域，然后再经过与膨胀相同参数的腐蚀操作，得到两幅海陆分割二值图。
[0090] 步骤S33、对两幅海陆分割二值图进行差分计算，得到围填海区域二值图；
[0091] 步骤S34、以此围填海区域二值图对配准后待处理影像进行二值掩膜求与，得到初 步围填海区域。
[0092] 为了在一定范围内尽可能锁定围填海检测目标区域，通过海陆分割的二值图差分 初步得到围填海区域。
[0093] 步骤S40、以所获得的初步围填海区域一定邻域范围内在变换后两幅影像中所对 应的区域为后续研究对象，即感兴趣区域；
[0094] 本步骤中，如图4所示，初步围填海区域一定邻域范围可以是例如100像素的矩形 范围。
[0095] 步骤S50、基于分水岭算法对两个感兴趣区域进行分割，并根据光谱异质性对分割 后的影像进行图斑合并；
[0096] 具体地，如图5所示，包括以下步骤：
[0097] 步骤S51、基于分水岭算法对两个感兴趣区域进行分割；
[0098] 步骤S52、根据式（2)计算合并后的图斑标准差与合并前两图斑标准差之和的差， 并按面积进行加权，得到光谱异质性：
[0099]
(2)
[0100] 其中，hOTlOT表示光谱异质性，n 表示合并后的图斑像元数，n i、n2分别表示合并 前的两个图斑像元数，分别表示合并前的两个图斑的标准差，表示合并后的 图斑标准差，c表示波段总数。
[0101] 步骤S53、考虑到围填海各用地类型的特点，设置图斑阈值和光谱异质性阈值，并 将光谱异质性作为合并代价指标，判断所计算出的光谱异质性是否小于阈值；
[0102] 步骤S54、将面积或光谱异质性小于相应阈值的区域进行合并，得到两幅最终分割 图像。
[0103] 步骤S60、分别以两幅最终分割图像中的各个图斑为对象，提取其纹理特征值；另 外，考虑到围海养殖区和盐田区域的网格特征，对两幅最终分割图像进行hough变换直线 检测，得到直线数；将纹理特征值和直线数作为特征量，基于样本库神经网络判定两幅分割 后影像的地物类型。
[0104] 图像在某个颜色空间下，颜色空间的三个分类分别为Q，(：2和C 3，设m = Ck，n = Ck,，m和n分别为三个颜色分量组合空间（k，k' G {1，2,3})中的两个成分，用颜色共生矩阵 CCM^表示对图像中像素颜色成分C ,与C k，，即m与n空间相互作用的测量。假设其第k个 颜色分量值为i，即m = i，第k'个颜色分量值为j，即n = j，则用矩阵中的元素CCMnin(i, j) 来表示图像中这样的像素出现的次数，即对于颜色共生矩阵以式（3)来表示：
[0105] (3)
[0106] 其中，CCM^a，j)表示各分量组合共生矩阵。
[0107] 利用HIS变换，将影像转换到HIS颜色空间，对图像HIS各颜色分量进行L级量级 化，根据公式（3)计算各颜色分量共生矩阵，基于式（4)-(7)计算纹理特征值，即熵、逆差 矩、能量以及对比度：
[0108]
⑷
[0109] 其中，ENT表示熵，P (i，j)表示颜色共生矩阵，即CCM^a，j);
[0110]
(5)
[0111] 其中，IDM表示逆差矩；
[0112]
^6)
[0113] 其中，ASM表示能量，即角二阶矩；
[0114]
(7)
[0115] 其中，CON表示对比度，即惯性矩。
[0116] 由于在HIS颜色空间中，CCiVrCCM&yCCMu三个矩阵对纹理区分作用不大，故本 发明只采用CCMHiS、CCMHiI、CCMIiS三个矩阵进行计算。
[0117] 具体地，提前建立训练样本库，选取包括城镇建设用地、港口、养殖区、盐田、海域 及其他干扰地物的几种地物类型作为训练样本，以与上述步骤相同方法进行特征量的提 取，基于所选取的训练样本训练BP神经网络参数，并在本步骤中，基于训练好的神经网络 对各图像分割区域进行地物类型识别。
[0118] 步骤S70、基于分类结果对上述感兴趣区域进行面向对象的变化检测，根据变化检 测结果得到围填海区域。
[0119] 具体地，对不同类型的地物赋予不同属性值，根据分类后参考影像和待处理影像 感兴趣区域内对应位置属性值的变化，得到由海域变为其他用地类型的区域，即精确的围 填海区域。通过上述过程最终得到围填海区域及其用地类型信息。
