一种基于多策略组合的高分辨率遥感影像变化检测方法与流程

1.本发明属于遥感图像处理以及遥感变化检测领域，特别是指一种基于多策略组合的高分辨率遥感影像变化检测方法。


背景技术：

2.自weismiller等人在1977年提出影像差分方法变化检测算法以来，国内外学者开始探索不同的思路，从不同角度、针对不同的应用研究得到大量的变化检测方法和理论模型。从遥感影像变化检测所采用的算法来分，常见的有代数法(如差值法、比值法等)、变换法(如cva法、pca法等)、分类法(如将人工神经网络、支持向量机、决策树等各种机器学习方法用于影像分类)、目视解译法、深度学习法等。根据变化检测的单元来分，分为基于像素/亚像素的变化检测和基于对象的变化检测；根据影像是否需要分类，又可分为图像直接比较法和分类后比较法。直接比较法利用了影像中不同的特征，诸如纹理特征、光谱特征等，通过一定的指数计算或变换对影像进行比较，直接表达并检测出变化；分类后比较法一般是利用监督的形式，在待分类影像上人工选取感兴趣区域，之后对所选取的区域分配相应的地物类别标签，通过利用区域特征进行像素级分类，在得到像素级分类的结果上进行多时相的比较，得到最终的变化区域。两类方法各有优势，直接比较法操作简单，能通过前后时相影像的变化特征直接得到变化区域，但这类方法无法确定变化类别；分类后比较法过程较为繁琐，首先需要得到较好的前后两期影像的分类结果，之后通过对比影像分类的结果得到影像中的变化区域，其优点是可以直接检测出地物类别变化情况，但是，该类方法比直接比较法效率低、易受错误分类影响。
3.由于大量“异物同谱”和“同物异谱”现象的存在，基于像素的方法难以利用高分辨率遥感影像中的地物信息，从而导致数据冗余，结果中常常出现“椒盐噪声”的现象。面向对象分类的方法可以克服上述缺陷，它以图像分割后产生的对象为单元，同时顾及对象的光谱、几何、纹理等特征，多特征的利用使其分类结果优于基于像素的分类方法。面向对象的分类方法通常由影像分割、对象的特征提取、特征选择、基于对象特征的分类几个环节所组成。但面向对象的影像分类方法仍然容易受到一些因素的影响：首先，面向对象分类框架引入了影像分割算法，影像分割的尺度难以选择，如何选择合适的分割尺度是面向对象影像分类的首要任务；其次，特征提取与特征选择是表达与区分地物类别的重要依据，同时也对分类器的分类效果有着重要的影响；最后，面向对象方法的分类器往往基于决策树、svm(支持向量机)等分类器，训练样本通常来自于一幅影像，对新影像进行分类时，需要重新人工在影像中选择样本、计算特征和训练模型，操作复杂且缺乏普适性，并且分类精度有待提高。
4.近年来，深度学习的飞速发展影响到实际生产中的方方面面。相较于传统的遥感影像特征提取与分类方法，基于深度学习的方法具有更强的泛化和特征表达能力。深度学习方法中，卷积神经网络(convolutional neuralnetwork,cnn)模型因其权值共享与池化策略已经成为了解决二维影像分类、目标检测等任务的主流方式，同时，卷积神经网络也被
广泛应用到自然图像分类、图像分割、图像去噪、图像增强等多个方面。卷积神经网络的出现为自动提取影像特征创造了可能，可以在不对图像进行任何预处理的前提下，从大规模且复杂的原始数据中学习特征，有效的结合图像的光谱和空间信息。然而，遥感影像与自然场景影像有着诸多的不同点。遥感影像数据源、光谱信息、辐射信息更为丰富，不同传感器获取的影像的空间分辨率不同，遥感影像分类体系与自然场景影像也有很大差异。现有的语义分割数据集大多针对自然场景影像，高分辨率遥感影像语义分割数据集数量少，地物类别少，无法满足遥感需求。因此，直接将适用于自然场景影像语义分割的全卷积网络模型应用到高分遥感影像土地覆盖分类，仍然面临着许多挑战。在缺少人工标注数据集的地区，可以利用半监督学习方式来缓解这个问题。基于半监督学习的语义分割方法，利用小部分影像数据及其相应的类别标注数据和大规模未标注数据对模型进行训练。近年来兴起的基于生成式对抗网络 (generative adversarial net,gan)的半监督语义分割方法则是通过生成器生成的现实数据，使辨别器提升辨别能力从而更准确地预测像素类别。上述两类半监督语义分割方法都是针对自然场景影像，如何应用于遥感影像语义分割与变化检测，需要进一步研究。
