專利名稱：基于核傳播的遙感圖像變化檢測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明屬于數(shù)字圖像處理領(lǐng)域，主要涉及遙感圖像變化檢測(cè)，具體是一種基于核傳播的遙感圖像變化檢測(cè)方法，可用于遙感圖像分析和處理。
背景技術(shù)：
遙感圖像的變化檢測(cè)是通過(guò)分析和提取同一地區(qū)不同時(shí)相的遙感圖像之間存在的電磁波譜特征差異或空間結(jié)構(gòu)特征差異，來(lái)識(shí)別物體的狀態(tài)變化或現(xiàn)象變化的過(guò)程。在國(guó)民經(jīng)濟(jì)和國(guó)防建設(shè)的諸多領(lǐng)域已得到廣泛應(yīng)用，如農(nóng)業(yè)調(diào)查、森林和植被變化監(jiān)測(cè)、城區(qū)擴(kuò)展監(jiān)測(cè)、軍事目標(biāo)監(jiān)測(cè)等。遙感圖像變化檢測(cè)中一種常見的檢測(cè)方法是先比較后分類的方法，即首先將兩時(shí)相圖像做差，構(gòu)造一幅差異圖像，然后對(duì)其進(jìn)行分類，得到變化檢測(cè)結(jié)果。直接對(duì)兩時(shí)相圖像進(jìn)行比較，不會(huì)改變?cè)瓐D像數(shù)據(jù)，不存在分類誤差累計(jì)的問(wèn)題，保證了變化檢測(cè)結(jié)果的可靠性。但是由于配準(zhǔn)誤差等原因，對(duì)于沒有發(fā)生變化的區(qū)域，兩時(shí)相圖像對(duì)應(yīng)位置的灰度值也存在一定的偏差，故而簡(jiǎn)單地對(duì)差值圖像進(jìn)行分類會(huì)導(dǎo)致變化檢測(cè)結(jié)果中存在很多的偽變化信息。一些學(xué)者將圖像的變化檢測(cè)問(wèn)題轉(zhuǎn)化為聚類問(wèn)題，根據(jù)差異圖中像素點(diǎn)之間的相似性將像素點(diǎn)聚為變化類和非變化類。Celik (2009)在文章“Multiscale ChangeDetection in Multitemporal Satellite Images, IEEE Geoscience and Remote SensingLetters, 2009，6 (4):820-824"中提出了一種k均值聚類多尺度特征的遙感圖像變化檢測(cè)方法，該方法首先對(duì)差值圖像進(jìn)行非下采樣離散小波變換，提取每一個(gè)像素的多尺度特征矢量，然后用k均值聚類方法將這些特征矢量分為變化類和非變化類，得到變化檢測(cè)結(jié)果。該方法雖然利用了每個(gè)像素的鄰域信息及多尺度信息，能在一定程度上提高變化檢測(cè)的正確率，但是對(duì)于背景區(qū)域和變化區(qū)域?qū)Ρ榷群艿偷膱D像，其鄰域特征和多尺度特征起到的作用不大，該方法并不 能很好的檢測(cè)出變化區(qū)域。為了提高聚類的準(zhǔn)確度，一些學(xué)者對(duì)傳統(tǒng)聚類方法進(jìn)行了改進(jìn)。Mishra等學(xué) 者(2012) 在文 章“Fuzzy Custering Algorithms Incorporating LocalInformation for Change Detection in Remotely Sensed Images,Applied SoftComputing, 2012，12:2683-2692”中提出了一種基于模糊聚類的無(wú)監(jiān)督遙感圖像變化檢測(cè)方法，該方法對(duì)多個(gè)波段的兩時(shí)相遙感圖像采用CVA方法得到一幅差異圖，然后通過(guò)合并差異圖中像素的二階鄰域信息對(duì)像素的灰度值進(jìn)行校正，并將模擬退火算法與多種傳統(tǒng)聚類算法結(jié)合，對(duì)校正后的差異圖進(jìn)行聚類得到變化檢測(cè)結(jié)果。