朱紅春, 黃偉, 劉海英, 張忠芳, 王彬

(1.山東科技大學(xué)測(cè)繪科學(xué)與工程學(xué)院，青島 266590； 2.山東省基礎(chǔ)地理信息與數(shù)字化技術(shù)重點(diǎn)實(shí)驗(yàn)室，青島 266590； 3.山東科技大學(xué)信息科學(xué)與工程學(xué)院，青島 266590)

基于KL散度的面向?qū)ο筮b感變化檢測(cè)

朱紅春1,2, 黃偉1, 劉海英3, 張忠芳1, 王彬1

(1.山東科技大學(xué)測(cè)繪科學(xué)與工程學(xué)院，青島 266590； 2.山東省基礎(chǔ)地理信息與數(shù)字化技術(shù)重點(diǎn)實(shí)驗(yàn)室，青島 266590； 3.山東科技大學(xué)信息科學(xué)與工程學(xué)院，青島 266590)

遙感影像的變化檢測(cè)從基于像素到面向?qū)ο?，從閾值分割到相似性度量已有眾多的研究成果?但在對(duì)面向?qū)ο筮b感圖像變化檢測(cè)中，存在分割參數(shù)的選擇、變化閾值的確定、對(duì)象變化程度的表達(dá)等問題。為此，提出一種基于相似度測(cè)度的面向?qū)ο筮b感影像變化檢測(cè)方法，并打破了以往僅以有/無變化的檢測(cè)結(jié)果所呈現(xiàn)的表現(xiàn)形式。首先計(jì)算了圖像對(duì)象分割的最優(yōu)參數(shù)，得到了2個(gè)時(shí)相的圖斑對(duì)象，并進(jìn)行了空間疊加處理； 然后利用KL相似度計(jì)算方法計(jì)算了圖斑對(duì)象的相似度系數(shù)，利用直方圖統(tǒng)計(jì)了該系數(shù)的自然聚類特征； 再運(yùn)用不同的自然聚類特征值，分級(jí)得到了圖斑對(duì)象的變化程度； 最后，分析了不同參數(shù)分割結(jié)果、不同分級(jí)方法對(duì)圖像變化程度檢測(cè)的影響，同時(shí)通過對(duì)比有/無變化的檢測(cè)結(jié)果，驗(yàn)證了本研究所提方法的科學(xué)性和有效性。

面向?qū)ο螅?影像分割； 變化檢測(cè)； KL散度； 分級(jí)

0 引言

變化檢測(cè)就是從不同時(shí)期的遙感影像中，定量地分析和確定地表變化的特征與過程[1]，在土地利用變化信息提取、災(zāi)害防治等領(lǐng)域中具有重要且廣泛的應(yīng)用； 它涉及到變化的類型、分布狀況與變化量，需要確定變化前后的地面類型、界限及變化趨勢(shì)。目前，針對(duì)圖像變化檢測(cè)的方法多種多樣，比較成熟且常用的方法有代數(shù)法、分類法、面向?qū)ο髾z測(cè)法和模型法等[2-4]。對(duì)于不同的遙感影像以及不同變化檢測(cè)對(duì)象和應(yīng)用需求，具體方法的選擇也不盡相同，且各自有對(duì)應(yīng)的適用性以及優(yōu)缺點(diǎn)[5-7]。現(xiàn)有的遙感影像變化檢測(cè)方法大多是基于像元的灰度變化檢測(cè)方法，且存在諸如影像分辨率、像元敏感度的差異問題，變化閾值選擇難以全局均衡和描述變化程度問題，以及變化結(jié)果描述的二值表示相對(duì)單調(diào)問題等[8]。而且變化閾值確定困難，難以準(zhǔn)確地提取像元和區(qū)域[9]，通常需要通過差值或比值圖像的直方圖來選擇“變化”與“無變化”像元間的閾值邊界。而且這樣簡(jiǎn)單的以閾值來劃分變化與未變化區(qū)域是無法詳細(xì)地描述變化信息的，更不能直觀地反映變化程度的大小。

