一種高空間分辨率的遙感變化檢測(cè)方法在智慧農(nóng)業(yè)中的應(yīng)用

虢英杰，朱蘭艷，李 超

昆明理工大學(xué)國土資源工程學(xué)院，云南昆明 650093)

?

一種高空間分辨率的遙感變化檢測(cè)方法在智慧農(nóng)業(yè)中的應(yīng)用

虢英杰，朱蘭艷*，李 超

昆明理工大學(xué)國土資源工程學(xué)院，云南昆明 650093)

傳統(tǒng)方法在確定影像對(duì)象的異質(zhì)性時(shí)，根據(jù)整幅遙感影像以及判別經(jīng)驗(yàn)所確定的全局固定閾值往往不能很好地適應(yīng)各種不同屬性的檢測(cè)對(duì)象。針對(duì)這一問題，該研究提出了一種自適應(yīng)的雙模糊閾值的判別方法，在傳統(tǒng)的圖像變化檢測(cè)預(yù)處理的基礎(chǔ)上，利用Q型因子在整幅影像中獲取具有代表性的訓(xùn)練樣本，分別計(jì)算各樣本的變化強(qiáng)度和相關(guān)系數(shù)的最優(yōu)閾值以及熵的二值化閾值，建立樣本的變化閾值集合，選擇集合的中位數(shù)作為整幅影像的變化閾值，利用模糊識(shí)別算法分別對(duì)所得到的2幅變化影像進(jìn)行運(yùn)算，求交集建立混淆矩陣，最終得到變化檢測(cè)的結(jié)果。試驗(yàn)結(jié)果表明，該算法對(duì)不同屬性的影像對(duì)象具有良好的適應(yīng)性，較傳統(tǒng)的閾值變化檢測(cè)方法其平均正確率提高了31.12%，有效地減少了錯(cuò)判或漏判。

智慧農(nóng)業(yè)；變化檢測(cè)；Q型因子；自適應(yīng)性；模糊識(shí)別法；雙閾值

21世紀(jì)以來，各個(gè)學(xué)科根據(jù)實(shí)際需要，借助信息化技術(shù)的飛速發(fā)展，開辟各具特色的智能化平臺(tái)并得到長足發(fā)展。傳統(tǒng)農(nóng)業(yè)也在加快向現(xiàn)代農(nóng)業(yè)轉(zhuǎn)型，以“智能化、集約化、數(shù)字化、生態(tài)化、低碳化”為特點(diǎn)的智慧農(nóng)業(yè)成為其未來發(fā)展的趨勢(shì)[1]。在智慧農(nóng)業(yè)的實(shí)際應(yīng)用中，土地資源調(diào)整、災(zāi)害評(píng)估、作物長勢(shì)和作物生態(tài)環(huán)境調(diào)查等重要研究領(lǐng)域需要精確的變化信息檢測(cè)作為技術(shù)支撐[2-4]，進(jìn)行更深層次的研究。高空間分辨率遙感影像以其能夠清晰地體現(xiàn)出影像中地物景觀的結(jié)構(gòu)、紋理、細(xì)節(jié)等信息的特點(diǎn)受到廣泛關(guān)注[5]，也成為智慧農(nóng)業(yè)一項(xiàng)重要的信息來源。

傳統(tǒng)的遙感影像變化檢測(cè)工作是通過固定閾值對(duì)影像進(jìn)行二值分割以獲取變化檢測(cè)結(jié)果。經(jīng)典的二值分割算法可大致分為2類[6]：一是全局閾值法，通過期望最大化算法和貝葉斯最小誤差率理論對(duì)整幅影像進(jìn)行變化檢測(cè)[7]；二是局部閾值法，通過網(wǎng)格分塊將2期的遙感影像均勻劃分為多個(gè)重疊的影像塊，再采用全局閾值法分別計(jì)算每個(gè)影像塊的閾值，經(jīng)過一定手段的比較最終完成對(duì)整幅影像變化區(qū)域的檢測(cè)[8-10]。這2種方法在多時(shí)相遙感影像變化檢測(cè)中都得到了廣泛的應(yīng)用。然而，如果將待檢區(qū)域內(nèi)變化區(qū)域與未變化區(qū)域的面積之比定義為變化量比例，在實(shí)際使用中就會(huì)發(fā)現(xiàn)：當(dāng)檢測(cè)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(cè)區(qū)域?yàn)樾”壤兓繀^(qū)域時(shí)，往往不能獲得準(zhǔn)確的變化閾值。基于單閾值的遙感影像變化檢測(cè)雖然簡單易行，但應(yīng)考慮到，傳感器所獲得的2期遙感影像總是會(huì)受到大氣、噪聲、輻射條件以及背景灰度變化的影響[11]，這就必然會(huì)造成變化區(qū)域的灰度值總是在一定的范圍內(nèi)波動(dòng)，導(dǎo)致最終獲得的遙感影像中出現(xiàn)變化信息、噪聲、不同地物類別交分布錯(cuò)的現(xiàn)象。因此，僅利用一個(gè)閾值就將待檢測(cè)圖像劃分為變化區(qū)域和未變化區(qū)域，往往會(huì)導(dǎo)致檢測(cè)結(jié)果不能滿足實(shí)際要求[12]。鑒于此，筆者提出采用基于自適應(yīng)性雙模糊閾值的遙感影像變化檢測(cè)方法，并采用2012和2015年云南某地區(qū)的IKONOS遙感影像，對(duì)該方法在智慧農(nóng)業(yè)中的應(yīng)用進(jìn)行了驗(yàn)證。

