一种无监督的异质遥感图像变化检测方法与流程

本发明属于遥感图像处理和模式识别技术领域，具体涉及一种无监督的异质遥感图像变化检测方法。

背景技术：

变化检测在遥感影像应用中起着重要的作用，它是一种通过处理在同一地理区域不同时间获取的两幅卫星图像来识别地表覆盖变化的技术。随着来自遥感卫星的数据提供了获取不同分辨率土地信息的机会，这种技术被广泛应用到各个领域，例如自然灾害引起的区域变化检测，城市规划，灾害快速评估等领域。

一般根据是否需要训练样本，变化检测可分为有监督和无监督两类。有监督的检测方法需要大量的先验信息(地面真实变化的数据信息)，以此训练分类器进而进行变化检测。但通常情况下，由于训练样本收集费时费力且灾害发生具有未知性与危险性，人们在第一时间无法获取准确、大量的先验信息，而无监督的方法则不需要除图像外的多余信息，所以基于无监督的变化检测方法具有重要研究意义。

在过去的几十年中，很多遥感变化检测技术都是基于同质的，有许多基于同质变化检测的优秀方法被提出、实现。近些年来，随着不同类型的对地卫星数量增加、云层厚度或辐射的影响，变化检测得到的两幅图像往往是异质的，但异质图像成像原理不同，故不能直接进行比较检测。

技术实现要素：

本发明的目的是提供一种无监督的异质遥感图像变化检测方法，以解决两幅异质遥感图像不能直接比较的问题。

本发明采用以下技术方案：一种无监督的异质遥感图像变化检测方法，包括以下步骤：

将事件前图像中的像素点预分类，并将预分类结果映射到事件后图像中，得到事件后图像中每个像素点的预分类结果；

找出事件后图像预分类结果中的变化聚类，并对该变化聚类进行二次聚类，结合预分类结果和变化聚类二次聚类后的聚类结果生成事件后图像的最终聚类结果；

根据事件后图像的最终聚类结果生成矩阵d，对矩阵d进行fcm分类，得出fcm分类结果，根据fcm分类结果训练出随机森林分类器，采用该随机森林分类器对事件后图像中的每个像素进行分类，得出事件后图像中每个像素的最终分类结果。

进一步地，具体包括以下步骤：

步骤1、通过k均值聚类算法将事件前图像分为n个聚类，得到事件前图像中每个像素点的预分类结果；将预分类结果映射到事件后图像中，得到事件后图像中每个像素点的预分类结果；

步骤2、计算事件后图像中每个聚类的堆方差及所有聚类的堆方差均值，找出堆方差值高于堆方差均值的聚类作为变化聚类，并对该变化聚类进行二次聚类，得出事件后图像的最终聚类结果；

步骤3、根据最终聚类结果重新计算出每个聚类的聚类中心，计算出每个聚类中每个像素点与该聚类中心的距离，并组成矩阵d；

步骤4、对矩阵d中的每个距离进行fcm分类，得出fcm分类结果，找出fcm分类结果中高置信度像素点，组成样本集；

步骤5、根据样本集训练出随机森林分类器，采用该随机森林分类器对事件后图像中的每个像素进行分类，得出事件后图像中每个像素的最终分类结果。

进一步地，步骤1中具体通过c⁽ⁱ⁾：＝argminj||x⁽ⁱ⁾-μj||²对事件前图像进行预分类，

其中，c⁽ⁱ⁾：为第i个像素点到其所属聚类的聚类中心之间的距离，x⁽ⁱ⁾为第i个像素点，μj为聚类中心点。

进一步地，步骤2的具体方法为：

步骤2.1、将事件后图像中每个聚类中的所有像素的灰度平均值作为其聚类中心；

步骤2.2、根据步骤2.1中得出的聚类中心计算出该聚类的堆方差值；

步骤2.3、根据步骤2.2中得出的所有聚类的堆方差值计算出所有聚类的堆方差均值；

步骤2.4、比较每个聚类的堆方差值和堆方差均值的大小，将堆方差值大于堆方差均值的聚类作为变化聚类；

步骤2.5、通过k均值聚类算法将步骤2.4中得出的变化聚类进行二次聚类，将该变化聚类分为变化子聚类和非变化子聚类，将变化子聚类的聚类中心作为变化聚类的聚类中心，并得出事件后图像的最终聚类结果。

进一步地，步骤3中通过d＝||yi-centeri||计算得出变化聚类中每个像素点与聚类中心的距离，其中，yi为第i个像素点的灰度值，centeri为聚类中心的灰度值。

