留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

一种新的遥感影像变化检测方法

贾永红 谢志伟 吕臻 祝梦花 刘美娟

贾永红, 谢志伟, 吕臻, 祝梦花, 刘美娟. 一种新的遥感影像变化检测方法[J]. 武汉大学学报 ● 信息科学版, 2016, 41(8): 1001-1006. doi: 10.13203/j.whugis20150025
引用本文: 贾永红, 谢志伟, 吕臻, 祝梦花, 刘美娟. 一种新的遥感影像变化检测方法[J]. 武汉大学学报 ● 信息科学版, 2016, 41(8): 1001-1006. doi: 10.13203/j.whugis20150025
JIA Yonghong, XIE Zhiwei, LV Zhen, ZHU Menghua, LIU Meijuan. A New Change Detection Method of Remote Sensing Image[J]. Geomatics and Information Science of Wuhan University, 2016, 41(8): 1001-1006. doi: 10.13203/j.whugis20150025
Citation: JIA Yonghong, XIE Zhiwei, LV Zhen, ZHU Menghua, LIU Meijuan. A New Change Detection Method of Remote Sensing Image[J]. Geomatics and Information Science of Wuhan University, 2016, 41(8): 1001-1006. doi: 10.13203/j.whugis20150025

一种新的遥感影像变化检测方法

doi: 10.13203/j.whugis20150025
基金项目: 

公路交通领域军民融合应用示范项目 GFZX0404080102

武汉市测绘研究院协作项目 234323

详细信息
    作者简介:

    贾永红, 教授, 主要从事遥感图像处理与分析研究。yhjia2000@sina.com

    通讯作者: 谢志伟, 博士生。zwxrs@whu.edu.cn
  • 中图分类号: P237

A New Change Detection Method of Remote Sensing Image

Funds: 

Civil Military Integration in the Field of Highway Transportation GFZX0404080102

Collaborative Project with Wuhan Institute of Surveying and Mapping 234323

More Information
    Author Bio:

    JIA Yonghong , PhD, professor, specializes in remote sensing image processing and analysis. E-mail:yhjia2000@sina.com

    Corresponding author: XIE Zhiwei, PhD. E-mail:zwxrs@whu.edu.cn
图(5) / 表(1)
计量
  • 文章访问数:  2641
  • HTML全文浏览量:  97
  • PDF下载量:  722
  • 被引次数: 0
出版历程
  • 收稿日期:  2016-04-05
  • 刊出日期:  2016-08-05

一种新的遥感影像变化检测方法

doi: 10.13203/j.whugis20150025
    基金项目:

    公路交通领域军民融合应用示范项目 GFZX0404080102

    武汉市测绘研究院协作项目 234323

    作者简介:

    贾永红, 教授, 主要从事遥感图像处理与分析研究。yhjia2000@sina.com

    通讯作者: 谢志伟, 博士生。zwxrs@whu.edu.cn
  • 中图分类号: P237

摘要: 针对地理国情监测中大幅面多时相遥感影像变化检测的需求,提出了一种基于卡方变换和样本选择的面向对象遥感影像变化检测方法。首先对多时相遥感影像进行多尺度分割获取像斑;然后,提取像斑的多维特征,采用基于卡方变换的特征融合方法计算像斑的加权差异度;最后,自适应选择训练样本,通过基于最大期望算法的贝叶斯阈值确定方法获取变化阈值,并对加权差异影像进行二值分割获取变化检测结果。以武汉市东湖高新技术开发区为例,利用多时相高分辨率遥感影像进行土地覆盖变化检测。试验结果表明,该方法可以克服全样本变化向量分析法及全样本卡方变换检测法难以满足阈值确定条件的不足,获得更准确的变化阈值,保证变化检测正确率高而又有效地降低漏检率,从而获得更好的变化检测结果,在地理国情监测中具有一定的应用价值。

