2. 广州大学, 广东 广州 510006;
3. 广东省城市化与地理环境空间模拟重点实验室, 广东 广州 510275;
4. 广东省城乡规划设计研究院, 广东 广州 510290
2. Guangzhou University, Guangzhou 510006, China;
3. Guangdong Provincial Key Laboratory of Urbanization and Geo-simulation, Guangzhou 510275, China;
4. Guangdong Urban & Rural Planning and Design Institute, Guangzhou 510290, China
建筑物作为活跃的城市要素，其变化信息对城市规划、城市管理等业务具有重要意义[1]。现阶段国土测绘等业务部门仍然主要采用实地调查的方式进行城市建筑物变化检测，消耗人力物力较多、数据采集周期较长[2]。随着卫星遥感技术的快速发展，利用高空间分辨率遥感影像直接进行建筑物变化检测能够大幅减少人力物力成本[1-4]，然而其检测结果必须满足精度标准才能够应用于业务部门，因此研究和发展精准的高分辨率遥感影像建筑物变化检测方法具有现实的应用价值。
与中低分辨率遥感影像相比，高分辨率遥感影像具有显著的空间分辨率优势，能够清晰刻画城市内部结构要素，如建筑物、道路、车辆等。然而随着空间分辨率的提高，遥感影像地物光谱异质性增加，同类地物类内方差增大，不同类地物类间方差减小，导致“同物异谱，同谱异物”的现象愈发严重，给传统的遥感影像变化检测方法提出了巨大挑战[5]。为满足高分辨率下遥感影像变化检测的需求，需要研究合适的遥感影像变化检测方法。
根据分析单元的不同，现有的遥感影像变化检测方法主要包括：像元级和目标级变化检测方法[5]。像元级变化检测方法以像元作为分析单元[6]，采用直接对比或分类后比较的策略，能够有效应用于中低分辨率遥感影像，如Landsat影像、MODIS影像等。常用的直接对比分析方法包括：影像差分法[7]、影像比值法[8]、变化向量分析法[9]等。该类方法简单易行，但存在最佳阈值确定的困难，并且无法识别变化类型。分类后比较法[10]通过对比不同时相遥感影像的分类结果，检测变化像元并识别变化类型。该类方法能够提供完整的变化信息，但变化检测精度高度依赖影像分类精度。目标级变化检测方法以对象作为分析单元[11]，对配准精度要求相对较低，能够直接获取变化目标，便于后续处理和操作[12]，但存在最佳影像分割的挑战[5]。根据影像分割方法的不同，目标级变化检测方法可分为基于影像集分割的变化检测方法和基于影像独立分割的变化检测方法。前一类方法同时分割双时相遥感影像所有波段，然后识别变化对象[13]。该类方法简单易行，但无法检测形状变化的地物。后一类方法对双时相遥感影像进行独立分割，然后进行对象变化检测[14]。该类方法对于未变化地物难以得到一致的边界，容易出现错误检测，并且过程复杂。
由于像元级和目标级变化检测方法各有其内在的局限性，融合像元与对象的变化检测方法成为近年来高分辨率遥感影像变化检测研究的热点方向。文献[15]提出一种基于多尺度分割的遥感影像变化检测方法，通过多尺度分割为每个像元构造多尺度特征向量，然后利用变化向量分析法逐像元进行变化检测。文献[16]提出一种像元级非监督分类与双时相影像分割相结合的变化检测方法。尽管业已提出多种技术手段和方法，但是此类方法往往针对全要素进行变化分析，并且没有考虑观测角度差异对具有一定高度物体的影响，因此直接应用于建筑物变化检测时精度显著减低。本文聚焦城市建筑物，考虑观测角度等环境因素对建筑物变化检测的影响，提出一种融合像元与对象的高分辨率遥感影像建筑物变化检测方法。
1 建筑物变化检测方法本文提出的建筑物变化检测方法主要包括3部分：①像元级建筑物变化检测；②多特征融合的影像分割；③变化建筑物目标识别。具体流程如图 1所示。
|
| 图 1 建筑物变化检测流程 Fig. 1 The flowchart of the building change detection |
1.1 像元级变化检测 1.1.1 特征集构建
