基于在线学习的遥感影像变化检测方法
【技术领域】
[0001] 本发明属于图像处理技术领域，特别涉及SAR遥感影像和光学遥感图像的变化检 测方法。可用于对地物覆盖利用情况的监测、城市发展的规划、自然灾害灾情的评估以及地 图的更新。
【背景技术】
[0002] 遥感影像变化检测旨在检测同一地区不同时间的影像之间发生的变化情况，即检 测出该地区的地物随时间发生的变化信息。目前，遥感影像变化检测已经广泛地应用于地 震、洪水、泥石流和森林火灾等自然灾害灾情的评估、测绘中地理空间数据的更新和违章建 筑的查处以及灾后重建城市的规划建设等方面。
[0003] 遥感影像变化检测的方法，最常见的是基于差异图像分析的变化检测方法。该方 法主要包括三个处理过程：1)对遥感影像进行预处理，包括辐射校正和几何配准等；2)对 矫正后的遥感影像进行比较获取差异图像；3)对差异图像进行分析，采用阈值或聚类等分 类方法将差异图像分成变化类与非变化类，获得最终的变化检测结果。
[0004] 针对差异图像分析过程中所采用的分类方法，根据是否有训练样本集可将变化检 测方法分为无监督的变化检测和有监督的变化检测方法。无监督的变化检测方法不需要先 验变化样本信息的支持，直接由差异图像通过聚类或分割算法即可得到变化检测结果。对 于该方法而言，差异图像分割阈值的选取是变化检测的关键问题，直接影响检测结果的整 体精度，如何设置阈值以提高检测结果的精度成为各国学者研究的问题之一。相比无监督 的变化检测方法，有监督的变化检测分类方法可以准确地识别出发生变化的部分，且对不 同的大气条件和不同光照条件具有较好的鲁棒性，但要取得好的效果的前提是要有大量的 训练样本，即要求掌握大量的地面真实变化信息；而搜集大量的地面真实情况是困难且费 时的。
【发明内容】
[0005] 本发明的目的在于提出一种基于在线学习的遥感影像变化检测方法，以解决无监 督变化检测方法的检测精度不高、鲁棒性低的缺点和有监督变化检测方法需要构造大量的 训练样本的不足。
[0006] 本发明是一种基于半监督的变化检测方法，通过少量训练样本，采取在线学习的 方式不断增加样本库、提升分类器的分类性能，并对差异图像进行分析得到变化检测结果。 其实现步骤包括如下：
[0007] (1)获取两幅大小均为IXJ的经过辐射校正与几何配准的遥感影像XJPX2，其 中，I为遥感影像的行数，J为遥感影像的列数；
[0008] (2)利用两幅遥感影像XjP X 2构造两幅差异图像X ^和X D;
[0009] (3)针对第一幅差异图像\构造基于2X2图像块的样本库PO和单像素样本库 P1，并根据样本库PO初始化级联分类器的第一级，即均值分类器的阈值THO ;
[0010] (4)将第一幅差异图像\按从左到右、从上到下的顺序划分为大小为NXN视频帧 形式的图像块集合5 =消匕時―1，其中N为偶数ZeZ+且，"Z+"为正 整数，"「1"表示向上取整；
[0011] (5)初始化图像块集合5 =彳5￡?"~的索引值i = 1，开始对第1个帧图像块 81进行变化检测；
[0012] (6)利用级联分类器对图像块集合5=风的第i个帧图像块&进行变化 检测，并对级联分类器进行优化更新；
[0013] (7) i自加1，利用优化更新后的级联分类器对下一帧图像块进行变化检测；
[0014] (8)重复步骤（6)_步骤（7)，直到/>「*//，>「//"，完成对帧图像块集合8的 变化检测，得到对应的变化检测结果集合C =
[0015] (9)将以上得到的对帧图像块集合的变化检测结果集合C按从左到右、从上到下 的顺序拼接成最终的变化检测结果图CM1，完成对第一幅差异图像\的变化检测；
