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

一种基于矢量数据的遥感影像变化检测方法

张春森 李国君 崔卫红

张春森, 李国君, 崔卫红. 一种基于矢量数据的遥感影像变化检测方法[J]. 武汉大学学报 ● 信息科学版, 2021, 46(3): 309-317. doi: 10.13203/j.whugis20190131
引用本文: 张春森, 李国君, 崔卫红. 一种基于矢量数据的遥感影像变化检测方法[J]. 武汉大学学报 ● 信息科学版, 2021, 46(3): 309-317. doi: 10.13203/j.whugis20190131
ZHANG Chunsen, LI Guojun, CUI Weihong. A Change Detection Method for Remote Sensing Image Based on Vector Data[J]. Geomatics and Information Science of Wuhan University, 2021, 46(3): 309-317. doi: 10.13203/j.whugis20190131
Citation: ZHANG Chunsen, LI Guojun, CUI Weihong. A Change Detection Method for Remote Sensing Image Based on Vector Data[J]. Geomatics and Information Science of Wuhan University, 2021, 46(3): 309-317. doi: 10.13203/j.whugis20190131

一种基于矢量数据的遥感影像变化检测方法

doi: 10.13203/j.whugis20190131
基金项目: 

中国博士后科学基金 2018M642915

陕西省自然科学基金 2018JM5103

测绘遥感信息工程国家重点实验室开放基金 18R01

详细信息
    作者简介:

    张春森,博士,教授,主要从事摄影测量与遥感应用研究。zhchunsen@aliyun.com

    通讯作者: 李国君,博士。lgj2015@aliyun.com
  • 中图分类号: P237

A Change Detection Method for Remote Sensing Image Based on Vector Data

Funds: 

National Science Foundation for Post-Doctoral Scientists of China 2018M642915

Natural Science Foundation of Shaanxi Province 2018JM5103

Open Research Fund of State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing 18R01

More Information
  • 摘要: 为克服多时相遥感影像变化检测因成像季节、拍摄角度等因素产生的误差,针对影像变化通常少于未变化的情况,提出了一种利用旧时相矢量图与新时相影像进行变化检测的方法。利用旧时相带有类别信息的矢量约束,对新时相遥感影像进行细分割获得图斑,对图斑提取光谱、纹理等特征,通过主成分变换构建特征集,在类别的约束下,应用孤立森林计算图斑的变化指数,避免了传统变化指数计算方法因引入易受变化图斑干扰的值而产生的误差,同时,依据贝叶斯方法自动获取各地物类别的变化阈值,进而获得变化图斑。选取高分1号等数据分别进行两组实验,通过对比马氏距离与孤立森林方法,验证了采用矢量图与孤立森林方法进行变化检测的有效性,实验结果的正确率分别为0.923 5及0.931 8。
  • 图  1  增长式分割流程

    Figure  1.  Flowchart of Incremental Segmentation

    图  2  本文方法变化指数数据分布

    Figure  2.  Change Index Distribution of the Proposed Method

    图  3  升金湖数据及结果

    Figure  3.  Data and Results of Shengjin Lake

    图  4  升金湖局部数据及结果

    Figure  4.  Part of Data and Results of Shengjin Lake

    图  5  云湛高速修建路段数据及结果

    Figure  5.  Data and Results of Construction Section of Yunzhan Expressway

    图  6  云湛高速修建路段局部原始数据及结果

    Figure  6.  Part of Data and Results of Construction Section of Yunzhan Expressway

    表  1  本文方法变化检测精度评价

    Table  1.   Accuracy Assessment of Change Detection Method Proposed in This Paper

    实验1 实验2
    精度指标 影像-影像法 矢量-影像法 影像-影像法 矢量-影像法
    马氏距离+贝叶斯 马氏距离+贝叶斯 孤立森林+贝叶斯 马氏距离+贝叶斯 马氏距离+贝叶斯 孤立森林+贝叶斯
    虚检率 0.175 3 0.176 7 0.159 7 0.297 7 0.246 7 0.171 7
    错检率 0.116 2 0.086 7 0.024 5 0.156 9 0.068 0 0.009 9
    正确率 0.865 3 0.882 5 0.923 5 0.805 0 0.870 4 0.931 8
    下载: 导出CSV
  • [1] Singh A. Review Article Digital Change Detection Techniques Using Remotely-Sensed Data[J]. International Journal of Remote Sensing, 1989, 10(6): 989-1 003 doi:  10.1080/01431168908903939
    [2] Li H, Xiao P, Feng X, et al. Using Land Long-Term Data Records to Map Land Cover Changes in China Over 1981—2010[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2017, 10(4): 1 372-1 389 doi:  10.1109/JSTARS.2016.2645203
    [3] Janalipour M, Mohammadzadeh A. Building Damage Detection Using Object-Based Image Analysis and ANFIS from High-Resolution Image (Case Study: BAM Earthquake, Iran) [J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2016, 9(5): 1 937-1 945 doi:  10.1109/JSTARS.2015.2458582
    [4] Hu J, Zhang Y. Seasonal Change of Land-Use/Land-Cover (LULC) Detection Using MODIS Data in Rapid Urbanization Regions: A Case Study of the Pearl River Delta Region (China)[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2013, 6(4): 1 913-1 920 doi:  10.1109/JSTARS.2012.2228469
    [5] Pham L T H, Brabyn L. Monitoring Mangrove Biomass Change in Vietnam Using SPOT Images and an Object-Based Approach Combined with Machine Learning Algorithms[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 128: 86-97 doi:  10.1016/j.isprsjprs.2017.03.013
    [6] 李德仁. 利用遥感影像进行变化检测[J]. 武汉大学学报·信息科学版, 2003, 28(S1): 7-12 http://ch.whu.edu.cn/article/id/4718

