[发明专利]基于核传播的遥感图像变化检测方法

摘要

本发明公开了一种基于核传播的遥感图像变化检测方法，主要解决现有技术不能准确反映数据间关系导致的检测正确率不高的缺点。其实现步骤为：输入两幅不同时相的遥感图像，对其做差得到差值图像；对差值图像进行过分割得到超像素集，将超像素集用k均值方法分为肯定变化类、肯定非变化类和不确定类；在属于肯定变化类和肯定非变化类的超像素中选取种子构造约束集；用约束集计算种子核矩阵，再用核传播公式计算全核矩阵并对其对角归一化；对归一化全核矩阵聚类得到变化检测结果。本发明具有较强的抗噪性，能有效地去除杂点，同时较好的保留边缘信息，检测结果准确率高。可用于城区扩展监测、森林和植被变化监测等领域。

主权项

一种基于核传播的遥感图像变化检测方法，包括如下步骤：（1）输入两幅大小均为I×J的同一地区不同时相已配准的遥感图像X1和X2，计算它们对应空间位置(m,n)处的像素点灰度值X1(m,n)和X2(m,n)的差值的绝对值Xd(m,n)=|X1(m,n)‑X2(m,n)|，由此得到一幅差值图像Xd={Xd(m,n)|m=1,2,...,I,n=1,2,…,J}，其中，m和n分别为输入遥感图像的行和列序号；（2）对差值图像Xd采用均值漂移方法进行分割，得到一幅由不同标记区域构成的过分割标记图Xb，计算差值图像Xd中空间位置对应在同一标记区域中的所有像素点的灰度均值，再将同一标记区域的灰度均值赋给该标记区域的像素点的灰度值，得到一幅过分割灰度图Xo，其中具有相同灰度值的像素点形成的一个标记区域为一个超像素；（3）用k均值聚类算法将过分割灰度图Xo中的超像素聚为三类，分别是肯定变化类、肯定非变化类及不确定类；（4）从肯定变化类的超像素中选取Nk个种子，形成肯定变化类的种子集Xc，从肯定非变化类的超像素中选取Nz‑Nk个种子，形成肯定非变化类的种子集Xn，合并肯定变化类的种子集Xc和肯定非变化类的种子集Xn，得到种子集Xl，并将超像素集中减去种子集Xl后剩余的超像素形成的集合称为无标签集Xu，其中，Nz为选取种子的总个数；（5）在肯定变化类的种子集Xc中随机选取种子对，在肯定非变化类的种子集Xn中随机选取种子对，所有种子对形成正约束集M，再分别在肯定变化类的种子集Xc和肯定非变化类的种子集Xn中随机选取一个种子，构成种子对，所有种子对形成负约束集C；（6）先将种子集Xl中的超像素按标记值从小到大排列，再将无标签集Xu中的超像素按标记值从小到大排列，按顺序构成超像素向量S；计算超像素向量S的归一化拉普拉斯矩阵L，由此计算种子核矩阵Kll，用核传播公式计算与超像素集S对应的全核矩阵K*并对其进行归一化，得到一个大小为N×N的归一化全核矩阵K；（7）用k均值聚类算法将全核矩阵K按行聚为两类，分别计算这两类的所有超 像素的灰度均值，将灰度均值较大的一类超像素确定为变化类超像素，另一类即为非变化类超像素；（8）对于超像素向量S中的超像素，如果该超像素属于变化类，则将分割标记图Xb中与该超像素标记相同的像素点都确定为变化类，否则，为非变化类，由此得到变化检测结果。