CN107330875A - 基于遥感图像正反向异质性的水体周边环境变化检测方法 - Google Patents
基于遥感图像正反向异质性的水体周边环境变化检测方法 Download PDFInfo
- Publication number
- CN107330875A CN107330875A CN201710396859.2A CN201710396859A CN107330875A CN 107330875 A CN107330875 A CN 107330875A CN 201710396859 A CN201710396859 A CN 201710396859A CN 107330875 A CN107330875 A CN 107330875A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing images
- water body
- change
- body surrounding
- 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
- 230000008859 change Effects 0.000 title claims abstract description 164
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000002131 composite material Substances 0.000 claims abstract description 27
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 239000002689 soil Substances 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 10
- 208000027066 STING-associated vasculopathy with onset in infancy Diseases 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 39
- 238000012360 testing method Methods 0.000 abstract description 23
- 238000012545 processing Methods 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 8
- 238000001228 spectrum Methods 0.000 abstract description 6
- 238000004458 analytical method Methods 0.000 description 6
- 238000007689 inspection Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000002156 mixing Methods 0.000 description 3
- 230000001932 seasonal effect Effects 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010003084 Areflexia Diseases 0.000 description 1
- 101100502245 Caenorhabditis elegans lbp-8 gene Proteins 0.000 description 1
- 241000406668 Loxodonta cyclotis Species 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000010850 salt effect Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明涉及基于遥感图像正反向异质性的水体周边环境变化检测方法，针对叠加图像的SLIC多尺度分割结果比较均匀，在地物特征分布较为均匀的区域(如水体，植被等)能得到近乎正方形的地物对象，而在处理地物分布复杂的区域时不会破坏图像中地物的边界信息，地物对象不会过于破碎，较符合真实的地物分布；而且通过分析水体周边环境变化检测问题的特点，有机结合光谱、纹理和指数特征构建混合特征空间，本发明在“伪变化信息”的处理方面具有较好的效果，说明本发明对于水质变化和植被物候变化等“伪变化信息”的检测效果较好。
Description
技术领域
本发明涉及基于遥感图像正反向异质性的水体周边环境变化检测方法，属于遥感图像检测技术领域。
背景技术
遥感图像变化检测涉及地理科学、信息科学和计算机科学等多个学科的相关知识，是目前遥感图像分析的热点研究方向。遥感图像变化检测是指利用图像处理、统计分析等技术对同一地理区域但不同时相的遥感图像数据进行比较，通过分析多时相图像中所包含的变化信息指出地物类型发生变化的位置区域。
目前针对遥感图像变化检测技术的研究主要集中在两时相遥感图像变化检测上，以确定变化区域的位置为主要目的，进而进行精度评价。针对遥感图像的变化检测已经提出了大量方法，根据变化检测处理的基本单元级别可分为像元级、特征级和对象级。