English Abstract

贾永红, 谢志伟, 吕臻, 祝梦花, 刘美娟. 一种新的遥感影像变化检测方法[J]. 武汉大学学报 ● 信息科学版, 2016, 41(8): 1001-1006. doi: 10.13203/j.whugis20150025
引用本文: 贾永红, 谢志伟, 吕臻, 祝梦花, 刘美娟. 一种新的遥感影像变化检测方法[J]. 武汉大学学报 ● 信息科学版, 2016, 41(8): 1001-1006. doi: 10.13203/j.whugis20150025
JIA Yonghong, XIE Zhiwei, LV Zhen, ZHU Menghua, LIU Meijuan. A New Change Detection Method of Remote Sensing Image[J]. Geomatics and Information Science of Wuhan University, 2016, 41(8): 1001-1006. doi: 10.13203/j.whugis20150025
Citation: JIA Yonghong, XIE Zhiwei, LV Zhen, ZHU Menghua, LIU Meijuan. A New Change Detection Method of Remote Sensing Image[J]. Geomatics and Information Science of Wuhan University, 2016, 41(8): 1001-1006. doi: 10.13203/j.whugis20150025
  • 如何将多时相遥感数据有效应用到地理国情动态监测中是地理国情监测亟待解决的重大科学问题[1]。多时相遥感影像非监督变化检测自动化程度高,可为地理国情监测提供技术支持。

    对象级变化检测更能够发挥高分辨率遥感影像的优势。对象是匀质性一致的像元集合,又可以称为像斑[2]。像斑包含多维特征,而基于差值法或比值法的变化检测采用单一特征进行变化检测,无法完整表达像斑的信息。基于变化向量分析(change vector analysis, CVA)算法的面向对象变化检测[3]虽然能够融合多维特征信息,但是参与融合的特征为等权处理,未能有效地利用不同特征变化检测能力。

    实现遥感影像非监督变化检测的关键是自动确定用于分割“变化”与“未变化”区域的变化阈值。基于最大期望(expectation maximization, EM)算法的贝叶斯阈值确定方法在变化检测中得到广泛应用[4-6]。该方法通过EM算法估计变化类和未变化类的分布模型参数,然后根据贝叶斯最小误差率理论得到变化阈值。该方法虽然能获取较准确的变化阈值,但对试验区域内变化区域与未变化区域的面积之比要求较高。由于地理国情监测覆盖的地理范围较大,当使用时相相近的大幅面遥感影像时,检测区域内变化量很小,采用基于EM算法的贝叶斯阈值确定方法无法获取准确变化阈值。

    针对以上问题,本文提出了一种新的遥感影像变化检测方法。该方法首先通过对配准的多时相遥感影像进行多尺度分割获取像斑,然后从像斑多维特征融合和变化阈值获取出发,通过卡方变换(Chi Square Transformation, CST)融合多维特征以及采用基于样本选择EM算法的贝叶斯阈值确定方法,对多时相遥感影像变进行变化检测。

    • 采用分形网络演化算法对影像进行多尺度分割,通过试验得到合理的分割尺度、紧致度和形状因子。对配准的多时相遥感影像进行多尺度分割,首先将两个时相的遥感影像叠加并进行多尺度分割;然后利用分割结果在两个时相的遥感影像上分别获得对应的像斑。

    • CVA算法一般利用像斑光谱特征进行变化检测,且通过等权融合像斑各波段光谱特征获得像斑差异度,无法完整表达像斑变化信息[7],CVA算法如式(1):

      (1)

      式中, dCVAl为第l个像斑的差异度;Qt=(Q1, …, QW),为原波段光谱特征组成的W维向量;t∈{1, 2}分别代表前后时相。

      为了有效利用像斑的多维特征,弥补CVA算法在像斑特征应用中的不足,本文提取了像斑的光谱特征、指数特征和纹理特征构建特征空间。为了保证数据的一致性,数据要归一化至[0, 1]。采用CST算法[4]将不同特征波段的差分方差作为特征融合的权重,获得像斑的加权差异度,如式(2):

      (2)

      式中, dCSTl为第l个像斑的加权差异度;Ft=(F1, …, FZ),为Z维特征向量;σkdiff为两个时相第k个特征波段差分影像标准差。

    • 基于CVA算法的变化检测将全部像斑差异度作为训练样本,采用基于EM算法的贝叶斯阈值确定方法获取变化阈值,通过变化阈值对差异影像进行二值分割获得变化检测结果,记为全样本CVA法,具体如下。

      假设像斑差异度组成的集合为DCVA={d1CVA, …, dCVAm},m为像斑数量。将DCVA分为变化类和未变化类,设变化类和未变化类的条件密度函数均服从高斯分布,则DCVA中像斑差异度近似满足两个子高斯组成的混合高斯分布。使用EM算法对两个子高斯模型进行参数估计[4],获得未变化类和变化类的分布参数,如密度函数p(ws)、均值μs、标准差δssc, u。根据贝叶斯最小误差率理论计算变化阈值T

      (3)

