本發(fā)明涉及遙感影像多類別檢測方法，特別涉及一種利用遙感影像多特征的多類別變化動態(tài)閾值檢測方法，屬于遙感影像多類別檢測技術(shù)領(lǐng)域。

背景技術(shù)：

遙感影像變化檢測技術(shù)已成為一種有效的地表變化監(jiān)測方法，廣泛應(yīng)用于土地利用、土地覆蓋、環(huán)境監(jiān)測、災(zāi)害評估和城鎮(zhèn)發(fā)展監(jiān)測等領(lǐng)域。

現(xiàn)有的多類別變化檢測方法可分為監(jiān)督和非監(jiān)督兩類，監(jiān)督變化檢測是利用分類器對不同時期的影像進(jìn)行分類后，通過比較分類結(jié)果發(fā)現(xiàn)變化。該類方法需要參考數(shù)據(jù)進(jìn)行分類器的訓(xùn)練，而在實際應(yīng)用中采集參考數(shù)據(jù)需要耗費(fèi)大量的人力物力，且變化檢測的精度受分類精度影響嚴(yán)重。多類別變化的非監(jiān)督檢測方法在通過分析不同時期地物光譜的變化，實現(xiàn)變化的檢測及不同變化類別的區(qū)分，無需要參考數(shù)據(jù)，且檢測精度較高。然而，現(xiàn)有的多類別變化的非監(jiān)督檢測方法僅以用光譜變化特征，受光照、大氣輻射和季節(jié)等因素影響無法準(zhǔn)確描述所有類別變化，設(shè)置單一閾值進(jìn)行多類別變化的檢測，也因忽略了各變化類別的特性而無法精確檢測所有類別的變化。

技術(shù)實現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問題是：提供一種利用遙感影像多特征的多類別變化動態(tài)閾值檢測方法，利用多種特征組合，減弱光照、大氣等因素的影響，并充分考慮不同變化類別的特性，提出一種動態(tài)閾值的多類別變化檢測模型，準(zhǔn)確檢測所有類別的變化，提高多類別變化的檢測精度。

本發(fā)明為解決上述技術(shù)問題采用以下技術(shù)方案：

一種利用遙感影像多特征的多類別變化動態(tài)閾值檢測方法，包括如下步驟：

步驟1，對前、后兩時期的遙感影像進(jìn)行預(yù)處理，包括幾何校正、配準(zhǔn)、輻射校正；

步驟2，計算經(jīng)步驟1預(yù)處理后的前、后兩時期遙感影像的光譜變化特征和光譜梯度差異特征，將光譜變化特征和光譜梯度差異特征按波段進(jìn)行疊加，利用主成分分析方法對疊加后的特征進(jìn)行主成分分析，選取前兩個主成分分量作為變化特征，根據(jù)變化特征計算變化強(qiáng)度和變化方向；

步驟3，在極坐標(biāo)框架下，對變化強(qiáng)度和變化方向進(jìn)行空間分析，針對變化強(qiáng)度計算變化強(qiáng)度閾值，根據(jù)變化強(qiáng)度閾值檢測未變化和變化類別；針對變化類別的變化方向設(shè)置閾值，根據(jù)閾值區(qū)分不同的變化類別，生成初步多類別變化檢測結(jié)果；

步驟4，分析初步多類別變化檢測結(jié)果，針對各變化類別，構(gòu)建僅包含當(dāng)前變化類別的像素集，并設(shè)置動態(tài)的變化強(qiáng)度閾值，重新判定各變化類別中的變化像素與未變化像素，生成基于動態(tài)閾值的多類別變化檢測結(jié)果。

作為本發(fā)明的一個進(jìn)一步方案，該方法還包括步驟5，利用多相水平集算法，對步驟4生成的基于動態(tài)閾值的多類別變化檢測結(jié)果進(jìn)行處理，通過集成空間信息同時去除虛檢測和漏檢測像素。

作為本發(fā)明的一個優(yōu)選方案，步驟2所述光譜變化特征和光譜梯度差異特征計算公式分別為：

xd＝x2-x1

g＝g2-g1

其中，xd表示光譜變化特征，x1、x2分別表示經(jīng)預(yù)處理后的前、后時期遙感影像，g表示光譜梯度差異特征，g1、g2分別表示經(jīng)處理后的前、后時期遙感影像光譜梯度。

