基于聯(lián)合字典學(xué)習(xí)的多時相遙感圖像變化檢測方法
【專利摘要】基于聯(lián)合字典學(xué)習(xí)的多時相遙感圖像變化檢測方法，包括：1)從多時相遙感圖像中提取大量未變化樣本，對該樣本進行聯(lián)合字典學(xué)習(xí)，得未變化樣本的基；2)將步驟1)未選取的其余多時相樣本作為測試集樣本；用未變化樣本的基對測試集樣本稀疏重構(gòu)；對測試集樣本和重構(gòu)測試集樣本求差得到差值影像；3)從多時相遙感圖像中選取少量變化樣本；用未變化樣本的基對不同時相的變化樣本稀疏重構(gòu)；利用不同時相變化樣本的重構(gòu)圖像間的差值，經(jīng)池化操作得變化樣本的變化閾值；4)結(jié)合差值影像和變化樣本的變化閾值判別出多時相遙感圖像的變化區(qū)域，統(tǒng)計檢測率。本發(fā)明可大幅減小標(biāo)記樣本的使用、無需人工選擇變化閾值以及能夠提高對遙感圖像變化的檢測率。
【專利說明】
基于聯(lián)合字典學(xué)習(xí)的多時相遙感圖像變化檢測方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于信息處理技術(shù)領(lǐng)域，設(shè)及一種多時相多光譜圖像變化檢測方法，尤其 設(shè)及一種基于聯(lián)合字典學(xué)習(xí)的多時相遙感圖像變化檢測方法。
【背景技術(shù)】
[0002] 20世紀(jì)W來，信息技術(shù)和空間技術(shù)的發(fā)展深刻地改變了人類觀測地球的方式。"欲 窮千里目，更上一層樓"，從第一顆人造衛(wèi)星升空開始，人類便開始W-種前所未有的高度 鳥廠梟宇。隨著遙感技術(shù)的出現(xiàn)，人們可W更加直觀地了解地球每一天的變化。其中，由于 對地觀測技術(shù)的快速發(fā)展使得獲取同一地區(qū)不同時相的遙感影像成為可能。利用多時相的 遙感影像可W為地理國情檢測提供重要的技術(shù)保障和提供檢測的實時性，對遙感圖像的變 化進行檢測可W在環(huán)境監(jiān)測、冰川融化、災(zāi)害評估、城市擴張、軍事目標(biāo)檢測、±地利用等方 面發(fā)揮重要的作用。
[0003] 目前，對于多時相遙感圖像變化的檢測方法主要分為兩類：
[0004] 一類是基于無監(jiān)督的遙感影像變化檢測方法，該方法在多時相的高分遙感影像、 高光譜遙感影像的變化檢測中是最通用和流行的，因為該方法不僅計算復(fù)雜度比較低，同 時也能取得較好的效果。例如，F(xiàn).Bovolo等人在參考文獻"A theoretical化amework for unsupervised ch曰nge detection b曰sed on ch曰nge vector 曰n曰lysis in the pol曰r domain. IEEE Transactions on Geoscience and Remote Sensing, 45(1):218-236, 2007." 中提出了一種基于變化矢量方法的變化檢測方法，不僅僅從數(shù)學(xué)公式上論證該方法的可行 性，同時對于具體的原理也給出了詳細(xì)的說明。然而該方法存在的不足是：直接在多時相遙 感圖像上進行矢量差值大小運算求解，容易受到圖像不同噪聲和不同遙感平臺拍攝角度的 干擾，導(dǎo)致檢測率低。
