本發(fā)明涉及圖像檢測及分類，具體涉及一種面向變化圖斑提取的多時相遙感影像變化檢測方法。

背景技術(shù)：

1、傳統(tǒng)的基于遙感技術(shù)的遙感影像變化圖斑提取采用逐景分類或人工目視判讀的變化信息提取方式。其中，逐景分類針對每景影像選取訓(xùn)練樣本訓(xùn)練分類器以分類得到影像中產(chǎn)生變化的新的地表覆蓋類型。由于需對每個時刻影像都通過人工目視解譯以獲取訓(xùn)練樣本，逐景分類與人工目視判讀同樣存在工作量大、工作效率和自動化程度低下的問題，限制了變化圖斑提取的快速性。

2、近些年，隨著遙感影像變化檢測研究的不斷深入，借助變化檢測算法提取遙感影像中地表覆蓋類型變化的圖斑已逐步成為地理國情監(jiān)測的重要手段。基于變化檢測算法的變化圖斑提取的精度主要取決于變化檢測的精度。遙感影像中地表(尤其是植被覆蓋類型)物候變化是影響變化檢測精度的因素之一。為消除物候變化引起的偽變化，大多數(shù)變化檢測算法通常選取同一季節(jié)的影像進行變化檢測，如變化矢量分析法或landtrendr算法通常選用不同年份同一季節(jié)的準(zhǔn)周年影像進行變化檢測。但每年一景影像的觀測頻次無法實現(xiàn)年內(nèi)尺度的變化檢測，或當(dāng)擾動事件發(fā)生在當(dāng)年觀測時相之后，會將該擾動發(fā)生時間錯誤地標(biāo)注為下一年，延長了變化圖斑的提取周期，無法確保地表覆蓋信息的現(xiàn)勢性。而加密遙感影像觀測頻次，會增加變化檢測算法提取變化圖斑的工作量，因此加密觀測頻次也并非是隨意行為。所以如何加密多時相遙感影像觀測頻次，同時消除物候變化引起的偽變化，保證使用任一時期的遙感影像，準(zhǔn)確、及時地獲取年內(nèi)尺度地表變化信息和提取出變化圖斑，確保地表覆蓋信息的現(xiàn)勢性成本技術(shù)領(lǐng)域亟待解決的技術(shù)問題。

技術(shù)實現(xiàn)思路

1、本發(fā)明以實現(xiàn)對遙感圖像在年內(nèi)尺度內(nèi)的變化信息的及時、準(zhǔn)確識別，并通過消除物候變化引起的偽變化等技術(shù)手段，實現(xiàn)對影像中變化圖斑的精準(zhǔn)提取為目的，提供了一種面向變化圖斑提取的多時相遙感影像變化檢測方法。

2、為達此目的，本發(fā)明采用以下技術(shù)方案：

3、提供一種面向變化圖斑提取的多時相遙感影像變化檢測方法，包括步驟：

4、s1，確定ti+1和ti時刻對同個觀測區(qū)采集的每景遙感影像的分類與變化檢測特征，ti為ti+1的上一遙感影像采集時刻；

5、s2，構(gòu)建ti時刻的遙感分類樣本集，并制作對ti+1時刻采集的第二遙感影像進行變化檢測的分類底圖；

6、s3，對所述第二遙感影像以及在ti時刻對同個所述觀測區(qū)采集的第一遙感影像，計算影像中的每個像元的svi值，得到所述第一遙感影像和所述第二遙感影像分別對應(yīng)的第一空間歸一化影像、第二空間歸一化影像；

7、s4，利用所述第一空間歸一化影像和所述第二空間歸一化影像，對所述第二遙感影像進行像元變化檢測和結(jié)果修正；

8、s5，以步驟s4修正后的像元未變化的背景區(qū)域為樣本訓(xùn)練ti+1時刻的分類器；

9、s6，以所述分類器對所述第二遙感影像中像元發(fā)生變化的目標(biāo)區(qū)域進行分類，得到變化后的地表覆蓋類型，然后將對所述第二遙感影像中的目標(biāo)區(qū)域的第一分類結(jié)果以及對所述第二遙感圖像中的各背景區(qū)域在所述第一遙感影像中對應(yīng)的第二分類結(jié)果融合為ti+1時刻的地表覆蓋類型圖，以對步驟s2中制作的對應(yīng)ti時刻的所述分類底圖進行更新。

