基于慢特征分析的遙感影像變化檢測方法
【專利摘要】本發(fā)明公開了一種基于慢特征分析的遙感影像變化檢測方法，本發(fā)明將慢特征分析方法引入多時相遙感影像的變化檢測中，慢特征分析方法充分考慮多時相遙感影像間的空間對應關系，并將針對連續(xù)信號分析的原始理論發(fā)展成基于離散數(shù)據集的變化檢測算法。慢特征分析方法能提取多時相遙感影像數(shù)據集中的不變特征作為特征空間，在此特征空間中，多時相遙感影像間的光譜差異得到了抑制，真實變化得到了突出，從而可提高變化檢測精度。同時，慢特征分析方法實現(xiàn)簡單、運算速度很快。
【專利說明】基于慢特征分析的遙感影像變化檢測方法
【技術領域】
[0001]本發(fā)明屬于遙感影像處理【技術領域】，尤其涉及一種基于慢特征分析的遙感影像變化檢測方法。
【背景技術】
[0002]人類活動對地球表面環(huán)境造成了巨大影響，這種影響體現(xiàn)在環(huán)境變化、城市發(fā)展等各個方面。因此，實時精確地獲取地球地表覆蓋的變化情況對于環(huán)境監(jiān)測和資源管理意義重大(Lu, D.，P.Mausel, E.Brondizio and E.Moran (2004)." Change detectiontechniques." International Journal of Remote Sensing25(12):2365-2401.X
[0003]變化檢測是指通過對同一地區(qū)不同時間的地物分布情況進行觀測來確定地表變化(Singh, A.(1989)." Review Article Digital change detectiontechniques using remotely-sensed data." International Journal of RemoteSensinglO (6):989-1003.)。遙感影像能夠長期提供較大范圍的地表信息，在變化檢測中有著重要的應用。目前遙感影像變化檢測已經廣泛應用于土地覆蓋\土地利用監(jiān)測、城市發(fā)展研究、生態(tài)系統(tǒng)變化監(jiān)測和災害監(jiān)測等領域。如何快速準確地提取遙感影像中的變化區(qū)域是遙感影像研究的難點問題。
[0004]雖然遙感影像可以以一定周期性覆蓋同一區(qū)域，但是由于成像條件(太陽角度、傳感器、大氣條件、土壤濕度、物候差異)不同，造成同一地物在不同時期的遙感影像上顯示出不同的亮度值，這種現(xiàn)象稱為光譜差異。光譜差異是影響遙感影像變化檢測精度的最主要問題之一。如何有效地消除光譜差異，充分利用遙感影像的多波段信息提取真實變化，是遙感影像變化檢測亟需解決的難題。
[0005]針對遙感影像變化檢測問題，國內外學者提出了很多方法，包括影像代數(shù)法、分類后變化檢測法、光譜混合分析法、物理特征提取法等。其中，影像變換法是研究最為深入、應用最為廣泛的一種方法。影像變換法是將多波段遙感影像看作多維數(shù)據集，通過對多維數(shù)據進行投影的方法，將原始遙感影像投影到特征空間中，在特征空間中進行變化檢測。影像變換法能夠充分利用多波段遙感影像的光譜信息，通過數(shù)學原理尋找到最利于提取變化信息的特征空間，抑制噪聲和光譜差異，提高變化檢測精度。主成分分析變換算法、GS變換算法和多元變化檢測變換算法是最主要的影像變換法。其中，主成分分析變換算法和GS變換算法由于只考慮了數(shù)據的統(tǒng)計分布性質，沒有考慮變化檢測問題的特性，因此效果并不能讓人滿意，大多只應用于預處理等步驟，不能直接獲得地表覆蓋變化信息。多兀變化檢測算法由 Nielsen 提出(Nielsen, A.A.，K.Conradsen and J.J.Simpson(1998)." Multivariate Alteration Detection(MAD)and MAF Postprocessing inMultispectral, Bitemporal Image Data:New Approaches to Change DetectionStudies." Remote Sensing of Environment 64 (I): 1-19.)，該算法基于數(shù)學統(tǒng)計學中的典型相關分析理論，針對兩組數(shù)據之間的相關性進行分析，從而對兩個數(shù)據集分別進行變換，得到變換特征。多元變化檢測算法得到了廣泛的研究，但是該算法沒有考慮到同源遙感影像之間波段的對應關系，無法充分利用遙感影像的光譜信息。
[0006]慢特征分析算法是一種從快速變化的輸入信號中提取不變特征的非監(jiān)督學習方法(Wiskott，L and T.J.Sejnowski (2002)." Slow feature analysis:Unsupervisedlearning of invariances.!f Neural computationl4(4):715-770.)。石開究發(fā)現(xiàn)從影像序列中訓練得到的慢特征函數(shù)與初級視覺皮層中的細胞種群有著定量上和定性上的一致性。慢特征分析已經在空間變換的不變物體識別、非線性盲信號分解和人類動作識別上得到了深入研究和應用。對于多時相遙感影像，變化像元存在著多種變化類型，因此變化像元的差異是多種多樣的，而未變化像元的差異只包含由于外界條件變化所造成的光譜差異，情況比較單一。相比較突出變化信息，通過抑制未變化像元的光譜差異來提高變化檢測精度更加有效和實際。因此，我們可以認為，在多時相遙感影像數(shù)據集上，時間維上的不變特征空間中，光譜差異得到了最大程度的抑制，變化像元得到了足夠的突出。