进一步地，步骤4中高置信度像素点为置信度大于0.95的像素点。

本发明的有益效果是：本发明结合特征级和像素级的异质遥感图像变化检测方法(cfp)，充分利用了不同级别的优点，减少了单一级别使用的缺点，并提升变化区域的检测精度，解决了两幅异质遥感图像不能直接比较的问题；本发明为无监督方法，节省了选择、标记训练样本所需的大量人力和时间，可以在第一时间获取某地区的事后变化信息，且采用筛选分类结果作为训练样本的无监督变化检测方法，减少了先验信息对变化检测的限制、影响。

【附图说明】

图1基于无监督的异质遥感图像变化检测流程图；

图2不同方法的异质遥感图像变化检测结果图。

【具体实施方式】

下面结合附图和具体实施方式对本发明进行详细说明。

本发明公开了一种无监督的异质遥感图像变化检测方法，将事件前图像中的像素点预分类，并将预分类结果映射到事件后图像中，得到事件后图像中每个像素点的预分类结果；找出事件后图像预分类结果中的变化聚类，并对该变化聚类进行二次聚类，结合预分类结果和变化聚类二次聚类后的聚类结果生成事件后图像的最终聚类结果；根据事件后图像的最终聚类结果生成矩阵d，对矩阵d进行fcm分类，得出fcm分类结果，根据fcm分类结果训练出随机森林分类器，采用该随机森林分类器对事件后图像中的每个像素进行分类，得出事件后图像中每个像素的最终分类结果。

异质遥感图像中的像素点属性不同，不能直接进行比较，本发明提出一种结合特征级和像素级的异质遥感图像变化检测方法(cfp)，通过特征级粗糙聚类和像素级特定分类相结合，可以显示出强大的互补性。

该方法主要由两部分组成：第一部分为粗分类。

通过k均值聚类算法(k-means)将事件前图像x粗略地聚类成n个聚类，将聚类结果映射到事件后图像y上，并计算y的堆方差、堆均值方差，将堆方差高于平均方差的堆单独进行二次k-means聚类，更新堆的聚类中心；计算各个堆中像素点与聚类中心的距离d；

第二部分为细分类。由距离d进行fcm分类，根据fcm获得的概率选择具有高置信度的样本。之后，将训练相对精确的随机森林分类器，其用于对其余不确定像素对进行分类。

如图1所示，本方法具体包括以下步骤：

步骤1、通过k均值聚类算法将事件前图像分为n个聚类，参数n根据待处理的事件前图像x来设置，一般有n>1，得到事件前图像中每个像素点的预分类结果。

将得到的事件前预分类结果映射到事件后图像y中(即对于事件前图像中的像素，我们可以找到其精确的聚类标签，然后在事件后图像中相同位置处的相应像素将被标记为相同的聚类标签。)，得到事件后图像中每个像素点的预分类结果。

在上述处理中，我们在假设两个图像之间没有变化的情况下预测事件后图像y的聚类标签。两幅异质遥感图像中，未变化区域在整幅图像中占较大比例。

k-means算法是将样本聚类成n个簇(cluster)，具体算法描述如下：

随机选取n个聚类质心点(clustercentroids)为u1，u2，u3，...，uk，∈r⁽ⁿ⁾，r⁽ⁿ⁾表示实数集。对于每一个像素点x⁽ⁱ⁾，具体通过c⁽ⁱ⁾：＝argminj||x⁽ⁱ⁾-μj||²对事件前图像进行预分类，其中，c⁽ⁱ⁾：为第i个像素点到其所属聚类的聚类中心之间的距离，x⁽ⁱ⁾为第i个像素点，μj为聚类中心点。

对于每一个类j，计算该类的中心点μj，重新计算每个像素点到聚类质心点的距离c⁽ⁱ⁾：，对此距离进行聚类，直到中心点不再移动或达到重复次数上限，其中，

步骤2、计算事件后图像中每个聚类的堆方差及所有聚类的堆方差均值，找出堆方差值高于堆方差均值的聚类作为变化聚类，并对该变化聚类进行二次聚类，得出事件后图像的最终聚类结果，具体方法为：

步骤2.1、由于图像y中的聚类是通过映射获取的，因此它们没有特定的聚类中心。因此，我们通过计算所有像素的灰度平均值来获得每个聚类中心的值，即将事件后图像中每个聚类中的所有像素的平均值作为其聚类中心。

步骤2.2、根据步骤2.1中得出的聚类中心计算出该聚类的堆方差值。

在获取相应像素y的聚类标签的过程中，我们假设y没有被改变。然后可以认为像素x的簇标签也适合于对应的像素y。得到聚类中心后计算每个堆的方差，并计算n个堆得平均方差。

步骤2.3、根据步骤2.2中得出的所有聚类的堆方差值计算出所有聚类的堆方差均值。

步骤2.4、比较每个聚类的堆方差值和堆方差均值的大小，将堆方差值大于堆方差均值的聚类作为变化聚类。变化聚类数和选参n有关，一般为1个，若有多个变化聚类则每个类都要二次聚类。

