基于可控核回归和超像素分割的遥感图像变化检测方法

摘要

本发明公开一种基于可控核回归和超像素分割的遥感图像变化检测方法，主要解决构造差异图只考虑图像的灰度信息，对其他特征信息利用不足以及直接对差异图采用k-means聚类容易造成弱变化区域无法检测的问题。其实现过程是：将输入的两时相图像采用可控核回归分别提取结构特征矩阵；将邻域特征矩阵分别与结构特征矩阵相结合，得到局部结构特征矩阵，利用非负矩阵分解算法分解局部结构特征矩阵，将得到的系数矩阵构造差异图；最后用超像素分割方法分割差异图得到过分割图像；对过分割图像采用K-means聚类，获得变化检测结果。本发明能够保持图像的边缘信息，抗噪性能较好，提高了变化检测精度，可用于灾情监测、土地利用、农业调查等领域。

主权项

一种基于可控核回归和超像素分割的遥感图像变化检测方法，其特征在于：包括有如下步骤：(1)输入同一地区不同时间获取的已配准的两幅遥感图像X₁和X₂，对图像X₁采用可控核回归提取结构特征矩阵W_S1，对图像X₂采用可控核回归提取结构特征矩阵W_S2；(2)提取图像X₁的邻域特征矩阵N₁和图像X₂的邻域特征矩阵N₂，将邻域特征矩阵N₁与结构特征矩阵W_S1相结合，得到图像X₁的局部结构特征矩阵F₁，将邻域特征矩阵N₂与可控核提取的结构特征矩阵W_S2相结合，得到图像X₂的局部结构特征矩阵F₂；(3)对图像X₁的局部结构特征矩阵F₁，采用非负矩阵分解方法进行分解，得到基矩阵B₁和系数矩阵H₁，对图像X₂的局部结构特征矩阵F₂，采用非负矩阵分解方法进行分解，得到基矩阵B₂和系数矩阵H₂，利用图像X₁的基矩阵B₁、系数矩阵H₁和图像X₂的基矩阵B₂、系数矩阵H₂构造差异图像X_D；(4)利用基于熵率的超像素分割方法分割差异图像X_D得到分割后的图像X_D′；(5)对分割后的图像X_D′采用k‑means聚类，得到变化检测结果；所述步骤(1)中对输入的两时相图像X₁、X₂采用可控核回归分别提取结构特征矩阵，按如下步骤进行：1a)对输入的图像X₁的首列向左扩展w列，末列向右扩展w列；对列扩展后的图像再将其首行向上扩展w行，末行向下扩展w行，即可得到图像X₁的扩展后的图像Y₁，其中，k是邻域滤波的图像块的边长，为向下取整符号；1b)计算图像X₁的扩展后的图像Y₁的水平梯度图像Zx₁和垂直梯度图像Zy₁；1c)以水平梯度图像Zx₁的像素点(i,j)为中心，选取大小为k×k的邻域块，采用半径为w的圆形均值滤波器对k×k的邻域块进行滤波，得到大小为k×k的所述水平梯度图像Zx₁的滤波后矩阵对垂直梯度图像Zy₁采用相同的操作得到图像Zy₁的滤波后的矩阵分别将图像Zx₁的滤波后的矩阵和图像Zy₁的滤波后的矩阵拉成列向量，合并成大小为k²×2的局部梯度矩阵1d)对局部梯度矩阵进行奇异值分解，得到k²×k²的对角矩阵k²×2的特征值矩阵及2×2特征向量矩阵取特征值矩阵的前2行构成2×2的能量矩阵计算协方差矩阵$C_1^{ij}={\gamma }_1{\alpha }_1{\mathrm{ra}}_1^{ij}{\left({\mathrm{ra}}_1^{ij}\right)}^T+{\gamma }_1{\beta }_1{\mathrm{rb}}_1^{ij}{\left({\mathrm{rb}}_1^{ij}\right)}^T,$其中，为特征向量矩阵的第一列，为特征向量矩阵的第二列，上标T为转置操作，γ₁为尺度因子，${\gamma }_1={\left(\frac{s_1^{\mathrm{ij}}\left(\mathrm{1,1}\right)\times s_1^{\mathrm{ij}}\left(\mathrm{2,2}\right)+\lambda }{k^2}\right)}^{\rho },$α₁为缩放因子，${\alpha }_1=\frac{s_1^{\mathrm{ij}}\left(\mathrm{1,1}\right)+\lambda }{s_1^{\mathrm{ij}}\left(\mathrm{2,2}\right)+\lambda },$β₁是另一个缩放因子，为能量矩阵的第一行第一列的元素，为能量矩阵的第二行第二列的元素，λ为正则参数，λ>0，ρ为结构因子，0<ρ<0.5；1e)取2×2的协方差矩阵的第一行第一列的元素作为第一个局部协方差矩阵C₁₁中元素C₁₁(i,j)的值，协方差矩阵的第一行第二列的元素作为第二个局部协方差矩阵C₂₁中元素C₂₁(i,j)的值，协方差矩阵的第二行第二列的元素作为第三个局部协方差矩阵C₃₁中元素C₃₁(i,j)的值，计算协方差矩阵的行列式的平方根并将该值作为第四个局部协方差矩阵C₄₁中元素C₄₁(i,j)的值；1f)重复步骤1c)至步骤1e)直到计算完水平梯度图像Zx₁和垂直梯度图像Zy₁的所有像素1≤i≤I且1≤j≤J的邻域块的协方差矩阵得到大小均为I×J的第一个局部协方差矩阵C₁₁、第二个局部协方差矩阵C₂₁、第三个局部协方差矩阵C₃₁和第四个局部协方差矩阵C₄₁，其中I为图像的总行数，J为图像的总列数；1g)对四个局部协方差矩阵C₁₁、C₂₁、C₃₁和C₄₁分别进行首列向左扩展o列，末列向右扩展o列，对列扩展完成后的矩阵再进行首行向上扩展o行，末行向下扩展o行，得到局部协方差矩阵C₁₁、C₂₁、C₃₁和C₄₁的扩展后局部协方差矩阵C′₁₁、C′₂₁、C′₃₁和C′₄₁；分别对局部协方差矩阵C₁₁、C₂₁、C₃₁和C₄₁的扩展后的局部协方差矩阵C′₁₁、C′₂₁、C′₃₁和C′₄₁以像素点(i,j)为中心，选取大小为z×z的邻域块，分别得到四个邻域块协方差矩阵和其中，z是可控核的大小；1h)计算大小为z×z的可控核矩阵$W_1^{ij}=M_{41}^{ij}·\exp (-(0.5/h^2)\times (b_r^{ij}·M_{11}^{ij}·b_r^{ij}+M_{21}^{ij}·b_c^{ij}+b_c^{ij}·M_{21}^{ij}·b_r^{ij}+M_{31}^{ij}·b_c^{ij}\left)\right),$其中，h为平滑参数，exp(·)表示求目标函数的指数，为z×z大小的行距离矩阵，其元素值为z×z的邻域块中的像素点到其中心像素点(i,j)的行距离，$b_r^{ij}=\left[\begin{array}{ccccc}-2& -2& -2& -2& -2\\ -1& -1& -1& -1& -1\\ 0& 0& 0& 0& 0\\ 1& 1& 1& 1& 1\\ 2& 2& 2& 2& 2\end{array}\right],$为z×z大小的列距离矩阵，其元素值为z×z的邻域块中的像素点到其中心像素点(i,j)的列距离，$b_c^{ij}=\left[\begin{array}{ccccc}-2& -1& 0& 1& 2\\ -2& -1& 0& 1& 2\\ -2& -1& 0& 1& 2\\ -2& -1& 0& 1& 2\\ -2& -1& 0& 1& 2\end{array}\right],$1i)重复步骤(1g)至步骤(1h)，逐像素(i,j)进行计算，得到第一时相图像X₁的像素点(i,j)的可控核矩阵将所有像素点的可控核矩阵均转化为z²×1的列向量，合并所有I×J个列向量构成大小为z²×(I×J)的结构特征矩阵W_S1；1j)对于第二时相图像X₂，重复步骤(1a)至步骤(1i)，得到第二时相图像X₂的所有像素点的可控核矩阵合并所有I×J个由可控核矩阵转化成的列向量，构成大小为z²×(I×J)的结构特征矩阵W_S2。