基于GIS的變化檢測(cè)技術(shù)探討

胡英男

摘 要：本文針對(duì)變化檢測(cè)中獲取同質(zhì)像斑較難的問(wèn)題，提出應(yīng)用GIS技術(shù)輔助分割獲取同質(zhì)像斑，進(jìn)一步提出了基于歷史矢量與雙時(shí)相遙感影像的變化檢測(cè)方法，實(shí)驗(yàn)結(jié)果表明，該方法能檢測(cè)出80%變化的像斑，并能同時(shí)獲取變化像斑的類別，證明了該方法的有效性。

關(guān)鍵詞：矢量數(shù)據(jù) 像斑 變化檢測(cè) 多尺度分割

中圖分類號(hào)：TP7 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-3791（2018）03（c）-0090-02

本文提出一種面向地理國(guó)情監(jiān)測(cè)的高分辨率遙感影像與矢量數(shù)據(jù)結(jié)合的變化檢測(cè)的方法，分析了遙感影像與矢量數(shù)據(jù)套合結(jié)果的不一致性，通過(guò)應(yīng)用GIS技術(shù)輔助分割，提出了一種獲取同質(zhì)性較強(qiáng)的像斑的方法。本文提出了基于歷史矢量與雙時(shí)相遙感影像的變化檢測(cè)方法，并用實(shí)驗(yàn)證明了其可行性。

1 同質(zhì)像斑獲取

為獲取同質(zhì)像斑，本文綜合利用GIS輔助數(shù)據(jù)分割和多尺度分割方法。首先，利用矢量輔助數(shù)據(jù)與遙感影像套合獲取像斑。其次，對(duì)套合獲取的像斑進(jìn)行再分割，生成子像斑，從而保證各像斑內(nèi)的光譜同質(zhì)性。技術(shù)流程如圖1所示。

具體步驟如下：

（1）通過(guò)矢量數(shù)據(jù)和兩個(gè)時(shí)期遙感影像分別配準(zhǔn)套合，僅利用矢量數(shù)據(jù)的圖斑邊界信息獲取影像像斑，分別視為T(mén)1期像斑和T2期像斑。同時(shí)，根據(jù)矢量數(shù)據(jù)屬性信息中的類別信息，獲取像斑類別。

（2）設(shè)定一定的尺度參數(shù)，以T1、T2時(shí)期影像的響應(yīng)光譜特征為依據(jù)，分別對(duì)T1、T2期像斑進(jìn)行再分割，再分割后的像斑繼承上一級(jí)像斑的類別信息。

（3）對(duì)步驟（2）中獲得的像斑，根據(jù)類別的不同分別設(shè)置相應(yīng)的尺度參數(shù)進(jìn)行進(jìn)一步分割，使得各類別像斑同質(zhì)性均增強(qiáng)后，停止分割，將獲取的子像斑視為T(mén)1、T2期子像斑。

（4）將步驟（3）獲得的T1時(shí)期子像斑和T2時(shí)期子像斑進(jìn)行疊置分割，使得前后兩個(gè)時(shí)期像斑一一對(duì)應(yīng)。

因此，該方法是建立在多尺度分割的基礎(chǔ)上，與已有的方法不同，該方法充分考慮了矢量數(shù)據(jù)的屬性信息、影像的光譜信息以及上下文信息。

2 變化檢測(cè)

基于歷史矢量與雙時(shí)相遙感影像的變化檢測(cè)方法，主要分為以下幾個(gè)步驟。

（1）像斑的獲取及其特征提取。在第2節(jié)中已做了詳細(xì)闡述。在獲得同質(zhì)像斑的基礎(chǔ)上，提取光譜、紋理、形狀等特征，構(gòu)建像斑特征空間，并對(duì)特征空間進(jìn)行優(yōu)化。像斑特征由組成像斑的內(nèi)部像素灰度值通過(guò)一定的數(shù)學(xué)運(yùn)算獲取。獲取的光譜特征主要包括均值、方差、信息熵等，形狀特征主要包括面積、密度、矩形契合度、形狀指數(shù)、長(zhǎng)寬比等，紋理特征主要通過(guò)灰度共生矩陣計(jì)算。

（2）變化像斑獲取方法。主要采用分類后處理的方法。針對(duì)分類后處理方法，T1期影像根據(jù)T1期矢量數(shù)據(jù)的屬性信息，獲取像斑類別，對(duì)像斑進(jìn)行分類。T2期影像可采用基于像斑的最鄰近分類算法，對(duì)T2期影像的像斑進(jìn)行分類。