    Li Deren. Change Detection from Remote Sensing Images[J]. Geomatics and Information Science of Wuhan University, 2003, 28(S1): 7-12 http://ch.whu.edu.cn/article/id/4718
    [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): 1 171-1 182 doi:  10.1109/36.843009
    [8] Yoon G W, Yun Y B, Park J H. Change Vector Analysis: Detecting of Areas Associated with Flood Using Landsat TM[C]. 2003 IEEE International Geoscience and Remote Sensing Symposium, Toulouse, France, 2003
    [9] Baudouin D, Bogaert P, Defourny P. Forest Change Detection by Statistical Object-Based Method[J]. Remote Sensing of Environment, 2006, 102(1/2), DOI: 10.1016/j.rse.2006.01.013
    [10] Xian G, Homer C, Fry J. Updating the 2001 National Land Cover Database Land Cover Classification to 2006 by Using Landsat Imagery Change Detection Methods[J]. Remote Sensing of Environment, 2009, 113(6): 1 133-1 147 doi:  10.1016/j.rse.2009.02.004
    [11] 张继贤, 杨贵军. 单一时相遥感数据土地利用与覆盖变化自动检测方法[J]. 遥感学报, 2005, 9(3): 294-299 https://www.cnki.com.cn/Article/CJFDTOTAL-YGXB200503010.htm

    Zhang Jixian, Yang Guijun. Automatic Land Use and Land Cover Change Detection with One Temporary Remote Sensing Image[J]. Journal of Remote Sensing, 2005, 9(3): 294-299 https://www.cnki.com.cn/Article/CJFDTOTAL-YGXB200503010.htm
    [12] 谢仁伟, 牛铮, 孙睿, 等. 基于多波段统计检验的土地利用变化检测[J]. 国土资源遥感, 2009, 21(2): 66-70 https://www.cnki.com.cn/Article/CJFDTOTAL-GTYG200902013.htm

    Xie Renwei, Niu Zheng, Sun Rui, et al. The Detection of Land Use Changes Based on the Statistic Test with Multi-band Image[J]. Remote Sensing for Land and Resources, 2009, 21(2): 66-70 https://www.cnki.com.cn/Article/CJFDTOTAL-GTYG200902013.htm
    [13] 李亮, 梁彬, 应国伟, 等. 基于卡方分布的矢量图和遥感影像变化检测方法[J]. 地理空间信息, 2016, 14(4): 45-48 https://www.cnki.com.cn/Article/CJFDTOTAL-DXKJ201604017.htm

    Li Liang, Liang Bin, Ying Guowei, et al. Vector Image and Remote Sensing Image Change Detection Method Based on Chi-Square Distribution[J]. Geospatial Information, 2016, 14(4): 45-48 https://www.cnki.com.cn/Article/CJFDTOTAL-DXKJ201604017.htm
    [14] Xia L, Yeh A, Qian J, et al. A Matching Algorithm for Detecting Land Use Changes Using Case-Based Reasoning[J]. Photogrammetric Engineering and Remote Sensing, 2009, 75(11): 1 319-1 332 doi:  10.14358/PERS.75.11.1319
    [15] Liu F T, Kai M T, Zhou Z H. Isolation Forest[C]. The Eighth IEEE International Conference on Data Mining, Pisa, Italy, 2008
    [16] Liu F T, Ting K M, Zhou Z H. Isolation-Based Anomaly Detection[J]. ACM Transactions on Knowledge Discovery from Data, 2012, 6(1), DOI:  10.1145/2133360.2133363
    [17] Bogaert P. An Object-Based Change Detection Method Accounting for Temporal Dependences in Time Series with Medium to Coarse Spatial Resolution[J]. Remote Sensing of Environment, 2008, 112(6): 3 181-3 191 doi:  10.1016/j.rse.2008.03.013
    [18] Zhang C, Li G, Cui W. High-Resolution Remote Sensing Image Change Detection by Statistical-Object-Based Method[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(7): 2 440-2 447 doi:  10.1109/JSTARS.2018.2817121
    [19] 贾永红, 谢志伟, 吕臻, 等. 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): 1 001-1 006 doi:  10.13203/j.whugis20150025

    Jia Yonghong, Xie Zhiwei, Lü Zhen, et al. A New Change Detection Method of Remote Sensing Image[J]. Geomatics and Information Science of Wuhan University, 2016, 41(8): 1 001-1 006 doi:  10.13203/j.whugis20150025
    [20] 佃袁勇, 方圣辉, 姚崇怀. 一种面向地理对象的遥感影像变化检测方法[J]. 武汉大学学报·信息科学版, 2014, 39(8): 906-912 doi:  10.13203/j.whugis20130053

