基于多尺度分割方法的地理國情變化檢測研究

甘寧

DOI：10.16661/j.cnki.1672-3791.2016.19.101

摘 要：該文針對變化檢測中獲取同質像斑較難的問題，提出應用矢量數據輔助分割獲取同質像斑，進一步地，該文提出了基于歷史矢量與雙時相遙感影像的變化檢測方法，實驗結果表明，該方法能檢測出80%變化的像斑，并能同時獲取變化像斑的類別，證明了該方法的有效性。

關鍵詞：矢量數據 像斑 變化檢測 多尺度分割

中圖分類號：P237 文獻標識碼：A 文章編號：1672-3791（2016）07（a）-0101-02

遙感影像變化檢測方法已經從傳統的像元級變化檢測開始向像斑級（對象級）變化檢測方向轉變。雖然許多變化檢測方法采用了面向對象概念，但由于多數對象（像斑）僅由影像分割獲得，獲取方式單一，且該方法極度依賴影像分割算法的精度，目前為止仍沒有一種具有普適性和高精度的針對高分辨率遙感的分割技術。該文提出一種面向地理國情監測的高分辨率遙感影像與矢量數據結合的變化檢測的方法。首先，分析了遙感影像與矢量數據套合結果的不一致性，通過應用矢量數據輔助分割，提出了一種獲取同質性較強的像斑的方法。進一步地，該文提出了基于歷史矢量與雙時相遙感影像的變化檢測方法，并用實驗證明了其可行性。

1 同質像斑獲取

1.1 遙感影像與矢量數據套合不一致性

在理想的情況下，通過配準套合獲取的遙感影像各像斑，其內部像素應保持灰度同質性；同時，屬于同一類別的像斑應該保持內光譜一致性，不同類別的像斑應具有類間光譜的相異性。這也是影像分割的目的和后續基于像斑進行影像分析的基礎。然而，由于土地利用和土地覆蓋的不同，使得這種理想情況在實際的應用中很難出現。因此，由于數據源、數據格式、生成標準、規范等多方面的不同，以及數據本身的特點和數據綜合應用時的方法及其誤差等的存在，使得遙感影像與矢量數據套合結果存在上述不一致性。該文對遙感影像與矢量數據套合不一致性問題展開初步探討，采用多尺度分割算法獲取同質像斑。

1.2 基于多尺度分割獲取同質像斑

為獲取同質像斑，該文綜合利用GIS輔助數據分割和多尺度分割方法。首先，利用矢量輔助數據與遙感影像套合獲取像斑。其次，對套合獲取的像斑進行再分割，生成子像斑，從而保證各像斑內的光譜同質性。技術流程如圖1所示。

具體步驟如下：

（1）通過矢量數據和兩個時期遙感影像分別配準套合，僅利用矢量數據的圖斑邊界信息獲取影像像斑，分別視為T1期像斑和T2期像斑。同時，根據矢量數據屬性信息中的類別信息，獲取像斑類別。（2）設定一定的尺度參數，以T1、T2時期影像的響應光譜特征為依據，分別對T1、T2時期像斑進行再分割，再分割后的像斑繼承上一級像斑的類別信息。（3）對步驟（2）中獲得的像斑，根據類別的不同分別設置相應的尺度參數進行進一步分割，使得各類別像斑同質性均增強后，停止分割，將獲取的子像斑視為T1、T2時期子像斑。（4）將步驟（3）獲得的T1時期子像斑和T2時期子像斑進行疊置分割，使得前后兩個時期像斑一一對應。

因此，該方法是建立在多尺度分割的基礎上，與已有的方法不同，該方法充分考慮了矢量數據的屬性信息、影像的光譜信息以及上下文信息。

2 變化檢測

基于歷史矢量與雙時相遙感影像的變化檢測方法，主要分為以下幾個步驟：（1）像斑的獲取及其特征提取。在該文1.2中已做了詳細闡述。在獲得同質像斑的基礎上，提取光譜、紋理、形狀等特征，構建像斑特征空間，并對特征空間進行優化。像斑特征由組成像斑的內部像素灰度值通過一定的數學運算獲取。（2）變化像斑獲取方法。主要采用分類后處理的方法。針對分類后處理方法，T1時期影像根據T1時期矢量數據的屬性信息，獲取像斑類別，對像斑進行分類。T2時期影像可采用基于像斑的最鄰近分類算法，對T2時期 影像的像斑進行分類。

獲取兩個時期像斑分類結果后，通過疊置分析，對兩個時期影像的像斑進行變化檢測。該方法在決定是否發生變化的同時，也獲得了像斑的變化類別。

3 實驗及結果分析

該文采用的實驗數據為某地區2012年5月和2014年5月的快鳥衛星影像（藍、綠、紅、近紅外波段，以及全色波段），以及相同區域2012年5月矢量圖。實驗區大小為1001像元×1003像元，矢量圖斑總數118個。

3.1 獲取同質像斑

首先，分別將兩個時期遙感影像與矢量數據進行配準套合獲取像斑，并獲取像斑類別。其次，以光譜特征和形狀特征為依據，對T1、T2時期影像分別進行多尺度分割，具體參數：尺度參數為250，形狀指數為0.7，緊致度為0.5。此時獲得的分割結果出現了植被分割和非植被分割尺度不夠的現象，因此需要根據類別的不同分別設置相應的尺度參數。植被類別的分割尺度參數為：尺度參數為300，形狀指數為0.6，緊致度為0.5，對植被類別像斑進行合并；非植被類別的分割尺度參數為：尺度參數為200，形狀指數為0.8，緊致度為0.5，對非植被類別的像斑進行再分割。從而使得各類別像斑同質性均增強，停止分割。最后，將兩期影像分割結果疊置分割，從而獲取一一對應的影像像斑。

3.2 變化檢測

采用基于類間距離和窮舉法的特征選擇方法，對初始化特征空間進行優化，選取最佳特征組合。表1為特征優化結果。根據矢量數據中的屬性信息，對2012年影像像斑進行分類。同時，利用基于像斑的最鄰近分類算法，以最小距離為測度對2014年影像像斑進行分類。

獲取兩個時期像斑的分類結果后，通過疊置分析，對兩個時期影像對應像斑的類別進行變化檢測，如圖3所示。變化檢測結果如圖2所示，由實驗結果得出，80%發生變化的像斑，通過上述方法均能夠被成功檢測出來，證實了該方法的有效性和可行性。最后，將基于像斑的變化檢測結果轉換到矢量圖斑上去。如果矢量圖斑范圍內有像斑發生變化，則認為該圖斑發生變化，從而可以對歷史矢量圖進行更新。

4 結語

該文針對遙感影像與矢量數據套合不一致性問題，提出了一種多尺度分割算法來獲取同質像斑，并在此基礎上利用歷史矢量與雙時相遙感影像的變化檢測方法進行變化檢測。矢量數據信息的引入促進遙感影像分割、分類分析基本模式的變化，它使遙感影像分析從一種純粹認識的過程轉化為一種具有先驗知識的再認識過程，使本是“理解”的影像分析變為了一種通過影像進行 “鑒別”“比較”的過程。

參考文獻

[1] 張連華，龐勇，岳彩榮，等.基于纓帽變換的景洪市時間序列Landsat影像森林擾動自動識別方法研究[J].林業調查規劃，2012，38（2）：6-12.

[2] 趙珍珍，燕琴，劉正軍.高分遙感影像與矢量數據結合的變化檢測方法[J].測繪科學，2015，40（6）：120-124.

[3] 趙英時.遙感應用分析原理與方法[M].北京：科學出版社，2003.