[0005] 另一類是基于后分類變化檢測的監(jiān)督方法，運種方法是將多時相的遙感圖像進 行監(jiān)督學(xué)習(xí)，在單幅圖像上提高自身地物分類精度，從而提高最終的檢測精度，武漢大 學(xué)的遙感專家張良培教授稱運種方法為"化om-to"模型。例如，B.Demir等人在參考文 獻"Updating Land-Cover Maps by Classification of Image Time Series:A Novel Ch曰nge-Detection-Driven Tr曰nsfer Le曰rning Appro曰ch. IEEE Tr曰ns曰ctions on Geoscience and Remote Sensing, 51 (1) :300-312, 2013."中提出了一種基于遷移學(xué)習(xí)的方 法，利用遷移學(xué)習(xí)對多時相遙感影像進行地物分類，最后實現(xiàn)高精度的變化檢測。然而該方 法存在的不足是：基于傳統(tǒng)監(jiān)督分類的方法需要大量專家費時費力的進行地物標(biāo)注，使得 該方法在推廣上有一定的局限性；同時，由于變化闊值的選擇依賴于人工選擇或者其他聚 類方法，使得監(jiān)督的變化檢測方法的發(fā)展受到限制。

【發(fā)明內(nèi)容】

[0006] 為了解決【背景技術(shù)】中存在的上述技術(shù)問題，本發(fā)明提供了一種大幅減小標(biāo)記樣本 的使用、無需人工選擇變化闊值W及能夠提高遙感圖像變化檢測率的基于聯(lián)合字典學(xué)習(xí)的 多時相遙感圖像變化檢測方法。 陽007] 本發(fā)明的技術(shù)解決方案是：
[0008] 本發(fā)明提供了一種基于聯(lián)合字典學(xué)習(xí)的多時相遙感圖像變化檢測方法，其特殊之 處在于：所述基于聯(lián)合字典學(xué)習(xí)的多時相遙感圖像變化檢測方法包括W下步驟：
[0009] 1)從多時相遙感圖像中提取大量未變化樣本，對提取的大量未變化樣本進行聯(lián)合 字典學(xué)習(xí)，得到未變化樣本的基；
[0010] 2)將步驟1)中未選取的其余所有多時相樣本標(biāo)記為測試集樣本，測試集樣本包 括變化樣本和未變化樣本；利用步驟1)所得未變化樣本的基對測試集樣本進行稀疏重構(gòu)， 得到重構(gòu)測試集樣本；對測試集樣本和重構(gòu)測試集樣本求差，得到差值影像； 陽011] 3)從多時相遙感圖像中選取少量變化樣本；根據(jù)未變化樣本的基，對不同時相的 變化樣本進行稀疏重構(gòu)，得到不同時相變化樣本的重構(gòu)圖像；利用不同時相變化樣本的重 構(gòu)圖像之間的差值，經(jīng)過池化操作，得到變化樣本的變化闊值；
[0012] 4)結(jié)合步驟2)所得差值影像W及步驟3)所得變化樣本的變化闊值，判別出多時 相遙感圖像的變化區(qū)域，并統(tǒng)計檢測率。
[0013] 上述步驟1)的具體實現(xiàn)方式是：
[0014] 1. 1)將多時相遙感圖像預(yù)處理后，選取同一地點不同時相中的大量未變化樣本；
[0015] 1. 2)將不同時相中選取的大量未變化樣本拼接在一起，利用稀疏表達的方法得到 未變化樣本的基，即：
[001 引 Xi二 DiSi
[0017] 其中，Xi為未變化樣本；D 1為未變化樣本的字典，即未變化樣本的基；S 1為未變化 樣本的稀疏表達系數(shù)。
[0018] 上述步驟2)的具體實現(xiàn)方式是：
[0019] 2. 1)建立測試集樣本后，利用稀疏表達機制將測試集樣本分解為新的字典和新的 稀疏表達系數(shù)，即：
[0020] X2= D2S2
[0021] 其中，X2為測試集樣本；D 2為測試集樣本的字典，即測試集樣本的基；S 2為測試集 樣本的稀疏表達系數(shù)；
[0022] 2. 2)利用步驟1. 2)中所得未變化樣本的基化替換步驟2. 1)中所得測試集樣本的 基〇2,在稀疏表達的框架下重構(gòu)多時相遙感圖像的測試集樣本，得到重構(gòu)測試集樣本X2 ';