5.综合以上分析，可以看出，虽然目前研究人员已经提出了大量的变化检测方法，但遥感影像变化检测仍然面临着多种挑战，如数据的不确定性、方法的普适性、结果的可靠性等方面的问题。具体来说，在一景影像当中，相同的地物类型有可能表现出的特征并不是一定相同的，因而在对多时相影像分析时，其复杂程度更无法准确判断；同时，现有的变化检测算法斑驳杂乱，没有相同的判断体系，其相应的适用范围也有一定的局限性；再加上卫星传感器所接收到的数据存在一定的误差，使得研究所得到的最终变化结果可靠性不高，检测过程复杂。影像数据从获取开始到最终的产品生成，其中间的各个处理环节与某个环节中参数的选择都具有多样性和不确定性的影响，这些影响同样为最终变化检测结果的可靠性带来了挑战。因此，遥感影像变化检测仍然是一项复杂的基础性工作，还需要研究高效自动的变化检测方法，从影像配准、特征提取、影像分类、融合多特征变化检测等环节都需要进一步研究与改进。


技术实现要素：

6.有鉴于此，本发明提出一种基于多策略组合的高分辨率遥感影像变化检测方法，该方法能够利用两期高分辨率遥感影像进行土地覆盖变化检测，并在对象级上使用多种变化检测方法对土地覆盖是否发生进行综合判断，可以提高变化检测的精度。
7.本发明的目的是这样实现的：
8.一种基于多策略组合的高分辨率遥感影像变化检测方法，包括以下步骤：
9.(1)将两时相遥感影像进行波段叠加，然后进行主成分分析，取前3波段进行影像分割，利用分割结果的矢量对原始遥感影像重新进行分割；
10.(2)对分割后的遥感影像分别进行分类后变化检测、基于类内特征下的 d-s决策融合变化检测和基于光谱多因子特征的变化检测，然后将3种变化检测结果进行决策级融合，得到最终的变化检测结果。
11.进一步的，所述分类后变化检测的具体方式为：
12.在分割后遥感影像的基础上计算得到影像中每个对象的特征量，然后人为判读地
物种类，建立分类体系，依据地物分类体系人工选取对应地类的图斑对象作为样本，接着利用svm分类器进行多分类，得到分类结果。
13.进一步的，所述基于类内特征下的d-s决策融合变化检测的具体方式为：
14.(1)计算两时相影像对象的光谱与纹理特征，对象的光谱特征包含对象的亮度、灰度均值、灰度标准差、最大最小灰度值、内边界灰度平均值、峰度值、归一化差分植被指数、归一化差分水体指数和归一化建筑物指数；对象的纹理特征包括灰度共生矩阵和归一化灰度矢量内的特征量；
15.(2)统计第一时相影像中每个地物类型的特征值直方图分布，求出均值μ和标准差σ；
16.(3)若第二时相中某对象i的特征分布处于μ-σ≤xi≤μ σ时，表明对象 i的光谱均值xi高度服从该类别下的特征分布，判定为未变化；当μ-2σ≤xi≤μ-σ或μ σ≤xi≤μ 2σ时，表明对象i的光谱均值xi大致服从该类别下的特征分布，在此落点区间内，对象变化与否的判定具有混淆性，因此标记为未确定；当xi≤μ-2σ或μ 2σ≤xi时，表明对象i的光谱均值xi不服从该类别下的特征分布，将其标记为离群值进行后续处理；
17.(4)对于未确定对象，使用d-s理论来融合多个变化检测结果；具体方式为：对不同特征量构建出箱线图，在箱线图中位于上、下限外的则将该对象的该特征标记为变化，否则标记为未变，然后统计每个对象被标记为变化的特征的比例p，当p》50％时，判定该对象发生地表覆盖变化，否则，判定该对象为发生变化；
18.(5)对于离群值对象，假设前时相对象i的纹理特征向量为o1，则在后时相存在特征向量o2：
19.o1＝{x1,x2,
…
xn},o2＝{y1,y2,
…yn
}
20.其中，n为特征向量数；
21.计算向量o1和o2的余弦相似度，作为变化指数：
