CN103971364A - 基于加权Gabor小波特征和两级聚类的遥感图像变化检测方法 - Google Patents

Abstract

本发明公开了一种基于加权Gabor小波特征和两级聚类的遥感图像变化检测方法，处理对象同时包含了光学遥感图像和合成孔径雷达SAR图像，其实现过程包括：(1)根据遥感图像类型产生差异图像，(2)对差异图像进行Gabor小波变换，(3)提取差异图像Gabor小波变换的多尺度和多方向特征，(4)设计加权系数，获得加权Gabor小波特征，(5)使用两级聚类策略对加权Gabor小波特征进行聚类，(6)获得变化检测结果。本发明减少边缘信息的丢失，同时检测较强和微弱、较小的变化区域，减少总错误像素数，保留了更多的细节信息，有效地提取变化结果。

Description

基于加权Gabor小波特征和两级聚类的遥感图像变化检测方法

技术领域

本发明属于数字图像处理技术领域，主要涉及多时相遥感图像变化检测研究方向，具体地说是基于加权Gabor小波特征和两级聚类的遥感图像变化检测方法，处理对象同时包含了多时相光学遥感图像和合成孔径雷达（SyntheticAperture Radar，SAR）图像。该方法可应用于森林资源调查、土地覆盖/土地利用动态监测、环境灾害估计、城市规划及布局、打击效果评估，特别是自然灾害灾情监测与评估等对地观测的诸多实际问题中。

背景技术

遥感技术是从远距离感知目标反射或自身辐射的电磁波、可见光、红外线等，对目标进行探测和识别的技术，具有可获取大范围数据资料，获取信息的速度快、周期短及信息量大等特点。根据获取方式的不同，可将其分为光学遥感和微波遥感两类。其中，光学遥感对应的设备简单，所获取图像空间几何分辨率高，图像易于解译，不过只能在白天使用，受天气条件影响较严重；由于微波具有很好的穿透能力，微波遥感（SAR）可全天时、全天候对地成像，但相干成像特性使得其图像存在乘性相干斑噪声。两者各有特点，相互补充，在国民经济和国防建设中正发挥着越来越重要的作用。

随着传感器技术、空间技术和计算机技术的不断发展，众多机/星载遥感平台投入运营，所搭载的新型、高分辨率传感器可对地球表面进行不间断、持续观测，获取了大量的宽幅、高分辨率遥感数据。但面对日益增长的获取能力，与之不相宜的是对遥感图像处理与解译技术的研发相对滞后，不能满足实际应用的迫切需求。其中，多时相遥感图像变化检测作为处理与解译的基础和关键技术之一，是指通过对同一区域、不同时期获取的两幅或多幅遥感图像进行比较分析，进而根据图像之间差异来获取所感兴趣地物、场景或目标的变化信息，受制于人类活动加剧以及自然灾害频发，其研发越来越受到人们重视，逐渐成为遥感领域的研究热点。

近年来，国内外学者提出了很多有效的变化检测方法，概括起来可分为有监督变化检测和无监督变化检测。限于有监督变化检测所需地面真实变化类别样本难以获取，目前工作主要集中于无监督变换检测类，其大致分为：（1）基于分布模型差异的多时相遥感图像变化检测；（2）基于差异图像分析的多时相遥感图像变化检测；以及（3）基于马尔科夫融合的多时相遥感图像变化检测。特别是对第二类算法的研究最为普遍，核心思想是将变化检测问题视为图像的二元分类/分割问题，又可细分为聚类分析、智能优化、阈值分割、有限混合模型、马尔科夫随机场、主动轮廓和水平集等策略。其中，聚类分析由其简单、有效而受到普遍认可。