1　模糊閾值法的遙感變化檢測(cè)方法

1.1基于Q型因子的影像樣本的選擇基于Q型因子分析的訓(xùn)練樣本的選擇方法可自動(dòng)地選擇訓(xùn)練樣本，且被選的訓(xùn)練樣本具有代表性和典型性[13]，其他的樣本都可以用這些潛在的“典型公共樣本”的線性組合表示出來，這樣便可以充分利用所采集的樣本信息。

基本思想是：對(duì)影像采集了n 個(gè)樣本，用灰度共生矩陣的5 個(gè)統(tǒng)計(jì)性特征(角二階矩、對(duì)比度、相關(guān)、熵和逆差矩)和小波分解的8個(gè)結(jié)構(gòu)性特征比對(duì)每個(gè)樣本得觀測(cè)矩陣X；對(duì)矩陣X進(jìn)行標(biāo)準(zhǔn)化得到S；求樣本間的相關(guān)矩陣R；求R 的特征根(λ1≥λ2≥… ≥λn)和其相應(yīng)的特征向量(μ1，μ2，…，μn)。把特征根所代表的意義分別稱為第一主因素F1，第二主因素F2，…，第m 主因素Fm。主因素累積百分比，又稱累積貢獻(xiàn)率ηm，其值越大，說明選出的主因素?cái)M合原始數(shù)據(jù)越好，可根據(jù)實(shí)際研究的問題來確定ηm的取值，使得前m個(gè)特征根之和在n 個(gè)特征根總和中所占的比例達(dá)到預(yù)先給定的ηm取值。從而可得到：

(1)

Q型因子分析是將n個(gè)樣本之間的相關(guān)關(guān)系轉(zhuǎn)化為m個(gè)公因子之間的相關(guān)關(guān)系，而這個(gè)相關(guān)關(guān)系是通過因子載荷矩陣來反映的。設(shè)A 為因子Fj載荷矩陣，a 為特殊因子載荷，A中的元素aij表示第i個(gè)樣本與第j個(gè)公因子的相關(guān)系數(shù)，根據(jù)其絕對(duì)值大小可以判斷樣本的相對(duì)重要性(或典型性)，進(jìn)而決定是否要把該樣本選擇為典型樣本。

初始因子載荷矩陣A中元素aij的計(jì)算式為：

aij=μijλ1/2

(2)

該方法的目的是知悉每個(gè)因子軸所代表的意義，它是根據(jù)最靠近因子軸的一個(gè)特征樣本所決定的。因此，有必要對(duì)因子軸進(jìn)行旋轉(zhuǎn)，使某一因子軸盡可能地靠近一些樣本，盡可能地遠(yuǎn)離另一些樣本。

該研究采用方差最大正交旋轉(zhuǎn)，即使因子載荷矩陣中各因子載荷值的方差V 達(dá)到最大作為因子載荷簡化的準(zhǔn)則，用公式表示如下：

(3)

當(dāng)?shù)慕Y(jié)果滿足式(4)之后停止迭代。

|V(k)-V(k-1)|<ε

(4)

