CN105741309B - 一种基于卡方变换和样本选择的遥感影像变化检测方法 - Google Patents
一种基于卡方变换和样本选择的遥感影像变化检测方法 Download PDFInfo
- Publication number
- CN105741309B CN105741309B CN201610156436.9A CN201610156436A CN105741309B CN 105741309 B CN105741309 B CN 105741309B CN 201610156436 A CN201610156436 A CN 201610156436A CN 105741309 B CN105741309 B CN 105741309B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msubsup
- image
- msub
- variation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卡方变换和样本选择的遥感影像变化检测方法，对多时相遥感影像进行多尺度分割获取像斑；提取像斑的多维特征，采用基于卡方变换的特征融合方法计算像斑的加权差异度；自适应选择训练样本，通过基于最大期望算法的贝叶斯阈值确定方法获取变化阈值，并对加权差异影像进行二值分割获取变化检测结果。本发明能够保证变化检测正确率高而又有效地降低漏检，从而获得了更好的变化检测结果。对地表覆盖变化监测具有良好的应用价值。
Description
技术领域
本发明属于遥感科学与技术领域，涉及一种遥感影像变化检测方法，特别涉及一种基于卡方变换和样本选择的面向对象遥感影像变化检测方法。
背景技术
由于高分辨率遥感影像的应用增多，能够发挥其优势的对象级变化检测逐步取代像素级变化检测成为主流的变化检测技术。对象为匀质性一致的像元集合，又可以称为像斑。像斑包含多维特征，基于差值法或比值法的变化检测方法，采用单一的特征进行变化检测，无法完整表达像斑的信息。基于变化向量分析Change Vector Analysis(CVA)算法的变化检测虽然能够融合多维特征信息，但是参与融合的特征为等权处理，未能有效地利用不同特征变化检测能力。
实现多时相遥感影像非监督变化检测的关键是自动确定用于分割“变化”与“未变化”区域的变化阈值。Bruzzone等提出了基于最大期望Expectation Maximization(EM)算法的贝叶斯阈值确定方法，得到了广泛的应用。该方法通过EM算法估计变化类样本和未变化类样本的分布模型参数，然后根据贝叶斯最小误差率理论得到变化阈值。该方法虽然能获取较准确的变化阈值，但其要求试验区域内变化区域与未变化区域的面积之比较高。然而地理国情监测覆盖的地理范围较大，需要使用大幅面的遥感影像，当两个时相遥感影像采集时间间隔较短时，检测区域内变化区域与未变化区域的面积之比很小。直接采用基于EM算法的贝叶斯阈值确定方法无法获取准确的变化阈值。
发明内容
为了克服上述现有技术的不足，本发明提供了一种基于卡方变换和样本选择的面向对象遥感影像变化检测方法，用来处理大幅面遥感影像变化检测。
本发明所采用的技术方案是：一种基于卡方变换和样本选择的遥感影像变化检测方法，其特征在于，包括以下步骤：
步骤1：采用小面元微分纠正配准方法对大幅面将遥感影像T2向影像T1配准；
步骤2：对配准的不同时相大幅面遥感影像进行多尺度分割获取像斑；
步骤3：从像斑多维特征融合和变化阈值获取出发，通过卡方变换融合多维特征以及采用基于样本选择EM算法的贝叶斯阈值确定方法，对多时相遥感影像变进行化检测。
作为优选，步骤2中对配准的不同时相遥感影像进行多尺度分割，首先采用分形网络演化算法对遥感影像进行多尺度分割，在分割中分割尺度由对象最大同质性最小异质性原则确定，紧致度、形状因子参数由经验确定；然后利用分割结果在两个时相的遥感影像上分别获得对应的具备光谱和形状同质性的像斑。
作为优选，步骤3的具体实现包括以下子步骤：
步骤3.1：提取像斑的光谱特征、指数特征和纹理特征，采用卡方变换将不同特征波段的差分方差作为特征融合的权重，获得像斑的加权差异度；
式中为第l个像斑的加权差异度，Ft＝{F1,F2,...,FZ}，为时相1第k个影像特征的值，为时相1第k个影像特征的值；Ft为Z维特征向量，为两个时相第k个特征波段差分影像的标准差；
步骤3.2：将全部的像斑差异度作为训练样本，采用基于EM算法的贝叶斯阈值确定方法获取变化阈值，通过变化阈值对差异影像进行二值分割获得变化检测结果，记为全样本CVA法。
作为优选，步骤3.3中所述全样本CVA法的实现过程为：
假设由像斑差异度组成的集合为m为像斑的数量；将集合Dcva分为变化类wc和未变化类wu，假设变化类条件密度函数和未变化类条件密度函数均服从高斯分布：
式中，s∈{c,u}，μs、δs分别为变化类像斑和未变化类像斑的均值和标准差；
则Dcva中所有像斑差异度近似满足2个子高斯组成的混合高斯分布：
式中p(wc)和p(wu)为变化类和未变化类的先验概率，且p(wc)+p(wu)＝1；
使用EM算法对2个子高斯模型进行参数估计，获得未变化类和变化类的分布参数p(wu)、μu、δu和p(wc)、μc、δc；
利用EM算法估计wc和wu的统计分布参数后，根据贝叶斯最小误差率理论计算变化阈值Τ，Τ的求解式：
作为优选，所述全样本CVA法进一步改进为全样本CST法，所述全样本CST法的具体实现过为：采用基于卡方变换的特征融合方法得到像斑加权差异度，采用下式计算像斑的加权差异度集合取代Dcva作为训练样本，
