本發(fā)明屬于圖像處理技術領域，特別涉及一種圖像變化檢測方法，可用于對多光譜圖像進行地物狀態(tài)變化監(jiān)測與評估。

背景技術：

多光譜圖像是遙感衛(wèi)星獲取的在多個波段上的對地觀測數字圖像。多光譜圖像變化檢測通過分析同一地區(qū)不同時刻觀測到的多幅多光譜圖像來確定地物變化的特征及過程。多光譜圖像具有豐富的光譜信息，能夠很好地反映地物特性。多光譜圖像變化檢測在軍事和民事領域中具有突出的作用。

最常用的多光譜圖像變化檢測方法是變化矢量分析法CVA，該方法將多通道的原始兩時刻圖像定義為向量，將兩時刻的向量作差得到變化向量，再對變化向量進行分析從而檢測出兩時刻圖像是否發(fā)生變化。CVA方法在多光譜圖像變化檢測中得到了成功的應用，近年各國學者對其進行了多方面的改進。

J Chen定義了后驗概率空間中的CVA算法，該算法降低了傳統(tǒng)CVA對幾何配準和輻射校正的嚴格要求，不同變化所得到的結果都處于同一尺度空間，對單門限檢測法的魯棒性更好。

F Bovolo提出了極坐標空間中的CVA算法，該算法從理論上分析了極坐標空間中變化與非變化像素點的分布及其統(tǒng)計特性，給出了極坐標空間中變化矢量的嚴格定義及分析。此后，F(xiàn) Bovolo又提出了2維CVA和多級CVA算法。但是上述的CVA方法及其改進方法，不能夠實現(xiàn)對多光譜圖像多種特征的自適應融合，不能充分利用多種特征中的信息，導致運算量比較大，計算效率比較低。

除了CVA方法，其它方法也在多光譜圖像變化檢測中得到了成功的應用。例如，Hichri等在2013年提出了一種實現(xiàn)交式互分割的多光譜圖像變化檢測方法，該方法使用支持向量機SVM對已知標記的像素進行訓練，使用訓練結果指導圖像分割得到初始變化檢測圖像，最后使用馬爾科夫隨機場MRFs調整初始變化檢測結果圖，得到最終的變化檢測結果圖。但是該方法實現(xiàn)時需要兩個步驟，即先對已知標簽樣本進行訓練得到初分結果，再進行優(yōu)化，使得該算法流程比較復雜。

近年來新發(fā)展起來的是基于核方法的多光譜圖像變化檢測算法。GustavoCamps-Valls在2008年首先提出將核方法應用于遙感圖像變化檢測，通過提取圖像的強度信息和紋理信息并構造強度紋理差值核函數實現(xiàn)了遙感圖像變化檢測。但是該方法處理多光譜圖像時，沒有考慮多種特性之間的相關性，不能充分挖掘和融合多種圖像特征，因而其檢測精度有待進一步提高。

技術實現(xiàn)要素：

本發(fā)明的目的是在針對上述已有算法的不足，提出一種基于核互模態(tài)因素分析核融合的多光譜圖像變化檢測方法，通過分析圖像多種特征之間的相關性，充分挖掘和融合圖像特征，從而降低運算量，提高運算效率，提高檢測精度。

為實現(xiàn)上述目的，本發(fā)明的實現(xiàn)步驟包括如下：

(1)給定原始的預處理后的三通道的相同尺寸兩時刻光譜圖像，記為{R_t,G_t,B_t}，t＝t₀,t₁，其中，R_t,G_t,B_t分別表示原RGB空間中的三通道光譜圖像，使用RGB-HIS變換將該三通道圖像變換至HIS空間，得到HIS通道的兩時刻光譜圖像{H_t,I_t,S_t}，其中H_t為t時刻光譜圖像的色調分量，S_t為t時刻光譜圖像的飽和度分量，I_t為t時刻光譜圖像的強度分量；

