2. 中南林业科技大学土木工程学院, 湖南 长沙 410004;
3. 有色金属成矿预测与地质环境监测教育部重点实验室(中南大学), 湖南 长沙 410083;
4. 有色资源与地质灾害探查湖南省重点实验室, 湖南 长沙 410083
2. College of Civil Engineering, Central South University of Forestry and Technology, Changsha 410004, China;
3. Key Laboratory of Metallogenic Prediction of Nonferrous Metals and Geological Environment Monitoring(Central South University), Ministry of Education, Changsha 410083, China;
4. Key Laboratory of Non-ferrous Resources and Geological Hazard Detection, Changsha 410083, China
遥感影像变化检测是全球变化研究的重要内容[1]。近30年来,国内外许多学者提出了许多基于遥感影像的变化检测方法[2]。如基于两期遥感影像的变化检测方法,包括灰度差值(differencing)、归一化植被指数(normalized difference vegetation index,NDVI)、灰度比值(ratioing)、主成分分析法(principal component analysis,PCA)、变化向量分析法(change vector analysis,CVA)、面向对象变化检测等直接比较法[3-8]和分类后比较法[9-10](post-classification comparison)及其他组合方法(hybrid)等[11]。其中分类后比较法是在已经完成两期遥感影像分类的基础上再提取变化信息,存在工作量大、分类误差传递累积到变化信息中等问题。直接比较法一般要求用于变化检测的两期影像数据应在相同时间和光谱条件下获得,对于很多情况(如突发性灾害区域)的变化检测来说,这一条件很难满足,而且该方法难以有效使用当前迅速发展的多源遥感影像数据。近年来,许多应用需求的参考数据中包含了一期分类矢量数据,一些学者开始尝试用已有矢量数据集和最新遥感影像相结合进行变化检测[12-18],已有矢量数据集包含位置、形状、大小和类别属性等先验信息,在变化检测中,充分利用这些先验信息有利于提高变化检测的精度与效率。矢量数据往往以对象为组织单位,采用矢量数据和遥感影像的变化检测方法体现了变化发生的区域性与对象性特点,变化检测结果更加符合客观现实。用矢量数据和遥感影像进行变化检测一般包括:用矢量数据分割遥感影像获取影像对象、提取变化影像对象、对变化影像对象进行重新分割和变化信息提取等环节,其中,提取变化影像对象是整个变化检测过程中的核心步骤,本文主要研究变化影像对象的提取方法。
影像对象是数字影像上单个可以分解的实体,这个实体由一组高分辨率像素组成[19-20],在遥感影像上,影像对象是具有相同要素类别属性像元的集合。未变化实体在基准期和检测期理论上具有完全相同的位置、形状、大小和要素类别属性,可以用矢量数据集对遥感影像进行分割,获取其影像对象,这些影像对象具有清晰完整的边界信息和先验类别属性。未变化同类影像对象的纹理特征具有相似性,而不同类影像对象纹理特征具有差异性,因此可以用纹理分析技术检验影像对象的验后类别属性。由于不同纹理特征参数描述同种要素类别影像对象的纹理具有差异性,以及同一纹理特征参数描述不同要素类别影像对象纹理也具有差异性,所以在运用纹理分析技术时,纹理特征参数的选取尤为重要。信息增益(information gain)衡量了一种特征能够为分类系统带来的信息量,带来的信息越多,该特征在分类系统中就越重要[21]。本文运用信息增益原理,构建一个衡量纹理特征参数对要素类别识别的贡献度指标,提出一种顾及纹理特征贡献度的变化影像对象提取方法。
1 研究方法 1.1 变化影像对象提取思路文献[17]运用信息增益原理,通过累加统计各项光谱和纹理特征在类别分析中的贡献,进行特征选择,然后利用两期影像进行变化检测,该方法在同源影像间的特征选择能够有效提高变化检测精度,但其特征参数都是基于单个像元的统计特性(其中的光谱特征包括影像中各波段光谱信息的均值、方差和熵,纹理特征是小波影像上的均值、方差和熵)。由于在遥感影像上地物的光谱信息因时间、地域、环境和传感器等的不同而有差异,因此在同类影像对象中,单个像元的统计特性可能会因影像的光谱条件和时间差异而有较大的差异性,而且这种差异性也为求解特征参数的最大信息增益率增加了困难。基于灰度共生矩阵(grey level co-occurrence matrix,GLCM)的纹理特征参数,不仅考虑了单个像元的光谱特性,而且也考虑了当前像元与邻域像元光谱特性的空间关系,运用信息增益原理的特征选择结果能够满足异源遥感影像、以及同一影像不同区域的变化检测要求。此外,基于GLCM的同一纹理特征在不同要素类别中的明显差异性也简化了特征空间的划分,提高了信息增益率的求解效率。基于以上的分析,本文选择基于GLCM的纹理特征参数作为变化影像对象提取的特征参数,使用矢量数据和影像数据作为数据源,利用矢量数据中要素类别的先验信息和影像数据中光谱信息描述的空间特性进行变化影像对象提取,主要包括遥感影像分割、各类要素纹理特征参数的确定和变化影像对象提取等环节,总体思路如图 1所示。
