图像变化检测方法.pdf

上传人:1520****312 文档编号:11457426 上传时间:2021-09-27 格式:PDF 页数:21 大小:859.12KB
收藏 版权申诉 举报 下载
图像变化检测方法.pdf_第1页
第1页 / 共21页
图像变化检测方法.pdf_第2页
第2页 / 共21页
图像变化检测方法.pdf_第3页
第3页 / 共21页
文档描述:

《图像变化检测方法.pdf》由会员分享,可在线阅读,更多相关《图像变化检测方法.pdf(21页完成版)》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910205137.3 (22)申请日 2019.03.18 (71)申请人 西安电子科技大学 地址 710071 陕西省西安市太白南路2号 (72)发明人 吕宁王艳艳胡少哲殷廷瑞 吕高登 (74)专利代理机构 西安嘉思特知识产权代理事 务所(普通合伙) 61230 代理人 张捷 (51)Int.Cl. G06T 7/00(2017.01) G06K 9/62(2006.01) (54)发明名称 一种图像变化检测方法 (57)摘要 本发明公开了一种图像变化检测方法, 包 括。

2、: 获取两时相图像, 包括: 第一图像和第二图 像; 利用两时相图像得到第一差异图像, 并对第 一差异图像训练后得到第二差异图像; 利用MRF 对第二差异图像分类后得到初始分类结果, 其 中, 初始分类结果包括概率值和第一分类结果; 将概率值输入一元势函数得到第一能量, 将第一 分类结果输入二元势函数得到第二能量, 并对第 一能量、 第二能量求和得到总能量; 利用CRF方法 对总能量分割后得到第二分类结果; 利用迭代法 对第二分类结果循环得到最终结果。 本发明对第 一差异图像训练后得到第二差异图像, 将第二差 异图像作为MRF随机场的初始检测图像, 抑制了 噪声的干扰, 且MRF随机场结合CR。

3、F随机场, 提升 了检测结果的准确度。 权利要求书2页 说明书13页 附图5页 CN 110111300 A 2019.08.09 CN 110111300 A 1.一种图像变化检测方法, 其特征在于, 包括: 获取两时相图像, 包括: 第一图像和第二图像; 利用所述两时相图像得到第一差异图像, 并对所述第一差异图像训练后得到第二差异 图像; 利用MRF对所述第二差异图像进行分类后得到初始分类结果, 其中, 所述初始分类结果 包括概率值和第一分类结果; 将所述概率值输入一元势函数得到第一能量, 将所述第一分类结果输入二元势函数得 到第二能量, 并对所述第一能量、 所述第二能量求和得到总能量; 。

4、利用CRF方法对所述总能量分割后得到第二分类结果; 利用迭代法对所述第二分类结果进行循环得到最终结果。 2.根据权利要求1所述的方法, 其特征在于, 所述第一差异图像包括第一对数差异图像和/或第一均值差异图像; 所述第二差异图像包括第二对数差异图像和/或第二均值差异图像。 3.根据权利要求2所述的方法, 其特征在于, 利用所述两时相图像得到第一差异图像, 包括: 分别计算所述第一图像、 所述第二图像上第一相同位置的像素8邻域像素值的和得到 第一像素和、 第二像素和; 对所述第二像素和除以所述第一像素和的商求对数得到第一对数值, 并将所述第一对 数值作为差异图像第一相同位置上的像素值, 以得到所。

5、述第一对数差异图像。 4.根据权利要求2所述的方法, 其特征在于, 利用所述两时相图像得到第一差异图像, 包括: 分别计算所述第一图像、 所述第二图像上第一相同位置的像素8邻域像素值的和得到 第一像素和、 第二像素和; 分别计算所述第一像素和、 所述第二像素和的均值, 得到第一均值、 第二均值; 分别计算所述第一均值与所述第二均值的比值, 将二者中的最小值作为差异图像第一 相同位置上的像素值, 以得到所述第一均值差异图像。 5.根据权利要求3或4所述的方法, 其特征在于, 利用所述两时相图像得到第一差异图 像, 并对所述第一差异图像训练后得到第二差异图像, 包括: 对所述第一对数差异图像训练后。

6、得到所述第二对数差异图像; 和/或 对所述第一均值差异图像训练后得到所述第二均值差异图像。 6.根据权利要求1所述的方法, 其特征在于, 利用MRF对所述第二差异图像进行分类后 得到初始分类结果, 包括: 将所述第二差异图像进行初始化; 计算初始化后的所述第二差异图像的均值和方差, 再通过所述均值和方差计算出能量 函数; 利用迭代法对所述能量函数进行最小化求解后得到所述初始分类结果。 7.根据权利要求6所述的方法, 其特征在于, 将所述第二差异图像进行初始化, 包括: 计算所述第二差异图像的期望值; 将所述第二差异图像的期望值进行最大化求解后完成初始化。 权利要求书 1/2 页 2 CN 11。

