結(jié)合陰影補(bǔ)償?shù)膶?duì)象級(jí)高分辨率遙感影像多尺度變化檢測(cè)

王超，張雪紅，石愛(ài)業(yè)，厲丹，申祎

?

結(jié)合陰影補(bǔ)償?shù)膶?duì)象級(jí)高分辨率遙感影像多尺度變化檢測(cè)

王超1，張雪紅2，石愛(ài)業(yè)3，厲丹4，申祎1

（1. 南京信息工程大學(xué)電子與信息工程學(xué)院，江蘇 南京 210044；2. 南京信息工程大學(xué)地理與遙感學(xué)院，江蘇 南京 210044； 3. 河海大學(xué)計(jì)算機(jī)與信息學(xué)院，江蘇 南京 211100；4. 徐州工程學(xué)院江蘇省智慧工業(yè)控制技術(shù)重點(diǎn)建設(shè)實(shí)驗(yàn)室，江蘇 徐州 221000）

陰影是遙感影像的解譯標(biāo)志之一，然而在高分辨率遙感影像變化檢測(cè)中，陰影所產(chǎn)生的“偽變化”是導(dǎo)致錯(cuò)檢的主要原因之一。為此，提出了一種結(jié)合陰影補(bǔ)償與多尺度融合的對(duì)象級(jí)高分遙感影像變化檢測(cè)方法。在面向?qū)ο蟮淖兓瘷z測(cè)框架下，首先提取遙感影像中的地物陰影，然后對(duì)多尺度變化檢測(cè)進(jìn)行陰影補(bǔ)償。其中，通過(guò)構(gòu)建一種尺度間互信息最小化的目標(biāo)函數(shù)實(shí)現(xiàn)了尺度參數(shù)的自適應(yīng)提取。在此基礎(chǔ)上，結(jié)合所提出的陰影補(bǔ)償因子，設(shè)計(jì)了一種基于D-S證據(jù)理論的決策級(jí)多尺度融合策略，并進(jìn)一步對(duì)變化強(qiáng)度等級(jí)進(jìn)行了劃分。實(shí)驗(yàn)證明，該方法能夠較好地解決陰影所導(dǎo)致的錯(cuò)檢問(wèn)題，顯著提高變化檢測(cè)精度。

高分辨率；遙感影像；變化檢測(cè)；陰影補(bǔ)償

1 引言

遙感影像變化檢測(cè)是從不同時(shí)期的遙感數(shù)據(jù)中定量分析和確定地表變化的過(guò)程[1]。近年來(lái)，隨著多時(shí)相高分辨率遙感數(shù)據(jù)的不斷積累，如何從中提取和檢測(cè)城市場(chǎng)景中的變化信息已成為遙感科學(xué)和地理信息科學(xué)的重要研究課題[2-3]。與中、低分辨率遙感影像相比，高分辨率遙感影像的光譜、紋理及空間細(xì)節(jié)信息等都更加豐富[4]。與此同時(shí)，空間分辨率的提高也使變化檢測(cè)面臨著更加突出的“同物異譜”和“同譜異物”問(wèn)題。為此，學(xué)者們?cè)噲D利用面向?qū)ο蟮膱D像分析（OBIA, object-based image analysis）來(lái)提高變化檢測(cè)的精度[5]。

