CN102169545A - 一种高分辨率遥感图像的变化检测方法 - Google Patents

Abstract

本发明是一种高分辨率遥感图像变化检测方法，包括：步骤S1：提取图像多尺度变化特征；步骤S2：在最低尺度上，利用局部特征和渐进直推式支持向量机计算最低尺度上的变化检测结果；步骤S3：采用“由粗到精、逐层加细”的策略对最低尺度的变化检测结果进行逐层加细。本发明方法综合利用了不同尺度下变化特征的可分性，反映了变化的尺度依赖性；采用“由粗到精、逐层加细”的多尺度变化检测策略，反映了变化的尺度传播特性，模拟了人眼在观察变化时的层次性，大大提高了计算效率和鲁棒性。本发明可以广泛应用于灾害检测、目标监测、电子地图更新等诸多应用系统中。

Description

一种高分辨率遥感图像的变化检测方法

技术领域

本发明涉及遥感图像处理、多尺度分析、模式识别和机器学习等技术领域，特别是一种基于尺度传播和渐进直推式支持向量机的高分辨率遥感图像变化检测方法。

背景技术

遥感图像变化检测通过分析已配准的、同一场景的不同时相的高分辨率遥感图像自动检测出发生变化的区域，可以广泛应用在目标监测、灾害监测等军事和民用领域。遥感图像变化检测不仅有着很强的应用需求驱动，而且还具有重要的战略意义。由于变化检测技术的重要性，遥感图像变化检测技术已经受到世界各国的高度重视。新一代高分辨率遥感卫星的发射成功使得变化检测可以在更小的尺度上进行，因此基于高分辨率遥感图像的变化检测受到了更加广泛的关注。

然而，由于高分辨率遥感图像的复杂性，传统的变化检测方法无法直接应用到高分辨率遥感图像的变化检测。目前，高分辨率遥感图像的变化检测方法研究的还很不成熟，远远不能满足实际的需要，主要表现在目前的变化检测大都靠手工标定，费时费力，通用性和自动化程度差。实际上，只有5-10％的数据得到了有效利用，高分辨率遥感图像的变化检测的精度大都在85％左右，变化检测技术极大的限制了高分辨率遥感图像的广泛应用。在这样的背景下，高分辨率遥感图像的变化检测仍然是一个亟待解决的难题。

发明内容

本发明的目的是针对高分辨率遥感图像变化检测的难点和现有变化检测方法的缺点，提供一种快速有效的高分辨率遥感图像变化检测方法。

为了实现上述目的，本发明基于尺度传播和渐进直推式支持向量机的高分辨率遥感图像变化检测方法包括步骤：

步骤S1：利用小波变换分别对已配准多时相遥感图像中两幅图像的每个波段进行多尺度分解，提取每一个尺度上的变化特征，计算并得到多尺度多时相变化特征；

步骤S2：在最低尺度上，从多时相图像中提取显著区域，提取最低尺度下的变化特征训练样本，利用局部特征和渐进直推式支持向量机对最低尺度上的变化检测特征进行分类，得到最低尺度上的变化检测结果；

步骤S3：采用“由粗到精、逐层加细”的策略对最低尺度的变化检测结果进行逐层加细，根据当前尺度的分类结果计算可靠区域和不可靠区域，对可靠区域的结果传播到上一尺度，不可靠区域结果利用渐进直推式支持向量机和多尺度变化特征重新分类，重复上述步骤直到最高尺度，输出变化检测结果。

其中，每一尺度的每个像素的变化特征由多时相变化向量和变化幅度两部分组成，多时相变化向量由两幅图像的在每个波段的小波低频系数组成，变化幅度由两幅图像的在每个波段的小波低频系数根据变化向量分析法计算得到。