    Dian Yuanyong, Fang Shenghui, Yao Chonghuai. The Geographic Object-Based Method for Change Detection with Remote Sensing Imagery[J]. Geomatics and Information Science of Wuhan University, 2014, 39(8): 906-912 doi:  10.13203/j.whugis20130053
    [21] 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): 1 171-1 182 http://ieeexplore.ieee.org/document/843009/citations
  • [1] 眭海刚, 冯文卿, 李文卓, 孙开敏, 徐川.  多时相遥感影像变化检测方法综述 . 武汉大学学报 ● 信息科学版, 2018, 43(12): 1885-1898. doi: 10.13203/j.whugis20180251
    [2] 佃袁勇, 方圣辉, 姚崇怀.  一种面向地理对象的遥感影像变化检测方法 . 武汉大学学报 ● 信息科学版, 2014, 39(8): 906-912. doi: 10.13203/j.whugis20130053
    [3] 魏立飞, 钟燕飞, 张良培, 李平湘.  多波段信息融合的遥感影像变化检测 . 武汉大学学报 ● 信息科学版, 2014, 39(1): 8-11.
    [4] 林怡, 刘冰, 陈映鹰, 潘琛.  多特征差分核支持向量机遥感影像变化检测方法 . 武汉大学学报 ● 信息科学版, 2013, 38(8): 978-982.
    [5] 李雪, 舒宁, 李井冈, 刘小利.  基于特征贡献选择的遥感影像变化检测方法研究 . 武汉大学学报 ● 信息科学版, 2013, 38(10): 1158-1162.
    [6] 杨成松, 朱长青, 王莹莹.  矢量地理数据自检测水印算法及其应用研究 . 武汉大学学报 ● 信息科学版, 2011, 36(12): 1402-1405.
    [7] 申邵洪, 万幼川, 龚浩, 赖祖龙.  遥感影像变化检测自适应阈值分割的Kriging方法 . 武汉大学学报 ● 信息科学版, 2009, 34(8): 902-905.
    [8] 马国锐, 眭海刚, 李平湘, 秦前清.  基于核函数度量相似性的遥感影像变化检测 . 武汉大学学报 ● 信息科学版, 2009, 34(1): 19-23.
    [9] 董明, 张海涛, 祝晓坤, 陈春希.  基于遥感影像的地图道路网数据变化检测研究 . 武汉大学学报 ● 信息科学版, 2009, 34(2): 178-182.
    [10] 万幼川, 申邵洪, 张景雄.  基于概率统计模型的遥感影像变化检测 . 武汉大学学报 ● 信息科学版, 2008, 33(7): 669-672.
    [11] 张剑清, 佘琼, 潘励.  基于LBP/C纹理的遥感影像居民地变化检测 . 武汉大学学报 ● 信息科学版, 2008, 33(1): 7-11.
    [12] 袁修孝, 宋妍.  基于边缘特征匹配的遥感影像变化检测预处理方法 . 武汉大学学报 ● 信息科学版, 2007, 32(5): 381-384.
    [13] 马国锐, 眭海刚, 李平湘, 秦前清.  一种遥感影像核变化检测方法 . 武汉大学学报 ● 信息科学版, 2007, 32(7): 597-600.
    [14] 袁修孝, 季顺平.  POS数据辅助的航空影像变化检测方法研究 . 武汉大学学报 ● 信息科学版, 2007, 32(4): 283-286.
    [15] 张剑清, 朱丽娜, 潘励.  基于遥感影像和矢量数据的水系变化检测 . 武汉大学学报 ● 信息科学版, 2007, 32(8): 663-666.
    [16] 张晓东, 李德仁, 龚健雅, 秦前清.  遥感影像与GIS分析相结合的变化检测方法 . 武汉大学学报 ● 信息科学版, 2006, 31(3): 266-269.
    [17] 徐丽华, 江万寿.  顾及配准误差的遥感影像变化检测 . 武汉大学学报 ● 信息科学版, 2006, 31(8): 687-690.
    [18] 李全, 李霖, 赵曦.  基于Landsat TM影像的城市变化检测研究 . 武汉大学学报 ● 信息科学版, 2005, 30(4): 351-354.
    [19] 张路, 廖明生, 盛辉.  基于正交变换的多通道遥感影像变化检测 . 武汉大学学报 ● 信息科学版, 2004, 29(5): 456-460,469. doi: 10.13203/j.whugis2004.05.018
    [20] 李德仁.  利用遥感影像进行变化检测 . 武汉大学学报 ● 信息科学版, 2003, 28(S1): 7-12.
  • 加载中
图(6) / 表(1)
计量
  • 文章访问数:  218
  • HTML全文浏览量:  47
  • PDF下载量:  96
  • 被引次数: 0
出版历程
  • 收稿日期:  2019-09-15
  • 刊出日期:  2021-03-05

一种基于矢量数据的遥感影像变化检测方法

doi: 10.13203/j.whugis20190131
    基金项目:

    中国博士后科学基金 2018M642915

    陕西省自然科学基金 2018JM5103

    测绘遥感信息工程国家重点实验室开放基金 18R01

    作者简介:

    张春森,博士,教授,主要从事摄影测量与遥感应用研究。zhchunsen@aliyun.com

    通讯作者: 李国君,博士。lgj2015@aliyun.com
  • 中图分类号: P237

摘要: 为克服多时相遥感影像变化检测因成像季节、拍摄角度等因素产生的误差,针对影像变化通常少于未变化的情况,提出了一种利用旧时相矢量图与新时相影像进行变化检测的方法。利用旧时相带有类别信息的矢量约束,对新时相遥感影像进行细分割获得图斑,对图斑提取光谱、纹理等特征,通过主成分变换构建特征集,在类别的约束下,应用孤立森林计算图斑的变化指数,避免了传统变化指数计算方法因引入易受变化图斑干扰的值而产生的误差,同时,依据贝叶斯方法自动获取各地物类别的变化阈值,进而获得变化图斑。选取高分1号等数据分别进行两组实验,通过对比马氏距离与孤立森林方法,验证了采用矢量图与孤立森林方法进行变化检测的有效性,实验结果的正确率分别为0.923 5及0.931 8。