該方法通過(guò)合并鄰域信息和改進(jìn)聚類方法降低了變化檢測(cè)結(jié)果的誤檢，但該方法對(duì)于低對(duì)比度差異圖的檢測(cè)結(jié)果也較差。上述的變化檢測(cè)方法都是采用無(wú)監(jiān)督的學(xué)習(xí)方式，不能準(zhǔn)確的反映數(shù)據(jù)間的關(guān)系，從而使得變化檢測(cè)結(jié)果不理想。

發(fā)明內(nèi)容
本發(fā)明的目的在于針對(duì)上述變換檢測(cè)技術(shù)的不足，提出一種基于核傳播的遙感圖像變化檢測(cè)方法，該方法通過(guò)較精確的標(biāo)記信息對(duì)數(shù)據(jù)的特征空間進(jìn)行約束修正，使獲得的特征空間更準(zhǔn)確地反映數(shù)據(jù)之間關(guān)系，從而提高檢測(cè)結(jié)果的正確率。實(shí)現(xiàn)本發(fā)明目的的技術(shù)方案，包括如下步驟:(I)輸入兩幅大小均為IXJ的同一地區(qū)不同時(shí)相已配準(zhǔn)的遙感圖像X1和X2,計(jì)算它們對(duì)應(yīng)空間位置(m，n)處的像素點(diǎn)灰度值X1On, η)和X2 (m，η)的差值的絕對(duì)值Xd (m, η) = | X1 (m, n) -X2 (m, η) |，由此得到一幅差值圖像 Xd= {Xd (m, n) m=l, 2,..., I, n=l, 2，...，J}，其中，m和η分別為輸入遙感圖像的行和列序號(hào)；
(2)對(duì)差值圖像Xd采用均值漂移方法進(jìn)行分割，得到一幅由不同標(biāo)記區(qū)域構(gòu)成的過(guò)分割標(biāo)記圖xb，計(jì)算差值圖像Xd中空間位置對(duì)應(yīng)在同一標(biāo)記區(qū)域中的所有像素點(diǎn)的灰度均值，再將同一標(biāo)記區(qū)域的灰度均值賦給該標(biāo)記區(qū)域的像素點(diǎn)的灰度值，得到一幅過(guò)分割灰度圖X。，其中具有相同灰度值的像素點(diǎn)形成的一個(gè)標(biāo)記區(qū)域?yàn)橐粋€(gè)超像素；(3)用k均值聚類算法將過(guò)分割灰度圖X。中的超像素聚為三類，分別是肯定變化類、肯定非變化類及不確定類；(4)從肯定變化類的超像素中選取Nk個(gè)種子，形成肯定變化類的種子集X。，從肯定非變化類的超像素中選取Nz-Nk個(gè)種子，形成肯定非變化類的種子集Xn，合并肯定變化類的種子集X。和肯定非變化類的種子集Xn，得到種子集X1,并將超像素集中減去種子集X1后剩余的超像素形成的集合稱為無(wú)標(biāo)簽集Xu，其中，Nz為選取種子的總個(gè)數(shù)；(5)在肯定變化類的種子集X。中隨機(jī)選取種子對(duì)，在肯定非變化類的種子集Xn中隨機(jī)選取種子對(duì)，所有種子對(duì)形成正約束集M，再分別在肯定變化類的種子集X。