基于像元的变化检测方法有代数运算法、图像变换法和图像分类法等，以单个像元为检测单元，将相互配准的多时相遥感图像进行逐像元的比较，建立对应像元间的差异信息，然后利用差异信息进行变化检测。但该类方法对多时相图像的校正和配准要求较高，并且只考虑了单个像元间的特征，不能很好的利用周围邻近像元的空间信息，对噪声较为敏感。为了克服基于像元的变化检测方法容易受到图像光照差异、配准误差以及噪声影响等缺点，增加变化检测算法的鲁棒性和精确度，学者们提出采用基于特征的变化检测方法：从多时相图像中提取地物特征，对地物特征进行分析其中的差异，检测变化信息。通常用于具有特殊边缘特征或区域特征的地物(如农田、建筑物等)的变化检测。基于对象的变化检测方法以图像分割和分类技术为基础，综合利用像元周围的空间和光谱特性，把具有同质性的像素进行组合构成地物对象，然后通过比较不同时相图像中对应的地物对象属性特征进行变化检测。基于多尺度分割技术的面向对象分析方法更符合图像中的实际地物分布，能够充分利用地物的空间信息，有效避免“椒盐效应”的产生，受到学者们的青睐。
水体周边地形条件复杂，由于地形效应明显、空间异质性高等原因，构建适用于复杂地形条件的变化检测方法一直是遥感应用研究的难点。高分辨率遥感图像可以提供丰富的地物细节信息，但水体周边环境的地物分布情况复杂，“同物异谱”、“同谱异物”现象严重，产生很多干扰信息。同时，由于季节性水位波动变化、水质变化和植被物候变化等原因，多时相图像中存在很多“伪变化信息”，水体周边环境的变化检测问题面临新的挑战。现有的遥感图像变化检测方法仍存在许多困难和问题有待克服和解决，如何有效地利用遥感图像中丰富的地物细节信息，区分感兴趣的地物变化信息与不感兴趣的干扰信息、“伪变化信息”，形成相对准确和鲁棒的变化检测结果，是当今变化检测的重要研究内容。
发明内容
本发明所要解决的技术问题是提供基于遥感图像正反向异质性的水体周边环境变化检测方法，能够获得相对准确和鲁棒的变化检测结果，提高水体周边环境的检测效率。
本发明为了解决上述技术问题采用以下技术方案：本发明设计了基于遥感图像正反向异质性的水体周边环境变化检测方法，用于检测获得目标水体周围环境的变化信息，包括如下步骤：
步骤1.获得目标水体所对应的t1时相遥感图像、t2时相遥感图像，并针对两时相遥感图像进行统一配准，然后进入步骤2；其中，t1时相位于t2时相之前；
步骤2.根据t1时相遥感图像和t2时相遥感图像，获得目标水体周围环境所对应的各个地物对象，然后进入步骤3；
步骤3.分别针对t1时相遥感图像和t2时相遥感图像，获得遥感图像所对应的LBP均匀模式、归一化水体指数NDWI和土壤调节植被指数，并根据LBP均匀模式、归一化水体指数NDWI、土壤调节植被指数SAVI，构建该遥感图像所对应的混合特征空间，由此获得各时相遥感图像分别对应的混合特征空间，然后进入步骤4；
步骤4.根据目标水体周围环境所对应的各个地物对象，以及各时相遥感图像分别对应的混合特征空间，按t1时相遥感图像到t2时相遥感图像，正向构建各个地物对象的Forward异质性；同时，根据目标水体周围环境所对应的各个地物对象，以及各时相遥感图像分别对应的混合特征空间，按t2时相遥感图像到t1时相遥感图像，反向构建各个地物对象的Backward异质性，然后进入步骤5；
步骤5.根据目标水体周围环境所对应各个地物对象的Forward异质性和Backward异质性，采用最大数学期望算法，针对各个地物对象，按变化和非变化两类进行分类，获得目标水体周围环境所对应的各个变化地物对象，即目标水体周围环境的变化信息。
作为本发明的一种优选技术方案：所述步骤3中，在获得各时相遥感图像分别所对应混合特征空间的同时，还获得t1时相遥感图像和t2时相遥感图像分别所对应的归一化植被指数NDVI；
还包括步骤6如下，执行完步骤5之后，进入步骤6；
步骤6.根据t1时相遥感图像和t2时相遥感图像分别所对应的归一化植被指数NDVI，获得目标水体周围环境所对应各个变化地物对象的植被覆盖度信息，并以此删除目标水体周围环境所对应各个变化地物对象中的植被伪变化信息，更新目标水体周围环境所对应的各个变化地物对象，即更新目标水体周围环境的变化信息。
作为本发明的一种优选技术方案：所述步骤2包括如下步骤：
步骤2-1.针对t1时相遥感图像和t2时相遥感图像中同一波段的数据进行等比例相加，获得叠加图像，然后进入步骤2-2；
步骤2-2.将叠加图像转换到由CIE Lab颜色空间与位置坐标所构成的特征空间中，更新叠加图像，然后进入步骤2-3；
步骤2-3.采用超像素生成算法，针对叠加图像进行多尺度分割，获得分割结果，然后进入步骤2-4；
步骤2-4.将分割结果分别套合在t1时相遥感图像上和t2时相遥感图像上，获得目标水体周围环境所对应的各个地物对象。
作为本发明的一种优选技术方案：所述步骤4中，根据目标水体周围环境所对应的各个地物对象，以及各时相遥感图像分别对应的混合特征空间，按t1时相遥感图像到t2时相遥感图像，通过距离相似度比较地物对象在混合特征空间中的特征相似度，正向构建各个地物对象的Forward异质性。
作为本发明的一种优选技术方案：所述距离相似度为卡方距离。
作为本发明的一种优选技术方案：所述步骤4中，根据目标水体周围环境所对应的各个地物对象，以及各时相遥感图像分别对应的混合特征空间，按t2时相遥感图像到t1时相遥感图像，通过各个地物对象在混合特征空间中的特征直方图，反向构建各个地物对象的Backward异质性。
本发明所述基于遥感图像正反向异质性的水体周边环境变化检测方法采用以上技术方案与现有技术相比，具有以下技术效果：本发明所设计基于遥感图像正反向异质性的水体周边环境变化检测方法，其中，针对叠加图像的SLIC多尺度分割结果比较均匀，在地物特征分布较为均匀的区域(如水体，植被等)能得到近乎正方形的地物对象，而在处理地物分布复杂的区域时不会破坏图像中地物的边界信息，地物对象不会过于破碎，较符合真实的地物分布；而且通过分析水体周边环境变化检测问题的特点，有机结合光谱、纹理和指数特征构建混合特征空间，本发明在“伪变化信息”的处理方面具有较好的效果，说明本发明对于水质变化和植被物候变化等“伪变化信息”的检测效果较好。
附图说明
图1是本发明所设计基于遥感图像正反向异质性的水体周边环境变化检测方法的示意图；
图2a和图2b分别对应实施例一的两时向遥感图像；
图3a和图3b分别对应实施例二的两时向遥感图像；
