感图像均可获得较好的检测结果，解决了单一类型差异图检测精度低、适用范围窄的问题，具有较好的鲁棒性。
[0020]2.本发明对PCA提取的特征采用基于核的模糊聚类方法，将原始数据映射到高维特征空间再进行聚类，该方法通过非线性映射能够较好地分辨、提取并放大有用特征，实现更为准确的聚类，进一步降低了变化检测的错误率。
【专利附图】
【附图说明】
[0021 ]图1是本发明的流程图；
[0022]图2是模拟遥感图像数据集和该数据集的标准变化检测图；
[0023]图3是用本发明和对比方法对模拟遥感图像数据集的变化检测结果图；
[0024]图4是Ottawa地区SAR图像数据集和该数据集的标准变化检测图；
[0025]图5是用本发明和对比方法对Ottawa地区SAR图像数据集的变化检测结果图；
[0026]图6是墨西哥郊区遥感图像数据集和和该数据集的标准变化检测图；
[0027]图7是本发明和对比方法对墨西哥郊区遥感图像数据集的变化检测结果图。【具体实施方式】
[0028]参照图1，本发明的具体步骤如下:
[0029]步骤1:读入在不同时刻从同一地区获取的两幅遥感图像XJPX2，并对这两幅图像进行3X3中值滤波。
[0030]Ia)对X1遥感图像中的每一个像素点，选取一个大小为3X3的矩形窗口，将窗口中全部像素点的灰度值按从大到小的顺序排列，组成一个灰度序列，选取序列中间位置的灰度值作为滤波后的输出值，从而得到中值滤波后的图像X/ ；
[0031]Ib)用同样方法对遥感图像X2进行处理，得到中值滤波后的图像X2'。
[0032]步骤2:获取中值滤波后两幅图像的差异图。
[0033]2a)对中值滤波后的图像X/在坐标(i，j)处的灰度值X1' (i, j)与中值滤波后的图像X2'在坐标(i，j)处的灰度值X2' (i, j)进行差值运算，得到差矩阵C在坐标(i，j)处的值C(i，j):
[0034]C (i, j) = I X1, (i, j) -X2, (i, j) I，进而得到差矩阵 C= {C (i, j)}；
[0035]2b)归一化差矩阵，得到差值图Xd1在坐标(i，j)处的值Xd1 (i，j):
[0036]
【权利要求】
1.一种基于融合和PCA核模糊聚类的遥感图像变化检测方法，包括如下步骤: (1)读入在不同时刻从同一地区获取的两幅遥感图像X1和X2，并对这两幅遥感图像进行3X3中值滤波； (2)获取中值滤波后两幅图像的差异图: (2a)计算中值滤波后两幅图像对应像素灰度值的差，并进行归一化，得到差值图Xd1 ；(2b)计算中值滤波后两幅图对应像素灰度值的商，并对商取对数后，再进行归一化，得到对数比值图Xd2; (2c)计算中值滤波后两幅图的均值比，并归一化，得到均值比图Xd3 ； (3)对差值图Xd1，对数比值图Xd2及均值比图Xd3分别进行3层平稳小波变换，得到每一幅图的低频子带系数和高频子带系数；分别对该3幅图的低频子带系数和高频子带系数进行融合，并对融合后的低频子带系数和高频子带系数进行平稳小波反变换，得到融合后的图像Xd ; (4)用PCA方法对融合后的图像Xd进行特征提取，得到融合后图像Xd中每个像素的特征向量，构成特征空间矩阵Q ； (5)用基于核的模糊C均值聚类方法，将特征空间矩阵Q聚成两个不同的类别A和B; (6)根据特征空间矩阵Q中的每一列为融合后图像Xd每个像素的特征向量的对应关系及特征空间矩阵Q的聚类结果，将Xd划分为与特征空间矩阵Q聚类结果相对应的两个不同类别A'和B'，分别计算这两个不同类别的均值，并均值较大的那一类则为变化类，均值较小的那一类则为非变化类，由此得到最终的变化检测结果。
2.根据权利要求1中所述的方法，其中步骤(3)所述的对3幅图的低频子带系数进行融合，按如下公式进行:
difL=A2/4+A3/4+A1/2 式中，difL是融合后的低频子带系数，A1, A2, A3分别表示差值图Xd1，对数比值图Xd2和均值比图Xd3进行平稳小波变换后的低频子带系数。
3.根据权利要求1中所述的方法，其中步骤(3)所述的对3幅图的高频子带系数进行融合，按如下公式进行:
4.根据权利要求1中所述的方法，其中步骤(4)所述的用PCA方法对融合后的图像Xd进行特征提取，得到图像Xd中每个像素的特征向量，构成特征空间矩阵Q，按如下步骤进行: 4a)将融合后的差异图Xd分成大小相等且互不重叠的小块，块的大小为hXh，h > 2，共有η个小块，将每个小块转化为列向量Xt, t=l, 2,..., η ； 4b )根据4a)中得到的η个列向量，计算均值向量"teun =，从而得出大小为
h2Xh2的协方差矩阵:
5.根据权利要求1中所述的方法，其中步骤(5)所述的用基于核的模糊C均值聚类方法，将特征空间矩阵Q聚成两个不同的类别A和B，按如下步骤进行: 5a)设定聚类数目为2,初始化聚类中心οξ, Ck表示第ξ个聚类中心，ξ =1，2 ; 5b)设定循环计数器b=0，计算隶属度矩阵:υω={ιιξ E}， 其中，
【文档编号】G06T7/00GK103456018SQ201310405037
【公开日】2013年12月18日 申请日期:2013年9月8日 优先权日:2013年9月8日
【发明者】慕彩红, 焦李成, 霍利利, 刘若辰, 马文萍, 王桂婷, 刘勇, 师萌, 张文婷 申请人:西安电子科技大学