面向?qū)ο蟮挠跋穹指詈头诸?，是充分利用遙感影像所蘊(yùn)含的對(duì)象光譜特征、結(jié)構(gòu)和幾何形狀信息進(jìn)行對(duì)象識(shí)別和分類的一種有效方法，近幾年得到了廣泛的應(yīng)用[10，11]。已有眾多的學(xué)者進(jìn)行了大量利用相似性測(cè)度的方法進(jìn)行遙感影像變化檢測(cè)的研究： 李亮等提出基于像斑直方圖相似性測(cè)度的變化檢測(cè)方法，有效提高了變化檢測(cè)的精度[12]； 萬幼川等基于概率統(tǒng)計(jì)模型的紋理τ檢驗(yàn)來確定其差異性，對(duì)最終變化檢測(cè)結(jié)果起到了明顯的增強(qiáng)效果[13]； 尤紅建等基于SAR圖像的雜波統(tǒng)計(jì)特性，采用交叉熵結(jié)合CFAR方法得到了較好的遙感影像變化區(qū)域分割結(jié)果[14]； 劉臻等提出一種基于變化向量分析和相似度驗(yàn)證相結(jié)合的變化檢測(cè)方法[15]。而基于面向?qū)ο蟮淖兓O(jiān)測(cè)主要有： 祝錦霞等探討了魯棒性更強(qiáng)、精度更高的面向?qū)ο蟮亩嘧兞孔兓瘷z測(cè)方法[9]； 佃袁勇等提出了一種面向?qū)ο蠼Y(jié)合矢量分析，并采用最大數(shù)學(xué)期望算法自動(dòng)提取變化區(qū)域的方法[17]。分析上述的研究成果，未見有將相似性測(cè)度應(yīng)用于面向?qū)ο蟮淖兓瘷z測(cè)中的研究，且變化檢測(cè)的結(jié)果表達(dá)都僅局限于二值方式。

本研究在面向?qū)ο笥跋穹指畹幕A(chǔ)上，以分割圖斑為檢測(cè)對(duì)象，計(jì)算其像素集合的相似系數(shù)或參數(shù)，并運(yùn)用針對(duì)相似計(jì)算值的適當(dāng)數(shù)量分級(jí)方法，實(shí)現(xiàn)更為細(xì)致的遙感影像的變化檢測(cè)。

1 理論基礎(chǔ)

1.1 面向?qū)ο蟮倪b感影像分割與分類

現(xiàn)階段已有多種圖像分割的算法可用于影像對(duì)象分割，如K均值，模糊C均值等分割算法。其中，影像對(duì)象構(gòu)建主要用了影像分割技術(shù)，常用分割方法包括基于多尺度的、基于灰度和紋理的、基于知識(shí)的及基于分水嶺的等[18]。目前最常用的是多尺度分割算法，該方法綜合了遙感圖像的光譜特征和形狀特征，計(jì)算圖像中每個(gè)波段的光譜異質(zhì)性與形狀異質(zhì)性的綜合特征值，然后根據(jù)各個(gè)波段所占的權(quán)重，計(jì)算圖像所有波段的加權(quán)值，當(dāng)分割出對(duì)象或基元的光譜和形狀綜合加權(quán)值小于某個(gè)指定的閾值時(shí)，進(jìn)行重復(fù)迭代運(yùn)算，直到所有分割對(duì)象的綜合加權(quán)值大于指定閾值即完成圖像的多尺度分割操作。

分類后比較法沒有考慮劃分的同種類別在不同像元覆蓋的不同，導(dǎo)致研究區(qū)域內(nèi)某一種地物類型內(nèi)部的細(xì)微變化無法檢測(cè)。由于分類后比較法得到的變化檢測(cè)精度大致等于每個(gè)時(shí)相分類精度值的乘積，因此每一時(shí)相單獨(dú)分類結(jié)果中的誤差在分類后的比較過程會(huì)被放大。所以本文僅僅將遙感影像基于特征進(jìn)行分割，并不實(shí)施聚類處理，使每個(gè)分割對(duì)象具有單獨(dú)的類別。

1.2 遙感影像對(duì)象的相似度評(píng)測(cè)方法

針對(duì)圖像的相似度評(píng)測(cè)有多種方法，例如： 基于直方圖的相似性度量法、Bhattacharyya距離法、Tsallis廣義散度法、Bregman散度法等，其中以KL散度和相似系數(shù)計(jì)算法的應(yīng)用最為廣泛[18-21]。本研究采用KL散度(Kullback-Leibler divergence，簡(jiǎn)稱KLD)進(jìn)行圖斑相似度系數(shù)的計(jì)算。KL散度又稱為相對(duì)熵，用以度量2個(gè)概率分布P和Q之間的差異，即

