基于TM圖像的農(nóng)業(yè)區(qū)域植被覆蓋變化檢測(cè)

王曉東，何 浩，侯 東，孫冠楠，朱文泉

(1.北京師范大學(xué)資源學(xué)院，北京 100875;2.北京師范大學(xué)地表過(guò)程與資源生態(tài)國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 100875)

基于TM圖像的農(nóng)業(yè)區(qū)域植被覆蓋變化檢測(cè)

王曉東1，2，何 浩1，2，侯 東1，2，孫冠楠1，2，朱文泉1，2

(1.北京師范大學(xué)資源學(xué)院，北京 100875;2.北京師范大學(xué)地表過(guò)程與資源生態(tài)國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 100875)

以交叉相關(guān)光譜匹配(cross correlogram spectral matching，CCSM)為基礎(chǔ)構(gòu)建土地覆蓋變化強(qiáng)度指標(biāo)，利用華北農(nóng)業(yè)植被覆蓋區(qū)2期不同時(shí)相的TM圖像計(jì)算該地區(qū)土地覆蓋變化強(qiáng)度圖像。認(rèn)為變化強(qiáng)度圖像任意二階鄰域中像素的變化強(qiáng)度服從隱馬爾可夫模型，用馬爾可夫隨機(jī)場(chǎng)－最大后驗(yàn)估計(jì)(maxium a posteriori estimation of markov random field，MRF－MAP)的方法從變化強(qiáng)度圖像中提取植被變化區(qū)域。實(shí)驗(yàn)證明:該方法能夠有效識(shí)別各種外源噪聲造成的農(nóng)業(yè)植被覆蓋區(qū)域同物異譜的現(xiàn)象，可準(zhǔn)確提取植被變化區(qū)域;但對(duì)于水體區(qū)域存在誤判現(xiàn)象。

植被覆蓋;變化檢測(cè);交叉相關(guān)光譜匹配(CCSM);交叉相關(guān)系數(shù);隱馬爾可夫隨機(jī)場(chǎng)模型

0 引言

農(nóng)業(yè)植被覆蓋區(qū)域變化檢測(cè)對(duì)于及時(shí)掌握農(nóng)作物種植狀況、了解區(qū)域土地利用變化具有重要意義。衛(wèi)星傳感器獲取的遙感圖像包含有大量的地物特征信息。利用同一地區(qū)、不同時(shí)期的遙感圖像來(lái)確定地物狀態(tài)變化的過(guò)程稱為變化檢測(cè)。目前已經(jīng)提出的遙感影像變化檢測(cè)算法主要包括分類后比較法和直接比較法［1－4］。直接比較法是通過(guò)定量評(píng)價(jià)不同時(shí)相、同一像素的光譜曲線獲得不同時(shí)期地表土地覆蓋變化的強(qiáng)度，進(jìn)而分割變化強(qiáng)度圖像提取變化區(qū)域。由于能夠綜合利用變化像元的強(qiáng)度信息和空間信息，直接比較法成為變化檢測(cè)的一個(gè)重要研究方向。

直接比較法包括檢測(cè)指標(biāo)和圖像分割兩個(gè)關(guān)鍵技術(shù)［5］。當(dāng)前的檢測(cè)指標(biāo)主要從不同時(shí)期地物光譜在數(shù)值、曲線形狀、相似性及歸屬概率等特征上的差異出發(fā)進(jìn)行設(shè)計(jì)，包括歐式距離［6］、夾角余弦［7］、相關(guān)系數(shù)［8］、交叉相關(guān)系數(shù)［9］、變化向量分析［6］、變化概率［10］等。目前用于圖像分割［11］和描述遙感圖像數(shù)據(jù)相關(guān)關(guān)系的統(tǒng)計(jì)模型包括有限高斯混合模型［12］、馬爾可夫模型［13］、隱馬爾可夫模型［14］、模糊馬爾可夫模型［15］等。隱馬爾可夫模型將有限高斯混合模型和馬爾可夫隨機(jī)場(chǎng)模型兩者的優(yōu)點(diǎn)相結(jié)合，是目前比較理想的差異圖像先驗(yàn)?zāi)Ｐ汀?/p>

