魏東升，周曉光

1. 中南大學地球科學與信息物理學院，湖南 長沙 410083； 2. 中南林業(yè)科技大學土木工程學院，湖南 長沙 410004； 3. 有色金屬成礦預測與地質環(huán)境監(jiān)測教育部重點實驗室(中南大學)，湖南 長沙 410083； 4. 有色資源與地質災害探查湖南省重點實驗室，湖南 長沙 410083

?

顧及紋理特征貢獻度的變化影像對象提取算法

魏東升1，2，3，4，周曉光1，3，4

1. 中南大學地球科學與信息物理學院，湖南 長沙 410083； 2. 中南林業(yè)科技大學土木工程學院，湖南 長沙 410004； 3. 有色金屬成礦預測與地質環(huán)境監(jiān)測教育部重點實驗室(中南大學)，湖南 長沙 410083； 4. 有色資源與地質災害探查湖南省重點實驗室，湖南 長沙 410083

遙感影像變化檢測是全球變化研究的重要內(nèi)容?；趦善谶b感影像的變化檢測方法存在數(shù)據(jù)條件要求苛刻、難以充分利用快速發(fā)展的多源遙感影像數(shù)據(jù)等問題。目前許多變化檢測的參考數(shù)據(jù)中包含了一期分類矢量數(shù)據(jù)，矢量數(shù)據(jù)中往往包含了位置、形狀、大小和類別屬性等先驗信息，充分利用這些先驗信息將可提高變化檢測精度。提取變化影像對象是結合矢量數(shù)據(jù)和遙感影像進行變化檢測的核心步驟。本文提出了一種顧及紋理特征貢獻度的變化影像對象提取方法。該方法利用矢量數(shù)據(jù)分割遙感影像，獲取影像對象，計算影像對象紋理特征值。根據(jù)信息增益原理計算紋理特征參數(shù)的特征貢獻度，選擇特征參數(shù)。由貢獻度指數(shù)大小確定紋理特征參數(shù)權重，計算影像對象與先驗要素類別的相似度系數(shù)，提取變化影像對象。試驗結果表明，基于紋理特征貢獻度的特征參數(shù)選擇，能有效地提高變化影像對象提取結果的精度。

紋理特征；影像對象；信息增益率；特征貢獻度

遙感影像變化檢測是全球變化研究的重要內(nèi)容[1]。近30年來，國內(nèi)外許多學者提出了許多基于遙感影像的變化檢測方法[2]。如基于兩期遙感影像的變化檢測方法，包括灰度差值(differencing)、歸一化植被指數(shù)(normalized difference vegetation index，NDVI)、灰度比值(ratioing)、主成分分析法(principal component analysis，PCA)、變化向量分析法(change vector analysis， CVA)、面向對象變化檢測等直接比較法[3-8]和分類后比較法[9-10](post-classification comparison)及其他組合方法(hybrid)等[11]。其中分類后比較法是在已經(jīng)完成兩期遙感影像分類的基礎上再提取變化信息，存在工作量大、分類誤差傳遞累積到變化信息中等問題。直接比較法一般要求用于變化檢測的兩期影像數(shù)據(jù)應在相同時間和光譜條件下獲得，對于很多情況(如突發(fā)性災害區(qū)域)的變化檢測來說，這一條件很難滿足，而且該方法難以有效使用當前迅速發(fā)展的多源遙感影像數(shù)據(jù)。近年來，許多應用需求的參考數(shù)據(jù)中包含了一期分類矢量數(shù)據(jù)，一些學者開始嘗試用已有矢量數(shù)據(jù)集和最新遙感影像相結合進行變化檢測[12-18]，已有矢量數(shù)據(jù)集包含位置、形狀、大小和類別屬性等先驗信息，在變化檢測中，充分利用這些先驗信息有利于提高變化檢測的精度與效率。矢量數(shù)據(jù)往往以對象為組織單位，采用矢量數(shù)據(jù)和遙感影像的變化檢測方法體現(xiàn)了變化發(fā)生的區(qū)域性與對象性特點，變化檢測結果更加符合客觀現(xiàn)實。用矢量數(shù)據(jù)和遙感影像進行變化檢測一般包括：用矢量數(shù)據(jù)分割遙感影像獲取影像對象、提取變化影像對象、對變化影像對象進行重新分割和變化信息提取等環(huán)節(jié)，其中，提取變化影像對象是整個變化檢測過程中的核心步驟，本文主要研究變化影像對象的提取方法。