(1)

對(duì)一個(gè)離散隨機(jī)變量的2個(gè)概率分布P和Q來說，KL散度可定義為

(2)

對(duì)于形如D(P‖Q)的KL散度而言，稱分布P為真實(shí)分布，分布Q為近似分布，D(P‖Q)的取值越大，說明真實(shí)分布P與近似分布Q越相異； 反之越相近。根據(jù)Jensen不等式，易得D(Q‖P)≥0，僅當(dāng)P=Q時(shí)，等號(hào)成立。

這是描述兩個(gè)概率分布P和Q差異的一種非對(duì)稱方法，即意味著D(P‖Q)≠D(Q‖P) 。由于這種不對(duì)稱性，實(shí)際應(yīng)用中可把兩個(gè)概率分布P和Q的KL散度J(P,Q)定義為

(3)

2 實(shí)驗(yàn)數(shù)據(jù)

本研究所用的實(shí)驗(yàn)數(shù)據(jù)如圖1所示。

(a) 洪水事件發(fā)生前(b) 洪水事件發(fā)生后

實(shí)驗(yàn)數(shù)據(jù)是從2009—2010年公布的數(shù)據(jù)融合目錄中進(jìn)行下載的(具體下載地址為： http: //www.grss-ieee.org/community/technical-committees/data-fusion/past-data-fusion-contests/)。數(shù)據(jù)對(duì)應(yīng)的區(qū)域?yàn)橛?guó)的Gloucester市，數(shù)據(jù)描述的是2009年一次洪水事件發(fā)生前后的地表覆蓋狀況。數(shù)據(jù)格式為png格式，該數(shù)據(jù)由法國(guó)國(guó)家太空研究中心(Centre National d’Etudes Spatiales,CNES)提供，具體數(shù)據(jù)文件是洪水發(fā)生前后SPOT衛(wèi)星的兩個(gè)近紅外波段數(shù)據(jù)生成的。

3 實(shí)驗(yàn)過程與結(jié)果

3.1 研究方法

本研究采用的主要研究方法是： 首先，運(yùn)用實(shí)驗(yàn)驗(yàn)證和控制變量的方法，進(jìn)行面向?qū)ο蟮倪b感影像分割； 然后，運(yùn)用拓?fù)浏B加的方法，實(shí)現(xiàn)變化檢測(cè)圖斑的生成； 再運(yùn)用指數(shù)計(jì)算方法，計(jì)算變化檢測(cè)圖斑的相似系數(shù)和參量； 最后，運(yùn)用數(shù)量統(tǒng)計(jì)和自然裂點(diǎn)分級(jí)方法，進(jìn)行圖斑對(duì)象的變化檢測(cè)程度分級(jí)，并完成相應(yīng)的變化檢測(cè)結(jié)果制圖。

圖2 面向?qū)ο筮b感影像變化檢測(cè)技術(shù)流程圖

3.2 實(shí)驗(yàn)過程與結(jié)果

3.2.1 面向?qū)ο蟮倪b感影像分割

利用ENVI軟件的Segment Only Feature Extraction功能模塊對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行面向?qū)ο蠓指畈僮?。該方法采用的是Full Lambda-Schedule分割算法，其基本思想是對(duì)影像的光譜和空間結(jié)構(gòu)信息進(jìn)行分析，通過對(duì)具有相似光譜值和空間結(jié)構(gòu)特征值像素的迭代、聚合，實(shí)現(xiàn)對(duì)影像斑塊的分割。在該方法中，需要對(duì)分割尺度(scale level)和合并尺度(merge level)兩個(gè)閾值參數(shù)進(jìn)行預(yù)設(shè)。其中分割尺度決定了分割圖斑的面積大小和數(shù)目，合并尺度決定了分割圖斑的合并效果。在本研究中，運(yùn)用加權(quán)均值方差法，計(jì)算了影像的最優(yōu)分割尺度； 運(yùn)用控制變量法，結(jié)合異質(zhì)性與同質(zhì)性指數(shù)計(jì)算結(jié)果，計(jì)算分析了最佳的合并尺度參數(shù)。

