一种高分辨率遥感影像的变化检测方法技术

本发明专利技术涉及一种高分辨率遥感影像的变化检测方法，所述方法包括如下步骤：(1)利用Mean-shift影像分割算法，对不同时相的影像进行多尺度分割，形成不同尺度的地理对象；(2)多尺度地理对象的特征提取与特征向量构建；(3)基于变化矢量法(change vector analysis，CVA)对不同时相多尺度地理对象特征向量进行变化检测，获得最终的变化检测的结果。

【技术实现步骤摘要】
【专利摘要】本专利技术涉及，所述方法包括如下步骤：(1)利用Mean-shift影像分割算法，对不同时相的影像进行多尺度分割，形成不同尺度的地理对象；(2)多尺度地理对象的特征提取与特征向量构建；(3)基于变化矢量法(change?vector?analysis，CVA)对不同时相多尺度地理对象特征向量进行变化检测，获得最终的变化检测的结果。【专利说明】
本专利技术涉及。
技术介绍
在像素水平上的变化检测算法应用到高空间分辨率的影像中时很难检测非均质 的面状区域的变化；单一尺度的面相对象的变化检测算法存在过分割或不完全分割的情 况，也会影响变化检测的准确性。
技术实现思路
在以上基础上，本专利技术提出了采用多尺度的面相对象的变化检测算法，可全自动 提取高分辨率影像变化区域，提高变化检测的准确性。 本专利技术提供，所述方法包括如下步骤：（1) 利用Mean-Shift影像分割算法，对不同时相的影像进行多尺度分割，形成不同尺度的地 理对象；（2)多尺度地理对象的特征提取与特征向量构建；（3)基于变化矢量法（change vector analysis, CVA)对不同时相多尺度地理对象特征向量进行变化检测，获得最终的变 化检测的结果。 【专利附图】【附图说明】 通过参照附图更详细地描述本专利技术的示例性实施例，本专利技术的以上和其它方面及 优点将变得更加易于清楚，在附图中： 图1为本专利技术的的流程图。 【具体实施方式】 在下文中，现在将参照附图更充分地描述本专利技术，在附图中示出了各种实施例。然 而，本专利技术可以以许多不同的形式来实施，且不应该解释为局限于在此阐述的实施例。相 反，提供这些实施例使得本公开将是彻底和完全的，并将本专利技术的范围充分地传达给本领 域技术人员。 在下文中，将参照附图更详细地描述本专利技术的示例性实施例。 对于已经配准好的两个不同时期同一个区域的高分辨率遥感影像，采用多尺度分 割的变化检测共分为三个步骤（具体见图1)。（1)利用Mean-shift影像分割算法，对不同 时相的影像进行多尺度分割，形成不同尺度的地理对象；（2)多尺度地理对象的特征提取 与特征向量构建；（3)基于变化矢量法（change vector analysis，CVA)对不同时相多尺度 地理对象特征向量进行变化检测，获得最终的变化检测的结果。 步骤1):多尺度分割 影像分割的目的是将具有相同特征的像素聚集在一起，形成能反映特定对象特征 的地理对象。但是对于高分辨率影像来说，当选择不同的分割尺度时，分割的结果不一样。 由于地物的结构、纹理、空间特征以及相邻地物的关系等信息十分的丰富，采用单一尺度的 分割，必然会出现过分割或者分割不完全等情况，很难完整的反应对象的特征。而通过多尺 度的分割，形成了多个地理对象层，可以从不同的角度反映遥感数据的客观表现形态，为描 述地理对象的多尺度特征提供了很好的基础。本专利技术采用Mean-Shift分割算法结合分割 后区域合并算法，自下而上，从单像素开始，建立多尺度的地理对象。具体的步骤包括： (1)采用Mean-Shift分割算法，形成初始分割结果，并对分割结果进行标记，统计 邻接关系，得到区域邻接图，获得最初始的地理对象。 (2)对⑴中形成的地理对象，根据区域相似性准则对相邻的地理对象进行合并， 形成高一层次的地理对象。区域相似性准则考虑区域的灰度相似性、公共边缘强度以及区 域的面积作为相似性度量的依据。