![]() |
图 1 变化影像对象提取思路 Fig. 1 Research thinking of extracting changed image objects |
首先用基准期矢量数据分割检测期影像数据,获取影像对象。基准期矢量数据中的要素类别具有位置、形状、大小和类别属性等先验信息,这些先验信息在检测期未变化的影像对象上是完全相同的,而且分割后的影像对象同时包含有基准期对应的先验类别属性和检测期对应的光谱信息。
其次是确定各类要素的纹理特征参数及其权重,主要包括选取各要素类别影像对象样本、计算样本影像对象的灰度共生矩阵及其纹理特征值、信息增益率、纹理特征贡献度和确定纹理特征参数的选择标准。在本文中采用分层随机抽样方法,通过人工目视判别确保所选样本为未变化影像对象,完成抽样工作。
灰度共生矩阵描述了当前像元与邻域像元光谱信息的空间关系,具有较强的自适应性和稳健性,但是基于灰度共生矩阵的纹理特征参数多达14种[22-23],众多的纹理特征参数给影像对象分析带来了困难,而且不同纹理特征参数对相同要素类别的不同影像对象的贡献程度具有差异性,同一纹理特征参数对不同要素类别的影像对象的贡献程度也不相同,因此需要对参与影像对象变化分析的纹理特征参数进行选择,并确定其先验权重大小。信息增益能够定量描述纹理特征参数为确定要素类别的有效信息量[21],可作为衡量纹理特征参数对要素类别重要程度的指标。依据同一纹理特征参数对不同要素类别和不同纹理特征参数对同一要素类别信息增益率的相对大小,构建纹理特征贡献度指数,再在此基础上,去除那些贡献度较小的纹理特征参数,增加贡献度较大纹理特征参数的权重。
最后根据各类要素纹理特征参数选取结果确定变化影像对象提取方法。依据影像对象的先验类别属性确定影像对象的纹理特征参数,计算影像对象的灰度共生矩阵及其相应的纹理特征参数值,由影像对象的纹理特征值和先验要素类别对应的样本纹理特征值计算相似度系数,并由相似度系数值的大小判断影像对象的先验要素类别是否变化,提取出变化影像对象。
1.2 纹理特征贡献度的计算相同要素类别的影像对象具有相似的纹理特征信息,而不同要素类别影像对象的纹理特征信息具有差异性,因此可以用纹理特征分析技术来识别未变化的影像对象。不同纹理特征参数对相同要素类别的不同影像对象的贡献程度具有差异性,同一纹理特征参数对不同要素类别的影像对象的贡献程度也不相同,因此需要计算纹理特征参数对各要素类别的贡献度大小,进行纹理特征参数选择。
1.2.1 基于灰度共生矩阵的纹理特征参数纹理特征作为重要的视觉表达方式,已广泛应用于各类高分辨率遥感图像处理中[24-26]。纹理特征分析方法主要有统计方法、结构方法、模型方法和基于数学变换方法[27]。统计方法是基于像元及其邻域的灰度属性,研究纹理区域中的统计特性,灰度共生矩阵已经被理论和实践证明是最有效的方法之一,具有较强的自适应性和鲁棒性,已经广泛应用于各种纹理分析中[23, 28]。灰度共生矩阵的计算传统上采用一个固定大小滑动矩形窗口[29],为了分析每个影像对象的纹理特征,在本文中,将计算每一个需要检测影像对象的灰度共生矩阵。
灰度共生矩阵描述了当前像元与邻域像元的灰度值关系,是两像元之间方向和距离的函数。因为遥感数字影像是离散集,所以通常计算0°、45°、90°和135° 4个方向的灰度共生矩阵。具有灰度值为i的像元(k,l)和灰度值为j的像元(m,n)之间的灰度共生矩阵定义为[22]
![](PIC/chxb-46-5-605-E1.jpg)
式中,#表示集合中元素的个数;R×C是检测影像对象的像元集;d是两像元之间的间隔。为了消除影像对象大小的影响,灰度共生矩阵需要被归一化
![](PIC/chxb-46-5-605-E2.jpg)
式中, L是遥感图像中灰度级的个数。文献[22]定义了14个纹理特征参数,分别为:角二阶矩(f1)、对比度(f2)、逆差矩(f3)、熵(f4)、相关系数(f5)、方差(f6)、均值(f7)、总平均(f8)、总熵(f9)、和方差(f10)、差熵(f11)、差方差(f12)和相关信息量(f13、f14)。各种不同纹理特征参数值的大小体现了影像对象纹理在某方面的特性,如角二阶矩表征了影像对象纹理的同质特性,值越大表示影像有较均一和规则变化的纹理特征,而熵衡量了影像对象纹理的随机特性,值越大,影像纹理越复杂。由于影像对象的类别属性不同,不同类别影像对象的纹理特征具有差异性,而且同类别影像对象的纹理特征往往也具有局部差异性,因此需要根据影像对象的先验类别属性选择最优的纹理特征参数来判断影像对象的验后类别。
1.2.2 基于信息增益率的纹理特征贡献度计算用纹理特征值表示的纹理特征信息存在冗余,而且冗余大小与纹理特征值的不确定性有关,信息熵(information entropy)表示了纹理特征信息中排除冗余后的平均信息量[30],因此可以用信息熵来度量纹理特征信息的价值。设H(Ci)用于表示衡量要素类别Ci(其中i=1,2,…,t, t表示要素类别的总数)所含信息量的信息熵,则有