7、0111300 A 2 8.根据权利要求6所述的方法, 其特征在于, 计算初始化后的所述第二差异图像的均值 和方差, 再通过所述均值和方差计算出能量函数, 包括: 分别计算所述第二差异图像的均值和方差; 通过所述第二差异图像的均值和方差计算出所述第二差异图像中像素的分类能量和 像素先验能量, 并将所述分类能量和所述像素先验能量求和得到所述能量函数。 9.根据权利要求1所述的方法, 其特征在于, 所述CRF方法的计算公式如下: 上式中: y表示像素对应的分类类别; xd表示差异图像中对应的像素值; z表示归一化常数; S表示第二差异图像中像素的位置集合; yi表示第i个像素对应的分类; i表示行。

8、数; j表示列数; wp表示惩罚系数;i表示像素的8邻域; 表示参数。 权利要求书 2/2 页 3 CN 110111300 A 3 一种图像变化检测方法 技术领域 0001 本发明属于图像处理技术领域, 具体涉及一种图像变化检测方法。 背景技术 0002 遥感图像变化检测主要通过对某一相同区域不同时刻所对应的遥感图像进行分 析, 从而获取图像之间的差异, 再利用相关技术, 进一步的识别出地物状态信息的变化, 随 着科学技术的发展, 变化检测方法有很多: 阈值法、 还有基于超像素和基于语义的方法; 还 有基于随机场的方法, 其中: MRF(Markov Random Field, 马尔科夫随机。

9、场)和CRF (Conditional Random Field, 条件随机场)是目前较为常用的两个方法。 基于MRF和CRF的 方法是将图像看成一个随机场, 随机场中每一类像素的变化只与其邻域像素的变化相关, MRF是根据联合概率分布对图像进行建模, CRF是根据条件概率分布对图像进行建模。 0003 第一种方法, 首先用FCN(Fully Convolutional Network)模型生成粗略的包含飞 机的候选图, 将该候选图作为下一步的多层MRF方法的初始分类标签, 然后使用多层MRF去 进行优化, 生成RP(regional proposal, 候选区域)最后使用基于CNN(Conv。

10、olutional Neural Network, 卷积神经网络)的分类器去获取最终的结果; 第二种方法, 首先将SAR图像 分割成两个分平稳区域, 利用两个区域和SVM去定义CRF模型中的UP(Unary Potential, 一 元势函数); 然后, 使用ROEWA(Ratio Of Exponentially Weighted Averages, 指数加权平 均比)算子从对数比值图像中提取边缘信息来定义标记场中邻域位置的空间相关性, 进而 定义对应的PP(Pairwise Potential, 二元势函数), 使用ICE(Iterative Conditional Estimation,。

11、 条件迭代估计)对此步中的参数进行估计; 最后使用ICM(Iteration Conditional Model, 条件迭代模型)迭代优化, 获取最终的变化检测结果图。 0004 由于第一种方法中的FCN是对各个像素进行分类, 未能充分的考虑像素之间的空 间相关性, 第二种方法考虑的是局部邻域信息之间的关系, 两种方法的检测结果不是很理 想, 即检测结果的准确度不高。 发明内容 0005 为了解决现有技术中存在的上述问题, 本发明提供了一种图像变化检测方法。 本 发明要解决的技术问题通过以下技术方案实现: 0006 本发明提供了一种图像变化检测方法, 包括: 0007 获取两时相图像, 包括:。

12、 第一图像和第二图像; 0008 利用所述两时相图像得到第一差异图像, 并对所述第一差异图像训练后得到第二 差异图像; 0009 利用MRF对所述第二差异图像进行分类后得到初始分类结果, 其中, 所述初始分类 结果包括概率值和第一分类结果; 0010 将所述概率值输入一元势函数得到第一能量, 将所述第一分类结果输入二元势函 数得到第二能量, 并对所述第一能量、 所述第二能量求和得到总能量; 说明书 1/13 页 4 CN 110111300 A 4 0011 利用CRF方法对所述总能量分割后得到第二分类结果; 0012 利用迭代法对所述第二分类结果进行循环得到最终结果。 0013 在本发明的一。

