本發(fā)明涉及基于遙感圖像正反向異質(zhì)性的水體周邊環(huán)境變化檢測方法，屬于遙感圖像檢測技術領域。

背景技術：

遙感圖像變化檢測涉及地理科學、信息科學和計算機科學等多個學科的相關知識，是目前遙感圖像分析的熱點研究方向。遙感圖像變化檢測是指利用圖像處理、統(tǒng)計分析等技術對同一地理區(qū)域但不同時相的遙感圖像數(shù)據(jù)進行比較，通過分析多時相圖像中所包含的變化信息指出地物類型發(fā)生變化的位置區(qū)域。

目前針對遙感圖像變化檢測技術的研究主要集中在兩時相遙感圖像變化檢測上，以確定變化區(qū)域的位置為主要目的，進而進行精度評價。針對遙感圖像的變化檢測已經(jīng)提出了大量方法，根據(jù)變化檢測處理的基本單元級別可分為像元級、特征級和對象級。

基于像元的變化檢測方法有代數(shù)運算法、圖像變換法和圖像分類法等，以單個像元為檢測單元，將相互配準的多時相遙感圖像進行逐像元的比較，建立對應像元間的差異信息，然后利用差異信息進行變化檢測。但該類方法對多時相圖像的校正和配準要求較高，并且只考慮了單個像元間的特征，不能很好的利用周圍鄰近像元的空間信息，對噪聲較為敏感。為了克服基于像元的變化檢測方法容易受到圖像光照差異、配準誤差以及噪聲影響等缺點，增加變化檢測算法的魯棒性和精確度，學者們提出采用基于特征的變化檢測方法：從多時相圖像中提取地物特征，對地物特征進行分析其中的差異，檢測變化信息。通常用于具有特殊邊緣特征或區(qū)域特征的地物(如農(nóng)田、建筑物等)的變化檢測。基于對象的變化檢測方法以圖像分割和分類技術為基礎，綜合利用像元周圍的空間和光譜特性，把具有同質(zhì)性的像素進行組合構成地物對象，然后通過比較不同時相圖像中對應的地物對象屬性特征進行變化檢測?；诙喑叨确指罴夹g的面向?qū)ο蠓治龇椒ǜ蠄D像中的實際地物分布，能夠充分利用地物的空間信息，有效避免“椒鹽效應”的產(chǎn)生，受到學者們的青睞。

水體周邊地形條件復雜，由于地形效應明顯、空間異質(zhì)性高等原因，構建適用于復雜地形條件的變化檢測方法一直是遙感應用研究的難點。高分辨率遙感圖像可以提供豐富的地物細節(jié)信息，但水體周邊環(huán)境的地物分布情況復雜，“同物異譜”、“同譜異物”現(xiàn)象嚴重，產(chǎn)生很多干擾信息。同時，由于季節(jié)性水位波動變化、水質(zhì)變化和植被物候變化等原因，多時相圖像中存在很多“偽變化信息”，水體周邊環(huán)境的變化檢測問題面臨新的挑戰(zhàn)?，F(xiàn)有的遙感圖像變化檢測方法仍存在許多困難和問題有待克服和解決，如何有效地利用遙感圖像中豐富的地物細節(jié)信息，區(qū)分感興趣的地物變化信息與不感興趣的干擾信息、“偽變化信息”，形成相對準確和魯棒的變化檢測結果，是當今變化檢測的重要研究內(nèi)容。

技術實現(xiàn)要素：

本發(fā)明所要解決的技術問題是提供基于遙感圖像正反向異質(zhì)性的水體周邊環(huán)境變化檢測方法，能夠獲得相對準確和魯棒的變化檢測結果，提高水體周邊環(huán)境的檢測效率。

本發(fā)明為了解決上述技術問題采用以下技術方案：本發(fā)明設計了基于遙感圖像正反向異質(zhì)性的水體周邊環(huán)境變化檢測方法，用于檢測獲得目標水體周圍環(huán)境的變化信息，包括如下步驟：