图4a和图4b分别对应实施例三的两时向遥感图像；
图5a是实施例一中干扰区域的局部放大图；
图5b是实施例三中干扰区域的局部放大图；
图6a是实施例一中典型的“伪变化信息”；
图6b是实施例二中典型的“伪变化信息”；
图6c是实施例三中典型的“伪变化信息”；
图7a—图7f是各种算法对实施例一进行多尺度分割和变化检测的定性结果对比；
图8a—图8f是各种算法对实施例二进行多尺度分割和变化检测的定性结果对比；
图9a—图9f是各种算法对实施例三进行多尺度分割和变化检测的定性结果对比。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
本发明所设计基于遥感图像正反向异质性的水体周边环境变化检测方法，在光谱与纹理特征的基础上融合水体指数特征和植被指数特征，构建出针对水体周边环境变化检测的混合特征空间STWV(Spectrum-Texture-NDWI-SAVI)，然后在混合特征空间中构建遥感图像地物对象的正反向异质性进行变化检测。首先采用超像素生成算法SLIC(SimpleLinear Iterative Cluster)处理两时相的叠加影像获取地物对象，检查地物对象从时相1到时相2的Forward异质性，再反向检测其从时相2到时相1的Backward异质性，综合正反向的异质信息构建地物对象的正反向异质性，然后使用EM(Expectation Maximization)算法与贝叶斯最小错误率理论提取两时相的变化对象，最后排除植被伪变化信息，形成相对准确和鲁棒的变化检测结果。
本发明所设计基于遥感图像正反向异质性的水体周边环境变化检测方法，用于检测获得目标水体周围环境的变化信息，实际应用中，如图1所示，具体包括如下步骤：
步骤1.获得目标水体所对应的t1时相遥感图像、t2时相遥感图像，并针对两时相遥感图像进行统一配准，然后进入步骤2；其中，t1时相位于t2时相之前。
步骤2.根据t1时相遥感图像和t2时相遥感图像，获得目标水体周围环境所对应的各个地物对象，然后进入步骤3。
上述步骤2具体包括如下步骤：
步骤2-1.针对t1时相遥感图像和t2时相遥感图像中同一波段的数据进行等比例相加，获得叠加图像，然后进入步骤2-2。
步骤2-2.将叠加图像转换到由CIE Lab颜色空间与位置坐标所构成的特征空间中，更新叠加图像，然后进入步骤2-3。
步骤2-3.采用超像素生成算法(SLIC)，针对叠加图像进行多尺度分割，获得分割结果，然后进入步骤2-4。
步骤2-4.将分割结果分别套合在t1时相遥感图像上和t2时相遥感图像上，获得目标水体周围环境所对应的各个地物对象。
其中，超像素生成算法(SLIC)描述如下：
1)将图像转换到CIELab颜色空间，则像素xi的Lab颜色值和xy坐标组成一个5维特征向量Vi＝[l，a，b，x，y]，i＝1，2，...，N；
2)根据给定的超像素数，均匀地设置初始种子点，将图像预分割为k个相同尺寸的子区域，相邻种子点的距离近似为子区域的大小为S*S；
3)重新选择种子点：为了避免种子点落在梯度较大的轮廓边界或噪声点处，可能影响后续的分割效果，将初始种子点n*n邻域范围内(n一般取3)梯度值最小的像素点设为新的种子点；
4)定义像元间的差异度量D′，由颜色距离dc和空间距离ds组成：
其中，Ns为类内最大空间距离，定义为Ns＝S，Nc为类内最大的颜色距离，根据图片对比度和聚类类别设定为常数m(取值范围[1，40])，那么D′化为：
5)从聚类中心种子点开始搜索2S*2S邻域内的像素点，目的是加速算法收敛。图像中的每个像素可能会被多个种子点搜索到，分别计算它与种子点的差异度量，取差异值最小的种子点作为该像素的聚类中心，然后将聚类中心相同的像素聚为一类；
6)迭代聚类，对上一次划分的每一个类簇，求出其特征向量均值Vc作为新的聚类中心种子点，然后按照步骤5重新标记。迭代至误差收敛，即每个像素点对应的聚类中心不再发生变化时，迭代终止，生成初步的超像素分割图像；
增强连通性，初步的超像素分割图像可能会存在一些问题：超像素尺寸过小、单个超像素被切割成多个不连续超像素等。通过区域生长算法将尺寸过小或者空间不连续的超像素中的像素重新分配给其空间邻近的超像素，使生成的超像素空间连续而不会过于分散。
在变化检测过程中只考虑地物对象的光谱特征这样的单一特征难以达到较高的精度，融合多种特征构建更稳定和准确的变化检测模型是目前研究的热点方向。遥感图像变化检测的多特征融合方法通常考虑融合地物对象的光谱和纹理等特征，对于变化检测中的干扰信息的处理有较好的效果。在水体周边环境的变化检测问题中，由于季节性的水质、植被等变化产生的“伪变化信息”等问题仍难以解决，但这些“伪变化信息”的指数特征(水体指数、植被指数等)极为明显。基于LBP(Local Binary Pattern)均匀模式具有旋转不变性和灰度不变性等优点和归一化水体指数特征NDWI(Normalized Difference WaterIndex)在水体识别过程中具有的优秀表现以及土壤调节植被指数SAVI(Soil-AdjustedVegetation Index)在植被类型识别中可以减小土壤背景影响的特点，本文考虑融合地物对象的光谱特征、纹理特征LBP均匀模式和归一化水体指数NDWI、土壤调节植被指数SAVI来构建特征空间STWV(Spectrum-Texture-NDWI-SAVI)。为充分利用特征空间内的各维特征对遥感图像中的地物变化情况进行描述，特征空间内的各维特征的量化等级均设置为256。
步骤3.分别针对t1时相遥感图像和t2时相遥感图像，获得遥感图像所对应的LBP均匀模式、归一化水体指数NDWI和土壤调节植被指数，并根据LBP均匀模式、归一化水体指数NDWI、土壤调节植被指数SAVI，构建该遥感图像所对应的混合特征空间，由此获得各时相遥感图像分别对应的混合特征空间STWV；同时还获得t1时相遥感图像和t2时相遥感图像分别所对应的归一化植被指数NDVI，然后进入步骤4。
