綜合多級(jí)別檢測(cè)的林地變化檢測(cè)方法

郝從娜，陶文曠

(1. 遼寧石油化工大學(xué) 順華能源學(xué)院, 遼寧 撫順 113001) (2. 中國(guó)礦業(yè)大學(xué) 環(huán)境與測(cè)繪學(xué)院， 江蘇 徐州 221008)

·信號(hào)處理·

綜合多級(jí)別檢測(cè)的林地變化檢測(cè)方法

郝從娜1，陶文曠2

(1. 遼寧石油化工大學(xué) 順華能源學(xué)院, 遼寧 撫順 113001) (2. 中國(guó)礦業(yè)大學(xué) 環(huán)境與測(cè)繪學(xué)院， 江蘇 徐州 221008)

為了提高植被變化檢測(cè)精度和獲取植被變化類(lèi)型信息，在綜合利用像素級(jí)變化檢測(cè)、特征級(jí)變化檢測(cè)和分類(lèi)后變化檢測(cè)的基礎(chǔ)上，提出了一種由粗到精并準(zhǔn)確獲取變化信息的植被變化檢測(cè)方法。文中選取2002年和2007年的QuickBird多光譜圖像作為試驗(yàn)對(duì)象，使用像素級(jí)變化檢測(cè)處理多時(shí)相遙感數(shù)據(jù)，確定出包含植被變化的候選區(qū)域；然后，使用特征級(jí)變化檢測(cè)確定出變化區(qū)域；最后，結(jié)合分類(lèi)后變化檢測(cè)獲取變化信息的位置和類(lèi)型。通過(guò)對(duì)兩時(shí)相遙感數(shù)據(jù)進(jìn)行變化檢測(cè)試驗(yàn)，并與各單獨(dú)檢測(cè)方法對(duì)比，驗(yàn)證新方法的有效性。結(jié)果表明：該方法在提高了變化檢測(cè)精度的同時(shí)能夠提供變化地物信息，可以有效地應(yīng)用于植被變化信息的檢測(cè)。

變化檢測(cè)；林地變化；分類(lèi)后變化檢測(cè)

0 引 言

變化檢測(cè)技術(shù)就是對(duì)不同時(shí)段的目標(biāo)或現(xiàn)象狀態(tài)發(fā)生的變化進(jìn)行識(shí)別、分析的計(jì)算機(jī)圖像處理系統(tǒng)，包括判斷目標(biāo)是否發(fā)生變化、確定發(fā)生變化的區(qū)域、鑒別變化的類(lèi)別、評(píng)價(jià)變化的時(shí)間和空間分布模式等[1]。數(shù)十年來(lái)，各國(guó)學(xué)者都在致力于研究變化檢測(cè)技術(shù)，已相繼發(fā)展了許多基于遙感影像的變化檢測(cè)方法?；舸豪椎萚2]討論了遙感圖像變化檢測(cè)中的多尺度融合問(wèn)題，提出了基于多尺度融合的對(duì)象級(jí)的變化檢測(cè)框架。該框架利用對(duì)象級(jí)的變化檢測(cè)方法,提高了變化類(lèi)和非變化類(lèi)的可分性。王洪先[3]針對(duì)多時(shí)相遙感圖像之間的變化檢測(cè)易受照度變化和噪聲的影響，提出了一種基于多尺度分析和多變量假設(shè)檢驗(yàn)的變化檢測(cè)方法。佃袁勇等[4]在利用Mean-Shift分割算法的基礎(chǔ)上,根據(jù)高空間分辨率影像上變化區(qū)域呈聚集狀分布的特點(diǎn)，提出了一種面向地理對(duì)象的遙感影像變化檢測(cè)算法。龍玄耀等[5]使用一種基于組分的多尺度形態(tài)學(xué)梯度代替紋理加入空間信息，有效地提高城市變化檢測(cè)精度。徐德偉等[6]通過(guò)直接估計(jì)影像分布函數(shù)比值，從而提出了一種SAR圖像變化檢測(cè)方法。但目前的研究表明，沒(méi)有任何一種變化檢測(cè)方法具有絕對(duì)的優(yōu)勢(shì)[7]。在實(shí)際的應(yīng)用中，要根據(jù)具體的應(yīng)用目的選取合適的變化檢測(cè)方法。

