CN103268476A - 一种遥感图像目标监测方法 - Google Patents
一种遥感图像目标监测方法 Download PDFInfo
- Publication number
- CN103268476A CN103268476A CN2013101766386A CN201310176638A CN103268476A CN 103268476 A CN103268476 A CN 103268476A CN 2013101766386 A CN2013101766386 A CN 2013101766386A CN 201310176638 A CN201310176638 A CN 201310176638A CN 103268476 A CN103268476 A CN 103268476A
- Authority
- CN
- China
- Prior art keywords
- image
- time varying
- varying characteristic
- multidate
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012544 monitoring process Methods 0.000 title claims abstract description 34
- 238000001228 spectrum Methods 0.000 claims abstract description 125
- 230000008859 change Effects 0.000 claims abstract description 60
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 230000003595 spectral effect Effects 0.000 claims abstract description 10
- 230000003287 optical effect Effects 0.000 claims description 40
- 239000011159 matrix material Substances 0.000 claims description 21
- 239000000284 extract Substances 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 239000012141 concentrate Substances 0.000 claims description 5
- 230000036962 time dependent Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 230000004927 fusion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Images
Landscapes
- Closed-Circuit Television Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种遥感图像目标监测方法,该方法包括以下步骤:将已经配准的多时相图像进行组合得到多时相光谱变化图像;对多时相光谱变化图像进行光谱时变特征分析,得到多波段光谱时变特征图像D,并基于图像D提取目标光谱时变特征得到目标光谱时变特征图像;基于目标光谱时变特征图像提取得到目标变化信息。本发明将多时相光谱变化图像表示为目标随时间的光谱变化函数,利用光谱时变特征分析方法提取目标的光谱时变特征,提高了变化类和非变化类的类间可分性;充分利用了目标光谱时变特征的良好的可分性,有效提取目标变化区域并自动识别目标变化类型。本发明可以广泛应用于灾害监测、目标侦察等诸多应用***中。
Description
技术领域
本发明涉及遥感图像处理、信息融合、目标监测等技术领域,特别是一种基于光谱时变特征分析的遥感图像目标监测方法。
背景技术
遥感图像目标监测是通过分析已配准的、同一场景的不同时相的遥感图像而自动检测出发生变化的目标区域,可以广泛应用在情报处理、灾害监测等军事和民用领域。遥感图像目标监测不仅有着很强的应用需求驱动,而且还具有重要的战略意义。由于目标监测技术的重要性,遥感图像目标监测技术已经受到世界各国的高度重视。
遥感图像的目标监测一般由变化检测技术完成。然而,由于多时相遥感图像的复杂性,变化类与非变化类的类间可分性低,目标的变化类型也很难自动识别。现有的变化检测方法无法满足遥感图像目标监测的需求。目前,遥感图像的目标监测方法研究的还很不成熟,远远不能满足实际的需要,主要表现在目前的目标监测大都靠手工标定,费时费力,通用性和自动化程度差。实际上,只有5-10%的数据得到了有效利用,目标监测技术极大的限制了遥感图像的广泛应用。在这样的背景下,遥感图像的目标监测仍然是一个亟待解决的难题。
