遥感图像变化检测算法研究

Create coefficients using NSCT
Set relatively small coefficients zero using OTSU Create change map using OTSU
（6） 用最大类间方差法得到点火图的域值 T， 并对点火图 进行 2 类分类， 得到变化检测图。
T = graythresh(G) CM (i j) =
{
（6） （7）
1 G(i j) > T 0 G(i j) £ T
Change Map CM
图1
算法框架图
3 实验结果 3.1 两种算法的定性比较
为测试本文提出算法的性能， 用两组遥感图像进行对比 实验。比较算法是文献[13]和文献[14]给出的。文献[13]所提 算法简称为 PCAKMEANS； 文献 [14] 所提算法简称为 PCNN； 本文所提算法简称为 NSCTPCNN。图 2 是这三种算法的定性 比较结果。图 2 的参考图和检测图都是在越南红河获取的。 图2 （e） 的噪声点比图 2 （c） 略少， 比图 2 （d） 少得多。说明本文 提出算法的检测结果较两种比较算法更准确。由此可见， 本 文算法在检测的准确性方面优于比较算法。
算法将非下采样 Contourlet 变换和脉冲耦合神经网络这两种方法结合， 将它应用于不同时相的卫星影像的变化检测。实验结果 表明， 与传统方法相比， 对于高斯和斑点噪声， 该算法具有更高的抗噪性能和检测精确度。 关键词： 非下采样 Contourlet 变换； 脉冲耦合神经网络； 无监督变化检测； 多时相卫星影像； 遥感 DOI： 10.3778/j.issn.1002-8331.2011.25.044 文章编号： 1002-8331 （2011） 25-0168-03 文献标识码： A 中图分类号： TP391.41
1
引言
近年来， 关于非下采样 Contourlet 变换 （NSCT） 和脉冲耦
2 理论模wenku.baidu.com和实现算法 2.1 理论模型
NSCT 是一种改进后的 Contourlet 变换形式， 在奇异性方 面不会导致 pseudo-Gibbs 现象 [1]。与此同时， 由于 NSCT 的多 尺度多方向分解， 使得 NSCT 具有局部性、 方向性和各向异性， 从 而 使 得 NSCT 更 适 合 在 噪 声 环 境 下 提 取 特 征 信 息 [2-6]。 PCNN 具有旋转、 平移、 尺度不变性。在图像分割方面， 基于 PCNN 的图像分割是至今 PCNN 最成功的应用[7-12]。因此将非 采样 Contourlet 变换的提取特征信息的优点与 PCNN 强大的 图像分割能力相互结合， 提出本文算法， 以实现在噪声环境下 的变化检测。 考虑到用参考图像和检测图像产生的对数比图像有大量 的噪声， 因此会淹没很多变化信息。利用 NSCT 的移不变性和 基函数的丰富性[4]， 将对数比图像进行多尺度和多方向纹理提 取， 并进行自适应阈值滤波。这样能够在大量变化信息的前 提下， 提高信噪比。利用 PCNN 对去噪之后的含有大量变化
coeffs = NSCT ( X )
3.2
算法性能的定量比较一
为了定量比较两个算法性能， 首先选择了抗噪性能这个
标准。对于一幅大小为 H×W 的图像 I， 对其添加某种噪声 （高 斯噪声或者斑点噪声） 得到图像 Iα， 那么这两幅图像的峰值信 噪比定义为：
´ W ´ 255 ´ 255 ) PSNR = 10 lg( H H W å å (I (i j) - Iα(i j))2
信息的 NSCT 分解的系数进行点火， 能够将变化信息大量提取 出来。最后用最大类间方差法进行 2 类聚类， 就可以得到变化 图， 实现变化检测的目的。
2.2 实现算法
根据以上理论模型， 本文提出如下算法： 第一步， 用参考 图像和检测图像产生对数比图像； 第二步， 用非下采样 Contourlet 变换分解产生多尺度和多方向的系数； 第三步， 用最大 类间方差法将每个尺度、 每个方向的系数中相对较小的系数 设置为零； 第四步， 将所有尺度和方向的系数的标准差和均值 进行线性组合； 第五步， 用脉冲耦合神经网络对上一步得到的 结果进行处理， 得到点火图； 第六步， 用最大类间方差对点火 图进行 2 类分类， 得到变化图像。以上算法的框架如图 1 所 示， 算法的具体实现步骤如下： （1） 将输入的参考图像和检测图像这两幅图像作对数比 运算， 得到对数比图像。 X +1 X = lg( 1 ) X2 + 1 尺度和多方向的系数。
τ=1-
（2） 将对数比图像进行非下采样 Contourlet 变换， 得到多 （2）
（3） 用最大类间方差法对不同尺度和不同方向的系数分 别进行同尺度和同方向内的 2 类分类， 得到自适应的阈值， 并 据此将多尺度和多方向的系数中相对较小的置零， 以提高抗 噪能力。
å å| CM1(i j) - CM2(i j) | i=1 j=1
H W
（a） 参考图像
（b） 检测图像 图2
（c） 文献[13]检
（d） 文献[14]检
（e） 本文所提算 法检测算法结果
测算法结果 测算法结果 不同方法的检测结果比较图
合神经网络 （PCNN） 的研究和应用很多。例如用 NSCT 在多 尺度和多方向域去噪[1]； 用 NSCT 对建筑物图像进行纹理提取 以实现图像分割[2-3]； 利用 NSCT 的移不变性和基函数的丰富性 对图像进行纹理提取 ； 研究 NSCT 分解的子带系数选择原则 ；
[4] [5]
研 究 NSCT 用 于 图 像 融 合 ； 用 PCNN 进 行 目 标 检 测 ； 用
A = γ ´ mean(coeffs) + (1 - γ) ´ std (coeffs) G = PCNN ( A)
Create log-ratio image
（4） （5）
（5） 用脉冲耦合神经网络对系数图进行分割， 得到点火图。