1)分割尺度參數(shù)的計(jì)算。首先，定義分割尺度范圍10～300，步長(zhǎng)為10，預(yù)先合并尺度為50，得到初步分割序列。獲取的分割尺度與對(duì)象的數(shù)目之間的關(guān)系如圖3所示。由圖3可以看出，當(dāng)分割尺度在10～50范圍時(shí)，分割對(duì)象數(shù)目變化很大，接近指數(shù)的變化； 當(dāng)分割尺度在大于200范圍時(shí)，分割對(duì)象數(shù)目變化不大。因此選取的大致分割尺度在50～200之間。然后，采用不同的分割尺度，將原始影像信息擴(kuò)展到不同的分割對(duì)象尺度層上，得到不同尺度層上對(duì)象多邊形的光譜值屬性信息。以影像分割尺度為x軸，對(duì)象光譜值的加權(quán)均值方差為y軸，繪制對(duì)象均值方差或加權(quán)均值方差隨著分割尺度變化的曲線，如圖4所示。圖4的整條曲線隨著分割尺度的變化出現(xiàn)多個(gè)峰值，每個(gè)峰值對(duì)應(yīng)的分割尺度分別為70，100，130和180，每個(gè)峰值對(duì)應(yīng)于某一種或幾種地物類別的最優(yōu)尺度。當(dāng)分割尺度為70時(shí)，影像中純對(duì)象數(shù)目增多，與相鄰對(duì)象間的光譜差異達(dá)到一個(gè)局部最大。在本研究中，以70為分割尺度值進(jìn)行影像的分割實(shí)驗(yàn)。

圖3 分割尺度與對(duì)象數(shù)目關(guān)系

圖4 加權(quán)均值方差與分割尺度的關(guān)系

2)分割合并參數(shù)的計(jì)算。在計(jì)算得到的最優(yōu)分割尺度的基礎(chǔ)上，利用控制變量法，改變合并尺度參數(shù)，并通過繪制異質(zhì)性與同質(zhì)性指數(shù)值與合并尺度的關(guān)系曲線圖，序列計(jì)算結(jié)果如圖5所示，得到各最優(yōu)分割尺度對(duì)應(yīng)的最優(yōu)的合并尺度參數(shù)為90。

3)分割結(jié)果。據(jù)上述實(shí)驗(yàn)得到的最優(yōu)的分割參數(shù)，分割尺度參數(shù)為70，合并尺度值為90，分別得到了2個(gè)時(shí)相實(shí)驗(yàn)數(shù)據(jù)的分割結(jié)果見圖6。

圖5 合并因子與光譜異質(zhì)性關(guān)系

(a) 洪水事件發(fā)生前數(shù)據(jù)分割結(jié)果(b) 洪水事件發(fā)生后數(shù)據(jù)分割結(jié)果 (c) (a)(b)矢量疊加結(jié)果

3.2.2 矢量分割圖斑的合并

由于本研究的目的是以圖斑為對(duì)象進(jìn)行變化檢測(cè)，因此，可以分別以2個(gè)時(shí)相的分割對(duì)象進(jìn)行檢測(cè)； 但是，為了更為全面、細(xì)致地反映同一圖斑在前后2個(gè)時(shí)相有無變化，并對(duì)其變化程度進(jìn)行分級(jí)描述，可以將2個(gè)時(shí)相的分割結(jié)果進(jìn)行矢量空間疊加，得到相對(duì)精細(xì)的分割結(jié)果。圖6(c)為對(duì)2個(gè)時(shí)相分割結(jié)果的矢量圖斑進(jìn)行疊加得到的結(jié)果。洪水事件前和洪水事件后SPOT影像分割結(jié)果和矢量疊加后對(duì)應(yīng)的分割圖斑數(shù)目分別為209，253和893。

3.2.3 圖斑對(duì)象的KL散度值計(jì)算

將矢量疊加后的圖斑數(shù)據(jù)分別套合洪水事件前后兩個(gè)時(shí)相的SPOT遙感圖像，以圖斑為對(duì)象計(jì)算相應(yīng)區(qū)域的光譜特征值信息，主要為圖斑中每個(gè)象元值對(duì)應(yīng)的概率結(jié)果，并建立信息表格。以套合洪水發(fā)生前的SPOT影像數(shù)據(jù)為例，先分區(qū)統(tǒng)計(jì)893個(gè)圖斑中每個(gè)圖斑對(duì)象的灰度直方圖，再根據(jù)直方圖計(jì)算灰度值在每個(gè)圖斑中的離散概率分布P(x)。同理將矢量疊加結(jié)果套合洪水發(fā)生后的SPOT影像數(shù)據(jù)，統(tǒng)計(jì)出每個(gè)圖斑中的灰度離散概率分布Q(x)。