其中，LBP均匀模式以原始LBP特征为基础，原始LBP的计算公式如下：
其中，P表示以像素i为中心，半径为R的局部窗口内的像元个数，gi和gp分别表示局部窗口中心像元和邻域像元的灰度值。
均匀模式(UniformPattern)定义为：从0到1或从1到0的跳变次数(包含首尾元素的跳变)不超过2的二进制序列。研究发现，原始LBP的8位二进制序列中满足均匀模式的比例可达到90％以上，因此LBP均匀模式对原始LBP的二进制序列进行分类，将每个均匀模式单独归为一类，然后将不满足均匀模式的其它二进制序列归到一类中去，计算公式如下：
式(6)中，上标riu2表示跳变次数最大值为2，在P邻域中，满足U(LBPP，R)≤2的均匀模式个数为P*(P-1)+2。
为了进一步减少非水体地物对遥感图像水体识别效果的影响，学者们在归一化差分植被指数NDVI(Normalize Difference Vegetation Index)的基础上提出归一化差分水体指数NDWI，针对特定波段进行归一化差值处理来凸显遥感图像中的水体信息，其计算公式如下：
其中，Green表示绿色波段，NIR表示近红外波段。一般而言，植被在近红外波段的反射率最大而水体在近红外波长范围内则几乎无反射，因此NDWI采用基于绿色波段与近红外波段的比值法构建水体指数模型，可以抑制图像中的植被信息并且突出水体信息。需要说明的是，NDWI计算公式经过拉伸处理后，其结果数值范围为[-1，1]，使得不同数据源或者不同成像条件下的遥感数据能够获得具有相近统计特性的NDWI水体指数特征，以便于水体提取模型进行分析和比较，从而提取其中的水体信息。
土壤调节植被指数SAVI为了降低土壤背景对植被指数的影响，在归一化植被指数NDVI中加入了土壤调节参数，有着较强的消除土壤影响和表达植被信息的能力，其计算公式如下：
其中，Red代表红色波段，L是土壤调节参数，取值范围为[0，1](植被覆盖度越高越接近0，反之越接近1)，其作用是解释土壤背景的光学特征变化和调节NDVI对土壤背景的敏感度。当L＝0时，SAVI＝NDVI，表示植被覆盖度非常高，可以忽略土壤背景的影响。
步骤4.根据目标水体周围环境所对应的各个地物对象，以及各时相遥感图像分别对应的混合特征空间STWV，按t1时相遥感图像到t2时相遥感图像，通过距离相似度比较地物对象在混合特征空间中的特征相似度，正向构建各个地物对象的Forward异质性；
常用的距离相似度有绝对值距离、欧氏距离和卡方距离等，其中绝对值距离和欧氏距离在多特征空间中各种特征信息为等权处理，未能合理地体现出不同特征构造差异影像和表征变化信息的能力，而卡方变换CST(Chi Square Transformation)可以根据两时相差值图像在不同特征上的方差，综合考虑各种特征的权重值，通过卡方变换构造的地物对象异质性更加客观和完整。
为保证数据的一致性，首先将混合多特征空间STWV中的各种特征归一化至[0,1]范围内，对于两时相遥感图像中的地物对象，其内部像元的均值特征向量表示为：Q为特征向量维数，然后通过卡方变换计算第l个地物对象Forward异质性
其中，为两时相地物对象第q维特征差值的标准差。
同时，根据目标水体周围环境所对应的各个地物对象，以及各时相遥感图像分别对应的混合特征空间STWV，按t2时相遥感图像到t1时相遥感图像，通过各个地物对象在混合特征空间中的特征直方图，反向构建各个地物对象的Backward异质性，然后进入步骤5。
分析地物对象的特征直方图可以发现，尽管地物对象的内部像元特征分布不同，但其表现特征却是一致的。考虑到计算Forward异质性时只考虑了地物对象的特征均值信息而未能考虑地物的特征分布信息，可能导致漏检问题，而地物对象的特征直方图不仅包含了地物的特征均值信息，还包含了地物的特征分布信息，考虑利用地物对象的特征直方图来构建其Backward异质性，使得变化检测结果更为准确。
对数似然比统计量(Log-Likelihood Ratio Statistic)，又称G统计量，是一种非参数统计方法，不需要对随机变量集合的分布情况预先作任何假设即可用于衡量两个随机变量集合之间的相似度，使用G统计量衡量两时相地物对象在第q维特征上的直方图相似度(q＝1,2,..,Q)，计算如下：
其中，Ht1和Ht2为两时相遥感图像地物对象的特征直方图，fq为地物对象的第q维特征概率密度函数，L为该特征的量化等级。对于单个地物对象来说，其直方图累积概率值为1，则有：
则上式化为：
为充分利用所有特征包含的信息，在混合多特征空间STWV中计算第l个地物对象各特征维度的特征直方图相似度的加权平均值作为其Backward异质性
其中，E(q)为两时相图像在第q维特征的差异图像的熵，可以衡量在该特征维度上的差异图像中所包含的信息量，信息量越大说明地物对象在该特征维中的差异越大，其对应的权重ωq也越大。
在混合多特征空间STWV中计算得到第l个地物对象的Forward异质性和Backward异质性后，即可得到该地物对象的正反向异质性
步骤5.根据目标水体周围环境所对应各个地物对象的Forward异质性和Backward异质性，采用最大数学期望算法(EM)，针对各个地物对象，按变化和非变化两类进行分类，获得目标水体周围环境所对应的各个变化地物对象，即目标水体周围环境的变化信息，然后进入步骤6。
计算地物对象的正反向异质性集合：其中n为地物对象的个数。在两时相遥感图像中，发生变化的地物对象的异质性较大而未发生变化的地物对象异质性较小，则D中的元素可分为变化和未变化两大类。假设D满足由两个高斯分量组成的混合高斯分布GMM(Gaussian Mixture Model)，其密度函数可表示为：
其中lc和lu是变化类别和未变化类别标签，记为l∈{lc,lu}，p(l)是l类元素在D中所占的比例，满足p(lc)+p(lu)＝1，为概率密度函数，服从高斯分布：
