[發(fā)明專利]基于分形屬性和決策融合的遙感影像變化檢測方法

有效

• 申請?zhí)枺?/td>: 202010098359.2
• 申請日: 2020-02-18
• 公開（公告）號: CN111340761B
• 公開（公告）日: 2023-04-18
• 發(fā)明（設(shè)計(jì)）人: 王超;申祎;劉輝;吳昊天
• 申請（專利權(quán)）人: 南京信息工程大學(xué)
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/62;G06T7/187;G06V20/13;G06V10/764;G06V10/774
• 代理公司: 南京經(jīng)緯專利商標(biāo)代理有限公司 32200
• 代理人: 施昊

1.基于分形屬性和決策融合的遙感影像變化檢測方法，其特征在于，包括以下步驟：

(1)采集多時相高分辨率遙感影像；

(2)建立基于平均尺度間相關(guān)性最小值的目標(biāo)函數(shù)，通過迭代計(jì)算，自適應(yīng)確定各屬性的尺度參數(shù)集合，提取具有自適應(yīng)尺度參數(shù)的形態(tài)學(xué)屬性剖面；

(3)構(gòu)建多特征決策融合框架，計(jì)算變化強(qiáng)度指標(biāo)和證據(jù)置信度指標(biāo)來分別描述變化信息和相應(yīng)的信任程度，利用多特征決策融合框架融合來自自適應(yīng)尺度參數(shù)的形態(tài)學(xué)屬性剖面和原始光譜的變化信息，得到最終的變化檢測圖；

在步驟(2)中，自適應(yīng)尺度參數(shù)提取方法如下：

(201)設(shè)置每種屬性的尺度總數(shù)為W，尺度參數(shù)的取值區(qū)間為[T_min,T_max]，其中T_min和T_max分別為尺度參數(shù)能夠取得的最小值和最大值；

(202)計(jì)算區(qū)間Sub_w，第w個尺度參數(shù)應(yīng)位于區(qū)間Sub_w內(nèi)，w∈{1,2,...,W}：

(203)定義目標(biāo)函數(shù)：

迭代計(jì)算尺度參數(shù)的所有組合，并將GRSIM_sum最小值對應(yīng)的組合作為提取的最優(yōu)尺度參數(shù)集；其中，GRSIM_w,w+1表示兩個相鄰屬性剖面的梯度相似性：

上式中，GRSIM_B1，B1為兩幅影像B1和B2之間的梯度相似性；σ_Z1和σ_Z2表示兩個影像的梯度幅度矩陣的標(biāo)準(zhǔn)差，σ_M1和σ_M2表示兩個影像的梯度方向矩陣的標(biāo)準(zhǔn)差，和表示兩個影像的梯度幅度矩陣的方差，σ_M1,M2表示兩個影像的梯度方向矩陣的協(xié)方差；

在步驟(3)中，構(gòu)建多特征決策融合框架的方法如下：

將決策融合框架定義為Θ:{CT,NT}，其中，Θ表示為假設(shè)空間，CT和NT分別表示變化的像素和不變像素，對于每個像素i，通過下式建立基本概率分配公式：

m_n({CT})＝CII_n×CIE_n

m_n({NT})＝(1-CII_n)×CIE_n

m_n({CT,NT})＝1-CIE_n

上式中，CII_n和CIE_n代表與像素i對應(yīng)的第n個變化強(qiáng)度指標(biāo)和證據(jù)置信度指標(biāo)，m_n({CT})、m_n({NT})和m_n({CT,NT})代表非空子集{CT}、{NT}和{CT,NT}第n組證據(jù)對應(yīng)的基本概率分配公式；

利用下式計(jì)算非空子集{CT}、{NT}和{CT,NT}對應(yīng)的基本概率分配公式m({CT})、m({NT})和m({CT,NT})：

上式中，A表示非空子集，N表示證據(jù)的總數(shù)，m_n(F_n)表示由第n組證據(jù)得到的基本概率分配公式，并且有F_n∈2^Θ，

建立如下判定規(guī)則：

如果像素i滿足上述判定規(guī)則，則像素i被判定為變化像素，否則像素i被判定為不變像素；遍歷所有像素，得到最終的變換檢測圖。

2.根據(jù)權(quán)利要求1所述基于分形屬性和決策融合的遙感影像變化檢測方法，其特征在于，在步驟(2)中，選擇面積、對角線、標(biāo)準(zhǔn)差和歸一化慣性矩4個形態(tài)學(xué)屬性。