T.Celik在文献[T.Celik,“Unsupervised change detection insatellite images using principal component analysis and K-meansclustering,”IEEE Geoscience and Remote Sensing Letters,vol.6,no.4,pp.772-776,2009.]中最早提出聚类分析的遥感图像变化检测方法。具体而言，首先利用主分量分析（Principal Component Analysis,PCA）提取每个像素对应的特征向量，再使用K-means算法将特征向量分成两类（即变化类和不变化类），得到变化检测图。尽管该方法简单有效，但并没有充分利用差异图像的局部结构信息，且易受到噪声干扰。为进一步提高检测的有效性，M.Volpi等[M.Volpi,D.Tuia,G.Camps-Valls,and M.Kanevski,“Unsupervisedchange detection with kernels,”IEEE Geoscience and Remote SensingLetters,vol.9,no.6,pp.1026-1030,2012]通过核映射将原始输入空间中的非线性可分问题转化为特征空间中的线性可分问题，利用核K-means算法实现聚类。同时，为降低噪声影响，申请人[Y.Q.Cheng,H.C.Li,T.Celik,and F.Zhang,“FRFT-based improved algorithm of unsupervised changedetection in SAR images via PCA and K-means clustering”,in Proceedingof IEEE International Geoscience and Remote Sensing Symposium,Melbourne,Australia,July2013:1952-1955.]以及Y.G.Zheng等[Y.G.Zheng,X.R.Zhang,B.Hou,and G.C.Liu,“Using combined differenceimage and K-means clustering for SAR image change detection,”IEEEGeoscience and Remote Sensing Letters,vol.11,no.3,pp.691-695,2014]分别利用低阶次分数阶Fourier变换（Fractional Fourier Transform,FRFT）、PPB（Probabilistic Patch-Based）滤波器产生噪声抑制的差异图像，再进行空域聚类变化检测，可获得比较满意的检测结果，但均仍然没有充分考虑差异图像的局部结构信息。另外随着遥感图像分辨率的提高，变化与不变化类之间的可分性降低，不确定性和模糊性增强，使得现有变化检测方法不能有效地检测高分辨率遥感影像的变化信息，具有较高的误检和漏检概率，成为制约高分辨率遥感变化检测应用的瓶颈，急需更优的变化检测方法。

发明内容

本发明利用Gabor小波变换和模糊C均值聚类（Fuzzy C-means,FCM）提出基于加权Gabor小波特征和两级聚类的多时相遥感图像变化检测新方法。该方法借助Gabor小波变换的多尺度和多方向特征，能有效刻画差异图像的局部结构信息，且两级聚类策略可减少噪声对检测结果影响，算法简单有效能够满足实际的需要。

一种基于加权Gabor小波特征和两级聚类的遥感图像变化检测方法，包括如下步骤：

步骤1，利用在同一地区不同时间所获得两幅大小相同、相互配准的遥感图像X₀和X₁以产生差异图像X_D；

步骤2，对差异图像X_D进行Gabor小波变换；

步骤3，提取差异图像Gabor小波变换的多尺度和多方向特征；

步骤4，设计权值系数，获得加权Gabor小波特征；

步骤5，采用基于FCM算法的两级聚类策略对加权Gabor小波特征进行聚类，具体分为两步，即：

（a）运用FCM算法将上一步获得的差异图像像素的特征向量分为：变化类、不变化类和边界类，得到变化类和不变化类的聚类中心，用v_c和v_u分别表示变化类ω_c和不变化类ω_u的聚类中心，ω_b表示边界类；

（b）计算边界类ω_b中每一个特征向量与变化类和不变化类聚类中心的距离，将其分配到与聚类中心距离最小的类；然后同第（a）步得到的变化类和不变化类结合，得到新的变化类和不变化类；

步骤6，变化类像素位置置1，不变化类像素位置置0，得到最终的二值变化检测结果。

其中：步骤3所述的提取差异图像Gabor小波变换的多尺度和多方向特征，具体实施为：选用5个尺度和8个方向的Gabor小波，v∈{0，…，4}，u∈{0，…，7}，v代表Gabor小波的尺度参数，u体现了Gabor小波的方向选择性；差异图像同5个尺度和8个方向的Gabor小波相卷积之后得到40个特征图像G_v，u(z)，其中v∈{0，…，4}，u∈{0，…，7}；为方便用如下符号表示：J_k(z)＝G_v，u(z)，其中k＝u+8v，v∈{0，…，4}，u∈{0，…，7}，每一个像素点相对应的特征向量可以表示为v(i，j)＝[J₀(i，j)J₁(i，j)…J₃₉(i，j)]，其中(i，j)为坐标点，v(i，j)是图像上坐标为(i，j)的像素Gabor小波特征向量表示。

