本發明公開了一種魯棒的多時相多光譜影像變化檢測方法，首先進行非一致性影像的校正算法，通過光譜影像解混算法對雙時相影像分別解混，獲得亞像元豐度與端元矩陣；使用k近鄰法對原始數據進行預檢測，劃分數據為變化及未變化；利用預檢測出的未變化數據的豐度計算校正矩陣；接下來進行基于時空譜特征學習的多光譜影像變化檢測，以多時相影像中的每個像素為中心，取S×S的像素塊；使用k近鄰法對原始數據進行預檢測，將變化和未變化兩類分配標簽作為偽訓練集；利用偽訓練集訓練提出的神經網絡；最后用訓練好的神經網絡，對所有數據進行檢測。本發明提出方法能有效抵抗非一致影像帶來的影響，提升算法魯棒性。

技術領域

本發明屬于機器學習技術領域，具體涉及一種影像變化檢測方法。

背景技術

20世紀以來，遙感成為一門實用的，先進的空間探測技術。多時相的遙感影像可以讓我們觀測、分析地球的變化。而從同一地區的不同時間的遙感影像中定量、定性地分析差異，從而獲得地物變化的相關信息，正是變化檢測研究的主要內容。變化檢測離我們并不遙遠，它已經被應用到了社會生活的方方面面，如城市變遷監測、災害救援、農業生產評估、軍事偵察等。與其他遙感影像解譯技術相比，變化檢測要處理的數據量更多(多時相影像)，數據異質性更強(非一致影像)。在遙感影像中，基于光譜成像技術，具有“圖譜合一”特點的多光譜、高光譜影像備受研究者青睞。通過分光技術，將接收到的光信號(電磁波)分解為多個具有一定間隔而又連續的波段，不同波段上的能量被對應的傳感器吸收，從而對每個波段單獨成像，各個波段的影像按波長大小自然排列，組成一個多維的數據立方體。該立方體的每一層都是同一區域在某波段上所成的圖像，而某一像元(即像素)在不同波段的輻射值又反映了該處地物的光譜信息。

光譜影像變化檢測發展至今，始終有一個繞不開的問題——影像非一致現象。如上所述，光譜影像最大的特點就是其能夠提供不同區域地物對應的光譜曲線，而由于不同的成像條件等客觀因素的影響，不同時相的同一地物會展現出不同的光譜特性。這毫無疑問影響了光譜影像變化檢測的精度。

現有的無監督變化檢測方法受限于非一致影像，因此往往無法表現出優秀的性能。而以神經網絡為代表的有監督算法，得益于標簽信息，對非一致影像體現出了一定的魯棒性。但由于制作一個光譜影像變化檢測的數據集要消耗大量人力物力，因此現有的可用數據集很少。因此，問題的關鍵是如何設計一個能夠抵抗影像非一致性，同時又不需要帶標簽樣本的無監督光譜影像變化檢測算法。

發明內容

為了克服現有技術的不足，本發明提供了一種魯棒的多時相多光譜影像變化檢測方法，首先進行非一致性影像的校正算法，通過光譜影像解混算法對雙時相影像分別解混，獲得亞像元豐度與端元矩陣；使用k近鄰法對原始數據進行預檢測，劃分數據為變化及未變化；利用預檢測出的未變化數據的豐度計算校正矩陣；接下來進行基于時空譜特征學習的多光譜影像變化檢測，以多時相影像中的每個像素為中心，取S×S的像素塊；使用k近鄰法對原始數據進行預檢測，將變化和未變化兩類分配標簽作為偽訓練集；利用偽訓練集訓練提出的神經網絡；最后用訓練好的神經網絡，對所有數據進行檢測。本發明提出方法能有效抵抗非一致影像帶來的影響，提升算法魯棒性。

本發明解決其技術問題所采用的技術方案包括以下步驟：

步驟1：非一致性影像的校正算法；

步驟1-1：給定雙時相影像以及輔助時相影像其中I、J分別為影像的長、寬，N是影像的波段數；以X₁作為基準影像，對X₂和進行校正；

步驟1-2：通過多層非負矩陣分解對X₁和X₂進行并列解混，得到X₁和X₂的共同端元矩陣和X₁、X₂各自的豐度矩陣其中P是端元數目；