結(jié)合相關(guān)系數(shù)和特征分析的植被區(qū)域自動(dòng)變化檢測(cè)研發(fā)

潘建平， 徐永杰， 李明明， 胡勇， 王春曉

(1.重慶交通大學(xué)土木工程學(xué)院，重慶 400074； 2.重慶市規(guī)劃和自然資源調(diào)查監(jiān)測(cè)院，重慶 401123； 3.自然資源部海南基礎(chǔ)地理信息中心，?？?570203)

0 引言

遙感變化檢測(cè)是在不同時(shí)間觀察判斷一個(gè)地物對(duì)象的狀態(tài)有無(wú)變化、發(fā)生怎樣變化的過(guò)程[1-2]。通過(guò)變化檢測(cè)可以有效地掌握地表信息的變化，從而更好地管理自然資源，推動(dòng)社會(huì)發(fā)展。其中耕地、林地和草地等植被類(lèi)型作為地表覆蓋類(lèi)型的重要組成部分，影響著人類(lèi)和自然的方方面面，植被覆蓋區(qū)域變化檢測(cè)對(duì)于保護(hù)生態(tài)紅線和守住耕地紅線具有重大意義[3]。

傳統(tǒng)的遙感變化檢測(cè)方法基本可以分為2大類(lèi)： 分類(lèi)后比較法和直接比較法[4]。分類(lèi)后比較法首先對(duì)前后期遙感影像進(jìn)行分類(lèi)，然后根據(jù)分類(lèi)的結(jié)果判斷是否發(fā)生變化以及發(fā)生何種類(lèi)型的變化，如梅樹(shù)紅等[5]為檢測(cè)林地變更，在構(gòu)建歸一化植被指數(shù)(normalized difference vegetation index，NDVI)和提取紋理特征的基礎(chǔ)上進(jìn)行決策樹(shù)分類(lèi)來(lái)獲得變化區(qū)域，該方法極易受分類(lèi)誤差的影響。直接比較法通常利用像元之間的光譜差異構(gòu)建前后期的差異圖像，然后在差異圖像上提取變化像元和未變化像元，其原理簡(jiǎn)單，能夠消除誤差累積的影響，因此受到很多專(zhuān)家學(xué)者的廣泛使用。Nielsen等[6-7]先后提出多元變化檢測(cè)(multivariate alteration detection,MAD)和迭代加權(quán)多元變化檢測(cè)(iteratively reweighted MAD,IR-MAD)方法進(jìn)行多元遙感變化檢測(cè)研究； 王曉東等[4]選用交叉相關(guān)系數(shù)來(lái)構(gòu)建兩時(shí)相的變化強(qiáng)度圖像，通過(guò)馬爾可夫隨機(jī)場(chǎng)-最大后驗(yàn)估計(jì)(maxium a posteriori estimation of Markov random field，MRF- MAP)方法逐像素的提取變化區(qū)域； 黃愷等[8]構(gòu)建時(shí)空自相關(guān)指數(shù)對(duì)植被進(jìn)行變化檢測(cè)，并考慮了像元的鄰近信息。但以像元作為最基本的檢測(cè)單元，往往會(huì)忽略了高空間分辨率遙感影像豐富的上下文信息，因此針對(duì)高分辨率遙感影像，國(guó)內(nèi)外學(xué)者多展開(kāi)面向?qū)ο蟮淖兓瘷z測(cè)研究[9-11]。Walter[12]和Zomeni等[13]利用地理信息系統(tǒng)(geographic information system,GIS)矢量數(shù)據(jù)獲取影像像斑進(jìn)行變化檢測(cè)； 王琰等[14]在利用矢量數(shù)據(jù)獲取像斑的基礎(chǔ)上進(jìn)行二次劃分，獲得了更為精細(xì)的子像斑，然后以子像斑為檢測(cè)單元進(jìn)行相關(guān)性判斷； 佃袁勇等[15]通過(guò)多尺度分割獲取地物對(duì)象并進(jìn)行變化檢測(cè)。