與傳統(tǒng)像素級(jí)檢測(cè)方法相比，對(duì)象級(jí)變化檢測(cè)（OBCD, object-based change detection）基于檢測(cè)對(duì)象固有形狀及尺寸進(jìn)行特征提取，對(duì)配準(zhǔn)誤差、噪聲等具有更高的頑健性[6-7]。例如，Chen等[8]提出的OB-HMAD方法以地理對(duì)象作為基本單元，依據(jù)最小噪聲分離變換（MNF, minimum noise fraction rotation）確定分割閾值來(lái)提取變化信息，其檢測(cè)精度顯著優(yōu)于傳統(tǒng)像素級(jí)方法。佃袁勇等[9]通過(guò)多尺度的圖像分割、特征提取及融合來(lái)描述變化信息，與基于單一尺度的變化檢測(cè)方法相比，錯(cuò)檢率顯著降低。盡管如此，現(xiàn)有多尺度OBCD方法中大多是直接比較地理對(duì)象間光譜、紋理特征的差異，而忽略了地物陰影的影響。特別是在城市場(chǎng)景中，各種人造陰影、自然地物陰影普遍存在且密集分布，地物陰影所導(dǎo)致的“偽變化”已成為產(chǎn)生錯(cuò)檢的主要原因之一[10]。因此，有必要在多尺度變化檢測(cè)中引入陰影補(bǔ)償策略，而其關(guān)鍵在于準(zhǔn)確的陰影提取、尺度參數(shù)的合理選擇，以及光譜、紋理、陰影及尺度信息的有效融合。

基于以上分析，本文提出了一種結(jié)合陰影補(bǔ)償與多尺度融合的對(duì)象級(jí)高分遙感影像變化檢測(cè)方法。首先，基于矢量量化（VQ, vector quantization）的分類結(jié)果，利用卡方檢驗(yàn)進(jìn)行陰影檢測(cè)。其次，采用作者之前提出的高分遙感影像分割方法WJSEG（wavelet-JSEG）提取地理對(duì)象作為分析基元[11]。在此基礎(chǔ)上，通過(guò)迭代計(jì)算自適應(yīng)提取尺度間互信息最小值對(duì)應(yīng)的尺度參數(shù)集合。最后，基于結(jié)構(gòu)自相似性（SSIM, structural similarity）與陰影補(bǔ)償進(jìn)行多尺度決策融合。

本研究的特點(diǎn)是：在多尺度變化檢測(cè)的陰影補(bǔ)償過(guò)程中，首先通過(guò)構(gòu)建一種尺度間互信息最小化的目標(biāo)函數(shù)，實(shí)現(xiàn)了尺度參數(shù)的自適應(yīng)提取；在此基礎(chǔ)上，設(shè)計(jì)了一種陰影補(bǔ)償因子，進(jìn)而提出了一種基于D-S證據(jù)理論的決策級(jí)多尺度融合策略，在顯著提高變化檢測(cè)精度的同時(shí)對(duì)變化強(qiáng)度的等級(jí)進(jìn)行了劃分。

圖1 方法流程

2 方法

先假設(shè)多時(shí)相影像已經(jīng)過(guò)幾何配準(zhǔn)與輻射校正預(yù)處理，則所提出方法主要包括4個(gè)步驟：步驟1，分別對(duì)多時(shí)相影像進(jìn)行陰影檢測(cè)；步驟2，選擇單一時(shí)相影像進(jìn)行WJSEG分割，提取統(tǒng)一的地理對(duì)象集合；步驟3，在步驟2的基礎(chǔ)上，結(jié)合陰影檢測(cè)結(jié)果迭代搜尋目標(biāo)函數(shù)平均互信息最小值，自適應(yīng)提取尺度參數(shù)集合；步驟4，綜合多種特征進(jìn)行多尺度決策融合，獲得最終變化檢測(cè)結(jié)果。方法流程如圖1所示。

2.1 陰影檢測(cè)

高斯分布背景模型認(rèn)為影像的自然背景符合高斯分布，則人造地物作為出界點(diǎn)可被檢測(cè)出來(lái)。而對(duì)于人造地物密集分布的城市場(chǎng)景，如果采用VQ分類方法將人造地物與自然背景分別劃分為一類或者幾類，其分類結(jié)果依然符合高斯分布，陰影則可以作為出界點(diǎn)被檢測(cè)出來(lái)[12]。

