一種遙感影像半監(jiān)督變化檢測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及遙感影像處理技術(shù)領(lǐng)域，尤其涉及一種遙感影像半監(jiān)督變化檢測方 法。
【背景技術(shù)】
[0002] 遙感影像的變化檢測是根據(jù)同一區(qū)域不同時(shí)相的遙感影像，辨識觀測對象或者現(xiàn) 象的狀態(tài)變化過程。它已廣泛應(yīng)用于資源管理與規(guī)劃、環(huán)境保護(hù)等諸多領(lǐng)域，并為相關(guān)部門 提供科學(xué)決策的依據(jù)。當(dāng)前遙感影像變化檢測方法主要有：代數(shù)法、變換法、分類比較法、高 級模型法、GIS集成法、視覺分析法和其它方法。
[0003] 其中代數(shù)法以其操作簡單、易于實(shí)現(xiàn)成為當(dāng)前變化檢測中使用最廣泛的方法之 一。其差異影像通常是通過對兩幅遙感影像的某一波段進(jìn)行差值、比值運(yùn)算等來構(gòu)造的，由 于該方法只利用了多光譜遙感影像的一個波段，未充分利用其全部有用信息，故不能較好 地反映地面真實(shí)變化情況。
[0004] 代數(shù)法的核心是閾值的選擇，針對此，國內(nèi)外學(xué)者提出了許多有效的方法，其中具 有代表性的為L. Bruzzone等提出一種基于統(tǒng)計(jì)最小錯誤率的Bayes判別準(zhǔn)則的變化檢測 方法，雖然該方法可使差異影像中變化與非變化像元的錯分概率最小，能較好地確定變化 檢測的閾值，在一些特定實(shí)例中也取得了較好的效果，然而差異影像的像元值必須服從高 斯分布，這一假設(shè)在有些情況下并不成立。
[0005] 為了避免閾值選擇對變化檢測造成的不利影響，有學(xué)者提出采用分類的思想進(jìn)行 變化檢測。該類方法是將差異影像視為變化和非變化兩類像元的集合，然后利用分類器對 其進(jìn)行分類，最終實(shí)現(xiàn)遙感影像的變化檢測。由于支持向量機(jī)SVM在分類時(shí)具有較好的收 斂性和分類精度，因此已有學(xué)者將其用于變化檢測中。在此基礎(chǔ)上，F(xiàn). Bovolo等提出一種改 進(jìn)的漸進(jìn)轉(zhuǎn)導(dǎo)支持向量機(jī)（Progressive Transductive Support Vector Machine，PTSVM) 的遙感影像變化檢測方法。其特點(diǎn)是每次迭代時(shí)，從離SVM分解面一定距離內(nèi)的區(qū)域內(nèi)選 擇標(biāo)記樣本，另外為了選擇PTSVM模型的參數(shù)，基于貝葉斯準(zhǔn)則從待檢測像元中抽取部分 容易判別的像元進(jìn)行標(biāo)記作為種子，即偽標(biāo)簽樣本，然后利用這些偽標(biāo)簽樣本并利用粒度 搜索方法尋找最優(yōu)的模型參數(shù)。
[0006] 常規(guī)的PTSVM用于遙感影像的變化檢測時(shí)的不足為：（1)僅使用原始影像的多光 譜信息；（2)半監(jiān)督學(xué)習(xí)時(shí)，每次迭代時(shí)，侯選未樣本集較大，導(dǎo)致學(xué)習(xí)速度較慢。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明所要解決的技術(shù)問題在于，提供一種遙感影像半監(jiān)督變化檢測方法，該 方法基于快速漸進(jìn)轉(zhuǎn)導(dǎo)支持向量機(jī)（Fast Progressive Transductive Support Vector Machine，F(xiàn)PTSVM)，提高了變化檢測的速度和精度。
[0008] 為了解決上述技術(shù)問題，本發(fā)明提供了一種遙感影像半監(jiān)督變化檢測方法，包 括：
[0009] 獲取兩時(shí)相的原始光學(xué)遙感影像；
[0010] 對所述原始光學(xué)遙感影像進(jìn)行影像配準(zhǔn)；
[0011] 利用直方圖調(diào)整方法對影像配準(zhǔn)后的遙感影像進(jìn)行輻射歸一化校正；
[0012] 根據(jù)輻射歸一化校正后的遙感影像計(jì)算光譜角信息；
