一种基于自监督转换的异质遥感图像变化检测方法技术

本发明专利技术公开了一种基于自监督转换的异质遥感图像变化检测方法，包括以下步骤；步骤1)：对原始遥感图像进行图像像素离散化；步骤2)：对步骤1)离散化后的图像进行超像素分割和边界整合，超像素特征提取和分析，得到带标记像素对；步骤3)：根据步骤2)中得到的标记像素对，即可靠变化和不变像素对，将事前和事后异质遥感图像转换到一个公共特征空间，然后通过前向和后向变化得到两种差异图像；步骤4)：将步骤3)中的差异图像进行证据融合及基于先验扩充训练数据；步骤5)：将步骤4)的训练数据导入训练分类器模型生成变化检测结果。本发明专利技术检测精度高，不仅考虑了不变像素对的影响，同时还考虑到了变化像素对的积极影响，可以很好地适应复杂环境和高噪声环境，鲁棒性较高。鲁棒性较高。鲁棒性较高。

【技术实现步骤摘要】
一种基于自监督转换的异质遥感图像变化检测方法


[0001]本专利技术涉及遥感图像处理和模式识别
，特别涉及一种基于自监督转换的异质遥感图像变化检测方法。

技术介绍

[0002]遥感观测技术具有大规模、长期和周期性检测的能力，而变化检测是遥感观测中至关重要的一项技术。遥感图像变化检测是对同一地理区域在两个不同时期获取的两幅配准遥感图像上识别其中变化信息的过程。近年来，变化检测已经广泛应用于各个领域，如城市规划、环境监测和灾害评估等。
[0003]由于同质遥感图像变化检测对遥感卫星传感器和拍摄时的外界条件要求较高，无法适应不同时期复杂的外界环境影响，但异质遥感图像变化检测方法有效改善了这种局限性。现存异质遥感图像变化检测方法主要分为基于分类、基于深度学习和基于相似性的方法，基于分类的方法无法有效避免噪声信息的干扰，进而难以正确分类；基于深度学习的方法需要大量带标记的训练数据的监督，而在紧急场景或噪声水平非常高的情况下大量训练数据难以及时获取，因此无法提供高精度的变化检测结果；基于相似性的方法只在不变化训练样本的监督下学习，即只考虑了不变像素对，进而忽略了变化像素对的积极影响。综上所述，现有异质遥感图像变化检测方法的主要缺点如下：1)无法避免噪声信息的干扰，难以正确分类；2)检测精度不高，无法适应复杂环境和高噪声环境；3)忽略了变化像素对的积极影响，即只考虑了不变像素对的影响。