基于以上假設(shè)，首先采用Bai S等[13]提出的VQ方法對(duì)影像進(jìn)行分類：定義同組濾波器（PGF, peer group filter），將濾波所獲得的局部統(tǒng)計(jì)特性作為權(quán)重，進(jìn)行VQ初始量化；在此基礎(chǔ)上，采用GLA（generalized lloyd algorithm）對(duì)矢量量化結(jié)果進(jìn)行分類，具體計(jì)算過(guò)程可參見(jiàn)文獻(xiàn)[13]；基于分類結(jié)果，將陰影像素視為出界點(diǎn)，采用卡方檢驗(yàn)進(jìn)行陰影檢測(cè)。定義卡方分布為

2.2 地理對(duì)象提取

2.3 J-image及尺度參數(shù)自適應(yīng)提取

與傳統(tǒng)小波、輪廓波變換等相比，J-image序列不僅能夠描述不同尺寸局部區(qū)域的光譜、紋理復(fù)雜程度，還具有對(duì)高頻信息方向性不敏感的特點(diǎn)。因此，本文采用J-image影像序列作為對(duì)象級(jí)變化檢測(cè)的多尺度分析平臺(tái)。

2.3.1 多尺度序列

2.3.2 尺度參數(shù)自適應(yīng)提取

尺度參數(shù)集合的選擇是否合理是影響多尺度變化檢測(cè)效果的關(guān)鍵因素之一，體現(xiàn)在：尺度參數(shù)應(yīng)當(dāng)與場(chǎng)景中代表性地物的尺寸相近，從而有利于準(zhǔn)確描述此類地物的變化信息；若尺度參數(shù)過(guò)多，則必然存在大量的冗余信息；若尺度參數(shù)過(guò)少，又容易陷入局部最優(yōu)。由于尺度間互信息能夠反映尺度參數(shù)間的關(guān)聯(lián)程度，因此互信息越小時(shí)尺度參數(shù)間包含的冗余信息越少。同時(shí)，陰影在對(duì)象級(jí)變化檢測(cè)中作為一種干擾因素，不應(yīng)當(dāng)參與尺度間互信息的計(jì)算。由此，本文提出了一種基于尺度參數(shù)間互信息最小化的目標(biāo)函數(shù)優(yōu)化策略，以實(shí)現(xiàn)尺度參數(shù)的自適應(yīng)選擇。具體步驟如下。

Step4 根據(jù)式(4)構(gòu)建目標(biāo)函數(shù)，從而獲得雙時(shí)相影像相鄰尺度間的互信息值。

2.4 多尺度決策融合及變化檢測(cè)

2.4.1 多尺度相似性度量

2.4.2 結(jié)合陰影補(bǔ)償?shù)腄-S決策融合

基于陰影檢測(cè)結(jié)果與多角度相似性度量集合，本文提出了一種結(jié)合光譜、紋理特征與陰影補(bǔ)償因子的D-S決策融合策略，從而實(shí)現(xiàn)變化檢測(cè)及變化強(qiáng)度等級(jí)的劃分。D-S證據(jù)理論具有無(wú)需先驗(yàn)概率，直接利用異源信息作為證據(jù)支持的優(yōu)點(diǎn)，Dempster合成規(guī)則如下[15]。

3 實(shí)驗(yàn)與討論

實(shí)驗(yàn)采用多組不同空間分辨率、不同傳感器類型的多時(shí)相高分辨率遙感影像，并與未經(jīng)陰影補(bǔ)償?shù)膶?duì)象級(jí)變化檢測(cè)方法OB-HMAD方法[8]及傳統(tǒng)像素級(jí)變化檢測(cè)方法CVA-EM[16]進(jìn)行比較分析。實(shí)驗(yàn)平臺(tái)采用Matlab R2014a，處理器為Inter Core i5 3.2 GHz，內(nèi)存為8 GB。

3.1 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)采用的多時(shí)相影像均已經(jīng)過(guò)幾何配準(zhǔn)與輻射校正。實(shí)驗(yàn)數(shù)據(jù)集1為中國(guó)重慶地區(qū)的多光譜QuickBird影像，采集時(shí)間分別為2007年9月和2011年8月，空間分辨率為2.4 m，圖像尺寸為1024像素×1024像素，如圖2所示。實(shí)驗(yàn)數(shù)據(jù)集2為中國(guó)江蘇南京地區(qū)的航空遙感DOM（digital ortho-photo map）影像，采集時(shí)間分別為2009年3月和2012年2月，空間分辨率為0.6 m，圖像尺寸為1024像素×1024像素，如圖3所示。

圖2和圖3所示實(shí)驗(yàn)影像均為典型的城市場(chǎng)景，主要由植被、道路、陰影、建筑物及其他人造目標(biāo)構(gòu)成（為便于描述，我們對(duì)影像采用“#”符號(hào)進(jìn)行表示，并對(duì)其中一些位置或區(qū)域采用字母進(jìn)行標(biāo)注）。由于2個(gè)數(shù)據(jù)集中影像的采集時(shí)間均為夏末秋初或冬末春初，植被的物候差異對(duì)變化檢測(cè)的影響較?。ㄈ缥恢肁、B、H和G等）。場(chǎng)景中的典型變化類型主要為由植被變?yōu)榻ㄖ铮ㄈ缥恢肅），由荒地變?yōu)榻ㄖ铮ㄈ缥恢肈）或植被（如位置J），以及建筑物重建（如位置I）等。陰影主要存在于高層建筑物的背向陽(yáng)光的一側(cè)（如位置F、E、K）。特別是在實(shí)驗(yàn)數(shù)據(jù)集2中，由于光照條件存在明顯的差異，陰影導(dǎo)致的“偽變化”也更加突出。

圖2 實(shí)驗(yàn)數(shù)據(jù)集1

圖3 實(shí)驗(yàn)數(shù)據(jù)集2

3.2 陰影檢測(cè)與對(duì)象提取

圖4 實(shí)驗(yàn)數(shù)據(jù)集1陰影檢測(cè)結(jié)果

圖5 實(shí)驗(yàn)數(shù)據(jù)集2陰影檢測(cè)結(jié)果

通過(guò)與原始圖像對(duì)比可以看出，影像#1、#2及#3較為真實(shí)地反映了建筑物等地物陰影。在影像#4中，由于陰影所占的面積較大，在一定程度上破壞了高斯分布背景模型，檢測(cè)結(jié)果中存在一些漏檢（如位置L、M）及錯(cuò)檢（如位置N、O）現(xiàn)象。盡管如此，與其他3幅影像相比，影像#4中陰影所在區(qū)域僅灰度值有所降低，但基本保持了地表原始的紋理特征。同時(shí)，由于變化檢測(cè)所依賴的主要反映了局部區(qū)域紋理特征的復(fù)雜程度，因此影像#4中的陰影檢測(cè)誤差對(duì)變化檢測(cè)的影響有限。

采用WJSEG分別對(duì)影像#2、#3進(jìn)行分割，所提取的地理對(duì)象如圖6和圖7所示。

圖6 影像#2分割結(jié)果

圖7 影像#3分割結(jié)果

為清晰展示分割效果，圖6、圖7中對(duì)字母標(biāo)注的特定位置或區(qū)域進(jìn)行了局部放大處理。如圖6和圖7所示，WJSEG能夠準(zhǔn)確地定位對(duì)象邊緣（如R、P、V、T對(duì)應(yīng)的建筑物、S對(duì)應(yīng)的植被區(qū)域以及U對(duì)應(yīng)的道路等），同時(shí)能夠有效地區(qū)分不同種類的相鄰地物（如S對(duì)應(yīng)的植被與相鄰建筑物、W對(duì)應(yīng)的廣場(chǎng)與相鄰湖泊、U對(duì)應(yīng)的建筑物與相鄰道路等）；對(duì)于內(nèi)部光譜特征較為均勻的大尺寸對(duì)象（如R、P、U、V對(duì)應(yīng)的建筑物、S對(duì)應(yīng)的植被區(qū)域、W對(duì)應(yīng)的湖泊區(qū)域等），WJSEG保持了其完整的輪廓，僅在個(gè)別局部紋理特征復(fù)雜的區(qū)域存在欠分割（如T、Q）或過(guò)分割（如X）現(xiàn)象。

3.3 多尺度變化檢測(cè)與融合

圖8 本文方法變化檢測(cè)結(jié)果

基于本文的對(duì)象提取結(jié)果，對(duì)原始影像采用OB-HMAD與CVA-EM方法進(jìn)行變化檢測(cè)的結(jié)果分別如圖9和圖10所示（白色像素代表變化，黑色像素代表未變化）。

圖9 OB-HMAD變化檢測(cè)結(jié)果

圖10 CVA-EM變化檢測(cè)結(jié)果

通過(guò)目視分析可以看出，本文方法明顯優(yōu)于其他2種方法，體現(xiàn)在：在2組實(shí)驗(yàn)中，對(duì)于發(fā)生變化且沒(méi)有受到陰影影響的對(duì)象，如位置C、D、I、Y，僅有本文提出的方法做出了準(zhǔn)確的判別。OB-HMAD方法對(duì)于由植被變?yōu)榻ㄖ锏奈恢肅，以及由植被變?yōu)榛@球場(chǎng)的位置Y均出現(xiàn)了漏檢。CVA-EM方法由于以像素作為變化檢測(cè)的基元，對(duì)于位置I和位置Y的新建人造地物均出現(xiàn)了部分錯(cuò)檢和漏檢。對(duì)于受到陰影干擾而未發(fā)生變化的對(duì)象，如位置E、F，3種方法均未發(fā)生錯(cuò)檢。而對(duì)于受到陰影干擾且真實(shí)發(fā)生變化的對(duì)象，如由裸地變?yōu)椴莸氐奈恢肑和位置K，OB-HMAD方法均發(fā)生了漏檢，而CVA-EM方法在位置J發(fā)生了漏檢。對(duì)于僅光譜特征存在較大差異但實(shí)際并未發(fā)生變化地物，如位置Z的建筑物，僅CVA-EM方法發(fā)生了錯(cuò)檢。

3.4 定量精度評(píng)價(jià)

3.4.1 像素級(jí)精度評(píng)價(jià)

首先對(duì)基于像素的不同對(duì)象、像素級(jí)變化檢測(cè)方法的性能進(jìn)行定量評(píng)價(jià)。為保證所選擇參考像素的準(zhǔn)確性及合理分布，本文先通過(guò)實(shí)地考察與目視分析方法，采用人工解譯方式提取了5 000個(gè)變化像素和5 000個(gè)未變化像素，作為參考樣本集。精度評(píng)價(jià)指標(biāo)包括總體精度、錯(cuò)檢率、漏檢率、kappa系數(shù)及運(yùn)行時(shí)長(zhǎng)，2組實(shí)驗(yàn)數(shù)據(jù)集的精度評(píng)價(jià)結(jié)果如表1和表2所示。

表1 實(shí)驗(yàn)數(shù)據(jù)集1精度評(píng)價(jià)結(jié)果

表2 實(shí)驗(yàn)數(shù)據(jù)集2精度評(píng)價(jià)結(jié)果

根據(jù)精度評(píng)價(jià)結(jié)果，本文方法在2組實(shí)驗(yàn)數(shù)據(jù)集城市場(chǎng)景的變化檢測(cè)實(shí)驗(yàn)中總體精度能夠分別達(dá)到86.3%和84.4%，明顯優(yōu)于其他2種方法，總體精度與參考樣本集的目視分析結(jié)果一致。OB-HMAD方法的局限性主要因?yàn)闆](méi)有考慮陰影因素的影響。像素級(jí)方法在2組實(shí)驗(yàn)中檢測(cè)精度均低于70%，且顯著低于2種對(duì)象級(jí)變化檢測(cè)方法。相比數(shù)據(jù)集1實(shí)驗(yàn)，3種方法在數(shù)據(jù)集2實(shí)驗(yàn)中各精度指標(biāo)均有所下降，尤其是錯(cuò)檢率指標(biāo)更加明顯，其原因主要是數(shù)據(jù)集2中受到的陰影干擾更加突出。盡管如此，由于本文方法在決策融合時(shí)結(jié)合了陰影補(bǔ)償，因此相較于其他2種方法波動(dòng)較小。在相同實(shí)驗(yàn)環(huán)境下的運(yùn)行時(shí)間方面，像素級(jí)方法CVA-EM的運(yùn)行時(shí)間最短，但檢測(cè)精度最低；本文提出的方法由于引入了陰影檢測(cè)及補(bǔ)償策略，運(yùn)行時(shí)間略高于OB-HMAD方法，但檢測(cè)精度顯著提高。

3.4.2 對(duì)象級(jí)精度評(píng)價(jià)

圖11 實(shí)驗(yàn)數(shù)據(jù)集3

圖12 本文方法檢測(cè)結(jié)果

在此基礎(chǔ)上，針對(duì)分割區(qū)域的變化情況進(jìn)行對(duì)象級(jí)定量精度評(píng)價(jià)。3組實(shí)驗(yàn)數(shù)據(jù)集的變化參考圖如圖14所示，其中白色代表變化區(qū)域，黑色代表未變化區(qū)域。在對(duì)象級(jí)定量精度評(píng)價(jià)中，本文方法評(píng)價(jià)為劇烈變化及顯著變化的區(qū)域統(tǒng)一歸為變化區(qū)域。

圖13 OB-HMAD檢測(cè)結(jié)果

圖14 變化參考

表3 對(duì)象級(jí)精度評(píng)價(jià)結(jié)果

精度評(píng)價(jià)指標(biāo)包括總體精度、錯(cuò)檢率、漏檢率、kappa系數(shù)，3組實(shí)驗(yàn)的精度評(píng)價(jià)結(jié)果如表3所示。

對(duì)比像素精度、對(duì)象級(jí)精度評(píng)價(jià)方式，首先在實(shí)驗(yàn)數(shù)據(jù)集1、實(shí)驗(yàn)數(shù)據(jù)集2中本文方法和OB-HMAD方法在2種評(píng)價(jià)方式下獲得的精度指標(biāo)基本一致，即存在陰影干擾時(shí)本文方法均顯著優(yōu)于OB-HMAD；其次，由于實(shí)驗(yàn)數(shù)據(jù)集3未受陰影影響，OB-HMAD的錯(cuò)檢率顯著降低，但總體精度仍低于本文方法；最后，本文方法的檢測(cè)精度在3組實(shí)驗(yàn)中并未因?yàn)殛幱案蓴_的程度不同而產(chǎn)生明顯波動(dòng)，具有良好的頑健性。

4 結(jié)束語(yǔ)

針對(duì)高分辨率遙感影像變化檢測(cè)中由于陰影所導(dǎo)致的“偽變化”，提出了一種結(jié)合陰影檢測(cè)與多尺度融合的對(duì)象級(jí)高分辨率遙感影像變化檢測(cè)方法。該方法不僅構(gòu)建了一種基于尺度間互信息最小化的目標(biāo)函數(shù)以自適應(yīng)提取尺度參數(shù)集合，還提出了一種結(jié)合陰影補(bǔ)償因子的多尺度決策級(jí)融合策略，進(jìn)而實(shí)現(xiàn)了對(duì)變化強(qiáng)度等級(jí)的劃分。實(shí)驗(yàn)證明，該方法能夠有效地減少陰影所導(dǎo)致的錯(cuò)檢問(wèn)題，顯著提高變化檢測(cè)精度且具有良好的頑健性。尤其是在實(shí)驗(yàn)數(shù)據(jù)集2中因陰影導(dǎo)致的“偽變化”比實(shí)驗(yàn)數(shù)據(jù)集1更顯著，但本文方法總體精度僅下降了不到2%，而CVA-EM方法的總精度下降接近10%，OB-HMAD方法的總體精度下降了超過(guò)7%，從而進(jìn)一步證明了所提出的陰影補(bǔ)償策略是必要且有效的。

[1] TEWKESBURY A P, COMBER A J, TATE N J, et al. A critical synthesis of remotely sensed optical image change detection techniques[J]. Remote Sensing of Environment, 2015, 160(3): 1-14.