Create a linear combination between standard deviation and the mean of all the coefficients Create firing image using PCNN
[6] [7]
PCNN 进行彩色图像的边缘检测[8]； 用改进的 PCNN 进行特征 提取 ； 用改进的 PCNN 除去混合噪声 ； 提出改进的 PCNN 以
[9] [10]
及怎么把它应用于图像处理[11]； 提出通过进化自动设计 PCNN 的神经元并用于图像分割 。 本文提出了一种基于非下采样 Contourlet 变换和脉冲耦 合神经网络的无监督的不同时相的卫星影像的象素级变化检 测新算法。将本文算法与文献[13]和文献[14]中提出的算法进 行比较， 实验结果显示了本文算法具有更高的抗噪能力和检 测精确度。
i=1 j=1
（8）
（1）
检测算法的抗噪性能可由两种变化检测结果 CM1 和 CM2 之间的差异来衡量。对于输入的两幅图像 I1 和 I2， 对 I1 加入噪 声得到 I3。输入 I1 和 I2， 得到 CM1； 输入 I3 和 I2， 得到 CM2。检测 算法的抗噪性能可由下式来确定[13]： （9） H´W 由图 3 和图 4 知， 无论是高斯噪声还是斑点噪声， 在 PSNR Î [20， 50] dB 的范围内， 本文算法的抗噪性能比 PCAKMeans 方
1.新疆大学 信息科学与工程学院， 乌鲁木齐 830046 2.上海交通大学 图像处理与模式识别研究所， 上海 200240 3.奥克兰理工大学 知识工程与开发研究所， 新西兰 奥克兰 1020 1.College of Information Science and Engineering， Xinjiang University， Urumqi 830046， China 2.Institute of Image Processing and Pattern Recognition， Shanghai Jiaotong University， Shanghai 200240， China 3.Knowledge Engineering and Discovery Research Institute， Auckland University of Technology， Auckland 1020， New Zealand YU Yinfeng， JIA Zhenhong， QIN Xizhong， et al.Change detection algorithm in satellite images.Computer Engineering and Applications， 2011， 47 （25） ： 168-170. Abstract：An unsupervised change detection algorithm in multi-temporal satellite images based on nonsubsampled Contourlet transform and pulse coupled neural network is proposed.This method makes a combination of both nonsubsampled Contourlet transform and pulse coupled neural network， and applies it to change detection initially.Experimental results demonstrate that the proposed method has a higher stability and accuracy against Gaussian and speckle noise compared with traditional algorithms. Key words：Nonsubsampled Contourlet Transform （NSCT） ； Pulse Coupled Neural Network （PCNN） ； unsupervised change detection； multi-temporal satellite images； remote sensing 摘 要： 提出了一种基于非下采样 Contourlet 变换和脉冲耦合神经网络的无监督的不同时相的卫星影像的变化检测新算法。该
168
2011， 47 （25）
Computer Engineering and Applications 计算机工程与应用
遥感图像变化检测算法研究
余银峰 1， 贾振红 1， 覃锡忠 1， 杨 杰 2， 庞韶宁 3 1 1 YU Yinfeng ， JIA Zhenhong ， QIN Xizhong1， YANG Jie2， PANG Shaoning3
[12]
基金项目： 科 技 部 国 际 科 技 合 作 项 目（the International Cooperation Program Foundation of Ministry of Science in China under Grant No.2009DFA12870）。 作者简介： 余银峰 （1984—） ， 男， 硕士学位， 主要研究领域为图像处理； 贾振红 （1964—） ， 通讯作者， 男， 博士， 教授。E-mail： jzhh@xju.edu.cn 收稿日期： 2010-05-19； 修回日期： 2010-07-26
余银峰， 贾振红， 覃锡忠， 等： 遥感图像变化检测算法研究
2011， 47 （25）
169 （3）
Reference image X1
Detection image X2
coeffs(find(coeffs < graythresh(coeffs))) = 0
（4） 将不同尺度和不同方向的系数的标准差和平均值进 行线性组合， 得到系数图。