CN109523516A - 一种基于双重约束条件的对象级土地覆盖变化检测方法 - Google Patents
一种基于双重约束条件的对象级土地覆盖变化检测方法 Download PDFInfo
- Publication number
- CN109523516A CN109523516A CN201811226866.9A CN201811226866A CN109523516A CN 109523516 A CN109523516 A CN 109523516A CN 201811226866 A CN201811226866 A CN 201811226866A CN 109523516 A CN109523516 A CN 109523516A
- Authority
- CN
- China
- Prior art keywords
- change
- feature
- remote sensing
- value
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Abstract
本发明公开了一种基于双重约束条件的对象级土地覆盖变化检测方法,步骤是:A、图像预处理:对遥感影像进行几何校正、正射校正、图像配准;B、图像分割:采用多尺度分割方法将影像分割为高度同质性的斑块对象;C、特征优选:利用显著性检验方法来检验类别间波段特征的差异,选取有显著性差异的特征;D、变化强度计算:采用欧氏距离计算对象的变化强度;E、相关系数计算:计算两幅影像对应对象之间的光谱相关系数;F、变化阈值确定:选取令Kappa系数最大的变化强度值和相关系数值为变化阈值;G、输出土地覆盖变化检测结果:利用变化阈值获得土地覆盖变化检测结果。方法易行,操作方便,提高了计算效率,得到了更为准确的变化检测结果。
Description
技术领域
本发明涉及遥感影像处理技术领域,更具体涉及一种基于双重约束条件的对象级土地覆盖变化检测方法,特别适用于分辨率5m-30m的多光谱光学遥感影像。
背景技术
近年来,由于城市人口快速增加以及城市区域的加速扩张,使得植被覆盖面积减少、地表径流增加等一系列生态环境问题日益凸显。土地覆盖变化作为生态环境变化监测的核心内容,已经成为环境科学、生态学等领域研究的热点问题。遥感技术具有宏观、综合、动态、快速的特点,是土地覆盖变化检测的最经济有效的手段。
目前,国内外有多种利用遥感数据进行土地覆盖变化检测的方法,例如Yuan等人利用多时相Landsat TM影像采用影像差值法探测土地覆盖变化,并利用主成分分析法辨识变化信息;Johnson等基于TM多光谱影像,采用变化向量分析法进行土地覆盖变化检测。周斌和杨柏林利用多时相数据的波段组合采用比值法对贵州安顺市的土地利用进行研究,黎夏和叶嘉安利用主成分分析对珠江三角洲东莞市进行土地利用变化检测,但大多数是基于像元级的土地覆盖检测方法,无法利用影像的空间特征,并且容易产生严重的“椒盐现象”。随着遥感影像分辨率的不断提高,单个目标对象所包含的信息表达越来越清晰,Im等人首先将面向对象思想引入到遥感影像土地覆盖分类与变化检测领域。Lobo等人比较了面向对象的方法与基于像元的传统方法,发现基于面向对象得到的结果更容易被解释并且图斑的完整性更好。然而由于面向对象分割生成的对象具有光谱、空间等多维特征,随着波段数的增加使得特征数量太多,由此增加了计算的负担,即随着特征维数的增加,分类精度上升到一定程度后会开始下降。另外,在确定最佳变化阈值方面,如Quarmby利用差值法检测城市土地利用变化、范海生等人利用差值法对攀枝花地区进行的土地利用变化检测,黎夏等人利用主成分分析对珠江三角洲东莞市进行的土地变化检测,这些方法在确定变化阈值上,多是对单一的变化阈值采用经验判定,缺乏准确有效地变化阈值判定方法。
发明内容
本发明的目的是在于提供了一种基于双重约束条件的对象级土地覆盖变化检测方法,方法易行,操作方便。采用多尺度分割方法对遥感影像进行分割,得到与实际边界相吻合并且高度同质性的斑块对象,能够有效地利用遥感影像的空间特征,同时提高计算效率,得到更为准确的变化检测结果,提高土地覆盖变化检测精度,减少由于同物异谱现象产生的变化检测误差。
为了实现上述的目的,本发明采取以下技术方案:
本发明的构思为:首先,利用多尺度分割遥感影像获得高均质的对象,并利用监督分类对遥感影像中地物进行大致分类(包括植被,裸地,建筑用地和水体)。其次,根据多尺度分割的结果,选择并计算了斑块对象的光谱特征、形状特征和纹理特征。接下来,通过显著性差异检验方法实现特征优选,计算出所有类别之间的特征差异,并选择具有更显著差异的特征作为最优特征。第四,通过变化矢量分析计算两幅影像中对应的对象的变化强度,同时计算两幅影像中对应的对象间的相关系数。第五,以最大Kappa系数值作为确定最佳变化强度和最佳相关系数阈值的标准实现变化阈值确定,通过影像对象变化强度和相关系数与变化阈值的比较从而获得土地覆盖变化检测结果。最后,选择总体精度、Kappa系数和总误差作为精度评估指标。
针对以上问题,本发明提出了一种基于双重约束条件的对象级土地覆盖变化检测方法,目的是提供一种针对5m-30m分辨率的遥感影像上的土地覆盖进行变化检测的方法,即通过显著性差异检验方法选择差异性较为明显的特征为最优特征;采用变化强度与相关系数双重约束进行判断。相对于单约束方法,双重约束方法更为可靠,可以较好地改善变化检测结果的精度。
一种基于双重约束条件的对象级土地覆盖变化检测方法,其步骤是:
A、影像预处理:对输入的前时相遥感影像和后时相遥感影像进行几何校正、正射校正、图像配准;
B、影像分割:综合考虑遥感影像的光谱特征和空间特征,采用多尺度分割方法将经过步骤(A)图像预处理的前时相遥感影像和后时相遥感影像同时分割为与实际边缘吻合且高度同质性的斑块对象,并保证两个时相遥感影像分割后斑块对象的一致性;所述的步骤B(影像分割)中多尺度分割是综合考虑遥感影像的光谱特征和空间特征,采用自下而上的迭代合并算法将影像分割为高度同质性的斑块对象。
C、特征优选:利用统计学中显著性检验方法来检验经过步骤(B)图像分割后的遥感影像斑块对象的每个波段的特征之间差异的显著性,从而实现特征的优选,即特征的差异性越大,说明该波段特征明显,则选取该波段特征为最优特征;对所有特征进行优选得到最优特征组合。
所述的步骤C中,显著性检验是用于检验实验处理组与对照组或两种不同处理的效应之间是否有差异,以及这种差异是否显著的方法。利用显著性检验方法来检验每个波段的类别特征之间差异的显著性,从而实现特征的优选,即特征的差异性越大,说明该波段特征明显,则选取该波段特征为最优特征。本发明采用方差分析进行显著性检验,公式如下:
F=MSb/MSw (1)
其中:
MSb=SSb/Vb (2)
MSw=SSw/Vw (3)
SS=∑i∑jXij 2-(∑i∑jXij)2/N (5)
SSw=SS-SSb (6)
Vb=k-1 (7)
Vw=N-k (8)
式中F为方差分析计算得到的统计量,MSb为组间均方,MSw为组内均方,SSb为组间误差,SSw为组内误差,SS为总误差,Xij为第i组的第j个样本的值,N为样本总个数,b为每组样本的个数,Vb为组间的自由度,Vw为组内的自由度,k为样本组数。
F分布记为F~F(vb,vw),根据F界值表可查出临界值Fα(vb,vw),α一般取值为0.05或0.01。通过比较方差分析得到的F统计量值与临界值Fα(vb,vw)的大小,得出是否显著。当F<F0.05(vb,vw)时,判断为不显著;当F≥F0.05(vb,vw)时,判断为显著;当F≥F0.01(vb,vw)时,判断为极其显著。
D、变化强度计算:基于步骤(C)特征优选的结果,采用一维向量的方式分别表达步骤(B)图像分割后的前时相遥感影像和后时相遥感影像每个对象的最优特征组合,然后采用变化矢量表示前时相遥感影像和后时相遥感影像中相对应对象的变化,并采用欧氏距离计算每个对象的变化强度;
E、相关系数计算:在步骤(B)图像分割基础上,计算前时相遥感影像和后时相遥感影像中对应对象之间的光谱相关系数;
F、最佳变化阈值确定:从完成步骤(D)变化强度计算和步骤(E)相关系数计算的所有对象中选取一定数量的训练样本,以Kappa系数为判断最佳变化阈值的标准,选取令Kappa系数最大的变化强度值和相关系数值分别作为最佳变化强度阈值和相关系数阈值。
G、土地覆盖变化区域确定:根据步骤(F)变化阈值确定的结果,对于完成步骤(D)变化强度计算和步骤(E)相关系数计算的所有对象,将变化强度值大于变化强度阈值且相关系数值小于相关系数阈值的对象确定为土地覆盖变化区域,否则,则为土地覆盖未变化区域。
H、在变化强度计算中,变化矢量计算公式如下:
设t1、t2时相的遥感影像某个对象的特征矢量分别表示和其中n为提取出来的特征数,其中表示对象i在t时相的第k个特征经线性函数归一化处理后的值。
线性函数将原始数据用线性化的方法转换到[0,1]的范围。在数据不符合正态分布的情况下,该方法所得到的结果更为合理。
线性函数归一化计算公式如下:
Xsta表示归一化后的特征值,X为原始特征值,Xmin为所属特征中数值最小的特征值,Xmax为所属特征中数值最大的特征值。
变化矢量用公式可以表示为:
ΔG包含了两期影像之间某个给定对象的所有变化信息。
采用欧氏距离计算变化强度:
||ΔG||表征了两期影像的全部特征差异,||ΔG||越大,该对象发生变化的可能性越大。
在相关系数计算步骤中,相关系数计算公式如下:
其中n为选择的波段数,表示t时相影像中第k波段的第i个的对象内所有像元总和的平均灰度值,表示t时相影像的第i个对象的n个波段的灰度均值。
在最佳变化阈值确定步骤中,计算Kappa系数所用到的变化检测结果的混淆矩阵如下:
表混淆矩阵
依据变化检测混淆矩阵的形式,在确定最佳变化阈值时,本专利kappa系数的计算公式如下:
其中,N为样本总数,Nnn表示检测结果为未变化而实际也未变化的样本个数,Ncc表示检测结果为变化而实际也发生变化的样本个数,Ntc表示检测结果中变化样本的总数,Ntn表示检测结果中未变化样本的总数,Nct表示实际变化样本的总数,Nnt表示实际未变化样本的总数,Ncn表示将变化样本错检成未变化的样本个数,Nnc表示将未变化样本错检成变化的样本个数。
另外,本发明还要求保护所述的变化检测方法的具体应用,将所述影像分割方法应用于遥感影像上的土地覆盖变化检测,特别针对分辨率5m-30m的影像(如高分一号影像)。
本发明针对5m-30m分辨率的遥感影像进行土地覆盖变化检测,采用多尺度分割方法对遥感影像进行分割,得到与实际边界相吻合并且高度同质性的斑块对象,能够有效地利用遥感影像的空间特征;本发明在特征优选过程中,利用显著性差异检验能够有效地减少特征维数,提高计算效率;本发明利用变化强度和相关系数两种约束条件对土地覆盖变化进行检测,得到了更为准确的变化检测结果;本发明以Kappa系数为标准,选择使得Kappa系数最大的变化强度值和相关系数值为最佳变化阈值,得到了更为客观的变化检测结果。与单约束土地覆盖变化检测方法比较,本发明的土地覆盖变化检测方法能有效检测出土地覆盖变化区域,降低漏判和错判误差,提高土地覆盖变化检测总体精度和Kappa系数,减少了由于同物异谱产生的变化检测误差。
本发明通过显著性差异检验实现特征优选,解决了由于特征维数过多导致算法复杂度高的问题,提高了计算效率;通过Kappa系数最大化实现变化阈值自动确定,解决了利用人工经验确定变化阈值导致结果不客观的问题;采用变化强度与相关系数相结合的双约束阈值方法对土地覆盖进行变化检测,减少了在单一阈值土地覆盖变化检测中由于同物异谱导致的变化检测误差。
与现有技术相比,本发明在土地覆盖变化检测的特征优选过程中,结合了统计学中的显著性检验方法,构建了新的特征选择方法,提高了计算效率和客观性;本发明在土地覆盖变化检测中,通过基于变化矢量分析的变化强度和统计学中的相关系数两种约束条件相结合确定土地覆盖变化,形成了一种新的土地覆盖变化检测技术方案。
本发明利用北京市昌平区北七家镇北部地区2016年3月24日和2017年2月23日的8m高分一号遥感影像开展土地覆盖变化检测实验,结果表明:该方法在特征优选方面,特征维数从26维降低到12维,增加了计算效率;能够得到较好的土地覆盖变化检测结果,定量评价结果显示,总体精度达到92.19%,kappa系数为0.8377,总误差为19.39%,相对于现有的单约束变化检测,总体精度提高了10%,总体误差降低了26.38%,kappa系数提高了0.2152,证实了该方法的有效性。
本发明与现有技术相比,具有以下优点和效果:
(1)本发明利用多尺度分割方法对影像分割,有效地避免斑块过于破碎,并获得与实际边界吻合且高均质的斑块;
(2)本发明利用显著性差异检验方法进行特征优选,有效地避免特征维数参数过多降低计算效率的现象,从而提高了计算效率;
(3)本发明中利用变化强度和相关系数两种约束来检测土地覆盖变化,使得变化检测结果更为精确;
(4)本发明中以Kappa系数为标准,选取使得Kappa系数最大的变化强度值和相关系数值为最佳变化阈值,使得变化检测结果更为客观;
(5)本发明采用总体精度、Kappa系数、总误差对变化检测结果进行定量评价,并与单约束变化检测方法的结果进行比较,本发明有效地减少了同一地物由于光谱变化而产生的变化检测误差,提高了总体精度以及Kappa系数,降低了总误差。
附图说明
图1为一种基于双重约束条件的对象级土地覆盖变化检测方法示意图;
图2为一种变化矢量分析法的原理示意图;
图3为一种本实施例的多尺度分割结果图;
通过设置分割尺度设为25、光谱权重和形状权重分别为0.8和0.2、光滑度和紧凑度权重分别为0.3和0.7,从图中可以看出,该尺度设置使得分割结果没有过于破碎,并且能体现出斑块对象间的差异性,与地物的实际边界吻合较好,获得了较为满意的多尺度分割结果。
图4(a)为各地物类别间光谱平均值的显著性差异图;
图4(b)为居民地和裸地间光谱平均值的显著性差异图;
图4(c)为植被和居民地间光谱平均值的显著性差异图;
图4(d)为各地物类别间能量的显著性差异图
查找F界值表得到临界值F0.05(1,9)=5.1174,计算得到的统计量F值越大,表明差异性越显著。图4(a)为各地物类别间光谱平均值的显著性差异图,可以看出,除了居民地和裸地之间、植被和居民地之间,其他类别间在各波段上的光谱平均值的差异性统计量F均大于F0.05(1,9),即差异性显著;图4(b)为居民地和裸地间光谱平均值的显著性差异图,可以看出,居民地和裸地在波段1光谱平均值上的差异性统计量F小于F0.05(1,9),即差异性不显著;图4(c)为植被和居民地间光谱平均值的显著性差异图,可以看出,植被和居民地在波段3和波段4光谱平均值上的差异性统计量F均小于F0.05(1,9),即差异性不显著。综合图4(a)、(b)和(c),可以看出波段2的光谱平均值在所有类别之间的差异性都显著,所以选取波段2的光谱平均值为最优特征。图4(d)为各地物类别间能量的显著性差异图,可以看出,在波段2、波段3和波段4中,居民地和裸地的能量差异性统计量F均小于F0.05(1,9),即差异性不显著,而在波段1中所有类别之间的能量差异性都显著,所以选取波段1的能量为最优特征。
图5为一种本实施例的变化强度图;
越可能发生变化的地块,变化强度值越大,颜色越亮;未发生变化的地块,变化强度值较小,颜色越暗。
图6为一种本实施例的相关系数图;
越可能发生变化的地块,相关系数值越小,颜色越亮;未发生变化的地块,相关系数值较大,颜色越暗。
图7为一种单约束土地覆盖变化检测结果图;
单约束检测对植被的季节变化、建筑物屋顶的光谱变化以及裸地的光谱变化较为敏感,易将其误分成变化区域。
图8为一种本实施例的土地覆盖变化检测结果图;
减少了由于植被的季节变化、建筑物屋顶的光谱变化以及裸地的光谱变化的原因而产生的变化检测误差。
具体实施方式
实施例1:
下面结合附图通过实施例对本发明作进一步的详细说明。
本发明一种基于双重约束条件的对象级土地覆盖变化检测方法流程如图1所示,图1包括9个单元。
一种基于双重约束条件的对象级土地覆盖变化检测方法,其步骤是:
A、前时相遥感影像与后时相遥感影像100:该单元100为选择同一地区不同时间的遥感影像,本实施例中为北京市昌平区2016年和2017年的遥感影像数据。
B、影像预处理101:该单元101为影像预处理,包括对前时相遥感影像和后时相遥感影像的几何校正、正射校正和影像配准。几何校正是通过一系列的数学模型来改正和消除遥感影像成像时因摄影材料变形、物镜畸变、大气折光、地球曲率、地球自转、地形起伏等因素导致的原始图像上各地物的几何位置、形状、尺寸、方位等特征与在参照系统中的表达要求不一致时产生的变形;正射校正是通过在像片上选取一些地面控制点,并利用原来已经获取的该像片范围内的数字高程模型(DEM)数据,对影像同时进行倾斜改正和投影差改正,将影像重采样成正射影像;影像配准是将不同时间、不同传感器(成像设备)或不同条件下(天候、照度、摄像位置和角度等)获取的两幅或多幅图像进行匹配、叠加的过程;
C、多尺度分割102:该单元102为多尺度分割,该方法综合考虑遥感影像的光谱特征和空间特征,并将影像分割为高度同质性的斑块对象,多尺度分割参数设置包括分割尺度、光谱特征权重和形状特征权重(和为1)、紧致度和光滑度(和为1)。并且利用监督分类对遥感影像中的地物进行大致分类。
D、特征优选103:该单元103为特征优选,它包括特征构建与特征优选两个部分。特征构建是选取初始特征,包括光谱特征、形状特征和纹理特征;特征优选是采用显著性差异检验方法检验遥感影像每个波段的类别特征之间差异的显著性,即特征的差异性越大,说明该波段特征明显,则选取该波段特征为最优特征。显著性检验计算公式如下:
F=MSb/MSw (14)
其中:
MSb=SSb/Vb (15)
MSw=SSw/Vw (16)
SS=∑i∑jXij 2-(∑i∑jXij)2/N (18)
SSw=SS-SSb (19)
Vb=k-1 (20)
Vw=N-k (21)
式中F为方差分析计算得到的统计量,MSb为组间均方,MSw为组内均方,SSb为组间误差,SSw为组内误差,SS为总误差,Xij为第i组的第j个样本的值,N为样本总个数,b为每组样本的个数,Vb为组间的自由度,Vw为组内的自由度,k为样本组数。
F分布记为F~F(vb,vw),根据F界值表可查出临界值Fα(vb,vw),ɑ一般取值为0.05或0.01。通过比较方差分析得到的F统计量值与临界值Fα(vb,vw)的大小,得出是否显著。当F<F0.05(vb,vw)时,判断为不显著;当F≥F0.05(vb,vw)时,判断为显著;当F≥F0.01(vb,vw)时,判断为极其显著。
E、变化矢量分析104:单元104为变化矢量分析,变化向量分析法(CVA)主要分析各特征的差异,是一种基于数据辐射变化的研究方法,通过变化强度和变化方向两个特征量来进行变化检测。该方法的基础思想是将两期不同时相的影像中的两个对应斑块对象作为一对对象区域,通过欧式距离来描述这对对象的变化强度。变化强度的大小设定合适的阈值后即可求得变化区域和未变化区域。
变化矢量计算公式如下:
设t1、t2时相的遥感影像某个对象的特征矢量分别表示为和其中n为提取出来的特征数),其中表示对象i在t时相的第k个特征经规范化标准化处理后的值。
变化矢量用公式可以表示为:
ΔG包含了两期影像之间某个给定对象的所有变化信息。
F、变化强度计105:该单元105为变化强度计算,变化强度表征了两期影像的全部灰度差异,变化强度越大,该对象发生变化的可能性越大。检测变化和非变化对象,可以根据变化强度的大小,设定变化阈值来实现。变化强度的计算公式如下:
采用欧氏距离计算变化强度:
G、相关系数计算106:单元106为相关系数计算,相关系数是表征两个随机变量之间的相关程度,本发明利用相关系数来计算两景影像中对应对象的相关程度,相关系数越大,说明对象发生变化的可能性越小,相关系数越小,说明对象发生变化的可能性越大。通过以下公式进行处理:
其中n为选择的波段数,表示t时相影像中第k波段的第i个的对象内所有像元总和的平均灰度值,表示t时相影像的第i个对象的n个波段的灰度均值。
H、变化阈值确定107:该单元107为最佳变化阈值确定,以Kappa系数为标准,在变化强度和相关系数范围内,选取使得Kappa系数最大的变化强度值和相关系数值为最佳变化阈值。
在最佳变化阈值确定步骤中,计算Kappa系数所用到的变化检测结果的混淆矩阵如下:
表混淆矩阵
依据变化检测混淆矩阵的形式,在确定最佳变化阈值时,本专利kappa系数的计算公式如下:
其中,N为样本总数,Nnn表示检测结果为未变化而实际也未变化的样本个数,Ncc表示检测结果为变化而实际也发生变化的样本个数,Ntc表示检测结果中变化样本的总数,Ntn表示检测结果中未变化样本的总数,Nct表示实际变化样本的总数,Nnt表示实际未变化样本的总数,Ncn表示将变化样本错检成未变化的样本个数,Nnc表示将未变化样本错检成变化的样本个数。
J、输出变化检测结果108:该单元108为输出土地覆盖变化检测结果。
下面给出利用2017年2月与2016年3月获取的北京市昌平区北七家镇部分地区高分一号遥感卫星影像进行土地覆盖变化检测的例子,主要步骤如下:
A单元设置分割参数进行多尺度分割,并在多尺度分割结果的基础上利用监督分类对地物进行初始分类,包括水体、植被、建筑物、裸地;
B单元在多尺度分割结果的基础上,预先选取对象的光谱特征,包括平均值、标准差、归一化植被指数(NDVI)、归一化水体指数(NDWI);形状特征中的面积、长宽比、形状指数;纹理特征中的自相关、非相似性和能量;
C单元利用显著性差异检验方法计算对象在不同的地物类别之间各个波段的特征差异值,挑选对象的波段中差异最为显著的特征为最优特征:
D单元通过变化矢量分析方法计算两幅影像中对应对象的变化强度值,并得到变化强度图;
E单元通过相关系数公式计算两幅影像中对应对象的相关系数值,并得到相关系数图。
F单元以Kappa系数为选取最佳变化阈值的标准,选择使得Kappa系数最大的变化强度值与相关系数值作为最佳变化阈值。
G单元利用最佳变化阈值对变化强度图和相关系数图进行变化检测,最终得到土地覆盖变化检测结果图。
本发明的实施例在PC平台上实现,经实验验证,该变化检测结果提高了计算效率,能够得到较理想的结果。
本发明提出的土地覆盖变化检测方法解决了由于可用特征过多导致的计算复杂度高的问题,同时解决了依靠经验判断确定变化阈值导致的结果不客观、准确性低的问题。特别是结合变化强度和相关系数两种约束来检测土地覆盖变化,有效地减少了同一地物由于光谱变化而产生的变化检测误差,使得变化检测结果更为精确。通过对北京市昌平区北七家镇北部地区2016年3月24日和2017年2月23日的8m高分一号遥感影像的土地覆盖变化检测实验,得到结论如下:
(1)该方法可以获得更客观的变化阈值,实现更高精度的土地覆盖变化检测。与现有的单约束变化检测结果相比,该方法的总体准确率达到92.19%,比现有的单约束变化检测结果高10%;该方法的整体误差为20%,比现有的单约束变化检测结果低26.38%。
(2)该方法可以减少特征维度并提高计算效率。在特征优选中,特征维度从26维减小到12维,从而提高了计算速度。
Claims (4)
1.一种基于双重约束条件的对象级土地覆盖变化检测方法,其特征在于,包括以下步骤:
A、图像预处理:对输入的前时相遥感影像和后时相遥感影像进行几何校正、正射校正、图像配准;
B、图像分割:采用多尺度分割方法,综合考虑遥感影像的光谱特征和空间特征,将经过步骤(A)图像预处理的前时相遥感影像和后时相遥感影像同时分割为高度同质性的斑块对象;
C、特征优选:利用显著性检验方法来检验经过步骤(B)图像分割后的遥感影像斑块对象的每个波段的特征之间的差异,实现特征的优选;特征的差异性越大,则该波段特征明显,选取该波段特征为最优特征。对所有特征进行优选得到最优特征组合;
D、变化强度计算:基于步骤(C)特征优选的结果,采用一维向量的方式分别表达步骤(B)图像分割后的前时相遥感影像和后时相遥感影像每个对象的最优特征组合,然后采用变化矢量表示前时相遥感影像和后时相遥感影像中相对应对象的变化,并采用欧氏距离计算每个对象的变化强度;
E、相关系数计算:在步骤(B)图像分割基础上,计算前时相遥感影像和后时相遥感影像中相对应对象之间的光谱相关系数;
F、变化阈值确定:从完成步骤(D)变化强度计算和步骤(E)相关系数计算的所有对象中选取一定数量的训练样本,以Kappa系数为判断变化阈值的标准,在变化强度和相关系数的范围内,选取令Kappa系数最大的变化强度值和相关系数值分别作为变化强度阈值和相关系数阈值;
G、土地覆盖变化区域确定:根据步骤(F)变化阈值确定的结果,对于完成步骤(D)变化强度计算和步骤(E)相关系数计算的所有对象,将变化强度值大于变化强度阈值且相关系数值小于相关系数阈值的对象确定为土地覆盖变化区域,否则,则为土地覆盖未变化区域;
所述的步骤(B)中的多尺度分割是综合考虑遥感影像的光谱特征和空间特征,采用自下而上的迭代合并算法将前时相遥感影像和后时相遥感影像同时分割为高度同质性的斑块对象,并保证两个时相遥感影像分割后斑块对象的一致性;
所述的步骤(C)中的特征优选,显著性检验是用于检验实验处理组与对照组或两种不同处理的效应之间是否有差异,以及这种差异是否显著的方法,利用显著性检验方法来检验每个波段的特征之间差异的显著性,实现特征的优选,特征的差异性越大,该波段特征明显,选取该波段特征为最优特征,采用方差分析进行显著性检验,公式如下:
F=MSb/MSw (1)
其中:
MSb=SSb/Vb (2)
MSw=SSw/Vw (3)
SS=∑i∑jXij 2-(∑i∑jXij)2/N (5)
SSw=SS-SSb (6)
Vb=k-1 (7)
Vw=N-k (8)
式中F为方差分析计算得到的统计量,MSb为组间均方,MSw为组内均方,SSb为组间误差,SSw为组内误差,SS为总误差,Xij为第i组的第j个样本的值,N为样本总个数,b为每组样本的个数,Vb为组间的自由度,Vw为组内的自由度,k为样本组数;
F分布记为F~F(vb,vw),根据F界值表可查出临界值Fa(vb,vw),ɑ一般取值为0.05或0.01,通过比较方差分析得到的F统计量值与临界值Fa(vb,vw)的大小,得出是否显著,F<F0.05(vb,vw)时,判断为不显著;F≥F0.05(vb,vw)时,判断为显著;F≥F0.01(vb,vw)时,判断为极其显著。
2.根据权利要求1所述的一种基于双重约束条件的对象级土地覆盖变化检测方法,其特征在于:所述的步骤(D)变化强度计算中,变化矢量计算公式如下:
设t1、t2时相的遥感影像某个对象的特征矢量分别表示和其中n为提取出来的特征数,其中表示对象i在t时相的第k个特征经线性函数归一化处理后的值;
线性函数将原始数据用线性化的方法转换到[0,1]的范围,在数据不符合正态分布的情况下,所得到的结果更为合理;
线性函数归一化计算公式如下:
Xsta表示归一化后的特征值,X为原始特征值,Xmax为所属特征中数值最小的特征值,Xmax为所属特征中数值最大的特征值;
变化矢量用公式可以表示为:
ΔG包含了两期影像之间某个给定对象的所有变化信息;
采用欧氏距离计算变化强度:
||ΔG||表征了两期影像的全部特征差异,||ΔG||越大,对象发生变化越大。
3.根据权利要求1所述的一种基于双重约束条件的对象级土地覆盖变化检测方法,其特征在于:所述的步骤(E)相关系数计算中,相关系数计算公式如下:
其中n为选择的波段数,表示t时相影像中第k波段的第i个的对象内所有像元总和的平均灰度值,表示t时相影像的第i个对象的n个波段的灰度均值。
4.根据权利要求1所述的一种基于双重约束条件的对象级土地覆盖变化检测方法,其特征在于:所述的步骤(F)变化阈值确定中,计算Kappa系数所用到的变化检测结果的混淆矩阵如下:
混淆矩阵
依据变化检测混淆矩阵的形式,在确定变化阈值时,kappa系数的计算公式如下:
其中,N为样本总数,Nnn表示检测结果为未变化而实际也未变化的样本个数,Ncc表示检测结果为变化而实际也发生变化的样本个数,Ntc表示检测结果中变化样本的总数,Ntn表示检测结果中未变化样本的总数,Nct表示实际变化样本的总数,Nnt表示实际未变化样本的总数,Ncn表示将变化样本错检成未变化的样本个数,Nnc表示将未变化样本错检成变化的样本个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811226866.9A CN109523516A (zh) | 2018-10-19 | 2018-10-19 | 一种基于双重约束条件的对象级土地覆盖变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811226866.9A CN109523516A (zh) | 2018-10-19 | 2018-10-19 | 一种基于双重约束条件的对象级土地覆盖变化检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109523516A true CN109523516A (zh) | 2019-03-26 |
Family
ID=65772175
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811226866.9A Pending CN109523516A (zh) | 2018-10-19 | 2018-10-19 | 一种基于双重约束条件的对象级土地覆盖变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109523516A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110060273A (zh) * | 2019-04-16 | 2019-07-26 | 湖北省水利水电科学研究院 | 基于深度神经网络的遥感影像滑坡测图方法 |
CN110390255A (zh) * | 2019-05-29 | 2019-10-29 | 中国铁路设计集团有限公司 | 基于多维度特征提取的高铁环境变化监测方法 |
CN110570462A (zh) * | 2019-09-12 | 2019-12-13 | 中山大学 | 基于极化雷达遥感影像的洪水淹没范围自动提取方法 |
CN111311596A (zh) * | 2020-03-23 | 2020-06-19 | 南京市测绘勘察研究院股份有限公司 | 一种基于改进lbp特征的遥感影像变化检测方法 |
CN112131953A (zh) * | 2020-08-26 | 2020-12-25 | 航天信德智图(北京)科技有限公司 | 基于高分二号影像的森林变化快速检测方法研究 |
CN112419266A (zh) * | 2020-11-23 | 2021-02-26 | 山东建筑大学 | 一种地表覆盖类别约束的遥感影像变化检测方法 |
CN113627571A (zh) * | 2021-10-13 | 2021-11-09 | 湖南星图空间信息技术有限公司 | 单类分类框架下的高分辨率遥感影像建筑物变化检测系统 |
CN116309670A (zh) * | 2023-05-06 | 2023-06-23 | 中国林业科学研究院资源信息研究所 | 一种基于无人机的灌丛覆盖度测量方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080291081A1 (en) * | 2007-05-07 | 2008-11-27 | Pasco Corporation | Radar image processor and method of radar image processing |
CN101510374A (zh) * | 2009-03-12 | 2009-08-19 | 中国科学院遥感应用研究所 | 一种基于历史数据及遥感数据的土地利用图自动更新方法 |
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 |
CN102254319A (zh) * | 2011-04-19 | 2011-11-23 | 中科九度(北京)空间信息技术有限责任公司 | 一种多层次分割的遥感影像变化检测方法 |
CN104899897A (zh) * | 2015-05-27 | 2015-09-09 | 中国科学院地理科学与资源研究所 | 一种基于历史数据挖掘的高分遥感影像土地覆盖变化检测方法 |
CN105551028A (zh) * | 2015-12-09 | 2016-05-04 | 中山大学 | 一种基于遥感影像的地理空间数据动态更新的方法及系统 |
CN105741309A (zh) * | 2016-03-18 | 2016-07-06 | 武汉大学 | 一种基于卡方变换和样本选择的遥感影像变化检测方法 |
CN105956557A (zh) * | 2016-05-04 | 2016-09-21 | 长江水利委员会长江科学院 | 一种面向对象的时序遥感影像云覆盖区域自动检测方法 |
CN106126920A (zh) * | 2016-06-23 | 2016-11-16 | 北京农业信息技术研究中心 | 农作物雹灾受灾面积遥感评估方法 |
CN106469452A (zh) * | 2016-09-09 | 2017-03-01 | 河海大学 | 基于空间约束的卡方变换的多时相遥感影像变化检测方法 |
CN107346549A (zh) * | 2017-06-09 | 2017-11-14 | 中国矿业大学 | 一种利用遥感影像多特征的多类别变化动态阈值检测方法 |
CN107481235A (zh) * | 2017-08-24 | 2017-12-15 | 河海大学 | 一种数学形态学滤波结合卡方变换的多时相遥感影像变化检测方法 |
-
2018
- 2018-10-19 CN CN201811226866.9A patent/CN109523516A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080291081A1 (en) * | 2007-05-07 | 2008-11-27 | Pasco Corporation | Radar image processor and method of radar image processing |
CN101510374A (zh) * | 2009-03-12 | 2009-08-19 | 中国科学院遥感应用研究所 | 一种基于历史数据及遥感数据的土地利用图自动更新方法 |
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 |
CN102254319A (zh) * | 2011-04-19 | 2011-11-23 | 中科九度(北京)空间信息技术有限责任公司 | 一种多层次分割的遥感影像变化检测方法 |
CN104899897A (zh) * | 2015-05-27 | 2015-09-09 | 中国科学院地理科学与资源研究所 | 一种基于历史数据挖掘的高分遥感影像土地覆盖变化检测方法 |
CN105551028A (zh) * | 2015-12-09 | 2016-05-04 | 中山大学 | 一种基于遥感影像的地理空间数据动态更新的方法及系统 |
CN105741309A (zh) * | 2016-03-18 | 2016-07-06 | 武汉大学 | 一种基于卡方变换和样本选择的遥感影像变化检测方法 |
CN105956557A (zh) * | 2016-05-04 | 2016-09-21 | 长江水利委员会长江科学院 | 一种面向对象的时序遥感影像云覆盖区域自动检测方法 |
CN106126920A (zh) * | 2016-06-23 | 2016-11-16 | 北京农业信息技术研究中心 | 农作物雹灾受灾面积遥感评估方法 |
CN106469452A (zh) * | 2016-09-09 | 2017-03-01 | 河海大学 | 基于空间约束的卡方变换的多时相遥感影像变化检测方法 |
CN107346549A (zh) * | 2017-06-09 | 2017-11-14 | 中国矿业大学 | 一种利用遥感影像多特征的多类别变化动态阈值检测方法 |
CN107481235A (zh) * | 2017-08-24 | 2017-12-15 | 河海大学 | 一种数学形态学滤波结合卡方变换的多时相遥感影像变化检测方法 |
Non-Patent Citations (9)
Title |
---|
于信芳等: "土地覆盖变化检测方法比较――以内蒙古草原区为例", 《生态学报》 * |
于信芳等: "土地覆盖变化检测方法比较――以内蒙古草原区为例", 《生态学报》, no. 24, 23 December 2014 (2014-12-23), pages 7192 - 7201 * |
李月臣等: "基于NDVI时间序列数据的土地覆盖变化检测指标设计", 《应用基础与工程科学学报》 * |
李月臣等: "基于NDVI时间序列数据的土地覆盖变化检测指标设计", 《应用基础与工程科学学报》, no. 03, 30 September 2005 (2005-09-30), pages 1 - 15 * |
柴文慧: "基于Levene检验法与模糊理论的变化检测研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》, pages 12 - 20 * |
赵敏等: "面向对象的多特征分级CVA遥感影像变化检测", 《遥感学报》 * |
赵敏等: "面向对象的多特征分级CVA遥感影像变化检测", 《遥感学报》, no. 01, 25 January 2018 (2018-01-25), pages 119 - 131 * |
邓小炼: "基于变化矢量分析的土地利用变化检测方法研究", 《中国优秀博硕士学位论文全文数据库 (博士) 信息科技辑》, no. 12, 15 December 2006 (2006-12-15), pages 2 * |
邓小炼: "基于变化矢量分析的土地利用变化检测方法研究", 《中国优秀博硕士学位论文全文数据库 (博士) 信息科技辑》, pages 64 - 75 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110060273A (zh) * | 2019-04-16 | 2019-07-26 | 湖北省水利水电科学研究院 | 基于深度神经网络的遥感影像滑坡测图方法 |
CN110060273B (zh) * | 2019-04-16 | 2021-05-18 | 湖北省水利水电科学研究院 | 基于深度神经网络的遥感影像滑坡测图方法 |
CN110390255A (zh) * | 2019-05-29 | 2019-10-29 | 中国铁路设计集团有限公司 | 基于多维度特征提取的高铁环境变化监测方法 |
CN110570462A (zh) * | 2019-09-12 | 2019-12-13 | 中山大学 | 基于极化雷达遥感影像的洪水淹没范围自动提取方法 |
CN111311596A (zh) * | 2020-03-23 | 2020-06-19 | 南京市测绘勘察研究院股份有限公司 | 一种基于改进lbp特征的遥感影像变化检测方法 |
CN112131953A (zh) * | 2020-08-26 | 2020-12-25 | 航天信德智图(北京)科技有限公司 | 基于高分二号影像的森林变化快速检测方法研究 |
CN112419266A (zh) * | 2020-11-23 | 2021-02-26 | 山东建筑大学 | 一种地表覆盖类别约束的遥感影像变化检测方法 |
CN113627571A (zh) * | 2021-10-13 | 2021-11-09 | 湖南星图空间信息技术有限公司 | 单类分类框架下的高分辨率遥感影像建筑物变化检测系统 |
CN116309670A (zh) * | 2023-05-06 | 2023-06-23 | 中国林业科学研究院资源信息研究所 | 一种基于无人机的灌丛覆盖度测量方法 |
CN116309670B (zh) * | 2023-05-06 | 2023-08-11 | 中国林业科学研究院资源信息研究所 | 一种基于无人机的灌丛覆盖度测量方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109523516A (zh) | 一种基于双重约束条件的对象级土地覆盖变化检测方法 | |
Huang et al. | A multidirectional and multiscale morphological index for automatic building extraction from multispectral GeoEye-1 imagery | |
Pitkänen et al. | Adaptive methods for individual tree detection on airborne laser based canopy height model | |
CN107067415B (zh) | 一种基于图像匹配的目标定位方法 | |
Hou et al. | Deep learning-based subsurface target detection from GPR scans | |
Xiaolu et al. | Change detection using change vector analysis from Landsat TM images in Wuhan | |
Shaoqing et al. | The comparative study of three methods of remote sensing image change detection | |
Im et al. | An automated binary change detection model using a calibration approach | |
Beekhuizen et al. | Toward accountable land use mapping: Using geocomputation to improve classification accuracy and reveal uncertainty | |
CN106228130A (zh) | 基于模糊自编码网络的遥感影像云检测方法 | |
CN109598202A (zh) | 一种基于对象的卫星图像多指标建成区自动提取方法 | |
Bengoufa et al. | Rocky shoreline extraction using a deep learning model and object-based image analysis | |
Liu et al. | Extraction of earthquake-induced collapsed buildings from bi-temporal VHR images using object-level homogeneity index and histogram | |
Feng et al. | Detection of urban built-up area change from Sentinel-2 images using multiband temporal texture and one-class random forest | |
Xu et al. | The comparative study of three methods of remote sensing image change detection | |
An et al. | Object-oriented urban dynamic monitoring—A case study of Haidian district of Beijing | |
CN109063577B (zh) | 基于信息增益率的卫星影像分割最佳分割尺度确定方法 | |
Okubo et al. | Land use/cover classification of a complex agricultural landscape using single-dated very high spatial resolution satellite-sensed imagery | |
CN103049916B (zh) | 一种基于光谱斜率差异检测地表覆盖变化的方法 | |
Luo et al. | High-precise water extraction based on spectral-spatial coupled remote sensing information | |
CN111882573A (zh) | 一种基于高分辨率影像数据的耕地地块提取方法及系统 | |
CN116895019A (zh) | 一种基于动态加权交叉熵损失的遥感图像变化检测方法及其检测系统 | |
CN114627380A (zh) | 一种基于光学影像与sar时序数据融合的水稻识别方法 | |
Halim et al. | Land use/land cover mapping for conservation of UNESCO Global Geopark using object and pixel-based approaches | |
Zhang | An indicator and min-cost approach for shoreline extraction from satellite imagery in muddy coasts |
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 |