另外，步骤4所述的对所提取Gabor小波特征的权值系数设计，具体实施为：不同尺度的频率参数可以得到为k_v＝k_max/f^v；设v∈{0，…，4}，这相对应的频率参数为k₀，k₁，k₂，k₃，k₄，则计算权值系数依次为并求和为 $\mathrm{sumW}=e^{-k_0}+e^{-k_1}+e^{-k_2}+e^{-k_3}+e^{-k_4},$ 然后进行归一化依次为 不同尺度v∈{0，…，4}的权值系数依次设置为对归一化权值系数依据尺度顺序进行翻转就是各个尺度下所有方向的权值系数，进而获得加权Gabor小波特征。

对于不同的图像来源，差异图像X_D有不同的获取方式：对于光学遥感图像，差异图像X_D为输入图像X₀和X₁直接相减的绝对值，X_D=|X₁-X₀|；对于合成孔径雷达（SAR）图像，其差异图像X_D取输入图像X₀和X₁作对数比的绝对值， $X_D=\left|\log \frac{X_1}{X_0}\right|=|\log \left(X_1\right)-\log \left(X_0\right)|.$

有益效果

1、本发明借助Gabor小波变换，通过提取差异图像的多尺度和多方向特征可全面、有效地刻画差异图像的局部结构信息，并根据不同频率设计权重系数以减弱噪声和异质像素影响。

2、本发明所提出基于FCM算法的两级聚类策略对加权Gabor小波特征进行聚类，可在第一级聚类过程中得到可分性更好的变化类和不变化类的聚类中心，进而在第二级聚类过程中能更有效区分边缘类像素的类别。

3、该方法能够在完整获得较强变化区域同时，检测到微弱、较小的变化区域，减少边缘信息的丢失。可兼顾错检像素数和漏检像素数，使得总错误像素数降低，保留了更多细节信息，有效地提取变化结果。

附图说明

图1基于加权Gabor小波特征和两级聚类的多时相遥感图像变化检测方法整体框架；

图2差异图像Gabor小波变换后的特征提取方式；

图3仿真实验使用的第一组遥感图像数据集Bern，(a)1999年4月获得的ERS2SAR图像，(b)1999年5月获得的ERS2SAR图像，(c)变化检测参考图；

图4仿真实验使用的第二组遥感图像数据集burn，(a)1986年8月5日获得的光学遥感图像，(b)1992年8月5日获得的光学遥感图像，(c)变化检测参考图；

图5仿真实验使用的第三组遥感图像数据集lake，(a)1986年8月5日获得的光学遥感图像，(b)1992年8月5日获得的光学遥感图像；

图6三组遥感图像数据集分别对应的差异图像：(a)Bern数据集差异图像，(b)burn数据集差异图像，(c)lake数据集差异图像；

图7本发明与对比方法仿真SAR图像数据Bern的变化检测结果，(a)对比方法1的变化检测结果，(b)对比方法2的变化检测结果，(c)对比方法3的变化检测结果，(d)本发明的变化检测结果，(e)变化检测参考图；

图8本发明与对比方法仿真光学遥感图像数据burn的变化检测结果，(a)对比方法1的变化检测结果，(b)对比方法2的变化检测结果，(c)对比方法3的变化检测结果，(d)本发明的变化检测结果，(e)变化检测参考图；

图9本发明与对比方法仿真光学遥感图像数据lake的变化检测结果，(a)对比方法1的变化检测结果，(b)对比方法2的变化检测结果，(c)对比方法3的变化检测结果，(d)本发明的变化检测结果。

具体实施方式

下面参照附图描述本发明的实施例。应当理解，在此描述的本发明各个实施例仅仅是为了更好地解释本发明的原理和概念，而不是要限制本发明。在阅读这样的描述之后，本领域技术人员很容易构造其他修改或替换，这样的修改或替换应被理解为落入本发明的范围中。

图1给出了本发明实施例的流程框架，具体实施包含以下步骤：

（1）利用多时相遥感图像产生差异图像。两幅大小为H×W且相互配准的遥感图像X₀＝{x₀(i，j)|1≤i≤H，1≤j≤W}和X₁＝{x₁(i，j)|1≤i≤H，1≤j≤W}，它们是在同一地区不同时间t₀和t₁分别获得的遥感数据。根据遥感图像的类型生成差异图像X_D。

