采用獨(dú)立閾值的遙感影像變化檢測方法

賈永紅,謝志偉,張謙,楊剛

(1.武漢大學(xué)遙感信息工程學(xué)院, 430079, 武漢;2.武漢大學(xué)測繪遙感信息工程國家重點(diǎn)實(shí)驗(yàn)室, 430079, 武漢;3.華中科技大學(xué)自動化學(xué)院, 430074, 武漢;4.武漢大學(xué)資源與環(huán)境科學(xué)學(xué)院, 430079, 武漢)

?

采用獨(dú)立閾值的遙感影像變化檢測方法

賈永紅1,2,謝志偉1,張謙3,楊剛4

(1.武漢大學(xué)遙感信息工程學(xué)院, 430079, 武漢;2.武漢大學(xué)測繪遙感信息工程國家重點(diǎn)實(shí)驗(yàn)室, 430079, 武漢;3.華中科技大學(xué)自動化學(xué)院, 430074, 武漢;4.武漢大學(xué)資源與環(huán)境科學(xué)學(xué)院, 430079, 武漢)

針對在多時(shí)相遙感影像變化檢測中常規(guī)閾值確定方法無法獲取小比例變化量區(qū)域準(zhǔn)確變化閾值,并導(dǎo)致變化檢測失敗的問題,提出了采用獨(dú)立閾值的遙感影像變化檢測方法。通過多時(shí)相遙感影像多尺度分割獲取像斑,采用變化向量分析法計(jì)算像斑差異度;從像斑差異度中自適應(yīng)選擇滿足期望最大化算法和貝葉斯最小誤差率理論獲取準(zhǔn)確閾值條件的訓(xùn)練樣本;將訓(xùn)練樣本導(dǎo)入獨(dú)立閾值法確定變化閾值,利用變化閾值對像斑差異度進(jìn)行二值分割獲得影像變化的檢測結(jié)果。實(shí)驗(yàn)結(jié)果表明,采用獨(dú)立閾值的遙感影像變化檢測方法能夠獲得更準(zhǔn)確的變化閾值,在城郊變化檢測中平均漏檢率較全局閾值法和局部閾值法降低了9.6%和17.24%,在城區(qū)變化檢測中平均正確率較全局閾值法和局部閾值法提高了51.27%和35.42%。

變化檢測;小比例變化量區(qū)域;像斑;樣本選擇;期望最大化算法

遙感技術(shù)可以為地理國情監(jiān)測提供重要技術(shù)支撐,多時(shí)相遙感數(shù)據(jù)變化檢測是地理國情實(shí)現(xiàn)動態(tài)監(jiān)測的關(guān)鍵。非監(jiān)督法變化檢測因其在效率和精度上的優(yōu)勢,在實(shí)際生產(chǎn)中得到更多重視[1]。

非監(jiān)督法變化檢測通過變化閾值對差異影像進(jìn)行二值分割獲取變化檢測結(jié)果。常用的二值分割算法可分為全局閾值法和局部閾值法兩類。文獻(xiàn)[2]提出了基于期望最大化(expectation maximization,EM)算法和貝葉斯最小誤差率理論的全局閾值法變化檢測,該方法將整幅差異影像的灰度直方圖作為全局信息,通過對其分析并自動計(jì)算變化閾值,在多時(shí)相遙感影像變化檢測中得到了廣泛應(yīng)用[3-5]。然而,采用基于EM算法和貝葉斯最小誤差率理論獲取變化閾值需要滿足如下條件:若將檢測區(qū)域內(nèi)變化區(qū)域與未變化區(qū)域的面積比例定義為變化量比例,當(dāng)檢測區(qū)域?yàn)榇蟊壤兓繀^(qū)域時(shí),可以有效地獲得準(zhǔn)確變化閾值;當(dāng)檢測區(qū)域?yàn)樾”壤兓繀^(qū)域時(shí),則不能獲得準(zhǔn)確的變化閾值[6]。因此,采用全局閾值法的變化檢測無法對小比例變化量區(qū)域進(jìn)行有效變化檢測。局部閾值法變化檢測[7-8]通過格網(wǎng)分塊將2個(gè)時(shí)相的遙感影像均劃分為重疊的影像塊,再采用全局閾值法分別計(jì)算每個(gè)影像塊的變化閾值,若對應(yīng)的2個(gè)時(shí)相影像塊為小比例變化量區(qū)域則無法獲得該影像塊區(qū)域的準(zhǔn)確變化閾值。在地理國情監(jiān)測中,使用的多時(shí)相遙感影像采集時(shí)間相近,且數(shù)據(jù)尺寸較大,導(dǎo)致檢測區(qū)域內(nèi)常常只有少量土地覆蓋發(fā)生變化,即為小比例變化量區(qū)域,全局閾值法或局部閾值法均不能得到準(zhǔn)確變化閾值,導(dǎo)致上述方法無法在地理國情監(jiān)測中得到應(yīng)用。