具体的公式如下： 【权利要求】1. ，其特征在于： 所述方法包括如下步骤：（1)利用Mean-Shift影像分割算法，对不同时相的影像进行 多尺度分割，形成不同尺度的地理对象；（2)多尺度地理对象的特征提取与特征向量构建； (3)基于变化矢量法对不同时相多尺度地理对象特征向量进行变化检测，获得最终的变化 检测的结果。2. 如权利要求1所述的，其特征在于： 所述步骤（1)的具体步骤包括： (a) :采用Mean-Shift分割算法，形成初始分割结果，并对分割结果进行标记，统计邻 接关系，得到区域邻接图，获得最初始的地理对象； (b) :对（a)中形成的地理对象，根据区域相似性准则对相邻的地理对象进行合并，形 成高一层次的地理对象；区域相似性准则考虑区域的灰度相似性、公共边缘强度以及区域 的面积作为相似性度量的依据，具体的公式如下：(1) 其中表示面积加权灰度均值距离，具体见公式⑵，E_表示相邻地理对象边缘梯 度差值，AKiKj表示地理对象的邻接关系；(2) (3) (4) 其中，N(R)和N%)分别表示邻接区域的像素数量，μ表示邻接区域的灰度均值，MG 表示区域边缘处的梯度均值； 采用基于最大区域熵的方法对图像区域进行合并，合并停止准则采用图像区域最大熵 值；信息熵的计算公式见（5).?1;1表示在地里对象&中，地理位置（k，l)上的灰度出现的频 率；(5) (6) 相邻两区域合并的规则如下：即先计算某一区域的信息熵，然后将其与相邻区域合并 后，在重新计算区域熵，如果合并后的区域熵小于合并前的区域熵，则这两个区域是相似 的，可以合并，否则这两个区域不能合并； (c) :重复步骤（b)直到对所有的区域遍历， (d) :重复步骤（b)和（c)直到完成整个多尺度地理对象构建。3. 如权利要求1所述的，其特征在于： 所述步骤（2)的具体步骤包括： 选择地理对象中所有像素的灰度均值向量作为特征向量衡量变化前后的差异；对每一 个像素来说，构建的多尺度地理对象特征向量可以描述为 M(k，1) = {x(k，1)，μ Hk，1)，· · ·，yL(k，1)} (7) 其中，(8) 其中，i，j表示影像上的像素点坐标，氏表示第i个地理对象的所有像素集合，队表示 第i个地理对象的像素个数，μ表示地理对象的灰度均值，L表示尺度的层数。4.如权利要求1-3任意一项所述的，其特征在 于： 所述步骤（3)的具体步骤包括： 通过计算每一个像素所在地理对象中的特征向量μ α，j)，然后利用变化矢量分析法方 法可以直接计算两个不同时期的特征向量的差异，构建面向地理对象的差异影像；具体的 计算如公式（9)所示；(9) 对于形成的差异影像MD，根据阈值可以判断变化与非变化的区域；阈值的选择方法采 用基于最大期望（EM)的自动阈值选择算法； 由变化矢量分析法得到的差异影像MD可认为由未变化的像元类ωη和变化的像元类 ω。所构成；假设未变化的像元类《"和变化的像元类ω。的概率密度函数ρ(χ/ωη)，ρ( χ/ ω。）服从高斯密度函数分布，如（10):(10) 未变化的像元类《"和变化的像元类ω。的均值和方差分别用；来表示， 则差异影像的总密度函数P(x)是可表示为： p (X) = p (X | ω η) ρ ( ω n) +p (X I ω c) ρ ( ω c) (11) 在上述假设条件下，求解差异影像的变化阈值的过程可转化为估算ωη、ω。的均值与 方差；对：的估算可采用ΕΜ算法实现；ΕΜ算法通过循环迭代，每次迭代由求期 望值和期望最大化两个步骤组成；前者根据待估计参数的当前值，从观测数据中直接估计 本文档来自技高网...

【技术保护点】
一种高分辨率遥感影像的变化检测方法，其特征在于：所述方法包括如下步骤：(1)利用Mean‑shift影像分割算法，对不同时相的影像进行多尺度分割，形成不同尺度的地理对象；(2)多尺度地理对象的特征提取与特征向量构建；(3)基于变化矢量法对不同时相多尺度地理对象特征向量进行变化检测，获得最终的变化检测的结果。

【技术特征摘要】

【专利技术属性】
技术研发人员：佃袁勇，姚崇怀，周志翔，黄春波，王娣，
申请(专利权)人：华中农业大学，
类型：发明
国别省市：湖北;42