      由于CVA算法不能合理表达差异像斑信息,为了改进全样本CVA法,采用基于CST的特征融合方法得到像斑加权差异度,利用式(2)计算像斑的加权差异度集合DCST={dCST1, …, dCSTm}取代DCVA作为训练样本,通过基于EM算法的贝叶斯阈值确定方法计算变化阈值,并利用变化阈值对加权差异影像进行二值分割获得变化检测结果,该方法称为全样本CST法。

      使用基于EM算法的贝叶斯阈值确定方法获取准确变化阈值需要满足变化区域与未变化区域的面积之比较高,变化类相对于未变化类具有足够高的先验概率等条件[8]。当变化检测试验区域不满足上述条件时,全样本CVA法和全样本CST法均无法获得准确变化阈值。为此,改进全样本CST法,提出了样本选择CST法。该方法采用格网分块将影像划分为不重叠的影像块,自适应选择差异度较大的影像块构成样本影像块集合,将样本影像块集合中的像斑加权差异度作为训练样本,最后采用基于EM算法的贝叶斯阈值确定方法获取阈值,利用该阈值对整幅影像进行变化检测。

      样本影像块选择的具体方法为:①假设Xt, t∈{1, 2}为两个时相的影像,将Xt分为N个影像块Xti(i=1, …, N),Xti的尺寸p像素×q像素依据影像的分辨率和图幅范围设置。分块尺寸过小会影响算法的计算效率,尺寸过大则无法达到通过分块以提高局部区域变化类相对于未变化类先验概率的目的。②采用CVA算法构建Xti的差异影像块Xci,利用标准差表征差异影像的变化程度。标准差较大的差异影像块的样本分布更加符合混合高斯分布,利于基于EM算法的贝叶斯阈值计算[9]。设PciXci中变化区域与未变化区域的面积比例,由于PciXci标准差σi的单调函数:

      (4)

      Xci按差异度由大到小排序,即按σi由大到小排序,排序后的影像块集合为:

      (5)

      假设Pc的前L个差异影像块差异度较大,记为强差异影像块,其余影像块记为弱差异影像块。提取强差异影像块Xci对应的影像块Xti构建样本影像块集合Xt。将Xt包含的像斑加权差异度作为训练样本,通过基于EM算法的贝叶斯阈值确定方法获取变化阈值Τ。利用Τ对整幅加权差异影像进行二值分割,获得变化检测结果。

      通过以上分析,本文提出的样本选择CST法具体的流程图如图 1所示。

      图  1  样本选择CST法流程图

      Figure 1.  Flowchart of Sample Selection Chi Square Transformation

    • 本文采用覆盖武汉市高新技术开发区的2012年11月WorldView卫星影像和2013年8月的Pleiades卫星影像,包含红、绿、蓝、近红外4个波段,空间分辨率为0.5 m,影像尺寸为28 052像素×38 894像素。对数据进行分幅处理,限于篇幅, 只给出了其中两分幅数据的试验结果,其中试验数据1的大小为10 564像素×14 586像素,图 2(a)2(b)分别为该数据在2012年、2013年的影像;试验数据2的大小为13 383像素×17 482像素,图 2(c)2(d)分别为该数据在2012年、2013年的影像。分别采用全样本CVA法(以下简称方法一)、全样本CST法(以下简称方法二)和样本选择CST法(以下简称方法三)对这两套数据进行变化检测。

      图  2  试验数据

      Figure 2.  Experiment Data

    • 采用一种带几何约束的大幅面遥感影像自动快速配准方法将2012年影像向2013年影像进行配准[10]。设置分割尺度为300,紧致度为0.65,形状因子为0.5,对试验数据进行多尺度分割。提取像斑的光谱特征、NDVI特征、NDWI特征、近红外波段标准差特征、近红外波段灰度共生矩阵纹理特征构建特征空间,采用基于CST算法的特征融合方法获得像斑加权差异度。

      将两组试验数据分别按尺寸3 000像素×3 000像素格网分块。通过CVA算法构建差异影像Xci,计算Xci的标准差σi,将Xciσi从大到小排序。试验数据1、2得到的标准差σi排序结果分别如图 3(a)3(b)所示。图 3中纵轴为σi的值,横轴为Xci的排序编号。由图 3可知,在横轴L处,σi发生明显变化。这说明前L个影像块的差异程度较大,则前L个差异影像块为强差异影像块,其余影像块为弱差异影像块,利用强差异影像块对应的影像块Xti构建样本影像块集合Xt