13、个实施例中, 所述第一差异图像包括第一对数差异图像和/或第一 均值差异图像; 0014 所述第二差异图像包括第二对数差异图像和/或第二均值差异图像。 0015 在本发明的一个实施例中, 利用所述两时相图像得到第一差异图像, 包括: 0016 分别计算所述第一图像、 所述第二图像上第一相同位置的像素8邻域像素值的和 得到第一像素和、 第二像素和; 0017 对所述第二像素和除以所述第一像素和的商求对数得到第一对数值, 并将所述第 一对数值作为差异图像第一相同位置上的像素值, 以得到所述第一对数差异图像。 0018 在本发明的一个实施例中, 利用所述两时相图像得到第一差异图像, 包括: 0019 。

14、分别计算所述第一图像、 所述第二图像上第一相同位置的像素8邻域像素值的和 得到第一像素和、 第二像素和; 0020 分别计算所述第一像素和、 所述第二像素和的均值, 得到第一均值、 第二均值; 0021 分别计算所述第一均值与所述第二均值的比值, 将二者中的最小值作为差异图像 第一相同位置上的像素值, 以得到所述第一均值差异图像。 0022 在本发明的一个实施例中, 利用所述两时相图像得到第一差异图像, 并对所述第 一差异图像训练后得到第二差异图像, 包括: 0023 对所述第一对数差异图像训练后得到所述第二对数差异图像; 和/或 0024 对所述第一均值差异图像训练后得到所述第二均值差异图像。

15、。 0025 在本发明的一个实施例中, 利用MRF对所述第二差异图像进行分类后得到初始分 类结果, 包括: 0026 将所述第二差异图像进行初始化; 0027 计算初始化后的所述第二差异图像的均值和方差, 再通过所述均值和方差计算出 能量函数; 0028 利用迭代法对所述能量函数进行最小化求解后得到所述初始分类结果。 0029 在本发明的一个实施例中, 将所述第二差异图像进行初始化, 包括: 0030 计算所述第二差异图像的期望值; 0031 将所述第二差异图像的期望值进行最大化求解后完成初始化。 0032 在本发明的一个实施例中, 计算初始化后的所述第二差异图像的均值和方差, 再 通过所述均。

16、值和方差计算出能量函数, 包括: 0033 分别计算所述第二差异图像的均值和方差; 0034 通过所述第二差异图像的均值和方差计算出所述第二差异图像中像素的分类能 量和像素先验能量, 并将所述分类能量和所述像素先验能量求和得到所述能量函数。 0035 在本发明的一个实施例中, 所述CRF方法的计算公式如下: 0036 0037 上式中: 说明书 2/13 页 5 CN 110111300 A 5 0038 y表示像素对应的分类类别; 0039 xd表示差异图像中对应的像素值; z表示归一化常数; 0040 S表示第二差异图像中像素的位置集合; 0041 yi表示第i个像素对应的分类; i表示行。

17、数; j表示列数; 0042 wp表示惩罚系数;i表示像素的8邻域; 表示参数。 0043 本发明的有益效果: 0044 本发明对所述第一差异图像进行模型训练后得到第二差异图像, 将所述第二差异 图像作为MRF随机场的初始检测图像, 在一定程度上抑制了噪声的干扰, 并且MRF随机场结 合CRF随机场, 对图像的空间信息和光谱信息进行了合理的利用, 提升了检测结果的准确 度。 0045 以下将结合附图及实施例对本发明做进一步详细说明。 附图说明 0046 图1是本发明实施例提供的一种图像变化检测方法的流程示意图; 0047 图2是本发明实施例提供的一种模型训练的流程示意图; 0048 图3是本发。

18、明实施例提供的一种输出初始分类结果的流程示意图; 0049 图4是本发明实施例提供的另一种模型训练的流程示意图; 0050 图5是本发明实施例提供的另一种输出初始分类结果的流程示意图。 具体实施方式 0051 下面结合具体实施例对本发明做进一步详细的描述, 但本发明的实施方式不限于 此。 0052 实施例一 0053 请参见图1, 图1是本发明实施例提供的一种图像变化检测方法的流程示意图。 0054 本发明提供一种图像变化检测方法, 包括: 0055 步骤一、 获取两时相图像, 包括: 第一图像和第二图像; 0056 具体地, 由卫星获取两幅图像作为两时相图像, 包括: 第一图像和第二图像, 。

19、分别 命名为I1和I2。 0057 步骤二、 利用所述两时相图像得到第一差异图像, 并对所述第一差异图像训练后 得到第二差异图像; 0058 对所述第一对数差异图像训练后得到所述第二对数差异图像; 和/或 0059 对所述第一均值差异图像训练后得到所述第二均值差异图像。 0060 具体地, 所述第一差异图像是指第一对数差异图像, 所述第二差异图像是指第二 对数差异图像。 0061 具体地, 分别计算所述第一图像、 所述第二图像上第一相同位置的像素8邻域像素 值的和得到第一像素和、 第二像素和; 对所述第二像素和除以所述第一像素和的商求对数 得到第一对数值, 并将所述第一对数值作为差异图像第一相。