最大数学期望EM(Expectation Maximization)算法是一种求解概率模型参数的最大似然估计方法，上述假设中的混合高斯分布模型的参数p(l)和均值μl、标准差σl可以用EM算法来估计。首先用K-means算法将D聚为两类，然后按下式进行迭代更新，直至收敛：
通过贝叶斯公式计算属于类别l的后验概率：
根据最小错误率原则为分配类别标签lc或lu，获得对应地物对象的变化信息。
在水体周边环境的变化检测问题研究过程中，只有地物类型发生变化的真实变化属于感兴趣的变化信息。由于季节、气候等原因，同一植被覆盖区域(尤其是农田区域)在不同时相的植被特征可能发生改变，产生“伪变化信息”，属于不感兴趣的变化信息。
步骤6.根据t1时相遥感图像和t2时相遥感图像分别所对应的归一化植被指数NDVI，获得目标水体周围环境所对应各个变化地物对象的植被覆盖度信息，并以此删除目标水体周围环境所对应各个变化地物对象中的植被伪变化信息，更新目标水体周围环境所对应的各个变化地物对象，即更新目标水体周围环境的变化信息。
具体的，通过归一化植被指数NDVI计算不同时相像元的植被覆盖度，然后估算变化类地物对象中植被像元的比例，将两时相地物对象中植被像元比例都较高者，认为该变化地物对象是因植被的季相变化引起的，属于植被伪变化信息，具体步骤如下：
1.计算像元i的植被覆盖度Fc：
Fc＝(NDVIi-NDVImin)/(NDVImax-NDVImin) (20)
其中，NDVImin为遥感图像中像元的NDVI最小值，NDVImax为最大值。
2.计算变化对象中植被像元的比例Nf：
其中，Fct为植被像元的植被覆盖度的阈值，设置为0.5，像元的植被覆盖度大于该阈值表明该像元为植被像元，n是变化对象的像素数。
3.如果变化对象对应的两个时相的地物对象中，植被像元的比例Nf都高于0.65，则认为该变化对象由植被物候变化而引起的伪变化。
将本发明所设计基于遥感图像正反向异质性的水体周边环境变化检测方法，应用到实际当中，本发明的实验数据为中国卫星资源应用中心提供的石梁河水库周边区域(位于江苏省东北部)2015年4月和2016年4月的Level 1A级GF-1号PMS遥感图像，包括空间分辨率为2m的全色数据和8m的多光谱数据(光谱范围是0.45μm～0.89μm)，经过ENVI5.1预处理和基于GS变换的图像融合重采样后，融合图像的空间分辨率为2m。水库周边环境中地物类型多样并且分布情况复杂，干扰信息及“伪变化信息”对变化检测的影响较大，选取三组该区域实施例的图像数据进行变化检测实验来综合评价本文方法的有效性。其中，图2a、图3a和图4a分别为各个实施例对应2015年4月18日的t1时相遥感图像，图2b、图3b和图4b分别为各个实施例对应2即2016年4月21日的t2时相遥感图像，其中实施例一分别对应两时相遥感图像的大小是1166*881，实施例二分别对应两时相遥感图像的大小是597*452，实施例三分别对应两时相遥感图像的大小是747*564；实验区域的变化信息主要包括水坝、房屋、水田等地物地兴建和改造，以及农田、森林等植被覆盖区域的物候变化和水质变化等“伪变化”。
实验数据中包含了一些由于成像条件差异、光照变化等因素造成的干扰信息，如图5a是实施例一中干扰区域的局部放大图，地物类型是裸地；图5b是实施例三中干扰区域的局部放大图，地物类型是建筑物。
实验区域中的“伪变化信息”对水体周边环境的变化检测影响很大，图6a是实施例一中典型的“伪变化信息”，坝区域的亮度变化；图6b是实施例二中典型的“伪变化信息”，水质变化；图6c是实施例三中典型的“伪变化信息”，植被伪变化。
实施例一和实施例二在包含水库边界区域人工水坝的修建和改造等变化信息的同时，也包含了因水位波动等原因而产生的变化信息，“伪变化信息”主要来源于水库水体本身的水质变化以及水坝区域的亮度变化；实施例三中的主要变化信息是土地利用信息的改变，包括房屋和水田的修建，植被物候变化及水质变化是其主要的“伪变化信息”来源。为验证本发明的有效性，下面采用多种算法对实验数据进行变化检测，然后对检测结果进行对比和分析。
为验证本文算法的有效性，采用多种算法对实验数据进行变化检测：图7a—图7f是各种算法对实施例一进行多尺度分割和变化检测的定性结果对比；图8a—图8f是各种算法对实施例二进行多尺度分割和变化检测的定性结果对比；图9a—图9f是各种算法对实施例三进行多尺度分割和变化检测的定性结果对比；其中，a指两时相图像叠加后使用SLIC的分割的结果；b指通过目视解译得到的参考检测结果；c指面向对象的变化矢量分析法(CVA)的检测结果；d指基于卡方变换(CST)的变化检测结果；e指基于直方图(HIST)进行变化检测的结果；f指本文算法的检测结果，图中白色区域表示变化区域，黑色区域表示未变化区域。
为更好的验证本文算法在水体周边环境变化检测中的鲁棒性和有效性，下面对上述变化检测结果进行定量对比分析。以像元数量误差准则来评价变化检测结果的精度，其中虚检率为误检为变化像元的数目占检测结果中变化像元总数的比率，漏检率为漏检的变化像元数占检测结果中未变化的像元总数的比率，正确率为正确检测的像元数占图像中像元总数的比率，上节中4种变化检测方案实验结果的精度评定如下表1所示：
表1
综合表1和图7a—图7f、图8a—图8f和图9a—图9f变化检测检测效果图可以发现，几种算法处理结果的漏检情况都较少，将漏检率控制在可接受范围内，但在误检情况和误检率方面则表现各异：面向对象的变化矢量分析法(CVA)能够利用多特征空间的各种特征信息，检测出两时相图像中的大部分变化区域，但其使用欧氏距离在多特征空间中将各特征信息为等权处理，未能合理地体现出不同特征表征变化信息的能力，误检的情况较为严重；基于卡方变换(CST)的变化检测结果相较变化矢量分析法而言误检情况大大减少；基于直方图(HIST)的变化检测结果的存在较为严重的误检现象，原因是因为两时相图像的中地物的特征分布信息受“同物异谱”现象干扰更为严重，从而影响变化检测结果；在几组数据的变化检测实验中，本文算法均取得较好的实验效果和较高的准确率，同时将误检率控制在较低的范围内，说明本文算法对于水体周边环境的变化检测具有较好的检测能力。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (6)