[0022][0023]
式中，θ为o1和o2的夹角，余弦值d(o1,o2)∈[0,1]；当d(o1,o2)》0.8，则判定对象为发生地表覆盖变化；当d(o1,o2)《0.8，则判定对象发生了地表覆盖变化。
[0024]
进一步的，所述基于光谱多因子特征的变化检测的具体方式为：
[0025]
选择归一化差分植被指数ndvi、归一化差分水体指数ndwi、归一化建筑指数sndbi三个光谱特征因子对前后时相影像进行相应的变化判断；
[0026]
其中，归一化差分植被指数用于评价影像对象中植被的生长状况与覆盖情况，计算公式为：
[0027]
ndvi＝(nir-r)/(nir r)
[0028]
归一化差分水体指数用于在影像对象中凸显水体信息，并评价植被中的含水量，计算公式为：
[0029]
ndwi＝(g-nir)/(g nir)
[0030]
归一化建筑物指数利用绿光波段和近红外波段来区分植被与目标，计算公式为：
[0031][0032]
式中，nir表示影像对象在近红外波段的光谱均值，r表示影像对象在红波段的光谱均值，g表示影像对象在绿波段的光谱均值；
[0033]
对于基于光谱多因子变化检测方法提取的三个指标，分别统计每个对象内的像素集合均值，同时将该对象作为基本单元对整幅影像计算每个指标的平均值和方差，然后根据每个对象距其所在影像的平均值和方差的光谱距离划分等级，最终通过阈值和组合规划得到变化位置和方向；假定不变的对象集中在差异图像的直方图中心，而变化的对象分布在直方图的两侧，使用n倍标准差法，通过计算图像的标准差得到最佳阈值，公式如下：
[0034]
t＝mean nσ
[0035]
式中，t代表阈值；mean代表差异图像的均值；n为常数；σ代表差异图像的标准差。
[0036]
进一步的，所述将3种变化检测结果进行决策级融合，得到最终的变化检测结果，具体方式为：
[0037]
在3种变化检测结果的基础上，利用多策略组合投票法进行变化对象的确定，若某图斑发生变化的票数超过半数，则认为该图斑前后两时期土地利用/覆盖类型发生变化，最终，得到前后两时相土地利用/覆盖类型发生变化的区域。
[0038]
本发明与背景技术相比具有如下有益效果：
[0039]
1、本发明将两时相影像波段叠加后首先进行主成分变换(pca)，在进行影像分割，能够有效提升影像分割效率，同时，能够解决因两时相影像配准精度差导致的对象斑块边缘误检现象。
[0040]
2、本发明利用多种变化检测策略对土地覆盖变化进行融合判证，能够提升变化检测精度。
附图说明
[0041]
图1是本发明实施例多策略组合变化检测的流程图。
[0042]
图2是本发明实施例主成分分析影像组合分割流程图。
[0043]
图3是本发明实施例基于类内特征下的d-s决策融合变化检测流程图。
[0044]
图4是本发明实施例基于主成分分析的两时相遥感影像分割结果图。
[0045]
图5是本发明实施例两时相遥感影像分类结果图。
[0046]
图6是本发明实施例基于影像分类的变化检测结果图。
[0047]
图7是本发明实施例基于类内特征下的d-s决策融合变化检测结果图。
[0048]
图8是本发明实施例基于多光谱多因子特征变化检测结果图。
[0049]
图9是本发明实施例基于多策略组合的面向对象变化检测结果图。
具体实施方式
[0050]
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
[0051]
一种基于多策略组合的高分辨率遥感影像变化检测方法，包括以下步骤：
[0052]
(1)将两时相遥感影像进行波段叠加，然后进行主成分分析，取前3波段进行影像分割，利用分割结果的矢量对原始遥感影像重新进行分割；
[0053]
(2)对分割后的遥感影像分别进行分类后变化检测、基于类内特征下的 d-s决策融合变化检测和基于光谱多因子特征的变化检测，然后将3种变化检测结果进行决策级融合，得到最终的变化检测结果。
[0054]
其中，分类后变化检测的具体方式为：