(2)利用t₀,t₁兩時刻光譜圖像的色調飽和度和強度分量，提取光譜圖像特征；

2a)分別提取分量光譜圖像的灰度值和分量光譜圖像的灰度值，將其堆砌成兩時刻光譜圖像的顏色特征和

2b)提取強度分量光譜圖像的灰度特征和紋理特征將其堆砌成強度紋理特征

(3)利用兩時刻光譜圖像的顏色特征求取顏色差值核函數矩陣K_Col；

(4)利用兩時刻光譜圖像的強度紋理特征求取強度紋理差值核函數矩陣K_ST；

(5)利用基于核互模態(tài)因素分析算法KCFA分別求取顏色差值核函數矩陣K_Col的權重系數w_c和強度紋理差值核函數矩陣K_ST的權重系數w_s；

(6)利用步驟5)、步驟4)和步驟3)的結果，構造合成核函數矩陣K_F：K_F＝w_c·K_Col+w_s·K_ST；

(7)將步驟6)得到的合成核函數矩陣K_F輸入到支持向量機SVM中進行檢測，得到二值變化檢測結果，即完成對多光譜圖像的變化檢測。

本發(fā)明具有如下優(yōu)點：

1)本發(fā)明由于利用了核方法，可以將實際多光譜圖像處理中存在的非線性不可分問題轉化為高維空間中的線性可分問題。

2)本發(fā)明通過將原RGB空間的偽彩色圖像變換至HIS空間，充分提取圖像的顏色特征和強度紋理特征，有效突出了變化區(qū)域及其邊界；并將顏色信息和強度紋理信息進行融合，最大限度挖掘兩種特征之間的相關性，有效實現(xiàn)了核空間中的特征融合。

3)本發(fā)明能全面地提取圖像特征，可以顯著提高變化檢測結果的精度。

仿真結果表明，本發(fā)明與現(xiàn)有的差值核方法相比，運算量低，檢測精度高，檢測性能更為優(yōu)越。

附圖說明

圖1是本發(fā)明的實現(xiàn)流程圖；

圖2是用本發(fā)明對日本地震災害實測多光譜圖像的變化檢測結果圖；

圖3是用本發(fā)明對格洛斯特洪水災害實測多光譜圖像的變化檢測結果圖；

圖4是用本發(fā)明對哈薩克斯坦海岸受流沙沖擊前后實測多光譜圖像的變化檢測結果圖；

圖5是用本發(fā)明對塔霍湖火災實測多光譜圖像的變化檢測結果圖。

具體實施方式

參照圖1，本發(fā)明的具體實施過程如下：

步驟1.將預處理后的光譜圖像變換至HIS空間。

給定原始的預處理后的三通道的相同尺寸兩時刻光譜圖像，記為{R_t,G_t,B_t}，t＝t₀,t₁，其中，R_t,G_t,B_t分別表示原RGB空間中的三通道光譜圖像；

使用RGB-HIS變換將該三通道光譜圖像變換至HIS空間，得到HIS通道的兩時刻光譜圖像{H_t,I_t,S_t}，其中H_t為t時刻光譜圖像的色調分量，S_t為t時刻光譜圖像的飽和度分量，I_t為t時刻光譜圖像的強度分量。

其中，RGB空間中的R代表光譜圖像的紅色分量，G代表光譜圖像的綠色分量，B代表光譜圖像的藍色分量；HIS空間中的H代表光譜圖像的色調分量，S代表光譜圖像的飽和度分量，I光譜圖像的代表強度分量。

步驟2.提取光譜圖像的顏色特征和強度紋理特征。

利用t₀,t₁兩時刻光譜圖像的色調飽和度和強度分量，提取光譜圖像特征，其步驟如下：

2a)提取t₀時刻光譜圖像分量的灰度值和分量的灰度值用這兩個灰度值堆砌構成t₀時刻光譜圖像的顏色特征提取t₁兩時刻光譜圖像分量的灰度值和分量的灰度值用這兩個灰度值堆砌構成t₁時刻光譜圖像的顏色特征表示如下：