1.基于遥感图像正反向异质性的水体周边环境变化检测方法，用于检测获得目标水体周围环境的变化信息，其特征在于，包括如下步骤：
步骤1.获得目标水体所对应的t1时相遥感图像、t2时相遥感图像，并针对两时相遥感图像进行统一配准，然后进入步骤2；其中，t1时相位于t2时相之前；
步骤2.根据t1时相遥感图像和t2时相遥感图像，获得目标水体周围环境所对应的各个地物对象，然后进入步骤3；
步骤3.分别针对t1时相遥感图像和t2时相遥感图像，获得遥感图像所对应的LBP均匀模式、归一化水体指数NDWI和土壤调节植被指数，并根据LBP均匀模式、归一化水体指数NDWI、土壤调节植被指数SAVI，构建该遥感图像所对应的混合特征空间，由此获得各时相遥感图像分别对应的混合特征空间，然后进入步骤4；
步骤4.根据目标水体周围环境所对应的各个地物对象，以及各时相遥感图像分别对应的混合特征空间，按t1时相遥感图像到t2时相遥感图像，正向构建各个地物对象的Forward异质性；同时，根据目标水体周围环境所对应的各个地物对象，以及各时相遥感图像分别对应的混合特征空间，按t2时相遥感图像到t1时相遥感图像，反向构建各个地物对象的Backward异质性，然后进入步骤5；
步骤5.根据目标水体周围环境所对应各个地物对象的Forward异质性和Backward异质性，采用最大数学期望算法，针对各个地物对象，按变化和非变化两类进行分类，获得目标水体周围环境所对应的各个变化地物对象，即目标水体周围环境的变化信息。
2.根据权利要求1所述基于遥感图像正反向异质性的水体周边环境变化检测方法，其特征在于：所述步骤3中，在获得各时相遥感图像分别所对应混合特征空间的同时，还获得t1时相遥感图像和t2时相遥感图像分别所对应的归一化植被指数NDVI；
还包括步骤6如下，执行完步骤5之后，进入步骤6；
步骤6.根据t1时相遥感图像和t2时相遥感图像分别所对应的归一化植被指数NDVI，获得目标水体周围环境所对应各个变化地物对象的植被覆盖度信息，并以此删除目标水体周围环境所对应各个变化地物对象中的植被伪变化信息，更新目标水体周围环境所对应的各个变化地物对象，即更新目标水体周围环境的变化信息。
3.根据权利要求1或2所述基于遥感图像正反向异质性的水体周边环境变化检测方法，其特征在于，所述步骤2包括如下步骤：
步骤2-1.针对t1时相遥感图像和t2时相遥感图像中同一波段的数据进行等比例相加，获得叠加图像，然后进入步骤2-2；
步骤2-2.将叠加图像转换到由CIE Lab颜色空间与位置坐标所构成的特征空间中，更新叠加图像，然后进入步骤2-3；
步骤2-3.采用超像素生成算法，针对叠加图像进行多尺度分割，获得分割结果，然后进入步骤2-4；
步骤2-4.将分割结果分别套合在t1时相遥感图像上和t2时相遥感图像上，获得目标水体周围环境所对应的各个地物对象。
4.根据权利要求1或2所述基于遥感图像正反向异质性的水体周边环境变化检测方法，其特征在于，所述步骤4中，根据目标水体周围环境所对应的各个地物对象，以及各时相遥感图像分别对应的混合特征空间，按t1时相遥感图像到t2时相遥感图像，通过距离相似度比较地物对象在混合特征空间中的特征相似度，正向构建各个地物对象的Forward异质性。
5.根据权利要求4所述基于遥感图像正反向异质性的水体周边环境变化检测方法，其特征在于，所述距离相似度为卡方距离。
6.根据权利要求1或2所述基于遥感图像正反向异质性的水体周边环境变化检测方法，其特征在于，所述步骤4中，根据目标水体周围环境所对应的各个地物对象，以及各时相遥感图像分别对应的混合特征空间，按t2时相遥感图像到t1时相遥感图像，通过各个地物对象在混合特征空间中的特征直方图，反向构建各个地物对象的Backward异质性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710396859.2A CN107330875B (zh) | 2017-05-31 | 2017-05-31 | 基于遥感图像正反向异质性的水体周边环境变化检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710396859.2A CN107330875B (zh) | 2017-05-31 | 2017-05-31 | 基于遥感图像正反向异质性的水体周边环境变化检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107330875A true CN107330875A (zh) | 2017-11-07 |
| CN107330875B CN107330875B (zh) | 2020-04-21 |
Family
ID=60192896
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710396859.2A Expired - Fee Related CN107330875B (zh) | 2017-05-31 | 2017-05-31 | 基于遥感图像正反向异质性的水体周边环境变化检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107330875B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108257160A (zh) * | 2018-01-22 | 2018-07-06 | 西安理工大学 | 基于多尺度分割-最大期望的遥感影像变化检测后处理方法 |