其中，某一尺度的多尺度多时相变化特征由该尺度的变化特征和所有更低尺度的变化幅度图像经插值后的变化特征组成。

其中，得到最低尺度上的变化检测结果的步骤包括如下：

步骤S21：在最低尺度上对多时相图像分别采用基于Hessian矩阵的仿射不变的区域提取算子提取显著区域，所有显著区域的并集作为训练样本区域；对于在最低尺度上的多时相图像的每一个训练样本区域，采用尺度不变特征变换特征描述子进行描述；计算每对训练样本区域的尺度不变特征变换特征描述子的相关系数，并对相关系数进行升序排序，相关系数最小的20％训练区域作为变化类的训练区域，相关系数最大的20％训练区域作为非变化类的训练区域；

步骤S22：在最低尺度下，将变化类训练区域对应的变化特征组成正样本，将非变化类训练区域对应的变化特征组成负样本；

步骤S23：利用渐进直推式支持向量机对训练样本进行训练；

步骤S24：根据渐进直推式支持向量机计算的模型对最低尺度变化特征进行分类，得到最低尺度下的变化检测结果。

其中，对最低尺度的变化检测结果逐层加细的步骤如下：

步骤S31：根据当前尺度的分类结果计算可靠区域和不可靠区域，分类结果可靠性由当前尺度的变化特征的分类结果决定，具体计算时，通过定义不可靠像素带来描述不可靠的像素的集合，首先对某一尺度的变化结果图像求出变化区域和非变化区域的边缘，以边缘上的像素点为中心、与边缘平行、宽度为d的带状区域内的像素点为不可靠像素，可靠像素定义为不可靠像素带外的区域；

步骤S32：对可靠区域的结果传播到上一尺度；不可靠区域结果利用渐进直推式支持向量机和多尺度变化特征重新分类；

步骤S33：不断重复上述两个步骤，直到最高尺度。

其中，所述“由粗到精、逐层加细”策略是对可靠区域的结果进行尺度传播，对不可靠区域结果进行加细。

本发明所述方法对于提高变化检测的精度、速度、鲁棒性和自动化程度具有重要的意义，其主要优点如下：

1.本发明将原始多时相变化特征和相对变化幅度特征综合利用，提高了变化特征和非变化特征的类间可分性，大大提高了变化检测的精度。

2.本发明充分利用了变化特征在不同尺度的可分性，将由粗到精、逐层加细的思想应用到变化检测领域，反映了人类视觉系统观察变化时的层次性，提高了对配准误差、视角变化等因素的鲁棒性，大大提高了计算效率。

3.本发明充分发挥了多尺度变化检测和机器学习的优点，初始变化检测时采用了渐进直推式支持向量机，利用基于局部区域的变化检测方法自动提取训练样本，即使在初始训练区域不太准确的情况下，仍能自动、自适应的对训练样本进行调整，大大提高了自动化程度。

得益于上述优点，本发明使快速有效的高分辨率遥感图像变化检测成为可能，极大地提高了现有变化检测系统的精度、速度、鲁棒性和自动化程度，可广泛应用于使用变化检测进行目标监测、灾害监测的系统中。

附图说明

图1是本发明基于尺度传播和渐进直推式支持向量机的高分辨率遥感图像变化检测方法流程图。

图2是新增训练样本对分类面影响示意图。

图3是不可靠像素的确定示意图。

图4是不可靠像素的尺度依赖性示意图。

具体实施方式

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。

如图1示出本发明提出一种基于尺度传播和渐进直推式支持向量机的高分辨率遥感图像变化检测方法，在遥感图像处理领域，低分辨率、高分辨率有公认的事实标准，现在一般认为空间分辨率优于1米/像素的遥感图像为高分辨率遥感图像，低于30米/像素为低分辨率，位于30米/像素至1米/像素的为中等分辨率。本发明中，尺度指分析图像的尺度，与小波变换中的尺度对应。对一幅图像进行S次小波分解，可得到一个层数为S+1的多尺度图像序列。本发明中，尺度0对应原始图像，尺度0为最高尺度，尺度S为最低尺度，尺度j是对原始图像进行j-1次小波分解后的低频图像，尺度j-1是尺度j的上一尺度，尺度k(j＜k≤S)是尺度j的更低尺度。