![](PIC/chxb-46-5-605-E3.jpg)
式中,
所选样本中,设N为样本总数,NCi为要素类别Ci中影像对象个数。根据各要素类别纹理特征值的统计特性,可将每个纹理特征参数的特征空间都划分为两部分,即属于要素类别Ci的特征空间和不属于要素类别Ci的特征空间。纹理特征参数fj(其中,j=1,2,…,14) 属于要素类别Ci的特征空间由所选样本中纹理特征参数fj属于要素类别Ci的最大值和最小值确定。设H(Ci/fj)表示在第j个纹理特征参数fj已知条件下要素类别Ci所含信息量的条件熵,则有
![](PIC/chxb-46-5-605-E4.jpg)
式中,
信息增益(information gain)是信息熵的有效减少量[30],根据信息增益能够确定在什么样的层次上选择哪种纹理特征参数来确定影像对象的后验类别,可作为衡量纹理特征重要程度的指标。设Gain(Ci,fj)表示第j个纹理特征参数fj的信息增益,则有
![](PIC/chxb-46-5-605-E5.jpg)
式中,Gain(Ci,fj)表示了第j个纹理特征参数fj的值已知时,类别Ci信息量减少的程度。信息增益越大,表示纹理特征参数fj对类别Ci分类结果影响越大。使用信息增益选择的特征往往会偏向于具有更多取值区间的特征,因此笔者用信息增益率来度量纹理特征的重要性。设GainRat(Ci,fj)表示第j个纹理特征参数fj的信息增益率,则有
![](PIC/chxb-46-5-605-E6.jpg)
式中,H(fj)表示第j个纹理特征参数的信息熵;衡量纹理特征参数fj的信息量。
信息增益率能够定量描述纹理特征参数对要素类别的贡献程度,其值大于0小于1。由同一纹理特征参数的信息增益率在不同要素类别中的相对大小和不同纹理特征参数的信息增益率在同一要素类别中的相对大小,构建一个衡量纹理特征参数对要素类别识别的贡献度指标—纹理特征贡献度(texture feature contribution index,TFCI)。设TFCIfjci表示纹理特征参数fj对要素类别Ci的贡献度指数,则有
![](PIC/chxb-46-5-605-E7.jpg)
式中,maxf(·)表示纹理特征参数fj在不同要素类别中信息增益率的最大值;maxC(·)表示要素类别为Ci的不同纹理特征参数中信息增益率的最大值。
TFCIfjci的值介于0~100%,其值越大表示纹理特征参数对要素类别的贡献越大,值越小则贡献越小。在进行影像对象类别识别时,依据纹理特征贡献度指数大小可以有效判断选择什么样的纹理特征参数,以至于在多大程度上选择一种纹理特征参数。按贡献度指数的大小,可以将纹理特征参数分成5个区间:① 0≤TFCI<20%,贡献度低;② 20%≤TFCI<40%,贡献度较低;③ 40%≤TFCI<60%,贡献度中等;④ 60%≤TFCI<80%,贡献度较高;⑤ 80%≤TFCI≤100%,贡献度高。
可以根据实际情况选择适合的纹理特征参数,一般可以排除贡献度低和较低的纹理特征参数,适度利用贡献度中等的纹理特征参数,充分利用贡献度高和较高的纹理特征参数。图 2表示了要素类别为C的14种纹理特征参数特征贡献度的差异性,从而为要素类别C的特征参数选择提供依据。
![]() |
图 2 要素类别C的纹理特征贡献度 Fig. 2 Texture feature contribution of class C |
由图 2可以看出,纹理特征参数f3、f8、f12和f14的贡献度高,f7和f9的贡献度较高,而f1、f4和f10的贡献度最低,都低于20%。因此笔者在识别类别C的影像对象类别时应选择贡献度高和较高的纹理特征参数f3、f8、f12、f14、f7和f9。
1.3 基于TFCI的变化影像对象提取纹理特征贡献度指数定量描述了不同纹理特征参数对同一要素类别,以及同一纹理特征参数对不同要素类别的相对重要程度。根据纹理特征贡献度指数的大小,检验影像对象与先验要素类别所对应的样本纹理特征值的差异性,从而可以提取出变化的影像对象。
1.3.1 基于TFCI的加权相似度系数计算根据纹理特征贡献度选择出主要纹理特征参数后,依据这些特征参数计算影像对象与其先验类别属性对应样本对象的相似度系数(texture feature similarity index,TFsim),并由相似度系数值的大小判断影像对象的类别属性是否变化。
设TFsim(IOj,C)表示影像对象j与先验类别C的相似度系数,则有
![](PIC/chxb-46-5-605-E8.jpg)
式中,fIOji、fSci分别表示影像对象j和样本类别C中第i个纹理特征参数的特征值, n为纹理特征参数个数。TFsim(IOj,C)其实质是基于纹理特征贡献度纹理特征值的加权,充分利用了纹理特征参数中的可靠信息,限制利用其有害信息,从而可提高变化影像对象提取结果的精度。相似度系数的值介于0至1之间,其值越大表明影像对象被识别为先验样本类别属性的概率就越大,其值越小表明被识别为此类的概率就越小。
1.3.2 基于TFsim的变化影像对象提取根据影像对象的相似度系数,可以检测影像对象的先验类别属性是否变化,完成变化影像对象提取。变化影像对象提取流程如图 3所示。
![]() |
