遥感图像变化检测

遥感图像变化检测方法(简称变化检测)根据处理目标要求可以分为三类:特定类目标的变化检测,如机场、桥梁、港口、导弹基地等目标的变化检测;线性体目标的变化检测,如道路、机场、桥梁和一般建筑物等目标的变化检测;大面积目标的变化检测,如某地域的植被变化、城市的发展、洪水灾害评估等。本文系统地研究了基于模式识别知识检测特定类目标、线性体目标和大面积目标变化的变化检测方法。

为了实现对特定类目标的变化检测,本文提出了一种基于目标检测的变化检测方法。该变化检测法的工作流程为:多时相图像配准、特定类目标建模、检测特定类目标、确定特定类目标的位置、比较特定类目标在参考图像和检测图像中的位置、报告变化情况。本文提到的特定类目标建模,是对某类特定目标的共同属性进行建模,即一般模型,而不是针对某个具体目标进行详细的状态描述。本论文提出的机场检测法在试验中达到了100%的正确检测率。确定了检测图像中的机场位置后,就可以将检测结果与参考图像中的机场位置进行比较,从而实现机场位置变化的检测。

对于检测线性体目标的变化,本论文提出了一种基于边缘检测的变化检测方法。该变化检测法的工作流程为:多时相图像配准、图像标准化、提取参考图像及检测图像的边缘、匹配边缘图像中的边缘并获得边缘差分图像、标注变化情况。边缘检测算子的性能直接影响变化检测结果。本论文提出了一种全新的边缘检测算子—正弦算子。本论文详细分析了边缘算子的三个性能准则:检测性能、定位性能和响应唯一性,在此基础上提出了正弦算子。正弦算子不但具有较好的容噪能力,并且能够检测到灰度变化较小的边缘。理论结果和试验结果都证明正弦算子是一个性能卓越的边缘检测算子。

本文提出了一种中高分辨率遥感图像的聚类方法。该聚类方法的过程分为两部分:学习过程和识别过程。学习过程为:选取图像特征、使用已知类别的特征训练BPC网络;识别过程为:输入待分类图像、预处理滑动窗口中图像、计算滑动窗口的图像特征、使用BPC网络判断滑动窗口中心像素的类别、在图像中逐点移动滑动窗口、完成整个图像的分类。试验结果表明,本文的特征提取法和图像聚类法能获得较好的图像聚类精度。

遥感图像数据获取系统近期发展的主要方向是提高空间和时间分辨率,这使遥感图像数据量有了巨大的增加。大量的数据和有限的人工分析员必将导致有很多图像无法被浏览。而在实际中,我们却非常需要分析员浏览相关图像。如果我们知道需要浏览的具体图像和图像中的具体目标,这个问题就很容易解决了。然而,大多数情况下,我们并不知道哪个图像中包含了我们需要寻找的信息。但是,我们可以利用数字图像的许多性质,通过计算机浏览所有的图像并把我们的注意力引导至相关的图像。实现这一目的主要有两个方法:使用计算机对图

像内容进行理解(例如,图像理解),或确定这些图像中哪些图像在一定的时间间隔中发生了变化。本文只关心后一种方法:遥感图像中的变化检测。

变化检测是通过不同时间的观察进而识别一个物体或现象的状态差异的过程。本文中的术语“变化检测”主要是指对两幅或多幅数字图像进行的变化检测。它检测的变化包括目标的位置和范围的变化及目标种类属性的变化。

基于模式识别知识的常用变化检测法有后分类比较法、直接多时相图像分类法、统计检测法、边缘检测法等。

按照广义的定义,模式是一些供模仿用的、完美无缺的标本。模式识别就是识别出特定客体所模仿的标本,广义的模式识别涉及哲学、政治学、生物学、心理学和生理学等范畴。本文研究的模式识别是指用计算机识别某种特定客体模仿的目标。这是一种狭义的定义:模式是对某些感兴趣的客体的定量或结构的描述、模式类是具有某些共同特征的模式的集合。模式识别是研究一种自动技术,依靠这种技术,机器将自动地(或人尽量少地干涉)把待识别模式分配到各自地模式类中去。

