王剛武

(廣東省土地調(diào)查規(guī)劃院，廣東 廣州 510075)

?

利用矢量影像法進(jìn)行土地利用變化自動(dòng)檢測(cè)

王剛武

(廣東省土地調(diào)查規(guī)劃院，廣東 廣州 510075)

為解決土地利用矢量圖與遙感影像的變化檢測(cè)問題，提出了一種基于類別的矢量圖與遙感影像變化檢測(cè)方法。在矢量圖約束下，對(duì)遙感影像進(jìn)行影像分割獲取像斑；提取像斑在遙感影像上的直方圖特征，采用G統(tǒng)計(jì)量度量像斑之間的特征距離；利用像斑與其他相同類別像斑之間的特征距離，構(gòu)建單波段上像斑的類別異質(zhì)度，自適應(yīng)加權(quán)組合各波段上像斑的類別異質(zhì)度構(gòu)建像斑的類別異質(zhì)度；依據(jù)最大熵方法獲取各地物類別對(duì)應(yīng)的異質(zhì)度閾值，以類別為單位對(duì)各像斑進(jìn)行變化判別，獲取變化檢測(cè)結(jié)果。在QuickBird遙感影像上的試驗(yàn)驗(yàn)證了本文方法的有效性，實(shí)現(xiàn)了矢量圖與遙感影像的自動(dòng)變化檢測(cè)。

矢量圖；變化檢測(cè)；像斑；G統(tǒng)計(jì)量；類別異質(zhì)度；最大熵

變化檢測(cè)是利用不同時(shí)期的觀測(cè)確定地物或現(xiàn)象變化的過程[1-2]。遙感影像具有覆蓋面積大、獲取周期短的特點(diǎn)，是一種重要的變化檢測(cè)數(shù)據(jù)源，在土地利用/覆蓋變化檢測(cè)[3]、城市擴(kuò)張監(jiān)測(cè)[4]、地形圖更新[5]等領(lǐng)域中應(yīng)用廣泛。

遙感影像變化檢測(cè)依據(jù)數(shù)據(jù)源劃分，可分為影像-影像法與矢量-影像法兩類[6]。影像-影像法以時(shí)序遙感影像為數(shù)據(jù)源，采用一定的相似性測(cè)度衡量影像間的差異，在一定閾值基礎(chǔ)上進(jìn)行變化檢測(cè)。經(jīng)典的影像-影像法有影像差值法[7]、影像比值法[8]、變化向量分析法[9]、分類后比較法[10]。矢量-影像法以矢量圖與遙感影像作為數(shù)據(jù)源?，F(xiàn)有的矢量-影像法可以劃分為分類后比較法與類別特征法兩類。分類后比較法將矢量圖套合在遙感影像上，提取類別不變的像斑作為訓(xùn)練樣本，對(duì)遙感影像進(jìn)行監(jiān)督分類，并通過比較矢量圖類別與分類結(jié)果進(jìn)行變化檢測(cè)[11-12]；類別特征法將矢量圖套合在遙感影像上，提取各類別像斑在遙感影像上的特征，以類別為單位分析像斑的特征規(guī)律，從中找出發(fā)生變化的像斑，并綜合各類別的變化結(jié)果實(shí)現(xiàn)變化檢測(cè)[13]。

現(xiàn)有矢量-影像法的研究相對(duì)較少，且已有的類別特征法對(duì)局部變化像斑的檢測(cè)效果較差，因此本文提出一種基于類別的矢量圖與遙感影像變化檢測(cè)方法。該方法在矢量圖約束下對(duì)遙感影像進(jìn)行分割，在影像分割結(jié)果的基礎(chǔ)上構(gòu)建像斑的類別異質(zhì)度，逐類別對(duì)像斑進(jìn)行變化/未變化判別，能夠有效檢測(cè)發(fā)生局部變化的像斑，同時(shí)實(shí)現(xiàn)變化檢測(cè)的自動(dòng)化。

1 本文方法

本文方法屬于矢量-影像法中的類別特征法，方法流程如圖1所示。

圖1 本文方法流程

以矢量圖為約束，對(duì)遙感影像進(jìn)行分割獲取像斑；提取直方圖作為像斑的特征，采用G統(tǒng)計(jì)量度量像斑的特征距離；利用像斑與同類別像斑的特征距離計(jì)算單波段上像斑的類別異質(zhì)度，依據(jù)像斑各波段上的信息熵自適應(yīng)確定各波段的權(quán)重，加權(quán)組合各波段上像斑的類別異質(zhì)度構(gòu)建像斑的類別異質(zhì)度；采用最大熵法獲取各地物類別對(duì)應(yīng)的異質(zhì)度閾值，以類別為單位，比較該類下各像斑的類別異質(zhì)度與該類的異質(zhì)度閾值，實(shí)現(xiàn)該類中變化像斑的檢測(cè)，綜合各類的變化檢測(cè)結(jié)果得到完整的變化檢測(cè)結(jié)果。