对于光学图像（Optical Images），输入图像X₀和X₁直接相减的绝对值就是差异图像X_D，

X_D=|X₁-X₀|

而对于SAR（Synthetic Aperture Radar）图像，差异图像X_D是输入图像X₀和X₁的比值图像，为了提高低幅度的像素值，我们对比值图像执行一个对数运算，

$X_D=\left|\log \frac{X_1}{X_0}\right|=|\log \left(X_1\right)-\log \left(X_0\right)|$

其中log是自然对数算子，能够使差异图像中变化类ω_c和不变化类ω_u分布更加均匀。同时使X₀和X₁内在残留的乘性（×）斑点干扰转换成加性（+）干扰。

（2）对第一步得到的差异图像X_D进行Gabor小波变换。二维Gabor小波核函数（滤波器）形式可以表示为，

$g_{v,u}\left(z\right)=\frac{{\left|\right|k_{v,u}\left|\right|}^2}{{\mathrm{\σ}}^2}{e}^{(-{\left|\right|k_{v,u}\left|\right|}^2{\left|\right|z\left|\right|}^2/{2\mathrm{\σ}}^2)}[e^{{\mathrm{jk}}_{v,u}z}-e^{-{\mathrm{\σ}}^2/2}]$

其中v代表Gabor小波的尺度参数，u体现了Gabor小波的方向选择性，z＝(x，y)对应图像中的一个像素坐标，||·||表示欧式范数运算。

Gabor小波向量参数k_v，u控制Gaussian窗口的宽度、振荡部分的波长和方向，可以表示为，

其中k_v＝k_max/f^v(v＝0，1…，V-1)，(u＝0，1，…，U-1)，一般情况下参数k_max是Gabor小波的最大频率，而f表示相邻的Gabor小波之间在频域的间隔因子。

对灰度图像I(x，y)进行Gabor小波变换，等效于图像和Gabor小波作卷积，可以表示如下，

G_v，u(z)＝I(z)*g_v，u(z)

其中，z＝(x，y)对应图像中的一个像素坐标，“*”表示二维卷积操作运算符，v代表Gabor小波的尺度参数，u体现了Gabor小波的方向选择性，g_v，u(z)是二维Gabor小波函数，G_v，u(z)是图像与相应的尺度v、方向u的Gabor小波函数卷积结果，即图像的Gabor小波表示。

（3）提取差异图像Gabor小波变换的多尺度和多方向特征。一般情况下，选用5个尺度和8个方向的Gabor小波，v∈{0，…，4}，u∈{0，…，7}。差异图像同5个尺度和8个方向的Gabor小波相卷积之后得到40个特征图像G_v，u(z)，其中v∈{0，…，4}，u∈{0，…，7}。为了下文使用方便我们用如下符号表示，J_k＝G_v，u(z)，其中k＝u+8v，v∈{0，…，4}，u∈{0，…，7}，则40个特征图像可以表示为J(z)＝{J_k(z)，k＝0，1…，39}。因此图像的每一个像素点相对应的特征向量组成可以表示为v(i，j)＝[J₀(i，j)J₁(i，j…J₃₉(i，j)]，其中(i，j)为坐标点，v(i，j)是图像上坐标为(i，j)的像素Gabor小波特征向量表示，其能够精确地刻画图像的局部结构信息和多方向性特点，对旋转、尺度和光照变化等具有一定的鲁棒性。特征提取过程如图2所示。

（4）对所提取Gabor小波特征设计权值。一般情况下，选用5个尺度和8个方向的Gabor小波，v∈{0，…，4}，u∈{0，…，7}。同一尺度下8个方向的Gabor特征具有相同的权值，权值设置仅与尺度相关，与方向无关。不同尺度的频率参数可以得到为k_v＝k_max/f^v。设v∈{0，…，4}，这相对应的频率参数为k₀，k₁，k₂，k₃，k₄，则计算权值系数依次为并求和为 $\mathrm{sumW}=e^{-k_0}+e^{-k_1}+e^{-k_2}+e^{-k_3}+e^{-k_4},$ 然后进行归一化依次为 不同尺度v∈{0，…，4}的权值系数依次设置为这样解释便于理解。对于同一尺度下的不同方向设置相同的权值，计算权值并归一化。对归一化的权值依据尺度顺序进行翻转就是各个尺度下所有方向的权值系数，进而获得加权Gabor小波特征。通过设置权值可以减弱噪声和异质像素影响，有利于完整提取变化信息。