[0013] 將所述輻射歸一化校正后的遙感影像和所述光譜角信息組合，作為FPTSVM的輸 入；
[0014] 采用FPTSVM方法進(jìn)行學(xué)習(xí)，不斷調(diào)整SVM的分類超平面，直到達(dá)到指定的學(xué)習(xí)迭 代次數(shù)或前后兩次迭代后的非標(biāo)記樣本沒有變化；
[0015] 利用最終的分類超平面確定影像的變化區(qū)域和非變化區(qū)域。
[0016] 實(shí)施本發(fā)明，具有如下有益效果：
[0017] 1)在基于FPTSVM的變化檢測中，聯(lián)合XSA和原始多光譜影像的波段信息作為輸入， 利用這兩個特征，優(yōu)于僅僅使用原始多光譜影像的波段信息的SVM方法；
[0018] 2)變化檢測中，F(xiàn)PTSVM學(xué)習(xí)過程中，僅從SVM兩個分界面內(nèi)的未標(biāo)記樣本中選擇 侯選樣本，選擇的策略是基于區(qū)域的學(xué)習(xí)策略，即從離分解面一定距離內(nèi)的區(qū)域選擇樣本， 從而進(jìn)一步加快學(xué)習(xí)速度?？梢约涌熳兓瘷z測的速度。當(dāng)達(dá)到一定的學(xué)習(xí)次數(shù)后，輸出變 化檢測圖像。該檢測方法通過FPTSVM可以提高多時(shí)相遙感影像差異影像的分類精度及速 度。
【附圖說明】
[0019] 為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實(shí)施例或現(xiàn) 有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本 發(fā)明的一些實(shí)施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以 根據(jù)這些附圖獲得其他的附圖。
[0020] 圖1是本發(fā)明提供的遙感影像半監(jiān)督變化檢測方法的一個實(shí)施例的流程示意圖；
[0021] 圖2是原始光學(xué)遙感影像；
[0022] 圖3是本發(fā)明方法與其他方法的處理結(jié)果對比圖。
【具體實(shí)施方式】
[0023] 下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完 整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；?本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他 實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。
[0024] 圖1是本發(fā)明提供的遙感影像半監(jiān)督變化檢測方法的一個實(shí)施例的流程示意圖， 如圖1所示，包括：
[0025] S101、獲取兩時(shí)相的原始光學(xué)遙感影像XJP X 2。
[0026] 其中，Χρ X2是同一區(qū)域不同時(shí)相的兩幅高分辨率光學(xué)遙感影像。
[0027] S102、對所述原始光學(xué)遙感影像&和X 2進(jìn)行影像配準(zhǔn)。
[0028] 具體的，步驟S102具體包括步驟：
[0029] S1021、采用ENVI14. 8遙感軟件對光學(xué)遙感影像XJP X 2進(jìn)行幾何粗校正。
[0030] 幾何粗校正具體操作步驟為：（1)顯示基準(zhǔn)影像和待校正影像；(2)采集地面控制 點(diǎn)GCPs ;GCPs應(yīng)均勻分布在整幅圖像內(nèi)，GCPs的數(shù)目至少大于等于9 ; (3)計(jì)算誤差；(4) 選擇多項(xiàng)式模型；（5)采用雙線性插值進(jìn)行重采樣輸出。
[0031] 其中的雙線性差值法為：若求未知函數(shù)Π在點(diǎn)P = (X，y)的值，假設(shè)我們已知函 數(shù)Π在Qn= (XuylQuZ (x^y》，及Q22= (x2，y2)四個點(diǎn)的值。如果選 擇一個坐標(biāo)系統(tǒng)使得這四個點(diǎn)的坐標(biāo)分別為（〇,〇)、（〇，1)、（1，〇)和（1，1)，那么雙線性插 值公式就可以表示為：
