[发明专利]基于稀疏重建的两时相遥感影像变化检测方法

摘要

本发明公开了一种基于稀疏重建的两时相遥感影像变化检测方法，主要解决现有技术去噪后图像信息丢失严重和变化检测精度低的问题。其实现过程为：输入两幅遥感影像并分别对其镜像延拓；将延拓后的两幅遥感影像X1和X2逐像素分别分割为重叠的图像块，构成两个训练样本集合Y1和Y2；通过稀疏字典训练得到两个训练字典D1、D2及其对应的稀疏表示系数S1、S2；由D1S1和D2S2重构出遥感影像和，进而得到差值图和比值图像，并分别进行三层小波分解；对分解后的高频带和低频带的小波系数采用不同的融合算子进行融合和逆变换得融合后的差异图XD；对XD进行聚类得到变化检测结果。本发明能有效地抑制噪声并保持影像边缘清晰度，提高变化检测的准确度。

主权项

一种基于稀疏重建的两时相遥感影像变化检测方法，其特征在于：包括如下步骤：(1)输入两幅大小均为I×J的遥感影像XA和XB，其中，I为遥感影像的行数，J为遥感影像的列数；(2)对两幅遥感影像XA和XB分别进行N个像素的边界镜像延拓，得到边界延拓后的两幅遥感影像X1和X2，其中N为奇数，N∈{1,3,5,7,……}；(3)以第一幅边界延拓后的遥感影像X1的像素(i+N,j+N)为中心，选取一个大小为(2N+1)×(2N+1)的重叠图像块y1k，并将其图像块拉成列向量作为像素(i+N,j+N)的特征向量y1ij，得到I×J个特征向量构成训练样本集合其中，i＝1,2,...,I,j＝1,2,...,J，k为正整数；(4)以第二幅边界延拓后的遥感影像X2的像素(i+N,j+N)为中心，选取一个大小为(2N+1)×(2N+1)的重叠图像块y2k，并将其图像块拉成列向量作为像素(i+N,j+N)的特征向量y2ij，得到I×J个特征向量构成训练样本集合(5)用训练样本集合Y1进行稀疏字典训练，得到训练字典D1及其对应的稀疏表示系数集合S1={s1k}k=1I*J;]]>(6)用训练样本集合Y2进行稀疏字典训练，得到训练字典D2及其对应的稀疏表示系数集合S2={s2k}k=1I*J;]]>(7)根据上述训练字典和稀疏表示系数集合，得到去噪后的两幅遥感影像的重叠图像块矩阵和其中，“*”表示矩阵相乘；(8)将两幅遥感影像的重叠图像块矩阵和中的每个图像块放回与原始各自图像对应的像素位置处，并对这些图像块的重叠部分的灰度值进行平均，重构出两幅遥感影像和(9)根据重构出的两幅遥感影像和得到两幅重构遥感影像的差值图像YD=|X^1-X^2|]]>和比值图像YR=X^1/X^2;]]>(10)对两幅重构遥感影像的差值图像YD和比值图像YR分别进行W层小波分解，得到各自图像在W个分解层上的高频带和低频带的小波系数，其中W＝3；(11)对差值图像YD和比值图像YR的高频带和低频带的小波系数采用不同的融合算子进行融合，即对高频带的小波系数选取YD和YR这两幅图像区域标准差较小的小波系数作为高频带融合后的小波系数；对低频带的小波系数选取YD和YR这两幅图像边缘信息较大的小波系数作为低频带融合后的小波系数；(12)对融合后的高频带和低频带的小波系数进行小波逆变换，得到融合后的差异图像XD；(13)运用加权的模糊C均值聚类算法对融合后差异图XD的灰度值进行类别数为2的聚类，得到变化类和非变化类的二值变化检测结果图XCD，分别用1、0表示，完成对两幅遥感影像变化信息的检测。