(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210650366.8 (22)申请日 2022.06.10 (71)申请人 西安建筑科技大 学 地址 710055 陕西省西安市雁塔路13号 (72)发明人 马宗方　麻瑞　宋琳　郝凡　 (74)专利代理 机构 西安智大知识产权代理事务 所 61215 专利代理师 王晶 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/44(2022.01) G06V 10/762(2022.01) G06V 10/764(2022.01) G06V 10/766(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06T 5/00(2006.01) G06T 7/11(2017.01) G06N 3/04(2006.01) (54)发明名称 一种基于自适应图像回归的遥感影像变化 检测方法 (57)摘要 本发明公开了一种基于自适应图像回归的 遥感影像变化检测方法， 包括以下步骤； 步骤1)： 基于多输出自适应回归模型对事前及事后影像 处理生成回归图像； 步骤2)： 计算步骤1)得到的 回归图像和事 前及事后影像 之间的差异图像； 步 骤3)： 基于模糊局部信息C均值算法对步骤2)得 到的差异图像进行分析， 获得一定数量的显著样 本对， 即变化样本对和不变样本对； 步骤4)： 基于 关联关系驱动的融合方法(AF)， 加强事前及事后 影像的特征， 进而融合原始 影像特征和加强后的 特征； 步骤5)： 以步骤3)中的显著样本对构建训 练集， 进而结合步骤4)中融合后的特征训练分类 器模型预测得到变化检测结果。 本发 明检测精度 高， 时间成本低， 有效避免了噪声信息的干扰， 并 且能够适应复杂地物场景的变化检测任务。 权利要求书1页 说明书7页 附图3页 CN 114897880 A 2022.08.12 CN 114897880 A 1.一种基于自适应图像回归的遥感影 像变化检测方法， 其特 征在于， 包括以下步骤； 步骤1)： 基于多输出自适应回归 模型对事前及事后影 像处理生成回归图像； 步骤2)： 计算 步骤1)得到的回归图像和事前及事后影 像之间的差异图像； 步骤3)： 基于模糊局部信息C均 值算法对步骤2)得到的差异图像进行分析， 获得一定数 量的显著样本对， 即变化样本对和不变样本对； 步骤4)： 基于关联关系驱动的融合方法(AF)， 加强事前及事后 影像的特征， 进而融合原 始影像特征和加强后的特 征； 步骤5)： 以步骤3)中的显著样本对构建训练集， 进而结合步骤4)中融合后的特征训练 分类器模型预测得到变化检测结果。 2.根据权利要求1所述的一种基于自适应图像回归的遥感影像变化检测方法， 其特征 在于， 所述步骤1)中基于多输出自适应回归模型， 生成回归图像的将事前及事后影像中包 含信息量较多的一方作为训练集和测试集的特征， 另一幅影像作为训练集的标签， 依据自 适应的回归方向训练 回归模型从而得到回归图像用于后续分析， 该策略能够保证模型从包 含信息量多的遥感影 像中提取潜在特 征来表征包 含信息量少的遥感影 像。 3.根据权利要求1所述的一种基于自适应图像回归的遥感影像变化检测方法， 其特征 在于， 所述步骤2)中差异图像的质量直接影响着最终的变化检测结果， 差异图像的灰度值 越大， 表明相应位置发生变化的可能性就越大， 鉴于回归图像与原始遥感影像具有更加 一 致的特征表示， 可以得到质量更高的差异图像， 所以计算回归图像与原始事前和事后遥感 影像之间的差异图像， 从而更加准确地描述发生变化的区域。 4.根据权利要求1所述的一种基于自适应图像回归的遥感影像变化检测方法， 其特征 在于， 所述步骤3)采用FLICM聚类方法用来分割差异图像， 聚类数目设置为3(即差异 值较小 的不变化区域、 差异 值处于中间范围的不确定区域和差异 值较大的变化区域)， 能够将中间 难以划分的不确定区域识别， 然后滤除孤立噪声进一步确保显著样本的可靠性， 最终得到 可靠的显著样本对， 即变化样本对和不变样本对。 