文摘

本文提出了一种新的自动多瞬时遥感图像的变化检测方法基于2 d-otsu算法提高了萤火虫算法。该方法旨在自动提取变化区域两个时间之间的遥感图像。首先,两个不同的时序遥感图像是通过遥感图像差值法;然后,2 d-otsu阈值分割的原理进行了分析和最优阈值2 d-otsu阈值分割方法是发现通过使用萤火虫算法,图像的区别在哪里进行二进制分类获取改变类别和nonchanging类别;最后,该方法是用来进行变化检测实验两个选定的区域,在各种方法进行了比较。实验结果表明,该方法能有效和快速提取变化区域两个时间之间的遥感图像;因此,它是一个有效的遥感图像的变化检测方法。

1。介绍

随着社会的发展和技术,人类活动改变了地表景观及其每天利用模式。人口的快速增长和频繁的自然灾害也加速了这种变化的速度。因此,迅速和有效地监测这种变化的信息和分析的特点、原因、影响和结果的变化对全球可持续发展意义重大(1]。遥感技术的出现和发展提供了技术支持迅速和有效地监控这些变化的信息。遥感图像的变化检测旨在获取所需的表面特性的变化的信息分析和处理两个或多个同一地区在不同时期的遥感影像(2,3]。目前,遥感图像的变化检测技术已广泛应用于许多领域,如灾难评估(4),土地利用/覆盖监测[5),环境变化监测6农业调查[],7)、城市规划(8]。

目前,许多方法已经提出了遥感图像的变化检测。目前变化检测主要包括两种策略:直接比较和postclassification比较,postclassification比较的策略是一种方法分类(监督或无监督方法)不同时间同一区域的图像分类结果比较和分析,以获取变化信息的位置和类型。这种策略的优点是减少nonfeature变化的影响因素,但变化检测精度通过这种策略实质上等于两个分类精度值的乘积,和每个时间的分类误差分类结果将被放大的过程中比较,因此不可避免地夸大变化的程度。与此同时,通常是更复杂和难以获得高精度的分类结果,导致精度低和不确定的变化检测结果(9]。因此,直接比较的策略一直强调在研究变化检测。直接比较是一个策略来获得不同图像通过直接操作和交流不同时间的像素值在同一地区的遥感影像,校准,以找出变化的区域通过分析图像的差异。在分析这些差异的图像,这将是最简单的直接使用一维阈值处理方法,但门槛不高的加工精度10,11]。为了提高加工精度的阈值,许多学者提出了一维阈值选择方法扩展到二维(2 d)。目前,许多二维阈值选择方法了,比如2 d熵(二维最大熵、二维最小交叉熵)(12),2 d-otsu [13),和2 d最大模糊熵(14),但它仍然是很难选择阈值的二维直方图,不懈探索的努力已经由许多学者。为了解决这个问题,许多学者试图实现快速优化二维阈值相结合的二维阈值分割方法和优化算法。沈et al。15),郑et al。16,阿利姆et al。17]试图找出最优二维最大熵阈值,分别通过遗传算法,蚁群算法,算法粒子群优化算法,和ABCO(人工蜂群优化)。钱使用PSO算法寻找最优阈值的2 d-otsu [18]。田和曾利用QPSO(研究粒子游优化)算法进行图像阈值分割结合二维最大模糊熵(19]。QPSO算法PSO算法的应用,蜜蜂蜂群算法,蚁群算法和遗传算法提高了计算的速度阈值,但优化结果可能不准确,因为这些算法容易陷入局部极值。

萤火虫算法(20.杨提出的是一个全局优化算法,可以克服容易陷入局部最优的问题。陈等人。21)和Alomoush et al。22),分别应用了萤火虫算法寻找最优阈值,然后用于图像分割,取得了良好的分割结果。考虑到快速萤火虫算法的全局搜索能力和良好的分割结果2 d-otsu阈值分割方法,本文段差图像的阈值通过梳理萤火虫算法和2 d-otsu阈值方法来获取二进制变化检测地图。

2。该方法的体系结构和问题公式化

假设和是同一地区的遥感图像在不同的时间吗和接受标准产品预处理和coregistration;遥感图像的大小。该方法的最终目的是生成二进制改变地图。该方法包括三个步骤:建筑的差异形象;基于萤火虫算法的阈值优化;和代的最终二进制改变地图。

首先,它是建筑的差异图像。目前,有两种方法,即图像代数运算和图像变换,构造差分图像。基于图像代数运算的方法包括差分法、比例法,差分法和比例法的结合;基于图像变换的方法包括主成分分析,改变矢量分析和相关分析。由于图像代数运算方法需要简单的算法,但可以获得精度高,本文应用图像代数运算的图像差分法,可以表示如下: 在哪里的区别是构造图像。