首先，步骤S1：利用小波变换分别对已配准多时相遥感图像中两幅图像的每个波段进行多尺度分解，提取每一个尺度上的变化特征，计算并得到多尺度多时相变化特征；多尺度变化特征提取步骤S1是基于小波变换生成的多尺度图像序列提取的变化特征。变化对尺度具有依赖性，不同的尺度上可以得到不同的变化检测结果。并且，在单一尺度上得到的变化检测结果往往不可靠。人类的视觉系统在观察图像间的变化时，总是先观察主要的变化，然后再观察细微的变化，即变化具有层次性。为了反映变化对尺度的依赖性并利用人类视觉观察变化时的层次性，需要提取多尺度变化特征。具体过程如下：

步骤S11：对已配准的两幅图像分别进行多尺度分解。为了提取多尺度变化特征，对原始图像X_i(i＝1，2)利用小波变换生成两个多尺度图像序列

是对原始图像X_i(i＝1，2)的第n个波段进行小波分解后在尺度j的低频分量，S是小波分解的次数，N是光谱的波段数，M在这里代表多尺度Multiscale的意思，没有数字上的含义。这里，小波的作用有两个：通过小波分解可以得到多尺度的变化特征，为后续的多尺度变化检测做准备；小波系数包含上下文信息，有助于提高可分性。

步骤S12：提取多尺度变化特征。为了综合利用不同波段的变化信息，利用变化向量分析法可得像素p在尺度j的变化为：

$X_{\mathrm{Md}}^{\left(j\right)}\left(p\right)=\sqrt{\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{[X_M^{(1,j,n)}\left(p\right)-X_M^{(2,j,n)}\left(p\right)]}^2}.$

为

在像素p的值，Md是英文Multiscale Difference的缩写，本身没有含义，只是为了表明它是多尺度变化特征。多尺度变化特征集合

反映了各尺度的变化信息，表示当p＝p_k时的值，MN表示尺度j低频图像的总的像素个数。随着j的增大，越来越多的细节变化信息被舍掉。

尺度S上的变化特征取为：

$F^{\left(S\right)}=[X_1^{(S,1)},\·\·\·,X_1^{(S,N)},X_2^{(S,1)},\·\·\·,X_2^{(S,N)},X_{\mathrm{Md}}^{\left(S\right)}],$

对于某个像素p，

$F^{\left(S\right)}\left(p\right)=[X_1^{(S,1)}\left(p\right),\·\·\·,X_1^{(S,N)}\left(p\right),X_2^{(S,1)}\left(p\right),\·\·\·,X_2^{(S,N)}\left(p\right),X_{\mathrm{Md}}^{\left(S\right)}\left(p\right)],$

其中，

表示图像X_i(i＝1，2)的第n个波段在尺度S的低频图像，

为

在像素p处的值。

尺度j-1的变化特征为：

$F^{(j-1)}=[X_1^{(j-\mathrm{1,1})},\·\·\·,X_1^{(j-1,N)},X_2^{(j-\mathrm{1,1})},\·\·\·,X_2^{(j-1,N)},\widetilde{X_{\mathrm{Md}}^{\left(S\right)}},\·\·\·,\widetilde{X_{\mathrm{Md}}^{\left(j\right)}},X_{\mathrm{Md}}^{(j-1)}].$

其中，是由尺度j上的变化特征经插值得到的结果。这样，尺度j-1的变化结果由尺度j的光谱信息、尺度j以及更低尺度的光谱变化信息共同决定。

其次，步骤S2：在最低尺度上，从多时相图像中提取显著区域，提取最低尺度下的变化特征训练样本，利用局部特征和渐进直推式支持向量机对最低尺度上的变化检测特征进行分类，得到最低尺度上的变化检测结果；初始变化检测步骤S2是基于局部显著特征和机器学习的方法得到最低尺度的变化检测结果。先利用基于局部区域的方法在最低尺度图像上自动选取变化类和非变化类的训练区域，然后利用这些训练区域对多尺度变化特征进行分类。具体过程如下：

