基于Semi-NMF的遥感图像变化检测方法

摘要

本发明公开了一种基于Semi‑NMF的遥感图像变化检测方法，处理对象同时包含了光学遥感和合成孔径雷达图像，主要解决现有遥感图像变化检测方法在获得较强变化区域的同时无法检测到微弱、较小的变化区域，以及不能有效保留更多细节和边缘信息的问题。其实现过程包括：(1)根据遥感图像类型产生差异图像。(2)通过PCA获得差异图像每个像素所对应的基于邻域信息的特征向量，并利用其构建特征矩阵X。(3)对X执行Semi‑NMF算法，经过迭代运算将其分解为基矩阵F和系数矩阵G。(4)根据系数矩阵判定变化类ω_c和不变化类ω_u，实现软聚类的功能，得到二值变化检测结果。本发明减少边缘信息的丢失，同时检测较强和微弱、较小的变化区域，减少总错误率，保留了更多的细节信息，有效地获取变化结果。

主权项

一种基于Semi‑NMF的遥感图像变化检测方法，包括如下步骤：步骤1，利用在同一地区不同时间所获得两幅大小相同、相互配准的遥感图像Y₀和Y₁以产生差异图像Y_D；步骤2，构建特征矩阵X，该步主要是通过PCA获得差异图像中每一个像素对应的特征向量，利用这些特征向量构建特征矩阵X；步骤3，对步骤2中获得特征矩阵X执行Semi‑NMF算法，将其分解为基矩阵F和系数矩阵G；步骤4，根据系数矩阵G判定变化类和不变化类，变化类像素位置置0，不变化类像素位置置1，得到最终的二值变化检测结果；步骤2所述的构建特征矩阵X，具体实施包括：(a)将差异图像Y_D分成h×h非重叠子块，并且h≥2；按照一定的顺序将差异图像块排列为向量形式，表示为y_D(x,y)；(b)对非重叠子块所对应的向量集执行PCA以生成本征向量空间；首先计算上述向量集的平均向量μ；然后将每一个向量减去平均向量μ得到差值向量集Δ_a，并构建协方差矩阵C；最后经奇异值分解得到协方差矩阵C的特征向量{e_s}和特征值{λ_s}，并将特征向量依据与它们相对应的特征值大小降序排列；(c)对于差异图像的每一个像素坐标(i,j)，映射y_D(i,j)到本征向量空间生成特征向量，V(i,j)＝[v₁ v₂ … v_S]^T其中1≤S≤h²，并且1≤s≤S；参数S决定在空间位置(i,j)的特征向量V(i,j)的维数，y_D(i,j)是在差异图像上获得的重叠块，按照与(a)中相同的规则排列成向量形式；(d)将差异图像所有像素的特征向量V(i,j)作为列向量构建大小为S×HW的特征矩阵X；步骤3所述的对特征矩阵X执行Semi‑NMF算法，将其分解为基矩阵F和系数矩阵G，为找到基矩阵F和系数矩阵G，使用F和G交替更新的迭代策略解决最小化重构误差，包含下面两个步骤，迭代前首先对Semi‑NMF算法进行随机初始化，(a)保持系数矩阵G不变，更新基矩阵F，(b)保持基矩阵F不变，更新系数矩阵G，然后验证是否收敛；若达到收敛条件，则Semi‑NMF算法运算结束；若没有达到收敛条件，则返回(a)处继续迭代；步骤4所述的获得变化检测结果，具体实施为：特征矩阵X经过Semi‑NMF算法处理获得大小为2×HW的矩阵G^T，该矩阵就是差异图像像素归属于变化类ω_c和不变化类ω_u的隶属度指示矩阵；根据矩阵G^T每一列中隶属度大小是判定所代表像素属于变化类ω_c或者不变化类ω_u，$c(i,j)=\left\{\begin{array}{cc}0,& G^T(1,(i-1)*H+j)\ge G^T(2,(i-1)*H+j)\\ 1,& G^T(1,(i-1)*H+j)<G^T(2,(i-1)*H+j)\end{array}\right.$然后分别计算两类所包含差异图像像素大小的平均值，对于均值较大的像素类设置为变化类ω_c，另外一个像素类设置为不变化类ω_u，获得二值的变化检测图。