基于聯合字典學習的多時相遙感圖像變化檢測方法
【專利摘要】基于聯合字典學習的多時相遙感圖像變化檢測方法，包括：1)從多時相遙感圖像中提取大量未變化樣本，對該樣本進行聯合字典學習，得未變化樣本的基；2)將步驟1)未選取的其余多時相樣本作為測試集樣本；用未變化樣本的基對測試集樣本稀疏重構；對測試集樣本和重構測試集樣本求差得到差值影像；3)從多時相遙感圖像中選取少量變化樣本；用未變化樣本的基對不同時相的變化樣本稀疏重構；利用不同時相變化樣本的重構圖像間的差值，經池化操作得變化樣本的變化閾值；4)結合差值影像和變化樣本的變化閾值判別出多時相遙感圖像的變化區域，統計檢測率。本發明可大幅減小標記樣本的使用、無需人工選擇變化閾值以及能夠提高對遙感圖像變化的檢測率。
【專利說明】
基于聯合字典學習的多時相遙感圖像變化檢測方法
技術領域
[0001] 本發明屬于信息處理技術領域，設及一種多時相多光譜圖像變化檢測方法，尤其 設及一種基于聯合字典學習的多時相遙感圖像變化檢測方法。
【背景技術】
[0002] 20世紀W來，信息技術和空間技術的發展深刻地改變了人類觀測地球的方式。"欲 窮千里目，更上一層樓"，從第一顆人造衛星升空開始，人類便開始W-種前所未有的高度 鳥廠梟宇。隨著遙感技術的出現，人們可W更加直觀地了解地球每一天的變化。其中，由于 對地觀測技術的快速發展使得獲取同一地區不同時相的遙感影像成為可能。利用多時相的 遙感影像可W為地理國情檢測提供重要的技術保障和提供檢測的實時性，對遙感圖像的變 化進行檢測可W在環境監測、冰川融化、災害評估、城市擴張、軍事目標檢測、±地利用等方 面發揮重要的作用。
[0003] 目前，對于多時相遙感圖像變化的檢測方法主要分為兩類：
[0004] 一類是基于無監督的遙感影像變化檢測方法，該方法在多時相的高分遙感影像、 高光譜遙感影像的變化檢測中是最通用和流行的，因為該方法不僅計算復雜度比較低，同 時也能取得較好的效果。例如，F.Bovolo等人在參考文獻"A theoretical化amework for unsupervised ch曰nge detection b曰sed on ch曰nge vector 曰n曰lysis in the pol曰r domain. IEEE Transactions on Geoscience and Remote Sensing, 45(1):218-236, 2007." 中提出了一種基于變化矢量方法的變化檢測方法，不僅僅從數學公式上論證該方法的可行 性，同時對于具體的原理也給出了詳細的說明。然而該方法存在的不足是：直接在多時相遙 感圖像上進行矢量差值大小運算求解，容易受到圖像不同噪聲和不同遙感平臺拍攝角度的 干擾，導致檢測率低。
[0005] 另一類是基于后分類變化檢測的監督方法，運種方法是將多時相的遙感圖像進 行監督學習，在單幅圖像上提高自身地物分類精度，從而提高最終的檢測精度，武漢大 學的遙感專家張良培教授稱運種方法為"化om-to"模型。例如，B.Demir等人在參考文 獻"Updating Land-Cover Maps by Classification of Image Time Series:A Novel Ch曰nge-Detection-Driven Tr曰nsfer Le曰rning Appro曰ch. IEEE Tr曰ns曰ctions on Geoscience and Remote Sensing, 51 (1) :300-312, 2013."中提出了一種基于遷移學習的方 法，利用遷移學習對多時相遙感影像進行地物分類，最后實現高精度的變化檢測。然而該方 法存在的不足是：基于傳統監督分類的方法需要大量專家費時費力的進行地物標注，使得 該方法在推廣上有一定的局限性；同時，由于變化闊值的選擇依賴于人工選擇或者其他聚 類方法，使得監督的變化檢測方法的發展受到限制。
【發明內容】
[0006] 為了解決【背景技術】中存在的上述技術問題，本發明提供了一種大幅減小標記樣本 的使用、無需人工選擇變化闊值W及能夠提高遙感圖像變化檢測率的基于聯合字典學習的 多時相遙感圖像變化檢測方法。 陽007] 本發明的技術解決方案是：
