CN103489193A - 基于融合策略的面向对象的高分辨率遥感影像变化检测方法 - Google Patents

Abstract

本发明公开一种基于融合策略的面向对象的高分辨率遥感影像变化检测方法，输入两时相已配准的高分辨率光学遥感影像，对输入的高分辨率影像进行多分辨率分割；对分割的单元（对象）进行变化的检测，计算每一个对象的均值和方差；将所有对象的均值和方差组合形成一个新的向量，并根据卡方分布确定影像的变化区域和非变化区域；将测结果进行基于投票法的融合，以获得更加稳健和精度较高的变化检测结果。

Description

基于融合策略的面向对象的高分辨率遥感影像变化检测方法

技术领域

本发明涉及高空间分辨率光学遥感影像变化检测，具体是一种基于融合策略的面向对象的高分辨率遥感影像变化检测方法，该方法可以用来解决高空间分辨率多光谱遥感影像变化检测精度不高的问题，属于遥感影像处理技术领域。

背景技术

随着多时相高分辨率遥感数据的不断积累以及空间数据库的相继建立，如何从这些遥感数据中提取和检测变化信息已成为遥感科学和地理信息科学的重要研究课题。根据同一区域不同时相的遥感影像，可以提取城市、环境等动态变化的信息，为资源管理与规划、环境保护等部门提供科学决策的依据。我国“十二五”将加大拓展实施“十一五”已启动实施的高分辨率对地观测工程，关注包括高分辨率遥感目标与空间环境特征分析及高可靠性自动解译等基础理论与关键技术研究，正在成为解决国家安全和社会经济发展重大需求的研究焦点。

遥感影像的变化检测就是从不同时期的遥感数据中，定量地分析和确定地表变化的特征与过程。各国学者从不同的角度和应用研究提出了许多有效的检测算法，如变化矢量分析法（Change Vector Analysis，CVA）、分类后比较法等。然而，上述这些传统的变化检测方法应用于高分辨率（光学）遥感影像时，又会出现新的难点和问题，比如（1）空间分辨率的提高会产生“同物异谱”和“同谱异物”现象，从而导致变化类和非变化类的可分性降低；（2）图像相邻像素之间高度相关。

针对上述难点和存在的问题，许多学者试图通过对传统算法的改进，或者引入诸（较）多约束条件。尽管这些检测方法都具有一定的潜力，但是高分辨率影像检测环境的复杂化以及目标先验信息匮乏等，导致这些算法都存在着一定的局限性。为此，有必要研究新的高分辨率可见光遥感图像变化检测技术来有效克服上述难点。

发明内容

发明目的：高空间分辨率遥感影像背景信息复杂、噪声干扰严重，使得变化检测所面临的问题采用常规的变化检测方法难以解决。本发明在对高分辨率遥感影像进行分割的基础上，对分割的单元（对象）进行变化的检测，并采用融合的策略，将多种检测结果进行基于投票法的融合，以获得更加稳健和精度较高的变化检测结果。

技术方案：一种基于融合策略的面向对象的高分辨率遥感影像变化检测方法，包括下述步骤：

步骤1：输入两时相已配准的高分辨率光学遥感影像，分别记为：X₁和X₂。

步骤2：对输入的高分辨率影像进行多分辨率分割：

2a)分别在尺度l₁、在尺度l₂、在尺度l₃上分别对X₁、X₂、X₁和X₂组合的影像进行多尺度分割，分割后的影像分别记为S₁、S₂和S₃。

2b)将S₁叠加到X₂，根据S₁的每一个对象边界确定X₂的相对应的对象边界，从而获得X₂的分割影像X_2S1。

2c)将S₂叠加到X₁，根据S₂的每一个对象边界确定X₁的相对应的对象边界，从而获得X₁的分割影像X_1S2。

2d)将S₃分别叠加到X₁和X₂，根据S₃的每一个对象边界分别确定X₁和X₂的相对应的对象边界，从而获得X₁和X₂的分割影像X_1S3和X_2S3。

2e)将S₁和S₂进行并集操作，获得分割影像S₁₂。

2f)将S₁₂分别叠加到X₁和X₂，根据S₁₂的每一个对象边界分别确定X₁和X₂的相对应的对象边界，从而获得X₁和X₂的分割影像X_1S12和X_2S12。

步骤3：对所得到的S₁和X_2S1进行相减，并计算每一个对象的均值和方差；将所有对象的均值和方差组合形成一个新的向量，并根据卡方分布确定影像的变化区域和非变化区域。

步骤4：对所得到的S₂和X_1S2进行相减，并计算每一个对象的均值和方差；将所有对象的均值和方差组合形成一个新的向量，并根据卡方分布确定影像的变化区域和非变化区域。

