CN109446894A - 基于概率分割及高斯混合聚类的多光谱图像变化检测方法 - Google Patents

Abstract

本发明属于应用电子设备进行识别的方法或装置技术领域，公开了一种基于概率分割及高斯混合聚类的多光谱图像变化检测方法；首先，输入同地域不同时间的两幅原始多光谱图像，利用CVA和SAM构建混合差异图像HDS；其次，利用统计区域合并算法对差异图像进行多尺度分割将差异图像映射到超像素空间；最后，采用K‑means算法初始化高斯混合模型来克服其易收敛于局部最优解的缺点，拟合超像素特征空间的概率统计分布，利用基于最小错误率的贝叶斯判别规则获得变化检测结果。本发明更好地利用光谱矢量的幅值变化信息和角度变化信息，利用超像素分割可获取图像的局部结构特征，有效提高了SAR图像中变化区域的检测精确。

Description

基于概率分割及高斯混合聚类的多光谱图像变化检测方法

技术领域

本发明属于应用电子设备进行识别的方法或装置技术领域，尤其涉及一种基于概率分割及高斯混合聚类的多光谱图像变化检测方法。

背景技术

目前，业内常用的现有技术是这样的：随着近几年遥感技术的迅猛发展，遥感数据数量日益增长，并广泛用于环境监测、大气分析和城市规划等领域。其中多光谱遥感图像的变化检测被应用到军事和民用领域，主要涉及如洪水、火灾和地震等自然灾害区域的定位、城市扩张情况分析以及军事应用中打击效果的评估，所以研究多光谱遥感图像变化检测具有重要意义。多光谱遥感图像的变化检测是根据图像的光谱特征差异或者空间结构差异来确定地物是否发生变化。一般的遥感图像变化检测过程分为两步：1)构建差异图像；2)对差异图像分析得到检测结果。其本质上是一个二分类问题，即将差异图像所有像素点分为变化类和非变化类。在过去的十几年中，大量的变化检测方法被提出，根据图像分析的基本单元不同，可分为基于像素的方法和基于对象的方法。基于像素的方法通常利用差异像素灰度特征进行分类，并使用聚类方法获取尽量好的分类结果。但随着遥感图像的分辨率不断提升，像素与其邻域的空间互相关性越来越强，且单个像素特征不具备语义特征，存在语义鸿沟问题，因此基于对象的分析方法即将图像分割为同质区域从而获得半语义信息成为图像理解和识别的关键技术。基于对象的变化检测方法以超像素为分析的基本单元，包含丰富的信息，如：光谱、纹理、形状、空间上下文等。如一种基于超像素分割和多方法融合的SAR图像变化检测方法，首先引入SLIC超像素分割方法，通过对主辅图像进行联合分割，得到符合实际地物边界的超像素分割结果；同时，利用3种基于像素的变化检测方法获取初始变化检测结果；接着，利用超像素分割结果和初始变化检测结果进行两个层次的众数投票，去除检测结果中由于噪声引起的虚警和连通域中的孔洞获得最终的变化检测结果。但是该方法是对原始的双时相遥感图像分别分割，而后计算超像素之间的距离测度值，由于双时相图像间目标的形状和结构的差异性，所以计算相似距离之前需要对边界配准，由此会破坏目标的几何信息。

为了解决上述问题，本发明采用一种基于概率分割及高斯混合聚类的多光谱图像变化检测方法。其中，为了解决基于单像素的变化检测方法不具有语义信息且计算复杂度高的问题，采用超像素分割将图像由像素空间映射到超像素空间，能够更好地体现变化目标的区域性特征；同时，采用高斯混合模型对超像素进行聚类，可以达到消除边缘效应，提高检测精度的目的，为变化检测问题的解决提供了更清晰的物理意义。

发明内容

针对现有技术存在的问题，本发明提供了一种基于概率分割及高斯混合聚类的多光谱图像变化检测方法。

本发明是这样实现的：首先，输入同地域不同时间的两幅原始多光谱图像，利用CVA和SAM构建混合差异图像HDS；其次，利用一种动态排序模式的统计区域合并算法对差异图像进行多尺度分割将差异图像映射到超像素空间；最后，采用K-means算法初始化高斯混合模型来克服其易收敛于局部最优解的缺点，拟合超像素特征空间的概率统计分布，利用基于最小错误率的贝叶斯判别规则获得变化检测结果。