English Abstract

张春森, 李国君, 崔卫红. 一种基于矢量数据的遥感影像变化检测方法[J]. 武汉大学学报 ● 信息科学版, 2021, 46(3): 309-317. doi: 10.13203/j.whugis20190131
引用本文: 张春森, 李国君, 崔卫红. 一种基于矢量数据的遥感影像变化检测方法[J]. 武汉大学学报 ● 信息科学版, 2021, 46(3): 309-317. doi: 10.13203/j.whugis20190131
ZHANG Chunsen, LI Guojun, CUI Weihong. A Change Detection Method for Remote Sensing Image Based on Vector Data[J]. Geomatics and Information Science of Wuhan University, 2021, 46(3): 309-317. doi: 10.13203/j.whugis20190131
Citation: ZHANG Chunsen, LI Guojun, CUI Weihong. A Change Detection Method for Remote Sensing Image Based on Vector Data[J]. Geomatics and Information Science of Wuhan University, 2021, 46(3): 309-317. doi: 10.13203/j.whugis20190131
  • 变化检测是通过对地物或现象进行多次观测从而识别其状态变化的过程[1],已广泛应用于土地调查[2]、灾害评估[3]、城市研究[4]、生态系统监测[5]等领域。根据变化检测中所使用的数据源不同,可将变化检测方法分为影像-影像法与矢量-影像法两类[6]。影像-影像法应用新旧影像进行变化检测:先经相似性度量方法获得新旧影像的变化程度;然后,应用阈值实现变化检测[7-9],或统计前后时相分类结果实现变化检测[10]。目前,已出现了大量的经典方法,如影像差值法[7]、变化向量分析法[8]、统计方法[9]、分类后比较法[10]等。矢量-影像法利用旧时期的矢量图与新时期的遥感影像进行变化检测,如文献[11]提出了基于知识引导的土地利用和覆盖变化自动检测技术的方法,先以旧时期土地利用与覆盖类型图斑单元为单位,然后针对跨图斑单元(即实际变化图斑与已有图斑不一致单元)采用分割技术分割为均一若干图斑单元。此方法需人工选取新旧时期土地类型一致的图斑作为样本构建知识库来实现变化检测,自动化程度较低。文献[12]提出了基于多波段统计检验差异法的土地利用变化检测的方法,是一种全自动的非监督变化检测方法,通过配准叠加栅格化矢量图与遥感影像获得新时期影像图斑特征、历史图斑编号与土地利用类别,组成图斑信息数组。但该方法提取的图斑特征仅为方差,且应用t分布作为其统计检验方法。此方法是一种适用于小样本的统计检验方法,不适宜大量图斑的检测与图斑内局部变化发现。文献[13]提出了基于卡方分布的矢量图与遥感影像变化检测方法,将图斑的光谱特征与纹理特征结合构建卡方分布。但该方法的检测图斑通过栅矢套合所得,图斑内的变化检测结果效果较差,且构建卡方分布需计算均值,该值易受变化图斑干扰,进而影响变化检测精度。

    现有的矢量-影像法研究相对较少,未形成成熟的方法体系。在实验图斑单元部分,多应用新时期影像与旧时期土地利用图叠加分割法,以旧时期图斑为单位,易忽略局部变化图斑,即在新时期影像中图斑内部发生局部变化的图斑。检测方法如卡方分布[13]需引入均值等易受变化图斑影响的数值参与计算,降低了变化图斑检测精度。为更好地表达局部变化图斑,克服变化图斑对检测精度的影响,本文提出一种基于孤立森林算法的矢量-影像变化检测方法,以生态区植被变化与高速公路修建路段的农田变化情况为研究对象进行变化检测,并验证该方法的有效性与实用性。

    不同于以往将矢量图与影像进行叠加继承获得图斑[11-13],本文采用一种在历史时期矢量图约束下进行的增长式分割方法[14],此方法既可保留历史时期的矢量边缘,又可产生新时期影像的新边缘。增长式分割后获取的图斑既包含新时期遥感影像特征,又包含旧时期矢量图的地物类别属性,并且避免了传统多时相影像分割产生图斑边界描述不一致与传统矢量-影像法中局部变化描述不明确的问题[12-13]。通过应用旧时相矢量图与新时相影像进行增长式分割,既可避免多时相遥感影像变化检测因成像因素所造成的误差,又可获得边界描述一致的局部变化图斑。孤立森林算法[15-16]利用变化图斑所具有的少且不同的特性进行变化检测。在遥感变化检测中,发生变化的图斑稀少,并且变化图斑与未变化图斑的特征具有明显差异。因此,本文将孤立森林方法应用于变化检测。孤立森林计算图斑的变化指数避免了如基于马氏距离[17]、余弦定理[18]、卡方变换[13, 19]等变化指数计算方法因引入均值而产生的误差,同时,可实现变化检测的自动化。首先,该方法在带有类别信息矢量图的约束下对遥感影像进行增长式分割;然后,对分割所得图斑进行光谱、纹理等特征的提取,并通过主成分变换得到实验数据集;最后,在类别的约束下,进行基于孤立森林的变化指数计算,并用贝叶斯方法确定变化阈值,进行变化与未变化判别。

    • 本文提出的利用孤立森林的矢量-影像变化检测方法,是将数据挖掘中的孤立森林异常检测方法引入变化检测中。此方法的数据源为前一时相带有类别信息的矢量与新时期遥感影像,与传统采用多时相遥感影像变化检测方法相比,该方法可克服影像因成像季节差异、拍摄角度等引起的误差。并且该方法采用的增长式分割方法为较好地表达局部变化提供了可能。同时,本文引入孤立森林计算变化指数,可克服传统基于统计的变化指数计算方法在计算时需引入均值等易受变化图斑干扰的数值而产生的误差[13],且具有较好的精度与较少的时间花费。

      本文方法具体流程为:首先,将旧时相T1的矢量图与新时相影像T2进行矢量-影像配准;然后,采用增长式分割方法获得待检测对象,并应用基于孤立森林的方法计算变化指数与应用基于贝叶斯的方法进行阈值确定;最后,进行精度评价。

    • 在历史矢量地图与新时相遥感影像进行配准的基础上,对比矢量图与影像对应关系,可根据矢量图的图斑内部发生变化的多少,将变化图斑分为全部/整体变化与局部变化两种情况。为精确提取与定位图斑内部变化的范围,采用了一种增长式分割方法[14, 18]。具体步骤可分为两步:(1)将历史时期带有类别属性的矢量图作为专题图层;(2)利用专题图对新时相影像应用多尺度分割方法进行增长式细分割获得既包含新时相影像特征又包含旧时相地物类别属性的图斑。

