CN105957049B - 一种基于稀疏表示分类的遥感图像变化检测方法 - Google Patents
一种基于稀疏表示分类的遥感图像变化检测方法 Download PDFInfo
- Publication number
- CN105957049B CN105957049B CN201610077917.0A CN201610077917A CN105957049B CN 105957049 B CN105957049 B CN 105957049B CN 201610077917 A CN201610077917 A CN 201610077917A CN 105957049 B CN105957049 B CN 105957049B
- Authority
- CN
- China
- Prior art keywords
- variation
- error
- remote sensing
- image
- threshold values
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于稀疏表示分类的遥感图像变化检测方法,包括以下步骤:1)输入经过校正处理的变化前和变化后的遥感图像;2)获取变化前后图像的差值图像;3)在差值图像中对变化区域选取少量样本点;4)对每个像元计算利用样本点对其进行稀疏表示得到的估计值;5)计算各样本点实际值与估计值的差值;6)若差值小于给定阀值,则该样本点属于变化区,否则,属于无变化区。本发明的有益效果为:提出了一种判断遥感图像中有无发生变化的快速检测方法,仅需少量样本点,即可得到准确的变化检测区域;方法仅考虑变化区域特性,对复杂背景有强的抗干扰能力。
Description
技术领域
本发明涉及遥感图像处理领域,尤其涉及一种多时相遥感图像的变化检测方法。
背景技术
利用遥感图像对地表的变化进行识别和范围检测,对于灾害范围统计、损失评估等具有重要的实际意义。由于不同的地物在遥感图像中呈现出不同的光谱特征,可以通过多时相遥感图像中的差异对发生变化的区域进行识别和检测。在进行变化检测时,大多数情况下,如对火灾、洪灾、滑坡等进行检测时,最重要的是对变化区域进行快速的识别,对于未发生变化的背景部分并不关注。因而,在此提出了一种针对变化区域进行快速高精度识别的方法。
发明内容
本发明的目的是提出了一种判断遥感图像中有无发生变化的快速检测方法。本方法基于稀疏表示理论,对遥感图像中的变化区域进行半自动检测。在变化检测中,着眼于对发生变化的区域进行分析和精细识别,仅需要对变化区域选取少量样本,而无需考虑发生变化地物所处的复杂的、多样化的背景,具有强的抗干扰能力。
为达到上述目的,本发明的技术方案提供一种基于稀疏表示分类的变化检测方法,所述方法包括以下步骤:
1)输入经过校正处理的变化前和变化后的遥感图像X1和X2。前后两个时相的图像必须经过几何校正和辐射校正,保证前后时相图像的几何误差不超过一个像元,且地物辐射特性较为一致;
2)获取变化前后图像的差值图像Xt,Xt=X1-X2,并对差值做归一化处理到0-1值域范围;
3)在差值图像中,对变化区域选取n个样本点,获取其图像坐标值[i,j],并得到差值图像中该坐标的数值Xt[i,j]作为训练样本;
4)对每个像元y,利用Xt对其进行稀疏线性表示得到估计值以估计结果与原值相似程度和系数的稀疏情况为约束,对以上稀疏表示的系数α进行求解,其目标方程为:
其中,λ是正则系数,用于平衡估计值与原始值的相似性和系数的稀疏程度。用Matlab中的SPAMS工具箱对稀疏表示系数进行求解;
5)计算各样本点实际值与估计值的残差值r(y):
6)对残差进行误差曲线分析确定阀值。对残差值以为增量,取得10000个阀值t,对每个阀值计算检测率和误检率,并做出误差曲线。检测率(纵轴)为实际检测出的变化占总变化的比率,误检率(横轴)为检测出的错误变化数占无变化区的比率。误差曲线趋势类似于上升的对数函数曲线,误检率为0时检测率为0,误检率为1时检测率趋近于1。随误检率增加检测率先大幅增加,到一定程度时斜率降低。取误差曲线拐点处的检测率和误检率所对应的为t值为阀值,即误差曲线由陡变平处的值,取该值作为阀值能在保证较高检测率的情况下获得最低的误检率。
7)若差值r(y)小于给定阀值,则该样本点属于变化区,否则,属于无变化区。
本发明的有益效果为:
