CN110991248B - 基于特征融合的高分辨率夜光遥感影像自动变化检测方法 - Google Patents

Abstract

本发明涉及一种基于特征融合的高分辨率夜光遥感影像自动变化检测方法，包括以下步骤：1)获取研究区短时重大事件发生前后的两时相高分辨率夜光遥感数据，并对前后时相遥感影像进行预处理；2)基于预处理后的高分辨率夜光遥感数据，提取多种衍生纹理特征图像，叠加构造融合纹理特征后的多波段特征影像；3)采用多元变化检测算法MAD及其迭代加权算法IR‑MAD对步骤2)中的多波段特征影像进行变化检测，得到融合多特征的变化强度图T_MAD和T_IR‑MAD；4)分别对变化强度图T_MAD和T_IR‑MAD进行分割，获得各自对应的二值变化检测结果图。与现有技术相比，本发明具有适用于星载高分辨率LJ1‑01夜光遥感影像处理、自动程度高、高精度、长时序和大范围监测等优点。

Description

基于特征融合的高分辨率夜光遥感影像自动变化检测方法

技术领域

本发明涉及多时相高分辨率夜光遥感影像变化检测应用领域，尤其是涉及一种基于特征融合的高分辨率夜光遥感影像自动变化检测方法。

背景技术

陆表短时重大事件通常危害性大、突发性强、频繁性高且补救十分困难，一旦发生，应急管理人员将很难对其进行预测和预警。早期通过遥感技术探测短时重大事件对于正确分配管理资源至关重要。然而当将变化检测手段应用于短时重大事件的提取与监测时，现有的变化检测方法可能是昂贵且耗时的。与传统光学遥感影像的最大不同之处在于，夜光遥感影像在以低成本提供人类正常夜间灯光照明信息的同时，对于短时重大事件(尤其是火灾、火山爆发、***等)引起的光源信息也十分敏感，是独特的对地观测源，也是对常规光学遥感监测结果的有力补充。珞珈一号01星(LJ1-01)作为我国自主研制的新一代国产高分辨率夜间灯光遥感卫星，于2018年6月2号发射升空。与现有的国外的DMSP/OLS，NPP/VIIRS夜光遥感数据相比，在高空间分辨率(130m)、高辐射量化(14位)、空间细节方面，均有着明显的优势。

目前的研究表明，LJ1-01数据主要应用在城市化监测、社会经济及光污染等领域。由于夜光数据本身为单波段的灰度影像，适用的变化检测方法比较局限且自动化程度较低。国内李熙等人首次对多时相LJ1-01夜光遥感影像的变化检测能力进行初步评估。但仅限于通过波段运算及人工设定经验阈值进行较为粗糙和简单的变化检测，结果验证也只是采用高分辨率影像来进行定性验证，缺乏定量的精度评价依据。如何充分利用LJ1-01高分辨率夜光遥感影像的独特优势进行变化检测，发掘其对于陆表短时重大事件自动提取与监测的应用潜力，是一个重要且迫切的问题。本发明旨在构建一种基于特征融合的高分辨率夜光遥感影像自动变化检测方法，提取与融合多种衍生特征信息以实现自动化、高准确度的短时重大事件自动提取与监测。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于特征融合的高分辨率夜光遥感影像自动变化检测方法。