10、作為優(yōu)選，步驟s1具體包括步驟：

11、s11，計算所述遙感影像中的每一類別地物樣本的植被指數(shù)；

12、s12，對所述遙感影像中的兩兩不同類別的地物樣本構(gòu)建為對應(yīng)的地物樣本組合，然后基于jm距離度量選取以jm距離值最大表達為最佳植被指數(shù)組合的所述地物樣本組合作為所述遙感影像的分類與變化檢測特征。

13、作為優(yōu)選，步驟s11中，針對地物樣本類型為植被，通過如下公式(1)經(jīng)歸一化后得到其植被指數(shù)：

14、

15、針對地物樣本類型為水體，通過如下公式(2)經(jīng)歸一化后得到其植被指數(shù)：

16、

17、針對地物樣本類型為建筑，通過如下公式(3)經(jīng)歸一化后得到其植被指數(shù)：

18、

19、針對地物樣本類型為土壤，通過如下公式(4)經(jīng)歸一化后得到其植被指數(shù)：

20、

21、公式(1)-(4)中，v近紅外表示所述遙感圖像在近紅外波段的特征值；

22、v紅表示所述遙感圖像在可見光波段中紅色波段的特征值；

23、v綠表示所述遙感圖像在可見光波段中綠色波段的特征值；

24、v短波紅外表示所述遙感圖像在短波紅外波段的特征值。

25、作為優(yōu)選，步驟s2中，構(gòu)建ti時刻的所述遙感分類樣本集并制作對ti+1時刻采集的第二遙感影像進行變化的所述分類底圖的方法包括步驟：

26、a1，采用分層隨機抽樣方法，在ti時刻，對所述觀測區(qū)進行多類型地物樣本采集；

27、a2，對在ti時刻采集的包含步驟a1所采集的各類型的地物樣本的第一遙感影像，采用人工方式，查驗ti-1時刻以對應(yīng)ti-1時刻所構(gòu)建的遙感分類樣本集進行訓(xùn)練得到的分類器，對所述第一遙感影像中的地物樣本分類結(jié)果的準(zhǔn)確性，并將查驗通過的地物樣本加入到針對ti時刻所構(gòu)建的所述遙感分類樣本集中；

28、a3，使用對應(yīng)ti時刻的所述遙感分類樣本集，訓(xùn)練對應(yīng)ti時刻的分類器；

29、a4，使用完成訓(xùn)練的對應(yīng)ti時刻的所述分類器對所述第一遙感影像進行地物樣本分類，并將分類結(jié)果作為對ti+1時刻采集的第二遙感影像進行變化檢測的所述分類底圖。

30、作為優(yōu)選，步驟a3中，訓(xùn)練所述分類器的方法具體包括步驟：

31、a31，為所述遙感分類樣本集設(shè)定“隨機數(shù)”字段賦予0-1區(qū)間內(nèi)的浮點數(shù)，選擇該字段內(nèi)隨機數(shù)字段小于0.7的分類樣本為訓(xùn)練樣本，其余樣本為驗證樣本以完成對所述遙感分類樣本集的拆分；

32、a32，將訓(xùn)練樣本與上述基于遙感影像得到的光譜波段和植被指數(shù)特征所構(gòu)建的分類特征集進行疊加，為訓(xùn)練樣本提取其對應(yīng)的分類特征值；