1)本发明仅需对变化区域选取少量样本即可得到准确的变化检测区域,无需获取变化区域之外的背景地物样本,对方法的训练较为简单。
2)本发明仅对变化区域的光谱特性进行分析和描述,并寻找类别界限,无需考虑背景区域的特性,对复杂背景有强的抗干扰能力。
3)本发明采用稀疏表示分类技术对变化区域进行描述,发挥稀疏表示技术利用少数样本点就可以进行完善信息描述的优势,将发生变化的区域作为一个类别进行精确识别。
附图说明
图1是本发明实施例所述的基于稀疏表示分类的遥感图像变化检测方法的流程示意图。
图2是误差曲线图。
具体实施方式
下面根据附图对本发明作进一步详细说明。
如图1所示,本发明实施例所述的一种遥感图像变化检测方法,所述方法包括以下步骤:
1)输入经过校正处理的变化前和变化后的遥感图像X1和X2。前后两个时相的图像必须经过几何校正和辐射校正,保证前后时相图像的几何误差不超过一个像元,且地物辐射特性较为一致;
2)获取变化前后图像的差值图像X12=X1-X2,并对差值X12做归一化处理到0-1值域范围;
3)在差值图像中,对变化区域选取不少于50个样本点,获取其图像坐标值[i,j],并得到差值图像中该坐标的数值Xt[i,j]作为训练样本;
4)对每个像元y,利用稀疏表示的方式计算利用变化区域训练样本对其进行稀疏表示得到的估计值y=Xtα,求解的目标方程为:
其中,λ是正则系数,用于平衡估计值与原始值的相似性,和系数的稀疏程度,此处取λ=1。|| ||2为取平方和,|| ||1为取绝对值之和。
用Matlab中的SPAMS工具箱对稀疏表示系数进行求解。
5)计算各样本点实际值与估计值的残差值:
6)对残差进行误差曲线分析确定阀值。对残差值以为增量,取得10000个阀值t,对每个阀值计算检测率和误检率,并做出误差曲线。检测率(纵轴)为实际检测出的变化占总变化的比率,误检率(横轴)为检测出的错误变化数占无变化区的比率。误差曲线趋势类似于上升的对数函数曲线,误检率为0时检测率为0,误检率为1时检测率趋近于1。随误检率增加检测率先大幅增加,到一定程度时斜率降低(实施本方法得到的误差曲线案例如图2所示)。取误差曲线拐点处的检测率和误检率所对应的为t值为阀值,即误差曲线由陡变平处的值,取该值作为阀值能在保证较高检测率的情况下获得最低的误检率。
7)若差值r(y)小于给定阀值,则该样本点属于变化区,否则,属于无变化区。
本发明所述的遥感图像变化检测方法具有以下特点:
1、采用单类的稀疏表示分类技术,只需对变化区域取少量样本即可进行变化检测,步骤3)中,仅需对变化区域进行样本点选取。
2、基于稀疏表示技术得到各像元与变化区的相似性。在所述步骤4)中,对每个像元得到其用变化区样本表示的估计值,该值可用于判定该像元是否属于变化区。若该像元属于变化区,则该像元值能够通过变化区的样本进行高精度的稀疏表示;若不属于变化区,则估计值与实际值会有较大的残差。
3、通过误差分析的方式得到变化检测的阀值:在步骤6)中,对残差进行阀值探测,对每个待选的阀值计算误差曲线,并通过误差曲线的趋势分析得到最优阀值,以实现高精度的变化检测。
由以上实施例可以看出,本发明实施例基于稀疏表示的技术特点,通过对单类别的特性进行分析,仅需对变化区域选取少量样本即可进行变化区域的精确探测,需要输入少,且能获得很好的检测效果。
本发明通过上面的实施例进行举例说明,但是,本发明并不限于这里所描述的特殊实例和实施方案。任何本领域中的技术人员很容易在不脱离分发明精神和范围的情况下进行进一步的改进和完善,因此分发明只受到本发明权利要求的内容和范围的限制,其意图涵盖所有包括在由附录权利要求所限定的本发明精神和范围内的备选方案和等同方案。
Claims (1)
1.一种基于稀疏表示分类的遥感图像变化检测方法,其特征在于:该方法包括以下步骤:
1)输入经过校正处理的变化前和变化后的遥感图像X1和X2;前后两个时相的图像必须经过几何校正和辐射校正,保证前后时相图像的几何误差不超过一个像元,且地物辐射特性较为一致;
2)获取变化前后图像的差值图像Xt,Xt=X1-X2,并对差值做归一化处理到0-1值域范围;
3)在差值图像中,对变化区域选取n个样本点,获取其图像坐标值[i,j],并得到差值图像中该坐标的数值Xt[i,j]作为训练样本;
4)对每个像元y,利用Xt对其进行稀疏线性表示得到估计值以估计结果与原值相似程度和系数的稀疏情况为约束,对以上稀疏表示的系数α进行求解,其目标方程为:
其中,λ是正则系数,用于平衡估计值与原始值的相似性和系数的稀疏程度;用Matlab中的SPAMS工具箱对稀疏表示系数进行求解;