1.1 帶約束的影像分割

矢量圖中多邊形的變化分為全局變化與局部變化兩種。全局變化是多邊形整體類別發(fā)生了改變，局部變化是多邊形局部區(qū)域發(fā)生了改變。為了有效檢測(cè)矢量圖中發(fā)生局部變化的區(qū)域，需要在矢量圖約束下對(duì)遙感影像進(jìn)行分割，將局部變化的區(qū)域分割出來。

矢量圖約束下的影像分割既要保留原始的矢量圖邊緣，又要產(chǎn)生影像中新的邊緣。常用的帶約束影像分割方法通過柵矢套合將矢量圖與遙感影像疊加，然后以矢量圖中的多邊形為單位，對(duì)各多邊形進(jìn)行非約束的影像分割獲取像斑[14]。非約束的影像分割方法包括區(qū)域增長法、區(qū)域合并法、邊緣檢測(cè)法等。帶約束影像分割后獲取的像斑包含新時(shí)期遙感影像上的特征，還包含舊時(shí)期矢量圖中的地物類別屬性。為了簡單，下文中將像斑在歷史時(shí)期矢量圖中的類別簡稱為像斑的類別。

圖2是帶約束影像分割的示意圖。圖2(a)是矢量圖，包含A和B兩個(gè)多邊形，對(duì)應(yīng)的地物類別依次為TA、TB；圖2(b)是遙感影像；圖2(c)是矢量圖約束下的遙感影像分割結(jié)果。多邊形A內(nèi)部未產(chǎn)生新的邊緣，多邊形B內(nèi)部產(chǎn)生了新的多邊形C，多邊形C在矢量時(shí)期對(duì)應(yīng)的地物類別為TB。

圖2 帶約束的影像分割示意圖

1.2 像斑特征提取

像斑是一系列光譜相似、空間相鄰的像元的集合[15]。像斑特征是內(nèi)部所有像元特征的綜合表達(dá)，能反映內(nèi)部像元特征的分布。直方圖是一種統(tǒng)計(jì)學(xué)特征，能夠描述變量的分布。灰度直方圖用來描述像斑內(nèi)部像元灰度值及其出現(xiàn)頻數(shù)的函數(shù)關(guān)系，可以較好地表達(dá)像斑內(nèi)部像元灰度值的分布，在表達(dá)像斑灰度特征的同時(shí)，還能在一定程度上表達(dá)像斑的紋理特征?；叶戎狈綀D可以表示成一張二維圖，其橫坐標(biāo)是像元灰度值，縱坐標(biāo)是灰度值出現(xiàn)的頻數(shù)。

灰度直方圖與灰度級(jí)密切相關(guān)?；叶燃?jí)過大，直方圖分布過于稀疏，直方圖距離度量的準(zhǔn)確性會(huì)較差，從而降低變化檢測(cè)的精度；灰度級(jí)過小，直方圖分布較為緊湊，但會(huì)丟失部分細(xì)節(jié)信息，從而降低變化檢測(cè)的精度。因此，要在合理的灰度級(jí)下提取像斑特征，才能獲得最優(yōu)的變化檢測(cè)精度。

1.3 像斑特征距離度量

利用直方圖提取像斑的特征后，像斑的特征距離就轉(zhuǎn)換為直方圖距離度量。常用的直方圖距離度量方法有G統(tǒng)計(jì)量[16-17]、直方圖相交距離[18]、相交熵[19]等。文中采用G統(tǒng)計(jì)量度量像斑間的特征距離。令兩個(gè)像斑在第b個(gè)波段上歸一化直方圖分別為fb、hb，其中1≤b≤B，B為遙感影像的波段數(shù)，則這兩個(gè)像斑在該波段上的G統(tǒng)計(jì)量如下

(1)

(2)

(3)

(4)

將式(2)—式(4)代入式(1)可得

(5)

