CN103218823A - 基于核传播的遥感图像变化检测方法 - Google Patents

Abstract

本发明公开了一种基于核传播的遥感图像变化检测方法，主要解决现有技术不能准确反映数据间关系导致的检测正确率不高的缺点。其实现步骤为：输入两幅不同时相的遥感图像，对其做差得到差值图像；对差值图像进行过分割得到超像素集，将超像素集用k均值方法分为肯定变化类、肯定非变化类和不确定类；在属于肯定变化类和肯定非变化类的超像素中选取种子构造约束集；用约束集计算种子核矩阵，再用核传播公式计算全核矩阵并对其对角归一化；对归一化全核矩阵聚类得到变化检测结果。本发明具有较强的抗噪性，能有效地去除杂点，同时较好的保留边缘信息，检测结果准确率高。可用于城区扩展监测、森林和植被变化监测等领域。

Description

基于核传播的遥感图像变化检测方法

技术领域

本发明属于数字图像处理领域，主要涉及遥感图像变化检测，具体是一种基于核传播的遥感图像变化检测方法，可用于遥感图像分析和处理。

背景技术

遥感图像的变化检测是通过分析和提取同一地区不同时相的遥感图像之间存在的电磁波谱特征差异或空间结构特征差异，来识别物体的状态变化或现象变化的过程。在国民经济和国防建设的诸多领域已得到广泛应用，如农业调查、森林和植被变化监测、城区扩展监测、军事目标监测等。

遥感图像变化检测中一种常见的检测方法是先比较后分类的方法，即首先将两时相图像做差，构造一幅差异图像，然后对其进行分类，得到变化检测结果。直接对两时相图像进行比较，不会改变原图像数据，不存在分类误差累计的问题，保证了变化检测结果的可靠性。但是由于配准误差等原因，对于没有发生变化的区域，两时相图像对应位置的灰度值也存在一定的偏差，故而简单地对差值图像进行分类会导致变化检测结果中存在很多的伪变化信息。

一些学者将图像的变化检测问题转化为聚类问题，根据差异图中像素点之间的相似性将像素点聚为变化类和非变化类。Celik（2009）在文章“Multiscale Change Detectionin Multitemporal Satellite Images,IEEE Geoscience and Remote Sensing Letters,2009,6(4):820-824”中提出了一种k均值聚类多尺度特征的遥感图像变化检测方法，该方法首先对差值图像进行非下采样离散小波变换，提取每一个像素的多尺度特征矢量，然后用k均值聚类方法将这些特征矢量分为变化类和非变化类，得到变化检测结果。该方法虽然利用了每个像素的邻域信息及多尺度信息，能在一定程度上提高变化检测的正确率，但是对于背景区域和变化区域对比度很低的图像，其邻域特征和多尺度特征起到的作用不大，该方法并不能很好的检测出变化区域。

为了提高聚类的准确度，一些学者对传统聚类方法进行了改进。Mishra等学者（2012）在文章“Fuzzy Custering Algorithms Incorporating Local Information for ChangeDetection in Remotely Sensed Images,Applied Soft Computing,2012,12:2683-2692”中提出了一种基于模糊聚类的无监督遥感图像变化检测方法，该方法对多个波段的两时相遥感图像采用CVA方法得到一幅差异图，然后通过合并差异图中像素的二阶邻域信息对像素的灰度值进行校正，并将模拟退火算法与多种传统聚类算法结合，对校正后的差异图进行聚类得到变化检测结果。该方法通过合并邻域信息和改进聚类方法降低了变化检测结果的误检，但该方法对于低对比度差异图的检测结果也较差。

上述的变化检测方法都是采用无监督的学习方式，不能准确的反映数据间的关系，从而使得变化检测结果不理想。

发明内容

本发明的目的在于针对上述变换检测技术的不足，提出一种基于核传播的遥感图像变化检测方法，该方法通过较精确的标记信息对数据的特征空间进行约束修正，使获得的特征空间更准确地反映数据之间关系，从而提高检测结果的正确率。