[0008] 本發明提供了一種基于聯合字典學習的多時相遙感圖像變化檢測方法，其特殊之 處在于：所述基于聯合字典學習的多時相遙感圖像變化檢測方法包括W下步驟：
[0009] 1)從多時相遙感圖像中提取大量未變化樣本，對提取的大量未變化樣本進行聯合 字典學習，得到未變化樣本的基；
[0010] 2)將步驟1)中未選取的其余所有多時相樣本標記為測試集樣本，測試集樣本包 括變化樣本和未變化樣本；利用步驟1)所得未變化樣本的基對測試集樣本進行稀疏重構， 得到重構測試集樣本；對測試集樣本和重構測試集樣本求差，得到差值影像； 陽011] 3)從多時相遙感圖像中選取少量變化樣本；根據未變化樣本的基，對不同時相的 變化樣本進行稀疏重構，得到不同時相變化樣本的重構圖像；利用不同時相變化樣本的重 構圖像之間的差值，經過池化操作，得到變化樣本的變化闊值；
[0012] 4)結合步驟2)所得差值影像W及步驟3)所得變化樣本的變化闊值，判別出多時 相遙感圖像的變化區域，并統計檢測率。
[0013] 上述步驟1)的具體實現方式是：
[0014] 1. 1)將多時相遙感圖像預處理后，選取同一地點不同時相中的大量未變化樣本；
[0015] 1. 2)將不同時相中選取的大量未變化樣本拼接在一起，利用稀疏表達的方法得到 未變化樣本的基，即：
[001 引 Xi二 DiSi
[0017] 其中，Xi為未變化樣本；D 1為未變化樣本的字典，即未變化樣本的基；S 1為未變化 樣本的稀疏表達系數。
[0018] 上述步驟2)的具體實現方式是：
[0019] 2. 1)建立測試集樣本后，利用稀疏表達機制將測試集樣本分解為新的字典和新的 稀疏表達系數，即：
[0020] X2= D2S2
[0021] 其中，X2為測試集樣本；D 2為測試集樣本的字典，即測試集樣本的基；S 2為測試集 樣本的稀疏表達系數；
[0022] 2. 2)利用步驟1. 2)中所得未變化樣本的基化替換步驟2. 1)中所得測試集樣本的 基〇2,在稀疏表達的框架下重構多時相遙感圖像的測試集樣本，得到重構測試集樣本X2 ';
[0023] 2.3)對測試集樣本X2與重構測試集樣本X2'進行求差運算，得到差值影像。
[0024] 上述步驟3)的具體實現方式是：
[0025] 3. 1)對于選取的少量變化樣本中每一個單時相的變化樣本集，分別利用其稀疏表 達系數與步驟1. 2)中所得未變化樣本的基化進行重構，得到不同時相變化樣本集的重構 圖像；
[00%] 3. 2)對于步驟3. 1)所得不同時相變化樣本集的重構圖像進行差值運算，得到變 化樣本在未變化樣本的基上的重構誤差圖像；
[0027] 3. 3)將步驟3. 2)中所得重構誤差圖像進行池化操作，得到重構誤差，即變化樣本 的變化闊值。
[0028] 上述步驟4)的具體實現方式是：
[0029] 4. 1)將步驟2. 3)所得差值影像的像素值與步驟3. 3)所得變化樣本的變化闊值進 行對比；若差值影像的像素值大于等于變化樣本的變化闊值，則將該差值影像對應的區域 標注為變化區域；若差值影像的像素值小于變化樣本的變化闊值，則將該差值影像對應的 區域標注為未變化區域；
[0030] 4. 2)按照步驟4. 1)判別出多時相遙感圖像的變化區域后，判別的平均準確率即 為檢測率，檢測率的計算方式為：判別正確的像素個數占總像素個數的百分比。 陽03U 本發明的優點是：
[0032] 本發明提供了一種基于聯合字典學習的多時相遙感圖像變化檢測方法，該檢測方 法將大量的未變化樣本引入到稀疏表達機制中，且只利用了少量變化樣本學習變化闊值， 克服了傳統監督方法需要大量人工標注的困難，提高了對多時相遙感圖像的變化檢測精 度；同時，本發明中變化樣本的變化闊值是自適應從實驗圖像中學取的，克服了傳統方法需 要人工選擇變化闊值或者依靠其他算法進行闊值學習的不足；在試驗結果上，本發明采取 的自適應闊值選擇策略表現出較好的能力，能夠避免不同噪聲和拍攝角度對檢測結果的影 響，獲得了更好的識別結果，從而為地理國情檢測、軍事偵察和環境監測等方面提供更好的 技術支持。