Gb的取值在[0,4ln2]內(nèi)。兩個(gè)像斑直方圖的距離越大，則對(duì)應(yīng)的Gb的值越大，反之則越小。當(dāng)兩個(gè)直方圖完全相同時(shí)，Gb取最小值0；當(dāng)兩個(gè)直方圖不相關(guān)時(shí)，Gb取最大值4ln2。圖3為兩個(gè)直方圖間G統(tǒng)計(jì)量計(jì)算的示意圖。

圖3 G統(tǒng)計(jì)量計(jì)算示意圖

利用各波段上像斑間G統(tǒng)計(jì)量的加權(quán)平均值計(jì)算像斑的特征距離，即

(6)

式中，Gb、δb分別表示第b個(gè)波段的G統(tǒng)計(jì)量及其歸一化權(quán)重值；D為像斑的特征距離。各波段上G統(tǒng)計(jì)量權(quán)重的確定思想如下：對(duì)于某個(gè)波段，如果兩個(gè)像斑中某一個(gè)像斑直方圖的信息熵較大，表明像斑在該波段中包含更多的信息量，則該波段設(shè)定較大的G統(tǒng)計(jì)量權(quán)重，否則設(shè)定較小的權(quán)重值。歸一化權(quán)重的計(jì)算如下

(7)

式中，e(fb)、e(hb)分別表示直方圖fb、hb的信息熵；max()表示取較大值。從式(7)中可以看出：某個(gè)波段上，兩個(gè)像斑直方圖中某個(gè)直方圖的信息熵較大，則該波段對(duì)應(yīng)G統(tǒng)計(jì)量的權(quán)重較大；當(dāng)兩個(gè)像斑直方圖的信息熵均較小時(shí)，則該波段對(duì)應(yīng)G統(tǒng)計(jì)量的權(quán)重較小。

式(7)中兩個(gè)直方圖信息熵的計(jì)算如下

(8)

像斑直方圖的分布越分散，則對(duì)應(yīng)的信息熵越大；分布越集中，則對(duì)應(yīng)的信息熵越小。

1.4 像斑類別異質(zhì)度構(gòu)建

像斑類別異質(zhì)度用來衡量像斑與其所屬類別之間的異質(zhì)度。像斑類別異質(zhì)度越大，則表明該像斑變化的強(qiáng)度越大。當(dāng)像斑類別在新時(shí)期發(fā)生了變化，則該像斑與其他舊時(shí)期同類別像斑之間的特征距離較大，對(duì)應(yīng)特征距離的平均值也較大。因此，文中利用像斑與其他同類別像斑之間特征距離的平均值來表達(dá)。令Φ類像斑的集合為{Φ1,Φ2,…,Φm}，其中m表示該類像斑的個(gè)數(shù)，Φj(1≤j≤m)表示該類中第j個(gè)像斑。像斑Φj的類別異質(zhì)度計(jì)算如下

(9)

式中，HΦj表示像斑Φj的類別異質(zhì)度；D(Φk,Φj)表示像斑Φk與像斑Φj之間的特征距離。圖4為像斑類別異質(zhì)度計(jì)算的示意圖。

圖4 像斑類別異質(zhì)度示意圖

1.5 異質(zhì)度閾值獲取

(10)

(11)

(12)

每種地物類別均對(duì)應(yīng)一個(gè)異質(zhì)度閾值。各地物類別的異質(zhì)度閾值取決于該類別所屬所有像斑的類別異質(zhì)度，為此不同的地物類別對(duì)應(yīng)不同的異質(zhì)度閾值。

1.6 基于類別的像斑變化判別

獲取各地物類別的異質(zhì)度閾值后，以類別為單位，對(duì)各類地物所屬的像斑進(jìn)行變化判別。Φ類像斑的變化判別如下

(13)

式中,Φj表示Φ類中第j個(gè)像斑；C(Φj)、H(Φj)分別表示該像斑的變化/未變化類別及類別異質(zhì)度；λΦ表示Φ類的異質(zhì)度閾值。

本文變化檢測(cè)方法的具體流程如下：①以舊時(shí)期矢量圖為約束，對(duì)新時(shí)期遙感影像進(jìn)行分割獲取像斑；②提取像斑的直方圖特征，并利用式(1)計(jì)算單波段上像斑間的直方圖距離，采用式(6)綜合各波段的直方圖距離計(jì)算像斑的特征距離；③利用式(9)逐類計(jì)算各像斑的類別異質(zhì)度，依據(jù)式(12)采用最大熵法計(jì)算各地物類別的異質(zhì)度閾值；④比較像斑的類別異質(zhì)度與對(duì)應(yīng)類別的異質(zhì)度閾值，采用式(13)對(duì)各像斑進(jìn)行變化判別。

