带有辅助元的条件随机场高分辨率遥感影像变化检测方法技术

带有辅助元的条件随机场高分辨率遥感影像变化检测方法，它包括以下步骤：步骤1：对原始两期高分辨率遥感影像进行配准和辐射校正预处理，降低外部因素对影像产生的噪声影响，并获得差分影像；步骤2：对获取的差分影像进行超像素分割，得到的超像素视作辅助元，将辅助元作为待分类对象与差分影像中像元形成待分类集合；步骤3：获取待分类集中元素的模糊信息用于后续模型构建；步骤4：构建带有辅助元的条件随机场模型；步骤5：得到待分类集合中的标签，利用集合中辅助元标签和像元标签二者共同决策，确定变化检测图。本发明专利技术目的是为了更有效利用高分影像中丰富的信息，结合面向像素和面向对象各自的优势，提升变化检测精度。提升变化检测精度。提升变化检测精度。

【技术实现步骤摘要】
带有辅助元的条件随机场高分辨率遥感影像变化检测方法


[0001]本专利技术属于遥感
，涉及一种无监督变化检测方法，特别涉及一种引入辅助元的条件随机场的高分辨率遥感影像变化检测方法。

技术介绍

[0002]变化检测技术是遥感领域的研究热点，在生活和军事上都有着广泛的运用。近年来，随着传感器技术的不断进步，遥感影像的空间分辨率逐步升高，使得影像细节信息更加丰富，地物信息更加清晰。高分辨率影像的出现极大地拓展了变化检测的应用领域。面向像元分析以像元为研究单位，像元保留了影像中最原始、最基本的光谱特征，面向像元分析操作简单，可以较大程度区分地物边界，在变化检测中，检测边界相对完整，但是高分影像中，光谱异质性较强，导致检测中虚检验数目非常多，检测结果整体较差。面向对象分析将一组特征相似的像元作为一个对象整体，以整体为研究单元，对象可以表达出高分影像中局部影像特征，在一定程度上可以减少因像元光谱异质性带来的虚检验数量，但是，对象块忽略了影像中像元蕴含的原始特征细节，且面向对象分析过于依赖图像分割算法的结果，若选取的分割算法适用于当前图像场景，则可以提取到令人满意的对象块作为分析单元，但是如果分割效果不佳，那么检测精度会大打折扣，由于目前没有任何一种分割算法可以适用于全场景图像，导致面向对象分析算法通常无法保持较好的地物检测边界，过于受到分割效果好坏的影响，算法相对来说不稳定。
[0003]为了提高高分辨率遥感影像变化检测精度，必须要结合面向像元和面向对象的优势，既保留图像中像元的原始特征，又利用图中局部特征信息来减弱光谱异质性带来的检测噪声，以此来提高变化检测精度。

