一种无监督的异质遥感图像变化检测方法技术

一种无监督的异质遥感图像变化检测方法。本发明专利技术公开了一种将事件前图像中的像素点预分类，并将预分类结果映射到事件后图像中，得到事件后图像中每个像素点的预分类结果；找出事件后图像预分类结果中的变化聚类，并对该变化聚类进行二次聚类；根据事件后图像的最终聚类结果生成矩阵D，对矩阵D进行FCM分类，得出FCM分类结果，根据FCM分类结果训练出随机森林分类器，采用该随机森林分类器对事件后图像中的每个像素进行分类，得出事件后图像中每个像素的最终分类结果；本发明专利技术结合特征级和像素级的异质遥感图像变化检测方法(CFP)，充分利用了不同级别的优点，减少了单一级别使用的缺点，并提升变化区域的检测精度，解决了两幅异质遥感图像不能直接比较的问题。

【技术实现步骤摘要】
一种无监督的异质遥感图像变化检测方法
本专利技术属于遥感图像处理和模式识别
，具体涉及一种无监督的异质遥感图像变化检测方法。
技术介绍
变化检测在遥感影像应用中起着重要的作用，它是一种通过处理在同一地理区域不同时间获取的两幅卫星图像来识别地表覆盖变化的技术。随着来自遥感卫星的数据提供了获取不同分辨率土地信息的机会，这种技术被广泛应用到各个领域，例如自然灾害引起的区域变化检测，城市规划，灾害快速评估等领域。一般根据是否需要训练样本，变化检测可分为有监督和无监督两类。有监督的检测方法需要大量的先验信息(地面真实变化的数据信息)，以此训练分类器进而进行变化检测。但通常情况下，由于训练样本收集费时费力且灾害发生具有未知性与危险性，人们在第一时间无法获取准确、大量的先验信息，而无监督的方法则不需要除图像外的多余信息，所以基于无监督的变化检测方法具有重要研究意义。在过去的几十年中，很多遥感变化检测技术都是基于同质的，有许多基于同质变化检测的优秀方法被提出、实现。近些年来，随着不同类型的对地卫星数量增加、云层厚度或辐射的影响，变化检测得到的两幅图像往往是异质的，但异质图像成像原理不同，故不能直接进行比较检测。
技术实现思路
本专利技术的目的是提供一种无监督的异质遥感图像变化检测方法，以解决两幅异质遥感图像不能直接比较的问题。本专利技术采用以下技术方案：一种无监督的异质遥感图像变化检测方法，包括以下步骤：将事件前图像中的像素点预分类，并将预分类结果映射到事件后图像中，得到事件后图像中每个像素点的预分类结果；找出事件后图像预分类结果中的变化聚类，并对该变化聚类进行二次聚类，结合预分类结果和变化聚类二次聚类后的聚类结果生成事件后图像的最终聚类结果；根据事件后图像的最终聚类结果生成矩阵D，对矩阵D进行FCM分类，得出FCM分类结果，根据FCM分类结果训练出随机森林分类器，采用该随机森林分类器对事件后图像中的每个像素进行分类，得出事件后图像中每个像素的最终分类结果。进一步地，具体包括以下步骤：步骤1、通过K均值聚类算法将事件前图像分为N个聚类，得到事件前图像中每个像素点的预分类结果；将预分类结果映射到事件后图像中，得到事件后图像中每个像素点的预分类结果；步骤2、计算事件后图像中每个聚类的堆方差及所有聚类的堆方差均值，找出堆方差值高于堆方差均值的聚类作为变化聚类，并对该变化聚类进行二次聚类，得出事件后图像的最终聚类结果；步骤3、根据最终聚类结果重新计算出每个聚类的聚类中心，计算出每个聚类中每个像素点与该聚类中心的距离，并组成矩阵D；步骤4、对矩阵D中的每个距离进行FCM分类，得出FCM分类结果，找出FCM分类结果中高置信度像素点，组成样本集；步骤5、根据样本集训练出随机森林分类器，采用该随机森林分类器对事件后图像中的每个像素进行分类，得出事件后图像中每个像素的最终分类结果。进一步地，步骤1中具体通过c(i)：＝argminj||x(i)-μj||2对事件前图像进行预分类，其中，c(i)：为第i个像素点到其所属聚类的聚类中心之间的距离，x(i)为第i个像素点，μj为聚类中心点。进一步地，步骤2的具体方法为：步骤2.1、将事件后图像中每个聚类中的所有像素的灰度平均值作为其聚类中心；步骤2.2、根据步骤2.1中得出的聚类中心计算出该聚类的堆方差值；步骤2.3、根据步骤2.2中得出的所有聚类的堆方差值计算出所有聚类的堆方差均值；步骤2.4、比较每个聚类的堆方差值和堆方差均值的大小，将堆方差值大于堆方差均值的聚类作为变化聚类；步骤2.5、通过K均值聚类算法将步骤2.4中得出的变化聚类进行二次聚类，将该变化聚类分为变化子聚类和非变化子聚类，将变化子聚类的聚类中心作为变化聚类的聚类中心，并得出事件后图像的最终聚类结果。进一步地，步骤3中通过d＝||yi-centeri||计算得出变化聚类中每个像素点与聚类中心的距离，其中，yi为第i个像素点的灰度值，centeri为聚类中心的灰度值。进一步地，步骤4中高置信度像素点为置信度大于0.95的像素点。本专利技术的有益效果是：本专利技术结合特征级和像素级的异质遥感图像变化检测方法(CFP)，充分利用了不同级别的优点，减少了单一级别使用的缺点，并提升变化区域的检测精度，解决了两幅异质遥感图像不能直接比较的问题；本专利技术为无监督方法，节省了选择、标记训练样本所需的大量人力和时间，可以在第一时间获取某地区的事后变化信息，且采用筛选分类结果作为训练样本的无监督变化检测方法，减少了先验信息对变化检测的限制、影响。【附图说明】图1基于无监督的异质遥感图像变化检测流程图；图2不同方法的异质遥感图像变化检测结果图。【具体实施方式】下面结合附图和具体实施方式对本专利技术进行详细说明。本专利技术公开了一种无监督的异质遥感图像变化检测方法，将事件前图像中的像素点预分类，并将预分类结果映射到事件后图像中，得到事件后图像中每个像素点的预分类结果；找出事件后图像预分类结果中的变化聚类，并对该变化聚类进行二次聚类，结合预分类结果和变化聚类二次聚类后的聚类结果生成事件后图像的最终聚类结果；根据事件后图像的最终聚类结果生成矩阵D，对矩阵D进行FCM分类，得出FCM分类结果，根据FCM分类结果训练出随机森林分类器，采用该随机森林分类器对事件后图像中的每个像素进行分类，得出事件后图像中每个像素的最终分类结果。异质遥感图像中的像素点属性不同，不能直接进行比较，本专利技术提出一种结合特征级和像素级的异质遥感图像变化检测方法(CFP)，通过特征级粗糙聚类和像素级特定分类相结合，可以显示出强大的互补性。该方法主要由两部分组成：第一部分为粗分类。通过K均值聚类算法(K-Means)将事件前图像X粗略地聚类成N个聚类，将聚类结果映射到事件后图像Y上，并计算Y的堆方差、堆均值方差，将堆方差高于平均方差的堆单独进行二次K-Means聚类，更新堆的聚类中心；计算各个堆中像素点与聚类中心的距离d；第二部分为细分类。由距离d进行FCM分类，根据FCM获得的概率选择具有高置信度的样本。之后，将训练相对精确的随机森林分类器，其用于对其余不确定像素对进行分类。如图1所示，本方法具体包括以下步骤：步骤1、通过K均值聚类算法将事件前图像分为N个聚类，参数N根据待处理的事件前图像X来设置，一般有N>1，得到事件前图像中每个像素点的预分类结果。将得到的事件前预分类结果映射到事件后图像Y中(即对于事件前图像中的像素，我们可以找到其精确的聚类标签，然后在事件后图像中相同位置处的相应像素将被标记为相同的聚类标签。)，得到事件后图像中每个像素点的预分类结果。在上述处理中，我们在假设两个图像之间没有变化的情况下预测事件后图像Y的聚类标签。两幅异质遥感图像中，未变化区域在整幅图像中占较大比例。K-means算法是将样本聚类成N个簇(cluster)，具体算法描述如下：随机选取N个聚类质心点(clustercentroids)为u1，u2，u3，...，uk，∈R(n)，R(n)表示实数集。对于每一个像素点x(i)，具体通过c(i)：＝argminj||x(i)-μj||2对事件前图像进行预分类，其中，c(i)：为第i个像素点到其所属聚类的聚类中心之间的距离，x(i)为第i个像本文档来自技高网...

