引力模型优化条件随机场的多尺度融合图像变化检测方法

本发明涉及遥感技术领域，具体涉及一种引力模型优化条件随机场的多尺度融合图像变化检测方法。

背景技术：

变化检测是遥感领域的研究热点。随着遥感影像空间分辨率的提高，遥感影像的细节信息更加丰富，但也使得光谱的类内方差增大，类间方差减小。基于像元的变化检测技术难以适应高分辨率遥感影像，面向对象变化检测应运而生。然而，面向对象变化检测往往只考虑遥感影像的单一尺度特征，不能很好的利用高分辨率遥感影像的多尺度特性，限制了变化检测精度的进一步提高。针对此问题，本发明提出一种引力模型优化条件随机场的多尺度融合变化检测技术。所提出技术能够融合高分影像的多尺度信息，并在融合过程中有效地利用空间信息，有望得到较优的高分辨率遥感影像变化检测结果。

现有技术中有对遥感图像进行变化检测的技术，专利文献cn102496154a记载了一种基于马尔科夫随机场的多时相遥感图像变化检测方法，包括差值图像生成步骤、em参数估计步骤、差值图像边缘检测步骤、自适应权重计算步骤以及马尔科夫随机场标记步骤。本发明利用差值图像的相邻像素大小自动调整马尔科夫随机场的权值大小，有效提高变化检测精度。

技术实现要素：

本发明所要解决的技术问题是提供一种引力模型优化条件随机场的多尺度融合图像变化检测方法，能够快速得出遥感图像的变化检测结果。

为解决上述技术问题，本发明所采用的技术方案是：

引力模型优化条件随机场的多尺度融合图像变化检测方法，包括以下步骤：

step1、将不同时期对同一目标摄取的两期高分辨率遥感影像进行预处理，预处理包括影像配准和相对辐射校正；

step2、采用简单线性迭代聚类方法分别对两幅影像进行超像元分割，采用多分辨率分割方法分别对两幅影像进行面向对象分割，加上原始影像，共获得像元级、超像元级和对象级三个空间尺度的影像；

step3、使用变化矢量分析法分别生成两期影像的像元级、超像元级和对象级三种空间尺度的差分影像；

step4、对step3中三种空间尺度的差分影像进行模糊聚类，得到三种空间尺度差分影像的模糊隶属度函数；

step5、使用决策级融合方法融合step4中所获取的三组模糊隶属度函数，获得初步融合结果；

step6、利用引力模型优化的条件随机场模型优化step5中的初步融合结果，得到最终变化检测图。

上述的step2中将两期高分辨率遥感影像摄取时间定义为t1时刻和t2时刻，对应的遥感影像分别为x1和x2，采用简单线性迭代聚类方法对x1和x2进行分割，得到超像元分割图s1和s2，采用多分辨率分割对x1和x2进行分割，得到对象分割图o1和o2；

上述的step3中，像元级，超像元级，对象级差分影像分别记为和三组差分影像的计算公式如下：

其中，表示t时刻像元级影像第b波段的第i个像元，表示t时刻超像元级影像第b波段的第i个像元，表示t时刻对象级影像第b波段的第i个像元，t＝1,2，b＝1，2，…，b，b为波段数。

上述的step4中，对和三种空间尺度的差分影像分别进行模糊c均值聚类，得到三种空间尺度差分影像的模糊隶属度函数，得到的像元级、超像元级和对象级三种空间尺度差分影像的模糊隶属度函数分别记作和其中k∈{wc,wu},wc和wu分别表示变化类和未变化类,表示像元级影像第i个像元属于第k类的隶属度，表示超像元级影像第i个像元属于第k类的隶属度，表示对象级影像第i个像元属于第k类的隶属度。

上述的step5中，将三种空间尺度差分影像的模糊隶属度函数视作三组证据，采用证据理论对三组证据进行决策级融合，像元级证据m1由像元级模糊隶属度函数得到：其中k∈{wc,wu},wc和wu分别表示变化类和未变化类,表示像元级证据中第i个像元的质量函数；