步驟1.獲得目標水體所對應的t1時相遙感圖像、t2時相遙感圖像，并針對兩時相遙感圖像進行統(tǒng)一配準，然后進入步驟2；其中，t1時相位于t2時相之前；

步驟2.根據(jù)t1時相遙感圖像和t2時相遙感圖像，獲得目標水體周圍環(huán)境所對應的各個地物對象，然后進入步驟3；

步驟3.分別針對t1時相遙感圖像和t2時相遙感圖像，獲得遙感圖像所對應的lbp均勻模式、歸一化水體指數(shù)ndwi和土壤調(diào)節(jié)植被指數(shù)，并根據(jù)lbp均勻模式、歸一化水體指數(shù)ndwi、土壤調(diào)節(jié)植被指數(shù)savi，構建該遙感圖像所對應的混合特征空間，由此獲得各時相遙感圖像分別對應的混合特征空間，然后進入步驟4；

步驟4.根據(jù)目標水體周圍環(huán)境所對應的各個地物對象，以及各時相遙感圖像分別對應的混合特征空間，按t1時相遙感圖像到t2時相遙感圖像，正向構建各個地物對象的forward異質(zhì)性；同時，根據(jù)目標水體周圍環(huán)境所對應的各個地物對象，以及各時相遙感圖像分別對應的混合特征空間，按t2時相遙感圖像到t1時相遙感圖像，反向構建各個地物對象的backward異質(zhì)性，然后進入步驟5；

步驟5.根據(jù)目標水體周圍環(huán)境所對應各個地物對象的forward異質(zhì)性和backward異質(zhì)性，采用最大數(shù)學期望算法，針對各個地物對象，按變化和非變化兩類進行分類，獲得目標水體周圍環(huán)境所對應的各個變化地物對象，即目標水體周圍環(huán)境的變化信息。

作為本發(fā)明的一種優(yōu)選技術方案：所述步驟3中，在獲得各時相遙感圖像分別所對應混合特征空間的同時，還獲得t1時相遙感圖像和t2時相遙感圖像分別所對應的歸一化植被指數(shù)ndvi；

還包括步驟6如下，執(zhí)行完步驟5之后，進入步驟6；

步驟6.根據(jù)t1時相遙感圖像和t2時相遙感圖像分別所對應的歸一化植被指數(shù)ndvi，獲得目標水體周圍環(huán)境所對應各個變化地物對象的植被覆蓋度信息，并以此刪除目標水體周圍環(huán)境所對應各個變化地物對象中的植被偽變化信息，更新目標水體周圍環(huán)境所對應的各個變化地物對象，即更新目標水體周圍環(huán)境的變化信息。

作為本發(fā)明的一種優(yōu)選技術方案：所述步驟2包括如下步驟：

步驟2-1.針對t1時相遙感圖像和t2時相遙感圖像中同一波段的數(shù)據(jù)進行等比例相加，獲得疊加圖像，然后進入步驟2-2；

步驟2-2.將疊加圖像轉(zhuǎn)換到由cielab顏色空間與位置坐標所構成的特征空間中，更新疊加圖像，然后進入步驟2-3；

步驟2-3.采用超像素生成算法，針對疊加圖像進行多尺度分割，獲得分割結果，然后進入步驟2-4；

步驟2-4.將分割結果分別套合在t1時相遙感圖像上和t2時相遙感圖像上，獲得目標水體周圍環(huán)境所對應的各個地物對象。

作為本發(fā)明的一種優(yōu)選技術方案：所述步驟4中，根據(jù)目標水體周圍環(huán)境所對應的各個地物對象，以及各時相遙感圖像分別對應的混合特征空間，按t1時相遙感圖像到t2時相遙感圖像，通過距離相似度比較地物對象在混合特征空間中的特征相似度，正向構建各個地物對象的forward異質(zhì)性。

作為本發(fā)明的一種優(yōu)選技術方案：所述距離相似度為卡方距離。

作為本發(fā)明的一種優(yōu)選技術方案：所述步驟4中，根據(jù)目標水體周圍環(huán)境所對應的各個地物對象，以及各時相遙感圖像分別對應的混合特征空間，按t2時相遙感圖像到t1時相遙感圖像，通過各個地物對象在混合特征空間中的特征直方圖，反向構建各個地物對象的backward異質(zhì)性。