然后，將兩幅影像對(duì)應(yīng)的光譜特征值信息表輸出到Matlab中，依照前文所述的計(jì)算原理，分別得到每個(gè)圖斑對(duì)象的KL散度計(jì)算結(jié)果，結(jié)果統(tǒng)計(jì)直方圖如圖7所示。

圖7 疊加圖斑的KL散度值統(tǒng)計(jì)直方圖

3.3 基于KL散度計(jì)算結(jié)果的變化檢測(cè)

KL散度是統(tǒng)計(jì)獨(dú)立性的最佳測(cè)度，其物理意義在于衡量2個(gè)概率分布的距離。如果兩個(gè)圖斑對(duì)象的像素光譜值分布服從相同參數(shù)的同一概率分布(即它們相似)，那么KL散度越??； 反之，則越大。因此，通過對(duì)同一圖斑兩個(gè)時(shí)相的圖像計(jì)算KL散度值，并對(duì)該計(jì)算值的大小進(jìn)行分析，可以判定同一圖斑對(duì)象在兩個(gè)時(shí)相圖像上的相似性。圖8為利用實(shí)驗(yàn)數(shù)據(jù)得到的幾種基于KL散度值的不同分級(jí)方法的圖像變化程度分級(jí)圖。

(a) 自然裂點(diǎn)分級(jí)法 (b) 幾何分位數(shù)分級(jí)法 (c) 幾何間隔分級(jí)法

4 結(jié)果分析

4.1 分割參數(shù)對(duì)變化檢測(cè)結(jié)果的影響分析

1)不同的分割參數(shù)對(duì)應(yīng)著不同的分割對(duì)象區(qū)域的個(gè)數(shù)，對(duì)象區(qū)域的個(gè)數(shù)過多會(huì)使得計(jì)算過程變得復(fù)雜繁瑣而效率低下，不適用于對(duì)大數(shù)據(jù)量遙感影像的處理； 對(duì)象區(qū)域的個(gè)數(shù)過少會(huì)使得影像分割結(jié)果過于粗略，不能很好地揭示分割對(duì)象之間的關(guān)系，使變化檢測(cè)結(jié)果不直觀，無法詳盡地反映影像變化的程度與分布。

2)不同的分割參數(shù)使得像斑大小發(fā)生變化，決定著像斑內(nèi)像元灰度的概率分布，而像元灰度的概率分布直接關(guān)系到KL散度計(jì)算數(shù)值的大小。像斑過大會(huì)造成像斑內(nèi)多種地物對(duì)象的混合，使分割結(jié)果失去意義； 像斑過小又會(huì)造成計(jì)算冗余和像斑噪點(diǎn)的增多。除此之外，像斑大小還影響著KL散度的計(jì)算，使最終的變化分級(jí)結(jié)果顯示出無法突出變化程度的階梯狀特性。

4.2 不同分級(jí)方法對(duì)應(yīng)的檢測(cè)結(jié)果分析

不同的分級(jí)方法是指在相同分割參數(shù)下計(jì)算出每個(gè)對(duì)象對(duì)應(yīng)不同時(shí)相影像的KL散度，再根據(jù)計(jì)算出的KL散度采用不同的方法劃分分級(jí)區(qū)間，從而為不同分割對(duì)象劃分等級(jí)進(jìn)而分級(jí)輸出。從圖8所示的分級(jí)結(jié)果中可得知，自然間斷點(diǎn)法分級(jí)的結(jié)果最能反映變化程度的整體分布，而采用分位數(shù)分級(jí)方法和幾何間隔分級(jí)方法會(huì)使得相對(duì)劇烈變化的區(qū)域過少，有的變化程度分級(jí)的動(dòng)態(tài)范圍過小，使得結(jié)果的表現(xiàn)能力不強(qiáng)，難以直觀地獲得變化程度的有效信息。依據(jù)自然間斷點(diǎn)分級(jí)法得到的分級(jí)變化檢測(cè)結(jié)果如圖8(a)所示，并根據(jù)計(jì)算所得的散度極差對(duì)應(yīng)不同的變化程度檔次。