影像對象是數(shù)字影像上單個可以分解的實體， 這個實體由一組高分辨率像素組成[19-20]，在遙感影像上，影像對象是具有相同要素類別屬性像元的集合。未變化實體在基準期和檢測期理論上具有完全相同的位置、形狀、大小和要素類別屬性，可以用矢量數(shù)據(jù)集對遙感影像進行分割，獲取其影像對象，這些影像對象具有清晰完整的邊界信息和先驗類別屬性。未變化同類影像對象的紋理特征具有相似性，而不同類影像對象紋理特征具有差異性，因此可以用紋理分析技術檢驗影像對象的驗后類別屬性。由于不同紋理特征參數(shù)描述同種要素類別影像對象的紋理具有差異性，以及同一紋理特征參數(shù)描述不同要素類別影像對象紋理也具有差異性，所以在運用紋理分析技術時，紋理特征參數(shù)的選取尤為重要。信息增益(information gain)衡量了一種特征能夠為分類系統(tǒng)帶來的信息量，帶來的信息越多，該特征在分類系統(tǒng)中就越重要[21]。本文運用信息增益原理，構建一個衡量紋理特征參數(shù)對要素類別識別的貢獻度指標，提出一種顧及紋理特征貢獻度的變化影像對象提取方法。

1 研究方法

1.1 變化影像對象提取思路

文獻[17]運用信息增益原理，通過累加統(tǒng)計各項光譜和紋理特征在類別分析中的貢獻，進行特征選擇，然后利用兩期影像進行變化檢測，該方法在同源影像間的特征選擇能夠有效提高變化檢測精度，但其特征參數(shù)都是基于單個像元的統(tǒng)計特性(其中的光譜特征包括影像中各波段光譜信息的均值、方差和熵，紋理特征是小波影像上的均值、方差和熵)。由于在遙感影像上地物的光譜信息因時間、地域、環(huán)境和傳感器等的不同而有差異，因此在同類影像對象中，單個像元的統(tǒng)計特性可能會因影像的光譜條件和時間差異而有較大的差異性，而且這種差異性也為求解特征參數(shù)的最大信息增益率增加了困難?；诨叶裙采仃?grey level co-occurrence matrix，GLCM)的紋理特征參數(shù)，不僅考慮了單個像元的光譜特性，而且也考慮了當前像元與鄰域像元光譜特性的空間關系，運用信息增益原理的特征選擇結果能夠滿足異源遙感影像、以及同一影像不同區(qū)域的變化檢測要求。此外，基于GLCM的同一紋理特征在不同要素類別中的明顯差異性也簡化了特征空間的劃分，提高了信息增益率的求解效率?；谝陨系姆治?，本文選擇基于GLCM的紋理特征參數(shù)作為變化影像對象提取的特征參數(shù)，使用矢量數(shù)據(jù)和影像數(shù)據(jù)作為數(shù)據(jù)源，利用矢量數(shù)據(jù)中要素類別的先驗信息和影像數(shù)據(jù)中光譜信息描述的空間特性進行變化影像對象提取，主要包括遙感影像分割、各類要素紋理特征參數(shù)的確定和變化影像對象提取等環(huán)節(jié)，總體思路如圖1所示。

圖1 變化影像對象提取思路Fig.1 Research thinking of extracting changed image objects

首先用基準期矢量數(shù)據(jù)分割檢測期影像數(shù)據(jù)，獲取影像對象?；鶞势谑噶繑?shù)據(jù)中的要素類別具有位置、形狀、大小和類別屬性等先驗信息，這些先驗信息在檢測期未變化的影像對象上是完全相同的，而且分割后的影像對象同時包含有基準期對應的先驗類別屬性和檢測期對應的光譜信息。

其次是確定各類要素的紋理特征參數(shù)及其權重，主要包括選取各要素類別影像對象樣本、計算樣本影像對象的灰度共生矩陣及其紋理特征值、信息增益率、紋理特征貢獻度和確定紋理特征參數(shù)的選擇標準。在本文中采用分層隨機抽樣方法，通過人工目視判別確保所選樣本為未變化影像對象，完成抽樣工作。

灰度共生矩陣描述了當前像元與鄰域像元光譜信息的空間關系，具有較強的自適應性和穩(wěn)健性，但是基于灰度共生矩陣的紋理特征參數(shù)多達14種[22-23]，眾多的紋理特征參數(shù)給影像對象分析帶來了困難，而且不同紋理特征參數(shù)對相同要素類別的不同影像對象的貢獻程度具有差異性，同一紋理特征參數(shù)對不同要素類別的影像對象的貢獻程度也不相同，因此需要對參與影像對象變化分析的紋理特征參數(shù)進行選擇，并確定其先驗權重大小。信息增益能夠定量描述紋理特征參數(shù)為確定要素類別的有效信息量[21]，可作為衡量紋理特征參數(shù)對要素類別重要程度的指標。依據(jù)同一紋理特征參數(shù)對不同要素類別和不同紋理特征參數(shù)對同一要素類別信息增益率的相對大小，構建紋理特征貢獻度指數(shù)，再在此基礎上，去除那些貢獻度較小的紋理特征參數(shù)，增加貢獻度較大紋理特征參數(shù)的權重。

最后根據(jù)各類要素紋理特征參數(shù)選取結果確定變化影像對象提取方法。依據(jù)影像對象的先驗類別屬性確定影像對象的紋理特征參數(shù)，計算影像對象的灰度共生矩陣及其相應的紋理特征參數(shù)值，由影像對象的紋理特征值和先驗要素類別對應的樣本紋理特征值計算相似度系數(shù)，并由相似度系數(shù)值的大小判斷影像對象的先驗要素類別是否變化，提取出變化影像對象。