| CN108564002A (zh) * | 2018-03-22 | 2018-09-21 | 中国科学院遥感与数字地球研究所 | 一种遥感影像时间序列变化检测方法及*** |
| CN109657598A (zh) * | 2018-12-13 | 2019-04-19 | 宁波大学 | 基于分层策略的滨海湿地遥感分类方法 |
| CN110070545A (zh) * | 2019-03-20 | 2019-07-30 | 重庆邮电大学 | 一种城镇纹理特征密度自动提取城镇建成区的方法 |
| CN110135492A (zh) * | 2019-05-13 | 2019-08-16 | 山东大学 | 基于多高斯模型的设备故障诊断与异常检测方法及*** |
| CN110309781A (zh) * | 2019-07-01 | 2019-10-08 | 中国科学院遥感与数字地球研究所 | 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法 |
| CN112417935A (zh) * | 2019-08-23 | 2021-02-26 | 经纬航太科技股份有限公司 | 环境巡检***及其方法 |
| CN113125358A (zh) * | 2021-04-26 | 2021-07-16 | 山东深蓝智谱数字科技有限公司 | 一种基于高光谱的食品农药残留检测方法、设备及介质 |
| CN113160183A (zh) * | 2021-04-26 | 2021-07-23 | 山东深蓝智谱数字科技有限公司 | 一种高光谱数据处理方法、设备及介质 |
| CN113553967A (zh) * | 2021-07-28 | 2021-10-26 | 广东工业大学 | 一种基于遥感图像的植被和水体变化检测方法及*** |
| CN117312973A (zh) * | 2023-09-26 | 2023-12-29 | 中国科学院空天信息创新研究院 | 一种内陆水体光学分类方法和*** |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103489193A (zh) * | 2013-09-30 | 2014-01-01 | 河海大学 | 基于融合策略的面向对象的高分辨率遥感影像变化检测方法 |
| US20160055305A1 (en) * | 2014-08-19 | 2016-02-25 | eagleyemed, Inc. | Video enhancements for live sharing of medical images |
-
2017
- 2017-05-31 CN CN201710396859.2A patent/CN107330875B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103489193A (zh) * | 2013-09-30 | 2014-01-01 | 河海大学 | 基于融合策略的面向对象的高分辨率遥感影像变化检测方法 |
| US20160055305A1 (en) * | 2014-08-19 | 2016-02-25 | eagleyemed, Inc. | Video enhancements for live sharing of medical images |
Non-Patent Citations (1)
| Title |
|---|
| 张明哲等: "基于超像素分割和多方法融合的SAR图像变化检测方法", 《遥感技术与应用》 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108257160A (zh) * | 2018-01-22 | 2018-07-06 | 西安理工大学 | 基于多尺度分割-最大期望的遥感影像变化检测后处理方法 |
| CN108257160B (zh) * | 2018-01-22 | 2021-10-19 | 西安理工大学 | 基于多尺度分割-最大期望的遥感影像变化检测后处理方法 |
| CN108564002A (zh) * | 2018-03-22 | 2018-09-21 | 中国科学院遥感与数字地球研究所 | 一种遥感影像时间序列变化检测方法及*** |
| CN109657598A (zh) * | 2018-12-13 | 2019-04-19 | 宁波大学 | 基于分层策略的滨海湿地遥感分类方法 |
| CN109657598B (zh) * | 2018-12-13 | 2020-05-05 | 宁波大学 | 基于分层策略的滨海湿地遥感分类方法 |
| CN110070545A (zh) * | 2019-03-20 | 2019-07-30 | 重庆邮电大学 | 一种城镇纹理特征密度自动提取城镇建成区的方法 |
| CN110070545B (zh) * | 2019-03-20 | 2023-05-26 | 重庆邮电大学 | 一种城镇纹理特征密度自动提取城镇建成区的方法 |
| CN110135492A (zh) * | 2019-05-13 | 2019-08-16 | 山东大学 | 基于多高斯模型的设备故障诊断与异常检测方法及*** |
| CN110309781B (zh) * | 2019-07-01 | 2021-03-02 | 中国科学院空天信息创新研究院 | 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法 |
| CN110309781A (zh) * | 2019-07-01 | 2019-10-08 | 中国科学院遥感与数字地球研究所 | 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法 |
