CN103729653B - 一种高分辨率遥感影像监督变化检测的方法 - Google Patents

Abstract

本发明公开了一种高分辨率遥感影像监督变化检测的方法，本发明将两个不同时期影像进行叠加，视为一个时期的影像。在此基础上对叠加影像进行分割，生成具有同质区的分割图斑，同时对叠加影像根据光谱信息进行像素级分类，生成像素级变化检测结果。然后根据空间和光谱结合方法，利用投票法对分割生成的图斑和像素级变化结果行融合，得到最后变化检测结果。本发明把两期影像叠加后一次分类和空间与光谱结合理论共同引入到监督变化检测中，不但减弱了分类精度对变化检测结果的影响，同时大量去除了变化检测结果中的“椒盐”噪声。

Description

一种高分辨率遥感影像监督变化检测的方法

技术领域

本发明涉及遥感领域，特别涉及高分辨率遥感影像监督变化检测方法，尤其涉及一种利用一次分类进行空间和光谱信息结合的高分辨率影像监督变化检测的方法。

背景技术

在遥感领域中，变化检测技术已被广泛应用于地表覆盖变化探测、灾害检测和森林、农业监测等领域。由于监督变化检测可以提供变化类别，即“由什么到什么”的变化，并且能够减弱大气对变化检测结果的影响，从而得到了广泛的应用。

传统的监督变化检测对两个时期获取的同一地区遥感影像分别进行像素级分类，然后对分类结果进行比较，检测地表在两个时期的变化。因此，两时期影像的分类精度严重影响了变化检测结果的精度，并且像素级的分类方法对于高分辨率影像极易产生“椒盐”噪声，进而降低变化检测精度。

发明内容

针对传统监督变化检测方法的不足，本发明提出一种利用一次分类进行空间和光谱信息结合的高分辨率影像监督变化检测的方法。

本发明所采用的技术方案是：一种高分辨率遥感影像监督变化检测的方法，其特征在于，包括以下步骤：

步骤1：对两个时期的多波段高分辨率遥感影像进行影像配准；

步骤2：将两个时期的多波段高分辨率遥感影像进行波段叠加，生成新的叠加影像X，原来两个时期的影像均有L个波段，叠加后的新影像X有2L个波段；

步骤3：对所述的X进行分割，根据同质性生成分割图斑；

步骤4：根据所述的X选取训练样本，包括各种未变化类别和变化类别，在此基础上对所述的X进行一次像素级分类，生成像素级的变化检测结果；

步骤5：利用投票法将步骤3得到的所述的X的分割结果和步骤4得到的所述的X的像素级变化检测结果进行融合，生成最终的变化检测图。

作为优选，步骤3中所述的对所述的X进行分割，是利用统计区域融合方法对所述的X进行分割，所述的统计区域融合方法中主要包括融合规则和融合顺序；

融合规则P(R,R')为：

$P(R,R^{\′})=\left\{\begin{array}{cc}\mathrm{ture}& \mathrm{if}\∀a\∈[\mathrm{1,2},...,2L],|{\stackrel{\‾}{R^{\′}}}_a-{\stackrel{\‾}{R}}_a|\≤b(R,R^{\′})\\ \mathrm{false}& \mathrm{otherwise}\end{array}\right.$

其中R和R'表示所述的X里的图斑，和分别表示图斑R和R'在波段a中的平均灰度值， $b(R,R^{\&prime;})=g\sqrt{\frac{1}{2Q}(\frac{1}{\left|R\right|}+\frac{1}{\left|R^{\&prime;}\right|})\ln \frac{2}{\mathrm{\&delta;}}}(0<\mathrm{\&delta;}<1),$ g表示所述的X中像素的灰度级别，Q表示所述的X的分割尺度，如果P(R,R')=true，图斑R和R'将被合并；

融合顺序为：

f_a(p,p')=|p_a-p'_a|

其中p和p'分别表示所述的X中的像素，p_a和p'_a表示像素p和p'在波段a中的灰度值。

作为优选，所述的X中像素的灰度级别g=255，所述的X的分割尺度Q=13。

作为优选，步骤4中所述的对所述的X进行一次像素级分类，是利用支持向量机方法对所述的X进行像素级分类，生成像素级的变化检测结果；其具体实现过程为：假设训练样本数据有k个样本点，并可以表示为{x_i,y_i}，i=1,2,...,k，其中x_i表示第i个像素的灰度值，y_i∈{1,-1}表示第i个像素的分类标号，支持向量机方法通过找到一个最优分类超平面达到两类间的距离最大，从而实现最优分类；