20、同位置上的像素值, 以得到所 述第一对数差异图像。 0062 进一步地, 所述第一相同位置为所述两时相图像的所有相同位置, 例如位置(i, 说明书 3/13 页 6 CN 110111300 A 6 j), 其中, i表示行数; j表示列数。 0063 进一步地, 分别计算两幅图像即所述两时相图像I1和I2中相同位置(i, j)上像素的 8邻域像素值的和, 分别计作S1和S2, 然后对所述S1和S2取对数, 即:用这个对数值作 为差异图像(i, j)位置上的像素值, 对两幅图像相同位置上的所有像素均采取上述操作, 就 可以得到第一对数差异图像。 0064 进一步地, 对应公式如下所示: 006。

21、5 0066 上式中: 0067 (i, j)表示图像中像素的坐标; i表示行数; j表示列数; 0068 (k, l)表示图像像素8邻域内像素的坐标; i,j表示像素邻域; 0069 I1(k, l)表示图像I1中某一像素的8邻域中(k, l)位置对应的像素; 0070 I2(k, l)表示图像I2中某一像素的8邻域中(k, l)位置对应的像素; 0071 Dlog表示第一对数差异图像; 0072 进一步地, 所述8邻域是指(i, j)位置的上、 下、 左、 右、 左上、 左下、 右上、 右下。 0073 进一步地, 利用编码器对所述第一对数差异图像进行训练后得到所述第二对数差 异图像。 0。

22、074 请参见图2, 图2是本发明实施例提供的一种模型训练的流程示意图。 0075 具体地, 将所述第一对数差异图像作为训练模型的训练样本, 利用均值方差计算 模块计算出所述第一对数差异图像中每一个像素的均值和方差, 再通过所述第一对数差异 图像中每一个像素的均值和方差计算出每一个像素对应的正态分布, 对变量进行采样, 经 过生成器对所述第一对数差异图像进行重构后生成所述第二对数差异图像。 0076 其中, 所述编码器可以采用降噪自编码器、 栈式自编码器, 不同编码器对应不同的 训练网络。 0077 优选地, 本发明实施例采用变分自编码器对所述第一对数差异图像进行训练。 0078 进一步地, 。

23、所述第二对数差异图像中的分类结果图只包含两类, 变化为一类, 记作 1, 不变化为另一类, 记作2; 将分类结果进行显示的时候, 需要将变化类的1转换为真值1, 不 变化类2转换为真值0, 最终显示的图像为一个二值图像, 即只包括0和1。 0079 本发明利用变分自编码器对所述第一对数差异图像进行训练后得到所述第二对 数差异图像, 将所述第二对数差异图像作为下一步MRF随机场的初始检测图像, 在一定程度 上抑制了噪声的干扰, 提升了最终检测结果的准确度。 0080 步骤三、 利用MRF对所述第二差异图像进行分类后得到初始分类结果, 其中, 所述 初始分类结果包括概率值和第一分类结果; 0081。

24、 请参见图3, 图3是本发明实施例提供的一种输出初始分类结果的流程示意图。 0082 具体地, 将所述第二对数差异图像进行参数初始化; 计算所述第二对数差异图像 的均值和方差, 再通过所述均值和方差计算出能量函数; 利用迭代法对所述能量函数进行 最小化求解后得到所述初始分类结果。 说明书 4/13 页 7 CN 110111300 A 7 0083 进一步地, 所述迭代是用于对所述均值和方差进行数据更新, 使所述第二对数差 异图像的像素数据更接近平稳值。 0084 具体地, 将所述第二差异图像进行初始化, 包括: 计算所述第二差异图像的期望 值; 将所述第二差异图像期望值进行最大化求解后完成初。

25、始化。 0085 具体地, 使用EM(Expectation Maximization, 期望最大化)算法获取初始的分割 结果; 0086 进一步地, 所述EM算法分为两步, 对应公式如下: 0087 E步(求期望): 0088 Qi(z(i): p(z(i)|x(i); ) (2) 0089 M步(最大化): 0090 0091 上式中: 0092 Qi表示z的某种分布(例如: 高斯分布); 0093 z(i)表示像素对应的分类; 0094 x(i)表示第i个像素值; 表示参数。 0095 步骤3.2、 MRF随机场求解; 0096 具体地, 计算初始化后的所述第二差异图像的均值和方差, 再。