进一步，所述基于概率分割及高斯混合聚类的多光谱图像变化检测方法具体包括：

(1)输入两幅不同时间相同地区的多光谱遥感图像X₁和X₂；

(2)对X₁和X₂两幅图像采用SAM和CVA分别求得其角度变化映射θ和变化矢量CV，结合两种变化特征构建一个新的混合差异空间HDS；

(3)利用统计区域合并算法对混合差异图像DI中的像素点进行合并，完成差异图从像素空间到超像素空间的转变，得到合并图像DT；

(4)统计合并图像DT中每个超像素的像素均值组成一个集合X＝{x_n|1≤n≤N}，N表示超像素的总数；

(5)混合概率模型分类采用K-means算法初始化高斯混合模型来克服其易收敛于局部最优解的缺点，拟合超像素特征空间的概率统计分布：

(6)采取基于最小错误率的贝叶斯判别规则，获得每个超像素最终的检测结果，根据贝叶斯公式，后验概率计算如下：

则基于最小错误率的贝叶斯判别流程规则如下：

若则x_n被判定为变化；

若则x_n被判定为非变化。

进一步，所述(5)具体包括：

a)将集合中所有数据元素假设为具有两个模型的高斯混合分布：

其中，待求解参数为：变化类与非变化类高斯函数的均值和方差以及α₁或者α₂；

b)采用EM算法求解参数值：定义分量数目k＝2，对每个分量k设置参数μ_k、σ_k和α_k的初始值，其中采用k-means算法来计算群聚中心点，作为μ_k参数的初始值，以避免EM算法的易陷于局部最优解的问题；

c)EM算法求出要估计参数的粗略值：

根据当前的μ_k，σ_k和α_k计算后验概率γ(z_nk)：

d)EM算法使用第一步的值最大化似然函数：

根据γ(z_nk)求新一轮迭代的模型参数μ_k ^(t+1)，σ_k ^(t+1)，α_k ^(t+1)：

e)计算高斯混合模型的对数似然函数：

f)判断似然函数是否收敛：若收敛，则输出参数以及α₁和α₂；若不收敛，则返回c)步执行直至满足收敛条件。

本发明的另一目的在于提供一种应用所述基于概率分割及高斯混合聚类的多光谱图像变化检测方法的光谱图像处理***。

本发明的另一目的在于提供一种应用所述基于概率分割及高斯混合聚类的多光谱图像变化检测方法的环境监测光谱图像处理***。

本发明的另一目的在于提供一种应用所述基于概率分割及高斯混合聚类的多光谱图像变化检测方法的大气分析光谱图像处理***。

本发明的另一目的在于提供一种应用所述基于概率分割及高斯混合聚类的多光谱图像变化检测方法的城市规划光谱图像处理***。

综上所述，本发明的优点及积极效果为：本发明在生成差异图像过程中联合CVA与SAM构建混合差异图像；相较现有技术利用差值法或仅利用CVA等生成差异图像方法；可以同时提取多光谱图像的幅值变化信息和角度变化信息，提高了差异图像的精度；

本发明通过采用统计区域合并算法对混合差异图像进行多尺度分割，充分利用了相邻像素之间的相似性和图像的局部结构特征，将差异图像从像素空间映射到超像素空间，以获得变化检测的低维半语义聚类空间并且降低了计算复杂度；

本发明通过采用高斯混合模型对超像素空间聚类以获得最终的变化检测结果，针对高斯混合模型算法初值敏感性问题，引入基于K-means初始化的高斯混合模型模型避免局部最优现象并提高模型收敛速度。相较于K-means、FCM等经典的聚类方法，高斯混合模型可以达到消除边缘效应，提高检测精度的目的。

附图说明

图1是本发明实施例提供的基于概率分割及高斯混合聚类的多光谱图像变化检测方法流程图。

图2是本发明实施例提供的基于概率分割及高斯混合聚类的多光谱图像变化检测方法的实现流程图。

图3是本发明实施例提供的对西安浐河河道数据集进行变化检测的结果图。

图4是本发明实施例提供的对西安浐灞建筑物数据集进行变化检测的结果图。

图5是本发明实施例提供的与现有M²C²VA算法和AFS算法对西安浐河河道数据集的变化检测结果图。

图6是本发明实施例提供的与现有M²C²VA算法和AFS算法对西安浐灞建筑物数据集的变化检测结果图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

针对现有的多光谱图像中变化区域的检测准确率低的问题；本发明提出一种基于概率分割及高斯混合聚类的多光谱图像变化检测方法，以实现多光谱图像中变化区域的检测，提升检测的准确率。

