基于Meanshift分割高分辨率遥感影像变化检测方法.docVIP

基于Meanshift分割高分辨率遥感影像变化检测方法 　　摘 要:针对Geoeye,QuickBird等高空间分辨率遥感影像变化检测精度不高的问题,本文研究了面向对象的分类后比较的变化检测方法。该方法是先利用均值平移法进行图像分割,再以分割对象为基本单元,采用支持向量机分类器进行分类,最后识别变化区域。该方法充分考虑了影像中地物的光谱、几何、上下文特征,以及目标间的拓扑关系,以弥补基于像素的变化检测方法的不足。最后,用QuickBird多时相影像作为测试数据,验证了本方法能有效提高高分辨率遥感影像变化检测的精度,且有利于GIS数据更新。 　　关键词:面向对象 均值平移(Mean-shift) 支持向量机(SVM) 变化检测 高分辨率影像 　　 　　1.引言 　　变化检测技术具有非常广泛的应用领域及应用前景,该技术一直是国内外学者研究的重点和难点。针对不同传感器及不同空间分辨率的影像,不同的应用领域,不少学者对变化检测算法进行了理论研究及总结与评价。例如,学者Singh[1]将变化检测方法分为直接比较法和分类后比较法两大类;而Deer[2]建议划分为三类,即基于像素的,基于特征的以及基于对象的方法。后来,Lu等[3]推广性地将变化检测方法划分为七类。龚建雅等[4]进一步扩展了上述研究,并详细阐述了面向对象(object-oriented)的变化检测方法。 　　对于高分辨率遥感影像,传统的基于像素的图像分析方法存在一些缺陷参见文献[5]。而面向对象的分类后比较法是对预处理后的多时相影像先进行面向对象的分类,再进行比较,以确定变化区域及变化特征分析,其中,分割及面向对象的分类是该算法的核心。该方法对噪声及图像的几何变形不敏感[4];此外,该方法对于异质传感器或辐射差异大的多时相影像的变化检测表现出更好的效果。 　　总结前人工作,他们大多采用eCognition软件的面向对象的分类[5],需要尝试新的变化检测算法。因此,本文研究了基于均值平移[6](Mean-shift)图像分割算法的面向对象的变化检测方法。均值平移(Mean-shift)图像分割算法可视为一种多尺度的区域划分方法,而且对任意分布的特征空间均中实现有效的划分,是一种鲁棒的分割算法。而众多研究已表明:支持向量机分类器[7](SVM)比其它同类分类器表现出更好的分类效果。 　　 　　2.基于Mean-shift的面向对象变化检测 　　2.1基于Mean-shift的图像分割 　　Mean-shift图像分割(或聚类)是基于数据的聚类依赖于数据对象之间的相似性度量。该算法实质上是一个Mean-shift向量的过程,它表明局部均值逐渐向影像特征的高密度区域移动。因为Mean-shift向量由局部梯度估计来修正,所以它能指出一条通向密度估计的“静止”点的“路径”。密度的极值点就是这些“静止”点。这个过程就被称作Mean-shift过程。实质上是一个简单的迭代过程,某个点在这个过程中逐次移动,一直移动到该区域的重心位置。当每个点找到各自的“静止点”,那么它们的类标号也就确定了。 　　2.2面向对象分类识别后的变化检测 　　面向对象的影像处理方法,相对于单个像元来说,分割后的对象携带了比只包含光谱信息多得多的属性,如颜色、纹理和形状等特征,此外,还考虑了相邻对象之间的空间关系。而对于高分辨率影像而言,单一像素分类毫无意义。因此,面向对象的分类后比较法使得提取的变化信息符合人的视觉认知规律。而Mean-shift方法有其独特的优势:不需要训练集,不要求类别数目作为先验知识,也不要求集群的分布形状,因此它是一种稳健的分割方法。该方法在某种程度可视为一种多尺度分割算法,因此,它是一种适于高分辨率遥感影像分割的有效方法,而基于该分割方法的分类可视为一种面向对象分类的方法的候选。 　　面向对象的分类后变化检测主要步骤是:预处理,图像分割、面向对象的分类、分类后比较四个阶段,其中分类是关键,而分类是以分割为基础,因此,分割后再分类的方法可视为一种面向对象的分类,分类结果的好坏直接决定了变化检测的精度,而分类结果又同时依赖于分割结果及分类器的性能。因此,本文基于Mean-shift多尺度分割的结果,并采用支持向量机分类器这一高性能的分类器对各时相影像进行分类,最后进行变化对象的比较。 　　 　　3.实验及分析 　　为验证本文方法的有效性,本文采用广东惠州某地的IKONOS正射影像(分辨率为1m),和QuickBird全色锐化的多光谱影像(分辨率为0.6m),获取时间分别是2000.3和2005.7。由于这两个不同时相影像来自不同传感器,成像时间相隔长,会导致影像中同一目标的像光谱有所不同。另一方面,影像获取时间存在季节差异,植被生长状况不同,水域面积也会不同