[0055]
在分割后遥感影像的基础上计算得到影像中每个对象的特征量，然后人为判读地物种类，建立分类体系，依据地物分类体系人工选取对应地类的图斑对象作为样本，接着利用svm分类器进行多分类，得到分类结果。
[0056]
基于类内特征下的d-s决策融合变化检测的具体方式为：
[0057]
(1)计算两时相影像对象的光谱与纹理特征，对象的光谱特征包含对象的亮度、灰度均值、灰度标准差、最大最小灰度值、内边界灰度平均值、峰度值、归一化差分植被指数(ndvi)、归一化差分水体指数(ndwi)和归一化建筑物指数(sndbi)。对象的纹理特征包括灰度共生矩阵(glcm)和归一化灰度矢量(gldv)内的特征量。
[0058]
(2)统计第一时相影像中每个地物类型的特征值直方图分布，求出均值μ和标准差σ。
[0059]
(3)若第二时相中某对象i的特征分布处于μ-σ≤xi≤μ σ时，表明对象 i的光谱均值xi高度服从该类别下的特征分布，判定为未变化；当μ-2σ≤xi≤μ-σ或μ σ≤xi≤μ 2σ时，表明对象i的光谱均值xi大致服从该类别下的特征分布，在此落点区间内，对象变化与否的判定具有一定的混淆性，因此标记为未确定；而当xi≤μ-2σ或μ 2σ≤xi时，表明对象i的光谱均值xi不服从该类别下的特征分布，在此情况下，对象i往往是符合变化条件的，但由于前后两时相的差异性，对对象i变化状态的判定有一定的影响，为提高检测的精度，将其标记为离群值进行后续处理。
[0060]
(4)对于未确定对象，使用d-s理论来融合多个变化检测结果。对不同特征量构建出箱线图，在箱线图中位于上、下限外的则将该对象的该特征标记为变化，否则标记为未变，然后统计每个对象被标记为变化的特征的比例p，当p》50％时，判定该对象发生地表覆盖变化，否则，判定该对象为发生变化。
[0061]
(5)对于离群值对象，假设前时相对象i的纹理特征向量为o1，则必然在后时相存在特征向量o2：
[0062]
o1＝{x1,x2,
…
xn},o2＝{y1,y2,
…yn
}
ꢀꢀꢀ
(4)
[0063]
其中n为特征向量数。计算向量o1和o2的余弦相似度，作为变化指数：
[0064][0065]
式中：θ为o1和o2的夹角，余弦值d(o1,o2)∈[0,1]。当d(o1,o2)》0.8，则判定对象为发生地表覆盖变化；当d(o1,o2)《0.8，则判定对象发生了地表覆盖变化。
[0066]
基于光谱多因子特征的变化检测的具体方式为：
[0067]
选择归一化差分植被指数、归一化差分水体指数、归一化建筑指数三个光谱特征因子对前后时相影像进行相应的变化判断；
[0068]
其中，归一化差分植被指数用于评价影像对象中植被的生长状况与覆盖情况，计算公式为：
[0069]
ndvi＝(nir-r)/(nir r)
ꢀꢀꢀ
(6)
[0070]
归一化差分水体指数用于在影像对象中凸显水体信息，并评价植被中的含水量，计算公式为：
[0071]
ndwi＝(g-nir)/(g nir)
ꢀꢀꢀ
(7)
[0072]
归一化建筑物指数利用绿光波段和近红外波段来区分植被与目标，计算公式为：
[0073][0074]
式中，nir表示影像对象在近红外波段的光谱均值，r表示影像对象在红波段的光谱均值，g表示影像对象在绿波段的光谱均值；
[0075]
对于基于光谱多因子变化检测方法提取的三个指标，分别统计每个对象内的像素集合均值，同时将该对象作为基本单元对整幅影像计算每个指标的平均值和方差，然后根据每个对象距其所在影像的平均值和方差的光谱距离划分等级，最终通过阈值和组合规划得到变化位置和方向；假定不变的对象集中在差异图像的直方图中心，而变化的对象分布在直方图的两侧，使用n倍标准差法，通过计算图像的标准差得到最佳阈值，公式如下：
[0076]
t＝mean nσ
ꢀꢀꢀ
(9)
[0077]
式中，t代表阈值；mean代表差异图像的均值；n为常数；σ代表差异图像的标准差。
[0078]
将3种变化检测结果进行决策级融合，得到最终的变化检测结果，具体方式为：