[0032] η (X，y)~η (0, 0) (1-X) (1-y) +fl (1，0) X (1-y) +f (0, 1) (1-X) y+fl (1，1) xy。
[0033] S1022、利用自動匹配與三角剖分法對幾何粗校正后的遙感影像&和X 2進(jìn)行幾何 精校正。
[0034] 其中，三角剖分法為，采用逐點(diǎn)插入法構(gòu)建Delaunay三角網(wǎng)，對每一個三角形，利 用其三個頂點(diǎn)的行列號與其對應(yīng)的基準(zhǔn)影像同名點(diǎn)的地理坐標(biāo)來確定該三角形內(nèi)部的仿 射變換模型參數(shù)，對待校正影像進(jìn)行糾正，得到校正后的遙感影像。
[0035] S103利用直方圖調(diào)整方法對影像配準(zhǔn)后的遙感影像進(jìn)行輻射歸一化校正。
[0036] 具體的，步驟S103包括步驟：將影像配準(zhǔn)后的遙感影像的像素灰度值分別調(diào)整為
從而實(shí)現(xiàn)輻射歸一化校正，
[0037] 其中，影像配準(zhǔn)后的遙感影像各個波段服從高斯分布，μ,、〇f分別為參考影像的 像素均值和標(biāo)準(zhǔn)差，&、μ ^ σ 別為影像配準(zhǔn)后的遙感影像的像素灰度值、均值和標(biāo)準(zhǔn)差。
[0038] 本步驟中按照公式
分別對影像配準(zhǔn)后的遙感影像XJPX2 進(jìn)行輻射歸一化校正。
[0039] S104、根據(jù)輻射歸一化校正后的遙感影像計(jì)算光譜角信息。
[0040] 具體的，步驟S104包括步驟：
[0041] 根據(jù)輻射歸一化校正后的遙感影像&和X 2計(jì)算光譜角信息X SA，其中，
[0043] 式中，B表示每一個時(shí)相的遙感影像的波段數(shù)目，（i，j)是影像的坐標(biāo)，Xlb表示Xi 的b波段影像，X2b表示X 2的b波段影像。
[0044] S105、將所述輻射歸一化校正后的遙感影像和所述光譜角信息組合，作為FPTSVM 的輸入。
[0045] 具體的，將輻射歸一化校正后的遙感影像Xi、X2和光譜角信息組合XSA組合為i ,作 為FPTSVM的輸入。
[0046] S106、采用FPTSVM方法進(jìn)行學(xué)習(xí)，不斷調(diào)整SVM的分類超平面，直到達(dá)到指定的學(xué) 習(xí)迭代次數(shù)或前后兩次迭代后的非標(biāo)記樣本沒有變化。
[0047] 具體的，步驟S106包括步驟：
[0048] S1061、建立拉格朗日函數(shù)為
[0051] 式中，Xi為標(biāo)記矢量，標(biāo)記y {±1}，i = 1，2,…，n，n為標(biāo)記矢量個數(shù)，-1表示 沒有變化類，+1表示變化類，<為轉(zhuǎn)導(dǎo)矢量，相應(yīng)的偽標(biāo)記為乂，j = 1，2, ···，!!!，m為轉(zhuǎn)導(dǎo) 矢量個數(shù)，k( ·，·）表示核函數(shù)，C和分別表示對有標(biāo)記樣本和轉(zhuǎn)導(dǎo)樣本的懲罰參數(shù)，α =(α η α 2，…，α η)和
分別表示兩個拉格朗日乘數(shù)；
[0052] S1062、建立分類決策函數(shù)為
式 中d是一個常數(shù)，表示分類超平面的偏移量；
[0053] S1063、進(jìn)行FPTSVM的歸納學(xué)習(xí)階段：利用已知標(biāo)記的樣本， 獲取初始的超平面h。和兩個分類邊界h p h2，此時(shí)候選的轉(zhuǎn)導(dǎo)樣本集合
，式中，U。是非標(biāo)記樣本集合；其中，當(dāng)?shù)鷼w納學(xué)習(xí)時(shí)， 在第k+Ι次迭代時(shí)，標(biāo)記樣本集更新為：
候選轉(zhuǎn)導(dǎo)樣本集合為
代的轉(zhuǎn)導(dǎo)樣本集，/(Μ分別表示第k次迭代的分類邊界；[0054] S1064、進(jìn)行FPTSVM的轉(zhuǎn)導(dǎo)學(xué)習(xí)階段：將轉(zhuǎn)導(dǎo)樣本的懲罰參數(shù)設(shè)置為： ，式中，ψf和平-分別表不第k次迭 k k,
，式中，是初始的懲罰參數(shù)，
C是初始的有標(biāo)記樣 本的懲罰參數(shù)，k表示迭代的次數(shù)，0彡k彡G，G是最大的迭代次數(shù)；其中，在FPTSVM