一个图像识别系统可分为三个主要部分，其框图如图2.1所示。第一部分是图像信息的获取，它相当于对被研究对象的调查和了解，从中得到数据和材料，对图像识别来说就是在整个图像中寻找并获取感兴趣区域中需要识别的图像，以备后续处理。第二去部分是信息的加工与处理。它的作用在于把调查了解到的数据材料进行加工、整理、分析、归纳以去伪存真，去粗取精，抽出能反映事物本质的特征。当然，抽取什么特征，保留多少特征与采用何种判决有很大关系。第三部分是判决或分类。这相当于人们从感性认识上升到理性认识而做出结论的过程。第三部分与特征抽取的方式密切相关。它的复杂程度也依赖于特征的抽取方式。

识别的简化框图

为了实现对特定类目标的变化检测，本章提出了一种基于目标检测的变化检测方法。该变化检测法的工作流程为:配准多时相图像、对特定类目标建模、检测特定类目标、确定特定类目标的位置、比较特定类目标在参考图像中和检测图像中的位置、报告变化情况。本章提到的特定类目标建模，只利用某类特定目标的共同属性进行建模，即通用模型，而不是针对某个具体目标进行详细的状态描述。对于基于目标检测法的变化检测，我们以SPOT(地球观测系统)图像中的机场变化检测为具体实例进行说明。在该变化检测方法中，论文重点讨论了机场模型的建立、机场检测和机场位置的确定。在两幅大幅面图像(北京地区和上海地区的两幅图像)中，本论文提出的机场检测法可以达到100%的正确检测率。确定了检测图像中的机场位置后，就可以将检测结果与参考图像中的机场位置进行比较，从而实现机场位置变化的检测。

机场检测原理和工作流程

我们的目标是研究一个能够辅助遥感图像解译人员检测机场的系统，要求在图像解译人员的干预下有效地检测出机场的存在并确定其存在的区域。机场检测方法是在大幅面的SPOT图像中检测机场，是实现机场检测和识别的第一步工作。

实现原理:飞机跑道的存在意味着机场的存在，本论文就是通过检测飞机跑道来发现机场。根据飞机跑道在SPoT图像中的特征(几何性质、灰度性质等)可以建立机场跑道通用模型，并通过机场跑道的通用模型来检测机场存在与否，再使用ROI算法可以初步地确定机场存在的区域，也就是ROI，最后通过人机交互方式修正不精确区域、结果是机场存在的区域。

机场检测流程图

工作流程:参见图所示的机场检测流程图，从输入SPOT图像数据到输出机场区域需要经过三个模块的处理。在第一个模块中输入图像数据和相关参数，利用机场跑道通用模型在图像中进行搜索，得到机场跑道的检测结果。利用第二个模块:ROI算法可以在机场跑道图像中初步确定机场存在的区域。由于在实际的算法研究中，机场跑道通用模型难于完全精确地描述，初检结果中可能有一些不精确区域甚至误检或漏检机场跑道区域。为此在程序中插入第三个模块，以人机交互操作方式来得到有效的机场区域输出结果。

机场跑道通用模型

SPOT图像中机场跑道通用模型可以用6个特性来描述，其中4个描述跑道的几何特性，2个描述跑道的图像灰度。在机场跑道通用模型数学表达式中，G(x,y)表示sPoT数字图像中点(x,y)的灰度值。

特性1:跑道部分在图像中的灰度值较高，其数学表达式为:

∑G(x i，y i)-------Maximum

式中，(x i，y i)是跑道上的点。

特性2:跑道表面具有相近的灰度值，也就是说沿着跑道方向(有多个跑道时具有多个方向)在