按照分類(lèi)與檢測(cè)的先后順序可將變化檢測(cè)分為分類(lèi)后變化檢測(cè)和分類(lèi)前直接檢測(cè)。分類(lèi)前直接檢測(cè)即先檢測(cè)再分類(lèi)，一般只能分為變化類(lèi)和非變化類(lèi)，檢測(cè)精度較高；缺點(diǎn)是閾值的確定沒(méi)有絕對(duì)的標(biāo)準(zhǔn)，分類(lèi)精度完全依賴(lài)于閾值大小，且無(wú)法確定變化的地物類(lèi)型。分類(lèi)后變化檢測(cè)即先分類(lèi)再檢測(cè)再分類(lèi)，比較同一位置的分類(lèi)結(jié)果，優(yōu)點(diǎn)是回避了影像輻射校正、幾何配準(zhǔn)的問(wèn)題，可以提供變化性質(zhì)的信息，由何種類(lèi)型向何種類(lèi)型轉(zhuǎn)變；缺點(diǎn)是必須進(jìn)行兩次影像分類(lèi)，變化檢測(cè)的精度非常依賴(lài)于影像分類(lèi)的精度，可能會(huì)夸大變化的程度[8]。

而分類(lèi)前變化檢測(cè)又可以根據(jù)不同級(jí)別分為：像素級(jí)變化檢測(cè)、特征級(jí)變化檢測(cè)和目標(biāo)級(jí)變化檢測(cè)。其中，像素級(jí)為最低級(jí)別的檢測(cè)方法，該方法直接比較不同時(shí)相影像中對(duì)應(yīng)像素的灰度值差異，也是應(yīng)用最為廣泛的方法。特征級(jí)變化檢測(cè)是利用不同時(shí)相的影像上提取的對(duì)應(yīng)特征進(jìn)行的比較，較像素級(jí)變化檢測(cè)更為穩(wěn)定。目標(biāo)級(jí)變化檢測(cè)是在特征信息提取的基礎(chǔ)上識(shí)別出具有一定概念意義的目標(biāo)(比如植被，海岸，機(jī)場(chǎng)等)，需要結(jié)合目標(biāo)知識(shí)庫(kù)對(duì)目標(biāo)進(jìn)行特征提取及識(shí)別和檢測(cè)，并分析目標(biāo)的變化，是最高層次上的變化信息的提取。

因此，本文在總結(jié)已有的遙感變化檢測(cè)技術(shù)方法的基礎(chǔ)上，對(duì)原有變化檢測(cè)方法進(jìn)行了綜合應(yīng)用,兼顧了信息與精度，提出一種綜合多種類(lèi)型變化檢測(cè)方法各自?xún)?yōu)點(diǎn)的新方法，應(yīng)用于植被的檢測(cè)中。

1 方法及步驟

影像比值法(像素級(jí)變化檢測(cè))可以確定變化信息的位置，縮小檢測(cè)范圍，提高檢測(cè)速度，但不能獲得具體的變化類(lèi)型，且檢測(cè)的閾值無(wú)法精確確定，設(shè)定的閾值直接影響變化檢測(cè)的最終精度[9]。因此，在比值法確定的變化候選區(qū)域中進(jìn)行基于植被特征的變化檢測(cè)(特征級(jí)變化檢測(cè))，從而彌補(bǔ)檢測(cè)精度的不足，最后，通過(guò)分類(lèi)后變化檢測(cè)彌補(bǔ)無(wú)法獲得具體變化類(lèi)型和變化方向的不足。具體步驟及流程如圖1所示。

圖1 本文方法變化檢測(cè)流程圖

(1)影像預(yù)處理：采用鄧書(shū)斌[10]提出的利用圖像差值與質(zhì)量控制相結(jié)合的方法進(jìn)行輻射歸一化，在近似的條件下可以假設(shè)兩時(shí)相影像對(duì)應(yīng)像素的灰度之間滿(mǎn)足線性關(guān)系,這樣就可以通過(guò)線性等式來(lái)描述不同時(shí)相間的灰度關(guān)系,用X表示參考圖像,Y表示待校正圖像,他們之間的線性關(guān)系可描述為