華北農(nóng)作物種植區(qū)田塊面積較大、種植規(guī)模成片、種類相對(duì)單一，而TM遙感數(shù)據(jù)具有分辨率適中、單景覆蓋面積大的特點(diǎn)，基本能夠滿足這種農(nóng)作物種植區(qū)變化區(qū)域提取的需要。農(nóng)作物種植區(qū)土地覆蓋的光譜受到較大的人為干擾，農(nóng)作物輪作造成的種類差異、灌溉造成的土壤背景影響以及農(nóng)作物本身的物候特征，都導(dǎo)致了植被覆蓋區(qū)較多的同物異譜現(xiàn)象，而TM遙感數(shù)據(jù)較高的光譜分辨率能夠較好地反映地表植被覆蓋的連續(xù)的光譜曲線，為準(zhǔn)確提取變化區(qū)域提供了光譜信息保障。

本研究以2期TM遙感圖像為數(shù)據(jù)源，由于華北農(nóng)作物種植區(qū)的植被光譜受到各種干擾，導(dǎo)致各波段光譜曲線形狀相同而光譜值統(tǒng)一偏高或偏低。針對(duì)這一特點(diǎn)，本文選用可比較光譜形狀差異的交叉相關(guān)系數(shù)為地表變化強(qiáng)度的指標(biāo);利用隱馬爾可夫模型來(lái)描述八鄰域像素中各像素之間的影響;按照貝葉斯最小規(guī)則，根據(jù)區(qū)域變化強(qiáng)度灰度圖像來(lái)估計(jì)類別場(chǎng)最大后驗(yàn)概率，然后自動(dòng)分割圖像，提取植被變化區(qū)域。

1 研究方法

1.1 變化檢測(cè)指標(biāo)設(shè)計(jì)

檢測(cè)指標(biāo)的性能是變化檢測(cè)的關(guān)鍵。就遙感圖像來(lái)說(shuō)，檢測(cè)指標(biāo)要能夠準(zhǔn)確反映地表覆蓋的微小變化，同時(shí)要抑制遙感圖像獲取過(guò)程中大氣和傳感器的噪聲以及農(nóng)田灌溉作業(yè)等地表農(nóng)事活動(dòng)對(duì)土地覆蓋光譜造成的干擾。

本研究以Van der Meer［9］提出的交叉相關(guān)系數(shù)作為檢測(cè)指標(biāo)的設(shè)計(jì)基礎(chǔ)。交叉相關(guān)系數(shù)反映兩條光譜曲線在不同匹配位置上的相似度，其定義為

式中:a={ai|i∈K}，b={bi|i∈K}，a 和 b 為需要比較的兩條光譜曲線數(shù)據(jù)，K為波段集合數(shù);Rm為b光譜曲線移動(dòng)m位置后和a光譜曲線的交叉相關(guān)系數(shù)，對(duì)b光譜曲線進(jìn)行移動(dòng)變換，其中m為b光譜曲線的整體移動(dòng)程度，m=0表示沒(méi)有移動(dòng)，m=1表示b曲線整體向右移動(dòng)一個(gè)波段，并將最后一個(gè)波段補(bǔ)在第一波段的前面;i為a光譜和移動(dòng)變換后的b光譜中的波段位置;n為移動(dòng)后兩曲線的重疊波段數(shù)。

所有匹配位置的交叉相關(guān)系數(shù)可以組成一條差異曲線，即R={Rm|m∈K}。當(dāng)兩條比較光譜采用同一圖像的光譜時(shí)，差異曲線反映土地覆蓋完全不變情況下的標(biāo)準(zhǔn)曲線;當(dāng)兩條比較光譜采用不同時(shí)相的光譜時(shí)，則差異曲線反映兩個(gè)時(shí)相之間的土地覆蓋現(xiàn)狀變化的實(shí)際曲線。通過(guò)比較標(biāo)準(zhǔn)曲線和實(shí)際曲線的差別，可以刻畫土地覆蓋變化的強(qiáng)度。越接近標(biāo)準(zhǔn)曲線，土地覆蓋變化情況越小，反之，土地覆蓋的變化程度越大。土地覆蓋變化的檢測(cè)指標(biāo)可以通過(guò)實(shí)際曲線與標(biāo)準(zhǔn)曲線之間的均方根差(RMS)進(jìn)行表達(dá)［16］，即

