一种多源多时相遥感图像目标变化监测方法
【专利摘要】本发明公开了一种多源多时相遥感图像目标变化监测方法，包括：对训练图像和测试图像中的多时相多光谱图像、全色图像进行预处理，得到平均波段图像；提取训练图像中多时相多光谱图像对应的平均波段图像的特征，学习得到变化语义模型；提取训练图像中多时相全色图像的已标好的目标变化类型的像素的特征，学习得到目标变化类型语义模型；提取测试图像中多时相多光谱图像对应的平均波段图像的特征，利用变化语义模型提取目标变化区域；提取测试图像中多时相全色图像的目标变化区域的特征，利用目标变化类型语义模型识别目标变化类型。本发明提高了目标变化区域的检测精度和目标变化类型的识别精度，可广泛应用于城市规划、目标变化监测等诸多领域中。
【专利说明】
一种多源多时相遥感图像目标变化监测方法
技术领域
[0001] 本发明涉及遥感图像处理、特征匹配、目标变化检测和变化类型识别等技术领域， 特别是一种多源多时相遥感图像目标变化监测方法。
【背景技术】
[0002] 多源多时相遥感图像目标变化监测是利用计算机从输入的不同时间拍摄的同一 区域图像中将目标变化检测出来并判断变化类型的技术。多源多时相遥感图像目标变化监 测在灾害监测、城市规划、目标监控等方面有着广泛的应用。然而，由于多时相遥感图像的 复杂性及变化的语义不确定性，从多时相遥感图像中利用计算机自动检测、识别目标变化 及其变化类型依然面临着许多挑战。
[0003] 多源多时相遥感图像目标变化监测一般包括变化区域的提取和变化类型的识别， 目标变化监测的关键技术包括特征提取和特征分类，特征可分性是变化区域提取和变化类 型识别的关键。为了全面反映目标的光谱特征和几何特征，目前卫星上往往同时搭载低空 间分辨率的多光谱图像和高空间分辨率的全色图像。传统的变化检测和目标监测系统往往 先将不同时间、不同类型的多光谱图像、全色图像配准，然后将同一时间的多光谱图像和全 色图像融合，对融合后的多时相图像进行变化检测和目标监测。由于上述流程需要多次图 像配准，并且多光谱图像需要进行四倍左右的上采样。目前，由于采样技术的限制，四倍上 采样往往会造成图像模糊。因此，特征的可分性遭到了破坏，变化类与非变化类之间、不同 的目标变化类型之间的区分性很低，很容易造成目标变化区域及变化类型的漏检和误检。 也就是说，特征提取和特征分类是多源多时相遥感图像目标变化监测的关键瓶颈。
[0004] 目前常用的特征提取方法(如小波系数、方向梯度直方图）、分类器(如SVM)在中低 分辨率遥感图像的变化检测及目标监测中表现出优良的性能。然而，这些特征和分类器对 高分辨率遥感图像中目标的表征能力不强，忽略了变化类与非变化类之间、不同的目标变 化类型之间的语义差异，割裂了特征提取和特征分类的内在联系，极大地影响了变化检测、 变化类型识别的性能。
【发明内容】
[0005] 本发明的目的是针对多源多时相遥感图像目标变化监测的难点、现状以及语义特 征的重要性，提供一种有效的多源多时相遥感图像目标变化监测方法。
[0006] 为了实现上述目的，本发明提出一种多源多时相遥感图像目标变化监测方法，该 方法包括以下步骤：
[0007] 步骤S1，对训练图像和测试图像中的多时相多光谱图像、全色图像进行预处理，得 到训练图像和测试图像中的多时相多光谱图像分别对应的平均波段图像；
[0008] 步骤S2,对训练图像中的多时相多光谱图像对应的平均波段图像进行特征提取， 学习得到变化语义模型；
[0009] 步骤S3,对训练图像中的多时相全色图像的已标好的目标变化类型的像素进行特 征提取，学习得到目标变化类型语义模型；
[0010]步骤S4,对测试图像中的多时相多光谱图像对应的平均波段图像进行特征提取， 利用所述变化语义模型提取目标变化区域；
[0011] 步骤S5,对测试图像中的多时相全色图像的目标变化区域进行特征提取，利用目 标变化类型语义模型识别目标变化类型。
[0012] 本发明所述方法对于提高目标变化检测率和目标变化类型识别率具有重要的意 义，其主要优点如下：
[0013] 本发明无需对不同时相的多光谱图像和全色图像进行图像配准和重采样、无需对 同一时间的多光谱图像和全色图像进行融合，减弱了图像配准、重采样及图像融合对特征 可分性的破坏并大大减少了计算量；