实现本发明目的的技术方案，包括如下步骤：

（1）输入两幅大小均为I×J的同一地区不同时相已配准的遥感图像X₁和X₂，计算它们对应空间位置(m,n)处的像素点灰度值X₁(m,n)和X₂(m,n)的差值的绝对值X_d(m,n)=|X₁(m,n)-X₂(m,n)|，由此得到一幅差值图像X_d={X_d(m,n)|m=1,2,...,I,n=1,2,…,J}，其中，m和n分别为输入遥感图像的行和列序号；

（2）对差值图像X_d采用均值漂移方法进行分割，得到一幅由不同标记区域构成的过分割标记图X_b，计算差值图像X_d中空间位置对应在同一标记区域中的所有像素点的灰度均值，再将同一标记区域的灰度均值赋给该标记区域的像素点的灰度值，得到一幅过分割灰度图X_o，其中具有相同灰度值的像素点形成的一个标记区域为一个超像素；

（3）用k均值聚类算法将过分割灰度图X_o中的超像素聚为三类，分别是肯定变化类、肯定非变化类及不确定类；

（4）从肯定变化类的超像素中选取N_k个种子，形成肯定变化类的种子集X_c，从肯定非变化类的超像素中选取N_z-N_k个种子，形成肯定非变化类的种子集X_n，合并肯定变化类的种子集X_c和肯定非变化类的种子集X_n，得到种子集X_l，并将超像素集中减去种子集X_l后剩余的超像素形成的集合称为无标签集X_u，其中，N_z为选取种子的总个数；

（5）在肯定变化类的种子集X_c中随机选取种子对，在肯定非变化类的种子集X_n中随机选取种子对，所有种子对形成正约束集M，再分别在肯定变化类的种子集X_c和肯定非变化类的种子集X_n中随机选取一个种子，构成种子对，所有种子对形成负约束集C；

（6）先将种子集X_l中的超像素按标记值从小到大排列，再将无标签集X_u中的超像素按标记值从小到大排列，按顺序构成超像素向量S；计算超像素向量S的归一化拉普拉斯矩阵L，由此计算种子核矩阵K_ll，用核传播公式计算与超像素集S对应的全核矩阵K^*并对其进行归一化，得到一个大小为N×N的归一化全核矩阵K；

（7）用k均值聚类算法将全核矩阵K按行聚为两类，分别计算这两类的所有超像素的灰度均值，将灰度均值较大的一类超像素确定为变化类超像素，另一类即为非变化类超像素；

（8）对于超像素向量S中的超像素，如果该超像素属于变化类，则将分割标记图X_b中与该超像素标记相同的像素点都确定为变化类，否则，为非变化类，由此得到变化检测结果。

本发明与现有技术相比具有如下优点：

1、本发明采用均值漂移方法过分割差值图，获得关于差值图的超像素集，有效地保持了变化区域的边缘结构信息，同时降低了需要处理的数据量，提高了计算效率。

2、本发明用k均值聚类算法将过分割灰度图X_o聚为三类，在属于肯定变化类和肯定非变化类的超像素中选取种子点，使得选取的种子点更具有代表性；另外，在属于肯定变化类和肯定非变化类的种子点中选取种子对构造约束集，使获取的关于变化类和非变化类的先验信息更准确。

3、本发明采用核传播的方法将约束信息传播到与整个超像素集对应的全核矩阵，使获得的特征空间更准确地反映超像素之间的关系，提高了变化检测结果的正确率。

附图说明

图1是本发明的实现流程框图；

图2是用于实验的第一组遥感图像和对应的变化参考图像；

图3是用于实验的第二组遥感图像和对应的变化参考图像；

图4是本发明与对比方法仿真第一组遥感图像得到的变化检测结果图；

图5是本发明与对比方法仿真第二组遥感图像得到的变化检测结果图。

具体实施方式

参照图1，本发明的实现步骤如下：

步骤1，输入两幅大小均为I×J的同一地区不同时相已配准的遥感图像X₁和X₂，如图2(a)和图2(b)所示，将图像X₁和X₂空间对应位置(m,n)处的像素点灰度值X₁(m,n)和X₂(m,n)进行差值计算，得到灰度差值X_d(m,n)=|X₁(m,n)-X₂(m,n)|，由此得到一幅差值图像X_d={X_d(m,n)|m=1,2,...,I,n=1,2,…,J}，其中，m和n分别为输入遥感图像的行和列序号。

