高分辨率遙感影像在隨機森林變化檢測中的價值探究

葛 印，楊杰興

(1.貴州省第三測繪院，貴州 貴陽 550003；2.貴州省地質礦產勘查開發局測繪院，貴州 貴陽 550003)

1 變化檢測及隨機森林概念

1.1 變化檢測概念

對不同時段產生的遙感影像進行定量化的分析，從而使得地表的覆蓋變化能夠被明確，便是變化檢測的概念[2]。在遙感的研究中，變化檢測為熱點內容，在覆蓋監測以及土地利用、城市的發展、災害評估等方面，被廣泛應用。與此同時，隨著遙感影像的空間分辨率升高，同類型的地物在內部光譜發生的差異性增大，在元光譜基礎上進行的自動化變化檢測，在災害評估及城市建設、土地監測、覆蓋監測中的應用較為廣泛。遙感影像空間分辨率的提升，導致了同類地物內部光譜差異性增強。基于元光譜的自變檢測過程中，對于現階段遙感圖像的信息處理，難以達成相關的要求，由此使得遙感高分辨圖像技術的應用受到限制。針對對象進行分析的方法，為高分辨型遙感圖像的信息處理，提供了較為新穎的思路。在時代發展中，較多學者對于該方法進行了不同目標、不同應用模型的研究，也為變化檢測方法發展提供了多元化的方向。

1.2 隨機森林概念

隨機森林是非參數的分類方法，主要由數據進行驅動，其方法實現是通過固定樣本展開學習訓練，從而能夠完成分類規則的結構形成，對噪聲數據的處理較為有效，對于特征權重的分配也能夠有效進行估算，學習速度極快，較同類算法，擁有更強的準確性。本文通過運用面向對象的分析方法，結合隨機森林模型，對高分辨的遙感影像中的應用價值進行探索，使得算法更為精確，變化檢測更為準確，遙感影像分辨率更為高。

2 變化檢測相關研究及發展

2.1 鄰域聯系加強

將MRF類模型和模糊類C均值聚類相互結合，提出非監督變化檢測的算法，和單一方法相比，對于檢測精度的確有提高作用。在該研究中，對影像間鄰接限制性關聯進行了分析，對條件隨機場域和水平集兩種模型進行了改進，并利用其對變化檢測區域中的未變化及變化區域的信息進行提取。

2.2 冗余信息屏蔽

通過對k均值以及主成分變化聚類結合，對于信息間的無效信息有效減少，從而信息發生變化后的影像增強，對于變化信息的提取更為有利。但是，對于空間鄰域間的關系，如果存在定義誤差的現象，容易使得邊緣類細節過于平滑，從而未能對較為細節化的變化信息進行檢測。且該方法對于參數設置的控制，在最終結果精度上的影響較大。

2.3 綜合特征應用

在面對對象進行的變化檢測，其根本支撐在于影像分割的信息處理技術。在該方法中，處理的單元單位為對象。影像對象進行定義的過程中，將其光譜性質及形狀作同質性單體區域，在對象的定義屬性中，含有形狀以及上下文、紋理、光譜等特征。由此，在進行變化檢測時，能夠對其特征綜合以及光譜數據進行應用，使得邊變化的檢測精度能夠得到提高。基礎作對象變化向量的分析和有關的卡房變換法以及系數法，利用對象多樣特征進行分析，與單一特征的分析方法，對于變化檢測的精度的確有效進行了提升。不過，該方法對于特征在選取時的好壞、權重分配、變化的閾值確定等方面較為依賴。且對于分割的尺寸在進行確定時，造成檢測的過程中噪聲問題出現，降低了變化檢測結果的準確性。

3 隨機森林面向對象變化檢測的應用

3.1 影像分割

在影像分割中，其目的主要是對同類型地物盡量分割在同一個區域，使得最終能夠形成區域一致、緊湊的同質化區域。

3.2 提取特征

圖像進行分析的過程中，該方法的基本特征為光譜特征；如果圖像之中有同一地物的出現或地物一部分含有其組成的物質，在理想情況下，可以作圖像的表現中，在灰度值上統一的假設。由此，不同對象的分割中，像素值相同的情況下，對圖像進行分割的對象能夠對實際的地物進行反映。在應用中，可以對前后時不相同波段均值以及方差、灰度比作對象光譜型特征。在應用Gabor小波的變換，對原始影像展開處理。灰度比及方差、波段的均值等進行光譜特征的定義。對Gabor小波變換規律進行應用，進而實施原始影像的處理。對高斯函數的復制頻率進行取值：ω=8，沿著X軸及Y軸的方差可以確定為σx=1，σy=2，在完成規律的應用處理以后的影像需要進行二維卷積的運算，從而可作分類的特征。對于對象間前后時段的影像光譜特征和Gabor特征兩相組合，作隨機森林分類其特征的輸入數據，隨機森林在特征及分類的數據支撐，該數據也可以為模型的訓練數據使用。

3.3 樣本選擇

樣本的選擇中，假設初始類型的像素級變化檢測超像素Si中含有像素的總個數擁有Numt，變化像素個數則是Numc，未變化的像素在個數上作Numn，就可以得到Numc+Numn=Numt。根據超像素區域中變化像素的比例為w，則計算的公式為：

(1)

公式中，如果w=0的情況下，超像素則可以作未發生變化的樣本，而w≥T(T作閾值，T∈[0，1])，那么就可以作為變化樣本；w∈[0，T]，超像素在變化類別上為不確定型，需要再次地判斷。自動提取樣本之后，將80%的樣本作為隨機抽取中的樣本基礎，訓練模型的樣本數據；其余樣本可以作為測試型樣本，在精度分類評價的過程中運用。閾值取值作(0，1)區間。

3.4 隨機森林的面向對象變化檢測

在進行該方法的檢測過程中，分為訓練及分類兩個不同階段，在進行訓練時，要依據決策樹樣本及理論取得模型。并進行特征的權重自動估計；而分類階段則是針對已經完成訓練的模型，對變化對象類別進行分類。具體含有四個步驟。

1)樣本選取及演策的過程，作為樣本測試分類及樣本序號等類型參數建立的基礎。

2)以總數為基礎訓練樣本，對隨機樣本進行數據的抽取，從而得到自助訓練數據的集合Lk(B)(k=1，2…k)，k作為決策樹的全部個數。Lk(B)可以作為訓練模型的數據，對決策樹進行建設。決策樹在節點上分裂后，重復為從總數中進行特征的變量隨機進行選擇；從選取的變量中，選擇最優分裂點以及最佳變量；最后將對節點的分裂進行控制，成為左右各一子節點的子模型。

3)根據以上的流程，可以把決策樹集合確認為：

(2)

4)新特征向量值，可以使用隨機森林模型進行預測及預算，并使用決策樹投票對最終的分類結果進行確認。

4 結 語

通過本文對變化檢測技術的討論，并對隨機森林變化檢測進行應用分析，從而使得整體的遙感影像能夠滿足于高分辨率的要求。未來遙感技術的分析方法也將主要為面向對象的方式，整體的遙感技術將得到更進一步的發展。