基于遥感图像处理的对地表变化进行检测的方法
技术领域
本发明涉及图像处理技术及其应用,特别是一种基于遥感图像处理的对地表变化进行检测的方法。采用该方法,能够较方便地区分变化区域的真伪,从而通过遥感图像获得对地表变化的较为准确的检测结果。
背景技术
随着传感器技术、航空和航天平台技术、数据通讯技术的进一步发展,遥感所提供的信息将以我们无法想象的倍率递增。如何准确快速地利用遥感数据发现变化、如何自动地从影像中提取变化区域等理论和技术对于遥感技术今后的发展具有十分重要的意义。目前常用变化检测的方法主要分为以下两类:一是基于灰度的变化检测方法;二是基于分割的变化检测方法,即根据变化前后的图像分割结果进行变化检测。
基于灰度的变化检测法对不同时相图像中对应像素的灰度值进行相减,结果图像代表了两个时间图像的变化。这种方法的特点是运算简单直接,能检测出图像上所有的变化区域。但是由于引起图像灰度变化的原因多种多样,比如不同季节、太阳高度角的变化等,因此单纯基于灰度的变化检测方法的检测结果中会有很多伪变化区域。
基于分割的变化检测方法是指对每个图像单独进行分割,然后根据相应象素类别的差异来判定变化的区域。基于分割的变化检测的一个重要的进步是可以克服由于多时相图像的传感器性质、分辨率等因素的差异带来的不便,不需要数据归一化过程,因为两幅图像是单独分割的。图像分割已经有很多种方法,如聚类、边缘检测和区域增长,这些方法主要是根据图像灰度将图像分成不同的区域,而Watersheds算法在分割过程中不仅考虑了灰度特征,而且考虑像元的邻域特征。因此Watersheds算法愈来愈引起专家的重视。
Watersheds算法将图像看作一个起伏跌宕的山地模型,其中每个像素的灰度值代表该点的海拔。在这样的地形中,既有地势很低的山谷(局部极小区域),也有高高耸立的山脊(分水岭),还有山脊和谷底之间的或陡或缓的山坡(贮水盆地)。模拟浸水就是在各个谷底刺穿一个小孔,然后把整个模型慢慢浸入水中,随着水位的上升,水面慢慢顺着山坡向上扩展,当到达山脊时就会溢出,这时就在此处建筑堤坝,如此直到整个模型浸入水中。所有堤坝就成为分开各个贮水盆地的分水岭。
Watersheds算法实现方法包括以下两个步骤:
(1)像素排序:扫描图像,建立像素灰度值从低到高的索引,便于直接访问同一灰度值的像素;
(2)模拟浸水:从像素灰度值的最低值h0开始进行模拟浸水,假设小于和等于h灰度级的像素所属的贮水盆地已经标识出来了,则在处理h+1灰度级的像素时,就将这一灰度级中与已标记的贮水盆地相邻的像素送入一个先进先出(FIFO)队列,再由这些像素开始,根据测地距离,将已经标注的贮水盆地扩展至h+1灰度级,若h+1灰度级还有未被标记的像素,则作为新出现的局部极小区域,赋予新的区域标号(label)。最后,在模拟浸水结果中,相同标号的像素属于同一贮水盆地,而将距离不同贮水盆地距离相等的像素标记为分水岭点。
Watersheds算法的重要特性就是将象素的灰度信息和邻域信息结合起来,随着灰度级的增加,逐个分析前像素的邻居像素的情况,直到所有像素都被分析到。对于八邻域情况而言,有8个邻居点影响着当前点的分割结果,易受噪声影响,造成过分割现象,而合并过分割区域会消耗大量的时间和内存。因此,在分割大尺寸遥感图像时,很大程度上限制了此算法的广泛应用。
发明内容
本发明针对现有技术中存在的缺陷或不足,提供一种基于遥感图像处理的对地表变化进行检测的方法,采用该方法,能够较方便地区分变化区域的真伪,从而通过遥感图像获得对地表变化的较为准确的检测结果,或者说,使检测结果更符合客观实际。
