一种空间信息变化检测方法及系统与流程

1.本发明涉及变化检测相关技术领域，具体涉及一种空间信息变化检测方法及系统。


背景技术：

2.变化检测是指在不同时间识别同一对象的状态差异的过程。随着空间技术和遥感应用的发展，城市规划、土地利用/覆盖、植被变化、灾害监测、地图更新和生态环境保护等多个领域中都广泛应用到遥感变化检测技术。
3.目前空间信息变化检测技术的研究主要围绕变化的分析单元和变化检测的方法两个维度，例如在基于像元的变化检测阶段，通过大量影像数据波段运行处理的方法以突出变化区域。
4.但本技术发明人在实现本技术实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：
5.现有技术中基于历史像斑数据的统计分析技术，完全依赖于影像上的特征反映，忽略了地类之间转变的方向性，同时在空间影像由于季相变化产生伪变化时，仅以影像上的特征变化为依据会导致变化检测精度降低，存在着无法仅根据影像数据进行变化检测的技术问题。


技术实现要素：

6.本技术实施例提供了一种空间信息变化检测方法及系统，用于针对解决现有技术中基于历史像斑数据的统计分析技术，完全依赖于影像上的特征反映，忽略了地类之间转变的方向性，同时在空间影像由于季相变化产生伪变化时，仅以影像上的特征变化为依据会导致变化检测精度降低，存在着无法仅根据影像数据进行变化检测的技术问题。
7.鉴于上述问题，本技术实施例提供了一种空间信息变化检测方法及系统。
8.本技术实施例的第一个方面，提供了一种空间信息变化检测方法，所述方法包括：获得第一时相空间信息数据以及第二时相影像集合；对所述第二时相影像集合进行极值合成，获得第一极值合成数据，结合所述第一极值合成数据构建基础空间特征库；基于所述第一时序空间信息数据对所述第二时相影像集合进行增长式影像分割，获得像斑地类样本集合；基于所述基础空间特征库，获得第一基础空间特征；获得所述像斑地类样本集合内的第一地类类别和第二地类类别，基于seath算法计算所述第一地类类别和第二地类类别之间在所述第一基础空间特征上的关联程度，获得第一j-m距离；所述第一j-m距离大于第一预设阈值时，将所述第一基础空间特征作为第一较优空间特征；通过空间特征相关性算法计算两两所述第一较优空间特征之间的相关性，构建最优空间特征库；确定所述像斑地类样本集合内不同地类类别特征在所述最优空间特征库内的区分阈值，提取变化像斑，进行变化检测，得到变化检测结果矢量图。
9.本技术实施例的第二个方面，提供了一种空间信息变化检测系统，所述系统包括：
第一获得单元，所述第一获得单元用于获得第一时相空间信息数据以及第二时相影像集合；第一处理单元，所述第一处理单元用于对所述第二时相影像集合进行极值合成，获得第一极值合成数据，结合所述第一极值合成数据构建基础空间特征库；第二处理单元，所述第二处理单元用于基于所述第一时序空间信息数据对所述第二时相影像集合进行增长式影像分割，获得像斑地类样本集合；第二获得单元，所述第二获得单元用于基于所述基础空间特征库，获得第一基础空间特征；第三处理单元，所述第三处理单元用于获得所述像斑地类样本集合内的第一地类类别和第二地类类别，基于seath算法计算所述第一地类类别和第二地类类别之间在所述第一基础空间特征上的关联程度，获得第一j-m距离；第一判断单元，所述第一判断单元用于所述第一j-m距离大于第一预设阈值时，将所述第一基础空间特征作为第一较优空间特征；第四处理单元，所述第四处理单元用于通过空间特征相关性算法计算两两所述第一较优空间特征之间的相关性，构建最优空间特征库；第五处理单元，所述第五处理单元用于确定所述像斑地类样本集合内不同地类类别特征在所述最优空间特征库内的区分阈值，提取变化像斑，进行变化检测，得到变化检测结果矢量图。
10.本技术实施例的第三个方面，提供了一种空间信息变化检测系统，包括：处理器，所述处理器与存储器耦合，所述存储器用于存储程序，当所述程序被所述处理器执行时，使系统以执行如第一方面所述方法的步骤。
11.本技术实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
12.本技术实施例通过获取第一时相的历史空间矢量数据以及第二时相的影像数据，将第二时相影像数据进行极值合成，消除由于季相变化等因素导致的伪变化，然后基于第一时相历史空间矢量数据对第二时相影像数据进行增长式分割像斑，获得像斑地类样本集合，并基于第二时相影像数据极值合成数据构建基础空间特征库，基于seath算法计算像斑地类样本集合内两地类类别在基础空间特征库内单个基础空间特征上的分离度，通过特征空间相关性算法计算基础空间特征库内各空间特征之间的相关性，减少特征空间冗余度，获得最优空间特征库，然后基于最优空间特征库，结合像斑地类样本集合进行逐一统计，并进行变化检测。本技术实施例提供的方法产生了以下技术效果：1)通过采用极值合成方法处理第二时相影像数据，有效消除由于季相变换等因素导致的伪变化，提升变化检测精度；2)通过采用第一时相的历史空间矢量信息与第二时相影像信息进行套合并进行增长式分割，继承第一时相历史空间矢量信息内边界和属性的同时，保证了各像斑内的光谱同质性，提升变化检测精度；3)通过计算特征空间之间的相关性改进seath算法，对大量空间特征进行筛选并降低优化后特征空间的冗余度。基于上述效果，本技术实施例有效解决由于季相变化所导致的伪变化增多问题，该优势在大范围的变化检测中更加突出，使得变化目标的检测更为有效、快速、精准，达到了提升变化检测精度的技术效果。
13.上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。
附图说明
14.图1为本技术实施例提供的一种空间信息变化检测方法流程示意图；
15.图2为本技术实施例提供的一种空间信息变化检测方法的逻辑框图；
16.图3为本技术实施例提供的一种空间信息变化检测方法中极值合成的示意图；
17.图4为本技术实施例提供了一种空间信息变化检测系统结构示意图；
18.图5为本技术实施例示例性电子设备的结构示意图。