26、通过所述均值和方 差计算出能量函数, 包括: 分别计算所述第二差异图像的均值和方差; 通过所述第二差异图 像的均值和方差计算出所述第二差异图像中像素的分类能量和像素先验能量, 并将所述分 类能量和所述像素先验能量求和得到所述能量函数。 0097 进一步地, 根据贝叶斯公式简化得到, 对应公式如下: 0098 Largmax P(L|X)argmaxP(L)P(X|L) (4) 0099 上式中: 0100 P(L)表示图像中每个像素类别标签的先验概率; 0101 P(X|L)表示图像中每一个像素属于分类标签的条件概率密度函数; 0102 根据Hammersly-Clifford定理可知: 01。

27、03 0104 上式中: 0105 z表示归一化常数; 0106 exp表示自然对数e为底的指数函数。 0107 通过上述公式(5)计算可得所述概率值; 0108 因此, 将求最大概率问题转换成求最小能量函数问题。 0109 能量函数计算公式如下所示: 0110 minLU(L|X)minLU(X|L)+U(L) (6) 0111 上式中: 0112 U(X|L)表示一个像素属于某一分类的能量, 即根据已知的分类推算哪些像素属于 这一类; 说明书 5/13 页 8 CN 110111300 A 8 0113 U(L)表示像素属于哪一个分类的先验能量; 0114 U(X|L), U(L)对应公式。

28、如下: 0115 0116 0117 上式中: 0118 k表示第k类中像素对应的均值; 0119表示第k类中像素对应的方差; 0120 表示惩罚系数; Ni表示像素i的邻域; 0121 e以自然对数e为底的指数函数; 0122 k表示标准差(方差开平方根后的值); 0123 xi表示第i个像素; 0124 xj表示第i个像素对应的8邻域内的像素。 0125 进一步地, (l(xi),l(xj)表示Potts模型, 具体公式如下: 0126 0127 上式中: 0128 l(xi)表示第i个像素的分类; 0129 l(xj)表示第i个像素对应的8邻域内的像素分类。 0130 综上所述, 将公式。

29、(9)带入公式(8)计算得出U(L)的先验能量, 再将公式(7)和公式 (8)带入公式(6)求出能量函数, 即所述公式(6)的输出即能量函数。 将所述公式(6)输出的 能量函数带入公式(5)得到所述概率值。 0131 步骤3.2、 利用迭代法对所述能量函数进行最小化求解后得到第一分类结果; 0132 具体地, 利用ICM迭代法对所述能量函数进行最小化求解后得到第一分类结果。 0133 进一步地, 利用设置其迭代次数控制其循环迭代的程度, 设置其迭代次数为大于 20次, 当完成迭代次数后, 输出的分类结果即所述第一分类结果。 0134 优选地, 所述迭代次数为50次。 0135 具体地, 所述第。

30、一分类结果的分类结果图中只包含两类, 变化为一类, 记作1, 不变 化为另一类, 记作2; 将分类结果进行显示的时候, 需要将变化类的1转换为真值1, 不变化类 2转换为真值0, 最终显示的图像为一个二值图像, 即只包括0和1。 0136 进一步地, 所述初始分类结果包括所述概率值和所述第一分类结果。 0137 步骤四、 将所述概率值输入一元势函数得到第一能量, 将所述第一分类结果输入 二元势函数得到第二能量, 并对所述第一能量、 所述第二能量求和得到总能量; 0138 步骤4.1、 计算第一能量; 0139 具体地, 将所述概率值输入到一元势函数得到第一能量, 计算公式如下: 0140 说明。

31、书 6/13 页 9 CN 110111300 A 9 0141 上式中: 0142 yi表示第i个像素; L表示像素分类类别; l表示第几类; 0143 x表示像素x; 表示参数; 0144表示由上述公式(5)得到的概率值, 是图像中像素隶属于某一类的概率; 0145表示图像中像素和对应的分类标签之间的关系, 即第一能量。 0146 具体地, 将公式(5)得到的概率值带入上述公式(10)中得到第一能量。 0147 步骤4.2、 计算第二能量; 0148 具体地, 将所述第一分类结果输入到二元势函数得到第二能量, 计算公式如下: 0149 0150 上式中: 0151 d(xi,xj)表示图像。