步骤2，根据差值图像X_d，得到一幅过分割灰度图X_o。

（2a）对差值图X_d采用均值漂移方法进行分割，得到一幅过分割标记图X_b，过分割标记图X_b中每个像素点的灰度值为该像素点的标记l，标记l=1,2,…,N，其中N表示用均值漂移方法分割差值图X_d得到的标记的最大值；

（2b）过分割标记图X_b中具有相同标记l的像素点形成一个区域，在差值图X_d中计算与该区域空间位置对应的所有像素点的灰度均值，将得到的灰度均值作为该区域中每个像素点的灰度值，由此得到一幅过分割灰度图X_o，其中具有相同灰度值的像素点形成的一个标记区域为一个超像素。

步骤3，用k均值聚类算法将过分割灰度图X_o中的超像素聚为三类，分别是肯定变化类、肯定非变化类及不确定类。

步骤4，从肯定变化类和肯定非变化类的超像素中选取种子，得到种子集X_l。本发明中肯定变化类的种子集的选取方法，可以是聚类中心法，即从肯定变化类的聚类中心及其特征空间邻域内选取；也可以是概率分布法，即种子点到肯定变化类的聚类中心的距离符合高斯分布方法；也可以是随机选取法，本实例按如下步骤进行：

（4a）将过分割灰度图X_o中标记为l的超像素的灰度值记为

得到超像素集 $\hat{S}=$ $\left\{{\hat{s}}_l\right|l=\mathrm{1,2},...,N\};$

（4b）如果属于肯定变化类的超像素个数大于N_z/2，则在属于肯定变化类的超像素中随机选取N_k=N_z/2个种子，否则，将属于肯定变化类的所有N_k个超像素都作为种子；用这些种子形成肯定变化类的种子集X_c，其中，N_z=λ×N，其中λ为种子数系数，其取值范围为0.1～0.2。

（4c）从肯定非变化类的超像素中选取N_z-N_k个种子，形成肯定非变化类的种子集X_n；

（4d）将肯定非变化类的种子集X_n和肯定变化类的种子集X_c合并，得到一个肯定类种子集X_l；

（4e）从超像素集

中减去肯定类种子集X_l，将剩余的超像素形成的集合作为无标签集X_u，其中，无标签集X_u中的超像素是没有确定类别的，也就是该超像素没有标记是属于变化类或属于非变化类。

步骤5，在肯定类种子集X_l中随机选取种子对，构成正约束集M和负约束集C。

本发明中肯定变化类的种子集中种子对的选取方法，可以是聚类中心法，即一个种子为肯定变化类的聚类中心，另一个种子在聚类中心的特征空间邻域内选取；也可以是概率分布法，即种子点对到聚类中心的距离均符合高斯分布方法，也可以是随机选取法，本实例按如下步骤进行：

（5a）在肯定变化类的种子集X_c中随机选取2个种子，构成一对种子对，该种子对在超像素集

中的对应的两个标记l_a和l_b构成一对标记对(l_a,l_b)，其中，l_a∈{1,2,…,N}，l_b∈{1,2,…,N}；

（5b）重复步骤（5a）N_m次，得到N_m对标记对{(l_a,l_b)}，构成肯定变化类标记集M1，其中，N_m表示正约束集中的种子对的数目，其取值范围为10～30；

