基于局部熵视觉注意模型的遥感图像变化检测方法

摘要

本发明公开了一种基于局部熵的视觉注意模型的遥感图像的变化检测方法，主要解决现有技术中变化检测漏检率高的问题。其实现过程是：首先，对变化前后的遥感图像分别提取灰度和方向特征，得到变化前后图像在每个特征空间内的特征图像；其次，用变化前后特征图像构造前后高斯金字塔，并在前后高斯金字塔之间进行“-差值”运算，得到每个特征空间下的特征图；然后，分别对不同特征空间内的特征图计算局部熵，并将不同特征空间内的加熵特征图进行加权融合，得到视觉注意模型显著图；最后，用模糊C均值的方法对显著图进行分类，得到最终的变化检测结果图。本发明避免了已有技术中的信息丢失和累积误差等问题，提高了变化检测的检测精度。

主权项

基于局部熵的视觉注意模型的遥感图像的变化检测方法，包括如下步骤：(1)输入变化前遥感图像P₁和变化后遥感图像P₂，其中，变化前后的遥感图像大小均为m×n；(2)对变化前遥感图像P₁提取h维灰度特征H₁和d维方向特征D₁，得到h+d幅变化前特征图像p_1l∈H₁∪D₁，l＝1,2，…,(h+d)，同时，对变化后遥感图像P₂提取h维灰度特征H₂和d维方向特征D₂，得到h+d幅变化后特征图像p_2l∈H₂∪D₂，其中，∪表示灰度特征与方向特征的并集；(3)利用变化前遥感图像P₁在不同特征空间R_l∈H₁∪D₁内的变化前特征图像p_1l，构造3层变化前高斯金字塔G_1l＝{g_1l(c)},c＝0,1,2，其中，g_1l(c)为变化前高斯金字塔中的第c层图像，变化前高斯金字塔第0层图像g_1l(0)大小为m×n，且第c层图像g_1l(c)为在第c‑1层图像g_1l(c‑1)上，进行隔行隔列下采样得到；(4)利用变化后遥感图像P₂在不同特征空间R_l∈H₂∪D₂内的变化后特征图像p_2l，构造3层变化后高斯金字塔G_2l＝{g_2l(s)},s＝0,1,2，其中g_2l(s)为变化后高斯金字塔中的第s层图像，且变化后高斯金字塔的构造方法与变化前高斯金字塔相同；(5)分别在每个特征空间R_l内，对变化前高斯金字塔G_1l和变化后高斯金字塔G_2l中属于不同高斯金字塔的任意两层图像，进行“中央‑边缘”操作，得到每个特征空间R_l内的特征图F_l,l＝1,2，…,(h+d)：$F_l=\underset{c=0}{\overset{2}{\Sigma }}\underset{s=0}{\overset{2}{\Sigma }}{F}_{\mathrm{lcs}},$其中，F_lcs为变化前高斯金字塔第c层图像与变化后高斯金字塔第s层图像之间的“中央‑边缘”图像：F_lcs＝g_1l(c)Θg_2l(s)＝g_1l(c)‑Interp_s→c(g_2l(s)),c,s∈{0,1,2}，式中，Θ为“中央‑边缘”操作的操作符，Interp_s→c()为用插值的方法，将高斯金字塔第s层图像插值到与高斯金字塔第c层图像大小相同的图像；(6)分别对每个特征空间R_l内的特征图F_l计算局部熵，得到每个特征空间R_l内的加熵特征图H_l：$H_l=-\underset{i=1}{\overset{m}{\Sigma }}\underset{j=1}{\overset{n}{\Sigma }}{f}_{\mathrm{ij}}\log f_{\mathrm{ij}},$其中，表示特征图F_l中第i行第j列像素的像素值F_l(i,j)在整幅特征图F_l中的统计概率；(7)将不同特征空间R_l内的加熵特征图H_l进行加权融合，得到视觉注意模型的显著图F；(8)用模糊C均值的方法对显著图F进行聚类，得到显著图F中每个像素的聚类标签，最终得到变化检测结果图。