[發(fā)明專利]兩時(shí)相遙感圖像變化檢測的方法

有效

• 申請?zhí)枺?/td>: 201210153614.4
• 申請日: 2012-05-17
• 公開（公告）號(hào): CN103426158A
• 公開（公告）日: 2013-12-04
• 發(fā)明（設(shè)計(jì)）人: 陳克明;周志鑫;郭建恩;付琨;張道兵;孫顯
• 申請（專利權(quán)）人: 中國科學(xué)院電子學(xué)研究所
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00
• 代理公司: 中科專利商標(biāo)代理有限責(zé)任公司 11021
• 代理人: 宋焰琴

1.一種兩時(shí)相遙感圖像變化檢測方法，包括：

分別對兩時(shí)相的遙感圖像進(jìn)行過分割，獲得經(jīng)過分割處理后的多個(gè)過分割區(qū)域，所述兩時(shí)相遙感圖像為兩幅同一區(qū)域不同時(shí)間的遙感圖像；

分別對每一時(shí)相遙感圖像以待處理過分割區(qū)域?yàn)閱挝惶崛☆伾卣鳌⒓y理特征，以及熵特征；

將兩時(shí)相遙感圖像中對應(yīng)待處理區(qū)域的顏色、紋理特征、熵特征求差，所求的差值作為兩時(shí)相遙感圖像的差值圖像中對應(yīng)待處理過分割區(qū)域的特征向量；

利用經(jīng)訓(xùn)練的高斯過程分類器，根據(jù)對應(yīng)的特征向量，對差值圖像中過分割區(qū)域進(jìn)行變化類和不變化類的二類分類，獲取每個(gè)過分割區(qū)域的類別概率，并將該類別概率賦值給差值圖像上該待處理過分割區(qū)域中的所有像素；

在差值圖像上構(gòu)建馬爾可夫隨機(jī)場模型，將各過分割區(qū)域中各像素點(diǎn)的類別概率值作為馬爾可夫隨機(jī)場模型的初始值，計(jì)算馬爾可夫隨機(jī)場模型能量函數(shù)，通過能量函數(shù)優(yōu)化，獲取兩時(shí)相遙感圖像變化檢測的結(jié)果。

2.根據(jù)權(quán)利要求1所述的兩時(shí)相遙感圖像變化檢測方法，所述利用經(jīng)訓(xùn)練的高斯過程分類器，根據(jù)特征向量，對差值圖像中過分割區(qū)域進(jìn)行變化類和不變化類的二類分類，獲取每個(gè)過分割區(qū)域的類別概率的步驟包括：

獲得訓(xùn)練樣本集；

利用訓(xùn)練樣本集中的訓(xùn)練樣本的特征向量和類標(biāo)對高斯過程分類器進(jìn)行訓(xùn)練，得到高斯核參數(shù)；

利用高斯核參數(shù)對應(yīng)的高斯過程分類器，對由所述差值圖像中待處理過分割區(qū)域特征向量進(jìn)行變化類和不變化類的二類分類，得到每個(gè)待處理過分割區(qū)域的類別概率。

3.根據(jù)權(quán)利要求1所述的兩時(shí)相遙感圖像變化檢測方法，所述在差值圖像上構(gòu)建馬爾可夫隨機(jī)場模型，將各過分割區(qū)域的類別概率值作為馬爾可夫隨機(jī)場模型的初始值，計(jì)算馬爾可夫隨機(jī)場模型能量函數(shù)，通過能量函數(shù)優(yōu)化，獲取兩時(shí)相遙感圖像變化檢測的結(jié)果的步驟包括：

在差值圖像上構(gòu)造一個(gè)馬爾可夫隨機(jī)場模型G(V，E)，差值圖像中每一個(gè)像素表示為馬爾可夫隨機(jī)場模型中的一個(gè)結(jié)點(diǎn)V，每個(gè)節(jié)點(diǎn)V的其周圍區(qū)域的像素點(diǎn)構(gòu)成該節(jié)點(diǎn)V的鄰域集合N，鄰域之間的特征矢量差作為馬爾可夫隨機(jī)場模型的邊E，將差值圖像上每個(gè)像素的類別概率值作為馬爾可夫隨機(jī)場模型的初始值；

根據(jù)最大后驗(yàn)概率估計(jì)理論和馬爾可夫隨機(jī)場理論，由所述馬爾可夫隨機(jī)場模型G(V，E)構(gòu)造馬爾可夫能量函數(shù)；

采用迭代條件模型對馬爾可夫能量函數(shù)進(jìn)行優(yōu)化求解，所得到的最終能量函數(shù)標(biāo)記的格局即為兩時(shí)相遙感圖像變化檢測的結(jié)果。

4.根據(jù)權(quán)利要求3所述的兩時(shí)相遙感圖像變化檢測方法，所述根據(jù)最大后驗(yàn)概率估計(jì)理論和馬爾可夫隨機(jī)場理論，由所述馬爾可夫隨機(jī)場模型G(V，E)構(gòu)造馬爾可夫能量函數(shù)的步驟包括：

將高斯過程分類器輸出的每個(gè)像素的類別概率值作為馬爾可夫隨機(jī)場模型G?(V，E)的輸入特征，假定馬爾可夫隨機(jī)場模型中每個(gè)結(jié)點(diǎn)的特征點(diǎn)輸出結(jié)果標(biāo)記為z_i，計(jì)算其特征模型

利用一階Ising模型，計(jì)算馬爾可夫隨機(jī)場模型G(V，E)的先驗(yàn)?zāi)Ｐ蚿(z_i)，p(z_i)表示對z_i的鄰域中的像素之間的相關(guān)性懲罰；

將差值圖像上每個(gè)像素的特征模型和先驗(yàn)?zāi)Ｐ蚿(z_i)求和，獲得整幅差值圖像的馬爾可夫能量函數(shù)。

5.根據(jù)權(quán)利要求4所述的兩時(shí)相遙感圖像變化檢測方法，所述采用迭代條件模型對馬爾可夫能量函數(shù)進(jìn)行優(yōu)化求解，所得到的最終能量函數(shù)標(biāo)記的格局即為兩時(shí)相遙感圖像變化檢測的結(jié)果的步驟包括：

步驟1、對差值圖像中逐個(gè)像素進(jìn)行迭代，計(jì)算每像素對應(yīng)的最小能量；

步驟2、差值圖像中所有像素的最小能量相加求和，作為當(dāng)次迭代的能量；

步驟3、記錄當(dāng)前最小能量對應(yīng)的馬爾可夫隨機(jī)場模型的輸出類標(biāo)，即為當(dāng)次最優(yōu)輸出結(jié)果，該類標(biāo)表示馬爾可夫隨機(jī)場模型規(guī)整后每個(gè)像素屬于變化或不變化的類別標(biāo)識(shí)；

步驟4、當(dāng)本次迭代計(jì)算所得的最小能量小于前次迭代最小能量時(shí)，將本次聯(lián)合能量函數(shù)對應(yīng)的格局，即當(dāng)前馬爾可夫隨機(jī)場模型輸出類標(biāo)集合作為變化檢測輸出結(jié)果；否則，將上次迭代對應(yīng)的輸出類標(biāo)集合作為變化檢測輸出結(jié)果；

步驟5，當(dāng)所述步驟4中的迭代次數(shù)等于M，或者當(dāng)連續(xù)N次的迭代輸出結(jié)果保持不變時(shí)，停止迭代，將當(dāng)前馬爾可夫隨機(jī)場模型輸出類標(biāo)集合作為變化檢測輸出結(jié)果，否則，重新執(zhí)行步驟1。