作為本發(fā)明的一個優(yōu)選方案，步驟2所述變化強(qiáng)度和變化方向計算公式分別為：

其中，ρ、α分別表示變化強(qiáng)度、變化方向，p1、p2表示經(jīng)主成分分析后選取前兩個主成分分量。

作為本發(fā)明的一個優(yōu)選方案，步驟4所述針對各變化類別，構(gòu)建僅包含當(dāng)前變化類別的像素集具體為：

獲取各變化類別在極坐標(biāo)空間中的分布，構(gòu)建僅包含單一變化類別的像素集，針對變化類別k，找出該類別中變化方向的最小值tα,k和最大值tα,k+1，將極坐標(biāo)空間中變化方向值在(tα,k,tα,k+1)內(nèi)的變化像素集sk和未變化像素集合并，生成僅包含變化類別k的像素集s：

其中，α(i,j)表示極坐標(biāo)空間中變化像素或未變化像素的變化方向值。

本發(fā)明采用以上技術(shù)方案與現(xiàn)有技術(shù)相比，具有以下技術(shù)效果：

本發(fā)明針對現(xiàn)有多類別變化非監(jiān)督檢測方法存在的不足，提出一種利用遙感影像多特征的多類別變化動態(tài)閾值檢測方法，旨在利用多種特征組合，減弱光照、大氣等因素的影響，并充分考慮不同變化類別的特性，提出一種動態(tài)閾值的多類別變化檢測模型，準(zhǔn)確檢測所有類別的變化，提高多類別變化的檢測精度。

附圖說明

圖1是本發(fā)明方法的流程圖。

圖2是本發(fā)明方法中光譜梯度差異計算示意圖。

圖3是本發(fā)明方法中第k類變化在極坐標(biāo)空間中的表示。

圖4是本發(fā)明方法中基于水平集的影像分割示意圖；其中，(a)為單相水平集，(b)為二相水平集。

圖5是本發(fā)明實例影像與參考變化；其中，(a)為前時期影像第4波段，(b)為后時期影像第4波段，(c)為參考變化。

圖6是本發(fā)明基于不同特征的變化強(qiáng)度及變化方向在極坐標(biāo)空間的分布；其中，(a)為光譜變化特征，(b)為光譜梯度差異特征，(c)為疊加特征的前兩個主成分分量。

圖7是傳統(tǒng)方法與本發(fā)明方法的檢測結(jié)果對比；其中，(a)為光譜變化特征的檢測結(jié)果，(b)為光譜梯度差異的檢測結(jié)果，(c)為本發(fā)明的檢測結(jié)果。

具體實施方式

下面詳細(xì)描述本發(fā)明的實施方式，所述實施方式的示例在附圖中示出。下面通過參考附圖描述的實施方式是示例性的，僅用于解釋本發(fā)明，而不能解釋為對本發(fā)明的限制。

如圖1所示，一種利用遙感影像多特征的多類別變化動態(tài)閾值檢測方法，包括以下步驟：

步驟1：對兩時期遙感影像進(jìn)行幾何校正、配準(zhǔn)、輻射校正等預(yù)處理。

步驟2：分別計算兩時期影像的光譜變化特征及光譜梯度差異特征，并通過波段疊加生成多特征。在此基礎(chǔ)上，利用主成分分析方法對疊加后的特征進(jìn)行主成分分析，選取合適的主成分作為最終的變化特征，并計算變化強(qiáng)度和變化方向，進(jìn)行多類別變化檢測。

采用影像差分技術(shù)，根據(jù)式(1)從前時期影像x1和后時期影像x2生成光譜變化特征xd：

xd＝x2-x1(1)

利用式(2)計算前時期影像光譜梯度g1，如圖2所示。

g1＝{g1,b+1(i,j)-g1,b(i,j)|1≤i≤i,1≤j≤j,1≤b≤b-1}(2)

其中，i、j和b分別為影像行、列數(shù)和波段數(shù)，g1,b(i,j)和g1,b+1(i,j)分別表示前時期影像第b和b+1波段在(i,j)位置上的像素灰度值。同理，計算后時期影像光譜梯度g2，在此基礎(chǔ)上根據(jù)下式計算兩時期影像光譜梯度差異g：

g＝g2-g1(3)

將光譜變化特征與光譜梯度差異特征按波段進(jìn)行疊加，并利用主成分分析算法對疊加特征進(jìn)行主成分分析，本發(fā)明選擇前兩個主成分分量作為最終的變化特征p＝{p1,p2}，用于變化檢測。

