專利名稱：：基于非參數(shù)密度估計(jì)的遙感圖像變化檢測(cè)方法
技術(shù)領(lǐng)域：
：本發(fā)明屬于數(shù)字圖像處理
技術(shù)領(lǐng)域：
，涉及多時(shí)相遙感圖像的變化檢測(cè)，具體的說(shuō)是一種基于非參數(shù)密度估計(jì)的遙感圖像變化檢測(cè)。
背景技術(shù)：
：變化檢測(cè)技術(shù)是指通過(guò)分析在同一地區(qū)但不同時(shí)間獲得的兩幅圖像來(lái)辨識(shí)其變化信息。隨著遙感圖像獲取技術(shù)和手段的日益先進(jìn)以及遙感圖像數(shù)據(jù)的海量積累，變化檢測(cè)技術(shù)在環(huán)境監(jiān)測(cè)、土地利用/覆蓋、森林/植被變化分析、災(zāi)情監(jiān)測(cè)、農(nóng)業(yè)調(diào)查、城市變化分析、軍事偵察和打擊效果評(píng)估等方面的應(yīng)用越來(lái)越廣泛。在已發(fā)表的文獻(xiàn)中，基于非監(jiān)督的變化檢測(cè)技術(shù)主要基于以下3個(gè)步驟1)圖像的預(yù)處理，包括輻射校正、幾何配準(zhǔn)、圖像去噪等；2)差異圖像的構(gòu)建，具體指的是將兩幅圖像進(jìn)行逐個(gè)像素的比較；3)變化區(qū)域的提取，主要包括閾值法和分類法，其中基于MRF(MarkovRandomFields)模型的分類方法，由于顧及了上下文關(guān)系，有較強(qiáng)的抗噪性，得到了一些學(xué)者的關(guān)注。Bruzzone禾口Prieto(2000)在文章"Automaticanalysisofthedifferenceimageforunsupervisedchangedetection"中提出了基于Bayes理論禾口MRF模型的非監(jiān)督變化檢測(cè)方法，假設(shè)差異圖像中與變化類和非變化類相關(guān)的統(tǒng)計(jì)項(xiàng)符合高斯混合模型(G匪，GaussianMixtureModels)，并采用期望最大化(EM，ExpectationMaximum)算法來(lái)估計(jì)其模型參數(shù)，最后分別采用貝葉斯最小錯(cuò)誤率閾值和MRF對(duì)差異圖像進(jìn)行分類。作為該方法的進(jìn)一步改進(jìn)，2002年Bruzzone禾口Prieto又在文章"Anadaptivesemiparametricandcontext—basedapproachto皿supervisedchangedetectioninmultitemporalremote-sensingimages"采用了簡(jiǎn)化的Parzen估計(jì)和EM算法來(lái)估計(jì)差異圖像中與變化類和非變化類像素灰度級(jí)相關(guān)的統(tǒng)計(jì)項(xiàng)，但由于統(tǒng)計(jì)項(xiàng)的非監(jiān)督估計(jì)和MRF空間正則化的過(guò)程是分離的，所以變化檢測(cè)處理效率低。江利明，廖明生(2006)等在文章"顧及空間鄰域關(guān)系的多時(shí)相SAR圖像變化檢測(cè)"提出基于EM-MPM模型的變化檢測(cè)方法，并和雙閾值EM算法進(jìn)行了比較，有效地提高了變化區(qū)域提取的可靠性和準(zhǔn)確性。孫強(qiáng)(2007)在其博士論文"基于統(tǒng)計(jì)模型的SAR圖像處理與解譯"中提出了一種基于廣義高斯混合模型的SAR圖像變化檢測(cè)方法。