和肯定非變化類的種子集Xn中隨機(jī)選取一個(gè)種子，構(gòu)成種子對(duì)，所有種子對(duì)形成負(fù)約束集C ；(6)先將種子集X1中的超像素按標(biāo)記值從小到大排列，再將無(wú)標(biāo)簽集Xu中的超像素按標(biāo)記值從小到大排列，按順序構(gòu)成超像素向量S ;計(jì)算超像素向量S的歸一化拉普拉斯矩陣L，由此計(jì)算種子核矩陣K11,用核傳播公式計(jì)算與超像素集S對(duì)應(yīng)的全核矩陣K*并對(duì)其進(jìn)行歸一化，得到一個(gè)大小為NXN的歸一化全核矩陣K ；(7)用k均值聚類算法將全核矩陣K按行聚為兩類，分別計(jì)算這兩類的所有超像素的灰度均值，將灰度均值較大的一類超像素確定為變化類超像素，另一類即為非變化類超像素；(8)對(duì)于超像素向量S中的超像素，如果該超像素屬于變化類，則將分割標(biāo)記圖Xb中與該超像素標(biāo)記相同的像素點(diǎn)都確定為變化類，否則，為非變化類，由此得到變化檢測(cè)結(jié)果O本發(fā)明與現(xiàn)有技術(shù)相比具有如下優(yōu)點(diǎn):1、本發(fā)明采用均值漂移方法過(guò)分割差值圖，獲得關(guān)于差值圖的超像素集，有效地保持了變化區(qū)域的邊緣結(jié)構(gòu)信息，同時(shí)降低了需要處理的數(shù)據(jù)量，提高了計(jì)算效率。2、本發(fā)明用k均值聚類算法將過(guò)分割灰度圖X。聚為三類，在屬于肯定變化類和肯定非變化類的超像素中選取種子點(diǎn)，使得選取的種子點(diǎn)更具有代表性；另外，在屬于肯定變化類和肯定非變化類的種子點(diǎn)中選取種子對(duì)構(gòu)造約束集，使獲取的關(guān)于變化類和非變化類的先驗(yàn)信息更準(zhǔn)確。
3、本發(fā)明采用核傳播的方法將約束信息傳播到與整個(gè)超像素集對(duì)應(yīng)的全核矩陣，使獲得的特征空間更準(zhǔn)確地反映超像素之間的關(guān)系，提高了變化檢測(cè)結(jié)果的正確率。


圖1是本發(fā)明的實(shí)現(xiàn)流程框圖；圖2是用于實(shí)驗(yàn)的第一組遙感圖像和對(duì)應(yīng)的變化參考圖像；圖3是用于實(shí)驗(yàn)的第二組遙感圖像和對(duì)應(yīng)的變化參考圖像；圖4是本發(fā)明與對(duì)比方法仿真第一組遙感圖像得到的變化檢測(cè)結(jié)果圖；圖5是本發(fā)明與對(duì)比方法仿真第二組遙感圖像得到的變化檢測(cè)結(jié)果圖。
具體實(shí)施例方式參照?qǐng)D1，本發(fā)明的實(shí)現(xiàn)步驟如下:步驟1，輸入兩幅大小均為IXJ的同一地區(qū)不同時(shí)相已配準(zhǔn)的遙感圖像X1和X2,如圖2(a)和圖2(b)所示，將圖像X1和X2空間對(duì)應(yīng)位置(m，η)處的像素點(diǎn)灰度值X1On, η)和X2 (m, η)進(jìn)行差值計(jì)算，得到灰度差值Xd (m, n) = | X1 (m, n) -X2 (m, η) |，由此得到一幅差值圖像Xd= {Xd(m, n) m=l, 2,..., I, n=l, 2，…，J}，其中，m和η分別為輸入遙感圖像的行和列序號(hào)。步驟2，根據(jù)差值圖像Xd，得到一幅過(guò)分割灰度圖X。。