本發(fā)明涉及攝影測(cè)量與遙感影像應(yīng)用領(lǐng)域，具體是一種基于改進(jìn)模糊C均值聚類的語義變化檢測(cè)方法及系統(tǒng)。

背景技術(shù)：

變化檢測(cè)作為衛(wèi)星遙感監(jiān)測(cè)體系中的關(guān)鍵技術(shù)，其實(shí)質(zhì)是分析同一地區(qū)不同時(shí)刻獲取的遙感影像地物隨時(shí)間變化的過程，主要任務(wù)包括以下幾點(diǎn)：確定是否發(fā)生變化、確定變化的位置、確定變化的類型、確定時(shí)空變化趨勢(shì)。

傳統(tǒng)的變化檢測(cè)方法大多基于統(tǒng)計(jì)意義層面，一般通過提取影像的灰度、形狀及區(qū)域等底層視覺特征，衡量影像之間的相似程度來分離變化信息。而主觀意義上的圖像理解基于語義層次，與底層統(tǒng)計(jì)特征理解之間存在“語義鴻溝”，這就需要研究者從多個(gè)角度進(jìn)行語義變化識(shí)別與理解層面的研究，自動(dòng)提取影像的高層次語義變化信息。

針對(duì)以上問題，專家學(xué)者提出許多新的思路，如顧及上下文的檢索方法、影像分割的檢測(cè)方法、復(fù)雜模型構(gòu)建方法等，盡可能利用圖像的形狀矩、紋理、上下文等特性，在具體用途中性能較佳。Jun Lu提出一種像素級(jí)、對(duì)象級(jí)決策級(jí)融合方案，能有效提取變化區(qū)域、改善鄰域信息、減少誤差放大現(xiàn)象等，但性能受到配準(zhǔn)誤差的約束。Hichri H等提出一種交互式分割方法，在決策過程中使用基于支持向量機(jī)和水平集方法表達(dá)空間上下文信息和變化信息。江利明[]基于Markov Random Field表征差異結(jié)果的鄰域區(qū)間關(guān)系，借助EM閾值分割法準(zhǔn)確提取變化信息。

浮瑤瑤針對(duì)復(fù)雜區(qū)域下細(xì)節(jié)缺失等問題，探討了一種融合像素級(jí)檢測(cè)結(jié)果的詞袋模型思想，增加對(duì)變化區(qū)域的細(xì)節(jié)和語義表達(dá)。程晶將主題模型運(yùn)用到的高分影像的處理中，借助相關(guān)度、斜率、截距等包含鄰域信息的低層次特征，進(jìn)行隱含的變化與不變的主題信息挖掘，很好的實(shí)現(xiàn)了語義變化信息提取。

本發(fā)明人在實(shí)現(xiàn)本發(fā)明的過程中經(jīng)過研究發(fā)現(xiàn)：隨著遙感影像分辨率的不斷提高，地物的細(xì)節(jié)成分日漸豐富，由此衍生出“同物異譜”、“異物同譜”的問題，地物這種統(tǒng)計(jì)特征的不確定性與文本語義中的多義詞、同義詞概念類似，比如波譜勻質(zhì)的地物既可以代表人工建筑也可以代表道路，這就對(duì)應(yīng)文本理解中的多義詞；不同材質(zhì)的房屋波譜反射各異，對(duì)應(yīng)于文本理解中的同義詞，這為高分辨率遙感影像的變化檢測(cè)提供一種全新的思路。

相關(guān)文獻(xiàn)：

[1]陶超,譚毅華,彭碧發(fā),等.一種基于概率潛在語義模型的高分辨率遙感影像分類方法[J].測(cè)繪學(xué)報(bào),2011,40(2):156-162.

[2]Zhao R,Grosky W I.Narrowing the semantic gap-improved text-based web document retrieval using visual features[J].Multimedia,IEEE Transactions on,2002,4(2):189-200.

[3]Lu J,Li J,Chen G,et al.Improving Pixel-Based Change Detection Accuracy Using an Object-Based Approach in Multitemporal SAR Flood Images[J].Selected Topics in Applied Earth Observations and Remote Sensing,IEEE Journal of,2015,8(7):3486-3496.

[4]Hichri H,Bazi Y,Alajlan N,et al.Interactive segmentation for change detection in multispectral remote-sensing images[J].Geoscience and Remote Sensing Letters,IEEE,2013,10(2):298-302.

[5]江利明,廖明生,張路,等.顧及空間鄰域關(guān)系的多時(shí)相SAR影像變化檢測(cè)[J].武漢大學(xué)學(xué)報(bào)信息科學(xué)版,2006,31(4):312-315.

[6]浮瑤瑤.基于語義分析的高分SAR影像變化檢測(cè)方法研究[D].上海交通大學(xué),2014.

[7]程晶,霍宏,方濤.基于主題模型的高分辨率遙感影像變化檢測(cè)[J].計(jì)算機(jī)工程,2012,38(15):204-207.