超像元级证据m2由超像元级模糊隶属度函数得到：其中表示超像元级证据中第i个像元的质量函数；

对象级证据m3由对象级模糊隶属度函数得到：其中表示对象级证据中第i个像元的质量函数。三组证据的融合证据用m表示。在证据理论的融合框架下，第i个像元的归一化常数ki可由下式计算得到：

融合证据m在第i个像元处关于变化类wc的置信度可由下式计算得到：

(5)融合证据m在第i个像元处关于未变化类wu的置信度可由下式得到：

利用最大置信度原则获取初步融合结果，具体的，用li表示第i个像元在初步融合结果中的类别，li可通过下式得到：

wc和wu分别表示变化类和未变化类。

上述的step6中，条件随机场将初步融合结果视作场模型，利用空间上下文信息对初步融合结果进行优化，具体的，引力模型优化的条件随机场通过下式(8)给出的改进能量函数来优化初步融合结果：

其中ψ1表示一元势函数，其考虑单个像元的观测信息，ψ2表示二元势函数，二元势函数是考虑像元与其邻域像元之间的相互关系，λ是调节ψ1和ψ2平衡的参数，n表示研究区的像元总数，ni表示像元i的邻域，li和lj分别表示像元i和其邻域像元j的类别标签；

所述一元势详细定义如下：

其中ψ1(li)表示将像元i分配给类别wu或wc的惩罚系数，ln表示自然对数比算子，表示融合证据m在第i个像元处关于未变化类wu的置信度，通过式(6)计算得到，表示融合证据m在第i个像元处关于变化类wc的置信度，通过式(5)计算得到，li表示像元i的类别标签；

所述二元势函数详细定义如下：

其中ψ2(li,lj)表示像元i与其邻域像元j之间的相互作用，θ是调节sij与1－vij两项之间的平衡因子，li和lj分别表示像元i和其邻域像元j的类别标签，sij表示经典条件随机场中的二元势函数项，通过下式计算：

其中d(i，j)表示像元i和其邻域像元j在空间域的欧氏距离，xi表示由三组差分影像和在像元i处灰度值构成的光谱矢量，即xj表示由三组差分影像和在像元j处灰度值构成的光谱矢量，即||xi-xj||²表示矢量xi和xj的欧式距离的平方，<>运算符用于计算像元i及其所有邻域像元j的||xi-xj||²的平均值，vij表示空间引力模型，用于优化传统条件随机场的二元势函数项sij，通过下式定义：

其中li和lj分别表示像元i和其邻域像元j的类别标签，d(i,j)表示像元i和邻域像元j在空间域的欧氏距离，表示融合证据m在第i个像元处关于未变化类wu的置信度，通过式(6)计算得到，表示融合证据m在第i个像元处关于变化类wc的置信度，通过式(5)计算得到，表示融合证据m在第j个像元处关于未变化类wu的置信度，通过式(6)计算得到，表示融合证据m在第j个像元处关于变化类wc的置信度，通过式(5)计算得到。

本发明提供的一种引力模型优化条件随机场的多尺度融合图像变化检测方法，将多尺度融合技术、引力模型和条件随机场集成并应用到变化检测中，分别考虑影像像元级、超像元级和对象级三个空间尺度，解决单尺度面向对象变化检测技术检测效果不佳的问题，通过融合高分辨率遥感影像的多尺度信息，并在融合过程中有效地利用空间信息，能够得到较优变化检测结果。