1.2 紋理特征貢獻度的計算

相同要素類別的影像對象具有相似的紋理特征信息，而不同要素類別影像對象的紋理特征信息具有差異性，因此可以用紋理特征分析技術來識別未變化的影像對象。不同紋理特征參數(shù)對相同要素類別的不同影像對象的貢獻程度具有差異性，同一紋理特征參數(shù)對不同要素類別的影像對象的貢獻程度也不相同，因此需要計算紋理特征參數(shù)對各要素類別的貢獻度大小，進行紋理特征參數(shù)選擇。

1.2.1 基于灰度共生矩陣的紋理特征參數(shù)

紋理特征作為重要的視覺表達方式，已廣泛應用于各類高分辨率遙感圖像處理中[24-26]。紋理特征分析方法主要有統(tǒng)計方法、結構方法、模型方法和基于數(shù)學變換方法[27]。統(tǒng)計方法是基于像元及其鄰域的灰度屬性，研究紋理區(qū)域中的統(tǒng)計特性，灰度共生矩陣已經(jīng)被理論和實踐證明是最有效的方法之一，具有較強的自適應性和魯棒性，已經(jīng)廣泛應用于各種紋理分析中[23，28]?；叶裙采仃嚨挠嬎銈鹘y(tǒng)上采用一個固定大小滑動矩形窗口[29]，為了分析每個影像對象的紋理特征，在本文中，將計算每一個需要檢測影像對象的灰度共生矩陣。

灰度共生矩陣描述了當前像元與鄰域像元的灰度值關系，是兩像元之間方向和距離的函數(shù)。因為遙感數(shù)字影像是離散集，所以通常計算0°、45°、90°和135° 4個方向的灰度共生矩陣。具有灰度值為i的像元(k，l)和灰度值為j的像元(m，n)之間的灰度共生矩陣定義為[22]P(i，j，0°)=#{(k，l)，(m，n)∈(R×C)|k-m= 0，l-n=±d，I(k，l)=i，I(m，n)=j}

P(i，j，45°)=#{(k，l)，(m，n)∈(R×C)|k-m=d，l-n=-d， or (k-m=-d，l-n=d)，I(k，l)=i，I(m，n)=j}

P(i，j，90°)=#{(k，l)，(m，n)∈(R×C)|k-m=±d，l-n=±0，I(k，l)=i，I(m，n)=j}

P(i，j，135°)=#{(k，l)，(m，n)∈(R×C)|k-m=-d，l-n=-d， or (k-m=d，l-n=d)，I(k，l)=i，I(m，n)=j}

(1)

式中，#表示集合中元素的個數(shù)；R×C是檢測影像對象的像元集；d是兩像元之間的間隔。為了消除影像對象大小的影響，灰度共生矩陣需要被歸一化

(2)

式中，L是遙感圖像中灰度級的個數(shù)。文獻[22]定義了14個紋理特征參數(shù)，分別為：角二階矩(f1)、對比度(f2)、逆差矩(f3)、熵(f4)、相關系數(shù)(f5)、方差(f6)、均值(f7)、總平均(f8)、總熵(f9)、和方差(f10)、差熵(f11)、差方差(f12)和相關信息量(f13、f14)。各種不同紋理特征參數(shù)值的大小體現(xiàn)了影像對象紋理在某方面的特性，如角二階矩表征了影像對象紋理的同質特性，值越大表示影像有較均一和規(guī)則變化的紋理特征，而熵衡量了影像對象紋理的隨機特性，值越大，影像紋理越復雜。由于影像對象的類別屬性不同，不同類別影像對象的紋理特征具有差異性，而且同類別影像對象的紋理特征往往也具有局部差異性，因此需要根據(jù)影像對象的先驗類別屬性選擇最優(yōu)的紋理特征參數(shù)來判斷影像對象的驗后類別。

1.2.2 基于信息增益率的紋理特征貢獻度計算

用紋理特征值表示的紋理特征信息存在冗余，而且冗余大小與紋理特征值的不確定性有關，信息熵(information entropy)表示了紋理特征信息中排除冗余后的平均信息量[30]，因此可以用信息熵來度量紋理特征信息的價值。設H(Ci)用于表示衡量要素類別Ci(其中i=1，2，…，t，t表示要素類別的總數(shù))所含信息量的信息熵，則有

H(Ci)=-pcilog2(pci)-(1-pci)log2(1-pci)

(3)

所選樣本中，設N為樣本總數(shù)，NCi為要素類別Ci中影像對象個數(shù)。根據(jù)各要素類別紋理特征值的統(tǒng)計特性，可將每個紋理特征參數(shù)的特征空間都劃分為兩部分，即屬于要素類別Ci的特征空間和不屬于要素類別Ci的特征空間。紋理特征參數(shù)fj(其中，j=1，2，…，14)屬于要素類別Ci的特征空間由所選樣本中紋理特征參數(shù)fj屬于要素類別Ci的最大值和最小值確定。設H(Ci/fj)表示在第j個紋理特征參數(shù)fj已知條件下要素類別Ci所含信息量的條件熵，則有