（5c）在肯定非变化类的种子集X_n中随机选取2个种子，构成一对种子对，该种子对在超像素集

中的对应的两个标记l_c和l_d构成一对标记对(l_c,l_d)其中，l_c∈{1,2,…,N}，l_d∈{1,2,…,N}；

（5d）重复步骤（5c）N_m次，得到N_m对标记对{(l_c,l_d)}，构成肯定非变化类标记集M2；

（5e）将肯定变化类标记集M1和肯定非变化类标记集M2合并构成正约束集M。

（5f）在肯定变化类的种子集X_c和肯定非变化类的种子集X_n中分别随机选取一个种子组成一对种子对，将该种子对在超像素集

中的对应的两个标记l_e和l_f构成一对标记对(l_e,l_f)，其中，l_e∈{1,2,…,N}，l_f∈{1,2,…,N}；

（5g）重复步骤（5f）共N_c次，得到N_c对标记对{(l_e,l_f)}，构成负约束集合C，其中N_c表示负约束集中的种子对的数目，其取值范围为10～30，本发明实例中N_c=20。

步骤6，将肯定类种子集X_l和无标签集X_u中的超像素构成超像素向量S，计算其种子核矩阵K_ll，用核传播公式计算得到归一化全核矩阵K。

（6a）将肯定类种子集X_l中的超像素按标记值从小到大排序，并赋给超像素向量S的第1个到第N_z个元素；将无标签集X_u中的超像素按标记值从小到大排序，并赋给超像素向量S的第N_z+1个到第N个元素；

（6b）计算超像素向量S的归一化拉普拉斯矩阵L，其计算公式如下：

L＝I-D^-1/2WD^-1/2

其中，I是大小为N×N的单位矩阵；

W是大小为N×N的相似度矩阵，w_ij为相似度矩阵W中的元素，i和j为矩阵的行序号和列序号，i=1,2,…,N,j=1,2,…,N，当i=j时，w_ij=0，当i≠j时，w_ij的计算公式为：

其中，x_i表示超像素向量S中第i个超像素，x_j表示超像素向量S中第j个超像素，σ为所有超像素点与其第p个邻近的超像素点的欧式距离的平均值，O_p(x_j)表示邻近超像素x_j的前p个超像素的集合，p的取值范围为10～30，本发明实例中p=20；

D是大小为N×N的对角矩阵，d_ij为对角矩阵D中的元素，当i=j时，当i≠j时，di_j=0；

归一化拉普拉斯矩阵L大小为N×N，并将其用4个子矩阵表示为如下形式：

$L=\left(\begin{array}{cc}{L}_{\mathrm{ll}}& L_{\mathrm{lu}}\\ L_{\mathrm{ul}}& L_{\mathrm{uu}}\end{array}\right),$

其中：

L_ll为归一化拉普拉斯矩阵L中第1行第1列到第N_z行第N_z列的元素组成的子矩阵，大小为N_z×N_z；

L_lu为归一化拉普拉斯矩阵L中第1行第N_z+1列到第N_z行第N列的元素组成的子矩阵，大小为N_z×(N-N_z)；

L_ul为归一化拉普拉斯矩阵L中第N_z+1行第1列到第N行第N_z列的元素组成的子矩阵，大小为(N-N_z)×N_z；

L_uu为归一化拉普拉斯矩阵L中第N_z+1行第N_z+1列到第N行第N列的元素组成的子矩阵，大小为(N-N_z)×(N-N_z)；

（6c）根据步骤（6b）所得的归一化拉普拉斯矩阵L的四个子矩阵，计算种子核矩阵K_ll，其计算公式如下：

$\underset{K_{\mathrm{ll}}}{\min }:\mathrm{Tr}\left((L_{\mathrm{ll}}-L_{\mathrm{lu}}{L}_{\mathrm{uu}}^{-1}{L}_{\mathrm{lu}}^T)K_{\mathrm{ll}}\right)$

