一種遙感影像變化檢測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及遙感影像變化檢測技術(shù)領(lǐng)域，尤其涉及一種遙感影像變化檢測方法。
【背景技術(shù)】
[0002] 隨著多時相高分辨率遙感數(shù)據(jù)的不斷積累以及空間數(shù)據(jù)庫的相繼建立，如何從這 些遙感數(shù)據(jù)中提取和檢測變化信息已成為遙感科學(xué)和地理信息科學(xué)的重要研究課題。根 據(jù)同一區(qū)域不同時相的遙感影像，可以提取城市、環(huán)境等動態(tài)變化的信息，為資源管理與規(guī) 劃、環(huán)境保護等部門提供科學(xué)決策的依據(jù)。我國"十二五"將加大拓展實施"十一五"已啟 動實施的高分辨率對地觀測工程，關(guān)注包括高分辨率遙感目標(biāo)與空間環(huán)境特征分析及高可 靠性自動解譯等基礎(chǔ)理論與關(guān)鍵技術(shù)研究，正在成為解決國家安全和社會經(jīng)濟發(fā)展重大需 求的研究焦點。
[0003] 遙感影像的變化檢測就是從不同時期的遙感數(shù)據(jù)中，定量地分析和確定地表變化 的特征與過程。各國學(xué)者從不同的角度和應(yīng)用研究提出了許多有效的檢測算法，如變化矢 量分析法（ChangeVectorAnalysis，CVA)、基于FuzzyC-means(FCM)的聚類方法等。其 中，傳統(tǒng)的基于FCM的多時相光學(xué)遙感變化檢測，多先進行CVA變換，然后對變化矢量的幅 值進行FCM聚類，進而得到變化檢測結(jié)果。該類技術(shù)中，使用FCM的不足是僅適用于球狀或 橢球狀聚類，且對噪聲及其野值（Outlier)極為敏感。另外，僅僅使用變化矢量的幅值，使 得原始多光譜信息沒有得到充分的挖掘，不夠穩(wěn)健、精度不高。
[0004] 針對上述問題，許多學(xué)者試圖通過在FCM目標(biāo)函數(shù)中加上不同的空間鄰域的約束 來解決，但是高分辨率影像檢測環(huán)境的復(fù)雜化以及目標(biāo)先驗信息匱乏等，導(dǎo)致這些算法都 存在著一定的局限性，精度不高。為此，有必要研究新的高分辨率可見光遙感圖像變化檢測 技術(shù)來有效克服上述難點。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明所要解決的技術(shù)問題在于，提供一種遙感影像變化檢測方法，該方法是一 種聯(lián)合CVA和SAM的自適應(yīng)核FCM的多時相遙感影像變化檢測方法，本發(fā)明變化檢測結(jié)果 更加穩(wěn)健、精度較高。
[0006] 為了解決上述技術(shù)問題，本發(fā)明提供了一種遙感影像變化檢測方法，，包括：
[0007] 獲取兩時相高分辨率光學(xué)遙感影像XJPX2;
[0008] 對光學(xué)遙感影像&和X2進行影像配準(zhǔn)；
[0009] 利用多元變化檢測方法對光學(xué)遙感影像&和X2進行輻射歸一化校正；
[0010] 根據(jù)輻射歸一化校正后的光學(xué)遙感影像&和X2分別計算變化矢量幅值XΜ和光譜 角ig息
[0011] 根據(jù)變化矢量幅值ΧΜ利用Bayes原理和最大期望算法計算得到最優(yōu)分割閾值Τ;
[0012] 根據(jù)最優(yōu)分割閾值T和變化矢量幅值XM選擇偽訓(xùn)練樣本區(qū)域；
[0013] 將XM和XSA組合作為核FCM的輸入，根據(jù)所述偽訓(xùn)練樣本區(qū)域?qū)薋CM結(jié)合空間 鄰域信息模型進行最優(yōu)模型參數(shù)值選擇；
[0014] 根據(jù)選擇的最優(yōu)模型參數(shù)值，采用核FCM結(jié)合空間鄰域信息的方法，確定光學(xué)遙 感影像的變化區(qū)域和非變化區(qū)域。
