[发明专利]一种高分辨率遥感图像的变化检测方法

说明书

技术领域

本发明涉及遥感图像处理、多尺度分析、模式识别和机器学习等技术领域，特别是一种基于尺度传播和渐进直推式支持向量机的高分辨率遥感图像变化检测方法。

背景技术

遥感图像变化检测通过分析已配准的、同一场景的不同时相的高分辨率遥感图像自动检测出发生变化的区域，可以广泛应用在目标监测、灾害监测等军事和民用领域。遥感图像变化检测不仅有着很强的应用需求驱动，而且还具有重要的战略意义。由于变化检测技术的重要性，遥感图像变化检测技术已经受到世界各国的高度重视。新一代高分辨率遥感卫星的发射成功使得变化检测可以在更小的尺度上进行，因此基于高分辨率遥感图像的变化检测受到了更加广泛的关注。

然而，由于高分辨率遥感图像的复杂性，传统的变化检测方法无法直接应用到高分辨率遥感图像的变化检测。目前，高分辨率遥感图像的变化检测方法研究的还很不成熟，远远不能满足实际的需要，主要表现在目前的变化检测大都靠手工标定，费时费力，通用性和自动化程度差。实际上，只有5-10％的数据得到了有效利用，高分辨率遥感图像的变化检测的精度大都在85％左右，变化检测技术极大的限制了高分辨率遥感图像的广泛应用。在这样的背景下，高分辨率遥感图像的变化检测仍然是一个亟待解决的难题。

发明内容

本发明的目的是针对高分辨率遥感图像变化检测的难点和现有变化检测方法的缺点，提供一种快速有效的高分辨率遥感图像变化检测方法。

为了实现上述目的，本发明基于尺度传播和渐进直推式支持向量机的高分辨率遥感图像变化检测方法包括步骤：

步骤S1：利用小波变换分别对已配准多时相遥感图像中两幅图像的每个波段进行多尺度分解，提取每一个尺度上的变化特征，计算并得到多尺度多时相变化特征；

步骤S2：在最低尺度上，从多时相图像中提取显著区域，提取最低尺度下的变化特征训练样本，利用局部特征和渐进直推式支持向量机对最低尺度上的变化检测特征进行分类，得到最低尺度上的变化检测结果；

步骤S3：采用“由粗到精、逐层加细”的策略对最低尺度的变化检测结果进行逐层加细，根据当前尺度的分类结果计算可靠区域和不可靠区域，对可靠区域的结果传播到上一尺度，不可靠区域结果利用渐进直推式支持向量机和多尺度变化特征重新分类，重复上述步骤直到最高尺度，输出变化检测结果。

其中，每一尺度的每个像素的变化特征由多时相变化向量和变化幅度两部分组成，多时相变化向量由两幅图像的在每个波段的小波低频系数组成，变化幅度由两幅图像的在每个波段的小波低频系数根据变化向量分析法计算得到。

其中，某一尺度的多尺度多时相变化特征由该尺度的变化特征和所有更低尺度的变化幅度图像经插值后的变化特征组成。

其中，得到最低尺度上的变化检测结果的步骤包括如下：

步骤S21：在最低尺度上对多时相图像分别采用基于Hessian矩阵的仿射不变的区域提取算子提取显著区域，所有显著区域的并集作为训练样本区域；对于在最低尺度上的多时相图像的每一个训练样本区域，采用尺度不变特征变换特征描述子进行描述；计算每对训练样本区域的尺度不变特征变换特征描述子的相关系数，并对相关系数进行升序排序，相关系数最小的20％训练区域作为变化类的训练区域，相关系数最大的20％训练区域作为非变化类的训练区域；

步骤S22：在最低尺度下，将变化类训练区域对应的变化特征组成正样本，将非变化类训练区域对应的变化特征组成负样本；

步骤S23：利用渐进直推式支持向量机对训练样本进行训练；

步骤S24：根据渐进直推式支持向量机计算的模型对最低尺度变化特征进行分类，得到最低尺度下的变化检测结果。

其中，对最低尺度的变化检测结果逐层加细的步骤如下：

步骤S31：根据当前尺度的分类结果计算可靠区域和不可靠区域，分类结果可靠性由当前尺度的变化特征的分类结果决定，具体计算时，通过定义不可靠像素带来描述不可靠的像素的集合，首先对某一尺度的变化结果图像求出变化区域和非变化区域的边缘，以边缘上的像素点为中心、与边缘平行、宽度为d的带状区域内的像素点为不可靠像素，可靠像素定义为不可靠像素带外的区域；

步骤S32：对可靠区域的结果传播到上一尺度；不可靠区域结果利用渐进直推式支持向量机和多尺度变化特征重新分类；

步骤S33：不断重复上述两个步骤，直到最高尺度。

其中，所述“由粗到精、逐层加细”策略是对可靠区域的结果进行尺度传播，对不可靠区域结果进行加细。