CN108876760A - 一种基于历史解译知识的遥感影像变化检测方法 - Google Patents
一种基于历史解译知识的遥感影像变化检测方法 Download PDFInfo
- Publication number
- CN108876760A CN108876760A CN201711493854.8A CN201711493854A CN108876760A CN 108876760 A CN108876760 A CN 108876760A CN 201711493854 A CN201711493854 A CN 201711493854A CN 108876760 A CN108876760 A CN 108876760A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- history
- knowledge
- evidence
- sensing image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公布了一种基于历史解译知识的遥感影像变化检测方法,本发明方法的前提是获取研究区的历史解译专题图,将其地物空间分布信息作为先验知识指导后续的对象级变化检测。本发明在各期遥感数据上提取空间前后期一致的对象对,同时利用历史解译知识作为辅助,通过DS证据融合手段,最终实现不同时期遥感数据间的变化检测。相比于已有的变化检测方法,本方法具有更高的识别精度和稳健性。
Description
技术领域
本发明面向高分辨率遥感影像,提出了一种基于历史解译知识的变化检测方法,该方法利用历史解译知识自适应地获取证据理论中的证据信任度参数,进而可对DS证据理论中的多个特征源进行差异化融合,实现了高精度的对象级变化检测。
背景技术
变化检测是遥感领域的一个重要应用。在灾害监测、城市扩张以及土地演化探测等方面,通过基于遥感的变化检测手段可极大地减少了人力、物力和时间成本。目前对遥感影像进行解译的方式已经由人工目视解译转变为计算机解译,面对具有较高分辨率的遥感影像,主要有“像元级”和“对象级”两种方式。前者是以像元为单位,通过逐一比较和分析像元特征达到变化检测的目的,这类方法易受影像噪声的影响,特别是在高分辨率影像分析中,“椒盐”噪声现象较为明显;后者则是在分割得到对象后,结合对象的特征进行变化检测,其优点是对象相对于单个像元往往有更为丰富的特征信息,便于提高变化检测精度,更适合于高分辨率影像中细致变化信息的提取。高分辨率遥感影像具有更加复杂的空间特征和光谱特征,因此对象级的变化检测应是高分时代的主流研究趋势,但是目前针对高分辨率影像的变化检测算法仍普遍缺乏较好的适用性。为此需要寻求一种有效的方法有效地组合高分辨率遥感影像的多源特征才能更加准确地进行变化检测。相关文献:
1.Chen G, Hay G J, Carvalho L M T, et al. Object- based change detection
[J]. International Journal of Remote Sensing, 2012,33(14):4434-4457.
2.劳小敏.基于对象的高分辨率遥感影像土地利用变化检测技术研究[D].杭州:浙江
大学,2013. [Lao X M. The research of object- based high resolution remote
sensing land use change detection[D]. Hangzhou: Zhejiang University, 2013. ]
3.李雪,舒宁,李亮,等.基于GIS辅助数据的样本像斑变化检测方法研究[J].计算机工
程与应用,2010,46(14):215-217. [ Li X, Shu N, Li L, et al. Research of change
detection using GIS auxiliary data and samples[J]. Computer Engineering and
Applications, 2010,46(14):215-217. ]
4.王琰.基于像斑统计分析的高分辨率遥感影像土地利用/覆盖变化检测方法研究
[D]. 武汉: 武汉大学,2012。[Wang Y. The research of land use/cover change
detection using high resolution remote sensing images based on image segments
statistical analysis[D]. Wuhan: Wuhan University, 2012. ]
为了有效利用高分辨率遥感影像呈现出的图谱特征,本发明提出了一种基于历史解译知识的遥感影像变化检测方法,本方法在前后两期高分辨率遥感影像的对象级变化检测过程中引入了先验知识的指导,将历史存档的已有解译图融入当前的变化检测流程中,旨在有效地组合遥感图谱特征,以期探索具有更高普适性和识别精度的变化信息提取方法。
发明内容
本发明的方法主要是面向同一地区不同时间点拍摄的两期遥感影像间进行变化检测,前提是进行变化检测的各期遥感影像进行了精确的几何校正和辐射校正,并且能够相互配准,最好的数据源为来自于同一传感器的影像。
本发明的主要思想是通过对获取的两期遥感影像组合后进行多尺度分割,得到空间位置一致的影像对象对后,依据影像光谱计算对象的“图特征”、“谱特征”以及两时相对象间的特征相似度,进而以历史解译图为辅助构建DS证据理论的BPA(基本概率分配),进行证据合成并判定时相区间区域是否变化;最后,对于证据合成结果进行二值化判定每个空间对象所在区域是否发生了变化。其具体步骤如下:
1)对研究区域的当前期遥感影像与历史先期遥感影像进行波段合成,并对波段叠加后的组合影像进行均值漂移的多尺度分割,获取各对象边界;
2)利用步骤1)的分割边界矢量与各期遥感影像进行空间叠加,在前后两期影像上分别获取空间位置一致的地物分割对象,进而提取地物对象的“图特征”与“谱特征”。其中“图特征”涉及对象的空间结构、几何形态方面内容,是指遥感信息在地物位置、形态、结构、空间分布等属性上的表征,具有明显的区域分异性,适合结构化组织;“图特征”更倾向离散化表示,常以简洁、抽象的符号形象直观地表示地理信息,主要使用GIS空间结构图,反映地物的对象化、立体性、尺度空间以及拓扑关系。“谱特征”包含对象的光谱、时间方面内容,是指遥感信息在地物光谱、时间、功能等属性上的表征,具有明显的区域相关性,适合序列化表达;“谱特征”更倾向连续化表示,常以序列、动态的体系定量系统地表示地理信息,主要是使用遥感时序演化谱,反映地物的量化指标、时间序列以及多粒度特性。
3)以步骤2)计算的“图特征”和“谱特征”为指示变化的证据源,引入历史解译的地物空间分布知识作为辅助信息,构建基于DS证据理论的基本概率分配;
4)基于证据理论计算各对象在前后时相间的相似度,构建对象差异性专题层,实现前后时相对象不同类特征相似度证据的自适应差异融合,即自适应地依据历史解译的空间分布知识计算不同地类特征相似度差异的融合证据信任度;
5)依据高斯混合模型对步骤4)证据融合结果进行二值化,目的是更稳健地获取变化区域。
上述步骤特征在于:
步骤1)通过均值漂移对组合影像进行多尺度分割,目的是对象像斑级别的变化检测基本单元;
步骤2)通过计算视觉、空间、模型、环境等多种类型的特征,进一步提取对象的图谱特征;
步骤3)引入历史解译知识,依据不同地物对象中“图特征”和“谱特征”的重要性权重差异,分别设置不同的证据信任度,构建证据理论中的基本概率分配;
步骤4)依据计算的对象相似度,在空间上差异化地构建对象相似性专题层,进而实现不同类特征相似度证据的自适应差异融合;
步骤5)依据高斯混合模型理论获取更稳健的二值化结果。
本发明的一种基于历史解译知识的遥感影像变化检测方法,适用于高分辨率影像的对象级变化检测。在本方法中,在各期遥感数据上提取空间前后期一致的对象对,同时利用历史解译知识作为辅助,通过DS证据融合手段,最终实现不同时期遥感数据间的变化检测。相比于已有的变化检测方法,本方法具有更高的识别精度和稳健性。
附图说明
图1基于历史解译知识的遥感影像变化检测方法流程示意图;
图2均值漂移多尺度分割原理示意图,图中红色圆圈为每次进行漂移的计算范围,其半径为r,中心点为An;
图3基于历史解译知识的多尺度分割结果示意图,图中红色为林地;
图4作为历史解译知识的前期土地覆盖分类数据;
图5不同方法的对象级变化检测结果:A为仅使用光谱特征的检测结果图;B为仅使用纹理特征的检测结果图,C为光谱和纹理特征源等信任度融合后的检测结果图,D为光谱和纹理特征源差异融合后的检测结果图。
具体实施方式
图 1示意了本发明的主要实现思路。其中关键的技术是:1)对组合影像的均值漂移分割;2)历史解译知识指导下基于DS证据理论的对象相似度计算;3)基于高斯混合模型的变化区域提取。
图2示意了均值漂移分割原理。均值漂移基本思想是通过随机设定多个初始中心,并依据这些点设立一定的半径,计算半径内的向量和;进一步以向量指向的位置为新的中心,不断迭代,直到满足一定的条件,即为聚类中心。具体如下:
1)随机选取1个点A1作为起始分割的起点,并设定半径r;
2)以设定的点为中心点,计算半径r内所有元素的向量和,得到‖shift1‖;
3)新的起始点的A’1位置为A1+shift1,即A1沿着shift1方向移动‖shift1‖距离;
4)迭代过程3),直到A1’收敛;
5)重复步骤1)至步骤4),直到整幅影像均被遍历并且各中心点收敛;
6)设定阈值,如果小于设定的阈值,则进行中心合并;
7)依据获取的中心点遍历过程中对每个点的访问频率,划分其余各点,实现影像的分割。
在本次发明中在经典的DS证据理论基础上进行了改进,改进的内容主要是依据历史解译信息和对象不同的光谱和纹理特征相似度设置不同的证据信任度α s (S代表纹理)和α T (T代表光谱)具体实现过程如下:
1)依据纹理特征或者光谱特征占优情况,分别赋予α s 和α T 不同大小的值;
2)针对每一组待检测对象,依据历史解译知识选取优势地类标签;
3)依据优势类标签i计算得到相应的证据信任度α S,i 与α T,i ,以此进行这组对象光谱特征相似度与纹理特征相似度的DS证据融合,计算得到这组对象的相似度度量,从而对每一组对象实施上述操作,形成表征对象相似性的专题层,实现不同类特征相似度证据的自适应差异融合。其中,DS证据理论构建BPA如下:
mS({Y}) =[1-Sim(S t1 ,S t2 )]×αS, mS({N}) =Sim(S t1 ,S t2 )×αS
mS({Y,N}) = 1–αS
mT({Y}) =[1-Sim(T t1 ,T t2 )]×αT, mT({N}) =Sim(T t1 ,T t2 )×αT
mT({Y,N}) = 1-αT
应用本发明的方法,在浙江省诸暨市进行了基于ALOS两期影像的变化检测实验,实验所用数据的空间分辨率为10m,拥有蓝、绿、红和近红外4个波段。对组合影像进行了多尺度分割,分割结果如图3,另外在本实验区获取的前期历史解译数据共分为4类分别为耕地、林地、水域和建设用地,示意如图4。最后通过DS证据理论基础上的差异性融合以及高斯混合模型进行计算,两期影像变化检测结果如图5所示。在进行差异性融合过程中,耕地的光谱特征相似度-证据信任度为0.8,纹理特征相似度-证据信任度为0.2,其分割尺度为100;林地的光谱特征相似度-证据信任度为0.3,纹理特征相似度-证据信任度为0.7,其分割尺度为500;水域的光谱特征相似度-证据信任度为0.8,纹理特征相似度-证据信任度为0.2,其分割尺度为50;建设用地的光谱特征相似度-证据信任度为0.3,纹理特征相似度-证据信任度为0.7,其分割尺度为20。
另外,图5示意了本方法与传统的对象级变化检测精度的差异,具体的定量精度对
比如下表所示:
使用特征 | 虚警率(%) | 漏警率(%) | 正确率(%) |
仅光谱特征 | 47.65 | 12.28 | 69.23 |
仅纹理特征 | 41.99 | 13.43 | 73.62 |
光谱特征+纹理特征+等信任度融合 | 40.14 | 13.29 | 74.73 |
光谱特征+纹理特征+差异融合 | 39.06 | 12.57 | 75.45 |
经过本实验的验证,本发明的方法能够充分利用历史解译知识指导高分辨率影像对象进行特征相似度的差异化融合,一定程度上可以提高对象级变化检测的正确率。
Claims (4)
1.本发明公布了一种基于历史解译知识的遥感影像变化检测方法,其特征如下:
1)对研究区域的当前期遥感影像与历史先期遥感影像进行波段合成,并对波段叠加后的组合影像进行均值漂移的多尺度分割,获取各对象边界;
2)利用步骤1)的分割边界矢量与各期遥感影像进行空间叠加,在前后两期影像上分别获取空间位置一致的地物分割对象,进而提取地物对象的“图特征”与“谱特征”;
其中“图特征”涉及对象的空间结构、几何形态方面内容,是指遥感信息在地物位置、形态、结构、空间分布等属性上的表征,具有明显的区域分异性,适合结构化组织;“图特征”更倾向离散化表示,常以简洁、抽象的符号形象直观地表示地理信息,主要使用GIS空间结构图,反映地物的对象化、立体性、尺度空间以及拓扑关系;“谱特征”包含对象的光谱、时间方面内容,是指遥感信息在地物光谱、时间、功能等属性上的表征,具有明显的区域相关性,适合序列化表达;“谱特征”更倾向连续化表示,常以序列、动态的体系定量系统地表示地理信息,主要是使用遥感时序演化谱,反映地物的量化指标、时间序列以及多粒度特性;
3)以步骤2)计算的“图特征”和“谱特征”为指示变化的证据源,引入历史解译的地物空间分布知识作为辅助信息,构建基于DS证据理论的基本概率分配;
4)基于证据理论计算各对象在前后时相间的相似度,构建对象差异性专题层,实现前后时相对象不同类特征相似度证据的自适应差异融合,即自适应地依据历史解译的空间分布知识计算不同地类特征相似度差异的融合证据信任度;
5)依据高斯混合模型对步骤4)证据融合结果进行二值化,目的是更稳健地获取变化区域。
2.根据权利要求1所述的一种基于历史解译知识的遥感影像变化检测方法,其特征是采取了均值漂移方法进行多尺度分割,目的是获取地物对象边界信息。
3. 根据权利要求1所述的一种基于历史解译知识的遥感影像变化检测方法,其特征是在计算对象相似度过程中,引入历史解译知识,通过历史解译知识反应的不同地物的空间位置和类别属性信息,对不同类型对象的光谱和纹理特征相似度进行 DS证据差异融合,即通过对不同类所在区域对象设置不同的证据信任度。
4.根据权利要求1所述的一种基于历史解译知识的遥感影像变化检测方法,其特征是利用历史解译的地物空间分布知识指导对象级变化检测中的相似度度量构建,证据理论的引入为这一实现提供了天然的设计场景;同时也在对相似度结果进行二值化过程中采用高斯混合模型进行变化与非变化的二类区分,目的是针对高空间分辨率影像获取更加稳健的变化检测信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711493854.8A CN108876760A (zh) | 2017-12-31 | 2017-12-31 | 一种基于历史解译知识的遥感影像变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711493854.8A CN108876760A (zh) | 2017-12-31 | 2017-12-31 | 一种基于历史解译知识的遥感影像变化检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108876760A true CN108876760A (zh) | 2018-11-23 |
Family
ID=64325825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711493854.8A Pending CN108876760A (zh) | 2017-12-31 | 2017-12-31 | 一种基于历史解译知识的遥感影像变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108876760A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109785318A (zh) * | 2019-01-25 | 2019-05-21 | 南京泛在地理信息产业研究院有限公司 | 基于面线基元关联约束的遥感图像变化检测方法 |
CN113762070A (zh) * | 2021-07-26 | 2021-12-07 | 中国测绘科学研究院 | 用于深度学习的地表覆盖分类样本采集方法 |
CN114119575A (zh) * | 2021-11-30 | 2022-03-01 | 二十一世纪空间技术应用股份有限公司 | 一种空间信息变化检测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101126812A (zh) * | 2007-09-27 | 2008-02-20 | 武汉大学 | 高分辨率遥感影像的分割和分类及变化检测一体化方法 |
CN101661497A (zh) * | 2009-09-10 | 2010-03-03 | 北京农业信息技术研究中心 | 遥感土地利用变化检测方法及系统 |
CN101937079A (zh) * | 2010-06-29 | 2011-01-05 | 中国农业大学 | 基于区域相似度的遥感影像变化检测方法 |
CN105608473A (zh) * | 2015-12-31 | 2016-05-25 | 中国资源卫星应用中心 | 一种基于高分辨率卫星影像的高精度土地覆盖分类方法 |
-
2017
- 2017-12-31 CN CN201711493854.8A patent/CN108876760A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101126812A (zh) * | 2007-09-27 | 2008-02-20 | 武汉大学 | 高分辨率遥感影像的分割和分类及变化检测一体化方法 |
CN101661497A (zh) * | 2009-09-10 | 2010-03-03 | 北京农业信息技术研究中心 | 遥感土地利用变化检测方法及系统 |
CN101937079A (zh) * | 2010-06-29 | 2011-01-05 | 中国农业大学 | 基于区域相似度的遥感影像变化检测方法 |
CN105608473A (zh) * | 2015-12-31 | 2016-05-25 | 中国资源卫星应用中心 | 一种基于高分辨率卫星影像的高精度土地覆盖分类方法 |
Non-Patent Citations (1)
Title |
---|
吴田军: "历史解译知识引导下组合遥感图谱特征的变化检测方法", 《地球信息科学学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109785318A (zh) * | 2019-01-25 | 2019-05-21 | 南京泛在地理信息产业研究院有限公司 | 基于面线基元关联约束的遥感图像变化检测方法 |
CN109785318B (zh) * | 2019-01-25 | 2020-09-22 | 南京泛在地理信息产业研究院有限公司 | 基于面线基元关联约束的遥感图像变化检测方法 |
CN113762070A (zh) * | 2021-07-26 | 2021-12-07 | 中国测绘科学研究院 | 用于深度学习的地表覆盖分类样本采集方法 |
CN114119575A (zh) * | 2021-11-30 | 2022-03-01 | 二十一世纪空间技术应用股份有限公司 | 一种空间信息变化检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Torrione et al. | Histograms of oriented gradients for landmine detection in ground-penetrating radar data | |
Eisank et al. | Assessment of multiresolution segmentation for delimiting drumlins in digital elevation models | |
Samal et al. | Monitoring land use changes associated with urbanization: An object based image analysis approach | |
Hou et al. | Deep learning-based subsurface target detection from GPR scans | |
CN105225227B (zh) | 遥感影像变化检测的方法及系统 | |
CN104899562B (zh) | 基于纹理分割融合的雷达遥感影像人工建筑识别算法 | |
CN108053408B (zh) | 一种基于遥感卫星影像的高自动化土地利用更新方法 | |
Zhang et al. | Toward evaluating multiscale segmentations of high spatial resolution remote sensing images | |
CN105005761B (zh) | 一种结合显著性分析的全色高分辨率遥感图像道路检测方法 | |
Shahi et al. | Road condition assessment by OBIA and feature selection techniques using very high-resolution WorldView-2 imagery | |
Kouros et al. | 3d underground mapping with a mobile robot and a gpr antenna | |
CN108876760A (zh) | 一种基于历史解译知识的遥感影像变化检测方法 | |
CN104282026A (zh) | 基于分水岭算法和最小生成树的分布均匀性评估方法 | |
Eichkitz et al. | Mapping directional variations in seismic character using gray-level co-occurrence matrix-based attributes | |
Zahs et al. | Correspondence-driven plane-based M3C2 for lower uncertainty in 3D topographic change quantification | |
Karantanellis et al. | 3D hazard analysis and object-based characterization of landslide motion mechanism using UAV imagery | |
Uzar | Automatic building extraction with multi-sensor data using rule-based classification | |
CN109829426A (zh) | 基于高分遥感影像的铁路建设临时建筑监测方法及系统 | |
Dell’Acqua et al. | Rapid mapping of high resolution SAR scenes | |
US11754704B2 (en) | Synthetic-aperture-radar image processing device and image processing method | |
CN111551956A (zh) | 基于机载激光雷达的一种地质灾害探测识别方法 | |
Singh et al. | A hybrid approach for information extraction from high resolution satellite imagery | |
CN113240735B (zh) | 一种边坡位移活动性监测方法 | |
Michałowska et al. | Tree position estimation from TLS data using hough transform and robust least-squares circle fitting | |
Wang et al. | A knowledge-based method for road damage detection using high-resolution remote sensing image |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181123 |
|
RJ01 | Rejection of invention patent application after publication |