CN102819838B - 基于多源目标特征支持的高光谱遥感图像变化检测方法 - Google Patents

Abstract

本发明公开一种基于多源目标特征和机器学习的高光谱遥感图像变化检测方法，包括：可见光遥感图像变化检测；可见光与高光谱遥感图像配准，将可见光变化检测得到的不变化目标变换至高光谱遥感图像；基于变换至高光谱遥感图像中的不变化目标，选择训练样本；高光谱子空间学习；在学习得到的子空间内进行高光谱遥感图像变化检测。本发明的方法基于多源目标特征，通过可见光遥感图像确定不变化的高光谱样本用以学习高光谱最佳判别子空间，在该子空间中进行高光谱遥感图像变化检测，性能稳定，适用范围广。

Description

基于多源目标特征支持的高光谱遥感图像变化检测方法

技术领域

本发明涉及一种用于高光谱遥感图像的变化检测方法，具体说是一种基于多源目标特征和机器学习的高光谱遥感图像变化检测方法，相关技术涉及遥感图像信息处理、目标特征提取、模式识别、机器学习等技术领域。

背景技术

遥感图像变化检测是指利用两幅同一地点不同时间拍摄得到的遥感图像自动地确定和分析发生了变化的地物的过程，这些地物变化包括光谱特性的变化以及物体空间位置的变化。它是一门高度跨学科的技术，涉及遥感图像处理、模式识别、计算机视觉等多个学科的研究内容。过去十几年里，虽然遥感图像变化检测技术得到了长足的发展，但是数据源主要还是全色/多光谱遥感图像，这些图像在检测地物微小变化时无法取得令人满意的结果。相对于全色和多光谱遥感图像，高光谱遥感图像具有丰富的光谱信息，因此对物体具有更强的辨别能力，可望获得更好的变化检测结果。高光谱遥感图像的变化检测难点主要来源于高光谱数据的高维度所带来的复杂性，同时，由于高光谱成像技术相对较新，并且仍然在不断发展之中，高光谱遥感图像变化检测方法并不成熟。

针对高光谱遥感图像的变化检测问题，国内外的研究者们也做了一些研究。目前，大部分高光谱遥感图像变化检测方法都是基于多变量统计分析的方法，例如交叉互相关法、协方差等同化、多变量变化检测、时域主成分分析等。这些方法的基本出发点都是对高光谱特征施加一个线性变换，然后针对变换后的向量(线性子空间)计算距离，以此来进行变化检测。因此，如何找到一个合适的线性变换是其中的关键。由于通常无法获得变化/不变化样本，目前采用的线性变换学习方法都是无监督的方法，例如在多变量变化检测方法中，它通过最大化高光谱特征线性变换后的差异向量的方差来学习最优的线性变换。这类无监督的学习方法无法保证得到的线性子空间具有很强的判别能力。

发明内容

有鉴于此，本发明综合利用图像处理、模式识别和机器学习技术，以多源图像(可见光遥感图像、高光谱遥感图像)数据为输入，提供一种有效的基于多源(可见光、高光谱)目标特征的高光谱遥感图像变化自动检测技术。

本发明的基于多源目标特征和机器学习的高光谱遥感图像变化自动检测技术步骤如下：步骤S1：可见光遥感图像变化检测。对输入的两幅可见光遥感图像进行变化检测，得到可见光变化目标和不变化目标；步骤S2：可见光与高光谱遥感图像配准。分别对变化前的可见光与高光谱遥感图像、以及变化后的可见光与高光谱遥感图像进行配准，将可见光遥感图像上的不变化目标变换至高光谱遥感图像，得到不变化目标的高光谱特征；步骤S3：基于步骤S1的可见光遥感图像变化检测结果，选择置信度高的不变化目标作为训练样本；步骤S4：基于步骤S3选择的训练样本的高光谱特征，进行子空间学习，得到最具判别力的高光谱子空间的投影变换；步骤S5：将高光谱遥感图像上所有像素点的高光谱特征投影至步骤S4学习得到的子空间，进行变化检测，得到高光谱遥感图像变化检测结果。

本发明的有益效果是，本发明通过基于多源(可见光、高光谱)目标特征的高光谱遥感图像变化自动检测，有效综合了可见光遥感图像空间分辨率高，比较容易得到一些置信度高的不变化目标，以及高光谱遥感图像光谱分辨率高，有利于更精细的变化检测这两个特点。

本方法利用可见光遥感图像变化检测结果指导选择高光谱子空间学习使用的样本，可以进行有监督的判别学习，有效地提高了高光谱子空间区分变化点与不变化点的能力，避免了单一使用高光谱遥感图像，只能进行无监督学习，子空间缺乏判别能力的问题。该方法稳定性高，适用范围广，可广泛应用于目标监测、灾害监测、城市规划、环境保护等系统中。

