一种面向对象遥感影像变化检测方法及相关设备

本发明涉及图像处理，尤其涉及一种面向对象遥感影像变化检测方法、系统、终端及计算机可读存储介质。

背景技术：

1、随着社会和经济的发展，人类利用土地资源的深度和广度大幅度提高，国土资源变化频率明显增加。准确获取国土资源变化情况，对理解人与自然的关系、促进社会经济与生态环境可持续发展具有重要意义。遥感技术凭借其具有短时间内大面积观测特点迅速成为有效提取变化信息的重要手段之一。随着遥感技术不断发展，遥感影像空间分辨率逐渐提高的同时，几何、纹理信息突出，为变化检测提供丰富细节信息的同时，也使得“同物异谱”与“同谱异物”现象加剧，给遥感影像变化检测带来了新挑战。

2、遥感影像变化检测方法按照操作单元可以分为像素法或对象法，传统基于像素的变化检测方法以单个像素为分析单元，容易忽略影像的上下文信息导致椒盐噪声。面向对象技术将具有相似特征的像素聚集形成空间连续的子区域，不仅有效避免了椒盐噪声，还可综合空间邻域特征，进一步提高变化检测精度。对象是影像更高层次的描述，仅靠单一的光谱信息，容易忽略对象的细节及整体特征，容易造成漏检或误检。因此，集成多特征信息成为必然趋势。纹理是分析对象整体特征的有效工具之一，准确刻画纹理特征是提高遥感影像变化检测精度的关键。常用的纹理特征提取手段包括：局部二值模式(local binarypatterns，lbp)算子、gabor滤波灰度共生矩阵(gray-level co-occurrence matrix，glcm)。然而，上述纹理特征大多是基于影像的单波段信息分别提取特征统计量，忽略了多波段影像中各个波段间的相关性，导致对影像纹理信息描述不充分。

3、此外，变化检测精度往往不是一定随着特征数量的增加而增加，为此一般还需要对提取的众多特征进行筛选。特征筛选主要包括非监督型和监督型，非监督型一般通过jm距离等指标确定最佳特征组合方案。监督型通过模型训练估计各个特征的贡献程度，进而确定最佳特征组合。监督型因不易被异常值干扰而被广泛研究。然而，目前的特征贡献度排序往往以单次训练或者多次训练中的某一次的结果为基准，排序结果往往依赖于模型训练结果，最佳特征个数也一般需要根据经验人为给定。

4、因此，现有技术还有待于改进和发展。

技术实现思路

1、本发明的主要目的在于提供一种面向对象遥感影像变化检测方法、系统、终端及计算机可读存储介质，旨在解决现有技术中面向对象变化检测提取纹理特征时忽略了波段间相关性，且最佳特征个数需要根据经验人为给定，导致变化检测精度不高的问题。

2、为实现上述目的，本发明提供一种面向对象遥感影像变化检测方法，所述面向对象遥感影像变化检测方法包括如下步骤：

3、获取第一期遥感影像和第二期遥感影像，将所述第一期遥感影像和所述第二期遥感影像进行波段组合形成一幅目标遥感影像；

4、基于多尺度分割对所述目标遥感影像进行分割得到多尺度分割结果，根据总体优度f值确定所述多尺度分割结果中的最佳分割尺度和最优对象；

5、提取对象光谱特征，基于对象构建颜色共生矩阵，通过所述颜色共生矩阵提取多波段影像的纹理特征统计量，获取包含波段间相关性的纹理信息；

6、根据多特征差值影像，利用随机森林模型进行特征贡献度评估，采用累积后向搜索法筛选得到最优特征组合；

7、基于所述最优特征组合进行面向对象随机森林变化检测，得到最终的遥感影像变化检测结果。

8、可选地，所述的面向对象遥感影像变化检测方法，其中，所述获取第一期遥感影像和第二期遥感影像，将所述第一期遥感影像和所述第二期遥感影像进行波段组合形成一幅目标遥感影像，具体包括：

9、获取第一期遥感影像i(1)和第二期遥感影像i(2)，且：

10、i(1)＝{ii(1)(xi，yi)：(xi，yi)∈ω，i＝1，...，n}；

11、i(2)＝{ii(2)(xi，yi)：(xi，yi)∈ω，i＝1，...，n}；

12、其中，i为像素索引，(xi，yi)为像素i在影像空间域的格点位置坐标，ii(1)和ii(2)分别为第一期遥感影像i(1)和第二期遥感影像i(2)内像素i的光谱测度矢量，ii(1)＝(iis(1)：s＝1，...，h)，ii(2)＝(iis(2)：s＝1，...，h)，s为波段索引，h为波段数，n为总像素数，ω为影像域，ω＝{(xi，yi)：i＝1，...，n}，iis(1)和iis(2)分别为第一期遥感影像i(1)和第二期遥感影像i(2)内像素i在s波段的光谱值；

13、将第一期遥感影像i(1)和第二期遥感影像i(2)通过波段组合形成一幅目标遥感影像i；

14、i＝{ii(xi，yi)：(xi，yi)∈ω，i＝1，...，n}，ii＝(iis：s＝1，...，

15、2h)。

16、可选地，所述的面向对象遥感影像变化检测方法，其中，所述基于多尺度分割对所述目标遥感影像进行分割得到多尺度分割结果，根据总体优度f值确定所述多尺度分割结果中的最佳分割尺度和最优对象，具体包括：

