一種遙感影像變化檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及遙感影像變化檢測(cè)技術(shù)領(lǐng)域，尤其涉及一種遙感影像變化檢測(cè)方法。
【背景技術(shù)】
[0002] 隨著多時(shí)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(kù)的相繼建立，如何從這 些遙感數(shù)據(jù)中提取和檢測(cè)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(shí)相的遙感影像，可以提取城市、環(huán)境等動(dòng)態(tài)變化的信息，為資源管理與規(guī) 劃、環(huán)境保護(hù)等部門(mén)提供科學(xué)決策的依據(jù)。我國(guó)"十二五"將加大拓展實(shí)施"十一五"已啟 動(dòng)實(shí)施的高分辨率對(duì)地觀測(cè)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(dòng)解譯等基礎(chǔ)理論與關(guān)鍵技術(shù)研究，正在成為解決國(guó)家安全和社會(huì)經(jīng)濟(jì)發(fā)展重大需 求的研究焦點(diǎn)。
[0003] 遙感影像的變化檢測(cè)就是從不同時(shí)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(guò)程。各國(guó)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(cè)算法，如變化矢 量分析法（ChangeVectorAnalysis，CVA)、基于FuzzyC-means(FCM)的聚類(lèi)方法等。其 中，傳統(tǒng)的基于FCM的多時(shí)相光學(xué)遙感變化檢測(cè)，多先進(jìn)行CVA變換，然后對(duì)變化矢量的幅 值進(jìn)行FCM聚類(lèi)，進(jìn)而得到變化檢測(cè)結(jié)果。該類(lèi)技術(shù)中，使用FCM的不足是僅適用于球狀或 橢球狀聚類(lèi)，且對(duì)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(méi)有得到充分的挖掘，不夠穩(wěn)健、精度不高。
[0004] 針對(duì)上述問(wèn)題，許多學(xué)者試圖通過(guò)在FCM目標(biāo)函數(shù)中加上不同的空間鄰域的約束 來(lái)解決，但是高分辨率影像檢測(cè)環(huán)境的復(fù)雜化以及目標(biāo)先驗(yàn)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(jiàn)光遙感圖像變化檢測(cè) 技術(shù)來(lái)有效克服上述難點(diǎn)。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明所要解決的技術(shù)問(wèn)題在于，提供一種遙感影像變化檢測(cè)方法，該方法是一 種聯(lián)合CVA和SAM的自適應(yīng)核FCM的多時(shí)相遙感影像變化檢測(cè)方法，本發(fā)明變化檢測(cè)結(jié)果 更加穩(wěn)健、精度較高。
[0006] 為了解決上述技術(shù)問(wèn)題，本發(fā)明提供了一種遙感影像變化檢測(cè)方法，，包括：
[0007] 獲取兩時(shí)相高分辨率光學(xué)遙感影像XJPX2;
[0008] 對(duì)光學(xué)遙感影像&和X2進(jìn)行影像配準(zhǔn)；
[0009] 利用多元變化檢測(cè)方法對(duì)光學(xué)遙感影像&和X2進(jìn)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(jì)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(jì)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(jìn)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(shí)施本發(fā)明，具有如下有益效果：本發(fā)明聯(lián)合多時(shí)相遙感影像的變化矢量幅值和 多時(shí)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(cè)結(jié)果。其中，核FCM目標(biāo)函數(shù)中的核參數(shù)等， 通過(guò)基于CVA技術(shù)獲取的偽訓(xùn)練樣本來(lái)選擇，變化檢測(cè)結(jié)果更加穩(wěn)健、精度較高。
【附圖說(shuō)明】
[0016] 為了更清楚地說(shuō)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(duì)實(shí)施例或現(xiàn) 有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本 發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)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(cè)方法的一個(gè)實(shí)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(shí)驗(yàn)結(jié)果對(duì)比圖
【具體實(shí)施方式】
[0020] 下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)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(méi)有作出創(chuàng)造性勞動(dòng)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。
[0021] 圖1是本發(fā)明提供的遙感影像變化檢測(cè)方法的一個(gè)實(shí)施例的流程示意圖，本發(fā)明 是一種多時(shí)相遙感影像變化檢測(cè)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(shí)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(shí)相的兩幅高分辨率光學(xué)遙感影像。
[0024]S102、對(duì)光學(xué)遙感影像&和X2進(jìn)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(duì)光學(xué)遙感影像XJPX2進(jìn)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(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。其中的雙線性差值法為：若求未 知函數(shù)f在點(diǎn)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(gè)點(diǎn)的值。如果選擇一個(gè)坐標(biāo)系統(tǒng)使得這四個(gè)點(diǎn)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(dòng)匹配與三角剖分法對(duì)幾何粗校正后的&和X2進(jìn)行幾何精校正。
[0030] 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(duì)每一個(gè)三角形，利 用其三個(gè)頂點(diǎn)的行列號(hào)與其對(duì)應(yīng)的基準(zhǔn)影像同名點(diǎn)的地理坐標(biāo)來(lái)確定該三角形內(nèi)部的仿 射變換模型參數(shù)，對(duì)待校正影像進(jìn)行糾正，得到校正后的遙感影像。
[0031] S103、利用多元變化檢測(cè)方法（MultivariateAlterationDetection，MAD)對(duì)光 學(xué)遙感影像&和X2進(jìn)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(qiáng)的 差異影像；
[0034] S1032、根據(jù)所述差異影像通過(guò)閾值確定變化區(qū)域和未變化區(qū)域；
[0035] S1033、通過(guò)未變化區(qū)域?qū)?yīng)的兩時(shí)相像元對(duì)的映射方程，完成相對(duì)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(jì)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(jì)算得到變化矢量幅值XM。
[0039]
:，式中，B表示每一個(gè)時(shí)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(jì)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(jì)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(jì)XM影像上未變化類(lèi)ωn的均值mn和方差σn，變化 類(lèi)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(shí)的值，例如，;<I良示 111"第t+Ι次迭代時(shí)的值，其他表示類(lèi)似，表示第t+Ι次迭代時(shí)的值，

I和J分別表示影像的行數(shù)和列數(shù)， 上未變化類(lèi)ωη服從的高斯分布，
變化類(lèi)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(lèi)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(lèi)偽訓(xùn)練集樣本為 其中，δ為XM 動(dòng)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(jìn)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(lèi)數(shù)目，N是樣本的總數(shù)，表示第k樣本對(duì)于第j類(lèi)聚類(lèi)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(shí)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(shí)利用目標(biāo)函數(shù)最小化獲 取的整個(gè)影像的非變化像素個(gè)數(shù)；Nja，g)表示在給定α和g時(shí)，整個(gè)影像的變化像素個(gè) 數(shù)；TNn(a，g)表示在給定α和g時(shí)，偽訓(xùn)練樣本集中的非變化像素個(gè)數(shù)；TNja，g)表示 在給定α和g時(shí)，偽訓(xùn)練樣本集中的變化像素個(gè)數(shù)。
[0061] S108、根據(jù)選擇的最優(yōu)模型參數(shù)值，采用核FCM