技术实现思路

[0004]本专利技术目的是为了更有效利用高分影像中丰富的信息，结合面向像素和面向对象各自的优势，提升变化检测精度，而提供的一种引入辅助元的条件随机场的高分辨率遥感影像变化检测方法。
[0005]为了解决上述技术问题，本专利技术采用的技术方案如下：
[0006]带有辅助元的条件随机场高分辨率遥感影像变化检测方法，它包括以下步骤：
[0007]步骤1：对原始两期高分辨率遥感影像进行配准和辐射校正预处理，降低外部因素对影像产生的噪声影响，并利用变化向量分析算法获得差分影像；
[0008]步骤2：对获取的差分影像进行超像素分割，得到的超像素视作辅助元，将辅助元作为待分类对象与差分影像中像元形成待分类集合；
[0009]步骤3：对步骤2得到的待分类集合中的像元和辅助元进行聚类，获取待分类集中元素的模糊信息用于后续模型构建；
[0010]步骤4：建立新的条件随机场空间结构，并构建带有辅助元的条件随机场模型；
[0011]步骤5：得到待分类集合中的标签，利用集合中辅助元标签和像元标签二者共同决
策，确定变化检测图。
[0012]在步骤3中，对步骤2得到的待分类集合中的像元和辅助元使用模糊聚类算法进行聚类。
[0013]在步骤3中，具体如下：
[0014]记Y
D
＝{p
i
|i＝1,2,3
…
N}为差分影像，p
i
为差分影像Y
D
中第i个像元，表示Y
D
中像元的光谱值，表示像元p
i
的光谱值，Y
SD
＝{s
i
|i＝1,2,3
…
M}表示辅助元集合，s
i
表示第i个辅助元，表示Y
SD
中辅助元的光谱值，表示超像元s
i
的光谱值，辅助元和像元组成的待分类集合为Y
U
＝{Y
D
,Y
SD
}，G
U
＝{G
D
,G
SD
}表示待分类集合Y
U
的光谱特征，利用模糊C均值聚类通过迭代优化目标函数J
C
来计算待分类集合中像元和辅助元的隶属度：
[0015][0016]其中，表示待分类集Y
U
中像元p
i
属于类别j的隶属程度，表示表示待分类集Y
U
中辅助元s
i
属于类别j的隶属程度，c
j
表示类别j的聚类中心，q为加权指数，C表示类别个数。
[0017]在步骤4中，在待分类集合上，不仅考虑像元与像元间的约束关系，同时考虑像元与辅助元之间的约束关系，建立新的条件随机场空间结构，利用像元的特征信息和辅助元中蕴含的图像局部特征信息以及步骤3中待分类集合中元素的模糊信息构建带有辅助元的条件随机场模型。
[0018]在步骤4中，具体如下：
[0019]记为待分类集Y
U
中像元标签集合，其中，为像元p
i
的标签值。为待分类集Y
U
中辅助元标签集合，为辅助元s
i
的标签值。在待分类集合上，不仅考虑像元与像元间的约束关系，同时考虑像元与辅助元之间的约束关系，建立新的条件随机场空间结构，带辅助元的条件随机场模型是对待分类集Y
U
与其对应的标签X
U
＝{X
p
,X
s
}进行后验概率建模，带有辅助元的条件随机场的能量函数E(X
U
|Y
U
)可写为如下形式：即：
[0020][0021]其中，和分别为待分类集中像元和辅助元的一元势函数，和分别为待分类集中像元与像元之间、像元与辅助元间的二元势函数。λ为一个非负常数，作为模型中的平衡因子。
[0022]在步骤5中，通过图割算法推理模型得到待分类集合标签，辅助元和像元标签的共同决策，最终确定变化检测图。
[0023]在步骤5中，当像元标签与相应辅助元标签一致时，像元标签保持不变，若不同，则标签值取0，即：
[0024][0025]其中，像元属于辅助元的邻域系统中，标签取值为0或1，0表示为变化类，1表示变化类，以此获取最终变化检测图
[0026]与现有技术相比，本专利技术具有如下技术效果：
[0027]本专利技术所提出的技术方案，同时考虑了像元和辅助元特征信息，将面向对象和面向像元的优势整合到一个场模型分类框架中，既保留图像中像元的原始特征，又利用图中局部特征信息来减弱光谱异质性带来的检测噪声，且引入像元和辅助元的邻域关系构建新的场模型结构，能够更好的利用空间信息，最后通过辅助元和像元标签的共同决策得到最终检测结果，以此来提高变化检测精度和算法的稳定性。
[0028]本专利技术提出一种引入辅助元的条件随机场高分辨率遥感影像变化检测方法。该模型不再是直接针对像元或者是对象进行建模得到最后的变化检测结果，而是将对象块作为辅助变量即辅助元与像元整体一起作为一个待分类集，在待分类集上，不仅像元与像元之间有约束关系，同时还建立了像元与辅助元之间的约束关系，这样在待分类集上就组织了一个新的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.带有辅助元的条件随机场高分辨率遥感影像变化检测方法，其特征在于，它包括以下步骤：步骤1：对原始两期高分辨率遥感影像进行配准和辐射校正预处理，降低外部因素对影像产生的噪声影响，并获得差分影像；步骤2：对获取的差分影像进行超像素分割，得到的超像素视作辅助元，将辅助元作为待分类对象与差分影像中像元形成待分类集合；步骤3：对步骤2得到的待分类集合中的像元和辅助元进行聚类，获取待分类集中元素的模糊信息用于后续模型构建；步骤4：建立新的条件随机场空间结构，并构建带有辅助元的条件随机场模型；步骤5：得到待分类集合中的标签，利用集合中辅助元标签和像元标签二者共同决策，确定变化检测图。2.根据权利要求1所述的方法，其特征在于，在步骤3中，对步骤2得到的待分类集合中的像元和辅助元使用模糊聚类算法进行聚类。3.根据权利要求1或2所述的方法，其特征在于，在步骤3中，具体如下：记Y
D
＝{p
i
|i＝1,2,3
…
N}为差分影像，p
i
为差分影像Y
D
中第i个像元，表示Y
D
中像元的光谱值，表示像元p
i
的光谱值，Y
SD
＝{s
i
|i＝1,2,3
…
M}表示辅助元集合，s
i
表示第i个辅助元，表示Y
SD
中辅助元的光谱值，表示超像元s
i
的光谱值，辅助元和像元组成的待分类集合为Y
U
＝{Y
D
,Y
SD
}，G
U
＝{G
D
,G
SD
}表示待分类集合Y
U
的光谱特征，利用模糊C均值聚类通过迭代优化目标函数J
C
来计算待分类集合中像元和辅助元的隶属度：其中，表示待分类集Y
U

【专利技术属性】
技术研发人员：武昌东，贾付文，
申请(专利权)人：三峡大学，
类型：发明
国别省市：