附图说明

下面结合附图和实施例对本发明作进一步说明：

图1是本发明实施例的实验数据t1时刻影像的第1波段；

图2是本发明实施例的实验数据t2时刻影像的第1波段；

图3是本发明实施例的实验数据的变化参考图；

图4是本发明实施例的流程图；

图5是基于模糊c均值聚类算法的变化检测结果图；

图6是基于优化的模糊局部信息c均值算法的变化检测结果图；

图7是基于数据级多尺度融合法的变化检测结果图；

图8是基于马氏距离集成盒须图的变化检测结果图；

图9是基于ds证据理论的变化检测结果图；

图10是基于k均值聚类集成自适应投票法的变化检测结果图；

图11是本发明实施例的变化检测结果图。

具体实施方式

以下结合附图和实施例详细说明本发明技术方案。

本实施例采用spot5影像做实验，所用影像空间分辨率为2.5米，大小为445×546像元，影像获取时间分别是2008年4月(t1)和2009年2月(t2)，对应位置是中国北方某地区。图1、图2和图3分别展示t1和t2时刻影像及其变化参考图，其中变化参考图通过目视解译得到。

图4是本发明提出技术的流程图，本发明所采用的技术方案引力模型优化条件随机场的多尺度融合变化检测包括以下步骤：

step1、对两期高分辨率遥感影像进行预处理，所述的预处理包括影像配准和相对辐射校正等；本实施例参考t1时期的影像，对t2时期的影像进行影像配准和相对辐射校正。

step2、设置相同的超像元分割参数和对象分割参数分别对两幅影像实施分割，分别获得两期影像的超像元级和对象级两个空间尺度影像，包含原始影像像元级尺度，共得到两期影像的三种空间尺度影像。

本实施例中，设t1时刻和t2时刻的高分辨率遥感影像分别为x1和x2，采用简单线性迭代聚类方法slic对x1和x2进行分割，得到超像元分割图s1和s2，采用多分辨率分割方法对x1和x2进行分割，得到对象分割图o1和o2。

step3、利用变化矢量分析技术来生成两期影像的差分影像；

本步骤中，像元级，超像元级，对象级差分影像分别记为和所述三组差分影像的计算过程具体实施如下：

其中，表示t时刻像元级影像第b波段的第i个像元，表示t时刻超像元级影像第b波段的第i个像元，表示t时刻对象级影像第b波段的第i个像元，t＝1,2，b＝1，2，…，b，b为波段数，本实施例中b＝3，像元级、超像元级和对象级差分影像分别由式(1)、式(2)和式(3)计算得到；

step4、对和三种空间尺度的差分影像分别进行模糊c均值聚类，得到三种空间尺度差分影像的模糊隶属度函数；在本步中，得到的像元级、超像元级和对象级三种空间尺度差分影像的模糊隶属度函数分别记作和其中k∈{wc,wu},wc和wu分别表示变化类和未变化类,表示像元级影像第i个像元属于第k类的隶属度，表示超像元级影像第i个像元属于第k类的隶属度，表示对象级影像第i个像元属于第k类的隶属度。

step5、应用决策融级融合技术融合三种空间尺度差分影像的模糊隶属度函数，获得初步的融合结果；

具体的，本实施例将三种空间尺度差分影像的模糊隶属度函数视作三组证据，采用证据理论对三组证据进行决策级融合。像元级证据m1由像元级模糊隶属度函数得到：其中k∈{wc,wu},wc和wu分别表示变化类和未变化类,表示像元级证据中第i个像元的质量函数。超像元级证据m2由超像元级模糊隶属度函数得到：其中表示超像元级证据中第i个像元的质量函数。对象级证据m3由对象级模糊隶属度函数得到：其中表示对象级证据中第i个像元的质量函数。三组证据的融合证据用m表示。在证据理论的融合框架下，第i个像元的归一化常数ki可由下式计算得到：

融合证据m在第i个像元处关于变化类wc的置信度可由下式计算得到：

融合证据m在第i个像元处关于未变化类wu的置信度可由下式得到：

利用最大置信度原则获取初步融合结果，具体的，用li表示第i个像元在初步融合结果中的类别，li可通过下式得到：

wc和wu分别表示变化类和未变化类。

step6、利用引力模型优化的条件随机场模型优化所述初步融合结果，得到最终变化检测图；

在本步中，条件随机场将初步融合结果视作场模型，利用空间上下文信息对初步融合结果进行优化。具体的，引力模型优化的条件随机场通过式(8)给出的改进能量函数来优化初步融合结果：