4.3 與傳統(tǒng)變化檢測(cè)結(jié)果的比較分析

在本研究中，為了分析面向?qū)ο蟮倪b感影像變化檢測(cè)結(jié)果，驗(yàn)證其檢測(cè)結(jié)果的有效性，對(duì)比了傳統(tǒng)的基于影像差值法的變化檢測(cè)結(jié)果(圖9)。

圖9 傳統(tǒng)變化檢測(cè)結(jié)果

將兩者的檢測(cè)結(jié)果一一對(duì)應(yīng)，分別計(jì)算了變化和無變化影像區(qū)域?qū)?yīng)的分級(jí)變化檢測(cè)的面積百分比。計(jì)算結(jié)果見表1。

表1 與傳統(tǒng)變化檢測(cè)結(jié)果對(duì)應(yīng)的分級(jí)變化檢測(cè)面積百分比

分析表1中的數(shù)據(jù)發(fā)現(xiàn)，傳統(tǒng)變化檢測(cè)的無變化區(qū)域主要對(duì)應(yīng)面向?qū)ο蠓旨?jí)變化檢測(cè)的基本無變化、變化輕微兩個(gè)等級(jí)，面積占83.25%，而摻雜的變化程度劇烈的僅占6.35%； 傳統(tǒng)變化檢測(cè)的變化區(qū)域主要對(duì)應(yīng)面向?qū)ο蠓旨?jí)變化檢測(cè)的變化顯著、變化劇烈等3個(gè)等級(jí)，面積占91.29%，而變化輕微或無變化的僅占8.71%。因此，可以說面向?qū)ο蟮姆旨?jí)變化檢測(cè)結(jié)果與傳統(tǒng)的變化檢測(cè)結(jié)果總體上保持一致； 面向?qū)ο蟮姆旨?jí)變化檢測(cè)是以圖斑對(duì)象為單位(即空間連續(xù)的像素集合)得到了變化程度的分級(jí)計(jì)算，具有更為細(xì)致、豐富的變化檢測(cè)結(jié)果； 而傳統(tǒng)的變化檢測(cè)方法是以圖像的像素為對(duì)象，檢測(cè)的結(jié)果是以變與不變的二值結(jié)果進(jìn)行表達(dá)，且檢測(cè)結(jié)果受二值判斷閾值的影響較大，同時(shí)檢測(cè)結(jié)果的空間連續(xù)性也相對(duì)較差。

5 結(jié)論

本研究著眼于革新傳統(tǒng)的變化檢測(cè)方法與變化檢測(cè)結(jié)果的表達(dá)，在前人利用相似性測(cè)度的方法進(jìn)行圖像變化檢測(cè)的基礎(chǔ)上，結(jié)合了面向?qū)ο蟮膱D斑區(qū)域分割思想，依據(jù)相似度參數(shù)的自然聚類特征，利用自然裂點(diǎn)分類法，將基于像元的遙感影像變化檢測(cè)轉(zhuǎn)變?yōu)橐赃B續(xù)的像元集合區(qū)域?yàn)閷?duì)象的檢測(cè)，得到了圖斑變化程度的分級(jí)檢測(cè)結(jié)果，并對(duì)比傳統(tǒng)的變化檢測(cè)結(jié)果，驗(yàn)證了方法的有效性。結(jié)果表明，本研究的變化檢測(cè)結(jié)果具有更加豐富的變化信息量，將傳統(tǒng)方法單一的二值檢測(cè)結(jié)果改進(jìn)為聚類分級(jí)的多級(jí)檢測(cè)結(jié)果表達(dá)方式。

本研究尚有不足之處，下一步相關(guān)研究的重點(diǎn)將圍繞不同相似度測(cè)度方法應(yīng)用于變化檢測(cè)的應(yīng)用比較，以及基于相似度參數(shù)的變化分級(jí)方法研究。

[1] 趙英時(shí).遙感應(yīng)用分析原理與方法[M].北京:科學(xué)出版社,2003:242-245. Zhao Y S.The Principle and Method of Analysis of Remote Sensing Application[M].Beijing:Science Press,2003:242-245.

