一种多时相遥感图像变化检测方法
【技术领域】
[0001] 本发明属于数字图像处理技术领域，具体涉及一种基于SURF特征点和支持向量 机的多时相遥感图像变化检测方法，适用于土地利用、城市规划及军事目标监测等领域中 的数字图像处理。
【背景技术】
[0002] 遥感图像变化检测是通过分析同一目标或区域的多时相遥感图像，从中获取变化 的信息。随着空间遥感技术的发展，遥感变化检测已被广泛应用于土地利用、灾害评估与预 测、地理数据库更新、气候监测、军事目标监测等领域，对于推动环境保护、经济发展、社会 发展和国防建设起到了重要的作用。
[0003] 遥感图像变化检测方法，总体上分为监督变化检测及非监督变化检测等两类。非 监督变化检测是直接对两个不同时相的同一区域的遥感数据进行比较，不需要有关研究区 域的任何先验知识，这一点在遥感变化检测实际应用中显得尤为重要，对非监督变化检测 方法的研究，已经成为当前变化检测方法研究的热点。非监督变化检测首先对两时相遥感 图像进行预处理（空间配准、辐射校正等）；然后通过求差、求比，或者主成分分析、变化矢 量分析变换等方法获得差分图像；最后对差分图像进行分割来确定变化和非变化区域，从 而得到最终的变化检测结果。
[0004] 学者们提出了很多种遥感非监督变化检测方法，常见的一类是基于聚类的遥感 图像变化检测方法。"Multiscalechangedetectioninmultitemporalsatellite images'，，T.Celik，IEEEGeoscienceandRemoteSensingLetters，6 (4)，820 ~824， 2009，proposedanunsupervisedchangedetectiontechniquebyconducting k-means(k= 2)clusteringonfeaturevectorswhichareextractedusingthe subbandsoftheUDWTdecompositionofthedifferenceimage( "基于多尺度分析的 多时相卫星图像变化检测"，图尔盖.赛因切利克，地球科学与遥感快报，第六卷第4期，第 820~824页，2009年提出一种基于多尺度分析的多时相卫星图像非监督变化检测方法， 首先构造差分图像并对差分图像实施非抽样离散小波分解从而提取特征向量，然后再利 用k(k= 2)均值聚类的方法对特征向量进行分类，最后得到变化及非变化区域）。"Fuzzy clusteringalgorithmsforunsupervisedchangedetectioninremotesensing images'，，A.GhoshandN.S.MishraandS.Ghosh,InformationSciences，181 (4)，699 ~ 715,2011，proposedanunsupervisedcontext-sensitivetechniquesusingfuzzy clusteringapproachfordetectingchangesinmultitemporal,multispectralremote sensingimages.Thetechniqueisbasedonfuzzyclusteringapproachandtakes careofspatialcorrelationbetweenneighboringpixelsofthedifferenceimage producedbycomparingtwoimagesacquiredonthesamegeographicalareaat differenttimes( "基于模糊聚类的遥感图像非监督变化检测"，阿希什.戈什、尼尔纳德 瑞.谢卡尔.米什拉、莎士米塔.戈什，信息科学，第一百八十一卷第4期，第699~715页， 2011年提出采用模糊聚类的方法实现一种上下文相关的多时相多光谱遥感图像非监督变 化检测技术。该技术首先对同一地域不同时相的遥感图像进行比较以构造差分图像，然后 基于差分图像中像素的光谱值并结合相邻像素间的空间相关性、采用模糊聚类的方法对差 分图像进行分类，最后得到变化及非变化区域）。
[0005] 遥感图像成像时由各种原因所产生的噪声对变化检测的性能有着很大的影响。上 述利用聚类的方法进行变化检测时，当噪声较强时，其检测性能会受到很大的影响，导致变 化检测的准确性差。
【发明内容】
[0006] 为克服上述基于聚类的遥感图像变化检测方法存在的问题，本发明提出一种多时 相遥感图像变化检测方法，它能有效地、准确地检测出变化和非变化区域，降低噪声对变化 检测精度造成的不利影响，提高遥感图像变化检测的精确度。
[0007] 本发明所要解决的技术问题是通过这样的技术方案实现的，它包括有以下步骤：
