[发明专利]基于Treelet变换和特征融合的遥感图像变化检测方法

摘要

本发明公开了一种基于Treelet变换和特征融合的遥感图像变化检测方法，其实现步骤为：(1)读入数据；(2)中值滤波；(3)构造差异图像；(4)分类；(5)判断差异图像的标准差是否小于先验阈值；(6)自适应空间信息填充；(7)Treelet模糊融合；(8)构造模糊差异图像；(9)K-means分类；(10)数学形态学后处理；(11)特征与运算。本发明既可以较好的保持变化区域的边缘信息，又可以较好的兼顾变化检测结果中的漏检信息和虚警信息，具有较好的实时性和较高的检测精度，可应用于环境变化中的湖泊水位动态监测、农作物生长状态的动态监测、军事侦察等领域。

主权项

基于Treelet变换和特征融合的遥感图像变化检测方法，包括如下步骤：(1)读入同一地区不同时刻获取的两幅遥感图像；(2)中值滤波2a)确定正方形窗口：选取步骤(1)中的一幅遥感图像，以该图像中的某一像素点为中心，选取一个大小为N1×N1的正方形窗口，其中，N1为奇数；2b)确定滤波值：将正方形窗口中全部像素点的灰度值按照由大到小的顺序排列，组成一个灰度序列，选取位于灰度序列中间位置的灰度值作为滤波值；2c)滤波：用滤波值替代步骤2a)中像素点的灰度值；2d)重复步骤2a)至步骤2c)，直至处理完图像中的全部像素点；2e)按照步骤2a)至步骤2d)，对步骤(1)中的另外一幅遥感图像进行处理，得到滤波后的两幅图像；(3)构造差异图像3a)对步骤(2)中滤波后的两幅遥感图像对应像素点进行减法运算，并对减法运算的结果取绝对值，得到一幅差异图像；3b)计算该差异图像的标准差；(4)分类4a)按照下式计算精细分类阈值； T = arg min G ( | P G - Σ G = 0 255 P G 256 | ) 其中，T为精细分类阈值，min为取最小值函数，PG为差异图像中灰度值为G的像素点总个数，差异图像的大小为M×N，G∈{0，1，2…，255}，PG∈{0，1，2…，M×N}；4b)利用精细分类阈值按照下式对差异图像进行分类，得到精细分类图； D A ( m , n ) = 1 , A ( m , n ) ≥ T 0 , A ( m , n ) < T 其中，DA为精细分类图，A为差异图像(大小为M×N)，T为精细分类阈值，m和n为图像的行序号和列序号，m＝1，2，…，M，n＝1，2，…，N；(5)判断差异图像的标准差是否小于先验阈值若差异图像的标准差小于先验阈值T1，则进行步骤(6)，否则步骤(4)中的精细分类图即为精细结果图，进行步骤(7)，其中，T1∈{10，11，…，19，20}；(6)自适应空间信息填充6a)确定图像块：在精细分类图中选取一个待填充像素点，以该像素点为中心，以固定长度N2个像素为半径，确定一个图像块，其中，N2∈{1，2，3}；6b)计算填充阈值：根据步骤6a)中的半径计算填充阈值，并统计图像块中灰度值为1的像素点总个数；Th＝N2×(2×N2+1)其中，Th为填充阈值，N2为图像块半径；6c)填充：当像素点总个数大于或等于填充阈值时，将待填充像素点的灰度值赋值为1，否则将待填充像素点的灰度值赋值为0；6d)重复步骤6a)和步骤6c)，直至处理完精细分类图中的全部像素点，得到精细结果图；(7)Treelet模糊融合7a)构造低频序列：分别对步骤(2)中滤波后的两幅遥感图像进行Q层平稳小波分解，构造两个低频序列；7b)构造Treelet基矩阵：对步骤7a)中的一个低频序列进行Treelet变换，得到Treelet基矩阵；7c)获得模糊图像：分别将两个低频序列向Treelet基矩阵投影，得到两幅模糊图像；(8)构造模糊差异图像对步骤7c)中的两幅模糊图像对应像素点进行减法运算，并对减法运算的结果取绝对值，得到一幅模糊差异图像；(9)采用K‑means方法对模糊差异图像分类，得到模糊分类图；(10)数学形态学后处理10a)对模糊分类图采用一个半径为4个像素的圆形结构元素进行数学形态学闭合运算，得到闭合运算结果；10b)对闭合运算结果采用步骤10a)中的结构元素进行数学形态学开启运算，得到模糊结果图；(11)特征与运算11a)确定空间位置：对精细结果图和模糊结果图进行逻辑与运算融合，确定待查找对象的空间位置；11b)对象选择：在精细结果图中，查找步骤11a)中的空间位置所对应的W连通对象，即为最终的变化检测结果。