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提供一種基于改進(jìn)模糊C均值聚類的語義變化檢測(cè)方法及系統(tǒng)，其整合了遙感影像預(yù)處理、底層特征提取、改進(jìn)模糊C均值算法、高級(jí)視覺詞典映射、語義變化信息提取等思想，兼顧高分辨率遙感影像豐富的區(qū)域結(jié)構(gòu)信息，彌補(bǔ)像元級(jí)光譜統(tǒng)計(jì)特征難以描述復(fù)雜目標(biāo)的局限性，自動(dòng)提取影像的高層次語義變化信息，有效提高了處理的時(shí)效性和精度。

一種基于改進(jìn)模糊C均值聚類的語義變化檢測(cè)方法，包括如下步驟：

步驟1：多時(shí)相遙感影像預(yù)處理操作，即采用Wallis濾波器和直方圖均衡算法對(duì)多時(shí)相影像進(jìn)行濾波和增強(qiáng)處理，增大感興趣區(qū)域的信息量，并抑制噪聲干擾；

步驟2：對(duì)預(yù)處理后的多時(shí)相遙感影像進(jìn)行重疊分塊，并提取底層特征向量組合，重疊采樣窗口大小可設(shè)定為5×5，分別提取兩時(shí)相影像的加權(quán)灰度、LBP/LC紋理、Canny邊緣等13維特征統(tǒng)計(jì)參量，作為中心像元的底層特征向量組合；

步驟3：特征向量聚類劃分：以中心像元的特征向量X＝{x₁,x₂…x_n}^T為樣本(其中X代表所有中心像元的特征向量集合，x_n代表單個(gè)像元的特征向量，n代表總像元個(gè)數(shù))，將滿足最大-最小距離劃分的特征分布作為初始聚類中心；遍歷類別范圍[C_min,C_max]，求解類內(nèi)-類間隸屬度熵和最小值對(duì)應(yīng)的類別作為最佳類別數(shù)；以鄰域像元的隸屬度加權(quán)求和作為中心像元隸屬度；采用模糊C均值算法對(duì)特征向量進(jìn)行聚類劃分；其中C_min代表最小類別數(shù)，C_max代表最大類別數(shù)，這兩個(gè)值一般根據(jù)人工經(jīng)驗(yàn)設(shè)定；

步驟4：提取分塊影像的視覺直方圖：將整幅影像視為文檔集合，分塊影像視為文檔，影像的聚類中心對(duì)應(yīng)文檔集中的視覺單詞，統(tǒng)計(jì)每個(gè)中心像元在重疊采樣區(qū)(5×5)中視覺單詞出現(xiàn)的次數(shù)，并構(gòu)建對(duì)應(yīng)的視覺直方圖分布；

步驟5：計(jì)算時(shí)相一影像與時(shí)相二影像對(duì)應(yīng)分塊的視覺直方圖之差作為變化向量，并構(gòu)建變化趨勢(shì)圖，其中橫坐標(biāo)對(duì)應(yīng)視覺單詞的編號(hào)，縱坐標(biāo)對(duì)應(yīng)視覺單詞的變化數(shù)量，正、負(fù)值表示時(shí)相一影像與時(shí)相二影像的變化方向；

步驟6：以中心像元的視覺單詞變化向量ΔT＝{Δt₁,Δt₂…Δt_n}^l作為樣本，令類別C＝2，以距離最遠(yuǎn)的兩個(gè)特征向量作為初始聚類中心；以鄰域像元隸屬度加權(quán)求和作為中心像元隸屬度；采用改進(jìn)的模糊C均值算法對(duì)變化向量進(jìn)行語義變化檢測(cè)，識(shí)別變化與未變化區(qū)域，實(shí)現(xiàn)變化檢測(cè)。

進(jìn)一步，還包括步驟：參考土地利用解譯數(shù)據(jù)對(duì)檢測(cè)結(jié)果進(jìn)行定量的精度評(píng)價(jià)。

進(jìn)一步，步驟2中底層特征向量包括兩時(shí)相影像的LBP/LC紋理特征、Canny邊緣特征、光譜特征，其中LBP/LC紋理特征包括LBP/LC紋理的角二階矩差、局部信息熵、局部平穩(wěn)度、慣性矩統(tǒng)計(jì)量，Canny邊緣特征包括邊緣密度、邊緣強(qiáng)度，光譜特征包括加權(quán)灰度均值、方差、偏度。

進(jìn)一步，步驟3特征向量聚類劃分中，包括子步驟：

步驟3.1：設(shè)定模糊度m和收斂值ε，隨機(jī)設(shè)定初始隸屬度矩陣U，令初始迭代步數(shù)l＝0；

步驟3.2：給定類別數(shù)遍歷范圍[C_min,C_max]，初始循環(huán)變量count＝C_max，將中心像元的特征向量X＝{x₁,x₂…x_n}^T歸一化，計(jì)算兩兩目標(biāo)間的距離矩陣將滿足d_ij∈max{maxD_l}的目標(biāo)加入到初始中心簇{Class_k|k<count,k∈i,j}；

步驟3.3：計(jì)算X中剩余樣本點(diǎn)到中心簇的距離矩陣l＝l+1，將滿足max{mind_n}對(duì)應(yīng)的樣本點(diǎn)加入到中心簇{Class_k|k≤count}，重復(fù)3.3步驟直至k＝count時(shí)停止迭代；