      将人工解译和实地调绘相结合的变化检测法记为人工方法, 用该方法得到的参考结果评定三种方法的变化检测结果。

      图  3  标准差排序曲线

      Figure 3.  Diagram of Standard-deviation Values

      在试验数据1中选取强差异影像块A和弱差异影像块B进行变化检测与精度评定,A、B在试验数据1中的位置为图 2(a)2(b)中黄色和红色线框区域。影像块A的变化检测结果如图 4中红色框线所示,影像块B的变化检测结果如图 4中蓝色框线所示。通过图 4定性分析,方法二对人工地物的变化检测效果优于方法一。如影像块B中左上部分和左下部分房屋拆建区域,方法三的漏检像斑明显少于其他两种方法。三种方法在水域存在部分虚检,原因是当季节不同造成水域中水生植物覆盖密度差异时,人工方法解译判定该区域未发生变化,但变化检测算法判定该区域发生变化,因此造成人工方法结果和变化检测算法结果存在差异。影像块AB的三种方法变化检测精度如表 1所示。由表 1定量分析可知,对于影像块A而言,方法三的正确率最高,方法一的正确率最低;方法二和方法三的虚检率略高于其他两种方法,但相差不大;然而该方法的漏检率最低。对于影像块B而言,方法一的变化检测精度最低,方法二和方法三的正确率相近,都高于方法一的变化检测精度;三者的虚检率与上述结论一致,而方法三的漏检率最低。可见方法三具有正确率高和漏检率最低的优点。

      图  4  影像块A和影像块B变化检测结果

      Figure 4.  Change Detection Results of Image Block A and Image Block B

      表 1  每个影像块的变化检测精度

      Table 1.  Change Detection Accuracy of Each Image Block

      影像块 方法 正确率/% 虚检率/% 漏检率/%
      方法一 81.95 18.04 46.33
      A 方法二 83.39 22.65 34.29
      方法三 86.83 25.77 11.56
      方法一 84.81 75.67 85.14
      B 方法二 88.63 58.66 28.31
      方法三 87.02 60.88 12.15
      方法一 90.69 16.49 44.92
      C 方法二 91.25 14.21 40.82
      方法三 94.11 21.33 11.23
      方法一 95.90 64.84 68.62
      D 方法二 96.89 48.86 55.88
      方法三 96.05 55.23 7.84

      在试验数据2中选取强差异影像块C和弱差异影像块D,如图 2(c)2(d)中红色和青色线框区域所示。采用与试验数据1相同的方法对试验数据2进行变化检测,在试验数据2中选取强差异影像块C和弱差异影像块D,如图 2(c)2(d)中红色和青色线框区域所示。采用与试验数据1相同的方法对试验数据2进行变化检测,影像块C的变化检测结果如图 5中红色框线所示,影像块D的变化检测结果如图 5蓝色框线所示。变化检测精度也见表 1。分析试验数据2的试验结果,可以得到和试验数据1试验结果相同的结论,即方法三具有正确率高和漏检率低的优点。

      对试验数据1和2的变化检测结果依次如图 5(a)~(f)所示。从图 5宏观定性分析,发现方法一、二可以检测到明显变化的像斑,但两种方法均存在大量漏检像斑;方法三可获得的变化像斑最多,得到的变化地物更加完整,漏检最少。可见方法二通过融合像斑的多维特征客观完整地表达了像斑的差异信息,得到了优于方法一的变化检测效果;方法三可以克服方法一、二难以满足阈值确定条件的不足,可以获得更准确的变化阈值, 保证变化检测正确率高而又有效地降低了漏检率,获得了更好的变化检测结果。

      图  5  影像块C和影像块D的变化检测结果

      Figure 5.  Change Detection Results of Image Block C and Image Block D

    • 本文提出了一种基于卡方变换和样本选择的面向对象遥感影像变化检测方法。通过CST法融合像斑的多维特征得到像斑加权差异度,采用基于样本选择EM算法的贝叶斯阈值确定方法获取变化阈值,最终利用变化阈值对加权差异影像进行二值分割获得变化检测结果。试验表明,样本选择CST法可以克服全样本CVA法及全样本CST法难以满足阈值确定条件的不足,可以获得更准确的变化阈值, 保证变化检测正确率高而又有效地降低漏检,获得了更好的变化检测结果。该方法已在武汉市高新技术开发区的地理国情监测中得到了应用。

参考文献 (10)

目录

    /

    返回文章
    返回