图 3 变化影像对象提取流程 Fig. 3 The flowchart of extracting changed image objects |
首先用基准期矢量数据对检测期影像数据进行影像分割,获得影像对象。分割后的影像对象同时具有影像对象的光谱信息和先验类别属性信息。然后逐一计算每个影像对象的灰度共生矩阵。再选取各要素类别的样本影像对象,根据灰度共生矩阵计算样本影像对象的纹理特征值和信息增益率,由信息增益率计算每种纹理特征参数对各种要素类别的特征贡献度,进行影像对象的特征参数选择。最后,依据影像对象所选的主要纹理特征参数的贡献度大小和影像对象的先验类别属性,计算影像对象与先验要素类别所对应的样本纹理特征值的相似度系数,并由相似度系数值的大小与阈值进行比较,进而判断影像对象的先验类别属性是否变化,完成变化影像对象结果提取。
2 试验 2.1 数据与研究区域试验数据为一幅矢量地图和一幅高分辨率的航空遥感影像。研究区域位于湖南省长沙市,影像数据获取时间为2013年11月(图 4(a)),遥感器类型为DOM,影像的空间分辨率为1 m,包含红、绿、蓝3个波段,影像大小包含2303×2097像元。矢量地图由2009年3月的影像数据数字化获得(图 4(b)),包含1546个地理对象和10种要素类别,包括道路、草地、居民地、林地、水体、灌丛、稻田、旱地、苗圃和裸地。
![]() |
图 4 变化检测数据 Fig. 4 Test data set |
2.2 变化影像对象提取结果与分析
首先用2009年矢量地图分割2013年影像数据,获得影像对象,然后目视随机选取各要素类别的影像对象样本,并计算每个样本影像对象的纹理特征值。依据纹理特征值计算纹理特征参数的信息增益率,进而计算各纹理特征参数的贡献度指数,结果见图 5。
![]() |
图 5 各要素类别纹理特征贡献度 Fig. 5 Texture feature contribution |
纹理特征贡献度表示了不同纹理特征参数对同一要素类别的相对贡献大小,体现了同一纹理特征参数区分不同要素类别的能力大小。在图 5中,纹理特征贡献度的大小是选择特征参数的依据,并由此决定在多大程度上选择该特征参数,各要素类别纹理特征参数选择结果见表 1。
地 物 类 别 |
草地 | 特征参数 | f5 | f2 | f3 | f13 | f14 | |
贡献度/(%) | 100 | 35 | 35 | 35 | 35 | |||
道路 | 特征参数 | f1 | f3 | f4 | f6 | f8 | f9 | |
贡献度/(%) | 100 | 100 | 100 | 100 | 100 | 100 | ||
灌丛 | 特征参数 | f5 | f3 | f2 | f8 | f14 | ||
贡献度/(%) | 100 | 78 | 72 | 72 | 67 | |||
稻田 | 特征参数 | f5 | f8 | f6 | f9 | |||
贡献度/(%) | 100 | 78 | 68 | 68 | ||||
旱地 | 特征参数 | f5 | f13 | f3 | f2 | |||
贡献度/(%) | 100 | 93 | 73 | 63 | ||||
林地 | 特征参数 | f6 | f8 | f9 | f5 | |||
贡献度/(%) | 100 | 100 | 100 | 89 | ||||
裸地 | 特征参数 | f6 | f8 | f9 | f5 | |||
贡献度/(%) | 100 | 99 | 99 | 98 | ||||
苗圃 | 特征参数 | f5 | f7 | f4 | f11 | |||
贡献度/(%) | 100 | 67 | 60 | 60 | ||||
居民地 | 特征参数 | f3 | f4 | f2 | f1 | f11 | f14 | |
贡献度/(%) | 100 | 99 | 92 | 76 | 76 | 69 | ||
水体 | 特征参数 | f2 | f7 | f12 | f13 | f14 | f1 | |
贡献度/(%) | 100 | 100 | 100 | 100 | 100 | 74 |
从表 1中可以清晰看出各要素类别纹理特征参数选择具有很大的差异性。道路和水体中能供选择的特征参数较多,而且其特征贡献度相对较高,其次是居民地、林地和裸地,再次是旱地、灌丛、稻田和苗圃,而草地的可供选择的纹理特征参数较少。
根据要素类别选择的纹理特征参数及其贡献度的大小,由式(8) 计算影像对象的相似度系数,并判断影像对象的先验类别属性是否变化,变化影像对象提取结果如图 6(a)。图 6中的黑色区域表示要素类别发生了变化的区域,主要集中在西北方向。在基于纹理特征的变化影像提取中,为了验证对纹理特征参数进行评价的重要性,笔者采用纹理特征直接比较法来提取变化影像对象。在纹理特征直接比较法中,14种纹理特征参数都参与计算,没有经过纹理特征参数选取,而且假定每种纹理特征参数对各要素类别的贡献度相同,具有相同的先验权因子1,得出的变化影像对象提取结果如图 6(b)。为了更加直观了解两种变化影像对象提取结果的差异,将图 6(a)和图 6(b)中的部分区域放大,对应区域的放大效果如图 6(c),通过图 6(c)中对应区域的对比分析,可以直观看出两种变化影像提取结果存在明显差异。
![]() |