$s.t.:K_{\mathrm{ll}}(i,i)=1,{\∀x}_i\∈X_l$

$K_{\mathrm{ll}}(i,j)=1,\∀(x_i,x_j)\∈M,$

$K_{\mathrm{ll}}(i,j)=0,\∀(x_i,x_j)\∈C$

K_ll≥0

其中，Tr(·)表示计算矩阵的迹，min表示取目标函数的最小值，s.t.表示满足最优化目标函数所须的条件，K_ll(i,j)为种子核矩阵K_ll中第i行第j列的元素值，i=1,2,…,N_z，j=1,2,…,N_z；

（6d）计算与超像素向量S对应的全核矩阵K^*，其计算公式如下：

$K^{*}=\left(\begin{array}{cc}{K}_{\mathrm{ll}}& -K_{\mathrm{ll}}{L}_{\mathrm{lu}}{L}_{\mathrm{uu}}^{-1}\\ {-L}_{\mathrm{uu}}^{-1}{L}_{\mathrm{lu}}^T{K}_{\mathrm{ll}}& L_{\mathrm{uu}}^{-1}{L}_{\mathrm{lu}}^T{K}_{\mathrm{ll}}{L}_{\mathrm{lu}}{L}_{\mathrm{uu}}^{-1}\end{array}\right);$

（6e）对全核矩阵K^*进行归一化，得到归一化全核矩阵K，其计算公式如下：

$K={\hat{D}}^{-1/2}{K}^{*}{\hat{D}}^{-1/2}$

其中，

是大小为N×N的对角矩阵，

为对角矩阵

中的元素，当i=j时，

当i≠j时，

是全核矩阵K^*中第i行第j列的元素值，i=1,2,…,N,j=1,2,…,N。

步骤7，用k均值聚类算法将全核矩阵K按行聚为两类，分别计算这两类的所有超像素的灰度均值，将灰度均值较大的一类超像素确定为变化类超像素，另一类即为非变化类超像素。

步骤8，对于超像素向量S中的超像素，如果该超像素属于变化类，则将分割标记图X_b中与该超像素标记相同的像素点都确定为变化类，否则，为非变化类，由此得到变化检测结果。

本发明的效果可通过以下实验结果与分析进一步说明：

1.实验数据

图2(a)和图2(b)是第一组真实遥感数据，该组真实遥感数据是由2000年4月和2002年5月的墨西哥郊外的两幅Landsat7ETM+（Enhanced Thematic Mapper Plus）第4波段遥感图像组成。图2(a)和图2(b)大小均为512×512，256个灰度级，变化区域主要是大火破坏了大面积的当地植被所致，图2(c)为对应的变化参考图，图2(c)中白色区域表示变化区域，其中，变化的像元数为25599，非变化像元数为236545。

图3(a)和图3(b)是第二组真实遥感数据，该组真实遥感数据由1994年8月和1994年9月意大利Elba岛西部地区的两时相Landsat-5卫星TM第4波段光谱图像组成。图像大小为326×414，256个灰度级，变化区域是由森林火灾引起的，图3(c)为对应的变化参考图（图中白色区域表示变化区域）。其中，变化像素数为2415，非变化像素数为99985。

2.对比试验

为了说明本发明的有效性，本发明与如下三个对比方法进行对比。

对比方法1，是对差值图进行k均值聚类的方法。本发明与对比方法1对比是为了验证本发明通过核传播方法将约束信息传播到整个核矩阵，在约束信息修正的特征空间上聚类的有效性。

对比方法2，是Celik（2009）在文章“Multiscale Change Detection in MultitemporalSatellite Images”中提出的一种k均值聚类多尺度特征的遥感图像变化检测方法。

对比方法3，是Mishra等学者（2012）在文章“Fuzzy Custering AlgorithmsIncorporating Local Information for Change Detection in Remotely Sensed Images”中提出的一种合并邻域信息的模糊聚类的无监督遥感图像变化检测方法，其中聚类方法采用该文章中性能最好的模拟退火算法与Gustafson-Kessel聚类方法结合的聚类算法。