（5）利用本发明提出的基于FCM算法的两级聚类策略对加权的Gabor特征进行聚类。

（5a）运用FCM算法将上一步获得的差异图像像素的特征向量分为：变化类、不变化类和边界类，得到变化类和不变化类的聚类中心，用v_c和v_u分别表示变化类ω_c和不变化类ω_u的聚类中心，ω_b表示边界类。

（5b）计算边界类ω_b中每一个特征向量与变化类和不变化类聚类中心的距离，将其分配到与聚类中心距离最小的类。然后同第（5a）步得到的变化类和不变化类结合，得到新的变化类和不变化类。

（6）获得变化检测结果。二值变化检测结果为CM＝{cm(i，j)|1≤i≤H，1≤j≤W}，其中“1”表示相对应的图像位置是变化的（也就是说，属于变化类的），“0”表示相对应的图像位置是不变化的（也就是说，属于不变化类的）。我们将变化类像素位置置1，不变化类像素位置置0，得到最终的变化检测结果。

本发明的效果可以通过以下实验进一步说明：

1、仿真实验条件

本发明提出的基于Gabor小波和两级聚类的遥感图像变化检测方法及对比方法都是在相同的实验仿真平台上实现。实验计算机配置为AMD Athlon(tm)7750双核处理器，主频2.70GHz，RAM为4.00GB（3.25GB可用），32位操作***，软件平台为MATLAB7.13。

2、仿真实验数据

本发明的仿真实验使用真实的遥感数据，包括光学遥感图像和SAR图像。

第一组遥感图像数据集Bern。图3中是两幅SAR图像数据和一幅变化参考图。这两幅大小相同的SAR图像由ERS2（European Remote Sensing2）卫星的SAR传感器在瑞士Bern附近地区分别于1999年4月和1999年5月获得的。第一幅图像是1999年4月洪水发生前Bern附近地区的地表信息，第二幅图像是1999年5月洪水发生后同一区域的地表信息，两幅图像的大小为301×301，灰度级为256。第三幅图像是变化参考图，它是通过当地真实的地面信息结合已知的图像数据而得到的一幅二值图像，图中白色像素表示地面的变化情况。

第二组遥感图像数据集burn，图4是两幅光学遥感图像和一幅变化参考图。前两幅图像的大小为200×200，分别于1986年8月5日和1992年8月5日在Lake Tahoe，Reno，Nevada获得。由于地面森林火灾导致大量区域发生变化，第三幅图像是变化参考图。

第三组遥感图像数据集lake，图5是两幅光学遥感图像。两幅图像的大小为200×200，分别于1986年8月5日和1992年8月5日在Lake Tahoe，Reno，Nevada获得，主要显示了湖面干涸、土地使用和森林砍伐导致的变化。

3、结果评价指标

一般在实际变化已知的情况下，衡量变化检测算法性能有如下三个指标。

（1）False Alarms(FA)：错误检测像素数，表示实际未变化而检测成变化的像素总数。

（2）Missed Alarms(MA)：丢失检测像素数，表示实际变化而检测成未变化的像素总数。

（3）Total Errors(TE)：总错误像素数，是上面的错误检测像素数(FA)和丢失检测像素数(MA)的总和。这是衡量变化检测算法最重要的指标，是证明结果优劣的主要判断依据。

4、对比仿真实验

为了说明本发明的有效性，我们将本发明的仿真效果与如下三个方法进行比较：

对比方法1，文献[T.Celik,“Unsupervised change detection insatellite images using principal component analysis and K-meansclustering,”IEEE Geoscience and Remote Sensing Letters,vol.6,no.4,pp.772-776,2009.]中利用主成分分析（PCA，Principal Component Analysis）和K-means聚类算法实现遥感图像的变化检测。该方法首先利用主分量分析提取每个像素对应的特征向量，再使用K-means算法将特征向量分成两类（即变化类和不变化类），得到变化检测图。

对比方法2，文献[Y.Q.Cheng,H.C.Li,T.Celik,and F.Zhang,“FRFT-based improved algorithm of unsupervised change detection in SARimages via PCA and K-means clustering”,in Proceeding of IEEEInternational Geoscience and Remote Sensing Symposium,Melbourne,Australia,July2013:1952-1955.]是利用低阶次的分数阶Fourier变换对上面文献提出的方法进行改进。