高分辨率遥感影像具有丰富的纹理特征，且同类地物纹理特征相似，不同类地物纹理特征差异较大。研究表明，在变化检测方法中融入纹理特征能够显著提高遥感影像的变化检测精度[17]。基于灰度共生矩阵(gray-level co-occurrence matrix，GLCM)的纹理特征计算方法是广泛采用的特征提取方法[18]。该方法根据预先设定的纹理方向、纹理尺度、窗口移动距离等参数计算GLCM，然后提取纹理特征。由于基于GLCM的纹理特征间同样存在大量的冗余信息，本文根据研究目的和数据特征，选取相关性最小的4个纹理特征，即均值(Mean)、方差(Var)、同质性(Hom)、差异性(Dis)。为减小计算量同时利用地物丰富的光谱特征，本文以全色影像为基础进行纹理特征计算，计算公式如下
(1)
(2)
(3)
(4)
式中，N表示灰度等级数；Pi, j表示灰度级i和j同时出现的概率，即GLCM中第i行第j列的值，所有Pi, j的和为1。
纹理尺度是纹理特征计算的重要参数。研究表明，恰当的纹理尺度能够准确刻画地物的纹理特征，显著提高遥感影像变化检测精度[19]。为分析像元级建筑物变化检测精度随纹理尺度的变化规律，并选取最佳纹理尺度，本文选择15个不同的纹理尺度，即3×3(GLCM texture 3，GT3)、5×5(GT5)、7×7(GT7)、9×9(GT9)、11×11(GT11)、13×13(GT13)、15×15(GT15)、17×17(GT17)、21×21(GT21)、25×25(GT25)、31×31(GT31)、35×35(GT35)、41×41(GT41)、45×45(GT45)、51×51(GT51)，分别计算纹理特征，并与光谱特征结合进行像元级变化检测。
在数据处理中加入光谱相关的特征因子同样能够有效提高遥感影像的变化检测精度[17]。本文选取与城市内部植被和建筑物信息密切相关的特征因子归一化植被指数(normalized difference vegetation index，NDVI)和形态学建筑物指数(morphological building index，MBI)[1, 20-21]，连同光谱特征、纹理特征，构建特征数据集见表 1。
| 特征类型 | 特征指标 |
| 光谱特征 | 融合影像的4个波段光谱值 |
| 纹理特征 | 基于GLCM的均值、方差、同质性、差异性 |
| 特征因子 | NDVI、MBI |
1.1.2 随机森林分类
基于机器学习的遥感影像变化检测本质上是通过双时相遥感影像特征的叠加合并，将变化检测问题转换为分类问题。随机森林(random forests，RF)是一种非线性的统计学习算法，相比于其他机器学习算法，具有精度高、参数少、稳健性强等优势，已广泛应用于遥感影像分类与变化检测研究，并取得了较好的试验效果[22]。
基于随机森林分类器的遥感影像变化检测主要包括以下步骤：①根据研究目的，确定分类体系；②提取遥感影像特征，叠加合并，构造高维特征向量；③选取训练样本，并利用自助法(Bootstrap)从原始训练样本集中抽取K个样本子集，每个样本子集的样本容量与训练样本集相等；④确定节点分裂的随机特征个数m，对K个样本子集分别建立决策树模型；⑤对每个待分类样本进行分类，得到分类结果序列{h1(X), h2(X), …, hk(X)}；⑥最后根据分类结果序列，采用多数投票法确定最终的分类结果。
最终分类决策的数学形式如下
(5)
式中，H(x)表示随机森林最终分类决策；hi(x)表示单个决策树模型分类结果；Y表示输出变量(目标变量)；I(·)表示示性函数。
随机森林分类算法有两个主要输入参数：样本子集个数K和随机特征个数m。根据随机森林分类算法的收敛性理论，随着K的增加，袋外误差(out-of-bag，OOB)逐渐减小，直至收敛于某一常数，此时模型的泛化能力最强、分类精度最高，因此K通常取OOB开始收敛时的样本子集个数。随机特征个数m与特征向量维数M有着密切关联，m通常取
由于地物在影像中表现为多维特征的综合体，基于单一特征的影像分割方法具有较大的局限性[24]，因此本文提出多特征融合的影像分割方法，主要步骤如下：
