[发明专利]基于分形属性和决策融合的遥感影像变化检测方法

说明书

本发明公开了基于分形属性和决策融合的遥感影像变化检测方法，步骤：采集多时相高分辨率遥感影像；建立基于平均尺度间相关性最小值的目标函数，通过迭代计算，自适应确定各属性的尺度参数集合，提取具有自适应尺度参数的形态学属性剖面；构建多特征决策融合框架，计算变化强度指标和证据置信度指标来分别描述变化信息和相应的信任程度，利用多特征决策融合框架融合来自自适应尺度参数的形态学属性剖面和原始光谱的变化信息，得到最终的变化检测图。本发明通过基于最小平均尺度间相关性建立目标函数，自适应地获得一组尺度参数，在此基础上，构建多特征决策融合框架，通过减少不同来源的变化信息的不确定性来提高决策的可靠性。

技术领域

本发明属于图像处理领域，特别涉及了一种遥感影像变化检测方法。

背景技术

随着遥感系统的不断发展，变化检测(Change Detection，CD)作为遥感领域中最重要的应用之一，引起了人们的广泛关注。对土地覆被变化的准确理解是人类活动中的一个重要问题，如动态土地利用、植被健康和环境检测等。新一代高分辨率传感器(例如IKONOS、Quickbird和GF2)的广泛使用进一步扩大了CD技术的应用范围。与中、低分辨率遥感影像相比，高分辨率遥感影像(High-Resolution Remote Sensing,HRRS)包含了更多的土地覆盖空间信息和专题信息，使得在场景中识别不同类型的复杂结构是可行的。然而，由于形状各异的对象由许多像素构成并且光谱信息非常有限，因此高分辨率遥感影像的这些特性使得传统基于光谱差异的传统像素变化检测方法难以取得理想的效果。

为了解决这一问题，大量研究引入了空间结构信息作为补充。事实证明，这种信息对提高HRRS影像中CD的识别能力是非常有效的。在现有文献中，监督的机器学习方法在CD中应用最为广泛。然而，这些方法需要大量的训练样本来确定模型参数，从而避免过拟合现象。同时，针对HRRS中的CD，学者们提出了多种无监督的空间结构信息的提取方法。这些研究采用了不同的策略，如基于对象的方法，基于线性变换的方法，基于马尔可夫随机场(Markov Random Field，MRF)的方法，多尺度分析方法以及变化强度指标方法。近年来，为了应对遥感影像分辨率提高而带来的对CD没有意义甚至不利的细节信息，形态学属性剖面(MorphologicalAttribute Profiles，MAPs)被引入到CD的应用中。

作为HRRS影像空间建模中非常有效的方法之一，MAPs中的算子可以通过树结构有效地实现土地覆盖的多尺度表示。与传统的基于给定滤波窗口的特征提取策略相比，MAPs可以将分析单元扩展到所有具有相似属性的连通像素，从而有助于准确提取像素所属对象的空间结构信息。此外，在CD应用中，MAPs在降低影像复杂度和提取空间结构信息方面也被证明是有效的。即便如此，大多数基于MAPs的CD方法仍存在一些问题：(1)为了突出具有代表性的空间结构信息，同时在有限数量的属性剖面(Attribute Profiles，APs)中减少冗余信息，需要自适应地确定一组合理的尺度参数集合。然而，MAPs理论没有给出明确的标准，目前的尺度参数大多数是根据经验人工确定的。(2)鉴于场景中土地覆盖变化的复杂性，当结合多个APs的变化信息和其他特征时，现有研究中很少考虑到不同来源的变化信息中所包含的不确定性。

发明内容

为了解决上述背景技术提到的技术问题，本发明提出了基于分形属性和决策融合的遥感影像变化检测方法。

为了实现上述技术目的，本发明的技术方案为：

基于分形属性和决策融合的遥感影像变化检测方法，包括以下步骤：

(1)采集多时相高分辨率遥感影像；

(2)建立基于平均尺度间相关性最小值的目标函数，通过迭代计算，自适应确定各属性的尺度参数集合，提取具有自适应尺度参数的形态学属性剖面；