      在进行多尺度分割时,需设置尺度参数、形状因子、紧致度因子3个参数。尺度参数用于确定生成影像图斑所允许的最大异质度,值越大,则生成的影像图斑尺寸越大;反之,则越小。同质性由颜色(光谱)和形状两部分组成,两者权重之和1.0。形状又由光滑度与紧致度表示,两者权重之和也为1.0。增长式分割的具体流程如图 1所示。通过增长式分割,在T2影像上获得、并有T1时期类别属性的图斑可分两类:新时期影像中仍属于此类的图斑(未变化图斑);与新时期影像中不再属于此类的图斑(变化图斑)。

      图  1  增长式分割流程

      Figure 1.  Flowchart of Incremental Segmentation

    • 孤立森林算法又称iForest(isolation forest)算法,利用异常对象易被孤立的特性,对各个维度的数据构建一系列随机二叉树。本文方法克服了如基于马氏距离、余弦定理、卡方变换等因应用易受变化图斑干扰的数值(如均值)而产生的误差。上述基于马氏距离、余弦定理、卡方变换的3种方法,在引入基于矢量图的变化检测时,因缺乏前一时相的特征信息,一般将现有时相的特征均值作为未变化信息参与变化指数的计算,但随着均值的加入,变化图斑的特征信息对计算结果的干扰也随之产生,进而影响变化检测的精度。

      本文所提的孤立森林方法,通过对现有特征进行树的构建,不需要应用均值,进而避免了上述方法的干扰信息。并且,本文算法能够以较低存储完成线性的时间复杂度,因采用增长式分割方法获取图斑,可有效地检测原始图斑内的局部变化,实现变化检测的自动化。

      iForest算法分为两个阶段:(1)训练阶段通过选取子空间实现孤立森林的构建;(2)计算变化指数阶段实现了对被测图斑的变化指数计算。

      1)训练阶段。此阶段通过从数据集$ X $随机选取子空间样本,构建t个孤立树组成孤立森林。iForest算法应用一随机超平面切割数据空间,每切割一次可生成两个子空间;继续应用一随机超平面切割每个子空间,以此循环重复,直至每个子空间里只有一个数据点或达到分割限制为止。

      孤立森林通过上述随机切割思想对数据实现树的构建,构建生成的树称为iTree(isolation tree)。由于变化图斑是稀少且不同的,在iTree中会很快被划分到叶子节点中,故而,通过计算叶子节点到根节点之间的路径长度,可得图斑的变化指数。生成iTree的具体步骤为:

      (1)从数据集$ X $中随机选择$ \psi $个样本作为子样本集参与树的构建。

      (2)随机指定一个维度,在当前节点数据中随机产生一个切割点p,点p位于当前节点指定维度最大值、最小值之间。

      (3)根据切割点p判断:若小于p,则分至左子树;若大于等于p,则分至右子树。

      (4)递归步骤(2)、步骤(3),直至数据本身不可分或达到树的层高限制$ \mathrm{c}\mathrm{e}\mathrm{i}\mathrm{l}\left(\mathrm{l}\mathrm{o}{\mathrm{g}}_{2}\right(n\left)\right) $。

      iForest算法通过随机切割的方法构建成iTree,单棵iTree存在一定的随机性,依据蒙特卡洛方法,需用集成学习的方法来得到一个收敛值。与随机森林由大量决策树组成类似,iForest也由大量树组成,故重复上述生成iTree的步骤,生成t棵树及生成iForest。经前人实验证明[15-16],当在$ \psi =256 $,$ t=100 $时,既保证结果收敛又避免计算资源浪费。所以,本文此次实验取$ \psi =256 $,$ t=100 $。

      2)计算变化指数。获得t个iTree后,iForest训练迭代停止,用生成的iForest来评估数据$ x $。对于一待评估数据$ x $,令其遍历每一棵iTree,计算$ x $最终落在每棵iTree的深度。因变化图斑稀少,且与未变化图斑特征有很大不同,在数据集中很容易被孤立,故在iTree中会很快被划分到叶子节点中,可用叶子节点到根节点之间的路径长度度量图斑的变化程度,距离根节点越近的图斑越可能是变化图斑,距离根节点越远的图斑越可能是未变化图斑。具体步骤为:

      (1)待评估数据$ x $遍历每一棵iTree,获得其路径长度$ h\left(x\right) $。

      (2)将路径长度$ h\left(x\right) $做进一步计算,得到0到1的数值$ s\left(x\right) $,计算过程为:

      $$ s\left(x\right)={2}^{-\frac{E\left[h\left(x\right)\right]}{c\left(\psi \right)}} $$ (1)

      式中,$ h\left(x\right) $为被检测样本$ x $在iTree中检索到的路径长度;$ E\left[h\left(x\right)\right] $是样本$ x $对t棵iTree路径长度的期望;$ c\left(\psi \right) $是$ \psi $个图斑构建的二分搜索树的平均路径长度。$ c\left(\psi \right) $的具体计算为:

      $$ c\left(\psi \right)=\left\{\begin{array}{l}2H(\psi -1)-2(\psi -1)/n\begin{array}{c}, \end{array}\psi >2\\ 1\begin{array}{cc}\begin{array}{cc}\begin{array}{c}, \psi =2\end{array}& \end{array}& \begin{array}{cccc}\begin{array}{cc}& \end{array}& & & \end{array}\end{array}\\ 0\begin{array}{cc}\begin{array}{c}, \psi <2\end{array}& \end{array}\begin{array}{cc}& \begin{array}{cccc}\begin{array}{cc}\begin{array}{cc}\begin{array}{c}\end{array}& \end{array}& \end{array}& & & \end{array}\end{array}\end{array}\right. $$ (2)

      式中,$ H\left(k\right)=\mathrm{l}\mathrm{n}\left(k\right)+\xi $,$ \xi $为欧拉常数。变化指数$ s\left(x\right) $的取值范围为0到1,将$ s\left(x\right) $作为衡量图斑变化程度的变化指数,当$ s\left(x\right) $越接近1,表示图斑发生变化的可能性越高;越接近0,表示图斑未发生变化的可能性越高。