对比方法3，文献[Y.G.Zheng,X.R.Zhang,B.Hou,and G.C.Liu,“Using combined difference image and K-means clustering for SAR imagechange detection,”IEEE Geoscience and Remote Sensing Letters,vol.11,no.3,pp.691-695,2014]首先要对多时相遥感图像进行PPB（ProbabilisticPatch-Based）滤波，然后利用两个不同算子并分别结合均值和中值滤波产生待组合差异图像，再通过线性加权获得目标差异图像，最后使用K-means聚类得到变化检测结果。

5、仿真实验内容

实验1计算差异图像

本发明的仿真实验采用三组遥感图像数据集，包括一对SAR图像和两对光学遥感图像。根据遥感图像的类型依据不同的公式，生成差异图像X_D，分别如图6(a)-(c)所示。

实验2SAR图像数据Bern

本次仿真实验使用的是第一组遥感图像数据集Bern。图7是本发明与对比方法仿真SAR图像数据Bern的变化检测结果，其中图7(a)是对比方法1的变化检测结果，图7(b)是对比方法2的变化检测结果，图7(c)是对比方法3的变化检测结果，图7(d)是本发明的变化检测结果，图7(e)是变化检测参考图。

除了依据视觉观察进行定性对比外，还进行定量比较。表1列出了仿真实验输出图像的精度评估数据。

表1本发明与对比方法仿真Bern数据变化检测结果精度评估数据

实验3光学遥感图像数据burn

本次仿真实验使用的是第一组遥感图像数据集burn。图8是本发明与对比方法仿真光学遥感图像数据burn的变化检测结果，其中图8(a)是对比方法1的变化检测结果，图8(b)是对比方法2的变化检测结果，图8(c)是对比方法3的变化检测结果，图8(d)是本发明的变化检测结果，图8(e)是变化检测参考图。

除了依据视觉观察进行定性对比外，还进行定量比较。表2列出了仿真实验输出图像的精度评估数据。

表2本发明与对比方法仿真burn数据变化检测结果精度评估数据

实验4光学遥感图像数据lake

本次仿真实验使用的是第一组遥感图像数据集lake。图9是本发明与对比方法仿真光学遥感图像数据lake的变化检测结果，其中图9(a)是对比方法1的变化检测结果，图9(b)是对比方法2的变化检测结果，图9(c)是对比方法3的变化检测结果，图9(d)是本发明的变化检测结果。由于光学遥感图像lake缺乏变化检测参考图，将给出定性比较结果。

6、仿真结果分析

通过分析本发明与对比方法仿真SAR图像数据Bern的变化检测结果及精度评估数据可知，本发明仿真结果的总错误像素数为296个，相比于其它对比方法得到了较好的结果。同时它的错误检测像素数是131，丢失检测像素数165，较好地达到了一种折中。

通过分析本发明与对比方法仿真光学遥感图像数据burn的变化检测结果及精度评估数据可知，本发明仿真结果的总错误像素数为1108个，对比方法2的为1057个，这两种方法都明显优于其它两种对比方法。而且本发明仿真结果中丢失检测像素数最少为79个，能较好的检测微弱变化区域，有利于变化区域细节信息的保持。

通过分析本发明与对比方法仿真光学遥感图像数据lake的变化检测结果及图像数据集信息可知，该图像数据主要显示了湖面干涸、土地使用和森林砍伐导致的变化。对比方法3能够较好的检测湖面干涸导致的变化，但是无法有效检测土地使用和森林砍伐导致的变化，丢失大量微弱变化区域。本发明仿真结果相比于其它对比方法不仅能够较完整地检测湖面干涸导致的变化，同时保留了土地使用和森林砍伐导致的变化。

综上所述，本发明同时适用于检测多时相光学遥感图像和SAR图像，利用Gabor小波变换可提取全面、有效地刻画差异图像局部结构信息的多尺度多方向特征，考虑到避免噪声和异质像素的影响，通过设计权值系数得到加权Gabor小波特征表示。同时利用本发明所提出基于FCM算法的两级聚类策略对加权Gabor小波特征进行聚类，两级聚类可产生两个相距更远的聚类中心，更容易将变化类和不变化类分开，得到更好的检测效果。通过定性和定量的比较，可以证明本发明所提出的基于加权Gabor小波特征和两级聚类的遥感图像变化检测方法，能够在完整获得较强变化区域的同时检测到微弱、较小的变化区域，减少边缘信息的丢失。并且兼顾错检像素数和漏检像素数，使得总错误像素数降低，保留了更多细节信息，有效地提取变化结果。