19.附图标记说明：第一获得单元11，第一处理单元12，第二处理单元13，第二获得单元14，第三处理单元15，第一判断单元16，第四处理单元17，第五处理单元18，电子设备300，存储器301，处理器302，通信接口303，总线架构304。
具体实施方式
20.本技术实施例通过提供了一种空间信息变化检测方法及系统，用于针对解决现有技术中基于历史像斑数据的统计分析技术，完全依赖于影像上的特征反映，忽略了地类之间转变的方向性，同时在空间影像由于季相变化产生伪变化时，仅以影像上的特征变化为依据会导致变化检测精度降低，存在着无法仅根据影像数据进行变化检测的技术问题。
21.申请概述
22.变化检测是指在不同时间识别同一对象的状态差异的过程。随着空间技术和遥感应用的发展，城市规划、土地利用/覆盖、植被变化、灾害监测、地图更新和生态环境保护等多个领域中都广泛应用到遥感变化检测技术，行业应用的蓬勃发展也进一步推动了相关技术的革新。
23.目前，研究人员在变化检测方面进行了大量的探索，其发展主要围绕变化的分析单元和变化检测方法两个维度。随着影像分辨率的快速提升，变化检测的分析单元从适合于中分辨率影像的像元级变化检测向适合高分辨率影像的像斑级转变，又逐渐转变成两者相结合的混合分析单元。而在此发展过程中，大量的变化检测方法也应运而生，如在基于像元的变化检测阶段，不少学者提出了大量影像数据波段运行处理的方法以突出变化区域，常用的方法包括代数法、主成分分析法等。通过波段运算突出变化区域的特征值，进而采用阈值实现变化检测。而随着变化检测的分析单元由像元转变成像斑，其检测技术在像元级别的影像数据预处理的基础特征上，延伸出更丰富的空间特征，包括基于像斑的特征统计差值、变化前后的像斑面积比等。除此之外，变化检测技术的侧重点也根据基础像斑的来源不同有所差异，基于图像直接分割获得的像斑更多的是采用监督分类、分类后比较、特征差值等技术来进行提取[7-8]。而利用历史时期的矢量图作为基础像斑参与变化检测中，其变化检测技术则更侧重于直接继承历史像斑的信息，采用变化前后后像斑空间特征统计分析等方法获取变化信息。近年来，随着深度学习技术的快速发展，该技术也大量的应用到变化检测中，通过大量的变化样本建立变化检测模型，进而实现大规模的变化检测。
[0024]
现有技术中基于历史像斑数据的统计分析技术，完全依赖于影像上的特征反映，以挖掘待检测影像自身的空间特征信息为主，而忽略了区域的地表覆被分布的固有特征，如地形地貌、植被盖度等。变化检测过程中植被的长势变化、耕地中农作物的更替等季节性变化是伪变化图斑的主要来源之一。在空间影像由于季相变化产生伪变化时，影像上的特征也发生变化，导致变化检测精度降低，存在着无法准确根据影像数据进行变化检测的技术问题。
[0025]
针对上述技术问题，本技术提供的技术方案总体思路如下：
[0026]
获得第一时相空间信息数据以及第二时相影像集合；对所述第二时相影像集合进
行极值合成，获得第一极值合成数据，结合所述第一极值合成数据构建基础空间特征库；基于所述第一时序空间信息数据对所述第二时相影像集合进行增长式影像分割，获得像斑地类样本集合；基于所述基础空间特征库，获得第一基础空间特征；获得所述像斑地类样本集合内的第一地类类别和第二地类类别，基于seath算法计算所述第一地类类别和第二地类类别之间在所述第一基础空间特征上的关联程度，获得第一j-m距离；所述第一j-m距离大于第一预设阈值时，将所述第一基础空间特征作为第一较优空间特征；通过空间特征相关性算法计算两两所述第一较优空间特征之间的相关性，构建最优空间特征库；确定所述像斑地类样本集合内不同地类类别特征在所述最优空间特征库内的区分阈值，提取变化像斑，进行变化检测，得到变化检测结果矢量图。
[0027]
在介绍了本技术基本原理后，下面，将参考附图对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。基于本技术的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。另外还需要说明的是，为了便于描述，附图中仅示出了与本技术相关的部分而非全部。
[0028]
实施例一
[0029]
如图1所示，本技术实施例提供了一种空间信息变化检测方法，所述方法包括：
[0030]
s100：获得第一时相空间信息数据以及第二时相影像集合；
[0031]
图2示出了本技术实施例提的方法的一种示意性的逻辑框图，具体而言，如图1和图2所示，第一时相空间信息数据为待变化检测区域在第一时相对应时期的历史空间信息矢量数据，第一时相空间信息数据可为现有技术中任意渠道获取的历史空间信息矢量数据，例如基于此前历史变化检测数据中获取，或根据待变化检测区域在第一时相的影像信息进行获取。
[0032]
第二时相影像集合为待变化检测区域在第二时相对应时期的影像数据，第二时相对应时期晚于上述的第一时相对应的时期，基于第二时相影像集合和第一时相空间信息数据，得以对待变化检测区域进行从第一时相到第二时相的空间信息变化检测。
[0033]
进一步地，步骤s100包括：
[0034]
s110：获得第一时相历史空间信息矢量数据；
[0035]
s120：采集获得云量小于第三预设阈值的第二时相影像；
[0036]
s130：对所述第二时相影像进行预处理，获得所述第二时相影像集合；
[0037]
s140：将第一时相历史空间信息矢量数据与所述第二时相影像集合进行矢量几何配准，得到所述第一时相空间信息数据。
[0038]
具体而言，基于历史变化检测数据获取第一时相历史空间信息矢量数据。并根据遥感技术获取第二时相的遥感卫星图像，作为第二时相影像，其中，为获取较为清晰的影像信息，需获取云量小于第三预设阈值的第二时相影像，示例性地，第三预设阈值可设置为10％，即根据遥感成像卫星获取待检测区域云量小于10％的影像信息，作为数据基础。
[0039]
对上述的第二时相影像进行预处理，示例性地，预处理包括：大气校正、几何校正、辐射定标、镶嵌均色等处理，但不限于此。将预处理后得到的较为标准的第二时相影像集合与第一时相历史空间信息矢量数据进行矢量几何配准，配准至第一时相历史空间信息矢量
