(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 20221074846 5.X (22)申请日 2022.06.28 (71)申请人 南京信息 工程大学 地址 210032 江苏省南京市江北新区宁六 路219号 (72)发明人 潘伟豪　王帅　万宇坤　徐赛博　 郭弘扬　吴涛　王超　 (74)专利代理 机构 南京经纬专利商标代理有限 公司 32200 专利代理师 王慧 (51)Int.Cl. G06V 20/13(2022.01) G06V 20/10(2022.01) G06V 10/26(2022.01) G06V 10/34(2022.01)G06V 10/764(2022.01) G06V 10/80(2022.01) (54)发明名称 一种高分遥感影 像建筑物变化的检测方法 (57)摘要 本发明公开了一种高分遥感影像建筑物变 化的检测方法， 步骤如下： S1， 获取某一地区在不 同时相下的异源高分遥感影像数据集,并对异源 高分遥感影像数据集进行配准、 融合及分割， 得 到统一的对象集合； S2， 在已获取分割结果的基 础上， 构建证据集合； 所述证据集合包括非建筑 物指数NBI、 两时相影像的建筑物指数MBI以及两 时相影像间的差分信息； S3， 基于对象在不同时 相影像中的阴影特征， 提取证据置信 度指标； S4， 采用D‑S证据理论进行决策融合， 输出面向对象 的细粒度建筑物 变化检测结果。 本发 明利用阴影 检测结果， 构建一套完整的D ‑S证据理论变化检 测模型， 与现有 技术相比， 变化检测精度和Kappa 系数分别达80％和0.7以上。 权利要求书3页 说明书11页 附图12页 CN 115131676 A 2022.09.30 CN 115131676 A 1.一种高分遥感影 像建筑物变化的检测方法， 其特 征在于， 包括 步骤如下： S1， 获取某一地区在不同时相下的异源高分遥感影像数据集,并对异源高分遥感影像 数据集进行配准、 融合及分割， 得到统一的对象集 合； S2， 在已获取分割结果的基础上， 构 建证据集合； 所述证据集合包括非建筑物指数NBI、 两时相影 像的建筑物指数MBI以及两时相影 像间的差分信息； S3， 基于对象在不同时相影 像中的阴影特 征， 提取证据置信度指标； S4， 采用D ‑S证据理论进行决策融合， 输出面向对象的细粒度建筑物变化检测结果。 2.根据权利要求1所述的高分遥感影像建筑物变化的检测方法， 其特征在于， 所述步骤 S2中， 构建的证据集合包括： 前/后时相的非建筑物指数， 前/后时相的建筑物指数以及 多时 相差分特 征； 具体实现步骤如下： S21， 提取 前/后时相的非建筑物指数NBI 对于分割结果中的任一对象Ti， 定义非建筑物指数NBI： 其中， NDVI为归一化差异植被指数， NDWI为归一化差值水体指数， Pr为Ti的矩形度； Pwl 为长宽比,Pwlm为遍历所有对象后所 得到的长 宽比最大值； S为 面积指标， 令 其中， si为Ti的面积： si＝r2×ni， r代表该幅遥感影像的分辨率， ni代表第i个对象内像 素点的总数； sa定义为建筑物面积标准 值； 根据NBI值的大小， 提取 前/后时相的非建筑物指数NBI分别为 N1i和N2i； S22， 提取前/后时相的建筑物指数MBI 所述前/后时相的建筑物指数MBI的提取步骤如下： S221， 计算亮度值： 其中， bandk(x)为第k光谱波段在像 素x处的亮度值， K为可见光光谱 最大波段数， 并将可 见光波段每 个像素的最大值作为该像素的亮度值； S222， 形态学白帽重构： 其中， 为对亮度图像b的形态学开 运算； d和v分别代 表线性结构元 素的方向和尺度； S223， 计算微分形态学剖面DMP： DMPWTH(d,v)＝|WTH(d,(v+Δv) )‑WTH(d,v)| S224， 计算建筑物指数MBI： 其中， V＝((vmax‑vmin)/Δv+1， D为计算建筑物剖面时的方向数； vmax， vmin分别为线性结权　利　要　求　书 1/3 页 2 CN 115131676 A 2构元素的尺度最大值、 最小值， Δv为 其尺度变化 步长； 对建筑物指数MBI结果进行孔洞填补， 提取 前/后时相建筑物指数MBI分别为 λ1i和 λ2i； S23， 获得证据集 合 定义差分特 征： 其中， z为对象Ti中的像素点总数， σ1k、 σ2k为对象Ti中第k个像素点分别在两时相中的对 应像素值， σmax为第k个像素点在两幅影 像中像素值的最大值； 此时， 结合两 时相NBI指数、 两 时相MBI指数和两 时相差分特征， 获得最终 的证据集合Ri ＝{N1i,N2i, λ1i, λ2i,Ci}。 3.根据权利要求1所述的高分遥感影像建筑物变化的检测方法， 其特征在于， 所述步骤 S3中， 基于证据集合Ri， 采用D‑S证据理论， 将 阴影作为变化检测的中 “伪变化”， 提取证据 置 信度指标的具体步骤如下： S31， 采用阴影 检测方法进行 阴影检测； S32， 将彩色的RGB图像转换为HSV图像， 通过类间方差g值确定二 值化阈值M： g＝ω0( μ0‑μ )2+ω1( μ1‑μ )2 其中， ω0为灰度值小于M的前景像素点数占整幅图像的比例， μ0为其平均灰度； ω1为灰 度值大于 M的背景像素点数占整幅图像的比例， μ1为其平均灰度； μ为图像的总平均灰度； 当完成遍历后， g＝gmax时， 分割阈值M为最佳二值分割阈值； 再对图像进行形态学开闭 运算以修补空洞及滤除孤立 点， 获得阴影检测结果； 此时， 计算得出对象Ti在双时相影像中的阴影区域占比分别为p、 q， 从而获得Ti的证据 置信度Ii： Ii＝(1‑p)×(1‑q)。 4.根据权利要求1所述的高分遥感影像建筑物变化的检测方法， 其特征在于， 所述步骤 S4中， 输出建筑物变化检测结果的具体实现步骤如下： S41， 定义识别框架F＝[N,D,R,U,O]， 将对象划分为新建类N、 拆除类D、 改建类R、 未变化 类U和其它类O， 则焦元包括[N]、 [ D]、 [R]、 [U]、 [O ]、 [N,D,R,U,O ]； S42， 根据步骤S2所提取的证据集 合， 共构建5个mas s函数m1、 m2、m3、 m4、 m5； 若设新建类N 为焦元， F上的5个mas s函数的Dempster合成规则为： 其中， 归一 化系数 Nk为在第k个mas s函数中判决为焦元N； S43， 对任意对象Ti建立概率赋值函数BPAF， 设定前一时相的NBI指数N1的mass函数m1， 则概率赋值函数BPAF的表达式如下： m1i({N})＝0.5 ×N1i×Ii m1i({D})＝0.3 5×(1‑N1i)×Ii m1i({R})＝0.3 ×(1‑N1i)×Ii权　利　要　求　书 2/3 页 3 CN 115131676 A 3