本发明专利技术公开了一种基于慢特征分析的遥感影像变化检测方法，本发明专利技术将慢特征分析方法引入多时相遥感影像的变化检测中，慢特征分析方法充分考虑多时相遥感影像间的空间对应关系，并将针对连续信号分析的原始理论发展成基于离散数据集的变化检测算法。慢特征分析方法能提取多时相遥感影像数据集中的不变特征作为特征空间，在此特征空间中，多时相遥感影像间的光谱差异得到了抑制，真实变化得到了突出，从而可提高变化检测精度。同时，慢特征分析方法实现简单、运算速度很快。
【技术实现步骤摘要】
本专利技术属于遥感影像处理
，尤其涉及一种。
技术介绍
人类活动对地球表面环境造成了巨大影响，这种影响体现在环境变化、城市发展等各个方面。因此，实时精确地获取地球地表覆盖的变化情况对于环境监测和资源管理意义重大(Lu, D.，P.Mausel, E.Brondizio and E.Moran (2004). Change detectiontechniques. International Journal of Remote Sensing25(12):2365-2401.X变化检测是指通过对同一地区不同时间的地物分布情况进行观测来确定地表变化(Singh, A.(1989). Review Article Digital change detectiontechniques using remotely-sensed data. International Journal of RemoteSensinglO (6):989-1003.)。遥感影像能够长期提供较大范围的地表信息，在变化检测中有着重要的应用。目前遥感影像变化检测已经广泛应用于土地覆盖\土地利用监测、城市发展研究、生态系统变化监测和灾害监测等领域。如何快速准确地提取遥感影像中的变化区域是遥感影像研究的难点问题。虽然遥感影像可以以一定周期性覆盖同一区域，但是由于成像条件(太阳角度、传感器、大气条件、土壤湿度、物候差异)不同，造成同一地物在不同时期的遥感影像上显示出不同的亮度值，这种现象称为光谱差异。光谱差异是影响遥感影像变化检测精度的最主要问题之一。如何有效地消除光谱差异，充分利用遥感影像的多波段信息提取真实变化，是遥感影像变化检测亟需解决的难题。针对遥感影像变化检测问题，国内外学者提出了很多方法，包括影像代数法、分类后变化检测法、光谱混合分析法、物理特征提取法等。其中，影像变换法是研究最为深入、应用最为广泛的一种方法。影像变换法是将多波段遥感影像看作多维数据集，通过对多维数据进行投影的方法，将原始遥感影像投影到特征空间中，在特征空间中进行变化检测。影像变换法能够充分利用多波段遥感影像的光谱信息，通过数学原理寻找到最利于提取变化信息的特征空间，抑制噪声和光谱差异，提高变化检测精度。主成分分析变换算法、GS变换算法和多元变化检测变换算法是最主要的影像变换法。其中，主成分分析变换算法和GS变换算法由于只考虑了数据的统计分布性质，没有考虑变化检测问题的特性，因此效果并不能让人满意，大多只应用于预处理等步骤，不能直接获得地表覆盖变化信息。多兀变化检测算法由 Nielsen 提出(Nielsen, A.A.，K.Conradsen and J.J.Simpson(1998). Multivariate Alteration Detection(MAD)and MAF Postprocessing inMultispectral, Bitemporal Image Data:New Approaches to Change DetectionStudies. Remote Sensing of Environment 64 (I): 1-19.)，该算法基于数学统计学中的典型相关分析理论，针对两组数据之间的相关性进行分析，从而对两个数据集分别进行变换，得到变换特征。多元变化检测算法得到了广泛的研究，但是该算法没有考虑到同源遥感影像之间波段的对应关系，无法充分利用遥感影像的光谱信息。慢特征分析算法是一种从快速变化的输入信号中提取不变特征的非监督学习方法(Wiskott，L and T.J.Sejnowski (2002). Slow feature analysis:Unsupervisedlearning of invariances.!f Neural computationl4(4):715-770.)。石开究发现从影像序列中训练得到的慢特征函数与初级视觉皮层中的细胞种群有着定量上和定性上的一致性。慢特征分析已经在空间变换的不变物体识别、非线性盲信号分解和人类动作识别上得到了深入研究和应用。对于多时相遥感影像，变化像元存在着多种变化类型，因此变化像元的差异是多种多样的，而未变化像元的差异只包含由于外界条件变化所造成的光谱差异，情况比较单一。相比较突出变化信息，通过抑制未变化像元的光谱差异来提高变化检测精度更加有效和实际。因此，我们可以认为，在多时相遥感影像数据集上，时间维上的不变特征空间中，光谱差异得到了最大程度的抑制，变化像元得到了足够的突出。本文涉及如下参考文献:[I] L.Bruzzone and D.F.Prieto, !f Automatic analysis of the differenceimage for unsuperv ised change detection, IEEE Trans.Geosc1.RemoteSens.，vol.38，pp.1171-1182，May 2000.[2] A.A.Nielsen， The Regularized Iteratively Reweighted MAD Methodfor Change Detection in Mult1-and Hyperspectral Data, IEEE Trans.1mage Process.，vol.16，pp.463-478，Feb2007.[3] R.J.Radkej S.Andraj 0.Al-Kofahij and B.Roysamj Imagechange detection algorithms: a systematic survey, IEEE Trans.1mageProcess.，vol.14，pp.294-307，Mar 2005.[4] R.E.Kennedy, P.A.Townsend, J.E.Gross, W.B.Cohen, P.Bolstadj Y.Q.Wang, and P.Adams, Remote sensing change detection tools for natural resourcemanagers:Understanding concepts and tradeoffs in the design of landscapemonitoring projects， Remote Sens.Environ., vol.113,pp.1382-1396,Jul 2009.[5] T.Celikj Unsupervised Change Detection in Satellite Images UsingPrincipal Component Analysis and K-Means Clustering, IEEE Geosc1.Remote Sens.Lett.，vol.6，pp.772—776，Oct 2009.[6] F.Bovolo and L.Bruzzonej A Theoretical Framework for UnsupervisedChange Detection Based on Change Vector Analysis 本文档来自技高网...