图 6 变化影像对象提取结果 Fig. 6 The results of extracting changed image objects |
为了定量评价基于纹理特征贡献度变化影像对象提取效果,从各要素类别中随机选取25%的样本要素,通过目视解译判断要素类别作为真值,并与变化影像对象提取结果进行比较分析,用于评价变化影像对象提取结果的精度,变化影像对象提取结果精度见表 2。
地物 类别 |
总数 | 本文方法 | 纹理直接比较法 | |||||
变化 | 误检 | 漏检 | 变化 | 误检 | 漏检 | |||
草地 | 21 | 5 | 4 | 1 | 5 | 8 | 3 | |
道路 | 32 | 8 | 0 | 0 | 8 | 2 | 1 | |
灌丛 | 35 | 15 | 3 | 1 | 15 | 5 | 3 | |
稻田 | 45 | 12 | 3 | 2 | 12 | 8 | 2 | |
旱地 | 30 | 9 | 2 | 1 | 9 | 5 | 2 | |
林地 | 48 | 22 | 1 | 2 | 22 | 8 | 4 | |
裸地 | 27 | 20 | 1 | 0 | 20 | 3 | 0 | |
苗圃 | 31 | 10 | 2 | 1 | 10 | 4 | 2 | |
居民地 | 43 | 15 | 1 | 1 | 15 | 3 | 1 | |
水体 | 25 | 5 | 0 | 0 | 5 | 0 | 1 | |
合计 | 335 | 101 | 17 | 9 | 101 | 46 | 19 | |
误检率/(%) | 5.07 | 13.73 | ||||||
漏检率/(%) | 2.69 | 5.67 | ||||||
总精度/(%) | 92.24 | 80.59 |
从表 2可以看出,本文提出的基于纹理特征贡献度的变化影像对象提取方法精度很高,能够很好地满足变化检测的要求,而基于纹理特征值的直接比较法精度相对较低,主要原因是后者在进行变化检测时没有考虑不同纹理特征参数对相同要素类别的不同影像对象、以及同一纹理特征参数对不同要素类别的影像对象贡献度的差异性,而前者通过对纹理特征参数贡献度的定量衡量较好地弥补了这一缺陷,从而有利于变化检测结果精度的提高。由于同种要素类别不同影像对象纹理特征具有差异性,使得各要素类别变化检测精度也具有明显的差异性,如水体和道路的纹理特征差异性很小,变化检测精度较高,而草地、稻田和灌丛纹理特征差异性较大,变化检测精度相对较低,这些差异性也可以从特征选择的结果中观察到,进一步细分具有复杂纹理的地物,选择更具有代表性的样本对象,将可以提高这些纹理特征差异性较大地类的检测精度。
3 结语本文在充分利用矢量数据先验知识的基础上,结合最新遥感影像数据,提出了一种顾及纹理特征贡献度的变化影像对象提取方法。利用矢量数据要素对象边界信息分割遥感影像,获取对应的影像对象和先验类别属性信息。在计算影像对象纹理特征值的基础上,根据信息增益原理,计算了纹理特征参数对要素类别的特征贡献度,并进行特征参数选择。由纹理特征参数计算影像对象的纹理特征相似度系数,根据相似度系数进行变化影像对象提取。最后以长沙地区2009年的矢量数据和2013年的影像数据进行了试验,试验结果表明,本文提出的变化检测方法精度较高,验证了该方法的有效性,而且,该变化检测方法能够针对特定要素类别进行自动、准确的变化检测,在地表覆盖数据更新、灾后应急和国土资源检测等方面有一定的应用价值。如何利用矢量数据的先验信息准确分割变化影像对象和类别信息提取将是笔者下一步的工作,需要作出进一步的研究。
[1] | 陈军, 陈晋, 廖安平, 等. 全球30 m地表覆盖遥感制图的总体技术[J]. 测绘学报, 2014, 43(6): 551–557. CHEN Jun, CHEN Jin, LIAO Anping, et al. Concepts and Key Techniques for 30 m Global Land Cover Mapping[J]. Acta Geodaetica et Cartographica Sinica, 2014, 43(6): 551–557. DOI:10.13485/j.cnki.11-2089.2014.0089 |
[2] | 张晓东, 李德仁, 龚健雅, 等. 遥感影像与GIS分析相结合的变化检测方法[J]. 武汉大学学报(信息科学版), 2006, 31(3): 266–269. ZHANG Xiaodong, LI Deren, GONG Jianya, et al. A Change Detection Method of Integrating Remote Sensing and GIS[J]. Geomatics and Information Science of Wuhan University, 2006, 31(3): 266–269. |
[3] | BRUZZONE L, PRIETO D F. Automatic Analysis of the Difference Image for Unsupervised Change Detection[J]. IEEE Transactions on Geoscience and Remote Sensing, 2000, 38(3): 1171–1182. DOI:10.1109/36.843009 |