其中ψ1表示一元势函数，其主要考虑单个像元的观测信息，ψ2表示二元势函数，二元势函数是主要考虑像元与其邻域像元之间的相互关系。λ是调节ψ1和ψ2平衡的参数，在本实施例中λ＝0.09，n表示研究区的像元总数，ni表示像元i的邻域，本实施例采用5×5的邻域窗口，li和lj分别表示像元i和其邻域像元j的类别标签。

所述一元势详细定义如下：

其中ψ1(li)表示将像元i分配给类别wu或wc的惩罚系数，ln表示自然对数比算子，表示融合证据m在第i个像元处关于未变化类wu的置信度，通过式(6)计算得到，表示融合证据m在第i个像元处关于变化类wc的置信度，通过式(5)计算得到，li表示像元i的类别标签。所述二元势函数详细定义如下：

其中ψ2(li,lj)表示像元i与其邻域像元j之间的相互作用，θ是调节sij与1－vij两项之间的平衡因子，本实施例中θ＝2，li和lj分别表示像元i和其邻域像元j的类别标签，sij表示经典条件随机场中的二元势函数项，通过下式计算：

其中d(i，j)表示像元i和其邻域像元j在空间域的欧氏距离，xi表示由三组差分影像和在像元i处灰度值构成的光谱矢量，即xj表示由三组差分影像和在像元j处灰度值构成的光谱矢量，即||xi-xj||²表示矢量xi和xj的欧式距离的平方，<>运算符用于计算像元i及其所有邻域像元j的||xi-xj||²的平均值，vij表示空间引力模型，用于优化传统条件随机场的二元势函数项sij，通过下式定义：

其中li和lj分别表示像元i和其邻域像元j的类别标签，d(i,j)表示像元i和邻域像元j在空间域的欧氏距离，表示融合证据m在第i个像元处关于未变化类wu的置信度，通过式(6)计算得到，表示融合证据m在第i个像元处关于变化类wc的置信度，通过式(5)计算得到，表示融合证据m在第j个像元处关于未变化类wu的置信度，通过式(6)计算得到，表示融合证据m在第j个像元处关于变化类wc的置信度，通过式(5)计算得到。

可以采用不同的技术理论对式(8)给出的能量函数进行最小化，从而实现对初步融合结果的优化改进，在本实施例中，采用最大流算法来最小化式(8)给出的能量函数。

如图5-11所示，分别给出模糊c均值聚类算法、优化的模糊局部信息c均值算法、数据级多尺度融合法、马氏距离集成盒须图、ds证据理论、k均值聚类集成自适应多数投票法和本发明的变化检测图，表1给出上述不同变化检测方法变化检测图的统计结果。

表1不同变化检测方法结果的统计比较

对比图5-11给出的不同变化检测方法的变化检测图和表1给出的统计结果可知，本发明的变化检测效果明显优于其它对比变化检测算法，本发明的检测结果同时具有最小的总体错误和最高的kappa系数，本发明检测结果的总体错误为15359，分别比模糊c均值聚类算法、优化的模糊局部信息c均值算法、数据级多尺度融合法、马氏距离集成盒须图、ds证据理论、k均值聚类集成自适应多数投票法减少22771、10343、11083、9126、18878和6684个像元，本发明检测结果的kappa系数为0.74，分别比模糊c均值聚类算法、优化的模糊局部信息c均值算法、数据级多尺度融合法、马氏距离集成盒须图、ds证据理论、k均值聚类集成自适应多数投票法提高26％、15％、18％、16％、22％和10％。

本发明提出的变化检测技术--引力模型优化条件随机场的多尺度融合变化检测，能够有效融合高分辨率遥感影像多种尺度信息，并在融合过程中充分利用影像的上下文信息，从而能够很大程度上解决单尺度面向对象变化检测不能很好利用高分辨率遥感影像多尺度特征的不足，提升变化检测的精度，取得较优的变化检测结果。

以上仅为本发明的一个实施例，并非用于限定本发明的保护范围，因此，凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。