式中Rm，R'm分別代表標(biāo)準(zhǔn)曲線和實(shí)際曲線。顯然，土地覆蓋的變化必然導(dǎo)致地物光譜曲線的變化，進(jìn)一步引起不同時(shí)相實(shí)際曲線和標(biāo)準(zhǔn)曲線的差異，并最終反映到RMS的數(shù)值上。因此，RMS綜合代表了不同時(shí)相土地覆蓋變化的強(qiáng)度。

1.2 隱馬爾可夫隨機(jī)場(chǎng)模型

差異灰度圖像可以表示為一個(gè)變化強(qiáng)度的集合Y={y1，…，yi，…，yN|yi∈D，i∈S}，是可以觀測(cè)到的隨機(jī)場(chǎng)。其中，S={1，2，…，N}，表示所有像素的位置;D表示所有檢測(cè)指標(biāo)值。令L代表類別集，則L={0，1}，其中0代表沒(méi)有變化，1代表有變化。圖像分割就是對(duì)圖像集合Y中每個(gè)像素i進(jìn)行判斷并標(biāo)記為L(zhǎng)中的一個(gè)類別(l)的過(guò)程，所有像素的標(biāo)記結(jié)果就是類別圖像。可以表示為類別的集合X={x1，…，xi，…，xN|xi∈L，i∈S}，是無(wú)法直接觀測(cè)到的隱隨機(jī)場(chǎng)，也是變化檢測(cè)的結(jié)果［17］。

根據(jù)有限高斯模型，圖像的概率可以用幾個(gè)分量組成的混合模型來(lái)表示，即

式中:xi和yi分別代表類別圖像集合X和強(qiáng)度圖像集合Y中的元素，i∈S;θ為類別參數(shù);p(xi=l)為混合比例參數(shù)，由類別數(shù)量決定，由灰度圖像統(tǒng)計(jì)特征決定，沒(méi)有考慮不同像素的空間屬性。

馬爾可夫隨機(jī)場(chǎng)(markov random field，MRF)很好地描述了當(dāng)前像素與其鄰域中像素之間的相互關(guān)系［18］。當(dāng)前點(diǎn)的鄰域定義為 N={Ni，i∈S}，其中鄰域不包括當(dāng)前點(diǎn)本身i?Ni，并且鄰域關(guān)系相互對(duì)稱，即i∈Nj?j∈Ni。MRF表達(dá)了當(dāng)前像素點(diǎn)的灰度僅與其鄰域像素的灰度有關(guān)，與其他位置像素的灰度無(wú)關(guān)，即

有限高斯模型通過(guò)馬爾可夫隨機(jī)場(chǎng)加入空間信息就可以得到隱馬爾可夫隨機(jī)場(chǎng)模型，即

式中P(xi=l|xNi)為混合比例參數(shù)，由像元在類別場(chǎng)X中的鄰域xNi來(lái)決定。隱馬爾可夫模型不僅能夠描述灰度圖像統(tǒng)計(jì)特征，還可以描述圖像的空間結(jié)構(gòu)，產(chǎn)生連續(xù)的空間聚類，因而可以去除單獨(dú)的噪聲，得到更準(zhǔn)確的分類結(jié)果。

1.3 MRF－MAP分類器

基于灰度場(chǎng)的條件獨(dú)立性，可以得到

式中θ為類別參數(shù)，且 θ=(μxi，σxi)在遞歸過(guò)程中獲得并更新。根據(jù)Hammersley－Clifford定理，MRF分布可以等效地刻畫為Gibbs隨機(jī)場(chǎng)分布［19］，即