实际目标监测应用关心的是目标的变化,而不是季节、噪声等引起的变化。目标与背景具有不同的光谱特征,变化区域与非变化区域以及不同类型的目标变化区域对应不同的光谱变化曲线。将多时相图像从图像空间转换到光谱变化空间并分离不同类型的光谱变化特征,是提高目标监测的关键。然而,目前的变化检测、目标监测技术都忽略了多时相光谱时变特征分析的重要性,目前还没有对多时相遥感图像进行光谱时变特征分析的有效方法。
发明内容
本发明的目的是针对遥感图像变化检测的难点和目标监测实际应用的需求,提供一种快速有效的遥感图像目标监测方法。
为了实现上述目的,本发明基于光谱时变特征分析的遥感图像目标监测方法,包括以下步骤:
步骤S1,将已经配准的多时相图像进行组合得到多时相光谱变化图像,所述多时相光谱变化图像是根据多时相图像的波段频率大小顺序依次交替生成的;
步骤S2,对所述多时相光谱变化图像进行光谱时变特征分析,得到多波段光谱时变特征图像D,并基于所述多波段光谱时变特征图像D提取目标光谱时变特征得到目标光谱时变特征图像;
步骤S3,基于所述目标光谱时变特征图像提取得到目标变化信息。
本发明所述方法对于提高目标监测的精度、鲁棒性和自动化程度具有重要的意义,其有益效果为:
1、本发明将多时相图像进行组合生成多时相光谱变化图像,多时相光谱变化图像反映了目标光谱随时间变化情况。
2、本发明利用光谱时变特征分析将目标光谱时变特征分离出来,过滤了噪声、光照等干扰因素造成的假变化,提高了变化类和非变化类的类间可分性。
3、本发明充分利用了变化类和非变化类以及不同的变化类型在光谱时变特征的不同特性,利用阈值可以自动将变化类和非变化类区分开,并可以自动识别变化类型。
得益于上述优点,本发明使快速有效的遥感图像目标监测成为可能,极大地提高了现有目标监测***的精度、速度、鲁棒性和自动化程度,可广泛应用于灾害监测、目标侦察等***中。
附图说明
图1是本发明基于光谱时变特征分析的遥感图像目标监测方法流程图。
图2是已配准的两幅包含飞机目标的多时相遥感图像。
图3是根据本发明一实施例的目标变化信息提取步骤的阈值自动确定示意图。
图4是使用本发明方法确定得到的目标变化区域及目标变化类型。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
图1是本发明基于光谱时变特征分析的遥感图像目标监测方法流程图,本发明的目标监测是一种渐进的过程,先提取目标变化区域,然后再识别目标变化类型。如图1所示,所述方法包括以下步骤:
步骤S1,将已经配准的多时相图像进行组合得到多时相光谱变化图像,所述多时相光谱变化图像是根据多时相图像的波段频率大小顺序依次交替生成的,其描述了目标光谱的时间变化特征;
图2显示了已配准的两幅包含飞机目标的多时相遥感图像。
进一步地,所述步骤S1具体为:
对于已经配准的多时相图像I1和I2,假设它们的波段数分别为n1和n2,Ii的第j个波段图像对应的光谱频率为(i=1,2;),按照光谱频率从小到大的顺序对多时相图像I1和I2的各波段图像进行交替排列。不失一般性,令n1≥n2,则多时相光谱变化图像可以表示为:
步骤S2,对所述多时相光谱变化图像进行光谱时变特征分析,得到多波段光谱时变特征图像D,并基于所述多波段光谱时变特征图像D提取目标光谱时变特征得到目标光谱时变特征图像;
所述步骤S2进一步包括以下步骤:
步骤S21,对所述多时相光谱变化图像进行多时相光谱时变特征分析,即对所述多时相光谱变化图像进行变换,将由时间引起的光谱变化集中在少数波段上;
所述多时相光谱时变特征分析是将多时相光谱变化图像之间的变化按照目标随时间变化的光谱变化强弱程度进行分离,使得光谱变化程度不同的变化类型被分离到不同的波段上。
该步骤中,对于高度为h、宽度为w、波段数为2n1的多时相光谱变化图像M,按照”先行后列”的顺序将每一个像素的光谱曲线作为扩展矩阵X的一个列向量,则扩展矩阵X的维数为2n1行、h*w列,扩展矩阵X的行方向代表时间方向。光谱时变特征分析的目的就是通过寻找变换gk:yk=gk(X)将目标的光谱变化集中在m个波段上,其中,m是变换后的多时相光谱时变特征图像的波段数,k=1,2,…,m。
为方便求解,本发明对yk附加如下三个约束:
(1)<yk>=0,
(2)
(3)对于所有的i<k,有<yiyk>=0。
上述前两个约束排除了平凡解yk=常量的情况,第三个约束保证了输出信号的各个分量间是不相关的,从而使得它们各自集中了不同类型的变化特征。
为了求解wk,对wk附加均值为0、方差为1的约束条件,则光谱时变特征分析的优化问题变为:
利用Lagrange乘子法可以得到上述优化问题的解为矩阵A和B的广义特征向量,即AW=BWΛ。其中,wk是W的第k列,W是矩阵A和B的广义特征向量矩阵,Λ是矩阵A和B的广义特征值构成的对角阵。
变换后的多时相光谱变化图像的波段数m就是广义特征值大于0的个数。由此可求得其中,yk为1行、h*w的列向量,将yk按照“先行后列”的顺序组成h行、w列图像Pk,按照广义特征值从大到小的顺序将图像Pk组成多波段光谱时变特征图像D。
