利用D-S证据理论融合FCM算法的变化检测方法

摘要

本发明公开利用D‑S证据理论融合FCM算法的变化检测方法，其特征是，首先求取两个时相遥感影像对应波段差、两个时相的变化矢量的幅值、两个时相的光谱夹角的余弦，然后作为FCM的输入，分别得到各自的模糊划分矩阵，将模糊划分矩阵中的每一类的模糊度作为证据理论的质量函数，最后利用证据理论对上述三个划分矩阵进行融合，得到新的模糊划分矩阵，据此得到最终的变化检测结果。本发明所达到的有益效果：本方法为基于FCM和D‑S证据理论的变化检测方法，利用证据理论融合波段差、变化矢量幅值和光谱角信息输入FCM模型后的检测结果，消除变化检测中的不确定性，使得变化检测的结果更加可靠，也更加具有稳健性。

权利要求

1.一种基于FCM和证据理论的多时相遥感影像变化检测方法，其特征是，包括如下步骤：步骤1)：输入同一区域、不同时相的两幅高分辨率光学遥感影像，分别记为X1和X2；

步骤2)：利用ENVI遥感软件对X1和X2进行影像配准，配准包括粗校正和精校正两步骤；

步骤3)：利用多元变化检测方法对X1和X2进行辐射归一化校正；

步骤4)：对经过影像配准和辐射归一化校正后的两幅高分辨率光谱遥感影像分别进行波段间差值图像Xd、变化矢量幅值XM和光谱角信息XSA的计算，并分别作为FCM聚类算法的输入数据；

步骤5)：由FCM聚类算法针对步骤4)的波段间差值图像Xd、变化矢量幅值XM和光谱角信息XSA，分别对应得到最终的划分矩阵 和 ；

步骤6)：利用D-S证据理论融合步骤5)的结果：分别针对Xd、XM和XSA定义对应的BPAF,然后分别对三个源的BPAF进行融合，得到新的BPAF；

步骤7)：利用步骤6)的结果，确定影像的变化区域和非变化区域；

所述步骤2)中粗校正的具体步骤为：

201)显示基准影像和待校正影像；

202)采集地面控制点GCPs，其中GCPs均匀分布在整幅图像内，GCPs的数目至少大于等于9；

203)计算误差；

204)选择多项式模型；

205)采用双线性插值法进行重采样输出；

所述步骤4)中的计算公式为：

式中，Xdb＝X1b-X2b，b＝1,2,…B，B表示每一个时相遥感影像的波段数目，(i,j)是影像的坐标，X1b表示前一时相的第b个波段影像，X2b表示后一时相的第b个波段影像；

所述步骤5)中的具体步骤为：

51)构建FCM的目标函数如下：

式中，C是聚类数目，N是样本的总数， 表示第k样本对于第j类聚类中心vj的模糊隶属度，m为隶属度的加权指数，ujk∈[0,1]且 其中X(k)表示输入X的第k个变量；

52)式(1)的目标函数最小化可以用下述的公式交替进行：

53)由式(2)分别得到和Xd、XM、XSA相对应的模糊划分矩阵 和 ；

所述步骤7)中具体步骤为：

71)针对输入Xd、XM和XSA分别进行如下的FCM分类：

711)设定C＝2，初始的未变化类和变化类的中心，设m＝2，ε＝0.00001；

712)采用式(2)更新模糊划分矩阵；

713)采用式(3)更新聚类中心；

714)重复712)和713)直到相邻两次迭代的聚类中心聚类小于ε；

715)获取模糊划分矩阵ujk；

72)根据步骤6)计算新的变化类和非变化类的基本概率分配函数BPAF；

73)根据上述的72)结果，输出最终的变化检测结果。

说明书

利用D-S证据理论融合FCM算法的变化检测方法

技术领域

[0001] 本发明涉及利用D-S证据理论融合FCM算法的变化检测方法，属于遥感影像处理技术领域。

背景技术

[0002] 随着多时相遥感数据的不断积累以及空间数据库的相继建立，如何从这些遥感数据中提取和检测变化信息已成为遥感科学和地理信息科学的重要研究课题。根据同一区域不同时相的遥感影像，可以提取城市、环境等动态变化的信息，为资源管理与规划、环境保护等部门提供科学决策的依据。

