[发明专利]一种协同光学和雷达遥感数据的面向对象变化检测方法

权利要求书

1.一种协同光学和雷达遥感数据的面向对象变化检测方法，其特征在于，包括以下步骤：

步骤1、光学数据预处理：对研究区域的光学影像数据依次进行辐射定标和大气校正，以获取研究区域真实的反射率；

步骤2、雷达数据预处理以及提取雷达参数：

对研究区域的全极化雷达遥感数据提取极化方式参数、Pauli分解参数和Freeman-Durden分解参数；极化方式参数的提取需要对研究区域的初始雷达影像依次进行辐射定标、多视处理、地形校正、斑点滤波和转换分贝值的操作；Pauli分解参数的提取需要对研究区域的初始雷达影像依次进行辐射定标、多视处理、地形校正、Pauli极化分解和极化滤波的操作；Freeman-Durden分解参数的提取需要对研究区域的初始雷达影像依次进行辐射定标、多视处理、地形校正、Freeman-Durden极化分解和极化滤波的操作；

将提取后的全极化雷达遥感数据进行波段叠加组合，并依据步骤1处理后的光学影像数据进行配准，误差在一个像元以内，以获得前、后时相处理完毕的雷达影像；

所述极化方式为HH、HV和VV三种；

步骤3、雷达差异影像的生成：

将步骤2获得的前、后时相处理完毕的雷达影像，使用对数比值法来获取雷达差异影像，对数比值法由下式定义：

其中，b1和b2分别表示后时相和前时相相同参数波段；

步骤4、利用分割算法进行面向对象分割：

对经过步骤1预处理的光学影像数据采用分型网络演化分割方法FNEA进行分割，使分割后的对象内部趋于单一的变化或未变化像元；然后将分割的结果套合于步骤3所得的雷达差异影像，达到光学影像引导雷达差异影像分割的目的，以在雷达差异影像获取地物分割边界；

步骤5、根据步骤4的分割结果选取样本，并获取对象级多维特征：

对步骤4所得分割后的雷达差异影像，按照分割后的对象内部是否变化，分别选取变化和未变化对象作为后续分类的样本；选择样本的规则为：若分割后的对象内部变化像元占整个对象像元比例大于50％，则将其选择为变化样本，同理选择未变化样本；

在选取样本后，提取样本的对象级多维特征，初始波段参数包括极化方式、Pauli分解和Freeman分解对应的雷达差异参数，因此提取的对象级特征包括极化方式均值和标准差、Pauli分解均值、Pauli分解标准差、Freeman分解均值、Freeman分解标准差以及通过灰度共生矩阵提取的同质性、对比度、均值、标准差、熵和相关性六种纹理特征；

其中极化方式选取HH、HV和VV三种，两种极化分解均为三分量分解；基于灰度共生矩阵获取纹理特征可以按照不同方向对矩阵进行扫描，不同的扫描方向获取的纹理特征不同，包括0°、45°、90°和135°；所有纹理特征根据每个雷达差异影像波段，按照所有方向扫描获取；

步骤6、根据距离度量可分性特征空间优化选择最优特征空间：

步骤6-1、根据提取出的特征计算各维度特征子空间的变化、未变化样本距离；

步骤6-2、比较每一维度的所有可分距离，其中的最大值代表了该维度特征空间下的最佳可分距离；

步骤6-3、比较各个维度特征空间可分距离的最大值，其中的最大值代表了该任务下的最佳可分距离，并且其所代表的特征组合即为最优的特征组合；

步骤7、变化检测结果的获取：

将步骤6获取的最优特征空间所代表的特征以及训练样本通过随机森林分类法获得最终的变化检测结果。

2.如权利要求1所述协同光学和雷达遥感数据的面向对象变化检测方法，其特征在于：所述分型网络演化分割方法的分割参数具体为：波段权重均设为1，分割尺度为90，形状参数设置为0.1，紧致度因子设置为0.5。