[0014] 本发明将目标变化区域检测和目标变化类型识别分离;在低空间分辨率的多时相 多光谱图像上进行目标变化区域检测，发挥了多光谱图像光谱分辨率高的优势，同时减少 了全色图像上丰富的几何细节对目标区域的干扰;在高空间分辨率的多时相全色图像进行 目标变化类型识别，发挥了全色图像上丰富的几何细节在目标类型识别方面的优势。
[0015] 变化类-非变化类有序语义对反映了变化强度特征的类间可分性和类内相似性， 变化类-非变化类语义投影矩阵可以动态调节变化强度特征的距离；目标变化类型有序语 义对反映了变化类型特征的类间可分性和类内相似性，目标变化类型语义投影矩阵可以动 态调节目标变化类型特征之间的距离。
[0016] 得益于上述优点，本发明极大地提高了变化类与非变化类的类间可分性、不同类 型的变化特征之间的类间可分性，从而有助于提高变化区域检测精度和变化类型识别精 度，可广泛应用于目标识别、目标跟踪等系统中。
【附图说明】
[0017] 图1是根据本发明一实施例的多源多时相遥感图像目标变化监测方法的流程图；
[0018] 图2是根据本发明一实施例的DAISY特征提取示意图。
【具体实施方式】
[0019] 为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照 附图，对本发明进一步详细说明。
[0020] 图1是根据本发明一实施例的多源多时相遥感图像目标变化监测方法的流程图， 如图1所示，所述方法包括以下步骤：
[0021] 步骤S1，对训练图像和测试图像中的多时相多光谱图像、全色图像进行预处理，得 到训练图像和测试图像中的多时相多光谱图像分别对应的平均波段图像；
[0022] 其中，所述训练图像包括时相11的多光谱图像111和全色图像112、时相12的多光 谱图像121和全色图像122，所述测试图像包括时相11的多光谱图像113和全色图像114、时 相t2的多光谱图像t23和全色图像t24。
[0023] 所述步骤S1进一步包括以下步骤：
[0024] 步骤S11，公共区域提取:根据经炜度与图像像素的对应关系分别提取出所述训练 图像中的多时相多光谱图像、多时相全色图像的公共部分图像，以及所述测试图像中的多 时相多光谱图像、多时相全色图像的公共部分图像；
[0025] 为了减少计算量并减弱传统变化检测流程中对多光谱图像进行大幅度上采样差 值对特征可分性的影响，该步骤根据经炜度与图像像素的对应关系分别取出所述训练图像 中的多时相多光谱图像、多时相全色图像的公共部分图像及测试图像的多时相多光谱图 像、多时相全色图像的公共部分图像。为方便，将训练图像的多时相多光谱图像以及全色图 像的公共部分图像分别记为〖14、〖24、〖128、〖228，将测试图像的多时相多光谱图像以及 全色图像的公共部分图像分别记为tl3g、t23g、tl4g、t24g。
[0026] 步骤S12,图像插值和上采样:将时相tl和时相t2的多光谱公共部分图像和全色公 共部分图像分别进行插值，并将不同时相的同一类型的公共部分图像分别转换到相同的空 间分辨率使其具有相同的尺寸，得到转换后的公共部分图像；
[0027]不妨设时相t2的空间分辨率较高，则以七2以42284238 4248为基准图像，分别将 七118、衍28 4138、衍48进行重采样，使其分别和七218 322832384248具有相同的尺寸。为 方便，将重采样处理后得到的图像分别记为tllc、tl2c、t21c、t22c、tl3c、t23c、tl4c、t24c。
[0028] 步骤S13,生成多时相多光谱图像平均波段图像:计算训练图像和测试图像中经过 所述步骤S12转换后的多光谱公共部分图像111(：421(3^13(3 323(3的平均波段图像，得到训 练图像和测试图像中的多时相多光谱图像分别对应的平均波段图像，其中，所述平均波段 图像的每个像素值为该像素处不同波段光谱响应的均值。为方便，将生成的平均波段图像 分别记为tlla、t21a、tl3a、t23a。