通过基于EM算法的贝叶斯阈值确定方法计算变化阈值，并利用变化阈值对加权差异影像进行二值分割获得变化检测结果。
作为优选，使用基于EM算法的贝叶斯阈值确定方法获取准确变化阈值需要满足以下条件：变化区域与未变化区域的面积之比超过30％；
当变化检测试验区域不满足上述条件时，全样本CVA法和全样本CST法均无法获得准确变化阈值；为了达到上述条件，改进全样本CST法进一步为样本选择CST法；所述样本选择CST法的具体实现过为：采用格网分块将影像划分为不重叠的影像块，自适应选择差异度较大的影像块构成样本影像块集合，将样本影像块集合中的像斑加权差异度作为训练样本，最后采用基于EM算法的贝叶斯阈值确定方法获取阈值，利用该阈值对整幅影像进行变化检测。
作为优选，所述样本影像块选择的方法为：假设Xt,t∈{1,2}作为两个时相的遥感影像，将Xt分为N个影像块i＝1,...,N，的尺寸p*q依据影像的分辨率和图幅范围设置；采用CVA算法构建的差异影像块设为中变化区域与未变化区域的面积比例，由于为标准差σi的单调函数：
将按差异度由大到小排序，即转化为按σi由大到小排序，得到经过排序的影像块集合：
假设Pc的前L个差异影像块差异度较大，记为强差异影像块，其余影像块记为弱差异影像块；提取强差影像块对应的影像块构建样本影像块集合Xt'；将Xt'包含的像斑加权差异度作为训练样本，通过基于EM算法的贝叶斯阈值确定方法获取变化阈值Τ；利用Τ对整幅加权差异影像进行二值分割，获得变化检测结果。
作为优选，所述CVA算法为：
式中为第l个像斑的差异度，Qt＝{Q1,Q2,...,QW}，Qt为原波段光谱特征组成的W维向量，t∈{1,2}分别代表前后时相。
与现有技术相比，本发明的有益效果是能够有效融合影像对象的多维特征，发挥不同影像对象特征在变化检测中的能力；能够准确获取变化区域与未变化区域面积比例较小的大幅面检测区域的变化阈值。
附图说明
图1：本发明实施例的流程图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
请见图1，本发明提供的一种基于卡方变换和样本选择的遥感影像变化检测方法，包括以下步骤：
步骤1：采用小面元微分纠正配准方法对大幅面将遥感影像T2向影像T1配准；
步骤2：对配准的不同时相大幅面遥感影像进行多尺度分割获取像斑；
采用分形网络演化算法对影像进行多尺度分割，在分割中分割尺度由对象最大同质性最小异质性原则确定，紧致度、形状因子参数由经验确定，以获得具备光谱和形状同质性的像斑。对配准的多时相遥感影像进行多尺度分割，首先将两个时相的遥感影像进行叠加并进行多尺度分割；然后利用分割结果在两个时相的遥感影像上分别获得对应的像斑。
步骤3：从像斑多维特征融合和变化阈值获取出发，通过卡方变换融合多维特征以及采用基于样本选择EM算法的贝叶斯阈值确定方法，对多时相遥感影像变进行化检测。
步骤3.1：基于CST的特征融合；
CVA算法一般利用像斑光谱特征进行变化检测，且通过等权融合像斑各波段光谱特征获得像斑差异度，无法完整表达像斑变化信息，CVA算法如式(9)。
式中为第l个像斑的差异度，Qt＝{Q1,Q2,...,QW}，Qt为原波段光谱特征组成的W维向量，t∈{1,2}分别代表前后时相。
为了有效利用像斑的多维特征，弥补CVA算法在像斑特征应用中的不足，提取了像斑的光谱特征、指数特征和纹理特征构建特征空间。为了保证数据的一致性，数据要归一化至[0，1]。采用CST算法将不同特征波段的差分方差作为特征融合的权重，获得像斑的加权差异度，如式(10)。
式中为第l个像斑的加权差异度，Ft＝{F1,F2,...,FZ}，为时相1第k个影像特征的值，为时相1第k个影像特征的值；Ft为Z维特征向量，为两个时相第k个特征波段差分影像的标准差。
步骤3.2：基于样本选择EM算法的贝叶斯阈值确定和变化检测；
基于CVA算法的变化检测将全部的像斑差异度作为训练样本，采用基于EM算法的贝叶斯阈值确定方法获取变化阈值，通过变化阈值对差异影像进行二值分割获得变化检测结果，记为全样本CVA法。具体方法如下：
假设由像斑差异度组成的集合为m为像斑的数量。将集合Dcva分为变化类wc和未变化类wu，假设变化类条件密度函数和未变化类条件密度函数均服从高斯分布：
式中，s∈{c,u}，μs、δs为变化类像斑和未变化类的均值和标准差。则Dcva中所有像斑差异度近似满足2个子高斯组成的混合高斯分布：
式中p(wc)和p(wu)为变化类和未变化类的先验概率，且p(wc)+p(wu)＝1。
EM算法可用于含有隐含变量的概率参数模型的最大似然估计。使用EM算法对2个子高斯模型进行参数估计，获得未变化类和变化类的分布参数p(wu)、μu、δu和p(wc)、μc、δc。
利用EM算法估计wc和wu的统计分布参数后，根据贝叶斯最小误差率理论计算变化阈值Τ，Τ的求解式：
由于CVA算法不能合理表达差异像斑信息，为了改进全样本CVA法，采用基于CST的特征融合方法得到像斑加权差异度，采用式(2)计算像斑的加权差异度集合取代Dcva作为训练样本，通过基于EM算法的贝叶斯阈值确定方法计算变化阈值，并利用变化阈值对加权差异影像进行二值分割获得变化检测结果，该方法称为全样本CST法。
使用基于EM算法的贝叶斯阈值确定方法获取准确变化阈值需要满足以下条件：变化区域与未变化区域的面积之比超过30％。
