基于GIS輔助遙感變化檢測的地理國情監(jiān)測研究

朱冰 霍天寶

摘 ? 要：本文針對變化檢測中獲取同質(zhì)像斑較難的問題，提出應(yīng)用矢量數(shù)據(jù)輔助分割獲取同質(zhì)像斑，本文提出了基于歷史矢量與雙時相遙感影像的變化檢測方法，實驗結(jié)果表明，該方法能檢測出80%變化的像斑，并能同時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 ?多尺度分割

中圖分類號：P237 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標(biāo)識碼：A ? ? ? ? ? ? ? ? ? ? ? ?文章編號：1674-098X（2020）01（a）-0105-02

地理國情監(jiān)測是在普查數(shù)據(jù)成果的基礎(chǔ)上，對自然和人文地理要素的空間分布、特征及其相互關(guān)系 進行定量、空間化的監(jiān)測，從而獲取地表覆蓋和國情要素的變化信息。近年來，基于高分辨率遙感影像和數(shù)字地表模型（DSM）的地表覆蓋信息提取以及變化檢測已得到廣泛應(yīng)用，地理國情要素的變化檢測逐漸成為研究重點并已取得部分理論成果。

本文提出一種面向地理國情監(jiān)測的高分辨率遙感影像與矢量數(shù)據(jù)結(jié)合的變化檢測的方法。首先，分析了遙感影像與矢量數(shù)據(jù)套合結(jié)果的不一致性，通過應(yīng)用矢量數(shù)據(jù)輔助分割，提出了一種獲取同質(zhì)性較強的像斑的方法。進一步地，本文提出了基于歷史矢量與雙時相遙感影像的變化檢測方法，并用實驗證明了其可行性。

1 ?同質(zhì)像斑獲取

1.1 遙感影像與矢量數(shù)據(jù)套合不一致性

在理想的情況下，通過配準(zhǔn)套合獲取的遙感影像各像斑，其內(nèi)部像素應(yīng)保持灰度同質(zhì)性;同時，屬于同一類別的像斑應(yīng)該保持類內(nèi)光譜一致性，不同類別的像斑應(yīng)具有類間光譜的相異性。

這也是影像分割的目的和后續(xù)基于像斑進行影像分析的基礎(chǔ)。然而，由于土地利用和土地覆蓋的不同，使得這種理想情況在實際的應(yīng)用中很難出現(xiàn)。因 此，由 于 數(shù) 據(jù) 源、數(shù) 據(jù) 格 式、生 成 標(biāo)準(zhǔn)、規(guī)范等多方面的不同，以及數(shù)據(jù)本身的特點和數(shù)據(jù)綜合應(yīng)用時的方法及其誤差等的存在，使得遙感影像與矢量數(shù)據(jù)套合結(jié)果存在上述不一致性。本文對遙感影像與矢量數(shù)據(jù)套合不一致性問題展開初步探討，采用多尺度分割算法獲取同質(zhì)像斑。

1.2 基于多尺度分割獲取同質(zhì)像斑

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，對套合獲取的像斑進行再分割，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）通過矢量數(shù)據(jù)和兩個時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T1期像斑和T2期像斑。同時，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時期影像的響應(yīng)光譜特征為依據(jù)，分別對T1、T2期像斑進行再分割，再分割后的像斑繼承上一級像斑的類別信息。

（3）對步驟（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)進行進一步分割，使得各類別像斑同質(zhì)性均增強后，停止分割，將獲取的子像斑視為T1、T2期子像斑。

（4）將步驟（3）獲得的T1時期子像斑和T2時期子像斑進行疊置分割，使得前后兩個時期像斑一一對應(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

基于歷史矢量與雙時相遙感影像的變化檢測方法，主要分為以下幾個步驟：（1）像斑的獲取及其特征提取。在1、2節(jié)中已做了詳細闡述。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，并對特征空間進行優(yōu)化。像斑特征由組成像斑的內(nèi)部像素灰度值通過一定的數(shù)學(xué)運算獲取。

