周赟 黃云

摘 要：本文針對變化檢測中獲取同質(zhì)像斑較難的問題，提出應用矢量數(shù)據(jù)輔助分割獲取同質(zhì)像斑，進一步地，本文提出了基于GIS疊置分析的變化檢測方法，實驗結(jié)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(guān)鍵詞：矢量數(shù)據(jù) 像斑 變化檢測 多尺度分割

中圖分類號：TP79 文獻標識碼：A 文章編號：1672-3791（2018）06（b）-0069-02

遙感影像變化檢測方法已經(jīng)從傳統(tǒng)的像元級變化檢測開始向像斑級（對象級）變化檢測方向轉(zhuǎn)變。雖然許多變化檢測方法采用了面向?qū)ο蟾拍?，但由于多?shù)對象（像斑）僅由影像分割獲得，獲取方式單一，且該方法極度依賴影像分割算法的精度，目前為止仍沒有一種具有普適性和高精度的針對高分辨率遙感的分割技術(shù)。

本文提出一種基于GIS疊置分析的變化檢測的方法。首先，分析了遙感影像與矢量數(shù)據(jù)套合結(jié)果的不一致性，通過應用矢量數(shù)據(jù)輔助分割，提出了一種獲取同質(zhì)性較強的像斑的方法。進一步地，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(zhì)像斑獲取

為獲取同質(zhì)像斑，本文綜合利用GIS輔助數(shù)據(jù)分割和多尺度分割方法。首先，利用矢量輔助數(shù)據(jù)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(nèi)的光譜同質(zhì)性。技術(shù)流程如圖1所示。

具體步驟如下。

（1）通過矢量數(shù)據(jù)和兩個時期遙感影像分別配準套合，僅利用矢量數(shù)據(jù)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(jù)矢量數(shù)據(jù)屬性信息中的類別信息，獲取像斑類別。

（2）設(shè)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(jù)，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(jù)類別的不同分別設(shè)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(zhì)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(chǔ)上，與已有的方法不同，該方法充分考慮了矢量數(shù)據(jù)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(zhì)像斑的基礎(chǔ)上，提取光譜、紋理、形狀等特征，構(gòu)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(nèi)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(jù)T1期矢量數(shù)據(jù)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(jié)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(jié)果后，可以根據(jù)再分割過程中形成的像斑與子像斑之間的繼承關(guān)系，將已經(jīng)獲取的變化檢測結(jié)果轉(zhuǎn)換到矢量圖斑上去，以此評價變化檢測結(jié)果，并估計應用此變化檢測結(jié)果更新現(xiàn)有矢量數(shù)據(jù)的能力。

3 實驗及結(jié)果分析

本文采用的實驗數(shù)據(jù)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(zhì)像斑

首先，分別將兩個時期遙感影像與矢量數(shù)據(jù)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(jù)，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(jié)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(jù)類別的不同分別設(shè)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(zhì)性均增強，停止分割。最后，將兩期影像分割結(jié)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(zhì)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(jù)矢量數(shù)據(jù)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(jié)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。由實驗結(jié)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(jié)果轉(zhuǎn)換到矢量圖斑上去。如果矢量圖斑范圍內(nèi)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(jié)語

本文針對遙感影像與矢量數(shù)據(jù)套合不一致性問題，提出了一種多尺度分割算法來獲取同質(zhì)像斑，并在此基礎(chǔ)上利用歷史矢量與雙時相遙感影像的變化檢測方法進行變化檢測。方法流程清晰、原理簡單、操作性強，具有良好的應用前景。由于前后期影像分類是單獨進行的，而變化檢測結(jié)果只是比較前后期對應像斑類別是否相同。因此，這種方法在當前后時期影像的響應光譜、影像來源等差別較大時仍然能夠進行。

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(diào)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(jù)結(jié)合的變化檢測方法[J].測繪科學，2015，40（6）：120-124.