5)计算各样本点实际值与估计值的残差值r(y):
6)对残差进行误差曲线分析确定阀值;对残差值以为增量,取得10000个阀值t,对每个阀值计算检测率和误检率,并做出误差曲线;检测率即纵轴为实际检测出的变化占总变化的比率,误检率即横轴为检测出的错误变化数占无变化区的比率;误差曲线趋势类似于上升的对数函数曲线,误检率为0时检测率为0,误检率为1时检测率趋近于1;随误检率增加检测率先大幅增加,到一定程度时斜率降低;取误差曲线拐点处的检测率和误检率所对应的为t值为阀值,即误差曲线由陡变平处的值,取该值作为阀值能在保证较高检测率的情况下获得最低的误检率;
7)若差值r(y)小于给定阀值,则该样本点属于变化区,否则,属于无变化区。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610077917.0A CN105957049B (zh) | 2016-02-03 | 2016-02-03 | 一种基于稀疏表示分类的遥感图像变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610077917.0A CN105957049B (zh) | 2016-02-03 | 2016-02-03 | 一种基于稀疏表示分类的遥感图像变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105957049A CN105957049A (zh) | 2016-09-21 |
CN105957049B true CN105957049B (zh) | 2018-10-23 |
Family
ID=56917287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610077917.0A Active CN105957049B (zh) | 2016-02-03 | 2016-02-03 | 一种基于稀疏表示分类的遥感图像变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105957049B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102915436A (zh) * | 2012-10-25 | 2013-02-06 | 北京邮电大学 | 基于类内变化字典和训练图像的稀疏表示人脸识别方法 |
CN103065320A (zh) * | 2013-01-09 | 2013-04-24 | 西安电子科技大学 | 基于恒虚警阈值的sar图像变化检测方法 |
CN103116880A (zh) * | 2013-01-16 | 2013-05-22 | 杭州电子科技大学 | 一种基于稀疏表示和多残差的图像超分辨率重建方法 |
CN103455825A (zh) * | 2013-09-08 | 2013-12-18 | 西安电子科技大学 | 基于邻域聚类核的sar图像变化检测方法 |
CN103810704A (zh) * | 2014-01-23 | 2014-05-21 | 西安电子科技大学 | 基于支持向量机和判别随机场的sar图像变化检测方法 |
CN104700411A (zh) * | 2015-03-15 | 2015-06-10 | 西安电子科技大学 | 基于稀疏重建的两时相遥感影像变化检测方法 |
-
2016
- 2016-02-03 CN CN201610077917.0A patent/CN105957049B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102915436A (zh) * | 2012-10-25 | 2013-02-06 | 北京邮电大学 | 基于类内变化字典和训练图像的稀疏表示人脸识别方法 |
CN103065320A (zh) * | 2013-01-09 | 2013-04-24 | 西安电子科技大学 | 基于恒虚警阈值的sar图像变化检测方法 |
CN103116880A (zh) * | 2013-01-16 | 2013-05-22 | 杭州电子科技大学 | 一种基于稀疏表示和多残差的图像超分辨率重建方法 |