(1) 超像素分割。超像素是指由一系列特征相似、空间相邻的像素合并而成的过分割单元。相比于影像像元，超像素能够极大地提高遥感影像后续处理的速度，同时具备较强的可塑性，能够通过进一步的合并，得到较好的分割结果。本文采用空间约束的分水岭分割算法(ScoW)进行超像素分割，以得到形状紧凑的超像素，从而生成边界规整的建筑物对象。其中，ScoW算法的介绍详见文献[25]。
(2) 构建区域邻接图(region adjacent graph，RAG)。RAG是一种基于图的思想建立分割结果中各区域间邻接关系的方法。区域邻接图将初始分割结果中的每个超像素抽象为一个节点，超像素相邻即代表节点连通，则用一条带有权重的线段连接连通节点[26]。权重即为相邻超像素的合并代价，通常认为相邻超像素特征越相似，合并代价越小，越趋于合并。本文提出多特征融合的遥感影像分割方法，综合考虑相邻超像素的形状特征、光谱特征、纹理特征和特征因子，合并代价函数的计算公式如下
(6)
(7)
(8)
(9)
(10)
式中，C(m, n)表示相邻超像素的合并代价函数；Am、An分别表示超像素m和n的面积；L表示相邻超像素的公共边界长度；λ表示形状系数；H(m, n)表示相邻超像素的异质性；w1、w2、w3分别表示光谱异质性、纹理异质性和特征因子异质性的权重；DS(m, n)、DT(m, n)、DF(m, n)分别表示光谱异质性、纹理异质性和特征因子异质性，下标f和a分别表示前时相和后时相的特征值。
(3) 区域合并。区域合并即为根据合并代价的排序，循环合并代价函数值最小的相邻区域，直到最小合并代价函数值满足条件。具体合并流程详见文献[27]。
1.3 变化建筑物目标识别像元与对象融合的变化建筑物目标识别，能够利用变化建筑物大多数像元被正确检测的特性，结合统计学原理剔除虚假检测结果，从而识别变化的建筑物目标。即当亚目标级下变化建筑物像元比例满足某一标准时，目标对象被识别为变化建筑物，其数学表达形式如下
(11)
(12)
式中，Preditseg(Objq)、Preditseg(p)分别表示对象Objq和像元p的变化检测结果；1、0分别表示变化建筑物和非变化建筑物；BCP(Objq)表示对象Objq中变化建筑物像元所占比例；T表示亚目标下变化建筑物像元比例标准。
1.4 精度评价完整率(Completeness)、正确率(Correctness)、检测质量(Quality)是广泛用于评估建筑物变化检测精度的定量指标[28-29]。完整率表示正确检测的变化建筑物像元占实际变化建筑物像元的比例，表征变化建筑物像元被实际检出的概率。正确率表示正确检测的变化建筑物像元占所有检测为变化建筑物像元的比例，表征建筑物变化检测结果的可靠程度。而检测质量是建筑物变化检测精度的总体度量，检测质量越大，表示错误检测像元和遗漏检测像元占正确检测像元的比例越小，变化检测的效果越好。计算公式如下
(13)
(14)
(15)
式中，TP(true positive)表示正确检测的变化建筑物像元数；FN(false negative)表示未检测到的变化建筑物像元数，即实际发生了建筑物变化但未被成功检测的像元数；FP(false positive)表示错误检测的像元数，即被检测为变化建筑物但实际未变化的像元数。
2 试验 2.1 试验数据广州市增城区是我国南方快速城市化的典型城镇区域，选取该区的两个典型子区进行变化检测试验。试验数据来自2009-01-09和2011-11-23两期QuickBird影像，每期影像包括全色和多光谱(蓝、绿、红、近红外4个波段)两种数据，其重采样后的空间分辨率分别为0.5 m和2 m。为进行变化检测试验，首先对整幅影像进行预处理。每期影像分别采用Gram-Schmidt Pan Sharpening算法进行融合处理，获得空间分辨率为0.5 m的多光谱影像。两幅影像上选取119个控制点，利用5次多项式进行影像配准，配准误差RMSE=0.442 2。以2009年影像为基准，采用直方图匹配法对2011年影像进行相对辐射校正。