[0023] 2.3)對測試集樣本X2與重構(gòu)測試集樣本X2'進行求差運算，得到差值影像。
[0024] 上述步驟3)的具體實現(xiàn)方式是：
[0025] 3. 1)對于選取的少量變化樣本中每一個單時相的變化樣本集，分別利用其稀疏表 達系數(shù)與步驟1. 2)中所得未變化樣本的基化進行重構(gòu)，得到不同時相變化樣本集的重構(gòu) 圖像；
[00%] 3. 2)對于步驟3. 1)所得不同時相變化樣本集的重構(gòu)圖像進行差值運算，得到變 化樣本在未變化樣本的基上的重構(gòu)誤差圖像；
[0027] 3. 3)將步驟3. 2)中所得重構(gòu)誤差圖像進行池化操作，得到重構(gòu)誤差，即變化樣本 的變化闊值。
[0028] 上述步驟4)的具體實現(xiàn)方式是：
[0029] 4. 1)將步驟2. 3)所得差值影像的像素值與步驟3. 3)所得變化樣本的變化闊值進 行對比；若差值影像的像素值大于等于變化樣本的變化闊值，則將該差值影像對應(yīng)的區(qū)域 標(biāo)注為變化區(qū)域；若差值影像的像素值小于變化樣本的變化闊值，則將該差值影像對應(yīng)的 區(qū)域標(biāo)注為未變化區(qū)域；
[0030] 4. 2)按照步驟4. 1)判別出多時相遙感圖像的變化區(qū)域后，判別的平均準(zhǔn)確率即 為檢測率，檢測率的計算方式為：判別正確的像素個數(shù)占總像素個數(shù)的百分比。 陽03U 本發(fā)明的優(yōu)點是：
[0032] 本發(fā)明提供了一種基于聯(lián)合字典學(xué)習(xí)的多時相遙感圖像變化檢測方法，該檢測方 法將大量的未變化樣本引入到稀疏表達機制中，且只利用了少量變化樣本學(xué)習(xí)變化闊值， 克服了傳統(tǒng)監(jiān)督方法需要大量人工標(biāo)注的困難，提高了對多時相遙感圖像的變化檢測精 度；同時，本發(fā)明中變化樣本的變化闊值是自適應(yīng)從實驗圖像中學(xué)取的，克服了傳統(tǒng)方法需 要人工選擇變化闊值或者依靠其他算法進行闊值學(xué)習(xí)的不足；在試驗結(jié)果上，本發(fā)明采取 的自適應(yīng)闊值選擇策略表現(xiàn)出較好的能力，能夠避免不同噪聲和拍攝角度對檢測結(jié)果的影 響，獲得了更好的識別結(jié)果，從而為地理國情檢測、軍事偵察和環(huán)境監(jiān)測等方面提供更好的 技術(shù)支持。
【附圖說明】
[0033] 圖1是本發(fā)明提供的基于聯(lián)合字典學(xué)習(xí)的多時相遙感圖像變化檢測方法的流程 圖；
[0034] 圖2a是資源Ξ號衛(wèi)星拍攝的2000年昆山地區(qū)的多光譜數(shù)據(jù)圖；
[0035] 圖化是資源Ξ號衛(wèi)星拍攝的2003年昆山地區(qū)的多光譜數(shù)據(jù)圖；
[0036] 圖3a是資源Ξ號衛(wèi)星拍攝的2000年臺州地區(qū)的多光譜數(shù)據(jù)圖；
[0037] 圖3b是資源Ξ號衛(wèi)星拍攝的2003年臺州地區(qū)的多光譜數(shù)據(jù)圖；
[003引圖4a是利用變化矢量分析方法對昆山地區(qū)多時相遙感圖像變化的檢測結(jié)果圖； [0039] 圖4b是利用主成分分析方法對昆山地區(qū)多時相遙感圖像變化的檢測結(jié)果圖； W40] 圖4c是利用迭代權(quán)重的多元檢測算法對昆山地區(qū)多時相遙感圖像變化的檢測結(jié) 果圖；
[0041] 圖4d是利用半監(jiān)督的顯著檢測算法對昆山地區(qū)多時相遙感圖像變化的檢測結(jié)果 圖；