2 試驗(yàn)及分析

文中使用的試驗(yàn)數(shù)據(jù)為武漢市2002年的土地利用矢量圖與2005年的QuickBird遙感影像。2002年土地利用矢量圖包含多邊形64個(gè)，共有道路、耕地、湖泊、居民地、林地、裸地6類地物。遙感影像大小為990×1027像元，包含藍(lán)、綠、紅、近紅外4個(gè)波段，影像空間分辨率為2.4 m。以2002年土地利用矢量圖為約束，對(duì)2005年遙感影像進(jìn)行分割，分割后獲取像斑219個(gè)。為了便于對(duì)變化檢測(cè)結(jié)果進(jìn)行定量評(píng)價(jià)，采用目視解譯的方法制作了標(biāo)準(zhǔn)的地表變化結(jié)果。2002—2005年間，武漢城市化進(jìn)程較快，大量的城市裸地被填平改建為居民地。圖5(a)為2002年土地利用矢量圖，圖5(b)為利用QuickBird的紅、綠、藍(lán)3個(gè)波段合成的2005年真彩色遙感影像，圖5(c)為矢量圖約束下的影像分割結(jié)果套合在2005年遙感影像上的結(jié)果，其中灰色線條表示矢量邊界，圖5(d)為地表標(biāo)準(zhǔn)變化結(jié)果，其中黑色區(qū)域表示變化，白色區(qū)域表示未變化。從圖5(c)中可以看出，2002年的許多多邊形內(nèi)部發(fā)生了變化，經(jīng)過帶約束的影像分割后，這部分內(nèi)部邊緣被分割出來形成新的多邊形，如圖5(c)中黑色箭頭指向區(qū)域。

圖5 試驗(yàn)數(shù)據(jù)

文中分別采用正確率、誤檢率、漏檢率3個(gè)指標(biāo)來衡量變化檢測(cè)的精度。正確率是檢測(cè)類別與實(shí)際類別一致的像元在全部像元中的比例，誤檢率是實(shí)際未變化、檢測(cè)變化的像元在檢測(cè)變化像元中的比例，漏檢率是實(shí)際變化、檢測(cè)未變化的像元在實(shí)際變化像元中的比例。正確率越高，誤檢率、漏檢率越低，則變化檢測(cè)的精度越高。

2.1 灰度級(jí)試驗(yàn)

不同的灰度級(jí)對(duì)應(yīng)不同的變化檢測(cè)結(jié)果。為了獲取最優(yōu)的灰度級(jí)，文中分別選取了8、16、32、64、128、256共6組灰度級(jí)進(jìn)行變化檢測(cè)，對(duì)應(yīng)的變化檢測(cè)如圖6所示。

圖6 變化檢測(cè)精度隨灰度級(jí)變化關(guān)系

從圖中可以看出：當(dāng)灰度級(jí)從8開始增大到32時(shí)，正確率呈上升趨勢(shì)，誤檢率呈下降趨勢(shì)，漏檢率的波動(dòng)幅度較??；當(dāng)灰度級(jí)為32時(shí)，正確率達(dá)到最大值0.91，誤檢率達(dá)到最小值0.25，此時(shí)漏檢率為0.33；當(dāng)灰度級(jí)從32增大到128時(shí)，正確率呈下降趨勢(shì)，誤檢率呈上升趨勢(shì)，漏檢率呈微弱下降趨勢(shì)；灰度級(jí)從128增大到256時(shí)，正確率及漏檢率呈上升趨勢(shì)，誤檢率呈下降趨勢(shì)。當(dāng)灰度級(jí)L=32時(shí)，正確率及誤檢率均為最優(yōu)，且此時(shí)的漏檢率為0.33，與最優(yōu)的漏檢率0.31相差較小。因此文中選取灰度級(jí)L=32進(jìn)行變化檢測(cè)，此時(shí)變化檢測(cè)結(jié)果的混淆矩陣見表1。

表1 本文方法混淆矩陣

2.2 變化方法對(duì)比試驗(yàn)

為了驗(yàn)證本文方法的有效性，將本文方法同基于像斑灰度均值的方法進(jìn)行對(duì)比。像斑灰度均值利用像斑內(nèi)像元的灰度均值表達(dá)像斑的特征，利用歐氏距離計(jì)算像斑間的特征距離，構(gòu)建類別異質(zhì)度后進(jìn)行變化檢測(cè)。兩種方法的變化檢測(cè)結(jié)果如圖7所示。圖中黑色區(qū)域表示變化，白色區(qū)域表示未變化。