为有效评估本文提出的建筑物变化检测算法，本文从整幅影像中选取建筑物变化剧烈的两个子区进行建筑物变化检测试验，试验数据如图 2所示。试验数据1建筑物变化类型主要为新增厂房和居民建筑，建筑物屋顶颜色多样，且某些建筑物光谱特征与道路相似，如图 2(a)、(b)所示。试验数据2建筑物变化类型主要为新增居民建筑，建筑物相对较高，受观测角度、太阳角度等环境差异影响较大，如图 2(d)、(e)所示。依次采用目视解译法获取试验数据1和试验数据2的变化建筑物参考图，如图 2(c)、(f)所示。
|
| 图 2 试验区QuickBird真彩色合成影像和变化建筑物参考图 Fig. 2 The true-color composite of the QuickBird images in the experiment area |
2.2 试验1结果
根据研究目的，利用随机森林分类器将影像分为建筑物变化、其他变化和未变化3类，训练样本采用分层随机采样的方式获取，分类特征为表 1中的光谱特征、纹理特征(GT31)和特征因子。为清晰显示建筑物变化，掩膜掉其他变化类和未变化类，仅显示建筑物变化类，如图 3(a)所示。采用本文提出的多特征融合的分割方法进行影像分割，依次将前后时相的影像对象分为植被、建筑物、非建筑物3类，然后采用分类后比较的策略获取目标级建筑物变化检测结果，如图 3(b)所示。结合像元级变化检测结果和后时相影像分割结果，设定亚目标下变化建筑物像元比例标准T为0.7，获取本文方法的建筑物变化检测结果，如图 3(c)所示。
|
| 图 3 试验1建筑物变化检测结果 Fig. 3 The results of building change detection in the first experiment |
为清晰显示不同方法的试验效果，针对特定区域(方框标注)进行试验效果的清晰展示。由图 3(a)、(d)不难发现，像元级变化检测所获得的变化建筑物是破碎的、不连续的，而且存在着大量的误检。利用后时相影像对象对像元级变化检测结果进行后处理，能够有效改善变化建筑物的识别结果。尤其在建筑物边缘区域，经分割对象处理后所得到的变化建筑物目标相对规整，而且剔除了大量的误检，如图 3(c)、(f)所示。目标级建筑物变化检测虽然有效避免了椒盐效应，但仍存在其他不透水面变化被错误识别为变化建筑物的问题，如图 3(b)、(e)所示。
为定量分析试验结果，对像元级、目标级和本文提出的建筑物变化检测方法分别进行精度评价，结果见表 2。不难发现，本文方法的完整率虽然略低于像元级和目标级的变化检测方法，但正确率和检测质量显著优于另外两种方法。对比单一的像元级和目标级变化检测方法，本文方法的正确率分别提高了0.350 2和0.150 7，检测质量分别提高了0.264 3和0.1。
| 变化检测方法 | 完整率 | 正确率 | 检测质量 |
| 像元级变化检测 | 0.899 1 | 0.434 2 | 0.414 0 |
| 目标级变化检测 | 0.868 6 | 0.633 7 | 0.578 3 |
| 本文方法 | 0.833 7 | 0.784 4 | 0.678 3 |
2.3 试验2结果
采用与试验1相同的步骤和方法，依次获取试验2的像元级和目标级建筑物变化检测结果，如图 4(a)、(b)所示。设定亚目标下变化建筑物像元比例标准T为0.64，获取本文方法的建筑物变化检测结果，如图 4(c)所示。对像元级、目标级和本文方法分别进行精度评价，见表 3。
|
| 图 4 试验2建筑物变化检测结果 Fig. 4 The results of building change detection in the second experiment |
| 类型 | Completeness | Correctness | Quality |
| 像元级变化检测 | 0.804 1 | 0.432 5 | 0.391 3 |
| 目标级变化检测 | 0.851 0 | 0.528 8 | 0.481 8 |
| 本文方法 | 0.804 3 | 0.800 2 | 0.669 8 |
由图 4和表 3不难发现，受观测角度、阴影等环境因素的影响，像元级变化检测存在显著的椒盐效应，尤其在建筑物边缘区域。受双重分类误差的影响，在面向对象的变化检测方法中一些与建筑物变化无关的不透水面被错误地检测为变化建筑物。本文方法能够显著抑制椒盐效应，同时避免误差传递导致的检测误差，显著提高建筑物变化检测的正确率和检测质量。