H(Ci/fj)=pfj[-pcifjlog2(pcifj)-(1-pcifj)log2(1-pcifj)]

(4)

信息增益(information gain)是信息熵的有效減少量[30]，根據(jù)信息增益能夠確定在什么樣的層次上選擇哪種紋理特征參數(shù)來確定影像對象的后驗類別，可作為衡量紋理特征重要程度的指標。設Gain(Ci，fj)表示第j個紋理特征參數(shù)fj的信息增益，則有

Gain(Ci，fj)=H(Ci)-H(Ci/fj)

(5)

式中，Gain(Ci，fj)表示了第j個紋理特征參數(shù)fj的值已知時，類別Ci信息量減少的程度。信息增益越大，表示紋理特征參數(shù)fj對類別Ci分類結果影響越大。使用信息增益選擇的特征往往會偏向于具有更多取值區(qū)間的特征，因此筆者用信息增益率來度量紋理特征的重要性。設GainRat(Ci，fj)表示第j個紋理特征參數(shù)fj的信息增益率，則有

(6)

式中，H(fj)表示第j個紋理特征參數(shù)的信息熵；衡量紋理特征參數(shù)fj的信息量。

信息增益率能夠定量描述紋理特征參數(shù)對要素類別的貢獻程度，其值大于0小于1。由同一紋理特征參數(shù)的信息增益率在不同要素類別中的相對大小和不同紋理特征參數(shù)的信息增益率在同一要素類別中的相對大小，構建一個衡量紋理特征參數(shù)對要素類別識別的貢獻度指標—紋理特征貢獻度(texture feature contribution index，TFCI)。設TFCIfjci表示紋理特征參數(shù)fj對要素類別Ci的貢獻度指數(shù)，則有

(7)

式中，maxf(·)表示紋理特征參數(shù)fj在不同要素類別中信息增益率的最大值；maxC(·)表示要素類別為Ci的不同紋理特征參數(shù)中信息增益率的最大值。

TFCIfjci的值介于0～100%，其值越大表示紋理特征參數(shù)對要素類別的貢獻越大，值越小則貢獻越小。在進行影像對象類別識別時，依據(jù)紋理特征貢獻度指數(shù)大小可以有效判斷選擇什么樣的紋理特征參數(shù)，以至于在多大程度上選擇一種紋理特征參數(shù)。按貢獻度指數(shù)的大小，可以將紋理特征參數(shù)分成5個區(qū)間：①0≤TFCI<20%，貢獻度低；②20%≤TFCI<40%，貢獻度較低；③40%≤TFCI<60%，貢獻度中等；④60%≤TFCI<80%，貢獻度較高；⑤80%≤TFCI≤100%，貢獻度高。

可以根據(jù)實際情況選擇適合的紋理特征參數(shù)，一般可以排除貢獻度低和較低的紋理特征參數(shù)，適度利用貢獻度中等的紋理特征參數(shù)，充分利用貢獻度高和較高的紋理特征參數(shù)。圖2表示了要素類別為C的14種紋理特征參數(shù)特征貢獻度的差異性，從而為要素類別C的特征參數(shù)選擇提供依據(jù)。

圖2 要素類別C的紋理特征貢獻度Fig.2 Texture feature contribution of class C

由圖2可以看出，紋理特征參數(shù)f3、f8、f12和f14的貢獻度高，f7和f9的貢獻度較高，而f1、f4和f10的貢獻度最低，都低于20%。因此筆者在識別類別C的影像對象類別時應選擇貢獻度高和較高的紋理特征參數(shù)f3、f8、f12、f14、f7和f9。

1.3 基于TFCI的變化影像對象提取

紋理特征貢獻度指數(shù)定量描述了不同紋理特征參數(shù)對同一要素類別，以及同一紋理特征參數(shù)對不同要素類別的相對重要程度。根據(jù)紋理特征貢獻度指數(shù)的大小，檢驗影像對象與先驗要素類別所對應的樣本紋理特征值的差異性，從而可以提取出變化的影像對象。

1.3.1 基于TFCI的加權相似度系數(shù)計算

根據(jù)紋理特征貢獻度選擇出主要紋理特征參數(shù)后，依據(jù)這些特征參數(shù)計算影像對象與其先驗類別屬性對應樣本對象的相似度系數(shù)(texturefeaturesimilarityindex，TFsim)，并由相似度系數(shù)值的大小判斷影像對象的類別屬性是否變化。

設TFsim(IOj，C)表示影像對象j與先驗類別C的相似度系數(shù)，則有

(8)