從圖中可以看出：像斑灰度均值法存在大量的誤檢(圖7(a)中黑色矩形內(nèi)部區(qū)域)與漏檢(圖7(a)中黑色橢圓形內(nèi)部區(qū)域)。圖7(a)中橢圓形區(qū)域在2002年土地利用矢量圖中地物類別為裸地，在2005年遙感影像上變化為居民地，兩者的反射率均較強(qiáng)，對(duì)應(yīng)的灰度均值均較大且相差較小，兩者之間的特征距離較小，導(dǎo)致裸地像斑的類別異質(zhì)度較小，從而產(chǎn)生漏檢；圖7(a)中矩形區(qū)域在2002年土地利用矢量圖中地物類別為居民地，由于居民地的多樣性，不同類型居民地之間的灰度均值會(huì)相差較大，對(duì)應(yīng)的特征距離也較大，導(dǎo)致居民地像斑的類別異質(zhì)度較大，從而產(chǎn)生誤檢。圖7(b)的變化檢測(cè)精度較好，圖7(a)中部分誤檢及漏檢的區(qū)域均能得到正確檢測(cè)。這是因?yàn)槔弥狈綀D表達(dá)像斑特征后，一方面可以增大不同類別地物之間的特征距離，另一方面可以減小相同類別地物之間的特征距離，構(gòu)建的像斑類別異質(zhì)度能夠合理表達(dá)像斑的變化大小，從而提高了變化檢測(cè)的精度。然而本文方法會(huì)將部分線狀像斑誤判為變化(圖7(b)中箭頭指向區(qū)域)，這是因?yàn)榫€狀像斑包含的像元數(shù)較少，導(dǎo)致像斑直方圖較為稀疏，影響了直方圖距離度量的準(zhǔn)確性，從而導(dǎo)致誤檢和漏檢。

圖7 不同方法的變化檢測(cè)結(jié)果

兩種方法變化檢測(cè)結(jié)果的精度對(duì)比見表2。

表2 兩種方法變化檢測(cè)精度對(duì)比 (%)

從表2中可以看出：灰度均值法的誤檢率及漏檢率均較高，本文方法的各項(xiàng)精度均優(yōu)于灰度均值法。

3 結(jié) 論

矢量-影像法是一種重要的變化檢測(cè)方法。矢量圖不僅包含地物的空間位置信息，還包括了地物的類別信息。本文提出了一種基于類別的矢量圖與遙感影像的變化檢測(cè)方法，實(shí)現(xiàn)了變化檢測(cè)的自動(dòng)化。通過矢量圖約束的影像分割獲取像斑，提取像斑的直方圖特征，采用G統(tǒng)計(jì)量計(jì)算像斑的特征距離，利用像斑及同類別像斑特征距離的平均值構(gòu)建像斑的類別異質(zhì)度，依據(jù)最大熵法獲取各地物類別對(duì)應(yīng)的異質(zhì)度閾值，比較像斑的類別異質(zhì)度及對(duì)應(yīng)類別的異質(zhì)度閾值實(shí)現(xiàn)像斑的變化判別。在QuickBird遙感影像上的試驗(yàn)驗(yàn)證了本文方法的有效性，同時(shí)可以得出以下結(jié)論：

(1) 利用直方圖提取像斑特征時(shí)，直方圖的灰度級(jí)應(yīng)適中?；叶燃?jí)過大，直方圖過于稀疏，會(huì)降低直方圖距離度量的準(zhǔn)確性，降低變化檢測(cè)的精度；灰度級(jí)過小，直方圖較為緊湊，但會(huì)丟失部分地物細(xì)節(jié)信息，減小地物之間的可分性，導(dǎo)致變化檢測(cè)中的漏檢。

(2) 本文方法能夠?qū)崿F(xiàn)矢量圖與遙感影像變化檢測(cè)的自動(dòng)化。不需要人工選取訓(xùn)練樣本，采用自動(dòng)的閾值獲取方法，因此能夠?qū)崿F(xiàn)自動(dòng)化的變化檢測(cè)，提高變化檢測(cè)的效率。

(3) 本文方法的適用前提為各類地物下發(fā)生變化的像斑比例較小。當(dāng)某類地物下發(fā)生變化的像斑較多，并朝著同一地物類別變化時(shí)，會(huì)導(dǎo)致變化像斑的類別異質(zhì)度較小，未變化像斑的類別異質(zhì)度反而較大，從而導(dǎo)致錯(cuò)誤的變化檢測(cè)結(jié)果。

如何去除或弱化本文方法的適用前提是下一階段研究工作的重點(diǎn)。

[1] SINGH A. Review Article Digital Change Detection Techniques Using Remotely-sensed Data[J]. International Journal of Remote Sensing, 1989，10(6):989-1003.