[0029] 步骤S2,对所述训练图像中的多时相多光谱图像对应的平均波段图像tlla、t21a 进行特征提取，学习得到变化语义模型；
[0030] 所述步骤S2进一步包括以下步骤：
[0031] 步骤S 21，在所述训练图像中的多时相多光谱图像对应的平均波段图像111 a和 t21a上，为每个像素提取地物类型特征；
[0032] 本发明中，利用DAISY特征表征每个像素及其邻域的地物类型特征(DAISY的英文 原意为雏菊花，因本发明中特征提取的中央-周围对称结构与雏菊花的花瓣结构很相似，故 称之为DAISY特征。）。图2为根据本发明一实施例的DAISY特征提取示意图，如图2所示， DAISY特征以灰度图像或平均波段图像的每个像素为中心、以采样尺度为半径（比如16)的 图像块上构造多个(比如3个)不同半径的同心圆形结构，并在每个同心圆上按一定角度(比 如45°)等角度间隔提取多个(比如8个)取样点，以每个取样点为圆心构造圆形结构，称之为 取样圆。圆心位于同一个同心圆的取样圆半径相同，圆心位于不同同心圆的取样圆半径由 里向外半径依次增大。对落在每一个取样圆内的图像像素点构造梯度方向直方图，然后将 不同取样圆的梯度方向直方图连接起来组成DAI SY特征。
[0033] 具体地，所述步骤S21进一步包括以下步骤：
[0034]步骤S211，计算以每个像素为中心、以采样尺度为半径的图像块中每个取样圆对 应的局部梯度方向直方图；
[0035] 所述步骤S211进一步包括以下步骤：
[0036]步骤S2111，计算以每个像素为中心、以采样尺度为半径的图像块中每个取样圆的 每个图像像素点(u，v)的q个(在本发明一实施例中，q = 8)方向梯度；
[0037]步骤S2112,利用高斯核卷积得到所述取样圆中每个图像像素点对应的方向梯度 向量：
[0038] h (u, v) - [(gf (//, v).. (u, v), · , gf (u, v), · , g； (u, v))]r ,
[0039] 其中，gf(",v)表示第i个方向梯度，上标Σ表示该像素点所在取样圆的高斯尺度 值。这样，相同半径的取样圆上的像素点具有相同的高斯尺度值，不同半径的取样圆上的像 素点高斯尺度值不同。本发明中，高斯尺度值指高斯核卷积的标准差。
[0040] 步骤S2113,对每个像素点对应的上述向量按照将梯度方向从0度到360度均匀量 化到q个等角度范围区间进行统计的方式得到该取样圆对应的局部梯度方向直方图。
[0041] 步骤S212,基于所述步骤S211得到的每个取样圆对应的局部梯度方向直方图，得 到每个像素对应的DAISY特征，所述DAISY特征用于描述采样点(u，v)局部支撑区域中每个 图像像素点的一系列相关向量的加权，表示如下：
[0043] 其中，lm(u，v，Rn)表示以采样点(u，v)为中心的中央一周围对称计算结构中第η个 同心圆环上的第m个取样圆，/((/,"(", ν,/ζ))表示以采样点(u，v)为中心的中央一周围对称计 算结构中第η个同心圆环上的第m个取样圆的局部梯度方向直方图，在本发明一实施例中，m =1，2，.·_，8，n = l，2,3〇
[0044] 步骤S22，对所述训练图像中的多时相多光谱图像对应的平均波段图像11 la、t2 la 的每个像素提取变化强度特征，并将变化-非变化类训练区域中各像素对应的变化强度特 征及其对应的类型标注组合到一起形成变化强度特征训练样本集合，其中，所述变化-非变 化类训练区域中各像素的类型标注表示该像素是否发生了变化，检测到变化后后续在步骤 S3中再判断是哪种变化类型。
[0045] 在本发明一实施例中，所述变化强度特征表示为：
[0046] fml2(r,c) = fll(r,c)-f21(r,c),
[0047] 其中，€11&，(3)和€21(^(3)分别为平均波段图像^1&321 &的像素（^(3)处的 DIASY特征向量，r和C分别为像素的行号和列号。
[0048] 所述变化强度特征训练样本集合表示为：
[0049] D={(xi，yi) | i = l，2,…，η}，
[0050] 其中，Xi表示训练区域第i个像素对应的DAISY变化强度特征向量，yi为对应的变化 类标，y i=〇代表非变化类，yi = 1代表目标。