32、中像素之间的欧式距离; 0152 表示d(xi,xj)的均方差; 0153 yi表示第i个像素的分类结果; 0154 yj表示第i个像素对应的8邻域内像素的分类结果; 0155 x表示像素x; 表示参数; 0156表示图像中的像素、 其对应的分类标签及其领域像素对应的分 类标签之间的关系, 即第二能量。 0157 步骤4.3、 计算总能量; 0158 具体地, 总能量为所述第一能量与所述第二能量之和, 计算公式如下: 0159 0160 上式中: 0161表示总能量。 0162 步骤五、 利用CRF方法对所述总能量分割后得到第二分类结果; 0163 具体地, 所述CRF方法是直接对后验概率建模。

33、, 求取图像对应的分类结果的一种方 法, 其对应的目标函数如下所示: 0164 0165 上式中: 0166 y表示像素对应的分类类别, 即1和2两个类; 0167 xd表示差异图像中对应的像素值; z表示归一化常数; 0168 exp表示以自然对数e为底的指数函数; x表示像素x; 0169 S表示差异图像中像素的位置集合(即像素在图像中的第几行第几列这样的一个 位置集合); 0170 yi表示第i个像素对应的分类; i表示行数; j表示列数; 说明书 7/13 页 10 CN 110111300 A 10 0171wp表示惩罚系数(用来约束); 0172 i表示像素的8邻域; 表示参数。 。

34、0173 进一步地, 将所述总能量带入上述公式(13)后得到所述第二分类结果。 0174 步骤六、 利用迭代法对所述第二分类结果进行循环得到最终结果; 0175 具体地, 利用ICM迭代法对所述第二分类结果进行最小化求解后得到最终结果。 0176 进一步地, 利用设置其迭代次数控制其循环迭代的程度, 设置其迭代次数为大于 20次, 当完成迭代次数后, 输出的分类结果即所述最终结果。 0177 优选地, 所述迭代次数为50次。 0178 本发明的有益效果: 0179 本发明对所述第一差异图像进行模型训练后得到第二差异图像, 将所述第二差异 图像作为MRF随机场的初始检测图像, 在一定程度上抑制了。

35、噪声的干扰, 并且MRF随机场结 合CRF随机场, 对图像的空间信息和光谱信息进行了合理的利用, 提升了检测结果的准确 度。 0180 实施例二 0181 请再次参见图1, 本发明提供了另一种图像变化检测方法, 包括: 0182 步骤一、 获取两时相图像, 包括: 第一图像和第二图像; 0183 具体地, 由卫星获取两幅图像作为两时相图像, 包括: 第一图像和第二图像, 分别 命名为I1和I2。 0184 步骤二、 利用所述两时相图像得到第一差异图像, 并对所述第一差异图像训练后 得到第二差异图像; 0185 对所述第一对数差异图像训练后得到所述第二对数差异图像; 和/或 0186 对所述第一。

36、均值差异图像训练后得到所述第二均值差异图像。 0187 具体地, 所述第一差异图像是指第一均值差异图像, 所述第二差异图像是指第二 均值差异图像。 0188 具体地, 分别计算所述第一图像、 所述第二图像上第一相同位置的像素8邻域像素 值的和得到第一像素和、 第二像素和; 分别计算所述第一像素和、 所述第二像素和的均值, 得到第一均值、 第二均值; 分别计算所述第一均值与所述第二均值的比值, 将二者中的最小 值作为差异图像第一相同位置上的像素值, 以得到所述第一均值差异图像。 0189 进一步地, 所述第一相同位置为所述两时相图像的所有相同位置, 例如位置(i, j), 其中, i表示行数; 。

37、j表示列数。 0190 进一步地, 分别计算两幅图像即所述两时相图像I1和I2中相同位置(i, j)上像素的 8邻域像素值的和, 分别计作S1和S2, 然后求出二者对应的均值, 再求出两个均值对应的比 值, 将二者中的最小值作为图像(i, j)位置上的像素值, 重复上述过程即可得到所述第一均 值差异图。 0191 进一步地, 对应公式如下所示: 0192 0193 上式中: 说明书 8/13 页 11 CN 110111300 A 11 0194表示图像I1的邻域灰度均值; 0195表示图像I2的邻域灰度均值; 0196 Dmean表示第一均值差异图像。 0197 进一步地, 所述8邻域是指(。

38、i, j)位置的上、 下、 左、 右、 左上、 左下、 右上、 右下。 0198 进一步地, 利用编码器对所述第一均值差异图像进行训练后得到所述第二均值差 异图像, 也可以对所述实施例一中的第一对数差异图像和所述第一均值差异图像训练后得 到所述第二均值差异图像。 0199 请参见图4, 图4是本发明实施例提供的另一种模型训练的流程示意图。 0200 具体地, 将所述第一均值差异图像作为训练模型的训练样本, 利用均值方差计算 模块计算出所述第一均值差异图像中每一个像素的均值和方差, 再通过所述第一均值差异 图像中每一个像素的均值和方差计算出每一个像素对应的正态分布, 对变量进行采样, 经 过生成。

