[发明专利]基于分水岭和treelet的遥感图像变化检测方法

说明书

技术领域

本发明属于数字图像处理技术领域，具体的说是一种基于分水岭和treelet的遥感图像变化检测方法，适用于在农业、环境、城市规划对图像的处理。

背景技术

遥感图像的变化检测是指对同一地理位置不同时期的遥感图像进行分析获得其中的变化信息，它是当前遥感数据处理技术的主要发展方向。

对配准后的两幅遥感图像的变化检测方法一般是先获取差异图，然后对差异图进行变化与非变化分类。这种方法由于对原始数据直接进行差异比较，不会改变数据本身，信息较为可靠。将差异图分为变化类与非变化类的一种常见方法是阈值法，人们尝试了各种精确估计阈值的方法，多阈值结果融合方法、统计分布建模阈值方法、基于优化算法等的阈值方法等，但变化阈值的自动、精确地获取一直是一个瓶颈问题。将差异图分为变化类与非变化类的另一种方法是分割方法。其中基于聚类的分割方法由于特征的相似度、类内和类间距离的度量等问题，效果不是十分理想。

为了提高变化检测的精确度，Bruzzone等学者在文章“Automatic Analysis of the Difference Image for Unsupervised Change Detection”中提出了自适应选取图像阈值的方法，但仍会出现阈值算法难以分辨的噪声区域，从而影响变化检测的结果。Guiting Wang等学者在文章“A new change detection method based on non-parametric density estimation and Markov random fields”中提出了基于马尔可夫场概率密度的变化检测分割方法，该方法是在随机统计样本的基础上获得总体数据的概率密度，需要大量的统计样本才能得到准确的结果，方法的正确性易受影响。

发明内容

本发明的目的在于克服上述已有遥感图像变化检测方法的不足，提出一种基于分水岭和treelet结合的遥感图像变化检测方法，以快速、准确的检测出连续的变化区域边缘，减少伪变化信息和运行时间，提高变化检测的准确度。

为实现上述目的，本发明的检测方法包括如下步骤：

(1)对输入的两幅已配准的多时相遥感图像分别进行3×3像素的中值滤波，得到去噪后图像T1和T2；

(2)将去噪图像T1和T2空间位置对应的像素灰度值进行差值计算，得到一幅差值差异图X；

(3)对差值差异图X进行空间域到模糊域的变换，在模糊域修正隶属度后反变换回空间域，得到增强后的差异图像EX；

(4)采用标记分水岭算法将增强后的差异图像EX进行分割，得到L个区域的分水岭过分割图像Y，其中L为增强后的差异图像EX分水岭过分割后的区域数目，取值根据选取的图像确定，每一个标记区域记为lk(lk＝1，2，3，...，L)；

(5)在增强后的差异图像EX计算每一个区域lk内的均值、方差、平滑度、三阶矩、一致性和熵这六种纹理特征，组成特征列向量H_lk，并将所有L个区域的纹理特征向量H_lk合并，得到维数为6×L的特征矩阵H，再计算特征矩阵H的协方差矩阵C和相关系数矩阵A；

(6)采用treelet算法将特征矩阵H进行合并，得到纹理特征向量的合并标记S_lk；

(7)依据纹理特征向量合并标记S_lk，对步骤(4)所得的过分割图像Y中的L个区域中相同类别的区域进行合并，得到变化和非变化两分类图B_n；

(8)统计两分类图B_n的邻域像素信息，利用最大后验概率的变权高斯马尔科夫模型得到变化区域边缘细化的检测结果图像B_E；

(9)以变化检测结果图像B_E参考图，在图B_E中利用区域连通性保留B_E和B_n两幅图像中的相同区域，去除仅在B_E图中存在的噪声杂点，得到最终的变化检测结果图Z。

本发明与现有的技术相比具有以下优点：

(1)本发明由于通过两个主要步骤来实现遥感图像变化检测的，即先对初始差异图像进行标记分水岭分割，再利用treelet算法获得标记区域特征有效聚类后对应的变化检测二值图，因而可在保证检测效果的同时有效减少运行时间，并通过聚类的方法降低分类错误数。