[4] | CHEN Jin, CHEN Xuehong, CUI Xihong, et al. Change Vector Analysis in Posterior Probability Space:A New Method for Land Cover Change Detection[J]. IEEE Geoscience and Remote Sensing Letters, 2011, 8(2): 317–321. DOI:10.1109/LGRS.2010.2068537 |
[5] | HE Chunyang, WEI Anni, SHI Peijun, et al. Detecting Land-use/Land-cover Change in Rural-urban Fringe Areas Using Extended Change-vector Analysis[J]. International Journal of Applied Earth Observation and Geoinformation, 2011, 13(4): 572–585. DOI:10.1016/j.jag.2011.03.002 |
[6] | JOHNSON R D, KASISCHKE E S. Change Vector Analysis:A Technique for the Multispectral Monitoring of Land Cover and Condition[J]. International Journal of Remote Sensing, 1998, 19(3): 411–426. DOI:10.1080/014311698216062 |
[7] | CELIK T. Unsupervised Change Detection in Satellite Images Using Principal Component Analysis and k-means Clustering[J]. IEEE Geoscience and Remote Sensing Letters, 2009, 6(4): 772–776. DOI:10.1109/LGRS.2009.2025059 |
[8] | ROUSE J W Jr, HAAS R H, SCHELL J A, et al. Monitoring Vegetation Systems in the Great Plains with ERTS[C]//Third Earth Resources Technology Satellite-1 Symposium-Volume Ⅰ:Technical Presentations. Washington, D.C:NASA, 1974(351):309. |
[9] | SERRA P, PONS X, SAURÍ D. Post-classification Change Detection with Data from Different Sensors:Some Accuracy Considerations[J]. International Journal of Remote Sensing, 2003, 24(16): 3311–3340. DOI:10.1080/0143116021000021189 |
[10] | CHEN Xuehong, CHEN Jin, SHI Yusheng, et al. An Automated Approach for Updating Land Cover Maps Based on Integrated Change Detection and Classification Methods[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2012(71): 86–95. |
[11] | 周晓光, 曾联斌, 袁愈才, 等. 四种基于像元的地表覆盖变化检测方法比较[J]. 测绘科学, 2015, 40(1): 52–57. ZHOU Xiaoguang, ZENG Lianbin, YUAN Yucai, et al. Comparison among Four Land Cover Change Detection Methods Using Pixel Spectral Information[J]. Science of Surveying and Mapping, 2015, 40(1): 52–57. |
[12] | ADESINA G O, MAVOMI L. Landuse and Landcover Change Detection of Jebba Lake Basin Nigeria:Remote Sensing and GIS Approach[J]. Journal of Environment and Earth Science, 2014, 4(5): 119–127. |