本发明的目的可以通过以下技术方案来实现：

一种基于特征融合的高分辨率夜光遥感影像自动变化检测方法，包括以下步骤：

1)获取研究区短时重大事件发生前后的两时相高分辨率夜光遥感数据，并对前后时相遥感影像进行预处理；

2)基于预处理后的高分辨率夜光遥感数据，提取多种衍生纹理特征图像，叠加构造融合纹理特征后的多波段特征影像；

3)采用多元变化检测算法MAD及其迭代加权算法IR-MAD对步骤2)中的多波段特征影像进行变化检测，得到融合多特征的变化强度图T_MAD和T_IR-MAD；

4)分别对变化强度图T_MAD和T_IR-MAD进行分割，获得各自对应的二值变化检测结果图。

所述的步骤1)中，对获取的两时相高分辨率夜光遥感数据依次通过影像剪裁、辐射校正进行预处理。

所述的高分辨率夜光遥感数据为珞珈一号01星(LJ1-01)获取的遥感数据。

所述的步骤2)具体为：

根据预处理后的高分辨率夜光遥感数据，提取出包括数据范围、均值1、方差、信息熵和偏斜的五种基于概率统计的衍生纹理特征图像以及包括均值2、方差、协同性、对比度、相异性、信息熵、二阶矩和相关性的八种基于二阶矩阵的衍生纹理特征图像，并通过构造纹理差值影像与原始灰度差值影像的2D散点图，获取相关系数最高的四类纹理特征影像，即数据范围、均值1、均值2和相异性，并将其与原始灰度影像叠加构造形成前后时相各含五波段的多波段特征影像。

所述的步骤3)中，在满足Var{a^TX}＝Var{b^TY}＝1时最大化Var{a^TX-b^TY}的约束条件下，变化强度图T_MAD表示为：

其中，MAD为MAD变量，其由按相反顺序减去相应的典型变量时得到的变量组成，a、b分别为两时相的多波段影像X和Y的投影向量，P为影像维数，

为第i个MAD变量的方差，

为自由度为p的卡方分布，下标i和j分别为MAD变量数和像素数，如果在第j个像素处未发生变化，则第i个MAD变量MAD_ij的均值为0。

所述的步骤3)中，IR-MAD算法通过引入权值w_j进入均值和方差的计算中，反复迭代直至典型相关系数收敛，则变化强度图T_IR-MAD表示为：

其中，IR-MAD为IR-MAD变量，a′、b′分别为经加权迭代处理后得到的两时相多波段影像X和Y的投影向量，

为第i个IR-MAD变量的方差，

为自由度为

的卡方分布，下标i和j分别为IR-MAD变量数及像素数。

所述的步骤4)中，采用模糊C均值聚类算法FCM分别对变化强度图T_MAD和T_IR-MAD进行分割，获得各自对应的二值变化检测结果图。

所述的步骤4)中，在二值变化检测结果图中，数值1为白色，代表变化区域，数值0为黑色，代表非变化区域，从而通过变化检测实现短时重大事件的自动提取与监测。

与现有技术相比，本发明具有以下优点：

一、本发明提出的一种基于特征融合的高分辨率夜光遥感影像自动变化检测方法相较于传统基于光学影像进行短时重大事件的提取和监测而言，由于夜光遥感影像对光源信息十分敏感，且高分辨率的夜光影像可以反映图像较为精细的空间细节，提取到的变化区域更符合实际情况。

二、本发明提出的一种基于特征融合的高分辨率夜光遥感影像自动变化检测方法通过提取夜光遥感影像的不同纹理特征，挖掘了影像不同方面的信息，使变化检测结果更为准确。

三、本发明提出的一种基于特征融合的高分辨率夜光遥感影像自动变化检测方法通过在基于特征融合的夜光遥感影像上利用MAD和IR-MAD算法，变化检测过程不依赖于任何先验知识和样本，实现了短时重大事件变化信息提取的自动化。

附图说明

图1为本发明的整体方法流程图。

图2为火灾区域的验证参考样本。

图3为两时相LJ1-01夜光遥感影像提取的四类纹理特征影像，其中，图(3a-d)分别为前时相“数据范围、均值1、均值2、相异性”纹理影像，图(3e-h)分别为后时相“数据范围、均值1、均值2、相异性”纹理影像。

图4为四种纹理差值影像与灰度差值影像的2D散点图，其中，图(4a)为“数据范围”差值影像与灰度差值影像的2D散点图，图(4b)为“均值1”差值影像与灰度差值影像的2D散点图，图(4c)为“均值2”差值影像与灰度差值影像的2D散点图，图(4d)为“相异性”差值影像与灰度差值影像的2D散点图。