对于线性分类问题，分类超平面可以表示为w·x+b=0，其中向量w决定超平面的方向，x是超平面上的一点，标量b表示超平面的偏移量，在此基础之上，分类超平面定义为f(x)=w·x+b，并且最优分类超平面通过求解如下约束最优问题来求解：

$\min \left\{\frac{{\left|\right|w\left|\right|}^2}{2}\right\}$ (式壹)

subject to y_i(w·x_i+b)≥1，i=1,2,...,k；

对于非线性分类问题，式壹中的约束条件在实际中不能满足，引入松弛变量ξ_i(i=1,2,...,k)来降低约束条件，式壹可以改写为：

$\min \{\frac{{\left|\right|w\left|\right|}^2}{2}+C\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{\&xi;}}_i\}$ (式贰)

subject to y_i(w·x_i+b)≥1-ξ_i，(ξ_i≥0,i=1,2,...,k)，

其中常量C是用户定义的惩罚参数；支持向量机通过在高维空间找到一个最优分类超平面来解决原始空间中的线性不可分问题，因此，原始空间数据通过一个非线性映射函数映射到高维空间，在高维空间的分类决策函数可以表示为：

$f\left(x\right)=\mathrm{sgn}(\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i{y}_{i}k(x,x_i)+b)$ (式叁)

其中α_i(i=1,2,...,k)是拉格朗日系数，k(x,x_i)是核函数，通过“一对一”的方式对上述二值分类问题进行扩展，并利用扩展后的支持向量机对所述的X进行像素级多类别分类，从而得到像素级的变化结果。

作为优选，所述的核函数k(x,x_i)采用的是高斯径向基函数RBF。

作为优选，所述的惩罚参数C为100，所述的核函数k(x,x_i)中的γ为0.167。

本发明将两个不同时期影像进行叠加，视为一个时期的影像。在此基础上对叠加影像进行分割，生成具有同质区的分割图斑，同时对叠加影像根据光谱信息进行像素级分类，生成像素级变化检测结果。然后根据空间和光谱结合方法，利用投票法对分割生成的图斑和像素级变化结果行融合，得到最后变化检测结果。本发明把两期影像叠加后一次分类和空间与光谱结合理论共同引入到监督变化检测中，不但减弱了分类精度对变化检测结果的影响，同时大量去除了变化检测结果中的“椒盐”噪声。

附图说明

图1：是本发明的流程图。

图2-1：是本发明实例中t1时刻的影像。

图2-2：是本发明实例中t2时刻的影像。

图2-3：是本发明实例中的参考数据。

图3-1：是本发明实例中应用传统监督变化检测的方法结果。

图3-2：是本发明实例中应用本发明的方法结果。

图3-3：是本发明实例中应用传统监督变化检测方法和本发明方法结果的对比图图例说明。

具体实施方式

以下结合附图和实施例详细说明本发明的技术方案。

实施例用两个时期获取的SPOT5卫星数据做实验，实验数据大小是1120×480像素，获取时间分别是2008年4月(t1)和2009年2月(t2)。实验数据采用全色波段（2.5米）和多光谱波段（10米）融合后生成的多光谱影像进行实验，其空间分辨率为2.5米，包含三个波段。

请见图1、图2-1、图2-2和图2-3，本发明所采用的技术方案是：一种高分辨率遥感影像监督变化检测的方法，包括以下步骤：

步骤1：对两个时期的多波段高分辨率遥感影像进行影像配准。

步骤2：将两个时期的多波段高分辨率遥感影像进行波段叠加，生成新的叠加影像X，原来两个时期的影像均有3个波段，叠加后的新影像X有6个波段。

步骤3：利用统计区域融合方法对X进行分割，根据同质性生成分割图斑；统计区域融合方法中主要包括融合规则和融合顺序；

融合规则P(R,R')为：

$P(R,R^{\&prime;})=\left\{\begin{array}{cc}\mathrm{ture}& \mathrm{if}\&ForAll;a\&Element;[\mathrm{1,2},...,2L],|{\stackrel{\&OverBar;}{R^{\&prime;}}}_a-{\stackrel{\&OverBar;}{R}}_a|\&le;b(R,R^{\&prime;})\\ \mathrm{false}& \mathrm{otherwise}\end{array}\right.$