[2] 龔浩,張景雄,申邵洪.基于對(duì)象的對(duì)應(yīng)分析在高分辨率遙感影像變化檢測(cè)中的應(yīng)用[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版),2009,34(5):544-547,551. Gong H,Zhang J X,Shen S H.Object-based correspondence analysis for improved accuracy in remote sensing change detection[J].Geomatics and Information Science of Wuhan University,2009,34(5):544-547,551.

[3] 唐樸謙,楊建宇,張超,等.基于像素比值的面向?qū)ο蠓诸惡筮b感變化檢測(cè)方法[J].遙感信息,2010(1):69-72. Tang P Q,Yang J Y,Zhang C,et al.An object-oriented post-classification remote sensing change detection after the pixel ratio[J].Remote Sensing Information,2010(1):69-72.

[4] 張輝,王建國(guó).一種基于主分量分析的SAR圖像變化檢測(cè)算法[J].電子與信息報(bào),2008,30(7):1727-1730. Zhang H,Wang J G.A SAR image change detection algorithm based on principal component analysis[J].Journal of Electronics & Information Technology,2008,30(7):1727-1730.

[5] Lu D,Mausel P,Brondízio E,et al.Change detection techniques[J].International Journal of Remote Sensing,2004,25(12):2365-2401.

[6] Ridd M K,Liu J J.A comparison of four algorithms for change detection in an urban environment[J].Remote Sensing of Environment,1998,63(2):95-100.

[7] 周啟鳴.多時(shí)相遙感影像變化檢測(cè)綜述[J].地理信息世界,2011,9(2):28-33. Zhou Q M.Review on change detection using multi-temporal remotely sensed imagery[J].Geomatics World,2011,9(2):28-33.

[8] 湯玉奇.面向?qū)ο蟮母叻直媛视跋癯鞘卸嗵卣髯兓瘷z測(cè)研究[D].武漢:武漢大學(xué),2013. Tang Y Q.Object-oriented Change Detection with Multi-feature in Urban High-Resolution Remote Sensing Imagery[D].Wuhan:Wuhan University,2013.

[9] 祝錦霞,王珂.面向?qū)ο蟮母叻直媛视跋褡兓瘷z測(cè)方法研究[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2013,44(4):184-189. Zhu J X,Wang K.Object-oriented change detection method using very high spatial resolution imagery[J].Transactions of the Chinese Society for Agricultural Machinery,2013,44(4):184-189.

[10]勞小敏.基于對(duì)象的高分辨率遙感影像土地利用變化檢測(cè)技術(shù)研究[D].杭州:浙江大學(xué),2013. Lao X M.The Research of Object-based High Resolution Remote Sensing Land Use Change Detection[D].Hangzhou:Zhejiang University,2013.

[11]洪亮.基于對(duì)象馬爾可夫模型的高分辨率遙感影像分割方法研究[D].武漢:武漢大學(xué),2010. Hong L.Research on the Segmentation of High Resolution Remote Sensing Image Based on Object-oriented Markovian Random Fields Model[D].Wuhan:Wuhan University,2010.

[12]李亮,龔龑,李雪,等.像斑直方圖相似性測(cè)度的高分辨率遙感影像變化檢測(cè)[J].遙感學(xué)報(bào),2014,18(1):139-153. Li L,Gong Y,Li X,et al.Change detection based on similarity measurement of object histogram using high-resolution remote sensing imagery[J].Journal of Remote Sensing,2014,18(1):139-153.

[13]萬幼川,申邵洪,張景雄.基于概率統(tǒng)計(jì)模型的遙感影像變化檢測(cè)[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版),2008,33(7):669-672,710. Wan Y C,Shen S H,Zhang J X.Change detection of multi-time remote sensing images based on statistics models[J].Geomatics and Information Science of Wuhan University,2008,33(7):669-672,710.

[14]尤紅建,傅琨.基于分布模型差異的SAR變化檢測(cè)[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版),2008,33(5):454-456,478. You H J,Fu K.SAR change detection based on cluster distribution divergence[J].Geomatics and Information Science of Wuhan University,2008,33(5):454-456,478.

[15]劉臻,宮鵬,史培軍,等.基于相似度驗(yàn)證的自動(dòng)變化探測(cè)研究[J].遙感學(xué)報(bào),2005,9(5):537-543. Liu Z,Gong P,Shi P J,et al.Study on change detection automatically based on similarity calibration[J].Journal of Remote Sensing,2005,9(5):537-543.