【附圖說明】
[0033] 圖1是本發明提供的基于聯合字典學習的多時相遙感圖像變化檢測方法的流程 圖；
[0034] 圖2a是資源Ξ號衛星拍攝的2000年昆山地區的多光譜數據圖；
[0035] 圖化是資源Ξ號衛星拍攝的2003年昆山地區的多光譜數據圖；
[0036] 圖3a是資源Ξ號衛星拍攝的2000年臺州地區的多光譜數據圖；
[0037] 圖3b是資源Ξ號衛星拍攝的2003年臺州地區的多光譜數據圖；
[003引圖4a是利用變化矢量分析方法對昆山地區多時相遙感圖像變化的檢測結果圖； [0039] 圖4b是利用主成分分析方法對昆山地區多時相遙感圖像變化的檢測結果圖； W40] 圖4c是利用迭代權重的多元檢測算法對昆山地區多時相遙感圖像變化的檢測結 果圖；
[0041] 圖4d是利用半監督的顯著檢測算法對昆山地區多時相遙感圖像變化的檢測結果 圖；
[0042] 圖4e是利用監督的慢特征算法對昆山地區多時相遙感圖像變化的檢測結果圖；
[0043] 圖4f是利用本發明檢測方法（不包含自適應闊值選擇策略）對昆山地區多時相 遙感圖像變化的檢測結果圖； W44] 圖4g是利用本發明檢測方法（包含自適應闊值選擇策略）對昆山地區多時相遙 感圖像變化的檢測結果圖；
[0045] 圖4h是昆山地區多時相遙感圖像的真實變化區域標注圖；
[0046] 圖5a是利用變化矢量分析方法對臺州地區多時相遙感圖像變化的檢測結果圖；
[0047] 圖化是利用主成分分析方法對臺州地區多時相遙感圖像變化的檢測結果圖； W48]圖5c是利用迭代權重的多元檢測算法對臺州地區多時相遙感圖像變化的檢測結 果圖； W例圖5d是利用半監督的顯著檢測算法對臺州地區多時相遙感圖像變化的檢測結果 圖；
[0050] 圖5e是利用監督的慢特征算法對臺州地區多時相遙感圖像變化的檢測結果圖；
[0051] 圖5f是利用本發明檢測方法（不包含自適應闊值選擇策略）對臺州地區多時相 遙感圖像變化的檢測結果圖；
[0052] 圖5g是利用本發明檢測方法（包含自適應闊值選擇策略）對臺州地區多時相遙 感圖像變化的檢測結果圖；
[0053] 圖化是臺州地區多時相遙感圖像的真實變化區域標注圖。
【具體實施方式】
[0054] 參見圖1，本發明提供了一種基于聯合字典學習的多時相遙感圖像變化檢測方法， 其包括W下步驟：
[0055] 1)從多時相遙感圖像中提取大量未變化樣本（一般可W從多時相遙感圖像中提 取20% -50%的未變化樣本），對提取的大量未變化樣本進行聯合字典學習，得到未變化樣 本的基；
[0056] 1. 1)將多時相遙感圖像預處理后，選取同一地點不同時相中的大量未變化樣本；
[0057] 1. 2)將不同時相中選取的大量未變化樣本拼接在一起，利用稀疏表達的方法得到 未變化樣本的基，即：
[0058] Xi= D iSi
[0059] 其中，Xi為未變化樣本；D 1為未變化樣本的字典，即未變化樣本的基；S 1為未變化 樣本的稀疏表達系數。
[0060] 本發明中，聯合字典學習是將不同時相遙感圖像中的同類別樣本拼接在一起，作 為一個新的聯合樣本，對該聯合樣本進行稀疏學習求取該聯合樣本的字典，對該聯合樣本 求取的字典稱為聯合字典。本步驟中選取的是不同時相遙感圖像的未變化樣本，從而求得 未變化樣本的聯合字典，即未變化樣本的基。
[0061] 2)將步驟1)中未選取的其余所有多時相樣本標記為測試集樣本，測試集樣本包 括變化樣本和未變化樣本；利用步驟1)所得未變化樣本的基對測試集樣本進行稀疏重構， 得到重構測試集樣本；對測試集樣本和重構測試集樣本求差，得到差值影像；
[0062] 2. 1)建立測試集樣本后，利用稀疏表達機制將測試集樣本分解為新的字典和新的 稀疏表達系數，即：
[0063] X2= D2S2 W64] 其中，X2為測試集樣本；D 2為測試集樣本的字典，即測試集樣本的基；S 2為測試集 樣本的稀疏表達系數； W65] 2.。利用步驟1.。中所得未變化樣本的基化替換步驟2. 1)中所得測試集樣本的 基〇2,在稀疏表達的框架下重構多時相遙感圖像的測試集樣本，得到重構測試集樣本X2';