步骤S22,基于所述多波段光谱时变特征图像D提取目标光谱时变特征,即根据所述多波段光谱时变特征图像D不同波段的不同特性提取得到目标光谱时变特征所在的波段,最终得到目标光谱时变特征图像。
该步骤根据所述多波段光谱时变特征图像D不同波段的不同特性将目标光谱时变特征所在的波段提取出来。光谱时变特征图像D的第一个波段表示多时相图像在时间轴上光谱变化最为剧烈,但由于噪声、季节变化等因素影响,光谱时变特征图像D的第一个波段的变化不能稳定表征目标的真实变化。为此,本发明将光谱时变特征图像D的第二个波段图像作为目标光谱时变特征图像。
步骤S3,基于所述目标光谱时变特征图像提取得到目标变化信息。
目标变化信息所在的目标变化区域主要集中在所述目标光谱时变特征图像上,目标变化区域提取是根据目标光谱时变特征图像的灰度直方图利用阈值方法自动将目标变化区域和背景进行分离提取目标变化区域的过程。具体地,所述步骤S3进一步包括以下步骤:
步骤S31,提取所述目标光谱时变特征图像中的目标变化区域;
本发明使用目标光谱时变特征图像的灰度直方图来区分目标变化区域和非变化区域。具体为:将所述目标光谱时变特征图像按照灰度进行直方图统计,所述灰度直方图的灰度级数设为3。直方图的频数最多的部分为背景,该部分中的灰度级的下限设为τ1,上限设为τ2。则所述目标光谱时变特征图像中灰度值小于τ1或大于τ2的像素组成的区域为变化区域。
步骤S32,对提取到的所述目标变化区域进行目标变化类型识别,即利用目标光谱时变特征图像中不同变化类型的不同特性识别变化类型。
从所述目标光谱时变特征图像中提取得到的目标变化区域有两种类型的变化:灰度小于τ1的区域所表示的目标变化为目标“由强到弱、从有到无”,灰度大于τ2的区域所表示的目标变化为目标“由弱到强、从无到有”。
在上述目标变化区域提取和目标变化类型识别过程中,所使用的阈值是根据目标光谱时变特征图像中不同变化类型的不同的分布特性自动确定的。所述目标变化信息提取步骤中阈值自动确定的示意图如图3所示。
图4是使用本发明方法确定得到的目标变化区域及目标变化类型。图4中,黑色表示目标的变化类型为“由强到弱、从有到无”,白色表示目标的变化类型为“由弱到强、从无到有”。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种遥感图像目标监测方法,其特征在于,该方法包括以下步骤:
步骤S1,将已经配准的多时相图像进行组合得到多时相光谱变化图像,所述多时相光谱变化图像是根据多时相图像的波段频率大小顺序依次交替生成的;
步骤S2,对所述多时相光谱变化图像进行光谱时变特征分析,得到多波段光谱时变特征图像D,并基于所述多波段光谱时变特征图像D提取目标光谱时变特征得到目标光谱时变特征图像;
步骤S3,基于所述目标光谱时变特征图像提取得到目标变化信息。
3.根据权利要求1所述的方法,其特征在于,所述步骤S2进一步包括以下步骤:
步骤S21,对所述多时相光谱变化图像进行多时相光谱时变特征分析,即对所述多时相光谱变化图像进行变换,将由时间引起的光谱变化集中在少数波段上;
步骤S22,基于所述多波段光谱时变特征图像D提取目标光谱时变特征,即根据所述多波段光谱时变特征图像D不同波段的不同特性提取得到目标光谱时变特征所在的波段,最终得到目标光谱时变特征图像。
4.根据权利要求3所述的方法,其特征在于,所述多时相光谱时变特征分析是将多时相光谱变化图像之间的变化按照目标随时间变化的光谱变化强弱程度进行分离,使得光谱变化程度不同的变化类型被分离到不同的波段上。
5.根据权利要求3所述的方法,其特征在于,所述步骤S21中,对所述多时相光谱变化图像进行变换进一步包括:
步骤S211,利用下式求得变换因子gk:yk=gk(X),k=1,2,…,m,将目标的光谱变化集中在m个波段上,其中,m是变换后的多时相光谱时变特征图像的波段数;X为扩展矩阵,高度为h、宽度为w、波段数为2n1的多时相光谱变化图像M按照先行后列的顺序将每一个像素的光谱曲线作为扩展矩阵X的一个列向量,从而得到2n1行、h*w列的扩展矩阵X;
步骤S213,按照广义特征值从大到小的顺序将图像Pk组成多波段光谱时变特征图像D。
6.根据权利要求3所述的方法,其特征在于,所述步骤S22根据所述多波段光谱时变特征图像D不同波段的不同特性将目标光谱时变特征所在的波段提取出来。
7.根据权利要求1所述的方法,其特征在于,所述目标变化信息所在的目标变化区域集中在所述目标光谱时变特征图像上,而目标变化区域的提取是根据目标光谱时变特征图像的灰度直方图利用阈值方法自动将目标变化区域和背景进行分离而得到的。
8.根据权利要求1所述的方法,其特征在于,所述步骤S3进一步包括以下步骤:
步骤S31,提取所述目标光谱时变特征图像中的目标变化区域;
步骤S32,对提取到的所述目标变化区域进行目标变化类型识别,即利用目标光谱时变特征图像中不同变化类型的不同特性识别变化类型。
9.根据权利要求8所述的方法,其特征在于,使用目标光谱时变特征图像的灰度直方图来区分目标光谱时变特征图像中的目标变化区域和非变化区域:将所述目标光谱时变特征图像按照灰度进行直方图统计,直方图的频数最多的部分为背景,该部分中的灰度级的下限设为τ1,上限设为τ2,则所述目标光谱时变特征图像中灰度值小于τ1或大于τ2的像素组成的区域为变化区域。
