带有辅助元的条件随机场高分辨率遥感影像变化检测方法

1.本发明属于遥感技术领域，涉及一种无监督变化检测方法，特别涉及一种引入辅助元的条件随机场的高分辨率遥感影像变化检测方法。

背景技术：

2.变化检测技术是遥感领域的研究热点，在生活和军事上都有着广泛的运用。近年来，随着传感器技术的不断进步，遥感影像的空间分辨率逐步升高，使得影像细节信息更加丰富，地物信息更加清晰。高分辨率影像的出现极大地拓展了变化检测的应用领域。面向像元分析以像元为研究单位，像元保留了影像中最原始、最基本的光谱特征，面向像元分析操作简单，可以较大程度区分地物边界，在变化检测中，检测边界相对完整，但是高分影像中，光谱异质性较强，导致检测中虚检验数目非常多，检测结果整体较差。面向对象分析将一组特征相似的像元作为一个对象整体，以整体为研究单元，对象可以表达出高分影像中局部影像特征，在一定程度上可以减少因像元光谱异质性带来的虚检验数量，但是，对象块忽略了影像中像元蕴含的原始特征细节，且面向对象分析过于依赖图像分割算法的结果，若选取的分割算法适用于当前图像场景，则可以提取到令人满意的对象块作为分析单元，但是如果分割效果不佳，那么检测精度会大打折扣，由于目前没有任何一种分割算法可以适用于全场景图像，导致面向对象分析算法通常无法保持较好的地物检测边界，过于受到分割效果好坏的影响，算法相对来说不稳定。
3.为了提高高分辨率遥感影像变化检测精度，必须要结合面向像元和面向对象的优势，既保留图像中像元的原始特征，又利用图中局部特征信息来减弱光谱异质性带来的检测噪声，以此来提高变化检测精度。

技术实现要素：

4.本发明目的是为了更有效利用高分影像中丰富的信息，结合面向像素和面向对象各自的优势，提升变化检测精度，而提供的一种引入辅助元的条件随机场的高分辨率遥感影像变化检测方法。
5.为了解决上述技术问题，本发明采用的技术方案如下：
6.带有辅助元的条件随机场高分辨率遥感影像变化检测方法，它包括以下步骤：
7.步骤1：对原始两期高分辨率遥感影像进行配准和辐射校正预处理，降低外部因素对影像产生的噪声影响，并利用变化向量分析算法获得差分影像；
8.步骤2：对获取的差分影像进行超像素分割，得到的超像素视作辅助元，将辅助元作为待分类对象与差分影像中像元形成待分类集合；
9.步骤3：对步骤2得到的待分类集合中的像元和辅助元进行聚类，获取待分类集中元素的模糊信息用于后续模型构建；
10.步骤4：建立新的条件随机场空间结构，并构建带有辅助元的条件随机场模型；
11.步骤5：得到待分类集合中的标签，利用集合中辅助元标签和像元标签二者共同决
策，确定变化检测图。
12.在步骤3中，对步骤2得到的待分类集合中的像元和辅助元使用模糊聚类算法进行聚类。
13.在步骤3中，具体如下：
14.记yd＝{pi|i＝1,2,3
…
n}为差分影像，pi为差分影像yd中第i个像元，表示yd中像元的光谱值，表示像元pi的光谱值，y
sd
＝{si|i＝1,2,3
…
m}表示辅助元集合，si表示第i个辅助元，表示y
sd
中辅助元的光谱值，表示超像元si的光谱值，辅助元和像元组成的待分类集合为yu＝{yd,y
sd
}，gu＝{gd,g
sd
}表示待分类集合yu的光谱特征，利用模糊c均值聚类通过迭代优化目标函数jc来计算待分类集合中像元和辅助元的隶属度：
[0015][0016]
其中，表示待分类集yu中像元pi属于类别j的隶属程度，表示表示待分类集yu中辅助元si属于类别j的隶属程度，cj表示类别j的聚类中心，q为加权指数，c表示类别个数。
[0017]
在步骤4中，在待分类集合上，不仅考虑像元与像元间的约束关系，同时考虑像元与辅助元之间的约束关系，建立新的条件随机场空间结构，利用像元的特征信息和辅助元中蕴含的图像局部特征信息以及步骤3中待分类集合中元素的模糊信息构建带有辅助元的条件随机场模型。
[0018]
在步骤4中，具体如下：
[0019]