步骤2.5、通过k均值聚类算法将步骤2.4中得出的变化聚类进行二次聚类，即对堆再次进行k-means聚类，将该变化聚类分为变化子聚类和非变化子聚类，将变化子聚类的聚类中心作为变化聚类的聚类中心，并得出事件后图像的最终聚类结果。

步骤3、根据所述最终聚类结果重新计算出每个聚类的聚类中心，计算出每个聚类中每个像素点与该聚类中心的距离，并组成矩阵d。

我们基于欧氏距离比较y和它所属的聚类中心，将欧式距离d存放在某特定矩阵d中，为下一步骤fcm分类做准备。可知当y不变，则它与聚类中心之间的差异较小，相反，如果像素y已经改变，则距离将更大。

通过d＝||yi-centeri||计算得出变化聚类中每个像素点与聚类中心的距离，其中，yi为第i个像素点的灰度值，centeri为聚类中心的灰度值。

步骤4、对矩阵d中的每个距离进行fcm分类，得出fcm分类结果，对于每个像素，分类结果无非有两类，一类是像素变化了，另一类是像素没变化，并且根据fcm分类结果可以得出某一像素变化的置信度和未变化的置信度，将变化的像素成为类，未变化的像素成为c类。

fcm可以在没有监督的情况下将数据分组到群集中，群集中的数据具有相同或高度相似的字符，但与其他群集中的数据不同。

该算法是迭代优化，其最小化如下定义的成本函数：

其中，隶属度矩阵，如果第j个聚类中像素点xj属于类别i，则u中的元素为1；否则，该元素取0。vi是第i个类的聚类中心，m指的是模糊加权系数，n为聚类数，n为像素点总数。和vi由下式更新：

fcm由几个随机聚类中心初始化，并收敛以找到代表成本函数最小值vi。

找出fcm分类结果中高置信度像素点，组成样本集。高置信度像素点为置信度大于0.95的像素点。

在挑选训练样本时，排序后选择可能大于0.95的变化像素作为u，然后我们根据以下规则选择变换样本。

t＝λ×u，λ∈(0，1)，为了平衡两种样本，未改变样本的数量由下式定义，其中，

步骤5、对样本集采用随机森林分类，得到更精确的分类结果。随机森林算法(rrf)是一种基于统计学习理论的算法。它是一系列决策树的组合(这里是cart决策树)。分类结果是根据一个发展良好的随机森林分类器获得的大多数投票结果，如下式：

f(xt)＝majorityvote{hi(x)}(i＝1；2；...，k)，

根据样本集训练出随机森林分类器，采用该随机森林分类器对事件后图像中的每个像素进行分类，得出事件后图像中每个像素的最终分类结果。

所以，结合特征级和像素级，我们得出一种基于无监督的异质遥感图像变化检测技术，对全体样本粗分类，选取方差高于平均值的样本类进行细分类，随后挑选部分作为训练样本，训练分类器后进行变化检测，通过这项工作，有望解决异质变化检测的部分难题并提高无监督变化检测的准确率。

实施例：实际异质遥感图像变化检测我们通过一组真实的异质遥感图像实验证明本发明的有效性和准确性。如图2(a)和图2(b)表示，两幅图像均来自英国格洛斯特，尺寸为590×330，其中ndvi图像拍摄于1999年9月9日洪水之前，spot图像于2000年10月21日洪水发生后获取。图2(c)是真实发生变化区域的参考图。我们将本发明、无监督的先分类后比较方法(pcc)和基于聚类的无监督方法进行比较，比较结果见图2(d)、图2(e)和图2(f)。

图中白色像素点代表变化的区域而黑色像素点代表没有发生变化的区域。图2(d)中，pcc方法先对地物信息进行分类后再进行比较，检测的准确率受分类准确率影响较大，通常准确率较低。基于无监督的聚类方法能够检测出大部分变化的区域，但引入了大量的虚警像素点(实际没有变化却被检测成变化的像素点)。然而通过我们方法得到的变化检测结果准确率较高，细节保持清晰完整，图中虚警和漏检像素点的数量都很少，这是由于细分类结果作为训练样本准确率较高，减小了错误训练样本产生的影响。

表1是对两种方法变化检测结果精确度的评估，其中ra是准确率，rm是漏检率，rf是虚警率，kappa系数能够全面地反应变化检测的精确度。

其中，na是正确检测到的已更改像素数，nd是由所提出的措施检测变化像素的总数，nm是未在实验检测到的变化像素的数目，nc为变化像素地面实况图像中的总数量，nf是被错误地检测为已更改的像素数。

通过本发明得到的异质遥感图像变化检测结果同参考图像比较，漏检率rm和虚警率rf明显降低，并且kappa系数比较理想，超过了85％。

表1不同方法变化检测结果精确度评估

注：基于聚类的无监督方法结果为本项发明方法fcm分类后的结果。