0
点赞
收藏
分享

微信扫一扫

基于数学形态学多属性特征的高光谱变化检测

基于数学形态学多属性特征的高光谱变化检测

一、引言

流程图
图1. 提出算法的流程图

不同时相背景下的高光谱变化检测是一项具有挑战性的任务。由于背景特征的复杂性,传统基于光谱域的变化检测算法不能有效地检测变化特征。为了充分利用空间信息,提出了一种利用多形态属性进行高光谱变化检测的新方法。

二、贡献

  1. 设计了一种双通道变换检测框架,利用特征域检测结果引导光谱域检测结果,实现多域检测结果的有效融合;
  2. 首次将数学形态学中的max-tree和min-tree引入高光谱变化检测中,提取多时相高光谱图像的不同属性特征;
  3. 基于光谱域特征,提出了一种基于光谱角加权的局部绝对距离(SALA)方法,有效地提取光谱域的变化特征;

三、背景

区别于多光谱图像和全色图像,高光谱传感器可以同时收集到具有空间信息和光谱信息的三维立体数据,连续的光谱特征为地物的检测和识别创造了条件。多时相高光谱图像可以提供相同成像场景下的连续光谱变化信息,这些突出的优势使得高光谱在变化检测技术中发挥了重要作用。

分析现有的高光谱变化检测方法可以发现,当前基于高光谱的变化检测算法空间信息利用率低,忽略了背景地物和变化地物的之间的空间几何信息。近年来,基于形态学的方法在高光谱图像处理中显示出了巨大的潜力。数学形态学具有对光照、阴影和噪声等干扰因素的鲁棒性,在多时相数据特征提取中具有先天优势。

四、方法

形态学属性可以直接用于描述与物体相关的连通区域。最大树(max-tree)和最小树(min-tree)可以构造一个用于探索地物变化的形态学特征空间,这使得利用图像的纹理和空间信息成为可能。

最大树和最小树的处理主要包括三个步骤:(1)树的构建,(2)滤波/剪枝,(3)图像重建。形态学方法主要用于处理自然图像,如果对高光谱图像的每个波段都进行形态学滤波处理,会产生非常高的特征维度空间,造成“维数灾难”。因此,首先采用PCA对高光谱图像进行降维处理,并选择第一主成分进行形态学特征提取。

最大树和最小树根据连通区域内的像素值来构建,可以表示物体的反射率强度的层次关系。在最大树中,其值从根节点到叶节点逐渐增大,即叶节点的值大于根节点的值。但在最小树中,离叶节点越近,其值越小,具体如下图2所示。
图2 最大树和最小树结构说明
图2. 最大树和最小树结构说明

在构造最大树和最小树后,采用滤波/剪枝策略来保留满足要求的叶节点分支,并删除不满足要求的叶节点分支。剪枝策略就是根据设定特定的阈值,把大于等于阈值的节点予以保留,不满足条件的节点则被剪切掉。剪枝策略可用于测量区域极值的存在,具体过程如图3所示。

图2
图3. 利用最大树策略进行剪枝及影像重构具体过程

特征域: 由这些形态学特征堆叠而成的高维数据中,特征向量构成的“伪光谱”不能用于地物的识别,因此采用AD算法进行变化检测信息提取;
光谱域: 由于8邻域像素具有光谱相似性和空间相似特征,基于光谱域图像特征,设计了SALA检测器,充分提取光谱域变化检测信息:
引导滤波: 利用特征域检测结果引导光谱域检测结果,保持图像平滑,修正光谱域检测结果;

五、结果

如下图4所示,为Yancheng数据集中,不同检测算法在虚警率设置为0.15时的二值检测结果图。
在这里插入图片描述
图4. Yancheng数据集中不同检测算法的二值检测结果。(a) AD. (b) AAD. ( c) SCD. (d) LSCS. (e) ASCD. ( f ) SALA. (g) MaxtreeCD. (h) MintreeCD. (i) Ground Truth.

图5 则展示了Yancheng数据集中不同检测算法的3D检测结果,具体如下,
在这里插入图片描述
图5 Yancheng数据集中不同检测算法的 3D 检测结果。(a) AD. (b) AAD. ( c) SCD. (d) LSCS. (e) ASCD. (f) SALA. (g) MaxtreeCD. (h) MintreeCD. (i) Ground Truth.

在四组实验数据中,对不同检测算法的检测结果进行实验分析,证明了形态学特征的引入可以有效地提高当前高光谱变化检测的有效性,具体 AUC值 如下所示。

表1. 不同数据集下各种检测算法的AUC值结果对比
在这里插入图片描述

六、结论

本文提出了一种新的空谱特征融合的双通道变化检测框架。通过形态学属性特征的引入,有效地缩小了不同时相数据中非变化地物信息的差异性,同时提高了空间信息的利用率。针对不同时相中的光谱特征,设计了SALA探测算法,有效地提高了光谱域检测结果,最后通过引导滤波算法将多域检测结果融合,进一步地提高了变化检测精度。

七、下载

下面是本文的下载网址和论文源代码,具体如下:

论文链接: https://ieeexplore.ieee.org/document/9469924
DOI: 10.1109/TGRS.2021.3090802
开源代码链接: https://github.com/zephyrhours/Hyperspectral-Change-Detection-Based-on-Multiple-Morphological-Profiles

如果代码对您有所帮助,请引用并注明出处,引入格式如下:

Plain Text

BibTex

更多信息请关注个人网址,如有其他问题可以随时邮件联系,欢迎学习交流心得!

举报

相关推荐

0 条评论