附图说明

图1是本发明基于多源目标特征和机器学习的高光谱遥感图像变化自动检测技术流程图。

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。

随着航天技术和传感器技术的不断发展，一颗卫星上同时搭载多种传感器已越来越普遍，开启了遥感图像变化检测一个新的研究方向：基于多源图像信息的变化检测，为遥感图像变化检测技术带来了新的机遇。虽然可见光(全色和多光谱)遥感图像没有高光谱遥感图像那么丰富的光谱细节信息，但是却具有更高的空间分辨率，通常利用可见光遥感图像进行变化检测都能获得一些置信度非常高的不变化目标。另一方面，基于多源图像的优势，可以同时在高光谱遥感图像中找出这些不变化目标的位置。因此，可以利用这些不变化目标的高光谱特征作为训练样本进行有监督的子空间学习，以期得到判别力强的子空间，从而提高现有高光谱遥感图像变化检测方法的精度。

本发明使用的方法既可以在个人计算机、工控机及服务器上以软件的形式安装并执行，也可将方法做成嵌入式芯片以硬件的形式来体现。

图1为本发明提出的基于多源目标特征和机器学习的高光谱遥感图像变化自动检测方法流程图。

参照图1，在本发明的基于多源目标特征和机器学习的高光谱遥感图像变化检测方法中，输入数据为同一时间同一地点的可见光和高光谱遥感图像以及另一时间同一地点的可见光和高光谱遥感图像。

在步骤S1，利用两幅输入的可见光遥感图像进行变化检测，区分出可见光变化目标和不变化目标。在该步骤，采用现有的对象级变化检测方法，首先对输入图像进行图像分割，然后针对每个分割结果(对象)提取变化特征，计算变化概率，最后对变化概率阈值化操作得到可见光遥感图像的变化检测结果，即区分出可见光变化目标和不变化目标，其中变化概率低于变化概率阈值的对象被称为不变化目标。

在步骤S2，分别对变化前的可见光和高光谱遥感图像、以及变化后的可见光和高光谱遥感图像进行配准，将步骤S1得到的可见光遥感图像上的不变化目标变换至高光谱遥感图像，得到不变化目标在高光谱遥感图像上的位置。具体地，先将变化前可见光遥感图像配准至变化前高光谱遥感图像，得到图像目标在变化前高光谱遥感图像上的位置；然后将变化后可见光遥感图像配准至变化后高光谱遥感图像，得到相同图像目标在变化后高光谱遥感图像上的位置。

步骤S3：根据步骤S1中可见光遥感图像变化检测得到的目标变化概率，对区分出的不变化目标按照其变化概率进行从小到大排序，选择m＝0.2×n个目标(n是所有不变化目标的个数)，然后再根据步骤S2的配准结果，确定这些目标在高光谱遥感图像上的像素点位置，取其变化前后高光谱遥感图像上的高光谱特征，得到训练样本(高光谱图像的每一个像素点为一个样本)集合：Tr＝{X_i，Y_i，i＝1，2，…，N}，其中N是训练集的大小，X_i是第i个样本在变化前高光谱遥感图像上的高光谱特征，Y_i是第i个样本在变化后高光谱遥感图像上的高光谱特征。

步骤S4：根据步骤S3得到的训练样本集合，进行高光谱子空间学习。子空间学习的目的在于将原始的高光谱数据，线性投影至一个子空间，使得在投影后的子空间中，不变化目标变化前后的高光谱子空间特征之间的距离小，而变化目标变化前后的高光谱子空间特征之间的距离大。在具体实施时，由于在训练样本中只选择了不变化样本，因此可以采用类似于保局投影的形式，目标是最小化不变化目标的类内方差与所有不变化目标方差的比值，其意义在于找到一个高光谱的子空间，使得不变化样本之间的距离尽可能小，同时使得所有不变化样本的方差尽可能的大，在这样的子空间中，有利于增加高光谱数据的可分性。基于这个学习目的，其目标函数可以写成：

$\min \frac{{\mathrm{\Σ}}_{i=1}^N{\left(W^T(X_i-Y_i)\right)}^2}{{\mathrm{\Σ}}_{i=1}^N({\left(W^T{X}_i\right)}^2+{\left(W^T{Y}_i\right)}^2)},$

该目标函数可进一步写成矩阵的形式：

$\min \frac{W^T\mathrm{BW}}{W^T\mathrm{AW}},$

其中 $B={\mathrm{\Σ}}_{i=1}^N(X_i-Y_i){(X_i-Y_i)}^T,$ $A={\mathrm{\Σ}}_{i=1}^N(X_i{X}_i^T+Y_i{Y}_i^T),$ N为训练样本的个数，X_i是第i个样本在变化前高光谱遥感图像上的高光谱特征，Y_i是第i个样本在变化后高光谱遥感图像上的高光谱特征，W为待求解的投影矩阵。通过拉格朗日乘数法，求解该目标函数得到：AW＝λBW。这是一个广义特征值问题，λ是特征值，W是对应的特征向量。因此满足该目标函数的最优嵌入子空间由前K个最大的广义特征值所对应的特征向量组成，其中K是子空间的维数。