当变化检测试验区域不满足上述条件时，全样本CVA法和全样本CST法均无法获得准确变化阈值。为了达到上述条件，改进全样本CST法，提出了样本选择CST法。该方法采用格网分块将影像划分为不重叠的影像块，自适应选择差异度较大的影像块构成样本影像块集合，将样本影像块集合中的像斑加权差异度作为训练样本，最后采用基于EM算法的贝叶斯阈值确定方法获取阈值，利用该阈值对整幅影像进行变化检测。
选择样本影像块的具体方法如下：假设Xt,t∈{1,2}作为两个时相的影像，将Xt分为N个影像块(i＝1,...,N)，的尺寸p*q依据影像的分辨率和图幅范围设置。分块尺寸过小会影响算法的计算效率，尺寸过大则无法达到通过分块以提高局部区域变化类相对于未变化类先验概率的目的。采用CVA算法构建的差异影像块标准差反映了图像灰度动态变化程度，可以表征差异影像的变化程度。标准差较大的差异影像块的样本分布更加符合混合高斯分布，利于基于EM算法的贝叶斯阈值计算。设为中变化区域与未变化区域的面积比例，由于为标准差σi的单调函数。
将按差异度由大到小排序，即转化为按σi由大到小排序，得到经过排序的影像块集合：
假设Pc的前L个差异影像块差异度较大，记为强差异影像块，其余影像块记为弱差异影像块。提取强差影像块对应的影像块构建样本影像块集合Xt'。将Xt'包含的像斑加权差异度作为训练样本，通过基于EM算法的贝叶斯阈值确定方法获取变化阈值Τ。利用Τ对整幅加权差异影像进行二值分割，获得变化检测结果。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。
Claims (7)
1.一种基于卡方变换和样本选择的遥感影像变化检测方法，其特征在于，包括以下步骤：
步骤1：采用小面元微分纠正配准方法对大幅面遥感影像T2向影像T1配准；
步骤2：对配准的大幅面遥感影像进行多尺度分割获取像斑；
步骤3：从像斑多维特征融合和变化阈值获取出发，通过卡方变换融合多维特征以及采用基于样本选择EM算法的贝叶斯阈值确定方法，对不同时相遥感影像进行变化检测；
具体实现包括以下子步骤：
步骤3.1：提取像斑的光谱特征、指数特征和纹理特征，采用卡方变换将不同特征波段的差分方差作为特征融合的权重，获得像斑的加权差异度；
<mrow>
<msubsup>
<mi>d</mi>
<mrow>
<mi>c</mi>
<mi>s</mi>
<mi>t</mi>
</mrow>
<mi>l</mi>
</msubsup>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>Z</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msubsup>
<mi>F</mi>
<mi>k</mi>
<mn>2</mn>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>F</mi>
<mi>k</mi>
<mn>1</mn>
</msubsup>
</mrow>
<msubsup>
<mi>&sigma;</mi>
<mi>k</mi>
<mrow>
<mi>d</mi>
<mi>i</mi>
<mi>f</mi>
<mi>f</mi>
</mrow>
</msubsup>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>,</mo>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>Z</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
式中为第l个像斑的加权差异度，为时相1第k个影像特征的值，为时相2第k个影像特征的值；为两个时相第k个特征波段差分影像的标准差；
步骤3.2：将全部的像斑差异度作为训练样本，采用基于EM算法的贝叶斯阈值确定方法获取变化阈值，通过变化阈值对差异影像进行二值分割获得变化检测结果，记为全样本CVA法。
2.根据权利要求1所述的基于卡方变换和样本选择的遥感影像变化检测方法，其特征在于：步骤2中对配准的不同时相遥感影像进行多尺度分割，首先采用分形网络演化算法对遥感影像进行多尺度分割，在分割中分割尺度由对象最大同质性最小异质性原则确定，紧致度、形状因子参数由经验确定；然后利用分割结果在两个时相的遥感影像上分别获得对应的具备光谱和形状同质性的像斑。
3.根据权利要求1所述的基于卡方变换和样本选择的遥感影像变化检测方法，其特征在于，步骤3.2中所述全样本CVA法的实现过程为：
假设由像斑差异度组成的集合为m为像斑的数量；将集合Dcva分为变化类wc和未变化类wu，假设变化类条件密度函数和未变化类条件密度函数均服从高斯分布：
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>d</mi>
<mrow>
<mi>c</mi>
<mi>v</mi>
<mi>a</mi>
</mrow>
<mi>l</mi>
</msubsup>
<mo>|</mo>
<msub>
<mi>w</mi>
<mi>s</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<msqrt>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
</mrow>
</msqrt>
<msub>
<mi>&delta;</mi>
<mi>s</mi>
</msub>
</mrow>
</mfrac>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>d</mi>
