王子明

（1.江蘇省地質(zhì)工程勘察院，江蘇 南京 211102）

目前變化檢測方法非常多，根據(jù)檢測對象可以分為像素級的變化檢測和對象級的變化檢測［1,2］。像素級變化檢測快速、簡單，容易受到誤差影響產(chǎn)生細(xì)小的偽變化，并且得到的變化區(qū)域通常破碎、不完整［3］。對象級變化檢測技術(shù)對影像先進(jìn)行分割，利用分割后的影像進(jìn)行變化檢測，可以減弱誤差影響并得到完整的變化結(jié)果，但是分割方法對變化檢測精度影響較大，部分變化區(qū)域會湮沒在分割對象中造成漏檢。

常用的變化檢測方法分為直接比較法［4］和分類后比較法。分類后比較法難以檢測出存在于土地覆蓋類型內(nèi)部的細(xì)微變化；同時檢測精度只相當(dāng)于不同時相影像的分類精度的乘積。直接比較法可以直接確定變化的位置，避免大范圍分類，提高了檢測效率，是目前使用最多的方法。常用的直接比較法主要有影像代數(shù)法［5］、主成分分析法［6］、變化矢量分析法［7］等。本文提出一種像素級與對象級結(jié)合的變化檢測方法，首先使用像素級的主成分分析法獲取主成分影像，再利用多尺度分割算法［8］分割主成分影像，根據(jù)分割結(jié)果確定最后的變化檢測結(jié)果。

1 理論方法

1.1 主成分分析

主成分分析法（PCA）通過線性變換將原始數(shù)據(jù)變換為一組線性無關(guān)的變量，常用于高維數(shù)據(jù)的降維。該方法的基本思想是在不損失有用信息的前提下，選擇出有效特征。

利用PCA進(jìn)行變化檢測的基本思想是對經(jīng)過配準(zhǔn)的不同時相遙感影像作差值處理，獲取差值影像，對差值影像進(jìn)行PCA 變換。令兩幅配準(zhǔn)的不同時相影像記為X、Y，共有k個波段，則差值影像為Δ=X-Y。對差值影像作PCA變換：

A=[A1,A2,…,Ak]為k*k的正交變換矩陣，其中Ai為A的基向量。P=[P1,P2,…,Pk]為主成分影像，Pi為第i個主成分。最后選擇PCA前m個主成分，生成最后的變化強度圖CDI，CDI在(x,y)的像素值是：

對CDI選擇合適的閾值進(jìn)行閾值化操作，可以生成最后的變化檢測圖。

傳統(tǒng)PCA方法假設(shè)差異信息集中在前m個主成分[P1,P2,…,Pm]中，而[Pm+1,…,Pk]包含的是噪聲信息。這個假設(shè)在實際情況不完全成立，通常會有部分變化區(qū)域會出現(xiàn)在[Pm+1,…,Pk]中，同時[P1,P2,…,Pm]也會包含不少噪聲。所以最終的檢測結(jié)果常常存在大量噪聲，同時得到的變化區(qū)域破碎不完整。

1.2 PCA影像分割

利用多尺度分割技術(shù)對PCA變換后全部的主成分進(jìn)行分割。多尺度分割技術(shù)可以將光譜和形狀兩個異質(zhì)性指標(biāo)配合使用，同時可以對多光譜影像不同光譜之間設(shè)置不同的權(quán)重。

采用易康（eCognition）軟件進(jìn)行多尺度分割，易康的多尺度分割具有幾個重要指標(biāo)：

1） 對象的光譜異質(zhì)性指標(biāo)：

式中，wc為圖層的權(quán)重；σc為圖層的標(biāo)準(zhǔn)差，c為圖層數(shù)。

2）對象的形狀異質(zhì)性指標(biāo)，其中形狀的異質(zhì)性指標(biāo)是由平滑與緊密這兩個子異質(zhì)性指標(biāo)所構(gòu)成。

由于PCA主成分的方差是有由大到小排序的，光譜異質(zhì)性指標(biāo)對于每個主成分的影響的權(quán)重不同，方差大的主成分包含的變化信息多、噪聲較少同時權(quán)重大，方差小的主成分包含的噪聲多、變化信息少同時權(quán)重小。