[0079]
在3种变化检测结果的基础上，利用多策略组合投票法进行变化对象的确定，若某图斑发生变化的票数超过半数，则认为该图斑前后两时期土地利用/覆盖类型发生变化，最终，得到前后两时相土地利用/覆盖类型发生变化的区域。
[0080]
以下为一个更具体的例子：
[0081]
如图1所示，一种基于多策略组合的高分辨率遥感影像变化检测方法，该方法包括以下步骤：
[0082]
(1)基于主成分分析的多时相影像组合
[0083]
如图2所示，将两时相遥感影像进行波段叠加，然后使用pca对影像进行降维处理，并保留pca变换后的3个主成分；在此基础上，对变换结果进行影像分割，得到分割结果矢量，然后利用分割矢量对前后时相的影像进行分割，得到一致的分割结果。
[0084]
(2)对象特征提取和分析
[0085]
以光谱特征为基础，充分利用纹理特征、几何特征等进行辅助，选取合适的特征和典型目标样本提取出典型地表覆盖信息。光谱特征包括波段均值、方差、最值等；纹理特征包括基于灰度共生矩阵的同质性、对比度、均值、标准差、熵、角二阶矩和互相关性等；几何特征包括周长、面积、圆形度、矩形度、椭圆度、形状指数、不对称性、紧致度等。
[0086]
(3)基于多策略组合的面向对象变化检测
[0087]
由于基于单一方法的土地利用/覆盖变化检测的检测结果中容易出现漏检和虚检，为提高检测结果的准确率和减少漏检率，本方法采用多种变化检测结果组合的决策融合结果作为最终的变化检测结果，这里主要考虑分类后变化检测、基于类内特征的变化检测和基于光谱多因子特征的变化检测三种面向对象变化检测方法与结果组合。具体描述如
下：
[0088]
1)分类后变化检测
[0089]
通过在组合分割的基础上计算得到影像中每个对象的特征量，然后人为判读地物种类建立分类体系，依据地物分类体系人工选取对应地类的图斑对象作为样本，特征选取由人工经验给予，之后利用svm分类器进行多分类得到最终的分类结果。
[0090]
2)基于类内特征下的d-s决策融合变化检测
[0091]
基于类内特征的变化检测方法的依据是同类地物在同一时相影像上具有相似的特征，且满足一定的特征统计分布特性，当第一时相的某类地物中的部分区域在第二时相变化为其它地物时，该类地物的统计分布特性将发生变化，变化后的对象在遥感影像上的特征向量会明显偏离其前一时相对应地物类别的特征分布，变化强度越大，偏离程度越大，根据此变化，可以从中找出该类地物的变化对象，具体流程可见图3。
[0092]
影像中最直观的光谱特征具有稳定的区分性。因此，研究基于第一时相分类结果统计了在第二时相中单一类别的光谱均值分布特性，通过假定同一类别对象其特征统计满足高斯分布，利用(μ-nσ,μ nσ)，n＝1,2(其中μ为样本均值，σ为标准偏差)区分开待定对象变化状态。当μ-σ≤xi≤μ σ时，表明对象i的光谱均值xi高度服从该类别下的特征分布，判定为未变化；当μ-2σ≤xi≤μ-σ或μ σ≤xi≤μ 2σ时，表明对象i的光谱均值xi大致服从该类别下的特征分布，在此落点区间内，对象变化与否的判定具有一定的混淆性，因此标记为未确定；而当xi≤μ-2σ或μ 2σ≤xi时，表明对象i的光谱均值xi不服从该类别下的特征分布，在此情况下，对象i往往是符合变化条件的，但由于前后两时相的差异性，对对象i变化状态的判定有一定的影响，为提高检测的精度，将其标记为离群值进行后续处理。
[0093]
①
对于未确定对象，为减少单一变化检测技术选择的不确定性，使用d-s 理论来融合多个变化检测结果。
[0094]
基于d-s理论服从基本概率分配函数(bpaf)，融合了每个变化检测结果映射的概率来度量事件概率。假设在变化检测应用中有一个假设空间，表示为θ，θ是关于变化/不变化的假设集，其幂集是2
θ
的。
[0095]
假设a是2
θ
的非空子集，m(a)表示子集a的程度。2
θ
→
[0,1]基于以下约束条件
[0096][0097]
