技術(shù)特征：

1.一種基于改進(jìn)模糊C均值聚類的語義變化檢測方法，其特征在于包括如下步驟：

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多時(shí)相影像進(jìn)行濾波和增強(qiáng)處理；

步驟2：對預(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；

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]，其中C_min代表最小類別數(shù)，C_max代表最大類別數(shù)，求解類內(nèi)-類間隸屬度熵和最小值對應(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均值算法對特征向量進(jìn)行聚類劃分；

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)建變化趨勢圖，其中橫坐標(biāo)對應(yīng)視覺單詞的編號，縱坐標(biāo)對應(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均值算法對變化向量進(jìn)行語義變化檢測，識別變化與未變化區(qū)域，實(shí)現(xiàn)變化檢測。

2.如權(quán)利要求1所述的基于改進(jìn)模糊C均值聚類的語義變化檢測方法，其特征在于：還包括步驟：參考土地利用解譯數(shù)據(jù)對檢測結(jié)果進(jìn)行定量的精度評價(jià)。

3.如權(quán)利要求1所述的基于改進(jìn)模糊C均值聚類的語義變化檢測方法，其特征在于：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。

4.如權(quán)利要求1所述的基于改進(jìn)模糊C均值聚類的語義變化檢測方法，其特征在于：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{min d_n}對應(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，k、y為聚類中心編號，C為類別數(shù)，表示第l+1和l次迭代中，中心像元r對第k類聚類中心的隸屬度；表示第l次迭代中，中心像元對第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特征向量進(jìn)行聚類。

5.如權(quán)利要求1所述的基于改進(jìn)模糊C均值聚類的語義變化檢測方法，其特征在于：步驟6中采用改進(jìn)的模糊C均值算法對變化向量進(jìn)行語義變化檢測，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{max D_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特征向量進(jìn)行聚類；否則，令l＝l+1，執(zhí)行步驟6.3。

6.如權(quán)利要求1所述的基于改進(jìn)模糊C均值聚類的語義變化檢測方法，其特征在于：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]。

7.一種基于改進(jìn)模糊C均值聚類的語義變化檢測系統(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：用于對特征向量進(jìn)行模糊聚類劃分，實(shí)現(xiàn)底層特征到高級視覺詞匯的映射，其中，聚類中心對應(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)建變化趨勢圖，橫坐標(biāo)對應(yīng)視覺單詞的編號，縱坐標(biāo)對應(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均值算法對變化向量進(jìn)行二值變化檢測，識別變化與未變化區(qū)域。

8.如權(quán)利要求7所述的基于改進(jìn)模糊C均值聚類的語義變化檢測系統(tǒng)，其特征在于：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。