[发明专利]一种基于PCA-Kmeans的可见光遥感影像变化检测方法

说明书

本发明公开了一种基于PCA‑Kmeans的可见光遥感影像变化检测方法。本方法输入同一地区不同时相的两幅遥感影像，获取两时相遥感影像灰度图，利用作差法获取遥感影像差值图，基于PCA算法对差值图进行降维获得特征空间向量，基于K‑Means算法对特征向量空间进行分类获得变化检测结果，基于边缘检测算法对变化检测结果进行轮廓检测获得边界框，最后基于NMS算法对检测出的变化区域边界框进行过滤和合并。本发明可以分别得到不同类型地物的变化检测图像，具有较广泛的适用范围和较高的检测精度，可应用于不同时相遥感图像变化检测、地震前后地物变化检测、洪水前后地物变化检测等动态监测的技术领域。

技术领域

本发明涉及图像处理技术领域，特别涉及一种基于PCA-Kmeans的可见光遥感影像变化检测方法。本发明可以分别得到不同类型地物的变化检测图像，具有较广泛的适用范围和较高的检测精度，可应用于不同时相遥感图像变化检测、地震前后地物变化检测、洪水前后地物变化检测等动态监测的技术领域。

背景技术

对遥感图像进行变化检测是指通过输入不同时刻同一地区多幅遥感影像，检测出该地区地物随时间发生变化的信息，已经成为遥感图像处理领域中最重要的应用方向之一，在国土资源规划管理、水土保持、自然灾害检测等许多领域都有重要的应用价值。随着遥感图像数据的分辨率增高，遥感图像能够提取到的信息越来越丰富，使得变化检测能够应用到的场景越来越多。

对单波段多时相遥感图像已经提出了多种不同变化检测方法，有算术运算法、分类法、变换法等。根据现有的变化检测方法归纳为分类后比较法和直接比较法两类。分类后比较法(Post-Classification Comparison，PCC)是一种直观的变化检测方法，对不同时相的遥感图像进行分类，然后对分类产生的结果逐个像素进行比较分析，检测出地物的变化信息，而且该方法能够检测地物变化的类型信息。由于该方法对不同时相的遥感图像进行单独分类并进行标记，因此可以消除大气、传感器、季节和地面等因素对不同时相图像的影像。然而这种方法的关键是分类，变化检测精度等于不同时相分类结果精度的积累，由于分类本身存在分割问题，从而要得到高精度分类结果往往比较困难，因此会导致变化检测结果的精度不高以及结果的不确定性。

发明内容

本发明的目的在于针对以上技术缺陷，提出了一种基于PCA-Kmeans的可见光遥感影像变化检测方法，用于检测到同一地区不同时刻遥感影像变化，以提高检测的适用性和检测精度。

本发明实现上述目的总体方案是：首先输入两幅不同时相的遥感影像，对两幅遥感影像构造灰度图，然后对两幅遥感影像构造差值图，使用PCA主成分分析方法提取变化检测特征图，使用K-means算法对特征图进行聚类，使用边缘检测算法检测变化区域检测轮廓，使用NMS算法对包围变化区域的矩形框进行过滤并合并变化检测图相邻的矩形框，最终得到不同时相遥感影像的变化区域。

本发明的步骤包括如下：

一种基于PCA-Kmeans的可见光遥感影像变化检测方法，包括如下步骤：

(1)输入变化前后的遥感影像：输入获取的同一地区，不同时相的两幅遥感影像；

(2)判断输入的遥感影像是否为彩色遥感影像，若是，执行步骤(3)，否则，执行步骤(4)；

(3)构造单通道灰度遥感影像；

(4)判断输入的两时相遥感影像分辨率是否一致，若是，执行步骤(6)，否则，执行步骤(5)；

(5)将两时相遥感影像的分辨率进行对齐；

(6)利用做差法，获取两幅不同时相遥感灰度影像的差值图；

(7)降维处理：基于PCA算法，对遥感影像差值图矩阵进行降维处获得特征空间向量，作为下一步聚类分析的输入数据；