張藝明 肖文

?

一種面向?qū)ο蟮臋C(jī)場(chǎng)跑道變化檢測(cè)方法

張藝明 肖文

（北京航空航天大學(xué) 儀器科學(xué)與光電工程學(xué)院，北京 100191）

利用遙感影像變化檢測(cè)技術(shù)獲取機(jī)場(chǎng)跑道變化信息，可以為機(jī)場(chǎng)跑道打擊效果評(píng)估等多種軍事應(yīng)用提供決策支撐。為了快速、準(zhǔn)確的檢測(cè)出機(jī)場(chǎng)跑道的變化區(qū)域，并定量、定性的獲得變化屬性，文章以“資源三號(hào)”衛(wèi)星影像為例，提出了一種新的面向?qū)ο蟮臋C(jī)場(chǎng)跑道變化檢測(cè)方法。首先，將經(jīng)過配準(zhǔn)處理的前后時(shí)相遙感影像進(jìn)行多尺度分割，分割尺度利用尺度參數(shù)估計(jì)（Estimation of Scale Parameters，ESP）算法確定；之后，利用影像分割結(jié)果對(duì)不同時(shí)相的對(duì)象進(jìn)行切割，形成前后時(shí)相上位置、大小一致的對(duì)象單元，再利用不同時(shí)相對(duì)象間的變化向量大小確定變化區(qū)域；最后，利用特征空間優(yōu)化之后的特征集合對(duì)已確定的變化區(qū)域?qū)ο筮M(jìn)行監(jiān)督分類，獲得機(jī)場(chǎng)跑道內(nèi)部各對(duì)象的變化屬性。結(jié)果表明：在變化區(qū)域的檢測(cè)上，該方法避免了單張影像的分類過程，可有效提高檢測(cè)效率；在變化類別的檢測(cè)上，該方法在檢測(cè)出的變化區(qū)域基礎(chǔ)上進(jìn)行分類，可大幅提高變化類別的檢測(cè)精度，并且能夠獲得更為豐富的變化屬性和滿足快速準(zhǔn)確檢測(cè)機(jī)場(chǎng)跑道相關(guān)變化的信息。

面向?qū)ο?影像分割 監(jiān)督分類 變化檢測(cè) 航天遙感應(yīng)用

0 引言

變化檢測(cè)是遙感影像應(yīng)用的一個(gè)重要方向，主要是獲取地物變化并定量定性分析的技術(shù)[1]，屬于遙感影像專題解譯的范疇[2]。根據(jù)圖像配準(zhǔn)和變化檢測(cè)的數(shù)據(jù)源可以分為兩大類七種方法：第一類是先進(jìn)行圖像配準(zhǔn)的變化檢測(cè)方法；第二類是變化檢測(cè)與圖像配準(zhǔn)同步進(jìn)行的方法[3]。

機(jī)場(chǎng)跑道作為飛機(jī)起降的主要平臺(tái)，其變化檢測(cè)結(jié)果能夠直接反映毀傷情況，進(jìn)而制約戰(zhàn)略部署。美國等發(fā)達(dá)國家早在海灣戰(zhàn)爭時(shí)期就已使用遙感影像對(duì)機(jī)場(chǎng)跑道變化情況進(jìn)行檢測(cè)，我國受自主衛(wèi)星影像資源和成像能力的限制，在該方面的研究起步比較晚。

文獻(xiàn)[4]采用圖像差值法對(duì)前后機(jī)場(chǎng)區(qū)域圖像進(jìn)行檢測(cè)，在變化區(qū)域特征提取時(shí)引入了空間二維匹配濾波和形態(tài)學(xué)處理的方法；文獻(xiàn)[5]、[6]首先將后時(shí)相影像進(jìn)行非線性拉伸消除成像因素誤差，采用移動(dòng)窗口檢測(cè)前后時(shí)相影像在窗口內(nèi)灰度共生矩陣的紋理特征，利用相關(guān)性獲得疑似變化區(qū)域，最后通過設(shè)定閾值獲得變化位置；文獻(xiàn)[7]、[8]將前后時(shí)相影像對(duì)應(yīng)像素的灰度值相乘，經(jīng)過中值濾波和二值化處理獲得變化區(qū)域。但以上方法只能檢測(cè)出變化區(qū)域，不能確定變化類別，且需要對(duì)圖像進(jìn)行二值化和形態(tài)學(xué)處理，使得變化區(qū)域邊緣像素點(diǎn)的檢測(cè)精度降低。另外，出于對(duì)毀傷效果的分析判斷，也有學(xué)者提出了基于單幅影像的彈坑識(shí)別方法[9-11]，主要方法是對(duì)后時(shí)相影像進(jìn)行分割找出潛在的變化目標(biāo)，采用形態(tài)學(xué)處理、區(qū)域標(biāo)號(hào)和模式識(shí)別的方法確定彈坑位置。這些方法的局限性在于可以檢測(cè)出的變化類別單一，對(duì)先驗(yàn)知識(shí)要求高，需要預(yù)先掌握變化特征或建立準(zhǔn)確的變化模型，實(shí)際應(yīng)用的難度大。