然后利用式(4)，針對提取的主成分分量計算變化強(qiáng)度ρ和變化方向α：

步驟3：生成初步多類別變化檢測結(jié)果。在極坐標(biāo)框架下，對變化強(qiáng)度和方向進(jìn)行空間分析，針對變化強(qiáng)度設(shè)置閾值，檢測未變化和變化類別；針對變化類別的變化方向設(shè)置閾值，區(qū)分不同類別的變化。

計算變化強(qiáng)度閾值時，假設(shè)影像中未變化和變化像素的變化強(qiáng)度滿足混合高斯分布，可用下式表示：

p(ρ)＝p(ωn)p(ρ/ωn)+p(ωc)p(ρ/ωc)(5)

其中，p(ωn)、p(ωc)和p(ρ/ωn)、p(ρ/ωc)分別是未變化類別ωn和變化類別ωc的先驗概率和概率密度函數(shù)，且先驗概率密度函數(shù)可用高斯函數(shù)表示。在此基礎(chǔ)上，利用最大期望算法估計變化和未變化類別的均值和方差。以未變化類別為例，利用下式計算未變化類別的后驗概率p(ωn/ρ)：

然后，利用如下公式重新估計均值μn、方差和先驗概率：

其中，下標(biāo)t和t+1分別表示當(dāng)前和下次迭代次數(shù)。重復(fù)式(6)至(9)，直到收斂，同理用上述方法估計變化類別的均值μc和方差根據(jù)bayesian最小錯誤準(zhǔn)則，依據(jù)下式計算變化強(qiáng)度閾值tρ，并區(qū)分變化和未變化類別。

然后，針對變化像素的變化方向，利用模糊c均值聚類(fcm)算法，通過在極坐標(biāo)框架中像素的空間分布，確定聚類數(shù)目，對變化像素進(jìn)行聚類，區(qū)分變化類別。fcm聚類算法采用各個樣本與所在類均值的差值平方和最小準(zhǔn)則，通過迭代和更新隸屬度矩陣u和聚類中心v，使目標(biāo)函數(shù)f達(dá)到最小，實現(xiàn)最優(yōu)聚類，目標(biāo)函數(shù)如下：

其中，uwk(uwk∈[0,1]且)表示數(shù)據(jù)xw對于類別k的隸屬度，u＝{uwk}是隸屬度矩陣，xw表示變化像素w的變化方向，v＝{v1,v2,…,vk}表示聚類中心點集，q∈[1,+∞)為加權(quán)指數(shù)，用來控制聚類結(jié)果的模糊程度，當(dāng)q＝1時，模糊聚類變?yōu)閭鹘y(tǒng)的c均值聚類，通常情況下q＝2時計算簡單且效果較理想，故本發(fā)明中設(shè)q＝2。fcm聚類方法的具體步驟為：

步驟1)：設(shè)定聚類類別數(shù)k，聚類中心v＝{v1,v2,…,vk}初始化；

步驟2)：按下式計算模糊隸屬度矩陣：

步驟3)：按下式更新聚類中心：

步驟4)：判定式(11)是否收斂。當(dāng)||v^t+1-v^t||<ε(t表示迭代次數(shù)，ε>0是算法停止閾值)時，式(11)收斂，算法停止迭代；否則重復(fù)步驟2)和3)，直到式(11)收斂。最后，經(jīng)過fcm處理后，可得到各像素的隸屬度信息，按最大隸屬度原則，將變化像素分到相應(yīng)的類別，實現(xiàn)變化類別區(qū)分。

步驟4：建立動態(tài)閾值模型，進(jìn)行多類別變化檢測。分析步驟3所得的初步變化檢測結(jié)果，針對各變化類別，構(gòu)建新的僅包含一類變化的像素集，并設(shè)置動態(tài)的變化強(qiáng)度閾值，重新判定各變化類別中的變化與未變化像素。最終，生成基于動態(tài)閾值的多類別變化檢測結(jié)果。