步骤S5：根据步骤S4学习得到的最优子空间投影矩阵W，将高光谱数据进行子空间投影，通过在投影子空间内计算距离进行变化检测。具体地，对于高光谱遥感图像上的某个点，首先计算距离dis(X，Y)＝||W^TX-W^TY||，如果dis(X，Y)＜t，那么该点没发生变化，否则发生了变化。t是变化阈值，X，Y分别为该点在变化前和变化后高光谱遥感图像上的高光谱特征。

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。

Claims (6)

1.一种基于多源目标特征和机器学习的高光谱遥感图像变化检测方法，其中输入数据为同一时间同一地点的可见光和高光谱遥感图像以及另一时间同一地点的可见光和高光谱遥感图像，该方法包括以下步骤：

步骤S1：对可见光遥感图像进行变化检测，得到初始的检测结果，即区分出变化目标和不变化目标；

步骤S2：通过可见光与高光谱遥感图像配准，将步骤S1中可见光遥感图像变化检测得到的不变化目标变换至高光谱遥感图像；

步骤S3：基于可见光遥感图像变化检测的结果，选择置信度高，即变化概率低的不变化目标在高光谱遥感图像上对应的高光谱特征作为训练样本；

步骤S4：根据步骤S3得到的训练样本集合，进行高光谱子空间学习；

步骤S5：在高光谱子空间中对高光谱遥感图像进行变化检测；

其中，在步骤S2，采用可见光与高光谱遥感图像配准的方法，将可见光遥感图像变化检测得到的不变化目标变换至高光谱遥感图像，得到高光谱遥感图像中对应的不变像素；

在步骤S4，基于可见光遥感图像变化检测以及可见光与高光谱遥感图像配准的结果，利用可见光遥感图像上变化概率最低的20％不变化目标在对应高光谱遥感图像上的高光谱特征，进行子空间学习；

在步骤S4，子空间学习的目的是使得进行子空间投影后，训练样本之间的距离尽可能小，而同时使得所有训练样本的方差尽可能大；

步骤S4中，进行子空间学习所定义的目标函数为：

$\min =\frac{{\mathrm{\Σ}}_{i=1}^N{\left(W^T(X_i-Y_i)\right)}^2}{{\mathrm{\Σ}}_{i=1}^N({\left(W^T{X}_i\right)}^2+{\left(W^T{Y}_i\right)}^2)}=\min \frac{W^T\mathrm{BW}}{W^T\mathrm{AW}},$

其中 $B={\mathrm{\Σ}}_{i=1}^N(X_i-Y_i){(X_i-Y_i)}^T,$ $A={\mathrm{\Σ}}_{i=1}^N(X_i{X}_i^T+Y_i{Y}_i^T),$ N为训练样本的个数，X_i是第i个样本在变化前高光谱遥感图像上的高光谱特征，Y_i是第i个样本在变化后高光谱遥感图像上的高光谱特征，W为待求解的投影矩阵，通过拉格朗日乘数法，求解该目标函数得到：AW＝λBW，这是一个广义特征值问题，λ是特征值，W是对应的特征向量，满足该目标函数的最优嵌入子空间由前K个最大的广义特征值所对应的特征向量组成，其中K是子空间的维数。

2.如权利要求1所述的变化检测方法，其特征在于，在步骤S1，利用两幅输入的可见光遥感图像进行变化检测，得到初始的变化目标和不变化目标。

3.如权利要求1所述的变化检测方法，其特征在于，在步骤S5，通过子空间学习得到的投影矩阵，对高光谱遥感图像中所有像素的高光谱特征进行投影，通过比较投影后特征之间的距离进行变化检测。

4.如权利要求2所述的变化检测方法，其特征在于，在步骤S1，采用对象级的变化检测方法，得到变化/不变化的目标。

5.如权利要求1所述的变化检测方法，其特征在于，在步骤S5，根据步骤S4学习得到的最优子空间投影矩阵W，将高光谱特征X进行子空间投影得到W^TX，通过在投影子空间内计算变化前后高光谱遥感图像上高光谱特征之间的距离进行变化检测。

6.如权利要求5所述的变化检测方法，其特征在于，对于高光谱遥感图像上的某个点，首先计算距离dis(X，Y)＝||W^TX-W^TY||，如果dis(X，Y)＜t，那么该点没发生变化，否则发生了变化，t是变化阈值，X，Y分别为该点在变化前和变化后高光谱遥感图像上的高光谱特征。