由于面向?qū)ο蟮淖兓瘷z測在多時(shí)相高分辨率遙感影像變化檢測中的效果優(yōu)于像素級變化檢測[9],本文亦將影像對象作為基本處理單元,并將影像對象稱為像斑。

本文在上述研究的基礎(chǔ)上,提出采用獨(dú)立閾值的遙感影像變化檢測方法,通過多尺度影像分割獲取像斑,采用變化向量分析法(change vector analysis,CVA)[4]計(jì)算像斑差異度,然后自適應(yīng)選擇訓(xùn)練樣本,結(jié)合EM算法和貝葉斯最小誤差率理論的閾值計(jì)算方法,通過獨(dú)立閾值法確定變化閾值,最后利用變化閾值對差異影像進(jìn)行二值分割獲取變化檢測結(jié)果。本文選擇城郊和城區(qū)兩種土地覆蓋類型實(shí)驗(yàn)數(shù)據(jù)來驗(yàn)證本文方法的有效性。

1 影像預(yù)處理

遙感影像幾何配準(zhǔn)是實(shí)現(xiàn)多時(shí)相遙感影像變化檢測的關(guān)鍵前提,本文采用文獻(xiàn)[10]的影像配準(zhǔn)方法對2個(gè)時(shí)相遙感影像進(jìn)行配準(zhǔn)。通過分形網(wǎng)絡(luò)演化算法對配準(zhǔn)后的多時(shí)相遙感影像進(jìn)行多尺度分割,獲取同時(shí)具備光譜和形狀同質(zhì)性的像斑。分割尺度參數(shù)、緊致度、形狀因子是影響分割結(jié)果的3個(gè)因素。分割尺度參數(shù)用來控制觀測地物的細(xì)微程度,主要依靠使用者的經(jīng)驗(yàn)知識利用啟發(fā)式的方法確定;緊致度表征對象的規(guī)則程度,緊致度過小會使分割后的像斑不完整;形狀因子為參與分割的形狀異質(zhì)度的權(quán)重,適當(dāng)?shù)男螤钜蜃幽軌驕p少像斑的邊界破碎程度[11]。

本文采用文獻(xiàn)[12]的多時(shí)相影像多尺度分割方法,首先將配準(zhǔn)后的2個(gè)時(shí)相的遙感影像進(jìn)行疊加;然后對疊加后的多維影像進(jìn)行多尺度分割;最后將分割結(jié)果拆分成疊加前的2個(gè)時(shí)相影像多波段形式,由此分別得到2個(gè)時(shí)相影像的分割結(jié)果。本文方法綜合考慮了2個(gè)時(shí)相影像的光譜和空間信息,保證了不同時(shí)相相同影像位置所對應(yīng)的像斑包含的像元相同,并在各自的時(shí)相中具有光譜、空間同質(zhì)性,利于進(jìn)行像斑級的比較和分析。

2 獨(dú)立閾值法變化檢測

2.1 自適應(yīng)樣本選擇

針對小比例變化量區(qū)域進(jìn)行變化檢測,通過自適應(yīng)樣本選擇的方法選擇整幅影像中具有大比例變化量的局部區(qū)域作為訓(xùn)練樣本。自適應(yīng)樣本選擇方法具體如下。

(1)

(2)

2.2 基于EM算法和貝葉斯最小誤差率理論的閾值確定

采用貝葉斯最小誤差率理論計(jì)算變化閾值需要以下變量:類別數(shù)、每個(gè)類別的先驗(yàn)概率、每個(gè)類別的條件概率密度函數(shù)。假設(shè)作為樣本的像斑差異度集合為D={d1,…,dk},k≤m,m為像斑數(shù)量。采用貝葉斯最小誤差率理論將集合D分為變化類wc和未變化類wn,則D的分類問題轉(zhuǎn)為估計(jì)條件概率密度函數(shù)p(dk|wc)和p(dk|wn)的參數(shù),以及先驗(yàn)概率p(wc)和p(wn),且p(wc)+p(wn)=1。假設(shè)p(dk|wc)和p(dk|wn)均服從高斯分布,則有