步骤S21：在最低尺度上对多时相图像进行显著区域提取：

为了实现变化检测的自动化，本发明采用无监督的变化检测，即训练区域自动选取的具体步骤如下：

(1)对

关于各波段的平均灰度图像

利用基于Hessian矩阵的仿射不变的区域提取算子(Hessian-affine region detector，具体算法参见文献，期刊号为：K.Mikolajcyk，C.Schmid，An affine invariant interest point detector.In Proc.the 8th InternationalConference on Computer Vision，2002.)提取局部区域得到区域集合R_i，用尺度不变特征变换(Scale Invariant Feature Transform，缩写为SIFT，具体算法参见文献，期刊号为：D.G.Lowe，Distinctive image features from scale-invariant keypoints，InternationalJournal of Computer Vision，60(2)：91-110，2004.)特征描述这些区域，得到特征描述集合F_i。

(2)为了使从最低尺度平均灰度图像

和

中提取的区域的数量相等，根据区域集合R₂和最低尺度平均灰度图像

计算特征集对最低尺度平均灰度图像

进行同样的操作得到特征集

(3)合并区域集合和特征集合为R＝R₁∪R₂，

为叙述方便，将特征集合R中的元素记为r_i，将特征集合F1和特征集合F2中的元素分别记为

和

1≤i≤J，J是提取的局部区域的总个数。

(4)计算特征集合F1和特征集合F2中第i个元素的相似性其中<·，·>表示内积。求解满足下述条件的τ₁和τ₂：

其中，#R表示集合R中元素个数，#{r_i|S_i＜τ₁}和#{r_i|S_i＞τ₂}分别表示集合{r_i|S_i＜τ₁}和{r_i|S_i＞τ₂}的元素个数，κ₁和κ₂分别表示明显变化区域和明显非变化区域的区域个数占总区域个数的最小比例。实验表明，κ₁和κ₂的取值对最终的结果影响不大，本发明中令κ₁＝κ₂＝0.2。

步骤S22：在最低尺度上对多时相图像进行显著区域提取：

在尺度S上，明显变化区域和明显非变化区域

共同组成训练区域，即训练区域

由变化特征

和训练区域

生成训练样本

表示变化类样本集，

表示非变化类样本集。训练样本集χ^(S)中的每个样本χ_i都由两部分组成，即χ_i＝[x_i，y_i]，x_i表示与该样本对应的像素p的变化特征F^(S)(p)。若像素p位于

则y_i＝1。若像素p位于

则y_i＝-1。y_i表示类标，y_i＝-1表示非变化类，y_i＝1表示变化类。

步骤S23：利用渐进直推式支持向量机(Progressive Transductive Support Vector Machine)对训练样本进行分类：

利用支持向量机(Support Vector Machine，缩写为SVM)和训练样本χ^(S)可以确定分类超平面P^(S)，利用P^(S)对尺度S的所有变化特征F^(S)进行分类就可以得到初始的变化检测结果。对于自动变化检测系统，一方面，希望支持向量机具有“自学习”的功能，即能够从特征集合中自动挑选出训练样本，并对所有特征进行分类；另一方面，希望支持向量机在训练时能够考虑到由当前图像得到的测试样本而不是所有可能的测试样本，从而提高分类精度。为此，本发明采用基于渐进学习的直推式支持向量机(Transductive SVM)对变化特征进行分类，简称渐进直推式支持向量机。对于给定的训练样本集{(x_i，y_i)|1≤i≤n，yi∈{-1，+1}}和没有类标的测试样本

直推式支持向量机为关于

的最优化问题：

$\underset{w,b,{\mathrm{\&xi;}}_i,{\mathrm{\&xi;}}_j^{*},y_j^{*}}{\min }(\frac{1}{2}w{w}^T+C\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&xi;}}_i+C^{*}\underset{j=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{\&xi;}}_j^{*})$

