基于像斑異質(zhì)度的矢量圖與遙感影像變化檢測(cè)

李 亮， 王 蕾， 王 凱， 李 勝

(1.四川省第三測(cè)繪工程院,成都 610500； 2.長(zhǎng)江勘測(cè)規(guī)劃設(shè)計(jì)有限責(zé)任公司工程移民規(guī)劃研究院,武漢 430010)

0 引言

遙感影像變化檢測(cè)是采用一定的算法確定遙感影像中變化位置的過(guò)程，已在土地利用/覆蓋變化檢測(cè)[1]、災(zāi)后評(píng)估[2]、地形圖更新[3]等領(lǐng)域中廣泛應(yīng)用。依據(jù)使用的不同數(shù)據(jù)源，遙感影像變化檢測(cè)可分為影像―影像法與矢量―影像法2類。前者利用2個(gè)時(shí)期的遙感影像進(jìn)行變化檢測(cè)，后者則利用舊時(shí)期的矢量圖與新時(shí)期的遙感影像進(jìn)行變化檢測(cè)。目前對(duì)影像―影像法的研究較多，形成了大量的經(jīng)典方法[4-5]； 但對(duì)矢量―影像法的研究還較少，尚未形成成熟的方法體系[6]。Walter[7]提出一種面向?qū)ο蟮腉IS矢量數(shù)據(jù)與遙感影像的變化檢測(cè)方法，實(shí)現(xiàn)了GIS矢量數(shù)據(jù)的更新； 張繼賢等[8]提出一種基于知識(shí)庫(kù)的矢量與影像變化檢測(cè)方法，實(shí)現(xiàn)了土地利用/覆蓋的變化檢測(cè)； 謝仁偉等[9]采用一種基于統(tǒng)計(jì)檢驗(yàn)的矢量與遙感影像變化檢測(cè)方法，通過(guò)構(gòu)建t分布，實(shí)現(xiàn)了土地利用的變化檢測(cè)。文獻(xiàn)[7-8]采用監(jiān)督的變化檢測(cè)方法，需要人工選取訓(xùn)練樣本，自動(dòng)化程度較低； 文獻(xiàn)[9]是一種全自動(dòng)的變化檢測(cè)方法，但提取的像斑特征過(guò)于簡(jiǎn)單，變化檢測(cè)的精度有限。

為提高矢量圖與遙感影像變化檢測(cè)的效率與精度，本文提出一種利用像斑異質(zhì)度的矢量圖與遙感影像變化檢測(cè)方法。該方法是一種非監(jiān)督的變化檢測(cè)方法，先在分割像斑基礎(chǔ)上，兼顧光譜特征與紋理特征提取各像斑的直方圖作為像斑特征，再利用直方圖相交距離構(gòu)建像斑異質(zhì)度，采用最大熵法自動(dòng)獲取各類別的異質(zhì)度閾值，最后依據(jù)類別異質(zhì)度閾值比較像斑的異質(zhì)度，實(shí)現(xiàn)對(duì)像斑變化與否的判別。本文通過(guò)對(duì)QuickBird遙感影像的實(shí)驗(yàn)，驗(yàn)證了該方法的有效性。

1 變化檢測(cè)方法

本文提出基于像斑異質(zhì)度的矢量圖與遙感影像變化檢測(cè)方法，以舊時(shí)期矢量圖與新時(shí)期遙感影像為數(shù)據(jù)源，在矢量圖約束下對(duì)新時(shí)期遙感影像采用標(biāo)記分水嶺算法進(jìn)行分割獲取像斑，在遙感影像上提取兼顧各像斑光譜特征與紋理特征的直方圖作為對(duì)應(yīng)像斑的特征； 采用直方圖相交距離度量像斑的特征距離，利用像斑與同類別其他像斑的特征距離構(gòu)建像斑的異質(zhì)度； 利用最大熵原理，依據(jù)各地物類別中所有像斑的異質(zhì)度，獲得各地物類別的異質(zhì)度閾值； 通過(guò)比較像斑異質(zhì)度及對(duì)應(yīng)類別的異質(zhì)度閾值，實(shí)現(xiàn)對(duì)像斑變化或未變化的判別。圖1為本文方法的流程圖。

