[发明专利]基于Semi-NMF的遥感图像变化检测方法

说明书

技术领域

本发明属于数字图像处理技术领域，主要涉及多时相遥感图像变化检测研究方向，具体地说是基于Semi-NMF(Semi-Nonnegative Matrix Factorization，半非负矩阵分解)的遥感图像变化检测方法，处理对象同时包含了多时相光学遥感图像和合成孔径雷达(Synthetic Aperture Radar，SAR)图像。该方法可应用于对地观测的诸多实际问题。

背景技术

近年来,随着航天技术、传感器技术、计算机技术及相关学科的迅猛发展,遥感技术亦得以不断进步，各种搭载光学和SAR传感器的遥感平台(如飞机或卫星等)相继运行，可大面积、迅速、动态地进行对地观测，获取宽幅、多时相的遥感图像，为地物感知和检测提供有效数据源。受制于人类活动加剧以及自然灾害频发，利用不同时间所获取的同一地区遥感图像进行地表变化检测一直是遥感应用研究的热点,并且已经广泛地应用于国民经济和国防建设的诸多方面，譬如土地利用、环境监测、森林资源调查、城市规划、灾情评估等。

多时相遥感图像变化检测是指通过对同一区域、不同时期获取的两幅或多幅遥感图像进行比较分析，进而根据图像之间差异来获取所感兴趣地物、场景或目标的变化信息，主要包括三个基本步骤：1)图像预处理；2)变化信息检测提取；3)后处理及性能评估。本发明主要是针对第2步变化信息检测提取的创新工作。

截至目前，国内外学者提出了很多有效的变化检测方法，概括起来可分为有监督变化检测和无监督变化检测。其中，有监督变化检测需要事先获得关于地面真实类别的样本进行训练，但在大多数情况下，关于地面的真实情况是难以或无法获取的，在很大程度上制约了其在实际中的应用。而无监督变化检测则是针对不同时期的图像直接进行比较分析，不需要其它信息，相对简单、直观，因此得到了广泛研究和应用。其大致分为：(1)基于分布模型差异的多时相遥感图像变化检测；(2)基于差异图像分析的多时相遥感图像变化检测；以及(3)基于马尔科夫融合的多时相遥感图像变化检测。特别是对第二类算法的研究最为普遍，核心思想是将变化检测问题视为图像的二元分类/分割问题，又可细分为聚类分析、智能优化、阈值分割、有限混合模型、马尔科夫随机场、主动轮廓和水平集等策略,涉及图像处理、模式识别与机器视觉领域的许多基本理论和方法。其中，聚类分析由其简单、有效而受到普遍认可。

T.Celik在文献[T.Celik,“Unsupervised change detection in satellite images using principal component analysis and K-means clustering,”IEEE Geoscience and Remote Sensing Letters,vol.6,no.4,pp.772-776,2009.]中最早提出聚类分析的遥感图像变化检测方法。在此基础上，申请人通过低阶次分数阶Fourier变换产生噪声抑制的差异图像，以降低噪声对检测性能的影响。两者均使用最简单的硬聚类算法(即K-means聚类)实现差异图像特征聚类，产生对应的变化类和不变化类，但限于K-means聚类算法的局限性，难以获得比较好的检测结果。后续，A.Ghosh等[A.Ghosh,N.S.Mishra,and S.Ghosh,“Fuzzy clustering algorithms for unsupervised change detection in remote sensing images”,Information Sciences,vol.181,no.4,pp.699-715,2011.]以及M.Volpi等[M.Volpi,D.Tuia,G.Camps-Valls,and M.Kanevski,“Unsupervised change detection with kernels,”IEEE Geoscience and Remote Sensing Letters,vol.9,no.6,pp.1026-1030,2012]等分别采用模糊C均值聚类(Fuzzy C-means)、Gustafson-Kesse模糊聚类和核K-means聚类算法进行多时相遥感图像变化检测，在一定程度上提高了检测性能，但仍具有较高的错误检测概率，特别是针对高分辨率的遥感图像。因此，有必要发明一种简单且能获得更好检测效果的多时相遥感图像变化检测方法，以提高遥感图像变化检测在实际中的应用价值。

发明内容