本發(fā)明所述基于遙感圖像正反向異質(zhì)性的水體周邊環(huán)境變化檢測方法采用以上技術方案與現(xiàn)有技術相比，具有以下技術效果：本發(fā)明所設計基于遙感圖像正反向異質(zhì)性的水體周邊環(huán)境變化檢測方法，其中，針對疊加圖像的slic多尺度分割結果比較均勻，在地物特征分布較為均勻的區(qū)域(如水體，植被等)能得到近乎正方形的地物對象，而在處理地物分布復雜的區(qū)域時不會破壞圖像中地物的邊界信息，地物對象不會過于破碎，較符合真實的地物分布；而且通過分析水體周邊環(huán)境變化檢測問題的特點，有機結合光譜、紋理和指數(shù)特征構建混合特征空間，本發(fā)明在“偽變化信息”的處理方面具有較好的效果，說明本發(fā)明對于水質(zhì)變化和植被物候變化等“偽變化信息”的檢測效果較好。

附圖說明

圖1是本發(fā)明所設計基于遙感圖像正反向異質(zhì)性的水體周邊環(huán)境變化檢測方法的示意圖；

圖2a和圖2b分別對應實施例一的兩時向遙感圖像；

圖3a和圖3b分別對應實施例二的兩時向遙感圖像；

圖4a和圖4b分別對應實施例三的兩時向遙感圖像；

圖5a是實施例一中干擾區(qū)域的局部放大圖；

圖5b是實施例三中干擾區(qū)域的局部放大圖；

圖6a是實施例一中典型的“偽變化信息”；

圖6b是實施例二中典型的“偽變化信息”；

圖6c是實施例三中典型的“偽變化信息”；

圖7a—圖7f是各種算法對實施例一進行多尺度分割和變化檢測的定性結果對比；

圖8a—圖8f是各種算法對實施例二進行多尺度分割和變化檢測的定性結果對比；

圖9a—圖9f是各種算法對實施例三進行多尺度分割和變化檢測的定性結果對比。

具體實施方式

下面結合說明書附圖對本發(fā)明的具體實施方式作進一步詳細的說明。

本發(fā)明所設計基于遙感圖像正反向異質(zhì)性的水體周邊環(huán)境變化檢測方法，在光譜與紋理特征的基礎上融合水體指數(shù)特征和植被指數(shù)特征，構建出針對水體周邊環(huán)境變化檢測的混合特征空間stwv(spectrum-texture-ndwi-savi)，然后在混合特征空間中構建遙感圖像地物對象的正反向異質(zhì)性進行變化檢測。首先采用超像素生成算法slic(simplelineariterativecluster)處理兩時相的疊加影像獲取地物對象，檢查地物對象從時相1到時相2的forward異質(zhì)性，再反向檢測其從時相2到時相1的backward異質(zhì)性，綜合正反向的異質(zhì)信息構建地物對象的正反向異質(zhì)性，然后使用em(expectationmaximization)算法與貝葉斯最小錯誤率理論提取兩時相的變化對象，最后排除植被偽變化信息，形成相對準確和魯棒的變化檢測結果。

本發(fā)明所設計基于遙感圖像正反向異質(zhì)性的水體周邊環(huán)境變化檢測方法，用于檢測獲得目標水體周圍環(huán)境的變化信息，實際應用中，如圖1所示，具體包括如下步驟：