圖1 本文方法流程圖Fig.1 Flowchart of proposed method

令舊時(shí)期的矢量圖為V，新時(shí)期的遙感影像為R。矢量圖中地物類別的集合為Ω={Ω1,Ω2,…,Ωm}，其中Ωp(1≤p≤m)為第p種地物類別；m為地物類別總數(shù)。在矢量圖V的約束下，影像R被分割為n個(gè)像斑，即R={R1,R2，…,Rn}，其中Rq(1≤q≤n)為第q個(gè)像斑。所有像斑在舊時(shí)期的地物類別集合為T(mén)={T1,T2，…,Tn}，其中Tq(1≤q≤n)為像斑Rq在舊時(shí)期矢量圖中的地物類別(簡(jiǎn)稱像斑Rq的地物類別)，且Tq∈Ω。

(1)

式中λΩp為Ωp類地物對(duì)應(yīng)的異質(zhì)度閾值。

1.1 矢量圖約束的影像分割

矢量圖中的圖斑變化分為全局變化與局部變化2種。為了對(duì)圖斑中的局部變化區(qū)域精確定位，需要在矢量圖V的約束下對(duì)遙感影像R進(jìn)行影像分割。矢量圖約束的影像分割在保留原始矢量圖邊界的同時(shí)，還能分割出影像中新產(chǎn)生的邊緣。矢量圖約束的影像分割如圖2所示。圖中原始矢量圖包含R1和R2這2個(gè)圖斑，其中圖斑R1內(nèi)部發(fā)生了局部變化，經(jīng)過(guò)矢量圖約束下的影像分割后，圖斑R1內(nèi)部新增了圖斑R3(圖斑R1和R3在矢量圖中的地物類別相同)。

(a) 矢量圖 (b) 柵格影像 (c) 矢量圖約束的影像分割

圖2矢量圖約束的影像分割示意圖

Fig.2Diagramofimagesegmentationconstrainedbyvectormap

標(biāo)記分水嶺算法是一種快速的影像分割方法，能夠獲取連續(xù)的單像素邊緣。該方法首先生成梯度影像，然后依據(jù)一定的梯度閾值獲取表達(dá)地物內(nèi)部的標(biāo)記區(qū)域，在標(biāo)記區(qū)域基礎(chǔ)上向外泛洪； 當(dāng)來(lái)自不同標(biāo)記區(qū)域的洪水匯合時(shí)，設(shè)定分水嶺將其隔開(kāi)，分水嶺便對(duì)應(yīng)影像中的邊緣。Meyer[10]提出的一種基于優(yōu)先級(jí)隊(duì)列數(shù)組的泛洪方法，有效提高了影像的分割效率。本文中采用標(biāo)記分水嶺算法實(shí)現(xiàn)矢量圖約束的影像分割。首先將矢量圖的邊緣映射到遙感影像上，形成先驗(yàn)分水嶺； 然后在先驗(yàn)分水嶺的約束下，利用傳統(tǒng)的標(biāo)記分水嶺算法進(jìn)行影像分割。

1.2 像斑特征提取

像斑是一系列像元的集合，像斑特征應(yīng)能反映像斑內(nèi)部像元的分布特征?；叶戎狈綀D屬于統(tǒng)計(jì)學(xué)特征，能夠描述像斑內(nèi)部像元灰度值的分布，在表達(dá)像斑光譜特征的同時(shí)，還能表達(dá)像斑的紋理特征，在像斑特征提取中廣泛應(yīng)用[11-13]。灰度直方圖是一張二維圖，用來(lái)表達(dá)灰度值與其出現(xiàn)次數(shù)的函數(shù)關(guān)系，其橫坐標(biāo)為灰度值，縱坐標(biāo)為灰度值出現(xiàn)的次數(shù)。圖3為像斑直方圖特征示意圖，其中A為道路像斑，B為居民地像斑。道路與居民地的反射率均較強(qiáng)，2個(gè)像斑的灰度均值相差較??； 但道路像斑內(nèi)像元灰度的分布較為集中，而居民地像斑內(nèi)像元灰度的分布較為分散，故2個(gè)像斑的直方圖相差較大。

圖3像斑直方圖特征示意圖

Fig.3Diagramofobjecthistogramfeatures

像斑直方圖與像元灰度級(jí)密切相關(guān)。像元灰度級(jí)過(guò)小，像斑直方圖的分布較為集中，但地物細(xì)節(jié)信息會(huì)被壓縮，導(dǎo)致地物之間的可分性較差，從而降低變化檢測(cè)的精度； 像元灰度級(jí)過(guò)大，像斑直方圖的分布過(guò)于稀疏，會(huì)降低后續(xù)直方圖距離度量的準(zhǔn)確性，導(dǎo)致變化檢測(cè)的精度降低。

