像斑的遙感影像土地利用變化檢測方法

李丹丹，舒 寧,2，李 亮

（1.武漢大學遙感信息工程學院，湖北武漢 430079; 2.武漢大學測繪遙感信息工程國家重點實驗室，湖北武漢 430079）

像斑的遙感影像土地利用變化檢測方法

李丹丹1，舒 寧1,2，李 亮1

（1.武漢大學遙感信息工程學院，湖北武漢 430079; 2.武漢大學測繪遙感信息工程國家重點實驗室，湖北武漢 430079）

提出一種有GIS數(shù)據(jù)輔助的以像斑為對象基于不同時相非同源的遙感影像變化檢測方法，這種方法屬于特征級的變化檢測，以影像像斑為對象，突破了以往變化檢測對數(shù)據(jù)的要求與限制，改變了傳統(tǒng)檢測方法對于遙感影像數(shù)據(jù)的要求同源的模式。通過土地利用圖和遙感影像的精確配準套合獲取影像像斑，再利用聚類算法按類別進行樣本的更新，利用更新后的樣本來進行基于非同源遙感影像的土地利用變化檢測。應用基于像斑的非同源影像的變化檢測方法對武漢市某區(qū)域的QuickBird和彩紅外航空影像數(shù)據(jù)進行了實驗，并針對坑塘變化及其居民點變化進行了分析，精度分別為80%和75%。關(guān)鍵詞：變化檢測;土地利用;非同源遙感影像;像斑;GIS

利用遙感影像的宏觀性、實時性等優(yōu)勢進行國土資源的變化檢測，是遙感影像分析和應用領(lǐng)域的研究熱點。土地利用動態(tài)監(jiān)測面臨的實際情況與一般的遙感檢測有所不同：土地利用動態(tài)檢測的實施單位通常具有前一時相的土地利用狀況矢量數(shù)據(jù)[1]，同時，在以往的土地利用動態(tài)檢測中，對于前后時相的遙感影像數(shù)據(jù)要求為同源數(shù)據(jù)，即同種遙感影像。對于實施單位，遙感數(shù)據(jù)影像往往不能滿足實際運用中的要求。在這一特定的數(shù)據(jù)背景下，能夠突破數(shù)據(jù)限制，利用不同源的影像數(shù)據(jù)進行變化監(jiān)測，是遙感技術(shù)應用于國土資源管理的一個研究課題。

本文以影像像斑為對象，突破了以往變化檢測對數(shù)據(jù)的要求與限制，改變了傳統(tǒng)檢測方法對于遙感影像數(shù)據(jù)的要求同源的模式。通過土地利用圖和遙感影像的精確配準套合獲取影像像斑，再利用聚類算法按類別進行樣本的更新，利用更新后的樣本來進行基于非同源遙感影像的土地利用變化檢測。

1 方法介紹

1.1 像斑獲取

通過土地利用圖和兩個時期影像精確配準和套合，以土地利用圖圖斑的矢量邊界為準，獲得影像像斑。同時，根據(jù)土地利用圖圖斑的地類碼屬性，直接獲得每個像斑的類別屬性。相對于影像分割獲取像斑的常用方法[2]，這種思路算法簡單，不需要相關(guān)閾值的選取。

1.2 像斑特征提取

1.2.1 光譜特征提取

在實驗中，每一個像斑的特征，是通過計算其包含的所有像素的特征平均值來表征的。

像斑的光譜特征分別是：影像綠波段、紅波段和近紅外波段的像斑灰度平均值、灰度方差、灰度信息熵以及1個指數(shù)特征：標準化植被指數(shù)NDVI。

1.2.2 紋理特征提取

紋理特征能夠反映影像上特定區(qū)域內(nèi)灰度變化的規(guī)律，具體應用于基于像斑的影像分析，我們選擇信息熵最大的影像波段--近紅外波段，利用灰度共生矩陣的方法，獲取紋理影像，并與土地利用圖配準套合。獲取紋理影像上每個像斑所包含像素的灰度平均值，灰度方差和灰度信息熵來作為像斑的紋理特征，參與后續(xù)的運算。