对于某类的特征数有n个独立的变化检测映射，mi(bi)表示从多特征映射 i(1≤i≤n)和bi∈2
θ
，计算的bpaf。因此，通过融合映射的概率来表示a的bpaf，即m(a)的计算如下所示：
[0098][0099]
在遥感影像变化检测问题中，假设的空间θ等于{hu,hc}，其中hu表示不变， hc表示变化。因此，2
θ
的三个非空子集是{hu}、{hc}和{hu,hc}，这意味着不变、变化和不确定。
[0100]
利用多特征空间结合分割图像，计算得到三种基于特征级的变化检测结果的 bpaf。对于高空间分辨率遥感影像中的每个对象j，映射i的{hu}、{hc}和 {hu,hc}的bpaf定义为：
[0101][0102]
其中和分别表示pbcd映射i中对象j中未变和更改的像素数，ntj表示对象j所统计的所有特征数，αi为某证据对判别的信任度，该值依经验给出 0.9。当满足规则时，将决定对象变化与否。
[0103]
本方法采用对象的光谱与纹理特征，对象的光谱特征包含对象的亮度、灰度均值、灰度标准差、最大最小灰度值、内边界灰度平均值、峰度值、归一化差分植被指数(ndvi)、归一化差分水体指数(ndwi)和归一化建筑物指数(sndbi)。对象的纹理特征包括灰度共生矩阵(glcm)和归一化灰度矢量(gldv)内的特征量。其中光谱特征28个(统计包含不同波段不同特征量：实验用gf-2影像有四个波段，共采用统计中的七个光谱特征量)，纹理特征32个(统计包含不同波段不同特征量：实验用gf-2影像有四个波段，共采用统计中的八个纹理特征量)，共60个特征量。
[0104]
判断某一未确定对象在该特征量下的变化情况对发现变化有着至关重要的作用，由于特征量分散在未确定区间内，此时特征值已不服从高斯分布，因此，需要利用数据挖掘算法求得阈值，为避免因样本数据不服从严格的统计分布所产生的影响，本方法使用具有抗差能力较强的数据挖掘算法即构建箱线图来处理待挖掘样本。
[0105]
对于不同特征量而言，在构建出的箱线图中位于上、下限外的则将该对象的该特征标记为变化，否则标记为未变。最终构建如下表：
[0106]
表1 d-s特征级抉择
[0107][0108]
②
对于离群值对象，由于“同物异谱”的原因，可能存在前后时相同类地物被标定为离群点的情况，为避免其造成的影响，本方法将这一标号的对象与第一时相同标号的对象进行相似性度量，由于光谱特征已作为前置条件所使用，本阶段将利用纹理特征以免造成错判。
[0109]
假设判定为离群点的对象为t2时刻的o2，那么t1时刻必然存在一个o1与之相对应，将其特征向量定义如下：
[0110]
o1＝{x1,x2,
…
xn},o2＝{y1,y2,
…yn
}
ꢀꢀꢀ
(4)
[0111]
其中n为特征向量数。本方法采用余弦相似度计算变化指数，当一对样本在向量空间里互不重合且存在一定夹角的时候，我们能够通过计算两者间的夹角余弦值进而来衡量这一对样本之间的差异性大小：
[0112][0113]
式中：θ为o1和o2的夹角，余弦值d(o1,o2)∈[0,1]。当余弦值接近1，表明两个向量越相似；当余弦值接近0，表明两个向量差异大，对比分析，当余弦值设定为0.8时较为合适。
[0114]
3)基于多光谱多因子特征变化检测
[0115]
为充分利用前后两时相影像的光谱特征，减少误检和漏检，因而采用光谱多因子特征进行变化检测，找出所有可能变化的区域。根据本研究所使用的高分2 号数据源的波段属性，选择如下三个主要的光谱特征因子对前后时相影像进行相应的变化判断，主要有：归一化差分植被指数(ndvi)、归一化差分水体指数 (ndwi)、归一化建筑指数(sndbi)3个参数指标。
[0116]
归一化差分植被指数ndvi能够评价影像对象中植被的生长状况与覆盖情况，在变化检测中广泛应用于针对森林覆盖范围的变化检测，其计算公式为：
[0117]
ndvi＝(nir-r)/(nir r)
ꢀꢀꢀ
(6)
[0118]
归一化差分水体指数ndwi能够在影像对象中凸显水体信息，并且能够评价植被中的含水量，应用用于监测旱情等领域，其计算公式为：