1.3 像斑異質(zhì)度構(gòu)建

像斑異質(zhì)度用來(lái)衡量像斑偏離其舊時(shí)期地物類別的程度，其值越大，則像斑發(fā)生變化的程度越大。本文利用像斑與舊時(shí)期同類別像斑特征距離的均值來(lái)構(gòu)建像斑的異質(zhì)度。Ωp類中像斑的異質(zhì)度計(jì)算公式為

(2)

當(dāng)Ωp類中變化像斑數(shù)量較少時(shí)，變化像斑與其他未變化像斑的特征距離較大，對(duì)應(yīng)的像斑異質(zhì)度也較大；未變化像斑與其他未變化像斑的特征距離較小，對(duì)應(yīng)的像斑異質(zhì)度則較小。

區(qū)域出露的地層從下泥盆統(tǒng)至中三疊統(tǒng)，由老至新分別為泥盆系泥巖、泥灰?guī)r、硅質(zhì)巖、泥質(zhì)粉砂巖等；石炭系泥巖、含燧石結(jié)核或條帶灰?guī)r、白云巖及白云質(zhì)灰?guī)r等；二疊系灰?guī)r、泥灰?guī)r，燧石條帶灰?guī)r等；三疊系砂質(zhì)泥巖夾薄層狀硅質(zhì)巖及灰?guī)r；第四系坡積、沖積、殘積層砂土。上述地層除二疊系與石炭系之間是假整合接觸外，其余地層均為整合接觸。

本文方法存在假設(shè)前提：各地物類別中的變化像斑比例較小。當(dāng)參與變化檢測(cè)的兩個(gè)時(shí)期跨度較小時(shí)，變化像斑的比例較小，本文方法可以適用。

圖4為像斑異質(zhì)度的示意圖。圖中像斑A發(fā)生了變化，像斑B未發(fā)生變化，則像斑A的異質(zhì)度大于像斑B的異質(zhì)度。

圖4 像斑類別異質(zhì)度示意圖Fig.4 Diagram of object class heterogeneity

對(duì)于多波段遙感影像，可先計(jì)算像斑在各波段上的類別異質(zhì)度，然后采用加權(quán)平均的方法獲得像斑的類別異質(zhì)度。

從式(2)可知，計(jì)算像斑異質(zhì)度的關(guān)鍵在于像斑間特征距離的度量。像斑的特征距離即為直方圖的距離。度量直方圖距離方法較多，有G統(tǒng)計(jì)量[14]、KL距離[15]、直方圖相交[16-17]等。直方圖相交法計(jì)算簡(jiǎn)單，且無(wú)需對(duì)直方圖的分布預(yù)先作任何假設(shè)； 該方法衡量的是直方圖的相似性，其值位于區(qū)間[0,1]上。2個(gè)直方圖越相似，則對(duì)應(yīng)的直方圖相交距離越大。為此，本文采用式(3)來(lái)衡量像斑的特征距離，即

(3)

(4)

(5)

1.4 類別異質(zhì)度閾值獲取

(6)

(7)

式中max(·)為取最大值。

類別異質(zhì)度閾值由該地物類別下所有像斑異質(zhì)度的分布決定，不同的地物類別對(duì)應(yīng)的異質(zhì)度閾值也不同。

1.5 像斑變化判別

利用式(6)計(jì)算得到各地物類別的類別異質(zhì)度閾值后，將像斑的異質(zhì)度與其所屬類別的異質(zhì)度閾值進(jìn)行比較，采用式(1)進(jìn)行變化判別。具體的變化檢測(cè)流程如下：①采用帶約束的影像分割方法，在舊時(shí)期矢量圖的約束下，對(duì)新時(shí)期的遙感影像進(jìn)行分割，獲取像斑；②遍歷像斑內(nèi)所有像元的灰度值，獲取像斑的直方圖特征，采用式(3)度量像斑間的特征距離，利用式(2)計(jì)算各像斑的異質(zhì)度；③依據(jù)各地類對(duì)應(yīng)像斑的異質(zhì)度，利用式(6)計(jì)算各地類的異質(zhì)度閾值；④對(duì)比像斑異質(zhì)度與其對(duì)應(yīng)地類的異質(zhì)度閾值，利用式(1)對(duì)像斑進(jìn)行變化/未變化判別。

2 實(shí)驗(yàn)及分析

為驗(yàn)證本文方法的有效性，本文利用2002年武漢地區(qū)的土地利用矢量圖及2005年對(duì)應(yīng)地區(qū)的QuickBird遙感影像進(jìn)行實(shí)驗(yàn)。2002年矢量圖中有圖斑75個(gè)，包含道路、耕地、居民地、林地、湖泊和裸地6類地物。2005年遙感影像包含藍(lán)、綠、紅、近紅外4個(gè)波段，空間分辨率為2.4 m，影像大小為1 402像元×1 417像元。以2002年矢量圖為約束，對(duì)2005年QuickBird影像進(jìn)行分割，獲取像斑279個(gè)(圖5)。其中，圖5 (a)為2002年土地利用矢量圖，圖5(b)為2005年用QuickBird B3(R),B2(G),B1(B)波段合成的模擬真彩色影像，圖5(c)為2005年QuickBird影像在2002年矢量圖約束下的影像分割結(jié)果(其中藍(lán)色線條表示像斑邊界)。

(a) 2002年矢量圖 (b) 2005年QuickBird影像(c) 帶約束影像分割結(jié)果

圖5實(shí)驗(yàn)數(shù)據(jù)

Fig.5Experimentaldata

本文采用正確率、誤檢率和漏檢率3個(gè)指標(biāo)衡量變化檢測(cè)的精度。正確率是檢測(cè)結(jié)果與實(shí)際結(jié)果一致的像元在所有像元中的比例； 誤檢率是實(shí)際未變化,檢測(cè)為變化的像元占檢測(cè)變化像元的比例； 漏檢率是實(shí)際變化，檢測(cè)為未變化的像元占實(shí)際變化像元的比例。正確率越高，誤檢率和漏檢率越低，則變化檢測(cè)的精度越高。

2.1 灰度級(jí)實(shí)驗(yàn)

為了獲取最優(yōu)的灰度級(jí)，本文選取了6組灰度級(jí)： 8,16,32,64,128和256進(jìn)行變化實(shí)驗(yàn)，不同灰度級(jí)下的變化檢測(cè)精度如圖6所示。

圖6 變化檢測(cè)精度與灰度級(jí)關(guān)系Fig.6 Relationship between change detection accuracy and gray level

從圖6可以看出，變化檢測(cè)正確率隨灰度級(jí)變化的波動(dòng)較小，最大值為0.95，最小值為0.93，相差僅為0.02。誤檢率、漏檢率隨灰度級(jí)變化的波動(dòng)較大。當(dāng)灰度級(jí)為8時(shí)，誤檢率最小值為0.23，漏檢率為0.31； 當(dāng)灰度級(jí)為64時(shí)，誤檢率為0.37，漏檢率最小值為0.25。綜合考慮3個(gè)精度指標(biāo)，本文選取灰度級(jí)L=8進(jìn)行變化檢測(cè)。

2.2 變化檢測(cè)實(shí)驗(yàn)

為了驗(yàn)證本文方法的有效性，將本文方法與像斑灰度均值法進(jìn)行了對(duì)比(圖7)。像斑灰度均值法提取像斑內(nèi)所有像元的灰度均值作為像斑的特征。圖7(a)為依據(jù)目視解譯制作的地表標(biāo)準(zhǔn)變化結(jié)果，圖7(b)為采用像斑灰度均值法的變化檢測(cè)結(jié)果，圖7(c)為采用本文方法的變化檢測(cè)結(jié)果。從中可以看出，像斑灰度均值法存在較多的誤檢(如圖7(b)中箭頭指向區(qū)域等)，還存在部分漏檢(如圖7(b)中右下角橢圓形區(qū)域等)。這是因?yàn)槭芴?yáng)高度角的影響，道路像斑的光譜特征差異較大，因而道路像斑之間的灰度均值相差較大，導(dǎo)致部分道路像斑被誤判為變化。圖7(b)中橢圓形區(qū)域在矢量圖中為裸地，在遙感影像中變化為居民地。裸地與居民地2類地物盡管地物的灰度分布存在一定差異，但兩者的灰度均值均較大，且相差較小，因而導(dǎo)致漏檢。利用本文方法進(jìn)行變化檢測(cè)，圖7(b)中部分誤檢的像斑被正確劃分為未變化，部分漏檢的像斑被正確劃分為變化。這是因?yàn)楸疚姆椒ɡ弥狈綀D特征作為像斑的特征，能夠增大不同類別像斑之間的類間差異，減小同類別像斑之間的類內(nèi)差異，因而有效降低了誤檢率和漏檢率。本文方法中較多線狀像斑被誤判為變化(如圖7(c)中箭頭指向區(qū)域等)，這是因?yàn)榫€狀像斑呈帶狀分布，內(nèi)部像元數(shù)過(guò)少，像斑直方圖的信息量有限，且受噪聲的影響較大，直方圖距離度量的準(zhǔn)確性降低，因而導(dǎo)致了誤檢。

(a) 標(biāo)準(zhǔn)變化 (b) 像斑灰度均值法(c) 本文方法

圖7不同方法變化檢測(cè)結(jié)果對(duì)比

Fig.7Comparisonofchangedetectionresultsbyusingdifferentmethods

表1為這2種方法變化檢測(cè)的精度對(duì)比。從中可以看出，與像斑灰度均值法相比，本文方法的正確率提高了3%，誤檢率和漏檢率分別降低了16%和14%。本文方法的變化檢測(cè)精度較優(yōu)。

本文方法變化檢測(cè)的混淆矩陣如表2所示。

表1 2種方法變化檢測(cè)精度對(duì)比Tab.1 Comparison of change detection results by using two methods (%)

表2 本文方法變化檢測(cè)結(jié)果的混淆矩陣Tab.2 Confusion matrix of change detection resultsby using proposed method

3 結(jié)論

針對(duì)矢量圖與遙感影像的變化檢測(cè)，本文提出了一種基于像斑異質(zhì)度的變化檢測(cè)方法。通過(guò)矢量圖約束下的影像分割獲取像斑，提取直方圖作為像斑特征； 采用直方圖相交法度量像斑的特征距離； 利用像斑及其他同類別像斑特征距離的平均值表達(dá)像斑的異質(zhì)度； 依據(jù)最大熵原理獲取各地物類別的異質(zhì)度閾值，在此基礎(chǔ)上實(shí)現(xiàn)像斑的變化判別。實(shí)驗(yàn)結(jié)果證明了本文方法的有效性，同時(shí)得出以下結(jié)論：

1)本文方法能夠?qū)崿F(xiàn)矢量圖與遙感影像的自動(dòng)變化檢測(cè)?；谙癜弋愘|(zhì)度的變化檢測(cè)是一種非監(jiān)督的變化檢測(cè)方法，無(wú)需人工干預(yù)，可實(shí)現(xiàn)自動(dòng)化的變化檢測(cè)，提高變化檢測(cè)的效率。

2)灰度直方圖能較好地表達(dá)像斑的特征，提高變化檢測(cè)精度。采用灰度直方圖描述像斑內(nèi)部像元的分布特征，能較好兼顧像斑的光譜特征與紋理特征，可增大不同類別地物之間的類間差異，減小相同類別地物之間的類內(nèi)差異，從而提高變化檢測(cè)的精度。

3)本文方法的假設(shè)前提是2個(gè)時(shí)期各地物類別發(fā)生變化的像斑比例較小。若滿足這一假設(shè)條件，本文方法能夠準(zhǔn)確有效地進(jìn)行變化檢測(cè)； 若不滿足這一假設(shè)條件，則會(huì)導(dǎo)致較差精度的變化檢測(cè)結(jié)果。因此，如何弱化或去除假設(shè)前提，應(yīng)是未來(lái)研究工作的重點(diǎn)。

[1] 黃 維,黃進(jìn)良,王立輝,等.基于PCA的變化向量分析法遙感影像變化檢測(cè)[J].國(guó)土資源遙感,2016,28(1):22-27.doi:10.6046/gtzyyg.2016.01.04.

Huang W,Huang J L,Wang L H,et al.Remote sensing image change detection based on change vector analysis of PCA component[J].Remote Sensing for Land and Resources,2016,28(1):22-27.doi:10.6046/gtzyyg.2016.01.04.

[2] Xu M,Cao C X,Zhang H,et al.Change detection of an earthquake-induced barrier lake based on remote sensing image classification[J].International Journal of Remote Sensing,2010,31(13):3521-3534.

[3] 趙 敏,陳衛(wèi)平,王海燕.基于遙感影像變化檢測(cè)技術(shù)的地形圖更新[J].測(cè)繪通報(bào),2013(4):65-67.

Zhao M,Chen W P,Wang H Y.Updating of topographic maps based on change detection for remote sensing image[J].Bulletin of Surveying and Mapping,2013(4):65-67.

[4] Mas J F.Monitoring land-cover changes:A comparison of change detection techniques[J].International Journal of Remote Sensing,1999,20(1):139-152.

[5] Lu D,Mausel P,Brondízio E,et al.Change detection techniques[J].International Journal of Remote Sensing,2004,25(12):2365-2401.

[6] 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),2003,28(s1):7-12.

Li D R.Change detection from remote sensing images[J].Geomatics and Information Science of Wuhan University,2003,28(s1):7-12.

[7] Walter V.Object-based classification of remote sensing data for change detection[J].ISPRS Journal of Photogrammetry and Remote Sensing,2004,58(3/4):225-238.

[8] 張繼賢,楊貴軍.單一時(shí)相遙感數(shù)據(jù)土地利用與覆蓋變化自動(dòng)檢測(cè)方法[J].遙感學(xué)報(bào),2005,9(3):294-299.

Zhang J X,Yang G J.Automatic land use and land cover change detection with one temporary remote sensing image[J].Journal of Remote Sensing,2005,9(3):294-299.

[9] 謝仁偉,牛 錚,孫 睿,等.基于多波段統(tǒng)計(jì)檢驗(yàn)的土地利用變化檢測(cè)[J].國(guó)土資源遙感,2009,21(2):66-70.doi:10.6046/gtzyyg.2009.02.14.

Xie R W,Niu Z,Sun R,et al.The detection of land use change based on the statistic test with multi-band image[J].Remote Sensing for Land and Resources,2009,21(2):66-70.doi:10.6046/gtzyyg.2009.02.14.

[10] Meyer F.Color image segmentation[C]//Proceedings of the international conference on image processing and its applications.Maastricht, Netherlands:IEEE,1992:303-306.

[11] 巫兆聰,胡忠文,張 謙,等.結(jié)合光譜、紋理與形狀結(jié)構(gòu)信息的遙感影像分割方法[J].測(cè)繪學(xué)報(bào),2013,42(1):44-50.

Wu Z C,Hu Z W,Zhang Q,et al.On combining spectral, textural and shape features for remote sensing image segmentation[J].Acta Geodaetica et Cartographica Sinica,2013,42(1):44-50.

[12] Wang A P,Wang S G,Lucieer A.Segmentation of multispectral high-resolution satellite imagery based on integrated feature distributions[J].International Journal of Remote Sensing,2010,31(6):1471-1483.

[13] 李亮,張?jiān)?李勝,等.融合空間關(guān)系的遙感圖像分類[J].國(guó)土資源遙感,2017, 29(3):10-16. doi:10.6046/gtzyyg.2017.03.02.

Li L,Zhang Y,Li S,et al. Classification of remote sensing images based on the fusion of spatial relationship[J].Remote Sensing for Land and Resources,2017,29(3):10-16. doi:10.6046/gtzyyg.2017.03.02.

[14] Ojala T,Pietik?inen M.Unsupervised texture segmentation using feature distributions[J].Pattern Recognition,1999,32(3):477-486.

[15] 尤紅建,傅 琨.基于分布模型差異的SAR變化檢測(cè)[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版),2008,33(5):454-456.

You H J,Fu K.SAR change detection based on cluster distribution divergence[J].Geomatics and Information Science of Wuhan University,2008,33(5):454-456.

[16] Swain M J,Ballard D H.Color indexing[J].International Journal of Computer Vision,1991,7(1):11-32.

[17] Chen K M,Chen S Y.Color texture segmentation using feature distributions[J].Pattern Recognition Letters,2002,23(7):755-771.

[18] Otsu N.A threshold selection method from gray-level histograms[J].Automatica,1975,11:23-27.

[19] Sahoo P,Wilkins C,Yeager J.Threshold selection using Renyi’s entropy[J].Pattern Recognition,1997,30(1):71-84.

[20] 李亮,舒寧,王凱,等.融合多特征的遙感影像變化檢測(cè)方法[J].測(cè)繪學(xué)報(bào),2014,43(9):945-953.

Li L, Shu N, Wang K, et al. Change detection method for remote sensing images based on multi-features fusion[J]. Acta Geodaetica et Cartographica Sinica,2014,43(9):945-953.