通過分析步驟3獲取的各初始變化類別在極坐標(biāo)空間中的分布，構(gòu)建僅包含單一類別變化的像素集，如圖3所示。針對變化類別k，tα,k和tα,k+1分別表示該類別中變化方向的最小和最大值，將變化方向值在此范圍內(nèi)的變化像素集sk(圖3中tα,k和tα,k+1之間的白色部分)和未變化像素集(圖3中將tα,k和tα,k+1向圓心延伸到達(dá)圓心后形成的灰色部分)合并，生成僅包含變化類別k的像素集s(白色與灰色部分合并成扇形部分)。

假設(shè)像素集s的變化強(qiáng)度ρ為混合高斯分布，根據(jù)步驟3中式(5)至式(10)，計算針對變化類別k的最優(yōu)閾值tk。同理，針對所有變化類別，逐一生成僅包含單一變化類別的像素集，并針對變化強(qiáng)度計算變化閾值。最終針對所有變化類別，根據(jù)下式，實現(xiàn)基于動態(tài)閾值的多類別變化非監(jiān)督檢測，提高變化檢測的精度和自動化程度。

步驟5：利用多相水平集算法，對步驟4中生成的基于動態(tài)閾值的多類別變化檢測檢測進(jìn)行后處理，通過集成空間信息同時去除虛檢和漏檢測像素，進(jìn)一步提高多類別變化非監(jiān)督檢測的精度。

首先，以二相水平集為例，可將影像分為兩部分，如下式所示：

其中，ωin，ωout和c1，c2分別表示輪廓曲線c內(nèi)部和分外區(qū)域及其均值，μ為調(diào)節(jié)輪廓曲線c的常數(shù)。上式可用水平集φ表示：

其中，h表示heaviside函數(shù)，如下式：

水平集φ可定按下式定義：

多相水平集可將影像分為多個類別，以二相水平集φ1和φ2為例，可按下式將影像分為四個類別，如圖4的(a)、(b)所示。

其中，c11表示同時位于水平集φ1和φ2內(nèi)部的像素均值，c10表示同時位于φ1內(nèi)部和φ2外部像素的均值，c01表示同時位于φ1外部和φ2內(nèi)部像素的均值，c00同時位于水平集φ1和φ2外部的像素均值。根據(jù)e＝log2(k+1)確定包含變化類和未變化類的所有類別數(shù)k+1與水平集相數(shù)e的對應(yīng)關(guān)系，最終利用拉格朗日算法求解能量最小解，得到最優(yōu)的水平集，最終實現(xiàn)多類別變化的非監(jiān)督檢測。

本發(fā)明分別提取兩時期影像的光譜變化特征和光譜梯度差異特征，按波段進(jìn)行疊加，并利用主成分分析方法對其進(jìn)行主成分分析，進(jìn)行相關(guān)性抑制和異質(zhì)性增強(qiáng)，最終選擇前兩個主成分分量作為最終的變化特征，計算變化強(qiáng)度和變化方向。然后，在極坐標(biāo)框架下利用bayesian最小錯誤準(zhǔn)則計算變化強(qiáng)度閾值，將像素分為未變化和變化兩部分，利用fcm聚類方法對變化像素的變化方向設(shè)置閾值，區(qū)分變化類別。在此基礎(chǔ)上，在極坐標(biāo)框架下對初始變化檢測結(jié)果進(jìn)行分析，對所有變化類別，依次生成僅包含單一變化的像素極，再利用bayesian最小錯誤準(zhǔn)則獲取針對各變化類別的最優(yōu)變化強(qiáng)度閾值，從而生成基于動態(tài)閾值的變化檢測結(jié)果。最后，利用多相水平集算法對基于動態(tài)閾值的多類別變化檢測結(jié)果進(jìn)行后處理，通過集成空間信息同時去除虛檢和漏檢像素。本發(fā)明從多特征融合、動態(tài)閾值策略和集成空間信息的多相水平集三個方面克服現(xiàn)在多類別變化非監(jiān)督變化檢測的不足，可有效提高多類別變化檢測的精度。

以下結(jié)合附圖和實例詳細(xì)說明本發(fā)明的技術(shù)方案。

實例用兩個時期獲取的landsat-5tm衛(wèi)星數(shù)據(jù)進(jìn)行實驗，實驗區(qū)數(shù)據(jù)大小為412×300像素，分辨率為30米，獲取時間分別是1995年9月和1996年7月，采用除熱紅外波段的6個波段光譜信息進(jìn)行變化檢測，如圖5的(a)、(b)和(c)所示。實驗區(qū)包括三種變化，分別為由于采礦引起的變化、由于森林火災(zāi)引起的變化和湖泊水位變化引起的變化。