数据的地理空间投影等基本信息和与第二时相影像集合保持一致，即可得到上述的第一时相空间信息数据。
[0040]
本技术实施例通过获取第一时相历史空间信息矢量数据和第二时相影像，并对第二时相影像进行预处理，并进行套合，能够获得匹配校准的第一时相空间信息数据以及第二时相影像集合，为后续变化检测提供精准的影像数据，达到提升准确处理影像数据的技术效果。
[0041]
s200：对所述第二时相影像集合进行极值合成，获得第一极值合成数据，结合所述第一极值合成数据构建基础空间特征库；
[0042]
本技术实施例提供的方法中的步骤s200之前包括：
[0043]
根据批量化计算获得所述第二时相影像集合的批量化归一化植被指数和归一化水体指数；
[0044]
获得第一基础参考影像直方图，其中，所述第一基础参考影像直方图为所述批量化归一化植被指数和归一化水体指数中的一个基础参考影像的直方图；
[0045]
基于所述第一基础参考影像直方图，将其他所述批量化归一化植被指数和归一化水体指数对应的影像直方图匹配至一致，获得匹配直方图集合。
[0046]
具体而言，在对第二时相影像集合进行极值合成之前，首先对上述的第二时相影像集合计算归一化植被指数(normalized difference vegetation index，ndvi)和归一化水体指数(normalized difference water index，ndwi)，根据ndvi和ndwi可有效分析得知待变化检测区域的植被覆盖度以及水体覆盖度等信息。本技术实施例中的ndvi和ndwi由下式计算：
[0047]
ndvi＝(l
5-l4)/(l5+l4)
[0048]
ndwi＝(l
3-l5)/(l5+l3)
[0049]
其中，l5为近红外波段的反射值，l4为红光波段的反射值，l3为绿光波段的反射值。
[0050]
优选地，本技术实施例中采用python批量化计算对第二时相影像集合内的影像数据计算，计算获得批量化的ndvi和ndwi产品。应当理解的是，本领域技术人员也可采用其他计算方法进行计算。
[0051]
将ndvi和ndwi产品中某一景影像的直方图为第一基础参考影像直方图，将其他时间的ndvi和ndwi产品与第一基础参考影像直方图进行直方图匹配，匹配至一致，获得匹配直方图集合，如此，在空间范围上缩小各个ndvi和ndwi产品之间的差距。
[0052]
本技术实施例提供的方法中的步骤s200包括：
[0053]
s210：对所述匹配直方图集合进行最大值极值合成，得到最大值合成图像；
[0054]
s220：对所述匹配直方图集合进行最小值极值合成，得到最小值合成图像；
[0055]
s230：选择所述最大值合成图像或所述最小值合成图像，作为所述第一极值合成数据。
[0056]
图3示出了本技术实施例中一种可能的极值合成的示意图。具体而言，极值合成是依次对一组以时间为顺序的特征影像{t1,t2,t3,
…
,tn}中的r
11
、r
12
至r
mn
进行取最大值或者最小值，形成合成数据中的r
11
、r
12
至r
mn
的像元值。如图2中所示，将各时相的r
11
像元值组成一组数据，取该数据组中的最大值或者最小值作为合成数据中的r
11
,依次类推，得到最终的合成数据。
[0057]
在时间跨度较大的变化检测中，由于季相变化、冰雪覆盖、大气云雾变化等因素的影响，待变化检测区域的影像可能会出现“伪变化”，即该变化是在一定时间内由于上述因素而发生的，而该区域的地类并未发生变化，因此，需要消除“伪变化”对于变化检测精度的影响。极值合成是对一段时间内某一空间特征影像中各像元进行极值比较，合成新空间特征的过程，能有效缩小季节性差异，在一定程度上可以表达较大区域范围地物分布的整体情况。本技术实施例中采用极值合成对第二时相影像集合进行处理，用以消除“伪变化”的影响，提升变化检测的准确性。
[0058]
基于上述的匹配直方图集合，对其进行最大值极值合成和最小值极值合成，达到增强特征的技术效果。其中，最大值合成将多幅相同的栅格图叠加，每个栅格单元值取多幅中最大的像元值，最后将获得的每个像元值合成一幅影像。最小值合成即为将多幅相同的栅格图叠加，每个栅格单元值取多幅中最小的像元值，最后将获得的每个像元值合成一幅影像。具体的极值合成计算公式如下:
[0059]
最大合成法计算公式：
[0060]
ndvi_max＝max(ndvi1,ndvi2,...,ndvin)
[0061]
最小合成法计算公式：
[0062]
ndvi_min＝min(ndvi1,ndvi2,...,ndvin)
[0063]
根据具体业务需求，将基于最大值极值合成或最小值极值合成获得的合成数据，结合第二时相影像集合内自身的空间特征构成基础空间特征库。
[0064]
本技术实施例通过对匹配直方图集合采用极值合成进行处理，能够有效消除由于季相变化等因素产生的“伪变化”的影响，达到增强第二时相影像集合内特征的效果，达到提升变化检测准确性的技术效果。
[0065]
s300：基于所述第一时序空间信息数据对所述第二时相影像集合进行增长式影像分割，获得像斑地类样本集合；
[0066]
本技术实施例提供的方法中的步骤s300包括：
[0067]
s310：根据所述第一时相空间信息数据，获得专题图层；
[0068]
s320：基于所述专题图层，采用所述第一时相空间信息数据内的矢量边界对所述第二时相影像集合采用多尺度分割方法进行增长式分割；
[0069]
s330：根据所述增长式分割的结果，获得所述像斑地类样本集合。
[0070]
具体而言，第一时相空间信息数据包括第一时相时期对应待检测区域的历史空间矢量数据，将第一时相空间信息数据内带有类别属性的矢量图作为专题图层。然后利用第一时相空间信息数据内专题图层的矢量边界对第二时相影像集合应用多尺度分割方法进行增长式细分，获得既包含第二时相影像集合内影像特征，又包括第一时相空间信息数据内地物类别属性的像斑，收集该像斑集合，获得像斑地类样本集合。
[0071]
将套合较好的第一时相空间信息数据和第二时相影像集合进行增长式分割，能够保证像斑内的光谱同质性，同时能够获取贴合于第二时相影像集合的地物边界像斑矢量，便于后续基于像斑进行空间特征统计，提升像斑分割的准确度。