39、器对所述第一均值差异图像进行重构后生成所述第二均值差异图像。 0201 其中, 所述编码器可以采用降噪自编码器、 栈式自编码器, 不同编码器对应不同的 训练网络。 0202 优选地, 本发明实施例采用变分自编码器对所述第一均值差异图像进行训练。 0203 进一步地, 所述第二均值差异图像中的分类结果图只包含两类, 变化为一类, 记作 1, 不变化为另一类, 记作2; 将分类结果进行显示的时候, 需要将变化类的1转换为真值1, 不 变化类2转换为真值0, 最终显示的图像为一个二值图像, 即只包括0和1。 0204 本发明利用变分自编码器对所述第一均值差异图像进行训练后得到所述第二均 值差异图像,。

40、 将所述第二均值差异图像作为下一步MRF随机场的初始检测图像, 在一定程度 上抑制了噪声的干扰, 提升了最终检测结果的准确度。 0205 步骤三、 利用MRF对所述第二差异图像进行分类后得到初始分类结果, 其中, 所述 初始分类结果包括概率值和第一分类结果; 0206 请参见图5, 图5是本发明实施例提供的另一种输出初始分类结果的流程示意图。 0207 具体地, 将所述第二均值差异图像进行参数初始化; 计算所述第二均值差异图像 的均值和方差, 再通过所述均值和方差计算出能量函数; 利用迭代法对所述能量函数进行 最小化求解后得到所述初始分类结果。 0208 进一步地, 所述迭代是用于对所述均值和。

41、方差进行数据更新, 使所述第二均值差 异图像的像素数据更接近平稳值。 0209 具体地, 将所述第二差异图像进行初始化, 包括: 计算所述第二差异图像的期望 值; 将所述第二差异图像期望值进行最大化求解后完成初始化。 0210 具体地, 使用EM算法获取初始的分割结果; 0211 进一步地, 所述EM算法分为两步, 对应公式如下: 0212 E步(求期望): 0213 Qi(z(i): p(z(i)|x(i); ) (15) 0214 M步(最大化): 0215 说明书 9/13 页 12 CN 110111300 A 12 0216 上式中: 0217 Qi表示z的某种分布(例如: 高斯分布。

42、); 0218 z(i)表示像素对应的分类; 0219 x(i)表示第i个像素值; 0220 表示参数。 0221 步骤3.2、 MRF随机场求解; 0222 具体地, 计算初始化后的所述第二差异图像的均值和方差, 再通过所述均值和方 差计算出能量函数, 包括: 分别计算所述第二差异图像的均值和方差; 通过所述第二差异图 像的均值和方差计算出所述第二差异图像中像素的分类能量和像素先验能量, 并将所述分 类能量和所述像素先验能量求和得到所述能量函数。 0223 具体地, 根据贝叶斯公式简化得到, 对应公式如下: 0224 Largmax P(L|X)argmaxP(L)P(X|L) (17) 0。

43、225 上式中: 0226 P(L)表示图像中每个像素类别标签的先验概率; 0227 P(X|L)表示图像中每一个像素属于分类标签的条件概率密度函数。 0228 根据Hammersly-Clifford定理可知: 0229 0230 上式中: 0231 z表示归一化常数; 0232 exp表示自然对数e为底的指数函数。 0233 通过上述公式(18)计算可得所述概率值; 0234 因此, 将求最大概率问题转换成求最小能量函数问题。 0235 能量函数计算公式如下所示: 0236 minLU(L|X)minLU(X|L)+U(L) (19) 0237 上式中: 0238 U(X|L)表示一个像素。

44、属于某一分类的能量, 即根据已知的分类推算哪些像素属于 这一类; 0239 U(L)表示像素属于哪一个分类的先验能量。 0240 U(X|L), U(L)对应公式如下: 0241 0242 0243 上式中: 0244 k表示第k类中像素对应的均值; 0245表示第k类中像素对应的方差; 0246 表示惩罚系数; Ni表示像素i的邻域; 说明书 10/13 页 13 CN 110111300 A 13 0247 e以自然对数e为底的指数函数; 0248 k表示标准差(方差开平方根后的值); 0249 xi表示第i个像素; 0250 xj表示第i个像素对应的8邻域内的像素。 0251 进一步地,。