[0042] 圖4e是利用監(jiān)督的慢特征算法對昆山地區(qū)多時相遙感圖像變化的檢測結(jié)果圖；
[0043] 圖4f是利用本發(fā)明檢測方法（不包含自適應(yīng)闊值選擇策略）對昆山地區(qū)多時相 遙感圖像變化的檢測結(jié)果圖； W44] 圖4g是利用本發(fā)明檢測方法（包含自適應(yīng)闊值選擇策略）對昆山地區(qū)多時相遙 感圖像變化的檢測結(jié)果圖；
[0045] 圖4h是昆山地區(qū)多時相遙感圖像的真實變化區(qū)域標(biāo)注圖；
[0046] 圖5a是利用變化矢量分析方法對臺州地區(qū)多時相遙感圖像變化的檢測結(jié)果圖；
[0047] 圖化是利用主成分分析方法對臺州地區(qū)多時相遙感圖像變化的檢測結(jié)果圖； W48]圖5c是利用迭代權(quán)重的多元檢測算法對臺州地區(qū)多時相遙感圖像變化的檢測結(jié) 果圖； W例圖5d是利用半監(jiān)督的顯著檢測算法對臺州地區(qū)多時相遙感圖像變化的檢測結(jié)果 圖；
[0050] 圖5e是利用監(jiān)督的慢特征算法對臺州地區(qū)多時相遙感圖像變化的檢測結(jié)果圖；
[0051] 圖5f是利用本發(fā)明檢測方法（不包含自適應(yīng)闊值選擇策略）對臺州地區(qū)多時相 遙感圖像變化的檢測結(jié)果圖；
[0052] 圖5g是利用本發(fā)明檢測方法（包含自適應(yīng)闊值選擇策略）對臺州地區(qū)多時相遙 感圖像變化的檢測結(jié)果圖；
[0053] 圖化是臺州地區(qū)多時相遙感圖像的真實變化區(qū)域標(biāo)注圖。
【具體實施方式】
[0054] 參見圖1，本發(fā)明提供了一種基于聯(lián)合字典學(xué)習(xí)的多時相遙感圖像變化檢測方法， 其包括W下步驟：
[0055] 1)從多時相遙感圖像中提取大量未變化樣本（一般可W從多時相遙感圖像中提 取20% -50%的未變化樣本），對提取的大量未變化樣本進行聯(lián)合字典學(xué)習(xí)，得到未變化樣 本的基；
[0056] 1. 1)將多時相遙感圖像預(yù)處理后，選取同一地點不同時相中的大量未變化樣本；
[0057] 1. 2)將不同時相中選取的大量未變化樣本拼接在一起，利用稀疏表達的方法得到 未變化樣本的基，即：
[0058] Xi= D iSi
[0059] 其中，Xi為未變化樣本；D 1為未變化樣本的字典，即未變化樣本的基；S 1為未變化 樣本的稀疏表達系數(shù)。
[0060] 本發(fā)明中，聯(lián)合字典學(xué)習(xí)是將不同時相遙感圖像中的同類別樣本拼接在一起，作 為一個新的聯(lián)合樣本，對該聯(lián)合樣本進行稀疏學(xué)習(xí)求取該聯(lián)合樣本的字典，對該聯(lián)合樣本 求取的字典稱為聯(lián)合字典。本步驟中選取的是不同時相遙感圖像的未變化樣本，從而求得 未變化樣本的聯(lián)合字典，即未變化樣本的基。
[0061] 2)將步驟1)中未選取的其余所有多時相樣本標(biāo)記為測試集樣本，測試集樣本包 括變化樣本和未變化樣本；利用步驟1)所得未變化樣本的基對測試集樣本進行稀疏重構(gòu)， 得到重構(gòu)測試集樣本；對測試集樣本和重構(gòu)測試集樣本求差，得到差值影像；
[0062] 2. 1)建立測試集樣本后，利用稀疏表達機制將測試集樣本分解為新的字典和新的 稀疏表達系數(shù)，即：
[0063] X2= D2S2 W64] 其中，X2為測試集樣本；D 2為測試集樣本的字典，即測試集樣本的基；S 2為測試集 樣本的稀疏表達系數(shù)； W65] 2.。利用步驟1.。中所得未變化樣本的基化替換步驟2. 1)中所得測試集樣本的 基〇2,在稀疏表達的框架下重構(gòu)多時相遙感圖像的測試集樣本，得到重構(gòu)測試集樣本X2';