一種利用遙感影像多特征的多類別變化動態(tài)閾值檢測方法，包括以下步驟：

步驟1：對兩時期多波段遙感影像進(jìn)行幾何校正、配準(zhǔn)、輻射校正；

步驟2：分別計算兩時期影像的光譜變化特征(6波段)及光譜梯度差異特征(5波段)，并通過波段疊加生成多特征(11波段)。在此基礎(chǔ)上，利用主成分分析方法對疊加后的特征進(jìn)行主成分分析，選取前兩個主成分分量作為最終的變化特征，在此基礎(chǔ)上，計算變化強(qiáng)度和變化方向，進(jìn)行多類別變化檢測。

步驟3：在極坐標(biāo)框架下，對變化強(qiáng)度和變化方向進(jìn)行空間分析，圖6的(a)、(b)和(c)分別為光譜變化特征、光譜梯度差異特征和主成分分量特征在極坐標(biāo)空間中的分布，可以看出本發(fā)明采用的主成分分量特征最大程度的區(qū)分不同類別的變化。假設(shè)變化強(qiáng)度為高斯混合分布，利用bayesian最小錯誤準(zhǔn)則計算變化強(qiáng)度閾值，與此同時，通過視覺分析可得出變化類別k＝3，利用fcm對變化像素的變化方向進(jìn)行聚類，區(qū)分不同類別的變化，最終閾值設(shè)置為：s1＝{ρ,α:ρ≥54，0°≤α≤59°∪278°≤α≤360°}，s2＝{ρ,α:ρ≥54，73°≤α<145°}和s3＝{ρ,α:ρ≥54，145°≤α<278°}，分別對應(yīng)采礦變化、火災(zāi)變化和湖泊變化。

步驟4：分析步驟3所得的初步變化檢測結(jié)果，針對各變化類別，構(gòu)建新的僅包含一類變化的像素集，利用步驟3中提取的bayesian最小錯誤準(zhǔn)則對各像素集設(shè)置最優(yōu)的變化強(qiáng)度閾值，最終得到的動態(tài)閾值分別為：s1＝{ρ,α:ρ≥58，0°≤α≤59°∪278°≤α≤360°}，s2＝{ρ,α:ρ≥46，73°≤α<145°}和s3＝{ρ,α:ρ≥63，145°≤α<278°}，生成基于動態(tài)閾值的多類別變化檢測結(jié)果。

步驟5：通過步驟4中的分析，本實例中共有k+1＝4種類別，即未變化、采礦變化、火災(zāi)變化和湖泊變化，因此采用二相水平集算法，對步驟4中生成的基于動態(tài)閾值的多類別變化檢測檢測進(jìn)行后處理，設(shè)置輪廓長度控制參數(shù)μ＝0.12。最終通過二相水平集的演化，集成空間信息同時去除虛檢和漏檢測像素，進(jìn)一步提高多類別變化非監(jiān)督檢測的精度。

圖7的(a)、(b)和(c)分別為基于光譜變化特征的固定閾值、光譜梯度差異特征的固定閾值和本發(fā)明方法得到的多類別變化非監(jiān)督檢測結(jié)果，通過與參考數(shù)據(jù)的比較可以看出，前兩種傳統(tǒng)方法的結(jié)果中存在較多的虛檢和漏檢錯誤，而本發(fā)明提出的方法可以生成與參考數(shù)據(jù)更相似的檢測結(jié)果。表1、2和3分別為上述三種方法得到變化檢測結(jié)果定量評價精度。從表中可以看出：本發(fā)明方法對在總體提高了各類別的生產(chǎn)者精度和用戶精度，總分類精度和kappa系數(shù)都有很大提高，極大提高了遙感影像多類別變化非監(jiān)督檢測的精度。

表1：基于光譜變化特征的固定閾值檢測結(jié)果精度

表2：基于光譜梯度差異特征的固定閾值檢測結(jié)果精度

表3：本發(fā)明方法得到的變化檢測結(jié)果精度

以上實施例僅為說明本發(fā)明的技術(shù)思想，不能以此限定本發(fā)明的保護(hù)范圍，凡是按照本發(fā)明提出的技術(shù)思想，在技術(shù)方案基礎(chǔ)上所做的任何改動，均落入本發(fā)明保護(hù)范圍之內(nèi)。