[13] | ZHAO Zhenzhen, YAN Qin, LIU Zhengjun, et al. Study on Method of Geohazard Change Detection Based on Integrating Remote Sensing and GIS[C]//Proceedings of 35th International Symposium on Remote Sensing of Environment. IOP Publishing, 2014(17):012094. |
[14] | SAMADZADEGAN F, RASTIVEISI H. Automatic Detection and Classification of Damaged Buildings, Using High Resolution Satellite Imagery and Vector Data[J]. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2008(37): 415–420. |
[15] | 李亮, 舒宁, 龚龑. 考虑时空关系的遥感影像变化检测和变化类型识别[J]. 武汉大学学报(信息科学版), 2013, 38(5): 533–537. LI Liang, SHU Ning, GONG Yan. Remote Sensing Image Change Detection and Change Type Recognition Based on Spatiotemporal Relationship[J]. Geomatics and Information Science of Wuhan University, 2013, 38(5): 533–537. |
[16] | 李雪, 舒宁, 王琰, 等. 利用土地利用状态转移分析的变化检测[J]. 武汉大学学报(信息科学版), 2011, 36(8): 952–955. LI Xue, SHU Ning, WANG Yan, et al. Change Detection Based on Land-use Status Transition Analysis[J]. Geomatics and Information Science of Wuhan University, 2011, 36(8): 952–955. |
[17] | 李雪, 舒宁, 李井冈, 等. 基于特征贡献选择的遥感影像变化检测方法研究[J]. 武汉大学学报(信息科学版), 2013, 38(10): 1158–1162. LI Xue, SHU Ning, LI Jinggang, et al. Remote Sensing Image Change Detection Method Based on Selection of Feature Contribution[J]. Geomatics and Information Science of Wuhan University, 2013, 38(10): 1158–1162. |
[18] | SOFINA N, EHLERS M. Object-Based Change Detection Using High-Resolution Remotely Sensed Data and GIS[C]//International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences-XXⅡ ISPRS Congress. Melbourne, Australia:ISPRS, 2012(39):B7. |
[19] | 李亮, 舒宁, 李雪. 基于像斑差熵的遥感影像变化检测[J]. 遥感信息, 2011(4): 38–41. LI Liang, SHU Ning, LI Xue. Remote sensing Image Change Detection Based on the Entropy Difference of Image Segment[J]. Remote Sensing Information, 2011(4): 38–41. |
[20] | HAY G J, NIEMANN K O. Visualizing 3-D Texture:A Three-dimensional Structural Approach to Model Forest Texture[J]. Canadian Journal of Remote Sensing, 1994, 20(2): 90–101. |
[21] | 孙淮宁, 胡学钢. 一种基于属性贡献度的决策树学习算法[J]. 合肥工业大学学报(自然科学版), 2009, 32(8): 1137–1141. SUN Huaining, HU Xuegang. An Algorithm of Decision Tree Learning Based on Attribute Contribution[J]. Journal of Hefei University of Technology (Natural Science), 2009, 32(8): 1137–1141. |
[22] | HARALICK R M, SHANMUGAM K, DINSTEIN I H. Textural Features for Image Classification[J]. IEEE Transactions on Systems, Man, and Cybernetics, 1973, SMC-3(6): 610–621. DOI:10.1109/TSMC.1973.4309314 |
[23] | ULABY F T, KOUYATE F, BRISCO B, et al. Textural Infornation in SAR Images[J]. IEEE Transactions on Geoscience and Remote Sensing, 1986, CE-24(2): 235–245. |
[24] | 金晶, 邹峥嵘, 陶超. 高分辨率遥感影像的压缩纹理元分类[J]. 测绘学报, 2014, 43(5): 493–499. JIN Jing, ZOU Zhengrong, TAO Chao. Compressed Texton Based High Resolution Remote Sensing Image Classification[J]. Acta Geodaetica et Cartographica Sinica, 2014, 43(5): 493–499. DOI:10.13485/j.cnki.11-2089.2014.0086 |
[25] | 沈小乐, 邵振峰, 田英洁. 纹理特征与视觉注意相结合的建筑区提取[J]. 测绘学报, 2014, 43(8): 842–847. SHEN Xiaole, SHAO Zhenfeng, TIAN Yingjie. Built-up Areas Extraction of High-resolution Remote Sensing Images by Texture Driven Visual Attention Mechanism[J]. Acta Geodaetica et Cartographica Sinica, 2014, 43(8): 842–847. |
[26] | 虞欣. 贝叶斯网络在航空影像纹理分类中的应用研究[J]. 测绘学报, 2009, 38(4): 375. YU Xin. A Study of Texture Classification of Aerial Image Using Bayesian Networks[J]. Acta Geodaetica et Cartographica Sinica, 2009, 38(4): 375. DOI:10.3321/j.issn:1001-1595.2009.04.015 |
[27] | 刘龙飞, 陈云浩, 李京. 遥感影像纹理分析方法综述与展望[J]. 遥感技术与应用, 2003, 18(6): 441–447. LIU Longfei, CHEN Yunhao, LI Jing. Texture Analysis Methods Used in Remote Sensing Images[J]. Remote Sensing Technology and Application, 2003, 18(6): 441–447. DOI:10.11873/j.issn.1004-0323.2003.6.441 |
[28] | 庄会富, 邓喀中, 范洪冬. 纹理特征向量与最大化熵法相结合的SAR影像非监督变化检测[J]. 测绘学报, 2016, 45(3): 339–346. ZHUANG Huifu, DENG Kazhong, FAN Hongdong. SAR Images Unsupervised Change Detection Based on Combination of Texture Feature Vector with Maximum Entropy Principle[J]. Acta Geodaetica et Cartographica Sinica, 2016, 45(3): 339–346. DOI:10.11947/j.AGCS.2016.20150022 |
[29] | EICHKITZ C G, AMTMANN J, SCHREILECHNER M G. Calculation of Grey Level Co-occurrence Matrix-based Seismic Attributes in Three Dimensions[J]. Computers & Geosciences, 2013(60): 176–183. |
[30] | 孙微微, 刘才兴, 田绪红. 基于增益的数据样本分布描述方法[J]. 计算机应用, 2005, 25(5): 1004–1005. SUN Weiwei, LIU Caixing, TIAN Xuhong. Describing Method of the Distribution of Data-sample Based on Gain[J]. Computer Applications, 2005, 25(5): 1004–1005. |