步驟3.4：將中心像元的隸屬度在鄰域范圍內(nèi)加權(quán)求和，即鄰域像元t的當(dāng)前隸屬度根據(jù)當(dāng)前隸屬度矩陣U獲得，其權(quán)值

步驟3.5：采用公式修正隸屬度矩陣及聚類中心，其中，t、r分別表示鄰域像元和中心像元在鄰域窗口內(nèi)的位置編號(hào)，k、y為聚類中心編號(hào)，C為類別數(shù)，表示第l+1和l次迭代中，中心像元r對(duì)第k類聚類中心的隸屬度；表示第l次迭代中，中心像元對(duì)第y類聚類中心的隸屬度；x_r表示中心像元r的特征向量，和表示第l次迭代獲得的第k類和第y類聚類中心，y在[1,count]范圍內(nèi)遍歷，可以與k相等；表示第l+1次迭代獲得的第k類聚類中心；s為鄰域窗口內(nèi)像元數(shù)量；

步驟3.6：比較隸屬度矩陣范數(shù)||U^(l+1)-U^(l)||，U^(l+1)、U^l分別表示第l+1、l次迭代的隸屬度矩陣；若||U^(l+1)-U^(l)||≤ε，按公式計(jì)算類內(nèi)-類間隸屬度熵和E^count，結(jié)束迭代；否則，令l＝l+1，執(zhí)行步驟3.5，其中，C₁表示隸屬度矩陣U_C×N列向量最大值構(gòu)成的類群C₁＝max(U),表征聚類穩(wěn)定狀態(tài)時(shí)的類內(nèi)劃分，目標(biāo)到該類中心的隸屬度趨于1時(shí)，隸屬度熵較小，對(duì)應(yīng)的類內(nèi)特征一致度較高，C₂表示隸屬度矩陣U_C×N的列向量最小值構(gòu)成的類群C₂＝min(U)，表征聚類穩(wěn)定時(shí)的類間劃分，樣隸屬度趨于0時(shí)隸屬度熵較小，對(duì)應(yīng)的類間特征的離散度越高；

步驟3.7：count＝count-1，若count≥C_min，選定初始中心簇{Class_k|k≤count}，執(zhí)行步驟3.4～3.6，當(dāng)count<C_min，結(jié)束迭代，選擇E_best＝min{E^count}對(duì)應(yīng)的count作為最佳類別數(shù)，按照當(dāng)前聚類中心和隸屬度矩陣對(duì)特征向量進(jìn)行聚類。

進(jìn)一步，步驟6中采用改進(jìn)的模糊C均值算法對(duì)變化向量進(jìn)行語義變化檢測(cè)，包括如下子步驟：

步驟6.1：令類別C＝2，根據(jù)經(jīng)驗(yàn)設(shè)定模糊度m和收斂值ε，隨機(jī)設(shè)定初始隸屬度矩陣U，令初始迭代步數(shù)l＝0；

步驟6.2：將中心像元的特征向量X＝{x₁,x₂…x_n}^T歸一化，計(jì)算兩兩目標(biāo)的距離矩陣將滿足d_ij∈max{maxD_l}的兩個(gè)目標(biāo)作為初始聚類中心；

步驟6.3：將中心像元的隸屬度在鄰域范圍內(nèi)加權(quán)求和后，采用公式修正隸屬度矩陣及聚類中心；

步驟6.4：比較隸屬度矩陣范數(shù)||U^(l+1)-U^(l)||，U^(l+1)、U^l分別表示第l+1、l次迭代獲得的隸屬度矩陣；若||U^(l+1)-U^(l)||≤ε，結(jié)束迭代，按照當(dāng)前聚類中心和隸屬度矩陣對(duì)特征向量進(jìn)行聚類；否則，令l＝l+1，執(zhí)行步驟6.3。

進(jìn)一步，步驟3中結(jié)合遙感影像地物分布特征，設(shè)定類別遍歷范圍[C_min,C_max]＝[2,10]。

一種基于改進(jìn)模糊C均值聚類的語義變化檢測(cè)系統(tǒng)，其特征在于包括以下模塊：

影像預(yù)處理模塊：用于對(duì)多時(shí)相遙感影像進(jìn)行預(yù)處理操作，即采用Wallis濾波器和直方圖均衡算法對(duì)多時(shí)相影像進(jìn)行濾波和增強(qiáng)處理；

特征向量提取模塊：用于對(duì)預(yù)處理后的多時(shí)相遙感影像進(jìn)行重疊分塊，提取取底層特征向量組合；

特征向量聚類劃分模塊：用于對(duì)特征向量進(jìn)行模糊聚類劃分，實(shí)現(xiàn)底層特征到高級(jí)視覺詞匯的映射，其中，聚類中心對(duì)應(yīng)視覺單詞，分塊影像可以用一個(gè)直方圖分布表征，具體的，以中心像元的特征向量X＝{x₁,x₂…x_n}^T為樣本，其中X代表所有中心像元的特征向量集合，x_n代表單個(gè)像元的特征向量，n代表總像元個(gè)數(shù)，將滿足最大-最小距離劃分的特征分布作為初始聚類中心；遍歷類別范圍[C_min,C_max]，求解類內(nèi)-類間隸屬度熵和最小值對(duì)應(yīng)的類別作為最佳類別數(shù)；以鄰域像元的隸屬度加權(quán)求和作為中心像元隸屬度；采用模糊C均值算法對(duì)特征向量進(jìn)行聚類劃分；