    • 在基于孤立森林算法获得图斑的变化指数后,采用基于贝叶斯算法的阈值确定方法[20-21]获取变化阈值,通过变化阈值对变化指数进行二值分割生成变化/未变化语义结果。假设$ {\mathit{\boldsymbol{D}}_{{\rm{isolation}}}} = \left\{ {d_{{\rm{isolation}}}^1, d_{{\rm{isolation}}}^2 \cdots d_{{\rm{isolation}}}^m} \right\} $为图斑变化指数组成的集合,m为图斑个数。将$ {D}_{\mathrm{i}\mathrm{s}\mathrm{o}\mathrm{l}\mathrm{a}\mathrm{t}\mathrm{i}\mathrm{o}\mathrm{n}} $分为变化类$ {w}_{c} $与未变化类$ {w}_{u} $,假设变化类与未变化类的条件密度函数$ p(x/{w}_{c}) $、$ p(x/{w}_{u}) $均服从高斯密度函数分布:

      $$ p(x/{w}_{i})=\frac{1}{\sqrt{2\mathrm{\pi }{\sigma }^{2}}}\mathrm{e}\mathrm{x}\mathrm{p}\left\{-\frac{{\left(x-{u}_{i}\right)}^{2}}{2{\sigma }^{2}}\right\}, i\in \left\{u, c\right\} $$ (3)

      对于变化类$ {w}_{c} $与未变化类$ {w}_{u} $的均值与标准差分别用$ {\mu }_{s} $、$ {\delta }_{s} $($ s\in \left\{c, u\right\} $)表示,则图斑变化指数的总密度函数$ p\left(x\right) $可表示为:

      $$ p\left(x\right)=p\left(\begin{array}{c}x\end{array}\right|\begin{array}{c}{w}_{u}\end{array}\left)p\right(\begin{array}{c}{w}_{u}\end{array})+p(\begin{array}{c}x\end{array}\left|\begin{array}{c}{w}_{c}\end{array}\right)p\left(\begin{array}{c}{w}_{c}\end{array}\right) $$ (4)

      为验证本文方法计算所得变化指数是否服从上述假设,即变化类与未变化类均服从高斯分布,本文对变化指数的数据分布进行了分析,实验1、实验2的变化指数数据分布图如图 2所示。图 2中,蓝色柱体为数据直方图,绿色曲线为依据直方图拟合所得的核密度拟合曲线(kernel density estimation,KDE),横轴为由孤立森林算法计算所得变化指数,纵轴为图斑个数。

      图  2  本文方法变化指数数据分布

      Figure 2.  Change Index Distribution of the Proposed Method

      图 2的拟合曲线验证了所提方法满足上述假设。在假设条件下,求解变化阈值的过程可转化为估算变化类$ {w}_{c} $与未变化类$ {w}_{u} $均值与标准差的过程。对均值与标准差的估算可应用最大期望(expectation maximization,EM)算法实现。EM算法由迭代循环实现,每次迭代由期望值与期望最大化两个步骤组成。求期望值根据待估计参数的当前值,从观测数据中直接估计概率密度的期望值,后者通过最大化期望来更新参数的估计量,这两步在整个迭代过程中依次交替进行,直至迭代过程收敛。

      应用EM算法对两个子高斯模型进行未变化类别$ {w}_{u} $参数估计,则其先验概率、均值与标准差的计算公式分别为:

      $$ \left\{ {\begin{array}{*{20}{l}} {{p^{t + 1}}\left( {{w_u}} \right) = \frac{{\sum\limits_{X\left( i \right) \in {D_{{\rm{isolation}}}}} {\frac{{{p^t}\left( {{w_u}} \right){p^t}(\begin{array}{*{20}{c}} {X\left( i \right)} \end{array}|\begin{array}{*{20}{c}} {{w_u}} \end{array})}}{{{p^t}\left( {{w_u}} \right)}}} }}{m}}\\ {{u^{t + 1}}\left( {{w_u}} \right) = \frac{{\sum\limits_{X\left( i \right) \in {D_{{\rm{isolation}}}}} {\frac{{{p^t}\left( {{w_u}} \right){p^t}(\begin{array}{*{20}{c}} {X\left( i \right)} \end{array}|\begin{array}{*{20}{c}} {{w_u}} \end{array})}}{{{p^t}\left( {{w_u}} \right)}}} \begin{array}{*{20}{c}} {X\left( i \right)} \end{array}}}{{\sum\limits_{X\left( i \right) \in {D_{{\rm{isolation}}}}} {\frac{{{p^t}\left( {{w_u}} \right){p^t}(\begin{array}{*{20}{c}} {X\left( i \right)} \end{array}|\begin{array}{*{20}{c}} {{w_u}} \end{array})}}{{{p^t}\left( {{w_u}} \right)}}} }}}\\ {{{({\delta ^2})}^{t + 1}}({w_u}) = \frac{{\sum\limits_{X\left( i \right) \in {D_{{\rm{isolation}}}}} {\frac{{{p^t}\left( {{w_u}} \right){p^t}(\begin{array}{*{20}{c}} {X\left( i \right)} \end{array}|\begin{array}{*{20}{c}} {{w_u}} \end{array})}}{{{p^t}\left( {{w_u}} \right)}}} \begin{array}{*{20}{c}} {{{\left[ {X\left( i \right) - u_u^t} \right]}^2}} \end{array}}}{{\sum\limits_{X\left( i \right) \in {D_{{\rm{isolation}}}}} {\frac{{{p^t}\left( {{w_u}} \right){p^t}(\begin{array}{*{20}{c}} {X\left( i \right)} \end{array}|\begin{array}{*{20}{c}} {{w_u}} \end{array})}}{{{p^t}\left( {{w_u}} \right)}}} }}} \end{array}} \right.$$ (5)

