一种遥感影像变化检测方法
【技术领域】
[0001] 本发明涉及遥感影像变化检测技术领域，尤其涉及一种遥感影像变化检测方法。
【背景技术】
[0002] 随着多时相高分辨率遥感数据的不断积累以及空间数据库的相继建立，如何从这 些遥感数据中提取和检测变化信息已成为遥感科学和地理信息科学的重要研究课题。根 据同一区域不同时相的遥感影像，可以提取城市、环境等动态变化的信息，为资源管理与规 划、环境保护等部门提供科学决策的依据。我国"十二五"将加大拓展实施"十一五"已启 动实施的高分辨率对地观测工程，关注包括高分辨率遥感目标与空间环境特征分析及高可 靠性自动解译等基础理论与关键技术研究，正在成为解决国家安全和社会经济发展重大需 求的研究焦点。
[0003] 遥感影像的变化检测就是从不同时期的遥感数据中，定量地分析和确定地表变化 的特征与过程。各国学者从不同的角度和应用研究提出了许多有效的检测算法，如变化矢 量分析法（ChangeVectorAnalysis，CVA)、基于FuzzyC-means(FCM)的聚类方法等。其 中，传统的基于FCM的多时相光学遥感变化检测，多先进行CVA变换，然后对变化矢量的幅 值进行FCM聚类，进而得到变化检测结果。该类技术中，使用FCM的不足是仅适用于球状或 椭球状聚类，且对噪声及其野值（Outlier)极为敏感。另外，仅仅使用变化矢量的幅值，使 得原始多光谱信息没有得到充分的挖掘，不够稳健、精度不高。
[0004] 针对上述问题，许多学者试图通过在FCM目标函数中加上不同的空间邻域的约束 来解决，但是高分辨率影像检测环境的复杂化以及目标先验信息匮乏等，导致这些算法都 存在着一定的局限性，精度不高。为此，有必要研究新的高分辨率可见光遥感图像变化检测 技术来有效克服上述难点。
【发明内容】
[0005] 本发明所要解决的技术问题在于，提供一种遥感影像变化检测方法，该方法是一 种联合CVA和SAM的自适应核FCM的多时相遥感影像变化检测方法，本发明变化检测结果 更加稳健、精度较高。
[0006] 为了解决上述技术问题，本发明提供了一种遥感影像变化检测方法，，包括：
[0007] 获取两时相高分辨率光学遥感影像XJPX2;
[0008] 对光学遥感影像&和X2进行影像配准；
[0009] 利用多元变化检测方法对光学遥感影像&和X2进行辐射归一化校正；
[0010] 根据辐射归一化校正后的光学遥感影像&和X2分别计算变化矢量幅值XΜ和光谱 角ig息
[0011] 根据变化矢量幅值ΧΜ利用Bayes原理和最大期望算法计算得到最优分割阈值Τ;
[0012] 根据最优分割阈值T和变化矢量幅值XM选择伪训练样本区域；
[0013] 将XM和XSA组合作为核FCM的输入，根据所述伪训练样本区域对核FCM结合空间 邻域信息模型进行最优模型参数值选择；
[0014] 根据选择的最优模型参数值，采用核FCM结合空间邻域信息的方法，确定光学遥 感影像的变化区域和非变化区域。
[0015] 实施本发明，具有如下有益效果：本发明联合多时相遥感影像的变化矢量幅值和 多时相的光谱角映射图（SpectralAngleMapper，SAM)作为核FCM的输入，再基于核FCM结 合空间邻域信息的方法，获取最终的变化检测结果。其中，核FCM目标函数中的核参数等， 通过基于CVA技术获取的伪训练样本来选择，变化检测结果更加稳健、精度较高。
【附图说明】
[0016] 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。
[0017]图1是本发明提供的遥感影像变化检测方法的一个实施例的流程示意图；
[0018]图2是原始高分辨率光学遥感影像图；
[0019] 图3是本发明方法与其他方法的实验结果对比图
【具体实施方式】
[0020] 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。
[0021] 图1是本发明提供的遥感影像变化检测方法的一个实施例的流程示意图，本发明 是一种多时相遥感影像变化检测方法，主要适用于高分辨率光学遥感影像，如图1所示，本 发明包括步骤：
[0022] S101、获取两时相高分辨率光学遥感影像XJPX2。
[0023] 其中，ΧρX2是同一区域不同时相的两幅高分辨率光学遥感影像。
[0024]S102、对光学遥感影像&和X2进行影像配准。
[0025] 具体的，步骤S102具体包括步骤：
[0026]S1021、采用ENVI14. 8遥感软件对光学遥感影像XJPX2进行几何粗校正。