<mrow>
<mi>c</mi>
<mi>v</mi>
<mi>a</mi>
</mrow>
<mi>l</mi>
</msubsup>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>s</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<mn>2</mn>
<msup>
<msub>
<mi>&delta;</mi>
<mi>s</mi>
</msub>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
式中，s∈{c,u}，μs、δs为变化类像斑或未变化类像斑的均值和标准差；
则Dcva中所有像斑差异度近似满足2个子高斯组成的混合高斯分布：
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>d</mi>
<mrow>
<mi>c</mi>
<mi>v</mi>
<mi>a</mi>
</mrow>
<mi>l</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>w</mi>
<mi>c</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>d</mi>
<mrow>
<mi>c</mi>
<mi>v</mi>
<mi>a</mi>
</mrow>
<mi>l</mi>
</msubsup>
<mo>|</mo>
<msub>
<mi>w</mi>
<mi>c</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>w</mi>
<mi>u</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>d</mi>
<mrow>
<mi>c</mi>
<mi>v</mi>
<mi>a</mi>
</mrow>
<mi>l</mi>
</msubsup>
<mo>|</mo>
<msub>
<mi>w</mi>
<mi>u</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
式中p(wc)和p(wu)为变化类和未变化类的先验概率，且p(wc)+p(wu)＝1；
使用EM算法对2个子高斯模型进行参数估计，获得未变化类和变化类的分布参数p(wu)、μu、δu和p(wc)、μc、δc；
利用EM算法估计wc和wu的统计分布参数后，根据贝叶斯最小误差率理论计算变化阈值T，T的求解式：
<mrow>
<mo>(</mo>
<msubsup>
<mi>&delta;</mi>
<mi>u</mi>
<mn>2</mn>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>&delta;</mi>
<mi>c</mi>
<mn>2</mn>
</msubsup>
<mo>)</mo>
<msup>
<mi>T</mi>
<mn>2</mn>
</msup>
<mo>+</mo>
<mn>2</mn>
<mo>(</mo>
<msub>
<mi>&mu;</mi>
<mi>u</mi>
</msub>
<msubsup>
<mi>&delta;</mi>
<mi>c</mi>
<mn>2</mn>
</msubsup>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>c</mi>
</msub>
<msubsup>
<mi>&delta;</mi>
<mi>u</mi>
<mn>2</mn>
</msubsup>
<mo>)</mo>
<mi>T</mi>
<mo>+</mo>
<msubsup>
<mi>&mu;</mi>
<mi>c</mi>
<mn>2</mn>
</msubsup>
<msubsup>
<mi>&delta;</mi>
<mi>u</mi>
<mn>2</mn>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>&mu;</mi>
<mi>u</mi>
<mn>2</mn>
</msubsup>
<msubsup>
<mi>&delta;</mi>
<mi>c</mi>
<mn>2</mn>
</msubsup>
<mo>-</mo>
<mn>2</mn>
<msubsup>
<mi>&delta;</mi>
<mi>u</mi>
<mn>2</mn>
</msubsup>
<msubsup>
<mi>&delta;</mi>
<mi>c</mi>
<mn>2</mn>
</msubsup>
<mi>ln</mi>
<mo>&lsqb;</mo>
<mfrac>
<mrow>
<msub>
<mi>&delta;</mi>
<mi>u</mi>
</msub>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>w</mi>
<mi>u</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&delta;</mi>
<mi>c</mi>
</msub>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>w</mi>