[0072]
s400：基于所述基础空间特征库，获得第一基础空间特征；
[0073]
s500：获得所述像斑地类样本集合内的第一地类类别和第二地类类别，基于seath算法计算所述第一地类类别和第二地类类别之间在所述第一基础空间特征上的关联程度，
获得第一j-m距离；
[0074]
具体而言，基于上述的基础空间特征库，随机选取一基础空间特征作为第一基础空间特征，然后随机选取上述像斑地类样本集合内的两个地类类别，作为第一地类类别和第二地类类别。第一地类类别和第二地类类别均包括第一时相空间信息数据内的地物类别属性以及第二时相影像集合内的影像特征。
[0075]
选取获得上述的第一基础空间特征、第一地类类别和第二地类类别后，基于分离阈值算法(separability and thresholds,seath)计算第一地类类别和第二地类类别在第一基础空间特征上的关联程度，其关联程度采用jeffries-matusita(j-m)距离来表示，其中，j-m距离的取值范围为[0,2]，0表示两个类别在该第一基础空间特征上几乎完全混淆，2表示两个类别在该特征上能够完全分开。本技术实施例中，采用seath算法计算第一地类类别和第二地类类别之间的关联程度，如下：
[0076]
j＝2(1-e-b
)
[0077]
其中，b为巴氏距离，b通过下式计算：
[0078][0079]
其中，m1和m2为第一地类类别和第二地类类别的某特征均值，σ1和σ2为第一地类类别和第二地类类别的空间特征标准差。
[0080]
通过上述计算，获得第一地类类别和第二地类类别的第一j-m距离。在实际的计算过程中，第一地类类别和第二地类类别的第一j-m距离并不会为2或者为0，极端的情况在实际中是比较少见的，各类地类类别质检总会存在一些重叠，一般，若第一j-m距离大于1.5，即可认为第一地类类别和第二地类类别在该第一基础空间特征上的分离程度较好，第一基础空间特征即可认为适合于进行区别两地类类别的空间特征。
[0081]
本技术实施例通过获取第一基础空间特征，基于该空间特征计算两两地类质检的分离度，能够获得能够较好区分两两地类的空间特征集合，作为最优特征集合，为变化检测提供较好的空间特征数据基础，达到提升区分地类的效率和准确性的技术效果。
[0082]
s600：所述第一j-m距离大于第一预设阈值时，将所述第一基础空间特征作为第一较优空间特征；
[0083]
s700：通过空间特征相关性算法计算两两所述第一较优空间特征之间的相关性，构建最优空间特征库；
[0084]
具体而言，如上述内容，第一j-m距离并不会为2或者为0，极端的情况在实际中是比较少见的，各类地类类别质检总会存在一些重叠，因此，本技术实施例中，第一预设阈值优选为1.5，但不限于此。如此，当第一j-m距离大于1.5时，则将该第一基础空间特征作为第一较优空间特征。
[0085]
本技术实施例提供的方法中的步骤s700包括：
[0086]
s710：计算两两所述第一较优空间特征之间的空间特征相关性；
[0087]
s720：当所述空间特征相关性小于第二预设阈值时，将两个所述第一较优空间特征均加入所述最优空间特征库内；
[0088]
s730：当所述空间特征相关性大于第二预设阈值时，将两个所述第一较优空间特征中的一个加入所述最优空间特征库内。
[0089]
具体而言，传统的seath算法仅从空间特征在两地类类别之间的可分性上进行判断，忽略了空间特征之间的内在联系。因此，本技术实施例中通过加入空间特征之间相关性算法，进一步对上述的较优特征空间进一步优化。
[0090]
如上述内容，当上述的第一j-m距离大于第一预设阈值时，获得第一较优空间特征，并通过基础空间特征库中的其他基础空间特征计算其他地类类别之间的j-m距离，获得其他的第一较优空间特征，如此，获得所有的第一较优空间特征，然后计算两两第一较优空间特征之间的相关性，如下式：
[0091][0092]
其中，ρ
x,y
为两较优空间特征之间的相关性，x为一个第一较优空间特征，y为另一第一较优空间特征，σ
x
和σy分别为两个第一较优空间特征的空间特征标准差。
[0093]
当计算获得两第一较优空间特征之间的相关性之后，判断空间特征相关性是否大于第二预设阈值时，其中，若空间特征相关性大于第二预设阈值，则认为两个第一较优空间特征之间相关性较大，有一定冗余度，选择其中的一个第一较优空间特征作为最优空间特征，加入最优空间特征库内。或者，若空间特征相关性小于第二预设阈值，则认为两个第一较优空间特征之间相关性较小，冗余度较小，将两个第一较优空间特征均加入最优空间特征库内，如此，完成构建最优空间特征库。本技术实施例中，根据实际业务需求，第二预设阈值优选为0.7，但不限于此。
[0094]
本技术实施例在传统的seath算法的基础上，结合空间特征相关性算法，使获得的最优空间特征库内的空间特征在能够较好地区分地类类别的基础上，还能够通过计算空间特征之间的相似度剔除冗余的空间特征，精化用于分析并分类的空间特征，提升变化检测计算效率，达到获得最优分类空间的技术效果。
[0095]
s800：确定所述像斑地类样本集合内不同地类类别特征在所述最优空间特征库内的区分阈值，提取变化像斑，进行变化检测，得到变化检测结果矢量图。
[0096]
本技术实施例提供的方法中的步骤s800包括：
[0097]
s810：对所述最优空间特征库内的空间特征进行归一化处理；
[0098]
s820：结合所述像斑地类样本集合，对所述最优空间特征库进行逐一统计，获得特征值数组；
[0099]
s830：基于第一步长对所述特征值数组划分值域区间，通过最大化方差法计算不同阈值分类后量类别间的方差，获得所述区分阈值；
[0100]
s840：通过所述区分阈值提取变化像斑并进行变化检测，得到所述变化检测结果矢量图。
[0101]
具体而言，由于不同的空间特征值分布以及变化幅度有所差异，因此，在像斑尺度上将空间特征进行归一化。基于上述的最优空间特征库，将其中的最优空间特征进行归一化处理，示例性地，以耕地地类样本为例，计算耕地像斑在一最优空间特征上的极大值和极小值，归一化公式如下：