值得注意的是，对于高分辨率遥感影像的建筑物变化检测方法而言，如若变化检测的误检率较高，即便其漏检率较低，也无法为业务部门和生产单位所用，因错误检测的建筑物变化仍然需要投入大量的人力物力进行调查或判读。因此在保持较高完整率的同时，有效降低变化检测的误检率，提高变化检测的总体质量，具有着较高的实用价值。
3 分析与讨论 3.1 特征组合的影响分析纹理尺度较大程度上影响着所提取的纹理特征，而不同特征组合对像元级建筑物变化检测精度又具有重要影响。将不同纹理尺度的纹理特征提取结果分别与相同设置的光谱特征进行组合，分析像元级建筑物变化检测精度随纹理尺度的变化，以试验数据1为例所得结果如图 5所示。随着纹理尺度的逐步增大，像元级建筑物变化检测精度先增加后减小。而当纹理尺度为31时，像元级建筑物变化检测精度最高，表明在本试验中该尺度能够较好地刻画不同地物的纹理特征，具有较强的地物区分能力。
|
| 图 5 像元级建筑物变化检测质量随纹理尺度的变化 Fig. 5 The influence of the texture scale on the quality of pixel-based building change detection |
在纹理尺度优选的基础上，分析不同特征因子组合对建筑物变化检测精度的影响，对比不同特征组合方案的精度，见表 4。单独增加特征因子NDVI和MBI均能够提高建筑物的变化检测精度，而同时增加NDVI和MBI能够显著改善建筑物变化检测结果。其主要原因在于，NDVI能够很好地区分植被和建成区，避免与植被相关的变化被错误地检测为建筑物变化，而MBI能够区分建筑物和其他不透水面，避免与道路等其他不透水面相关的变化被错误地检测为建筑物变化。
| 特征组合方案 | 完整率 | 正确率 | 检测质量 |
| 光谱特征+纹理特征 | 0.902 3 | 0.371 4 | 0.357 0 |
| 光谱特征+纹理特征+NDVI | 0.899 0 | 0.400 5 | 0.383 3 |
| 光谱特征+纹理特征+MBI | 0.888 9 | 0.394 6 | 0.376 1 |
| 光谱特征+纹理特征+NDVI+MBI | 0.899 1 | 0.434 2 | 0.414 0 |
不同特征组合方案的试验结果表明，直接利用分类器进行像元级建筑物变化检测的精度普遍较低，尽管加入不同特征因子能够提高检测精度，但其检测质量仍然普遍小于0.45，主要原因是变化检测的正确率过低，即误检率过高。在高分辨率影像条件下，图像配准、观测角度、太阳角度等一系列问题致使建筑物边缘无法准确匹配，无法满足精细变化检测的要求，因此高分辨率下的像元级建筑物变化检测具有自身的局限性。
3.2 分割尺度的影响分析影像的分割尺度对目标级建筑物识别结果具有重要影响。以试验数据1中某小斑块为例，利用4.0、8.0、12.0等3个分割尺度对比分析不同分割尺度对变化建筑物识别的影响，如图 6所示。
|
| 图 6 不同分割尺度下的分割结果与变化建筑物识别结果对比 Fig. 6 Comparison for segmentation and building change detection at different segmentation scales |
过小的分割尺度，容易导致误检，即非变化建筑物被错误地标识为变化建筑物，如图 6中黄框所示。其原因在于，过小的分割尺度导致地物分割过于破碎，而由于高分辨率遥感影像下像元级变化检测的误检率较高，分割对象中的变化建筑物像元所占比例较高，使得利用分割对象进行变化建筑物筛选的效果不佳。相比较而言，过大的分割尺度，容易导致漏检，即变化建筑物没有被正确识别，如图 6中蓝框所示。主要原因在于，过大的分割尺度导致地物出现过分割，因此面积相对较小、而光谱特征又与临近地物相似的变化建筑物将被合并到临近对象，稀释了亚目标级下的变化建筑物像元比例。