10.根据权利要求9所述的方法,其特征在于,从所述目标光谱时变特征图像中提取得到的目标变化区域有两种类型的变化:灰度小于τ1的区域所表示的目标变化为目标“由强到弱、从有到无”,灰度大于τ2的区域所表示的目标变化为目标“由弱到强、从无到有”。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310176638.6A CN103268476B (zh) | 2013-05-14 | 2013-05-14 | 一种遥感图像目标监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310176638.6A CN103268476B (zh) | 2013-05-14 | 2013-05-14 | 一种遥感图像目标监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103268476A true CN103268476A (zh) | 2013-08-28 |
CN103268476B CN103268476B (zh) | 2016-07-06 |
Family
ID=49012103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310176638.6A Active CN103268476B (zh) | 2013-05-14 | 2013-05-14 | 一种遥感图像目标监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103268476B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103489191A (zh) * | 2013-09-24 | 2014-01-01 | 中国科学院自动化研究所 | 一种遥感图像显著目标变化检测方法 |
CN107609573A (zh) * | 2017-08-17 | 2018-01-19 | 东华大学 | 基于低秩分解和空谱约束的高光谱图像时变特征提取方法 |
CN112035679A (zh) * | 2020-09-10 | 2020-12-04 | 广东新禾道信息科技有限公司 | 一种遥感监测自然灾害数据处理方法及装置 |
CN117690028A (zh) * | 2024-02-02 | 2024-03-12 | 江苏菲尔浦物联网有限公司 | 基于遥感传感器的目标探测方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7142732B2 (en) * | 2000-06-30 | 2006-11-28 | Co-Operative Research Centre For Sensor Signal And Information Processing | Unsupervised scene segmentation |
CN101702021A (zh) * | 2009-11-06 | 2010-05-05 | 华中科技大学 | 一种图谱一体化的时变对象光谱信息获取方法与装置 |
CN102564589A (zh) * | 2011-12-20 | 2012-07-11 | 华中科技大学 | 一种多波段动目标光谱特征探测识别方法和装置 |
-
2013
- 2013-05-14 CN CN201310176638.6A patent/CN103268476B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7142732B2 (en) * | 2000-06-30 | 2006-11-28 | Co-Operative Research Centre For Sensor Signal And Information Processing | Unsupervised scene segmentation |
CN101702021A (zh) * | 2009-11-06 | 2010-05-05 | 华中科技大学 | 一种图谱一体化的时变对象光谱信息获取方法与装置 |
CN102564589A (zh) * | 2011-12-20 | 2012-07-11 | 华中科技大学 | 一种多波段动目标光谱特征探测识别方法和装置 |
Non-Patent Citations (2)
Title |
---|
苏娟等: "基于多时相遥感图像的人造目标变化检测算法", 《自动化学报》, vol. 34, no. 09, 15 September 2008 (2008-09-15), pages 1040 - 1046 * |