在GGM(GeneralGaussMixture，GGM)的先驗(yàn)下，通過(guò)基于Gibbs采樣估計(jì)方法的模型統(tǒng)計(jì)推斷，對(duì)兩幅相關(guān)SAR圖像的對(duì)數(shù)比圖像進(jìn)行最大似然分類，并在此基礎(chǔ)上基于MRF進(jìn)行自適應(yīng)的空間約束，完成檢測(cè)結(jié)果的更新。宋妍，袁修孝(2009)等在文章"基于混合高斯密度模型和空間上下文信息的遙感圖像變化檢測(cè)方法及擴(kuò)展"中提出了一種運(yùn)用遺傳K均值算法與EM算法聯(lián)合解算高斯混合密度模型參數(shù)的方法，該方法可以自動(dòng)地解算出模型的統(tǒng)計(jì)參數(shù)；然后，比較概率松弛迭代法以及MRF模型法的圖像變化檢測(cè)效果；最后，對(duì)傳統(tǒng)的基于模擬退火法的MRF方法進(jìn)行改進(jìn)，提出了一種變權(quán)MRF方法，檢測(cè)結(jié)果能更好地保持圖像的結(jié)構(gòu)性，并有效地去除了孤立噪聲。以上方法假設(shè)了差異圖像中與變化類和非變化類相關(guān)的統(tǒng)計(jì)項(xiàng)符合具體的模型如高斯混合模型、廣義高斯混合模型等，需要進(jìn)行復(fù)雜的參數(shù)估計(jì)過(guò)程，且參數(shù)估計(jì)的精確程度會(huì)影響變化檢測(cè)的結(jié)果，而實(shí)際中差異圖像的統(tǒng)計(jì)項(xiàng)不一定符合這些具體的模型，使得這些方法對(duì)差異圖像中與變化類和非變化類相關(guān)的統(tǒng)計(jì)項(xiàng)的估計(jì)存在偏差，進(jìn)而影響變化檢測(cè)精度。
發(fā)明內(nèi)容本發(fā)明的目的在于克服上述已有的遙感圖像變化檢測(cè)技術(shù)的不足，提出一種基于非參數(shù)密度估計(jì)的遙感圖像變化檢測(cè)，以減小差異圖像中與變化類和非變化類相關(guān)統(tǒng)計(jì)項(xiàng)的估計(jì)偏差，提高變化檢測(cè)精度。實(shí)現(xiàn)本發(fā)明目的的技術(shù)方案是采用非參數(shù)密度估計(jì)方法估計(jì)差異圖像與變化類和非變化類相關(guān)的統(tǒng)計(jì)項(xiàng)，并結(jié)合宋妍，袁修孝(2009)等人提出的變權(quán)馬爾科夫隨機(jī)場(chǎng)(MarkovRandomFields)進(jìn)行自適應(yīng)的空間約束，對(duì)遙感圖像的變化進(jìn)行檢測(cè)，其實(shí)現(xiàn)步驟包括如下(1)輸入兩幅不同時(shí)相的遙感圖像，并對(duì)每幅圖像的每個(gè)通道分別進(jìn)行窗口大小為3X3像素的中值濾波，得到兩時(shí)相的去噪后圖像；(2)將去噪后的兩幅圖像應(yīng)用變化矢量分析，得到一幅差異圖像，并根據(jù)該差異圖像計(jì)算變權(quán)馬爾科夫隨機(jī)場(chǎng)的權(quán)值因子W;(3)應(yīng)用K-均值聚類算法將差異圖像聚成變化類和非變化類，得到初始分類結(jié)果；(4)利用初始分類結(jié)果，采用非參數(shù)密度估計(jì)方法估計(jì)差異圖像中變化類和非變化類的類條件概率密度，再對(duì)該類條件概率密度取負(fù)自然對(duì)數(shù)得到變化類和非變化類的似然能量；(5)對(duì)初始分類結(jié)果利用馬爾科夫隨機(jī)場(chǎng)計(jì)算變化類和非變化類的先驗(yàn)?zāi)芰浚?6)利用權(quán)值因子W、變化類和非變化類的似然能量及變化類和非變化類的先驗(yàn)?zāi)芰坑?jì)算變化類的總能量和非變化類的總能量，將總能量較小的那一類作為當(dāng)前類別，得到類別更新后的結(jié)果；(7)對(duì)類別更新后的結(jié)果，采用非參數(shù)密度估計(jì)方法重新估計(jì)差異圖像中變化類和非變化類的類條件概率密度，再對(duì)該類條件概率密度取負(fù)自然對(duì)數(shù)得到變化類和非變化類的似然能量，并利用馬爾科夫隨機(jī)場(chǎng)重新計(jì)算變化類和非變化類的先驗(yàn)?zāi)芰浚?8)重復(fù)步驟(6)及步驟(7)直至迭代終止，并存儲(chǔ)每次類別更新后的結(jié)果，得到每個(gè)像素點(diǎn)的類別更新集合，該迭代終止條件為迭代次數(shù)不超過(guò)50次及兩次迭代之間相異的像元數(shù)目比例小于給定的閾值；(9)利用每個(gè)像素點(diǎn)的類別更新集合估計(jì)變化類的后驗(yàn)概率和非變化類的后驗(yàn)概率，將后驗(yàn)概率較大的那一類作為該像素點(diǎn)的最終變化檢測(cè)結(jié)果。本發(fā)明與現(xiàn)有技術(shù)相比具有如下優(yōu)點(diǎn)(1)本發(fā)明由于采用非參數(shù)密度估計(jì)方法估計(jì)差異圖像的類條件概率密度，克服了現(xiàn)有技術(shù)采用高斯混合模型和廣義高斯混合模型假設(shè)的缺陷，不需要事先對(duì)遙感影像的5類條件概率密度做出假設(shè)，能夠得到精確的估計(jì)結(jié)果。(2)本發(fā)明由于結(jié)合了變權(quán)馬爾科夫隨機(jī)場(chǎng)進(jìn)行自適應(yīng)的空間約束來(lái)迭代更新變化檢測(cè)結(jié)果，使得檢測(cè)結(jié)果能更好地保持圖像的結(jié)構(gòu)信息，并有效地去除孤立噪聲。(3)本發(fā)明由于將類別統(tǒng)計(jì)項(xiàng)的估計(jì)和自適應(yīng)的空間約束融為一體，提高了變化檢測(cè)處理效率。圖1是本發(fā)明的實(shí)現(xiàn)流程示意圖；圖2是本發(fā)明第一組實(shí)驗(yàn)的變化檢測(cè)結(jié)果圖圖3是本發(fā)明第二組實(shí)驗(yàn)的變化檢測(cè)結(jié)果圖圖4是本發(fā)明第三組實(shí)驗(yàn)的變化檢測(cè)結(jié)果圖具體實(shí)施例方式參照?qǐng)Dl，本發(fā)明的實(shí)施如下步驟l，輸入兩幅不同時(shí)相的遙感圖像，并對(duì)每幅圖像的每個(gè)通道分別進(jìn)行窗口大小為3X3像素的中值濾波，得到兩時(shí)相的去噪后圖像&和X2。步驟2，將去噪后的兩幅圖像&和X2應(yīng)用變化矢量分析，得到一幅差異圖像Xd，并根據(jù)該差異圖像計(jì)算變權(quán)馬爾科夫隨機(jī)場(chǎng)的權(quán)值因子W，具體步驟如下(2a)利用變化矢量分析法計(jì)算差異圖像Xd，即3(1)其中，Xn、X。及X13為圖像&的三個(gè)通道圖像;X21、X22及X23為圖像X2的三個(gè)通道(2b)計(jì)算權(quán)值因子W:首先，計(jì)算每個(gè)像素點(diǎn)的特征值，即W,力=J]2Ix0l，")—;(2)=1rt=l其中p為像素點(diǎn)局部窗口的大小，x(m，n)為局部窗口內(nèi)每個(gè)像素點(diǎn)的灰度值，u(i，j)為局部窗口像素的均值；然后，利用整幅圖像中像素特征值t(i，j)的最大值及最小值將t(i，j)映射到區(qū)間上，得到每個(gè)像素點(diǎn)的權(quán)值因子W(i，j)，Vmin=0.5，Vmax=8。