步驟1.獲得目標水體所對應的t1時相遙感圖像、t2時相遙感圖像，并針對兩時相遙感圖像進行統(tǒng)一配準，然后進入步驟2；其中，t1時相位于t2時相之前。

步驟2.根據(jù)t1時相遙感圖像和t2時相遙感圖像，獲得目標水體周圍環(huán)境所對應的各個地物對象，然后進入步驟3。

上述步驟2具體包括如下步驟：

步驟2-1.針對t1時相遙感圖像和t2時相遙感圖像中同一波段的數(shù)據(jù)進行等比例相加，獲得疊加圖像，然后進入步驟2-2。

步驟2-2.將疊加圖像轉(zhuǎn)換到由cielab顏色空間與位置坐標所構成的特征空間中，更新疊加圖像，然后進入步驟2-3。

步驟2-3.采用超像素生成算法(slic)，針對疊加圖像進行多尺度分割，獲得分割結果，然后進入步驟2-4。

步驟2-4.將分割結果分別套合在t1時相遙感圖像上和t2時相遙感圖像上，獲得目標水體周圍環(huán)境所對應的各個地物對象。

其中，超像素生成算法(slic)描述如下：

1)將圖像轉(zhuǎn)換到cielab顏色空間，則像素xi的lab顏色值和xy坐標組成一個5維特征向量vi＝[l，a，b，x，y]，i＝1，2，...，n；

2)根據(jù)給定的超像素數(shù)，均勻地設置初始種子點，將圖像預分割為k個相同尺寸的子區(qū)域，相鄰種子點的距離近似為子區(qū)域的大小為s*s；

3)重新選擇種子點：為了避免種子點落在梯度較大的輪廓邊界或噪聲點處，可能影響后續(xù)的分割效果，將初始種子點n*n鄰域范圍內(nèi)(n一般取3)梯度值最小的像素點設為新的種子點；

4)定義像元間的差異度量d′，由顏色距離dc和空間距離ds組成：

其中，ns為類內(nèi)最大空間距離，定義為ns＝s，nc為類內(nèi)最大的顏色距離，根據(jù)圖片對比度和聚類類別設定為常數(shù)m(取值范圍[1，40])，那么d′化為：

5)從聚類中心種子點開始搜索2s*2s鄰域內(nèi)的像素點，目的是加速算法收斂。圖像中的每個像素可能會被多個種子點搜索到，分別計算它與種子點的差異度量，取差異值最小的種子點作為該像素的聚類中心，然后將聚類中心相同的像素聚為一類；

6)迭代聚類，對上一次劃分的每一個類簇，求出其特征向量均值vc作為新的聚類中心種子點，然后按照步驟5重新標記。迭代至誤差收斂，即每個像素點對應的聚類中心不再發(fā)生變化時，迭代終止，生成初步的超像素分割圖像；

增強連通性，初步的超像素分割圖像可能會存在一些問題：超像素尺寸過小、單個超像素被切割成多個不連續(xù)超像素等。通過區(qū)域生長算法將尺寸過小或者空間不連續(xù)的超像素中的像素重新分配給其空間鄰近的超像素，使生成的超像素空間連續(xù)而不會過于分散。

在變化檢測過程中只考慮地物對象的光譜特征這樣的單一特征難以達到較高的精度，融合多種特征構建更穩(wěn)定和準確的變化檢測模型是目前研究的熱點方向。遙感圖像變化檢測的多特征融合方法通?？紤]融合地物對象的光譜和紋理等特征，對于變化檢測中的干擾信息的處理有較好的效果。在水體周邊環(huán)境的變化檢測問題中，由于季節(jié)性的水質(zhì)、植被等變化產(chǎn)生的“偽變化信息”等問題仍難以解決，但這些“偽變化信息”的指數(shù)特征(水體指數(shù)、植被指數(shù)等)極為明顯?；趌bp(localbinarypattern)均勻模式具有旋轉(zhuǎn)不變性和灰度不變性等優(yōu)點和歸一化水體指數(shù)特征ndwi(normalizeddifferencewaterindex)在水體識別過程中具有的優(yōu)秀表現(xiàn)以及土壤調(diào)節(jié)植被指數(shù)savi(soil-adjustedvegetationindex)在植被類型識別中可以減小土壤背景影響的特點，本文考慮融合地物對象的光譜特征、紋理特征lbp均勻模式和歸一化水體指數(shù)ndwi、土壤調(diào)節(jié)植被指數(shù)savi來構建特征空間stwv(spectrum-texture-ndwi-savi)。為充分利用特征空間內(nèi)的各維特征對遙感圖像中的地物變化情況進行描述，特征空間內(nèi)的各維特征的量化等級均設置為256。