17、基于多尺度分割方法将所述目标遥感影像i划分成一组对象o(c)＝{oj(c)：j＝1，...，m}，其中，c为尺度索引，j为对象索引，m为对象数；

18、其中，所述多尺度分割方法具体为：基于图论法对所述目标遥感影像i进行初始划分，得到过分割的超像素块，并基于分形网络演化算法对过分割的超像素块进行合并得到所述多尺度分割结果；

19、基于ogf确定最佳分割尺度：

20、

21、其中，ogf表示总体优度f值，minormal和lvnormal分别是mi指数和光谱局部方差lv的标准化结果，α为权重参数；

22、选择总体优度f值最大值对应的分割尺度为最佳分割尺度，且所述最佳分割尺度下的对象为所述最优对象。

23、可选地，所述的面向对象遥感影像变化检测方法，其中，所述提取对象光谱特征，基于对象构建颜色共生矩阵，通过所述颜色共生矩阵提取多波段影像的纹理特征统计量，获取包含波段间相关性的纹理信息，具体包括：

24、提取对象光谱特征，以所述最优对象内所有像素的光谱特征均值μj和方差σj作为所述最优对象的光谱特征；

25、将所述目标遥感影像i划分为n个灰度级：isi*∈{1，...，n}，isi*表示像素i在s波段的灰度级；

26、根据波段s和波段s’间相关性，构建颜色共生矩阵：ccmss’(e，r，d，θ)；其中，e和r分别为灰度级索引，e，r∈{1，...，n}，d为空间距离，θ表示方向；

27、ccmss’(e，r，d，θ)表示在θ方向上相距为d的像素对i和i’的灰度级isi*＝e，is’i’*＝r出现的概率，公式如下：

28、

29、基于颜色共生矩阵ccmss’(e，r，d，θ)提取多波段影像的纹理特征统计量，获取包含波段间相关性的纹理信息。

30、可选地，所述的面向对象遥感影像变化检测方法，其中，所述纹理特征统计量包括对比度、均匀性、角二阶矩和相关性。

31、可选地，所述的面向对象遥感影像变化检测方法，其中，所述根据多特征差值影像，利用随机森林模型进行特征贡献度评估，采用累积后向搜索法筛选得到最优特征组合，具体包括：

32、在确定变化和未变化对象样本后，选取预设比例的样本作为训练样本来进行模型训练，剩余的样本作为测试集来评价模型训练精度；

33、将所述随机森林模型训练t次，根据t次训练的特征贡献度累积值重新进行特征排序，依次消除重要性最小的特征，形成新特征组合再次输入到所述随机森林模型中进行t次训练，直至特征数达到最小时停止训练；

34、根据多个特征组合条件下测试精度的波动情况，选择特征个数满足预设要求的特征组合为最优特征组合。

35、可选地，所述的面向对象遥感影像变化检测方法，其中，所述基于所述最优特征组合进行面向对象随机森林变化检测，得到最终的遥感影像变化检测结果，具体包括：

36、基于所述最优特征组合，对样本的特征矢量进行清洗，只保留最优特征组合的矢量信息；

37、重新构建分类器得到分类结果，所述分类结果为面向对象的遥感影像变化检测结果。

38、此外，为实现上述目的，本发明还提供一种面向对象遥感影像变化检测系统，其中，所述面向对象遥感影像变化检测系统包括：

39、影像获取与组合模块，用于获取第一期遥感影像和第二期遥感影像，将所述第一期遥感影像和所述第二期遥感影像进行波段组合形成一幅目标遥感影像；

40、多尺度分割模块，用于基于多尺度分割对所述目标遥感影像进行分割得到多尺度分割结果，根据总体优度f值确定所述多尺度分割结果中的最佳分割尺度和最优对象；

41、纹理特征提取模块，用于提取对象光谱特征，基于对象构建颜色共生矩阵，通过所述颜色共生矩阵提取多波段影像的纹理特征统计量，获取包含波段间相关性的纹理信息；

42、特征筛选模块，用于根据多特征差值影像，利用随机森林模型进行特征贡献度评估，采用累积后向搜索法筛选得到最优特征组合；

43、影像变化检测模块，用于基于所述最优特征组合进行面向对象随机森林变化检测，得到最终的遥感影像变化检测结果。

44、此外，为实现上述目的，本发明还提供一种终端，其中，所述终端包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的面向对象遥感影像变化检测程序，所述面向对象遥感影像变化检测程序被所述处理器执行时实现如上所述的面向对象遥感影像变化检测方法的步骤。

45、此外，为实现上述目的，本发明还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有面向对象遥感影像变化检测程序，所述面向对象遥感影像变化检测程序被处理器执行时实现如上所述的面向对象遥感影像变化检测方法的步骤。

46、本发明中，获取第一期遥感影像和第二期遥感影像，将所述第一期遥感影像和所述第二期遥感影像进行波段组合形成一幅目标遥感影像；基于多尺度分割对所述目标遥感影像进行分割得到多尺度分割结果，根据总体优度f值确定所述多尺度分割结果中的最佳分割尺度和最优对象；提取对象光谱特征，基于对象构建颜色共生矩阵，通过所述颜色共生矩阵提取多波段影像的纹理特征统计量，获取包含波段间相关性的纹理信息；根据多特征差值影像，利用随机森林模型进行特征贡献度评估，采用累积后向搜索法筛选得到最优特征组合；基于所述最优特征组合进行面向对象随机森林变化检测，得到最终的遥感影像变化检测结果。本发明以对象为基本操作单元，在提取对象光谱特征的基础上，基于颜色共生矩阵进一步提取各个对象的多通道纹理特征，引入波段间相关性，并结合累积后向搜索法确定最佳特征组合，进而提高对象遥感影像变化检测精度。