最后計(jì)算得到旋轉(zhuǎn)后的因子載荷矩陣G，按從大到小的順序排列后選取m個(gè)樣本即可。

1.2

樣本的變化強(qiáng)度和相關(guān)系數(shù)的計(jì)算

1.2.1變化強(qiáng)度的計(jì)算。設(shè)2個(gè)時(shí)相圖像的像元灰級(jí)矢量分別為A=(a1，a2，…，ak)T，B=(b1，b2，…，bk)T，k是進(jìn)行運(yùn)算的波段數(shù)，運(yùn)算時(shí)兩期影像的像元需一一對(duì)應(yīng)[14]，計(jì)算公式為：

(5)

式中，ΔG包含了兩幅圖像中所有變化信息，變化強(qiáng)度由ΔG決定，ΔG越大，表明圖像的差異越大，變化發(fā)生的可能性越大。

1.2.2相關(guān)系數(shù)的計(jì)算。模式識(shí)別理論認(rèn)為，在進(jìn)行變化區(qū)域確定時(shí)，僅靠單一的變化強(qiáng)度數(shù)據(jù)進(jìn)行判定，難以獲得較滿意的變化強(qiáng)度閉值。相關(guān)系數(shù)是用來反映多個(gè)變量之間相關(guān)性密切程度的統(tǒng)計(jì)指標(biāo)，在計(jì)算過程中像元的相關(guān)程度可以用相關(guān)系數(shù)來表示[15]，計(jì)算公式為：

(6)

(7)

式中，DNn是第n波段的第i行、第j列的像元灰度值。

1.3雙閾值的選取和計(jì)算

1.3.1第一閾值T1：最優(yōu)閾值迭代法確定。計(jì)算整幅圖像的最大灰度值Pmax和最小灰度值Pmin，令閾值的初始值為：

(8)

根據(jù)閾值Tk(k=0，1，…，k)將圖像分成目標(biāo)和圖像2部分，計(jì)算2部分的平均灰度值PO和PB，計(jì)算公式為：

(9)

(10)

式中，P(i，j)是指像元(i，j)處的像元值；ω(i，j)是指灰度值(i，j)處的權(quán)重系數(shù)。

計(jì)算新閾值：

(11)

當(dāng)Tk=Tk+1或者Tk-Tk+1<ε(ε為給定的限值)，迭代停止。

1.3.2第二閾值T2：熵的二值化閾值。假設(shè)將以閾值T將圖像分為變化區(qū)域(目標(biāo)O)和為變化區(qū)域(背景B)，圖像中低于閾值的確定為目標(biāo)，否則為背景，那么各灰度級(jí)在該區(qū)域的分布概率為：O區(qū)，pi/Pi(i=0，1，…，t)；B區(qū)，pi/(1-Pi)(i=t+1,t+2,…，L-1)，式中，L是灰度級(jí)總數(shù)，且有：

(12)

目標(biāo)區(qū)域和背景區(qū)域的熵的計(jì)算公式為：

(13)

對(duì)圖像中的每個(gè)灰度級(jí)分別計(jì)為：

ω=H0+HB

(14)

選取使ω最大的灰度級(jí)作為第二閾值T2。

1.4遙感影像變化檢測(cè)將上文計(jì)算得到的最優(yōu)閾值作為第一閾值，基于熵的二值化方法所確定的閾值作為第二閾值，兩閾值間的部分作為自適應(yīng)性模糊識(shí)別的對(duì)象，其基本思想是先確定每個(gè)樣本的近鄰子集，然后用每個(gè)樣本的近鄰子集的隸屬度加權(quán)平均代替FCM算法的每個(gè)樣本的隸屬度。

Dj=‖xk-xj‖≤e2；k = 1，…，n；k≠j

(15)

(16)

數(shù)據(jù)集X通過FCM算法得到的模糊化分矩陣Uc×n為：

Uc×n={uij}=[u1，…，uj，…，un];i=1，…，c;j=1，…，n

(17)

式中,uj是數(shù)據(jù)集X里的第j個(gè)樣本xj的隸屬度向量，大小為c×l;uij是樣本xj歸屬于第i 類的隸屬度，i=1，…，c;j=1，…，n。

(18)

(19)

wj,p=e-‖xj-xj,ps‖2,j=1，…，n;p=1，…，lj

(20)

(21)

(22)

最后，經(jīng)過模糊識(shí)別算法的處理后，將變化強(qiáng)度數(shù)據(jù)中的變化像元和相關(guān)系數(shù)數(shù)據(jù)中的變化像元求交集建立混淆矩陣，完成變化區(qū)域和未變化區(qū)域的檢測(cè)。

2　模糊閾值法遙感檢測(cè)方法在智慧農(nóng)業(yè)中的應(yīng)用

2.1數(shù)據(jù)來源采用云南某地區(qū)的2015和 2012年的IKONOS遙感影像，影像的空間分辨率為1m，由紅、綠、藍(lán)3 個(gè)波段組成，影像均經(jīng)過配準(zhǔn)處理。第一時(shí)相的4幅影像尺寸全部為5 001×5 001，第二時(shí)相的影像尺寸全部為5 000×5 000。

2.2圖像預(yù)處理對(duì)2期影像數(shù)據(jù)進(jìn)行配準(zhǔn)、校正，保證影像數(shù)據(jù)空間上的準(zhǔn)確性。未經(jīng)過處理的影像之中包含有噪聲，分離噪聲因素是進(jìn)行遙感影像變化檢測(cè)前重要的一步，降噪之后的影像質(zhì)量將會(huì)更好，在進(jìn)行變化檢測(cè)時(shí)產(chǎn)生的誤差將會(huì)大大減少。ICA/MNF變換方法是近年來發(fā)展起來的一種圖像預(yù)處理方法，其優(yōu)點(diǎn)是可以在僅有的觀測(cè)數(shù)據(jù)( 信號(hào)與噪聲的混合體)中分離出相互獨(dú)立的源信號(hào)，避免了數(shù)據(jù)冗余，在新的影像中包含的變化信息按照信噪比依序減少，而且該方法具有正交性與線性不變性，新的結(jié)果影像不影響原始差異影像中包含的變化信息[16]。

為了保證有針對(duì)性地檢測(cè)研究對(duì)象的變化情況，在進(jìn)行ICA/MNF變換之后，對(duì)2個(gè)時(shí)相影像進(jìn)行多尺度分割。完成對(duì)第一幅影像的分割后，第一幅影像作為參考，對(duì)第二幅影像進(jìn)行分割，以保證不同時(shí)相相同影像位置所對(duì)應(yīng)的像斑包含的像元數(shù)目相同，以便于變化信息的檢測(cè)。

2.3結(jié)果與分析首先對(duì)遙感影像數(shù)據(jù)進(jìn)行圖像預(yù)處理，配準(zhǔn)、校正后采用ICA/MNF對(duì)影像進(jìn)行處理，盡量分離獨(dú)立源信號(hào)，加大圖像反差，便于后期的處理和分析。

該研究采用分形網(wǎng)絡(luò)演化算法對(duì)影像預(yù)處理后的數(shù)據(jù)進(jìn)行多尺度分割，經(jīng)過多次試驗(yàn)，最終確定形狀因子0.7、緊致度0.65、分割尺度270。

從試驗(yàn)數(shù)據(jù)中提取77幅570×570像素大小的圖像，經(jīng)過面向像元的變化檢測(cè)發(fā)現(xiàn)變化區(qū)域大于40%的有61幅，一一賦以索引，將其按照累計(jì)貢獻(xiàn)率按照從大到小的順序進(jìn)行排序，Q型因子統(tǒng)計(jì)結(jié)果(部分)見表1。

表1　Q型因子選擇結(jié)果統(tǒng)計(jì)

經(jīng)過對(duì)Q型因子的分析之后，選擇比較具有代表性的后半部分?jǐn)?shù)據(jù)進(jìn)行進(jìn)一步的分析，可以看到訓(xùn)練樣本數(shù)量從37上升到43時(shí)，選擇精度會(huì)有較大的提升，可以達(dá)到90%；在此基礎(chǔ)上增加訓(xùn)練樣本數(shù)目，會(huì)發(fā)現(xiàn)精度的提高呈現(xiàn)緩慢的趨勢(shì)，對(duì)整體的分類精度不再有突出的貢獻(xiàn)?；谝陨险J(rèn)識(shí)，該研究選取43幅累計(jì)貢獻(xiàn)率較高的樣本進(jìn)行閾值的確定工作。

通過對(duì)影像樣本計(jì)算變化強(qiáng)度和相關(guān)系數(shù)，分別獲取樣本集的最優(yōu)閾值以及基于熵的二值化方法所確定的閾值，作為第一閾值和第二閾值。選取樣本閾值集的中位數(shù)作為整幅影像的檢測(cè)閾值，見表2。

根據(jù)模糊分類原理，分別對(duì)變化強(qiáng)度以及變化系數(shù)的計(jì)算結(jié)果進(jìn)行模糊識(shí)別。使用雙閾值將影像劃分為背景和變化區(qū)域，其中不定類的像元保留其灰度值不變，利用自適應(yīng)性模糊識(shí)別算子構(gòu)建目標(biāo)函數(shù)進(jìn)行劃分和識(shí)別，直到完成所有不確定像元的劃分，即完成了整個(gè)識(shí)別過程。

表2　雙閾值取值

為了驗(yàn)證模糊閾值法對(duì)變化區(qū)域檢測(cè)的能力，將基于期望最大化算法和貝葉斯最小誤差率理論的全局閾值法、雙模糊閾值法和基于樣本集的最優(yōu)閾值、二值化閾值的雙閾值法共同進(jìn)行試驗(yàn)，通過人工對(duì)整幅影像變化區(qū)域進(jìn)行檢測(cè)，從而驗(yàn)證該方法的準(zhǔn)確性。

規(guī)定驗(yàn)證影像塊的2期影像見圖1。影像塊的4種檢驗(yàn)方法結(jié)果見圖2。

圖1　規(guī)定驗(yàn)證影像塊的2期影像Fig.1　Phase 2 images of stipulated verification image block

2.4檢測(cè)結(jié)果精度分析經(jīng)過對(duì)影像變化區(qū)域進(jìn)行進(jìn)一步的分析，2組樣本數(shù)據(jù)的變化檢測(cè)精度見表3。由表3可知，雙模糊閾值法的檢測(cè)正確率較雙閾值法和全局閾值法分別提升了5.38%、31.12%，而漏檢率同比降低1.13%、3.16%，這說明雙閾值法相較于傳統(tǒng)方法確實(shí)有更高的準(zhǔn)確率。

表3樣本數(shù)據(jù)的3種方法檢測(cè)精度比較

Table3Thecomparisonofdetectingprecisionforsampledatabasedonthreekindsofmethods%

同時(shí)，由于變化比例的不同，在變化量較小的樣本數(shù)據(jù)中，雙模糊閾值法以略高于雙閾值法0.85%的虛檢率為代價(jià)，有效降低在復(fù)雜檢測(cè)條件下檢測(cè)漏檢率，提高檢測(cè)正確率；作為對(duì)照的雙閾值法雖然準(zhǔn)確率低于雙模糊閾值法，但仍然可以看出其在樣本數(shù)據(jù)中的正確率較全局閾值法高25.74%，這說明通過選擇典型樣本確實(shí)可以在一定程度上彌補(bǔ)由于變化比例而引起的正確率不穩(wěn)定的缺點(diǎn)。

從景觀識(shí)別能力來看，相較于全局閾值法以及雙閾值法，雙模糊閾值法具備對(duì)研究區(qū)域景觀更好的描述能力，總體上可以保證識(shí)別對(duì)象的完整性，提高景觀識(shí)別度。這說明通過模糊識(shí)別算法確實(shí)可以在一定程度上抑制由“硬分類”而導(dǎo)致的景觀破碎的現(xiàn)象，提高檢測(cè)結(jié)果的可讀性。

3　結(jié)論

該研究提出了一種基于模糊閾值法的高空間分辨率的遙感影像變化檢測(cè)方法，該方法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(cè)，樣本檢測(cè)結(jié)果表明，其效率較高、精度好等特點(diǎn)可為智慧農(nóng)業(yè)提供變化檢測(cè)方面的技術(shù)支持，在土地資源調(diào)整、災(zāi)害評(píng)估、作物長勢(shì)和作物生態(tài)環(huán)境調(diào)查等重要研究領(lǐng)域中具有一定應(yīng)用價(jià)值。

圖2　影像塊的4種檢驗(yàn)方法結(jié)果Fig.2　Results for 4 kinds of test methods of image block

[1] 佟彩，吳秋蘭，劉琛，等.基于3S技術(shù)的智慧農(nóng)業(yè)研究進(jìn)展[J].山東農(nóng)業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版)，2015，46(6)：856-860.

[2] 孫忠富，杜克明，鄭飛翔，等.大數(shù)據(jù)在智慧農(nóng)業(yè)中研究與應(yīng)用展望[J].中國農(nóng)業(yè)科技導(dǎo)報(bào)，2016，15(6)：63-71.

[3] 唐華俊，吳文斌，楊鵬，等.農(nóng)作物空間格局遙感監(jiān)測(cè)研究進(jìn)展[J].中國農(nóng)業(yè)科學(xué)，2010，43(14)：2879-2888.

[4]GUOC，ZHANGL.Anovelmultiresolutionspatiotemporalsaliencydetectionmodelanditsapplicationsinimageandvideocompression[J].IEEEtransactionsonimageprocessing，2010，19(1)：185-198.

[5]HUANXL，MURALIB，ALILA.Imagerestorationbasedonthefastmarchingmethodandblockbasedsampling[J].Computervisionandimageunderstanding，2010，114(8)：847-856.

[6] 賈春陽，李衛(wèi)華，李小春.基于自適應(yīng)權(quán)值FNEA算法的高分辨率遙感圖像分割[J].國土資源遙感，2013，25(4)：22-25.

[7]LIUT，YUANZ，SUNJ，etal.Learningtodetectasalientobject[J].Patternanalysisandmachineintelligence，2011，33(2)：353-367.

[8] 賈永紅，謝志偉，張謙，等.采用獨(dú)立閾值的遙感影像變化檢測(cè)方法[J].西安交通大學(xué)學(xué)報(bào)，2015，49(12)：12-18.

[9] 李攀.基于CVA的植被覆蓋度變化信息提取方法研究[D].北京：首都師范大學(xué)，2011：17-52.

[10] 吳劍.基于面向?qū)ο蠹夹g(shù)的遙感震害信息提取與評(píng)價(jià)方法研究[D].武漢：武漢大學(xué)，2010：21-47.

[11] 劉小芳，何彬彬.鄰近樣本密度和隸屬度加權(quán)FCM算法的遙感圖像分類方法[J].儀器儀表學(xué)報(bào)，2011，32(10)：2242-2246.

[12]DAMEA，MARCHANDE.Second-orderoptimizationofmutualinformationforreal-timeimageregistration[J].IEEEtransactionsonimageprocessing，2012，21(9)：4190-4203.

[13] 虞欣，鄭肇葆.基于Q型因子分析的訓(xùn)練樣本的選擇[J].測(cè)繪學(xué)報(bào)，2007，36(1)：67-71.

[14] 孫燮華.圖像處理C#.NET編程與實(shí)驗(yàn)[M].北京：機(jī)械工業(yè)出版社，2010：11-56.

[15]NIELSENAA.Kemelmaximumautocorrelationfactorandminimumnoisefractiontransformation[J].IEEEtransactiononimageprocessing，2011，20(3)：612-624.

[16]ZHANGHT，CHENGWX，CHENXY，etal.ResearchonthelandslidedisasterdetectionmethodofhighresolutionremotesensingimagebasedonICA/MNF[J].Journalofcatastrophology，2015，30(1)：193-197.

TheApplicationofChangeDetectionbyHighSpatialResolutionRemoteSensingintheWisdomAgriculture

GUOYing-jie,ZHULan-yan*,LIChao

FacultyofLandandResourcesEngineering,KunmingUniversityofScienceandTechnology,Kunming,Yunnan650093)

Thetraditionalmethodthatidentifiesglobalfixedthresholdaccordingtotheexperienceandthewholeimagecannotadapttothedifferentpropertiesofdetectingobjectswhendeterminetheheterogeneityoftheimageobject.Concerningthisissue,thispaperproposesamethodbasedonadaptivedoublefuzzythreshold.Preprocessingfinishestheprophasejobtomakeiteasiertodothefollowingrecognizingworks,whichincludesbinarization,smoothnessandrefinementsuchimagestandardizationoperationsbeforetheimagechangedetection.RepresentativesamplesareobtainedinaccordancewithQfactorinthewholeimage.Thereexistsanoptimalthresholdindexofchangemagnitudeandthecorrelationcoefficient,andbinarizationthresholdofentropytodescribethechangeextentbetweentworesults.Itisnecessarytoestablishasamplecollectionofchangethreshold,andmakethemedianofasetasthechangethresholdofthewholeimage.Finally,changedetectionresultsareobtainedaftercountingintersectionandestablishingconfusionmatrix.Resultsshowthatthealgorithmhasagoodadaptabilityfordifferentimageobjects.Comparedwithtraditionalchangedetectionmethod,theaverageaccuracyofidentifyingisimprovedby31.12%,whicheffectivelyreducesmistakes.

Thewisdomagriculture;Changedetection;Qfactor;Adaptability;Fuzzyidentificationmode;Double-threshold

國家自然科學(xué)基金資助項(xiàng)目(41261043)。

虢英杰(1993- )，男，山東日照人，碩士研究生，研究方向：定量遙感、變化信息監(jiān)測(cè)。*通訊作者，副教授，從事測(cè)量平差研究。

2016-08-29

S127

A

0517-6611(2016)26-0233-05