本发明专利技术公开一种基于安全半监督支持向量机的遥感影像变化检测方法，所提的方法分为两个层次：首先，采用主成分（PCA）变换与相关系数融合法相结合的方式构造差异影像；其次，利用S4VM对差异影像进行二分类，并实现多光谱遥感影像的变化检测。该检测方法通过S4VM可以提高多时相遥感影像差异影像的分类精度，从而提高变化检测的精度。
【技术实现步骤摘要】
【专利摘要】本专利技术公开一种，所提的方法分为两个层次：首先，采用主成分（PCA）变换与相关系数融合法相结合的方式构造差异影像；其次，利用S4VM对差异影像进行二分类，并实现多光谱遥感影像的变化检测。该检测方法通过S4VM可以提高多时相遥感影像差异影像的分类精度，从而提高变化检测的精度。【专利说明】
本专利技术涉及多光谱遥感影像变化检测方法，具体是一种基于安全半监督支持向量机(S4VM)的多光谱遥感影像变化检测方法，该方法可以用来解决多光谱遥感影像变化检测精度不高的问题，属于遥感影像处理
。
技术介绍
遥感影像的变化检测是根据同一区域不同时相的遥感影像，辨识观测对象或者现象的状态变化过程。它已广泛应用于资源管理与规划、环境保护等诸多领域，并为相关部门提供科学决策的依据。当前遥感影像变化检测方法主要有:代数法、变换法、分类比较法、高级模型法、GIS集成法、视觉分析法和其它方法。其中代数法以其操作简单、易于实现成为当前变化检测中使用最广泛的方法之一。其差异影像通常是通过对两幅遥感影像的某一波段进行差值、比值运算等来构造的，由于该方法只利用了多光谱遥感影像的一个波段，未充分利用其全部有用信息，故不能较好地反映地面真实变化情况。代数法的核心是阈值的选择，针对此，国内外学者提出了许多有效的方法，其中具有代表性的为，L.Bruzzone等提出一种基于统计最小错误率的Bayes判别准则的变化检测方法，虽然该方法可使差异影像中变化与非变化像元的错分概率最小，能较好地确定变化检测的阈值，在一些特定实例中也取得了较好的效果，然而差异影像的像元值必须服从高斯分布，这一假设在有些情况下并不成立。为了避免阈值选择对变化检测造成的不利影响，有学者提出采用分类的思想进行变化检测。该类方法是将差异影像视为变化和非变化两类像元的集合，然后利用分类器对其进行分类，最终实现遥感影像的变化检测。由于支持向量机(Support VectorMachine, SVM)在分类时具有较好的收敛性和分类精度，因此已有学者将其用于变化检测中。在此基础上，L.Bruzzone等又进一步提出基于半监督支持向量机(Sem1-SupervisedSupport Vector Machine, S3VM)的遥感影像变化检测方法。其学习的特点是,在无法获得先前地面真实样本信息的情况下，利用贝叶斯准则从待检测像元中抽取部分容易判别的像元进行标记作为种子，即伪标签样本。然后将这些伪标签样本与大量无标签样本进行学习，以提闻分类决策平面的泛化能力，从而提闻变化检测的精度。S3VM用于遥感影像的变化检测时的不足为:当学习产生的分类决策平面不唯一时，由于S3VM是从诸多决策平面中任选一个来实现对差异影像的分类，因此其推广性能和分类精度会存在下降的风险。另外，在没有进一步的先验信息来区分这些决策平面的情况下，也很难确定哪个决策平面是最优的。针对上述问题，为了提高遥感变化检测精度，本专利技术提出一种基于安全半监督支持向量机(Safe Sem1-Supervised Support Vector Machine, S4VM)的遥感变化检测方法。本专利技术的优点是:使得变化检测的精度得到提高。
技术实现思路
专利技术目的:本专利技术针对普通SVM以及S3VM用于变化检测的不足，提出一种基于安全半监督支持向量机(S4VM)的多光谱遥感影像变化检测方法。所提的方法分为两个层次:首先，采用主成分(PCA)变换与相关系数融合法相结合的方式构造差异影像；其次，利用S4VM对差异影像进行二分类，并实现多光谱遥感影像的变化检测。该检测方法通过S4VM可以提高多时相遥感影像差异影像的分类精度，从而提高变化检测的精度。技术方案:一种，包括下述步骤:(I)输入两时相的多光谱影像，分别记为=X1和x2。(2)分别对两个时相的多光谱影像进行PCA变换，在此基础上结合相关系数融合法构造差异影像。具体为:假设Ay1与Ay2分别为对原影像X1和X2进行PCA变换后所得的第一主成分分量进行差值和比值运算后得到的影像，则构造的差异影像X在点(p，q)处的像元值为:X (p, q) = μ pq (I)式中μ Μ = Δ Y2 (P，q) max ( Δ Y2) ； α = a | ^ +e ; α + β =1 ;r 为 Δ Y1 与 Δ Y2 的相关系数；a，b为调节因子，a, e e 。通过调节a，e来调整差值影像和比值影像的权重α，β以得到最佳的差异影像，为下一步差异影像分类创造有利条件。