[发明专利]一种基于相关性度量的遥感图像变化检测方法及系统

说明书

本发明涉及一种基于相关性度量的遥感图像变化检测方法及系统，该方法包括：分别获取第一遥感图像和第二遥感图像；对第一遥感图像和第二遥感图像进行特征提取得到第一特征图和第二特征图；根据第一特征图和第二特征图的各像素特征向量之间的欧氏距离对应计算第一特征图和第二特征图的像素之间的亲和性，进而计算跨域像素之间的距离；根据跨域像素之间的距离计算第一特征图和第二特征图的相关性矩阵；根据相关性矩阵得到第一特征图和第二特征图的相关性图像；根据相关性图像得到变化检测的结果。本发明能克服不同传感器来源的遥感图像各自底层数据分布不同带来的度量偏差，以图像内部亲和性为基础，提高了异源图像相关性度量的稳定性和鲁棒性。

技术领域

本发明涉及遥感图像变化检测领域，特别是涉及一种基于相关性度量的遥感图像变化检测方法及系统。

背景技术

对于传统的基于相关性度量的变化检测方法，它们依赖于逐像素的强度信息，利用的是图像中对应像素灰度的相关系数来确定双时相图像对应像素的相关性。如基于概率统计理论，利用不同遥感图像邻域t检验值之间的相关系数与阈值的关系，判断图像中发生变化的区域。之后，有研究者提出将纹理特征与光谱特征相结合的相关系数计算模型，即对双时相遥感图像进行棋盘分割的基础上，计算各对应分割窗口内的相关系数，并以其中心点的坐标和相关系数值在三维空间中进行插值处理得到整个区域的相关系数空间分布图，进一步通过密度分割处理提取变化信息。与此同时，基于深度学习的FC-EF、FC-Siam-conc和FC-Siam-diff方法通过拼接(Concatenate)、相加和差分等手段对异源的遥感图像进行相关分析和变化特征提取。

传统基于相关系数的变化检测方法依据不同时相遥感影像中，同名点光谱值的相关系数与阈值的关系进行像素点或区域的变化判断，该方法对成像条件差异大的图像检测效果不佳。而以全卷积神经网络为代表的FC-EF、FC-Siam-conc和FC-Siam-diff等方法通过直接的多通道卷积获取异源相关性信息，对于不同源的干扰受影响较大，在进行变化检测时对异源特别是不同光照、季节条件下的遥感图像检测不佳。

在实际应用场景中，面对突发事件时，由于复杂气象条件的限制，很难及时获取事件发生前后的同源遥感影像，这也就导致上述一般方法在解决实际问题时存在诸多的难题，例如异源图像的噪声差异、成像的分辨率差异和季节、光照等差异导致的变化检测效果不佳。因此，寻求一种稳定、可靠的变化检测方法一直是变化检测领域的研究重点。

目前，基于相关性的变化检测方法存在以下技术难点，由于不同图像采集传感器的原理和成像时间差异，相互之间存在噪声、成像条件等差异大的特点，现有的变化检测模型进行实验发现，当图像差异较大时变化检测效果不甚理想。这是由于传统的相关分析方法和全卷积网络方法对异源图像的相关性考虑不足，直接度量带来的变化信息提取不理想。

据我们所知，基于传统相关性分析方法和全卷积神经网络的变化检测模型仍不能很好地解决上述问题。在变化检测的效果方面，现有的方法都不能满足遥感图像的复杂化和多样化需求，因此这一问题亟待解决。

发明内容

本发明的目的是提供一种基于相关性度量的遥感图像变化检测方法及系统，能克服不同传感器来源的遥感图像各自底层数据分布不同带来的度量偏差，以图像内部亲和性为基础，提高了异源图像相关性度量的稳定性和鲁棒性。

为实现上述目的，本发明提供了如下方案：

一种基于相关性度量的遥感图像变化检测方法，包括：

在第一时间内用第一传感器获取第一遥感图像；

在第二时间内用第二传感器获取第二遥感图像；

分别对所述第一遥感图像和第二遥感图像进行特征提取，对应得到第一特征图和第二特征图；

根据所述第一特征图和第二特征图的各像素特征向量之间的欧氏距离对应计算第一特征图像素之间的亲和性和第二特征图像素之间的亲和性；