技术实现思路

[0004]为了克服上述现有技术的不足，本专利技术的目的在于提供一种基于自监督转换的异质遥感图像变化检测方法，该方法检测精度高，不仅考虑了不变像素对的影响，同时还考虑到了变化像素对的积极影响，可以很好地适应复杂环境和高噪声环境，鲁棒性较高。
[0005]为了实现上述目的，本专利技术采用的技术方案是：
[0006]一种基于自监督转换的异质遥感图像变化检测方法，包括以下步骤；
[0007]步骤1)：对原始遥感图像进行图像像素离散化；
[0008]步骤2)：对步骤1)离散化后的图像进行超像素分割和边界整合，超像素特征提取和分析，得到带标记像素对；
[0009]步骤3)：根据步骤2)中得到的带标记像素对，即可靠变化和不变像素对，将事前和事后异质遥感图像转换到一个公共特征空间，然后通过前向和后向变化得到两种差异图像；
[0010]步骤4)：将步骤3)中的两种差异图像进行证据融合，并基于先验进行扩充，得到训练数据；
[0011]步骤5)：将步骤4)的训练数据导入训练分类器模型生成变化检测结果。
[0012]所述步骤1)具体步骤为：
[0013](1)采用K均值算法聚类像素点，在计算类内像素样本和聚类中心像素之间的距离时还考虑到像素的空间位置信息，引入加权因子η来融合基于光谱和空间位置信息的类内像素样本与聚类中心像素之间的距离，因此，图像中的第i个像素和簇中心ω
c
之间的距离可以表示为：
[0014][0015]其中和代表光谱和空间位置信息相对应的距离，η尽可能趋近于1，进而，通过K均值聚类将遥感图像分为C个类，称为ω1,ω2,
…
,ω
C
；
[0016](2)计算类内像素样本和聚类中心像素的偏差距离，对于像素i的第l个通道记为X
il
，计算其与簇中心ω
c
的绝对值偏差距离δ
il
如下所示：
[0017][0018]其中，
[0019][0020]并且|
·
|是绝对值运算的符号，M表示ω
c
中的像素数；
[0021](3)计算像素光谱特征的校正值，计算绝对偏差距离δ
il
与数据分布范围的中点之间的距离，X
il
的校正值由下式给出：
[0022][0023]其中，
[0024][0025]并且和表示所有像素δ
`l
的最大值和最小值；
[0026](4)更新离散像素值，更新每个像素的离散化像素值的方法由下式表示：
[0027][0028]其中，X
il
是指在第l个离散化通道对像素X
i
进行图像像素离散化，为了得到优化的离散化图像，采用两种方式停止迭代，第一种是设置最大迭代次数Z，另一步是计算平均离散度
[0029]所述步骤2)具体为：
[0030](1)超像素分割和边界整合，首先将步骤1)中离散化后的图像以超像素为单位进行分割，以获得高度均匀的超像素图像块，并且突出了地物对象的边界；其次，采用简单的边界整合策略来生成边界一致的超像素对，即一致的分割结果；
[0031](2)超像素特征提取及分析，以超像素为最小的图像分析单元，通过分析超像素的光谱和纹理特征的差异，自动挖掘出一些带标记像素对；
[0032]不同算子的光谱特征差异映射集合由下式得出：
[0033][0034]其中‖
·
‖是欧几里得距离，是图像T
t
的第j个超像素中包含的第l个通道中的所有像素的集合，f
(O)
(
·
)表示算子的相应运算；
[0035]不同算子的纹理特征差异映射集合由下式得出：
[0036][0037]其中f(
·
)是均值函数，是图像T
t
中第j个超像素的灰度共生矩阵(GLCM)特征图；得到超像素特征差异图集然后使用一组阈值来识别的6个子差异图的变化和不变区域，其中6个子差异图分别为：原图的纹理GLCM均值、标准差特征差异图，原图的光谱均值、中值、标准差特征差异图和像素离散化后图像的光谱均值特征差异图。进而采用简单的投票规则来确定超像素是否发生了变化，特征差值越大，可能是变化的超像素，反之，特征差值越小，则越有可能是不变的超像素，简单的投票机制可以表示为：
[0038][0039]其中，σ
up
和σ
low
是不同子差异图的共同上限和下限，分别接近于1和0，σ
up
＝0.9和σ
low
＝0.1；
[0040]对于每个超像素，都有s1+s2＝6个票来确定该超像素是否属于变化像素集，当该超像素对应的标签获得所有票时，即6个票，才会被认为是可靠的标签，可以表示为：
[0041][0042]其中是超像素对S