[2] 趙泉華, 石雪, 王玉, 等. 可變類空間約束高斯混合模型遙感圖像分割[J]. 通信學(xué)報(bào), 2017, 38(2): 34-43. ZHAO Q H, SHI X, WANG Y, et al. Remote sensing image segmentation based on spatially constrained Gaussian mixture model with unknown class number[J]. Journal on Communications, 2017, 38(2): 34-43.

[3] 張建龍, 王斌. DSSRM級(jí)聯(lián)分割的SAR圖像變化檢測(cè)[J]. 遙感學(xué)報(bào), 2017, 21(4): 614-621. ZHANG J L, WANG B. SAR image change detection method of DSSRM based on cascade segmentation[J]. Journal of Remote Sensing, 2017, 21(4): 614-621.

[4] HUSSAIN M, CHEN D, CHENG A, et al. Change detection from remotely sensed images: from pixel-based to object-based approaches[J]. Journal of Photogrammetry and Remote Sensing, 2013, 80(2): 91-106.

[5] WANG B, CHOI S, BYUN Y, et al. Object-based change detection of very high resolution satellite imagery using the cross-sharpening of multitemporal data[J]. IEEE Geoscience and Remote Sensing Letters, 2015, 12(5): 1151-1155.

[6] BLASCHKE T, HAY G J, KELLY M, et al. Geographic object-based image analysis–towards a new paradigm[J]. Journal of Photogrammetry and Remote Sensing, 2014, 87(100): 180-191.

[7] 李少英, 劉小平, 黎夏, 等. 土地利用變化模擬模型及應(yīng)用研究進(jìn)展[J]. 遙感學(xué)報(bào), 2017, 21(3): 329-340. LI S Y, LIU X P, XIA L, et al. Simulation model of land use dynamics and application: Progress and prospects[J]. Journal of Remote Sensing, 2017, 21(3): 329-340.

[8] CHEN Q, CHEN Y H. The change detection of high spatial resolution remotely sensed imagery based on OB-HMAD algorithm and spectral features[J]. Spectroscopy and Spectral Analysis, 2015, 35(6): 1709-1714.

[9] 佃袁勇, 方圣輝, 姚崇懷. 多尺度分割的高分辨率遙感影像變化檢測(cè)[J]. 遙感學(xué)報(bào), 2016, 20(1): 129-137.DIAN Y Y, FANG S H, YAO C H. Change detection for high-resolution images using multilevel segment method[J]. Journal of Remote Sensing, 2016, 20(1): 129-137.

[10] STOREY E A, STOW D A, COULTER L L, et al. Detecting shadows in multi-temporal aerial imagery to support near-real-time change detection[J]. Giscience & Remote Sensing, 2017, 54(4): 1-18.

[11] WANG C, SHI A Y, WANG X, et al. A novel multi-scale segmentation algorithm for high resolution remote sensing images based on wavelet transform and improved JSEG algorithm[J]. International Journal for Light and Electron Optics, 2014, 125(19): 5588-5595.

[12] ADELINE K R M, CHEN M, BRIOTTET X, et al. Shadow detection in very high spatial resolution aerial images: a comparative study[J]. Journal of Photogrammetry and Remote Sensing, 2013, 80(142): 21-38.

[13] BAI S, BAI X, LIU W. Multiple stage residual model for image classification and vector compression[J]. IEEE Transactions on Multimedia, 2016, 18(7):1351-1362.