2b)提取t₀時刻光譜圖像的強度分量的灰度值和紋理特征用該灰度值和紋理特征堆砌構成t₀時刻光譜圖像強度紋理特征提取t₁時刻光譜圖像分量灰度值和紋理特征用該灰度值和紋理特征堆砌構成t₁時刻光譜圖像的強度紋理特征表示如下：

步驟3.構造顏色差值核函數矩陣K_Col。

利用t₀時刻光譜圖像的顏色特征和t₁時刻光譜圖像的顏色特征構造顏色差值核函數矩陣K_Col，其步驟如下：

3a)從t₀時刻光譜圖像中任意選取兩個像素點和從t₁時刻光譜圖像中選取與和位置相同的兩個像素點，記為和

3b)從中找出像素點對應的顏色特征和像素點對應的顏色特征從中找出像素點對應的顏色特征和像素點對應的顏色特征

3c)利用3b)獲得的顏色特征求取顏色插值核函數的值：

其中，K(·)表示高斯徑向基RBF核函數，ζ代表核寬參數，exp為指數函數；

3d)在t₀時刻光譜圖像中找出沒有被選取過的任意兩個像素以及中相同位置的像素點按照與3b)相同的方法找到與對應的顏色特征再按照與3c)相同的方法計算顏色差值核函數的值，

其中p是像素點的標號，1≤p≤N-1，N是光譜圖像像素點個數；

3e)重復步驟3d)，直到所有像素點被選取過，得到顏色差值核函數的全部值，構成顏色差值核函數矩陣K_Col。

步驟4.構造強度紋理差值核函數矩陣K_ST。

利用t₀時刻光譜圖像強度紋理特征和t₁時刻光譜圖像強度紋理特征構造強度紋理差值核函數矩陣K_ST，其步驟如下：

4a)從t₀時刻光譜圖像中任意選取兩個像素點和從t₁時刻光譜圖像中選取與和位置相同的兩個像素點，記為和

4b)從中找出像素點對應的強度紋理特征和像素點對應的強度紋理特征從中找出像素點對應的強度紋理特征和像素點對應的強度紋理特征

4c)利用從4b)獲得的求取強度紋理差值核函數的值：

其中，K(·)表示高斯徑向基RBF核函數，ζ代表核寬參數，exp為指數函數；

4d)在t₀時刻光譜圖像中找出沒有被選取過的任意兩個像素以及中相同位置的像素點按照與4b)相同的方法找到與對應的強度紋理特征再按照與4c)相同的方法計算強度紋理差值核函數的值，

其中q是像素點的標號，1≤q≤N-1，N是光譜圖像像素點個數；

4e)重復步驟4d)，直到所有像素點被選取過，得到強度紋理差值核函數的全部值，構成強度紋理差值核函數矩陣K_ST。

步驟5.求取權重系數w_c和w_s。

利用步驟3得到的顏色差值核函數矩陣K_Col和步驟4得到的強度紋理差值核函數矩陣K_ST，利用基于核互模態(tài)因素分析算法KCFA分別求取顏色差值核函數矩陣K_Col的權重系數w_c和強度紋理差值核函數矩陣K_ST的權重系數w_s，其具體步驟如下：