$s.t.{\&ForAll;}_{i=1}^n:y_i\&CenterDot;(w\&CenterDot;\mathrm{\&phi;}\left(x_i\right)+b)\&le;1-{\mathrm{\&xi;}}_i,{\mathrm{\&xi;}}_i\&GreaterEqual;0.$

${\&ForAll;}_{j=1}^k:y_j^{*}\&CenterDot;(w\&CenterDot;\mathrm{\&phi;}\left(x_j^{*}\right)+b)\&le;1-{\mathrm{\&xi;}}_j^{*},{\mathrm{\&xi;}}_j^{*}\&GreaterEqual;0.$

上式中，n和k分别为训练样本和测试样本的个数，

表示求取使目标函数

最小的变量

w为待求的垂直于超平面的法向量，w^T表示向量w^T的转置，b为一待求常数项，

为待求的关于测试样本的类标，ξ_i和

分别为关于训练样本和测试样本的松弛变量，C和C^*为关于训练样本和测试样本的正则项参数，φ(·)为高斯核函数，s.t.表示约束条件，ξ_i≥0表示对于任意属于区间[1，n]的整数i，都满足

和ξ_i≥0，w·φ(x_i)表示向量w和φ(x_i)的内积，y_i·(w·φ(x_i)+b)表示数y_i与(w·φ(x_i)+b)的内积即点乘。直推式支持向量机不仅能够考虑到训练样本的特征的“结构特性”，而且也考虑到了测试样本的特征的“结构特性”，从而提高了变化检测的精度。但是，仅仅按照步骤S22生成的训练样本有可能不够精确，即有些训练样本可能具有错误的类标，这些样本应该从测试集中去掉。本发明综合利用渐进学习和直推式支持向量机来实现这一目的，渐进学习的作用在于自动挑选“合适”的训练样本，直推式支持向量机的作用在于综合考虑训练样本和测试样本以提高分类精度。渐进学习的思想是首先自动选择初始训练样本，这些训练样本不一定都具有正确的类标，通过迭代的方式对训练样本进行挑选和纠正。在每一步的迭代过程中，利用直推式支持向量机结合训练样本和测试样本对变化特征进行分类。渐进学习的关键在于去掉当前训练集中“不好”的样本。对于当前训练集中的某一样本x_i，如果它的类标与由当前分类面确定的类标不一致，即y_i≠w·φ(x_i)+b，则它应该从当前训练集中删除，加入到下次迭代的测试集中。另外，还应把当前测试集中可能的“好”的样本加入到训练集中。如图2所示，将位于间隔带以内且靠近间隔边界的测试样本加入训练集后会影响当前分类面，所以这些测试样本应该加入训练集。

为了防止渐进直推式支持向量机发生大的振荡，在每一次迭代学习时，尽可能成对的加入新的训练样本。满足上述条件的样本点对不存在时，逐步添加负(正)样本到训练集。当测试样本的类标不再发生变化或迭代次数达到最大迭代次数限制时，迭代学习终止。本发明中，最大迭代次数设为100。为了保证早期的训练样本具有将分类面调整到正确的方向的能力，在开始训练时，赋予正则项参数C^*较小的值，随着迭代的进行，C^*逐步增加。令当前的决策函数f(x)＝w·φ(x)+b，则需要加入训练集的正负样本点对可以表示为：

$S_{\mathrm{add}}^{+}=\left\{(x_i^{*},y_i^{*})\right|i=\arg \underset{j:0<f\left(x_j^{*}\right)<1}{\max }\left|f\left(x_j^{*}\right)\right|\}$ 和 $S_{\mathrm{add}}^{-}=\left\{(x_i^{*},y_i^{*})\right|i=\arg \underset{j:-1<f\left(x_j^{*}\right)<0}{\max }\left|f\left(x_j^{*}\right)\right|\}$