步驟3，應(yīng)用K-均值聚類算法將差異圖像聚成兩類，將均值較大的一類作為變化類，均值較小的一類作為非變化類，得到初始分類結(jié)果。步驟4，利用初始分類結(jié)果，采用非參數(shù)密度估計(jì)方法估計(jì)差異圖像中變化類和非變化類的類條件概率密度，再對(duì)該類條件概率密度取負(fù)自然對(duì)數(shù)，得到變化類和非變化類的似然能量，具體步驟如下(4a)采用非參數(shù)密度估計(jì)方法估計(jì)差異圖像中變化類的類條件概率密度A;IwJ和非變化類的類條件概率密度》(J^I化)，即6<formula>formulaseeoriginaldocumentpage7</formula>其中，Sn和S。分別表示非變化類和變化類的像素集合，Nn和N。分別表示非變化類和變化類的像素?cái)?shù)目，K(□)為高斯核函數(shù)，Hn和H。分別表示非變化類和變化類的自適應(yīng)窗寬平滑參數(shù)，與像素?cái)?shù)目及像素點(diǎn)的頻數(shù)f(Xij)有關(guān)，通過(guò)如下公式計(jì)算Hn=H0(a/Nn_f(X^P);(5)Hc=h0(a/Nc_f(XjP);(6)其中，H。，a禾Pp均為經(jīng)驗(yàn)常數(shù)，H。=1，a=40000，P=10;(4b)對(duì)非變化類和變化類的類條件概率密度取負(fù)自然對(duì)數(shù)，得到的非變化類的似然能量LEu(i，j)及變化類的似然能量LEc(i，j)，艮卩丄五"(;,/)=—ln(》(A^lw"》；(7)丄Ec(/,_;)=-ln(》(^^Ic))。(8)步驟5，對(duì)初始分類結(jié)果利用馬爾科夫隨機(jī)場(chǎng)計(jì)算變化類和非變化類的先驗(yàn)?zāi)芰?，并?duì)馬爾科夫隨機(jī)場(chǎng)采用各向同性的二階馬爾科夫隨機(jī)場(chǎng)鄰域，則變化類的先驗(yàn)?zāi)芰縋Ec(i，j)及非變化類PEu(i，j)的先驗(yàn)?zāi)芰繛槭?amp;("f(c"力，c(p，《))；(9)PEu(i，j)=-8-PEc(i，j)。(10)其中，C(i，j)為像素點(diǎn)(i，j)處的類別，S為C(i，j)的二階馬爾科夫隨機(jī)場(chǎng)鄰域，C(p，q)為S中的類別，V(C(i，j)，C(p，q))為鄰域勢(shì)函數(shù)，通過(guò)狄拉克函數(shù)計(jì)算:f一l，C(,，力-C(m)<formula>formulaseeoriginaldocumentpage7</formula>步驟6，利用權(quán)值因子W、變化類和非變化類的似然能量及變化類和非變化類的先驗(yàn)?zāi)芰坑?jì)算非變化類的總能量TEu(i，j)和變化類的總能量TEc(i，j):TEu(i，j)=LEu(i，j)+W(i，j)XPEu(i，j);(12)TEc(i，j)=LEc(i，j)+W(i，j)XPEc(i，j)，(13)若TEu(i，j)<TEc(i，j)，則將像素點(diǎn)(i，j)處的類別更新為非變化類，否則為變化類，得到類別更新后的結(jié)果。步驟7，對(duì)類別更新后的結(jié)果，采用非參數(shù)密度估計(jì)方法重新估計(jì)差異圖像中變化類和非變化類的類條件概率密度，再對(duì)該類條件概率密度取負(fù)自然對(duì)數(shù)得到變化類和非變化類的似然能量，并利用馬爾科夫隨機(jī)場(chǎng)重新計(jì)算變化類和非變化類的先驗(yàn)?zāi)芰?。