(3)

式中:l∈{c,n};μl、δl為變化類像斑和未變化類像斑的均值和標(biāo)準(zhǔn)差。D中像斑差異度近似滿足2個(gè)高斯分布組成的混合高斯分布

p(dk)=p(wc)p(dk|wc)+p(wn)p(dk|wn)

(4)

由于EM算法可用于含有隱含變量的概率參數(shù)模型的最大似然估計(jì)。以wn為例,采用EM算法估計(jì)wn分布參數(shù)的公式如下

(5)

(6)

(7)

式中:r為迭代次數(shù)。使用EM算法對2個(gè)子高斯模型做參數(shù)估計(jì)的步驟如下[3]:首先采用K均值聚類算法獲得p(wn)、μn、δn的初始值;然后利用式(5)～式(7)迭代更新p(wn)、μn、δn的值,直到相鄰兩次的p(wn)、μn、δn差值小于閾值ε(ε<10-8),則停止迭代,將最后一次迭代獲得的參數(shù)作為最終結(jié)果。wc的分布參數(shù)求解方式相同。

利用EM算法估計(jì)wc和wn的統(tǒng)計(jì)分布參數(shù)后,根據(jù)貝葉斯最小誤差率理論[13],計(jì)算滿足式(8)時(shí)的最佳變化閾值T*如下

(8)

根據(jù)wc和wn的分布特性,結(jié)合式(3),將μn、δn、μc、δc代入式(8)中,則可得到T*的求解式

(9)

2.3 獨(dú)立閾值法

通過自適應(yīng)樣本選擇法得到了具有大比例變化量的訓(xùn)練樣本,本文提出獨(dú)立閾值法,利用選擇得到的訓(xùn)練樣本確定整幅影像的變化閾值。

綜合上述分析,本文的變化檢測方法流程圖如圖1所示。

圖1 本文的變化檢測方法流程圖

3 實(shí)驗(yàn)和分析

3.1 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)數(shù)據(jù)是武漢市東湖地區(qū)2012年11月Worldview遙感影像和2013年8月的Pleiades遙感影像,影像的空間分辨率為0.5 m,由紅、綠、藍(lán)、近紅外4個(gè)波段組成,影像均經(jīng)過配準(zhǔn)處理。實(shí)驗(yàn)數(shù)據(jù)1為城郊某區(qū)域,尺寸為7 103×7 887像素,如圖2所示;實(shí)驗(yàn)數(shù)據(jù)2為城區(qū)某區(qū)域,尺寸為6 026×6 034像素,如圖3所示。

(a)2012年影像 (b)2013年影像圖2 實(shí)驗(yàn)數(shù)據(jù)1

(a)2012年影像 (b)2013年影像圖3 實(shí)驗(yàn)數(shù)據(jù)2

3.2 實(shí)驗(yàn)分析

采用分形網(wǎng)絡(luò)演化算法對配準(zhǔn)后的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行多尺度分割,通過使用者的經(jīng)驗(yàn)知識利用啟發(fā)式的方法確定形狀因子為0.5,緊致度為0.65,分割尺度參數(shù)為300。

分別對實(shí)驗(yàn)數(shù)據(jù)1和實(shí)驗(yàn)數(shù)據(jù)2按尺寸1 024×1 024像素進(jìn)行格網(wǎng)分塊,得到56個(gè)和36個(gè)影像塊。采用樣本選擇法得到2個(gè)實(shí)驗(yàn)數(shù)據(jù)的樣本影像塊集合,其中2組實(shí)驗(yàn)數(shù)據(jù)的σi排序如圖4所示,可見實(shí)驗(yàn)數(shù)據(jù)1和實(shí)驗(yàn)數(shù)據(jù)2在L=6和L=5處曲線的斜率變化明顯,因此可利用前L個(gè)影像塊構(gòu)建樣本影像塊集合。

(a)實(shí)驗(yàn)數(shù)據(jù)1 (b)實(shí)驗(yàn)數(shù)據(jù)2圖4 影像塊標(biāo)準(zhǔn)差排序曲線

從2組實(shí)驗(yàn)數(shù)據(jù)的整幅實(shí)驗(yàn)結(jié)果中截取部分影像塊的實(shí)驗(yàn)結(jié)果用于定量和定性分析本文方法的性能。從實(shí)驗(yàn)數(shù)據(jù)1中截取樣本影像塊A和非樣本影像塊B,見圖2;從實(shí)驗(yàn)數(shù)據(jù)2中截取樣本影像塊C和非樣本影像塊D,見圖3。