[0003] 遥感影像的变化检测就是从不同时期的遥感数据中，定量地分析和确定地表变化的特征与过程。各国学者从不同的角度和应用研究提出了许多有效的检测算法，如变化矢量分析法(Change Vector Analysis，CVA)、基于Fuzzy C-means(FCM)的聚类方法等。其中，传统的基于FCM的多时相光学遥感变化检测，多先进行CVA变换，然后对变化矢量的幅值进行FCM聚类，进而得到变化检测结果。该类技术中，由于仅仅使用变化矢量的幅值，使得原始多光谱信息没有得到充分的挖掘。

[0004] 针对上述问题，许多学者试图通过在FCM目标函数中加上不同的空间邻域的约束来解决，但是空间信息的表述以及相关的参数(如控制空间信息的惩罚参数)的选择，多根据先验知识确定，导致这些算法都存在着一定的局限性。

发明内容

[0005] 为解决现有技术的不足，本发明的目的在于提供一种基于FCM和D-S证据理论的两时相的光学遥感影像变化检测方法，利用D-S证据理论融合FCM算法后的数据，消除变化检测中的不确定性，使得变化检测的结果更加可靠，也更加具有稳健性。

[0006] 为了实现上述目标，本发明采用如下的技术方案：

[0007] 一种基于FCM和证据理论的多时相遥感影像变化检测方法，其特征是，包括如下步骤：

[0008] 步骤1：输入同一区域、不同时相的两幅高分辨率光学遥感影像，分别记为X1和X2；

[0009] 步骤2：利用ENVI遥感软件对X1和X2进行影像配准，配准包括粗校正和精校正两步骤；

[0010] 步骤3：利用多元变化检测方法对X1和X2进行辐射归一化校正；

[0011] 步骤4：对输入的两时相多光谱遥感影像分别进行波段间差值图像Xd、变化矢量幅值XM和光谱角信息XSA的计算，并分别作为FCM聚类算法的输入数据；

[0012] 步骤5：由FCM聚类算法针对步骤4)的波段间差值图像Xd、变化矢量幅值XM和光谱角信息XSA，分别对应得到最终的划分矩阵 和

[0013] 步骤6：利用D-S证据理论融合步骤5)的结果。

[0014] 步骤7：利用步骤6)的结果，确定影像的变化区域和非变化区域。

[0015] 前述的基于FCM和证据理论的多时相遥感影像变化检测方法，其特征是，所述步骤2)中粗校正的具体步骤为：

[0016] 201)显示基准影像和待校正影像；

[0017] 202)采集地面控制点GCPs，其中GCPs均匀分布在整幅图像内，GCPs的数目至少大于等于9；

[0018] 203)计算误差；

[0019] 204)选择多项式模型；

[0020] 205)采用双线性插值法进行重采样输出。

[0021] 前述的基于FCM和证据理论的多时相遥感影像变化检测方法，其特征是，所述步骤2)中精校正的内容为：将经过粗校正的多光谱遥感影像数据利用自动匹配与三角剖分算法进行精校正。

[0022] 前述的基于FCM和证据理论的多时相遥感影像变化检测方法，其特征是，所述步骤3)的具体步骤为：

[0023] 31)找到两期影像各波段亮度值的一个线性组合，得到变化信息增强的差异影像；

[0024] 32)通过阈值确定变化和未变化区域；

[0025] 33)通过未变化区域对应的两时相像元对的映射方程，完成相对辐射校正。

[0026] 前述的基于FCM和证据理论的多时相遥感影像变化检测方法，其特征是，所述步骤4)中的计算公式为：

[0027]

[0028] 式中，Xdb＝X1b-X2b，b＝1,2,…B，B表示每一个时相遥感影像的波段数目，(i,j)是影像的坐标，X1b表示前一时相的第b个波段影像，X2b表示后一时相的第b个波段影像。

[0029] 前述的基于FCM和证据理论的多时相遥感影像变化检测方法，其特征是，所述步骤5)中的具体步骤为：

[0030] 51)构建FCM的目标函数如下：

[0031]

[0032] 式中，C是聚类数目，N是样本的总数， 表示第k样本对于第j类聚类中心vj的模糊隶属度，m为隶属度的加权指数，ujk∈[0,1]且其中X(k)表示输入X的第k个变量；