[0066] 2.3)對測試集樣本X2與重構(gòu)測試集樣本X2'進行求差運算，得到差值影像。
[0067] 3)從多時相遙感圖像中選取少量變化樣本（一般可W從多時相遙感圖像中選取 2% -10%的變化樣本）；根據(jù)未變化樣本的基，對不同時相的變化樣本進行稀疏重構(gòu)，得到 不同時相變化樣本的重構(gòu)圖像；利用不同時相變化樣本的重構(gòu)圖像之間的差值，經(jīng)過池化 操作，得到變化樣本的變化闊值；
[0068] 3. 1)對于選取的少量變化樣本中每一個單時相的變化樣本集，分別利用其稀疏表 達系數(shù)與步驟1. 2)中所得未變化樣本的基化進行重構(gòu)，得到不同時相變化樣本集的重構(gòu) 圖像；
[0069] 3. 2)對于步驟3. 1)所得不同時相變化樣本集的重構(gòu)圖像進行差值運算，得到變 化樣本在未變化樣本的基上的重構(gòu)誤差圖像；
[0070] 3. 3)將步驟3. 2)中所得重構(gòu)誤差圖像進行池化操作，得到重構(gòu)誤差，即變化樣本 的變化闊值。由于該變化闊值是自適應(yīng)從實驗圖像中學(xué)取的，可W較好的克服傳統(tǒng)人工選 取變化闊值或者依賴于其他成熟算法的不足，且在試驗結(jié)果上，本發(fā)明的自適應(yīng)闊值選擇 策略表現(xiàn)出較好的能力。
[0071] 4)結(jié)合步驟2)所得差值影像W及步驟3)所得變化樣本的變化闊值，判別出多時 相遙感圖像的變化區(qū)域，并統(tǒng)計檢測率；
[0072] 4. 1)將步驟2. 3)所得差值影像的像素值與步驟3. 3)所得變化樣本的變化闊值進 行對比；若差值影像的像素值大于等于變化樣本的變化闊值，則將該差值影像對應(yīng)的區(qū)域 標(biāo)注為變化區(qū)域；若差值影像的像素值小于變化樣本的變化闊值，則將該差值影像對應(yīng)的 區(qū)域標(biāo)注為未變化區(qū)域；
[0073] 4. 2)按照步驟4. 1)判別出多時相遙感圖像的變化區(qū)域后，判別的平均準(zhǔn)確率即 為檢測率，檢測率的計算方式為：判別正確的像素個數(shù)占總像素個數(shù)的百分比。
[0074] 下面利用仿真實驗來說明本發(fā)明提供的基于聯(lián)合字典學(xué)習(xí)的多時相遙感圖像變 化檢測方法的有益效果： 陽〇7引 1)仿真條件
[0076] 在中央處理器為 Intel(R) Core i3-530 2. 93GHZ、內(nèi)存 4G、WIND0WS7 操作系統(tǒng)上 運用MTLAB軟件進行仿真；實驗中使用的測試圖像為資源Ξ號衛(wèi)星拍攝的昆山地區(qū)和臺 州地區(qū)的多光譜數(shù)據(jù)（參見圖2曰、圖化、圖3a和圖3b)。
[0077] 。仿真內(nèi)容
[007引采用本發(fā)明提供的檢測方法進行實驗：
[0079] 首先，對昆山地區(qū)和臺州地區(qū)兩個數(shù)據(jù)庫分別選取出大量未變化區(qū)域樣本對和少 量變化區(qū)域樣本對，并將剩下的所有樣本對作為測試集樣本；
[0080] 其次，通過稀疏表達的方法分別在大量未變化區(qū)域樣本對上學(xué)習(xí)未變化樣本的 基，利用未變化樣本的基重構(gòu)測試集樣本，并且得到測試集樣本與重構(gòu)測試集樣本之間的 差異圖像；
[0081] 接著，在少量變化樣本上學(xué)習(xí)自適應(yīng)變化闊值，利用變化闊值在差異圖像上進行 判別。
[0082] 下面，將采用本發(fā)明檢測方法所得實驗結(jié)果與采用傳統(tǒng)檢測方法所得實驗結(jié)果進 行比較，其中：