為了驗(yàn)證選擇變化量比例較大的前L個(gè)差異影像塊作為樣本影像塊的合理性,通過逐級增加L值,針對不同L值采用獨(dú)立閾值法進(jìn)行變化檢測,利用實(shí)驗(yàn)數(shù)據(jù)1進(jìn)行實(shí)驗(yàn)分析。L與變化檢測精度的關(guān)系如圖5所示:隨著L的增大,正確率和虛檢率的趨勢平穩(wěn),漏檢率逐步升高?？梢姳疚倪x擇的L值為6和5,較其他L值更為合理。

(a)影像塊A (b)影像塊B圖5 L與變化檢測精度的關(guān)系

(a)影像塊A (b)影像塊B圖6 分割尺度與變化檢測精度的關(guān)系

分割尺度參數(shù)會影響采用面向?qū)ο蠓椒ǖ淖兓瘷z測的精度。將實(shí)驗(yàn)數(shù)據(jù)1的分割尺度參數(shù)分別設(shè)置為100、200、300、400、500,在不同的分割尺度參數(shù)下采用獨(dú)立閾值法進(jìn)行變化檢測,得到分割尺度參數(shù)與變化檢測精度的關(guān)系如圖6所示。從圖6可知,分割尺度參數(shù)過小會導(dǎo)致較高的虛檢率,分割尺度參數(shù)過大會導(dǎo)致漏檢率升高,本文選擇的分割尺度參數(shù)為300時(shí)可以得到最優(yōu)的變化檢測精度。

對獨(dú)立閾值法中獲得的樣本影像塊變化閾值集合取平均數(shù),并將平均數(shù)作為整幅影像的變化閾值,記為均值閾值法。采用獨(dú)立閾值法、均值閾值法、全局閾值法、局部閾值法分別對2組實(shí)驗(yàn)數(shù)據(jù)進(jìn)行實(shí)驗(yàn),利用人工方法獲得的變化檢測結(jié)果作為參考結(jié)果,驗(yàn)證本文方法的有效性。

針對實(shí)驗(yàn)數(shù)據(jù)1,獨(dú)立閾值法得到的6個(gè)樣本影像塊變化閾值如表1所示。通過對表1中的變化閾值集合取中位數(shù)和平均數(shù),獲得獨(dú)立閾值法和均值閾值法的變化閾值。4種方法的變化閾值如表2所示,可見獨(dú)立閾值法與均值閾值法的變化閾值相同,低于全局閾值法,局部閾值法在影像塊A與影像

表1 實(shí)驗(yàn)數(shù)據(jù)1樣本影像塊的變化閾值

表2 實(shí)驗(yàn)數(shù)據(jù)1的4種方法的變化閾值

塊B中得到不同的變化閾值。

影像塊A和影像塊B如圖7a和7b、圖8a和8b所示,4種方法的結(jié)果依次如圖7c～7f和圖8c～8f所示,變化檢測精度如表3所示。通過圖7和圖8定性分析可知,獨(dú)立閾值法和均值閾值法的變化檢測效果相同,并優(yōu)于其他兩種方法,全局閾值法的漏檢像斑多于獨(dú)立閾值法,局部閾值法在影像塊B中漏檢較多。根據(jù)表3定量分析,獨(dú)立閾值法與均值閾值法的變化檢測精度相同,其正確率與其他兩種方法差異不明顯,虛檢率略高于其他兩種方法,但得到了最低的漏檢率。

表3 實(shí)驗(yàn)數(shù)據(jù)1的4種方法變化檢測精度

(a)2012年 (b)2013年 (c)獨(dú)立閾值法(d)均值閾值法 (e)全局閾值法 (f)局部閾值法 (g)人工方法圖7 影像塊A的變化檢測結(jié)果

(a)2012年 (b)2013年 (c)獨(dú)立閾值法 (d)均值閾值法 (e)全局閾值法 (f)局部閾值法 (g)人工方法圖8 影像塊B的變化檢測結(jié)果

針對實(shí)驗(yàn)數(shù)據(jù)2,獨(dú)立閾值法得到的5個(gè)樣本影像塊變化閾值如表4所示。采用與實(shí)驗(yàn)數(shù)據(jù)1相同的方法獲得獨(dú)立閾值法和均值閾值法的變化閾值。

