一种遥感影像半监督变化检测方法
【技术领域】
[0001] 本发明涉及遥感影像处理技术领域，尤其涉及一种遥感影像半监督变化检测方 法。
【背景技术】
[0002] 遥感影像的变化检测是根据同一区域不同时相的遥感影像，辨识观测对象或者现 象的状态变化过程。它已广泛应用于资源管理与规划、环境保护等诸多领域，并为相关部门 提供科学决策的依据。当前遥感影像变化检测方法主要有：代数法、变换法、分类比较法、高 级模型法、GIS集成法、视觉分析法和其它方法。
[0003] 其中代数法以其操作简单、易于实现成为当前变化检测中使用最广泛的方法之 一。其差异影像通常是通过对两幅遥感影像的某一波段进行差值、比值运算等来构造的，由 于该方法只利用了多光谱遥感影像的一个波段，未充分利用其全部有用信息，故不能较好 地反映地面真实变化情况。
[0004] 代数法的核心是阈值的选择，针对此，国内外学者提出了许多有效的方法，其中具 有代表性的为L. Bruzzone等提出一种基于统计最小错误率的Bayes判别准则的变化检测 方法，虽然该方法可使差异影像中变化与非变化像元的错分概率最小，能较好地确定变化 检测的阈值，在一些特定实例中也取得了较好的效果，然而差异影像的像元值必须服从高 斯分布，这一假设在有些情况下并不成立。
[0005] 为了避免阈值选择对变化检测造成的不利影响，有学者提出采用分类的思想进行 变化检测。该类方法是将差异影像视为变化和非变化两类像元的集合，然后利用分类器对 其进行分类，最终实现遥感影像的变化检测。由于支持向量机SVM在分类时具有较好的收 敛性和分类精度，因此已有学者将其用于变化检测中。在此基础上，F. Bovolo等提出一种改 进的渐进转导支持向量机（Progressive Transductive Support Vector Machine，PTSVM) 的遥感影像变化检测方法。其特点是每次迭代时，从离SVM分解面一定距离内的区域内选 择标记样本，另外为了选择PTSVM模型的参数，基于贝叶斯准则从待检测像元中抽取部分 容易判别的像元进行标记作为种子，即伪标签样本，然后利用这些伪标签样本并利用粒度 搜索方法寻找最优的模型参数。
[0006] 常规的PTSVM用于遥感影像的变化检测时的不足为：（1)仅使用原始影像的多光 谱信息；（2)半监督学习时，每次迭代时，侯选未样本集较大，导致学习速度较慢。
【发明内容】
[0007] 本发明所要解决的技术问题在于，提供一种遥感影像半监督变化检测方法，该 方法基于快速渐进转导支持向量机（Fast Progressive Transductive Support Vector Machine，FPTSVM)，提高了变化检测的速度和精度。
[0008] 为了解决上述技术问题，本发明提供了一种遥感影像半监督变化检测方法，包 括：
[0009] 获取两时相的原始光学遥感影像；
[0010] 对所述原始光学遥感影像进行影像配准；
[0011] 利用直方图调整方法对影像配准后的遥感影像进行辐射归一化校正；
[0012] 根据辐射归一化校正后的遥感影像计算光谱角信息；
[0013] 将所述辐射归一化校正后的遥感影像和所述光谱角信息组合，作为FPTSVM的输 入；
[0014] 采用FPTSVM方法进行学习，不断调整SVM的分类超平面，直到达到指定的学习迭 代次数或前后两次迭代后的非标记样本没有变化；
[0015] 利用最终的分类超平面确定影像的变化区域和非变化区域。
[0016] 实施本发明，具有如下有益效果：
[0017] 1)在基于FPTSVM的变化检测中，联合XSA和原始多光谱影像的波段信息作为输入， 利用这两个特征，优于仅仅使用原始多光谱影像的波段信息的SVM方法；
[0018] 2)变化检测中，FPTSVM学习过程中，仅从SVM两个分界面内的未标记样本中选择 侯选样本，选择的策略是基于区域的学习策略，即从离分解面一定距离内的区域选择样本， 从而进一步加快学习速度。可以加快变化检测的速度。当达到一定的学习次数后，输出变 化检测图像。该检测方法通过FPTSVM可以提高多时相遥感影像差异影像的分类精度及速 度。
【附图说明】
[0019] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本 发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以 根据这些附图获得其他的附图。
[0020] 图1是本发明提供的遥感影像半监督变化检测方法的一个实施例的流程示意图；
[0021] 图2是原始光学遥感影像；
[0022] 图3是本发明方法与其他方法的处理结果对比图。
【具体实施方式】
