出版日期: 2018-01-25
点击次数：
下载次数：
DOI: 10.11834/jrs.20186293
2018 | Volumn22 | Number 1
上一篇  |  下一篇
  
面向对象的多特征分级CVA遥感影像变化检测
expand article info 赵敏 , 赵银娣
中国矿业大学 环境与测绘学院，徐州 221116
收稿日期: 2016-08-12; 优先数字出版日期: 2018-01-01
基金项目: 国家自然科学基金(编号：51374208)；中央高校基本科研业务费专项资金资助项目(编号：2015XKMS050)
第一作者简介: 赵敏(1992—　)，女，硕士研究生，研究方向为遥感影像变化检测。E-mail：cumtrs_zm@163.com
通讯作者简介: 赵银娣(1980—　)，女，副教授，研究方向为遥感数据处理、模式识别、遥感应用模型。E-mail：zhaoyd@cumt.edu.cn
中图分类号: P237
文献标识码: A

摘要

变化矢量分析CVA方法在中低分辨率遥感影像变化检测中已得到广泛应用，但由于高分辨率遥感影像存在不同地物尺度差异大、不同类别地物光谱相互重叠的问题，因此对于高分影像的变化检测具有局限性。为提高高分影像变化检测精度，提出了一种面向对象的多特征分级CVA变化检测方法，首先，利用基于区域邻接图的影像分割方法分别对两时相遥感影像进行多尺度分割，提取分割图斑的光谱、纹理和形状特征；然后，在各级尺度下，分别运用随机森林方法进行特征选择，计算CVA变化强度图；最后，根据信息熵对多级变化强度图进行自适应融合，利用Otsu阈值法检测变化区域，并与仅考虑光谱特征的分级CVA变化检测方法、像元级多特征CVA变化检测方法以及仅考虑光谱特征的像元级CVA变化检测方法进行比较分析。实验表明：与比较方法相比，本文方法的变化检测精度较高，误检率和漏检率较低。

关键词

遥感变化检测, 变化矢量分析, 多尺度分割, 特征选择, 自适应融合

Object-oriented and multi-feature hierarchical change detection based on CVA for high-resolution remote sensing imagery
expand article info ZHAO Min , ZHAO Yindi
School of Environment Science & Spatial Informatics, China University of Mining and Technology, Xuzhou 221116, China

Abstract

With increasing image resolution, change detection for high-resolution images has become one of the most important aspects of remote sensing research. Change Vector Analysis (CVA) is an effective method that has been widely used in change detection for low- or moderate-resolution remote sensing images. However, processing high-resolution data involves limitations caused by spectral heterogeneity and objects with different scales. Thus, CVA must be combined with object-oriented methods. However, the performance of most object-oriented methods depends on the results of image segmentation, which are unstable due to the difficulty in determining the optimum scale. Taking advantage of the rich spatial information in high-resolution images is obviously important. Considering the aforementioned problems, this work proposes an object-oriented and multi-feature hierarchical change detection method based on CVA. Bi-temporal high-resolution remote sensing images are hierarchically segmented. Hierarchical image segmentation is realized with an image segmentation method based on a region adjacency graph. A logical OR is then applied to corresponding segmentation levels of the bi-temporal images. On the basis of spatial characteristics, spectral, texture, and shape features are extracted. A gray level co-occurrence matrix is used as a texture feature, and a geometric moment is used as a shape feature. Feature selection is realized with a random forest algorithm. Then, CVA is conducted to calculate the hierarchical magnitude images according to the optimal feature vectors. The final change magnitude image is obtained by fusing the hierarchical magnitude images using an adaptive fusion method. Finally, the Otsu algorithm is used to determine the change threshold values and thereby realize change detection. The change detection result of the object-oriented and multi-feature hierarchical CVA method is compared with those of the hierarchical CVA that only uses spectral features, the multi-feature pixel-based CVA, and the pixel-based CVA that only uses spectral features. Experiment outcomes show that the proposed method offers higher change detection accuracy and greater stability than the other three methods. It also achieves reduced false alarm rate and missing alarm rate in the change detection result. The proposed method can also reduce salt-and-pepper noise and produce entire changed objects. The unit for analysis in the proposed object-oriented and multi-feature hierarchical change detection based on CVA is an image object at different scales. The changes are detected at different hierarchy levels to adapt to the different characteristics of objects with different scales and to avoid the difficulty in determining the optimal segmentation scale. Thus, the impact of segmentation on change detection precision is minimized. In addition, multiple feature extraction and optimal feature selection ensure that the spectral and spatial information of high-resolution images is fully utilized while the characteristic redundancy is reduced. Therefore, the influences of complex spectral characters are avoided. The proposed method demonstrates high performance and high reliability.