图5为基于LJ1-01数据利用MAD和IR-MAD算法得到的变化强度图T_MAD和T_IR-MAD，其中，图(5a)为变化强度图T_MAD，图(5b)为变化强度图T_IR-MAD。

图6为变化强度图T_MAD和T_IR-MAD经FCM聚类算法得到的二值变化检测结果图，其中，图(6a)为MAD二值变化检测结果图，图(6b)为IR-MAD二值变化检测结果图。

图7为MAD、IR-MAD二值变化检测结果图的变化分析图，其中，图(7a)为MAD二值图变化分析图，图(7b)为IR-MAD二值图变化分析图。

图8为两类LJ1-01二值变化检测图局部区域9、10、11的变化细节图，其中，图(8a)为MAD结果区域9，图(8b)为IR-MAD结果区域9，图(8c)为MAD结果区域10，图(8d)为IR-MAD结果区域10，图(8e)为MAD结果区域11，图(8f)为IR-MAD结果区域11。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

如图1所示，本发明提供一种基于特征融合的高分辨率夜光遥感影像自动变化检测方法，本方法主要由以下四个步骤组成：

(1)夜光遥感影像预处理

获取的LJ1-01夜光遥感影像根据绝对辐射校正公式进行辐射校正，将灰度值转化为辐射亮度值。

L＝DN^3/2×10^-10

式中，绝对辐射校正后的辐射亮度值用L表示，单位为W/(m²·sr·μm)，图像灰度值用DN表示。最后将辐亮度的单位转换为nW/(m²·sr·μm)。

(2)多种衍生纹理特征提取与叠加

基于预处理后的LJ1-01数据，提取出包含“数据范围、均值1、方差、信息熵和偏斜”在内的五种基于概率统计的衍生纹理特征图像以及“均值2、方差、协同性、对比度、相异性、信息熵、二阶矩和相关性”在内的八种基于二阶矩阵的衍生纹理特征图像。通过构造纹理差值影像与原始灰度差值影像的2D散点图(图4)，挑选出相关系数最高的四类纹理特征影像：“数据范围、均值1、均值2、相异性”，并将其与原始灰度影像叠加构造形成前后时相各含五波段的多波段特征影像。

(3)变化信息融合与强度图构造

借助MAD及IR-MAD算法对纹理特征叠加后的多波段LJ1-01夜光遥感影像进行变化信息融合与强度图构造。

其中，MAD的数学本质主要是典型相关分析(Canonical Correlation Analysis，CCA)及波段差值运算，是基于投影特征差值方差最大化为准则的变化检测算法。

假设两景不同时相的多波段影像X和Y，各含有n个波段，影像维数分别为p和q，a＝[a₁,a₂,...,a_p]^T，b＝[b₁,b₂,...,b_q]^T(p≤q)分别代表X、Y的投影向量，则MAD可以表述为以下优化问题：

根据约束条件可以得到var(a^TX-b^TY)＝2(1-ρ(a^TX,b^TY))，基于CCA的求解方法求出对应的特征值ρ²和特征向量a，b。且特征值按照倒序排列，以满足优化目标Var(a^TX-b^TY)最大。求解出a，b之后，最终MAD变量可以由下式计算：

由于MAD变量是X和Y的线性组合，根据中心极限定理，MAD变量近似满足高斯分布，故MAD变量的平方除以方差之和服从自由度为p的卡方分布，由此得到变化强度图T_MAD。

其中，

为第i个MAD变量的方差，

为自由度为

的卡方分布，如果在第j个像素处未发生变化，则第i个MAD变量(即MAD_ij)的均值为0。

迭代加权多元变化检测(Iteratively Reweighted MAD，IR-MAD)算法是在MAD算法的基础上，根据差值影像的卡方距离进行加权迭代。

然后权值w_j参与进入下一次的均值和方差的计算中，反复迭代直至典型相关系数收敛。加权迭代处理后，同样可以求解出一组特征向量a′，b′，之后按照MAD变量及变化强度图的构造过程，得到变化强度图T_IR-MAD。