<mi>c</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>&rsqb;</mo>
<mo>=</mo>
<mn>0</mn>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
<mo>.</mo>
</mrow>
4.根据权利要求3所述的基于卡方变换和样本选择的遥感影像变化检测方法，其特征在于，所述全样本CVA法进一步改进为全样本CST法，所述全样本CST法的具体实现过程为：采用基于卡方变换的特征融合方法得到像斑加权差异度，采用下式计算像斑的加权差异度集合取代Dcva作为训练样本；
<mrow>
<msubsup>
<mi>d</mi>
<mrow>
<mi>c</mi>
<mi>s</mi>
<mi>t</mi>
</mrow>
<mi>l</mi>
</msubsup>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>Z</mi>
</munderover>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msubsup>
<mi>F</mi>
<mi>k</mi>
<mn>2</mn>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>F</mi>
<mi>k</mi>
<mn>1</mn>
</msubsup>
</mrow>
<msubsup>
<mi>&sigma;</mi>
<mi>k</mi>
<mrow>
<mi>d</mi>
<mi>i</mi>
<mi>f</mi>
<mi>f</mi>
</mrow>
</msubsup>
</mfrac>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>Z</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
通过基于EM算法的贝叶斯阈值确定方法计算变化阈值，并利用变化阈值对加权差异影像进行二值分割获得变化检测结果。
5.根据权利要求4所述的基于卡方变换和样本选择的遥感影像变化检测方法，其特征在于，使用基于EM算法的贝叶斯阈值确定方法获取准确变化阈值需要满足以下条件：变化区域与未变化区域的面积之比超过30％；
当变化检测试验区域不满足上述条件时，全样本CVA法和全样本CST法均无法获得准确变化阈值；为了达到上述条件，改进全样本CST法进一步为样本选择CST法；所述样本选择CST法的具体实现过程为：采用格网分块将影像划分为不重叠的影像块，自适应选择差异度较大的影像块构成样本影像块集合，将样本影像块集合中的像斑加权差异度作为训练样本，最后采用基于EM算法的贝叶斯阈值确定方法获取阈值，利用该阈值对整幅影像进行变化检测。
6.根据权利要求5所述的基于卡方变换和样本选择的遥感影像变化检测方法，其特征在于，所述样本影像块选择的方法为：假设Xt,t∈{1,2}作为两个时相的遥感影像，将Xt分为N个影像块 的尺寸p*q依据影像的分辨率和图幅范围设置；采用CVA算法构建的差异影像块设为中变化区域与未变化区域的面积比例，由于为标准差σi的单调函数：
<mrow>
<msubsup>
<mi>P</mi>
<mi>c</mi>
<mi>i</mi>
</msubsup>
<mo>=</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&sigma;</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
将按差异度由大到小排序，即转化为按σi由大到小排序，得到经过排序的影像块集合：
<mrow>
<msub>
<mi>P</mi>
<mi>c</mi>
</msub>
<mo>=</mo>
<mo>{</mo>
<msubsup>
<mi>X</mi>
<mi>c</mi>
<mi>i</mi>
</msubsup>
<mo>|</mo>
<msub>
<mi>&sigma;</mi>
<mi>i</mi>
</msub>
<mo>&GreaterEqual;</mo>
<msub>
<mi>&sigma;</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mo>...</mo>
<mo>.</mo>
<mo>,</mo>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
假设Pc的前L个差异影像块差异度较大，记为强差异影像块，其余影像块记为弱差异影像块；提取强差异影像块对应的影像块构建样本影像块集合X′t；将X′t包含的像斑加权差异度作为训练样本，通过基于EM算法的贝叶斯阈值确定方法获取变化阈值T；利用T对整幅加权差异影像进行二值分割，获得变化检测结果。
7.根据权利要求6所述的基于卡方变换和样本选择的遥感影像变化检测方法，其特征在于，所述CVA算法为：
<mrow>
<msubsup>
<mi>d</mi>
<mrow>
<mi>c</mi>
<mi>v</mi>
<mi>a</mi>
</mrow>
<mi>l</mi>
</msubsup>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>W</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>Q</mi>