[0027] 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。其中的双线性差值法为：若求未 知函数f在点P= (x，y)的值，假设我们已知函数f在Qn= (Xi，y2)，Q2i= (x2，yi)，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 (0, 0)、（0,1)、（1，0)和（1，1)，那么双线性插值公式就可以表示为：
[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、利用自动匹配与三角剖分法对几何粗校正后的&和X2进行几何精校正。
[0030] 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。
[0031] S103、利用多元变化检测方法（MultivariateAlterationDetection，MAD)对光 学遥感影像&和X2进行辐射归一化校正。
[0032] 具体的，步骤S103具体包括步骤：
[0033] S1031、获取光学遥感影像XJPX2各波段亮度值的线性组合，得到变化信息增强的 差异影像；
[0034] S1032、根据所述差异影像通过阈值确定变化区域和未变化区域；
[0035] S1033、通过未变化区域对应的两时相像元对的映射方程，完成相对辐射校正。
[0036] S104、根据辐射归一化校正后的光学遥感影像XJPX2*别计算变化矢量幅值XM和 光谱角信息XSA。
[0037] 具体的，步骤S104包括步骤：
[0038]S1041、根据辐射归一化校正后的光学遥感影像&和X2计算得到变化矢量幅值XM。
[0039]
:，式中，B表示每一个时相遥感 影像的波段数目，（i，j)是影像的坐标，xlb表示X:的b波段影像，X2b表示X2的b波段影像；
[0040]S1042、根据辐射归一化校正后的光学遥感影像&和X2计算得到变化矢量幅值XM，
[0042] S105、根据变化矢量幅值XM利用Bayes原理和最大期望算法 (Expectation-Maximization，EM)计算得到最优分割阈值T。
[0043] 具体的，步骤S105具体包括步骤：
[0044] S1051、采用最大期望算法估计XM影像上未变化类ωn的均值mn和方差σn，变化 类ω。的均值m。和方差为σ。，其中，
[0049] 式中，t表示迭代次数，t上标表示当前内容的第t次迭代时的值，例如，;<I良示 111"第t+Ι次迭代时的值，其他表示类似，表示第t+Ι次迭代时的值，
I和J分别表示影像的行数和列数， 上未变化类ωη服从的高斯分布，
变化类ω。服从的高斯分布；
[0050]S1052、根据Bayes最小误差准则，求解公式
得到最优分割阈值T。
[0051]S106、根据最优分割阈值T和变化矢量幅值XM选择伪训练样本区域。
[0052] 具体的，步骤S106包括步骤：
[0053]S1061、根据最优分割阈值T和变化矢量幅值XM选择未变化类伪训练集样本为 ^n={XM\x(Uj)<T-~s)·,
[0054]S1062、根据最优分割阈值T和变化矢量幅值XM选择变化类伪训练集样本为 其中，δ为XM 动态范围的 15%。
[0055]S107、将XM和XSA组合作为核FCM的输入，根据所述伪训练样本区域对核FCM结合 空间邻域信息模型进行最优模型参数值选择。
[0056] 具体的，步骤S107具体包括步骤：
[0057]S1071、将XM和XSA组合作为核FCM的输入，构建核FCM结合空间邻域信息模型为：
[0058] 式中，C是聚类数目，N是样本的总数，表示第k样本对于第j类聚类中心的模 糊隶属度，m为隶属度的加权指数，
，参数α控制惩罚效果，为 ΧΜ的局部均值影像和XSA的局部均值影像的组合，
[0059] S1072、设定参数α和核参数g取值范围，利用伪训练样本集，搜索变化指数Cindex 为最小时的α和g的值作为最优模型参数值。
[0060]
kT表示模型参 数在伪训练样本集上的Kappa系数，Nn (a，g)表示在给定α和g时利用目标函数最小化获 取的整个影像的非变化像素个数；Nja，g)表示在给定α和g时，整个影像的变化像素个 数；TNn(a，g)表示在给定α和g时，伪训练样本集中的非变化像素个数；TNja，g)表示 在给定α和g时，伪训练样本集中的变化像素个数。
[0061] S108、根据选择的最优模型参数值，采用核FCM