3.3 亚目标级下变化建筑物像元比例标准的影响分析为了解亚目标级下变化建筑物像元比例标准T对识别精度的影响，将T在[0.65, 0.85]的区间内每间隔0.025取值，并进行变化建筑物目标识别试验，获得变化建筑物目标识别精度随亚目标级下变化建筑物像元比例标准的变化关系，以试验数据1为例，所得结果如图 7所示。
|
| 图 7 变化建筑物识别精度随亚目标级下变化建筑物像元比例标准的变化 Fig. 7 Influence of the sub-object proportion threshold of changed building pixelson the accuracy of building change detection |
随着亚目标级下变化建筑物像元比例标准的增大，变化建筑物识别的完整率逐渐降低，正确率逐渐提高，而检测质量先提高后降低。变化建筑物识别的完整率呈下降趋势的主要原因在于，尽管像元级建筑物变化检测的完整率较高，仍然有漏检的变化建筑物像元，利用分割对象对变化检测结果进行后处理时，漏检像元所占比例较高的建筑物对象有可能被错误地标识为非建筑物变化。随着亚目标级内变化建筑物像元比例标准的增大，错误标识的建筑物对象增多，以致变化检测的完整率降低。变化建筑物目标识别的正确率呈现逐渐上升趋势的主要原因则在于，随着亚目标级内变化建筑物像元比例标准的增大，越来越多错误检测的孤立像元或细小片段被剔除。
3.4 不同方法对比分析将本文提出的方法与文献[4]中提出的方法进行对比分析。在执行文献[4]方法的过程中，选用第2波段光谱特征和差异性(Dis)纹理特征进行像元级变化检测，其他参数采用试算法进行优选。图 8展示了本文方法和文献[4]方法的建筑物变化检测结果，为了清晰显示，仅展示研究区域中一小区域。表 5为两种方法的精度评价结果。
|
| 图 8 不同方法试验结果对比 Fig. 8 Comparison for different methods of building change detection |
从方法原理与试验效果两方面分析，本文方法与文献[4]方法相比，建筑物变化检测自动化程度和检测精度均有所提高，能够成功检测到面积相对较小的变化建筑物，如图 8中方框所示。同时，顾及观测角度差异等环境因素对建筑物变化检测的影响。
4 结论针对像元级建筑物变化检测方法往往精度不足而目标级建筑物变化检测方法过程烦琐等问题，本文提出了一种结合像元级和目标级的高分辨率遥感影像建筑物变化检测方法。该方法既利用了像元级变化检测方法简单易行的优势，又避免了双时相影像分割导致的边界不一致等问题，同时考虑观测角度等环境因素对建筑物变化检测的影响。首先采用随机森林分类器，获取像元级建筑物变化检测结果，然后利用后时相影像分割结果对像元级变化检测结果进行后处理，从而检测变化建筑物。在我国南方快速城镇化典型区域的试验结果表明，结合像元级和目标级的高分辨率遥感影像建筑物变化检测方法能够显著提高建筑物变化检测的检测精度。利用本文提出的方法，辅助城市地形图中居民地要素的更新，能够显著降低成本，提高更新工作的效率。然而，本文的数据源仅为高分辨率光学遥感影像，数据相对单一，在进一步的研究中将融合LiDAR点云数据，同时研究分区变化检测的策略，以提高建筑物变化的检测精度。
| [1] | HUANG Xin, ZHU Tingting, ZHANG Liangpei, et al. A Novel Building Change Index for Automatic Building Change Detection from High-Resolution Remote Sensing Imagery[J]. Remote Sensing Letters, 2014, 5(8): 713–722. DOI:10.1080/2150704X.2014.963732 |
| [2] | MATIKAINEN L, HYYPP J, AHOKAS E, et al. Automatic Detection of Buildings and Changes in Buildings for Updating of Maps[J]. Remote Sensing, 2010, 2(5): 1217–1248. |
| [3] |
张永梅, 李立鹏, 姜明, 等.