[16]佃袁勇,方圣輝,姚崇懷.一種面向地理對(duì)象的遙感影像變化檢測(cè)方法[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版),2014,39(8):906-912. Dian Y Y,Fang S H,Yao C H.The geographic object-based method for change detection with remote sensing imagery[J].Geomatics and Information Science of Wuhan University,2014,39(8):906-912.

[17]靳華中.譜圖理論支持下的高分辨率遙感影像多尺度分割研究[D].武漢:武漢大學(xué),2011. Jin H Z.High Resolution Remote Sensing Image Multi-scale Segmentation Support by Spectral Graph Theory[D].Wuhan:Wuhan University,2011.

[18]段麗娟,高文,林守勛,等.圖像檢索中的動(dòng)態(tài)相似性度量方法[J].計(jì)算機(jī)學(xué)報(bào),2001,24(11):1256-1262. Duan L J,Gao W,Lin S X,et al.A dynamic similarity metric approach for image retrieval[J].Chinese Journal of Computers,2001,24(11):1256-1262.

[19]聶方彥,高潮,郭永彩.基于Tsallis廣義散度的圖像閾值分割[J].光電工程,2010,37(5):110-115. Nie F Y,Gao C,Guo Y C.Image threshold segmentation based on Tsallis generalized divergence[J].Opto-Electronic Engineering,2010,37(5):110-115.

[20]羅裳.基于KL熵矩陣近似問題的研究[D].廣州:華南理工大學(xué),2014. Luo C.Study on Matrix Approximation Problems with KL Entropy[D].Guangzhou:South China University of Technology,2014.

[21]潘曉峰,劉紅星.基于神經(jīng)網(wǎng)絡(luò)的圖像KL變換方法的改進(jìn)[J].微處理機(jī),2005(4):26-28. Pan X F,Liu H X.Improving Karhunen-loève transform of images based on neural networks[J].Microprocessors,2005(4):26-28.

andDigitalTechnology,Qingdao266590,China; 3.CollegeofInformationScienceandEngineering,ShandongUniversityofScienceandTechnology,Qingdao266590,China)

(責(zé)任編輯： 李瑜)

Research on object-oriented remote sensing change detection method based on KL divergence

ZHU Hongchun1,2, HUANG Wei1, LIU Haiying3, ZHANG Zhongfang1, WANG Bin1

(1.GeomaticsCollege,ShandongUniversityofScienceandTechnology,Qingdao266590,China; 2.KeyLaboratoryofGeomatics

The change detection of remote sensing image has many research results from face-to-face to object-oriented operation and from the threshold to the similarity measurement; nevertheless, there are many problems such as the selection of the segmentation parameters, the determination of the change of the object and the degree of the change of the object. In view of such a situation, this paper proposes a new method based on similarity measurement to detect the change. This method has broken the performance form which has been used to detect the change of the results. Firstly, the optimal parameters of image object segmentation are calculated, and then the image patches are obtained. After that, the similarity coefficients are calculated by KL similarity calculation method, and the natural clustering features of the coefficients are calculated. The results show that the changes of the national economic development, disaster prevention and land use management decision-making are obvious, which shows the scientific nature and effectiveness of this method.

object-orient; image segmentation; change detecting; KL divergence; classification

10.6046/gtzyyg.2017.02.07

朱紅春,黃偉,劉海英,等.基于KL散度的面向?qū)ο筮b感變化檢測(cè)[J].國(guó)土資源遙感,2017,29(2):46-53.(Zhu H C,Huang W,Liu H Y,et al.Research on object-oriented remote sensing change detection method based on KL divergence[J].Remote Sensing for Land and Resources,2017,29(2):46-53.)

2015-11-11；

2016-02-04

國(guó)家自然科學(xué)基金項(xiàng)目“基于DEM的黃土溝頭地貌研究”(編號(hào)： 41471331)資助。

朱紅春(1977-)，男，副教授，博士后，主要從事遙感與GIS應(yīng)用和系統(tǒng)開發(fā)、DEM數(shù)字地形分析的研究工作。Email: sdny_xa@163.com。

黃偉(1992-)，男，碩士，主要研究方向?yàn)檫b感圖像處理和應(yīng)用。Email： hw_rs@foxmail.com。

TP 753

A

1001-070X(2017)02-0046-07