獲取兩個(gè)時(shí)期像斑分類結(jié)果后，通過(guò)疊置分析，對(duì)兩個(gè)時(shí)期影像的像斑進(jìn)行變化檢測(cè)。該方法在決定是否發(fā)生變化的同時(shí)，也獲得了像斑的變化類別。獲取變化檢測(cè)結(jié)果后，可以根據(jù)再分割過(guò)程中形成的像斑與子像斑之間的繼承關(guān)系，將已經(jīng)獲取的變化檢測(cè)結(jié)果轉(zhuǎn)換到矢量圖斑上去，以此評(píng)價(jià)變化檢測(cè)結(jié)果，并估計(jì)應(yīng)用此變化檢測(cè)結(jié)果更新現(xiàn)有矢量數(shù)據(jù)的能力。

3 實(shí)驗(yàn)及結(jié)果分析

本文采用的實(shí)驗(yàn)數(shù)據(jù)為某地區(qū)2012年5月和2014年5月的快鳥(niǎo)衛(wèi)星影像（藍(lán)、綠、紅、近紅外波段，以及全色波段），以及相同區(qū)域2012年5月矢量圖。實(shí)驗(yàn)區(qū)大小為1001像元×1003像元，矢量圖斑總數(shù)118個(gè)。

3.1 獲取同質(zhì)像斑

首先，分別將兩個(gè)時(shí)期遙感影像與矢量數(shù)據(jù)進(jìn)行配準(zhǔn)套合獲取像斑，并獲取像斑類別。其次，以光譜特征和形狀特征為依據(jù)，對(duì)T1、T2時(shí)期影像分別進(jìn)行多尺度分割，具體參數(shù)：尺度參數(shù)為250，形狀指數(shù)為0.7，緊致度為0.5。此時(shí)獲得的分割結(jié)果出現(xiàn)了植被過(guò)分割和非植被分割尺度不夠的現(xiàn)象，因此需要根據(jù)類別的不同分別設(shè)置相應(yīng)的尺度參數(shù)。植被類別的分割尺度參數(shù)為：尺度參數(shù)為300，形狀指數(shù)為0.6，緊致度為0.5，對(duì)植被類別像斑進(jìn)行合并；非植被類別的分割尺度參數(shù)為：尺度參數(shù)為200，形狀指數(shù)為0.8，緊致度為0.5，對(duì)非植被類別的像斑進(jìn)行再分割。從而使得各類別像斑同質(zhì)性均增強(qiáng)，停止分割。最后，將兩期影像分割結(jié)果疊置分割，從而獲取一一對(duì)應(yīng)的影像像斑。共獲得385個(gè)子像斑，從目視效果來(lái)看，絕大多數(shù)的像斑同質(zhì)性較強(qiáng)，有利于后續(xù)的變化檢測(cè)分析。

3.2 變化檢測(cè)

采用基于類間距離和窮舉法的特征選擇方法，對(duì)初始化特征空間進(jìn)行優(yōu)化，選取最佳特征組合。根據(jù)矢量數(shù)據(jù)中的屬性信息，對(duì)2012年影像像斑進(jìn)行分類。同時(shí)，利用基于像斑的最鄰近分類算法，以最小距離為測(cè)度對(duì)2014年影像像斑進(jìn)行分類。

獲取兩個(gè)時(shí)期像斑的分類結(jié)果后，通過(guò)疊置分析，對(duì)兩個(gè)時(shí)期影像對(duì)應(yīng)像斑的類別進(jìn)行變化檢測(cè)，如圖2所示。由實(shí)驗(yàn)結(jié)果得出，80%發(fā)生變化的像斑，通過(guò)上述方法均能夠被成功檢測(cè)出來(lái)，證實(shí)了該方法的有效性和可行性。最后，將基于像斑的變化檢測(cè)結(jié)果轉(zhuǎn)換到矢量圖斑上去。如果矢量圖斑范圍內(nèi)有像斑發(fā)生變化，則認(rèn)為該圖斑發(fā)生變化，從而可以對(duì)歷史矢量圖進(jìn)行更新。

4 結(jié)語(yǔ)

矢量數(shù)據(jù)信息的引入促進(jìn)遙感影像分割、分類分析基本模式的變化，它使遙感影像分析從一種純粹認(rèn)識(shí)的過(guò)程轉(zhuǎn)化為一種具有先驗(yàn)知識(shí)的再認(rèn)識(shí)過(guò)程，使本是“理解”的影像分析變?yōu)榱艘环N通過(guò)影像進(jìn)行的“鑒別”“比較”的過(guò)程。

參考文獻(xiàn)

[1] 張連華，龐勇，岳彩榮，等.基于纓帽變換的景洪市時(shí)間序列Landsat影像森林?jǐn)_動(dòng)自動(dòng)識(shí)別方法研究[J].林業(yè)調(diào)查規(guī)劃，2012，38（2）：6-12.

[2] 趙珍珍，燕琴，劉正軍.高分遙感影像與矢量數(shù)據(jù)結(jié)合的變化檢測(cè)方法[J].測(cè)繪科學(xué)，2015，40（6）：120-124.