1.3.2 基于TFsim的變化影像對象提取

根據(jù)影像對象的相似度系數(shù)，可以檢測影像對象的先驗類別屬性是否變化，完成變化影像對象提取。變化影像對象提取流程如圖3所示。

首先用基準期矢量數(shù)據(jù)對檢測期影像數(shù)據(jù)進行影像分割，獲得影像對象。分割后的影像對象同時具有影像對象的光譜信息和先驗類別屬性信息。然后逐一計算每個影像對象的灰度共生矩陣。再選取各要素類別的樣本影像對象，根據(jù)灰度共生矩陣計算樣本影像對象的紋理特征值和信息增益率，由信息增益率計算每種紋理特征參數(shù)對各種要素類別的特征貢獻度，進行影像對象的特征參數(shù)選擇。最后，依據(jù)影像對象所選的主要紋理特征參數(shù)的貢獻度大小和影像對象的先驗類別屬性，計算影像對象與先驗要素類別所對應的樣本紋理特征值的相似度系數(shù)，并由相似度系數(shù)值的大小與閾值進行比較，進而判斷影像對象的先驗類別屬性是否變化，完成變化影像對象結果提取。

圖3 變化影像對象提取流程Fig.3 The flowchart of extracting changed image objects

2 試 驗

2.1 數(shù)據(jù)與研究區(qū)域

試驗數(shù)據(jù)為一幅矢量地圖和一幅高分辨率的航空遙感影像。研究區(qū)域位于湖南省長沙市，影像數(shù)據(jù)獲取時間為2013年11月(圖4(a))，遙感器類型為DOM，影像的空間分辨率為1m，包含紅、綠、藍3個波段，影像大小包含2303×2097像元。矢量地圖由2009年3月的影像數(shù)據(jù)數(shù)字化獲得(圖4(b))，包含1546個地理對象和10種要素類別，包括道路、草地、居民地、林地、水體、灌叢、稻田、旱地、苗圃和裸地。

2.2 變化影像對象提取結果與分析

首先用2009年矢量地圖分割2013年影像數(shù)據(jù)，獲得影像對象，然后目視隨機選取各要素類別的影像對象樣本，并計算每個樣本影像對象的紋理特征值。依據(jù)紋理特征值計算紋理特征參數(shù)的信息增益率，進而計算各紋理特征參數(shù)的貢獻度指數(shù)，結果見圖5。

紋理特征貢獻度表示了不同紋理特征參數(shù)對同一要素類別的相對貢獻大小，體現(xiàn)了同一紋理特征參數(shù)區(qū)分不同要素類別的能力大小。在圖5中，紋理特征貢獻度的大小是選擇特征參數(shù)的依據(jù)，并由此決定在多大程度上選擇該特征參數(shù)，各要素類別紋理特征參數(shù)選擇結果見表1。

表1 紋理特征參數(shù)選擇結果

從表1中可以清晰看出各要素類別紋理特征參數(shù)選擇具有很大的差異性。道路和水體中能供選擇的特征參數(shù)較多，而且其特征貢獻度相對較高，其次是居民地、林地和裸地，再次是旱地、灌叢、稻田和苗圃，而草地的可供選擇的紋理特征參數(shù)較少。

根據(jù)要素類別選擇的紋理特征參數(shù)及其貢獻度的大小，由式(8)計算影像對象的相似度系數(shù)，并判斷影像對象的先驗類別屬性是否變化，變化影像對象提取結果如圖6(a)。圖6中的黑色區(qū)域表示要素類別發(fā)生了變化的區(qū)域，主要集中在西北方向。在基于紋理特征的變化影像提取中，為了驗證對紋理特征參數(shù)進行評價的重要性，筆者采用紋理特征直接比較法來提取變化影像對象。在紋理特征直接比較法中，14種紋理特征參數(shù)都參與計算，沒有經(jīng)過紋理特征參數(shù)選取，而且假定每種紋理特征參數(shù)對各要素類別的貢獻度相同，具有相同的先驗權因子1，得出的變化影像對象提取結果如圖6(b)。為了更加直觀了解兩種變化影像對象提取結果的差異，將圖6(a)和圖6(b)中的部分區(qū)域放大，對應區(qū)域的放大效果如圖6(c)，通過圖6(c)中對應區(qū)域的對比分析，可以直觀看出兩種變化影像提取結果存在明顯差異。

為了定量評價基于紋理特征貢獻度變化影像對象提取效果，從各要素類別中隨機選取25%的樣本要素，通過目視解譯判斷要素類別作為真值，并與變化影像對象提取結果進行比較分析，用于評價變化影像對象提取結果的精度，變化影像對象提取結果精度見表2。

從表2可以看出，本文提出的基于紋理特征貢獻度的變化影像對象提取方法精度很高，能夠很好地滿足變化檢測的要求，而基于紋理特征值的直接比較法精度相對較低，主要原因是后者在進行變化檢測時沒有考慮不同紋理特征參數(shù)對相同要素類別的不同影像對象、以及同一紋理特征參數(shù)對不同要素類別的影像對象貢獻度的差異性，而前者通過對紋理特征參數(shù)貢獻度的定量衡量較好地彌補了這一缺陷，從而有利于變化檢測結果精度的提高。由于同種要素類別不同影像對象紋理特征具有差異性，使得各要素類別變化檢測精度也具有明顯的差異性，如水體和道路的紋理特征差異性很小，變化檢測精度較高，而草地、稻田和灌叢紋理特征差異性較大，變化檢測精度相對較低，這些差異性也可以從特征選擇的結果中觀察到，進一步細分具有復雜紋理的地物，選擇更具有代表性的樣本對象，將可以提高這些紋理特征差異性較大地類的檢測精度。