4種變化檢測方法的變化閾值如表5所示, 獨(dú) 表4 實(shí)驗(yàn)數(shù)據(jù)2的樣本影像塊變化閾值

立閾值法的變化閾值略低于均值閾值法,全局閾值法的變化閾值明顯低于獨(dú)立閾值法,局部閾值法中影像塊C和影像塊D的變化閾值差異明顯。

表5 實(shí)驗(yàn)數(shù)據(jù)2的4種方法的變化閾值

影像塊C和影像塊D如圖9a和9b、圖10a和10b所示,4種變化檢測方法的結(jié)果依次如圖9c～9f和圖10c～10f所示,變化檢測精度如表6所示。通過圖9、圖10定性分析可知,獨(dú)立閾值法獲得最優(yōu)的變化檢測效果,均值閾值法的變化檢測效果與獨(dú)立閾值法相近,全局閾值法虛檢嚴(yán)重,局部閾值法無法得到穩(wěn)定的變化檢測結(jié)果。通過表6定量分析,獨(dú)立閾值法的正確率顯著優(yōu)于其他方法,在影像塊C中虛檢率分別高于均值閾值法和局部閾值法2.14%和4.42%,但漏檢率分別降低了21.47%和58.65%,可見獨(dú)立閾值法在犧牲少量虛檢率的條件下有效降低了漏檢率。

表6 實(shí)驗(yàn)數(shù)據(jù)2的4種方法變化檢測精度

(a)2012年 (b)2013年 (c)獨(dú)立閾值法 (d)均值閾值法 (e)全局閾值法 (f)局部閾值法 (g)人工方法圖9 影像塊C的變化檢測結(jié)果

(a)2012年 (b)2013年 (c)獨(dú)立閾值法 (d)均值閾值法 (e)全局閾值法 (f)局部閾值法 (g)人工方法圖10 影像塊D的變化檢測結(jié)果

綜上可知,全局閾值法和局部閾值法均無法獲得準(zhǔn)確的變化閾值,導(dǎo)致這兩種方法的變化檢測失敗,該現(xiàn)象在城區(qū)的變化檢測中尤為明顯,平均正確率僅為44.67%和60.52%。均值閾值法盡管能夠得到與獨(dú)立閾值法相近的變檢測結(jié)果,但易受極端數(shù)據(jù)的影響,如表4中樣本影像塊的變化閾值0.02,選擇變化閾值集合的中位數(shù)作為整幅影像的變化閾值更穩(wěn)定。獨(dú)立閾值法能夠獲得準(zhǔn)確的變化閾值,在城郊和城區(qū)的變化檢測中均取得了優(yōu)于均值閾值法、全局閾值法、局部閾值法的變化檢測效果。

4 結(jié)束語

本文提出了采用獨(dú)立閾值的遙感影像變化檢測方法。該方法在樣本選擇的基礎(chǔ)上采用獨(dú)立閾值法確定差異影像的變化閾值并獲取變化檢測結(jié)果。實(shí)驗(yàn)結(jié)果表明,本文方法在對小比例變化量區(qū)域的多時(shí)相遙感影像變化檢測中,能夠取得優(yōu)于常規(guī)的全局閾值法或局部閾值法的變化檢測效果,適用于小比例變化量區(qū)域的多時(shí)相遙感影像變化檢測。本文方法具有效率高、精度好等特點(diǎn),能夠滿足城郊和城區(qū)等多種土地覆蓋類型的變化檢測,可為地理國情動態(tài)監(jiān)測提供技術(shù)支持,在地理國情監(jiān)測中具有一定應(yīng)用價(jià)值。

[1] 李德仁, 眭海剛, 單杰. 論地理國情監(jiān)測的技術(shù)支撐 [J]. 武漢大學(xué)學(xué)報(bào): 信息科學(xué)版, 2012, 37(5): 506-512. LI Deren, SUI Haigang, SHAN Jie. Discussion on technologies of geographic national condition monitoring [J]. Geomatics and Information Science of Wuhan University, 2012, 37(5): 506-512.

[2] 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): 1171-1182.

[3] 佃袁勇, 方圣輝, 姚崇懷. 一種面向地理對象的遙感影像變化檢測方法 [J]. 武漢大學(xué)學(xué)報(bào): 信息科學(xué)版, 2014, 39(8): 906-912. 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.

[4] 李亮, 龔龑, 李雪, 等. 像斑直方圖相似性測度的高分辨率遙感影像變化檢測 [J]. 遙感學(xué)報(bào), 2014, 18(1): 139-153. LI Liang, GONG Yan, LI Xue, et al. Change detection based on similarity measurement of object histogram using high-resolution remote sensing imagery [J]. Journal of Remote Sensing, 2014, 18(1): 139-153.