<mi>j</mi>
<mn>2</mn>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>Q</mi>
<mi>j</mi>
<mn>1</mn>
</msubsup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>W</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
式中为第l个像斑的差异度，Qt＝{Qt 1,Qt 2,...,Qt W}，Qt为原波段光谱特征组成的W维向量，t∈{1,2}分别代表前后时相。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610156436.9A CN105741309B (zh) | 2016-03-18 | 2016-03-18 | 一种基于卡方变换和样本选择的遥感影像变化检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610156436.9A CN105741309B (zh) | 2016-03-18 | 2016-03-18 | 一种基于卡方变换和样本选择的遥感影像变化检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105741309A CN105741309A (zh) | 2016-07-06 |
| CN105741309B true CN105741309B (zh) | 2018-06-01 |
Family
ID=56250855
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610156436.9A Active CN105741309B (zh) | 2016-03-18 | 2016-03-18 | 一种基于卡方变换和样本选择的遥感影像变化检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105741309B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106469452B (zh) * | 2016-09-09 | 2019-02-22 | 河海大学 | 一种遥感影像的变化检测处理方法 |
| CN106650571B (zh) * | 2016-09-09 | 2019-09-10 | 河海大学 | 一种基于自适应卡方变换的多时相遥感影像变化检测方法 |
| CN109934799B (zh) * | 2016-09-09 | 2021-06-25 | 南京工程学院 | 多时相差异影像模值计算及变化检测方法 |
| CN107248172A (zh) * | 2016-09-27 | 2017-10-13 | 中国交通通信信息中心 | 一种基于cva和样本选择的遥感影像变化检测方法 |
| CN107085708B (zh) * | 2017-04-20 | 2020-06-09 | 哈尔滨工业大学 | 基于多尺度分割和融合的高分辨率遥感图像变化检测方法 |
| CN107818303B (zh) * | 2017-10-23 | 2021-06-15 | 中石化石油工程地球物理有限公司 | 无人机油气管线影像自动对比分析方法、系统及软件存储器 |
| CN109033543B (zh) * | 2018-06-29 | 2020-06-30 | 北京师范大学 | 一种地表异质区植被覆盖度估算方法、装置及设备 |
| CN109523516A (zh) * | 2018-10-19 | 2019-03-26 | 中国科学院遥感与数字地球研究所 | 一种基于双重约束条件的对象级土地覆盖变化检测方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105069811A (zh) * | 2015-09-08 | 2015-11-18 | 中国人民解放军重庆通信学院 | 一种多时相遥感图像变化检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2780595A1 (en) * | 2011-06-22 | 2012-12-22 | Roman Palenychka | Method and multi-scale attention system for spatiotemporal change determination and object detection |
-
2016
- 2016-03-18 CN CN201610156436.9A patent/CN105741309B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105069811A (zh) * | 2015-09-08 | 2015-11-18 | 中国人民解放军重庆通信学院 | 一种多时相遥感图像变化检测方法 |
Non-Patent Citations (5)
| Title |
|---|
| Detecting Changes in High Resolution Remote Sensing Images Using Superpixels;Hui Ru et al.;《2015 IEEE International Geoscience and Remote Sensing Symposium》;20150726;第1682-1685页 * |