5a)通過特征值分解法得到由K_ST*K_Col特征向量構成的第一投影矩陣V和特征值構成的第一對角矩陣λ，這三者的關系如下：

(K_ST*K_Col)*V＝λ*V；

5b)提取第一投影矩陣V的第一列，記為α，定義顏色差值核函數矩陣K_Col融合系數w_c：

其中，T表示矩陣轉置，K_Col是顏色差值核函數矩陣；

5c)通過特征值分解法得到由K_Col*K_ST特征向量構成的第二投影矩陣U和特征值構成的第二對角矩陣λ′，這三者的關系如下：

(K_Col*K_ST)*U＝λ′*U；

5d)提取第二投影矩陣U的第一列，記為β，定義強度紋理插值核函數矩陣K_ST的融合系數w_s：

其中，K_ST是強度紋理差值核函數矩陣。

步驟6.構造合成核函數矩陣K_F。

利用步驟5得到的權重系數w_c和w_s，以及步驟3得到的顏色差值核函數矩陣K_Col和步驟4得到的強度紋理差值核函數矩陣K_ST構造合成核函數矩陣：

K_F＝w_c·K_Col+w_s·K_ST。

步驟7.完成光譜圖像的變化檢測。

將步驟6得到的合成核函數矩陣K_F輸入到支持向量機SVM中進行檢測，得到二值變化檢測結果，即完成對光譜圖像的變化檢測。

本發(fā)明效果可以通過以下實驗進一步證實：

1.實驗條件

實驗仿真環(huán)境為：MATLAB R2009b，Intel(R)Core(TM)I5-4590 CPU@3.3GHz，Window 7旗艦版。

2.實驗內容

實驗1，應用差值核方法和本發(fā)明對日本地震災害真實多光譜圖像進行變化檢測，結果如圖2，其中，圖2(a)是實測日本地震災害的第一時刻Landsat5TM圖像，圖2(b)是實測日本地震災害的第二時刻Landsat5TM圖像，圖2(c)是變化檢測結果參考圖，圖2(d)是差值核方法的變化檢測結果，圖2(e)是本發(fā)明的變化檢測結果；

實驗2，應用差值核方法和本發(fā)明對格洛斯特洪水災害實測多光譜圖像進行變化檢測，結果如圖3，其中，圖3(a)是實測格洛斯特洪水災害的第一時刻SPOT-XS圖像，圖3(b)是實測格洛斯特洪水災害的第二時刻SPOT-XS圖像，圖3(c)是變化檢測結果參考圖，圖3(d)是差值核方法的變化檢測結果，圖3(e)是本發(fā)明的變化檢測結果；

實驗3，應用差值核方法和本發(fā)明對哈薩克斯坦海岸受流沙沖擊前后實測多光譜像進行變化檢測，結果如圖4，其中，圖4(a)是實測哈薩克斯坦海岸受流沙沖擊前的第一時刻Landsat7ETM+圖像，圖4(b)是實測城市受洪水哈薩克斯坦海岸受流沙沖擊后的第二時刻Landsat7ETM+圖像，圖4(c)是變化檢測結果參考圖，圖4(d)是差值核方法的變化檢測結果，圖4(e)是本發(fā)明的變化檢測結果；

實驗4，應用差值核方法和本發(fā)明對塔霍湖火災實測多光譜圖像進行變化檢測，結果如圖5，其中，圖5(a)是實測塔霍湖火災的第一時刻Landsat5TM圖像，圖5(b)是實測塔霍湖火災的第二時刻Landsat5TM圖像，圖5(c)是變化檢測結果參考圖，圖5(d)是差值核方法的變化檢測結果，圖5(e)是本發(fā)明的變化檢測結果。

將上述四個實驗的結果進行比較，如表1所示，選取檢測精度、Kappa系數作為指標參數，評價本發(fā)明檢測精度，驗證本發(fā)明檢性能。

表1 本發(fā)明方法與差值核方法檢測結果精度比較

將四個實驗中本發(fā)明方法與差值核方法的運行時間進行比較，如表2所示，用以定量的說明本發(fā)明與差值核方法變化檢測相比的速度優(yōu)勢。

表2 本發(fā)明方法與差值核方法運行時間對比

3.實驗結果分析

從圖2、圖3、圖4，圖5和表1、表2可以看到，與基于差值核的變化檢測方法相比，本發(fā)明的檢測性能更為優(yōu)越，在變化區(qū)域具有更好的一致性，且能突出變化邊界，檢測精度高，運算量低，檢測速度快。這是因為本發(fā)明充分提取了圖像的顏色特征和強度紋理特征，有效突出了變化區(qū)域及其邊界，并最大限度的挖掘顏色特征和強度紋理兩種特征之間的相關性，降低了運算量，有效實現(xiàn)了核空間中的特征融合。