視覺直方圖提取模塊：用于將整幅影像視為文檔集合，分塊影像視為文檔，影像的聚類中心對(duì)應(yīng)文檔集中的視覺單詞，統(tǒng)計(jì)每個(gè)中心像元在重疊采樣區(qū)中視覺單詞出現(xiàn)的次數(shù)，并構(gòu)建對(duì)應(yīng)的視覺直方圖分布；

語義變化信息描述模塊：用于檢驗(yàn)直方圖向量差的語義信息保留性能，即通過計(jì)算兩個(gè)時(shí)相影像對(duì)應(yīng)分塊的視覺直方圖之差作為變化向量，構(gòu)建變化趨勢(shì)圖，橫坐標(biāo)對(duì)應(yīng)視覺單詞的編號(hào)，縱坐標(biāo)對(duì)應(yīng)視覺單詞的變化數(shù)量，正、負(fù)值表示時(shí)相一影像與時(shí)相二影像的變化方向；

變化檢測(cè)模塊：用于以中心像元的視覺單詞變化向量ΔT＝{Δt₁,Δt₂…Δt_n}^l作為樣本，令類別C＝2，以距離最遠(yuǎn)的兩個(gè)特征向量作為初始聚類中心；以鄰域像元隸屬度加權(quán)求和作為中心像元隸屬度，采用改進(jìn)的模糊C均值算法對(duì)變化向量進(jìn)行二值變化檢測(cè)，識(shí)別變化與未變化區(qū)域。

進(jìn)一步，底層特征向量包括兩時(shí)相影像的LBP/LC紋理特征、Canny邊緣特征、光譜特征，其中LBP/LC紋理特征包括LBP/LC紋理的角二階矩差、局部信息熵、局部平穩(wěn)度、慣性矩統(tǒng)計(jì)量，Canny邊緣特征包括邊緣密度、邊緣強(qiáng)度，光譜特征包括加權(quán)灰度均值、方差、偏度。

本發(fā)明的優(yōu)點(diǎn)在于：

1、多特征組合，更豐富表達(dá)影像信息。

綜合LBP/LC紋理的角二階矩差、局部信息熵、平穩(wěn)度、慣性矩等統(tǒng)計(jì)量，canny邊緣密度和強(qiáng)度特征，加權(quán)灰度均值、方差、偏度等統(tǒng)計(jì)量作為底層特征向量組合，兼顧了高分辨率遙感影像豐富的區(qū)域結(jié)構(gòu)信息，能彌補(bǔ)基于像元級(jí)光譜統(tǒng)計(jì)特征難以描述復(fù)雜目標(biāo)的局限性，更好地表達(dá)影像內(nèi)容。

2、利用模糊C均值聚類生成視覺詞典，處理靈活簡單有效。

傳統(tǒng)的語義模型一般采用K-Means算法將多維特征向量進(jìn)行聚類分析，類心集合作為對(duì)應(yīng)的視覺詞匯表。由于K-Means是一種“硬”聚類算法，即只能將某一聚類對(duì)象劃分到一個(gè)聚類簇中，處理混合像元問題時(shí)不太靈活。而模糊分類作為一種“軟”劃分處理，采用隸屬度對(duì)各個(gè)地物的類屬度進(jìn)行表征，該算法與現(xiàn)實(shí)更貼切。因此，本發(fā)明采用改進(jìn)FCM替代傳統(tǒng)的K-Means組成視覺詞典，在劃分效果上優(yōu)勢(shì)明顯。

3、能定性定量提取語義變化信息，精度高且可靠性強(qiáng)。

以重疊采樣區(qū)域?yàn)樘幚韱卧?，?jì)算時(shí)相一影像與時(shí)相二影像對(duì)應(yīng)分塊的直方圖之差作為變化向量，再利用改進(jìn)的模糊C均值聚類對(duì)變化區(qū)域歸類劃分，可以快速、有效獲得變化區(qū)域的類型信息，結(jié)果可靠、精度有保障。

附圖說明

圖1是本發(fā)明基于改進(jìn)模糊C均值聚類的語義變化檢測(cè)方法的流程示意圖；

圖2是本發(fā)明中改進(jìn)的模糊C均值算法的流程圖。

具體實(shí)施方式

下面將結(jié)合本發(fā)明中的附圖，對(duì)本發(fā)明中的技術(shù)方案進(jìn)行清楚、完整地描述。

圖1所示為本發(fā)明基于改進(jìn)模糊C均值聚類的語義變化檢測(cè)方法其中一個(gè)實(shí)施例的流程示意圖，所述方法包括如下步驟：

步驟1：多時(shí)相遙感影像預(yù)處理操作，即采用Wallis濾波器和直方圖均衡算法對(duì)多時(shí)相影像進(jìn)行濾波和增強(qiáng)處理，增大感興趣區(qū)域的信息量，并抑制噪聲干擾；