Y= aX+b

(1)

式中：a為增益量；b為偏移量；a、b均未知。

可以通過(guò)選取不變特征點(diǎn)(PIF),較好地克服樣本選擇的主觀性,得到樣本的相關(guān)系數(shù)達(dá)到98%以上,采用最小二乘法求解上述線性關(guān)系式,對(duì)待校正圖像的灰度值進(jìn)行線性變換,使兩幅圖像上同名地物具有相同輻射值,實(shí)現(xiàn)遙感動(dòng)態(tài)監(jiān)測(cè)中多時(shí)相遙感圖像的輻射歸一化[10]。

(2) 像素級(jí)變化檢測(cè)：本文采用的是兩時(shí)相影像對(duì)應(yīng)波段比值的方法，為了減少離散的分離點(diǎn)，增加變化區(qū)域的連貫性，本文使用對(duì)應(yīng)像素及周?chē)藗€(gè)像素的均值代替該像素進(jìn)行計(jì)算[11]，公式表達(dá)為

(2)

式中：α為求得的比值圖像的像素值；M1，M2為以?xún)蓵r(shí)相遙感影像上對(duì)應(yīng)像素為中心的小窗口矩陣。

(3) 特征級(jí)變化檢測(cè)：在像素級(jí)檢測(cè)得到的變化區(qū)域中進(jìn)行基于植被特征的變化檢測(cè)。由于一種特征容易造成誤檢，本文采用了植被NDVI和紋理特征相結(jié)合的方法進(jìn)行檢測(cè)。

(4) 得到的變化影像為矢量格式，分為變化區(qū)域和未變化區(qū)域兩個(gè)部分,以得到的矢量圖像為掩膜，得到兩期影像變化區(qū)域的局部范圍，在該范圍內(nèi)分別對(duì)兩期影像采用相同尺度進(jìn)行分割和分類(lèi)。

(5) 對(duì)分類(lèi)后的影像進(jìn)行分類(lèi)后變化檢測(cè)得到最終變化檢測(cè)結(jié)果。

(6) 對(duì)最終變化檢測(cè)結(jié)果進(jìn)行精度評(píng)估，并與其他方法進(jìn)行比較分析。

2 試驗(yàn)結(jié)果與分析

本文以2002年和2007年的QuickBird多光譜圖像作為數(shù)據(jù)源，影像位于美國(guó)科羅拉多州北部地區(qū)，主要覆蓋地物為黑松樹(shù)，由于山松甲蟲(chóng)的爆發(fā)，2007年這片區(qū)域的森林遭到嚴(yán)重破壞，遭受山松甲蟲(chóng)侵害的樹(shù)木逐漸變成紅色，最終枯萎。圖像分辨率為2.4 m，選取大小1 500×1 500像素的影像為實(shí)驗(yàn)區(qū)域，如圖2所示。

顯示方式為標(biāo)準(zhǔn)真彩色顯示，綠色區(qū)域?yàn)橹脖唬梢钥吹剑?007年的時(shí)候大量的綠色植被變?yōu)榧t色病蟲(chóng)害區(qū)域。

傳統(tǒng)相對(duì)輻射校正的方法手動(dòng)選取不變點(diǎn)，個(gè)人主觀因素較強(qiáng)，本文利用波段間差值運(yùn)算與樣本選取質(zhì)量控制相結(jié)合的方法來(lái)選擇偽不變特征地物，過(guò)程如下：

對(duì)兩時(shí)相影像的某一波段做差值運(yùn)算，圖像中未發(fā)生變化的地類(lèi)在兩個(gè)時(shí)相的遙感圖像上一般具有相等或相近的灰度值[12]，而當(dāng)?shù)匚锇l(fā)生變化時(shí)，其灰度值會(huì)有較大差別，前面提到，即使未發(fā)生變化的地物，由于成像時(shí)間不同，在不同時(shí)相的影像中的輻射值也會(huì)有差異。因此，我們需設(shè)定一個(gè)范圍來(lái)從差值圖像中提取不變點(diǎn)，即

PIF={D1

(3)