[0007]本文涉及如下參考文獻:
[0008][I] L.Bruzzone and D.F.Prieto, !f Automatic analysis of the differenceimage for unsuperv ised change detection, " IEEE Trans.Geosc1.RemoteSens.，vol.38，pp.1171-1182，May 2000.[0009][2] A.A.Nielsen，" The Regularized Iteratively Reweighted MAD Methodfor Change Detection in Mult1-and Hyperspectral Data, " IEEE Trans.1mage Process.，vol.16，pp.463-478，F(xiàn)eb2007.[0010][3] R.J.Radkej S.Andraj 0.Al-Kofahij and B.Roysamj " Imagechange detection algorithms: a systematic survey, " IEEE Trans.1mageProcess.，vol.14，pp.294-307，Mar 2005.[0011][4] R.E.Kennedy, P.A.Townsend, J.E.Gross, W.B.Cohen, P.Bolstadj Y.Q.Wang, and P.Adams, " Remote sensing change detection tools for natural resourcemanagers:Understanding concepts and tradeoffs in the design of landscapemonitoring projects，" Remote Sens.Environ., vol.113,pp.1382-1396,Jul 2009.[0012][5] T.Celikj " Unsupervised Change Detection in Satellite Images UsingPrincipal Component Analysis and K-Means Clustering, " IEEE Geosc1.Remote Sens.Lett.，vol.6，pp.772—776，Oct 2009.[0013][6] F.Bovolo and L.Bruzzonej " A Theoretical Framework for UnsupervisedChange Detection Based on Change Vector Analysis in the Polar Domain, " IEEETrans.Geosc1.Remote Sens., vol.45, pp.218-236, Jan 2007.[0014][7] P.Coppinj 1.Jonckheerej K.Nackaertsj B.Muysj and E.Lambinj " Digitalchange detection methods in ecosystem monitoring:a review, " Int.J.RemoteSens.，vol.25，pp.1565-1596，May 2004.
【發(fā)明內容】

[0015]針對現(xiàn)有技術存在的不足，本發(fā)明提供了一種精度1?、運算快、效率1?的基于慢特征分析的遙感影像變化檢測方法。
[0016]為解決上述技術問題，本發(fā)明釆用如下的技術方案:[0017]一種基于慢特征分析的遙感影像變化檢測方法，該方法將多時相遙感影像X和Y分別讀入大小為NXP的矩陣X和Y中，矩陣中各元素為各波段對應的像素輻射值，N為多時相遙感影像的波段數(shù)，P為多時相遙感影像的像素數(shù)，基于矩陣X和矩陣Y對多時相遙感影像X和Y進行如下操作:
[0018]步驟1，獲取多時相遙感影像X和Y各波段的像素輻射值均值和像素輻射值標準差;
[0019]步驟2，根據各波段的像素輻射值均值和像素輻射值標準差標準化多時相遙感影像X和Y ;
[0020]步驟3，基于標準化多時相遙感影像X和Y獲取多時相遙感影像X和Y的差值影像的協(xié)方差矩陣A、以及多時相遙感影像X和Y的協(xié)方差矩陣的和矩陣B ；
[0021]步驟4，求解矩陣A相對矩陣B的廣義特征值及廣義特征值對應的特征向量，按照廣義特征值大小對對應的特征向量進行排序，獲得有序的特征向量矩陣，其中，將廣義特征值從小到大排序，排序為j的廣義特征值為第j個波段的廣義特征值；
[0022]步驟5，采用有序的特征向量矩陣，將標準化多時相遙感影像X和Y投影到特征空間，并獲得多時相遙感影像X和Y各波段的特征差值；
[0023]步驟6，根據各波 段的特征差值和廣義特征值，獲得各像素點的卡方距離，并根據像素點的卡方距離獲得多時相遙感影像X和Y的變化檢測結果。