(2a)對(duì)差值圖Xd采用均值漂移方法進(jìn)行分割，得到一幅過(guò)分割標(biāo)記圖Xb，過(guò)分割標(biāo)記圖Xb中每個(gè)像素點(diǎn)的灰度值為該像素點(diǎn)的標(biāo)記1，標(biāo)記1=1，2，…，N，其中N表示用均值漂移方法分割差值圖Xd得到的標(biāo)記的最大值；(2b)過(guò)分割標(biāo)記圖Xb中具有相同標(biāo)記I的像素點(diǎn)形成一個(gè)區(qū)域，在差值圖Xd中計(jì)算與該區(qū)域空間位置對(duì)應(yīng)的所有像素點(diǎn)的灰度均值，將得到的灰度均值作為該區(qū)域中每個(gè)像素點(diǎn)的灰度值，由此得到一幅過(guò)分割灰度圖X。，其中具有相同灰度值的像素點(diǎn)形成的一個(gè)標(biāo)記區(qū)域?yàn)橐粋€(gè)超像素。 步驟3，用k均值聚類算法將過(guò)分割灰度圖X。中的超像素聚為三類，分別是肯定變化類、肯定非變化類及不確定類。步驟4，從肯定變化類和肯定非變化類的超像素中選取種子，得到種子集X10本發(fā)明中肯定變化類的種子集的選取方法，可以是聚類中心法，即從肯定變化類的聚類中心及其特征空間鄰域內(nèi)選??；也可以是概率分布法，即種子點(diǎn)到肯定變化類的聚類中心的距離符合高斯分布方法；也可以是隨機(jī)選取法，本實(shí)例按如下步驟進(jìn)行:(4a)將過(guò)分割灰度圖X。中標(biāo)記為I的超像素的灰度值記為島得到超像素I S={劍/=1，2，.Λ};(4b)如果屬于肯定變化類的超像素個(gè)數(shù)大于Nz/2，則在屬于肯定變化類的超像素中隨機(jī)選取Nk=Nz/2個(gè)種子，否則，將屬于肯定變化類的所有Nk個(gè)超像素都作為種子；用這些種子形成肯定變化類的種子集X。，其中，Νζ=λ ΧΝ，其中λ為種子數(shù)系數(shù)，其取值范圍為
0.1 0.2。 (4c)從肯定非變化類的超像素中選取Nz-Nk個(gè)種子，形成肯定非變化類的種子集Xn;
(4d)將肯定非變化類的種子集Xn和肯定變化類的種子集X。合并，得到一個(gè)肯定類種子集X1 ；(4e)從超像素集§中減去肯定類種子集X1，將剩余的超像素形成的集合作為無(wú)標(biāo)簽集xu，其中，無(wú)標(biāo)簽集Xu中的超像素是沒有確定類別的，也就是該超像素沒有標(biāo)記是屬于變化類或?qū)儆诜亲兓?。步驟5，在肯定類種子集X1中隨機(jī)選取種子對(duì)，構(gòu)成正約束集M和負(fù)約束集C。本發(fā)明中肯定變化類的種子集中種子對(duì)的選取方法，可以是聚類中心法，即一個(gè)種子為肯定變化類的聚類中心，另一個(gè)種子在聚類中心的特征空間鄰域內(nèi)選??；也可以是概率分布法，即種子點(diǎn)對(duì)到聚類中心的距離均符合高斯分布方法，也可以是隨機(jī)選取法，本實(shí)例按如下步驟進(jìn)行:(5a)在肯定變化類的種子集X。中隨機(jī)選取2個(gè)種子，構(gòu)成一對(duì)種子對(duì)，該種子對(duì)在超像素集§中的對(duì)應(yīng)的兩個(gè)標(biāo)記込和Ib構(gòu)成一對(duì)標(biāo)記對(duì)(la，Ib)，其中，Ia e {I, 2，…，N}，Ib e U，2,…，N}；(5b)重 復(fù)步驟(5a)Nm次,得到Nm對(duì)標(biāo)記對(duì){(la, Ib)},構(gòu)成肯定變化類標(biāo)記集Ml,其中，Nm表示正約束集中的種子對(duì)的數(shù)目，其取值范圍為10 30 ;(5c)在肯定非變化類的種子集Xn中隨機(jī)選取2個(gè)種子，構(gòu)成一對(duì)種子對(duì)，該種子對(duì)在超像素彳S中的對(duì)應(yīng)的兩個(gè)標(biāo)記I。