第二,它是萤火虫阈值的优化。获取图像的区别后,图像的差异需要进行分析以获取二进制改变地图。二进制分类,通过阈值分割是一种最常用的方法。通过一维直方图是最简单的方法,选择阈值的主要方法是大津算法。然而,大津算法不使用本地空间数据图像的分割将无效,当图像受到噪声干扰或灰度分布的十字路口。因此,许多学者已经扩展到二维的方法,和取得更好的分割结果23]。为此,本文使用2 d-otsu算法来分析不同图像。然而,与之相比,一维直方图的阈值选择,2 d-otsu算法需要大量和长时间的计算。为了解决上述问题,介绍了萤火虫算法优化2 d-otsu算法的阈值。

第三,它是一代的最后二进制改变地图。后找出2 d-otsu算法的最优阈值,阈值分割得到差分图像获取二进制两颞遥感图像变化检测的地图。

3所示。变化检测是基于2 d-otsu算法提高了萤火虫算法

3.1。2 d-otsu阈值分割方法

图像的大小差异是,在那里,图像的灰度,平均灰度的像素附近也分成的水平。二元组是通过计算得到的平均灰度在每个像素点附近,也就是说,灰度值的像素点及其邻域的平均灰度值。假设二元组的概率是;相应的联合概率密度可以被定义为(13,24] 在哪里是像素的数量的不同形象,,

假设有两类,即(改变类别)在二维直方图(nonchanging类别),以及两个不同的概率密度分布函数。设置阈值;然后,的概率和如下所示:

相应的平均向量和是

总平均向量的二维直方图

通常,远离概率直方图对角线可以忽略不计;然后,它可以认为在两个方面:;和;有,在那里

定义一个类间散布矩阵:

使用的痕迹作为一个类间散布矩阵的测量;然后,2 d-otsu阈值的函数对应于不同的图像可以被定义为 通过使用公式(8),它可以简化成 在哪里,。

相对应的细分标准2 d-otsu阈值分割方法来最大化2 d-otsu函数为了获得最优阈值。

3.2。2 d-otsu基于萤火虫算法的阈值分割方法

为了解决这个问题,2 d-otsu阈值分割方法需要大量和长时间的计算,本文应用了萤火虫算法的阈值优化2 d-otsu阈值分割方法,提出了2 d-otsu基于萤火虫算法的阈值分割方法,以转换2 d-otsu阈值分割的阈值选择方法2 d-otsu函数的优化基于萤火虫算法。

萤火虫算法(25提出的),杨在剑桥大学,是一个仿生群智能优化算法通过模拟萤火虫的自然行为。该算法的特点是简单的参数设置,高精度优化和强大的全局优化(20.]。萤火虫算法的原理是模拟自然界中萤火虫个体通过搜索空间点。在优化过程中,通过使用萤火虫的趋光性特点,搜索和优化过程模拟成萤火虫个体的吸引力和运动过程,在问题的目标函数来衡量的优点萤火虫个体的位置。换句话说,问题的目标函数转化为萤火虫寻求最大亮度。适者生存的过程中萤火虫个体也可行解的迭代过程过程中目标函数的优化。因此,萤火虫算法可以快速进行全局优化(21]。

萤火虫算法包含两个主要元素:亮度和吸引力,在亮度反映了萤火虫的位置的优点和确定萤火虫个体的运动方向,而吸引力决定了萤火虫个体的运动距离。通过不断更新和迭代的亮度和吸引力,目标函数的最优解可以实现(21,26,27]。萤火虫算法,相对荧光亮度的萤火虫个体被定义为 在哪里萤火虫的最大荧光亮度,是吸引光强度系数,通常设置为一个常数;之间的空间距离是萤火虫吗和,也就是说,,在那里和分别是萤火虫的空间位置和。

萤火虫的吸引程度定义为 在哪里萤火虫是最大的吸引力。

如果萤火虫是萤火虫所吸引和走向萤火虫的位置,它可以被定义在下面的公式: 在哪里步长因子是一个常数之间;之间的均匀分布随机因素是;是随机干扰避免过早陷入局部最优。

通过设置2 d-otsu函数萤火虫算法的目标函数,优化结果萤火虫算法的位置萤火虫的最大亮度和是所需的阈值。实现过程如下:(1)萤火虫算法的基本参数进行初始化。萤火虫的数量设置为,其中最大的吸引力吸引力,光线强度系数因素是,步骤,迭代的最大数量;(2)通过随机初始化萤火虫的位置,计算2 d-otsu函数值对应于每一个萤火虫,以目标函数为他们的亮度与最大亮度萤火虫的位置;(3)计算的相对亮度和吸引程度基于(的萤火虫12)和(13),并确定其运动方向根据相对亮度;(4)更新的空间位置萤火虫基于公式(14),进行随机干扰萤火虫在最好的位置;(5)重新计算萤火虫的亮度根据萤火虫的更新位置;(6)当达到最大数量的搜索,去(6);否则,搜索的数量应该加1;然后,去(3)在接下来的搜索;(7)输出的位置和亮度萤火虫最大亮度,和段差图像通过作为一个阈值。

4所示。实验和结果

4.1。实验数据的描述

为了验证该方法的有效性和可靠性的优点以及该方法的操作速度,本文选择两组实验数据集,这两个是Landsat5 TM遥感图像空间分辨率为30米。数据集是由国际科学与技术数据镜像网站,中国科学院计算机网络信息中心,(http://www.gscloud.cn/)。