[0120] 其中在训练样本库中增加围填海区域干扰地物的训练样本，可以对海陆分割中的 误检区域进行剔除，提高信息提取精度。
[0121] 实施例2
[0122] 如图5所示，为本发明另一个实施例提供的基于变化检测的围填海信息提取装置 的结构示意图，该围填海信息提取装置1〇〇包括：配准模块10、重叠区域获取模块20、初步 围填海区域计算模块30、感兴趣区域选取模块40、分割模块50、分类模块60以及检测模块 70 〇
[0123] 具体而言，配准模块10用于将采集的前期影像作为参考影像，将采集的后期影像 作为待处理影像，对所述参考影像和待处理影像进行配准，利用坐标初步配准后，获得同名 点，利用所述同名点对所述待处理影像进行仿射变换，得到变换后待处理影像；重叠区域获 取模块20用于以所述配准时的变换参数对白板图像进行变换，得到变换后白板图像，基于 所述变换后白板图像对所述参考影像进行二值掩模求与，得到所述参考影像与所述待处理 影像的重叠区域；初步围填海区域计算模块30用于在所述重叠区域中分别提取所述变换 后待处理影像和掩模后参考影像的边缘二值图，对两幅所述边缘二值图进行处理得到围填 海区域二值图，基于所述围填海区域二值图对所述变换后待处理影像进行处理，得到初步 围填海区域；感兴趣区域选取模块40用于基于所述初步围填海区域在所述参考影像和所 述待处理影像中分别选取感兴趣区域；分割模块50用于基于分水岭算法对两个所述感兴 趣区域进行分割，并基于光谱异质性对所述分割后的影像进行图斑合并；分类模块60用于 分别提取两幅所述分割后的图像的特征量，基于特征量以及样本库对所述参考影像和待处 理影像进行分类；检测模块70用于基于分类结果对所述感兴趣区域进行面向对象的变化 检测，根据检测结果得到围填海区域。
[0124] 其中，配准模块10包括：采集单元，用于分别采集不同时期的可见光影像，将前期 影像作为参考影像，将后期影像作为待处理影像；配准单元，用于根据所述参考影像和所述 待处理影像的地理坐标信息对所述参考影像和所述待处理影像进行配准，得到大致对应关 系；特征点提取单元，用于在所述大致对应关系的基础上，分别提取配准后的所述参考影像 和所述待处理影像的特征点；同名点匹配模块，用于在所述参考影像的特征点的邻域范围 内，与经初配准的所述待处理影像进行特征点匹配，获得所述参考影像和经初配准的所述 待处理影像的同名点；剔除单元，用于利用RANSAC算法对所述同名点进行粗差剔除，得到 精确的同名点；仿射变换单元，用于利用精确的同名点对所述待处理影像进行仿射变换，得 到变换后待处理影像。
[0125] 初步围填海区域计算模块30包括：边缘提取单元，用于采用基于Canny算子的边 缘提取方法分别提取所述变换后待处理影像和掩模后参考影像的边缘二值图；二值图获取 单元，用于对两幅所述边缘二值图分别进行膨胀和孔洞填充，利用小面积连通域去除海面 上的小的干扰区域，然后再经过与膨胀相同参数的腐蚀操作，得到两幅所述海陆分割二值 图；差分计算单元，用于对两幅所述海陆分割二值图进行差分计算得到围填海区域二值图； 二值计算单元，基于所述围填海区域二值图对所述待处理影像进行二值掩模求与，得到初 步围填海区域。
[0126] 以上实施例提供的技术方案中的全部或部分内容可以通过软件编程实现，其软件 程序存储在可读取的存储介质中，存储介质例如：计算机中的硬盘、光盘或软盘。
[0127] 注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解， 本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、 重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行 了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还 可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。