[0024]，步驟2具體為:
[0025]采用公式
【權利要求】
1.基于慢特征分析的遙感影像變化檢測方法，其特征在于: 將多時相遙感影像X和Y分別讀入大小為NXP的矩陣X和Y中，矩陣中各元素為各波段對應的像素輻射值，N為多時相遙感影像的波段數(shù)，P為多時相遙感影像的像素數(shù)，基于矩陣X和矩陣Y對多時相遙感影像X和Y進行如下操作: 步驟1，獲取多時相遙感影像X和Y各波段的像素輻射值均值和像素輻射值標準差；步驟2，根據各波段的像素輻射值均值和像素輻射值標準差標準化多時相遙感影像X和Y; 步驟3，基于標準化的多時相遙感影像X和Y獲取多時相遙感影像X和Y的差值影像的協(xié)方差矩陣A、以及多時相遙感影像X和Y的協(xié)方差矩陣的和矩陣B ； 步驟4，求解矩陣A相對矩陣B的廣義特征值及廣義特征值對應的特征向量，按照廣義特征值大小對對應的特征向量進行排序，獲得有序的特征向量矩陣，其中，將廣義特征值從小到大排序，排序為j的廣義特征值為第j個波段的廣義特征值； 步驟5，采用有序的特征向量矩陣，將標準化的多時相遙感影像X和Y投影到特征空間，并獲得多時相遙感影像X和Y各波段的特征差值； 步驟6，根據各波段的特征差值和廣義特征值，獲得各像素點的卡方距離，并根據像素點的卡方距離獲得多時相遙感影像X和Y的變化檢測結果。
2.如權利要求1所述的基于慢特征分析的遙感影像變化檢測方法，其特征在于: 步驟2具體為:

采用公式' <img/標準化多時相遙感影像，其中，是多時相遙感影像第i個像素第j個波段的標準化像素輻射值；<+是多時相遙感影像第i個像素第j個波段的像素輻射值是多時相遙感影像第j個波段的像素輻射值均值；crX,是多時相遙感影像第j個波段的像素輻射值標準差。
3.如權利要求1所述的基于慢特征分析的遙感影像變化檢測方法，其特征在于: 步驟3中所述多時相遙感影像X和Y的差值影像的協(xié)方差矩陣A為:
4.如權利要求1所述的基于慢特征分析的遙感影像變化檢測方法，其特征在于:步驟5具體為: 將有序的特征向量矩陣分別與標準化多時相遙感影像X和Y相乘，并將相乘后所得矩陣各對應元素分別相減，得到多時相遙感影像X和Y的特征差值影像。
5.如權利要求1所述的基于慢特征分析的遙感影像變化檢測方法，其特征在于:

所述的像素點的卡方距離
6.如權利要求1所述的基于慢特征分析的遙感影像變化檢測方法，其特征在于: 所述的根據像素點的卡方距離獲得多時相遙感影像X和Y的變化檢測結果，具體為:判斷像素點的卡方距離與閾值的大小，卡方距離不小于閾值的像素點為變化像素點，賦值I ;卡方距離小于閾值的像素點為未變化像素點，賦值O ;基于像素點賦值分割多時相遙感影像X和Y并獲得二值影像，即為多時相遙感影像X和Y的變化檢測結果。
7.基于慢特征分析的遙感影像變化檢測方法，其特征在于，包括步驟: 步驟1，以單位矩陣初始化像素權值矩陣； 步驟2，基于當前像素權值矩陣，獲取多時相遙感影像X和Y各波段的像素輻射值的加權平均值和加權標準差；` 步驟3，根據各波段像素輻射值的加權平均值和加權標準差標準化多時相遙感影像X和Y; 步驟4，基于標準化的多時相遙感影像X和Y，并引入當前像素權值矩陣獲取多時相遙感影像X和Y的差值影像的協(xié)方差矩陣A、以及多時相遙感影像X和Y的協(xié)方差矩陣的和矩陣B ; 步驟5，求解矩陣A相對矩陣B的廣義特征值及廣義特征值對應的特征向量，按照廣義特征值大小對對應的特征向量進行排序，獲得有序的特征向量矩陣，其中，將廣義特征值從小到大排序，排序為j的廣義特征值為第j個波段的廣義特征值； 步驟6，采用有序的特征向量矩陣，將標準化的多時相遙感影像X和Y投影到特征空間，并獲得多時相遙感影像X和Y各波段的特征差值； 步驟7，根據各波段的特征差值和廣義特征值，獲得各像素點的卡方距離，并基于像素點的卡方距離和卡方分布更新像素點的權值，從而獲得更新后的像素權值矩陣，以更新后的像素權值矩陣為當前像素權值矩陣； 步驟8，判斷本次迭代和上次迭代各波段的特征差值的最大差值，若最大差值大于設定閾值或者本次迭代為首次迭代，重新執(zhí)行步驟(2)~(7);若最大差值小于設定閾值，執(zhí)行步驟(9);所述的各波段的特征差值的最大差值為:針對各波段，分別求取各波段在本次迭代和上次迭代中對應的特征差值的差值，所獲的差值的最大值即為各波段的特征差值的最大差值; 步驟9，根據像素點的卡方距離獲得多時相遙感影像X和Y的變化檢測結果。
8.如權利要求6所述的基于慢特征分析的遙感影像變化檢測方法，其特征在于: 步驟4中所述的多時相遙感影像X和Y的差值影像的協(xié)方差矩陣A為:
9.如權利要求6所述的基于慢特征分析的遙感影像變化檢測方法，其特征在于: 步驟7中所述的基于像素點的卡方距離和卡方分布更新像素點的權值，具體為:遍歷多時相遙感影像X和Y，計算以波段數(shù)N為參數(shù)的卡方分布中，各像素點大于其卡方距離的概率，并將概率作為權值賦給對應的像素點。
【文檔編號】G06K9/46GK103632155SQ201310689353
【公開日】2014年3月12日 申請日期:2013年12月16日 優(yōu)先權日:2013年12月16日
【發(fā)明者】武辰, 杜博, 張良培 申請人:武漢大學