本发明总的技术构思为,通过图像分割得到每个区域的特征值,包括区域的面积和区域的灰度两个特征值,根据这两个量的变化进行变化检测,从而通过遥感图像获得对地表变化的较为准确的检测结果。例如,将进行变化检测的两幅图像分别进行图像分割,得到分割结果图像;用差值法检测结果图像的每个点所在区域的灰度和面积的变化;如果对应点的灰度发生了变化,但是区域的面积没有变化,则该变化是一个伪变化(实际没有发生变化),反之如果对应点的区域面积发生了变化,但是灰度没有变化,也是一个伪变化。如果灰度和面积都发生了变化,则取变化小的量作为确定地表变化的量度值。
本发明的技术方案如下:
基于遥感图像处理的对地表变化进行检测的方法,其特征在于包括以下步骤:步骤1,对基准图像和待检测图像分别进行图像分割,得到分割结果图像,该结果图像中的每个分割区域具有区域灰度特征值和区域面积特征值;步骤2,逐点检测对应分割结果图像的区域灰度和区域面积的变化幅度并进行下述判断:如果对应点的区域灰度发生了变化,但是区域面积没有变化,则该变化是一个伪变化即实际没有发生变化;反之如果对应点的区域面积发生了变化,但是区域灰度没有变化,也是一个伪变化;如果灰度和面积都发生了变化,则采用变化小的量作为确定相应地表变化的量度值。
用于对地表变化进行检测的遥感图像的处理方法,其特征在于包括对遥感图像进行图像分割,所述图像分割包括初始分割和区域合并,对初始分割所形成的各分割区域进行区域标识,对区域合并所形成的各合并区域进行区域灰度特征值和区域面积特征值的确定。
所述区域标识包括几何特征。
所述几何特征是指区域面积。
所述区域标识还包括区域位置、邻居个数、区域灰度均值和邻居标记。
所述初始分割包括以下步骤:步骤A,对图像进行小波变换,计算最低分辨率图像的梯度;步骤B,对梯度结果图采用分水岭变换进行初始分割,形成若干个初始分割区域,对每个区域赋予一个标记。
所述区域合并根据区域的灰度均值的相似性进行,如果两个相邻区域的灰度均值的平方差小于某一阈值,则合并,并重新计算新区域的特征值;当任意两个相邻区域的灰度相似性都大于某一阈值,则合并完毕;对区域合并后形成的低分辨率图像进行小波反变换,重构原始分辨率图像。
所述步骤A中的小波变换采用Haar小波,所述步骤A中的梯度计算的梯度算子采用Robert算子,所述步骤B中包括:对梯度结果图像进行扫描,像元按照梯度值的增长顺序建立每一级梯度的索引值;从最低梯度值开始,根据梯度值和像素的邻居标记情况进行分类。
所述根据梯度值和像素的邻居标记情况进行分类是指:从像素灰度值的最低值h0开始进行模拟浸水,假设小于和等于h灰度级的像素所属的贮水盆地已经标识出来了,则在处理h+1灰度级的像素时,就将这一灰度级中与已标记的贮水盆地相邻的像素送入一个先进先出即FIFO队列,再由这些像素开始,根据测地距离,将已经标注的贮水盆地扩展至h+1灰度级,若h+1灰度级还有未被标记的像素,则作为新出现的局部极小区域,赋予新的区域标号;直到所有的像素都被遍历到。
所述重构原始分辨率图像包括以下步骤:步骤a,对图像ML进行反小波变换,得到ML-1;步骤b,对图像ML-1进行Robert梯度运算然后进行分水岭变换,将区域内部设为0,边界设为255,得到二值图像BL-1;步骤c,根据BL-1的边界线来细化ML-1的边界和区域,即:将BL-1和ML-1逐点对应,统计BL-1每个区域映射到ML-1的区域内的点的数目;统计出映射点最多的ML-1内区域标记值;将该标记值赋值给BL-1的对应区域;步骤d,重复以上3个过程,直到L=0为止。
本发明的技术效果如下:
本发明的目的在于克服已有技术的不足之处,在原有方法的基础上,结合灰度检测和图像分割两种方法。在图像分割过程中结合小波变换,在低分辨率图像上进行初始分割和合并区域两个过程,在增加了图像分割处理流程的前提下,有效的降低了计算量和运算时间,并且减弱了算法对噪声的敏感度。在变化检测过程中,同时检测灰度和区域特征的变化,使检测结果中的伪变化区域减少。
本发明的方法,包括图像分割和变化检测两个部分。图像分割得到每个区域的特征值,包括区域的面积和区域的灰度两个特征值,根据这两个量的变化进行变化检测。