[0102]
fea_normal＝(fea-fea_min)/(fea_max-fea_min)
[0103]
基于上述的像斑地类样本集合，对上述的最优空间特征库内的最优空间特征进行
逐一统计，形成特征值数组，然后基于第一步长对特征值数组划分值域区间，通过最大化方差法计算不同阈值分类后量类别间的方差，获得用于确定变化阈值的区分阈值[t1，t2]，继而完成变化信息检测。优选地，本技术实施例提供的方法中的第一步长为0.1，但不限于此。
[0104]
本技术实施例中，确定区分阈值的方法为最大类间方差法，基于像斑的阈值确定通常是将对象均值、方差、纹理等特征简化成一系列数值组，针对各特征的数值组，逐渐细化类别。该最大类间方差法的原理是在一景影像上通过计算获得的阈值k使得两部分的灰度值差异最大，而每个部分之间的灰度差异最小。如影像上有l个灰度级[1,2,
…
,l]。灰度级为i的像素点的个数为ni，那么总的像素点个数就应该为n＝n1+n2+
…
+n
l
。
[0105][0106]
通过一个灰度级为k将这些像素点划分为两类:c0和c1(背景和目标)；c0表示灰度级为[1,
…
,k]的像素点，c1表示灰度级为[k+1,
…
,l]的像素点。那么，每一类出现的概率以及各类的平均灰度级分别由下面的式子给出：
[0107][0108][0109][0110][0111]
其中，w0表示影像中背景地物的像元数占整幅影像的比例，w1表示目标地物的像元数占整幅影像的比例，u0表示背景地物的平均灰度，u1表示目标地物的平均灰度。计算求得最佳阈值k时，c0和c1之间的方差达到最大，即满足下列式子中的σ2最大：
[0112]
σ＝w0×
w1×
(u0－u1)2[0113]
如此，将基于上述区分阈值进行变化检测获得的变化像斑根据现实业务需求，如变化图斑的大小、图斑形状及规整程度进行变化像斑的后处理，继而将经过后处理后的像斑进行输出，得到变化检测结果矢量图。
[0114]
下面就本技术实施例在实际应用中的场景进行描述，以使更好地理解本技术的技术方案，但不作为本技术的限制。
[0115]
以某待检测区域2015年地表覆被产品和2020年拼接的gf1影像数据为例，采用本技术实施例提供的方法，基于极值合成数据并在历史像斑的基础上结合多尺度分割算法进行变化像斑提取。具体步骤如下：
[0116]
步骤一、影像数据采集及处理
[0117]
采集用于变化检测的2020年遥感影像数据和2015年历史空间信息矢量数据用于
工程化的变化检测提取。一般来说，工程化变化检测的影像数据基本已经进行了辐射定标、几何校正、镶嵌均色等预处理。除此之外，通过地理空间数据云下载待检测区域2020年全年单景的landsat8数据，下载的数据大多已经过了大气校正、几何校正等预处理。
[0118]
以2020年遥感影像为基础，将2015年的历史信息矢量几何配准到与影像一致，确保矢量数据的地理空间投影等基本信息和影像数据保持一致。
[0119]
进一步地，采用python批量化对单景的landsat8数据生成归一化植被指数、归一化水体指数。
[0120]
进一步地，分别在批量化的ndvi和ndwi产品中选择一个基础参考影像，并将该图像的直方图作为基础，依次将其他的ndvi、ndwi直方图匹配到与基础影像一致。
[0121]
步骤二、生成极值合成数据
[0122]
将步骤一中经过了直方图匹配后的数据进行最大值和最小值合成，达到增强特征的效果，有效解决由于季相变化所导致的伪变化问题。最大值或最小值合成就是将多幅相同的栅格图叠加，每个栅格单元值取多幅中最大或最小的像元值，最后将获得的每个像元值合成一幅影像。
[0123]
步骤三、基于历史数据的增长式分割像斑
[0124]
利用2015年的历史辅助数据与2020年遥感影像套合获取初级像斑，并直接继承基础矢量中的空间地类属性信息。
[0125]
采用多尺度分割算法在套合获取的像斑基础上进一步分割保证像斑内的光谱同质性。通过设置参与分割的特征图层权重以及分割后图斑的形状异质度、光谱异质度、紧凑度等参数将2015年像斑根据2020年的遥感影像进一步分割。分割后像斑具有更小尺度，像斑之间平均异质性最大、像斑内部像元之间异质性最小。实现的算法是基于区域异质性最小的区域合并算法，从最初的单个像元逐渐合并成较小的影像对象，再逐渐合并成较大的影像对象，最终通过设置的最优的分割尺度完成影像分割。例如：将s1和s2合并成s，那么s的区域异质性公式如下：
[0126]
f＝w
colorhcolor
+(1-w
color
)h
shape
[0127]
其中，w
color
为合并后图斑的光谱权重，h
color
和h
shape
分别为合并后图斑的光谱异质度和形状异质度。通过计算不同分割尺度参数下影像对象同质性的局部变化的变化率roc-lv(rates of change of lv)来指示对象分割效果最佳参数。当roc-lv最大即出现峰值时，该点对应的分割尺度即为最佳分割尺度。
[0128]
结合2015年基础矢量中的空间地类属性信息，有针对性地设置分割参数，确保分割参数和分割尺度最优。最终各地类的分割参数为：耕地分割尺度参数为100，形状指数为0.1，紧致度为0.5；林地、草地和水体分割尺度参数为200，形状指数为0.1，紧致度为0.5；建设用地分割尺度参数为100，形状指数为0.2，紧致度为0.6。
[0129]
步骤四、改进seath算法确定最优空间特征组
[0130]
(1)通过分位数法确定各地类样本。计算2015年历史矢量中地类属性为耕地的像斑在2020年影像上第二波段的标准差结合影像上耕地像斑的实际反映与不同值域的像斑数量，通过分位数方法确定样本值域区间批量的获取耕地样本。既能保证样本的纯粹度，也能保证不同的耕地形态均被提取，同时充分利用了2015年的基础数据，提高样本准备的效率。以此类推，分别计算林地和草地的第二波段的标准差、建
设用地计算第一波段标准差，水体计算该影像上的归一化水体指数(ndwi)，以相同的分位数确定方法提取其他几个地类的样本。
[0131]
