[发明专利]基于低秩稀疏模型的遥感图像变化检测方法

摘要

本发明公开了一种基于低秩稀疏模型的遥感图像的变化检测方法，主要解决现有技术中构造差异图信息丢失严重的问题。其实现过程是：首先，用对数比值法从变化前后的遥感图像中提取出初始变化区域；其次，用该初始变化区域与变化前后图像，构造模拟遥感图像序列；然后，用低秩稀疏分解算法，将模拟遥感图像序列分解为低秩矩阵，稀疏矩阵和噪声矩阵三个部分；最后，用模糊C均值的方法对稀疏矩阵最后一列的列向量进行分类，得到最终的变化检测结果图。本发明具有检测精度高，信息丢失和累积误差少的优点，可用于目标检测与识别，图像分割以及机器学习领域。

主权项

一种基于低秩稀疏模型的遥感图像的变化检测方法，包括如下步骤：（1）输入变化前的遥感图像P1和变化后的遥感图像P2，其中，变化前后图像大小均为m×n；（2）利用变化前的遥感图像P1和变化后的遥感图像P2，构造k幅模拟变化后遥感图像Xi,i=1,2,…,k，且模拟变化后遥感图像Xi的大小为m×n；（3）利用变化前的遥感图像P1，变化后的遥感图像P2以及k幅模拟变化后遥感图像Xi,i=1,2,…,k，构造模拟遥感图像序列X=[p1,…xi,…p2]，其中，p1，xi，p2分别为将变化前图像P1，模拟变化后图像Xi以及变化后图像P2，拉成列向量后的列向量，则p1，xi，p2∈Rmn×1，X∈Rmn×(k+2)，Rmn×(k+2)表示大小为mn×(k+2)的实数空间；（4）用GODEC低秩稀疏分解算法，对模拟遥感图像序列X进行低秩稀疏分解：X=S+L+G，其中，S为稀疏矩阵，L为低秩矩阵，G为噪声矩阵，S,L,G∈Rmn×(k+2)，Rmn×(k+2)表示大小为mn×(k+2)的实数空间，且S＝{s1,s2,…sl,…,sk+2}，l=1,2,…,(k+2)，sl∈Rmn×1为稀疏矩阵S的列向量；（5）用模糊C均值方法，对稀疏矩阵S中最后一列的列向量sk+2∈Rmn×1进行分类，得到每个像素对应的类别标签，最终得到变化检测结果图。