步驟8，重復(fù)步驟(6)及步驟(7)直至迭代終止，并存儲(chǔ)每次類別更新后的結(jié)果，得到每個(gè)像素點(diǎn)的類別更新集合，該迭代終止條件有兩種一種是迭代次數(shù)不超過(guò)50次，另一種是兩次迭代之間相異的像元數(shù)目比例小于給定的閾值T，T=5X10一8。步驟9，利用每個(gè)像素點(diǎn)的類別更新集合估計(jì)變化類的后驗(yàn)概率和非變化類的后驗(yàn)概率，將后驗(yàn)概率較大的那一類作為該像素點(diǎn)的最終變化檢測(cè)結(jié)果。本發(fā)明的效果可以通過(guò)以下實(shí)驗(yàn)進(jìn)一步說(shuō)明本發(fā)明的對(duì)比實(shí)驗(yàn)為宋妍和袁修孝(2009)等在文章"基于混合高斯密度模型和空間上下文信息的遙感圖像變化檢測(cè)方法及擴(kuò)展"中提出的變化檢測(cè)方法，變化檢測(cè)結(jié)果的性能采用虛警數(shù)、漏檢數(shù)及總錯(cuò)誤數(shù)三個(gè)指標(biāo)進(jìn)行評(píng)價(jià)。本發(fā)明所設(shè)計(jì)的三組實(shí)驗(yàn)；第一組為ATM(AirborneThematicM即per)3波段圖像和模擬變化圖像構(gòu)成的模擬數(shù)據(jù)集，分別如圖2(a)和圖2(b)所示。其中ATM圖像位于英國(guó)Feltwell村莊的一個(gè)農(nóng)田區(qū)，模擬變化圖像是通過(guò)模擬地球的天氣變化和電磁波的輻射特性等因素影響并人工地嵌入一些變化區(qū)域得到，圖像大小均為470X335,256灰度級(jí)，兩幅圖像的配準(zhǔn)誤差為1.5個(gè)像元左右。圖2(c)為變化參考圖。對(duì)圖2(a)和圖2(b)應(yīng)用變化矢量分析法得到的差異圖像，如圖2(d)所示。圖2(e)為采用對(duì)比實(shí)驗(yàn)方法得到的變化檢測(cè)結(jié)果，圖2(f)為采用本發(fā)明方法得到的變化檢測(cè)結(jié)果。第二組為2000年4月和2002年5月的墨西哥郊外的兩幅Landsat7ETM+4波段遙感圖像，分別如圖3(a)和圖3(b)所示。圖像大小均為512X512,256灰度級(jí)，圖像配準(zhǔn)誤差為1.5個(gè)像元左右，變化區(qū)域主要為大火破壞了大面積的當(dāng)?shù)刂脖凰?，變化參考圖如圖3(c)所示。對(duì)圖3(a)和圖3(b)應(yīng)用變化矢量分析法得到的差異圖像，如圖3(d)所示。圖3(e)為采用對(duì)比實(shí)驗(yàn)方法得到的變化檢測(cè)結(jié)果，圖3(f)為采用本發(fā)明方法得到的變化檢測(cè)結(jié)果。第三組為1995年9月和1996年7月Landsat-5衛(wèi)星TM(ThematicM即per)傳感器接收的兩幅多光譜圖像，分別如圖4(a)和圖4(b)所示。圖像大小均為300X412,256灰度級(jí)。試驗(yàn)區(qū)為意大利撒丁島包含湖泊的一部分，變化前后湖中水位上升，變化參考圖如圖4(c)所示。對(duì)圖4(a)和圖4(b)應(yīng)用變化矢量分析法得到的差異圖像，如圖4(d)所示。圖4(e)為采用對(duì)比實(shí)驗(yàn)方法得到的變化檢測(cè)結(jié)果，圖4(f)為采用本發(fā)明方法得到的變化檢測(cè)結(jié)果。表1為第一組實(shí)驗(yàn)結(jié)果，從表中可以看出與對(duì)比實(shí)驗(yàn)相比，本發(fā)明方法的虛警數(shù)減少了1280個(gè)像元，漏檢數(shù)增加了779個(gè)像元，但總的錯(cuò)誤數(shù)減少了501個(gè)像元。