| 主权项 |
一种基于多源目标特征和机器学习的红外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红外遥感图像以及另一时间同一地点的可见光和红外遥感图像，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：通过可见光遥感图像和红外遥感图像配准，将步骤S1可见光遥感图像变化检测得到的变化目标和不变化目标变换至红外遥感图像； 步骤S3：提取变化和不变化目标的红外遥感图像特征以及可见光遥感图像特征，得到多源目标特征，在该步骤采用目标红外遥感图像的灰度以及梯度方向分布的均值和方差来构造目标的红外变化特征，给定一个目标，其红外变化特征可以记为：f<sub>ir</sub>=(mean<sub>(1)</sub>(I),δ<sub>(1)</sub>(I),mean<sub>(2)</sub>(I),δ<sub>(2)</sub>(I),mean<sub>(1)</sub>(GOD),δ<sub>(1)</sub>(GOD),mean<sub>(2)</sub>(GOD),δ<sub>(2)</sub>(GOD))，其中下标(1)和(2)分别指变化前红外遥感图像和变化后红外遥感图像，mean是均值，δ是标准差，I指图像灰度，而GOD是梯度方向分布；假定将梯度(m,θ)划分至n个方向中，m为梯度幅值，θ为梯度方向，那么GOD=(d<sub>1</sub>,d<sub>2</sub>,...,d<sub>n</sub>)，其中 <img file="FDA0000477376580000011.GIF" wi="1574" he="216" /><img file="FDA0000477376580000012.GIF" wi="1296" he="178" />n是梯度方向直方图的维数，d<sub>i</sub>表示梯度分布在第i个方向上的加权幅值， α(θ,(2π/n)×(i‑1))表示梯度方向θ与方向(2π/n)×(i‑1)之间的夹角；步骤S4：根据可见光遥感图像变化检测结果以及目标多源图像特征之间的距离，分别从可见光遥感图像变化目标中与不变化目标中选择一部分作为正样本、从可见光遥感图像不变化目标中选择一部分作为负样本，将选择的正样本和负样本作为训练样本； 步骤S5：根据选择的训练样本训练SVM得到变化检测模型； 步骤S6：利用得到的变化检测模型对所有目标的多源目标特征进行变化检测，得到红外遥感图像变化检测结果。 |