本发明与现有技术相比有如下特点:
第一:分割过程中,将小波变换和Watersheds算法结合,在最低分辨率图像进行分割,降低了计算量,节省了运算时间;
第二:在初始分割之前先计算梯度,这样分割的过程实际上就是提取梯度图像中的边界,能够准确定位边界;
第三:采用小波反变换将低分辨率图像投影到原始分辨率图像,解决了直接放大图像会引起边界***和锯齿状边界的问题;
第四:进行变化检测时,检测灰度和面积的变化,使检测结果更符合客观实际。
总之,将分割和灰度检测方法相结合进行变化检测。在分割过程中结合分水岭变换(Watersheds Transform)和小波变换,在低分辨率图像上进行初始分割和区域合并,通过小波反变换投影回原始分辨率图像,得到分割结果,降低了计算量,同时也降低了对噪声的敏感度。在变化检测过程中检测区域灰度和区域面积的变化,减少了伪变化。
附图说明
图1为本发明的图像分割流程图。
图2为本发明的区域结构图。
图3为本发明的变化检测流程图。
具体实施方式
采用本发明方法实现变化检测的实施例子如图1~图3所示,现结合图对其进行详细描述。
本发明所述的图像分割的实现流程如图1所示,其工作过程为:
1)对整幅图像进行Haar小波变换,计算最低分辨率图像的梯度;
2)在梯度图像上用Watersheds变换进行初始分割,形成很多个初始分割区域,每个区域赋予一个标记(label);
3)初始分割完成后,统计区域的特征值,包括:面积、均值、位置、邻居数目和邻居标记(label);
4)合并分割区域:根据相邻区域的灰度相似性进行区域合并,如果相邻区域i和j的灰度均值的平方差小于阈值某一d,则将区域i和j合并,并重新计算新区域的特征值。当任意两个相邻区域的灰度相似性都大于d,则合并完毕;阈值d与图像相关。阈值越大,合并的区域越多,分割结果中区域个数越少,反之阈值越小,分割结果中区域的个数越多。
5)区域投影:以上3步都是在低分辨率图像上进行的,为了重构原始分辨率图像,需要进行区域投影。如果直接对图像进行放大到原始尺度,则边界上会产生阶梯状锯齿,同时,在重采样过程中也丢失了图像信息。为了解决上述问题,我们对分割后的低分辨率图像进行小波反变换,一直达到全分辨率为止。具体过程如下:
(1)对图像ML进行反小波变换,得到ML-1。
(2)对图像ML-1进行Robert梯度运算然后进行分水岭变换,将区域内部设为0,边界设为255,得到二值图像BL-1。
(3)根据BL-1的边界线来细化ML-1的边界和区域,细化的过程如下:
a、将BL-1和ML-1逐点对应,统计BL-1每个区域映射到ML-1的区域内的点的数目;
b、统计出映射点最多的ML-1内区域标记值(label);
c、将该label值赋值给BL-1的对应区域。
(4)以上过程得到的结果,得到了就是图像金字塔的IL-1。重复以上过程,直到L=0为止。
本发明的区域结构如图2所示,它包含区域的标记(label)和区域特征参数,区域特征参数有5个:区域面积、区域位置、区域均值、邻域个数和邻域标记。
本发明所述的变化检测的实现流程如图3所示,其工作过程为:
(1)将进行变化检测的两幅图像分别进行图像分割,得到分割结果图像;
(2)用差值法检测结果图像的每个点所在区域的灰度和面积的变化;如果对应点的灰度发生了变化,但是区域的面积没有变化,则该变化是一个伪变化(实际没有发生变化),反之如果对应点的区域面积发生了变化,但是灰度没有变化,也是一个伪变化。如果灰度和面积都发生了变化,则取变化小的量作为变化。
应当指出,以上所述具体实施方式可以使本领域的技术人员更全面地理解本发明,但不以任何方式限制本发明。因此,尽管本说明书参照附图和实施方式对本发明已进行了详细的说明,但是,本领域技术人员应当理解,仍然可以对本发明进行修改或者等同替换;而一切不脱离本发明的精神和技术实质的技术方案及其改进,其均应涵盖在本发明专利的保护范围当中。