      式中,t与t+1分别为当前估计值与下一次迭代所用估计值;m为图斑个数。变化类$ {w}_{c} $的均值与标准差的估计方法同$ {w}_{u} $。

      当相邻两次迭代计算的先验概率、均值与标准差的差值小于给定的阈值$\varepsilon (\varepsilon = 1 \times {10^{ - 8}})$时,迭代终止。

      根据EM算法获得未变化类与变化类的均值$ {\mu }_{s} $、标准差$ {\delta }_{s} $($ s\in \left\{c, u\right\} $)后,根据贝叶斯最小误差概率理论计算变化阈值T

      $$ p\left(\begin{array}{c}T\end{array}\right|\begin{array}{c}{w}_{u}\end{array}\left)p\right(\begin{array}{c}{w}_{u}\end{array})=p(T\left|\begin{array}{c}{w}_{c}\end{array}\right)p\left(\begin{array}{c}{w}_{c}\end{array}\right) $$ (6)

      对式(6)进行整理,可得变化阈值T的求解公式为:

      $$\begin{array}{*{20}{l}} {\left( {\delta _u^2 - \delta _c^2} \right){T^2} + 2\left( {{\mu _u}\delta _c^2 - {\mu _c}\delta _u^2} \right)T + }\\ {\mu _c^2\delta _u^2 - \mu _c^2\delta _u^2 - 2\delta _u^2\delta _c^2{\rm{ln}}\left[ {\frac{{{\delta _u}p\left( {{w_u}} \right)}}{{{\delta _c}p\left( {{w_c}} \right)}}} \right] = 0} \end{array}$$ (7)

      式中,$ {\mu }_{u} $、$ {\mu }_{c} $、$ {\delta }_{u} $、$ {\delta }_{c} $、$ p\left({w}_{u}\right) $与$ p\left({w}_{c}\right) $均已通过式(5)计算获得。通过式(7)可计算得出实验1阈值为0.49,实验2阈值为0.55。通过该阈值,实验可获得对变化指标进行二值分割生成变化和未变化语义的结果。

    • 为验证本文所提方法的有效性,以高分1号及Google地图下载的数据为实验数据,针对生态区植被变化与高速公路修建路段的农田变化进行研究。通过对比影像-影像法与矢量-影像法,验证矢量-影像法在本文应用场景下的优势。影像-影像法与矢量-影像法两种方法的精度评价如表 1所示。

      表 1  本文方法变化检测精度评价

      Table 1.  Accuracy Assessment of Change Detection Method Proposed in This Paper

      实验1 实验2
      精度指标 影像-影像法 矢量-影像法 影像-影像法 矢量-影像法
      马氏距离+贝叶斯 马氏距离+贝叶斯 孤立森林+贝叶斯 马氏距离+贝叶斯 马氏距离+贝叶斯 孤立森林+贝叶斯
      虚检率 0.175 3 0.176 7 0.159 7 0.297 7 0.246 7 0.171 7
      错检率 0.116 2 0.086 7 0.024 5 0.156 9 0.068 0 0.009 9
      正确率 0.865 3 0.882 5 0.923 5 0.805 0 0.870 4 0.931 8

      在影像-影像数据前提下,应用马氏距离+贝叶斯方法作对比方法1。该方法在相同的矢量图斑下,分别提取T1T2影像的特征,采用文献[17]中所提马氏距离方法计算变化指数,获得变化指数后,应用文献[19]所提贝叶斯方法确定变化检测结果。

      在矢量-影像数据前提下,应用马氏距离+贝叶斯方法作对比方法2。因缺少T1时相特征集,故借鉴文献[13]中应用统计方法进行矢量-影像法的变化检测,将特征集均值作为未变化对象应用于马氏距离进行变化指数的计算,并通过贝叶斯方法获得变化检测结果。

      在矢量-影像法的前提下,对比马氏距离与孤立森林变化指数计算方法,验证所给方法的有效性。以虚检率、错检率和正确率作为精度评价指标,其中,虚检率为实际未变化但检测为变化的图斑数与检测为变化的图斑数之比,错检率为实际变化但检测为未变化的图斑数与检测为未变化的图斑数之比,正确率是检测结果与实际结果一致的对象在所有对象中的比例。错检率和虚检率越低,正确率越高,则变化检测的精度越高[18]

      本文应用eCognition软件提取实验1的高分1号影像中图斑的光谱特征(各波段均值)、纹理特征(同质性、熵、对比度、均值、角二阶矩)及归一化植被指数特征,为避免特征冗余进行主成分变换,选取前3个主成分作为输入数据$ {X}^{1} $。

      本文选取实验2中相同的光谱特征及纹理特征的Google下载影像,进行主成分变换,同样选取前3个主成分作为输入数据$ {X}^{2} $。

    • 实验1为高分1号8 m多光谱影像和2 m全色影像的融合影像,多光谱包含红、绿、蓝和近红外4个波段,原始影像获取时间分别为2014年与2015年,影像大小为613×1 587像素,位于升金湖生态区。升金湖生态区在安徽省东至境内,是中国重要的自然保护区,关注此区域的植被变化情况对生态区的保护工作至关重要。

      本文应用2014年含植被类别属性的矢量数据对2015年影像进行增长式分割,最终获取928个植被类别图斑。实验1的数据及结果如图 3所示。

      图  3  升金湖数据及结果

      Figure 3.  Data and Results of Shengjin Lake

      图 3(a)为升金湖2014年的影像与植被矢量底图叠加影像;图 3(b)为升金湖2015年的影像与历史植被类别分割结果叠加影像;通过目视判读,结合实验地区先验知识,获取参考变化结果,如图 3(c)所示,黄色图斑为历史植被类别中真实变化图斑,共314个图斑,变化图斑约占总数的33.8%;图 3(d)中的红色图斑为本文方法的变化检测结果;图 3(e)为应用孤立森林方法计算植被图斑变化指数渐变图,最右边色带为从低到高变化指数,最低为0.42,最高为0.75,其中,红色数字0.49为经贝叶斯方法确定的变化阈值。通过图 3可知,经由孤立森林方法计算所得变化指数符合从0~1图斑变化程度逐渐递增的规律。