综合像素级和特征级的建筑物变化检测方法[J]. 计算机科学, 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. |
| [4] | XIAO Pengfeng, ZHANG Xueliang, WANG Dongguang, et al. Change Detection of Built-Up Land: A Framework of Combining Pixel-Based Detection and Object-Based Recognition[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 119: 402–414. DOI:10.1016/j.isprsjprs.2016.07.003 |
| [5] | HUSSAIN M, CHEN Dongmei, CHENG A, et al. Change Detection from Remotely Sensed Images: From Pixel-Based to Object-Based Approaches[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2013, 80: 91–106. DOI:10.1016/j.isprsjprs.2013.03.006 |
| [6] | XIN Qinchuan, OLOFSSON P, ZHU Zhe, et al. Toward Near Real-Time Monitoring of Forest Disturbance by Fusion of MODIS and Landsat Data[J]. Remote Sensing of Environment, 2013, 135: 234–247. DOI:10.1016/j.rse.2013.04.002 |
| [7] | LU D, MAUSEL P, BRONDÍZIO E, et al. Change Detection Techniques[J]. International Journal of Remote Sensing, 2004, 25(12): 2365–2401. DOI:10.1080/0143116031000139863 |
| [8] | PRAKASH A, GUPTA R P. Land-Use Mapping and Change Detection in a Coal Mining Area-A Case Study in the Jharia Coalfield, India[J]. International Journal of Remote Sensing, 1998, 19(3): 391–410. DOI:10.1080/014311698216053 |
| [9] | 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 |
| [10] | WARD D, PHINN S R, MURRAY A T. Monitoring Growth in Rapidly Urbanizing Areas Using Remotely Sensed Data[J]. The Professional Geographer, 2000, 52(3): 371–386. DOI:10.1111/0033-0124.00232 |
| [11] | CHEN Gang, HAY G J, CARVALHO L M T, et al. Object-Based Change Detection[J]. International Journal of Remote Sensing, 2012, 33(14): 4434–4457. DOI:10.1080/01431161.2011.648285 |
| [12] | JOHANSEN K, ARROYO L A, PHINN S, et al. Comparison of Geo-Object-Based and Pixel-Based Change Detection of Riparian Environments Using High Spatial Resolution Multi-Spectral Imagery[J]. Photogrammetric Engineering and Remote Sensing, 2010, 76(2): 123–136. DOI:10.14358/PERS.76.2.123 |
| [13] |
李亮, 舒宁, 王凯, 等.
融合多特征的遥感影像变化检测方法[J]. 测绘学报, 2014, 43(9): 945–953, 959.
LI Liang, SHU Ning, WANG Kai, et al. Change Detection Method for Remote Sensing Images Based on Multi-features Fusion[J]. Acta Geodaetica et Cartographica Sinica, 2014, 43(9): 945–953, 959. DOI:10.13485/j.cnki.11-2089.2014.0138 |
| [14] | CHEN Jianyu, MAO Zhihua, PHILPOT B, et al. Detecting Changes in High-Resolution Satellite Coastal Imagery Using An Image Object Detection Approach[J]. International Journal of Remote Sensing, 2013, 34(7): 2454–2469. DOI:10.1080/01431161.2012.743691 |
| [15] |
佃袁勇, 方圣辉, 姚崇怀.
多尺度分割的高分辨率遥感影像变化检测[J]. 遥感学报, 2016, 20(1): 129–137.
DIAN Yuanyong, FANG Shenghui, YAO Chonghuai. Change Detection for High-Resolution Images Using Multilevel Segment Method[J]. Journal of Remote Sensing, 2016, 20(1): 129–137. |
| [16] | CAO Guo, LI Yupeng, LIU Yazhou, et al. Automatic Change Detection in High-Resolution Remote-Sensing Images by Means of Level Set Evolution and Support vector Machine Classification[J]. International Journal of Remote Sensing, 2014, 35(16): 6255–6270. DOI:10.1080/01431161.2014.951740 |
| [17] |
杜培军, 柳思聪.
融合多特征的遥感影像变化检测[J]. 遥感学报, 2012, 16(4): 663–677.
DU Peijun, LIU Sicong. Change Detection From Multi-temporal Remote Sensing Images by Integrating Multiple Features[J]. Journal of Remote Sensing, 2012, 16(4): 663–677. DOI:10.11834/jrs.20121168 |
| [18] |
兰泽英, 刘洋.