式中:U(X)是能量函數(shù);Z為配分函數(shù)，即

將式(8)代入式(7)后取對(duì)數(shù)并推導(dǎo)，可以得到

關(guān)系式。其中，令

則類別場(chǎng)X的后驗(yàn)概率最大式(6)等價(jià)于后驗(yàn)勢(shì)能的最小，即

1.4 檢測(cè)流程

本流程的實(shí)現(xiàn)分為4步:①分別對(duì)兩期TM圖像進(jìn)行輻射校正和幾何糾正等預(yù)處理，獲取位置準(zhǔn)確的地表覆蓋表觀反射率;②逐像素計(jì)算交叉相關(guān)系數(shù)的均方根差，得到圖像范圍內(nèi)的土地覆蓋變化強(qiáng)度圖像;③假設(shè)土地覆蓋變化強(qiáng)度和空間關(guān)系符合隱馬爾可夫模型，采用MRF－MAP分類器逐像素判斷土地類型是否變化，其中變化強(qiáng)度圖像的初始分類采用K均值算法，后驗(yàn)勢(shì)能最小化采用條件迭代模式(iterated conditional mode，ICM)［20］，隱馬爾可夫模型的隱含參數(shù)模擬采用期望最大值算法(expection－maxium，EM)［17］;④計(jì)算整體后驗(yàn)勢(shì)能，與 MRF－MAP分類前的整體后驗(yàn)勢(shì)能進(jìn)行比較，如果2次分類前后整體后驗(yàn)勢(shì)能未達(dá)到穩(wěn)定，重新進(jìn)行逐像素MRF－MAP分類，如果2次分類前后整體后驗(yàn)勢(shì)能穩(wěn)定，則停止計(jì)算，輸出變化區(qū)域提取結(jié)果。整個(gè)變化檢測(cè)流程如圖1所示。

圖1 植被覆蓋區(qū)域變化檢測(cè)流程Fig.1 Flow chart of vegetation cover change detection

2 應(yīng)用實(shí)例

2.1 研究區(qū)概況與數(shù)據(jù)源

研究區(qū)范圍在 E 115.95°～116.06°，N 39.67°～39.59°之間，位于北京市大興區(qū)內(nèi)。土地覆蓋類型包括耕地、林地、草地、裸地和城鎮(zhèn)用地。為驗(yàn)證本文方法的實(shí)際效果，采用2006年4月7日和2006年12月3日TM圖像進(jìn)行試驗(yàn)。圖像時(shí)相選擇在冬小麥覆蓋區(qū)域光譜與土壤背景對(duì)比較大的抽穗和分蘗階段，以消除冬小麥季節(jié)變化對(duì)檢測(cè)結(jié)果的影響。

2.2 數(shù)據(jù)預(yù)處理和變化區(qū)域提取

對(duì)遙感圖像進(jìn)行輻射校正和幾何糾正，去除與本研究無(wú)關(guān)的熱紅外波段，利用FLAASH大氣校正模塊，去除氣溶膠和視場(chǎng)角的影響。將其他6個(gè)波段的DN值轉(zhuǎn)化為地表反射率［21］，然后選擇二次多項(xiàng)式進(jìn)行幾何糾正，幾何誤差控制在一個(gè)像素之內(nèi)。兩期TM地表反射率圖像如圖2所示。

圖2 研究區(qū)TM地表反射率圖像Fig.2 TM surface reflection images in study area

采用1.1節(jié)所述的變化檢測(cè)指標(biāo)逐像素進(jìn)行計(jì)算，獲得研究區(qū)土地覆蓋變化強(qiáng)度圖，如圖3(a)所示。以此為基礎(chǔ)，用1.3節(jié)所述的MRF－MAP分類算法進(jìn)行變化區(qū)域提取，結(jié)果如圖3(b)所示。

圖3 變化強(qiáng)度圖像及MRF－MAP提取結(jié)果Fig.3 Change intensity images and MRF －MAP extract results

2.3 提取結(jié)果定性對(duì)比

為了更有效地對(duì)比分析提取結(jié)果，在實(shí)驗(yàn)區(qū)選擇了有代表性的4個(gè)典型區(qū)域，對(duì)比了典型區(qū)域的原始地表反射率、變化強(qiáng)度圖像和變化區(qū)域MRFMAP提取結(jié)果，如表1所示。

表1 典型區(qū)域?qū)Ρ萒ab.1 Comparison of typical region

2.3.1 檢測(cè)指標(biāo)性能分析

區(qū)域A前后兩期土地覆蓋為裸地和植被，在圖像光譜上體現(xiàn)出較大的差異，在變化強(qiáng)度圖上灰度值較高，說(shuō)明針對(duì)土地類型不同、光譜曲線差異的土地覆蓋變化，本文采用的檢測(cè)指標(biāo)能夠準(zhǔn)確地指示出該變化的強(qiáng)度。