[0051 ]步骤S23，构造变化类-非变化类有序语义对:利用所述地物类型特征和变化强度 特征训练样本集合中的变化-非变化类型标注构造变化类-非变化类有序语义对；
[0052] 该步骤将非变化类作为一类，所有的变化类作为一类，对每个训练样本(Xi，yi)，按 照如下方式构造有序语义对:从变化强度特征训练样本集合D中利用K-D tree算法搜索标 注与yi-致的最近邻xi,2、与yi不一致的最近邻xi,3;然后构建有序语义对：t = (xi，xi,2， Xi, 3).;最后将所有的训练样本对应的有序语义对放到一起，形成有序语义对集合{tl·， 七2，'"，1^}，其中1：1=(叉1,1，叉1,2，叉1,3)，1 = 1，2，"，11.11为有序语义对个数。
[0053] 步骤S24,以最大化变化类-非变化类有序语义对的间隔为目标，构建变化语义模 型并在变化强度特征训练样本的支持下求解变化类-非变化类语义投影矩阵和变化类-非 变化类语义参数，所述变化语义模型包括变化类-非变化类语义投影矩阵和变化类-非变化 类语义参数两部分，其中，变化类-非变化类语义投影矩阵的作用是调整非变化类与变化类 特征之间的可分性，变化类-非变化类语义参数的作用是为了后续的目标变化区域检测，可 在变化强度特征训练样本的支持下求解变化类-非变化类语义投影矩阵和变化类-非变化 类语义参数。
[0054]在本发明一实施例中，所述变化语义模型表示为如下的数学模型：
[0056] 其中，I |M| |f表示矩阵Μ的Frobenius范数，ζι是待求的松弛变量，C为正则化因子，η 为有序语义对个数，本发明一实施例中，C = 10。
[0057]为求解上述模型，将其转化为Lagrange对偶问题：
[0059]其中，Cli为待求的变化类-非变化类语义参数，ti = (Xi, lXi, 2，Xi, 3)和t j = (Xj, 1，Xj, 2， X j, 3 )，Kt (ti，tj) - tr(TiTj)，Ti - ( Xi, 1-Xi, 3 ) ( Xi, 1-Xi, 3 ) - ( Xi, 1-Xi, 2 ) ( Xi, 1-Xi, 2 )，Tj - ( X j, 1 - Xj,3)(Xj,l-Xj,3)T-(Xj,l-Xj,2)(Xj,l-Xj,2)T，tr( ·)表示矩阵的迹算子。
[0060]这是一个普通的二次规划问题，可以利用随机梯度法、内点法等方法求解。得到a =[αι，…，an]后，就可以计算得到变化类-非变化类语义投影矩阵：
[0062]步骤S3,对所述训练图像中的多时相全色图像tl2c和t22c的已标好的目标变化类 型训练区域进行特征提取，学习得到目标变化类型语义模型；
[0063] 所述步骤S3进一步包括以下步骤：
[0064] 步骤S31，在所述训练图像中的多时相全色图像tic和t2c的变化区域上，为每个像 素提取地物类型特征；
[0065] 本发明中，利用DAISY特征表征每个像素及其邻域的地物类型特征。DAISY特征的 提取方法与步骤S21相同。
[0066]步骤S32，对所述训练图像中的多时相全色图像112c和t22c的变化区域中的每个 像素提取目标变化类型特征，并将已标好的目标变化类型训练区域中各像素对应的目标变 化类型特征及其对应的变化类型标注组合到一起形成目标变化类型特征训练样本集合，其 中，变化类型是指由一种类型变成另一种类型，比如由房屋变成草地，由草地变成道路，通 常变化类型是由变化训练样本来确定的，是事先定义好的；
[0067] 在本发明一实施例中，所述目标变化类型特征表示为：
[0068] fpl2(r,c) = f 12(r,c)-f22(r,c),
[0069] 其中，fl2(r，c)和f22(r，c)分别为多时相全色图像tl2c、t22c的像素(r，c)处的 DIASY特征向量，r和C分别为像素的行号和列号。
[0070] 所述目标变化类型特征训练样本集合表示为：
[0071] T={(xi，yi) | i = l，2,…，η}，
[0072] 其中，^表示目标变化类型训练区域第i个像素对应的目标变化类型特征向量，yi 为对应的目标变化类型类标。