[0015] 實施本發(fā)明，具有如下有益效果：本發(fā)明聯(lián)合多時相遙感影像的變化矢量幅值和 多時相的光譜角映射圖（SpectralAngleMapper，SAM)作為核FCM的輸入，再基于核FCM結(jié) 合空間鄰域信息的方法，獲取最終的變化檢測結(jié)果。其中，核FCM目標(biāo)函數(shù)中的核參數(shù)等， 通過基于CVA技術(shù)獲取的偽訓(xùn)練樣本來選擇，變化檢測結(jié)果更加穩(wěn)健、精度較高。
【附圖說明】
[0016] 為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(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。
[0017]圖1是本發(fā)明提供的遙感影像變化檢測方法的一個實施例的流程示意圖；
[0018]圖2是原始高分辨率光學(xué)遙感影像圖；
[0019] 圖3是本發(fā)明方法與其他方法的實驗結(jié)果對比圖
【具體實施方式】
[0020] 下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完 整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；?本發(fā)明中的實施例，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 實施例，都屬于本發(fā)明保護的范圍。
[0021] 圖1是本發(fā)明提供的遙感影像變化檢測方法的一個實施例的流程示意圖，本發(fā)明 是一種多時相遙感影像變化檢測方法，主要適用于高分辨率光學(xué)遙感影像，如圖1所示，本 發(fā)明包括步驟：
[0022] S101、獲取兩時相高分辨率光學(xué)遙感影像XJPX2。
[0023] 其中，ΧρX2是同一區(qū)域不同時相的兩幅高分辨率光學(xué)遙感影像。
[0024]S102、對光學(xué)遙感影像&和X2進行影像配準(zhǔn)。
[0025] 具體的，步驟S102具體包括步驟：
[0026]S1021、采用ENVI14. 8遙感軟件對光學(xué)遙感影像XJPX2進行幾何粗校正。
[0027] 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)計算誤差；(4) 選擇多項式模型；（5)采用雙線性插值進行重采樣輸出。其中的雙線性差值法為：若求未 知函數(shù)f在點P= (x，y)的值，假設(shè)我們已知函數(shù)f在Qn= (Xi，y2)，Q2i= (x2，yi)，及Q22= (x2，y2)四個點的值。如果選擇一個坐標(biāo)系統(tǒng)使得這四個點的坐標(biāo)分別為 (0, 0)、（0,1)、（1，0)和（1，1)，那么雙線性插值公式就可以表示為：
[0028] f(X，y)~f(0, 0)(1-x) (1-y)+f(1，0)X(1-y)+f(0,1) (1-x)y+f(1，1)xy。
[0029]S1022、利用自動匹配與三角剖分法對幾何粗校正后的&和X2進行幾何精校正。
[0030] 其中，三角剖分法為，采用逐點插入法構(gòu)建Delaunay三角網(wǎng)，對每一個三角形，利 用其三個頂點的行列號與其對應(yīng)的基準(zhǔn)影像同名點的地理坐標(biāo)來確定該三角形內(nèi)部的仿 射變換模型參數(shù)，對待校正影像進行糾正，得到校正后的遙感影像。
[0031] S103、利用多元變化檢測方法（MultivariateAlterationDetection，MAD)對光 學(xué)遙感影像&和X2進行輻射歸一化校正。
[0032] 具體的，步驟S103具體包括步驟：
[0033] S1031、獲取光學(xué)遙感影像XJPX2各波段亮度值的線性組合，得到變化信息增強的 差異影像；
