本發(fā)明涉及遙感科學(xué)與技術(shù)領(lǐng)域，具體設(shè)計一種基于cva(changevectoranalysis，變化向量分析)和樣本選擇的遙感影像變化檢測方法。

背景技術(shù)：

由于高分辨率遙感影像的應(yīng)用增多，能夠發(fā)揮其優(yōu)勢的對象級變化檢測逐步取代像素級變化檢測成為主流的變化檢測技術(shù)。對象為勻質(zhì)性一致的像元集合，又可以稱為像斑。像斑包含多維特征，基于差值法或比值法的變化檢測方法，采用單一的特征進(jìn)行變化檢測，無法完整表達(dá)像斑的信息。

非監(jiān)督變化檢測能夠用來快速檢測變化區(qū)域，實現(xiàn)多時相遙感影像非監(jiān)督變化檢測的關(guān)鍵是自動確定用于分割“變化”與“未變化”區(qū)域的變化閾值。bruzzone等提出了基于最大期望expectationmaximization(em)算法的貝葉斯閾值確定方法，得到了廣泛的應(yīng)用。該方法通過em算法估計變化類樣本和未變化類樣本的分布模型參數(shù)，然后根據(jù)貝葉斯最小誤差率理論得到變化閾值。該方法雖然能獲取較準(zhǔn)確的變化閾值，但其要求試驗區(qū)域內(nèi)變化區(qū)域與未變化區(qū)域的面積之比較高。然而地理國情監(jiān)測覆蓋的地理范圍較大，需要使用大幅面的遙感影像，當(dāng)兩個時相遙感影像采集時間間隔較短時，檢測區(qū)域內(nèi)變化區(qū)域與未變化區(qū)域的面積之比很小。直接采用基于em算法的貝葉斯閾值確定方法無法獲取準(zhǔn)確的變化閾值。

技術(shù)實現(xiàn)要素：

本發(fā)明旨在至少解決上述技術(shù)問題之一。

為此，本發(fā)明的一個目的在于提出一種基于cva和樣本選擇的遙感影像變化檢測方法。

為了實現(xiàn)上述目的，本發(fā)明的實施例公開了一種基于cva和樣本選擇的遙感影像變化檢測方法，包括一下步驟：s1：對需要進(jìn)行變化檢測的同一區(qū)域的2幅不同時相的遙感影像進(jìn)行配準(zhǔn)；s2：對配準(zhǔn)后遙感影像進(jìn)行多尺度分割，得到像斑；s3：將全部像斑進(jìn)行基于cva的特征融合生成每個像斑的像斑差異度，并得到差異影像；s4：將所述差異影像進(jìn)行格網(wǎng)分塊得到多個差異影像塊，計算出每個差異影像塊的標(biāo)準(zhǔn)差；s5：按照所有差異影像塊的標(biāo)準(zhǔn)差的差異程度從大到小的排序生成排序曲線，提取所述排序曲線中曲線斜率變化最大位置處的差異影像塊及斜率變化最大位置前一的差異影像塊分別作為第一差異影像塊和第二差異影像塊；s6：將所述第一差異影像塊的差異度和所述第二差異影像塊的差異度作為訓(xùn)練樣本，將所述訓(xùn)練樣本通過基于em算法的貝葉斯閾值確定方法獲取變化閾值，利用所述變化閾值對所述差異影像進(jìn)行二值分割，獲得變化檢測結(jié)果；以及s7：輸出所述檢測結(jié)果。

根據(jù)本發(fā)明實施例的基于cva和樣本選擇的遙感影像變化檢測方法，能夠有效融合影像對象的多維特征，發(fā)揮不同影像對象特征在變化檢測中的能力，提高變化檢測算法的可靠性和適用范圍；能夠準(zhǔn)確獲取變化區(qū)域與未變化區(qū)域面積比例較小的大幅面檢測區(qū)域的變化閾值，避免變化閾值計算錯誤導(dǎo)致變化檢測失敗，使得變化檢測算法穩(wěn)定性增強(qiáng)。

另外，根據(jù)本發(fā)明上述實施例的基于cva和樣本選擇的遙感影像變化檢測方法，還可以具有如下附加的技術(shù)特征：

進(jìn)一步地，在步驟s1中，采用小面元微分糾正方法進(jìn)行配準(zhǔn)。

進(jìn)一步地，在步驟s2中，采用分形網(wǎng)絡(luò)演化算法進(jìn)行所述多尺度分割。

進(jìn)一步地，當(dāng)整幅影像的尺寸超過10000像素×10000像素時，采用2048像素×2048像素的分塊進(jìn)行所述網(wǎng)格分塊。