5.根据权利要求1所述的一种基于自适应图像回归的遥感影像变化检测方法， 其特征 在于， 所述步骤4)利用数据的高阶信息与特征间的关联关系将数据编码至新的特征空间； 首先将事前及 事后遥感影像进 行堆叠构造初始数据集， 建模初始数据集的高阶信息并提升 原始数据的非线性表达能力得到增强后的特征； 进一步地， 由于得到的高阶数据集可以辅 助训练分类模型从而获得更有的分类结果， 所以将原始遥感数据和增强后的特征进行融合 得到一个用于决策的特 征数据集。 6.根据权利要求1所述的一种基于自适应图像回归的遥感影像变化检测方法， 其特征 在于， 所述步骤5)以步骤3)中得到的可靠显著样本对构建训练数据集， 进而以步骤4)中融 合后的特征为辅助训练得到一个多层感知器分类器模型， 将事前和事后遥感图像输入到该 模型中， 最终生成高精度的二 值变化检测结果图。权　利　要　求　书 1/1 页 2 CN 114897880 A 2一种基于自适应图像回归的遥感影像变化检测方 法 技术领域 [0001]本发明涉及遥感图像处理和模式识别技术领域， 特别涉及一种基于自适应图像回 归的遥感影 像变化检测方法。 背景技术 [0002]由于异质遥感影像由于传感器不同的成像特点而使得事前和事后影像特征空间 不一致， 直接进行差异比较往往会产生大量的噪声， 因而同质遥感影像变化检测方法在异 质场景下难以得到较高的检测精度， 但异质 遥感影像变化检测方法有效改善了这种局限 性。 现存异质遥感影像变化检测方法主要分为基于分类、 基于相似性和基于深度学习的方 法， 基于分类的方法依赖于 分类器的性能， 容易产生累计误差， 尤其是容易受到合成孔径雷 达(SAR)影像的相干斑噪声影响而难以正确分类； 基于相似性的方法仅依靠不变像素对难 以表征数据之间的异质性， 在 复杂地物场景下 的检测精度低； 基于深度学习的方法需要大 量带标记的训练数据的监督， 训练过程复杂且耗时。 综上所述， 现有异质遥感图像变化检测 方法的主要缺点如下： 1)易受噪声信息的干扰， 难以正确分类； 2)检测精度不高， 无法适应 复杂地物场景； 3)依赖 于带标记的训练数据， 训练过程复杂且耗时。 发明内容 [0003]为了克服上述现有技术的不足， 本发明的目的在于提供一种基于自适应图像回归 的遥感影像变化检测方法， 该方法检测精度高， 时间成本低， 有效避免了噪声信息的干扰， 并且能够适应复杂地物场景的变化检测任务。 [0004]为了实现上述目的， 本发明采用的技 术方案是： [0005]一种基于自适应图像回归的遥感影 像变化检测方法， 包括以下步骤； [0006]步骤1)： 基于多输出自适应回归 模型对事前及事后影 像处理生成回归图像； [0007]步骤2)： 计算 步骤1)得到的回归图像和事前及事后影 像之间的差异图像； [0008]步骤3)： 基于模糊局部信息C均值算法对步骤2)得到的差异图像进行分析， 获得一 定数量的显著样本对， 即变化样本对和不变样本对； [0009]步骤4)： 基于关联关系驱动的融合方法(A F)， 加强事前及事后影像的特征， 进而融 合原始影像特征和加强后的特 征； [0010]步骤5)： 以步骤3)中的显著样本对构建训练集， 进而结合步骤4)中融合后的特征 训练分类 器模型预测得到变化检测结果。 [0011]所述步骤1)中基于多输出自适应回归模型， 生成 回归图像的将事前及事后影像中 包含信息量较多的一方作为训练集和测试集的特征， 另一幅影像作为训练集的标签， 依据 自适应的回归方向训练回归模型从而得到回归图像用于后续分析， 该策略能够保证模型从 包含信息量多的遥感影 像中提取潜在特 征来表征包 含信息量少的遥感影 像。 [0012]所述步骤2)中差异图像的质量直接影响着最终的变化检测结果， 差异图像的灰度 值越大， 表明相 应位置发生变化的可能性就越大， 鉴于回归图像与原始遥感影像具有更加说　明　书 1/7 页 3 CN 114897880 A 3