區(qū)域C前后兩期土地覆蓋主要為植被，實(shí)際并未發(fā)生變化，但后時(shí)相由于進(jìn)行了灌溉作業(yè)，土壤背景發(fā)生變化，從而導(dǎo)致了地物在圖像上的色調(diào)也出現(xiàn)差異。在變化強(qiáng)度圖上區(qū)域C的灰度值較區(qū)域A灰度低，與城鎮(zhèn)區(qū)域B的灰度值相似，說(shuō)明本文檢測(cè)指標(biāo)對(duì)于同類地物中由于噪聲導(dǎo)致的光譜曲線差異并不敏感，能有效反映地表覆蓋的變化情況。

區(qū)域D前后兩期土地覆蓋為水體，實(shí)際未發(fā)生變化。在變化強(qiáng)度圖上區(qū)域D的灰度值較高，說(shuō)明檢測(cè)指標(biāo)對(duì)于水體的覆蓋變化存在較大誤差。原因是本文檢測(cè)指標(biāo)主要對(duì)各波段按指定順序形成的光譜曲線形狀差異程度進(jìn)行評(píng)價(jià)，而水體區(qū)域在各波段上反射率都很低，大氣輻射的影響體現(xiàn)得尤為明顯，況且微量的大氣輻射就能導(dǎo)致水體光譜曲線形狀發(fā)生變化，因此區(qū)域D水體形成了較高的變化強(qiáng)度。

2.3.2 MRF－MAP提取結(jié)果分析

區(qū)域A在后時(shí)相冬小麥種植區(qū)域內(nèi)存在線狀的田間道路，與前時(shí)相土地覆蓋類型一致，變化強(qiáng)度圖中線狀道路灰度值低，準(zhǔn)確體現(xiàn)了地表覆蓋未變化的情況。MRF－MAP提取方法在判斷像素變化與否的時(shí)候考慮了相鄰像素的情況，由于田間道路周圍都是變化的像素，所以MRF－MAP將田間道路誤認(rèn)為是變化區(qū)域中的噪聲，并判斷為變化區(qū)域。說(shuō)明MRF－MAP方法在去除點(diǎn)狀噪聲的同時(shí)，沒(méi)有很好地保留呈現(xiàn)線狀特征的不變區(qū)域。

區(qū)域B是土地覆蓋類型基本未發(fā)生變化的城鎮(zhèn)區(qū)域，但該區(qū)域中存在植被綠化等現(xiàn)象，因此零星覆蓋類型發(fā)生的變化導(dǎo)致了變化強(qiáng)度圖中該區(qū)域存在較多的點(diǎn)狀變化區(qū)。由于區(qū)域B中的變化區(qū)域周圍為未變化的房屋或道路，綜合鄰域像素的信息后，MRF－MAP法將點(diǎn)狀變化區(qū)域判斷為未變化，與實(shí)際情況一致。

2.4 提取結(jié)果精度評(píng)價(jià)

為了進(jìn)一步定量評(píng)價(jià)本文方法的有效性，在全圖范圍內(nèi)隨機(jī)選擇600個(gè)點(diǎn)作為評(píng)價(jià)總體。通過(guò)目視解譯獲取評(píng)價(jià)總體的真實(shí)變化情況，并根據(jù)本方法的提取結(jié)果分別計(jì)算總體精度、總體Kappa系數(shù)、用戶精度和生產(chǎn)者精度4個(gè)評(píng)價(jià)指標(biāo)，結(jié)果如表2所示。

表2 提取結(jié)果精度評(píng)價(jià)Tab.2 Accuracy evaluation of the extract results

本文方法總體Kappa系數(shù)為0.40，說(shuō)明本文方法的提取結(jié)果和真實(shí)情況接近中等吻合的程度。總體精度達(dá)到0.81，說(shuō)明在以像素為基本單位的精度評(píng)價(jià)體系下，本方法的精度還存在較大的提升空間，主要錯(cuò)分出現(xiàn)在線狀區(qū)域和水體區(qū)域。

3 結(jié)論

本文從比較不同時(shí)期土地覆蓋變化導(dǎo)致的地物光譜曲線形狀差異出發(fā)，以交叉相關(guān)系數(shù)為基礎(chǔ)構(gòu)建檢測(cè)指標(biāo)，對(duì)土地覆蓋的變化強(qiáng)度進(jìn)行表達(dá)，生成土地覆蓋變化強(qiáng)度圖像;再以隱馬爾可夫模型為基礎(chǔ)，利用變化強(qiáng)度和變化區(qū)域空間分布信息對(duì)變化強(qiáng)度圖像進(jìn)行圖像分割，提取變化區(qū)域。本方法初步實(shí)現(xiàn)了變化區(qū)域的自動(dòng)提取，能夠避免傳統(tǒng)方法的閾值選取和偽像素人工去除兩大問(wèn)題，提高了變化區(qū)域提取的效率，為快速、準(zhǔn)確獲取農(nóng)作物種植區(qū)植被覆蓋變化區(qū)域提供了借鑒。通過(guò)定性分析和精度評(píng)價(jià)，可以得出如下結(jié)論:

