胡英男

摘 要：本文針對變化檢測中獲取同質像斑較難的問題，提出應用GIS技術輔助分割獲取同質像斑，進一步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(shù)據 像斑 變化檢測 多尺度分割

中圖分類號：TP7 文獻標識碼：A 文章編號：1672-3791（2018）03（c）-0090-02

本文提出一種面向地理國情監(jiān)測的高分辨率遙感影像與矢量數(shù)據結合的變化檢測的方法，分析了遙感影像與矢量數(shù)據套合結果的不一致性，通過應用GIS技術輔助分割，提出了一種獲取同質性較強的像斑的方法。本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

為獲取同質像斑，本文綜合利用GIS輔助數(shù)據分割和多尺度分割方法。首先，利用矢量輔助數(shù)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(shù)據和兩個時期遙感影像分別配準套合，僅利用矢量數(shù)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(shù)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(shù)，以T1、T2時期影像的響應光譜特征為依據，分別對T1、T2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(shù)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(shù)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。在第2節(jié)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(yōu)化。像斑特征由組成像斑的內部像素灰度值通過一定的數(shù)學運算獲取。獲取的光譜特征主要包括均值、方差、信息熵等，形狀特征主要包括面積、密度、矩形契合度、形狀指數(shù)、長寬比等，紋理特征主要通過灰度共生矩陣計算。

（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期影像根據T1期矢量數(shù)據的屬性信息，獲取像斑類別，對像斑進行分類。T2期影像可采用基于像斑的最鄰近分類算法，對T2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(fā)生變化的同時，也獲得了像斑的變化類別。獲取變化檢測結果后，可以根據再分割過程中形成的像斑與子像斑之間的繼承關系，將已經獲取的變化檢測結果轉換到矢量圖斑上去，以此評價變化檢測結果，并估計應用此變化檢測結果更新現(xiàn)有矢量數(shù)據的能力。

3 實驗及結果分析

本文采用的實驗數(shù)據為某地區(qū)2012年5月和2014年5月的快鳥衛(wèi)星影像（藍、綠、紅、近紅外波段，以及全色波段），以及相同區(qū)域2012年5月矢量圖。實驗區(qū)大小為1001像元×1003像元，矢量圖斑總數(shù)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(shù)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(shù)：尺度參數(shù)為250，形狀指數(shù)為0.7，緊致度為0.5。此時獲得的分割結果出現(xiàn)了植被過分割和非植被分割尺度不夠的現(xiàn)象，因此需要根據類別的不同分別設置相應的尺度參數(shù)。植被類別的分割尺度參數(shù)為：尺度參數(shù)為300，形狀指數(shù)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(shù)為：尺度參數(shù)為200，形狀指數(shù)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。共獲得385個子像斑，從目視效果來看，絕大多數(shù)的像斑同質性較強，有利于后續(xù)的變化檢測分析。

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(yōu)化，選取最佳特征組合。根據矢量數(shù)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2所示。由實驗結果得出，80%發(fā)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(fā)生變化，則認為該圖斑發(fā)生變化，從而可以對歷史矢量圖進行更新。

4 結語

矢量數(shù)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?yōu)榱艘环N通過影像進行的“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(yè)調查規(guī)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(shù)據結合的變化檢測方法[J].測繪科學，2015，40（6）：120-124.