步驟2：對(duì)預(yù)處理后的多時(shí)相遙感影像進(jìn)行重疊分塊，并提取底層特征向量組合。重疊采樣窗口大小可設(shè)定為5×5，分別提取兩時(shí)相影像的光譜、LBP/LC紋理、Canny邊緣等13維特征統(tǒng)計(jì)參量，作為中心像元的底層特征向量組合。

步驟2底層特征向量提取中，為了更好地表達(dá)圖像內(nèi)容，兼顧高分辨率遙感影像豐富的區(qū)域結(jié)構(gòu)信息，彌補(bǔ)像元級(jí)光譜統(tǒng)計(jì)特征難以描述復(fù)雜目標(biāo)的局限性，本發(fā)明采用LBP/LC紋理、Canny邊緣、光譜等特征進(jìn)行組合，作為各分塊區(qū)域的底層特征向量。具體步驟如下：

(1)LBP/LC紋理特征

LBP的本質(zhì)是：取r×r(比如3×3,5×5)鄰域，比較p＝r×r-1鄰域像元與中心像元的特征值大小，鄰域值較大記為1，否則標(biāo)記為0。將得到的p位二進(jìn)制編碼鏈，換算成十進(jìn)制表征該中心的LBP值。LBP描述如下(其中g(shù)_c為中心像素點(diǎn)，g_p為鄰域像素點(diǎn))：

LC紋理的本質(zhì)為：取r×r(比如3×3,5×5)，計(jì)算p＝r×r-1鄰域中不小于中心像元的特征值累加和sum₁，頻數(shù)n₁；小于中心值部分累加和sum₂，頻數(shù)n₂，參考公式(2.2)依次計(jì)算各個(gè)窗口的局部紋理反差值LC(取值范圍0～7)：

以兩個(gè)時(shí)相對(duì)應(yīng)的分塊區(qū)域?yàn)樘幚韱卧?，分別提取LBP/LC紋理影像鄰域窗口的角二階矩差、局部信息熵、平穩(wěn)度、慣性矩這4種共8個(gè)統(tǒng)計(jì)量組成特征向量表征每個(gè)分塊區(qū)域的紋理特征。

①角二階矩(或能量)：

②局部信息熵：

③局部平穩(wěn)度：

④慣性矩：

(2)Canny邊緣特征提取

邊緣能反映出影像局部范圍的劇變，對(duì)影像的理解至關(guān)重要，一般需要經(jīng)過濾波、增強(qiáng)、檢測(cè)等環(huán)節(jié)，實(shí)現(xiàn)過程描述如下：

①多波段影像R/G/B加權(quán)灰度化：

②高斯濾波處理，一般采用高斯核卷積得到。

一維高斯核描述：

二維高斯核描述：

③x、y方向的梯度幅值和方向計(jì)算：

④利用公式(2.11)(2.12)計(jì)算邊緣密度、邊緣強(qiáng)度。

邊緣密度ED(i,j)定義如下：

邊緣強(qiáng)度EI(i,j)定義如下：

其中e(i,j)表示二值邊緣差異影像，取值為0或1；(2M+1)×(2N+1)為鄰域大小，一般取3×3或5×5；g(i,j)表示梯度影像，這里指邊緣差異影像C(i,j)，取值范圍0～255。

(3)光譜特征提取

以兩個(gè)時(shí)相影像對(duì)應(yīng)的分塊區(qū)域?yàn)樘幚韱卧謩e計(jì)算光譜均值、標(biāo)準(zhǔn)差、偏度等統(tǒng)計(jì)特征。i,j表示鄰域窗口像素位置，r×r表示鄰域范圍，一般取3×3或5×5，g_ij在該鄰域范圍內(nèi)位于(i,j)位置上的像元灰度值，m_k是第k個(gè)分塊的灰度均值，Cov_k是第k個(gè)分塊的灰度方差，Pov_k是第k個(gè)分塊的鄰域偏度：

①均值：

②方差：

③偏度：

步驟3：特征向量聚類劃分：以中心像元的特征向量X＝{x₁,x₂…x_n}^T為樣本，將滿足最大-最小距離劃分的特征分布作為初始聚類中心；遍歷類別范圍[C_min,C_max]，求解類內(nèi)-類間隸屬度熵和最小值對(duì)應(yīng)的類別作為最佳類別數(shù)；以鄰域像元的隸屬度加權(quán)求和作為中心像元隸屬度；采用模糊C均值算法對(duì)特征向量進(jìn)行聚類劃分。

步驟3特征向量聚類劃分中，包括子步驟：

步驟3.1：設(shè)定模糊度m和收斂值ε，隨機(jī)設(shè)定初始隸屬度矩陣U，令初始迭代步數(shù)l＝0；

步驟3.2：給定類別數(shù)遍歷范圍[C_min,C_max]，初始循環(huán)變量count＝C_max，將中心像元的特征向量X＝{x₁,x₂…x_n}^T歸一化，計(jì)算兩兩目標(biāo)間的距離矩陣將滿足d_ij∈max{maxD_l}的目標(biāo)加入到初始中心簇{Class_k|k<count,k∈i,j}；