其中R和R′表示X里的图斑，和分别表示图斑R和R'在波段a中的平均灰度值， $b(R,R^{\&prime;})=g\sqrt{\frac{1}{2Q}(\frac{1}{\left|R\right|}+\frac{1}{\left|R^{\&prime;}\right|})\ln \frac{2}{\mathrm{\&delta;}}}(0<\mathrm{\&delta;}<1),$ g表示X中像素的灰度级别，Q表示X的分割尺度，如果P(R,R')=true，图斑R和R'将被合并；

融合顺序为：

f_a(p,p')=|p_a-p'_a|

其中p和p'分别表示X中的像素，p_a和p'_a表示像素p和p'在波段a中的灰度值，其中，

X中像素的灰度级别g=255，X的分割尺度Q=13。

步骤4：根据X选取训练样本，包括各种未变化类别和变化类别，在此基础上利用支持向量机方法对X进行像素级分类，，生成像素级的变化检测结果；其具体实现过程为：假设训练样本数据有k个样本点，并可以表示为{x_i,y_i}，i=1,2,...,k，其中x_i表示第i个像素的灰度值，y_i∈{1,-1}表示第i个像素的分类标号，支持向量机方法通过找到一个最优分类超平面达到两类间的距离最大，从而实现最优分类；

对于线性分类问题，分类超平面可以表示为w·x+b=0，其中向量w决定超平面的方向，x是超平面上的一点，标量b表示超平面的偏移量，在此基础之上，分类超平面定义为f(x)=w·x+b，并且最优分类超平面通过求解如下约束最优问题来求解：

$\min \left\{\frac{{\left|\right|w\left|\right|}^2}{2}\right\}$ (式壹)

subject to y_i(w·x_i+b)≥1，i=1,2,...,k；

对于非线性分类问题，式壹中的约束条件在实际中不能满足，引入松弛变量ξ_i(i=1,2,...,k)来降低约束条件，式壹可以改写为：

$\min \{\frac{{\left|\right|w\left|\right|}^2}{2}+C\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{\&xi;}}_i\}$ (式贰)

subject to y_i(w·x_i+b)≥1-ξ_i，(ξ_i≥0,i=1,2,...,k)，

其中常量C是用户定义的惩罚参数；支持向量机通过在高维空间找到一个最优分类超平面来解决原始空间中的线性不可分问题，因此，原始空间数据通过一个非线性映射函数映射到高维空间，在高维空间的分类决策函数可以表示为：

$f\left(x\right)=\mathrm{sgn}(\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i{y}_{i}k(x,x_i)+b)$ (式叁)

其中α_i(i=1,2,...,k)是拉格朗日系数，k(x,x_i)是核函数，核函数k(x,x_i)采用的是高斯径向基函数RBF，通过“一对一”的方式对上述二值分类问题进行扩展，并利用扩展后的支持向量机对X进行像素级多类别分类，从而得到像素级的变化结果，其中，惩罚参数C为100，核函数k(x,x_i)中的γ为0.167。

步骤5：利用投票法将步骤3得到的X的分割结果和步骤4得到的X的像素级变化检测结果进行融合，生成最终的变化检测图。

利用空间和光谱结合理论对，对统计区域融合方法生成的分割结果和支持向量机生成的像素级变化检测结果进行融合。对一个分割图斑，利用投票法，将图斑类别赋值为具有最多像素数目的类别，从而达到去除噪声的目的，最终生成空间和光谱结合的变化检测结果。

请见图3-1、图3-2和图3-3，可以看出本发明方法生成了更完整且具有更少噪声的变化检测结果。表1对传统监督变化检测方法和本发明方法的结果精度进行了说明，从表中可以看出：本发明方法对总分类精度和总错误率都有很大提高，极大提高了高分辨率遥感影像监督变化检测结果的精度。

表1：两种变化检测结果精度比较

以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，因此，凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种高分辨率遥感影像监督变化检测的方法，其特征在于，包括以下步骤：

