[发明专利]一种基于时空谱特征的光学遥感图像变化检测方法

说明书

本发明的一种基于时空谱特征的光学遥感图像变化检测方法，属于光学遥感图像处理技术领域，方法包括首先利用CCDC算法得到变化点与不变点的第一个掩膜；再利用时间序列拟合曲线对每个像素点进行判断，筛选出变化点和不变点得到第二个掩膜；将两个掩膜取交集，得到可信度高的训练样本点；从时间序列遥感影像数据集中提取特征，构建堆叠特征矩阵；之后利用机器学习对选取的训练样本进行训练，得到分类模型，再对所有像素点进行预测，得到最终的变化检测结果。本发明引入了光谱特征、纹理特征和统计特征来进行变化检测，该算法能够自动生成训练样本标签，有效利用了像素间的空间信息，有助于提高遥感变化检测的准确性。

技术领域

本发明涉及遥感图像处理技术领域，具体是一种基于时空谱特征的光学遥感图像变化检测方法。

背景技术

用于变化检测的方法可以分为两类，即双时相变化检测和时间序列变化检测。双时相变化检测法仅使用两张图像，这些图像必须清晰(即没有云层和云阴影)，并在一年中几乎同一时间收集。这种方法实施起来相对简单，但并不总是适用，因为收集理想的两个图像可能要花费数年，尤其是在阴天和雨天的地区，相反，时间序列变化检测利用所有可用图像进行变化检测，即使图像的一部分被云和阴影覆盖。它对输入数据的要求要少得多，并且可以提供有关地表变化的更全面的信息。时间序列方法可能需要大量的存储和计算成本。

引用申请号为CN201910789051.X的发明公开的一种适用于多源异构遥感数据的目标库生成系统，包括：典型目标检索功能模块：采用基于深度学习的对象级目标检测方法对标准产品数据进行对象级目标检测，得到对象级目标的标注文件；高级产品生产功能模块：根据对象级目标的标注文件对与其对应的标准产品数据进行图像处理操作，得到包含对象级目标的对象级高级产品；样本库生产功能模块：采用基于深度学习的目标级目标检测方法识别对象级高级产品中的目标级目标，得到目标级高级产品。该发明通过对遥感影像的数据挖掘和图像处理，实现典型目标检索、高级产品生产以及样本库生产等功能，极大提升了海量遥感数据的典型目标检索速度，并实现了高级产品的自动化生产。

但是上述专利在制作训练样本数据集时，需要人工手动进行制作、解释，使上述变更检测方法在应用程序中效率较低；并且上述专利在检测的过程中并未考虑到像素间的空间信息和相互关联，使准确性无法提高。

发明内容

本发明的目的在于提供一种基于时空谱特征的光学遥感图像变化检测方法，以解决现有技术中无法自动制作训练样本数据集以及在检测的过程中未考虑到像素间的空间信息和相互关联的技术问题。

本发明的技术方案是：所述方法包括如下步骤：

步骤1：从时间序列遥感影像数据集中提取光谱特征、纹理特征和统计特征；

步骤2：将步骤1所提取的所有特征堆叠以构建一个高维的堆叠特征矩阵，该堆叠特征矩阵由遥感图像的归一化时空光谱信息组成；

步骤3：利用CCDC算法得到变化点与不变点的第一个掩膜；

步骤4：利用公式对所有像素点的时间序列利用OLS(最小二乘法)进行拟合，利用时间序列模型计算出的残差进行阈值运算生成变化点与不变点的第二个掩膜；

步骤5：将步骤3和步骤4中的两个掩膜取交集，得到可信度高的训练样本；

步骤6：把这些训练样本的特征投入到SVM分类器中进行分类，得到训练模型；

步骤7：根据训练模型再利用SVM对所有像素点进行预测，得到最终的变化检测结果。

作为本技术方案的进一步优化，提取遥感图像的波段信息作为光谱特征，所述光谱特征包括但不限于以下波段：Blue(蓝),Green(绿),Red(红),NIR(近红外),SWIR1(短波红外1)、SWIR2(短波红外2)和TIR(热红外)