[14] WANG Z, LU L, BOVIK A C. Video quality assessment based on structural distortion measurement[J]. Signal Processing Image Communication, 2004, 19(2): 121-132.

[15] DEMPSTER A P. Upper and lower probabilities induced by a multivalued mapping[J]. The Annals of Mathematical Statistics, 1967, 38(2): 325-339.

[16] 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.

Object-based change detection method for high-resolution remote sensing image combining shadow compensation and multi-scale fusion

WANG Chao1, ZHANG Xuehong2, SHI Aiye3, LI Dan4, SHEN Yi1

1.School of Electronic and Information Engineering, Nanjing University of Information Science and Technology, Nanjing 210044, China 2. School of Geography and Remote Sensing, Nanjing University of Information Science and Technology, Nanjing 210044, China 3. College of Computer and Information Engineering, Hohai University, Nanjing 211100, China 4. Key Laboratory of Intelligent Industrial Control Technology of Jiangsu Province, Xuzhou Institute of Technology, Xuzhou 221000, China)

As an interpreting symbol of remote sensing images, shadow, however, brings about “pseudo changes”, which is one of the main sources leading to error detection in high-resolution remote sensing image change detection. For this issue, an object-based high-resolution remote sensing image change detection method was proposed combining with shadow compensation and multi-scale fusion. In the object orientation detection framework, the shadows in the remote sensing images were extracted. Then multi-scale change detection was conducted with shadow compensation. In the process, an objective function was constructed of mutual scale information minimization to realize the adaptive extraction of scale parameters. Based on this, combined with the shadow compensation factor, a multi-scale decision-level fusion strategy built on D-S theory of evidence was designed, and the levels of change intensity were further divided. The experiments show that the method is effective in solving the error detection problem caused by shadow, significantly improving the precision of change detection.

high resolution, remote sensing image, change detection, shadow compensation

TP391

A

10.11959/j.issn.1000?436x.2018168

王超（1984-），男，山東濟(jì)南人，博士，南京信息工程大學(xué)講師，主要研究方向?yàn)楦叻直媛蔬b感影像處理。

張雪紅（1980-），男，江西上饒人，博士，南京信息工程大學(xué)教授，主要研究方向?yàn)檗r(nóng)業(yè)氣象災(zāi)害遙感及環(huán)境資源遙感。

石愛(ài)業(yè)（1969-），男，江蘇泗洪人，博士，河海大學(xué)副教授，主要研究方向?yàn)楦叻直媛蔬b感影像處理。

厲丹（1981-），女，江蘇徐州人，博士，徐州工程學(xué)院副教授，主要研究方向?yàn)槟Ｊ阶R(shí)別與計(jì)算機(jī)視覺(jué)。

申祎（1996-），男，河南新鄉(xiāng)人，南京信息工程大學(xué)碩士生，主要研究方向?yàn)楦叻直媛蔬b感影像處理。

2018?02?09；

2018?08?07

國(guó)家自然科學(xué)基金資助項(xiàng)目（No.61601229）；江蘇省自然科學(xué)基金資助項(xiàng)目（No.BK20160966）；中國(guó)博士后科學(xué)基金資助項(xiàng)目（No.2017M611866）；江蘇省高等學(xué)校優(yōu)勢(shì)學(xué)科（No.1081080015001）；江蘇省智慧工業(yè)控制技術(shù)重點(diǎn)建設(shè)實(shí)驗(yàn)室開(kāi)放課題基金資助項(xiàng)目（No.JSKLIIC201705）

National Natural Science Foundation of China (No.61601229),The Natural Science Foundation of Jiangsu Province (No. BK20160966),China Postdoctoral Science Foundation Funded Project (No.2017M611866),Priority Academic Program Development of Jiangsu Higher Education Institutions(No.1081080015001), Key Laboratory of Intelligent Industrial Control Technology of Jiangsu Province Open Foundation(No.JSKLIIC20170)