下面结合附图对本发明的应用原理作详细的描述。

如图1所示，本发明实施例提供的基于概率分割及高斯混合聚类的多光谱图像变化检测方法包括以下步骤：

S101：利用CVA和SAM可以从两个光谱矢量的大小和方向两个不同的角度描述差异信息的能力，联合两种方法构建混合差异图像；

S102：利用动态排序模式的统计区域合并算法对差异图像进行多尺度分割将差异图像映射到超像素空间；

S103：采用K-means算法初始化高斯混合模型来克服其易收敛于局部最优解的缺点，拟合超像素特征空间的概率统计分布，利用基于最小错误率的贝叶斯判别规则获得变化检测结果。

本发明实施例提供的基于概率分割及高斯混合聚类的多光谱图像变化检测方法具体包括以下步骤：

(1)输入两幅不同时间相同地区的多光谱遥感图像X₁和X₂；

(2)对X₁和X₂两幅图像采用SAM和CVA分别求得其角度变化映射θ和变化失量CV，结合两种变化特征构建一个新的混合差异空间HDS；

(3)利用统计区域合并算法对混合差异图像DI中的像素点进行合并，完成差异图从像素空间到超像素空间的转变，得到合并图像DT；

(4)统计合并图像DT中每个超像素的像素均值组成一个集合X＝{x_n|1≤n≤N}，N表示超像素的总数；

(5)混合概率模型分类采用K-means算法初始化高斯混合模型来克服其易收敛于局部最优解的缺点，拟合超像素特征空间的概率统计分布：

5a)将集合中所有数据元素假设为具有两个模型的高斯混合分布：

其中，待求解参数为：变化类与非变化类高斯函数的均值和方差以及α₁或者α₂；

5b)采用EM算法求解参数值：定义分量数目k＝2，对每个分量k设置参数μ_k、σ_k和α_k的初始值，其中采用k-means算法来计算群聚中心点，作为μ_k参数的初始值，以避免EM算法的易陷于局部最优解的问题；

5c)EM算法的第一步，求出要估计参数的粗略值：

根据当前的μ_k，σ_k和α_k计算后验概率γ(z_nk)：

5d)EM算法的第二步，使用第一步的值最大化似然函数：

根据γ(z_nk)求新一轮迭代的模型参数μ_k ^(t+1)，σ_k ^(t+1)，α_k ^(t+1)：

5e)计算高斯混合模型的对数似然函数：

5f)判断似然函数是否收敛：若收敛，则输出参数以及α₁和α₂；若不收敛，则返回5c)步执行直至满足收敛条件。

(6)采取基于最小错误率的贝叶斯判别规则，获得每个超像素最终的检测结果。根据贝叶斯公式，后验概率计算如下：

则基于最小错误率的贝叶斯判别流程规则如下：

若则x_n被判定为变化；

若则x_n被判定为非变化。

下面结合附图对本发明的应用原理作进一步的描述。

如图2所示，本发明实施例提供的基于概率分割及高斯混合聚类的多光谱图像变化检测方法具体包括以下步骤：

步骤一，输入两幅不同时间相同地区的多光谱遥感图像X₁和X₂；

步骤二，对X₁和X₂两幅图像采用SAM和CVA分别求得其角度映射θ和变化失量CV，结合两种变化特征构建一个新的混合差异空间HDS：

2a)令S₁＝(x₁ ¹，x₁ ²，...x₁ ^L)和S₂＝(x₂ ¹，x₂ ²，...x₂ ^L)表示一组多光谱图像X₁和X₂中坐标为(i,j)的光谱矢量，多光谱图像包含红、绿、蓝、近红外四个波段，所以L＝4，求解角度映射θ：

其中，表示光谱矢量S₁第b个分量。

2b)计算变化矢量CV：

2c)结合两种变化特征构建混合差异向量HDS：

其中，θ^*＝αθ(α＝max(CV)/k)，k为常数，本文将k设为45。

2d)通过将混合差异空间进行一维映射的方式得到混合差异图像DI：

DI＝||HDS||₂；

步骤三，利用统计区域合并算法对混合差异图像DI中的像素点进行合并，完成差异图从像素空间到区域空间的转变，得到合并图像DT；

3a)对混合差异图像DI中每对像素计算相似度权重：

f(p,p')＝|p-p'|；

其中，p和p'表示两相邻像素的灰度值或者两相邻区域的像素均值。

3b)将相似度权重从小到大进行升序排序，并按照排序顺序，依次选取像素对判断该像素对是否合并：

若满足则合并，其中， 代表R区域的平均像素值。R_|R|表示有|R|个像素的区域集合，为经验常数，|I|表示图像含有的像素个数，Q代表真实场景的复杂度；否则，不合并；当每一组像素对都完成此判断过程时，即得到合并图像DT。

步骤四，统计合并图像DT中每个超像素的像素均值组成一个集合X＝{x_n|1≤n≤N}，N表示超像素的总数。超像素的像素均值计算步骤如下：对于每个超像素，计算其区域内包含的所有像素点的像素值的和，然后除以像素点的个数，即可得到该超像素的像素均值。

步骤五，采用高斯混合模型拟合超像素特征空间的概率统计分布：

5a)将集合中所有数据元素假设为具有两个模型的高斯混合分布，即：

其中，待求解参数为：变化类与非变化类高斯函数的均值和方差以及α₁和α₂；

5b)采用EM算法来求解参数值：

定义分量数目k＝2，对每个分量k设置参数μ_k、σ_k和α_k的初始值，其中采用k-means算法来计算群聚中心点，作为μ_k参数的初始值，以避免EM算法的易陷于局部最优解的问题。

k-means算法接受参数k＝2，以空间中k个点为中心进行聚类，对最靠近他们的对象归类。通过迭代的方法，逐次更新各聚类中心的值，直至得到最好的聚类结果。假设要把样本集分为k个类别，算法描述如下：(1)适当选择k个类的初始中心(2)在第i次迭代中，对任意一个样本，求其到k个中心的距离，将该样本归到距离最短的中心所在的类(3)利用均值等方法更新该类的中心值(4)对于所有的k个聚类中心，如果利用(2)、(3)的迭代法更新后，值保持不变，则迭代结束，否则继续迭代。如原始数据的集合为(x₁,x₂,…,x_n)，并且每个x_i为d维的向量，k-means聚类的目的就是，在给定分类组数k的条件下，其中k≤n，将原始数据分成k类S＝{S₁,S₂,…,S_k}，其目标函数如下：

5c)EM算法的第一步，求出要估计参数的粗略值：

根据当前的μ_k，σ_k和α_k计算后验概率γ(z_nk)：

5d)EM算法的第二步，使用第一步的值最大化似然函数：

根据γ(z_nk)求新一轮迭代的模型参数μ_k ^(t+1)，σ_k ^(t+1)，α_k ^(t+1)：

5e)计算高斯混合模型的对数似然函数：

5f)判断似然函数是否收敛：若收敛，则输出参数以及α₁和α₂；若不收敛，则返回5c)步执行直至满足收敛条件。

步骤6，采取基于最小错误率的贝叶斯判别规则，获得每个超像素最终的检测结果。根据贝叶斯公式，后验概率计算如下：

则基于最小错误率的贝叶斯判别流程规则如下：

若则x_n被判定为变化；

若则x_n被判定为非变化。

以下结合仿真实验对本发明的应用效果作详细的描述。

1.仿真条件

本发明是在CPU为Intel(R)Core i5-4590、CPU3.30GHz、RAM 8.00GB、Windows 7操作***的PC上，运用MATLAB R2016a完成本发明仿真实验。

2.仿真实验内容

本实验选择了西安浐河河道和西安浐灞建筑物两个数据集做变化检测结果的验证，西安浐河河道图像的大小为301×301×4，西安浐灞建筑物数据集中图像的大小为134×132×4，包含蓝、绿、红、近红外共4个波段。