Key words

remote sensing change detection, change vector analysis, multiscale segmentation, feature selection, adaptive fusion

1 引　言

由于地表覆盖变化和土地利用变化信息在森林开采、城市扩张、灾害监控和评估，以及土地规划和管理等实际应用中具有重要作用，遥感影像变化检测已成为遥感研究的热点方向(赵忠明 等，2016)。近年来研究者们针对传统基于像元的变化检测方法提出了多种改进方法及新思路。由于高分辨率影像具有丰富的纹理、形状等特征信息，如何充分利用影像的空间特征信息，是高分辨率遥感影像变化检测研究的关键问题之一，对于提高变化检测精度具有重要意义。Zhang等人(2014)提出了一种新的影像特征—光谱趋势，根据光谱趋势相似度计算变化强度图。王东广等人(2012)尝试在差值主成分变化检测方法中引入纹理信息，弥补了高分辨率影像间光谱区分度相对不足的缺陷，获得较完整的检测结果。闫利等人(2014)提出了一种基于光流动态纹理的新方法，利用光流动态纹理描述多幅高分辨率遥感影像之间的变化，描述了时间维度的纹理，为变化检测提供了更多信息。全卫澎等人(2015)提出了面向对象的多特征自适应融合变化检测方法，考虑了对比度、相关性、能量、同质性等纹理特征，以及包括边沿、紧凑度、密度、长宽比、形状系数等在内的形状特征，通过构建神经网络进行特征融合，其变化检测结果降低了误检率和漏检率，提高了检测的准确性。

随着遥感数据分辨率的大幅度提高，传统变化检测方法以单个像元为处理单元，缺乏对像元邻域信息的考虑，难以充分利用空间特征，容易出现“椒盐噪声”，无法满足高分辨率数据的要求。而面向对象的变化检测方法以影像分割为基础，以具有相似光谱特征和空间特征的对象作为基本处理单元，而不是以单个像元为单元进行处理，考虑了像元及其邻域的光谱、空间特性，适应了高分辨率影像空间细节信息丰富、存在“同物异谱、异物同谱”的特点。因此，面向对象的变化检测方法成为高分辨率遥感影像变化检测的研究重点(Hussain 等，2013)。面向对象的变化检测方法包括分类后比较法和直接比较法。面向对象分类后比较法利用了面向对象遥感影像分析技术在处理高分辨率数据上的优势，对不同时相遥感影像进行面向对象的分类，并对分类结果进行分析，实现变化检测，但变化检测结果及精度依赖于分类的效果，具有局限性。Li等人(2015)通过引入马尔可夫随机场和最大似然法对面向对象分类后比较法的变化检测结果实现了进一步优化，但影像分类造成的误差积累问题仍未得到解决。相比之下，面向对象直接比较法具有更好的稳定性和精确性。一些在基于像元的变化检测中表现较好的直接比较方法，如独立成分分析法，多变量变化检测法和变化矢量分析法等直接比较方法，应用于面向对象的变化检测中也能得到较理想的检测效果。其中，变化矢量分析法(CVA)直接对比影像特征，且可利用较多特征信息，在面向对象的变化检测研究中受到重视。Qi等人(2015)将面向对象的CVA变化检测应用于极化SAR影像的变化检测；王丽云等人(2014)将面向对象的CVA变化检测与主成分分析法结合，提高了变化检测精度。

在面向对象的变化检测方法的研究中，影像分割是重要内容。影像分割的效果直接影响着后续的处理和分析，若分割尺度过小会造成虚检率增大，而尺度过大会造成漏检率增大(贾永红 等，2015)。高分辨率遥感影像不同地物尺度差别较大，最优分割尺度难以确定且缺乏完备的定量评价准则。Bovolo等人(2013)提出了一种基于多级图斑的CVA变化检测方法，通过分等级分割得到不同尺度的影像对象进行面向对象的变化检测，减小了图像分割对变化检测的影响，提高了检测精度；冯文卿和张水军(2015)利用由细到粗的尺度进行影像分割，利用变化矢量分析得到各尺度的变化检测结果，并引入模糊融合和决策级融合的方法对多尺度的二值结果进行融合，检测结果明显优于传统方法。

因此，考虑到高分辨率遥感影像不同地物尺度差别大，最优分割尺度难以确定，以及不同类别地物光谱重叠，需充分利用高分辨率遥感影像空间信息的问题，本文提出了一种考虑了多种影像特征的面向对象的多级CVA变化检测方法，首先利用基于区域邻接图的多尺度分割方法对高分辨率遥感影像按不同尺度逐级分割合并得到分割对象，得到尺度由小到大的4个分割层级(其中尺度最小的层级为原始影像)，且小尺度的分割对象与相邻较大尺度的分割对象存在继承关系。在各层级中分别考虑影像的多种空间特征，包括光谱、纹理和形状特征，利用随机森林进行特征选择得到区分度最优的特征，并在各尺度下分别进行变化矢量分析。最后，对各级变化强度图进行自适应融合，利用最大类间方差法(Otsu)得到二值变化检测结果。

2 实验数据及研究区

为验证本文方法的有效性，利用两组遥感数据进行实验。第1组数据下载于http://www.harrisgeospatial.com/[2016-08-12]，为QuickBird获取的印度尼西亚地区的两时相影像，包括蓝，绿，红和近红外4个波段，影像大小为1500×1500像元，分辨率为2.5 m，获取时间为2004年4月和2005年1月，如图1所示。该地区位于苏门答腊岛北部，地处亚齐特别行政区的西北部，经纬度为东经95°12′，北纬5°17′。该区域于2004年12月26日受到海啸侵袭，植被、水体和农田等土地覆盖类型发生了显著变化。第2组数据为ZY-3号获取的黑岱沟地区的两时相影像，包括蓝，绿，红和近红外4个波段，大小为2550×1550像元，分辨率为6.9 m，获取时间为2013年6月和2015年7月，如图2所示。黑岱沟位于内蒙古自治区鄂尔多斯市准格尔旗东部准格尔煤田中部，地处黄河西岸，黑岱沟与龙王沟之间，地理坐标111°13′E—111°20′E，39°43′N—39°49′N。黑岱沟煤矿的开发和开采造成土地严重破坏，加之矿区地处生态脆弱的黄土高原，因此生态重建问题受到高度关注。自1992年起该地区开始土地复垦工作，土地覆盖类型具有较典型的变化。


图 1 QuickBird数据
Fig. 1 QuickBird data


图 2 ZY-3数据
Fig. 2 ZY-3 data

对两组数据分别进行影像配准和相对辐射校正，其中，影像配准通过ENVI 5.3实现。相对辐射校正利用IR-MAD变换方法(Mateos 等，2010)实现，通过迭代加权多元变化检测方法提取伪不变特征，并采用线性回归分析方法进行变换，完成相对辐射校正。

3 多特征分级CVA遥感影像变化检测

多特征分级CVA变化检测方法首先利用基于区域邻接图的影像分割方法实现多尺度影像分割，并对各尺度下提取的特征进行随机森林特征选择，利用优化后的特征矢量进行分级CVA变化检测，具体流程如图3。


图 3 多特征分级CVA遥感影像变化检测流程
Fig. 3 Flow chart of object-oriented multi-feature hierarchical change detection based on CVA

3.1 基于区域邻接图的多尺度影像分割

Tremeau和Colantoni(2000)提出了基于区域邻接图的多尺度分割方法，首先通过区域生长法或分水岭变换法等算法对影像进行初始分割，生成过分割结果，并应用区域邻接图(RAG)的数据结构进行描述，进行区域合并得到多尺度影像分割结果(图4)。


图 4 基于RAG的多尺度影像分割流程
Fig. 4 Flow chart of RAG-based hierarchical image segmentation