和Id構(gòu)成一對(duì)標(biāo)記對(duì)(1。，Id)其中，I。e {I, 2，…，N}，Id e {1，2，...，N}；(5d)重復(fù)步驟(5c) Nffl次，得到Nm對(duì)標(biāo)記對(duì){(lc, Id)}，構(gòu)成肯定非變化類標(biāo)記集M2 ；(5e)將肯定變化類標(biāo)記集Ml和肯定非變化類標(biāo)記集M2合并構(gòu)成正約束集M。(5f)在肯定變化類的種子集X。和肯定非變化類的種子集Xn中分別隨機(jī)選取一個(gè)種子組成一對(duì)種子對(duì)，將該種子對(duì)在超像素集§中的對(duì)應(yīng)的兩個(gè)標(biāo)記Ie和If構(gòu)成一對(duì)標(biāo)記對(duì)(le，lf)，其中，Ie e {1,2, - ,N}, If e {1,2, - ,N}；(5g)重復(fù)步驟(5f)共N。次，得到N。對(duì)標(biāo)記對(duì){(le，If) }，構(gòu)成負(fù)約束集合C，其中N。表示負(fù)約束集中的種子對(duì)的數(shù)目，其取值范圍為10 30，本發(fā)明實(shí)例中^=20。步驟6，將肯定類種子集X1和無(wú)標(biāo)簽集Xu中的超像素構(gòu)成超像素向量S，計(jì)算其種子核矩陣K11,用核傳播公式計(jì)算得到歸一化全核矩陣K。(6a)將肯定類種子集X1中的超像素按標(biāo)記值從小到大排序，并賦給超像素向量S的第I個(gè)到第Nz個(gè)元素；將無(wú)標(biāo)簽集Xu中的超像素按標(biāo)記值從小到大排序，并賦給超像素向量S的第Nz+1個(gè)到第N個(gè)元素；(6b)計(jì)算超像素向量S的歸一化拉普拉斯矩陣L，其計(jì)算公式如下:L = 1-『1/2 販1/2其中，I是大小為NXN的單位矩陣；W是大小為NXN的相似度矩陣，Wij為相似度矩陣W中的元素，i和j為矩陣的行序號(hào)和列序號(hào)，i=l, 2，…，N, j=l, 2，…，N,當(dāng)i=j時(shí)，Wij=O,當(dāng)i關(guān)j時(shí)，Wij的計(jì)算公式為:
權(quán)利要求
1.一種基于核傳播的遙感圖像變化檢測(cè)方法，包括如下步驟: (1)輸入兩幅大小均為IXJ的同一地區(qū)不同時(shí)相已配準(zhǔn)的遙感圖像X1和X2，計(jì)算它們對(duì)應(yīng)空間位置(m，n)處的像素點(diǎn)灰度值X1On, η)和X2 (m，η)的差值的絕對(duì)值Xd (m, η) = | X1 (m, n) -X2 (m, η) |，由此得到一幅差值圖像 Xd= {Xd (m, n) m=l, 2,..., I, n=l, 2，...，J}，其中，m和η分別為輸入遙感圖像的行和列序號(hào)； (2)對(duì)差值圖像Xd采用均值漂移方法進(jìn)行分割，得到一幅由不同標(biāo)記區(qū)域構(gòu)成的過(guò)分割標(biāo)記圖Xb，計(jì)算差值圖像Xd中空間位置對(duì)應(yīng)在同一標(biāo)記區(qū)域中的所有像素點(diǎn)的灰度均值，再將同一標(biāo)記區(qū)域的灰度均值賦給該標(biāo)記區(qū)域的像素點(diǎn)的灰度值，得到一幅過(guò)分割灰度圖X。