一種遙感影像變化檢測方法
【技術領域】
[0001] 本發明涉及遙感影像變化檢測技術領域，尤其涉及一種遙感影像變化檢測方法。
【背景技術】
[0002] 隨著多時相高分辨率遙感數據的不斷積累以及空間數據庫的相繼建立，如何從這 些遙感數據中提取和檢測變化信息已成為遙感科學和地理信息科學的重要研究課題。根 據同一區域不同時相的遙感影像，可以提取城市、環境等動態變化的信息，為資源管理與規 劃、環境保護等部門提供科學決策的依據。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，關注包括高分辨率遙感目標與空間環境特征分析及高可 靠性自動解譯等基礎理論與關鍵技術研究，正在成為解決國家安全和社會經濟發展重大需 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據中，定量地分析和確定地表變化 的特征與過程。各國學者從不同的角度和應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，傳統的基于FCM的多時相光學遙感變化檢測，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果。該類技術中，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，不夠穩健、精度不高。
[0004] 針對上述問題，許多學者試圖通過在FCM目標函數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境的復雜化以及目標先驗信息匱乏等，導致這些算法都 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 技術來有效克服上述難點。
【發明內容】
[0005] 本發明所要解決的技術問題在于，提供一種遙感影像變化檢測方法，該方法是一 種聯合CVA和SAM的自適應核FCM的多時相遙感影像變化檢測方法，本發明變化檢測結果 更加穩健、精度較高。
[0006] 為了解決上述技術問題，本發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遙感影像XJPX2;
[0008] 對光學遙感影像&和X2進行影像配準；
[0009] 利用多元變化檢測方法對光學遙感影像&和X2進行輻射歸一化校正；
[0010] 根據輻射歸一化校正后的光學遙感影像&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分割閾值Τ;
[0012] 根據最優分割閾值T和變化矢量幅值XM選擇偽訓練樣本區域；
[0013] 將XM和XSA組合作為核FCM的輸入，根據所述偽訓練樣本區域對核FCM結合空間 鄰域信息模型進行最優模型參數值選擇；
[0014] 根據選擇的最優模型參數值，采用核FCM結合空間鄰域信息的方法，確定光學遙 感影像的變化區域和非變化區域。
[0015] 實施本發明，具有如下有益效果：本發明聯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 合空間鄰域信息的方法，獲取最終的變化檢測結果。其中，核FCM目標函數中的核參數等， 通過基于CVA技術獲取的偽訓練樣本來選擇，變化檢測結果更加穩健、精度較高。
【附圖說明】
[0016] 為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現 有技術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 發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以 根據這些附圖獲得其他的附圖。
[0017]圖1是本發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遙感影像圖；
[0019] 圖3是本發明方法與其他方法的實驗結果對比圖
【具體實施方式】
[0020] 下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完 整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基于 本發明中的實施例，本領域普通技術人員在沒有作出創造性勞動前提下所獲得的所有其他 實施例，都屬于本發明保護的范圍。
[0021] 圖1是本發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遙感影像，如圖1所示，本 發明包括步驟：
[0022] S101、獲取兩時相高分辨率光學遙感影像XJPX2。
[0023] 其中，ΧρX2是同一區域不同時相的兩幅高分辨率光學遙感影像。
[0024]S102、對光學遙感影像&和X2進行影像配準。
[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)顯示基準影像和待校正影像；(2)采集地面控制 點GCPs;GCPs應均勻分布在整幅圖像內，GCPs的數目至少大于等于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f在點P= (x，y)的值，假設我們已知函數f在Qn= (Xi，y2)，Q2i= (x2，yi)，及Q22= (x2，y2)四個點的值。如果選擇一個坐標系統使得這四個點的坐標分別為 (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，采用逐點插入法構建Delaunay三角網，對每一個三角形，利 用其三個頂點的行列號與其對應的基準影像同名點的地理坐標來確定該三角形內部的仿 射變換模型參數，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、根據所述差異影像通過閾值確定變化區域和未變化區域；
[0035] S1033、通過未變化區域對應的兩時相像元對的映射方程，完成相對輻射校正。
[0036] S104、根據輻射歸一化校正后的光學遙感影像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、根據輻射歸一化校正后的光學遙感影像&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 影像的波段數目，（i，j)是影像的坐標，xlb表示X:的b波段影像，X2b表示X2的b波段影像；
[0040]S1042、根據輻射歸一化校正后的光學遙感影像&和X2計算得到變化矢量幅值XM，
[0042] S105、根據變化矢量幅值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，t上標表示當前內容的第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和列數， 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Bayes最小誤差準則，求解公式
得到最優分割閾值T。
[0051]S106、根據最優分割閾值T和變化矢量幅值XM選擇偽訓練樣本區域。
[0052] 具體的，步驟S106包括步驟：
[0053]S1061、根據最優分割閾值T和變化矢量幅值XM選擇未變化類偽訓練集樣本為 ^n={XM\x(Uj)<T-~s)·,
[0054]S1062、根據最優分割閾值T和變化矢量幅值XM選擇變化類偽訓練集樣本為 其中，δ為XM 動態范圍的 15%。
[0055]S107、將XM和XSA組合作為核FCM的輸入，根據所述偽訓練樣本區域對核FCM結合 空間鄰域信息模型進行最優模型參數值選擇。
[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，構建核FCM結合空間鄰域信息模型為：
[0058] 式中，C是聚類數目，N是樣本的總數，表示第k樣本對于第j類聚類中心的模 糊隸屬度，m為隸屬度的加權指數，
，參數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、設定參數α和核參數g取值范圍，利用偽訓練樣本集，搜索變化指數Cindex 為最小時的α和g的值作為最優模型參數值。
[0060]
kT表示模型參 數在偽訓練樣本集上的Kappa系數，Nn (a，g)表示在給定α和g時利用目標函數最小化獲 取的整個影像的非變化像素個數；Nja，g)表示在給定α和g時，整個影像的變化像素個 數；TNn(a，g)表示在給定α和g時，偽訓練樣本集中的非變化像素個數；TNja，g)表示 在給定α和g時，偽訓練樣本集中的變化像素個數。
[0061] S108、根據選擇的最優模型參數值，采用核FCM