[发明专利]一种基于CVA和样本选择的遥感影像变化检测方法

说明书

技术领域

本发明涉及遥感科学与技术领域，具体设计一种基于CVA(Change Vector Analysis，变化向量分析)和样本选择的遥感影像变化检测方法。

背景技术

由于高分辨率遥感影像的应用增多，能够发挥其优势的对象级变化检测逐步取代像素级变化检测成为主流的变化检测技术。对象为匀质性一致的像元集合，又可以称为像斑。像斑包含多维特征，基于差值法或比值法的变化检测方法，采用单一的特征进行变化检测，无法完整表达像斑的信息。

非监督变化检测能够用来快速检测变化区域，实现多时相遥感影像非监督变化检测的关键是自动确定用于分割“变化”与“未变化”区域的变化阈值。Bruzzone等提出了基于最大期望Expectation Maximization(EM)算法的贝叶斯阈值确定方法，得到了广泛的应用。该方法通过EM算法估计变化类样本和未变化类样本的分布模型参数，然后根据贝叶斯最小误差率理论得到变化阈值。该方法虽然能获取较准确的变化阈值，但其要求试验区域内变化区域与未变化区域的面积之比较高。然而地理国情监测覆盖的地理范围较大，需要使用大幅面的遥感影像，当两个时相遥感影像采集时间间隔较短时，检测区域内变化区域与未变化区域的面积之比很小。直接采用基于EM算法的贝叶斯阈值确定方法无法获取准确的变化阈值。

发明内容

本发明旨在至少解决上述技术问题之一。

为此，本发明的一个目的在于提出一种基于CVA和样本选择的遥感影像变化检测方法。

为了实现上述目的，本发明的实施例公开了一种基于CVA和样本选择的遥感影像变化检测方法，包括一下步骤：S1：对需要进行变化检测的同一区域的2幅不同时相的遥感影像进行配准；S2：对配准后遥感影像进行多尺度分割，得到像斑；S3：将全部像斑进行基于CVA的特征融合生成每个像斑的像斑差异度，并得到差异影像；S4：将所述差异影像进行格网分块得到多个差异影像块，计算出每个差异影像块的标准差；S5：按照所有差异影像块的标准差的差异程度从大到小的排序生成排序曲线，提取所述排序曲线中曲线斜率变化最大位置处的差异影像块及斜率变化最大位置前一的差异影像块分别作为第一差异影像块和第二差异影像块；S6：将所述第一差异影像块的差异度和所述第二差异影像块的差异度作为训练样本，将所述训练样本通过基于EM算法的贝叶斯阈值确定方法获取变化阈值，利用所述变化阈值对所述差异影像进行二值分割，获得变化检测结果；以及S7：输出所述检测结果。

根据本发明实施例的基于CVA和样本选择的遥感影像变化检测方法，能够有效融合影像对象的多维特征，发挥不同影像对象特征在变化检测中的能力，提高变化检测算法的可靠性和适用范围；能够准确获取变化区域与未变化区域面积比例较小的大幅面检测区域的变化阈值，避免变化阈值计算错误导致变化检测失败，使得变化检测算法稳定性增强。

另外，根据本发明上述实施例的基于CVA和样本选择的遥感影像变化检测方法，还可以具有如下附加的技术特征：

进一步地，在步骤S1中，采用小面元微分纠正方法进行配准。

进一步地，在步骤S2中，采用分形网络演化算法进行所述多尺度分割。

进一步地，当整幅影像的尺寸超过10000像素×10000像素时，采用2048像素×2048像素的分块进行所述网格分块。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明一个实施例的基于CVA和样本选择的遥感影像变化检测方法的流程图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。

参照下面的描述和附图，将清楚本发明的实施例的这些和其他方面。在这些描述和附图中，具体公开了本发明的实施例中的一些特定实施方式，来表示实施本发明的实施例的原理的一些方式，但是应当理解，本发明的实施例的范围不受此限制。相反，本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。