專利名稱：一種多光譜遙感影像變化檢測方法
技術(shù)領(lǐng)域：
本發(fā)明涉及遙感影像處理技術(shù)領(lǐng)域，特別涉及一種多光譜遙感影像變化檢測方法，適用于同一區(qū)域不同時相的多幅含有地物變化信息的多光譜遙感影像數(shù)據(jù)的變化檢測。
背景技術(shù)：
基于遙感影像的變化檢測是根據(jù)同一區(qū)域不同時相的遙感影像，辨識觀測對象或者現(xiàn)象的狀態(tài)變化過程。它已廣泛應(yīng)用于資源管理與規(guī)劃、環(huán)境保護(hù)等諸多領(lǐng)域，并為相關(guān)部門提供科學(xué)決策的依據(jù)。當(dāng)前，遙感影像的變化檢測問題已經(jīng)成為一個非?；钴S的研究方向，如美國的國家地理空間智能研究所、意大利的Trento大學(xué)、中國科學(xué)院遙感所、武漢大學(xué)等機(jī)構(gòu)和研究小組都在開展相關(guān)方面的研究和應(yīng)用開發(fā)，取得了諸多成果。目前遙感影像變化檢測方法主要有:代數(shù)法、變換法、分類比較法、高級模型法、GIS集成法、視覺分析法和其它方法。其中代數(shù)法以其操作簡單、易于實(shí)現(xiàn)成為當(dāng)前變化檢測中使用最廣泛的方法之一，主要包括差值法、比值法等。代數(shù)法的變化檢測核心問題為:差異影像的獲取和閾值的選取。僅依靠單一方法獲取差異影像，并不能較好地反映地面真實(shí)變化情況。通過融合的方法來構(gòu)造差異影像可以克服此問題，但是其不足是該方法主要是針對單一波段遙感影像。通過差異影像來對感興趣區(qū)的變化和非變化像元做出判定的關(guān)鍵是閾值的選取，常規(guī)的手動選擇閾值準(zhǔn)確性不高，且自動化程度較低。為了克服這些缺點(diǎn)，L.Bruzzone等提出一種基于統(tǒng)計最小錯誤率的Bayes判別準(zhǔn)則的變化檢測算法，將差異影像視作由變化和非變化兩類像元組成的高斯混合分布，然后利用(Expectation-Maximization, EM)算法估計出高斯混合分布密度函數(shù)的參數(shù)，進(jìn)而確定出變化檢測的閾值。但當(dāng)“差異影像”含有多種地物變化類型，光譜信息較復(fù)雜時，把差異影像視作僅有兩類的高斯混合分布，顯然會降低其變化檢測精度。另外，EM算法是在已知高斯混合模型(Gaussian Mixture Model,GMM)分支數(shù)的情況下對參數(shù)進(jìn)行估計的，而在實(shí)際的應(yīng)用中，這點(diǎn)很難做到。

發(fā)明內(nèi)容
本發(fā)明針對上述已有的技術(shù)不足，提出一種多光譜遙感影像變化檢測方法。該方法能最大限度地保留目標(biāo)數(shù)據(jù)變化的細(xì)節(jié)信息，減少偽變化信息及背景噪聲的干擾，準(zhǔn)確估計GMM的參數(shù)(分支數(shù)，權(quán)重，均值，方差)，實(shí)現(xiàn)了對差異影像直方圖的最佳擬合，提高了目標(biāo)影像的變化檢測精度。本發(fā)明解決其技術(shù)問題所采取的技術(shù)方案:一種多光譜遙感影像變化檢測方法，包括下述步驟:步驟I，數(shù)據(jù)準(zhǔn)備:選取需要進(jìn)行變化檢測的同一區(qū)域、不同時相的2幅多光譜遙感影像數(shù)據(jù)；步驟2，構(gòu)造差異影像:
對2幅多光譜遙感影像數(shù)據(jù)通過相關(guān)系數(shù)融合法構(gòu)造差異影像；差異影像的構(gòu)造分以下幾步進(jìn)行，首先對經(jīng)過步驟I得到的2幅多光譜遙感影像數(shù)據(jù)X1, X2,通過ENVI4.8軟件分別進(jìn)行PCA變換，并分別提取其第一主成分Xlpc;1，X2pcl ;然后，求取Xlpc;1，X2pcl的差值就影像AY1以及比值影像AY2，最后對獲取的差值、比值影像進(jìn)行融合構(gòu)造出差異影像；對于PCA變換，采用ENVI4.8軟件對目標(biāo)數(shù)據(jù)進(jìn)行PCA變換時以協(xié)方差矩陣的特征向量對應(yīng)的矩陣作為變換矩陣；對于n 維隨機(jī)變量 X1, X2,…，Xn,若 Cij=Cov (Xi, Xj) =E {[X1-E (Xi) ] [XrE (Xj)]都存在，i, j=l, 2，…n，則n維隨機(jī)變量X1, X2,…，Xn的協(xié)方差矩陣為:
權(quán)利要求