钟家强等: "基于独立成分分析的多时相遥感图像变化检测", 《电子与信息学报》, vol. 28, no. 06, 20 June 2006 (2006-06-20), pages 994 - 998 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103489191A (zh) * | 2013-09-24 | 2014-01-01 | 中国科学院自动化研究所 | 一种遥感图像显著目标变化检测方法 |
CN103489191B (zh) * | 2013-09-24 | 2016-04-13 | 中国科学院自动化研究所 | 一种遥感图像显著目标变化检测方法 |
CN107609573A (zh) * | 2017-08-17 | 2018-01-19 | 东华大学 | 基于低秩分解和空谱约束的高光谱图像时变特征提取方法 |
CN107609573B (zh) * | 2017-08-17 | 2020-11-10 | 东华大学 | 基于低秩分解和空谱约束的高光谱图像时变特征提取方法 |
CN112035679A (zh) * | 2020-09-10 | 2020-12-04 | 广东新禾道信息科技有限公司 | 一种遥感监测自然灾害数据处理方法及装置 |
CN117690028A (zh) * | 2024-02-02 | 2024-03-12 | 江苏菲尔浦物联网有限公司 | 基于遥感传感器的目标探测方法及*** |
CN117690028B (zh) * | 2024-02-02 | 2024-04-09 | 江苏菲尔浦物联网有限公司 | 基于遥感传感器的目标探测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN103268476B (zh) | 2016-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102831618B (zh) | 基于霍夫森林的视频目标跟踪方法 | |
Zhong et al. | Iterative support vector machine for hyperspectral image classification | |
CN102855622B (zh) | 一种基于显著性分析的红外遥感图像海面船只检测方法 | |
CN102254174B (zh) | 崩滑体中裸地信息的自动提取方法 | |
CN102789578B (zh) | 基于多源目标特征支持的红外遥感图像变化检测方法 | |
CN102073873B (zh) | 一种基于支持向量机的sar景象匹配区选取方法 | |
CN102542295B (zh) | 一种采用图像分类技术从遥感图像中进行滑坡检测的方法 | |
CN102609720B (zh) | 一种基于位置校正模型的行人检测方法 | |
CN104036289A (zh) | 一种基于空间-光谱特征和稀疏表达的高光谱图像分类方法 | |
CN109657610A (zh) | 一种高分辨率多源遥感影像的土地利用变化检测方法 | |
CN102842044B (zh) | 高分辨率可见光遥感图像变化检测方法 | |
CN102254319A (zh) | 一种多层次分割的遥感影像变化检测方法 | |
CN111339948B (zh) | 一种高分辨率遥感影像新增建筑自动识别方法 | |
Yuan et al. | Learning to count buildings in diverse aerial scenes | |
CN102881160B (zh) | 一种低照度场景下的户外交通标志识别方法 | |
CN112308873B (zh) | 多尺度Gabor小波PCA融合图像边缘检测方法 | |
CN111507296A (zh) | 基于无人机遥感与深度学习的违章建筑智能化提取方法 | |
CN103268476A (zh) | 一种遥感图像目标监测方法 | |
CN110580705B (zh) | 一种基于双域图信号滤波检测建筑物边缘点的方法 | |
CN102495998A (zh) | 基于视觉选择性注意计算模型的静态目标检测方法 | |
CN105512622A (zh) | 一种基于图分割和监督学习的可见光遥感图像海陆分割方法 | |
CN103712560A (zh) | 基于多个传感器信息融合的零件检测方法、***及装置 | |
CN107610118A (zh) | 一种基于dM的图像分割质量评价方法 | |
Wang et al. | Extraction of earthquake-induced collapsed buildings using very high-resolution imagery and airborne lidar data | |
CN109754120A (zh) | 一种考虑荧光效应的干旱预警方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |