CN111311596A - 一种基于改进lbp特征的遥感影像变化检测方法 - Google Patents
一种基于改进lbp特征的遥感影像变化检测方法 Download PDFInfo
- Publication number
- CN111311596A CN111311596A CN202010209215.XA CN202010209215A CN111311596A CN 111311596 A CN111311596 A CN 111311596A CN 202010209215 A CN202010209215 A CN 202010209215A CN 111311596 A CN111311596 A CN 111311596A
- Authority
- CN
- China
- Prior art keywords
- images
- remote sensing
- lbp
- change detection
- segmentation
- 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.)
- Pending
Links
Images
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
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于改进LBP特征的遥感影像变化检测方法,包括如下步骤:对不同时段的光学遥感影像做预处理,完成影像之间的配准;分别对两个不同时段的光学遥感影像进行多尺度分割;合并两个时段的光学遥感影像的分割结果;提取两个时段遥感影像的四种局部二值模式特征图;计算两幅影像内各对象的LBP特征图的联合统计直方图;利用相关系数比较两幅影像各个位置相匹配的对象的联合统计直方图相似度,设置阈值进行分类,提取变化区域。本发明与传统方法相比,准确率高、对匹配精度要求低,其对于线性的亮度变化保持稳定,对非线性的光照变化存在容错能力,具有计算复杂度低、无需训练学习等优点,提高了变化检测可靠性,并降低了计算复杂度。
Description
技术领域
本发明涉及影测量与遥感领域,具体为一种用于不同时段光学遥感影像变化区域的检测基于改进LBP特征的遥感影像变化检测方法。
背景技术
遥感图像的变化检测是遥感技术重要的应用领域之一,主要是从不同时期的遥感数据中定量分析和确定地表变化的特征与过程。一般通过光学影像进行特征提取和分类,然而,图像特征提取技术往往受不同角度、光照变化、尺度变化和复杂背景等成像条件因素的影响,导致难以获得高区分度和强鲁棒性的图像特征,尤其是光照变化引起的同一地物在不同时段高分辨影像中的光谱、空间特征差异,仅仅通过影像预处理很难消除这些影响,最终导致变化检测精度的降低。
局部二进制模式(Local Binary Pattern,LBP)是一种理论简单、计算高效的非参数局部纹理特征描述算子。基本原理为:根据中心像素点与邻域像素点的比较进行二进制编码,并将二进制编码转换成十进制值,从而得到代替中心像素点的LBP值。该算法不仅具有分类能力强、计算复杂度低、图像灰度变化不敏感且能结合图像的整体特征等特点,而且不易受姿态、部分遮挡和变化光照等因素的影响,即使在复杂的光照条件下也能获得高鉴别力和强鲁棒性的图像特征。
因此,提供一种基于改进LBP特征的遥感影像变化检测方法,用一种改进的局部二值模式LBP计算方法和面向对象的思想进行光学遥感影像的处理,不仅对光照、尺度变化等因素具有较好的鲁棒性,而且可以有效提高遥感影像变化检测的精度。
发明内容
为了解决上述现有技术中存在的不足,本发明提供了一种利用一种改进的局部二值模式LBP计算方法,利用面向对象的方法进行遥感影像变化检测,与传统方法相比,准确率高、对匹配精度要求低,其对于线性的亮度变化保持稳定,对非线性的光照变化存在容错能力,并且其本身具有计算复杂度低、无需训练学习等优点,提高了变化检测可靠性,并降低了计算复杂度。
本发明的目的这样实现的:
一种基于改进LBP特征的遥感影像变化检测方法,包括如下步骤:
第一步,对两个时段的光学遥感影像做预处理,完成影像之间的配准;
第二步,分别对两个时段的光学遥感影像进行多尺度分割;
第三步,将两个时段的遥感影像的分割结果进行套合,然后再对各个影像做分割,最终使两幅影像分割后的对象能够完全重合;
第四步,提取不同时段影像的改进的局部二值模式(LBP)特征图;
第五步,将各个LBP特征图按照第三步的分割结果进行分割,得到各个对象的LBP特征图;
第六步,计算不同时段影像内各对象的LBP特征图的联合统计直方图;
第七步,利用相关系数法比较两幅影像各个位置相匹配的对象的统计直方图相似度,设置阈值进行分类,提取变化区域。
上述方法工作原理包括:图像分割原理;局部二值模式原理;计算机视觉原理。其工作过程如下:
①先分别对需要进行变化检测的两张影像进行预处理,包括几何校正、辐射校正、影像配准等,得到像素点地理位置严格一一对应的两张影像;
②对于经过预处理、配准好的两个时段的遥感影像分别利用多尺度分割方法,即分形网络演化方法,fractal net evolution approach,FNEA进行分割;
③对两个时段的分割结果进行套合,使两张影像得到相同的分割对象;
第四步中所述改进的LBP特征:统一采用图像坐标的Y方向为主方向,即以此方向为LBP初始编码方向,顺时针沿8个邻域进行编码。
第四步中所述LBP特征包括四种,计算公式分别为:
上式中,g c 为以某一点为中心的像素灰度值,g p (p = 0,1,…,7)为周围8个领域采样点像素的灰度值。
第六步中所述相关系数的阈值设置为0.9,低于阈值即认为是变化区域。
积极有益效果:与现有技术的传统方法相比,准确率高、对匹配精度要求低,对LBP做了改进,采取了径向的和切向的像素邻域共同参与计算,提高了区域特征的可靠性,其对于线性的亮度变化保持稳定,对非线性的光照变化存在容错能力,并且其本身具有计算复杂度低、无需训练学习等优点,提高了变化检测可靠性,并降低了计算复杂度。
附图说明
图1为本发明实施例的流程图。
具体实施方式
下面结合附图和具体实施例,对本发明做进一步说明:
如图1所示,一种基于改进LBP特征的遥感影像变化检测方法,包括如下步骤:
第一步,对两个时段的光学遥感影像做预处理,完成影像之间的配准;
第二步,分别对两个时段的光学遥感影像进行多尺度分割;
第三步,将两个时段的遥感影像的分割结果进行套合,然后再对各个影像做分割,最终使两幅影像分割后的对象能够完全重合;
第四步,提取不同时段影像的改进的局部二值模式(LBP)特征图;
第五步,将各个LBP特征图按照第三步的分割结果进行分割,得到各个对象的LBP特征图;
第六步,计算不同时段影像内各对象的LBP特征图的联合统计直方图;
第七步,利用相关系数法比较两幅影像各个位置相匹配的对象的统计直方图相似度,设置阈值进行分类,提取变化区域。
上述方法工作原理包括:图像分割原理;局部二值模式原理;计算机视觉原理。其工作过程如下:
①先分别对需要进行变化检测的两张影像进行预处理,包括几何校正、辐射校正、影像配准等,得到像素点地理位置严格一一对应的两张影像;
②对于经过预处理、配准好的两个时段的遥感影像分别利用多尺度分割方法(即分形网络演化方法,fractal net evolution approach,FNEA)进行分割;
③对两个时段的分割结果进行套合,使两张影像得到相同的分割对象;
第四步中所述改进的LBP特征:统一采用图像坐标的Y方向为主方向,即以此方向为LBP初始编码方向,顺时针沿8个邻域进行编码。
第四步中所述LBP特征包括四种,计算公式分别为:
上式中,g c 为以某一点为中心的像素灰度值,g p (p = 0,1,…,7)为周围8个领域采样点像素的灰度值。
第六步中所述相关系数的阈值设置为0.9,低于阈值即认为是变化区域。
实施例1
以某区域的高分二号影像变化检测为应用实例,对本发明进一步阐明:
如图1所示,有两幅不同时段的某区域的北京二号卫星遥感影像,需要对其进行变化区域的提取,过程如下:
(1)影像预处理,包括辐射定标、大气校正、几何校正、影像配准与裁剪,得到两幅像素点一一对应且处于同一地理位置的正射影像。
(2)将经过预处理的、像素地理位置一一对应的两个时段的遥感影像分别利用多尺度分割方法(即分形网络演化方法,fractal net evolution approach,FNEA)进行分割,使每张影像被划分为很多小区域,区域边界一般与地物边界吻合,将影像分割为众多的“对象”。
(3)将两个时段的遥感影像各自分割出的对象的边界进行叠置处理,然后再对各个影像做分割,最终使两幅影像内的对象能够一一对应、完全重合。
(4)由于高分二号全色波段分辨率最高,因此利用全色波段按以下公式计算两个时段遥感影像的的四种局部二值模式(LBP)特征图:
上式中,g c为以某一点为中心的像素灰度值,g p(p = 0,1,…,7)为周围8个领域采样点像素的灰度值。
(5)每个时段有四张相同尺寸和分辨率的四张不同的LBP特征图,将所有的特征图利用第(3)步得到的分割结果进行分割,得到各个对象的LBP特征图,将这四种LBP特征图的灰度直方图归一化并连接在一起,即得到不同时段每个对象的LBP特征向量。
(6)利用相关系数法比较同一位置不同时段的各个对象的LBP特征向量(统计直方图)的相似度:
相似度值域范围为0到1,如果H 1 = H 2,即两个图的直方图完全一样,则值为1,认为图像完全没有变化。
(7)根据实际情况设置相似度阈值,默认设置为0.9,低于这一阈值即认为是变化区域,用矢量标记,最终输出变化区域的矢量范围。
与现有技术的传统方法相比,准确率高、对匹配精度要求低,对LBP做了改进,采取了径向的和切向的像素邻域共同参与计算,提高了区域特征的可靠性,其对于线性的亮度变化保持稳定,对非线性的光照变化存在容错能力,并且其本身具有计算复杂度低、无需训练学习等优点,提高了变化检测可靠性,并降低了计算复杂度。
Claims (5)
1.一种异型预制桩拉链式支护结构,其特征在于:所述异型预制桩(1)包含异型桩端板一种基于改进LBP特征的遥感影像变化检测方法,其特征在于,包括如下步骤:
第一步,对两个时段的光学遥感影像做预处理,完成影像之间的配准;
第二步,分别对两个时段的光学遥感影像进行多尺度分割;
第三步,将两个时段的遥感影像分割结果进行套合,然后再对各个影像做分割,最终使两幅影像分割后的对象能够完全重合;
第四步,提取不同时段影像的改进的局部LBP特征图;
第五步,将每一张LBP特征图按照第三步的分割结果进行分割,得到各个对象的LBP特征图;
第六步,计算不同时段影像内各对象的LBP特征图的联合统计直方图;
第七步,利用相关系数比较两幅影像各个位置相匹配的对象的联合统计直方图相似度,设置阈值进行分类,提取变化区域。
2.根据权利要求1所述的一种基于改进LBP特征的遥感影像变化检测方法,其特征在于:工作原理包括:图像分割原理;局部二值模式原理;计算机视觉原理,其工作过程如下:
①先分别对需要进行变化检测的两张影像进行预处理,包括几何校正、辐射校正、影像配准等,得到像素点地理位置严格一一对应的两张影像;
②对于经过预处理、配准好的两个时段的遥感影像分别利用多尺度分割方法(即分形网络演化方法,fractal net evolution approach,FNEA)进行分割;
③对两个时段的分割结果进行套合,使两张影像得到相同的分割对象;
3.根据权利要求1所述的一种基于改进LBP特征的遥感影像变化检测方法,其特征在于:所述的第四步中改进的LBP特征为:统一采用图像坐标的Y方向为主方向,即以此方向为LBP初始编码方向,顺时针沿8个邻域进行编码。
5.根据权利要求1所述的一种基于改进LBP特征的遥感影像变化检测方法,其特征在于:第六步中所述相关系数的阈值设置为0.9,低于阈值即认为是变化区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010209215.XA CN111311596A (zh) | 2020-03-23 | 2020-03-23 | 一种基于改进lbp特征的遥感影像变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010209215.XA CN111311596A (zh) | 2020-03-23 | 2020-03-23 | 一种基于改进lbp特征的遥感影像变化检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111311596A true CN111311596A (zh) | 2020-06-19 |
Family
ID=71160739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010209215.XA Pending CN111311596A (zh) | 2020-03-23 | 2020-03-23 | 一种基于改进lbp特征的遥感影像变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111311596A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633070A (zh) * | 2020-11-27 | 2021-04-09 | 中国科学院空天信息创新研究院 | 高分辨率遥感影像建筑物提取方法及*** |
CN113298755A (zh) * | 2021-04-13 | 2021-08-24 | 生态环境部卫星环境应用中心 | 基于时序影像的生态环境变化斑块快速检测方法和装置 |
CN115410096A (zh) * | 2022-11-03 | 2022-11-29 | 成都国星宇航科技股份有限公司 | 卫星遥感影像多尺度融合变化检测方法、介质及电子装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100098342A1 (en) * | 2008-10-16 | 2010-04-22 | Curators Of The University Of Missouri | Detecting geographic-area change using high-resolution, remotely sensed imagery |
CN101937079A (zh) * | 2010-06-29 | 2011-01-05 | 中国农业大学 | 基于区域相似度的遥感影像变化检测方法 |
CN105956557A (zh) * | 2016-05-04 | 2016-09-21 | 长江水利委员会长江科学院 | 一种面向对象的时序遥感影像云覆盖区域自动检测方法 |
CN108805915A (zh) * | 2018-04-19 | 2018-11-13 | 南京市测绘勘察研究院股份有限公司 | 一种抗视角变化的近景影像区域特征匹配方法 |
CN109523516A (zh) * | 2018-10-19 | 2019-03-26 | 中国科学院遥感与数字地球研究所 | 一种基于双重约束条件的对象级土地覆盖变化检测方法 |
CN109657610A (zh) * | 2018-12-18 | 2019-04-19 | 北京航天泰坦科技股份有限公司 | 一种高分辨率多源遥感影像的土地利用变化检测方法 |
-
2020
- 2020-03-23 CN CN202010209215.XA patent/CN111311596A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100098342A1 (en) * | 2008-10-16 | 2010-04-22 | Curators Of The University Of Missouri | Detecting geographic-area change using high-resolution, remotely sensed imagery |
CN101937079A (zh) * | 2010-06-29 | 2011-01-05 | 中国农业大学 | 基于区域相似度的遥感影像变化检测方法 |
CN105956557A (zh) * | 2016-05-04 | 2016-09-21 | 长江水利委员会长江科学院 | 一种面向对象的时序遥感影像云覆盖区域自动检测方法 |
CN108805915A (zh) * | 2018-04-19 | 2018-11-13 | 南京市测绘勘察研究院股份有限公司 | 一种抗视角变化的近景影像区域特征匹配方法 |
CN109523516A (zh) * | 2018-10-19 | 2019-03-26 | 中国科学院遥感与数字地球研究所 | 一种基于双重约束条件的对象级土地覆盖变化检测方法 |
CN109657610A (zh) * | 2018-12-18 | 2019-04-19 | 北京航天泰坦科技股份有限公司 | 一种高分辨率多源遥感影像的土地利用变化检测方法 |
Non-Patent Citations (6)
Title |
---|
DAIFENG PENG 等: "Object-based change detection from satellite imagery by segmentation optimization and multi-features fusion", 《INTERNATIONAL JOURNAL OF REMOTE SENSING》 * |
姜慧伟: "利用多特征融合的面向对象的高分辨率遥感影像变化检测", 《陕西理工学院学报(自然科学版)》 * |
张忠芳: "面向对象的高分辨率SAR影像变化检测方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)基础科学辑》 * |
李亮等: "融合光谱及纹理异质度的遥感影像变化检测", 《测绘通报》 * |
马红等: "一种多特征自适应组合的遥感影像变化检测方法", 《首都师范大学学报(自然科学版)》 * |
黄杰等: "高分辨率彩色遥感影像变化检测方法研究", 《测绘通报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633070A (zh) * | 2020-11-27 | 2021-04-09 | 中国科学院空天信息创新研究院 | 高分辨率遥感影像建筑物提取方法及*** |
CN113298755A (zh) * | 2021-04-13 | 2021-08-24 | 生态环境部卫星环境应用中心 | 基于时序影像的生态环境变化斑块快速检测方法和装置 |
CN115410096A (zh) * | 2022-11-03 | 2022-11-29 | 成都国星宇航科技股份有限公司 | 卫星遥感影像多尺度融合变化检测方法、介质及电子装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109409292B (zh) | 基于精细化特征优化提取的异源图像匹配方法 | |
Gonçalves et al. | HAIRIS: A method for automatic image registration through histogram-based image segmentation | |
CN111311596A (zh) | 一种基于改进lbp特征的遥感影像变化检测方法 | |
CN110097093A (zh) | 一种异源图像精确匹配方法 | |
CN112766184B (zh) | 基于多层级特征选择卷积神经网络的遥感目标检测方法 | |
CN109461132B (zh) | 基于特征点几何拓扑关系的sar图像自动配准方法 | |
CN113256653B (zh) | 一种面向高层地物的异源高分遥感影像配准方法 | |
CN112633185A (zh) | 图像处理的方法及装置 | |
CN110569861A (zh) | 一种基于点特征和轮廓特征融合的图像匹配定位方法 | |
CN110070545B (zh) | 一种城镇纹理特征密度自动提取城镇建成区的方法 | |
CN114022459A (zh) | 基于多时相卫星影像的超像素变化检测方法及*** | |
CN103136525A (zh) | 一种利用广义Hough变换的异型扩展目标高精度定位方法 | |
CN112215085A (zh) | 一种基于孪生网络的输电走廊异物检测方法及*** | |
CN114494378A (zh) | 基于改进的sift算法的多时相遥感图像自动配准方法 | |
Xing et al. | An adaptive change threshold selection method based on land cover posterior probability and spatial neighborhood information | |
CN111523342A (zh) | 一种复杂场景下的二维码检测和校正方法 | |
Huang et al. | SAR and optical images registration using shape context | |
Li et al. | A novel framework for urban change detection using VHR satellite images | |
Changjie et al. | Algorithm of remote sensing image matching based on corner-point | |
Sui et al. | Automatic image registration based on shape features and multi-scale image segmentation | |
CN107832793A (zh) | 一种高光谱图像的分类方法及*** | |
CN109544608B (zh) | 一种无人机图像采集特征配准方法 | |
CN114972453B (zh) | 改进的基于lsd与模板匹配的sar图像区域配准方法 | |
CN116385477A (zh) | 一种基于图像分割的杆塔图像配准方法 | |
CN113792788B (zh) | 一种基于多特征相似度融合的红外和可见光图像匹配方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200619 |