2 變化檢測

2.1 樣本像斑的獲取與更新

2.1.1 樣本像斑的獲取

樣本像斑的選取是建立基礎(chǔ)地類特征的第一步。與監(jiān)督分類方法中“訓練區(qū)”的作用類似，用于生成特征數(shù)據(jù)。將基期的土地利用現(xiàn)狀的矢量數(shù)據(jù)與基期遙感影像進行配準并疊加，利用土地利用現(xiàn)狀圖上圖斑的邊界信息和屬性信息，對那些地類比較單一的像斑提取出該像斑的灰度特征和紋理特征等，用于構(gòu)成基礎(chǔ)地類特征數(shù)據(jù)[3]。

選取樣本像斑的目的就是選取能代表其所在地類特征的典型像斑。對于每個標準地類，若干個樣本形成類別中心。因此，針對本文中用到非同源遙感影像的特點，我們提出了在T1時期對各類別像斑利用最小距離法進行聚類分析[4]。

常用的距離定義有歐氏距離、計程距離、馬氏距離等。根據(jù)基期獲取的各個類別的像斑，計算各個像斑之間的加權(quán)歐氏距離，見式 (1)，進行聚類分析，用最小距離法，取聚類中心的若干個像斑作為樣本像斑。

2.2 樣本像斑的更新

基準期獲取的樣本像斑到了T2期有可能會發(fā)生變化，因此，有必要對樣本像斑進行更新。根據(jù)T1時期已經(jīng)選取的各地類樣本圖斑邊界的信息，逐一統(tǒng)計各多邊形邊界所對應的區(qū)域在T2時期的遙感圖像上的各特征值，將兩個時期的各地類特征值進行對比分析，由于樣本圖斑內(nèi)各特征用于建立或更新特征庫，那么T1時期選取的樣本圖斑，在T2時期能否繼續(xù)做為樣本圖斑，就需要建立一定的判別指標，利用2.1中選用聚類的方法對已經(jīng)獲取的樣本像斑進行聚類，設(shè)定閾值，提出發(fā)生變化的像斑[5]。

對于不同的類別，判斷像斑是否變化的閾值也是不同的。閾值的確定如下式：

可以看出，閾值的確定分為兩個部分，其中 a 作為經(jīng)驗閾值,作為自適應部分，在變化檢測的具體過程中算出，對于不同的類別，具有不同的值。在本文中，的選用標準為：計算 T1時期各個樣本像斑距離測度的均值和方差，取值+1.5。

2.2 基于樣本像斑的變化檢測方法

由于本文主要進行基于像斑單元的變化檢測，在前面已經(jīng)通過圖斑單元提取了灰度特征、形狀特征和紋理特征等各個類別的大量特征指標，因此對于像斑屬性的確定我們可以選擇最小距離聚類的思想來進行變化檢測，與前面2.1節(jié)中基期選取樣本像斑的方法相似。

采用距離作為判別函數(shù)的聚類方法是一類簡單的聚類法，距離判決函數(shù)的建立是以地物光譜特征在特征空間中是按集群方式為前提的，它的基本思想是設(shè)法計算某點X到有關(guān)類別()集群之間的距離，哪類距離它最近，它就歸屬于哪類[4]。

常用的距離定義有歐氏距離、計程距離、馬氏距離等。

假定有c個基準T1時期同類別的被檢測像斑w1,w2,...,wc在檢測T2期的變化檢測問題，每類樣本數(shù)為。則wi的判別函數(shù)為：其中， 表示該類的T2時期更新后的第n個樣本的特征向量。

決策規(guī)則為：若mean(gj(x))＞，則該像斑發(fā)生變化（的值按照不同類別調(diào)整，可參照2.2節(jié)中樣本更新的方法）[6]。

利用上述樣本影像特征信息，對于某標準地類的若干訓練樣本形成類別中心。對每個已提取特征的待測像斑，計算它與各類別中心的距離，并判斷該待測在T2期是否屬于這個類別，以此來判斷像斑是否發(fā)生變化，這是一種基于分類思想的變化檢測方法。變化檢測方法用MATLAB程序?qū)崿F(xiàn)。