(3)进行标签样 本初始化，根据差异影像的直方图，确定变化和非变化的阈值，从而确定差异影像中变化和非变化区域。不失一般性，假设差异影像的直方图如附图2所示，未变化的像元值较小，主要集中在直方图左边界附近；变化类别的像元值较大，主要分布在靠近直方图右边界附近。基于这一特性，可以在直方图上确定两个阈值Tn、Tc,Tn ^(1-rKin+X^，Tc =(1 —rKnax+#，无= 0.5(υ 尤 min)。其中，Xmin 表示差异影像像元最小值，Xmax表示差异影像像元最大值，Y表示调节因子且有Y e 。在确定了 Tn和T。后，将未变化的像元归于集合Wn，变化的像元归于集合W。，不确定像元归于集合 Wu,则有:Wn = {x (P, q) I X (P, q) < Tj , Wc = {x (p, q) | x (p, q) > Tj , Wu ={x(p, q)|Tn^x(p, q) < T。}。再从Wn、W。中随机抽取一定数目的像元作为种子，即伪标签样本。(4)构造S4VM就是求解下述的一个优化问题:【权利要求】1.一种，其特征在于，包括下述步骤: (1)输入两时相的多光谱影像，分别记为=X1和X2； (2)分别对两个时相的多光谱影像进行PCA变换，在此基础上结合相关系数融合法构造差异影像； (3)进行标签样本初始化，根据差异影像的直方图，确定变化和非变化的阈值，从而确定差异影像中变化和非变化区 域； (4)构造S4VM，即求解下述的一个优化问题: f i4iKi2+cii^+c21:c.)+^]HC2) ) + bt)>\4j^ ij ^ ()V/=i,...,/, y/ = ι,.,.,μ, V a: = u …，K 式中Iply为标签样本、无标签样的松弛变量，Λ为用于对决策平面进行差异化度量的惩罚函数，η为用来保证决策平面差异性的常数；Xi为从wn、w。中抽取一定数目I的像元构成的数据集，Ii为对应样本的标签,则标签样本集为{^,y#}；=1,无标签样本记为，且有，Xi，Xj e x,y e {±1} ,C1为标签样本的惩罚参数，C2为无标签样在训练过程中的影响因子； (5)采用典型采样搜索方法来确定式(2)中的决策平面和相应的类别划分通过下式: K max mi η^dk)(3) re{+l}K 5>0 hi 便可求得无标签样本的类别划分Y，从而区分差异影像的变化像元和非变化像元，实现多光谱遥感影像的变化检测。2.如权利要求1所述的，其特征在于，分别对两个时相的多光谱影像进行PCA变换，在此基础上结合相关系数融合法构造差异影像；具体为: 假设Λ yi与Λ y2分别为本文档来自技高网...
【技术保护点】
一种基于安全半监督支持向量机的遥感影像变化检测方法，其特征在于，包括下述步骤：（1）输入两时相的多光谱影像，分别记为：X1和X2；（2）分别对两个时相的多光谱影像进行PCA变换，在此基础上结合相关系数融合法构造差异影像；（3）进行标签样本初始化，根据差异影像的直方图，确定变化和非变化的阈值，从而确定差异影像中变化和非变化区域；（4）构造S4VM，即求解下述的一个优化问题：min{wk,bk,Y^k∈ψ}k=1KΣk=1K[(12||wk||2+C1Σi=1lξi+C2Σj=1uξ^j)+η⩓Y^k]s.t.yi(wk′φ(xi)+bk)≥1-ξi,ξi≥0yi(wk′φ(x^j)+bt)≥1-ξ^j,ξ^j≥0∀i=1,...,l,∀j=1,...,u,∀k=1,...,K---(2)式中ξi，为标签样本、无标签样的松弛变量，Λ为用于对决策平面进行差异化度量的惩罚函数，η为用来保证决策平面差异性的常数；xi为从Wn、Wc中抽取一定数目l的像元构成的数据集，yi为对应样本的标签，则标签样本集为无标签样本记为且有，xi,xj∈x，y∈{±1}，C1为标签样本的惩罚参数，C2为无标签样在训练过程中的影响因子；（5）采用典型采样搜索方法来确定式（2）中的决策平面和相应的类别划分通过下式：maxY∈{±1}uminδ≥0Σk=1Kδk(ck′Y+dk)---(3)便可求得无标签样本的类别划分Y，从而区分差异影像的变化像元和非变化像元，实现多光谱遥感影像的变化检测。FDA0000391097140000012.jpg,FDA0000391097140000013.jpg,FDA0000391097140000014.jpg,FDA0000391097140000015.jpg...
【技术特征摘要】
【专利技术属性】
技术研发人员：石爱业，夏晨阳，申邵洪，吴国宝，程学军，文雄飞，陈鹏霄，
申请(专利权)人：河海大学，长江水利委员会长江科学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。