记为待分类集yu中像元标签集合，其中，为像元pi的标签值。为待分类集yu中辅助元标签集合，为辅助元si的标签值。在待分类集合上，不仅考虑像元与像元间的约束关系，同时考虑像元与辅助元之间的约束关系，建立新的条件随机场空间结构，带辅助元的条件随机场模型是对待分类集yu与其对应的标签xu＝{x
p
,xs}进行后验概率建模，带有辅助元的条件随机场的能量函数e(xu|yu)可写为如下形式：即：
[0020][0021]
其中，和分别为待分类集中像元和辅助元的一元势函数，和分别为待分类集中像元与像元之间、像元与辅助元间的二元势函数。λ为一个非负常数，作为模型中的平衡因子。
[0022]
在步骤5中，通过图割算法推理模型得到待分类集合标签，辅助元和像元标签的共同决策，最终确定变化检测图。
[0023]
在步骤5中，当像元标签与相应辅助元标签一致时，像元标签保持不变，若不同，则标签值取0，即：
[0024]
[0025]
其中，像元属于辅助元的邻域系统中，标签取值为0或1，0表示为变化类，1表示变化类，以此获取最终变化检测图
[0026]
与现有技术相比，本发明具有如下技术效果：
[0027]
本发明所提出的技术方案，同时考虑了像元和辅助元特征信息，将面向对象和面向像元的优势整合到一个场模型分类框架中，既保留图像中像元的原始特征，又利用图中局部特征信息来减弱光谱异质性带来的检测噪声，且引入像元和辅助元的邻域关系构建新的场模型结构，能够更好的利用空间信息，最后通过辅助元和像元标签的共同决策得到最终检测结果，以此来提高变化检测精度和算法的稳定性。
[0028]
本发明提出一种引入辅助元的条件随机场高分辨率遥感影像变化检测方法。该模型不再是直接针对像元或者是对象进行建模得到最后的变化检测结果，而是将对象块作为辅助变量即辅助元与像元整体一起作为一个待分类集，在待分类集上，不仅像元与像元之间有约束关系，同时还建立了像元与辅助元之间的约束关系，这样在待分类集上就组织了一个新的架构的条件随机场模型，该模型既利用了影像中像元原始特征信息，又利用了对象表达的图中局部特征信息，以及模型中额外构建的空间信息，最终可得到边界较好，虚检较少，精度较高的变化检测结果。并且算法中对象块仅仅起到动态辅助分类作用，减弱了因图像分割算法选择的差异带来的算法精度波动，提高了算法的稳定性。
附图说明
[0029]
下面结合附图和实施例对本发明作进一步说明：
[0030]
图1是本发明实施例的实验数据t1时刻影像；
[0031]
图2是本发明实施例的实验数据t2时刻影像；
[0032]
图3是本发明实施例的实验数据的变化参考图；
[0033]
图4是本发明的流程图；
[0034]
图5是基于模糊c均值聚类算法的变化检测结果图；
[0035]
图6是基于超像素模糊c均值聚类算法的变化检测结果图；
[0036]
图7是基于全连接条件随机场算法的变化检测结果图；
[0037]
图8是基于主成分分析k均值聚类算法的变化检测结果图；
[0038]
图9是基于模糊c均值条件随机场算法的变化检测结果图；
[0039]
图10是基于混合条件随机场算法的变化检测结果图；
[0040]
图11是本发明实施例的变化检测结果图。
具体实施方式
[0041]
一种引入辅助元的条件随机场的高分辨率遥感影像变化检测方法。所采用的技术方案包括以下步骤：
[0042]
步骤1：对原始两期高分辨率遥感影像进行配准和辐射校正等预处理，降低外部因素对影像产生的噪声影响，并利用变化向量分析算法获得差分影像；
[0043]
步骤2：对获取的差分影像进行超像素分割，得到的超像素视作辅助元，将辅助元作为待分类对象与差分影像中像元形成待分类集合；
[0044]
步骤3：对步骤2得到的待分类集合中的像元和辅助元使用模糊聚类算法进行聚
类，获取待分类集中元素的模糊信息用于后续模型构建；
[0045]
步骤4：在待分类集合上，不仅考虑像元与像元间的约束关系，同时考虑像元与辅助元之间的约束关系，建立新的条件随机场空间结构，利用像元的特征信息和辅助元中蕴含的图像局部特征信息以及步骤3中待分类集合中元素的模糊信息构建带有辅助元的条件随机场模型；