| CN112417935A (zh) * | 2019-08-23 | 2021-02-26 | 经纬航太科技股份有限公司 | 环境巡检***及其方法 |
| CN113125358A (zh) * | 2021-04-26 | 2021-07-16 | 山东深蓝智谱数字科技有限公司 | 一种基于高光谱的食品农药残留检测方法、设备及介质 |
| CN113160183A (zh) * | 2021-04-26 | 2021-07-23 | 山东深蓝智谱数字科技有限公司 | 一种高光谱数据处理方法、设备及介质 |
| CN113553967A (zh) * | 2021-07-28 | 2021-10-26 | 广东工业大学 | 一种基于遥感图像的植被和水体变化检测方法及*** |
| CN117312973A (zh) * | 2023-09-26 | 2023-12-29 | 中国科学院空天信息创新研究院 | 一种内陆水体光学分类方法和*** |
| CN117312973B (zh) * | 2023-09-26 | 2024-05-03 | 中国科学院空天信息创新研究院 | 一种内陆水体光学分类方法和*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107330875B (zh) | 2020-04-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107330875A (zh) | 基于遥感图像正反向异质性的水体周边环境变化检测方法 | |
| Shendryk et al. | Deep learning for multi-modal classification of cloud, shadow and land cover scenes in PlanetScope and Sentinel-2 imagery | |
| CN108830870B (zh) | 基于多尺度结构学习的卫星影像高精度农田边界提取方法 | |
| CN109063754B (zh) | 一种基于OpenStreetMap的遥感影像多特征联合分类方法 | |
| CN103971115B (zh) | 一种基于NDVI和PanTex指数的新增建设用地图斑自动提取方法 | |
| CN101840581B (zh) | 一种从卫星遥感影像中提取建筑物轮廓的方法 | |
| CN108846832A (zh) | 一种基于多时相遥感影像与gis数据的变化检测方法及*** | |
| CN110309781B (zh) | 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法 | |
| CN109034233B (zh) | 一种结合OpenStreetMap的高分辨率遥感影像多分类器联合分类方法 | |
| CN107067405B (zh) | 基于尺度优选的遥感影像分割方法 | |
| CN102982338B (zh) | 基于谱聚类的极化sar图像分类方法 | |
| CN107229917A (zh) | 一种基于迭代聚类的多幅遥感影像共性显著目标检测方法 | |
| CN113963222B (zh) | 一种基于多策略组合的高分辨率遥感影像变化检测方法 | |
| CN104282008B (zh) | 对图像进行纹理分割的方法和装置 | |
| CN110309780A (zh) | 基于bfd-iga-svm模型的高分辨率影像房屋信息快速监督识别 | |
| CN110598564B (zh) | 基于OpenStreetMap的高空间分辨率遥感影像迁移学习分类方法 | |
| CN110097101A (zh) | 一种基于改进可靠性因子的遥感图像融合与海岸带分类方法 | |
| Peng et al. | Object-based change detection from satellite imagery by segmentation optimization and multi-features fusion | |
| Jamil et al. | Tree species extraction and land use/cover classification from high-resolution digital orthophoto maps | |
| Truax | Comparing spectral and object based approaches for classification and transportation feature extraction from high resolution multispectral imagery | |
| CN108492288B (zh) | 基于随机森林的多尺度分层采样的高分卫星影像变化检测方法 | |
| CN107992856A (zh) | 城市场景下的高分遥感建筑物阴影检测方法 | |
| CN110473205A (zh) | 基于矢栅模型的遥感影像信息提取方法和*** | |
| Chen et al. | Heterogeneous images change detection based on iterative joint global–local translation | |
| CN111882573A (zh) | 一种基于高分辨率影像数据的耕地地块提取方法及*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200421 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |