葛 印，楊杰興

(1.貴州省第三測繪院，貴州 貴陽 550003；2.貴州省地質(zhì)礦產(chǎn)勘查開發(fā)局測繪院，貴州 貴陽 550003)

1 變化檢測及隨機(jī)森林概念

1.1 變化檢測概念

對不同時段產(chǎn)生的遙感影像進(jìn)行定量化的分析，從而使得地表的覆蓋變化能夠被明確，便是變化檢測的概念[2]。在遙感的研究中，變化檢測為熱點內(nèi)容，在覆蓋監(jiān)測以及土地利用、城市的發(fā)展、災(zāi)害評估等方面，被廣泛應(yīng)用。與此同時，隨著遙感影像的空間分辨率升高，同類型的地物在內(nèi)部光譜發(fā)生的差異性增大，在元光譜基礎(chǔ)上進(jìn)行的自動化變化檢測，在災(zāi)害評估及城市建設(shè)、土地監(jiān)測、覆蓋監(jiān)測中的應(yīng)用較為廣泛。遙感影像空間分辨率的提升，導(dǎo)致了同類地物內(nèi)部光譜差異性增強(qiáng)?；谠庾V的自變檢測過程中，對于現(xiàn)階段遙感圖像的信息處理，難以達(dá)成相關(guān)的要求，由此使得遙感高分辨圖像技術(shù)的應(yīng)用受到限制。針對對象進(jìn)行分析的方法，為高分辨型遙感圖像的信息處理，提供了較為新穎的思路。在時代發(fā)展中，較多學(xué)者對于該方法進(jìn)行了不同目標(biāo)、不同應(yīng)用模型的研究，也為變化檢測方法發(fā)展提供了多元化的方向。

1.2 隨機(jī)森林概念

隨機(jī)森林是非參數(shù)的分類方法，主要由數(shù)據(jù)進(jìn)行驅(qū)動，其方法實現(xiàn)是通過固定樣本展開學(xué)習(xí)訓(xùn)練，從而能夠完成分類規(guī)則的結(jié)構(gòu)形成，對噪聲數(shù)據(jù)的處理較為有效，對于特征權(quán)重的分配也能夠有效進(jìn)行估算，學(xué)習(xí)速度極快，較同類算法，擁有更強(qiáng)的準(zhǔn)確性。本文通過運(yùn)用面向?qū)ο蟮姆治龇椒?，結(jié)合隨機(jī)森林模型，對高分辨的遙感影像中的應(yīng)用價值進(jìn)行探索，使得算法更為精確，變化檢測更為準(zhǔn)確，遙感影像分辨率更為高。

2 變化檢測相關(guān)研究及發(fā)展

2.1 鄰域聯(lián)系加強(qiáng)

將MRF類模型和模糊類C均值聚類相互結(jié)合，提出非監(jiān)督變化檢測的算法，和單一方法相比，對于檢測精度的確有提高作用。在該研究中，對影像間鄰接限制性關(guān)聯(lián)進(jìn)行了分析，對條件隨機(jī)場域和水平集兩種模型進(jìn)行了改進(jìn)，并利用其對變化檢測區(qū)域中的未變化及變化區(qū)域的信息進(jìn)行提取。

2.2 冗余信息屏蔽

通過對k均值以及主成分變化聚類結(jié)合，對于信息間的無效信息有效減少，從而信息發(fā)生變化后的影像增強(qiáng)，對于變化信息的提取更為有利。但是，對于空間鄰域間的關(guān)系，如果存在定義誤差的現(xiàn)象，容易使得邊緣類細(xì)節(jié)過于平滑，從而未能對較為細(xì)節(jié)化的變化信息進(jìn)行檢測。且該方法對于參數(shù)設(shè)置的控制，在最終結(jié)果精度上的影響較大。

2.3 綜合特征應(yīng)用

在面對對象進(jìn)行的變化檢測，其根本支撐在于影像分割的信息處理技術(shù)。在該方法中，處理的單元單位為對象。影像對象進(jìn)行定義的過程中，將其光譜性質(zhì)及形狀作同質(zhì)性單體區(qū)域，在對象的定義屬性中，含有形狀以及上下文、紋理、光譜等特征。由此，在進(jìn)行變化檢測時，能夠?qū)ζ涮卣骶C合以及光譜數(shù)據(jù)進(jìn)行應(yīng)用，使得邊變化的檢測精度能夠得到提高?；A(chǔ)作對象變化向量的分析和有關(guān)的卡房變換法以及系數(shù)法，利用對象多樣特征進(jìn)行分析，與單一特征的分析方法，對于變化檢測的精度的確有效進(jìn)行了提升。不過，該方法對于特征在選取時的好壞、權(quán)重分配、變化的閾值確定等方面較為依賴。且對于分割的尺寸在進(jìn)行確定時，造成檢測的過程中噪聲問題出現(xiàn)，降低了變化檢測結(jié)果的準(zhǔn)確性。