圖5 各要素類別紋理特征貢獻度Fig.5 Texture feature contribution

圖6 變化影像對象提取結果Fig.6 The results of extracting changed image objects

地物類別總數(shù)本文方法紋理直接比較法變化誤檢漏檢變化誤檢漏檢草地21541583道路32800821灌叢3515311553稻田4512321282旱地30921952林地4822122284裸地2720102030苗圃3110211042居民地4315111531水體25500501合計3351011791014619誤檢率/(%)5.0713.73漏檢率/(%)2.695.67總精度/(%)92.2480.59

3 結 語

本文在充分利用矢量數(shù)據(jù)先驗知識的基礎上，結合最新遙感影像數(shù)據(jù)，提出了一種顧及紋理特征貢獻度的變化影像對象提取方法。利用矢量數(shù)據(jù)要素對象邊界信息分割遙感影像，獲取對應的影像對象和先驗類別屬性信息。在計算影像對象紋理特征值的基礎上，根據(jù)信息增益原理，計算了紋理特征參數(shù)對要素類別的特征貢獻度，并進行特征參數(shù)選擇。由紋理特征參數(shù)計算影像對象的紋理特征相似度系數(shù)，根據(jù)相似度系數(shù)進行變化影像對象提取。最后以長沙地區(qū)2009年的矢量數(shù)據(jù)和2013年的影像數(shù)據(jù)進行了試驗，試驗結果表明，本文提出的變化檢測方法精度較高，驗證了該方法的有效性，而且，該變化檢測方法能夠針對特定要素類別進行自動、準確的變化檢測，在地表覆蓋數(shù)據(jù)更新、災后應急和國土資源檢測等方面有一定的應用價值。如何利用矢量數(shù)據(jù)的先驗信息準確分割變化影像對象和類別信息提取將是筆者下一步的工作，需要作出進一步的研究。

[1] 陳軍，陳晉，廖安平，等. 全球30 m地表覆蓋遙感制圖的總體技術[J]. 測繪學報，2014，43(6): 551-557. DOI:10.13485/j.cnki.11-2089.2014.0089. CHEN Jun，CHEN Jin，LIAO Anping，et al. Concepts and Key Techniques for 30 m Global Land Cover Mapping[J]. Acta Geodaetica et Cartographica Sinica，2014，43(6): 551-557. DOI:10.13485/j.cnki.11-2089.2014.0089.

[2] 張曉東，李德仁，龔健雅，等. 遙感影像與GIS分析相結合的變化檢測方法[J]. 武漢大學學報(信息科學版)，2006，31(3): 266-269. ZHANG Xiaodong，LI Deren，GONG Jianya，et al. A Change Detection Method of Integrating Remote Sensing and GIS[J]. Geomatics and Information Science of Wuhan University，2006，31(3): 266-269.

[3] BRUZZONE L，PRIETO D F. Automatic Analysis of the Difference Image for Unsupervised Change Detection[J]. IEEE Transactions on Geoscience and Remote Sensing，2000，38(3): 1171-1182.

[4] CHEN Jin，CHEN Xuehong，CUI Xihong，et al. Change Vector Analysis in Posterior Probability Space: A New Method for Land Cover Change Detection[J]. IEEE Geoscience and Remote Sensing Letters，2011，8(2): 317-321.

[5] HE Chunyang，WEI Anni，SHI Peijun，et al. Detecting Land-use/Land-cover Change in Rural-urban Fringe Areas Using Extended Change-vector Analysis[J]. International Journal of Applied Earth Observation and Geoinformation，2011，13(4): 572-585.

[6] JOHNSON R D，KASISCHKE E S. Change Vector Analysis: A Technique for the Multispectral Monitoring of Land Cover and Condition[J]. International Journal of Remote Sensing，1998，19(3): 411-426.

[7] CELIK T. Unsupervised Change Detection in Satellite Images Using Principal Component Analysis andk-means Clustering[J]. IEEE Geoscience and Remote Sensing Letters，2009，6(4): 772-776.

[8] ROUSE J W Jr，HAAS R H，SCHELL J A，et al. Monitoring Vegetation Systems in the Great Plains with ERTS[C]∥Third Earth Resources Technology Satellite-1 Symposium- Volume I:Technical Presentations. Washington，D.C: NASA，1974(351): 309.

[9] SERRA P，PONS X，SAURD. Post-classification Change Detection with Data from Different Sensors: Some Accuracy Considerations[J]. International Journal of Remote Sensing，2003，24(16): 3311-3340.

[10] CHEN Xuehong，CHEN Jin，SHI Yusheng，et al. An Automated Approach for Updating Land Cover Maps Based on Integrated Change Detection and Classification Methods[J]. ISPRS Journal of Photogrammetry and Remote Sensing，2012(71): 86-95.