針對(duì)以上問題，本文在先進(jìn)行圖像配準(zhǔn)的變化檢測(cè)方法的基礎(chǔ)上，結(jié)合面向?qū)ο蟮挠跋裉幚硭枷耄岢鲆环N以前后時(shí)相影像對(duì)應(yīng)對(duì)象為基本單元，綜合對(duì)象特征和變化向量的機(jī)場(chǎng)跑道變化檢測(cè)方法。

1 主要技術(shù)路線與算法

本文方法需要將兩幅影像進(jìn)行預(yù)處理，通過配準(zhǔn)減少多時(shí)相影像數(shù)據(jù)空間分布以及光譜響應(yīng)誤 差[12-13]，通過融合提高影像的清晰度和空間分辨率，增強(qiáng)解譯精度[14]。之后，將配準(zhǔn)后的兩幅影像分別進(jìn)行分割，再形成大小和位置一致的分割對(duì)象，最后利用對(duì)象的各種特征依次進(jìn)行變化區(qū)域和變化類別的檢測(cè)。主要技術(shù)路線如圖1所示。

圖1 主要技術(shù)路線

圖1中，首先將兩幅影像分別進(jìn)行多尺度分割[15]，在前后時(shí)相影像上形成滿足均質(zhì)性要求的分割對(duì)象；之后將兩幅影像的分割結(jié)果疊加，把原有對(duì)象進(jìn)一步切割為前后時(shí)相影像中相互對(duì)應(yīng)、位置大小均相同的對(duì)象；再利用變化向量分析法提取每個(gè)對(duì)象的變化向量大小，以此為變量將影像分為變化區(qū)域與未變化區(qū)域；最后提取每個(gè)對(duì)象在前后時(shí)相影像中的光譜類型特征（各波段數(shù)值、比值等）、紋理特征（灰度共生矩陣的均值、熵等）、算術(shù)特征（植被覆蓋指數(shù)等），并加入對(duì)象的變化向量特征，通過特征空間優(yōu)化的標(biāo)準(zhǔn)最鄰近法進(jìn)行變化區(qū)域內(nèi)對(duì)象的類別劃分，最終獲得變化信息。

1.1 影像分割方法

面向?qū)ο笞兓瘷z測(cè)方法的基本處理單元是一個(gè)影像分割后產(chǎn)生的對(duì)象[16]，對(duì)象的精確劃分程度直接關(guān)系到最終的檢測(cè)結(jié)果。為保證分割對(duì)象的均質(zhì)性和緊湊性，本文在多尺度分割方法的基礎(chǔ)上，采用尺度參數(shù)估計(jì)（Estimation of Scale Parameters，ESP）算法[17]確定最優(yōu)分割尺度。首先，表示某個(gè)對(duì)象內(nèi)各個(gè)像素點(diǎn)的灰度值，為循環(huán)變量，x表示第個(gè)像素點(diǎn)的灰度值，1表示該對(duì)象內(nèi)部的像素點(diǎn)個(gè)數(shù)，計(jì)算初始分割尺度下該對(duì)象內(nèi)的所有像素點(diǎn)的平均灰度值

之后計(jì)算該對(duì)象的局部方差LV

以2表示在當(dāng)前尺度下分割出的對(duì)象總數(shù)，利用得到的單個(gè)對(duì)象局部方差，計(jì)算當(dāng)前尺度下全部對(duì)象的局部方差均值，其中為循環(huán)變量，LV表示第個(gè)對(duì)象的局部方差值