1)檢測(cè)指標(biāo)能夠避免地面灌溉和不同時(shí)期農(nóng)區(qū)植被長(zhǎng)勢(shì)差異造成的干擾，可準(zhǔn)確反映農(nóng)區(qū)土地覆蓋的變化強(qiáng)度;

2)能夠有效利用土地覆蓋變化的空間信息，抑制城鎮(zhèn)和農(nóng)田中的點(diǎn)狀噪聲對(duì)提取結(jié)果的干擾;

3)整個(gè)過(guò)程無(wú)需先驗(yàn)知識(shí)和人工交互，實(shí)現(xiàn)了自動(dòng)化;

4)由于本方法是以地物光譜曲線形狀的差異來(lái)衡量土地覆蓋變化強(qiáng)度，而水體本身的反射率接近于零，很小的干擾就能引起光譜曲線形狀的變化，因此本文檢測(cè)指標(biāo)對(duì)于水體區(qū)域的檢測(cè)結(jié)果誤差較大。今后需在提高檢測(cè)指標(biāo)在水體區(qū)域的適應(yīng)性或者對(duì)未變化水體區(qū)域進(jìn)行掩模等方面開展進(jìn)一步研究。

［1］Lu D，Mausel P，Brondizio E，et al.Change Detection Techniques［J］.International Journal of Remote Sensing，2004，25(12):2365 －2401.

［2］李淑坤，李培軍，程 濤.加入多時(shí)相紋理的遙感變化檢測(cè)［J］.國(guó)土資源遙感，2009(3):35－40.

［3］謝仁偉，牛 錚，孫 睿，等.基于多波段統(tǒng)計(jì)檢驗(yàn)的土地利用變化檢測(cè)［J］.國(guó)土資源遙感，2009(2):66－70.

［4］Foody G M.Monitoring the Magnitude of Land － cover Change Around the Southern Limits of the Sahara［J］.Photogrammetric Engineering and Remote Sensing，2001，67(7):841 －847.

［5］李月臣，陳 晉，宮 鵬，等.基于NDVI時(shí)間序列數(shù)據(jù)的土地覆蓋變化檢測(cè)指標(biāo)設(shè)計(jì)［J］.應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報(bào)，2005，13(3):261－275.

［6］陳 晉，何春陽(yáng)，史培軍，等.基于變化向量分析的土地利用/覆蓋變化動(dòng)態(tài)監(jiān)測(cè)(I)——變化閾值的確定方法［J］.遙感學(xué)報(bào)，2001，5(4):259 －266.

［7］許衛(wèi)東，尹 球，匡定波.地物光譜匹配模型比較研究［J］.紅外與毫米波學(xué)報(bào)，2005，24(4):296 －300.

［8］申邵洪，萬(wàn)幼川，龔 浩，等.遙感影像變化檢測(cè)自適應(yīng)閾值分割的Kriging方法［J］.武漢大學(xué)學(xué)報(bào):信息科學(xué)版，2009，34(8):902－905.

［9］Van der Meer.Spectral Curve Shape Matching with a Continuum Removed CCSM Algorithm［J］.International Journal of Remote Sensing，2000，21(16):3179 －3185.

［10］Chen X H，Jin C，Shen M G，et al.Land － use/Land － cover Change Detection Using Change－vector Analysis in Posterior Probability Space［C］//Proc.SPIE 7144，714405，2008:10.1117/12.812671.

［11］劉永學(xué)，李滿春，毛 亮.基于邊緣的多光譜遙感圖像分割方法［J］.遙感學(xué)報(bào)，2006，10(3):350 －356.

［12］Bilmes J A.A Gentle Tutorial of the EM Algorithm and Its Application to Parameter Estimation for Gaussian Mixture and Hidden Markov Models［R］.Technical Report:ICSI.TR － 97 －02，International Computer Science Institute，Berkeley CA，USA，1998.