3.实验内容与分析

实验1，用本发明与对比方法1、对比方法2和对比方法3对第一组遥感图像进行变化检测，结果如图4所示，其中：

图4(a)是对比方法1的变化检测结果图；

图4(b)是对比方法2的变化检测结果图；

图4(c)是对比方法3的变化检测结果图；

图4(d)是本发明的变化检测结果图。

从图4可以看出对比方法1的检测结果图中除了变化区域，整幅图还分布着面积很小的杂点；对比方法2的检测结果图中的变化区域的整体形状保持较好，但是其变化区域中间的孔洞较大，这会影响检测结果正确率；对比方法3的检测结果图中的变化区域的整体形状保持较好，但其变化区域中间的孔洞稍大，且图中分布着一些小面积的伪变化信息；本发明与三种对比方法相比，结果图中变化区域的形状保持好，且杂点较少。

实验2，用本发明与对比方法1、对比方法2和对比方法3对第二组遥感图像进行变化检测，结果如图5所示，其中：

图5(a)是对比方法1的变化检测结果图；

图5(b)是对比方法2的变化检测结果图；

图5(c)是对比方法3的变化检测结果图；

图5(d)是本发明的变化检测结果图。

从图5可以看出，三种对比方法检测出的变化区域是一片白色区域，几乎覆盖了整幅图像，这些检测结果不能保持变化区域的基本形状，检测结果都非常差；本发明与三种对比方法相比，结果图中变化区域的形状保持较好，且没有杂点等伪变化信息。

本发明采用误检数、漏检数、总错误数和正确率四个指标来定量评价变化检测效果的好坏，其中前三个指标越低，变化检测效果越好，而最后一个指标越高，变化检测效果越好。

表1列出了本发明与三种对比方法仿真第一组遥感图像和第二组遥感图像的定量结果。

表1

从表1可以看出，对于第一组遥感图像，本发明的漏检数少，误检数比对比方法稍多，但总错误数最少，正确率最高。对于第二组遥感图像，本发明的误检数远远少于三种对比方法，正确率高出三种对比方法很多。

所以整体来看，本发明能够获得比较准确的变化信息，具有较强地抗噪性，能有效地去除杂点，同时能保持较好的变化区域的边缘信息。无论是视觉效果还是性能指标，本方法都较优。

Claims (4)

1.一种基于核传播的遥感图像变化检测方法，包括如下步骤：

（1）输入两幅大小均为I×J的同一地区不同时相已配准的遥感图像X₁和X₂，计算它们对应空间位置(m,n)处的像素点灰度值X₁(m,n)和X₂(m,n)的差值的绝对值X_d(m,n)=|X₁(m,n)-X₂(m,n)|，由此得到一幅差值图像X_d={X_d(m,n)|m=1,2,...,I,n=1,2,…,J}，其中，m和n分别为输入遥感图像的行和列序号；

（2）对差值图像X_d采用均值漂移方法进行分割，得到一幅由不同标记区域构成的过分割标记图X_b，计算差值图像X_d中空间位置对应在同一标记区域中的所有像素点的灰度均值，再将同一标记区域的灰度均值赋给该标记区域的像素点的灰度值，得到一幅过分割灰度图X_o，其中具有相同灰度值的像素点形成的一个标记区域为一个超像素；

（3）用k均值聚类算法将过分割灰度图X_o中的超像素聚为三类，分别是肯定变化类、肯定非变化类及不确定类；

（4）从肯定变化类的超像素中选取N_k个种子，形成肯定变化类的种子集X_c，从肯定非变化类的超像素中选取N_z-N_k个种子，形成肯定非变化类的种子集X_n，合并肯定变化类的种子集X_c和肯定非变化类的种子集X_n，得到种子集X_l，并将超像素集中减去种子集X_l后剩余的超像素形成的集合称为无标签集X_u，其中，N_z为选取种子的总个数；