步骤5：对所得到的X_1S3和X_2S3进行相减，并计算每一个对象的均值和方差；将所有对象的均值和方差组合形成一个新的向量，并根据卡方分布确定影像的变化区域和非变化区域。

步骤6：对所得到的X_1S12和X_2S12进行相减，并计算每一个对象的均值和方差；将所有对象的均值和方差组合形成一个新的向量，并根据卡方分布确定影像的变化区域和非变化区域。

步骤7：将步骤3-6的检测结果进行基于投票法的融合，获得最终的检测结果。

有益效果：与现有技术相比，本发明提供的基于融合策略的面向对象的高分辨率遥感影像变化检测方法，具有如下优点：

（1）在变化检测中采用面向对象的方法，可以提取更多对象特征，特别是对象间的空间关系，使得遥感的变化检测更有利于知识的结合应用，也更能有效地利用影像所具有的多特征优势。

（2）变化检测中，采用融合的策略，融合多种方法的检测结果，可以使得变化检测的结果更加可靠，也更加具有稳健性。

附图说明

图1为本发明方法实现流程图。

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

如图1所示，基于融合策略的面向对象的高分辨率遥感影像变化检测方法，实现步骤如下：

步骤1：输入两时相已配准的高分辨率光学遥感影像，分别记为：X₁和X₂。

步骤2：对输入的高分辨率影像进行多分辨率分割，在尺度h_sc下，采用的多分辨率分割包括如下步骤：

1)计算对象的光谱(spectral)异质性指标h_color：

$h_{\mathrm{color}}=\underset{c}{\mathrm{\Σ}}{w}_c\·{\mathrm{\σ}}_c---\left(1\right)$

其中ω_c为图层的权重，σ_c为图层的标准差，c为图层数；根据不同的影像特性以及目标区域(interest object)特性，图层间的权重调配亦有所不同，可依使用的需求加以调整。

2)计算对象的形状(spatial)异质性指标h_shape：

h_shape＝ω_smoothness×h_smoothness+ω_compatness×h_compactness     (2)

其中形状的异质性指标是由平滑(smoothness)与紧密(compactness)这两个子异质性指标所构成，ω_smoothness与ω_compactness代表两者间的权重调配，两者的和为1；平滑指标与紧密指标计算如下式所示：

$h_{\mathrm{smoothness}}=n_{\mathrm{Merge}}\×\frac{l_{\mathrm{Merge}}}{b_{\mathrm{Merge}}}-(n_{\mathrm{Obj}1}\×\frac{l_{\mathrm{Obj}1}}{b_{\mathrm{Obj}1}}+n_{\mathrm{Obj}2}\×\frac{l_{\mathrm{Obj}2}}{b_{\mathrm{Obj}2}})---\left(3\right)$

$h_{\mathrm{compactness}}=n_{\mathrm{Merge}}\×\frac{l_{\mathrm{Merge}}}{\sqrt{n_{\mathrm{Merge}}}}-(n_{\mathrm{Obj}1}\×\frac{l_{\mathrm{Obj}1}}{\sqrt{n_{\mathrm{Obj}1}}}+n_{\mathrm{Obj}2}\×\frac{l_{\mathrm{Obj}2}}{\sqrt{n_{\mathrm{Obj}2}}})---\left(4\right)$

其中，l为对象的实际边长，b为对象的最短边长，n为对象面积；若平滑指标的权重较高，分割后的对象边界较为平滑，反之，若紧密指标的权重较高，分割后的对象形状较为紧密较接近矩形，根据不同的影像特性以及目标对象（interest object）特性，两者间的权重调配亦有所不同，可依使用者的需求加以调整。加入形状的因子于影像分割的过程中，能约制对象形状的发展，使分割后的区域形状较平滑完整，较符合人的视觉习惯。

3)计算对象的整体异质性指标h：

h＝ω_color×h_color+ω_shape×h_shape     (5)

对象整体的异质性指标是由上述的光谱异质性指标与形状异质性指标所构成，ω_color与ω_shape代表光谱与形状两者间的权重调配，两者之和为1，亦可依使用的需求进行调整。对象整体的异质性指标必须满足：