[0073] 步骤S33，根据目标变化类型特征的近邻性和变化类型标注的异同性构造目标变 化类型有序语义对:为了提高不同目标变化类型的可分性，在构造目标变化类型语义模型 前先构造目标变化类型有序语义对。下面以第i类类型的目标变化为例介绍目标变化类型 有序语义对构造方法。对于目标变化类型特征训练样本集合T中的每一个训练样本( X1，i)， (1 = 1，…，πη)，分别从第i类目标变化训练样本和非第i类目标变化训练样本集合中利用k-01：代6算法搜索最近邻11,2和11,3组成第：[类目标的有序语义对七=(11，11,2，11,3)高为第；[类 目标变化类型集合的训练样本个数。
[0074] 步骤S34,以最大化目标变化类型特征的间隔为目标，构建目标变化类型语义模 型，并在目标变化类型特征训练样本的支持下求解目标变化类型语义模型，所述目标变化 类型语义模型包括目标变化类型语义投影矩阵和目标变化类型语义参数，所述目标变化类 型语义投影矩阵旨在调整不同目标变化类型的特征之间的距离、增加不同类型目标之间的 可分性，所述目标变化类型语义参数是为了后续的变化类型识别，换句话说，所述目标变化 类型语义模型的目的是学习目标变化类型语义投影矩阵P，P的作用是调整不同目标变化类 型的特征之间的可分性。
[0075] 在本发明一实施例中，基于第i类有序语义对的目标变化类型语义模型表示为如 下的数学模型：
[0077]其中，| |Pi| |F表示矩阵Pi的Frobenius范数，ξ!是待求的松弛变量，C为正则化因 子，nu为第i类有序语义对个数，本发明一实施例中，C = 10。为求解上述模型，将其转化为 Lagrange对偶问题：
[0079]其中，0为待求的目标变化类型语义参数上=^,1^,2，11<,3)和1：」=^,1，1」,2， X j, 3 )，Kt (tk，tj) - tr ( TkT j )，Tk - ( Xk, l_Xk, 3 ) ( Xk, l_Xk, 3 ) _ ( Xk, l_Xk, 2 ) ( Xk, l_Xk, 2)，Tj - ( X j, 1 - Xj,3) (Xj,l_Xj,：B)T_(Xj,l_Xj,2) (Xj,l_Xj,2)T。
[0080]这是一个普通的二次规划问题，可以利用随机梯度法、内点法等方法求解。得到 A，…./U后，就可以计算得到目标变化类型语义投影矩阵：
[0082] 对每一种目标变化类型i，都按照所述步骤S31和S32构造目标变化类型语义投影 矩阵Ρ:。这样，总共可以得到C个目标变化类型语义投影矩阵{PdKhC}，C为目标变化类 型个数。
[0083]步骤S4，对所述测试图像中的多时相多光谱图像对应的平均波段图像113a和t23a 进行特征提取，利用所述变化语义模型提取目标变化区域；
[0084] 所述步骤S4进一步包括以下步骤：
[0085]步骤S41，在所述测试图像中的多时相多光谱图像对应的平均波段图像tl3a和 t23a上，为每个像素提取地物类型特征；
[0086]本发明中，利用DAISY特征表征每个像素及其邻域的地物类型特征。DAISY特征的 提取方法与步骤S21相同。
[0087]步骤S 4 2，对所述测试图像中的多时相多光谱图像对应的平均波段图像113 a和 t23a的每个像素提取变化强度特征伽23^，(3)=03(^(：)423&，(3)，其中413(1(3)和€23 (r，c)分别为tl3a、t23a的像素(r，c)处的DIASY特征向量，r和c分别为像素的行号和列号；
[0088] 步骤S43,构造测试样本变化类-非变化类有序语义对:对所述测试图像的多时相 多光谱图像对应的平均波段图像tl3a、t23a上的每一个变化强度特征x k，分别从非变化类 和变化类的变化强度特征集合中利用k_D tree算法搜索最近邻xk,2和xk,3组成测试样本变 化类-非变化类有序语义对t = ( Xk，Xk, 2，Xk, 3 )。