      为清晰显示不同方法实验结果,对图 3红色框中的局部区域进行放大展示如图 4所示。其中,图 4(a)黄色图斑为局部参考变化结果,图 4(b)绿色图斑为影像-影像法应用马氏距离与贝叶斯方法的局部变化检测结果,图 4(c)蓝色图斑为矢量-影像法应用马氏距离与贝叶斯方法的局部变

      图  4  升金湖局部数据及结果

      Figure 4.  Part of Data and Results of Shengjin Lake

      化检测结果,图 4(d)中红色图斑为本文方法局部变化检测结果。由图 4(c)图 4(d)对比发现,在矢量-影像法中,应用马氏距离与贝叶斯方法与应用本文方法获得的变化检测结果相比,存在部分漏检对象,精度评价结果如表 1所示。

      实验1中,矢量-影像法整体精度要高于影像-影像法。在矢量-影像法中,应用马氏距离与贝叶斯方法的错检率大于本文方法,而且本文方法在虚检率、错检率与正确率方面有较好的表现,正确率达到0.923 5。

    • 实验2所用数据为Google地图下载数据,含有红、绿、蓝3个波段,分辨率为0.55 m,获取时间分别为2015年8月与2016年2月,影像大小为3 827×3 894像素,位于云湛高速部分修建路段。观察两期影像,可明显看到高速公路修建痕迹,公路修建占用了大量农田,故对该区域进行农田的变化检测。

      本文以2015年8月影像农田类别的矢量数据为底图对2016年2月的影像进行增长式分割,最终获取2 831个农田类别图斑。实验2数据及结果如图 5所示。

      图  5  云湛高速修建路段数据及结果

      Figure 5.  Data and Results of Construction Section of Yunzhan Expressway

      图 5(a)为云湛高速修建路段2015年8月影像与农田矢量底图叠加影像;图 5(b)为2016年2月影像与分割结果叠加影像;通过目视判读,结合实验地区先验知识,获取了参考变化结果,如图 5(c)所示,黄色图斑为植被类别中真实变化图斑,共862个图斑,变化图斑占总图斑的30.4%;图 5(d)中的红色图斑为本文方法的变化检测结果;图 5(e)为应用孤立森林方法计算植被图斑变化指数显示,即图斑变化程度显示,最右边色带为从低到高变化指数,最低为0.44,最高为0.80,其中,红色数字0.55为经贝叶斯方法确定的变化阈值。

      为清晰显示不同方法实验结果,本文对图 5红色框中的局部区域进行放大展示,如图 6所示。图 6(a)中的黄色图斑为局部参考变化结果,可以发现,原始为农田的区域出现由农田变为道路的亮色变化,又出现由农田变为水体的暗色变化;图 6(b)中绿色图斑为应用影像-影像数据马氏距离与贝叶斯方法的局部变化检测结果;图 6(c)中蓝色图斑为矢量-影像法应用马氏距离与贝叶斯方法的局部变化检测结果;图 6(d)中红色对象为本文方法局部变化检测结果。

      图  6  云湛高速修建路段局部原始数据及结果

      Figure 6.  Part of Data and Results of Construction Section of Yunzhan Expressway

      对比图 6(b)图 6(c)图 6(d),三者均可检测多种变化情况,但应用矢量-影像法结果明显优于影像-影像法结果。表 1中实验2部分,在应用相同的马氏距离与贝叶斯变化检测方法的前提下,矢量-影像法的结果要优于影像-影像法。并且相同的对比实验设计,不同的实验数据下,实验1的矢量-影像法与影像-影像法相比,正确率提高了0.017 2。而实验2中的矢量-影像法与影像-影像法相比,正确率提高了0.065 4。可见,实验2的提高幅度明显大于实验1的提高幅度。分析原因,实验2主要为农田区域的变化检测,且影像拍摄时间分别为2015年8月与2016年2月,农田在夏季与冬季的特征有很大不同,极易受拍摄季节的影响。通过对比实验1与实验2矢量-影像法正确率的提高幅度,验证了矢量-影像法在克服影像-影像法易受影像成像季节等因素干扰方面具有一定的优势。在应用矢量-影像法的前提下,马氏距离与本文方法变化检测结果相比,存在部分漏检对象。根据精度评价结果表 1可知,实验2中本文方法在虚检率与错检率上具有较大的优势,与实验1结果一致,正确率达0.931 8。

    • 本文提出一种基于矢量与孤立森林的变化检测方法,通过生态区植被类别变化检测与高速公路修建路段农田变化检测验证所提方法的有效性。此方法应用旧时相矢量与新时相的影像数据进行变化检测,从数据层面避免多时相变化检测因季节等外部因素对检测精度的影响,并用经由增长式分割方法获取的图斑进行变化指数计算,进而丰富了局部变化的描述,通过贝叶斯方法自动获取变化阈值进而实现变化检测。通过比较影像-影像法与矢量-影像法,比较马氏距离与孤立森林变化指数计算方法的实验,证明了所给方法可提高变化检测的精度,同时在一定程度上改善了基于影像变化检测的自动化与智能化程度。本文方法的适用前提为各类地物发生变化的图斑占比例较小,虽然文中已应用两组实验数据验证了此方法在本文应用场景下的可行性,但如何弱化或去除此适用前提是下一阶段研究工作的重点。

参考文献 (21)

目录

    /

    返回文章
    返回