上式中，

和分别为需要加入训练集的正负样本点，w和b为与当前决策函数对应的法向量和常数项，

表示样本到超平面的距离，

表示满足

且使

取得最大值的的下标，

为样本

的当前类标。

步骤S24：根据步骤S22计算的模型对最低尺度变化特征进行分类。

步骤S3：采用“由粗到精、逐层加细”的策略对最低尺度的变化检测结果进行逐层加细，根据当前尺度的分类结果计算可靠区域和不可靠区域，对可靠区域的结果传播到上一尺度，不可靠区域结果利用渐进直推式支持向量机和多尺度变化特征重新分类，重复上述步骤直到最高尺度，输出变化检测结果。变化检测结果逐层加细，尽管最低尺度变化特征

对配准误差和视角变化的鲁棒性最好，但很多细节信息在多尺度分解时被舍掉了，因此初始变化结果还须加细。对初始变化检测结果可以利用尺度传播和逐层加细的策略进行如下处理：

步骤S31：根据当前尺度的分类结果计算可靠区域和不可靠区域。如果某一像素位于变化区域和非变化区域的边界，那么变化特征在该像素的可分性就比较差，该像素的可靠性就比较低。为此，受文献(期刊号为H.Lombaert，Y.Sun，L.Grady，and C.Xu，A multilevel banded graph cuts method for fast image segmentation.In Proc.10th Int.Conference on Computer Vision，259-265，2005.)启发，通过定义“不可靠像素带”来描述不可靠的像素的集合，即首先对某一尺度的变化结果图像求出变化区域和非变化区域的边缘，以边缘上的像素点为中心、与边缘平行、宽度为d的带状区域内的像素点为不可靠像素，可靠像素定义为不可靠像素带外的区域，如图3所示。实验表明，当d＝5时大部分高分辨率遥感图像可以得到满意的变化检测结果。按照上述定义，图像中的像素可以分为三类：在所有的尺度上都可靠的像素(图4中的A类)、在所有的尺度上都不可靠的像素(图4中的B类)、在某些尺度上可靠而在另外一些尺度上不可靠的像素(图4中的C类)。

步骤S32：对可靠区域的结果传播到上一尺度，不可靠区域结果利用渐进直推式支持向量机和多尺度变化特征重新分类。对于A类中的像素，其变化检测结果可以从当前尺度直接传播到上一尺度。对于B类和C类中的像素，最终的变化检测结果不能由当前尺度确定，而应该由多个尺度的变化特征共同决定。由于在逐层加细策略中，B类和C类中的像素需要相同的操作即综合利用多尺度变化特征，为叙述方便，将B类和C类中的像素统称为不可靠像素。对在“可靠”的像素的结果进行逐尺度传播，对在“不可靠”的像素上的结果进行加细。这样可以充分发挥各尺度的优点，提高计算效率，而且符合人类认识世界的“由粗到精”的客观规律。

步骤S33：重复步骤S31和S32直到最高尺度。

假设在尺度j得到的变化检测结果为

在尺度j-1的变化结果可以通过下面的步骤得到：先由和

确定可靠像素和不可靠像素，可靠像素的结果直接传播到尺度j-1，不可靠像素在尺度j-1的结果由渐进直推式支持向量机根据多尺度变化向量

和训练区域在尺度j-1的投影共同决定，其中

是由变化检测结果

经插值得到的结果。这样，尺度j-1的变化结果由该尺度的多时相光谱特征、该尺度以及更低尺度的光谱变化特征共同决定。对上述步骤进行逐尺度迭代，每迭代一次，“不可靠”像素的变化结果在更多变化信息的作用下更加准确，变化检测的精度逐尺度提高。迭代到最高尺度时，用最高尺度上的渐进直推式支持向量机的模型得到的分类结果精度最优，此时的分类结果为最终的变化检测结果。

需要说明的是，不同尺度之间的变化信息(变化特征或变化检测结果)是存在约束关系的。但由于两幅图像之间的变化信息的复杂性，传统的“显式”的约束关系不一定适合变化检测。本发明中，变化信息的尺度之间的约束关系是通过学习的方式“隐式”实现的，即不同尺度、不同类型的变化信息通过渐进直推式支持向量机得到了“最优(对于训练样本)”的融合，尺度之间的约束关系就体现在融合过程中。