[0046]
步骤5：通过图割算法推理模型得到待分类集合中的标签，利用集合中辅助元标签和像元标签二者共同决策，最终确定最后的变化检测图。
[0047]
步骤3中，对步骤2得到的待分类集合中的像元和辅助元使用模糊聚类算法进行聚类，获取待分类集中元素的模糊信息用于后续模型构建。
[0048]
具体的，记yd＝{pi|i＝1,2,3
…
n}为差分影像，pi为差分影像yd中第i个像元，中第i个像元，表示yd中像元的光谱值，表示像元pi的光谱值。y
sd
＝{si|i＝1,2,3
…
m}表示辅助元集合，si表示第i个辅助元，表示y
sd
中辅助元的光谱值，表示超像元si的光谱值。步骤2中辅助元和像元组成的待分类集合为yu＝{yd,y
sd
}，gu＝{gd,g
sd
}表示待分类集合yu的光谱特征。利用模糊c均值聚类通过迭代优化目标函数jc来计算待分类集合中像元和辅助元的隶属度：
[0049][0050]
其中，表示待分类集yu中像元pi属于类别j的隶属程度，表示表示待分类集yu中辅助元si属于类别j的隶属程度，cj表示类别j的聚类中心，q为加权指数，c表示类别个数，本发明中包含变化和未变化两类，即c＝2。
[0051]
在步骤4中，在待分类集合上，不仅考虑像元与像元间的约束关系，同时考虑像元与辅助元之间的约束关系，建立新的条件随机场空间结构，利用像元的特征信息和辅助元中蕴含的图像局部特征信息以及步骤3中待分类集合中元素的模糊信息构建带有辅助元的条件随机场模型；
[0052]
具体的，记为待分类集yu中像元标签集合，其中，为像元pi的标签值。为待分类集yu中辅助元标签集合，为辅助元si的标签值。在待分类集合上，不仅考虑像元与像元间的约束关系，同时考虑像元与辅助元之间的约束关系，建立新的条件随机场空间结构，带辅助元的条件随机场模型是对待分类集yu与其对应的标签xu＝{x
p
,xs}进行后验概率建模，带有辅助元的条件随机场的能量函数e(xu|yu)可写为如下形式：即：
[0053][0054]
其中，和分别为待分类集中像元和辅助元的一元势函数，和分别为待分类集中像元与像元之间、像元与辅助元间的二元势函数。λ为一个非负常数，作为模型中的平衡因子。
[0055]
一元势函数分别表示在待分类集yu下像元pi分配标签的花
费和辅助元si分配标签的花费，一元势被定义如下：
[0056][0057][0058]
其中，分别表示像元pi属于类别的隶属度和辅助元si属于类别的隶属度，由步骤3得到。
[0059]
二元势函数是对影像中的空间关系进行建模，鼓励处于同一邻域中的元素分配相同标签，以此来减少检测中出现的虚检验。不同于传统条件随机场处理方法，本专利中，待分类集不再单单由像元或是由对象组成，而是将超像元作为辅助变量和原始像元一起组成待分类集，此时待分类集中不仅包含原始像元中基本特征，同时包含了辅助元中蕴含的局部图特征。在待分类集yu上建立二元势函数关系首先要构建集合中元素间的邻域关系。对于待分类集yu中像元pi的局部邻域系统构建是利用原始差分影像yd中像元的八邻域关系构建。因为像元和辅助元的关系相当于局部和整体的关系，辅助元由像元组成，辅助元和它内部的像元应鼓励分配相同标签，故待分类集yu中辅助元si的局部邻域包含所有在辅助元si的内部像元，即所有在辅助元si的内部像元都是它的邻域。这样我们的模型既考虑了像元之间的相互作用，也考虑了辅助元与像元之间的相互作用，充分利用了空间信息，将面向像元和面向对象的思想整合到一个框架下。
[0060]
二元势函数分别表示待分类集yu中像元与像元，像元与辅助元的相互作用的量化关系，二元势鼓励相邻像元、相邻像元与辅助元取得相同标签：
[0061][0062][0063]
其中，dist(pi,pj)、dist(si,pj)分别表示相邻像元pi,pj之间的欧式距离和辅助元si与其相邻像元pj的欧式距离，分别表示像元pi、像元pj和辅助元si的光谱值，为所有的均值，与同理。
[0064]