[0023] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完 整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于 本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他 实施例，都属于本发明保护的范围。
[0024] 图1是本发明提供的遥感影像半监督变化检测方法的一个实施例的流程示意图， 如图1所示，包括：
[0025] S101、获取两时相的原始光学遥感影像XJP X 2。
[0026] 其中，Χρ X2是同一区域不同时相的两幅高分辨率光学遥感影像。
[0027] S102、对所述原始光学遥感影像&和X 2进行影像配准。
[0028] 具体的，步骤S102具体包括步骤：
[0029] S1021、采用ENVI14. 8遥感软件对光学遥感影像XJP X 2进行几何粗校正。
[0030] 几何粗校正具体操作步骤为：（1)显示基准影像和待校正影像；(2)采集地面控制 点GCPs ;GCPs应均匀分布在整幅图像内，GCPs的数目至少大于等于9 ; (3)计算误差；(4) 选择多项式模型；（5)采用双线性插值进行重采样输出。
[0031] 其中的双线性差值法为：若求未知函数Π在点P = (X，y)的值，假设我们已知函 数Π在Qn= (XuylQuZ (x^y》，及Q22= (x2，y2)四个点的值。如果选 择一个坐标系统使得这四个点的坐标分别为（〇,〇)、（〇，1)、（1，〇)和（1，1)，那么双线性插 值公式就可以表示为：
[0032] η (X，y)~η (0, 0) (1-X) (1-y) +fl (1，0) X (1-y) +f (0, 1) (1-X) y+fl (1，1) xy。
[0033] S1022、利用自动匹配与三角剖分法对几何粗校正后的遥感影像&和X 2进行几何 精校正。
[0034] 其中，三角剖分法为，采用逐点插入法构建Delaunay三角网，对每一个三角形，利 用其三个顶点的行列号与其对应的基准影像同名点的地理坐标来确定该三角形内部的仿 射变换模型参数，对待校正影像进行纠正，得到校正后的遥感影像。
[0035] S103利用直方图调整方法对影像配准后的遥感影像进行辐射归一化校正。
[0036] 具体的，步骤S103包括步骤：将影像配准后的遥感影像的像素灰度值分别调整为
从而实现辐射归一化校正，
[0037] 其中，影像配准后的遥感影像各个波段服从高斯分布，μ,、〇f分别为参考影像的 像素均值和标准差，&、μ ^ σ 别为影像配准后的遥感影像的像素灰度值、均值和标准差。
[0038] 本步骤中按照公式
分别对影像配准后的遥感影像XJPX2 进行辐射归一化校正。
[0039] S104、根据辐射归一化校正后的遥感影像计算光谱角信息。
[0040] 具体的，步骤S104包括步骤：
[0041] 根据辐射归一化校正后的遥感影像&和X 2计算光谱角信息X SA，其中，
[0043] 式中，B表示每一个时相的遥感影像的波段数目，（i，j)是影像的坐标，Xlb表示Xi 的b波段影像，X2b表示X 2的b波段影像。
[0044] S105、将所述辐射归一化校正后的遥感影像和所述光谱角信息组合，作为FPTSVM 的输入。
[0045] 具体的，将辐射归一化校正后的遥感影像Xi、X2和光谱角信息组合XSA组合为i ,作 为FPTSVM的输入。
[0046] S106、采用FPTSVM方法进行学习，不断调整SVM的分类超平面，直到达到指定的学 习迭代次数或前后两次迭代后的非标记样本没有变化。
[0047] 具体的，步骤S106包括步骤：
[0048] S1061、建立拉格朗日函数为
[0051] 式中，Xi为标记矢量，标记y {±1}，i = 1，2,…，n，n为标记矢量个数，-1表示 没有变化类，+1表示变化类，<为转导矢量，相应的伪标记为乂，j = 1，2, ···，!!!，m为转导 矢量个数，k( ·，·）表示核函数，C和分别表示对有标记样本和转导样本的惩罚参数，α =(α η α 2，…，α η)和
分别表示两个拉格朗日乘数；
[0052] S1062、建立分类决策函数为
式 中d是一个常数，表示分类超平面的偏移量；
[0053] S1063、进行FPTSVM的归纳学习阶段：利用已知标记的样本， 获取初始的超平面h。和两个分类边界h p h2，此时候选的转导样本集合
，式中，U。是非标记样本集合；其中，当迭代归纳学习时， 在第k+Ι次迭代时，标记样本集更新为：
候选转导样本集合为
代的转导样本集，/(Μ分别表示第k次迭代的分类边界；[0054] S1064、进行FPTSVM的转导学习阶段：将转导样本的惩罚参数设置为： ，式中，ψf和平-分别表不第k次迭 k k,
，式中，是初始的惩罚参数，
C是初始的有标记样 本的惩罚参数，k表示迭代的次数，0彡k彡G，G是最大的迭代次数；其中，在FPTSVM