[0119]
ndwi＝(g-nir)/(g nir)
ꢀꢀꢀ
(7)
[0120]
归一化建筑物指数采用的是中红外波段mir和近红外波段nir进行计算，高分二号影像中没有中红外波段，因此，采用仿建筑物用地指数sndbi，该指数借助军事方面利用绿光波段和近红外波段来区分植被与目标的方法，将近红外波段和绿光波段分别代替中红外波段和近红外波段，其公式为：
[0121][0122]
nir表示影像对象在近红外波段的光谱均值，r表示影像对象在红波段的光谱均值，g表示影像对象在绿波段的光谱均值。
[0123]
对于基于光谱多因子变化检测方法提取的三个指标分别统计每个对象内的像素集合均值，同时将该对象作为基本单元对整幅影像计算每个指标的平均值和方差，然后根据每个对象距其所在影像的平均值和方差的光谱距离划分等级，最终通过特定的阈值和组合规划得到变化位置和方向。假定不变的对象集中在差异图像的直方图中心，而变化的对象分布在直方图的两侧，使用n倍标准差法，通过计算图像的标准差得到最佳阈值，公式如下：
[0124]
t＝mean nσ
ꢀꢀꢀ
(9)
[0125]
式中，t代表阈值；mean代表差异图像的均值；n为常数；σ代表差异图像的标准差。根据实验，不断调整n值，直到得到最佳阈值。
[0126]
综合光谱多因子特征的变化检测方法能识别真实发生土地利用/覆盖变化的区域，可以通过调整阈值在较大程度上避免因误检或漏检造成的影响。
[0127]
4)多策略组合变化检测
[0128]
在利用以上三种方法进行变化检测的基础上，利用多策略组合投票法进行变化对象的确定。若某图斑发生变化的票数超过半数，则认为该图斑前后两时期土地利用/覆盖类
型发生变化。基于此策略，可以明确得到前后两时相土地利用/覆盖类型发生变化的区域。
[0129]
该方法能够提高影像分割的效率，同时消除由于影像配准误差导致的对象边缘区域的变化检测错误；此外，多策略的变化检测结果决策级融合能够提高变化检测精度。
[0130]
以下为另一个具体例子：
[0131]
一种基于多策略组合的高分辨率遥感影像变化检测方法，包括以下步骤：
[0132]
1、基于主成分分析的多时相影像组合
[0133]
利用两时期的高分二号遥感影像进行波段叠加，然后进行主成分分析，取前 3通道进行最小生成树影像分割，并生成分割矢量，然后利用该分割矢量对前后两期遥感影像重新进行分割，分割结果见图4。
[0134]
2、计算两时相遥感影像对象级的光谱特征(波段均值、标准差、中位数)、纹理特征(同质性、对比度、相异性、均值、标准差、熵、角二阶矩和互相关性) 和形状特征(面积、周长、圆形度、矩形度、椭圆度、形状指数、不对称性、紧致度)。
[0135]
3、确定分类提信息，在分割结果上选择少量样本，然后使用支撑向量机对两时相影像进行分类，分类结果见图5，依据分类结果得到变化检测结果，结果见图6。
[0136]
4、利用图3所示流程进行变化图版提取，提取结果见图7。
[0137]
5、在对象级上，利用步骤2提取出的光谱特征，计算两时相影像中每个对象的ndvi、ndwi和sndbi，并计算差值，按照公式(9)调整n值，最终n 的取值为1.8时较符合真实变化情况，最终变化检测结果见图8。
[0138]
6、将步骤3、4、5中的变化检测结果进行决策级融合，若超过半数变化检测结果指示对象的土地覆盖类型发生了变化，则判断该对象的地表覆盖类型发生了变化，否则该对象的地表覆盖类型未发生变化；最终的变化检测结果见图9。
[0139]
总之，该方法提取两时相间地表覆盖发生变化的对象，对两期遥感影像进行波段叠加，然后进行主成分变化，然后进行影像分割，最后利用多种策略进行变化检测分析。该方法能够很好地解决两时相影像配准精度差导致的对象斑块边缘误检现象，同时能够提升变化检测精度。
[0140]
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。