1.一種多光譜遙感影像變化檢測方法，其特征在于:包括下述步驟: 步驟I，數(shù)據(jù)準(zhǔn)備: 選取需要進(jìn)行變化檢測的同一區(qū)域、不同時相的2幅多光譜遙感影像數(shù)據(jù)； 步驟2，構(gòu)造差異影像: 對2幅多光譜遙感影像數(shù)據(jù)通過相關(guān)系數(shù)融合法構(gòu)造差異影像； 差異影像的構(gòu)造分以下幾步進(jìn)行，首先對經(jīng)過步驟I得到的2幅多光譜遙感影像數(shù)據(jù)X1, X2,通過ENVI4.8軟件分別進(jìn)行PCA變換，并分別提取其第一主成分Xlpc;1，X2pcl ;然后，求取Xlpc;1，X2pc;1的差值就影像AY1以及比值影像A Y2，最后對獲取的差值、比值影像進(jìn)行融合構(gòu)造出差異影像； 對于PCA變換，采用ENVI4.8軟件對目標(biāo)數(shù)據(jù)進(jìn)行PCA變換時以協(xié)方差矩陣的特征向量對應(yīng)的矩陣作為變換矩陣；對于 n 維隨機(jī)變量 X1, X2，…，Xn,若 Cij=Cov (Xi, Xj) =E {[X1-E (Xi) ] [XrE (Xj)]都存在，i, j=l, 2，…n，則n維隨機(jī)變量X1, X2,…，Xn的協(xié)方差矩陣為:
2.根據(jù)權(quán)利要求1所述的一種多光譜遙感影像變化檢測方法，其特征在于:所述步驟3包括如下步驟: 首先，采用GMM對差異影像進(jìn)行建模，然后，利用MDL-EM算法估計GMM的參數(shù)； 對于GMM的構(gòu)造，具體實(shí)現(xiàn)為:設(shè)f i為差異影像F的第i個像元灰度值；i=l，…，N，F(xiàn)中存在k個待識別的類，即為k個分支；每個像元之間是相互獨(dú)立的，且不考慮分支間的相關(guān)性，則有:
3.根據(jù)權(quán)利要求2所述的一種多光譜遙感影像變化檢測方法，其特征在于:所述步驟3中的GMM中分支數(shù)k通過如下方法確定: 在選定初始最大分支數(shù)k_的情況下，通過引入合并最小距離分支的辦法來自適應(yīng)地依次減少分支數(shù)直到kmin，并依據(jù)下式，確定最優(yōu)的分支數(shù)k*和參數(shù) * ；{k*，0 *} =argmin {R (k, )，kmin ≤ k ≤ kmax} (12) 利用上述MDL-EM算法便能自適應(yīng)地估計得到GMM的k*和 * ; 上述合并最小距離分支法，具體實(shí)現(xiàn)為:設(shè)分支數(shù)為k時其任意兩類分支1、m,其中1彡I, ms k，其參數(shù)為T1, pm, U !, u m, of 合并后的新分支參數(shù)為:p Cllll)，y (1，m)，^l_m)，首先令 y 1= y m= y G,m) ；: P1, Pm 不變，則在分支數(shù)為 k 時有0am)=0⑴=0Wg (k)，同時注意到因?yàn)閑⑴=e w所以可將他們視為一個分支，為了便于區(qū)分，將 (h)中的eam)表示成％ 則有& , e a—n，此時有Pan0=P1I;再利用eam)和&的定義，結(jié)合MDL準(zhǔn)則有:
4.根據(jù)權(quán)利要求3所述的一種多光譜遙感影像變化檢測方法，其特征在于:迭代終止條件為:| [lnp(f|k，0(t+1))-lnp(f|k, 0 (t))] /lnp(f|k, 0 (t)) <0.00001 ;當(dāng)滿足此條件時，t即為確定的迭代次數(shù)。
5.根據(jù)權(quán)利要求1所述的一種多光譜遙感影像變化檢測方法，其特征在于:在所述步驟I與步驟2之間還包括數(shù)據(jù)預(yù)處理步驟: 對所選的2幅多光譜遙感影像進(jìn)行輻射校正及幾何校正預(yù)處理； 其中，所述數(shù)據(jù)預(yù)處理具體實(shí)現(xiàn)為:首先進(jìn)行輻射校正，然后進(jìn)行幾何粗校正，最后進(jìn)行幾何精校正； 步驟A，對于輻射校正，將目標(biāo)影像數(shù)據(jù)采用基于統(tǒng)計量的方法進(jìn)行相對輻射校正，在假定目標(biāo)數(shù)據(jù)的各個波段服從高斯分布的情況下，其表達(dá)式為:
全文摘要
本發(fā)明涉及遙感影像處理技術(shù)領(lǐng)域，提出了一種多光譜遙感影像變化檢測方法，主要解決當(dāng)遙感地物類型較復(fù)雜時，傳統(tǒng)方法構(gòu)造的差異影像信息冗余大，偽變化信息及背景噪聲干擾嚴(yán)重；傳統(tǒng)基于EM算法求得的高斯混合模型(GMM)對差異影像直方圖擬合效果差，檢測精度低的問題。其實(shí)現(xiàn)過程包括下述步驟首先，采用主成分(PCA)變換與相關(guān)系數(shù)融合法相結(jié)合的方式構(gòu)造差異影像；其次，利用分支數(shù)為k的GMM對差異影像進(jìn)行建模，并利用MDL-EM算法自適應(yīng)估計模型各參數(shù)；最后，利用基于統(tǒng)計最小錯誤率的Bayes判別準(zhǔn)則確定變化檢測的閾值，得到目標(biāo)影像的變化檢測結(jié)果。
文檔編號G06T7/00GK103218807SQ201310097259
公開日2013年7月24日 申請日期2013年3月25日 優(yōu)先權(quán)日2013年3月25日
發(fā)明者吳寶國, 石愛業(yè), 王趙璽, 夏晨陽, 嚴(yán)威 申請人:河海大學(xué)