D1和D2為提取的閾值，DN為波段間的差值。D1和D2應(yīng)在0值附近，具體值可分析差值圖像的直方圖或根據(jù)經(jīng)驗(yàn)值來(lái)確定。本文選取的D1為-50，D2為50。分別對(duì)影像四個(gè)波段進(jìn)行處理，最終得到歸一化之后的影像圖。

像素級(jí)變化檢測(cè)中采用3×3的小窗口矩陣，有效地增強(qiáng)了變化區(qū)域的連貫性，然后，采用Otsu自適應(yīng)閾值分割方法將得到的比值差異圖像分割為二值圖像，1代表變化區(qū)域，0代表未變化區(qū)域。

將像素級(jí)變化檢測(cè)的結(jié)果掩膜到原影像上，使不變化區(qū)域值變?yōu)?，變化區(qū)域信息不變，在此基礎(chǔ)上進(jìn)行特征級(jí)變化檢測(cè)。選擇大量樣本點(diǎn)，部分作為訓(xùn)練樣本，少量作為最終檢驗(yàn)樣本。首先，選取植被樣本點(diǎn)，統(tǒng)計(jì)樣本點(diǎn)的NDVI值，得到林地的NDVI值在0.28～0.8，使用該閾值將兩景影像分割為林地與非林地，1代表林地，0代表非林地。然后進(jìn)行異或運(yùn)算，即相同位置的對(duì)應(yīng)像素值同為1或同為0是，結(jié)果為0，即林地沒(méi)有發(fā)生變化；一個(gè)時(shí)相像素值為0，另一個(gè)時(shí)相像素值為1，結(jié)果為1，即林地發(fā)生了變化。單特征檢測(cè)很容易造成誤檢[13]，所以，本文結(jié)合了紋理特征檢測(cè)，有效地提高了檢測(cè)精度，采用與上述方法相同的處理方式。為了不破壞整體的紋理，此處采用先檢測(cè)后掩膜的處理，即先對(duì)兩時(shí)相的原圖像分別求紋理特征圖像，根據(jù)灰度分布直方圖得到閾值，將原圖像分割為植被與非植被，植被區(qū)域值為1，非植被區(qū)域值為0，再對(duì)兩幅二值圖像進(jìn)行異或運(yùn)算，得到代表變化與非變化的二值圖像。將NDVI檢測(cè)結(jié)果的二值圖像掩膜到紋理檢測(cè)的結(jié)果之上，得到最終的二值檢測(cè)結(jié)果。

為確定變化區(qū)域的類(lèi)型，對(duì)兩期影像進(jìn)行分類(lèi)，生成的對(duì)象為具有實(shí)際意義的土地圖斑[14]。2002年影像分為雪地和林地，2007年影像分為雪地、林地和病蟲(chóng)害區(qū)域。為提高分類(lèi)精度，本文使用基于KT變化影像融合后的分類(lèi)方法進(jìn)行分類(lèi)，首先，對(duì)原影像進(jìn)行纓帽變換，得到的四個(gè)分量分別為亮度指數(shù)、綠度指數(shù)，濕度指數(shù)和無(wú)實(shí)際意義的第四分量，將植被指數(shù)圖像與上步中獲得的第四分量進(jìn)行直方圖匹配，使原始兩個(gè)波段的均值和方差信息一致；然后，用匹配后的植被指數(shù)影像代替第四分量進(jìn)行纓帽變換的逆變換獲得最終融合影像。由于在原影像中加入了植被指數(shù)信息，從而使得植被與非植被的邊界更加清晰，更加有利于分類(lèi)[15]。

本文對(duì)多種檢測(cè)方法進(jìn)行了實(shí)驗(yàn)和對(duì)比，并分析不同方法的有效性。圖3分別給出了單獨(dú)使用像素比值法，紋理特征檢測(cè)，NDVI特征檢測(cè)，分類(lèi)后變化檢測(cè)，及本文方法得到的植被變化檢測(cè)結(jié)果。

圖3 不同方法檢測(cè)結(jié)果比較

對(duì)變化檢測(cè)結(jié)果的精度評(píng)價(jià)一般參考遙感影像分類(lèi)的精度評(píng)定方法，即構(gòu)造誤差矩陣(也稱(chēng)混淆矩陣)計(jì)算相關(guān)精度指標(biāo)[16-18](如表1)。主要精度指標(biāo)包括：