在分割的基礎(chǔ)上提取地物特征進(jìn)行比較是面向?qū)ο蟮闹苯颖容^法的基本檢測(cè)思路[16]。選取各個(gè)特征值組成特征向量，然后計(jì)算特征向量的變化強(qiáng)度或相似性程度，比較前后期同一區(qū)域的變化強(qiáng)度大小或特征向量的相似性程度來(lái)篩選變化的結(jié)果。然而，一般的光譜和紋理等特征都具有通用性，針對(duì)特定的變化檢測(cè)目標(biāo)容易產(chǎn)生偽變化區(qū)域。常用的解決辦法是先從影像上識(shí)別出目標(biāo)對(duì)象，然后針對(duì)目標(biāo)對(duì)象展開(kāi)變化檢測(cè)[17]； 或選取多種特征進(jìn)行篩選和降維處理，提取出能有效識(shí)別目標(biāo)地物的特征[18]。這無(wú)疑給檢測(cè)工作帶來(lái)了較大的工作量，并且對(duì)目標(biāo)識(shí)別算法有較高的要求。因此，針對(duì)特定目標(biāo)的變化檢測(cè)工作，如何提高變化檢測(cè)精度、減少偽變化信息的產(chǎn)生，是面向?qū)ο蟮闹苯颖容^法需要重點(diǎn)解決的問(wèn)題。

針對(duì)高分辨率遙感影像中植被區(qū)域的變化檢測(cè)，本文采用面向?qū)ο蟮淖兓瘷z測(cè)方法。首先對(duì)前后期高分影像進(jìn)行分割得到地物圖斑，并提取光譜和紋理特征構(gòu)建特征向量，計(jì)算相關(guān)系數(shù)值判斷向量之間的相關(guān)性，然后通過(guò)特征分析選取合適的偽變化去除特征，利用偽變化去除算法剔除虛檢的變化，從而提高變化檢測(cè)的精度。同時(shí)，為了提高變化檢測(cè)的效率和自動(dòng)化程度，文章設(shè)計(jì)研發(fā)了一款圖斑級(jí)變化檢測(cè)工具軟件。

1 研究思路與關(guān)鍵技術(shù)

文章進(jìn)行變化檢測(cè)使用的數(shù)據(jù)包括： 前后2期高分辨率遙感影像和前期地理國(guó)情普查成果數(shù)據(jù)。主要的研究思路分為影像分割、特征提取和變化檢測(cè)3個(gè)步驟[19]，其中變化檢測(cè)又分為變化信息提取和偽變化去除。圖1為變化檢測(cè)主要技術(shù)路線。首先，在后期遙感影像上疊加前期普查成果數(shù)據(jù)，對(duì)其進(jìn)行矢量約束的多尺度分割，然后將后期分割得到的結(jié)果疊加在前期影像上進(jìn)行棋盤(pán)分割，從而得到前后期對(duì)應(yīng)的分割圖斑； 緊接著，提取前后期每個(gè)分割圖斑的光譜和紋理特征； 然后，根據(jù)提取的地物特征構(gòu)建特征向量，計(jì)算特征向量之間的相關(guān)系數(shù)來(lái)提取變化的信息； 最后，對(duì)相關(guān)系數(shù)法提取的變化結(jié)果進(jìn)行偽變化信息去除，得到最終的變化檢測(cè)結(jié)果。

圖1 技術(shù)路線

1.1 影像分割

影像分割是將一幅完整的遙感影像分成若干個(gè)相互獨(dú)立的子區(qū)域，是面向?qū)ο笞兓瘷z測(cè)方法的首要步驟，也是關(guān)鍵步驟。本文將后時(shí)期的遙感影像與前時(shí)期的普查成果數(shù)據(jù)進(jìn)行疊加套合，利用eCognition軟件進(jìn)行多尺度分割； 將分割的結(jié)果導(dǎo)出并疊加在前時(shí)期的遙感影像上進(jìn)行棋盤(pán)分割，得到前后期完全一致的分割圖斑。