步驟3.分別針對t1時相遙感圖像和t2時相遙感圖像，獲得遙感圖像所對應的lbp均勻模式、歸一化水體指數(shù)ndwi和土壤調(diào)節(jié)植被指數(shù)，并根據(jù)lbp均勻模式、歸一化水體指數(shù)ndwi、土壤調(diào)節(jié)植被指數(shù)savi，構建該遙感圖像所對應的混合特征空間，由此獲得各時相遙感圖像分別對應的混合特征空間stwv；同時還獲得t1時相遙感圖像和t2時相遙感圖像分別所對應的歸一化植被指數(shù)ndvi，然后進入步驟4。

其中，lbp均勻模式以原始lbp特征為基礎，原始lbp的計算公式如下：

其中，p表示以像素i為中心，半徑為r的局部窗口內(nèi)的像元個數(shù)，gi和gp分別表示局部窗口中心像元和鄰域像元的灰度值。

均勻模式(uniformpattern)定義為：從0到1或從1到0的跳變次數(shù)(包含首尾元素的跳變)不超過2的二進制序列。研究發(fā)現(xiàn)，原始lbp的8位二進制序列中滿足均勻模式的比例可達到90％以上，因此lbp均勻模式對原始lbp的二進制序列進行分類，將每個均勻模式單獨歸為一類，然后將不滿足均勻模式的其它二進制序列歸到一類中去，計算公式如下：

式(6)中，上標riu2表示跳變次數(shù)最大值為2，在p鄰域中，滿足u(lbpp，r)≤2的均勻模式個數(shù)為p*(p-1)+2。

為了進一步減少非水體地物對遙感圖像水體識別效果的影響，學者們在歸一化差分植被指數(shù)ndvi(normalizedifferencevegetationindex)的基礎上提出歸一化差分水體指數(shù)ndwi，針對特定波段進行歸一化差值處理來凸顯遙感圖像中的水體信息，其計算公式如下：

其中，green表示綠色波段，nir表示近紅外波段。一般而言，植被在近紅外波段的反射率最大而水體在近紅外波長范圍內(nèi)則幾乎無反射，因此ndwi采用基于綠色波段與近紅外波段的比值法構建水體指數(shù)模型，可以抑制圖像中的植被信息并且突出水體信息。需要說明的是，ndwi計算公式經(jīng)過拉伸處理后，其結果數(shù)值范圍為[-1，1]，使得不同數(shù)據(jù)源或者不同成像條件下的遙感數(shù)據(jù)能夠獲得具有相近統(tǒng)計特性的ndwi水體指數(shù)特征，以便于水體提取模型進行分析和比較，從而提取其中的水體信息。

土壤調(diào)節(jié)植被指數(shù)savi為了降低土壤背景對植被指數(shù)的影響，在歸一化植被指數(shù)ndvi中加入了土壤調(diào)節(jié)參數(shù)，有著較強的消除土壤影響和表達植被信息的能力，其計算公式如下：

其中，red代表紅色波段，l是土壤調(diào)節(jié)參數(shù)，取值范圍為[0，1](植被覆蓋度越高越接近0，反之越接近1)，其作用是解釋土壤背景的光學特征變化和調(diào)節(jié)ndvi對土壤背景的敏感度。當l＝0時，savi＝ndvi，表示植被覆蓋度非常高，可以忽略土壤背景的影響。

步驟4.根據(jù)目標水體周圍環(huán)境所對應的各個地物對象，以及各時相遙感圖像分別對應的混合特征空間stwv，按t1時相遙感圖像到t2時相遙感圖像，通過距離相似度比較地物對象在混合特征空間中的特征相似度，正向構建各個地物對象的forward異質(zhì)性；

常用的距離相似度有絕對值距離、歐氏距離和卡方距離等，其中絕對值距離和歐氏距離在多特征空間中各種特征信息為等權處理，未能合理地體現(xiàn)出不同特征構造差異影像和表征變化信息的能力，而卡方變換cst(chisquaretransformation)可以根據(jù)兩時相差值圖像在不同特征上的方差，綜合考慮各種特征的權重值，通過卡方變換構造的地物對象異質(zhì)性更加客觀和完整。