從圖2(e)和圖2(f)可以看出與對(duì)比實(shí)驗(yàn)方法結(jié)果相比，本發(fā)明方法減少了孤立噪聲，有效地保持變化區(qū)域的結(jié)構(gòu)信息，總體上說(shuō)本發(fā)明方法是有效的。表2為第二組實(shí)驗(yàn)結(jié)果，從表中可以看出與對(duì)比實(shí)驗(yàn)相比，本發(fā)明方法的虛警數(shù)減少了623個(gè)像元，漏檢數(shù)增加了500個(gè)像元，但總的錯(cuò)誤數(shù)減少了123個(gè)像元。從圖3(e)和圖3(f)可以看出與對(duì)比實(shí)驗(yàn)方法結(jié)果相比，本發(fā)明方法減少了孤立噪聲，有效地保持變化區(qū)域的結(jié)構(gòu)信息，總體上說(shuō)本發(fā)明方法是有效的。表3為第三組實(shí)驗(yàn)結(jié)果，從表中可以看出與對(duì)比實(shí)驗(yàn)相比，本發(fā)明方法的虛警數(shù)減少了571個(gè)像元，漏檢數(shù)增加了153個(gè)像元，但總的錯(cuò)誤數(shù)減少了418個(gè)像元。從圖4(e)和圖4(f)可以看出與對(duì)比實(shí)驗(yàn)方法結(jié)果相比，本發(fā)明方法減少了孤立噪聲，有效地保持變化區(qū)域的結(jié)構(gòu)信息，總體上說(shuō)本發(fā)明方法是有效的。表1第一組實(shí)驗(yàn)結(jié)果8<table>tableseeoriginaldocumentpage9</column></row><table>權(quán)利要求一種基于非參數(shù)密度估計(jì)的遙感圖像變化檢測(cè)方法，包括如下步驟(1)輸入兩幅不同時(shí)相的遙感圖像，并對(duì)每幅圖像的每個(gè)通道分別進(jìn)行窗口大小為3×3像素的中值濾波，得到兩時(shí)相的去噪后圖像；(2)將去噪后的兩幅圖像應(yīng)用變化矢量分析，得到一幅差異圖像，并根據(jù)該差異圖像計(jì)算變權(quán)馬爾科夫隨機(jī)場(chǎng)的權(quán)值因子W；(3)應(yīng)用K-均值聚類算法將差異圖像聚成變化類和非變化類，得到初始分類結(jié)果；(4)利用初始分類結(jié)果，采用非參數(shù)密度估計(jì)方法估計(jì)差異圖像中變化類和非變化類的類條件概率密度，再對(duì)該類條件概率密度取負(fù)自然對(duì)數(shù)得到變化類和非變化類的似然能量；(5)對(duì)初始分類結(jié)果利用馬爾科夫隨機(jī)場(chǎng)計(jì)算變化類和非變化類的先驗(yàn)?zāi)芰浚?6)利用權(quán)值因子W、變化類和非變化類的似然能量及變化類和非變化類的先驗(yàn)?zāi)芰坑?jì)算變化類的總能量和非變化類的總能量，將總能量較小的那一類作為當(dāng)前類別，得到類別更新后的結(jié)果；(7)對(duì)類別更新后的結(jié)果，采用非參數(shù)密度估計(jì)方法重新估計(jì)差異圖像中變化類和非變化類的類條件概率密度，再對(duì)該類條件概率密度取負(fù)自然對(duì)數(shù)得到變化類和非變化類的似然能量，并利用馬爾科夫隨機(jī)場(chǎng)重新計(jì)算變化類和非變化類的先驗(yàn)?zāi)芰浚?8)重復(fù)步驟(6)及步驟(7)直至迭代終止，并存儲(chǔ)每次類別更新后的結(jié)果，得到每個(gè)像素點(diǎn)的類別更新集合，該迭代終止條件為迭代次數(shù)不超過(guò)50次及兩次迭代之間相異的像元數(shù)目比例小于給定的閾值；(9)利用每個(gè)像素點(diǎn)的類別更新集合估計(jì)變化類的后驗(yàn)概率和非變化類的后驗(yàn)概率，將后驗(yàn)概率較大的那一類作為該像素點(diǎn)的最終變化檢測(cè)結(jié)果。