j
的对应空间位置，C和分别是变化和不变像素对的集合，u表示其他不确定像素对的集合，最后，获得变化和不变的带标记像素对。
[0043]所述步骤3)中对于像素X
i
∈T1(T1为事前遥感图像)，其K个近邻定义为y1,
…
,y
K
，是从图像T1中的变化区域中获得的像素点，这K个近邻对应于图像T2中的像素点为y
′1,
…
,y
′
K
，这些对应点为其本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自监督转换的异质遥感图像变化检测方法，其特征在于，包括以下步骤；步骤1)：对原始遥感图像进行图像像素离散化；步骤2)：对步骤1)离散化后的图像进行超像素分割和边界整合，超像素特征提取和分析，得到带标记像素对；步骤3)：根据步骤2)中得到的带标记像素对，即可靠变化和不变像素对，将事前和事后异质遥感图像转换到一个公共特征空间，然后通过前向和后向变化得到两种差异图像；步骤4)：将步骤3)中的两种差异图像进行证据融合，并基于先验进行扩充，得到训练数据；步骤5)：将步骤4)的训练数据导入训练分类器模型生成变化检测结果。2.根据权利要求1所述的一种基于自监督转换的异质遥感图像变化检测方法，其特征在于，所述步骤1)具体步骤为：(1)采用K均值算法聚类像素点，在计算类内像素样本和聚类中心像素之间的距离时还考虑到像素的空间位置信息，引入加权因子η来融合基于光谱和空间位置信息的类内像素样本与聚类中心像素之间的距离，因此，图像中的第i个像素和簇中心ω
c
之间的距离可以表示为：其中和代表光谱和空间位置信息相对应的距离，η尽可能趋近于1，进而，通过K均值聚类将遥感图像分为C个类，称为ω1,ω2,
…
,ω
C
；(2)计算样本点与簇中心像素的偏差距离，对于像素i的第l个通道记为X
il
，计算其与簇中心ω
c
的绝对值偏差距离δ
il
如下所示：其中，并且|
·
|是绝对值运算的符号，M表示ω
c
中的像素数；(3)计算像素光谱特征的校正值，计算绝对偏差距离δ
il
与数据分布范围的中点之间的距离，所以X
il
的校正值由下式给出：其中，并且和表示所有像素δ
`l
的最大值和最小值；(4)更新离散像素值，更新每个像素的离散化像素值的方法由下式表示：
其中，X
il
是指在第l个离散化通道对像素X
i
进行图像像素离散化，为了得到优化的离散化图像，采用两种方式停止迭代，第一种是设置最大迭代次数Z，另一步是计算平均离散度3.根据权利要求1所述的一种基于自监督转换的异质遥感图像变化检测方法，其特征在于，所述步骤2)具体为：(1)超像素分割和边界整合，首先将步骤1)中离散化后的图像以超像素为单位进行分割，以获得高度均匀的超像素图像块，并且突出了地物对象的边界；其次，采用简单的边界整合策略来生成边界一致的超像素对，即一致的分割结果；(2)超像素特征提取及分析，以超像素为最小的图像分析单元，通过分析超像素的光谱和纹理特征的差异，自动挖掘出一些带标记像素对；不同算子的光谱特征差异映射集合由下式得出：其中‖
·
‖是欧几里得距离，是图像T
t
的第j个超像素中包含的第l个通道中的所有像素的集合，f
(O)
(
·
)表示算子的相应运算；不同算子的纹理特征差异映射集合由下式得出：其中f(
·
)是均值函数，是图像T
t
中第j个超像素的灰度共生矩阵(GLCM)特征图；得到超像素特征差异图集然后使用一组阈值来识别的6个子差异图的变化和不变区域，其中6个子差异图分别为：原图的纹理GLCM均值、标准差特征差异图，原图的光谱均值、中值、标准差特征差异图和像素离散化后图像的光谱均值特征差异图，进而采用简单的投票规则来确定超像素是否发生了变化，特征差值越大，越有可能是变化的超像素，反之，特征差值越小，则越有可能是不变的超像素，简单的投票机制可以表示为：其中，σ
up
和σ
low
是不同子差异图的共同上限和下限，分别接近于1和0，σ
up
＝0.9和σ
low
＝0.1；
对于每个超像素，都有s1+s2＝6个票来确定该超像素是否属于变化像素集，当该超像素对应的标签获得所有票时，即6个票，才会被认为是可靠的标签，可以表示为：其中是超像素对S
j
的对应空间位置，C...

【专利技术属性】
技术研发人员：马宗方，郝凡，宋琳，麻瑞，
申请(专利权)人：西安建筑科技大学，
类型：发明
国别省市：