步驟3.3：計(jì)算X中剩余樣本點(diǎn)到中心簇的距離矩陣l＝l+1，將滿足max{mind_n}對(duì)應(yīng)的樣本點(diǎn)加入到中心簇{Class_k|k≤count}，重復(fù)3.3步驟直至k＝count時(shí)停止迭代；

步驟3.4：將中心像元的隸屬度在鄰域范圍內(nèi)加權(quán)求和，即鄰域像元t的當(dāng)前隸屬度根據(jù)當(dāng)前隸屬度矩陣U獲得，其權(quán)值

步驟3.5：采用公式修正隸屬度矩陣及聚類中心，其中，t、r分別表示鄰域像元和中心像元在鄰域窗口內(nèi)的位置編號(hào)，k、y為聚類中心編號(hào)，C為類別數(shù)，表示第l+1和l次迭代中，中心像元r對(duì)第k類聚類中心的隸屬度；表示第l次迭代中，中心像元對(duì)第y類聚類中心的隸屬度；x_r表示中心像元r的特征向量，和表示第l次迭代獲得的第k類和第y類聚類中心，y在[1,count]范圍內(nèi)遍歷，可以與k相等；表示第l+1次迭代獲得的第k類聚類中心；s為鄰域窗口內(nèi)像元數(shù)量；

步驟3.6：比較隸屬度矩陣范數(shù)||U^(l+1)-U^(l)||，U^(l+1)、U^l分別表示第l+1、l次迭代的隸屬度矩陣；若||U^(l+1)-U^(l)||≤ε，按公式計(jì)算類內(nèi)-類間隸屬度熵和E^count，結(jié)束迭代；否則，令l＝l+1，執(zhí)行步驟3.5，其中，C₁表示隸屬度矩陣U_C×N列向量最大值構(gòu)成的類群C₁＝max(U),表征聚類穩(wěn)定狀態(tài)時(shí)的類內(nèi)劃分，目標(biāo)到該類中心的隸屬度趨于1時(shí)，隸屬度熵較小，對(duì)應(yīng)的類內(nèi)特征一致度較高，C₂表示隸屬度矩陣U_C×N的列向量最小值構(gòu)成的類群C₂＝min(U)，表征聚類穩(wěn)定時(shí)的類間劃分，樣隸屬度趨于0時(shí)隸屬度熵較小，對(duì)應(yīng)的類間特征的離散度越高；

步驟3.7：count＝count-1，若count≥C_min，選定初始中心簇{Class_k|k≤count}，執(zhí)行步驟3.4～3.6，當(dāng)count<C_min，結(jié)束迭代，選擇E_best＝min{E^count}對(duì)應(yīng)的count作為最佳類別數(shù)，按照當(dāng)前聚類中心和隸屬度矩陣對(duì)特征向量進(jìn)行聚類。

步驟4：提取分塊影像的視覺直方圖：將整幅影像視為文檔集合，分塊影像視為文檔，影像的聚類中心對(duì)應(yīng)文檔集中的視覺單詞，統(tǒng)計(jì)每個(gè)中心像元在重疊采樣區(qū)(5×5)中視覺單詞出現(xiàn)的次數(shù)，并構(gòu)建對(duì)應(yīng)的視覺直方圖分布。

步驟4分塊影像視覺直方圖提取過程中，將文本檢索的概念推用到遙感影像處理，將整幅影像視為文檔集合，分塊影像視為文檔集的一篇篇文檔，影像的聚類中心對(duì)應(yīng)文檔集中的視覺單詞，每個(gè)中心像元在重疊采樣區(qū)(5×5)中視覺單詞出現(xiàn)的次數(shù)就構(gòu)建視覺直方圖分布。

步驟5：計(jì)算時(shí)相一影像與時(shí)相二影像對(duì)應(yīng)分塊的視覺直方圖之差作為變化向量，并構(gòu)建變化趨勢(shì)圖，其中橫坐標(biāo)對(duì)應(yīng)視覺單詞的編號(hào)，縱坐標(biāo)對(duì)應(yīng)視覺單詞的變化數(shù)量，正、負(fù)值表示時(shí)相一影像與時(shí)相二影像的變化方向。視覺直方圖能體現(xiàn)重疊分塊中所有視覺詞匯出現(xiàn)的概率，而直方圖變化向量能描述視覺詞匯在多個(gè)時(shí)相中發(fā)生的變化，因此視覺直方圖變化向量能保留語義特性，通過計(jì)算直方圖距離分析該變化向量，得到區(qū)域的變化語義信息。