在步骤5中，通过对模型进行推理得到待分类集合yu的标签xu，利用辅助元和像元标签的共同决策，最终确定最后的变化检测图。
[0065]
具体的，当像元标签与相应辅助元标签一致时，像元标签保持不变，若不同，则标签值取0，即：
[0066][0067]
其中，像元属于辅助元的邻域系统中，标签取值为0或1，0表示为变化类，1表示变化类，以此获取最终变化检测图。
[0068]
为了便于本领域普通技术人员更好的理解本发明，提供以下实施例：
[0069]
本实施例采用由spot 5卫星分别拍摄于2008年4月和2009年2月的两幅高分辨率遥感影像，影像空间分辨率为2.5m，影像大小为1000
×
1000像元，对应位置是中国天津地区。图1、图2和图3分别展示t1和t2时刻影像及其变化参考图，其中变化参考图通过目视解译得到。
[0070]
图4是本发明提出技术的流程图，本发明所采用的技术方案一种引入辅助元的条件随机场高分辨率遥感影像变化检测包括以下步骤：
[0071]
步骤1、对原始两期高分辨率遥感影像进行配准和辐射校正等预处理，降低外部因素对影像产生的噪声影响，并利用变化向量分析算法获得差分影像；
[0072]
本实施例中，对从t1时刻和t2时刻获取的高分辨率遥感影像y1，y2进行辐射校正和几何校正，消除外在因素对检测结果产生的误差。对处理后的图像y1和y2使用变化向量分析算法生成差分影像，得到的差分影像记为yd。所述差分影像yd的计算过程具体实施如下：
[0073][0074]
其中y
t,b
(t＝1,2)表示影像y
t
第b个(1≤b≤b)波段的像元值。本实施例中b＝3。
[0075]
步骤2、对获取的差分影像进行超像素分割，得到的超像素视作辅助元，将辅助元作为待分类对象与差分影像中像元形成待分类集合；
[0076]
本实施例中，记yd＝{pi|i＝1,2,3
…
n}为差分影像，pi为差分影像yd中第i个像元。对差分影像yd进行超像素分割得到辅助元集合，记为y
sd
＝{si|i＝1,2,3
…
m}，si表示第i个辅助元。辅助元和像元一起组成待分类集合为yu＝{yd,y
sd
}。本实施例中辅助元个数m＝4000。
[0077]
步骤3、对步骤2得到的待分类集合中的像元和辅助元使用模糊聚类算法进行聚类，获取待分类集中元素的模糊信息用于后续模型构建。
[0078]
具体的，记表示yd中像元的光谱值，表示像元pi的光谱值。表示y
sd
中辅助元的光谱值，表示超像元si的光谱值。步骤2中辅助元和像元组成的待分类集合为yu＝{yd,y
sd
}，gu＝{gd,g
sd
}表示待分类集合yu的光谱特征。利用模糊c均值聚类通过迭代优化目标函数jc来计算待分类集合中像元和辅助元的隶属度：
[0079][0080]
其中，表示待分类集yu中像元pi属于类别j的隶属程度，表示表示待分类集yu中辅助元si属于类别j的隶属程度，cj表示类别j的聚类中心，q为加权指数，c表示类别个数，本发明中包含变化和未变化两类，即c＝2。
[0081]
步骤4、在待分类集合上，不仅考虑像元与像元间的约束关系，同时考虑像元与辅
助元之间的约束关系，建立新的条件随机场空间结构，利用像元的特征信息和辅助元中蕴含的图像局部特征信息以及步骤3中待分类集合中元素的模糊信息构建带有辅助元的条件随机场模型；
[0082]
具体的，记为待分类集yu中像元标签集合，其中，为像元pi的标签值。为待分类集yu中辅助元标签集合，为辅助元si的标签值。在待分类集合上，不仅考虑像元与像元间的约束关系，同时考虑像元与辅助元之间的约束关系，建立新的条件随机场空间结构，带辅助元的条件随机场模型是对待分类集yu与其对应的标签xu＝{x
p
,xs}进行后验概率建模，带有辅助元的条件随机场的能量函数e(xu|yu)可写为如下形式：即：
[0083][0084]
其中，和分别为待分类集中像元和辅助元的一元势函数，和分别为待分类集中像元与像元之间、像元与辅助元间的二元势函数。λ为一个非负常数，作为模型中的平衡因子，本实施例中λ＝3.6。
