[发明专利]一种基于多特征融合的面向对象的建筑物变化检测方法

摘要

本发明公开了一种基于多特征融合的面向对象的建筑物变化检测方法，首先求得图像像素点的形态学建筑指数（MBI），纹理特征和慢特征分析图（SFA）；利用MBI指数和纹理特征进行FNEA分割；然后求出每个对象的三个特征值，再作差，并利用K均值聚类算法求阈值，得到特征变化图；再利用AC指数进行后处理；利用熵值法对不同的特征变化图求权重，按照权重设定阈值求得变化图像；最后利用投票法进行后处理。得到变化检测结果。本发明利用MBI，SFA和纹理特征来进行建筑物的变化检测；把MBI和纹理特征值加入到FNEA分割中；提出AC指数和投票法进行后处理。本发明可为高分辨率遥感图像应用与土地覆盖和城市扩张提供一种新途径。

主权项

一种基于多特征融合的面向对象的建筑物变化检测方法，其特征在于，主要包括以下步骤：步骤1：对所选区域的两幅不同时相的高分辨率遥感图像A和B进行预处理，主要包括几何纠正、辐射纠正、几何配准和图像裁剪；步骤2：计算A和B两幅图像的每个像素点的形态学建筑指数MBI、固定窗口的纹理特征和慢特征分析SFA，得到图像A和B的MBI特征图像、纹理特征图像和SFA特征图像；步骤3：选取步骤1中的一幅图像采用基于改进的FNEA多尺度分割方法进行分割，得到一幅多尺度分割图像，并利用步骤2的计算结果来改进上述改进的FNEA多尺度分割方法进行分割，分割的结果是得到一个个对象；并由分割的结果得到每个对象对应像素点的坐标或索引，称为索引矩阵；然后按照此索引矩阵对步骤1中的另一幅图像进行分割，分割的结果使两幅图像具有同样大小的对象；所述的基于改进的FNEA多尺度分割方法，其具体实现过程为：从一个像元起步，先将单像元合并为较小的对象，然后把具有异质性最小的较小对象合并成较大的对象，这样不断合并，直到判断条件不成立，合并操作就终止，最终分割的结果中所有图像对象的平均异质性最小；在判断两相邻对象是否能够合并时，用总异质性值和先前设定好的尺度阈值进行比较，如果小于尺度阈值就合并，否则就结束合并操作；总的异质性h计算公式为：h＝wspectral*hspectral+wshape*hshape+wMBI*hMBI+wtexture*htexture；其中，wspectral,wshape,wMBI,wtexture分别为光谱异质性hspectral、形状异质性hshape、MBI异质性hMBI和纹理异质性htexture对应的权重；MBI异质性和纹理异质性的计算方法和光谱异质性的计算方法原理相同，即计算每一波段的标准差与该波段权重的乘积，再把各个波段的值进行累加；步骤4：因步骤2中得到的MBI特征图像、纹理特征图像和SFA特征图像具有尺度不统一的特点，故采用单位标准差归一化方法对不同的特征图像进行特征优化；步骤5：对步骤4归一化后的结果，求每个对象的特征均值，以得到各个对象的特征图像；步骤6：对每个对象求其在不同时相的特征图像的差值，利用k均值聚类算法对三幅不同的差值图像求其阈值，使其阈值自动化，以此得到三幅不同特征的变化图像；步骤7：对步骤6中得到的三幅不同特征的变化图像进行AC指数后处理；其中，AC＝a*(area)/circle；circle是对每一个检测为变化的对象进行圆形拟合，该圆形包含了该对象的所有被检测为变化建筑物的像素以及部分未变化的像素，area为圆形中该对象所有被检测为变化建筑物的像素，a是用来调整该比值的大小；步骤8：利用熵值法，对步骤7中得到的三幅不同特征的变化图像加不同的权重，再设定阈值，以得到变化检测结果；步骤9：利用基于投票法的多尺度融合方法对变化检测的结果进行处理，以得到更高的检测精度；步骤10：对步骤9得到的结果进行精度评定。