[0033] 52)式(1)的目标函数最小化可以用下述的公式交替进行：

[0034]

[0035] 53)由式(2)分别得到和Xd、XM、XSA相对应的模糊划分矩阵 和

[0036] 前述的基于FCM和证据理论的多时相遥感影像变化检测方法，其特征是，所述步骤7)中具体步骤为：

[0037] 71)针对输入Xd、XM和XSA分别进行如下的FCM分类：

[0038] 711)设定C＝2，初始的未变化类和变化类的中心，设m＝2，ε＝0.00001；

[0039] 712)采用式(2)更新模糊划分矩阵；

[0040] 713)采用式(3)更新聚类中心；

[0041] 714)重复712)和713)直到相邻两次迭代的聚类中心聚类小于ε；

[0042] 715)获取模糊划分矩阵ujk；

[0043] 72)根据步骤6)计算新的变化类和非变化类的基本概率分配函数BPAF；

[0044] 73)根据上述的72)结果，输出最终的变化检测结果。

[0045] 本发明所达到的有益效果：本方法基于FCM和D-S证据理论的变化检测中，利用证据理论融合波段差、变化矢量幅值和光谱角信息输入FCM算法后的检测结果，消除变化检测中的不确定性，使得变化检测的结果更加可靠，也更加具有稳健性。

附图说明

[0046] 图1是本发明的实现流程示意图；

[0047] 图2是2000年的LandsatTM数据中位于巴西的亚马逊森林地区的影像第4波段示意图；

[0048] 图3是2006年的LandsatTM数据中位于巴西的亚马逊森林地区的影像第4波段示意图；

[0049] 图4是图3与图2相比LandsatTM的变化参考图像；

[0050] 图5是CVA-EM算法检测结果图像；

[0051] 图6是FCM-S算法检测结果图像；

[0052] 图7是本发明的检测结果图像。

具体实施方式

[0053] 下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

[0054] 如图1，本发明的实现步骤如下：

[0055] 步骤1：输入同一区域、不同时相的两幅高分辨率光学遥感影像，分别记为：X1和X2。

[0056] 步骤2：利用ENVI遥感软件对X1和X2进行影像配准，分为粗校正和精校正两个步骤：

[0057] 21)几何粗校正，利用ENVI4.8软件中的相关功能实现，具体操作步骤为：

[0058] (201)显示基准影像和待校正影像。

[0059] (202)采集地面控制点GCPs，GCPs应均匀分布在整幅图像内，GCPs的数目至少大于等于9。

[0060] (203)计算误差。

[0061] (204)选择多项式模型。

[0062] (205)采用双线性插值进行重采样输出。

[0063] 22)几何精校正，将经过几何粗校正的多光谱遥感影像数据，利用自动匹配与三角剖分法进行几何精校正。

[0064] 三角剖分法为，采用逐点插入法构建Delaunay三角网，对每一个三角形，利用其三个顶点的行列号与其对应的基准影像同名点的地理坐标来确定该三角形内部的仿射变换模型参数，对待校正影像进行纠正，得到校正后的遥感影。

[0065] 步骤3：利用多元变化检测(Multivariate Alteration Detection，MAD)方法对X1和X2进行辐射归一化校正，该方法首先找到两期影像各波段亮度值的一个线性组合，得到变化信息增强的差异影像，通过阈值确定变化和未变化区域，然后通过未变化区域对应的两时相像元对的映射方程，完成相对辐射校正。

[0066] 步骤4：对输入的多时相高分辨率影像分别进行波段间差值图像Xd、变化矢量幅值XM和光谱角信息XSA的计算：

[0067]

[0068] 式中，Xdb＝X1b-X2b，b＝1,2,…B，B表示每一个时相遥感影像的波段数目，(i,j)是影像的坐标。

[0069] 步骤5：针对波段间差值图像Xd、变化矢量幅值XM和光谱角信息XSA，利用FCM进行分类，具体过程如下；

[0070] 51)构建FCM的模型如下：

[0071]

[0072] 式中，C是聚类数目，N是样本的总数， 表示第k样本对于第j类聚类中心的模糊隶属度，m为隶属度的加权指数，ujk∈[0,1]且 其中X(k)表示输入X的第k个变量；