【技术保护点】
基于慢特征分析的遥感影像变化检测方法，其特征在于：将多时相遥感影像X和Y分别读入大小为N×P的矩阵X和Y中，矩阵中各元素为各波段对应的像素辐射值，N为多时相遥感影像的波段数，P为多时相遥感影像的像素数，基于矩阵X和矩阵Y对多时相遥感影像X和Y进行如下操作：步骤1，获取多时相遥感影像X和Y各波段的像素辐射值均值和像素辐射值标准差；步骤2，根据各波段的像素辐射值均值和像素辐射值标准差标准化多时相遥感影像X和Y；步骤3，基于标准化的多时相遥感影像X和Y获取多时相遥感影像X和Y的差值影像的协方差矩阵A、以及多时相遥感影像X和Y的协方差矩阵的和矩阵B；步骤4，求解矩阵A相对矩阵B的广义特征值及广义特征值对应的特征向量，按照广义特征值大小对对应的特征向量进行排序，获得有序的特征向量矩阵，其中，将广义特征值从小到大排序，排序为j的广义特征值为第j个波段的广义特征值；步骤5，采用有序的特征向量矩阵，将标准化的多时相遥感影像X和Y投影到特征空间，并获得多时相遥感影像X和Y各波段的特征差值；步骤6，根据各波段的特征差值和广义特征值，获得各像素点的卡方距离，并根据像素点的卡方距离获得多时相遥感影像X和Y的变化检测结果。...
【技术特征摘要】
1.基于慢特征分析的遥感影像变化检测方法，其特征在于: 将多时相遥感影像X和Y分别读入大小为NXP的矩阵X和Y中，矩阵中各元素为各波段对应的像素辐射值，N为多时相遥感影像的波段数，P为多时相遥感影像的像素数，基于矩阵X和矩阵Y对多时相遥感影像X和Y进行如下操作: 步骤1，获取多时相遥感影像X和Y各波段的像素辐射值均值和像素辐射值标准差；步骤2，根据各波段的像素辐射值均值和像素辐射值标准差标准化多时相遥感影像X和Y; 步骤3，基于标准化的多时相遥感影像X和Y获取多时相遥感影像X和Y的差值影像的协方差矩阵A、以及多时相遥感影像X和Y的协方差矩阵的和矩阵B ； 步骤4，求解矩阵A相对矩阵B的广义特征值及广义特征值对应的特征向量，按照广义特征值大小对对应的特征向量进行排序，获得有序的特征向量矩阵，其中，将广义特征值从小到大排序，排序为j的广义特征值为第j个波段的广义特征值； 步骤5，采用有序的特征向量矩阵，将标准化的多时相遥感影像X和Y投影到特征空间，并获得多时相遥感影像X和Y各波段的特征差值； 步骤6，根据各波段的特征差值和广义特征值，获得各像素点的卡方距离，并根据像素点的卡方距离获得多时相遥感影像X和Y的变化检测结果。2.如权利要求1所述的基于慢特征分析的遥感影像变化检测方法，其特征在于: 步骤2具体为: 采用公式' <img/标准化多时相遥感影像，其中，是多时相遥感影像第i个像素第j个波段的标准化像素辐射值；<+是多时相遥感影像第i个像素第j个波段的像素辐射值是多时相遥感影像第j个波段的像素辐射值均值；crX,是多时相遥感影像第j个波段的像素辐射值标准差。3.如权利要求1所述的基于慢特征分析的遥感影像变化检测方法，其特征在于: 步骤3中所述多时相遥感影像X和Y的差值影像的协方差矩阵A为: 4.如权利要求1所述的基于慢特征分析的遥感影像变化检测方法，其特征在于:步骤5具体为: 将有序的特征向量矩阵分别与标准化多时相遥感影像X和Y相乘，并将相乘后所得矩阵各对应元素分别相减，得到多时相遥感影像X和Y的特征差值影像。5.如权利要求1所述的基于慢特征分析的遥感影像变化检测方法，其特征在于: 所述的像素点的卡方距离 6.如权利要求1所述的基于慢特征分析的遥感影像变化检测方法，其特征在于: 所述的根据像素点的卡方距离获得多时相遥感影像X和Y的变化检测结果，具体为:判断像素点...
【专利技术属性】
技术研发人员：武辰，杜博，张良培，
申请(专利权)人：武汉大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。