按照以上步驟，計(jì)算下一個(gè)尺度的局部方差均值+1以及局部方差均值的變化率ROC

（4）

當(dāng)ROC的值接近0時(shí)1與的差很小，此時(shí)分割效果最好，則針對(duì)的分割尺度即為最優(yōu)分割 尺度。

1.2 疊加切割

為保證變化檢測(cè)時(shí)前、后時(shí)相層中對(duì)象的大小和邊界相互一致，本文提出了一種分割層疊加后重新切割對(duì)象的方法，主要過程如圖2所示。

圖2 疊加切割過程示意圖

圖2中每個(gè)分塊表示一個(gè)對(duì)象，分塊邊界表示分割邊界。首先，將后時(shí)相層中的分割結(jié)果疊加到前時(shí)相層上，形成一個(gè)新的分割層；之后，將后時(shí)相層中分割邊界與前時(shí)相層中分割邊界重合的分割結(jié)果保留至新分割層，將后時(shí)相層中的分割邊界與前時(shí)相層中分割邊界不重合的分割結(jié)果，按照邊緣重新進(jìn)行分割，形成新的更細(xì)化的分割結(jié)果并保存至新分割層。至此，新分割層上的分割結(jié)果更加豐富，與前后時(shí)相層中的對(duì)象均存在相關(guān)性且位置和大小均一致。

1.3 變化向量分析[18]

1.4 單變量二分

以變化強(qiáng)度區(qū)分變化區(qū)域與未變化區(qū)域的方法屬于單變量的二分類問題，為了獲得比較好的分類效果，本文使用自然間斷點(diǎn)分類法[19]。基本原理是計(jì)算兩個(gè)類別各自方差的和，當(dāng)該值最小時(shí)，兩個(gè)類別之間的可區(qū)分距離最大，類別間有一個(gè)最為明顯的斷裂處，即為閾值。

1.5 變化對(duì)象分類

已經(jīng)確定的變化區(qū)域內(nèi)的對(duì)象在前后時(shí)相影像層中存在本身特征（光譜、紋理、算術(shù)特征等），也存在兩個(gè)影像層之間的變化特征（變化向量大小、方向等），通過選擇適當(dāng)?shù)臉颖具M(jìn)行監(jiān)督分類可以判斷變化類別。本文采用標(biāo)準(zhǔn)最鄰近法進(jìn)行變化區(qū)域的分類，在特征空間中尋找最近的樣本對(duì)象，通過計(jì)算與樣本對(duì)象之間的距離決定對(duì)象類別，影像對(duì)象在特征空間中與指定類別的樣本對(duì)象的距離越接近，則屬于該類別的概率越高。影像對(duì)象與樣本對(duì)象之間的標(biāo)準(zhǔn)化歐式距離的計(jì)算公式如下

在實(shí)際處理過程中，為了避免特征過多帶來的計(jì)算問題，本文進(jìn)行了特征空間優(yōu)化[20]，主要方法是利用線性可分原理，通過樣本特征值的計(jì)算獲得兩種類別之間的最大可分距離，并以此作為一個(gè)參考值保留下來，直到將所有類別的全部特征的最大可分距離進(jìn)行計(jì)算完畢后，綜合考慮各個(gè)特征對(duì)所有類別最大可分距離的貢獻(xiàn)程度確定選擇的特征。鑒于特征空間優(yōu)化計(jì)算方法已廣泛應(yīng)用，在此不再贅述。

2 試驗(yàn)結(jié)果及分析

2.1 試驗(yàn)數(shù)據(jù)

試驗(yàn)使用的遙感影像為2014年11月20日和2015年11月29日我國“資源三號(hào)”衛(wèi)星所拍攝的某機(jī)場(chǎng)的融合影像，影像的全色分辨率2.1m、多光譜分辨率5.8m，配準(zhǔn)誤差優(yōu)于0.3個(gè)像素。見圖3。

圖3 試驗(yàn)使用遙感影像

其中，變化信息主要是飛機(jī)起降造成的輪胎印在前后時(shí)相影像中發(fā)生了變化，以及跑道上的標(biāo)識(shí)線經(jīng)過了重新噴漆。經(jīng)過人工測(cè)定，機(jī)場(chǎng)跑道區(qū)域內(nèi)未變化區(qū)域?qū)嶋H包含29 555個(gè)像素，變化區(qū)域?qū)嶋H包含1 791個(gè)像素，存在7種變化類別，各種類別對(duì)應(yīng)的像素?cái)?shù)見表1。