利用基于区域邻接图的多尺度影像分割方法，第1步采用简单线性迭代聚类分割方法(SLIC)进行预分割。SLIC属于超像素分割方法，首先根据影像的x、y坐标和CIELAB颜色空间下的颜色值L、a、b值构成5维空间 $\mathit{\boldsymbol{U = }}\left[ {L, a, b, x, y} \right]$ ，在该空间下构造距离度量标准，对影像像元进行局部聚类，生成紧凑、近似均匀的超像素。第2步，根据超像素内的平均光谱值计算RAG，RAG定义为 $\mathit{\boldsymbol{G = }}\left({\mathit{\boldsymbol{V}}, \mathit{\boldsymbol{E}}} \right)$ ，其中， $\mathit{\boldsymbol{V = }}\left\{ {1, 2, \cdots, K} \right\}$ 表示K个顶点，每个顶点代表相应的区域；E表示RAG中的|E|=m条边，其权重即两个区域间的平均光谱值的距离，相邻区域的权重定义为

${\rm{Distance}} = \left| {{c_1} - {c_2}} \right|$ (1)

式中，c1、c2分别为相邻两区域的平均光谱值。

多尺度分割过程即对RAG中权重小于给定阈值的边所连接区域的合并过程。第n级的分割以第n–1级的分割结果为基础生成RAG，并在给定阈值下进行区域合并，直到完成所有N级的分割。即第n级分割得到的对象是由第n–1级的k个对象合并得到的。对两时相数据分别独立进行基于区域邻接图的多尺度影像分割。为统一两时相影像的对象，通过逻辑或运算对T1、T2时相的相对应的多级分割结果进行合并。

3.2 特征提取

由于高分辨率遥感影像具有丰富的空间信息，为充分挖掘影像信息，提高变化检测精度，考虑了影像的光谱特征、纹理特征和形状特征，具体特征描述如表1。通过影像多尺度分割得到多级影像对象后，对各级对象的多种特征进行提取。

表 1 变化检测提取的影像特征
Table 1 The features applied in change detection

下载CSV 
影像特征 描述 研究现状
光谱特征 影像各波段光谱值 影像信息最直观的表达 在中低分辨率遥感影像变化检测中一直发挥重要作用，但随着分辨率的提高，地物类内可分性增加，类间可分性降低，存在局限性(Bovolo 等，2012)
纹理特征 GLCM纹理统计量 对影像区域特征的描述，通过研究空间相关特性来描述纹理，是目前最常见、应用最广泛、效果最好的一种纹理统计分析方法 广泛应用于影像分割领域，在影像分类和变化检测中已占据主流地位，对于提高精度具有重要意义(Erener和Düzgün，2009；Berberoğlu 等，2010)
形状特征 几何矩 基于区域的形状描述。将影像看作2维密度分布，则与空间位置相关像元的矩函数能够提供影像的形状信息。形状和灰度具有相似分布的对象则具有相似的不变矩特征，与其位置、方向及大小无关，为识别地物类型提供基础 来自力学中矩的概念，在遥感影像识别和影像分类中得到应用，提高了精度(Newsam和Kamath，2005；Zhao和Du，2009)

3.2.1 光谱特征

光谱特征在传统变化检测方法中一直发挥着重要作用，直观表达了影像信息。本文的光谱特征主要考虑各个波段的光谱值，即蓝(Blue)，绿(Green)，红(Red)，近红外(NIR)波段，通过计算影像对象包含的所有像元的光谱均值得到各级对象的光谱特征。

3.2.2 纹理特征

纹理特征表达了影像的区域特性，能充分利用高分辨率遥感影像信息。灰度共生矩阵法(GLCM)是目前应用较为广泛、效果较好的纹理特征提取方法，通过GLCM可得到的纹理特征统计量有14种，本文选取其中5个常用的纹理特征统计量，即均值(Mean)，同质性(Homogeneity)，对比度(Contrast)，差异性(Dissimilarity)和熵(Entropy)，并计算各级对象的纹理特征，计算公式如表2。