[0083] 圖4a和圖5a是采用變化矢量分析方法（見參考文獻：A theoretical化amework for unsupervised change detection b過sed on ch過nge vector 過n過lysis in the pol過r domain. I邸E Trans. On Geoscience and Remote Sensing, 45 (1),218-236, 2007.)分別對 慶山地區(qū)和臺州地區(qū)的試驗結(jié)果。可^發(fā)現(xiàn)：在慶山數(shù)據(jù)庫和臺州數(shù)據(jù)庫上，采用變化矢量 分析方法的檢測效果不理想，分錯區(qū)域較多，且噪聲點也很多。運是因為對于單波段的遙感 圖像，變化矢量分析方法并不能很好的提取差異信息。
[0084] 圖4b和圖化是采用主成分分析方法（見參考文獻：化supervised change detection with kernels. IE邸 Geosci. Remote Sens. Lett, 9 巧）：1026-1030,2012.)分別 對昆山地區(qū)和臺州地區(qū)的試驗結(jié)果。可W發(fā)現(xiàn)：在昆山數(shù)據(jù)庫和臺州數(shù)據(jù)庫上，采用主成分 分析方法均未能取得良好試驗結(jié)果，其噪聲點較多，檢測圖像不平滑。運是由于主成分提取 過程中未能很好地區(qū)分變化區(qū)域和未變化區(qū)域，說明主成分分析方法并不能很好地適用于 遙感圖像變化的檢測研究。 陽0化]圖4c和圖5c是采用迭代權(quán)重的多元檢測算法（見參考文獻：The regularized iteratively reweighted mad method for change detection in multi-and hyper spectral data. IE邸 Trans, on Image Process, 16(2) :463-478, 2007.)分別對昆山地區(qū)和 臺州地區(qū)的試驗結(jié)果。可W發(fā)現(xiàn)：在昆山數(shù)據(jù)庫和臺州數(shù)據(jù)庫上，該方法的檢測結(jié)果均沒有 本發(fā)明提供的檢測方法好，其檢測準(zhǔn)確率不高，尤其是分錯區(qū)域較多。運是因為迭代權(quán)重的 多元檢測算法在區(qū)分相似地物時，誤判概率較大。
[0086] 圖4d和圖5d是采用半監(jiān)督的顯著檢測算法（見參考文獻：Semi-supe;rvised novelty detection using svm entire solution path. IEEE Trans. On Geoscience and Remote Sensing, 51(4-1):1939-1950, 2013.)分別對昆山地區(qū)和臺州地區(qū)的試驗結(jié)果。可 W發(fā)現(xiàn)：在昆山數(shù)據(jù)庫和臺州數(shù)據(jù)庫上，該方法的表現(xiàn)欠佳，檢測率較低，誤檢概率較大，同 時檢測圖像不平滑。運是由于該方法嚴(yán)重依賴于所需要的特征，而對不同圖像選取不同特 征是較費時費力的，因而該方法不具有普適性。
[0087] 圖4e和圖5e是采用監(jiān)督的慢特征算法（見參考文獻：Slow feature analysis for change detection in multispectral imagery, IEEE Trans. On Geoscience and Remote Sensing, 52巧）：2858-2874, 2014.)分別對昆山地區(qū)和臺州地區(qū)的試驗結(jié)果。可W 發(fā)現(xiàn)：在昆山數(shù)據(jù)庫和臺州數(shù)據(jù)庫上，該方法均表現(xiàn)良好，檢測率較高，圖像有較少區(qū)域分 錯；其試驗結(jié)果噪聲點雖然少，然而對于變化不明顯的區(qū)域，該方法不能夠很好的表達變化 信息，因此該方法在檢測性能方面有待改進。
