[发明专利]基于随机森林的多尺度分层采样的高分卫星影像变化检测方法

说明书

本发明公开了一种基于随机森林的多尺度分层采样的高分卫星影像变化检测方法，该方法采用面向对象的思想，进行多尺度分层采样以自动获得多尺度训练样本，将亚尺度样本和当前尺度样本进行组合；然后提取训练样本光谱，纹理和形状特征融合在一起构成特征空间，将样本组合和相应的特征空间输入随机森林中以训练多个变化分类器，选择袋外误差参数最小的分类器，作为变化检测分类器，进行变化检测。相比传统的方法，本发明提出了多尺度分层采样方法，考虑了多尺度的特征信息，在不增加人工工作量的同时，为变化区域和非变化区域自动增加了训练样本，提高了训练样本的特征泛化能力，并且分类进行变化检测，方法简单，可操作性强，有很好的扩展性。

技术领域

本发明属于遥感影像处理技术领域，涉及一种高分卫星影像变化检测方法，尤其涉及一种基于随机森林的多尺度分层采样的高分卫星影像变化检测方法。

背景技术

遥感影像的变化检测技术广泛应用于土地利用/覆盖变化、灾害评估、城市扩张监测等领域。主要可分为基于像素和基于对象的变化检测方法。虽然基于像素的遥感影像信息提取方法快，但在高分辨率影像中的信息提取有其固有的局限性，它仅依靠地物的光谱信息造成严重的椒盐噪声，而且没有很好的利用高分辨率影像丰富的空间信息和语义信息容易造成漏检或误检。基于面向对象的遥感图像变化检测方法能够充分利用高分影像的光谱，纹理和形状特征，成为热点研究。

目前一些基于面向对象变化检测的方法，往往只是利用单一的尺度进行分割来获取对象的，多尺度的信息无法利用，而实际上高分辨率的影像具有多尺度的特性，单一尺度的对象与其他更高或者更低的尺度上的对象相互关联，利用单一尺度分割影像必然会存在过分割或不完全分割的情况。

发明内容

对不同类型的地物来说多尺度分割可以获得更全面的地物目标的特征，将这些多尺度的地物特征用于变化检测能更好地反映地物的变化。为了解决上述技术问题，本发明提出了基于随机森林的多尺度分层采样的高分卫星影像变化检测方法，本发明相比传统方法，能够在不增加人工工作量的同时自动增加样本，充分利用的多尺度特征，提高了模型的泛化能力，并且分类进行变化检测，方法简单，可操作性强，有很好的扩展性。

本发明所采用的技术方案是：一种基于随机森林的多尺度分层采样的高分卫星影像变化检测方法，包括以下步骤：

步骤1，将两个时相的影像数据进行配准和相对辐射校正；

步骤2，对配准和相对辐射校正后的两个时相影像进行组合叠置，形成新的影像，然后利用多尺度分割方法对新的影像进行分割获取两个时相的当前对象层和亚尺度对象层；

步骤3，对已分割对象进行多尺度分层采样，分别获取当前对象层和亚尺度对象层的训练对象，识别训练对象的变化和非变化类型，并将当前对象层和亚尺度对象层的训练对象样本进行组合，以获得不同的训练样本组合；

步骤4，对训练样本组合，以及配准和相对辐射校正后两个时相的影像的当前对象层，进行光谱特征、纹理特征、形状特征的提取，然后利用多特征融合将两个时相的特征进行融合，并将融合结果进行叠加得到变化检测特征矢量；

步骤5，将训练样本组合和相应的特征矢量及对应的变化类型输入到随机森林分类器中，训练多个随机森林分类器，以袋外误差最小作为约束条件，选择最优的随机森林模型；

步骤6，利用最优的随机森林模型对两个时期影像的当前对象层进行变化检测。

进一步的，步骤3的具体实现包括如下子步骤，

步骤3.1，在配准和相对辐射校正后的两个时相影像上，选择训练多边形，人工识别变化和非变化类型；

步骤3.2，根据步骤3.1中的像素层采样，选择与训练多边形中的最多像素重叠的对象作为当前对象层的训练对象，并识别训练对象的变化和非变化类型；