法和对数比值法等。差值 法是将两幅遥感影像进行逐像素比较，将对应位置处的灰度值作差并取绝对值；比值法是 将两幅遥感影像对应位置处的灰度值作比值处理；均值比值法是分别计算两幅遥感影像对 应像素位置的局部区域灰度值的均值，再作比值处理；对数比值法是将比值法得到的差异 图像每个像素的灰度值进行取对数处理。
[0043] 本实例根据SAR遥感影像和光学遥感图像所含噪声不同的特点，针对遥感影像X1 和X2的类型进行两幅差异图像XjP X D的构造：
[0044] 若遥感影像\和X 2均为SAR遥感影像，则差异图像X JP X D分别选用对数比值法 和均值比值法进行构造，相应的构造表达式分别为：
[0045] Xl= I log X 2-log X1
【主权项】
1. 一种基于在线学习的遥感影像变化检测方法，其特征在于：包括如下步骤： (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； (2) 利用两幅遥感影像XjP X 2构造两幅差异图像X dP X D; (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Pl，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 ; (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 = 其中N为偶数，i e Z+且Η「·//ΛΠχ「//ΛΠ ，"Z+"为正整 数，"「?"表示向上取整； (5) 初始化图像块集合5 =风的索引值i = 1，开始对第1个帧图像块&进 行变化检测； (6) 利用级联分类器对图像块集合5的第i个帧图像块Bi进行变化检 测，并对级联分类器进行优化更新； (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； (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 = }[^V>「//JV1; (9) 将以上得到的对帧图像块集合B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； (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Xd的变化检测，记变化检测结果图为CM2 ; (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; (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Xm，完成对遥感影像变化信息的检测。
2. 根据权利要求1所述的方法，其中步骤（2)所述的利用两幅遥感影像X JP X 2构造 两幅差异图像\和X D，按遥感图像的类型进行： 若遥感影像&和X 2均为SAR遥感影像，则差异图像X JP X D的构造式分别为：
其中，μ i、μ 2分别为X i、X2的局部区域灰度值的均值； 若遥感影像&和X 2均为光学遥感图像，则差异图像XjP X D的构造式分别为： \= I X 1-? Xd= |l〇g(l+X2)_l〇g(l+Xi)U
3. 根据权利要求1所述的方法，其中步骤（6)所述的利用级联分类器对图像块集合 召= …的第i个帧图像块Bi进行变化检测，并对级联分类器进行优化更新，按如 下步骤进行： 6a)用级联分类器的第一级均值分类器以2X2的重叠滑窗方式扫描第i个帧图像块 Bi对其进行"粗分类"，排除大部分非目标像素点，即非变化像素点，完成对当前帧的初始分 类； 6b)用级联分类器的第一级均值分类器以2 X 2的不重叠滑窗方式扫描第i个帧图像块 Bi,对其进行基于2 X 2像素块的分类，构成第一掩膜MPO ; 6c)寻找第一掩膜MPO中孤立的2X2像素块，并将其映射为原始第i个帧图像块Bi 的像素块加入到样本库PO中，更新级联分类器的第一级均值分类器的阈值得THl =(正样 本均值+负样本均值）/4,并将每个像素块映射为单像素样本加入样本库Pl ; 6d)利用更新后的样本库Pl对级联分类器的第二级支撑矢量机SVM分类器进行训练， 并对步骤6a)中通过均值分类器的剩余待分类像素点进行"细分类"，进一步排除非目标像 素点，构成第二掩膜MAPI ; 6e)根据第二掩膜MAPI中的每个连通像素块的像素个数不应少于K个的先验知识，对 第二掩膜MPl做区域开运算处理，滤除像素个数少于K的连通像素块，得到第i个帧图像 块&的变化检测结果1，并将滤除的连通像素块映射为帧图像块&对应位置处的像素点加 入到样本库Pl中，再次更新样本库P1，其中K为5。
4.根据权利要求1所述的方法，其中步骤（11)所述的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，按如下步骤进行： Ila)将第一幅差异图像\的检测结果图CMl的变化像素点位置处的像素值置为原始 差异图像\对应位置处的灰度值，并将非变化像素点位置处的像素值取0,得到第一幅差异 图像\的检测结果图CMl映射后的灰度图像Yl ; lib)将第二幅差异图像Xd的检测结果图CM2的变化像素点位置处的像素值置为原始 差异图像Xd对应位置处的灰度值，并将非变化像素点位置处的像素值取0,得到第二幅差异 图像Xd的检测结果图CM2映射后的灰度图像Y2 ; lie)计算上述灰度图像Yl和Y2的均值，并将均值较小的图像记为第一均值灰度图像 A1，均值较大的图像记为第二均值灰度图像A2 ; lid) 分别将第一均值灰度图像Al和第二均值灰度图像A2按行优先或列优先的方式变 为列向量并计算协方差矩阵； lie) 由协方差矩阵求取特征值，确定第一主成分对应的特征矢量（x，y)T，其中"T"代 表转置运算符； Ilf)将第一幅差异图像\的检测结果图CMl与标准的变化检测参考图进行对比，计算 虚警像素个数和漏检像素个数的和，记为El ; I Ig)将第二幅差异图像Xd的检测结果图CM2与标准的变化检测参考图进行对比，计算 虚警像素个数和漏检像素个数的和，记为E2 ; Ilh)根据所述的El和E2确定第一均值灰度图像Al的权重： 其中，X为特征矢量（X，y)T的第一个元素值，y为特征矢量（X，y) τ的第二个元素值； Ili)计算得到融合后的差异图像Xf= wX Al+(Ii) X Α2。
【专利摘要】本发明公开了一种基于在线学习的遥感影像变化检测方法，主要解决现有检测技术检测结果不稳定和精度低的问题。其实现过程是：获取两幅遥感影像；针对遥感影像类型构造两幅差异图像；对第一幅差异图像构造训练样本库并将其划分为视频帧形式的图像块集合；通过在线学习的策略用级联分类器逐个对帧图像块进行变化检测；然后，将所有帧图像块的检测结果拼接得到第一幅差异图像的检测结果CM1；再对第二幅差异图像进行类似处理得到检测结果CM2；将上述检测结果CM1和CM2进行灰度映射并融合，得到融合后的差异图像XF，再对XF聚类生成最终的变化检测结果。本发明对不同类型的遥感影像均可获得鲁棒性好、精度高的检测效果，可用于城市规划。
【IPC分类】G06T7-00
【公开号】CN104680542
【申请号】CN201510112839
【发明人】张建龙, 翟建峰, 李洁
【申请人】西安电子科技大学
【公开日】2015年6月3日
【申请日】2015年3月15日