本發(fā)明的附加方面和優(yōu)點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發(fā)明的實踐了解到。

附圖說明

本發(fā)明的上述和/或附加的方面和優(yōu)點從結(jié)合下面附圖對實施例的描述中將變得明顯和容易理解，其中：

圖1是本發(fā)明一個實施例的基于cva和樣本選擇的遙感影像變化檢測方法的流程圖。

具體實施方式

下面詳細(xì)描述本發(fā)明的實施例，所述實施例的示例在附圖中示出，其中自始至終相同或類似的標(biāo)號表示相同或類似的元件或具有相同或類似功能的元件。下面通過參考附圖描述的實施例是示例性的，僅用于解釋本發(fā)明，而不能理解為對本發(fā)明的限制。

在本發(fā)明的描述中，需要理解的是，術(shù)語“第一”、“第二”僅用于描述目的，而不能理解為指示或暗示相對重要性。

參照下面的描述和附圖，將清楚本發(fā)明的實施例的這些和其他方面。在這些描述和附圖中，具體公開了本發(fā)明的實施例中的一些特定實施方式，來表示實施本發(fā)明的實施例的原理的一些方式，但是應(yīng)當(dāng)理解，本發(fā)明的實施例的范圍不受此限制。相反，本發(fā)明的實施例包括落入所附加權(quán)利要求書的精神和內(nèi)涵范圍內(nèi)的所有變化、修改和等同物。

以下結(jié)合附圖描述根據(jù)本發(fā)明實施例的基于cva和樣本選擇的遙感影像變化檢測方法。

請參考圖1，一種基于cva和樣本選擇的遙感影像變化檢測方法，包括以下步驟：

s1：對需要進(jìn)行變化檢測的同一區(qū)域的2幅不同時相的遙感影像進(jìn)行配準(zhǔn)。在本發(fā)明的一個實施例中，小面元微分糾正方法進(jìn)行配準(zhǔn)，極大地提高了山區(qū)遙感影像的配準(zhǔn)與融合。

s2：對配準(zhǔn)后遙感影像進(jìn)行多尺度分割，得到像斑。分割尺度參數(shù)依靠使用者的經(jīng)驗知識利用啟發(fā)式的方法確定。在本發(fā)明的一個實施例中，采用分形網(wǎng)絡(luò)演化算法進(jìn)行多尺度分割。使用分形網(wǎng)絡(luò)演化算法生成的影像不僅包括了光譜同質(zhì)性，而且包括了空間特征與形狀特征的同質(zhì)性。在本發(fā)明的一個示例中，灰度位數(shù)16bit的影像數(shù)據(jù)設(shè)置分割尺度參數(shù)為300，灰度位數(shù)8bit的影像數(shù)據(jù)設(shè)置分割尺度參數(shù)為100。

s3：將全部像斑進(jìn)行基于cva的特征融合生成每個像斑的像斑差異度，并得到差異影像。其中，cva算法為：

其中，為第l個像斑的差異度，q^t＝{q1,q2,...,qw}，q^t為原波段光譜特征組成的w維向量，t∈{1,2}分別代表前后時相。

s4：將差異影像進(jìn)行格網(wǎng)分塊得到多個差異影像塊，計算出每個差異影像塊的標(biāo)準(zhǔn)差，作為每個差異影像塊的差異程度。

具體地，首先假設(shè)xt,t∈{1,2}作為兩個時相的影像，將xt用格網(wǎng)分塊法分為n個影像塊的尺寸p*q依據(jù)影像的分辨率和圖幅范圍設(shè)置。分塊尺寸過小會影響算法的計算效率，尺寸過大則無法達(dá)到通過分塊以提高局部區(qū)域變化類相對于未變化類先驗概率的目的。然后采用cva算法構(gòu)建的差異影像塊差異影像塊的標(biāo)準(zhǔn)差反映了圖像灰度動態(tài)變化程度，可以表征差異影像的變化程度。差異影像塊標(biāo)準(zhǔn)差較大的差異影像塊的樣本分布更加符合混合高斯分布，利于基于em算法的貝葉斯閾值計算。設(shè)為中變化區(qū)域與未變化區(qū)域的面積比例，為標(biāo)準(zhǔn)差σi的單調(diào)函數(shù)。其中，