[0085]
一元势函数分别表示在待分类集yu下像元pi分配标签的花费和辅助元si分配标签的花费，一元势被定义如下：
[0086][0087][0088]
其中，分别表示像元pi属于类别的隶属度和辅助元si属于类别的隶属度，由步骤3得到。
[0089]
二元势函数是对影像中的空间关系进行建模，鼓励处于同一邻域中的元素分配相同标签，以此来减少检测中出现的虚检验。不同于传统条件随机场处理方法，本专利中，待分类集不再单单由像元或是由对象组成，而是将超像元作为辅助变量和原始像元一起组成待分类集，此时待分类集中不仅包含原始像元中基本特征，同时包含了辅助元中蕴含的局部图特征。在待分类集yu上建立二元势函数关系首先要构建集合中元素间的邻域关系。对于待分类集yu中像元pi的局部邻域系统构建是利用原始差分影像yd中像元的八邻域关系构建。因为像元和辅助元的关系相当于局部和整体的关系，辅助元由像元组成，辅助元和它内部的像元应鼓励分配相同标签，故待分类集yu中辅助元si的局部邻域包含所有在辅助元si的内部像元，即所有在辅助元si的内部像元都是它的邻域。这样我们的模型既考虑了像元之间的相互作用，也考虑了辅助元与像元之间的相互作用，充分利用了空间信息，将面向像元和面向对象的思想整合到一个框架下。
[0090]
二元势函数分别表示待分类集yu中像元与像元，像元与辅助元的相互作用的量化关系，二元势鼓励相邻像元、相邻像元与辅助元取得相同标签：
[0091][0092][0093]
其中，dist(pi,pj)、dist(si,pj)分别表示相邻像元pi,pj之间的欧式距离和辅助元si与其相邻像元pj的欧式距离，分别表示像元pi、像元pj和辅助元si的光谱值，为所有的均值，与同理。
[0094]
步骤5、通过图割算法对模型进行推理得到待分类集合yu的标签xu，利用辅助元和像元标签的共同决策，最终确定最后的变化检测图。
[0095]
具体的，当像元标签与相应辅助元标签一致时，像元标签保持不变，若不同，则标签值取0，即：
[0096][0097]
其中，像元属于辅助元的邻域系统中，标签取值为0或1，0表示为变化类，1表示变化类，以此获取最终变化检测图。
[0098]
如图5-11所示，分别给出模糊c均值聚类算法(a)、超像素模糊c均值聚类算法(b)、全连接条件随机场算法(c)、主成分分析k均值聚类算法(d)、模糊c均值条件随机场(e)、混合条件随机场(f)和本发明(g)的变化检测图，表1给出上述不同变化检测方法变化检测图的统计结果。
[0099]
表1不同变化检测方法结果的统计比较
[0100][0101]
对比图5-11给出的不同变化检测方法的变化检测图和表1给出的统计结果可知，本发明的变化检测效果明显优于其它对比变化检测算法，本发明的检测结果同时具有最小的总体错误和最高的kappa系数，本发明检测结果的总体错误为59371，分别比模糊c均值聚类算法、超像元模糊c均值聚类算法、全连接条件随机场算法、主成分分析k均值算法、模糊c均值条件随机场算法、混合条件随机场算法减少72409、20635、30452、32069、27531和12096
个像元，本发明检测结果的kappa系数为0.7658，分别比模糊c均值聚类算法、超像素模糊c均值聚类算法、全连接条件随机场算法、主成分分析k均值算法、模糊c均值条件随机场算法、混合条件随机场算法提高18.72％、5.81％、9.33％、9.56％、7.16％和4.54％。
[0102]
本发明提出引入辅助元的条件随机场的高分辨率遥感影像变化检测方法，将超像元作为辅助元引入到原有观测场中，组成新的带有辅助元的观测场，充分考虑像元与像元之间，像元与辅助元之间的相互作用，利用辅助元动态辅助约束像元，将面向对象和面向像元的思想整合到同一个随机场框架中，并且在新的观测场下，同时考虑光谱约束和标签约束，构建出更加适用于高分辨率影像场景的条件随机场模型，该模型能够降低变化检测中出现的“椒盐噪声”，提高变化检测结果的精度。

技术特征：