表1 實(shí)際變化類別及像素?cái)?shù)

Tab.1 Actual change information 個(gè)

2.2 試驗(yàn)過程

經(jīng)過ESP算法計(jì)算獲得的最優(yōu)分割尺度為15個(gè)像素，與實(shí)際人工分割試驗(yàn)分析結(jié)果一致。以該尺度進(jìn)行分割并進(jìn)行疊加切割后的結(jié)果見圖4。

圖4 分割與疊加切割效果圖

利用自然間斷點(diǎn)分級(jí)法計(jì)算得到的最優(yōu)閾值為88.82，以此進(jìn)行劃分后的結(jié)果如圖5所示。

圖5 單變量二分效果圖

經(jīng)過計(jì)算特征空間中各特征對(duì)最大可分距離的貢獻(xiàn)程度，得到的5種特征，分別為：灰度共生矩陣、前時(shí)相近紅外波段標(biāo)準(zhǔn)差、全色影像灰度差、索引邊框值和變化向量模，將這些特征應(yīng)用到分類器中，得到類別間的最大可分距離如表2所示。

表2 類別間最大可分距離

Tab.2 Maximum distance between classes 像素

表2中，兩個(gè)類別之間的最大可分距離越大，說明該兩個(gè)類別越容易區(qū)分；最大可分距離越小，說明該兩個(gè)類別越容易產(chǎn)生分類誤差；當(dāng)最大可分距離為0時(shí)，表示該兩個(gè)類別為同一分類。

2.3 精度分析

為保證試驗(yàn)結(jié)果的可靠性，本文的變化檢測(cè)精度評(píng)價(jià)包括兩個(gè)部分：一個(gè)是變化區(qū)域的實(shí)際檢測(cè)精度，也即是檢測(cè)出變化的像素個(gè)數(shù)與實(shí)際變化的像素個(gè)數(shù)之間的關(guān)系；另一個(gè)是變化類別劃分的精度，也即是地物檢測(cè)出的變化類別的像素個(gè)數(shù)與實(shí)際變化類別的像素個(gè)數(shù)之間的關(guān)系。精度評(píng)價(jià)的方法主要是通過比較測(cè)試樣本與分類的結(jié)果，統(tǒng)計(jì)測(cè)試樣本中每類像素分類正確的樣本數(shù)，從而獲得誤差矩陣，然后計(jì)算總體分類精度和分類精度指標(biāo)（Kappa系數(shù)）[21]，并與傳統(tǒng)的先分類后檢測(cè)變化的方法進(jìn)行精度的對(duì)比。傳統(tǒng)變化檢測(cè)方法按照首先對(duì)前后時(shí)相影像分別進(jìn)行監(jiān)督分類，之后對(duì)比前后時(shí)相影像分類結(jié)果，獲得變化區(qū)域并確定變化類別的步驟進(jìn)行。

誤差矩陣[22]主要用于比較分類結(jié)果和地表真實(shí)信息，可以把分類結(jié)果的精度顯示在一個(gè)誤差矩陣?yán)铩＜僭O(shè)類別總數(shù)為，則誤差矩陣如表3。

表3 誤差矩陣

Tab.3 Error matrix 個(gè)

表3中，a表示分類結(jié)果中第類與參考分類中第類所占的像素?cái)?shù)，均為循環(huán)變量。

總體分類精度等于被正確分類的像素總和除以總像素?cái)?shù)，利用誤差矩陣計(jì)算總體分類精度公式 如下

Kappa系數(shù)表示分類結(jié)果與實(shí)際數(shù)據(jù)之間的吻合程度，其計(jì)算公式如下[23]

式中表示總體分類精度，a+與+i分別表示誤差矩陣第行的總和、第列的總和，即為Kappa系數(shù)的最終數(shù)值。

經(jīng)過試驗(yàn)得到變化對(duì)象的像素總數(shù)為1 764個(gè)，未變化對(duì)象的像素總數(shù)為29 582個(gè)，誤差矩陣見 表4。

表4 變化區(qū)域誤差矩陣

Tab.4 Variation regions error matrix 個(gè)