3 實驗及結(jié)果分析

3.1 實驗數(shù)據(jù)介紹

本次實驗應用武漢市區(qū)南湖附近 2005年（T1時期）QuickBird多光譜影像、2000年彩紅外航空影像（T2時期）為實驗區(qū)影像，QuickBird影像分辨率為2 m，大小3 492×2 818像素；彩紅外航空影像航攝比例尺為1:20 000，與 QuickBird同區(qū)域；同時使用1: 10 000同區(qū)域2005年土地利用圖為實驗區(qū)矢量數(shù)據(jù)。用于套合的影像數(shù)據(jù)為：T1、T2時期綠、紅、近紅外波段影像、NDVI影像和紋理影像。

圖1 2000年武漢地區(qū)彩虹外假彩色影像

圖2 2005年武漢地區(qū)QUICK BIRD假彩色影像

圖3 2000年的彩紅外影像和土地利用圖疊加

土地利用圖地類碼及像斑個數(shù)如表1所示。

表1 土地利用圖地類碼及像斑個數(shù)表

編程實現(xiàn)影像與精確配準套合并提取像斑坐標，實驗區(qū)共獲取像斑190個。

從表 1中可以看到由于實驗數(shù)據(jù)限制，某些地類像斑數(shù)量過少，會造成后面選擇樣本像斑困難，影響變化檢測質(zhì)量，所以后面實驗中我們選取其中某些像斑數(shù)量足夠的地類進行實驗，例如坑塘養(yǎng)殖水面和城鎮(zhèn)用地，耕地。

3.2 變化檢測結(jié)果和精度評定

算法通過編程實現(xiàn)。首先對各個類別的樣本進行樣本的選取與更新，更新后各個類別的樣本數(shù)目如表2所示。

表2 更新后的土她地利用圖地類樣本像斑個數(shù)表

其中計算得地類154&155樣本更新閾值為53.563 223 345（樣本間平均距離），得到T2期19個樣本。

運用選擇出的樣本特征集，運用最小距離的方法，單獨對地類154&155,201&203進行變化檢測，最小距離方法的檢測結(jié)果如圖4、5、6所示。

圖4 人工判讀變化結(jié)果圖

圖5檢測出的整體變化檢測結(jié)果

人工判讀實際發(fā)生變化的像斑29個，檢測變化像斑42個，正確檢測變化像斑20個。

圖6 坑塘和養(yǎng)殖水面變化的檢測結(jié)果（黃色為變化的像斑）

我們使用人工目視判讀的變化像斑和實驗計算所得結(jié)果進行對比分析和精度評定；人工判讀實際發(fā)生變化的地類居民點像斑8個，算法檢測變化像斑12個，正確檢測變化像斑6個，精度為75%；地類154的像斑數(shù)目為47個，人工判讀地類154發(fā)生變化的像斑為15個，算法在閾值參數(shù)為a=2.85時，檢測變化像斑21個，正確檢測變化像斑12個，精度為80%。其中最小距離法的效果好于區(qū)域相似度的方法。由實驗結(jié)果可以看出，絕大部分發(fā)生變化的像斑，通過上述的算法均能夠被成功檢測出來。而且從實驗結(jié)果發(fā)現(xiàn)，基于武漢城區(qū)的變化多是邊緣地區(qū)的水體、農(nóng)用地和林地等地類發(fā)生變化，居民點變化不大，表現(xiàn)為城市擴張現(xiàn)象。

3.3 變化結(jié)果分析和討論

由實驗結(jié)果可以看出，從結(jié)果圖上來看，絕大部分發(fā)生變化的像斑，通過上述的算法均能夠被成功檢測出來，證實了算法的有效性，但是從實驗精度評定方面來看并不理想。究其原因，主要由以下幾個方面：

