[发明专利]基于多尺度分割和融合的高分辨率遥感图像变化检测方法

权利要求书

1.基于多尺度分割和融合的高分辨率遥感图像变化检测方法，其特征在于，该检测方法的具体过程为：

步骤1、采用多尺度分割算法对多时相的高分辨率遥感图像进行空间尺度分割，空间尺度分为粗尺度和细尺度两个部分，并选择适当的形状因子，利用自上而下区域异质性准则进行合并；

所述适当的形状因子是形状取0.4，光谱取0.6；

步骤2、对步骤1分割后的各尺度图像中的目标在对象角度上进行特征提取，用对象特征描述对象本身，进而相对其他时相的遥感图像进行向量分析，获得多个尺度的对象差异图；

步骤3、对步骤2获得的多个尺度的对象差异图进行变化信息提取和融合；首先采用自适应权重的像素级别融合方法，利用对象差异图的方差定义权重，分别得到针对粗尺度大目标和细尺度小目标的融合差异图；然后增加算法的鲁棒性，基于图像二维直方图进行变换信息提取，分别对粗尺度大目标和细尺度小目标融合差异图提取差异，分别获得粗尺度大目标和细尺度小目标的变化结果图；最后利用决策级的融合规则获得最终的总变化结果图。

2.根据权利要求1所述的基于多尺度分割和融合的高分辨率遥感图像变化检测方法，其特征在于，采用多尺度分割算法对多时相的高分辨率遥感图像进行空间尺度分割的具体方法为：

多尺度分割采用一种基于最小异质性的自上而下区域合并的算法来得到输入图像不同尺度的图像分割序列，联合形状异质性获得合并的区域，异质性的表示形式为：

其中，h_total表示整体异质性，表示光谱异质性权重，满足h_c和h_s分别表示光谱异质性和形状异质性，并且满足：

其中，表示各个波段权重，波段个数为c，σ_c表示各个光谱波段的标准差；表示光滑度权重，h_sm和h_co分别表示区域的光滑度和紧致度；

按照自上而下区域合并的算法，得到新合并区域的光谱异质性和形状异质性分别为：

其中，n_new表示新合并区域的像素数目，n₁和n₂分别表示合并前两个区域的像素数目，σ_c1和σ_c2分别表示合并前两个区域的标准差，h′_sm和h′_co分别表示新合并区域的光滑度和紧致度，h′_sm和h′_co分别表示为：

其中，L和l分别表示新合并区域的实际边界长度和外部矩形边界长度，L₁和L₂分别表示合并前两个区域的实际边界长度，l₁和l₂分别表示合并前两个区域的外部矩形边界长度；

根据合并准则得到的两个相邻区域之间的边权重值如果大于所设定的尺度参数，当前合并结束；如果图像中所有边的权重值均大于尺度参数，合并结束，生成该尺度参量控制下的分割结果。

3.根据权利要求1或2所述的基于多尺度分割和融合的高分辨率遥感图像变化检测方法，其特征在于，多尺度分为粗尺度和细尺度，细尺度的尺度参量为10到50，粗尺度的尺度参量为50到100。

4.根据权利要求1或2所述的基于多尺度分割和融合的高分辨率遥感图像变化检测方法，其特征在于，对分割后的各尺度图像中的目标在对象角度上进行特征提取的具体方法为：通过提取均值、标准差和目标直方图获得特征向量；

图像直方图f(x')是图像灰度值x'的函数，其中1≤x'＜M，M为图像最大灰度级；

两时相第i个目标的特征向量表示为：

H_i＝[H_i(1),H_i(2),…,H_i(k)]；

其中，k表示原始图像的波段数，特征向量中的每一个变量H_i(j)看作是波段j的特征向量；

f_i(j,x')为第j波段第i个目标的灰度值频率，经过特征提取之后得到的特征向量为一个M维的行向量；

通过均值模板和标准差模板计算各个目标的标准差和灰度均值，综合直方图特征向量得到M+2维的行向量；

对每个目标都采用上述方式，对所有多尺度分割得到的结果都采用特征提取方式获得特征图序列；

利用Gabor滤波器组得到各个方向相对应的特征图；二维Gabor滤波器看作是复指数函数和高斯函数结合的结果，通过图像与不同的滤波函数进行卷积得到不同特征图，滤波函数定义为：

其中，x和y分别为图像横坐标和纵坐标，σ_x和σ_y分别为x和y的尺度参量，为滤波器中心频率，φ为方向，u和v满足：

u＝xcosφ+ysinφ；

v＝-xsinφ+ycosφ。