本领域的普通技术人员显然清楚并且理解，本发明方法所举的以上实施例仅用于说明本发明方法，而并不用于限制本发明方法。虽然通过实施例有效描述了本发明，本发明存在许多变化而不脱离本发明的精神。在不背离本发明方法的精神及其实质的情况下，本领域技术人员当可根据本发明方法做出各种相应的改变或变形，但这些相应的改变或变形均属于本发明方法要求的保护范围。

Claims (4)

1.一种基于加权Gabor小波特征和两级聚类的遥感图像变化检测方法，包括如下步骤：

步骤1，利用在同一地区不同时间所获得两幅大小相同、相互配准的遥感图像X₀和X₁以产生差异图像X_D；

步骤2，对差异图像X_D进行Gabor小波变换；

步骤3，提取差异图像Gabor小波变换的多尺度和多方向特征；

步骤4，设计权值系数，获得加权Gabor小波特征；

步骤5，采用基于FCM算法的两级聚类策略对加权Gabor小波特征进行聚类，具体分为两步，即：

（a）运用FCM算法将上一步获得的差异图像像素的特征向量分为：变化类、不变化类和边界类，得到变化类和不变化类的聚类中心，用v_c和v_u分别表示变化类ω_c和不变化类ω_u的聚类中心，ω_b表示边界类；

（b）计算边界类ω_b中每一个特征向量与变化类和不变化类聚类中心的距离，将其分配到与聚类中心距离最小的类；然后同第（a）步得到的变化类和不变化类结合，得到新的变化类和不变化类；

步骤6，变化类像素位置置1，不变化类像素位置置0，得到最终的二值变化检测结果。

2.根据权利要求1所述的基于加权Gabor小波特征和两级聚类的遥感图像变化检测方法，其特征在于步骤3所述的提取差异图像Gabor小波变换的多尺度和多方向特征，具体实施为：选用5个尺度和8个方向的Gabor小波，v∈{0，…，4)，u∈{0，…，7}，v代表Gabor小波的尺度参数，u体现了Gabor小波的方向选择性；差异图像同5个尺度和8个方向的Gabor小波相卷积之后得到40个特征图像G_v，u(z)，其中v∈{0，…，4}，u∈{0，…，7}；为方便用如下符号表示：J_k(z)＝G_v，u(z)，其中k＝u+8v，v∈{0，…，4}，u∈{0，…，7}，每一个像素点相对应的特征向量可以表示为v(i，j)＝[J₀(i，j)J₁(i，j)…J₃₉(i，j)]，其中(i，j)为坐标点，v(i，j)是图像上坐标为(i，j)的像素Gabor小波特征向量表示。

3.根据权利要求1所述的基于加权Gabor小波特征和两级聚类的遥感图像变化检测方法，其特征在于步骤4所述的对所提取Gabor小波特征的权值系数设计，具体实施为：不同尺度的频率参数可以得到为k_v＝k_max/f^v；设v∈{0，…，4}，这相对应的频率参数为k₀，k₁，k₂，k₃，k₄，则计算权值系数依次为并求和为 $\mathrm{sumW}=e^{-k_0}+e^{-k_1}+e^{-k_2}+e^{-k_3}+e^{-k_4},$ 然后进行归一化依次为不同尺度v∈{0，…，4}的权值系数依次设置为 对归一化权值系数依据尺度顺序进行翻转就是各个尺度下所有方向的权值系数，进而获得加权Gabor小波特征。

4.根据权利要求1所述的基于加权Gabor小波特征和两级聚类的遥感图像变化检测方法，其特征在于所述的差异图像X_D：对于光学遥感图像，差异图像X_D为输入图像X₀和X₁直接相减的绝对值，X_D＝|X₁-X₀|；对于合成孔径雷达（SAR）图像，其差异图像X_D取输入图像X₀和X₁作对数比的绝对值， $X_D=\left|\log \frac{X_1}{X_0}\right|=|\log \left(X_1\right)-\log \left(X_0\right)|.$