[11] 周曉光，曾聯(lián)斌，袁愈才，等. 四種基于像元的地表覆蓋變化檢測方法比較[J]. 測繪科學，2015，40(1): 52-57. ZHOU Xiaoguang，ZENG Lianbin，YUAN Yucai，et al. Comparison among Four Land Cover Change Detection Methods Using Pixel Spectral Information[J]. Science of Surveying and Mapping，2015，40(1): 52-57.

[12] ADESINA G O，MAVOMI L. Landuse and Landcover Change Detection of Jebba Lake Basin Nigeria: Remote Sensing and GIS Approach[J]. Journal of Environment and Earth Science，2014，4(5): 119-127.

[13] ZHAO Zhenzhen，YAN Qin，LIU Zhengjun，et al. Study on Method of Geohazard Change Detection Based on Integrating Remote Sensing and GIS[C]∥Proceedings of 35th International Symposium on Remote Sensing of Environment. IOP Publishing，2014(17): 012094.

[14] SAMADZADEGAN F，RASTIVEISI H. Automatic Detection and Classification of Damaged Buildings，Using High Resolution Satellite Imagery and Vector Data[J]. The International Archives of the Photogrammetry，Remote Sensing and Spatial Information Sciences，2008(37): 415-420.

[15] 李亮，舒寧，龔龑. 考慮時空關系的遙感影像變化檢測和變化類型識別[J]. 武漢大學學報(信息科學版)，2013，38(5): 533-537. LI Liang，SHU Ning，GONG Yan. Remote Sensing Image Change Detection and Change Type Recognition Based on Spatiotemporal Relationship[J]. Geomatics and Information Science of Wuhan University，2013，38(5): 533-537.

[16] 李雪，舒寧，王琰，等. 利用土地利用狀態(tài)轉移分析的變化檢測[J]. 武漢大學學報(信息科學版)，2011，36(8): 952-955.LI Xue，SHU Ning，WANG Yan，et al. Change Detection Based on Land-use Status Transition Analysis[J].Geomatics and Information Science of Wuhan University，2011，36(8): 952-955.

[17] 李雪，舒寧，李井岡，等. 基于特征貢獻選擇的遙感影像變化檢測方法研究[J]. 武漢大學學報(信息科學版)，2013，38(10): 1158-1162. LI Xue，SHU Ning，LI Jinggang，et al. Remote Sensing Image Change Detection Method Based on Selection of Feature Contribution[J]. Geomatics and Information Science of Wuhan University，2013，38(10): 1158-1162.

[18] SOFINA N，EHLERS M. Object-Based Change Detection Using High-Resolution Remotely Sensed Data and GIS[C]∥International Archives of the Photogrammetry，Remote Sensing and Spatial Information Sciences-XXII ISPRS Congress. Melbourne，Australia: ISPRS，2012(39): B7.

[19] 李亮，舒寧，李雪.基于像斑差熵的遙感影像變化檢測[J]. 遙感信息，2011(4): 38-41. LI Liang，SHU Ning，LI Xue. Remote sensing Image Change Detection Based on the Entropy Difference of Image Segment[J]. Remote Sensing Information，2011(4): 38-41.

[20] HAY G J，NIEMANN K O. Visualizing 3-D Texture: A Three-dimensional Structural Approach to Model Forest Texture[J]. Canadian Journal of Remote Sensing，1994，20(2): 90-101.

[21] 孫淮寧，胡學鋼. 一種基于屬性貢獻度的決策樹學習算法[J]. 合肥工業(yè)大學學報(自然科學版)，2009，32(8): 1137-1141. SUN Huaining，HU Xuegang. An Algorithm of Decision Tree Learning Based on Attribute Contribution[J]. Journal of Hefei University of Technology (Natural Science)，2009，32(8): 1137-1141.

[22] HARALICK R M，SHANMUGAM K，DINSTEIN I H. Textural Features for Image Classification[J]. IEEE Transactions on Systems，Man，and Cybernetics，1973，SMC-3(6): 610-621.

[23] ULABY F T，KOUYATE F，BRISCO B，et al. Textural Infornation in SAR Images[J]. IEEE Transactions on Geoscience and Remote Sensing，1986，CE-24(2): 235-245.

[24] 金晶，鄒崢嶸，陶超. 高分辨率遙感影像的壓縮紋理元分類[J]. 測繪學報，2014，43(5): 493-499. DOI: 10.13485/j.cnki.11-2089.2014.0086. JIN Jing，ZOU Zhengrong，TAO Chao.Compressed Texton Based High Resolution Remote Sensing Image Classification[J]. Acta Geodaetica et Cartographica Sinica，2014，43(5): 493-499. DOI: 10.13485/j.cnki.11-2089.2014.0086.

[25] 沈小樂，邵振峰，田英潔. 紋理特征與視覺注意相結合的建筑區(qū)提取[J]. 測繪學報，2014，43(8): 842-847. DOI: j.cnki.11-2089.2014.0131. SHEN Xiaole，SHAO Zhenfeng，TIAN Yingjie. Built-up Areas Extraction of High-resolution Remote Sensing Images by Texture Driven Visual Attention Mechanism[J]. Acta Geodaetica et Cartographica Sinica，2014，43(8): 842-847. DOI: j.cnki.11-2089.2014.0131.