多尺度分割是eCognition軟件中最常用的一種分割算法，是根據(jù)影像的光譜和形狀特征進(jìn)行分割，并采用自下而上的思路合并相鄰的同質(zhì)區(qū)域。軟件中通過(guò)設(shè)置緊致度(compactness)、形狀因子(shape)和尺度(scale)參數(shù)來(lái)控制多尺度分割的結(jié)果，針對(duì)高分辨率遙感影像，通常形狀因子介于[0.1，0.5]之間，緊致度介于[0.5，0.99]之間，分割尺度則依據(jù)變化檢測(cè)要求的最小檢測(cè)面積來(lái)確定[1]。在多尺度分割的過(guò)程中添加前期成果數(shù)據(jù)的約束，可以保證前后未發(fā)生變化的區(qū)域具有相同的邊界[20]，而疊加在后期影像上進(jìn)行分割，可以提取出后期發(fā)生變化的區(qū)域邊界[21]。棋盤(pán)分割是將一個(gè)父對(duì)象分割為許多正方形的子對(duì)象，在eCognition軟件中通過(guò)設(shè)定對(duì)象尺寸(Object Size)來(lái)決定子對(duì)象的大小，如果設(shè)定的Object Size值大于父對(duì)象的尺寸，則可以得到前后期一致的分割圖斑。

1.2 相關(guān)系數(shù)

相似性度量是一種代價(jià)函數(shù)，可以反映特征之間的相似性。通過(guò)提取前后期影像的光譜、紋理特征構(gòu)建特征向量，帶入代價(jià)函數(shù)進(jìn)行相似性分析，最后通過(guò)確定變化閾值從而判定影像的變化情況。常用的相似性度量有歐氏距離[22]、KL距離[23]和向量相似性[9]等。

相關(guān)系數(shù)由統(tǒng)計(jì)學(xué)家皮爾遜提出，可用于研究變量之間的線性相關(guān)程度，常用來(lái)衡量2個(gè)樣本之間相似性[24]。皮爾遜相關(guān)系數(shù)r的計(jì)算公式為：

(1)

在前期圖像分割和特征提取的基礎(chǔ)上，利用提取出的光譜和紋理特征構(gòu)建特征向量V，即

(2)

以相關(guān)系數(shù)作為描述特征向量之間相似性的度量方式。通過(guò)計(jì)算前后期對(duì)應(yīng)圖斑的相關(guān)系數(shù)并設(shè)置變化閾值便可得到相應(yīng)的變化圖斑，相關(guān)系數(shù)ρ的計(jì)算公式為：

(3)

式中：V1i和V2i分別為前、后2期對(duì)應(yīng)圖斑的特征向量；i為圖斑序號(hào)；n為特征向量的維數(shù)即特征的個(gè)數(shù)。

1.3 植被區(qū)域偽變化去除

傳統(tǒng)的特征向量相關(guān)系數(shù)法根據(jù)選擇的特征判斷變化區(qū)域的相似性，然而由于不同遙感傳感器之間的成像差異、不同季節(jié)植被覆蓋度不同、光照和大氣條件等因素的影響，同一塊植被區(qū)域在不同時(shí)期的光譜和紋理存在一定的差異，導(dǎo)致其被認(rèn)定為發(fā)生了變化。如圖2所示為部分農(nóng)田和林地因?yàn)榧竟?jié)和成像差異出現(xiàn)的誤檢圖斑。因此，單純的利用相關(guān)系數(shù)進(jìn)行變化檢測(cè)會(huì)產(chǎn)生一些偽變化信息。

(a) 前期無(wú)植被耕地(b) 后期有植被耕地(c) 前期無(wú)植被林地(d) 后期有植被林地

圖2 偽變化區(qū)域

為消除這種偽變化信息的影響，本文通過(guò)在前后期影像上選取多組地物樣本，統(tǒng)計(jì)分析前后期影像上不同類(lèi)型地物在紅光、綠光、藍(lán)光3個(gè)波段下的光譜均值，并引入標(biāo)準(zhǔn)差來(lái)確定每個(gè)波段下各類(lèi)地物像元值的取值范圍。表1為4種典型地物類(lèi)型的像元統(tǒng)計(jì)特征。

表1 各地物像元統(tǒng)計(jì)特征

從表1中可以看出紅光波段下植被的像元值明顯偏低，與道路、建筑物和堆掘地等存在較大差異。所以，當(dāng)前期是植被類(lèi)型的區(qū)域變化為后期是非植被類(lèi)型時(shí)，對(duì)應(yīng)區(qū)域的紅光波段特征值會(huì)發(fā)生明顯改變； 并且二者灰度值范圍少有重疊，可以排除“異物同譜”現(xiàn)象的影響。因此，選用影像的紅光波段均值來(lái)對(duì)變化信息作進(jìn)一步的篩選，并構(gòu)建了前后期影像的紅光波段均值的比值。如若前后期地物類(lèi)型發(fā)生變化，則比值較大，反之較小。其表達(dá)式為：

(4)

式中：RT1和RT2分別為前期和后期影像的紅光波段均值；β為界定的閾值，稱(chēng)為偽變化閾值。在前期相關(guān)系數(shù)法變化檢測(cè)的基礎(chǔ)上，如果變化圖斑滿足表達(dá)式RT2/RT1>β,則為最終的變化圖斑。通過(guò)在實(shí)驗(yàn)區(qū)挑選前后期變化圖斑樣本，發(fā)現(xiàn)變化區(qū)域前后時(shí)相紅光波段比值在0.9以上，即β≥0.9。

1.4 閾值確定

目前常用的閾值確定方法有大津法、構(gòu)建目標(biāo)函數(shù)法和基于信息熵的方法。這些方法大多基于樣本表達(dá)的信息量，可以保證檢測(cè)結(jié)果整體的正確率，然而在實(shí)際生產(chǎn)中更加注重檢測(cè)結(jié)果的漏檢率，即首先要確保不能或較少的出現(xiàn)漏檢的圖斑，其次再優(yōu)化檢測(cè)的虛檢率。為此，文章采用基于漏檢率的閾值確定方法： 首先設(shè)置閾值區(qū)間，當(dāng)漏檢率低于10%時(shí)，此時(shí)的變化閾值為相應(yīng)對(duì)象的閾值。

2 工具軟件設(shè)計(jì)

2.1 開(kāi)發(fā)工具

變化檢測(cè)工具軟件需要對(duì)矢量和柵格數(shù)據(jù)進(jìn)行交互、編輯等操作，所以需要依托GIS平臺(tái)。ESRI公司的ArcEngine是基于核心組件庫(kù)ArcObjects搭建的，可以用來(lái)開(kāi)發(fā)嵌入式或者獨(dú)立的GIS程序，并且支持多種開(kāi)發(fā)環(huán)境，如C++，Java和.NET[25]，其中基于.NET框架易于設(shè)計(jì)可視化界面。文章在Visual Studio 2017平臺(tái)下引入ArcEngine組件庫(kù)實(shí)現(xiàn)工具軟件的開(kāi)發(fā)設(shè)計(jì)。

2.2 功能設(shè)計(jì)

圖斑級(jí)變化檢測(cè)工具軟件主要用于輔助內(nèi)業(yè)進(jìn)行變化檢測(cè)。將前后期帶有特征屬性值的矢量圖斑數(shù)據(jù)導(dǎo)入，通過(guò)變化檢測(cè)工具軟件提取變化圖斑，疊加前后期遙感影像，輔以人工編輯，提高變化檢測(cè)區(qū)域的發(fā)現(xiàn)效率和精度。圖3為軟件功能設(shè)計(jì)示意圖。圖4為工具軟件的主界面示意圖。