精度評(píng)價(jià)結(jié)果見表5。

試驗(yàn)中，實(shí)際應(yīng)用所關(guān)心的重點(diǎn)變化區(qū)域由于分布較為集中而檢測(cè)精度更好，而少數(shù)不確定的單像素變化點(diǎn)也均被識(shí)別出來。利用傳統(tǒng)變化檢測(cè)方法得到的變化對(duì)象的像素總數(shù)為1 751個(gè)（實(shí)際變化1 461個(gè)，實(shí)際未變290個(gè)），未變化對(duì)象的像素總數(shù)為29 595個(gè)（實(shí)際變化330個(gè)，實(shí)際未變29 265個(gè)），計(jì)算得到的變化區(qū)域總體分類精度為98.02%，Kappa系數(shù)為0.81。試驗(yàn)結(jié)果表明，本方法的檢測(cè)精度更高，且算法執(zhí)行速度快，便于在實(shí)際應(yīng)用中展開。

表5 變化區(qū)域精度評(píng)價(jià)

Tab.5 Variation regions precision evaluation

以類別1至7分別對(duì)應(yīng)表示輪胎印變?yōu)r青跑道，輪胎印變劃線，輪胎印變水泥跑道，輪胎印變淺，劃線變亮，水泥跑道變劃線，瀝青跑道變劃線，則得到的誤差矩陣見表6。

表6 變化類別誤差矩陣

Tab.6 Variation type error matrix 個(gè)

精度評(píng)價(jià)結(jié)果見表7。

表7 變化類別精度評(píng)價(jià)

Tab.7 Variation classification precision evaluation

試驗(yàn)中，對(duì)于兩種特征相近的類別劃分結(jié)果相對(duì)差一些，但已滿足使用需求。使用傳統(tǒng)變化檢測(cè)方法獲得的誤差矩陣不再列表，計(jì)算得出變化類別的總體分類精度為92.22%，Kappa系數(shù)為0.90。結(jié)果表明，本方法由于排除了未變化區(qū)域在分類時(shí)帶來的誤差，檢測(cè)出的變化類別精度更高。

綜合以上兩個(gè)部分的精度評(píng)價(jià)結(jié)果，說明本文的方法在實(shí)際機(jī)場(chǎng)跑道變化檢測(cè)中具有很好的效果，變化區(qū)域的劃分效率高、精度好，以變化區(qū)域內(nèi)進(jìn)行變化類別劃分的方法可以有效應(yīng)對(duì)多種變化類別，進(jìn)一步提升類別檢測(cè)精度。

3 結(jié)束語

本文針對(duì)機(jī)場(chǎng)跑道變化檢測(cè)的實(shí)際應(yīng)用問題，提出了一種面向?qū)ο蟮臋C(jī)場(chǎng)跑道變化檢測(cè)方法，可以快速檢測(cè)出實(shí)際變化區(qū)域，并在此基礎(chǔ)上精確檢測(cè)出變化類別。經(jīng)過真實(shí)遙感影像變化檢測(cè)試驗(yàn)，并與傳統(tǒng)變化檢測(cè)方法進(jìn)行比較，表明本文方法可以降低變化類別的分類誤差，有效提升檢測(cè)精度，且檢測(cè)過程效率高，可用于機(jī)場(chǎng)跑道變化的實(shí)際檢測(cè)應(yīng)用。其中，變化類別的劃分標(biāo)準(zhǔn)是一個(gè)判斷難題，分類后依然存在一些小的獨(dú)立對(duì)象。后續(xù)研究將針對(duì)上述問題繼續(xù)提高檢測(cè)效率，探討?yīng)毩?duì)象分類解決辦法。

[1] 張振龍, 曾志遠(yuǎn), 李碩, 等.遙感變化檢測(cè)方法研究綜述[J].遙感信息, 2005(5): 64-66. ZHANG Zhenlong, ZENG Zhiyuan, LI Shuo, et al. A Summary of Change Detection Methods of Remote Sensing Image[J]. Remote Sensing Information, 2005(5): 64-66. (in Chinese)

[2] 陳世平. 關(guān)于航天遙感的若干問題[J]. 航天返回與遙感, 2011, 32(3): 1-8. CHEN Shiping. Some Issues about Space Remote Sensing[J]. Spacecraft Recovery & Remote Sensing, 2011, 32(3): 1-8. (in Chinese)

[3] 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(S1): 7-12. LI Deren. Change Detection from Remote Sensing Images[J]. Journal of Wuhan University (Information Science Edition), 2003(S1): 7-12. (in Chinese)