[26] 虞欣. 貝葉斯網(wǎng)絡在航空影像紋理分類中的應用研究[J]. 測繪學報，2009，38(4): 375. DOI: 10.3321/j.issn:1001-1595.2009.04.015. YU Xin. A Study of Texture Classification of Aerial Image Using Bayesian Networks[J]. Acta Geodaetica et Cartographica Sinica，2009，38(4): 375. DOI: 10.3321/j.issn:1001-1595.2009.04.015.

[27] 劉龍飛，陳云浩，李京.遙感影像紋理分析方法綜述與展望[J]. 遙感技術與應用，2003，18(6): 441-447. LIU Longfei，CHEN Yunhao，LI Jing. Texture Analysis Methods Used in Remote Sensing Images[J]. Remote Sensing Technology and Application，2003，18(6): 441-447.

[28] 莊會富，鄧喀中，范洪冬. 紋理特征向量與最大化熵法相結合的SAR影像非監(jiān)督變化檢測[J]. 測繪學報，2016，45(3): 339-346. DOI: 10.11947/j.AGCS.2016.20150022. ZHUANG Huifu，DENG Kazhong，F(xiàn)AN Hongdong. SAR Images Unsupervised Change Detection Based on Combination of Texture Feature Vector with Maximum Entropy Principle[J]. Acta Geodaetica et Cartographica Sinica，2016，45(3): 339-346. DOI: 10.11947/j.AGCS.2016.20150022.

[29] EICHKITZ C G，AMTMANN J，SCHREILECHNER M G. Calculation of Grey Level Co-occurrence Matrix-based Seismic Attributes in Three Dimensions[J]. Computers & Geosciences，2013(60): 176-183.

[30] 孫微微，劉才興，田緒紅. 基于增益的數(shù)據(jù)樣本分布描述方法[J]. 計算機應用，2005，25(5): 1004-1005. SUN Weiwei，LIU Caixing，TIAN Xuhong. Describing Method of the Distribution of Data-sample Based on Gain[J]. Computer Applications，2005，25(5): 1004-1005.

(責任編輯：張艷玲)

WEI Dongsheng(1979—)，male， PhD candidate， lecturer， majors in spatio-temporal change detection of geographical situation.

ZHOU Xiaoguang

Changed Image Objects Extraction Algorithms Considering Texture Feature Contribution

WEI Dongsheng1，2，3，4，ZHOU Xiaoguang1，3，4

1. School of Geosciences and Info-Physics， Central South University， Changsha 410083， China； 2. College of Civil Engineering， Central South University of Forestry and Technology， Changsha 410004， China； 3. Key Laboratory of Metallogenic Prediction of Nonferrous Metals and Geological Environment Monitoring(Central South University)， Ministry of Education， Changsha 410083， China； 4. Key Laboratory of Non-ferrous Resources and Geological Hazard Detection，Changsha 410083， China

Remote sensing image change detection is an important part of global change research.The change detection methods based on two-temporal remote sensing images consist of drawbacks which affect the accuracy of change detection results， such as rigorous data requirements， inadequate adoption of multi-source remote sensing image data. At present， there are some existing classification vector dataset available for change detection in many regions， and some prior knowledge are included in the existing classification vector dataset， e.g.， the position， shape， size and class. Making full use of the prior information is beneficial to improve the accuracy of change detection result. Extracting changed image objects is the key step in the change detection using the existing vector data and the latest remote sensing image，Therefore，a new change detection method based on texture feature contribution is proposed. The vector data is used to segment remote sensing image， the image objects can be extracted， and the texture feature value of image objects can be calculated. According to the principle of information gain， the feature contribution of texture feature parameters is defined， and it is used to select texture feature parameters for texture feature analysis. A similar coefficient of texture feature is defined and is used to extract changed image objects. The experimental results show that selecting texture feature parameters based on feature contribution can effectively improve the accuracy of extracting changed image object result.

texture feature; image object; information gain ratio; texture feature contribution

The National Key Research and Development Program of China (NO.2016YFB0501403); The National Natural Science Foundation of China (No. 41371366)

魏東升，周曉光.顧及紋理特征貢獻度的變化影像對象提取算法[J].測繪學報，2017,46(5)：605-613.

10.11947/j.AGCS.2017.20160581. WEI Dongsheng，ZHOU Xiaoguang.Changed Image Objects Extraction Algorithms Considering Texture Feature Contribution[J]. Acta Geodaetica et Cartographica Sinica,2017,46(5):605-613. DOI:10.11947/j.AGCS.2017.20160581.

2016-11-21

魏東升(1979—)，男，博士生，講師，研究方向為地理國情時空變化檢測。

E-mail： wds@csuft.edu.cn

周曉光

E-mail： zxgcsu@foxmail.com

P237

A

1001-1595(2017)05-0605-09

十三五國家重點研發(fā)計劃重點專項 (2016YFB0501403)；國家自然科學基金(41371366)

修回日期： 2017-02-28