[0073] 52)式(1)的目标函数最小化可以用下述的公式交替进行：

[0074]

[0075] 53)由式(2)分别得到和Xd、XM、XSA相对应的模糊划分矩阵 和

[0076] 步骤6：基于Dempster-Shafer(D-S)证据理论的融合，包括如下步骤：

[0077] 61)定义U是一个识别框架，在U上的基本概率分配BPAF(Basic Probability Assignment Function)是一个2U→[0,1]的函数m，m满足 且 其中，使得m(A)＞0的A称为焦元(Focal elements)，m(A)表示证据对A的一种信任度量。

[0078] D-S证据理论的合成规则(Dempster’s combinational rule)定义如下：

[0079] 对于U上的n个mass函数m1,m2,…mn的合成法则为：

[0080]

[0081] 其中，K为归一化常数，其反映了证据的冲突程度，定义如下：

[0082]

[0083] 62)根据61)的定义，结合53)，加之本发明涉及的变化检测类型是两类：未变化类(C1)和变化类(C2)，即j＝1或2，分别定义如下BPAF：

[0084] 针对Xd，

[0085] 针对XM，

[0086] 针对XSA，

[0087] 根据式(4)和(5)分别对三个源的BPAF进行融合，得到新的BPAF如下：

[0088]

[0089] 步骤7：根据式(12)和(13)的大小确定影像的变化区域和非变化区域，具体实现步骤如下：

[0090] 71)针对输入Xd、XM和XSA分别进行如下的FCM分类：

[0091] 711)设定C＝2，初始的未变化类和变化类的中心，设m＝2，ε＝0.00001；

[0092] 712)采用式(2)更新模糊划分矩阵；

[0093] 713)采用式(3)更新聚类中心；

[0094] 714)重复712)和713)直到相邻两次迭代的聚类中心聚类小于ε；

[0095] 715)获取模糊划分矩阵ujk；

[0096] 72)根据式6)-13)计算新的变化类和非变化类的BPAF；

[0097] 73)根据上述的72)结果，输出最终的变化检测结果。

[0098] 本发明的效果可通过以下实验结果与分析进一步说明：

[0099] 1、实验数据：本发明的实验数据为Landsat TM数据，位于巴西的亚马逊森林地区的2幅遥感影像，获取时间分别为2000年7月和2006年7月，选用前4个波段，实验区大小为320像元×320像元，图2和3分别为两个时相的真彩色遥感影像。变化参考图如图4所示，共有16,826个变化像素。

[0100] 2、实验方法：

[0101] (1)基于CVA的EM方法(CVA-EM)[意大利的Bruzzone L.等在文章“Automatic analysis of difference image for unsupervised change detection”(IEEETransactions on Geoscience and Remote Sensing，2000，38(3)：1171-1182.)中所提的检测方法]。

[0102] (2)FCM结合空间邻域信息的分类方法(FCM-S)[Chen songchan等在文章“Robust Image Segmentation Using FCM With Spatial Constraints Basedon New Kernel-Induced Distance Measure”(IEEE Transactionson Systems，Man，and Cybernetics-PartB：Cybernetics，2004，34(4)：1907-1916.)中所提的方法]。

[0103] (3)本发明方法。

[0104] 检测性能用错检数FP、漏检数FN、总错误数0E和Kappa系数四个指标来衡量。FP、FN和0E越接近于0、Kappa系数越接近于1，表明变化检测方法的性能越好。检测结果如表1所示。

[0105] 表1Brazil地区的多时相Landsat TM影像变化检测结果比较

[0106]方法 FP FN 0E k
CVA-EM 2918 3865 6783 0.753
FCM-S 5510 879 6389 0.795
本发明方法 3299 686 3985 0.866
理想 0 0 0 1

[0107] 由表1可见，本发明所提的检测方法得到的FN是最低的，另外本发明方法的总错误数也是最低的，加之本发明方法的Kappa系数为0.8666，也是三种比较方法中最高的。

[0108] 因此，上述分析表明本发明所提的检测方法性能优于其他两种检测方法，这表明本发明所提的变化检测方法是有效的。

[0109] 以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。