[4] 牛鵬輝, 李衛(wèi)華, 李小春. 基于變化檢測(cè)的機(jī)場(chǎng)毀傷評(píng)估算法[J]. 電光與控制, 2012, 19(7): 89-93. NIU Penghui, LI Weihua, LI Xiaochun. An Airport Damage Assessment Algorithm Based on Change Detection[J]. Electronics Optics & Control, 2012, 19(7): 89-93. (in Chinese)

[5] 楊茂龍, 夏德深. 跑道毀傷識(shí)別中的變化檢測(cè)研究[J]. 遙感技術(shù)與應(yīng)用, 2005, 20(5): 18-21. YANG Maolong, XIA Deshen. A Study on Change Detecting in Runway's Damage Recognition[J]. Remote Sensing Technology and Application, 2005, 20(5): 18-21. (in Chinese)

[6] 劉小鋒. 基于遙感圖像目標(biāo)識(shí)別的機(jī)場(chǎng)毀傷情況研究[D]. 西安: 西安電子科技大學(xué), 2013. LIU Xiaofeng. Study of Airport Damage Analysis Based on Remote Sensing Target Recognition[D]. Xi'an： Xidian University, 2013. (in Chinese)

[7] 馬波. 基于圖像分析的機(jī)場(chǎng)打擊效果評(píng)估研究[D]. 武漢: 華中科技大學(xué), 2004. MA Bo. Automatic Battle Damage Assessment of Airports Based on Image Analysis[D]. Wuhan: Huazhong University of Science & Technology, 2004. (in Chinese)

[8] 范瑞彬. 遙感圖像中機(jī)場(chǎng)識(shí)別與毀傷分析研究[D]. 南京: 南京理工大學(xué), 2004. FAN Ruibin. Research on Airport Recognition and Damage Analysis in Remote Sensing Images[D]. Nanjing: Nanjing University of Science & Technology, 2004. (in Chinese)

[9] 尤曉建. 基于目標(biāo)識(shí)別的機(jī)場(chǎng)跑道打擊效果評(píng)估研究[J]. 計(jì)算機(jī)與數(shù)字工程, 2010, 38(10): 119-121. YOU Xiaojian. Study of the Runway Battle Damage Assessment Based on Target Recognition[J]. Computer & Digital Engineering, 2010, 38(10): 119-121. (in Chinese)

[10] 蒲剛, 許鵬, 任平, 等. 基于圖像分析的機(jī)場(chǎng)跑道毀傷效果評(píng)估研究[J]. 艦船電子工程, 2012, 32(2): 31-33. PU Gang, XU Peng, REN Ping, et al. Research on Damage Effect Assessment of Airport Runways Based on Image Analysis[J]. Ship Electronic Engineering, 2012, 32(2): 31-33. (in Chinese)

[11] 計(jì)宏磊, 楊清文. 基于圖像分析的機(jī)場(chǎng)跑道功能性毀傷評(píng)估[J]. 計(jì)算機(jī)應(yīng)用, 2016, 36(S1): 165-168. JI Honglei, YANG Qingwen. Airport Runway Functional Damage Assessment Based on Image Analysis[J]. Journal of Computer Applications, 2016, 36(S1): 165-168. (in Chinese)

[12] DING M, TIAN Z, JIN Z, et al. Registration Using Robust Kernel Principal Component for Object-based Change Detection[J]. IEEE Geoscience and Remote Sensing Letters, 2010, 7(4): 761-765.

[13] MARCHESI S, BOVOLO F, BRUZZONE L. A Context-sensitive Technique Robust to Registration Noise for Change Detection in VHR Multispectral Images[J]. IEEE Transactions on Image Processing, 2010, 19(7): 1877-1889.

[14] 杜培軍. 遙感原理與應(yīng)用[M]. 徐州: 中國礦業(yè)大學(xué)出版社, 2006: 254-257. DU Peijun. Principle and Application of Remote Sensing[M]. Xuzhou: China University of Mining and Technology Press, 2006: 254-257. (in Chinese)

[15] BAATZ M, SCH?PE A. Multiresolution Segmentation: An Optimization Approach for High Quality Multi-scale Image Segmentation[C]//Angewandte Geographische Informationsverarbeitung XII Beitr?ge zum AGIT-Symposium Salzburg 2000. Karlsruhe: Herbert Wichmann Verlag, 2000: 12-23.