步驟6：以中心像元的視覺單詞變化向量ΔT＝{Δt₁,Δt₂…Δt_n}^l作為樣本，令類別C＝2，以距離最遠(yuǎn)的兩個(gè)特征向量作為初始聚類中心；以鄰域像元隸屬度加權(quán)求和作為中心像元隸屬度；采用改進(jìn)的模糊C均值算法對(duì)變化向量進(jìn)行語義變化檢測(cè)，識(shí)別變化與未變化區(qū)域，并參考土地利用解譯數(shù)據(jù)進(jìn)行定量的精度評(píng)價(jià)。評(píng)價(jià)模型可選用地類變化轉(zhuǎn)移矩陣，統(tǒng)計(jì)從時(shí)相一影像的地類與時(shí)相二影像的地類之間互相轉(zhuǎn)移的像元個(gè)數(shù)。在評(píng)定模糊C均值算法的改進(jìn)性能時(shí)，采用虛檢率、漏檢率、總體分類精度PCC、kappa系數(shù)等指標(biāo)進(jìn)行精度評(píng)定，并輸出最終評(píng)定結(jié)果。

本發(fā)明改進(jìn)的模糊C均值聚類算法的流程圖如圖2所示，其流程如下：

①將M維特征空間的N個(gè)待定目標(biāo)X＝{x₁,x₂…x_n}^T的各維向量歸一化，計(jì)算得到兩兩目標(biāo)間的距離矩陣。

②假定類別數(shù)范圍[C_min,C_max]，初始循環(huán)變量count＝C_min，遍歷類別區(qū)間。

③對(duì)X中剩余樣本點(diǎn)，記錄到{C_i|i≤count}的距離較小者為將對(duì)應(yīng)的樣本點(diǎn)加入到中心簇{C_i|i≤count}，count++。

④調(diào)用FCM算法進(jìn)行聚類，按公式(3.2.4)計(jì)算達(dá)到穩(wěn)定狀態(tài)時(shí)的類內(nèi)-類間隸屬度熵和。

⑤若count≤C_max，重復(fù)③、④步，直到遍歷搜索完所有類別數(shù)。

⑥選擇滿足E_p＝min{E_i}對(duì)應(yīng)的類別數(shù)count，即為最佳的聚類中心數(shù)，并將此類別數(shù)得到的初始劃分作為初始聚類中心，該狀態(tài)即為最合理的歸類結(jié)果。

步驟6中采用改進(jìn)的模糊C均值算法對(duì)變化向量進(jìn)行語義變化檢測(cè)，包括如下子步驟：

步驟6.1：令類別C＝2，根據(jù)經(jīng)驗(yàn)設(shè)定模糊度m和收斂值ε，隨機(jī)設(shè)定初始隸屬度矩陣U，令初始迭代步數(shù)l＝0；

步驟6.2：將中心像元的特征向量X＝{x₁,x₂…x_n}^T歸一化，計(jì)算兩兩目標(biāo)的距離矩陣將滿足d_ij∈max{maxD_l}的兩個(gè)目標(biāo)作為初始聚類中心；

步驟6.3：將中心像元的隸屬度在鄰域范圍內(nèi)加權(quán)求和后，采用公式修正隸屬度矩陣及聚類中心；

步驟6.4：比較隸屬度矩陣范數(shù)||U^(l+1)-U^(l)||，U^(l+1)、U^l分別表示第l+1、l次迭代獲得的隸屬度矩陣；若||U^(l+1)-U^(l)||≤ε，結(jié)束迭代，按照當(dāng)前聚類中心和隸屬度矩陣對(duì)特征向量進(jìn)行聚類；否則，令l＝l+1，執(zhí)行步驟6.3。

本發(fā)明還提供一種基于改進(jìn)模糊C均值聚類的語義變化檢測(cè)系統(tǒng)，包括以下模塊：

影像預(yù)處理模塊：用于對(duì)多時(shí)相遙感影像進(jìn)行預(yù)處理操作，即采用Wallis濾波器和直方圖均衡算法對(duì)多時(shí)相影像進(jìn)行濾波和增強(qiáng)處理，增大感興趣區(qū)域的信息量，并抑制噪聲干擾；

特征向量提取模塊：用于對(duì)預(yù)處理后的多時(shí)相遙感影像進(jìn)行重疊分塊，提取LBP/LC紋理的角二階矩差、局部信息熵、平穩(wěn)度、慣性矩等統(tǒng)計(jì)量，canny邊緣密度和強(qiáng)度特征，加權(quán)灰度均值、方差、偏度等13個(gè)特征統(tǒng)計(jì)參量，作為中心像元的底層特征向量組合。該模塊兼顧了高分辨率遙感影像豐富的區(qū)域結(jié)構(gòu)信息，能彌補(bǔ)像元級(jí)光譜統(tǒng)計(jì)特征難以描述復(fù)雜目標(biāo)的局限性，更好地表達(dá)影像內(nèi)容。

特征向量聚類劃分模塊：用于對(duì)特征向量進(jìn)行模糊聚類劃分，實(shí)現(xiàn)底層特征到高級(jí)視覺詞匯的映射，其中，聚類中心對(duì)應(yīng)視覺單詞，分塊影像可以用一個(gè)直方圖分布(視覺單詞概率分布)表征，具體的，以中心像元的特征向量X＝{x₁,x₂…x_n}^T為樣本(其中X代表所有中心像元的特征向量集合，x_n代表單個(gè)像元的特征向量，n代表總像元個(gè)數(shù))，將滿足最大-最小距離劃分的特征分布作為初始聚類中心；遍歷類別范圍[C_min,C_max]，求解類內(nèi)-類間隸屬度熵和最小值對(duì)應(yīng)的類別作為最佳類別數(shù)；以鄰域像元的隸屬度加權(quán)求和作為中心像元隸屬度；采用模糊C均值算法對(duì)特征向量進(jìn)行聚類劃分。