[0034] S1032、根據(jù)所述差異影像通過閾值確定變化區(qū)域和未變化區(qū)域；
[0035] S1033、通過未變化區(qū)域?qū)?yīng)的兩時相像元對的映射方程，完成相對輻射校正。
[0036] S104、根據(jù)輻射歸一化校正后的光學(xué)遙感影像XJPX2*別計算變化矢量幅值XM和 光譜角信息XSA。
[0037] 具體的，步驟S104包括步驟：
[0038]S1041、根據(jù)輻射歸一化校正后的光學(xué)遙感影像&和X2計算得到變化矢量幅值XM。
[0039]
:，式中，B表示每一個時相遙感 影像的波段數(shù)目，（i，j)是影像的坐標(biāo)，xlb表示X:的b波段影像，X2b表示X2的b波段影像；
[0040]S1042、根據(jù)輻射歸一化校正后的光學(xué)遙感影像&和X2計算得到變化矢量幅值XM，
[0042] S105、根據(jù)變化矢量幅值XM利用Bayes原理和最大期望算法 (Expectation-Maximization，EM)計算得到最優(yōu)分割閾值T。
[0043] 具體的，步驟S105具體包括步驟：
[0044] S1051、采用最大期望算法估計XM影像上未變化類ωn的均值mn和方差σn，變化 類ω。的均值m。和方差為σ。，其中，

[0049] 式中，t表示迭代次數(shù)，t上標(biāo)表示當(dāng)前內(nèi)容的第t次迭代時的值，例如，;<I良示 111"第t+Ι次迭代時的值，其他表示類似，表示第t+Ι次迭代時的值，

I和J分別表示影像的行數(shù)和列數(shù)， 上未變化類ωη服從的高斯分布，
變化類ω。服從的高斯分布；
[0050]S1052、根據(jù)Bayes最小誤差準(zhǔn)則，求解公式
得到最優(yōu)分割閾值T。
[0051]S106、根據(jù)最優(yōu)分割閾值T和變化矢量幅值XM選擇偽訓(xùn)練樣本區(qū)域。
[0052] 具體的，步驟S106包括步驟：
[0053]S1061、根據(jù)最優(yōu)分割閾值T和變化矢量幅值XM選擇未變化類偽訓(xùn)練集樣本為 ^n={XM\x(Uj)<T-~s)·,
[0054]S1062、根據(jù)最優(yōu)分割閾值T和變化矢量幅值XM選擇變化類偽訓(xùn)練集樣本為 其中，δ為XM 動態(tài)范圍的 15%。
[0055]S107、將XM和XSA組合作為核FCM的輸入，根據(jù)所述偽訓(xùn)練樣本區(qū)域?qū)薋CM結(jié)合 空間鄰域信息模型進行最優(yōu)模型參數(shù)值選擇。
[0056] 具體的，步驟S107具體包括步驟：
[0057]S1071、將XM和XSA組合作為核FCM的輸入，構(gòu)建核FCM結(jié)合空間鄰域信息模型為：
[0058] 式中，C是聚類數(shù)目，N是樣本的總數(shù)，表示第k樣本對于第j類聚類中心的模 糊隸屬度，m為隸屬度的加權(quán)指數(shù)，
，參數(shù)α控制懲罰效果，為 ΧΜ的局部均值影像和XSA的局部均值影像的組合，
[0059] S1072、設(shè)定參數(shù)α和核參數(shù)g取值范圍，利用偽訓(xùn)練樣本集，搜索變化指數(shù)Cindex 為最小時的α和g的值作為最優(yōu)模型參數(shù)值。
[0060]
kT表示模型參 數(shù)在偽訓(xùn)練樣本集上的Kappa系數(shù)，Nn (a，g)表示在給定α和g時利用目標(biāo)函數(shù)最小化獲 取的整個影像的非變化像素個數(shù)；Nja，g)表示在給定α和g時，整個影像的變化像素個 數(shù)；TNn(a，g)表示在給定α和g時，偽訓(xùn)練樣本集中的非變化像素個數(shù)；TNja，g)表示 在給定α和g時，偽訓(xùn)練樣本集中的變化像素個數(shù)。
[0061] S108、根據(jù)選擇的最優(yōu)模型參數(shù)值，采用核FCM