CN103455825A (zh) * | 2013-09-08 | 2013-12-18 | 西安电子科技大学 | 基于邻域聚类核的sar图像变化检测方法 |
CN103810704A (zh) * | 2014-01-23 | 2014-05-21 | 西安电子科技大学 | 基于支持向量机和判别随机场的sar图像变化检测方法 |
CN104700411A (zh) * | 2015-03-15 | 2015-06-10 | 西安电子科技大学 | 基于稀疏重建的两时相遥感影像变化检测方法 |
Non-Patent Citations (2)
Title |
---|
ADAPTIVE SPARSE REPRESENTATION FOR HYPERSPECTRAL IMAGE CLASSIFICATION;Wei Li et al;《IGARSS》;20151231;第4955-4958页 * |
基于模糊局部信息C均值的SAR图像变化检测;刘瑞 等;《激光杂志》;20151231;第28-31页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105957049A (zh) | 2016-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guan et al. | Gaussian scale-space enhanced local contrast measure for small infrared target detection | |
CN109472822A (zh) | 基于深度图像处理的物体尺寸测量方法 | |
CN106197612B (zh) | 一种基于机器视觉的透明瓶装液位检测方法 | |
CN102800082B (zh) | 一种无参考的图像清晰度检测方法 | |
CN102737370B (zh) | 检测图像前景的方法及设备 | |
CN104483705B (zh) | 一种三维剩余静校正方法 | |
CN104268872A (zh) | 基于一致性的边缘检测方法 | |
CN101866486B (zh) | 手指静脉图像质量判断方法 | |
CN110110675A (zh) | 一种融合边缘信息的小波域分形红外卷云检测方法 | |
CN106710062B (zh) | 检测纸币安全线的方法及装置 | |
CN109187950B (zh) | 一种自适应的荧光免疫层析定量检测特征提取方法 | |
CN105427448B (zh) | 一种获取纸币安全线边界的方法及装置 | |
US9429527B1 (en) | Automatic optical inspection method of periodic patterns | |
Xu et al. | A novel star image thresholding method for effective segmentation and centroid statistics | |
CN104008399A (zh) | 一种仪表检测中基于支持向量机的仪表指针抖动的识别方法 | |
CN109727226A (zh) | 一种基于机器学习的位置表自动生成方法 | |
CN103500453B (zh) | 基于伽玛分布和邻域信息的sar图像显著性区域检测方法 | |
CN108648184A (zh) | 一种遥感图像高空卷云的检测方法 | |
CN106408563B (zh) | 一种基于变异系数的雪花噪声检测方法 | |
CN110334771A (zh) | 一种基于四阈值ps点的露天矿gb-sar监测数据误差修正方法 | |
CN103065320A (zh) | 基于恒虚警阈值的sar图像变化检测方法 | |
US8396297B2 (en) | Supervised edge detection using fractal signatures | |
CN108470340A (zh) | 一种改进的Sobel边缘检测算法 | |
CN106415192A (zh) | 引线图像识别方法及识别装置以及图像处理用元件数据生成方法及生成装置 | |
CN105069899B (zh) | 一种验钞的方法及验钞装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |