身份证号:362430198901143720
摘要:在对高分影像进行实验时,考虑单一的特征会造成资源的浪费,其精度也较低,考虑到特点不相同,得到的精度也不尽相同。在进行变化检测实验时,如何将特征进行融合,以及怎样用于分割像斑的分类也存在困难。本文以同一地区两期影像为基础数据,分别考虑①光谱特征;②光谱和纹理特征;通过实验对二者进行比较,完成变化检测,最后对实验结果进行分析,得出结论。
关键词: 变化检测;高分辨率遥感影像;精度评价;特征值
1引言
变化检测就是对不同时间观测确定地物或自然现象状态变化的过程。变化检测的方法常用于得到遥感影像中的信息提取。这种方法在土地利用和土地覆盖变化领域中得到广泛应用,变化检测在灾害预警中也很常见[1]。遥感影像精度越高,得到的相关信息也会越多。想得到更准确的更完整的检测目标,通过传统的信息提取方法已无法完全满足。而通过基于多特征分析的面向对象检测的方法已成为高分辨率遥感影像变化检测的研究重点[2]。考虑这些地面物体所包含的大量特征之后,从影像上更容易辨别出与特征描述相一致的地面物体。通常地讲,少量的特征不能将一种地物很好地区别于其他地物,不同特征对地物分类、检测结果的影响也不一样。由单特征所得到的检测结果不够全面,其中地物信息损失较多,利用多特征进行变化检测是其中的关键问题。而融合特征的差异所得到的检测结果存在许多不确定性。所以需要对多特征进行集成,得到更精确的结果。
2对高分影像进行变化检测
2.1 顾及多特征的高分影像进行变化检测实验
遥感影像分辨率的不断升高,其所包含的地面的细节特征更加详细。即使是一种物体在高分影像上表现的光谱值也不相同,不同的地面物体在高分影像上表现的更是千差万别。此时采用将目标看作为空间上相邻、光谱值相差较小的许多相邻像元,也能将其叫做像斑。像斑中含有光谱、形状和纹理信息。代表同一种地物的分割像斑的形状特征趋近于拥有相似的特征值,同时其纹理特征值也趋近于在某一个范围。因此充分考虑这些特征能够将地物很好的区分开来,从而提高变化检测的精度。
2.2影像预处理
两期影像都均为IKONOS卫星,分辨率为1m;坐标系统为西安80,图像大小分别为680×460个像元。由于拍摄条件差异较大,需要进行几何校正,减少其在变化检测分析中带来的误差。由于地理配准之后配准偏差较大,所以截取中间一部分作为数据,截取后的影像包含为415×423个像元,如图1所示。
(a)前一期影像 | (b)前一期影像 | |
图1 预处理后影像图 | ||
2.3面向对象的变化检测
现在对高分影像的变化检测研究中,较普遍采用的方法是对像斑整体的判断。面向对象的变化检测是在综合考察像元及其邻域的光谱、空间特征,以具有光谱、空间同质性的像元簇(即对象)作为基本处理单元,代替单个像元进行变化检测的方法[3]。其常见的实现方式是先将两幅不同时期的高分影像进行波段组合,将得到的多波段影像进行整体分割,再将其分割得到的影像进行修改还原组合之前的波段。这个时候不同的影像拥有相同的分割结果,再对像斑进行特征值计算、分类,最后对变化检测的结果评定。
2.3.1影像分割
地物的提取是在分割结果上进行的,因此其分割质量将对像斑的特征提取和地物判别带来很大的影响。影像分割是将影像分割成为不同区域的过程,分割后的每个像斑拥有相似特征,包括灰度、形状、纹理等[4]。
本实验中首先对两期IKONOS影像进行融合,将融合后的波段影像拆分得到有共同分割结果的影像。利用多种尺度参数进行影像切割时,决定其切割质量的参数为尺度大小、颜色因子、形状因子、紧致度、平滑度。参数中分割的尺度决定结果中地物的大小(数值越小,像斑越小);两个参数的比重由颜色和形状因子决定;紧致度和平滑度是考虑像斑形状的两个参数(形状参数的值设置的越大,得到的像斑形状差别较小)。通过多次的实验结果可知:选择分割尺度参数为50,形状因子参数为0.1,紧致度参数为0.6时得到的结果比较好[5]。
得到分割结果后,用适当的特征将结果进行分类,将地面物体分为建筑物、道路、林地、裸地和阴影五类[6],分类得到结果图,如图2所示。
a)前一期影像分类结果 | (b)后一期影像分类结果 |
图2 考虑光谱特征分类结果图 |
通过对两期影像的分类结果计算得出地物类别的变化情况,如表1所示。
表1 地物类别变化及检测精度
变化检测考虑特征 | 地物 类别 | 前一年所占比例(%) | 后一年所占比例(%) | 变化 (%) | 虚警率 (%) | 漏警率 (%) | 检测 概率 (%) | |
光谱特征 | 建筑物 | 15.54 | 7.14 | -54.05 | 47.73 | 8.20 | 52.27 | |
道路 | 18.57 | 37.71 | 103.07 | |||||
裸地 | 38.74 | 24.71 | -36.22 | |||||
林地 | 13.63 | 12.99 | -4.70 | |||||
阴影 | 13.53 | 17.97 | 32.82 | |||||
2.3.2多特征组合分析
现融合光谱特征(Mean blue、Brightness
)、纹理特征(GLCM)对地物进行分类、变化检测。并对对像斑划分类别。分类后得到结果图,如图3所示。
(a)前一期影像分类结果 | (b)后一期影像分类结果 |
图3分类结果图 |
通过对两期影像的分类结果计算得出地物类别的变化情况,如表2所示。
表2 地物类别变化及检测精度
变化检测 考虑特征 | 地物 类别 | 前一年所占比例(%) | 后一年所占比例(%) | 变化 (%) | 虚警率 (%) | 漏警率 (%) | 检测概率 (%) |
光谱特征+纹理特征 | 建筑物 | 15.09 | 12.66 | -16.10 | 26.87 | 9.30 | 73.13 |
道路 | 14.06 | 27.44 | 95.16 | ||||
裸地 | 54.34 | 34.64 | -36.25 | ||||
林地 | 2.99 | 10.41 | 248.16 | ||||
阴影 | 13.52 | 14.85 | 9.84 |
由变化检测的结果可知:根据地物各种特征值的分布,在对地物进行分类的时候,合理的组合特征能够提高变化检测的精度。用较少的特征也可以使计算量简化。
3精度评定
表3 几种变化检测方法精度对比
变化检测考虑特征 | 虚警率(%) | 漏警率(%) | 检测概率(%) |
光谱特征 | 47.73 | 8.20 | 52.27 |
光谱特征+纹理特征 | 26.87 | 9.30 | 73.13 |
采用以往面向对象的方式进行变化检测实验(即只使用其光谱信息)计算得到的精度只有52.27%,地物分类时会出现较多的错分、漏分的情况,虚警率则达到47.73%。纹理特征中含有地物的排列方式和与周围地物的关系信息,因此,将光谱和纹理特征进行融合可以得到较高的检测精度,达到73.13%,虚警率则只有26.87%。
参考文献:
[1]王丽涛,王世新,周艺,刘文亮,王峰,王福涛.基于纹理特征的高分辨率遥感影像灾害监测应用[J].灾害学,2014,29(03):97-101.
[2]全卫澎,李卫华,李小春.多特征自适应融合的高分辨率遥感影像变化检测[J].电光与控制,2015,22(03):45-49.