[16] RAFAEL C G, RICHARD E W. Digital Image Processing(Second Edition)[M]. New Jersey: Prentice Hall, 2002.

[17] DR?GU? L, CSILLIK O, EISANK C, et al. Automated Parameterisation for Multi-scale Image Segmentation on Multiple Layers[J]. ISPRS Journal of Photogrammetry & Remote Sensing, 2014, 88(100): 119-127.

[18] 陳晉, 何春陽, 史培軍, 等. 基于變化向量分析的土地利用/覆蓋變化動(dòng)態(tài)監(jiān)測(cè)（I）——變化閾值的確定方法[J]. 遙感學(xué)報(bào), 2001, 5(4): 259-266. CHEN Jin, HE Yangchun, SHI Peijun, et al. Land Use/Cover Change Detection with Change Vector Analysis(CVA): Change Magnitude Threshold Determination[J]. Journal of Remote Sensing, 2001, 5(4): 259-266. (in Chinese)

[19] MICHAEL J, DE S, MICHAEL F, et al. Geospatial Analysis: A Comprehensive Guide to Principle, Techniques and Software Tools(2.ed.)[J]. Transactions in GIS, 2008, 12(5): 645-647.

[20] 張秀英, 馮學(xué)智, 江洪. 面向?qū)ο蠓诸惖奶卣骺臻g優(yōu)化[J]. 遙感學(xué)報(bào), 2009, 13(4): 664-669. ZHANG Xiuying, FENG Xuezhi, JIANG Hong. Feature Space Optimization of Object-oriented Classification[J]. Journal of Remote Sensing, 2009, 13(4): 664-669. (in Chinese)

[21] 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: 203-208. ZHAO Yingshi. Principle and Method of Remote Sensing Applied Analysis[M]. Beijing: The Science Publishing Company, 2003: 203-208. (in Chinese)

[22] FAWCETT T. An Introduction to ROC Analysis[J]. Pattern Recognition Letters, 2006, 27(8): 861-874.

[23] CONGALTON R G. A Review of Assessing the Accuracy of Classifications of Remotely Sensed Data[J]. Remote Sensing of Environment, 1991, 37(2): 35-46.

An Object-oriented Method for Airport Runway Change Detection

ZHANG Yiming XIAO Wen

（School of Instrumentation Science and Opto-electronics Engineering, Beihang University, Beijing 100191, China）

The remote sensing image change detection technology can be used to obtain the information of airport runway change，thus providing decision support for various military applications such as airport runway strike effect evaluation. In order to detect the change area of airport runway quickly and accurately, and to obtain the change attribute quantitatively and qualitatively, a new object-oriented method of airport runway change detection is put forward in this paper by taking ZY-3 satellite image as an example. Firstly, the pre- and post-time phase remote sensing images after registration processing are segmented, and the segmentation scale is determined by ESP algorithm. After that, the objects of different time are cut using the result of image segmentation to form the object unit with the same position and size on the different time image, and then the change region is determined using the change vector size between different time objects. Finally, the objects in the determined change area are performed Supervised Classification using the feature set optimized by feature space, and the change attributes of the objects in the airport runway are then obtained. The results show that in detecting changing area the proposed method can effectively improve the detection efficiency by avoiding the classification process of single image, and in detecting changing categories, the method can greatly improve the detection accuracy by classifying on the basis of the detected variation area. In addition, more abundant change attribute information can be obtained by the method. It should be noted that the method can meet the military needs in rapid and accurate detection of airport runway related changes.

object-oriented; image segmentation; monitoring classification; change detection; space remote sensing applications

TP79

A

1009-8518(2019)01-0102-10

10.3969/j.issn.1009-8518.2019.01.012

張藝明，男，1983年出生，2006年獲解放軍信息工程大學(xué)數(shù)字戰(zhàn)場(chǎng)環(huán)境仿真專業(yè)學(xué)士學(xué)位，工程師。現(xiàn)在北京航空航天大學(xué)儀器科學(xué)與光電工程學(xué)院攝影測(cè)量與遙感專業(yè)攻讀碩士研究生學(xué)位，研究方向?yàn)檫b感影像分析與應(yīng)用。E-mail：frogzym@163.com。

2018-07-03

（編輯：龐冰）