在本發(fā)明的一個實施例中，當(dāng)整幅影像的尺寸超過10000像素×10000像素時，采用2048像素×2048像素的分塊進(jìn)行網(wǎng)格分塊，既能保證算法的處理效率，又能保證影像塊具有足夠的地物信息量。

s5：按照所有差異影像塊的標(biāo)準(zhǔn)差的差異程度從大到小的排序生成排序曲線，提取排序曲線中曲線斜率變化最大位置處的差異影像塊及斜率變化最大位置前一的差異影像塊分別作為第一差異影像塊和第二差異影像塊。

具體地，將按差異度由大到小排序，即轉(zhuǎn)化為按σi由大到小排序，得到經(jīng)過排序的影像塊集合：

將σi作為縱軸坐標(biāo)，差異影像塊的排序號i作為橫坐標(biāo)，得到標(biāo)注差σi和排序號i組成的坐標(biāo)系，則pc中每個差異影像塊在該坐標(biāo)系中存在點(i，σi)，連接每一個點(i，σi)，則生成排序曲線，提取排序曲線斜率變化最大位置處及斜率變化最大位置前的差異影像塊分別作為第一差異影像塊和第二差異影像塊，記為強(qiáng)差異影像塊，其余影像塊記為弱差異影像塊。提取強(qiáng)差異影像塊對應(yīng)的影像塊構(gòu)建樣本影像塊集合xt'。將xt'包含的像斑差異度作為訓(xùn)練樣本。

s6：將第一差異影像塊的差異度和所述第二差異影像塊的差異度作為訓(xùn)練樣本，將訓(xùn)練樣本通過基于em算法的貝葉斯閾值確定方法獲取變化閾值，利用所述變化閾值對所述差異影像進(jìn)行二值分割，獲得變化檢測結(jié)果。

具體地，假設(shè)由像斑差異度組成的集合為m為像斑的數(shù)量；將集合dcva分為變化類wc和未變化類wu，假設(shè)變化類條件密度函數(shù)和未變化類條件密度函數(shù)均服從高斯分布：

式中，s∈{c,u}，μs、δs分別為變化類像斑和未變化類像斑的均值和標(biāo)準(zhǔn)差；

則dcva中所有像斑差異度近似滿足2個子高斯組成的混合高斯分布：

式中p(wc)和p(wu)為變化類和未變化類的先驗概率，且p(wc)+p(wu)＝1；

使用em算法對2個子高斯模型進(jìn)行參數(shù)估計，獲得未變化類和變化類的分布參數(shù)p(wu)、μu、δu和p(wc)、μc、δc；

利用em算法估計wc和wu的統(tǒng)計分布參數(shù)后，根據(jù)貝葉斯最小誤差率理論計算變化閾值τ，τ的求解式：

通過基于em算法的貝葉斯閾值確定方法計算變化閾值，并利用變化閾值對差異影像進(jìn)行二值分割獲得變化檢測結(jié)果。

s7：輸出檢測結(jié)果。

另外，本發(fā)明實施例的基于cva和樣本選擇的遙感影像變化檢測方法的其它構(gòu)成以及作用對于本領(lǐng)域的技術(shù)人員而言都是已知的，為了減少冗余，不做贅述。

在本說明書的描述中，參考術(shù)語“一個實施例”、“一些實施例”、“示例”、“具體示例”、或“一些示例”等的描述意指結(jié)合該實施例或示例描述的具體特征、結(jié)構(gòu)、材料或者特點包含于本發(fā)明的至少一個實施例或示例中。在本說明書中，對上述術(shù)語的示意性表述不一定指的是相同的實施例或示例。而且，描述的具體特征、結(jié)構(gòu)、材料或者特點可以在任何的一個或多個實施例或示例中以合適的方式結(jié)合。

盡管已經(jīng)示出和描述了本發(fā)明的實施例，本領(lǐng)域的普通技術(shù)人員可以理解：在不脫離本發(fā)明的原理和宗旨的情況下可以對這些實施例進(jìn)行多種變化、修改、替換和變型，本發(fā)明的范圍由權(quán)利要求及其等同限定。