對主成分影像進(jìn)行多尺度分割后生成分割影像S，S的每個像素值為所在分割區(qū)域的像素平均值，S的波段數(shù)與原始影像相同。利用所有波段計算最后的強度圖SCDI，SCDI在(x,y)的值是：

式中，Si(x,y)代表影像S第i個波段在(x,y)的像素值。對SCDI選擇合適的閾值進(jìn)行閾值化操作，可以生成最后的變化檢測圖。

2 實驗結(jié)果與分析

2.1 數(shù)據(jù)源

本文利用2000年與2005年的Landsat影像作為數(shù)據(jù)源。使用的Landsat影像大小為668×668，共有6個波段，地面分辨率為30 m。圖1的a、b為不同時相Landsat影像3、2、1波段的合成圖。

圖1 實驗區(qū)域與結(jié)果

2.2 實驗結(jié)果與分析

對兩個Landsat影像作差后，利用主成分變換獲取前4個主成分并利用式（2）生成變化強度圖，取變化強度圖的均值加上標(biāo)準(zhǔn)差為閾值，生成圖1c的變化結(jié)果。

圖1d是利用本文方法獲得的變化結(jié)果圖，使用的多尺度分割尺度參數(shù)為10，平滑與緊密參數(shù)分別為0.1和0.5?？梢园l(fā)現(xiàn)，本文方法較傳統(tǒng)方法減少了許多因細(xì)小誤差造成的偽變化區(qū)域。這是由于本文結(jié)合了對象級的多尺度分割，噪聲湮沒在周圍的非變化區(qū)域中，從而被剔除。

圖2是影像與變換檢測結(jié)果同一子區(qū)域的局部放大圖?？梢园l(fā)現(xiàn)，傳統(tǒng)PCA方法的檢測結(jié)果破碎不完整，而本文方法得到的變化區(qū)域比較完整。由于PCA方法有閾值化的過程，傳統(tǒng)像素級方法不完整的部分往往像素值僅比閾值略低一點，但為了獲得完整的變化區(qū)域設(shè)置過低的閾值，又會造成過多的偽變化區(qū)域。本文利用多尺度分割將不完整的部分與其他變化區(qū)域合并為一個整體，保證了最終結(jié)果的完整性。

圖2 局部放大區(qū)域與結(jié)果

3 結(jié) 語

傳統(tǒng)的像素級變化檢測方法受到誤差影響會產(chǎn)生細(xì)小的偽變化，得到的變化區(qū)域通常破碎、不完整。本文結(jié)合像素級和對象級變化檢測的優(yōu)點，提出一種像素級與對象級結(jié)合的變化檢測方法。實驗證明,本文提出的方法能克服傳統(tǒng)像素級PCA方法的不足，有效抑制噪聲的影響，同時提取的變化區(qū)域完整、不破碎。

[1] Bruzzone L, Bovolo F． A Novel Framework for the Design of Change-Detection Systems for Very-High-Resolution Remote Sensing Images[J]． Proceedings of the IEEE, 2013, 101(3):609-630

[2] 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):1-14

[3] 陳鑫鏢,趙仁亮,周曉光．一種面向?qū)ο蟮木用竦刈兓瘷z測方法[J]．地理信息世界, 2012,10(6):50-53

[4] 羅方權(quán),馬克委,吳建良,等．多時相遙感影像的變化監(jiān)測方法研究[J]．現(xiàn)代測繪,2014,(6):44-46

[5] Radke R J, Andra S, Al-Kofahi O, et al． Image Change Detection Algorithms: ASystematic Survey．[J]．IEEE Transactions on Image Processing , 2005, 14(3):294-307

[6] 張曉祥, 嚴(yán)長清, 劉斯琦,等． 基于Landsat TM數(shù)據(jù)的江蘇海岸帶土地利用/覆被變化檢測方法比較研究[J]．遙感信息,2011(3):82-87

[7] Júnior O A C, Renato F． Guimares, Gillespie A R, et al． A New Approach to Change Vector Analysis Using Distance and Similarity Measures[J]． Remote Sensing, 2011,3(11):2 473-2 493[8] 鄭江榮,馬浩然,屈鴻鈞,等．利用eCognition軟件多期遙感影像分割對象技術(shù)對新增建設(shè)用地進(jìn)行檢測[J]．測繪通報2016(2):145-146