，其中具有相同灰度值的像素點(diǎn)形成的一個(gè)標(biāo)記區(qū)域?yàn)橐粋€(gè)超像素； (3)用k均值聚類算法將過(guò)分割灰度圖X。中的超像素聚為三類，分別是肯定變化類、肯定非變化類及不確定類； (4)從肯定變化類的超像素中選取Nk個(gè)種子，形成肯定變化類的種子集X。，從肯定非變化類的超像素中選取Nz-Nk個(gè)種子，形成肯定非變化類的種子集Xn，合并肯定變化類的種子集X。和肯定非變化類的種子集Xn，得到種子集X1,并將超像素集中減去種子集X1后剩余的超像素形成的集合稱為無(wú)標(biāo)簽集Xu，其中，Nz為選取種子的總個(gè)數(shù)； (5)在肯定變化類的種子集X。中隨機(jī)選取種子對(duì)，在肯定非變化類的種子集Xn中隨機(jī)選取種子對(duì)，所有種子對(duì)形成正約束集M，再分別在肯定變化類的種子集X。和肯定非變化類的種子集Xn中隨機(jī)選取一個(gè)種子，構(gòu)成種子對(duì)，所有種子對(duì)形成負(fù)約束集C ； (6)先將種子集X1中的超像素按標(biāo)記值從小到大排列，再將無(wú)標(biāo)簽集Xu中的超像素按標(biāo)記值從小到大排列，按順序構(gòu)成超像素向量S ;計(jì)算超像素向量S的歸一化拉普拉斯矩陣L，由此計(jì)算種子核矩陣K11,用核傳播公式計(jì)算與超像素集S對(duì)應(yīng)的全核矩陣K*并對(duì)其進(jìn)行歸一化，得到一個(gè)大小為NXN的歸一化全核矩陣K ； (7)用k均值聚類算法將全核矩陣K按行聚為兩類，分別計(jì)算這兩類的所有超像素的灰度均值，將灰度均值較大的一類超像素確定為變化類超像素，另一類即為非變化類超像素； (8)對(duì)于超像素向量S中的超像素，如果該超像素屬于變化類，則將分割標(biāo)記圖Xb中與該超像素標(biāo)記相同的像素點(diǎn)都確定為變化類，否則，為非變化類，由此得到變化檢測(cè)結(jié)果。
2.根據(jù)權(quán)利要求1所述的基于核傳播的遙感圖像變化檢測(cè)方法，其特征在于:步驟4所述的從肯定變化類的超像素中選取種子，形成肯定變化類的種子集I，按如下步驟進(jìn)行: (4a)將過(guò)分割灰度圖X。中標(biāo)記為I的超像素的灰度值記力V得到超像素集§={i/|/=1,2,.N] (4b)如果屬于肯定變化類的超像素個(gè)數(shù)大于Nz/2，則在屬于肯定變化類的超像素中隨機(jī)選取Nk=Nz/2個(gè)種子，否則，將屬于肯定變化類的所有Nk個(gè)超像素都作為種子；用這些種子形成肯定變化類的種子集X。，其中，Nz= λ ΧΝ，其中λ為種子數(shù)系數(shù)，其取值范圍為0.1 0.2。
3.根據(jù)權(quán)利要求1所述的基于核傳播的遙感圖像變化檢測(cè)方法，其特征在于:步驟5所述的在肯定變化類的種子集X。中隨機(jī)選取種子對(duì)，在肯定非變化類的種子集Xn*隨機(jī)選取種子對(duì)，所有種子對(duì)形成正約束集Μ，按如下步驟進(jìn)行:(5a)在肯定變化類的種子集X。