仿真1，采用本发明方法对西安浐河河道数据集和西安浐灞建筑物数据集进行变化检测，检测结果如图3、图4所示，其中：

(1)图3(a)表示西安浐河河道数据集中的变化前图像；

(2)图3(b)表示西安浐河河道数据集中的变化后图像；

(3)图3(c)表示西安浐河河道数据集中的标准参考变化图；

(4)图3(d)表示利用本发明进行多光谱图像变化检测的检测结果图；

(5)图4(a)表示西安浐灞建筑物数据集中的变化前图像；

(6)图4(b)表示西安浐灞建筑物数据集中的变化后图像；

(7)图4(c)表示西安浐灞建筑物数据集中的标准参考变化图；

(8)图4(d)表示利用本发明进行多光谱图像变化检测的检测结果图；

仿真2，采用M²C²VA算法、AFS算法和本发明方法对西安浐河河道和西安浐灞建筑物两个数据集进行变化检测，结果如图5、图6所示，其中：

(1)图5(a)表示西安浐河河道数据集采用M²C²VA算法的检测结果；

(2)图5(b)表示西安浐河河道数据集采用AFS算法的检测结果；

(3)图5(c)表示西安浐河河道数据集采用本发明方法的检测结果；

(4)图6(a)表示西安浐灞建筑物数据集采用M²C²VA算法的检测结果；

(5)图6(b)表示西安浐灞建筑物数据集采用AFS算法的检测结果；

(6)图6(c)表示西安浐灞建筑物数据集采用本发明方法的检测结果。

3.仿真实验结果及分析

由图3可以看出，本发明方法能有效地将多光谱图像中的变化区域检测出来。由图4可以看出，相比于M²C²VA算法和AFS算法，本发明方法能够有效提高多光谱图像中变化区域的检测精确度。可以发现本发明不仅具有较高的检测精度而且保持了目标几何细节的完整性，显著地提高了多光谱图像变化检测的性能。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于概率分割及高斯混合聚类的多光谱图像变化检测方法，其特征在于：首先，输入同地域不同时间的两幅原始多光谱图像，利用CVA和SAM构建混合差异图像HDS；其次，利用统计区域合并算法对差异图像进行多尺度分割将差异图像映射到超像素空间；最后，采用K-means算法初始化高斯混合模型来克服其易收敛于局部最优解的缺点，拟合超像素特征空间的概率统计分布，利用基于最小错误率的贝叶斯判别规则获得变化检测结果。

2.如权利要求1所述的基于概率分割及高斯混合聚类的多光谱图像变化检测方法，具体包括：

(1)输入两幅不同时间相同地区的多光谱遥感图像X₁和X₂；

(2)对X₁和X₂两幅图像采用SAM和CVA分别求得其角度变化映射θ和变化矢量CV，结合两种变化特征构建一个新的混合差异空间HDS；

(3)利用统计区域合并算法对混合差异图像DI中的像素点进行合并，完成差异图从像素空间到超像素空间的转变，得到合并图像DT；

(4)统计合并图像DT中每个超像素的像素均值组成一个集合X＝{x_n|1≤n≤N}，N表示超像素的总数；

(5)混合概率模型分类采用K-means算法初始化高斯混合模型来克服其易收敛于局部最优解的缺点，拟合超像素特征空间的概率统计分布：

(6)采取基于最小错误率的贝叶斯判别规则，获得每个超像素最终的检测结果，根据贝叶斯公式，后验概率计算如下：

则基于最小错误率的贝叶斯判别流程规则如下：

若则x_n被判定为变化；

若则x_n被判定为非变化。

3.如权利要求2所述的基于概率分割及高斯混合聚类的多光谱图像变化检测方法，步骤(5)具体包括：

a)将集合中所有数据元素假设为具有两个模型的高斯混合分布：

其中，待求解参数为：变化类与非变化类高斯函数的均值和方差以及α₁或者α₂；

b)采用EM算法求解参数值：定义分量数目k＝2，对每个分量k设置参数μ_k、σ_k和α_k的初始值，其中采用k-means算法来计算群聚中心点，作为μ_k参数的初始值，以避免EM算法的易陷于局部最优解的问题；

c)EM算法求出要估计参数的粗略值：

根据当前的μ_k，σ_k和α_k计算后验概率γ(z_nk)：

d)EM算法使用第一步的值最大化似然函数：

根据γ(z_nk)求新一轮迭代的模型参数μ_k ^(t+1)，σ_k ^(t+1)，α_k ^(t+1)：

e)计算高斯混合模型的对数似然函数：

f)判断似然函数是否收敛：若收敛，则输出参数以及α₁和α₂；若不收敛，则返回c)步执行直至满足收敛条件。

4.一种应用权利要求1～3任意一项所述基于概率分割及高斯混合聚类的多光谱图像变化检测方法的光谱图像处理***。

5.一种应用权利要求1～3任意一项所述基于概率分割及高斯混合聚类的多光谱图像变化检测方法的环境监测光谱图像处理***。

6.一种应用权利要求1～3任意一项所述基于概率分割及高斯混合聚类的多光谱图像变化检测方法的大气分析光谱图像处理***。

7.一种应用权利要求1～3任意一项所述基于概率分割及高斯混合聚类的多光谱图像变化检测方法的城市规划光谱图像处理***。