[2] 吳煒,沈占鋒,吳田軍,等.聯(lián)合概率密度空間的遙感自適應(yīng)變化檢測(cè)方法[J].測(cè)繪學(xué)報(bào),2016,45(1):73-79.

[3] 佃袁勇,方圣輝,姚崇懷.多尺度分割的高分辨率遙感影像變化檢測(cè)[J].遙感學(xué)報(bào), 2016，20(1):129-137.

[4] 王琳,徐涵秋,李勝.福州城市擴(kuò)展的遙感動(dòng)態(tài)監(jiān)測(cè)[J].地球信息科學(xué)學(xué)報(bào), 2006，8(4):129-135.

[5] 趙敏,陳衛(wèi)平,王海燕.基于遙感影像變化檢測(cè)技術(shù)的地形圖更新[J].測(cè)繪通報(bào), 2013(4): 65-67.

[6] 李德仁.利用遙感影像進(jìn)行變化檢測(cè)[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版), 2003，28 (S1):7-12.

[7] 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.

[8] 王桂婷,王幼亮,焦李成.自適應(yīng)空間鄰域分析和瑞利-高斯分布的多時(shí)相遙感影像變化檢測(cè)[J].遙感學(xué)報(bào), 2009,13(4):639-646.

[9] VARSHNEY A,ARORA M K，GHOSH J K. Median Change Vector Analysis Algorithm for Land-use Land-cover Change Detection from Remote-sensing Data[J].Remote Sensing Letters, 2012,3(7):605-614.

[10] 李雪,舒寧,王琰,等.利用土地利用狀態(tài)轉(zhuǎn)移分析的變化檢測(cè)[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版), 2011，36(8): 952-955.

[11] WALTER V. Object-based Classification of Remote Sensing Data for Change Detection[J].ISPRS Journal of photogrammetry and Remote Sensing, 2004，58(3):225-238.

[12] 張繼賢,楊貴軍.單一時(shí)相遙感數(shù)據(jù)土地利用與覆蓋變化自動(dòng)檢測(cè)方法[J].遙感學(xué)報(bào), 2005,9(3):294-299.

[13] 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].國土資源遙感, 2009,21(2):66-70.

[14] 袁媛,劉順喜,陳靜波,等.土地利用現(xiàn)狀圖斑約束下的并行圖像分割[J].國土資源遙感, 2013，25(4):160-165.

Class-based Change Detection Method Using Vector Map and Remote Sensing Imagery

WANG Gangwu

(Guangdong Land Survey and Planning Institute, Guangzhou 510075， China)

In order to solve the land use change detection problem in vector map and remote sensing imagery, this paper puts forward a change detection method of vector map and remote sensing imagery based on category. The remote sensing image segmentation is carried out to obtain image patches under the constraint of vector map. Then the histogram features of remote sensing imagery patches are extracted and the feature distance between image patches is measured by using G statistic. Thus the class heterogeneity of image patches on single wave is constructed by using the feature distance between image patches and other similar image patches, adaptive weighting combines the class heterogeneity of image patches on each band to establish the class heterogeneity of image patches. Then according to the max entropy method, the threshold of the corresponding heterogeneity of each object category is obtained and the change verification is applied based on category classification to get the change information. The proposed method’s effectiveness is verified by the experimental results on the QuickBird images and it realizes the automatic change detection of vector map and remote sensing imagery.

vector map；change detection；image patches；G statistic；class heterogeneity；max entropy

王剛武.利用矢量影像法進(jìn)行土地利用變化自動(dòng)檢測(cè)[J].測(cè)繪通報(bào)，2017(7)：55-60.

10.13474/j.cnki.11-2246.2017.0223.

2017-05-11

王剛武(1977—)，男，碩士，高級(jí)工程師，主要從事土地調(diào)查、遙感監(jiān)測(cè)及地籍管理的相關(guān)工作。E-mail：1309648@qq.com

P237

A

0494-0911(2017)07-0055-06