【技术保护点】
1.一种无监督的异质遥感图像变化检测方法，其特征在于，包括以下步骤：将事件前图像中的像素点预分类，并将预分类结果映射到事件后图像中，得到事件后图像中每个像素点的预分类结果；找出事件后图像预分类结果中的变化聚类，并对该变化聚类进行二次聚类，结合预分类结果和变化聚类二次聚类后的聚类结果生成事件后图像的最终聚类结果；根据事件后图像的最终聚类结果生成矩阵D，对矩阵D进行FCM分类，得出FCM分类结果，根据FCM分类结果训练出随机森林分类器，采用该随机森林分类器对事件后图像中的每个像素进行分类，得出事件后图像中每个像素的最终分类结果。

【技术特征摘要】
1.一种无监督的异质遥感图像变化检测方法，其特征在于，包括以下步骤：将事件前图像中的像素点预分类，并将预分类结果映射到事件后图像中，得到事件后图像中每个像素点的预分类结果；找出事件后图像预分类结果中的变化聚类，并对该变化聚类进行二次聚类，结合预分类结果和变化聚类二次聚类后的聚类结果生成事件后图像的最终聚类结果；根据事件后图像的最终聚类结果生成矩阵D，对矩阵D进行FCM分类，得出FCM分类结果，根据FCM分类结果训练出随机森林分类器，采用该随机森林分类器对事件后图像中的每个像素进行分类，得出事件后图像中每个像素的最终分类结果。2.如权利要求1所述的一种无监督的异质遥感图像变化检测方法，其特征在于，具体包括以下步骤：步骤1、通过K均值聚类算法将事件前图像分为N个聚类，其中，N是大于1的整数，得到事件前图像中每个像素点的预分类结果；将预分类结果映射到事件后图像中，得到事件后图像中每个像素点的预分类结果；步骤2、计算事件后图像中每个聚类的堆方差及所有聚类的堆方差均值，找出堆方差值高于堆方差均值的聚类作为变化聚类，并对该变化聚类进行二次聚类，得出事件后图像的最终聚类结果；步骤3、根据所述最终聚类结果重新计算出每个聚类的聚类中心，计算每个聚类中每个像素点与该聚类中心的距离，并组成矩阵D；步骤4、对矩阵D中的每个距离进行FCM分类，得出FCM分类结果，找出FCM分类结果中高置信度像素点，组成样本集；步骤5、根据所述样本集训练出随机森林分类器，采用该随机森林分类器对事件后图像中的每个...

【专利技术属性】
技术研发人员：刘准钆，陈照，李琳，潘泉，何友，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西,61