45、 (l(xi),l(xj)表示Potts模型, 具体公式如下: 0252 0253 上式中: 0254 l(xi)表示第i个像素的分类; 0255 l(xj)表示第i个像素对应的8邻域内的像素分类。 0256 综上所述, 将公式(22)带入公式(21)计算得出U(L)的先验能量, 再将公式(20)和 公式(21)带入公式(19)求出能量函数, 即所述公式(19)的输出即能量函数。 0257 将所述公式(19)输出的能量函数带入公式(18)得到所述概率值。 0258 步骤3.2、 利用迭代法对所述能量函数进行最小化求解后得到第一分类结果; 0259 具体地, 利用ICM迭代法对所述能量函数进行最。

46、小化求解后得到第一分类结果。 0260 进一步地, 利用设置其迭代次数控制其循环迭代的程度, 设置其迭代次数为大于 20次, 当完成迭代次数后, 输出的分类结果即所述第一分类结果。 0261 优选地, 所述迭代次数为50次。 0262 具体地, 所述第一分类结果的分类结果图中只包含两类, 变化为一类, 记作1, 不变 化为另一类, 记作2; 将分类结果进行显示的时候, 需要将变化类的1转换为真值1, 不变化类 2转换为真值0, 最终显示的图像为一个二值图像, 即只包括0和1。 0263 进一步地, 所述初始分类结果包括所述概率值和所述第一分类结果。 0264 步骤四、 将所述概率值输入一元势函。

47、数得到第一能量, 将所述第一分类结果输入 二元势函数得到第二能量, 并对所述第一能量、 所述第二能量求和得到总能量; 0265 步骤4.1、 计算第一能量; 0266 具体地, 将所述概率值输入到一元势函数得到第一能量, 计算公式如下: 0267 0268 上式中: 0269 yi表示第i个像素; 0270 L表示像素分类类别; l表示第几类; 0271 x表示像素x; 表示参数; 0272表示由上述公式(18)得到的概率值, 是图像中像素隶属于某一类的概率; 0273表示图像中像素和对应的分类标签之间的关系, 即第一能量。 0274 具体地, 将公式(18)得到的概率值带入上述公式(23)中。

48、得到第一能量。 0275 步骤4.2、 计算第二能量; 0276 具体地, 将所述第一分类结果输入到二元势函数得到第二能量, 计算公式如下: 说明书 11/13 页 14 CN 110111300 A 14 0277 0278 上式中: 0279 d(xi,xj)表示图像中像素之间的欧式距离; 0280 表示d(xi,xj)的均方差; 0281 yi表示第i个像素的分类结果; 0282 yj表示第i个像素对应的8邻域内像素的分类结果; 0283 x表示像素x; 表示参数; 0284表示图像中的像素、 其对应的分类标签及其领域像素对应的分 类标签之间的关系, 即第二能量。 0285 步骤4.3、。

49、 计算总能量; 0286 具体地, 总能量为所述第一能量与所述第二能量之和, 计算公式如下: 0287 0288 上式中: 0289表示总能量。 0290 步骤五、 利用CRF方法对所述总能量分割后得到第二分类结果; 0291 具体地, 所述CRF方法是直接对后验概率建模, 求取图像对应的分类结果的一种方 法, 其对应的目标函数如下所示: 0292 0293 上式中: 0294 y表示像素对应的分类类别, 即1和2两个类; 0295 xd表示差异图像中对应的像素值; z表示归一化常数; 0296 exp表示以自然对数为e底的指数函数; x表示像素x; 0297 S表示差异图像中像素的位置集合(。

50、即像素在图像中的第几行第几列这样的一个 位置集合); 0298 yi表示第i个像素对应的分类; i表示行数; j表示列数; 0299wp表示惩罚系数(用来约束); 0300 i表示像素的8邻域; 表示参数。 0301 进一步地, 将所述总能量带入上述公式(26)后得到所述第二分类结果。 0302 步骤六、 利用迭代法对所述第二分类结果进行循环得到最终结果; 0303 具体地, 利用ICM迭代法对所述第二分类结果进行最小化求解后得到最终结果。 0304 进一步地, 利用设置其迭代次数控制其循环迭代的程度, 设置其迭代次数为大于 20次, 当完成迭代次数后, 输出的分类结果即所述最终结果。 030。

展开阅读全文
内容关键字: 图像 变化 检测 方法
关于本文
本文标题:图像变化检测方法.pdf
链接地址:https://www.zhuanlichaxun.net/pdf/11457426.html
关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服 - 联系我们

copyright@ 2017-2018 zhuanlichaxun.net网站版权所有
经营许可证编号:粤ICP备2021068784号-1 
 


收起
展开