[008引圖4f和圖5f是采用本發(fā)明提供的檢測方法（不采用自適應(yīng)闊值選擇策略，而選 用傳統(tǒng)聚類算法）分別對昆山地區(qū)和臺州地區(qū)的試驗結(jié)果。可W發(fā)現(xiàn)：在昆山數(shù)據(jù)庫和臺 州數(shù)據(jù)庫上，本發(fā)明檢測方法（不采用自適應(yīng)闊值選擇策略，而選用傳統(tǒng)聚類算法）的檢測 結(jié)果與監(jiān)督的慢特征算法的檢測結(jié)果類似。因此，在沒有步驟3)(即，不采用自適應(yīng)闊值選 擇策略）的情況下，本發(fā)明的聯(lián)合字典學(xué)習(xí)方法在提取變化信息上有較好的表現(xiàn)。
[0089] 圖4g和圖5g是采用本發(fā)明提供的檢測方法（包含自適應(yīng)闊值選擇策略的步驟） 分別對昆山地區(qū)和臺州地區(qū)的試驗結(jié)果。可W發(fā)現(xiàn)：在昆山數(shù)據(jù)庫和臺州數(shù)據(jù)庫上，該檢測 方法的試驗結(jié)果是最好的，其分類準(zhǔn)確率較高，噪聲點較少；同時也說明，利用步驟3)學(xué)習(xí) 到的自適應(yīng)變化闊值可W較好地區(qū)分變化區(qū)域和未變化區(qū)域。
[0090] 圖4h和圖化分別是昆山地區(qū)和臺州地區(qū)的多時相遙感圖像的真實變化區(qū)域標(biāo)注 圖。
[0091] 最后，將不同檢測方法的試驗結(jié)果和真實標(biāo)準(zhǔn)（即，圖4h和圖5h)進行比對，統(tǒng)計 比對結(jié)果，作為對多時相遙感圖像變化檢測的檢測準(zhǔn)確度，結(jié)果如表1所示。
[0092] 從表1可W看出，本發(fā)明提供的基于聯(lián)合字典學(xué)習(xí)的多時相遙感圖像變化檢測方 法有較好的表現(xiàn)，本發(fā)明的檢測率比現(xiàn)有直接檢測方法的檢測率都高。運是由于本發(fā)明充 分考慮了大量未變化樣本的信息，從而克服傳統(tǒng)方法中對大量未變化樣本利用不足的弊 端；且本發(fā)明通過自適應(yīng)闊值的選擇策略，可W很好的從圖像本身信息中得到適合圖像自 身的變化闊值，能夠避免不同噪聲和拍攝角度對檢測結(jié)果的影響，因而獲得了更好的識別 結(jié)果，進一步驗證了本發(fā)明提供的基于聯(lián)合字典學(xué)習(xí)的多時相遙感圖像變化檢測方法的先 進性，從而能夠為地理國情檢測、軍事偵察和環(huán)境監(jiān)測等方面提供更好的技術(shù)支持。
[0093] 表1不同檢測方法的檢測率
[0094]
【主權(quán)項】
1. 一種基于聯(lián)合字典學(xué)習(xí)的多時相遙感圖像變化檢測方法，其特征在于：所述基于聯(lián) 合字典學(xué)習(xí)的多時相遙感圖像變化檢測方法包括以下步驟： 1) 從多時相遙感圖像中提取大量未變化樣本，對提取的大量未變化樣本進行聯(lián)合字典 學(xué)習(xí)，得到未變化樣本的基； 2) 將步驟1)中未選取的其余所有多時相樣本標(biāo)記為測試集樣本，測試集樣本包括變 化樣本和未變化樣本；利用步驟1)所得未變化樣本的基對測試集樣本進行稀疏重構(gòu)，得到 重構(gòu)測試集樣本；對測試集樣本和重構(gòu)測試集樣本求差，得到差值影像； 3) 從多時相遙感圖像中選取少量變化樣本；根據(jù)未變化樣本的基，對不同時相的變化 樣本進行稀疏重構(gòu)，得到不同時相變化樣本的重構(gòu)圖像；利用不同時相變化樣本的重構(gòu)圖 像之間的差值，經(jīng)過池化操作，得到變化樣本的變化閾值； 4) 結(jié)合步驟2)所得差值影像以及步驟3)所得變化樣本的變化閾值，判別出多時相遙 感圖像的變化區(qū)域，并統(tǒng)計檢測率。