[0016] (10)将步骤（2)中的另一幅差异图像XD，依照对第一幅差异图像\的变化检测步 骤（3)-步骤（9)完成第二幅差异图像X d的变化检测，记变化检测结果图为CM2 ;
[0017] (11)将两幅差异图像的变化检测结果图CMl和CM2映射为灰度图像Al和A2,并 采用类主成分分析的方法对灰度图像Al和A2进行融合，得到融合后的差异图像X F;
[0018] (12)用Kmeans聚类算法对融合后的差异图像\进行聚类，生成最终的变化检测 结果图X m，完成对遥感影像变化信息的检测。
[0019] 本发明与现有技术相比具有以下优点：
[0020] 1.本发明摒弃了传统的差异图像分析过程的方法，不是以整幅差异图像为处理对 象按某一固定准则逐像素进行分类处理；而是将整幅差异图像划分为类似视频帧的图像块 的形式，然后通过级联分类器以帧图像块为处理对象逐帧进行变化检测，由于级联分类器 结构简单、计算量小，因此速度快，提高了变化检测的运算速度。
[0021] 2.本发明汲取监督分类鲁棒性好且分类精确的优点，克服传统监督变化检测方法 需要构造大量训练样本的缺点，由于本发明利用先验知识通过在线学习的策略逐个对每个 帧图像块进行变化检测并不断更新样本库，使分类器的性能不断提高，实现准确的分类，提 高变化检测的检测精度。
[0022] 3.本发明采用基于空域的自适应确定权值的图像融合策略，避免了过多人工干预 的影响，可自动寻找最佳权值进行线性加权融合，融合后的差异图像可更全面真实地反应 地面地物辐射能量的变化情况，提高变化检测的检测精度；
[0023] 本发明的融合方法与基于变换域的诸如基于小波变换的融合方法相比具有简单、 计算量小的优点。
【附图说明】
[0024] 图1是本发明的实现流程图；
[0025] 图2是本发明中对帧图像块进行变化检测并对级联分类器进行优化更新的子流 程图；
[0026] 图3是本发明中对灰度图像Al和A2进行融合的子流程图；
[0027] 图4是本发明仿真使用的瑞士 Berne地区的两幅SAR遥感影像和一幅标准参考 图；
[0028] 图5是本发明仿真时由Berne地区的两幅SAR遥感影像构造的两幅差异图像；
[0029] 图6是本发明分别对图5的两幅差异图像进行变化检测的结果图；
[0030] 图7是本发明将图6的两幅检测结果映射为灰度图像并融合得到的差异图像XF;
[0031] 图8是本发明对图4中的两幅SAR遥感影像进行变化检测的仿真结果图；
[0032] 图9是本发明仿真使用的Sardinia地区的两幅光学遥感图像和一幅标准参考 图；
[0033] 图10是本发明仿真时由Sardinia地区的两幅光学遥感图像构造的两幅差异图 像；
[0034] 图11是本发明分别对图10的两幅差异图像进行变化检测的结果图；
[0035] 图12是本发明将图11的两幅检测结果映射为灰度图像并融合得到的差异图像 Xf;
[0036] 图13是本发明对图9中的两幅光学遥感图像进行变化检测的仿真结果图。
【具体实施方式】
[0037] 以下结合附图，对本发明的技术方案和效果作进一步的详细描述。
[0038] 参照图1，本发明的实现步骤如下：
[0039] 步骤1，犾取两幅遥感影像。
[0040] 这两幅遥感影像为相同地区不同时间的经过辐射校正与几何配准的遥感影像，分 别记作XJPX 2，其影像大小均为IX J，其中，I为遥感影像的行数，J为遥感影像的列数。 [0041 ] 步骤2,利用遥感影像XjP X 2构造两幅差异图像X dP X D。
[0042] 常用的差异图像的构造方法有差值法、比值法、均值比值