1）對于算法本身，由于土地利用分類系統(tǒng)和土地覆蓋類別具有不一致性，這種不一致性的存在，會使得相同類別內(nèi)的像斑可能會有多個光譜聚類中心，進而影響變化分析的準確性；2）在實驗區(qū)中，像斑的大小差異很大，存在部分只占幾個像素的小像斑，基本不具實際意義，且相比面積大的像斑，其光譜特征不夠穩(wěn)定，更容易被檢測成為變化的像斑；3）本文的檢測結(jié)果精度很大程度上依賴于樣本像斑的準確和全面的選擇，同時也要求了被檢測的類別像斑個數(shù)不能過少；因此比較適合較大面積，類別像斑較多的變化檢測。

真實結(jié)果的可靠性問題。在判定“是否變化”時，生成的真實結(jié)果會受到例如樣本像斑的選擇和閾值的確定問題等的影響。因此在與實驗結(jié)果進行比較的過程中，會影響到實驗結(jié)果的精度。

4 結(jié)論與展望

本文通過對土地利用圖和非同源遙感影像的綜合分析，實現(xiàn)了基于非同源遙感影像變化監(jiān)測的方法，突破了以往對變化監(jiān)測數(shù)據(jù)的要求與限制。實驗結(jié)果表明，這種方法過程簡潔，易于實現(xiàn)，并能夠檢測出大部分已經(jīng)發(fā)生變化了的像斑，從而證實了算法的有效性和可行性。在具體的實驗過程中，以下幾方面有待深入研究：

1）利用像斑分布集群化的思想，是基于類別像斑聚類中心單一化的方法，而在實際運用中，因為變化檢測的復雜性，類別像斑可能會有多個聚類中心；

2）土地利用圖的類別生成標準受成圖比例尺等因素影響，和影像像斑的類別有不一致性存在，這種不一致性是影響實驗結(jié)果的重要因素，需要進一步的研究和分析；

3）文中雖然用到了多種光譜特征，包括灰度特征、紋理特征，但在進行像斑關(guān)系測度運算的時候，僅僅只是各種特征的一種加權(quán)和。沒有充分利用每個特征所能表達的信息，目前在此方面的研究還有待加深；

4）同時本文的變化監(jiān)測方法僅限于對應波段較為一致，地物光譜規(guī)律類似的不同的遙感影像數(shù)據(jù)進行變化監(jiān)測，其他類型的非同源數(shù)據(jù)組合的變化監(jiān)測方法有待研究。

[1] 舒寧.關(guān)于遙感影像處理分析的理論與方法之若干問題[J].武漢大學學報：信息科學版，2007(21):1007-1010

[2] eCognition User Guide[DB/OL],Definiens Imaging GmbH, Munich,Germany.http://www.definiens-imaging.com/documents/index.htm,2008.9.18

[3] 張紅.基于像斑的基礎(chǔ)地類特征庫的土地利用/覆蓋變化監(jiān)測方法研究[D].武漢：武漢大學，2007

[4] 王碧泉，陳祖蔭．模式識別[M]．北京：地震出版社，1989

[5] Li Xue,Shu Ning,Wang Yan.The Research of the Non Uniform ity in Earth Observation Data and GISData[C].International Conference on Earth Observation Data Processing and Analysis (ICEODPA),SPIEPress,2007:728505-1-728505-9

[6] 佟彪.基于土地利用圖斑的遙感影像變化檢測與更新[D].武漢：武漢大學，2005

Land Use/Cover Change Detection Using Disparate Im ages on Land Use segment

by LiDandan

Based on the analysis and summarizations of researched home and aboard，the dissertation focused on land usecover detection using disparate images on land use segment，which be longs to"Feature class"of LUCC.It should be pointed out that the researches must be focus the disparate remotesensed imagery other than traditional methods of the same kind remote-sensed imagery.The land use span was expressed by vector polygon along with raster region.First getting the sample of this type of land use classes,then detect changes based on segment and feature database.The method was tested on QuickBird images and infra-red color aerial photograph of adistrict in Wuhan and the precision is high as 75%（in urbanization）and 80%（in loss of stew）.

change detection,land use,disparate remotely sensed imageries, feature selection,GIS （Page:75）

P237

B

1672-4623(2011)01-0075-04

2010-07-20

項目來源：湖北省自然科學基金資助項目（2006ABD003）。

李丹丹，碩士，主要研究方向為遙感影像分析與解譯。