(2)建立空间特征库。利用2020年遥感影像蓝波段(b)、绿波段(g)、红波段(r)和近红外波段(nir)外，在影像的基础之上构建了归一化植被指数(ndvi)、归一化水体指数(ndwi)、裸地指数(bai)，同时，加入步骤二生成的2020年际内最大ndvi合成波段(ndvi_max)、最大ndwi合成波段(ndwi_max)。基于影像波段，构建像斑级别的空间特征，包括光谱特征、形状特征和纹理特征：在光谱特征上，主要构建影像波段的均值(mean)、标准差(std)、色调(h)、饱和度(s)和亮度(i)；在纹理特征上，主要构建对比度纹理(glcm_com)和同质度纹理(glcm_hom)；在形状特征上，主要是构建形状指数(si)、面积(area)、紧致度(c)等空间特征。
[0132]
(3)计算两两地类之间的j-m距离。通过步骤四(2)中确定的不同地类的样本，先计算耕地均值和标准差：
[0133][0134]
lx表示某一空间特征，li表示第i个像斑的在该空间特征上的统计值，n表示样本数量。
[0135]
进一步地，计算建设用地在该空间特征上的均值和标准差。
[0136]
进一步地，计算两地类样本的巴氏距离。
[0137]
进一步地，计算j-m距离。
[0138]
j-m的取值范围为[0，2]。一般情况下，被选择用于区分两两地类的空间特征，其j-m值大于1.5。以此类推，计算两个样本群在不同空间特征之间的j-m距离，并对j-m距离进行排序，在步骤四(2)的空间特征库中优选出适合于区别两种地类的空间特征集合。
[0139]
(4)计算空间特征相关性，减少空间特征冗余度。通过计算空间特征之间的相似度剔除冗余的空间特征，精化用于分析并分类的空间特征，在相关性大于0.7的空间特征中挑选一个纳入最优空间特征组中。
[0140]
在本技术实施例中，最终确定的最优空间特征如表1所示：
[0141]
表1最优空间特征库
[0142]
[0143][0144]
步骤五、阈值确定及变化像斑提取
[0145]
基于统计学方法的阈值确定宗旨就是将一组数据分成两组，使得两组数据之间的方差最大化。
[0146]
(1)对步骤四(4)中确定的耕地和建设用地之间的最优空间特征进行归一化处理。
[0147]
由于不同的空间特征值分布以及变化幅度有所差异，因此，除形状特征外，在对象范围内将其空间特征进行归一化，计算该地类在此空间特征上的极大值和极小值。
[0148]
(2)在最优空间特征的基础上确定耕地和建设用地的区分阈值
[0149]
在值域区间[0.05,0.95]中，以步长α为0.01区分值域区间，依次统计像斑在该特征值位于[0.05，0.05+0.01α)和[0.05+0.01α，0.95]区间内的数量w0和w1以及该特征的平均值u0和u1，进一步地计算类间方差：
[0150]
σ＝w0×
w1×
(u0－u1)2[0151]
并将区间内步长为0.01划分出的地类计算得出的类间方差存放至数组{σ1,σ2,σ3...σn}中，求取数组中最大方差，并记录对应的α，因此获得的分割阈值为0.01α。本技术实施例中确定的ndvi_max和ndwi_max阈值为0.24和0.08。结合实例中的影像特征分析，耕地在最大合成的影像中的植被特征较为明显，同时受到混合像元的影响，在变化提取过程中逐渐放大阈值，最终获得变化像斑的提取阈值。
[0152]
(3)特征描述法提取变化像斑。
[0153]
结合2015年历史空间信息矢量中的地类属性，同时根据两两地类之间确定的阈值，采用逐地类特征描述的方法提取变化像斑。
[0154]
提取耕地的变化像斑
[0155]
2015年历史空间信息矢量中耕地的变化方向主要是建设用地、其次依次是林地、水体、草地和裸地。因此，根据步骤四中确定的优势空间特征和步骤五中确定的阈值，特征描述确定变化像斑。在最大合成的ndvi影像中耕地、林地和草地的植被信息较为丰富，而建设用地、水体和裸地的植被信息较弱，因此通过最大合成的ndvi影像就可以直接区分开植被区域和非植被区域。同时，耕地和林地之间由于林地的纹理较为粗糙，在同质度的纹理特征上反映比较明显。依次将提取的变化像斑赋值成“新增建设用地”、“新增林地”、“新增草地”、“新增水体”和“新增裸地”本技术实施例中的描述语句如下：
[0156]
mean ndvi_max《0.28and mean ndwi_max《0.14
[0157]
mean ndvi_max《0.3and mean ndwi_max《0.1
[0158]
mean ndvi_max》0.78and glcm_hom《0.32
[0159]
std_ndvi_max》0.3
[0160]
mean ndwi_max》0.72
[0161]
mean ndvi_max《0.43&bai》0.75
[0162]
提取林地的变化像斑
[0163]
利用2015年历史矢量中的林地像斑，将符合“耕地”、“草地”、“水体”、“建设用地”和“裸地”地类描述的像斑提取成变化像斑。由于林地、草地植被生长区域的像斑中新增建设用地的特征与耕地中的一致，将满足条件mean ndvi_max《0.28and ndwi_max《0.14和条件mean ndvi_max《0.3and ndwi_max《0.1的林地和草地像斑分成“新增建设用地”。不满足林地粗糙纹理且植被特征明显的像斑为“新增耕地”或“新增草地”，其条件为：glcm_hom》0.76。而没有植被特征的像斑被分成“新增水体”或“新增裸地”，本技术实施例中的描述语句如下：
[0164]
mean ndwi_max》0.7&mean ndvi_max《0.42
[0165]
mean bai》0.75&mean ndvi_max《0.42
[0166]
提取草地的变化像斑
[0167]
考虑到草地向耕地和林地转变的程度较小，因此，将草地中最大植被指数较大的图斑提取成林地或耕地：mean ndvi_max》0.73。
[0168]
将mean ndvi_max《0.34的部分像斑分成建设用地、裸地或水体将满足std_ndvi_max》0.76的图斑赋值成新增建设用地；将满足mean ndwi_max》0.78的图斑赋值成水体；将满足bai》0.75的图斑赋值成裸地。