表1 變化檢測(cè)誤差矩陣

(1)虛檢率

(4)

指實(shí)際未發(fā)生變化的像元被錯(cuò)誤檢測(cè)為變化像元的個(gè)數(shù)占檢測(cè)到的所有變化像元個(gè)數(shù)的比例，是由誤差引起的虛假變化的概率。

(2)漏檢率

(5)

指實(shí)際發(fā)生變化的像元被錯(cuò)誤檢測(cè)為未發(fā)生變化像元的個(gè)數(shù)占實(shí)際變化像元的比例，即由誤差引起的漏檢變化的概率，表示檢測(cè)結(jié)果內(nèi)部的一致性。

(3)總體檢測(cè)精度

(6)

表示正確檢測(cè)的樣本數(shù)占總體樣本的比例，反映了總體的檢測(cè)精度。

按照林地，雪地，病蟲(chóng)害林地對(duì)各區(qū)抽取200個(gè)像元點(diǎn)進(jìn)行驗(yàn)證，通過(guò)計(jì)算虛檢率，漏檢率和總體檢測(cè)精度來(lái)進(jìn)行評(píng)價(jià)，評(píng)價(jià)結(jié)果如表2所示。

表2 變化檢測(cè)精度及誤差統(tǒng)計(jì) %

虛檢率漏檢率總體精度像素級(jí)檢測(cè)68.3040.1549.08特征級(jí)檢測(cè)36.1741.1959.32傳統(tǒng)分類(lèi)后檢測(cè)方法35.2940.7060.12本文方法38.0136.9964.40

由于本文使用像素級(jí)檢測(cè)確定變化的大致區(qū)域，在設(shè)置閾值時(shí)稍有提高，盡量減少漏檢像元，從而使得虛檢率較高。特征級(jí)檢測(cè)為兩種特征的綜合結(jié)果，其精度相比較像素級(jí)有所提高。本文由以上的兩個(gè)級(jí)別的檢測(cè)排除了非變化區(qū)域的干擾從而使得虛檢率大有提高，相比較相同分類(lèi)尺度下的傳統(tǒng)分類(lèi)后檢測(cè)方法精度有所提高。

3 結(jié)束語(yǔ)

本文在傳統(tǒng)變化檢測(cè)算法的基礎(chǔ)上，通過(guò)分析比較各種變化檢測(cè)的優(yōu)缺點(diǎn)，利用多時(shí)相遙感影像進(jìn)行實(shí)驗(yàn)，通過(guò)分類(lèi)前檢測(cè)確定變化區(qū)域，分類(lèi)后檢測(cè)確定變化信息，綜合了各自的優(yōu)點(diǎn)。相比分類(lèi)前檢測(cè)，精度相同，并且可以獲得變化地物信息；相比分類(lèi)后檢測(cè)，由于本方法避免了未變化區(qū)域造成的的冗余數(shù)據(jù)的影響，從而大大提高了檢測(cè)結(jié)果的正確率，可以取得較好的檢測(cè)結(jié)果。本文采用的像素級(jí)、特征級(jí)等級(jí)別的檢測(cè)方法均是相應(yīng)級(jí)別最簡(jiǎn)單方便的方法，且閾值的選取多為直方圖分布或經(jīng)驗(yàn)選取，今后的重點(diǎn)在選擇更為復(fù)雜的檢測(cè)提取方法，提高各個(gè)級(jí)別的檢測(cè)精度，同時(shí)采用更加合理的方法確定閾值。

[1] 顧文俊，趙忠明，王苓涓. 基于變化檢測(cè)技術(shù)的城區(qū)建筑變化目標(biāo)提取[J]. 計(jì)算機(jī)工程與應(yīng)用，2004, 5(1): 198-200. GU Wenjun, ZHAO Zhongming, WANG Linjuan. The detection of the changed building in city based on change detection technology[J]. Computer Engineering and Applications, 2004, 5(1): 198-200.