[0066] 2.3)對測試集樣本X2與重構測試集樣本X2'進行求差運算，得到差值影像。
[0067] 3)從多時相遙感圖像中選取少量變化樣本（一般可W從多時相遙感圖像中選取 2% -10%的變化樣本）；根據未變化樣本的基，對不同時相的變化樣本進行稀疏重構，得到 不同時相變化樣本的重構圖像；利用不同時相變化樣本的重構圖像之間的差值，經過池化 操作，得到變化樣本的變化闊值；
[0068] 3. 1)對于選取的少量變化樣本中每一個單時相的變化樣本集，分別利用其稀疏表 達系數與步驟1. 2)中所得未變化樣本的基化進行重構，得到不同時相變化樣本集的重構 圖像；
[0069] 3. 2)對于步驟3. 1)所得不同時相變化樣本集的重構圖像進行差值運算，得到變 化樣本在未變化樣本的基上的重構誤差圖像；
[0070] 3. 3)將步驟3. 2)中所得重構誤差圖像進行池化操作，得到重構誤差，即變化樣本 的變化闊值。由于該變化闊值是自適應從實驗圖像中學取的，可W較好的克服傳統人工選 取變化闊值或者依賴于其他成熟算法的不足，且在試驗結果上，本發明的自適應闊值選擇 策略表現出較好的能力。
[0071] 4)結合步驟2)所得差值影像W及步驟3)所得變化樣本的變化闊值，判別出多時 相遙感圖像的變化區域，并統計檢測率；
[0072] 4. 1)將步驟2. 3)所得差值影像的像素值與步驟3. 3)所得變化樣本的變化闊值進 行對比；若差值影像的像素值大于等于變化樣本的變化闊值，則將該差值影像對應的區域 標注為變化區域；若差值影像的像素值小于變化樣本的變化闊值，則將該差值影像對應的 區域標注為未變化區域；
[0073] 4. 2)按照步驟4. 1)判別出多時相遙感圖像的變化區域后，判別的平均準確率即 為檢測率，檢測率的計算方式為：判別正確的像素個數占總像素個數的百分比。
[0074] 下面利用仿真實驗來說明本發明提供的基于聯合字典學習的多時相遙感圖像變 化檢測方法的有益效果： 陽〇7引 1)仿真條件
[0076] 在中央處理器為 Intel(R) Core i3-530 2. 93GHZ、內存 4G、WIND0WS7 操作系統上 運用MTLAB軟件進行仿真；實驗中使用的測試圖像為資源Ξ號衛星拍攝的昆山地區和臺 州地區的多光譜數據（參見圖2曰、圖化、圖3a和圖3b)。
[0077] 。仿真內容
[007引采用本發明提供的檢測方法進行實驗：
[0079] 首先，對昆山地區和臺州地區兩個數據庫分別選取出大量未變化區域樣本對和少 量變化區域樣本對，并將剩下的所有樣本對作為測試集樣本；
[0080] 其次，通過稀疏表達的方法分別在大量未變化區域樣本對上學習未變化樣本的 基，利用未變化樣本的基重構測試集樣本，并且得到測試集樣本與重構測試集樣本之間的 差異圖像；
[0081] 接著，在少量變化樣本上學習自適應變化闊值，利用變化闊值在差異圖像上進行 判別。
[0082] 下面，將采用本發明檢測方法所得實驗結果與采用傳統檢測方法所得實驗結果進 行比較，其中：
[0083] 圖4a和圖5a是采用變化矢量分析方法（見參考文獻：A theoretical化amework for unsupervised change detection b過sed on ch過nge vector 過n過lysis in the pol過r domain. I邸E Trans. On Geoscience and Remote Sensing, 45 (1),218-236, 2007.)分別對 慶山地區和臺州地區的試驗結果。可^發現：在慶山數據庫和臺州數據庫上，采用變化矢量 分析方法的檢測效果不理想，分錯區域較多，且噪聲點也很多。運是因為對于單波段的遙感 圖像，變化矢量分析方法并不能很好的提取差異信息。