（2）變化像斑獲取方法。主要采用分類后處理的方法。針對分類后處理方法，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，對像斑進行分類。T2期影像可采用基于像斑的最鄰近分類算 法，對T2期 影 像 的 像 斑 進 行 分 類。

獲取兩個時期像斑分類結(jié)果后，通過疊置分析，對兩個時期影像的像斑進行變化檢測。該方法在決定是否發(fā)生變化的同時，也獲得了像斑的變化類別。

獲取變化檢測結(jié)果后，可以根據(jù)再分割過程中形成的像斑與子像斑之間的繼承關(guān)系，將已經(jīng)獲取的變化檢測結(jié)果轉(zhuǎn)換到矢量圖斑上去，以此評價變化檢測結(jié)果，并估計應(yīng)用此變化檢測結(jié)果更新現(xiàn)有矢量數(shù)據(jù)的能力。

3 ?實驗及結(jié)果分析

本文采用的實驗數(shù)據(jù)為某地區(qū)2016年5月和2018年5月的快鳥衛(wèi)星影像（藍、綠、紅、近紅外波段，以及全色波段），以及相同區(qū)域2016年5月矢量圖。實驗區(qū)大小為1001像元×1003像元，矢量圖斑總數(shù)118個。

3.1 獲取同質(zhì)像斑

首先，分別將兩個時期遙感影像與矢量數(shù)據(jù)進行配準(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T1、T2時期影像分別進行多尺度分割，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。此時獲得的分割結(jié)果出現(xiàn)了植被過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，對植被類別像斑進行合并;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，對非植被類別的像斑進行再分割。從而使得各類別像斑同質(zhì)性均增強，停止分割。最后，將兩期影像分割結(jié)果疊置分割，從而獲取一一對應(yīng)的影像像斑。如圖2所示，共獲得385個子像斑，從目視效果來看，絕大多數(shù)的像斑同質(zhì)性較強，有利于后續(xù)的變化檢測分析。

3.2 變化檢測

采用基 于 類 間 距 離 和 窮 舉 法 的 特 征 選 擇 方法，對初始化特征空間進行優(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2016年影像像斑進行分類。同時，利用基于像斑的最鄰近分類算法，以最小距離為測度對2018年影像像斑進行分類。

獲取兩個時期像斑的分類結(jié)果后，通過疊置分析，對兩個時期影像對應(yīng)像斑的類別進行變化檢測，如圖2所示。變化檢測結(jié)果如表1所示，由實驗結(jié)果得出，80%發(fā)生變化的像斑，通過上述方法均能夠被成功檢測出來，證實了該方法的有效性和可行性。最后，將基于像斑的變化檢測結(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，則認為該圖斑發(fā)生變化，從而可以對歷史矢量圖進行更新。

4 ?結(jié)語

本文針對遙感影像與矢量數(shù)據(jù)套合不一致性問題，提出了一種多尺度分割算法來獲取同質(zhì)像斑，并在此基礎(chǔ)上利用歷史矢量與雙時相遙感影像的變化檢測方法進行變化檢測。矢量數(shù)據(jù)信息的引入促進遙感影像分割、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識的過程轉(zhuǎn)化為一種具有先驗知識的再認識過程，使本是 “理解”的影像分析變?yōu)榱艘环N通過影像進行的 “鑒別” “比較”的過程。

參考文獻

[1] 張連華，龐勇，岳彩榮，等.基于纓帽變換的景洪市時間序列Landsat影像森林擾動自動識別方法研究[J].林業(yè)調(diào)查規(guī)劃，2016，38（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)合的變化檢測方法[J].測繪科學(xué)，2015，40（6）：120-124.

[3] 趙英時.遙感應(yīng)用分析原理與方法[M].北京：科學(xué)出版社，2003.