[2] 霍春雷, 程 健, 盧漢清, 等. 基于多尺度融合的對(duì)象級(jí)變化檢測(cè)新方法[J]. 自動(dòng)化學(xué)報(bào), 2008, 34(3): 251-257. HUO Chunlei, CHENG Jian, LU Hanqing, et al. Object-level change detection based on multiscale fusion[J]. Acta Automatica Sinica, 2008, 34(3): 251-257.

[3] 王洪先. 一種基于小波變換的圖像變化檢測(cè)算法[J]. 現(xiàn)代雷達(dá), 2007, 29(11): 53-55. WANG Hongxian. Change detetion algorithm based on wavelet transformation[J]. Modern Radar, 2007, 29(11): 53-55.

[4] 佃袁勇, 方圣輝, 姚崇懷. 一種面向地理對(duì)象的遙感影像變化檢測(cè)方法[J]. 武漢大學(xué)學(xué)報(bào)(信息科學(xué)版), 2014, 39(8): 906-912. DIAN Yuanyong, FANG Shenghui, YAO Chonghuai . The geographic object based method for change detection with remote sensing imagery[J]. Geomatics and information Scicncc of Wuhan University, 2014, 39(8): 906-912.

[5] 龍玄耀, 李培軍. 基于圖像分割的城市變化檢測(cè)[J]. 地球信息科學(xué), 2008, 10(1): 121-127. LONG Xuanyao, LI Peijun. A method of urban change detection based on image segmentation[J]. Geo-Information Science, 2008, 10(1): 121-127.

[6] 徐德偉, 茹 卉, 宋 輝, 等. 基于直接密度比估計(jì)的SAR圖像變化檢測(cè)[J]. 現(xiàn)代雷達(dá), 2015, 37(2): 28-32. XU Dewei，RU Hui，SONG Hui, et al. SAR image change detection based on direct density-ratio estimation[J]. Modern Radar, 2015, 37(2): 28-32.

[7] 吳 芳, 劉 榮, 田維春, 等. 遙感變化檢測(cè)技術(shù)及其應(yīng)用綜述[J]. 地理空間信息, 2007, 5(4): 57-60. WU Fang，LIU Rong，TIAN Weichun, et al. Technology for remote sensing chang detection and its application[J]. Geospatial Information, 2007, 5(4): 57-60.

[8] 周啟鳴. 多時(shí)相遙感影像變化檢測(cè)綜述[J]. 地理信息世界, 2011, 4(2): 28-33. ZHOU Qiming. Review on change detection using multi-temporal remotely sensed imagery[J]. Geomatics World, 2011,4(2): 28-33.

[9] 張振龍, 曾志遠(yuǎn), 李 碩, 等. 遙感變化檢測(cè)方法研究綜述[J]. 遙感信息, 2005, 3(5): 64-66. ZHANG Zhenlong, ZENG Zhiyuan, LI Shuo, et al. A summary of change detection methods of remote sensing image[J]. Remote Sensing Information, 2005, 3(5): 64-66.

[10] 鄧書(shū)斌, 武紅敢, 江 濤. 遙感動(dòng)態(tài)監(jiān)測(cè)中的相對(duì)輻射校正方法研究[J]. 遙感信息, 2008, 5(4): 71-75. DENG Shubin, WU Honggan, JIANG Tao. A study on relative radiometric normalization for remote sensing dynamic monitoring[J]. Remote Sensing Information, 2008, 5(4): 71-75.

[11] 唐樸謙, 楊建宇, 張 超, 等. 基于像素比值的面向?qū)ο蠓诸?lèi)后遙感變化檢測(cè)方法[J]. 遙感信息, 2010, 3(1): 69-72. TANG Puqian, YANG Jianyu, ZHANG Chao, et al. An object-oriented post-classification remote sensing change detection after the pixel ratio[J]. Remote Sensing Information, 2010, 3(1): 69-72.

[12] 范海生, 馬藹乃, 李 京. 采用圖像差值法提取土地利用變化信息方法[J]. 遙感學(xué)報(bào), 2001, 5(1): 75-80. FAN Haisheng, MA Ainai, LI Jing. Case study on image differencing method for land use change detection using thematic data in renhe district of panzhihua[J]. Journal of Remote Sensing, 2001, 5(1): 75-80.