步骤1：对两个时期的多波段高分辨率遥感影像进行影像配准；

步骤2：将两个时期的多波段高分辨率遥感影像进行波段叠加，生成新的叠加影像X，原来两个时期的影像均有L个波段，叠加后的新影像X有2L个波段；

步骤3：对所述的X进行分割，根据同质性生成分割图斑；

所述的对所述的X进行分割，是利用统计区域融合方法对所述的X进行分割，所述的统计区域融合方法中主要包括融合规则和融合顺序；

融合规则P(R,R')为：

$P(R,R^{\&prime;})=\left\{\begin{array}{cc}ture& if\&ForAll;a\&Element;\&lsqb;1,2,...,2L\&rsqb;,|{\stackrel{\&OverBar;}{R^{\&prime;}}}_a-{\stackrel{\&OverBar;}{R}}_a|\&le;b(R,R^{\&prime;})\\ false& otherwise\end{array}\right.$

其中R和R'表示所述的X里的图斑，和分别表示图斑R和R'在波段a中的平均灰度值，0<δ<1，g表示所述的X中像素的灰度级别，Q表示所述的X的分割尺度，如果P(R,R')＝true，图斑R和R'将被合并；

融合顺序为：

f_a(p,p')＝|p_a-p'_a|

其中p和p'分别表示所述的X中的像素，p_a和p'_a表示像素p和p'在波段a中的灰度值，f_a(p,p')表示像素p和p'在波段a中的灰度差值的绝对值；

步骤4：根据所述的X选取训练样本，包括各种未变化类别和变化类别，在此基础上对所述的X进行一次像素级分类，生成像素级的变化检测结果；

步骤5：利用投票法将步骤3得到的所述的X的分割结果和步骤4得到的所述的X的像素级变化检测结果进行融合，生成最终的变化检测图。

2.根据权利要求1所述的高分辨率遥感影像监督变化检测的方法，其特征在于：所述的X中像素的灰度级别g＝255，所述的X的分割尺度Q＝13。

3.根据权利要求1所述的高分辨率遥感影像监督变化检测的方法，其特征在于：步骤4中所述的对所述的X进行一次像素级分类，是利用支持向量机方法对所述的X进行像素级分类，生成像素级的变化检测结果；其具体实现过程为：假设训练样本数据有k个样本点，并可以表示为{x_i,y_i}，i＝1,2,...,k，其中x_i表示第i个像素的灰度值，y_i∈{1,-1}表示第i个像素的分类标号，支持向量机方法通过找到一个最优分类超平面达到两类间的距离最大，从而实现最优分类；

对于线性分类问题，分类超平面可以表示为w·x+b＝0，其中向量w决定超平面的方向，x是超平面上的一点，标量b表示超平面的偏移量，在此基础之上，分类超平面定义为f(x)＝w·x+b，并且最优分类超平面通过求解如下约束最优问题来求解：

$min\left\{\frac{\left|\right|w|{|}^2}{2}\right\}---\left(1\right)$

约束条件为y_i(w·x_i+b)≥1，i＝1,2,...,k；

对于非线性分类问题，式(1)中的约束条件在实际中不能满足，引入松弛变量ξ_i(i＝1,2,...,k)来降低约束条件，式(1)可以改写为：

$min\{\frac{\left|\right|w|{|}^2}{2}+C\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{\&xi;}}_i\}---\left(2\right)$

约束条件为y_i(w·x_i+b)≥1-ξ_i，(ξ_i≥0_,i＝1,2,...,k)；

其中常量C是用户定义的惩罚参数；支持向量机通过在高维空间找到一个最优分类超平面来解决原始空间中的线性不可分问题，因此，原始空间数据通过一个非线性映射函数映射到高维空间，在高维空间的分类决策函数可以表示为：

$f\left(x\right)=\mathrm{sgn}\left(\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i{y}_{i}k\right(x,x_i)+b)---\left(3\right)$

其中α_i(i＝1,2,...,k)是拉格朗日系数，k(x,x_i)是核函数，通过“一对一”的方式对上述二值分类问题进行扩展，并利用扩展后的支持向量机对所述的X进行像素级多类别分类，从而得到像素级的变化结果。

4.根据权利要求3所述的高分辨率遥感影像监督变化检测的方法，其特征在于：所述的核函数k(x,x_i)采用的是高斯径向基函数RBF。

5.根据权利要求3所述的高分辨率遥感影像监督变化检测的方法，其特征在于：所述的惩罚参数C为100，所述的核函数k(x,x_i)中的γ为0_.167。