為保證數(shù)據(jù)的一致性，首先將混合多特征空間stwv中的各種特征歸一化至[0,1]范圍內(nèi)，對于兩時相遙感圖像中的地物對象，其內(nèi)部像元的均值特征向量表示為：q為特征向量維數(shù)，然后通過卡方變換計算第l個地物對象forward異質(zhì)性

其中，為兩時相地物對象第q維特征差值的標準差。

同時，根據(jù)目標水體周圍環(huán)境所對應的各個地物對象，以及各時相遙感圖像分別對應的混合特征空間stwv，按t2時相遙感圖像到t1時相遙感圖像，通過各個地物對象在混合特征空間中的特征直方圖，反向構建各個地物對象的backward異質(zhì)性，然后進入步驟5。

分析地物對象的特征直方圖可以發(fā)現(xiàn)，盡管地物對象的內(nèi)部像元特征分布不同，但其表現(xiàn)特征卻是一致的。考慮到計算forward異質(zhì)性時只考慮了地物對象的特征均值信息而未能考慮地物的特征分布信息，可能導致漏檢問題，而地物對象的特征直方圖不僅包含了地物的特征均值信息，還包含了地物的特征分布信息，考慮利用地物對象的特征直方圖來構建其backward異質(zhì)性，使得變化檢測結果更為準確。

對數(shù)似然比統(tǒng)計量(log-likelihoodratiostatistic)，又稱g統(tǒng)計量，是一種非參數(shù)統(tǒng)計方法，不需要對隨機變量集合的分布情況預先作任何假設即可用于衡量兩個隨機變量集合之間的相似度，使用g統(tǒng)計量衡量兩時相地物對象在第q維特征上的直方圖相似度(q＝1,2,..,q)，計算如下：

其中，ht1和ht2為兩時相遙感圖像地物對象的特征直方圖，f^q為地物對象的第q維特征概率密度函數(shù)，l為該特征的量化等級。對于單個地物對象來說，其直方圖累積概率值為1，則有：

則上式化為：

為充分利用所有特征包含的信息，在混合多特征空間stwv中計算第l個地物對象各特征維度的特征直方圖相似度的加權平均值作為其backward異質(zhì)性

其中，e(q)為兩時相圖像在第q維特征的差異圖像的熵，可以衡量在該特征維度上的差異圖像中所包含的信息量，信息量越大說明地物對象在該特征維中的差異越大，其對應的權重ωq也越大。

在混合多特征空間stwv中計算得到第l個地物對象的forward異質(zhì)性和backward異質(zhì)性后，即可得到該地物對象的正反向異質(zhì)性

步驟5.根據(jù)目標水體周圍環(huán)境所對應各個地物對象的forward異質(zhì)性和backward異質(zhì)性，采用最大數(shù)學期望算法(em)，針對各個地物對象，按變化和非變化兩類進行分類，獲得目標水體周圍環(huán)境所對應的各個變化地物對象，即目標水體周圍環(huán)境的變化信息，然后進入步驟6。

計算地物對象的正反向異質(zhì)性集合：其中n為地物對象的個數(shù)。在兩時相遙感圖像中，發(fā)生變化的地物對象的異質(zhì)性較大而未發(fā)生變化的地物對象異質(zhì)性較小，則d中的元素可分為變化和未變化兩大類。假設d滿足由兩個高斯分量組成的混合高斯分布gmm(gaussianmixturemodel)，其密度函數(shù)可表示為：

其中l(wèi)c和lu是變化類別和未變化類別標簽，記為l∈{lc,lu}，p(l)是l類元素在d中所占的比例，滿足p(lc)+p(lu)＝1，為概率密度函數(shù)，服從高斯分布：

最大數(shù)學期望em(expectationmaximization)算法是一種求解概率模型參數(shù)的最大似然估計方法，上述假設中的混合高斯分布模型的參數(shù)p(l)和均值μl、標準差σl可以用em算法來估計。首先用k-means算法將d聚為兩類，然后按下式進行迭代更新，直至收斂：