[5] FARID M, GABRIELE M, SEBASTIANO B S. Unsupervised change-detection methods for remote-sensing images [J]. Optical Engineering, 2002, 41(12): 3288-3297.

[6] BAZY Y, BRUZZONE L, MELGANI F. Image thresholding based on the EM algorithm and the generalized Gaussian distribution [J]. Pattern Recognition, 2007, 40(2): 619-634.

[7] ROSIN P L. Thresholding for change detection [J]. Computer Vision and Image Understanding, 2002, 86(2): 79-95.

[8] DONNA H, LEEN K S, COSTAS T. A Dynamic thresholding technique for ice classification [C]∥Proceedings of International Geoscience and Remote Sensing Symposium. Los Alamitos, CA, USA: IEEE Computer Society, 1993: 638-640.

[9] CHEN Gang, HAY G J, CARVALHO L M T, et al. Object based change detection [J]. International Journal of Remote Sensing, 2012, 33(14): 4434-4457.

[10]ZHANG Qian, CAO Zhiguo, HU Zhongwen, et al. Joint image registration and fusion for panchromatic and multispectral images [J]. IEEE Geoscience and Remote Sensing Letters, 2015, 12(3): 467-471.

[11]BENZ U C, HOFMANN P, WILLHAUCK G, et al. Multi-resolution, object-oriented fuzzy analysis of remote sensing data for GIS: ready information [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2004, 58(3/4): 239-258.

[12]TANG Yuqi, ZHANG Liangpei, HUANG Xin. Object-oriented change detection based on the Kolmogorov-Smirnov test using high-resolution multispectral imagery [J]. International Journal of Remote Sensing, 2011, 32(20): 5719-5740.

[13]楊藝, 韓崇昭, 韓德強(qiáng), 等. 一種多源遙感影像融合的新策略 [J]. 西安交通大學(xué)學(xué)報(bào), 2010, 44(6): 88-92. YANG Yi, HAN Chongzhao, HAN Deqiang, et al. A novel fusion strategy for segmentation of multisensor remote sensing images [J]. Journal of Xi’an Jiaotong University, 2010, 44(6): 88-92.

[14]XUE Jinghao, TITTERINGTON D M. Median-based image thresholding [J]. Image and Vision Computing, 2011, 29(9) 631-637.

(編輯 劉楊)

A Change Detection Method of Remote Sensing Images with Independent Threshold

JIA Yonghong1,2,XIE Zhiwei1,ZHANG Qian3,YANG Gang4

(1. School of Remote Sensing and Information Engineering, Wuhan University, Wuhan 430079, China;2. State Key laboratory of Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University,Wuhan 430079, China; 3. School of Automation, Huazhong University of Science and Technology, Wuhan 430074,China; 4. School of Resource and Environmental Sciences, Wuhan University, Wuhan 430079, China)

A change detection method of remote sensing images based on an independent threshold is proposed to solve the problems that the accurate change threshold could not be worked out by either the general global or the local threshold methods, and the failure of change detection happens in multi-temporal remote sensing images change detection if the prior probability of the class of changed pixels in the detection region is low. The multi-scale image segmentation is used to get image objects from the multi-temporal remote sensing images, and differences of image objects are calculated from each image object based on the change vector analysis. Then, training samples that meet the expectation maximization algorithm and Bayesian rule with minimum error rate are correctly selected from the difference of image objects using the adaptive sample selection method. The change threshold is finally obtained from the training samples by the independent threshold method, and the change detection result is derived. Experimental results show that the proposed method gains more accurate change threshold. Comparisons with the global threshold method and the local threshold method show that the independent threshold method reduces the average miss rate by 9.6% and 17.24%, respectively, in the suburbs change detection, and improves the accuracy rate by 51.27% and 35.42%, respectively, in the urban change detection.

change detection; little change region; image object; sample selection; expectation maximization algorithm

2015-03-20。

賈永紅(1966—),男,教授,博士生導(dǎo)師。

國家科技支撐計(jì)劃資助項(xiàng)目(2011BAB01B05)。

時(shí)間:2015-10-03

10.7652/xjtuxb201512003

TP751

A

0253-987X(2015)12-0012-07

網(wǎng)絡(luò)出版地址:http:∥www.cnki.net/kcms/detail/61.1069.T.20151003.1919.008.html