視覺直方圖提取模塊：用于將整幅影像視為文檔集合，分塊影像視為文檔，影像的聚類中心對(duì)應(yīng)文檔集中的視覺單詞，統(tǒng)計(jì)每個(gè)中心像元在重疊采樣區(qū)中視覺單詞出現(xiàn)的次數(shù)，并構(gòu)建對(duì)應(yīng)的視覺直方圖分布。

語義變化信息描述模塊：用于檢驗(yàn)直方圖向量差的語義信息保留性能，即通過計(jì)算兩個(gè)時(shí)相影像對(duì)應(yīng)分塊的視覺直方圖之差作為變化向量，構(gòu)建變化趨勢(shì)圖，橫坐標(biāo)對(duì)應(yīng)視覺單詞的編號(hào)，縱坐標(biāo)對(duì)應(yīng)視覺單詞的變化數(shù)量，正、負(fù)值表示時(shí)相一影像與時(shí)相二影像的變化方向。

變化檢測(cè)模塊：用于以中心像元的視覺單詞變化向量ΔT＝{Δt₁,Δt₂…Δt_n}^l作為樣本，令類別C＝2，以距離最遠(yuǎn)的兩個(gè)特征向量作為初始聚類中心；以鄰域像元隸屬度加權(quán)求和作為中心像元隸屬度，采用改進(jìn)的模糊C均值算法對(duì)變化向量進(jìn)行二值變化檢測(cè)，識(shí)別變化與未變化區(qū)域，并參考土地利用解譯數(shù)據(jù)進(jìn)行定量的精度評(píng)價(jià)。

本發(fā)明在整個(gè)變化檢測(cè)過程主要包括三大階段：第一階段，底層特征向量組合；第二階段，改進(jìn)FCM聚類生成視覺詞典；第三階段，變化區(qū)域語義分析。

其中，在底層特征提取階段，以重疊采樣分塊區(qū)作為處理單元，分別提取LBP/LC紋理的角二階矩差、局部信息熵、局部平穩(wěn)度、慣性矩等統(tǒng)計(jì)量，canny邊緣密度和強(qiáng)度特征，灰度均值、方差、偏度等13個(gè)統(tǒng)計(jì)量組成特征向量作為底層特征向量組合。特征組合兼顧了高分辨率遙感影像豐富的區(qū)域結(jié)構(gòu)信息，能彌補(bǔ)像元級(jí)光譜統(tǒng)計(jì)特征難以描述復(fù)雜目標(biāo)的局限性，更好地表達(dá)影像內(nèi)容。

在視覺詞匯映射階段，采用改進(jìn)的FCM將分塊區(qū)域的特征向量進(jìn)行聚類分析，所有的類心對(duì)應(yīng)樣本集的詞匯表。FCM算法是一種典型的“軟聚類”，算法簡單、收斂速度快，能有效彌補(bǔ)傳統(tǒng)K-Means(硬劃分)處理混合像元問題時(shí)不太靈活的缺陷。但該算法存在一些不足：該算法依然存在某些缺點(diǎn)：如類別數(shù)不能自動(dòng)確定、易受噪聲點(diǎn)干擾、過分依賴類心初值等。本發(fā)明對(duì)模糊C均值算法做三點(diǎn)改進(jìn)，其一：引入鄰域像素的位置和屬性信息，構(gòu)建相似加權(quán)隸屬度修正函數(shù)，有效避免鼓勵(lì)噪聲干擾；其二：采用類內(nèi)-類間隸屬度熵和理論對(duì)FCM進(jìn)行相應(yīng)的改進(jìn)，解決類別數(shù)難以自動(dòng)確定的問題。其三：引入最大-最小距離模式來劃分類心初值，解決FCM初始聚類中心有效劃分的問題。最大最小距離思想的本質(zhì)是選擇遠(yuǎn)距離樣本來迭代設(shè)置聚類中心，盡可能使類型離散分布，有效規(guī)避局部最優(yōu)問題。

在變化區(qū)域語義分析階段，以重疊采樣區(qū)域?yàn)樘幚韱卧?jì)算兩個(gè)時(shí)相對(duì)應(yīng)分塊的直方圖之差作為變化向量，利用改進(jìn)FCM算法對(duì)變化區(qū)域的直方圖向量差進(jìn)行聚類，并通過分析分塊直方圖分布及變化曲線，結(jié)合土地利用解譯數(shù)據(jù)地類變化趨勢(shì)，提取測(cè)區(qū)范圍內(nèi)的語義變化信息。

以上所述，僅為本發(fā)明的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何屬于本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到的變化或替換，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)該以權(quán)利要求的保護(hù)范圍為準(zhǔn)。