[发明专利]多分辨率NMF和Treelet融合的遥感图像变化检测方法

说明书

技术领域

本发明属于图像处理技术领域，涉及遥感图像变化检测，主要涉及多分辨率非负矩阵分解(Non-negative Matrix Factorization，NMF)和Treelet融合的遥感图像变化检测，具体是一种多分辨率NMF和Treelet融合的遥感图像变化检测方法。用于对遥感图像变化区域的检测。

背景技术

遥感图像变化检测通过分析同一地区不同时相的遥感图像间光谱特征差异或空间结构特征的差异，从而得到地物的动态发展变化信息。遥感图像的变化检测已经得到了广泛的应用，如土地、森林、草场等的资源监测，农作物估产及病虫害监测，地图数据的校正更新，土地利用和覆盖变化的监测，海洋、湖泊水资源变化的监测，海岸线变化、湿地变化、城区变化等的监测以及地震、海啸、火灾等突发事件的评估；另外，军事目标动态侦查、战场动态情报获取、军事部署情况监测等。随着变化检测应用的发展，变化检测方法也成为重要的研究内容。

不要求地面真实数据和额外分类信息的无监督的变化检测方法是目前变化检测方法研究的热点。一般的无监督变化检测方法是对输入图像所构造的差异图像进行分析，以判断出二分类的变化和非变化区域。然而传统的基于马尔科夫随机场(Markov Random Fields，MRF)的方法在考虑图像的邻域结构或纹理信息时易受到孤立噪声点的影响，从单一分辨率角度考虑图像的细节和平滑区域的权衡的方法常无法较好的既保留图像的细节信息又保留平滑区域信息，导致最终的变化检测结果不够准确。

为了提高变化检测的精度，研究人员提出了许多方法。如：Celik等在文章“Unsupervised Change Detection in Satellite Images Using Principal Component Analysis and K-Means Clustering，IEEE Geoscience and Remote Sensing Letters，2009，6(4)：772-776”中提出了基于主成分分析(Principle Component Analysis，PCA)和K-means聚类的变换检测方法，该方法提取数据特征时结合了像素的邻域信息，操作简单方便，但是PCA方法对于非线性相关的数据分类结果却不是很理想，且采用PCA方法提取特征数据时，对数据的邻域信息考虑有限，只在固定的邻域块内进行结构纹理分析。没有从多分辨率数据融合的角度对数据进行分析，没有考虑好图像的细节信息和平滑区域的信息和噪声的影响给变化检测带来错误的结果，从而影响了变化检测的准确性。

黄世奇等在文章“基于小波变换的多时相SAR图像变化检测技术，测绘学报，2010，39(2)：180-186”中提出了一种基于图像多分辨率分解的可靠尺度融合的遥感图像变化检测方法。该方法对差异图像采用2维离散平稳小波分解，通过判定局部变化系数和全局变化系数的关系确定可靠尺度，并对可靠尺度进行加入权重的特征级融合，对融合后的图像采用EM双阈值得到变化检测结果。该方法的优点在于选择可靠尺度达到了去除噪声和保留细节的均衡，同时能够获得发生变化和未发生变化的像素区域，还可以区分发生变化的类型，如变化区域增强类和变化减弱类。但是由于平稳小波对图像具有平滑作用，分解的层数越高，平滑效应越大，造成一定程度上扩散了变化区域的面积，使得检测结果中虚警较高。同时特征级融合时只采用图像的低频信息，造成变化区域的边缘保持不理想。此外，对特征融合后的图像采用EM双阈值进行分割，造成伪变化信息过多，虚警较高。

Li等在文章“Multitemporal Image Change Detection Using a Detail-Enhancing Approach With Nonsubsampled Contourlet Transform，IEEE Geoscience and RemoteSensing Letters，2012，9(5)：836-840”中提出了一种基于非下采样contourlet变换的变化检测方法。该方法对差异图采用非下采样contourlet变换分解得到低频子带和高频的方向子带，对高频方向子带采用尺度内和尺度间的方法进行融合，以此增强图像的细节信息，同时选出较优的低频子带，将该低频子带加上一定权重值的融合后的方向信息得到细节信息增强的差异图像，接着对差异图像采用PCA构造特征矢量空间，对该特征矢量空间采用基于PCA指导的K-means进行聚类得到变化检测结果。该方法采用尺度内和尺度间融合的方法增强了图像的细节信息，对于变化区域较为明显的图像能够检测出较好的结果，但对于变化区域不明显的图像，变化检测的精度大大降低。