（5）在肯定变化类的种子集X_c中随机选取种子对，在肯定非变化类的种子集X_n中随机选取种子对，所有种子对形成正约束集M，再分别在肯定变化类的种子集X_c和肯定非变化类的种子集X_n中随机选取一个种子，构成种子对，所有种子对形成负约束集C；

（6）先将种子集X_l中的超像素按标记值从小到大排列，再将无标签集X_u中的超像素按标记值从小到大排列，按顺序构成超像素向量S；计算超像素向量S的归一化拉普拉斯矩阵L，由此计算种子核矩阵K_ll，用核传播公式计算与超像素集S对应的全核矩阵K^*并对其进行归一化，得到一个大小为N×N的归一化全核矩阵K；

（7）用k均值聚类算法将全核矩阵K按行聚为两类，分别计算这两类的所有超像素的灰度均值，将灰度均值较大的一类超像素确定为变化类超像素，另一类即为非变化类超像素；

（8）对于超像素向量S中的超像素，如果该超像素属于变化类，则将分割标记图X_b中与该超像素标记相同的像素点都确定为变化类，否则，为非变化类，由此得到变化检测结果。

2.根据权利要求1所述的基于核传播的遥感图像变化检测方法，其特征在于：步骤4所述的从肯定变化类的超像素中选取种子，形成肯定变化类的种子集X_c，按如下步骤进行：

（4a）将过分割灰度图X_o中标记为l的超像素的灰度值记为

，得到超像素集 $\hat{S}=$ $\left\{{\hat{s}}_l\right|l=\mathrm{1,2},...,N\}$ ；

（4b）如果属于肯定变化类的超像素个数大于N_z/2，则在属于肯定变化类的超像素中随机选取N_k=N_z/2个种子，否则，将属于肯定变化类的所有N_k个超像素都作为种子；用这些种子形成肯定变化类的种子集X_c，其中，N_z=λ×N，其中λ为种子数系数，其取值范围为0.1～0.2。

3.根据权利要求1所述的基于核传播的遥感图像变化检测方法，其特征在于：步骤5所述的在肯定变化类的种子集X_c中随机选取种子对，在肯定非变化类的种子集X_n中随机选取种子对，所有种子对形成正约束集M，按如下步骤进行：

（5a）在肯定变化类的种子集X_c中随机选取2个种子，构成一对种子对，该种子对在超像素集

中的对应的两个标记l_a和l_b构成一对标记对(l_a,l_b)，其中，l_a∈{1,2,…,N}，l_b∈{1,2,…,N}；

（5b）重复步骤（5a）N_m次，得到N_m对标记对{(l_a,l_b)}，构成肯定变化类标记集M1，其中，N_m表示正约束集中的种子对的数目，其取值范围为10～30；

（5c）在肯定非变化类的种子集X_n中随机选取2个种子，构成一对种子对，该种子对在超像素集

中的对应的两个标记l_c和l_d构成一对标记对(l_c,l_d)其中，l_c∈{1,2,…,N}，l_d∈{1,2,…,N}；

（5d）重复步骤（5c）N_m次，得到N_m对标记对{(l_c,l_d)}，构成肯定非变化类标记集M2；

（5e）将肯定变化类标记集M1和肯定非变化类标记集M2合并构成正约束集M。

4.根据权利要求1所述的基于核传播的遥感图像变化检测方法，其特征在于：步骤5所述的分别在肯定变化类的种子集X_c和肯定非变化类的种子集X_n中随机选取一个种子，构成种子对，所有种子对形成负约束集C，按如下步骤进行：

（5f）在肯定变化类的种子集X_c和肯定非变化类的种子集X_n中分别随机选取一个种子组成一对种子对，将该种子对在超像素集

中的对应的两个标记l_e和l_f构成一对标记对(l_e,l_f)，其中，l_e∈{1,2,…,N}，l_f∈{1,2,…,N}；

（5g）重复步骤（5f）共N_c次，得到N_c对标记对{(l_e,l_f)}，构成负约束集合C，其中N_c表示负约束集中的种子对的数目，其取值范围为10～30。

Images