通過貝葉斯公式計算屬于類別l的后驗概率：

根據(jù)最小錯誤率原則為分配類別標簽lc或lu，獲得對應地物對象的變化信息。

在水體周邊環(huán)境的變化檢測問題研究過程中，只有地物類型發(fā)生變化的真實變化屬于感興趣的變化信息。由于季節(jié)、氣候等原因，同一植被覆蓋區(qū)域(尤其是農(nóng)田區(qū)域)在不同時相的植被特征可能發(fā)生改變，產(chǎn)生“偽變化信息”，屬于不感興趣的變化信息。

步驟6.根據(jù)t1時相遙感圖像和t2時相遙感圖像分別所對應的歸一化植被指數(shù)ndvi，獲得目標水體周圍環(huán)境所對應各個變化地物對象的植被覆蓋度信息，并以此刪除目標水體周圍環(huán)境所對應各個變化地物對象中的植被偽變化信息，更新目標水體周圍環(huán)境所對應的各個變化地物對象，即更新目標水體周圍環(huán)境的變化信息。

具體的，通過歸一化植被指數(shù)ndvi計算不同時相像元的植被覆蓋度，然后估算變化類地物對象中植被像元的比例，將兩時相地物對象中植被像元比例都較高者，認為該變化地物對象是因植被的季相變化引起的，屬于植被偽變化信息，具體步驟如下：

1.計算像元i的植被覆蓋度fc：

fc＝(ndvii-ndvimin)/(ndvimax-ndvimin)(20)

其中，ndvimin為遙感圖像中像元的ndvi最小值，ndvimax為最大值。

2.計算變化對象中植被像元的比例nf：

其中，fct為植被像元的植被覆蓋度的閾值，設置為0.5，像元的植被覆蓋度大于該閾值表明該像元為植被像元，n是變化對象的像素數(shù)。

3.如果變化對象對應的兩個時相的地物對象中，植被像元的比例nf都高于0.65，則認為該變化對象由植被物候變化而引起的偽變化。

將本發(fā)明所設計基于遙感圖像正反向異質(zhì)性的水體周邊環(huán)境變化檢測方法，應用到實際當中，本發(fā)明的實驗數(shù)據(jù)為中國衛(wèi)星資源應用中心提供的石梁河水庫周邊區(qū)域(位于江蘇省東北部)2015年4月和2016年4月的level1a級gf-1號pms遙感圖像，包括空間分辨率為2m的全色數(shù)據(jù)和8m的多光譜數(shù)據(jù)(光譜范圍是0.45μm～0.89μm)，經(jīng)過envi5.1預處理和基于gs變換的圖像融合重采樣后，融合圖像的空間分辨率為2m。水庫周邊環(huán)境中地物類型多樣并且分布情況復雜，干擾信息及“偽變化信息”對變化檢測的影響較大，選取三組該區(qū)域?qū)嵤├膱D像數(shù)據(jù)進行變化檢測實驗來綜合評價本文方法的有效性。其中，圖2a、圖3a和圖4a分別為各個實施例對應2015年4月18日的t1時相遙感圖像，圖2b、圖3b和圖4b分別為各個實施例對應2即2016年4月21日的t2時相遙感圖像，其中實施例一分別對應兩時相遙感圖像的大小是1166*881，實施例二分別對應兩時相遙感圖像的大小是597*452，實施例三分別對應兩時相遙感圖像的大小是747*564；實驗區(qū)域的變化信息主要包括水壩、房屋、水田等地物地興建和改造，以及農(nóng)田、森林等植被覆蓋區(qū)域的物候變化和水質(zhì)變化等“偽變化”。

實驗數(shù)據(jù)中包含了一些由于成像條件差異、光照變化等因素造成的干擾信息，如圖5a是實施例一中干擾區(qū)域的局部放大圖，地物類型是裸地；圖5b是實施例三中干擾區(qū)域的局部放大圖，地物類型是建筑物。