为了实施本发明的具体思想，我们设计和实现了基于尺度传播和渐进直推式支持向量机的高分辨率遥感图像变化检测系统，这种算法体现了很高的精度、计算速度和自动化程度，在多幅图像上的正确检测率在85％以上，并且该算法对配准误差有很好的鲁棒性，在配准误差为3个像素的情况下，仍能得到很好的结果。

以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种高分辨率遥感图像的变化检测方法，其特征在于，实现所述方法的步骤包括：

步骤S1：利用小波变换分别对已配准多时相遥感图像中两幅图像的每个波段进行多尺度分解，提取每一个尺度上的变化特征，计算并得到多尺度多时相变化特征；

步骤S2：在最低尺度上，从多时相图像中提取显著区域，提取最低尺度下的变化特征训练样本，利用局部特征和渐进直推式支持向量机对最低尺度上的变化检测特征进行分类，得到最低尺度上的变化检测结果；

步骤S3：采用“由粗到精、逐层加细”的策略对最低尺度的变化检测结果进行逐层加细，根据当前尺度的分类结果计算可靠区域和不可靠区域，对可靠区域的结果传播到上一尺度，不可靠区域结果利用渐进直推式支持向量机和多尺度变化特征重新分类，重复上述步骤直到最高尺度，输出变化检测结果。

2.根据权利要求1所述的遥感图像的变化检测方法，其特征在于，每一尺度的每个像素的变化特征由多时相变化向量和变化幅度两部分组成，多时相变化向量由两幅图像的在每个波段的小波低频系数组成，变化幅度由两幅图像的在每个波段的小波低频系数根据变化向量分析法计算得到。

3.根据权利要求1所述的遥感图像的变化检测方法，其特征在于，某一尺度的多尺度多时相变化特征由该尺度的变化特征和所有更低尺度的变化幅度图像经插值后的变化特征组成。

4.根据权利要求1所述的遥感图像的变化检测方法，其特征在于，得到最低尺度上的变化检测结果的步骤包括如下：

步骤S21：在最低尺度上对多时相图像分别采用基于Hessian矩阵的仿射不变的区域提取算子提取显著区域，所有显著区域的并集作为训练样本区域；对于在最低尺度上的多时相图像的每一个训练样本区域，采用尺度不变特征变换特征描述子进行描述；计算每对训练样本区域的尺度不变特征变换特征描述子的相关系数，并对相关系数进行升序排序，相关系数最小的20％训练区域作为变化类的训练区域，相关系数最大的20％训练区域作为非变化类的训练区域；

步骤S22：在最低尺度下，将变化类训练区域对应的变化特征组成正样本，将非变化类训练区域对应的变化特征组成负样本；

步骤S23：利用渐进直推式支持向量机对训练样本进行训练；

步骤S24：根据渐进直推式支持向量机计算的模型对最低尺度变化特征进行分类，得到最低尺度下的变化检测结果。

5.根据权利要求1所述的遥感图像的变化检测方法，其特征在于，对最低尺度的变化检测结果逐层加细的步骤如下：

步骤S31：根据当前尺度的分类结果计算可靠区域和不可靠区域，分类结果可靠性由当前尺度的变化特征的分类结果决定，具体计算时，通过定义不可靠像素带来描述不可靠的像素的集合，首先对某一尺度的变化结果图像求出变化区域和非变化区域的边缘，以边缘上的像素点为中心、与边缘平行、宽度为d的带状区域内的像素点为不可靠像素，可靠像素定义为不可靠像素带外的区域；

步骤S32：对可靠区域的结果传播到上一尺度；不可靠区域结果利用渐进直推式支持向量机和多尺度变化特征重新分类；

步骤S33：不断重复上述两个步骤，直到最高尺度。

6.根据权利要求5所述的遥感图像的变化检测方法，其特征在于，所述“由粗到精、逐层加细”策略是对可靠区域的结果进行尺度传播，对不可靠区域结果进行加细。

Images