[0084] 圖4b和圖化是采用主成分分析方法（見參考文獻：化supervised change detection with kernels. IE邸 Geosci. Remote Sens. Lett, 9 巧）：1026-1030,2012.)分別 對昆山地區和臺州地區的試驗結果。可W發現：在昆山數據庫和臺州數據庫上，采用主成分 分析方法均未能取得良好試驗結果，其噪聲點較多，檢測圖像不平滑。運是由于主成分提取 過程中未能很好地區分變化區域和未變化區域，說明主成分分析方法并不能很好地適用于 遙感圖像變化的檢測研究。 陽0化]圖4c和圖5c是采用迭代權重的多元檢測算法（見參考文獻：The regularized iteratively reweighted mad method for change detection in multi-and hyper spectral data. IE邸 Trans, on Image Process, 16(2) :463-478, 2007.)分別對昆山地區和 臺州地區的試驗結果。可W發現：在昆山數據庫和臺州數據庫上，該方法的檢測結果均沒有 本發明提供的檢測方法好，其檢測準確率不高，尤其是分錯區域較多。運是因為迭代權重的 多元檢測算法在區分相似地物時，誤判概率較大。
[0086] 圖4d和圖5d是采用半監督的顯著檢測算法（見參考文獻：Semi-supe;rvised novelty detection using svm entire solution path. IEEE Trans. On Geoscience and Remote Sensing, 51(4-1):1939-1950, 2013.)分別對昆山地區和臺州地區的試驗結果。可 W發現：在昆山數據庫和臺州數據庫上，該方法的表現欠佳，檢測率較低，誤檢概率較大，同 時檢測圖像不平滑。運是由于該方法嚴重依賴于所需要的特征，而對不同圖像選取不同特 征是較費時費力的，因而該方法不具有普適性。
[0087] 圖4e和圖5e是采用監督的慢特征算法（見參考文獻：Slow feature analysis for change detection in multispectral imagery, IEEE Trans. On Geoscience and Remote Sensing, 52巧）：2858-2874, 2014.)分別對昆山地區和臺州地區的試驗結果。可W 發現：在昆山數據庫和臺州數據庫上，該方法均表現良好，檢測率較高，圖像有較少區域分 錯；其試驗結果噪聲點雖然少，然而對于變化不明顯的區域，該方法不能夠很好的表達變化 信息，因此該方法在檢測性能方面有待改進。
[008引圖4f和圖5f是采用本發明提供的檢測方法（不采用自適應闊值選擇策略，而選 用傳統聚類算法）分別對昆山地區和臺州地區的試驗結果。可W發現：在昆山數據庫和臺 州數據庫上，本發明檢測方法（不采用自適應闊值選擇策略，而選用傳統聚類算法）的檢測 結果與監督的慢特征算法的檢測結果類似。因此，在沒有步驟3)(即，不采用自適應闊值選 擇策略）的情況下，本發明的聯合字典學習方法在提取變化信息上有較好的表現。
[0089] 圖4g和圖5g是采用本發明提供的檢測方法（包含自適應闊值選擇策略的步驟） 分別對昆山地區和臺州地區的試驗結果。可W發現：在昆山數據庫和臺州數據庫上，該檢測 方法的試驗結果是最好的，其分類準確率較高，噪聲點較少；同時也說明，利用步驟3)學習 到的自適應變化闊值可W較好地區分變化區域和未變化區域。
[0090] 圖4h和圖化分別是昆山地區和臺州地區的多時相遙感圖像的真實變化區域標注 圖。
[0091] 最后，將不同檢測方法的試驗結果和真實標準（即，圖4h和圖5h)進行比對，統計 比對結果，作為對多時相遙感圖像變化檢測的檢測準確度，結果如表1所示。