h≤h_sc      （6）

根据上述的多分辨率分割步骤，分别在尺度l₁、在尺度l₂、在尺度l₃上分别对X₁、X₂、X₁和X₂组合的影像进行多尺度分割，分割后的影像分别记为S₁、S₂和S₃。

多分辨率分割中几个参数的选择说明如下：

（1）对于高分辨率影像，尺度的选择较大，一般选择50-150。

（2）光谱权重设置为0.8，形状权重设置为0.2。

（3）光滑度权重设置为0.5，紧密度权重设置为0.5。

2a)将S₁叠加到X₂，根据S₁的每一个对象边界确定X₂的相对应的对象边界，从而获得X₂的分割影像X_2S1。

2b)将S₂叠加到X₁，根据S₂的每一个对象边界确定X₁的相对应的对象边界，从而获得X₁的分割影像X_1S2。

2c)将S₃分别叠加到X₁和X₂，根据S₃的每一个对象边界分别确定X₁和X₂的相对应的对象边界，从而获得X₁和X₂的分割影像X_1S3和X_2S3。

2d)将S₁和S₂进行并集操作，获得分割影像S₁₂。

2e)将S₁₂分别叠加到X₁和X₂，根据S₁₂的每一个对象边界分别确定X₁和X₂的相对应的对象边界，从而获得X₁和X₂的分割影像X_1S12和X_2S12。

步骤3：根据步骤2a）的结果，对所得到的S₁和X_2S1进行相减，并计算每一个对象的均值和方差；将所有对象的均值和方差组合形成一个新的向量X，其中：

X_i＝(M_i1,…,M_ib,S_i1,…,S_ib)^T     （7）

式中，i表示对象的序号，b表示影像的波段数目，M_ib表示第b个波段第i个对象的均值，

S_ib表示第b个波段第i个对象的方差。

假设X_i是高斯分布，其均值矢量为M，其可设置为X的平均值，X的协方差矩阵为Σ，

则

C_i＝(X_i-M)Σ^-1(X_i-M)^T    （8）

式中C_i是当前对象变化向量卡方（χ²）变换结果值。假设其有2b个自由度，则有：

$P(C_i<{\mathrm{\&chi;}}_{1-\mathrm{\&alpha;}}^2\left(2b\right))=1-\mathrm{\&alpha;}---\left(9\right)$

如果α取值较小，那么假设检验就有1-α置信度表明C_i的值超过α为潜在的变化对象。

α可以手工调整，建议选择为0.05。根据设定的α得到最终的变化和非变化区域。

步骤4：根据步骤2b）的结果，对所得到的S₂和X_1S2进行相减，并计算每一个对象的均值和方差；将所有对象的均值和方差组合形成一个新的向量，并根据χ²分布确定影像的变化区域和非变化区域。

步骤5：根据步骤2c）的结果，对所得到的X_1S3和X_2S3进行相减，并计算每一个对象的均值和方差；将所有对象的均值和方差组合形成一个新的向量，并根据χ²分布确定影像的变化区域和非变化区域。

步骤6：根据步骤2e）的结果，对所得到的X_1S12和X_2S12进行相减，并计算每一个对象的均值和方差；将所有对象的均值和方差组合形成一个新的向量，并根据卡方分布确定影像的变化区域和非变化区域。

步骤7：将步骤3-6的检测结果进行基于投票法的融合，获得最终的检测结果。

Claims (3)

1.一种基于融合策略的面向对象的高分辨率遥感影像变化检测方法，其特征在于，包括下述步骤：

步骤1：输入两时相已配准的高分辨率光学遥感影像，分别记为：X₁和X₂；

步骤2：对输入的高分辨率影像进行多分辨率分割：

2a)分别在尺度l₁、在尺度l₂、在尺度l₃上分别对X₁、X₂、X₁和X₂组合的影像进行多尺度分割，分割后的影像分别记为S₁、S₂和S₃；

2b)将S₁叠加到X₂，根据S₁的每一个对象边界确定X₂的相对应的对象边界，从而获得X₂的分割影像X_2S1；

2c)将S₂叠加到X₁，根据S₂的每一个对象边界确定X₁的相对应的对象边界，从而获得X₁的分割影像X_1S2；

2d)将S₃分别叠加到X₁和X₂，根据S₃的每一个对象边界分别确定X₁和X₂的相对应的对象边界，从而获得X₁和X₂的分割影像X_1S3和X_2S3；

2e)将S₁和S₂进行并集操作，获得分割影像S₁₂；

2f)将S₁₂分别叠加到X₁和X₂，根据S₁₂的每一个对象边界分别确定X₁和X₂的相对应的对象边界，从而获得X₁和X₂的分割影像X_1S12和X_2S12；

步骤3：对所得到的S₁和X_2S1进行相减，并计算每一个对象的均值和方差；将所有对象的均值和方差组合形成一个新的向量，并根据卡方分布确定影像的变化区域和非变化区域；

步骤4：对所得到的S₂和X_1S2进行相减，并计算每一个对象的均值和方差；将所有对象的均值和方差组合形成一个新的向量，并根据卡方分布确定影像的变化区域和非变化区域；

步骤5：对所得到的X_1S3和X_2S3进行相减，并计算每一个对象的均值和方差；将所有对象的均值和方差组合形成一个新的向量，并根据卡方分布确定影像的变化区域和非变化区域；