33、a33，利用python?3.7.0工具中的隨機森林機器學(xué)習(xí)模塊對具有分類特征值的訓(xùn)練樣本進行訓(xùn)練，得到所述分類器。

34、作為優(yōu)選，步驟s3中，遙感影像中的像元的svi值通過如下公式(5)計算而得：

35、

36、公式(5)中，vicenter表示預(yù)設(shè)尺寸的空間窗口中的中心像元的植被指數(shù)值；

37、vimedian表示所述空間窗口內(nèi)與所述中心像元具有相同地表覆蓋類型的各像元的植被指數(shù)值的平均值。

38、作為優(yōu)選，步驟s4中，對所述第二遙感影像進行像元變化檢測的方法包括步驟：

39、s41，通過如下公式(6)計算所述第二遙感影像在ti+1時刻相比較ti時刻的變化強度δg，

40、

41、公式(6)中，表示第j個像元在所述第一遙感影像中的第一svi值；

42、表示第j個像元在所述第二遙感影像中的第二svi值；

43、n表示所述第二遙感影像中的像元的數(shù)量；

44、s42，判斷δg是否大于預(yù)設(shè)的變化強度閾值，

45、若是，則判定所述第二遙感影像中的第j個像元為變化像元；

46、若否，則判定所述第二遙感影像中的第j個像元為不變像元。

47、作為優(yōu)選，利用最大類間方差法設(shè)置所述變化強度閾值，具體包括步驟：

48、s421，計算所述第二遙感圖像中的總像元數(shù)n；

49、s422，計算直方圖中每個變化強度值出現(xiàn)的概率pj，j表示第j各個像元的變化強度值；

50、s423，通過遍歷所有可能的閾值x，計算類內(nèi)方差和類間方差，并找到最大類間方差對應(yīng)的閾值：

51、s424，將計算得到的最大類間方差對應(yīng)的閾值x設(shè)置為變化強度閾值。

52、作為優(yōu)選，對所述第二遙感影像的像元變化檢測結(jié)果進行修正的方法為：

53、當(dāng)判定所述空間窗口中的所述中心像元為變化像元時，進一步判斷所述中心像元的鄰域像元是否為不變像元，

54、若是，則將所述中心像元修正為不變像元；

55、若否，則維持所述中心像元為變化像元。

56、作為優(yōu)選，步驟s6中，以對應(yīng)ti+1時刻的所述分類器對所述第二遙感影像中像元發(fā)生變化的目標(biāo)區(qū)域進行分類的方法包括步驟：

57、s61，對變化檢測柵格結(jié)果按svi值分別提取出變化像元；

58、s62，以變化像元為掩膜，對所述第二遙感影像進行裁剪，得到變化區(qū)域遙感影像；

59、s63，通過空間相交工具判斷所述變化區(qū)域遙感影像中的分類樣本斑塊內(nèi)是否存在變化像元，剔除掉內(nèi)部具有變化像元的樣本斑塊；

60、s64，將處理后的樣本斑塊拆分為訓(xùn)練集和驗證集，使用隨機森林機器學(xué)習(xí)模塊進行分類器的訓(xùn)練；

61、s65，將經(jīng)過訓(xùn)練后的分類器用于對變化區(qū)域的遙感影像的地物分類。

62、11.根據(jù)權(quán)利要求1所述的面向變化圖斑提取的多時相遙感影像變化檢測方法，其特征在于，還包括步驟：

63、s7，置i＝i+1，然后返回步驟s1，直至完成對在不同時刻對同個所述觀測區(qū)采集的n景遙感影像的變化圖斑分類檢測，i＝1,2,…,n。

64、本發(fā)明具有以下有益效果：

65、1、通過對遙感影像進行空間歸一化處理，消除了物候變化對地表覆蓋類型變化檢測精度的影響，使得變化矢量分析法不受以往遙感影像時相需為同一季節(jié)這一條件限制，可以在年內(nèi)尺度內(nèi)選擇任意時相的遙感影像進行變化圖斑提取，能夠及時、準(zhǔn)確檢測出地表變化情況。

66、2、通過遷移上一時相不變樣本訓(xùn)練當(dāng)前時相分類器，進而在當(dāng)前時相僅對檢測到的變化像元進行地表覆蓋類型重分類，降低了變化圖斑提取的工作量，提高了分類效率和分類自動化程度。