[0089] 步骤S44，提取变化区域:对于每一个测试样本变化类-非变化类有序语义对t，其 类标由 g(t) = sgn( (Xk-Xk,2)TM(Xk-Xk,2)-(Xk-Xk,3)TM(Xk_Xk,3))确定，其中，g(t) =-1 表示有 序语义对t对应的像素处为非变化类，g t) = l表示有序语义对t对应的像素处为变化类。将 类标为变化类目标的像素进行合并，得到目标变化区域R1。由于全色图像和多光谱图像的 空间分辨率不同，为了后续的目标变化类型识别，将目标变化区域R1以全色图像t23c为基 准进行最近邻上采样，记上采样后的目标变化区域为R。
[0090] 步骤S5,对所述测试图像中的多时相全色图像的目标变化区域进行特征提取，利 用目标变化类型语义模型识别目标变化类型。
[0091] 所述步骤S5进一步包括以下步骤：
[0092]步骤S51，为所述测试图像中的多时相全色图像t23c和t24c的目标变化区域R中的 每个像素提取目标类型特征；
[0093]本发明中，利用DAISY特征表征每个像素及其邻域的地物类型特征。DAISY特征的 提取方法与步骤S21相同。
[0094]步骤S52,对所述测试图像中的多时相全色图像t23c和t24c的目标变化区域R中的 每个像素提取目标变化类型特征€口23(6〇) = €23(^(3)424(6(3)，其中汀23(6(3)和€24 (r，c)分别为t23c、t24c的像素(r，c)处的目标类型特征， r和C分别为像素的行号和列号，并 将目标变化区域R中所有像素的目标变化类型特征组合到一起形成测试样本集合T2= {Xl i = l，2,…，η}，xi表示目标变化区域R第i个像素对应的目标变化类型特征向量。
[0095]步骤S53,识别目标变化的类型：对所述测试样本集合T2中的每一个目标变 化类型特征xk，分别从第i类目标变化训练样本集合和非i类目标变化训练样本集 合的目标变化类型特征集合中利用k-D tree算法搜索最近邻^^和^, 3并组成目标 变化类型测试有序语义对ti= (Xk，Xi,2，Xi,3)，1 < i < C。，其中，目标变化类型测试有 序语义对 ti 的类标= 7 中，ai'g 2) /' (.、., t - .V·:.:) - (t -、,）/'(.τ; ^ ^,11,2)1?办1,11,2)-^,11,3)1?办1,11,3)当：[从1到(3遍历后取得最小值时对应的；[。 所述有序语义对^的类标即为目标变化的类型。
[0096]以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详 细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡 在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保 护范围之内。
【主权项】
1. 一种多源多时相遥感图像目标变化监测方法，其特征在于，该方法包括以下步骤： 步骤S1，对训练图像和测试图像中的多时相多光谱图像、全色图像进行预处理，得到训 练图像和测试图像中的多时相多光谱图像分别对应的平均波段图像； 步骤S2,对训练图像中的多时相多光谱图像对应的平均波段图像进行特征提取，学习 得到变化语义模型； 步骤S3,对训练图像中的多时相全色图像的已标好的目标变化类型的像素进行特征提 取，学习得到目标变化类型语义模型； 步骤S4,对测试图像中的多时相多光谱图像对应的平均波段图像进行特征提取，利用 所述变化语义模型提取目标变化区域； 步骤S5,对测试图像中的多时相全色图像的目标变化区域进行特征提取，利用目标变 化类型语义模型识别目标变化类型。2. 根据权利要求1所述的方法，其特征在于，所述步骤S1进一步包括以下步骤： 步骤S11，根据经炜度与图像像素的对应关系分别取出所述训练图像中的多时相多光 谱图像、多时相全色图像的公共部分，以及测试图像中的多时相多光谱图像、多时相全色图 像的公共部分图像； 步骤S12,将不同时相的同一类型的公共部分图像分别转换到相同的空间分辨率并使 其具有相同的尺寸； 步骤S13,计算训练图像和测试图像中经过所述步骤S12转换后的多光谱公共部分图像 的平均波段图像，得到训练图像和测试图像中的多时相多光谱图像分别对应的平均波段图 像，所述平均波段图像的每个像素值为该像素处不同波段光谱响应的均值。3. 