| 一种面向地理对象的遥感影像变化检测方法;佃袁勇 等;《武汉大学学报·信息科学版》;20140831;第39卷(第8期);第906-912页 * |
| 利用马尔柯夫随机场图模型的变化像斑类别判定方法;王琰 等;《武汉大学学报·信息科学版》;20120531;第37卷(第5期);第542-545页 * |
| 基于小面元的多源遥感影像高精度配准方法;邢帅 等;《测绘学院学报》;20030630;第20卷(第2期);第124页 * |
| 采用独立阈值的遥感影像变化检测方法;贾永红 等;《西安交通大学学报》;20151231;第49卷(第12期);第12-14页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105741309A (zh) | 2016-07-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105741309B (zh) | 一种基于卡方变换和样本选择的遥感影像变化检测方法 | |
| Cheng et al. | A spatial and temporal nonlocal filter-based data fusion method | |
| CN106886023B (zh) | 一种基于动态卷积神经网络的雷达回波外推方法 | |
| CN103258324B (zh) | 基于可控核回归和超像素分割的遥感图像变化检测方法 | |
| CN103413151B (zh) | 基于图正则低秩表示维数约简的高光谱图像分类方法 | |
| CN109711446A (zh) | 一种基于多光谱影像和sar影像的地物分类方法及装置 | |
| CN103927551B (zh) | 基于超像素相关矩阵的极化sar图像半监督分类方法 | |
| CN105930772A (zh) | 基于sar影像与光学遥感影像融合的城市不透水面提取方法 | |
| CN107229918A (zh) | 一种基于全卷积神经网络的sar图像目标检测方法 | |
| CN107229917A (zh) | 一种基于迭代聚类的多幅遥感影像共性显著目标检测方法 | |
| CN104794730B (zh) | 基于超像素的sar图像分割方法 | |
| CN107992891A (zh) | 基于光谱矢量分析多光谱遥感图像变化检测方法 | |
| CN108830243A (zh) | 基于胶囊网络的高光谱图像分类方法 | |
| CN107248172A (zh) | 一种基于cva和样本选择的遥感影像变化检测方法 | |
| CN103839075B (zh) | 一种基于联合稀疏表示的sar图像分类方法 | |
| Liang et al. | Maximum likelihood classification of soil remote sensing image based on deep learning | |
| CN104182767A (zh) | 主动学习和邻域信息相结合的高光谱图像分类方法 | |
| François et al. | Adjusting spatial dependence of climate model outputs with cycle-consistent adversarial networks | |
| CN109033543A (zh) | 一种地表异质区植被覆盖度估算方法、装置及设备 | |
| Li et al. | Classification of very high resolution SAR image based on convolutional neural network | |
| CN107341449A (zh) | 一种基于云块特征变化的静止气象卫星降水估算方法 | |
| CN103336972A (zh) | 一种基于完备化局部三值模式的地基云图分类方法 | |
| CN107644230A (zh) | 一种遥感图像对象的空间关系建模方法 | |
| CN108470183B (zh) | 基于聚类细化残差模型的极化sar分类方法 | |
| Yuan et al. | Adaptive regularized sparse representation for weather radar echo super-resolution reconstruction |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20200521 Address after: Room 901, 9 / F, building 12, Taiyanggong Middle Road, Chaoyang District, Beijing 100020 Patentee after: Beijing tuxun Fengda Information Technology Co., Ltd Address before: 430072 Hubei Province, Wuhan city Wuchang District of Wuhan University Luojiashan Patentee before: WUHAN University |