基于区域和Kmeans聚类的遥感图像变化检测方法

摘要

本发明公开了一种基于区域和Kmeans聚类的遥感图像变化检测方法。主要解决现有方法检测结果含有孤立像素点和区域内有空洞的问题。实现步骤为：(1)读入两幅已配准的不同时相图像X1和X2；(2)对X1和X2滤波后构造差值图像；(3)对差异图像进行最大熵阈值分割提取感兴趣区域和肯定非变化区域；(4)计算感兴趣区域和肯定非变化区域的特征向量；(5)采用Kmeans聚类算法根据肯定非变化区域和所有感兴趣区域的特征将所有区域分为两类；(6)根据聚类结果，将对应于差异图像灰度值较高的那类区域作为变化区域，差异图像中的其他区域作为非变化区域，得到最终的变化检测结果。本发明的检测结果能保持区域内部的一致性和去除孤立像素点，提高检测精度，可用于资源监测和灾害评估。

主权项

一种基于区域和Kmeans聚类的遥感图像变化检测方法，包括如下步骤：(1)读入两幅遥感图像X1和X2，并对X1和X2进行邻域均值滤波，得到滤波后的图像Y1和Y2；(2)根据滤波后的图像Y1和Y2，构造差异图像：Y=|Y1‑Y2|；(3)利用最大熵原理计算差异图像Y的最大熵阈值T；(4)由差异图像Y中灰度值不小于最大熵阈值T的像素形成若干个连通区域，并将每一个连通区域看作一个感兴趣区域ROI，并将所有感兴趣区域构成一个感兴趣区域集合{ROI}；(5)将差异图像Y中灰度值小于α*T的像素作为肯定非变化像素，由差异图像Y中所有肯定非变化像素构成一个肯定非变化像素集合NRset，将肯定非变化像素集合NRset看作一个肯定非变化区域NR，其中，0<α<1；(6)计算感兴趣区域集合{ROI}中各个感兴趣区域的区域灰度均值G、区域灰度最大值M和感兴趣区域的核心区域灰度均值K，并将这三个特征构成的向量[G,M,K]作为该感兴趣区域的特征向量；(7)计算肯定非变化区域NR的区域灰度均值U、区域灰度最大值V和肯定非变化区域的核心区域灰度均值S，并将这三个特征构成的向量[U,V,S]作为肯定非变化区域的特征向量；(8)将肯定非变化区域NR和感兴趣区域集合{ROI}中各个感兴趣区域作为待分类区域集合R={ROI}∪NR,∪为取并集符号；(9)采用Kmeans聚类算法对待分类区域集合R中所有区域的特征向量进行聚类，并将聚类中心向量的区域灰度均值分量较大的那类区域作为最终的变化区域，将差异图像Y中余下的其他区域则作为最终的非变化区域，得到最终的变化检测结果。