根据权利要求1所述的方法，其特征在于，所述步骤S2进一步包括以下步骤： 步骤S21，在所述训练图像中的多时相多光谱图像对应的平均波段图像上，为每个像素 提取地物类型特征； 步骤S22,对所述训练图像中的多时相多光谱图像对应的平均波段图像的每个像素提 取变化强度特征，并将变化-非变化类训练区域中各像素对应的变化强度特征及其对应的 变化-非变化类型标注组合到一起形成变化强度特征训练样本集合； 步骤S23,利用所述地物类型特征和变化强度特征训练样本集合中的变化-非变化类型 标注构造变化类-非变化类有序语义对； 步骤S24，以最大化变化类-非变化类有序语义对的间隔为目标，构建变化语义模型，并 在变化强度特征训练样本的支持下求解变化类-非变化类语义投影矩阵和变化类-非变化 类语义参数。4. 根据权利要求3所述的方法，其特征在于，所述步骤S21进一步包括以下步骤： 步骤S211，计算以每个像素为中心、以采样尺度为半径的图像块中每个取样圆对应的 局部梯度方向直方图； 步骤S212,基于所述步骤S211得到的每个取样圆对应的局部梯度方向直方图，得到每 个像素对应的地物类型特征。5. 根据权利要求3所述的方法，其特征在于，所述变化语义模型包括变化类-非变化类 语义投影矩阵和变化类-非变化类语义参数，所述变化类-非变化类语义投影矩阵用于调整 非变化类与变化类特征之间的可分性，变化类-非变化类语义参数用于进行目标变化区域 检测。6. 根据权利要求1所述的方法，其特征在于，所述步骤S3进一步包括以下步骤： 步骤S31，在所述训练图像中的多时相全色图像的变化区域上，为每个像素提取地物类 型特征； 步骤S32,对所述训练图像中的多时相全色图像的已标好的目标变化类型的像素提取 目标变化类型特征，并将各像素对应的目标变化类型特征及其对应的变化类型标注组合到 一起形成目标变化类型特征训练样本集合； 步骤S33，根据目标变化类型特征的近邻性和变化类型标注的异同性构造目标变化类 型有序语义对； 步骤S34，以最大化目标变化类型特征的间隔为目标，构建目标变化类型语义模型，并 在目标变化类型特征训练样本的支持下求解目标变化类型语义模型。7. 根据权利要求6所述的方法，其特征在于，所述目标变化类型语义模型包括目标变化 类型语义投影矩阵和目标变化类型语义参数，其中，所述目标变化类型语义投影矩阵用于 调整不同目标变化类型的特征之间的距离、增加不同类型目标之间的可分性，所述目标变 化类型语义参数用于变化类型识别。8. 根据权利要求1所述的方法，其特征在于，所述步骤S4进一步包括以下步骤： 步骤S41，在所述测试图像的多时相多光谱图像对应的平均波段图像上，为每个像素提 取地物类型特征； 步骤S42,对所述测试图像的多时相多光谱图像对应的平均波段图像的每个像素提取 变化强度特征； 步骤S43,对所述测试图像的多时相多光谱图像对应的平均波段图像上的每一个变化 强度特征，分别从非变化类和变化类的变化强度特征集合中搜索最近邻组成测试样本变化 类-非变化类有序语义对； 步骤S44,对于每一个测试样本变化类-非变化类有序语义对，由有序语义对的类标得 到变化类目标，将类标为变化类目标的像素进行合并，得到目标变化区域。9. 根据权利要求8所述的方法，其特征在于，所述步骤S44还包括将目标变化区域以所 述测试图像中的全色图像为基准进行最近邻上采样的步骤。10. 根据权利要求1所述的方法，其特征在于，所述步骤S5进一步包括以下步骤： 步骤S51，为所述测试图像中的多时相全色图像的目标变化区域中的每个像素提取目 标类型特征； 步骤S52,对所述测试图像中的多时相全色图像的目标变化区域中的每个像素提取目 标变化类型特征，将目标变化区域中所有像素的目标变化类型特征组合到一起形成测试样 本集合； 步骤S53，对所述测试样本集合中的每一个目标变化类型特征，构造目标变化类型测试 有序语义对，根据所述目标变化类型有序语义对的类标识别目标变化类型。
【文档编号】G06T7/00GK105869165SQ201610187635
【公开日】2016年8月17日
【申请日】2016年3月29日
【发明人】霍春雷, 潘春洪, 周志鑫
【申请人】中国科学院自动化研究所