[13] 張永梅, 李立鵬, 姜 明, 等. 綜合像素級(jí)和特征級(jí)的建筑物變化檢測(cè)方法[J]. 計(jì)算機(jī)科學(xué), 2013, 40(1): 286-293. ZHANG Yongmei, LI Lipeng, JIANG Ming, et al. Change detection method for buildings based on pixel-level and feature-level[J]. Computer Science, 2013, 40(1): 286-293.

[14] 付麗莉, 李 鋼, 王 慶. SPOT5衛(wèi)星影像在土地變更調(diào)查中的應(yīng)用[J]. 國(guó)土資源信息化, 2005, 24(5): 26-30. FU Lili, LI Gang, WANG Qing. Application of SPOT5 satellite image to the investigation of land use changes[J]. Land and Resources Informatization, 2005, 24(5): 26-30.

[15] 張秀英, 馮學(xué)智, 丁曉東, 等. 基于面向?qū)ο蠓椒ǖ腎KONOS影像城市植被信息提取[J]. 浙江大學(xué)學(xué)報(bào)(農(nóng)業(yè)與生命科學(xué)版), 2007, 33(5): 568-573. ZHANG Xiuying, FENG Xuezhi, DING Xiaodong, et al. Detecting urban vegetation categories based on object-oriented method from IKONOS data[J]. Journal of Zhejian University (Agriculture and Life Science), 2007, 33(5): 568-573.

[16] OORT VAN PAJ. Interpreting the change detection error matrix[J]. Remote Sensing of Environment, 2007, 108(1): 1-8.

[17] 杜培軍, 柳思聰, 鄭 輝. 基于支持向量機(jī)的礦區(qū)土地覆蓋變化檢測(cè)[J]. 中國(guó)礦業(yè)大學(xué)學(xué)報(bào), 2012, 41(2): 262-267. DU Peijun, LIU icong, ZHENG Hui. Land cover change detection over mining areas based on support vector machine[J]. Journal of China University of Mining & Technology, 2012, 41(2): 262-267.

[18] 張友靜, 高云霄, 黃 浩, 等. 基于SVM決策支持樹(shù)的城市植被類(lèi)型遙感分類(lèi)研究[J]. 遙感學(xué)報(bào), 2006, 10(2): 191-196. ZHANG youjing, GAO yunxiao, HUANG Hao, et al. Research on remote sensign classlfi-cation of urban vegetation species based on SVM decision-making tree[J]. Journal of Remote Sensing, 2006, 10(2): 191-196.

郝從娜 女，1984年生，碩士，講師。研究方向?yàn)榈乩硇畔⑾到y(tǒng)、遙感及光譜分析等。

陶文曠 男，1993年生，碩士研究生。研究方向?yàn)樯鷳B(tài)環(huán)境遙感方面。

Comprehensive Multi-level Detection Method for Vegetation Change Detection

HAO Congna1，TAO Wenkuang2

(1. Shunhua Energy Institute, Liaoning Shihua University, Fushun 113001, China) (2. School of Environment Science and Spatial Informatics,China University of Mining & Technology, Xuzhou 221008, China)

In order to improve the accuracy of change detection and obtain the information of vegetation changes，we proposed a method of obtain accurate from coarse to fine on the basis of utilization of pixel level change detection, feature-level change detection and after classification change detection. 2002 and 2007 QuickBird multispectral image is selected as a test object, using pixel-level change detection process the multi-temporal remote sensing data to determine the candidate region including vegetation changes, and then using feature-level change detection to determined the changes in the region. Finally the location and type of changes information are obtained by using after classifition detection change. By the test of two remote sensing data change detection, and compare with the individual detection method, the validity of the new method is verified. The results showed that: new method could improve the detection accuracy changes while providing feature information changes, and could be effectively applied to vegetation change detection information.

change detection; forestland changes; post-classification comparison change detection

10.16592/ j.cnki.1004-7859.2016.12.011

國(guó)家重大科學(xué)儀器設(shè)備開(kāi)發(fā)專(zhuān)項(xiàng)項(xiàng)目(2012YQ24012705)；中煤科工集團(tuán)科技創(chuàng)新基金面上項(xiàng)目(2014M5030)

陶文曠 Email：tao129tao@163.com

2016-09-19

2016-11-22

TP751

A

1004-7859(2016)12-0056-05