［13］劉偉強(qiáng)，陳 鴻，夏德深.基于馬爾可夫隨機(jī)場(chǎng)的遙感圖像分割和描述［J］.東南大學(xué)學(xué)報(bào):自然科學(xué)版，1999，29(11):11－15.

［14］鐘家強(qiáng)，王潤(rùn)生.基于自適應(yīng)參數(shù)估計(jì)的多時(shí)相遙感圖像變化檢測(cè)［J］.測(cè)繪學(xué)報(bào)，2005，34(4):331 －336.

［15］鄭 瑋，康戈文，陳武凡，等.基于模糊馬爾可夫隨機(jī)場(chǎng)的無(wú)監(jiān)督遙感圖像分割算法［J］.遙感學(xué)報(bào)，2008，12(2):246 －252.

［16］Wang L，Chen J，Gong P，et al.Land Cover Change Detection with a Cross－ correlogram Spectral Matching Algorithm［J］.International Journal of Remote Sensing，2009，30(12):3259 －3273.

［17］Zhang Y，Brady M，Smith S.Segmentation of Brain MR Images Through a Hidden Markov Random Field Model and the Expectation－ maximization Algorithm［J］.IEEE Transactions on Medical Image，2001，20(1):45 －57.

［18］Liu D S，Kelly M，Gong P.A Spatial－temporal Approach to Monitoring Forest Disease Spread Using Multi－temporal High Spatial Resolution Imagery［J］.Remote Sensing of Environment，2006，101(2):167－180.

［19］馮衍秋，梁 斌，陳 明，等.基于gibbs隨機(jī)場(chǎng)的有限混合模型改進(jìn)與腦部MR圖像的穩(wěn)健分割［J］.中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào)，2003，22(3):193 －198.

［20］Besag J.On the Statistical Analysis of Dirty Pictures［J］.Journal of the Royal Statistical Society:Series B(Methodological)，1986，48(3):259－302.

［21］Matthew M W，Adler Gdden S M，Berk A，et al.Atmospheric Correction ofSpectralImagery:Evaluation oftheFLAASH Algorithm with AVIRIS Data［C］//Presented at SPIE Proceeding，Algorithm and Technologies for Multispectral，Hyperspectral，and Ultraspectral Imagery IX，2003.

Vegetation Cover Change Detection in the Cropping Area Based on TM Image

WANG Xiao － dong1，2，HE Hao1，2，HOU Dong1，2，SUN Guan － nan1，2，ZHU Wen － quan1，2
(1.College of Resource Sciences＆ Technology，Beijing Normal University，Beijing 100875，China;2.State Key Laboratory of Earth Surface Processes and Resource Ecology，Beijing Normal University，Beijing 100875，China)

In this paper，a change intensity indicator of land cover based on cross correlogram spectral matching(CCSM)technique was employed to generate the change intensity image of the cropping vegetation cover area in North China between two TM images in different periods.It was first considered that the change intensity of image pixel of the two－order neighbor in the change intensity image obeyed the hidden markov random field model，and then the vegetation cover change area was extracted from the change intensity image using maximum a posteriori estimation of markov random field(MRF － MAP)model.The experiment has proved that the proposed method could precisely extract vegetation cover change and inhibit effectively the same object with different spectra due to exogenous noises in the cropping vegetation cover area.However，this method seems to perform unsatisfactorily over the water area.

vegetation cover;change detection;cross correlogram spectral matching(CCSM);cross－correlation coefficient;hidden markov random field model

TP 79

A

1001－070X(2012)02－0092－06

王曉東(1983－)，男，博士，主要從事統(tǒng)計(jì)遙感及GIS軟件工程方面研究。E－mail:wangxd22@gmail.com。

何 浩(1980－)，男，博士研究生，主要從事資源環(huán)境遙感及3S應(yīng)用技術(shù)研究。E－mail:hehaowhu@163.com。

(責(zé)任編輯:邢 宇)

10.6046/gtzyyg.2012.02.17

2011－07－28;

2011－09－09

國(guó)家高技術(shù)研究發(fā)展計(jì)劃項(xiàng)目(編號(hào):2006AA120101)和國(guó)家自然科學(xué)基金項(xiàng)目(編號(hào):40871191)共同資助。