實驗區(qū)域中的“偽變化信息”對水體周邊環(huán)境的變化檢測影響很大，圖6a是實施例一中典型的“偽變化信息”，壩區(qū)域的亮度變化；圖6b是實施例二中典型的“偽變化信息”，水質(zhì)變化；圖6c是實施例三中典型的“偽變化信息”，植被偽變化。

實施例一和實施例二在包含水庫邊界區(qū)域人工水壩的修建和改造等變化信息的同時，也包含了因水位波動等原因而產(chǎn)生的變化信息，“偽變化信息”主要來源于水庫水體本身的水質(zhì)變化以及水壩區(qū)域的亮度變化；實施例三中的主要變化信息是土地利用信息的改變，包括房屋和水田的修建，植被物候變化及水質(zhì)變化是其主要的“偽變化信息”來源。為驗證本發(fā)明的有效性，下面采用多種算法對實驗數(shù)據(jù)進行變化檢測，然后對檢測結果進行對比和分析。

為驗證本文算法的有效性，采用多種算法對實驗數(shù)據(jù)進行變化檢測：圖7a—圖7f是各種算法對實施例一進行多尺度分割和變化檢測的定性結果對比；圖8a—圖8f是各種算法對實施例二進行多尺度分割和變化檢測的定性結果對比；圖9a—圖9f是各種算法對實施例三進行多尺度分割和變化檢測的定性結果對比；其中，a指兩時相圖像疊加后使用slic的分割的結果；b指通過目視解譯得到的參考檢測結果；c指面向?qū)ο蟮淖兓噶糠治龇?cva)的檢測結果；d指基于卡方變換(cst)的變化檢測結果；e指基于直方圖(hist)進行變化檢測的結果；f指本文算法的檢測結果，圖中白色區(qū)域表示變化區(qū)域，黑色區(qū)域表示未變化區(qū)域。

為更好的驗證本文算法在水體周邊環(huán)境變化檢測中的魯棒性和有效性，下面對上述變化檢測結果進行定量對比分析。以像元數(shù)量誤差準則來評價變化檢測結果的精度，其中虛檢率為誤檢為變化像元的數(shù)目占檢測結果中變化像元總數(shù)的比率，漏檢率為漏檢的變化像元數(shù)占檢測結果中未變化的像元總數(shù)的比率，正確率為正確檢測的像元數(shù)占圖像中像元總數(shù)的比率，上節(jié)中4種變化檢測方案實驗結果的精度評定如下表1所示：

表1

綜合表1和圖7a—圖7f、圖8a—圖8f和圖9a—圖9f變化檢測檢測效果圖可以發(fā)現(xiàn)，幾種算法處理結果的漏檢情況都較少，將漏檢率控制在可接受范圍內(nèi)，但在誤檢情況和誤檢率方面則表現(xiàn)各異：面向?qū)ο蟮淖兓噶糠治龇?cva)能夠利用多特征空間的各種特征信息，檢測出兩時相圖像中的大部分變化區(qū)域，但其使用歐氏距離在多特征空間中將各特征信息為等權處理，未能合理地體現(xiàn)出不同特征表征變化信息的能力，誤檢的情況較為嚴重；基于卡方變換(cst)的變化檢測結果相較變化矢量分析法而言誤檢情況大大減少；基于直方圖(hist)的變化檢測結果的存在較為嚴重的誤檢現(xiàn)象，原因是因為兩時相圖像的中地物的特征分布信息受“同物異譜”現(xiàn)象干擾更為嚴重，從而影響變化檢測結果；在幾組數(shù)據(jù)的變化檢測實驗中，本文算法均取得較好的實驗效果和較高的準確率，同時將誤檢率控制在較低的范圍內(nèi)，說明本文算法對于水體周邊環(huán)境的變化檢測具有較好的檢測能力。

上面結合附圖對本發(fā)明的實施方式作了詳細說明，但是本發(fā)明并不限于上述實施方式，在本領域普通技術人員所具備的知識范圍內(nèi)，還可以在不脫離本發(fā)明宗旨的前提下做出各種變化。