CN105631849A - 多边形目标的变化检测方法及装置 - Google Patents

Abstract

本发明公开了一种多边形目标的变化检测方法及装置，该方法包括：在所述目标的图上坐标下，基于所述目标的GIS数据构建所述目标的边界缓冲区和整体缓冲区；提取所述边界缓冲区的像素点集以及所述整体缓冲区中非边界的像素点集；基于所提取的像素点集从所述目标的梯度图像中提取边界缓冲区中的边界点梯度集合以及整体缓冲区中的非边界点梯度集合；基于所提取的梯度集合，利用z值检验法计算所述目标的边界显著性值；以及如果所计算的边界显著性值小于设定的边界显著性阈值，则判断所述目标为发生变化的目标。本发明提供的方法及装置简单高效，具有较高的检测精度、准确度以及自动化程度。

Description

多边形目标的变化检测方法及装置

技术领域

本发明涉及高分辨率遥感技术领域，具体涉及一种多边形目标的变化检测方法及装置。

背景技术

随着智慧城市、数字地球的建设，我国已经建成了一大批基础、专题空间数据集，这些数据在如国土资源调查、城市规划、灾害预报与损毁评估等各行各业发挥着重要的作用。遥感卫星观测具有时间周期短、观测范围广等特点，可以方便地获得大空间范围内连续时间序列的数据。因此，应用遥感数据对空间数据集进行变化检测与更新具有重要的现实意义与广泛的应用前景。

遥感变化检测技术起源于20世纪60年代，目前的研究主要方向都集中在利用多时相的遥感影像进行变化检测。研究方法一般是直接利用两幅或多幅影像中的像素光谱值、或提取出的植被指数、纹理参数、边缘特征、PCA(主成分)等特征参数，通过差值、比值、相关分析等方法获取变化信息。目前运用遥感影像进行变化检测，大多仅基于地物的光谱特征进行变化检测，当同名地物在不同影像中光谱具有差异时检测效果较弱。

GIS数据有着丰富的语义信息，是解译后地物的符号表达，用GIS数据作为先验知识，结合遥感影像进行目标的变化检测，可以避免在图像中进行目标识别的困难，将感兴趣区准确定位在目标本身，能极大的提高检测的准确度。

张晓东(2005)结合GIS数据与遥感数据，提出了基于多边形面积填充率的自适应变化阈值确定方法，以及基于面特征的整体迭代求解方法。吴晓燕等(2010)将GIS数据和遥感影像结合进行道路提取和变化检测，提高了路网数据更新的自动化程度。徐文祥(2011)结合遥感影像，分析点、线、面要素几何变化类型，提出了基于空间特征码的矢量要素变化检测研究。黄俊等(2012)结合高分辨率遥感影像和GIS数据，利用图斑多边形各类特征，对土地利用类型进行了变化检测。张伟等(2013)考虑建筑物等同名地物的形变，改进了相关系数变化检测方法，提高了检测精度。

上述应用遥感数据更新GIS数据的方法目前主要存在如下问题：(1)上述方法都是首先通过分类提取图像中的目标，然后再进行变化检测，而目标识别算法非常复杂，效果又差，严重影响了变化检测的效率和准确度；(2)在高分辨率影像中，由于非正射引起的投影差较为突出，因此传统图像配准针对于图像整体，而对于目标个体偏差较大；(3)仅考虑目标边缘的强度而忽略了目标周边的变化，通用性较差。

发明内容

有鉴于此，为克服上述至少一个缺点，并提供下述至少一种优点。本发明公开了一种多边形目标的变化检测方法及装置。

为解决上述技术问题，本发明采用以下技术方案：一种多边形目标的变化检测方法，包括：

在所述目标的图上坐标下，基于所述目标的GIS数据构建所述目标的边界缓冲区和整体缓冲区；

提取所述边界缓冲区的像素点集以及所述整体缓冲区中非边界的像素点集；

基于所提取的像素点集从所述目标的梯度图像中提取所述边界缓冲区中的边界点梯度集合以及所述整体缓冲区中的非边界点梯度集合；

基于所提取的梯度集合，利用z值检验法计算所述目标的边界显著性值；以及

如果所计算的边界显著性值小于设定的边界显著性阈值，则判断所述目标为发生变化的目标。

在如上所述的多边形目标的变化检测方法中，所述基于所述目标的GIS数据构建所述目标的边界缓冲区和整体缓冲区之前，还包括：将所述目标的GIS数据的经纬度坐标按照大地坐标系转换为地理坐标，再将所述地理坐标按照投影坐标系转换为图上坐标；以及

读取所述目标的遥感影像，并采用sobel算子、Roberts算子或拉普拉斯算子将所述遥感影像进行处理得到梯度图像。

在如上所述的多边形目标的变化检测方法中，所述基于所述目标的GIS数据构建所述目标的边界缓冲区和整体缓冲区包括：

基于所述GIS数据中目标的边界，以1个像素的宽度为半径建立边界缓冲区；以及

基于所述GIS数据中目标的面积确定半径，构建整体缓冲区，所述半径为所述面积的十分之一。

在如上所述的多边形目标的变化检测方法中，所述提取所述边界缓冲区中边界的像素点集以及所述整体缓冲区中非边界的像素点集包括：

基于式(2)提取所述边界缓冲区中边界的像素点集：

PC1＝{(x,y)|(x,y)∈buff1}(2)

其中，buff1为所述边界缓冲区；

基于式(3)提取所述整体缓冲区中非边界的像素点集：

$\mathrm{PC}2=\left\{(x,y)\right|(x,y)\∈\mathrm{buff}2\∩(x,y)\∉\mathrm{buff}1\}---\left(3\right)$

其中，buff2为所述整体缓冲区。

在如上所述的多边形目标的变化检测方法中，所述基于所提取的像素点集从所述目标的梯度图像中提取所述边界缓冲区中的边界点梯度集合以及所述整体缓冲区中的非边界点梯度集合包括：

基于所提取的像素点集PC1以及式(4)，从所述目标的梯度图像中提取所述边界缓冲区中的边界点梯度集合：

GC1＝{g(x,y)|(x,y)∈PC1}(4)

基于所提取的像素点集PC2以及式(5)，从所述目标的梯度图像中提取所述整体缓冲区中的的非边界点梯度集合：

GC2＝{g(x,y)|(x,y)∈PC2}(5)

其中，g(x,y)为点(x,y)的图像梯度。

在如上所述的多边形目标的变化检测方法中，基于所提取的梯度集合，所述利用z值检验法计算所述目标的边界显著性值包括：

基于式(6)计算所述目标的边界显著性值：

$\frac{\mathrm{\μ}1-\mathrm{\μ}2}{\sqrt{S1/n1+S2/n2}}---\left(6\right)$

其中，Z表示所述目标的边界显著性值，n1表示所述边界缓冲区中的边界点梯度集合GC1的元素个数，n2表示所述整体缓冲区中的非边界点梯度集合GC2的元素个数，μ1表示所述边界缓冲区中的边界点梯度集合GC1的均值，μ2表示所述整体缓冲区中的非边界点梯度集合GC2的均值，S1表示所述边界缓冲区中的边界点梯度集合GC1的标准差，S2表示所述整体缓冲区中的非边界点梯度集合GC2的标准差；

基于式(7)对所述目标进行平移：

(x',y')＝(x+i,y+i)(7)

其中，(x',y')表示(x,y)平移之后的坐标，i表示平移量，

计算所述目标平移后的边界显著性值，在一定范围内逐像素点平移所述目标，并分别计算每次平移后的目标的边界显著性值，得到所述范围内的边界显著性值的集合，并取所述边界显著性值的集合中的最大值作为用于与所述边界显著性阈值进行比较的最终边界显著性值，其中所述一定范围根据所述目标的偏移程度来确定。

在如上所述的多边形目标的变化检测方法中，所述边界显著性阈值基于图像质量及目标清晰程度来设定。

为解决上述技术问题，本发明还采用以下技术方案：一种多边形目标的变化检测装置，包括：

缓冲区构建模块，用于在所述目标的图上坐标下，基于所述目标的GIS数据构建所述目标的边界缓冲区和整体缓冲区；

像素点集提取模块，用于提取所述边界缓冲区的像素点集以及所述整体缓冲区中非边界的像素点集；

梯度集合提取模块，用于基于所提取的像素点集从所述目标的梯度图像中提取所述边界缓冲区中的边界点梯度集合以及所述整体缓冲区中的非边界点梯度集合；

计算模块，用于基于所提取的梯度集合，利用z值检验法计算所述目标的边界显著性值；以及

判断模块，用于如果所计算的边界显著性值小于设定阈值，则判断所述目标为发生变化的目标。

在如上所述的多边形目标的变化检测装置中，还包括：坐标转换模块，用于将所述目标的GIS数据的经纬度坐标按照大地坐标系转换为地理坐标，再将所述地理坐标按照投影坐标系转换为图上坐标；以及

图像处理模块，用于读取所述目标的遥感影像，并采用sobel算子、Roberts算子或拉普拉斯算子将所述遥感影像进行处理得到梯度图像。

在如上所述的多边形目标的变化检测装置中，所述缓冲区构建模块具体用于基于所述GIS数据中目标的边界，以1个像素的宽度为半径建立边界缓冲区；以及

基于所述GIS数据中目标的面积确定半径，构建整体缓冲区，所述半径为所述面积的十分之一。

在如上所述的多边形目标的变化检测装置中，所述像素点集提取模块具体用于基于式(2)提取所述边界缓冲区中边界的像素点集：

PC1＝{(x,y)|(x,y)∈buff1}(2)

其中，buff1为所述边界缓冲区；

基于式(3)提取所述整体缓冲区中非边界的像素点集：

$\mathrm{PC}2=\left\{(x,y)\right|(x,y)\∈\mathrm{buff}2\∩(x,y)\∉\mathrm{buff}1\}---\left(3\right)$

其中，buff2为所述整体缓冲区。

在如上所述的多边形目标的变化检测装置中，所述梯度集合提取模块具体用于基于所提取的像素点集PC1以及式(4)，从所述目标的梯度图像中提取所述边界缓冲区中的边界点梯度集合：

GC1＝{g(x,y)|(x,y)∈PC1}(4)

基于所提取的像素点集PC2以及式(5)，从所述目标的梯度图像中提取所述整体缓冲区中的非边界点梯度集合：

GC2＝{g(x,y)|(x,y)∈PC2}(5)

其中，g(x,y)为点(x,y)的图像梯度。

在如上所述的多边形目标的变化检测装置中，所述计算模块包括：

边界显著性计算单元，用于基于式(6)计算所述目标的边界显著性值：

$Z=\frac{\mathrm{\μ}1-\mathrm{\μ}2}{\sqrt{S1/n1+S2/n2}}---\left(6\right)$

其中，Z表示所述目标的边界显著性值，n1表示所述边界缓冲区中的边界点梯度集合GC1的元素个数，n2表示所述整体缓冲区中的非边界点梯度集合GC2的元素个数，μ1表示所述边界缓冲区中的边界点梯度集合GC1的均值，μ2表示所述整体缓冲区中的非边界点梯度集合GC2的均值，S1表示所述边界缓冲区中的边界点梯度集合GC1的标准差，S2表示所述整体缓冲区中的非边界点梯度集合GC2的标准差；

平移单元，用于基于式(7)对所述目标进行平移：

(x',y')＝(x+i,y+i)(7)

其中，(x',y')表示(x,y)平移之后的坐标，(i,j)表示平移量，

计算单元，用于计算所述目标平移后的边界显著性值，在一定范围内逐像素点平移所述目标，并分别计算每次平移后的目标的边界显著性值，得到所述范围内的边界显著性值的集合，并取所述边界显著性值的集合中的最大值作为用于与所述边界显著性阈值进行比较的最终边界显著性值，其中所述一定范围根据所述目标的偏移程度来确定，所述边界显著性阈值基于图像质量及目标清晰程度来设定。

通过采用上述技术方案，本发明的所达到的有益效果为：本发明所提供的方法及装置主要针对面状地物，基于GIS数据，对比目标及背景，不需要设定绝对的阈值，无需进行复杂的目标识别，图像的成像条件不对算法产生影响，极大简化了算法的参数设定，简单高效；同时，本发明方法消除了地物成像时由于非正射投影产生的形变，大大提高了检测的精度和准确度，且实用性强，自动化程度高。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对本发明实施例描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据本发明实施例的内容和这些附图获得其他的附图。

图1为本发明一个实施例提供的多边形目标的变化检测方法的流程图；

图2为本发明一个实施例提供的多边形目标的GIS数据的示意图；

图3为本发明一个实施例提供的多边形目标的边界缓冲区的示意图；

图4为本发明一个实施例提供的多边形目标的整体缓冲区的示意图；

图5为本发明一个实施例提供的多边形目标的非边界缓冲区的示意图；以及

图6为本发明一个实施例提供的多边形目标的变化检测装置的流程图。

具体实施方式

为使本发明解决的技术问题、采用的技术方案和达到的技术效果更加清楚，下面将结合附图对本发明实施例的技术方案作进一步的详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。

在发明中，高分辨率遥感影像，是指相对于目标的空间大小的高分辨率影像，目标在影像中由一定数量的像素组成，目标边界及目标内部(目标的非边界)所占像素个数都在30个以上。

本发明所采用的边界显著性分析，是判断目标是否发生变化的核心算法。本发明人认为目标与背景在图像中的灰度存在差异，目标本身及背景本身的差异相对较小，因此目标边界处的图像梯度值较大，目标内部和背景场的梯度值较小，因而两组梯度值数据存在较大差异。如果目标发生了变化或已经不存在，则GIS数据中标绘的目标边界与目标内部所对应的梯度值不存在显著性差异。所以，本发明中的显著性分析算法依据显著性检验(Testofstatisticalsignificance)原理，判断目标边界上的梯度相对于目标本身及其邻域内的其他梯度是否具有显著差异。若存在显著性差异则认为目标存在，若不存在显著性差异则认为目标不存在或目标已经发生了变化，从而进行目标的变化检测。下面以具体的实施例对本发明进行详细说明。

实施例1

如图1所示，为本发明一个实施例提供的多边形目标的变化检测方法的流程图，本实施例中，使用GIS多边形数据作为目标(其中GIS数据中标绘了目标的轮廓，是目标的历史数据)，使用高分辨率遥感影像用于变化检测(其中高分辨率遥感影像为目标的更新数据，为目标发生变化后的遥感影像数据)。例如将某地房屋的GIS数据作为目标，数据格式为shapefile，该房屋所在地区地震后的高分辨率遥感影像，分辨率为米级，数据格式为geotiff。

该房屋目标的变化检测方法包括如下步骤：

步骤S10、读取目标的遥感影像img0，对该遥感影像采用边缘检测算子进行处理，以得到梯度图像img1。

本实施例中，可以采用如sobel算子对遥感影像进行边缘检测，Sobel算子由两个卷积核(G_x,G_y)组成，计算公式如下：

$G_x=\left[\begin{array}{ccc}-1& 0& 1\\ -2& 0& 2\\ -1& 0& 1\end{array}\right]*f(x,y);$ $G_y=\left[\begin{array}{ccc}-1& -2& -1\\ 0& 0& 0\\ 1& 2& 1\end{array}\right]*f(x,y)---\left(1\right)$

每个像素的梯度大小梯度方向θ＝arctan(G_y/G_x)。

此外，本步骤中还可以采用Roberts算子、拉普拉斯算子等进行边缘检测。且该步骤可以在步骤S30之前任何时候进行，并不限于在步骤S20之前执行。

步骤S20、将GIS数据中目标的坐标转换为图上坐标。

由于GIS数据与遥感影像的来源不同，通常具有不同的地理坐标系和投影坐标系，因而需要根据坐标系之间的对应关系将GIS数据中的坐标点对应到遥感影像上的像素点，以完成矢量与栅格数据的叠加。

例如，GIS数据的坐标为经纬度坐标，遥感影像为WGS84坐标系UTM投影，则本步骤中需要将该经纬坐标按照大地坐标系转换为地理坐标，再将地理坐标按照投影坐标系转换为图上坐标，从而完成GIS数据与遥感影像坐标的统一。

步骤S30、在图上坐标下，计算各个目标的边界显著性值，具体包括以下步骤：

步骤S31、以目标的边界线为基础建立边界缓冲区；

由于现实中目标的边界在遥感影像中不一定对应到一个像素内，目标的边界可能是两到三个像素宽的一条线，因此在本实施例中，构建边界缓冲区，该缓冲区是目标边界的可能范围。本实施例中，以1个像素的宽度，例如0.6m为半径建立边界缓冲区buff1，如图2和3所示，分别示出了多边形目标以及该目标的边界缓冲区，其中阴影部分表示边界缓冲区；

步骤S32、以目标本身为基础建立整体缓冲区；

整体缓冲区是以多边形目标为基础的目标的一个邻域范围，在后续步骤中执行显著性检验，用以检测目标在此范围内的显著性。具体地，设目标的面积为area，整体缓冲区的半径选为k优选可以取值0.1，建立整体缓冲区buff2，如图4所示，阴影部分为整体缓冲区；

步骤S33、提取边界缓冲区中边界的像素点集和整体缓冲区中非边界的像素点集；

其中，边界缓冲区中边界的像素点集PC1以式(2)来表示：

PC1＝{(x,y)|(x,y)∈buff1}(2)

该点集范围如图3所示；

非边界的像素点集以式(3)来表示：

$\mathrm{PC}2=\left\{(x,y)\right|(x,y)\∈\mathrm{buff}2\∩(x,y)\∉\mathrm{buff}1\}---\left(3\right)$

该点集范围如图5中的两个阴影部分所示。

步骤S34、根据上一步骤中提取的像素点集PC1和PC2，从梯度图像img1中提取边界缓冲区中的边界点梯度集合和整体缓冲区中的非边界点梯度集合；

其中，边界缓冲区中的边界点梯度集合以式(4)来表示：

GC1＝{g(x,y)|(x,y)∈PC1}(4)

整体缓冲区中的非边界点梯度集合以式(5)来表示：

GC2＝{g(x,y)|(x,y)∈PC2}(5)

其中，g(x,y)为点(x,y)的图像梯度。

步骤S35、计算梯度集合GC1和GC2的差异Z，即目标的边界显著性值；

本实施例利用显著性检验算法即Z值检验法来检验集合GC1与GC2中数据的差异显著性，Z值越大代表两个集合中数据的差异越大。具体地，设边界点梯度集合GC1和非边界点梯度集合GC2的元素个数分别是n1、n2，均值分别是μ1、μ2，标准差分别是S1、S2，则基于式(6)计算Z值：

$Z=\frac{\mathrm{\μ}1-\mathrm{\μ}2}{\sqrt{S1/n1+S2/n2}}---\left(6\right)$

步骤S36、对目标进行平移，重新计算平移后的目标的边界显著性值。

本步骤中，由于测量误差、成像误差、成像时非正射引起的视差等因素，目标在GIS数据中的轮廓并不一定是在遥感影像中的轮廓，即二者不一定能够完好匹配，因此需要对目标进行一定范围内的平移，找到目标在影像中的实际位置。该平移范围根据目标的可能偏移程度确定，通常情况下成像时传感器的倾斜角度越大目标偏移就可能越多；在未知偏移程度的情况下，可以设置为与目标大小近似的平移范围。具体地，设未平移的Z值为Z_0,0，对目标矢量进行平移，则平移后的坐标以式(7)来表示：

(x',y')＝(x+i,y+i)(7)

其中，(i,j)为平移矢量。

基于平移后的坐标重新计算平移后的目标边界显著性值Z_i,j，类似地计算平移后的整体缓冲区buff3内所有可能的Z值，组成集合：

Z_c＝{Z_i,j|i,j∈buff3}(8)

步骤S37、取集合Z_c中的最大值Z_max＝MAX(Z_c)作为目标的最终边界显著性值，Z取最大值时的平移矢量(i_max,j_max)作为目标的偏移矢量。

步骤S40、将目标的边界显著性值与设定的目标显著性阈值Z_threshold进行比较，若Z<Z_threshold，则将该目标标记为发生变化的目标，并保存为shapefile格式矢量数据。

对于基础GIS数据中的每一个房屋目标，都进行上述步骤目标变化显著性检测的步骤，从而得到每一个目标的边界显著性值，并判断各个目标是否为发生变化的目标。

实施例2

如图6所示，为本发明一个实施例提供的多边形目标的变化检测装置的模块图，结合实施例1中的方法，该装置100包括：图像处理模块10、坐标转换模块20、缓冲区构建模块30，像素点集提取模块40，梯度集合提取模块50，计算模块60以及判断模块70。

其中，图像处理模块10用于读取所述目标的遥感影像，并采用sobel算子、Roberts算子或拉普拉斯算子将所述遥感影像进行处理得到梯度图像；坐标转换模块20用于将所述目标的GIS数据的经纬度坐标按照大地坐标系转换为地理坐标，再将所述地理坐标按照投影坐标系转换为图上坐标；缓冲区构建模块30用于在所述目标的图上坐标下，基于所述目标的GIS数据构建所述目标的边界缓冲区和整体缓冲区；像素点集提取模块40用于提取所述边界缓冲区的像素点集以及所述整体缓冲区中非边界的像素点集；梯度集合提取模块50用于基于所提取的像素点集从目标的梯度图像中提取边界缓冲区中的边界点梯度集合以及整体缓冲区中的非边界点梯度集合；计算模块60用于基于所提取的梯度集合，利用z值检验法计算所述目标的边界显著性值；判断模块70用于如果所计算的边界显著性值小于设定阈值，则判断所述目标为发生变化的目标。

缓冲区构建模块30具体用于基于所述GIS数据中目标的边界，以1个像素的宽度为半径建立边界缓冲区；以及基于所述GIS数据中目标的面积确定半径，构建整体缓冲区。像素点集提取模块40具体用于基于式(2)提取所述边界缓冲区中边界的像素点集，基于式(3)提取所述整体缓冲区中非边界的像素点集。梯度集合提取模块50具体用于基于所提取的像素点集PC1以及式(4)，从所述目标的梯度图像中提取边界缓冲区中的边界点梯度集合，基于所提取的像素点集PC2以及式(5)，从所述目标的梯度图像中提取整体缓冲区中的非边界点梯度集合。

计算模块60具体包括:边界显著性计算单元，平移单元以及计算单元(未图示)。

其中，边界显著性计算单元用于基于式(6)计算所述目标的边界显著性值；平移单元用于基于式(7)对所述目标进行平移；计算单元，用于计算所平移后的目标的边界显著性值，并计算平移后的整体缓冲区内所有的边界显著性值，得到边界显著性值的集合，并取所述集合中的最大值作为用于与所述边界显著性阈值进行比较的最终边界显著性值。

本发明所提供的方法及装置主要针对面状地物，基于GIS数据，对比目标及背景，不需要设定绝对的阈值，无需进行复杂的目标识别，图像的成像条件不对算法产生影响，极大简化了算法的参数设定，简单高效；同时，本发明方法消除了地物成像时由于非正射投影产生的形变，大大提高了检测的精度和准确度，且实用性强，自动化程度高。

以上实施例提供的技术方案中的全部或部分内容可以通过软件编程实现，其软件程序存储在可读取的存储介质中，存储介质例如：计算机中的硬盘、光盘或软盘。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (13)

1.一种多边形目标的变化检测方法，其特征在于，包括：

在所述目标的图上坐标下，基于所述目标的GIS数据构建所述目标的边界缓冲区和整体缓冲区；

提取所述边界缓冲区的像素点集以及所述整体缓冲区中非边界的像素点集；

基于所提取的像素点集从所述目标的梯度图像中提取所述边界缓冲区中的边界点梯度集合以及所述整体缓冲区中的非边界点梯度集合；

基于所提取的梯度集合，利用z值检验法计算所述目标的边界显著性值；以及

如果所计算的边界显著性值小于设定的边界显著性阈值，则判断所述目标为发生变化的目标。

2.如权利要求1所述多边形目标的变化检测方法，其特征在于，所述基于所述目标的GIS数据构建所述目标的边界缓冲区和整体缓冲区之前，还包括：将所述目标的GIS数据的经纬度坐标按照大地坐标系转换为地理坐标，再将所述地理坐标按照投影坐标系转换为图上坐标；以及

读取所述目标的遥感影像，并采用sobel算子、Roberts算子或拉普拉斯算子将所述遥感影像进行处理得到梯度图像。

3.如权利要求2所述多边形目标的变化检测方法，其特征在于，所述基于所述目标的GIS数据构建所述目标的边界缓冲区和整体缓冲区包括：

基于所述GIS数据中目标的边界，以1个像素的宽度为半径建立边界缓冲区；以及

基于所述GIS数据中目标的面积确定半径，构建整体缓冲区，所述半径为所述面积的十分之一。

4.如权利要求3所述多边形目标的变化检测方法，其特征在于，所述提取所述边界缓冲区中边界的像素点集以及所述整体缓冲区中非边界的像素点集包括：

基于式(2)提取所述边界缓冲区中边界的像素点集：

PC1＝{(x,y)|(x,y)∈buff1}(2)

其中，buff1为所述边界缓冲区；

基于式(3)提取所述整体缓冲区中非边界的像素点集：

$\mathrm{PC}2=\left\{(x,y)\right|(x,y)\&Element;\mathrm{buff}2\&cap;(x,y)\&NotElement;\mathrm{buff}1\}---\left(3\right)$

其中，buff2为所述整体缓冲区。

5.如权利要求4所述多边形目标的变化检测方法，其特征在于，所述基于所提取的像素点集从所述目标的梯度图像中提取所述边界缓冲区中的边界点梯度集合以及所述整体缓冲区中的非边界点梯度集合包括：

基于所提取的像素点集PC1以及式(4)，从所述目标的梯度图像中提取所述边界缓冲区中的边界点梯度集合：

GC1＝{g(x,y)|(x,y)∈PC1}(4)

基于所提取的像素点集PC2以及式(5)，从所述目标的梯度图像中提取所述整体缓冲区中的非边界点梯度集合：

GC2＝{g(x,y)|(x,y)∈PC2}(5)

其中，g(x,y)为点(x,y)的图像梯度。

6.如权利要求5所述多边形目标的变化检测方法，其特征在于，基于所提取的梯度集合，所述利用z值检验法计算所述目标的边界显著性值包括：

基于式(6)计算所述目标的边界显著性值：

$Z=\frac{\mathrm{\&mu;}1-\mathrm{\&mu;}2}{\sqrt{S1/n1+S2/n2}}---\left(6\right)$

其中，Z表示所述目标的边界显著性值，n1表示所述边界缓冲区中的边界点梯度集合GC1的元素个数，n2表示所述整体缓冲区中的非边界点梯度集合GC2的元素个数，μ1表示所述边界缓冲区中的边界点梯度集合GC1的均值，μ2表示所述整体缓冲区中的非边界点梯度集合GC2的均值，S1表示所述边界缓冲区中的边界点梯度集合GC1的标准差，S2表示所述整体缓冲区中的非边界点梯度集合GC2的标准差；

基于式(7)对所述目标进行平移：

(x',y')＝(x+i,y+i)(7)

其中，(x',y')表示(x,y)平移之后的坐标，i表示平移量，

计算所述目标平移后的边界显著性值，在一定范围内逐像素点平移所述目标，并分别计算每次平移后的目标的边界显著性值，得到所述一定范围内的边界显著性值的集合，并取所述边界显著性值的集合中的最大值作为用于与所述边界显著性阈值进行比较的最终边界显著性值，其中所述一定范围根据所述目标的偏移程度来确定。

7.如权利要求6所述多边形目标的变化检测方法，其特征在于，所述边界显著性阈值基于图像质量及目标清晰程度来设定。

8.一种多边形目标的变化检测装置，其特征在于，包括：

缓冲区构建模块，用于在所述目标的图上坐标下，基于所述目标的GIS数据构建所述目标的边界缓冲区和整体缓冲区；

像素点集提取模块，用于提取所述边界缓冲区的像素点集以及所述整体缓冲区中非边界的像素点集；

梯度集合提取模块，用于基于所提取的像素点集从所述目标的梯度图像中提取所述边界缓冲区中的边界点梯度集合以及所述整体缓冲区中的非边界点梯度集合；

计算模块，用于基于所提取的梯度集合，利用z值检验法计算所述目标的边界显著性值；以及

判断模块，用于如果所计算的边界显著性值小于设定阈值，则判断所述目标为发生变化的目标。

9.如权利要求8所述多边形目标的变化检测装置，其特征在于，还包括：坐标转换模块，用于将所述目标的GIS数据的经纬度坐标按照大地坐标系转换为地理坐标，再将所述地理坐标按照投影坐标系转换为图上坐标；以及

图像处理模块，用于读取所述目标的遥感影像，并采用sobel算子、Roberts算子或拉普拉斯算子将所述遥感影像进行处理得到梯度图像。

10.如权利要求9所述多边形目标的变化检测装置，其特征在于，所述缓冲区构建模块具体用于基于所述GIS数据中目标的边界，以1个像素的宽度为半径建立边界缓冲区；以及

基于所述GIS数据中目标的面积确定半径，构建整体缓冲区，所述半径为所述面积的十分之一。

11.如权利要求10所述多边形目标的变化检测装置，其特征在于，所述像素点集提取模块具体用于基于式(2)提取所述边界缓冲区中边界的像素点集：

PC1＝{(x,y)|(x,y)∈buff1}(2)

其中，buff1为所述边界缓冲区；

基于式(3)提取所述整体缓冲区中非边界的像素点集：

$\mathrm{PC}2=\left\{(x,y)\right|(x,y)\&Element;\mathrm{buff}2\&cap;(x,y)\&NotElement;\mathrm{buff}1\}---\left(3\right)$

其中，buff2为所述整体缓冲区。

12.如权利要求11所述多边形目标的变化检测装置，其特征在于，所述梯度集合提取模块具体用于基于所提取的像素点集PC1以及式(4)，从所述目标的梯度图像中提取所述边界缓冲区中的边界点梯度集合：

GC1＝{g(x,y)|(x,y)∈PC1}(4)

基于所提取的像素点集PC2以及式(5)，从所述目标的梯度图像中提取所述整体缓冲区中的非边界点梯度集合：

GC2＝{g(x,y)|(x,y)∈PC2}(5)

其中，g(x,y)为点(x,y)的图像梯度。

13.如权利要求12所述多边形目标的变化检测装置，其特征在于，所述计算模块包括：

边界显著性计算单元，用于基于式(6)计算所述目标的边界显著性值：

$Z=\frac{\mathrm{\&mu;}1-\mathrm{\&mu;}2}{\sqrt{S1/n1+S2/n2}}---\left(6\right)$

其中，Z表示所述目标的边界显著性值，n1表示所述边界缓冲区中的边界点梯度集合GC1的元素个数，n2表示所述整体缓冲区中的非边界点梯度集合GC2的元素个数，μ1表示所述边界缓冲区中的边界点梯度集合GC1的均值，μ2表示所述整体缓冲区中的边界点梯度集合GC2的均值，S1表示所述边界缓冲区中的边界点梯度集合GC1的标准差，S2表示所述整体缓冲区中的边界点梯度集合GC2的标准差；

平移单元，用于基于式(7)对所述目标进行平移：

(x',y')＝(x+i,y+i)(7)

其中，(x',y')表示(x,y)平移之后的坐标，(i,j)表示平移矢量；

计算单元，用于计算所述目标平移后的边界显著性值，在一定范围内逐像素点平移所述目标，并分别计算每次平移后的目标的边界显著性值，得到所述范围内的边界显著性值的集合，并取所述边界显著性值的集合中的最大值作为用于与所述边界显著性阈值进行比较的最终边界显著性值，其中所述一定范围根据所述目标的偏移程度来确定，所述边界显著性阈值基于图像质量及目标清晰程度来设定。