[0169]
提取水体的变化像斑
[0170]
水体和其他地类在最大合成的水体指数特征上表现的最为突出，因此，先通过该特征直接定位非水体，然后根据非水体中的像斑特征对其进行赋值，首先非水体的像斑描述为：ndwi_max《0.36。继而根据耕地、林地、草地、建设用地和裸地的特征对其进行赋值。
[0171]
提取建设用地的变化像斑
[0172]
从大量的地表覆被的变化趋势分析得出，建设用地的向其他地类的变化一般较少，而建设用地内部的城市绿地在光谱特征上与林地、草地等一致，因此，在建设用地的变化提取中，首先需要通过ndvi_max和ndwi_max结合地类相邻关系提取出非建设用地：
[0173]
mean ndvi_max》0.78&rel.border to建设用地》0.8
[0174]
mean ndwi_max》0.68&rel.border to建设用地》0.8
[0175]
提取裸地的变化像斑
[0176]
一般来说，裸地是指在长时间序列上不出现植被且不被利用的土地，因此，直接通过ndvi_max即可将耕林草的变化像斑提取出来，其次，通过ndwi_max提取出变化成水体的像斑。本发明案例中的对裸地像斑的描述语句如下，从而提取变化像斑：
[0177]
mean ndvi_max》0.78
[0178]
mean ndwi_max》0.68
[0179]
步骤六、成果优化及输出
[0180]
本技术实施例中，为了保证提取的图斑完整性，最终需要将上述两个维度提取出
的“新增建设用地”、“新增林地”、“新增草地”、“新增水体”、“新增裸地”以及“新增耕地”进行一系列后处理操作，包括细碎图斑合并或剔除，形态学增长消除畸形像斑等，最终将变化像斑及其变化前后地类导出。
[0181]
在多个待检测区域的变化检测中，变化图斑平均精度达到70％。经过分析评价，最终可直接基于此变化检测结果进行判别，形成最终成果。
[0182]
综上所述，本技术实施例提供的方法产生了以下技术效果：1)通过采用极值合成方法处理第二时相影像数据，有效消除由于季相变换等因素导致的伪变化，提升变化检测精度；2)通过采用第一时相的历史空间矢量信息与第二时相影像信息进行套合并进行增长式分割，继承第一时相历史空间矢量信息内边界和属性的同时，保证了各像斑内的光谱同质性，提升变化检测精度；3)通过计算特征空间之间的相关性改进seath算法，对大量空间特征进行筛选并降低优化后特征空间的冗余度。基于上述效果，本技术实施例有效解决由于季相变化所导致的伪变化增多问题，该优势在大范围的变化检测中更加突出，使得变化目标的检测更为有效、快速、精准，达到了提升变化检测精度的技术效果。
[0183]
实施例二
[0184]
基于与前述实施例中一种空间信息变化检测方法相同的发明构思，如图4所示，本技术实施例提供了一种空间信息变化检测系统，其中，所述系统包括：
[0185]
第一获得单元11，所述第一获得单元111用于获得第一时相空间信息数据以及第二时相影像集合；
[0186]
第一处理单元12，所述第一处理单元12用于对所述第二时相影像集合进行极值合成，获得第一极值合成数据，结合所述第一极值合成数据构建基础空间特征库；
[0187]
第二处理单元13，所述第二处理单元13用于基于所述第一时序空间信息数据对所述第二时相影像集合进行增长式影像分割，获得像斑地类样本集合；
[0188]
第二获得单元14，所述第二获得单元14用于基于所述基础空间特征库，获得第一基础空间特征；
[0189]
第三处理单元15，所述第三处理单元15用于获得所述像斑地类样本集合内的第一地类类别和第二地类类别，基于seath算法计算所述第一地类类别和第二地类类别之间在所述第一基础空间特征上的关联程度，获得第一j-m距离；
[0190]
第一判断单元16，所述第一判断单元16用于所述第一j-m距离大于第一预设阈值时，将所述第一基础空间特征作为第一较优空间特征；
[0191]
第四处理单元17，所述第四处理单元17用于通过空间特征相关性算法计算两两所述第一较优空间特征之间的相关性，构建最优空间特征库；
[0192]
第五处理单元18，所述第五处理单元18用于确定所述像斑地类样本集合内不同地类类别特征在所述最优空间特征库内的区分阈值，提取变化像斑，进行变化检测，得到变化检测结果矢量图。
[0193]
进一步的，所述系统还包括：
[0194]
第三获得单元，所述第三获得单元用于获得第一时相历史空间信息矢量数据；
[0195]
第四获得单元，所述第四获得单元用于采集获得云量小于第三预设阈值的第二时相影像；
[0196]
第六处理单元，所述第六处理单元用于对所述第二时相影像进行预处理，获得所
述第二时相影像集合；
[0197]
第七处理单元，所述第七处理单元用于将第一时相历史空间信息矢量数据与所述第二时相影像集合进行矢量几何配准，得到所述第一时相空间信息数据。
[0198]
进一步的，所述系统还包括：
[0199]
第五获得单元，所述第五获得单元用于根据批量化计算获得所述第二时相影像集合的批量化归一化植被指数和归一化水体指数；
[0200]
第六获得单元，所述第六获得单元用于获得第一基础参考影像直方图，其中，所述第一基础参考影像直方图为所述批量化归一化植被指数和归一化水体指数中的一个基础参考影像的直方图；
[0201]
第八处理单元，所述第八处理单元用于基于所述第一基础参考影像直方图，将其他所述批量化归一化植被指数和归一化水体指数对应的影像直方图匹配至一致，获得匹配直方图集合。
[0202]
进一步的，所述系统还包括：
[0203]
第九处理单元，所述第九处理单元用于对所述匹配直方图集合进行最大值极值合成，得到最大值合成图像；
[0204]
第十处理单元，所述第十处理单元用于对所述匹配直方图集合进行最小值极值合成，得到最小值合成图像；
[0205]
第十一处理单元，所述第十一处理单元用于选择所述最大值合成图像或所述最小值合成图像，作为所述第一极值合成数据。
[0206]
进一步的，所述系统还包括：
[0207]
第十二处理单元，所述第十二处理单元用于根据所述第一时相空间信息数据，获得专题图层；
