基于GIS的变化检测技术探讨.docx

?

?

基于GIS的变化检测技术探讨

?

?

胡英男

摘要：本文针对变化检测中获取同质像斑较难的问题，提出应用GIS技术辅助分割获取同质像斑，进一步提出了基于历史矢量与双时相遥感影像的变化检测方法，实验结果表明，该方法能检测出80%变化的像斑，并能同时获取变化像斑的类别，证明了该方法的有效性。

关键词：矢量数据像斑变化检测多尺度分割

：TP7：A：1672-3791（2018）03（c）-0090-02

本文提出一种面向地理国情监测的高分辨率遥感影像与矢量数據结合的变化检测的方法，分析了遥感影像与矢量数据套合结果的不一致性，通过应用GIS技术辅助分割，提出了一种获取同质性较强的像斑的方法。本文提出了基于历史矢量与双时相遥感影像的变化检测方法，并用实验证明了其可行性。

1同质像斑获取

为获取同质像斑，本文综合利用GIS辅助数据分割和多尺度分割方法。首先，利用矢量辅助数据与遥感影像套合获取像斑。其次，对套合获取的像斑进行再分割，生成子像斑，从而保证各像斑内的光谱同质性。技术流程如图1所示。

具体步骤如下：

（1）通过矢量数据和两个时期遥感影像分别配准套合，仅利用矢量数据的图斑边界信息获取影像像斑，分别视为T1期像斑和T2期像斑。同时，根据矢量数据属性信息中的类别信息，获取像斑类别。

（2）设定一定的尺度参数，以T1、T2时期影像的响应光谱特征为依据，分别对T1、T2期像斑进行再分割，再分割后的像斑继承上一级像斑的类别信息。

（3）对步骤（2）中获得的像斑，根据类别的不同分别设置相应的尺度参数进行进一步分割，使得各类别像斑同质性均增强后，停止分割，将获取的子像斑视为T1、T2期子像斑。

（4）将步骤（3）获得的T1时期子像斑和T2时期子像斑进行叠置分割，使得前后两个时期像斑一一对应。

因此，该方法是建立在多尺度分割的基础上，与已有的方法不同，该方法充分考虑了矢量数据的属性信息、影像的光谱信息以及上下文信息。

2变化检测

基于历史矢量与双时相遥感影像的变化检测方法，主要分为以下几个步骤。

（1）像斑的获取及其特征提取。在第2节中已做了详细阐述。在获得同质像斑的基础上，提取光谱、纹理、形状等特征，构建像斑特征空间，并对特征空间进行优化。像斑特征由组成像斑的内部像素灰度值通过一定的数学运算获取。获取的光谱特征主要包括均值、方差、信息熵等，形状特征主要包括面积、密度、矩形契合度、形状指数、长宽比等，纹理特征主要通过灰度共生矩阵计算。

（2）变化像斑获取方法。主要采用分类后处理的方法。针对分类后处理方法，T1期影像根据T1期矢量数据的属性信息，获取像斑类别，对像斑进行分类。T2期影像可采用基于像斑的最邻近分类算法，对T2期影像的像斑进行分类。

获取两个时期像斑分类结果后，通过叠置分析，对两个时期影像的像斑进行变化检测。该方法在决定是否发生变化的同时，也获得了像斑的变化类别。获取变化检测结果后，可以根据再分割过程中形成的像斑与子像斑之间的继承关系，将已经获取的变化检测结果转换到矢量图斑上去，以此评价变化检测结果，并估计应用此变化检测结果更新现有矢量数据的能力。

3实验及结果分析

本文采用的实验数据为某地区2012年5月和2014年5月的快鸟卫星影像（蓝、绿、红、近红外波段，以及全色波段），以及相同区域2012年5月矢量图。实验区大小为1001像元×1003像元，矢量图斑总数118个。

3.1获取同质像斑

首先，分别将两个时期遥感影像与矢量数据进行配准套合获取像斑，并获取像斑类别。其次，以光谱特征和形状特征为依据，对T1、T2时期影像分别进行多尺度分割，具体参数：尺度参数为250，形状指数为0.7，紧致度为0.5。此时获得的分割结果出现了植被过分割和非植被分割尺度不够的现象，因此需要根据类别的不同分别设置相应的尺度参数。植被类别的分割尺度参数为：尺度参数为300，形状指数为0.6，紧致度为0.5，对植被类别像斑进行合并；非植被类别的分割尺度参数为：尺度参数为200，形状指数为0.8，紧致度为0.5，对非植被类别的像斑进行再分割。从而使得各类别像斑同质性均增强，停止分割。最后，将两期影像分割结果叠置分割，从而获取一一对应的影像像斑。共获得385个子像斑，从目视效果来看，绝大多数的像斑同质性较强，有利于后续的变化检测分析。

3.2变化检测

采用基于类间距离和穷举法的特征选择方法，对初始化特征空间进行优化，选取最佳特征组合。根据矢量数据中的属性信息，对2012年影像像斑进行分类。同时，利用基于像斑的最邻近分类算法，以最小距离为测度对2014年影像像斑进行分类。

获取两个时期像斑的分类结果后，通过叠置分析，对两个时期影像对应像斑的类别进行变化检测，如图2所示。由实验结果得出，80%发生变化的像斑，通过上述方法均能够被成功检测