2. 根據(jù)權(quán)利要求1所述的基于聯(lián)合字典學(xué)習(xí)的多時相遙感圖像變化檢測方法，其特征 在于：所述步驟1)的具體實現(xiàn)方式是： 1. 1)將多時相遙感圖像預(yù)處理后，選取同一地點不同時相中的大量未變化樣本； 1. 2)將不同時相中選取的大量未變化樣本拼接在一起，利用稀疏表達的方法得到未變 化樣本的基，即： Xi= D iSi 其中，Xi為未變化樣本；D i為未變化樣本的字典，即未變化樣本的基；S i為未變化樣本 的稀疏表達系數(shù)。3. 根據(jù)權(quán)利要求2所述的基于聯(lián)合字典學(xué)習(xí)的多時相遙感圖像變化檢測方法，其特征 在于：所述步驟2)的具體實現(xiàn)方式是： 2. 1)建立測試集樣本后，利用稀疏表達機制將測試集樣本分解為新的字典和新的稀疏 表達系數(shù)，即： x2= d2s2 其中，x2為測試集樣本；d2為測試集樣本的字典，即測試集樣本的基；s2為測試集樣本 的稀疏表達系數(shù)； 2. 2)利用步驟1. 2)中所得未變化樣本的基換步驟2. 1)中所得測試集樣本的基 D2，在稀疏表達的框架下重構(gòu)多時相遙感圖像的測試集樣本，得到重構(gòu)測試集樣本X2'; 2.3)對測試集樣本X2與重構(gòu)測試集樣本X2'進行求差運算，得到差值影像。4. 根據(jù)權(quán)利要求3所述的基于聯(lián)合字典學(xué)習(xí)的多時相遙感圖像變化檢測方法，其特征 在于：所述步驟3)的具體實現(xiàn)方式是： 3. 1)對于選取的少量變化樣本中每一個單時相的變化樣本集，分別利用其稀疏表達系 數(shù)與步驟1. 2)中所得未變化樣本的基01進行重構(gòu)，得到不同時相變化樣本集的重構(gòu)圖像； 3.2) 對于步驟3. 1)所得不同時相變化樣本集的重構(gòu)圖像進行差值運算，得到變化樣 本在未變化樣本的基上的重構(gòu)誤差圖像； 3.3) 將步驟3. 2)中所得重構(gòu)誤差圖像進行池化操作，得到重構(gòu)誤差，即變化樣本的變 化閾值。5. 根據(jù)權(quán)利要求4所述的基于聯(lián)合字典學(xué)習(xí)的多時相遙感圖像變化檢測方法，其特征 在于：所述步驟4)的具體實現(xiàn)方式是： 4. 1)將步驟2. 3)所得差值影像的像素值與步驟3. 3)所得變化樣本的變化閾值進行對 比；若差值影像的像素值大于等于變化樣本的變化閾值，則將該差值影像對應(yīng)的區(qū)域標(biāo)注 為變化區(qū)域；若差值影像的像素值小于變化樣本的變化閾值，則將該差值影像對應(yīng)的區(qū)域 標(biāo)注為未變化區(qū)域； 4.2)按照步驟4.1)判別出多時相遙感圖像的變化區(qū)域后，判別的平均準(zhǔn)確率即為檢 測率，檢測率的計算方式為：判別正確的像素個數(shù)占總像素個數(shù)的百分比。
【文檔編號】G06T7/00GK105989595SQ201510075774
【公開日】2016年10月5日
【申請日】2015年2月12日
【發(fā)明人】袁媛, 盧孝強, 呂浩博
【申請人】中國科學(xué)院西安光學(xué)精密機械研究所