圖3 功能設(shè)計(jì)

圖4 軟件主界面

輸入輸出功能模塊包括數(shù)據(jù)加載和結(jié)果導(dǎo)出。數(shù)據(jù)加載包括矢量數(shù)據(jù)和柵格數(shù)據(jù)的加載，加載的數(shù)據(jù)會(huì)在軟件的主界面進(jìn)行可視化展示； 結(jié)果導(dǎo)出是保存得到的變化檢測(cè)結(jié)果，用戶可自行選擇保存路徑和保存名稱(chēng)。

變化檢測(cè)功能模塊包括相關(guān)系數(shù)法變化檢測(cè)、閾值確定和變化提取。文章主要通過(guò)構(gòu)建相關(guān)系數(shù)這種相似性度量方式來(lái)進(jìn)行變化檢測(cè)，并設(shè)定變化閾值進(jìn)行變化區(qū)域的劃分； 變化提取是根據(jù)計(jì)算得到的相似性度量值和設(shè)定的閾值進(jìn)行變化圖斑的提取并在圖中高亮顯示。

后處理功能模塊包括人工編輯和字段刪除，主要針對(duì)變化檢測(cè)之后的結(jié)果進(jìn)行相關(guān)的處理。人工編輯可以針對(duì)變化檢測(cè)的結(jié)果進(jìn)行人為的干預(yù)，例如刪除或合并圖斑； 字段刪除是刪除數(shù)據(jù)屬性表中的屬性字段。

輔助工具包括視圖工具和圖斑工具。視圖工具包括全圖顯示、移動(dòng)視圖； 圖斑工具包括選擇要素、清除要素和屬性識(shí)別。

3 實(shí)驗(yàn)與分析

實(shí)驗(yàn)選取重慶市璧山區(qū)部分區(qū)域，前期數(shù)據(jù)包括2017年GF-2遙感影像和地理國(guó)情普查成果數(shù)據(jù)，后期為2018年BJ-2遙感影像，空間分辨率都為1 m,影像大小為3 761像素×3 085像素，包含3個(gè)可見(jiàn)光波段和1個(gè)近紅外波段，圖5分別為前后期原始影像套合矢量圖斑的結(jié)果圖。研究區(qū)包含大量耕地、林地等植被類(lèi)型，并存在較多植被到建設(shè)用地的變化。

(a) 前期柵矢套合(b) 后期柵矢套合

3.1 變化檢測(cè)實(shí)驗(yàn)

首先對(duì)2幅影像進(jìn)行精度較高的配準(zhǔn)操作，并利用直方圖匹配進(jìn)行相對(duì)輻射校正。然后通過(guò)套合前期矢量普查成果數(shù)據(jù)進(jìn)行分割，獲得前后期對(duì)應(yīng)的地物圖斑，并提取近紅外波段均值(Mean_NIR)、亮度值(Brightness)、對(duì)比度(GLCM_Contrast)以及熵(GLCM_Entropy)4個(gè)特征構(gòu)建特征向量。為了提高變化檢測(cè)的效率，將上述獲取到的特征圖斑導(dǎo)入變化檢測(cè)工具軟件進(jìn)行快速變化檢測(cè)，從而提取出變化的區(qū)域。同時(shí)，為驗(yàn)證偽變化去除的有效性，并尋求變化閾值和偽變化去除閾值的最佳組合，分別進(jìn)行多組對(duì)照實(shí)驗(yàn)。

3.1.1 實(shí)驗(yàn)一

第一組實(shí)驗(yàn)設(shè)定了9組變化閾值，無(wú)偽變化去除操作，如圖6所示?；疑珗D斑表示檢測(cè)出來(lái)的圖斑，紅色圖斑表示標(biāo)準(zhǔn)變化圖斑。從圖中可以看出，隨著變化閾值α的逐漸變大，漏檢圖斑數(shù)量逐漸減少，說(shuō)明變化閾值增大可以抑制漏檢圖斑的產(chǎn)生。

(a) α=0.950(b) α=0.960(c) α=0.970(d) α=0.980(e) α=0.985

(f) α=0.990(g) α=0.993(h) α=0.996(i) α=0.999

圖6 不同變化閾值檢測(cè)結(jié)果

3.1.2 實(shí)驗(yàn)二

第二組實(shí)驗(yàn)在第一組實(shí)驗(yàn)的基礎(chǔ)上添加了偽變化去除，并固定了偽變化閾值β為1.0，圖7展示了在9組變化閾值下進(jìn)行偽變化去除后的結(jié)果。對(duì)比第一組實(shí)驗(yàn)結(jié)果可以發(fā)現(xiàn)，偽變化去除前，隨著變化閾值的增大，檢測(cè)圖斑數(shù)量越來(lái)越多，虛檢圖斑數(shù)量逐漸增多，漏檢圖斑數(shù)量逐漸減少； 偽變化去除后，在相同變化閾值下，檢測(cè)圖斑數(shù)量明顯下降，虛檢圖斑大量減少。但在相同的偽變化閾值下，變化閾值越大，虛檢圖斑越多。

(a) α=0.950,β=1.0(b) α=0.960,β=1.0(c) α=0.970,β=1.0(d) α=0.980,β=1.0(e) α=0.985,β=1.0

(f) α=0.990,β=1.0(g) α=0.993,β=1.0(h) α=0.996,β=1.0(i) α=0.999,β=1.0

圖7 偽變化去除檢測(cè)結(jié)果

3.1.3 實(shí)驗(yàn)三

第三組實(shí)驗(yàn)分別選取變化閾值α為0.993，0.996和0.999，并分別設(shè)定偽變化閾值β為0.9，1.0和1.1，圖8展示了2種閾值的相互組合變化檢測(cè)結(jié)果。在相同變化閾值的情況下，隨著偽變化閾值的增大，變化結(jié)果的虛檢圖斑逐漸減少。

(a) α=0.993,β=0.9(b) α=0.993,β=1.0(c) α=0.993,β=1.1(d) α=0.996,β=0.9(e) α=0.996,β=1.0

(f) α=0.996,β=1.1(g) α=0.999,β=0.9(h) α=0.999,β=1.0(i) α=0.999,β=1.1

圖8 閾值組合檢測(cè)結(jié)果

但是，隨著偽變化閾值的一直增大，圖斑的漏檢數(shù)也會(huì)隨之增加。圖9為在相同變化閾值下，2種偽變化閾值帶來(lái)的漏檢圖斑情況。從圖9中可以看出，當(dāng)β=1.4時(shí)裸露出來(lái)的標(biāo)準(zhǔn)圖斑要多于β=0.9，說(shuō)明當(dāng)β=1.4時(shí)漏檢的圖斑要多于β=0.9。

(a) α=0.993,β=0.9(b) α=0.993,β=1.4

圖9 漏檢圖斑對(duì)比

3.2 實(shí)驗(yàn)分析

通過(guò)3組對(duì)比實(shí)驗(yàn)結(jié)果可以得出： ①由第一組實(shí)驗(yàn)結(jié)果可以看出變化閾值和漏檢圖斑數(shù)呈負(fù)相關(guān)關(guān)系； ②對(duì)比第一、二組實(shí)驗(yàn)，在相同變化閾值情況下，添加偽變化去除可以有效減少虛檢圖斑數(shù)量，但整體變化閾值和虛檢圖斑數(shù)呈正相關(guān)關(guān)系； ③由第三組實(shí)驗(yàn)可以看出偽變化閾值和虛檢圖斑數(shù)呈負(fù)相關(guān)關(guān)系，但在一定程度上會(huì)影響結(jié)果的漏檢率。

繼續(xù)統(tǒng)計(jì)不同閾值組合下的漏檢率和虛檢率，當(dāng)變化閾值在[0.950,0.999]、偽變化閾值在[0.9,1.1]之間時(shí)，各項(xiàng)指標(biāo)的統(tǒng)計(jì)結(jié)果如圖10—12所示。從圖10—12中可以看出，變化閾值α在(0.993,0.999]區(qū)間內(nèi)分別可以達(dá)到10%左右的漏檢率，滿足一定的變化檢測(cè)需求。因此，綜合考慮變化結(jié)果的漏檢率和虛檢率，變化閾值和偽變化閾值在一定范圍內(nèi)的取值越大可以獲得越好的變化檢測(cè)結(jié)果，一般選取變化閾值α∈(0.993,0.999],偽變化閾值β∈[0.9,1.1]。

圖10 β=0.9時(shí)閾值組合分析

圖11 β=1.0時(shí)閾值組合分析

圖12 β=1.1時(shí)閾值組合分析

3.3 精度評(píng)價(jià)

為驗(yàn)證該工具軟件的有效性，以圖斑為基本單位對(duì)變化檢測(cè)的結(jié)果圖斑進(jìn)行漏檢率和虛檢率等指標(biāo)統(tǒng)計(jì)。將人工目視判讀選取的真實(shí)變化圖斑與當(dāng)α=0.999，β=1.1時(shí)進(jìn)行檢測(cè)得到的變化圖斑進(jìn)行對(duì)比統(tǒng)計(jì)，構(gòu)建用于精度評(píng)價(jià)的混淆矩陣，統(tǒng)計(jì)結(jié)果如表2所示。

表2 變化檢測(cè)結(jié)果精度評(píng)價(jià)

由表2可知，實(shí)驗(yàn)區(qū)一共包含1 899個(gè)圖斑，其中實(shí)際變化的圖斑有306個(gè)，該工具軟件檢測(cè)出來(lái)的變化圖斑有363個(gè)，漏檢了26個(gè)變化的圖斑； 83個(gè)實(shí)際未變化圖斑錯(cuò)檢成變化圖斑。整個(gè)變化檢測(cè)的結(jié)果的正確率為94.3%，虛檢率為22.9%，其中漏檢率可以達(dá)到8.5%。

4 結(jié)論

針對(duì)傳統(tǒng)的變化檢測(cè)方法存在的問(wèn)題，結(jié)合高分辨率遙感影像變化檢測(cè)的思路，在傳統(tǒng)相關(guān)系數(shù)方法的基礎(chǔ)上增加了波段比值去除偽變化，并通過(guò)ArcEngine二次開(kāi)發(fā)設(shè)計(jì)出圖斑級(jí)變化檢測(cè)工具軟件，相較于傳統(tǒng)的變化檢測(cè)手段，其具有如下優(yōu)勢(shì)：

1)研究變化檢測(cè)算法，消除了大量繁瑣的人工目視判讀工作，能較好地在植被變化檢測(cè)實(shí)際生產(chǎn)工作中完成任務(wù)，提高了工作效率和檢測(cè)質(zhì)量。

2)基于ArcEngine研發(fā)了快速變化檢測(cè)的工具軟件，實(shí)現(xiàn)了半自動(dòng)化的變化檢測(cè)，實(shí)驗(yàn)精度較高，可以為自然資源調(diào)查等部門(mén)提供技術(shù)支撐。

由于本文構(gòu)建的偽變化去除方法是針對(duì)植被區(qū)域變化為非植被區(qū)域，因此無(wú)法適用于多類(lèi)變化檢測(cè)； 并且方法選取的特征數(shù)量和質(zhì)量有限，只選取一個(gè)光譜特征指標(biāo)進(jìn)行偽變化去除，可能對(duì)于老、舊住宅小區(qū)等建筑物附近植被的偽變化識(shí)別存在一定的局限性。因此，今后需要在提高偽變化識(shí)別的廣度和深度方面繼續(xù)進(jìn)行研究。