1.带有辅助元的条件随机场高分辨率遥感影像变化检测方法，其特征在于，它包括以下步骤：步骤1：对原始两期高分辨率遥感影像进行配准和辐射校正预处理，降低外部因素对影像产生的噪声影响，并获得差分影像；步骤2：对获取的差分影像进行超像素分割，得到的超像素视作辅助元，将辅助元作为待分类对象与差分影像中像元形成待分类集合；步骤3：对步骤2得到的待分类集合中的像元和辅助元进行聚类，获取待分类集中元素的模糊信息用于后续模型构建；步骤4：建立新的条件随机场空间结构，并构建带有辅助元的条件随机场模型；步骤5：得到待分类集合中的标签，利用集合中辅助元标签和像元标签二者共同决策，确定变化检测图。2.根据权利要求1所述的方法，其特征在于，在步骤3中，对步骤2得到的待分类集合中的像元和辅助元使用模糊聚类算法进行聚类。3.根据权利要求1或2所述的方法，其特征在于，在步骤3中，具体如下：记y
d
＝{p
i
|i＝1,2,3
…
n}为差分影像，p
i
为差分影像y
d
中第i个像元，表示y
d
中像元的光谱值，表示像元p
i
的光谱值，y
sd
＝{s
i
|i＝1,2,3
…
m}表示辅助元集合，s
i
表示第i个辅助元，表示y
sd
中辅助元的光谱值，表示超像元s
i
的光谱值，辅助元和像元组成的待分类集合为y
u
＝{y
d
,y
sd
}，g
u
＝{g
d
,g
sd
}表示待分类集合y
u
的光谱特征，利用模糊c均值聚类通过迭代优化目标函数j
c
来计算待分类集合中像元和辅助元的隶属度：其中，表示待分类集y
u
中像元p
i
属于类别j的隶属程度，表示表示待分类集y
u
中辅助元s
i
属于类别j的隶属程度，c
j
表示类别j的聚类中心，q为加权指数，c表示类别个数。4.根据权利要求1所述的方法，其特征在于，在步骤4中，在待分类集合上，不仅考虑像元与像元间的约束关系，同时考虑像元与辅助元之间的约束关系，建立新的条件随机场空间结构，利用像元的特征信息和辅助元中蕴含的图像局部特征信息以及步骤3中待分类集合中元素的模糊信息构建带有辅助元的条件随机场模型。5.根据权利要求4所述的方法，其特征在于，在步骤4中，具体如下：记为待分类集y
u
中像元标签集合，其中，为像元p
i
的标签值，为待分类集y
u
中辅助元标签集合，为辅助元s
i
的标签值，在待分类集合上，不仅考虑像元与像元间的约束关系，同时考虑像元与辅助元之间的约束关系，建立新的条件随机场空间结构，带辅助元的条件随机场模型是对待分类集y
u
与其对应的标签x
u
＝{x
p
,x
s
}进行后验概率建模，带有辅助元的条件随机场的能量函数e(x
u
|y
u
)可写为如下形式：即：
其中，和分别为待分类集中像元和辅助元的一元势函数，和分别为待分类集中像元与像元之间、像元与辅助元间的二元势函数，λ为一个非负常数，作为模型中的平衡因子。6.根据权利要求1所述的方法，其特征在于，在步骤5中，通过图割算法推理模型得到待分类集合标签，辅助元和像元标签的共同决策，最终确定变化检测图。7.根据权利要求6所述的方法，其特征在于，在步骤5中，当像元标签与相应辅助元标签一致时，像元标签保持不变，若不同，则标签值取0，即：其中，像元属于辅助元的邻域系统中，标签取值为0或1，0表示为变化类，1表示变化类，以此获取最终变化检测图。

技术总结

带有辅助元的条件随机场高分辨率遥感影像变化检测方法，它包括以下步骤：步骤1：对原始两期高分辨率遥感影像进行配准和辐射校正预处理，降低外部因素对影像产生的噪声影响，并获得差分影像；步骤2：对获取的差分影像进行超像素分割，得到的超像素视作辅助元，将辅助元作为待分类对象与差分影像中像元形成待分类集合；步骤3：获取待分类集中元素的模糊信息用于后续模型构建；步骤4：构建带有辅助元的条件随机场模型；步骤5：得到待分类集合中的标签，利用集合中辅助元标签和像元标签二者共同决策，确定变化检测图。本发明目的是为了更有效利用高分影像中丰富的信息，结合面向像素和面向对象各自的优势，提升变化检测精度。提升变化检测精度。提升变化检测精度。