其中，

为第i个IR-MAD变量的方差，

为自由度为

的卡方分布，如果在第j个像素处未发生变化，则第i个IR-MAD变量(即IR-MAD_ij)的均值为0。

(4)模糊C均值聚类生成二值变化检测结果图

利用模糊C均值(FCM)聚类算法分别对变化强度图T_MAD和T_IR-MAD进行分割，获得各自的二值变化检测结果图。其中，数值1为白色，代表变化区域，数值0为黑色，代表非变化区域，从而通过变化检测，实现短时重大事件的自动提取与监测。

实施例：

1、实验数据

LJ1-01夜光遥感影像作为主数据源(来源：http://www.hbeos.org.cn/)。研究目标是2018年11月8日美国加利福尼亚州北部比尤特县天堂镇发生的“坎普”山火事件。

表1坎普山火区域LJ1-01数据详情

2、实验结果

(1)单特征差值变化检测结果分析

对前后两时相高分辨率LJ1-01夜光遥感影像提取的四类纹理特征影像(图3)和原始灰度影像分别进行差值运算，得到4幅纹理差值图和1幅灰度差值图。利用大津法(OTSU)对5幅单特征差值图进行自适应阈值分割得到5幅单特征二值变化检测图。通过构建5幅单特征二值变化检测图与验证样本(图2)之间的混淆矩阵，得到精度评价表2。精度评价结果表明，对于四种单一纹理特征而言，Kappa系数和总体精度均较原始单波段影像结果高，表明纹理特征相较于原始夜光亮度的灰度特征可以提取更可靠精确的结果。

表2基于原始夜光灰度特征、衍生纹理特征的变化检测精度评价表

(2)提出方法中利用MAD、IR-MAD算法的变化检测结果分析

加州火灾区域夜光遥感影像的变化检测试验结果如图5、图6所示，两种算法在一定程度上均能提取变化信息，且检测的主要变化区域结果较为相似。IR-MAD算法因其能迭代更新权值，相较于MAD算法有效的抑制了背景噪声。本发明针对两种算法得到的二值变化检测结果图进行具体分析。通过对比原始灰度差值影像，我们将灰度差值影像上灰度值为正的区域视为本研究区的主火灾区域(主要为林区，火灾主要的燃烧区域)，即亮度增加的区域用红色圆圈(1-8)在二值变化检测结果图上标出；将灰度差值影像上灰度值为负的区域视为本研究区的辅火灾区域(主要为城区，电力设施摧毁等导致住宅区域灯光下降)，即亮度下降的区域用蓝色圆圈(9-14)在二值变化检测结果图上标出，结果如图7所示。从总体上看，两种算法均提取出主火灾区1-8(红色)，提取结果并无太大差别。辅火灾区9-14(蓝色)也均被提取出来，提取结果却存在一定的不同。通过观察辅火灾区9、10、11的放大细节图8，可以看见两种算法提取的区域大致相当，但MAD算法相较于IR-MAD算法能提取更多的变化区域，对背景中光亮变化信息更加敏感。

构建两种算法得到的二值变化检测结果图与验证样本(图2)之间的混淆矩阵。从精度评价表3来看，融合多个纹理特征后两种算法的检测结果，其总精度和Kappa系数相较于单一纹理特征有了明显的提高。MAD的总精度和Kappa系数均高于IR-MAD，在控制变化区域错分误差的基础上，MAD方法变化区域的漏分误差较IR-MAD低。分析得出这部分漏分误差主要来源于辅火灾区，由于辅火灾区的地物类型主要是建筑物、居民区，涉及到的细节比较多，造成漏分的很大原因在于IR-MAD在迭代过滤背景信息时，可能把本来是夜光变化信息的区域也当作噪声处理掉了。而主火灾区位于林区，涉及的变化范围比较大且集中，不存在纵横交错的纹理细节信息，因而这部分检测的变化区域比较准确。综上所述，在提取突出强调细节信息区域(即研究区地形复杂、地物琐碎、分布零散)的变化信息时，MAD是比较理想的检测手段，而在检测不强调细节且变化范围密集集中的区域(即研究区地形平坦、地物集中、地类均质)时，IR-MAD可以有效抑制背景噪声，达到有效检测的目的。