第一组数据集包含两个当地的Landsat5 TM遥感图像在江西省鄱阳湖,如图1(一)和1 (b)。数据1(一)和1 (b)7月15日,分别获得1989年1月14日,2010年,和两个遥感图像的大小为510×510像素,灰度256;他们引用改变地图如图1 (c),黑色区域变化的区域,被改变,190687像素和69413像素保持不变。

第二组数据集包含两个Landsat5 TM遥感图像的湖南省洞庭湖的当地,如图4(一)和4 (b)。数据4(一)和4 (b)分别是,7月19日,1991年10月24日,2009年,和两个遥感图像的大小是610×610像素,灰度256;他们引用改变地图如图4 (c),黑色区域变化的区域,被改变,270004像素和102096像素保持不变。

4.2。变化检测的结果和分析

该方法由两个实验方案验证。第一个实验方案,分别应用差分法、比例法、差分法的组合和构造差分图像和使用比例方法改进的2 d-otsu算法基于萤火虫算法分割得到的二进制改变地图,在那里,几个实验,萤火虫算法的参数设置如下:萤火虫的数量= 50,最初的吸引程度、光强度系数,一步因素和迭代的最大数量。第二个实验方案,分别应用提出2 d-otsu提高了萤火虫算法的二维最大熵和二维最大模糊熵过程区别图像从图像差分法来获得二进制改变地图。为了定量评估方法的准确性,错误检测率、漏检率,和整体出错率作为评价因素(2]。

在第一个实验方案,2 d-otsu算法提出了改进的萤火虫算法基于两组数据集,分别处理不同图像构造通过差分法、比例法,结合差分法和比例方法来获取二进制改变地图,检测结果如图2和5,变化检测精度如表所示1和3。从表可以看出1和3,方法的差异导致了最小数量的像素错误,其次是结果产生的组合方法,和比率方法导致的最大像素数量错误。根据三个评价因素,即总体错误检测率、漏检率,和总体错误率,产生的差异图像图像差分法可以得到更好的变化检测结果。此外,从图可以看出5,检测结果比方法产生大量的错过和假改变像素元素;虽然产生的检测组合方法减少了错误检测的次数,这导致大量的错过检测;差分法的检测结果没有产生大量的虚假或错过检测;因此,它是更接近参考地图。

第二实验方案,2 d-otsu算法的二维最大熵和二维最大模糊熵改进的基于两组数据集的萤火虫算法处理图像的差异从图像差分法获得二进制改变地图,检测结果如图3和6,变化检测精度之间的比较结果基于三种方法如表所示2和4。从表可以看出2和4,虽然检测结果基于二维最大熵和二维最大模糊熵错误检测率很低,许多改变像素元素被错过了。错过的基于二维最大熵法的检出率在80%以上,而错过了基于二维最大模糊速率的检出率在55%和65%之间。错误检测率和错过了基于该方法的检出率较低,其中的错误检测率保持在3%以下,和错过的检测率保持在13%以下。也可以看到数据3和6与参考改变地图相比,二进制基于二维最大熵变化检测结果和二维模糊最大熵修改的像素数量显示元素。

从两个实验方案可以看出,该方法是一种有效和可靠的多瞬时遥感图像的变化检测方法。

5。结论

阈值处理是一种有效的方法来检测多瞬时变化的遥感图像。一维阈值可以简单实现,但是阈值的准确性不高。为了提高检测的精度变化,2 d-otsu算法用于多瞬时遥感图像的变化检测。然而,2 d-otsu算法困难阈值选择和需要大量的计算;因此,介绍了萤火虫算法进行阈值优化2 d-otsu算法,从多瞬时遥感图像的自动变化检测方法基于2 d-otsu算法通过萤火虫算法提出了改进。首先,本文首先应用图像差分法来构造图像的区别,和阈值进行优化2 d-otsu算法利用萤火虫算法;然后,2 d-otsu算法被用来分割阈值二进制图像得到的差异变化映射,最后错误的检出率,错过的检出率和总体错误率分别用来评估检测结果的准确性。

为了验证有效性、可靠性和操作方法的速度优势,一些变化检测实验的两组数据集,结果是与基于二维最大熵的变化检测方法和二维最大模糊熵。实验结果表明,变化检测精度(总体错误率)该方法的平均4.74%,比基于二维最大熵方法的检测精度(22.61%)和二维最大模糊熵方法(16.31%)。因此,该方法可以有效地、准确地识别多瞬时变化区域的遥感图像。当然,仍然需要进一步研究如何设置初始参数的萤火虫,从而降低nonoptimal初始参数对阈值优化的影响。

利益冲突

作者宣称没有利益冲突有关的出版。

确认

本研究工作得到了国家自然科学基金(没有。41161071),教育部研究云南省基金(没有。2013 j062),奖学金奖优秀博士生颁发云南。作者想表达他们的感谢匿名审稿人的建设性意见。