[0092] 從表1可W看出，本發明提供的基于聯合字典學習的多時相遙感圖像變化檢測方 法有較好的表現，本發明的檢測率比現有直接檢測方法的檢測率都高。運是由于本發明充 分考慮了大量未變化樣本的信息，從而克服傳統方法中對大量未變化樣本利用不足的弊 端；且本發明通過自適應闊值的選擇策略，可W很好的從圖像本身信息中得到適合圖像自 身的變化闊值，能夠避免不同噪聲和拍攝角度對檢測結果的影響，因而獲得了更好的識別 結果，進一步驗證了本發明提供的基于聯合字典學習的多時相遙感圖像變化檢測方法的先 進性，從而能夠為地理國情檢測、軍事偵察和環境監測等方面提供更好的技術支持。
[0093] 表1不同檢測方法的檢測率
[0094]
【主權項】
1. 一種基于聯合字典學習的多時相遙感圖像變化檢測方法，其特征在于：所述基于聯 合字典學習的多時相遙感圖像變化檢測方法包括以下步驟： 1) 從多時相遙感圖像中提取大量未變化樣本，對提取的大量未變化樣本進行聯合字典 學習，得到未變化樣本的基； 2) 將步驟1)中未選取的其余所有多時相樣本標記為測試集樣本，測試集樣本包括變 化樣本和未變化樣本；利用步驟1)所得未變化樣本的基對測試集樣本進行稀疏重構，得到 重構測試集樣本；對測試集樣本和重構測試集樣本求差，得到差值影像； 3) 從多時相遙感圖像中選取少量變化樣本；根據未變化樣本的基，對不同時相的變化 樣本進行稀疏重構，得到不同時相變化樣本的重構圖像；利用不同時相變化樣本的重構圖 像之間的差值，經過池化操作，得到變化樣本的變化閾值； 4) 結合步驟2)所得差值影像以及步驟3)所得變化樣本的變化閾值，判別出多時相遙 感圖像的變化區域，并統計檢測率。2. 根據權利要求1所述的基于聯合字典學習的多時相遙感圖像變化檢測方法，其特征 在于：所述步驟1)的具體實現方式是： 1. 1)將多時相遙感圖像預處理后，選取同一地點不同時相中的大量未變化樣本； 1. 2)將不同時相中選取的大量未變化樣本拼接在一起，利用稀疏表達的方法得到未變 化樣本的基，即： Xi= D iSi 其中，Xi為未變化樣本；D i為未變化樣本的字典，即未變化樣本的基；S i為未變化樣本 的稀疏表達系數。3. 根據權利要求2所述的基于聯合字典學習的多時相遙感圖像變化檢測方法，其特征 在于：所述步驟2)的具體實現方式是： 2. 1)建立測試集樣本后，利用稀疏表達機制將測試集樣本分解為新的字典和新的稀疏 表達系數，即： x2= d2s2 其中，x2為測試集樣本；d2為測試集樣本的字典，即測試集樣本的基；s2為測試集樣本 的稀疏表達系數； 2. 2)利用步驟1. 2)中所得未變化樣本的基換步驟2. 1)中所得測試集樣本的基 D2，在稀疏表達的框架下重構多時相遙感圖像的測試集樣本，得到重構測試集樣本X2'; 2.3)對測試集樣本X2與重構測試集樣本X2'進行求差運算，得到差值影像。4. 根據權利要求3所述的基于聯合字典學習的多時相遙感圖像變化檢測方法，其特征 在于：所述步驟3)的具體實現方式是： 3. 1)對于選取的少量變化樣本中每一個單時相的變化樣本集，分別利用其稀疏表達系 數與步驟1. 2)中所得未變化樣本的基01進行重構，得到不同時相變化樣本集的重構圖像； 3.2) 對于步驟3. 1)所得不同時相變化樣本集的重構圖像進行差值運算，得到變化樣 本在未變化樣本的基上的重構誤差圖像； 3.3) 將步驟3. 2)中所得重構誤差圖像進行池化操作，得到重構誤差，即變化樣本的變 化閾值。5. 根據權利要求4所述的基于聯合字典學習的多時相遙感圖像變化檢測方法，其特征 在于：所述步驟4)的具體實現方式是： 4. 1)將步驟2. 3)所得差值影像的像素值與步驟3. 3)所得變化樣本的變化閾值進行對 比；若差值影像的像素值大于等于變化樣本的變化閾值，則將該差值影像對應的區域標注 為變化區域；若差值影像的像素值小于變化樣本的變化閾值，則將該差值影像對應的區域 標注為未變化區域； 4.2)按照步驟4.1)判別出多時相遙感圖像的變化區域后，判別的平均準確率即為檢 測率，檢測率的計算方式為：判別正確的像素個數占總像素個數的百分比。
【文檔編號】G06T7/00GK105989595SQ201510075774
【公開日】2016年10月5日
【申請日】2015年2月12日
【發明人】袁媛, 盧孝強, 呂浩博
【申請人】中國科學院西安光學精密機械研究所