基于多源目标特征支持的高光谱遥感图像变化检测方法

摘要

本发明公开一种基于多源目标特征和机器学的高光谱遥感图像变化检测方法，包括：可见光遥感图像变化检测；可见光与高光谱遥感图像配准，将可见光变化检测得到的不变化目标变换至高光谱遥感图像；基于变换至高光谱遥感图像中的不变化目标，选择训练样本；高光谱子空间学；在学得到的子空间内进行高光谱遥感图像变化检测。本发明的方法基于多源目标特征，通过可见光遥感图像确定不变化的高光谱样本用以学高光谱最佳判别子空间，在该子空间中进行高光谱遥感图像变化检测，性能稳定，适用范围广。

主权项

一种基于多源目标特征和机器学习的高光谱遥感图像变化检测方法，其中输入数据为同一时间同一地点的可见光和高光谱遥感图像以及另一时间同一地点的可见光和高光谱遥感图像，该方法包括以下步骤：步骤S1：对可见光遥感图像进行变化检测，得到初始的检测结果，即区分出变化目标和不变化目标；步骤S2：通过可见光与高光谱遥感图像配准，将步骤S1中可见光遥感图像变化检测得到的不变化目标变换至高光谱遥感图像；步骤S3：基于可见光遥感图像变化检测的结果，选择置信度高，即变化概率低的不变化目标在高光谱遥感图像上对应的高光谱特征作为训练样本；步骤S4：根据步骤S3得到的训练样本集合，进行高光谱子空间学习；步骤S5：在高光谱子空间中对高光谱遥感图像进行变化检测；其中，在步骤S2，采用可见光与高光谱遥感图像配准的方法，将可见光遥感图像变化检测得到的不变化目标变换至高光谱遥感图像，得到高光谱遥感图像中对应的不变像素；在步骤S4，基于可见光遥感图像变化检测以及可见光与高光谱遥感图像配准的结果，利用可见光遥感图像上变化概率最低的20％不变化目标在对应高光谱遥感图像上的高光谱特征，进行子空间学习；在步骤S4，子空间学习的目的是使得进行子空间投影后，训练样本之间的距离尽可能小，而同时使得所有训练样本的方差尽可能大；步骤S4中，进行子空间学习所定义的目标函数为：$\min =\frac{{\Sigma }_{i=1}^N{\left(W^T(X_i-Y_i)\right)}^2}{{\Sigma }_{i=1}^N({\left(W^T{X}_i\right)}^2+{\left(W^T{Y}_i\right)}^2)}=\min \frac{W^T\mathrm{BW}}{W^T\mathrm{AW}},$其中$B={\Sigma }_{i=1}^N(X_i-Y_i){(X_i-Y_i)}^T,$$A={\Sigma }_{i=1}^N(X_i{X}_i^T+Y_i{Y}_i^T),$N为训练样本的个数，X_i是第i个样本在变化前高光谱遥感图像上的高光谱特征，Y_i是第i个样本在变化后高光谱遥感图像上的高光谱特征，W为待求解的投影矩阵，通过拉格朗日乘数法，求解该目标函数得到：AW＝λBW，这是一个广义特征值问题，λ是特征值，W是对应的特征向量，满足该目标函数的最优嵌入子空间由前K个最大的广义特征值所对应的特征向量组成，其中K是子空间的维数。