[0008] 1、输入两幅已经过预处理的多时相遥感图像^及I2，并通过计算两幅图像间对应 位置像素光谱值差值的绝对值构造差分图像Id，所述预处理包括空间配准和辐射校正；
[0009] 2、分别从图像1及12中检测SURF特征点（加速稳健特征点（SpeededUpRobust Features，SURF)，以下简称为特征点），得到特征点集合S2;
[0010] 3、对集合S1与集合S2中的特征点进行匹配，得到集合SrS2间相互匹配的特征点 集合M1、M2，以及不能相互匹配的特征点集合R1、R2;集合Mi、M2中的特征点一一对应、构成相 互匹配的特征点对，其中為=M1U鳥艇,门片=※，尾M2ni?2 =:0;
[0011] 4、提取非变化类像素样本
[0012] 对集合I、112中的每个特征点，计算其在差分图像Id中对应位置的像素的亮度值 并归入非变化类像素样本集合Su;
[0013] 5、提取变化类像素样本
[0014] 将集合R1A2合并为集合T，并计算T中每个像素点在差分图像I,中对应位置的像 素的亮度值并归入集合G;假定集合T中的像素由非变化类、未标记类及变化类像素构成， 且每类像素的亮度均服从高斯分布，分别记为矣）、，(§1/，3,右）， 则总体亮度直方图应为三维混合高斯分布：
[0015] Z(g) = II"2,《) +w3iV(gI/'3，《）
[0016]式中，Z(g)表示三维混合高斯分布，gGG为像素亮度值；Wl、Wjw3分别是非变 化类、未标记类及变化类像素高斯分布在混合高斯中的权重；W(g，本）表示非变化类像 素的亮度服从均值为、方差为f的高斯分布；#)表示未标记类像素的亮度服 从均值为y2、方差为矣的高斯分布；A?(g丨表示变化类像素的亮度服从均值为y3、 方差为#的高斯分布；
[0017] 利用EM算法对上述模型的相关参数进行求解，最终将集合G中符合下式的像素亮 度值归入变化类像素样本集合S。：
[0018] Sc={gIgGG且g彡y「3 5 3}
[0019] 6、依据步骤4所得的非变化类像素样本集合Su和步骤5所得的变化类像素样本 集合S。构造训练集StMin、测试集Stast;再构造相应的训练集标签Ltrain、测试集标签Ltast，其 中集合Ltrain中的元素全为0且同集合StMin的大小相等，集合Ltest中的元素全为1且同集 合Stest的大小相等；最后在对测试集Strain、训练集Stest进行预处理的基础上训练一个支持 向量机分类模型Msvm;
[0020] 7、依据步骤6所得的支持向量机分类模型Msvni对差分图像Id的所有像素进行分 类，得到变化及非变化区域，最终的变化检测结果将以二值变化检测掩膜的形式体现，其中 值为〇的像素表示未发生变化的类别，值为1的像素表示发生变化的类别。
[0021 ] 由于多时相遥感图像变化检测的全部变化信息由若干局部地物的变化信息综合 构成，SURF特征点是图像特征的局部表达，能够很好地反映出图像的局部特殊性，且对图像 噪声也具有较好的鲁棒性。本发明采用基于SURF特征点和支持向量机的多时相遥感图像 变化检测方法，将SURF局部特征点和支持向量机应用于变化检测，突破传统遥感变化检测 方法的约束，与现有的遥感变化检测方法相比，本发明具有以下优点：
[0022] (1)本发明通过将SURF特征点用于变化检测，能有效地克服噪声对变化检测精度 造成的不利影响，有利于对背景较为复杂的遥感图像进行处理，提高了变化检测的精确度。
[0023] (2)本发明不需要有关遥感数据分布的任何先验知识，能适用于更多类型的遥感 数据。
[0024] (3)本发明采用支持向量机分类模型，充分利用了支持向量机具有的良好的泛化 性能，使本发明具有良好的鲁棒性。
【附图说明】
[0025] 图1是本发明的流程图；
[0026] 图2是第一时相遥感图像；
[0027] 图3是第二时相遥感图像；
[0028] 图4是参考变化图；
[0029] 图5是用现有的多尺度分析方法对图2和图3进行变化检测的结果；
[0030] 图6是用现有的模糊聚类的方法对图2和图3进行变化检测的结果；
[0031] 图7是用本发明的方法对图2和图3进行变化检测的结果。
【具体实施方式】
[0032] 下面结合附图和实施例对本发明作进一步说明：
[0033] 如图1所示，本发明【具体实施方式】的步骤如下：
[0034] 步骤1，计算差分图像
[0035] 输入两幅经过预处理的多时相遥感图像^及12，定义差分图像1,中位于第i行第 j列的像素的亮度值为两幅图像间对应位置（i，j)处像素光谱值I1Q,j)和I2(i，j)差值 的绝对值，即：
[0036] Id(i,j) =IIi(i,j)-I2(i,j) (I)
[0037] 式（I)中，I彡i彡H,