表3提出方法中利用MAD、IR-MAD算法的变化检测精度评价

综上，经过一系列定性和定量的试验分析，证明本发明提出的一种基于特征融合的高分辨率夜光遥感影像自动变化检测方法具有较高的实际变化检测性能、可操作性和自动化水平，且不依赖于任何先验知识和样本，可应用于高分辨率夜光遥感影像中自动提取和监测短时重大事件。

Claims (5)

1.一种基于特征融合的高分辨率夜光遥感影像自动变化检测方法，其特征在于，包括以下步骤：

1)获取研究区短时重大事件发生前后的两时相高分辨率夜光遥感数据，并对前后时相遥感影像进行预处理；

2)基于预处理后的高分辨率夜光遥感数据，提取多种衍生纹理特征图像，叠加构造融合纹理特征后的多波段特征影像；

3)采用多元变化检测算法MAD及其迭代加权算法IR-MAD对步骤2)中的多波段特征影像进行变化检测，得到融合多特征的变化强度图T_MAD和T_IR-MAD；

4)分别对变化强度图T_MAD和T_IR-MAD进行分割，获得各自对应的二值变化检测结果图；

所述的步骤2)具体为：

根据预处理后的高分辨率夜光遥感数据，提取出包括数据范围、均值1、方差、信息熵和偏斜的五种基于概率统计的衍生纹理特征图像以及包括均值2、方差、协同性、对比度、相异性、信息熵、二阶矩和相关性的八种基于二阶矩阵的衍生纹理特征图像，并通过构造纹理差值影像与原始灰度差值影像的2D散点图，获取相关系数最高的四类纹理特征影像，即数据范围、均值1、均值2和相异性，并将其与原始灰度影像叠加构造形成前后时相各含五波段的多波段特征影像；

所述的步骤3)中，在满足Var{a^TX}＝Var{b^TY}＝1时最大化Var{a^TX-b^TY}的约束条件下，变化强度图T_MAD表示为：

其中，MAD为MAD变量，a、b分别为两时相的多波段影像X和Y的投影向量，P为影像维数，

为第i个MAD变量的方差，

为自由度为

的卡方分布，下标i和j分别为MAD变量数和像素数，如果在第j个像素处未发生变化，则第i个MAD变量MAD_ij的均值为0；

所述的步骤3)中，IR-MAD算法通过引入权值w_j进入均值和方差的计算中，反复迭代直至典型相关系数收敛，则变化强度图T_IR-MAD表示为：

其中，IR-MAD为IR-MAD变量，a′、b′分别为经加权迭代处理后得到的两时相多波段影像X和Y的投影向量，

为第i个IR-MAD变量的方差，

为自由度为

的卡方分布，下标i和j分别为IR-MAD变量数及像素数。

2.根据权利要求1所述的一种基于特征融合的高分辨率夜光遥感影像自动变化检测方法，其特征在于，所述的步骤1)中，对获取的两时相高分辨率夜光遥感数据依次通过影像剪裁、辐射校正进行预处理。

3.根据权利要求2所述的一种基于特征融合的高分辨率夜光遥感影像自动变化检测方法，其特征在于，所述的高分辨率夜光遥感数据为珞珈一号01星获取的遥感数据。

4.根据权利要求1所述的一种基于特征融合的高分辨率夜光遥感影像自动变化检测方法，其特征在于，所述的步骤4)中，采用模糊C均值聚类算法FCM分别对变化强度图T_MAD和T_IR-MAD进行分割，获得各自对应的二值变化检测结果图。

5.根据权利要求1所述的一种基于特征融合的高分辨率夜光遥感影像自动变化检测方法，其特征在于，所述的步骤4)中，在二值变化检测结果图中，数值1为白色，代表变化区域，数值0为黑色，代表非变化区域，从而通过变化检测实现短时重大事件的自动提取与监测。

Images