步骤6：对所得到的X_1S12和X_2S12进行相减，并计算每一个对象的均值和方差；将所有对象的均值和方差组合形成一个新的向量，并根据卡方分布确定影像的变化区域和非变化区域；

步骤7：将步骤3-6的检测结果进行基于投票法的融合，获得最终的检测结果。

2.如权利要求1所述的基于融合策略的面向对象的高分辨率遥感影像变化检测方法，其特征在于，步骤2中，对输入的高分辨率影像进行多分辨率分割，在尺度h_sc下，采用的多分辨率分割包括如下步骤：

1)计算对象的光谱异质性指标h_color：

$h_{\mathrm{color}}=\underset{c}{\mathrm{\&Sigma;}}{w}_c\&CenterDot;{\mathrm{\&sigma;}}_c---\left(1\right)$

其中ω_c为图层的权重，σ_c为图层的标准差，c为图层数；根据不同的影像特性以及目标区域特性，图层间的权重调配亦有所不同，可依使用的需求加以调整；

2)计算对象的形状异质性指标h_shape：

h_shape＝ω_smoothness×h_smoothness+ω_compatness×h_compactness     (2)

其中形状的异质性指标是由平滑与紧密这两个子异质性指标所构成，ω_smoothness与ω_compactness代表两者间的权重调配，两者的和为1；平滑指标与紧密指标计算如下式所示：

$h_{\mathrm{smoothness}}=n_{\mathrm{Merge}}\&times;\frac{l_{\mathrm{Merge}}}{b_{\mathrm{Merge}}}-(n_{\mathrm{Obj}1}\&times;\frac{l_{\mathrm{Obj}1}}{b_{\mathrm{Obj}1}}+n_{\mathrm{Obj}2}\&times;\frac{l_{\mathrm{Obj}2}}{b_{\mathrm{Obj}2}})---\left(3\right)$

$h_{\mathrm{compactness}}=n_{\mathrm{Merge}}\&times;\frac{l_{\mathrm{Merge}}}{\sqrt{n_{\mathrm{Merge}}}}-(n_{\mathrm{Obj}1}\&times;\frac{l_{\mathrm{Obj}1}}{\sqrt{n_{\mathrm{Obj}1}}}+n_{\mathrm{Obj}2}\&times;\frac{l_{\mathrm{Obj}2}}{\sqrt{n_{\mathrm{Obj}2}}})---\left(4\right)$

其中，l为对象的实际边长，b为对象的最短边长，n为对象面积；若平滑指标的权重较高，分割后的对象边界较为平滑，反之，若紧密指标的权重较高，分割后的对象形状较为紧密较接近矩形，根据不同的影像特性以及目标对象特性，两者间的权重调配亦有所不同，可依使用者的需求加以调整；加入形状的因子于影像分割的过程中，能约制对象形状的发展，使分割后的区域形状较平滑完整，较符合人的视觉习惯；

3)计算对象的整体异质性指标h：

h＝ω_color×h_color+ω_shape×h_shape      (5)

对象整体的异质性指标是由上述的光谱异质性指标与形状异质性指标所构成，ω_color与ω_shape代表光谱与形状两者间的权重调配，两者之和为1，亦可依使用的需求进行调整；对象整体的异质性指标必须满足：

h≤h_sc       （6）

根据上述的多分辨率分割步骤，分别在尺度l₁、在尺度l₂、在尺度l₃上分别对X₁、X₂、X₁和X₂组合的影像进行多尺度分割，分割后的影像分别记为S₁、S₂和S₃。

3.如权利要求1所述的基于融合策略的面向对象的高分辨率遥感影像变化检测方法，其特征在于，步骤3中，对所得到的S₁和X_2S1进行相减，并计算每一个对象的均值和方差；将所有对象的均值和方差组合形成一个新的向量X，其中：

X_i＝(M_i1,…,M_ib,S_i1,…,S_ib)^T     （7）

式中，i表示对象的序号，b表示影像的波段数目，M_ib表示第b个波段第i个对象的均值，S_ib表示第b个波段第i个对象的方差；

假设X_i是高斯分布，其均值矢量为M，其可设置为X的平均值，X的协方差矩阵为Σ，

则

C_i＝(X_i-M)Σ^-1(X_i-M)^T      （8）

式中C_i是当前对象变化向量卡方（χ²）变换结果值；假设其有2b个自由度，则有：

$P(C_i<{\mathrm{\&chi;}}_{1-\mathrm{\&alpha;}}^2\left(2b\right))=1-\mathrm{\&alpha;}---\left(9\right)$

如果α取值较小，那么假设检验就有1-α置信度表明C_i的值超过α为潜在的变化对象；

α可以手工调整，建议选择为0.05；根据设定的α得到最终的变化和非变化区域。

Images