中隨機(jī)選取2個(gè)種子，構(gòu)成一對(duì)種子對(duì)，該種子對(duì)在超像素集§中的對(duì)應(yīng)的兩個(gè)標(biāo)記込和Ib構(gòu)成一對(duì)標(biāo)記對(duì)(la，lb)，其中，Ia e {1，2，…，N}，Ib e U，2,…，N}； (5b)重復(fù)步驟(5&)\次，得到Nm對(duì)標(biāo)記對(duì){(la，lb)}，構(gòu)成肯定變化類標(biāo)記集M1，其中，Nm表示正約束集中的種子對(duì)的數(shù)目，其取值范圍為10 30 ; (5c)在肯定非變 化類的種子集Xn中隨機(jī)選取2個(gè)種子，構(gòu)成一對(duì)種子對(duì)，該種子對(duì)在超像素集§中的對(duì)應(yīng)的兩個(gè)標(biāo)記I。和Id構(gòu)成一對(duì)標(biāo)記對(duì)(1。，Id)其中，Ic e {I, 2，…，N}，Id e U，2,…，N}； (5d)重復(fù)步驟(5c) Nffl次，得到Nm對(duì)標(biāo)記對(duì){(lc, Id)}，構(gòu)成肯定非變化類標(biāo)記集M2 ； (5e)將肯定變化類標(biāo)記集Ml和肯定非變化類標(biāo)記集M2合并構(gòu)成正約束集M。
4.根據(jù)權(quán)利要求1所述的基于核傳播的遙感圖像變化檢測(cè)方法，其特征在于:步驟5所述的分別在肯定變化類的種子集X。和肯定非變化類的種子集Xn中隨機(jī)選取一個(gè)種子，構(gòu)成種子對(duì)，所有種子對(duì)形成負(fù)約束集C，按如下步驟進(jìn)行: (5f)在肯定變化類的種子集X。和肯定非變化類的種子集Xn中分別隨機(jī)選取一個(gè)種子組成一對(duì)種子對(duì)，將該種子對(duì)在超像素集§中的對(duì)應(yīng)的兩個(gè)標(biāo)記Ie和If構(gòu)成一對(duì)標(biāo)記對(duì)(le，If)，其中，Ie e {I, 2,…，N}，If e {I, 2,...,N}； (58)重復(fù)步驟(5^共N。次，得到N。對(duì)標(biāo)記對(duì){(le, If)}，構(gòu)成負(fù)約束集合C，其中N。表示負(fù)約束集中的種子對(duì)的數(shù)目，其取值范圍為10 30。
全文摘要
本發(fā)明公開了一種基于核傳播的遙感圖像變化檢測(cè)方法，主要解決現(xiàn)有技術(shù)不能準(zhǔn)確反映數(shù)據(jù)間關(guān)系導(dǎo)致的檢測(cè)正確率不高的缺點(diǎn)。其實(shí)現(xiàn)步驟為輸入兩幅不同時(shí)相的遙感圖像，對(duì)其做差得到差值圖像；對(duì)差值圖像進(jìn)行過(guò)分割得到超像素集，將超像素集用k均值方法分為肯定變化類、肯定非變化類和不確定類；在屬于肯定變化類和肯定非變化類的超像素中選取種子構(gòu)造約束集；用約束集計(jì)算種子核矩陣，再用核傳播公式計(jì)算全核矩陣并對(duì)其對(duì)角歸一化；對(duì)歸一化全核矩陣聚類得到變化檢測(cè)結(jié)果。本發(fā)明具有較強(qiáng)的抗噪性，能有效地去除雜點(diǎn)，同時(shí)較好的保留邊緣信息，檢測(cè)結(jié)果準(zhǔn)確率高?？捎糜诔菂^(qū)擴(kuò)展監(jiān)測(cè)、森林和植被變化監(jiān)測(cè)等領(lǐng)域。
文檔編號(hào)G06T7/00GK103218823SQ201310169168
公開日2013年7月24日 申請(qǐng)日期2013年5月8日 優(yōu)先權(quán)日2013年5月8日
發(fā)明者王桂婷, 焦李成, 劉博偉, 公茂果, 侯彪, 王爽, 鐘樺, 田小林, 張小華 申請(qǐng)人:西安電子科技大學(xué)