[0208]
第十三处理单元，所述第十三处理单元用于基于所述专题图层，采用所述第一时相空间信息数据内的矢量边界对所述第二时相影像集合采用多尺度分割方法进行增长式分割；
[0209]
第七获得单元，所述第七获得单元用于根据所述增长式分割的结果，获得所述像斑地类样本集合。
[0210]
进一步的，所述系统还包括：
[0211]
第十四处理单元，所述第十四处理单元用于对所述最优空间特征库内的空间特征进行归一化处理；
[0212]
第十五处理单元，所述第十五处理单元用于结合所述像斑地类样本集合，对所述最优空间特征库进行逐一统计，获得特征值数组；
[0213]
第十六处理单元，所述第十六处理单元用于基于第一步长对所述特征值数组划分值域区间，通过最大化方差法计算不同阈值分类后量类别间的方差，获得所述区分阈值；
[0214]
第十七处理单元，所述第十七处理单元用于通过所述区分阈值提取变化像斑并进行变化检测，得到所述变化检测结果矢量图。
[0215]
进一步的，所述系统还包括：
[0216]
第十八处理单元，所述第十八处理单元用于计算两两所述第一较优空间特征之间的空间特征相关性；
[0217]
第十九处理单元，所述第十九处理单元用于当所述空间特征相关性小于第二预设阈值时，将两个所述第一较优空间特征均加入所述最优空间特征库内；
[0218]
第二十处理单元，所述第二十处理单元用于当所述空间特征相关性大于第二预设阈值时，将两个所述第一较优空间特征中的一个加入所述最优空间特征库内。
[0219]
示例性电子设备
[0220]
下面参考图5来描述本技术实施例的电子设备，
[0221]
基于与前述实施例中一种空间信息变化检测方法相同的发明构思，本技术实施例还提供了一种空间信息变化检测系统，包括：处理器，所述处理器与存储器耦合，所述存储器用于存储程序，当所述程序被所述处理器执行时，使得系统以执行实施例一所述方法的步骤。
[0222]
该电子设备300包括：处理器302、通信接口303、存储器301。可选的，电子设备300还可以包括总线架构304。其中，通信接口303、处理器302以及存储器301可以通过总线架构304相互连接；总线架构304可以是外设部件互连标(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0223]
处理器302可以是一个cpu，微处理器，asic，或一个或多个用于控制本技术方案程序执行的集成电路。
[0224]
通信接口303，使用任何收发器一类的装置，用于与其他设备或通信网络通信，如以太网，无线接入网(radio access network，ran),无线局域网(wireless local area networks，wlan)，有线接入网等。
[0225]
存储器301可以是rom或可存储静态信息和指令的其他类型的静态存储设备，ram或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory，eeprom)、只读光盘(compact discread-only memory，cd-rom)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
[0226]
其中，存储器301用于存储执行本技术方案的计算机执行指令，并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令，从而实现本技术上述实施例提供的一种空间信息变化检测方法。
[0227]
可选的，本技术实施例中的计算机执行指令也可以称之为应用程序代码，本技术实施例对此不作具体限定。
[0228]
本领域普通技术人员可以理解：本技术中涉及的第一、第二等各种数字编号仅为描述方便进行的区分，并不用来限制本技术实施例的范围，也不表示先后顺序。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其
类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a,b,或c中的至少一项(个、种)，可以表示：a,b,c,a-b,a-c,b-c,或a-b-c，其中a,b,c可以是单个，也可以是多个。
[0229]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本技术实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘(solid state disk，ssd))等。
[0230]
本技术实施例中所描述的各种说明性的逻辑单元和电路可以通过通用处理器，数字信号处理器，专用集成电路(asic)，现场可编程门阵列(fpga)或其它可编程逻辑装置，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。
[0231]
本技术实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于ram存储器、闪存、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、可移动磁盘、cd-rom或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于asic中，asic可以设置于终端中。可选地，处理器和存储媒介也可以设置于终端中的不同的部件中。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0232]
尽管结合具体特征及其实施例对本技术进行了描述，显而易见的，在不脱离本技术的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附权利要求所界定的本技术的示例性说明，且视为已覆盖本技术范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术意图包括这些改动和变型在内。