[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

说明书

本发明属于土地覆盖变化检测技术领域，具体涉及一种协同光学和雷达遥感数据的面向对象变化检测方法。本发明首先对光学数据和雷达数据进行预处理，并利用对数比值法获得雷达差异影像；利用分割方法对光学数据进行面向对象分割，将分割的初始结果应用于雷达差异影像，针对分割结果选择对象样本，利用距离可分性特征空间优化方法选取最佳的特征空间；最后将最优特征空间所代表的特征及样本通过随机森林分类法获得最终的变化检测结果。本发明在缺少部分光学数据源的情况下依然有效，提高了变化检测结果的精度，且避免了直接将全部特征输入到分类器造成特征冗余。

技术领域

本发明属于土地覆盖变化检测技术领域，具体涉及一种协同光学和雷达遥感数据的面向对象变化检测方法。

背景技术

合成孔径雷达(Synthetic Aperture Radar,SAR)是一种高分辨率成像雷达，可以在能见度极低的恶劣环境下得到较好的高分辨率雷达图像，能够全天时、全天侯的工作，甚至能够透过地表或植被获取其掩盖的信息，使得其能在农、林、自然灾害等民用领域以及军事领域有着广泛的应用前景。

随着社会的发展和人口的急剧增加，人类对土地资源的需求也在不断增长，因此快速获取土地资源调查评估结果、研究全球变化具有非常重要的意义。

国内外学者针对变化检测已经开展了不少工作，但多数集中于像元级的变化检测研究，即判断前、后时相的像元是否发生变化。如Bovolo将极坐标体系引入变化向量分析的方法，并提出一个无监督的变化检测框架，在Landsat-5的数据集上获取变化检测结果；Wu等构造了三种慢特征分析(Slow Feature Analysis，SFA)变化检测框架，包括无监督的SFA、有监督的SFA和迭代SFA，将这三种框架应用于两组不同的数据集获得了像元级变化检测结果。这类方法的缺点在于其会产生大量的斑点噪声现象，同时对前、后时相遥感影像的配准、辐射校正等预处理手段有着较高的要求。随着遥感影像的空间分辨率逐渐提高，部分学者提出了面向对象的思想进行变化检测，这种方法有效的避免了椒盐噪声的现象。Wang等采用了经典的色彩纹理分割算法(J-segmentation,JSEG)分别对机载高分辨率光学影像和SPOT-5进行分割，提取光谱、几何、纹理特征，并提出了两种不同的多尺度融合策略，该算法框架提高了变化和未变区域之间的可分性；冯文卿等提出一种基于熵率对影像进行超像素分割，并提取分割后对象的光谱特征和Gabor特征输入到随机森林进行变化检测，在Quickbird、IKONOS、SPOT-5三组多光谱影像上获得良好的检测结果。

如上文所述，目前的分割方法多应用于光学影像，然而由于我国西南地区常年多云多雨，高质量的光学影像常常难以获取，而SAR传感器由于能够在恶劣的天气条件下工作，因此能够很好的应用于多时相的变化检测研究。同时，SAR传感器通常重访周期较长，且由于其特殊的成像机理，目前的做法是直接将分割算法应用于SAR影像，这种方式难以获得良好的分割边界。已有研究结合二者优势进行变化检测，但实验流程复杂，对数据要求严苛，因此本发明提出了一种新的协同光学和雷达遥感数据的变化检测方法。

发明内容

针对上述存在问题或不足，本发明提供了一种协同光学和雷达遥感数据的面向对象变化检测方法，利用分割算法对后时相的光学影像进行初始分割，然后将分割结果整合于雷达差异影像获取最终分割结果，同时提取对象级多维特征，将优化后的特征集通过随机森林分类法获得变化检测结果，有效地避免了单独使用两种数据的缺陷。

具体技术方案如下：

一种协同光学和雷达遥感数据的面向对象变化检测方法。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：