2.根據(jù)權(quán)利要求l所述的遙感圖像變化檢測(cè)方法，其中步驟(2)所述計(jì)算變權(quán)馬爾科夫隨機(jī)場(chǎng)的權(quán)值因子，按如下步驟計(jì)算首先，計(jì)算每個(gè)像素點(diǎn)的特征值，即m=l=1其中P為像素點(diǎn)局部窗口的大小，x(m，n)為局部窗口內(nèi)每個(gè)像素點(diǎn)的灰度值，u(i，j)為局部窗口像素的均值；然后，利用整幅圖像中像素特征值t(i，j)的最大值及最小值將t(i，j)映射到I,Vmax]區(qū)間上，得到每個(gè)像素點(diǎn)的權(quán)值因子W(i，j)，Vmin=0.5，Vmax=8。3.根據(jù)權(quán)利要求l所述的遙感圖像變化檢測(cè)方法，其中步驟(4)所述采用非參數(shù)密度估計(jì)方法估計(jì)差異圖像中變化類和非變化類的類條件概率密度，通過(guò)如下公式進(jìn)行<formula>formulaseeoriginaldocumentpage2</formula>其中，,(;^I^)和》(;^iA)分別表示非變化類和變化類的類條件概率密度，Sn和sc分別表示非變化類和變化類的像素集合，nn和n。分別表示非變化類和變化類的像素?cái)?shù)目，K(□)為高斯核函數(shù)，4和H。分別表示非變化類和變化類的自適應(yīng)窗寬平滑參數(shù)Hn=H。(a/Hn-f(Xij)13);Hc=H。(a/Nc-f(Xij)13);其中，H。，a禾Pp均為經(jīng)驗(yàn)常數(shù)，H。=1，a=40000，P=10。全文摘要本發(fā)明公開(kāi)了一種基于非參數(shù)密度估計(jì)的遙感圖像變化檢測(cè)方法，主要解決現(xiàn)有技術(shù)對(duì)差異圖像中與變化類和非變化類相關(guān)的統(tǒng)計(jì)項(xiàng)的估計(jì)存在偏差的問(wèn)題。其實(shí)現(xiàn)過(guò)程是輸入兩幅不同時(shí)相的遙感圖像，并對(duì)每幅圖像的每個(gè)通道去噪，得到兩時(shí)相的去噪后圖像，并采用變化矢量分析法構(gòu)造差異影像；應(yīng)用K-均值聚類算法將差異圖像聚成變化類和非變化類，得到初始分類結(jié)果，并采用非參數(shù)密度估計(jì)的方法估計(jì)差異影像中與變化類和非變化類相關(guān)的統(tǒng)計(jì)項(xiàng)；結(jié)合變權(quán)馬爾科夫隨機(jī)場(chǎng)模型進(jìn)行自適應(yīng)的空間約束，得到最終的變化檢測(cè)結(jié)果。實(shí)驗(yàn)表明本發(fā)明能夠有效地保持圖像的結(jié)構(gòu)信息，并去除孤立噪聲，提高變化檢測(cè)處理效率，可用于災(zāi)情監(jiān)測(cè)、土地利用、農(nóng)業(yè)調(diào)查領(lǐng)域。文檔編號(hào)G01S7/48GK101694719SQ20091002429公開(kāi)日2010年4月14日申請(qǐng)日期2009年10月13日優(yōu)先權(quán)日2009年10月13日發(fā)明者侯彪,公茂果,劉芳,焦李成,王桂婷,范元章,鐘樺,馬文萍申請(qǐng)人:西安電子科技大學(xué);