领域知识辅助下基于多尺度与主方向纹理的遥感影像土地利用分类[J]. 测绘学报, 2016, 45(8): 973–982.
LAN Zeying, LIU Yang. Classification of Land-use Based on Remote Sensing Image Texture Features with Multi-scales and Cardinal Direction Inspired by Domain Knowledge[J]. Acta Geodaetica et Cartographica Sinica, 2016, 45(8): 973–982. DOI:10.11947/j.AGCS.2016.20150624 |
| [19] | VOLPI M, TUIA D, BOVOLO F, et al. Supervised Change Detection in VHR Images Using Contextual Information and Support Vector Machines[J]. International Journal of Applied Earth Observation and Geoinformation, 2013, 20: 77–85. DOI:10.1016/j.jag.2011.10.013 |
| [20] | HUANG Xin, ZHANG Liangpei, ZHU Tingting. Building Change Detection From Multitemporal High-Resolution Remotely Sensed Images Based on A Morphological Building Index[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(1): 105–115. DOI:10.1109/JSTARS.2013.2252423 |
| [21] |
胡荣明, 黄小兵, 黄远程.
增强形态学建筑物指数应用于高分辨率遥感影像中建筑物提取[J]. 测绘学报, 2014, 43(5): 514–520.
HU Rongming, HUANG Xiaobing, HUANG Yuancheng. An Enhanced Morphological Building Index for Building Extraction From High-Resolution Images[J]. Acta Geodaetica et Cartographica Sinica, 2014, 43(5): 514–520. DOI:10.13485/j.cnki.11-2089.2014.0084 |
| [22] | RODRIGUEZ-GALIANO V F, GHIMIRE B, ROGAN J, et al. An Assessment of the Effectiveness of a Random Forest Classifier for Land-Cover Classification[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2012, 67: 93–104. DOI:10.1016/j.isprsjprs.2011.11.002 |
| [23] | BREIMAN L. Random Forests[J]. Machine Learning, 2001, 45(1): 5–32. DOI:10.1023/A:1010933404324 |
| [24] |
巫兆聪, 胡忠文, 张谦, 等.
结合光谱、纹理与形状结构信息的遥感影像分割方法[J]. 测绘学报, 2013, 42(1): 44–50.
WU Zhaocong, HU Zhongwen, ZHANG Qian, et al. On Combining Spectral, Textural and Shape Features for Remote Sensing Image Segmentation[J]. Acta Geodaetica et Cartographica Sinica, 2013, 42(1): 44–50. |
| [25] | HU Zhongwen, ZOU Qin, LI Qingquan. Watershed Superpixel[C]//Proceedings of 2015 IEEE International Conference on Image Processing. Quebec City, QC, Canada: IEEE, 2015: 349-353. |
| [26] | HARIS K, EFSTRATIADIS S N, MAGLAVERAS N, et al. Hybrid Image Segmentation Using Watersheds and Fast Region Merging[J]. IEEE Transactions on Image Processing, 1998, 7(12): 1684–1699. DOI:10.1109/83.730380 |
| [27] |
陈杰, 邓敏, 肖鹏峰, 等.
利用小波变换的高分辨率多光谱遥感图像多尺度分水岭分割[J]. 遥感学报, 2011, 15(5): 908–926.
CHEN Jie, DENG Min, XIAO Pengfeng, et al. Multi-scale Watershed Segmentation of High-Resolution Multi-spectral Remote Sensing Image Using Wavelet Transform[J]. Journal of Remote Sensing, 2011, 15(5): 908–926. |
| [28] | HERMOSILLA T, RUIZ L A, RECIO J A, et al. Evaluation of Automatic Building Detection Approaches Combining High Resolution Images and LiDAR Data[J]. Remote Sensing, 2011, 3(6): 1188–1210. |
| [29] |
林祥国, 宁晓刚.
融合直角点和直角边特征的高分辨率遥感影像居民点提取方法[J]. 测绘学报, 2017, 46(1): 83–89.
LIN Xiangguo, NING Xiaogang. Extraction of Human Settlements from High Resolution Remote Sensing Imagery by Fusing Features of Right Angle Corners and Right Angle Sides[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(1): 83–89. DOI:10.11947/j.AGCS.2017.20160389 |