3 隨機(jī)森林面向?qū)ο笞兓瘷z測的應(yīng)用

3.1 影像分割

在影像分割中，其目的主要是對同類型地物盡量分割在同一個區(qū)域，使得最終能夠形成區(qū)域一致、緊湊的同質(zhì)化區(qū)域。

3.2 提取特征

圖像進(jìn)行分析的過程中，該方法的基本特征為光譜特征；如果圖像之中有同一地物的出現(xiàn)或地物一部分含有其組成的物質(zhì)，在理想情況下，可以作圖像的表現(xiàn)中，在灰度值上統(tǒng)一的假設(shè)。由此，不同對象的分割中，像素值相同的情況下，對圖像進(jìn)行分割的對象能夠?qū)嶋H的地物進(jìn)行反映。在應(yīng)用中，可以對前后時不相同波段均值以及方差、灰度比作對象光譜型特征。在應(yīng)用Gabor小波的變換，對原始影像展開處理?；叶缺燃胺讲?、波段的均值等進(jìn)行光譜特征的定義。對Gabor小波變換規(guī)律進(jìn)行應(yīng)用，進(jìn)而實施原始影像的處理。對高斯函數(shù)的復(fù)制頻率進(jìn)行取值：ω=8，沿著X軸及Y軸的方差可以確定為σx=1，σy=2，在完成規(guī)律的應(yīng)用處理以后的影像需要進(jìn)行二維卷積的運(yùn)算，從而可作分類的特征。對于對象間前后時段的影像光譜特征和Gabor特征兩相組合，作隨機(jī)森林分類其特征的輸入數(shù)據(jù)，隨機(jī)森林在特征及分類的數(shù)據(jù)支撐，該數(shù)據(jù)也可以為模型的訓(xùn)練數(shù)據(jù)使用。

3.3 樣本選擇

樣本的選擇中，假設(shè)初始類型的像素級變化檢測超像素Si中含有像素的總個數(shù)擁有Numt，變化像素個數(shù)則是Numc，未變化的像素在個數(shù)上作Numn，就可以得到Numc+Numn=Numt。根據(jù)超像素區(qū)域中變化像素的比例為w，則計算的公式為：

(1)

公式中，如果w=0的情況下，超像素則可以作未發(fā)生變化的樣本，而w≥T(T作閾值，T∈[0，1])，那么就可以作為變化樣本；w∈[0，T]，超像素在變化類別上為不確定型，需要再次地判斷。自動提取樣本之后，將80%的樣本作為隨機(jī)抽取中的樣本基礎(chǔ)，訓(xùn)練模型的樣本數(shù)據(jù)；其余樣本可以作為測試型樣本，在精度分類評價的過程中運(yùn)用。閾值取值作(0，1)區(qū)間。

3.4 隨機(jī)森林的面向?qū)ο笞兓瘷z測

在進(jìn)行該方法的檢測過程中，分為訓(xùn)練及分類兩個不同階段，在進(jìn)行訓(xùn)練時，要依據(jù)決策樹樣本及理論取得模型。并進(jìn)行特征的權(quán)重自動估計；而分類階段則是針對已經(jīng)完成訓(xùn)練的模型，對變化對象類別進(jìn)行分類。具體含有四個步驟。

1)樣本選取及演策的過程，作為樣本測試分類及樣本序號等類型參數(shù)建立的基礎(chǔ)。

2)以總數(shù)為基礎(chǔ)訓(xùn)練樣本，對隨機(jī)樣本進(jìn)行數(shù)據(jù)的抽取，從而得到自助訓(xùn)練數(shù)據(jù)的集合Lk(B)(k=1，2…k)，k作為決策樹的全部個數(shù)。Lk(B)可以作為訓(xùn)練模型的數(shù)據(jù)，對決策樹進(jìn)行建設(shè)。決策樹在節(jié)點上分裂后，重復(fù)為從總數(shù)中進(jìn)行特征的變量隨機(jī)進(jìn)行選擇；從選取的變量中，選擇最優(yōu)分裂點以及最佳變量；最后將對節(jié)點的分裂進(jìn)行控制，成為左右各一子節(jié)點的子模型。

3)根據(jù)以上的流程，可以把決策樹集合確認(rèn)為：

(2)

4)新特征向量值，可以使用隨機(jī)森林模型進(jìn)行預(yù)測及預(yù)算，并使用決策樹投票對最終的分類結(jié)果進(jìn)行確認(rèn)。

4 結(jié) 語

通過本文對變化檢測技術(shù)的討論，并對隨機(jī)森林變化檢測進(jìn)行應(yīng)用分析，從而使得整體的遙感影像能夠滿足于高分辨率的要求。未來遙感技術(shù)的分析方法也將主要為面向?qū)ο蟮姆绞?，整體的遙感技術(shù)將得到更進(jìn)一步的發(fā)展。