[发明专利]一种基于差分描述子的遥感图像变化向量变化检测法

权利要求书

1.一种基于差分描述子的遥感图像变化向量变化检测法，其特征是，包括如下步骤：

1)选取两张多时相图像并进行影像配准，辐射归一化的预处理；

2)对多时相图像的波段进行组合，得到图像信息最大化的组合；

3)针对波段的空间信息，构建基于非线性滤波的差分描述子来计算像素变化量，并得到差分图像；

4)基于贝叶斯判别规则选取阈值，通过阈值法确定差分图像中的变化像素；

所述步骤2)的具体内容为：

21)找出两张图像x₁和x₂中所有的n个波段；

22)找出图像x₁的每一个波段i，分别与图像x₂的所有的n个波段进行组合，得到n²个结果；

23)计算出图像x₁中每个波段i的n个组合结果的相关系数；

24)对图像x₁中所有波段i的相关系数做归一化处理；

所述步骤23)的具体内容为：

231)分别求出图像x₁中每个波段i的图像像素平均值和图像x₂中每个波段j的图像像素平均值

232)求出波段i和波段j的协方差cov(i,j)；

233)求出所有波段i和波段j的相关系数r₁、·····、r_n2；

所述步骤24)的具体内容为：对步骤233)得到的n个相关系数r₁····r_n相叠加得到S后，求出n个归一化的相关系数λ₁、···、λ_n；

所述步骤3)的具体步骤如下：

31)建立像素模板：分别将图像x₁的i波段和x₂的j波段转换成M×N阶像素矩阵，将非边界上的每个点的像素作为中心像素，并与其相邻的8个像素一起构成3×3的模块在3×3的模块中，每个模块用该点的像素来表示数值；

32)建立单波段的水平分量模型和垂直分量模型单独对每个图像所构成的若干个3×3的模块，依次计算出模块的水平变化量v和竖直变化量h，水平分量v＝v₁+v₈+v₇-(v₃+v₄+v₅)，竖直分量h＝v₁+h₂+v₃-(v₇+h₁+v₅)；

33)建立双波段的变化分量模型：将波段i和波段j所有的3×3模块按照中心像素的位置依次对应，并将波段j所有的3×3模块的中心像素替换为波段i的对应点，形成双波段的变化分量模型F_i(U,V)代表i波段(U,V)点的像素，F_j(U,V)代表j波段(U,V)点的像素；

34)在双波段的变化分量模型中，依次计算出双波段的变化分量模型的中心像素局部的水平变化量v和竖直变化量h，其中

35)建立高斯模板：依据图像在相邻像素之间存在的相关性，引入高斯分布函数，令中心元素坐标(U,V)为(0,0)，并把其邻域坐标代入可得出3*3归一化高斯加权模板；

将高斯加权模板与的对应位置依次做乘积得到即可得最终的加权局部变化分量和

36)对加权变化量和求模值，作为该中心像素点的光谱变化强度值；

37)根据上述步骤，计算出所有像素点的光谱变化强度值并组成M×N阶矩阵；

38)依次计算出图像x₁的i波段与图像x₂所有波段组合下的光谱变化强度值，并组成n个M×N阶矩阵；根据归一化的波段相关系数，对n个M×N阶矩阵依次加权，求出最终的加权变化分量矩阵X；

39)依次计算出图像x₁除i波段以外波段的光谱变化强度值，可求出所有的变化分量矩阵。

2.根据权利要求1所述的一种基于差分描述子的遥感图像变化向量变化检测法，其特征是，所述步骤4)的具体步骤如下：

41)基于EM算法进行参数估计：

像素组成集合F＝{f₁,f₂,····f_n}，并用f_k代表第k个像素；

集合F中的元素分为变化类w_c和未变类w_n；假设w_c和w_n的条件概率密度函数服从高斯分布即

集合F中的所有元素可看作由两个子高斯组成的混合分布：p(f_k)＝p(w_c)×p(f_k|w_c)+p(w_n)×p(f_k|w_n)，其中

公式中待求取的参数分别为变化类w_c的p(w_c)、和以及未变化w_n的p(w_n)、和可由EM算法迭代求解，即下述公式来求取：

t为迭代次数，初始值为k均值聚类的结果，迭代直到连续两次迭代出的参数差值小于设定的阈值；

42)基于贝叶斯判别规则的变化判断：根据贝叶斯公式，可得到后验概率计算式：当得到w_c与w_n的参数后，若p(w_c|f_k)＞p(w_n|f_k)，则f_k∈w_c，即该像素属于变化类，若p(w_n|f_k)≥p(w_c|f_k)，则f_k∈w_n，即该像素属于未变化类。