表 2 GLCM纹理特征统计量
Table 2 Statistics of GLCM texture features

下载CSV 
统计量 描述 计算
均值 反映纹理规则程度 ${\rm{Mean}} = \sum\limits_x^{} {\sum\limits_y^{} {p(x, y) \times x} } $
同质性 度量影像纹理局部变化的多少，反映影像纹理的同质性 ${\rm{Homogeneity}} = \sum\limits_x^{} {\sum\limits_y^{} {p(x, y) \times \displaystyle\frac{1}{{1 + {{(x - y)}^2}}}} } $
对比度 反映影像清晰度和纹理沟纹深浅程度 ${\rm{Contrast}} = \sum\limits_x^{} {\sum\limits_y^{} {p(x, y) \times {{(x - y)}^2}} } $
差异性 反映影像局部对比度 ${\rm{Dissmilarity}} = \sum\limits_x^{} {\sum\limits_y^{} {p(x, y) \times |x - y|} } $
熵 度量影像所具有的信息量，反映影像纹理复杂程度 ${\rm{Entropy}} = - \sum\limits_x^{} {\sum\limits_y^{} {p(x, y) \times \ln p(x, y)} } $

3.2.3 形状特征

本文采用基于几何矩的形状特征，几何矩亦称不变矩，是指物体经过旋转、平移和尺度变换仍保持不变的矩特征量，反映了影像区域的几何特征，可作为影像处理分析中的重要特征，Zhao和Du(2009)提出了将几何不变矩应用于高分辨率遥感影像分类的方法，优化了复杂地物类型的分类效果。

对于2维离散影像f(x, y)，当计算窗口大小为Nx×Ny时，其p+q阶矩定义为

${\rm{Momen}}{{\rm{t}}_{p, q}} = \sum\limits_{x = 0}^{Nx - 1} {\sum\limits_{y = 0}^{Ny - 1} {{x^p}{y^q}f(x, y)} } $ (2)

式中，p, q=0, 1, 2, 3, $ \cdots $ 。相应的，p+q阶中心矩定义为

${\mu _{p, q}} = \sum\limits_{x = 0}^{Nx - 1} {\sum\limits_{y = 0}^{Ny - 1} {{{(x - {x_c})}^p}{{(y - {y_c})}^q}f(x, y)} } $ (3)

式中， ${x_{\rm{c}}} = \displaystyle\frac{{{\rm{Momen}}{{\rm{t}}_{1, 0}}}}{{{\rm{Momen}}{{\rm{t}}_{0, 0}}}}$ ， ${y_{\rm{c}}} = \displaystyle\frac{{{\rm{Momen}}{{\rm{t}}_{0, 1}}}}{{{\rm{Momen}}{{\rm{t}}_{0, 0}}}}$ 分别表示影像在水平和垂直方向上的质心，零阶几何矩Moment0, 0表示影像的总亮度。计算得到的中心矩需进行归一化

${\gamma _{p, q}} = {\mu _{p, q}}/{({\mu _{0, 0}})^{(\frac{{p + q}}{2} + 1)}}$ (4)

当p, q=0, 1, 2, 3时，通过中心矩的计算得到影像的16维形状特征矢量，并分别求出各级分割对象的形状特征矢量。

3.3 特征选择

由于考虑了多分割尺度下影像的多种光谱、纹理和形状特征，为减少数据冗余，提高特征质量，以提高后续算法效率，需选择出能有效描述地物信息的特征。本文以描述地物类型的有效性为依据选择样本，利用随机森林RF(Random Forest)方法进行特征选择，以得到变化检测的最优特征子集。随机森林(Breiman，2001)是一种基于决策树的分类算法，由原始数据集中随机选取部分样本作为样本子空间，再从样本子空间中随机选取新的特征子空间并由此建立决策树作为分类器，通过投票的方法实现决策。随机森林特征选择是对特征进行排序的过程，即根据一系列规则，通过度量各特征重要性的方式得到特征重要程度的顺序。随机森林常用度量方式包括平均不纯度减少MDI(Mean Decrease Impurity)和平均精确率减少MDA(Mean Decrease Accuracy)等，其中，平均精确率减少的方法稳定性较好，通过度量各特征对决策树森林模型精确率的影响来评价特征的重要度，即扰乱各特征值的顺序并计算顺序变动对模型精确率的影响，对于重要的变量，顺序变动会降低模型精确率，而对于不重要的变量则影响不大。

根据特征提取并进行特征选择后得到的最优特征子集，对于各级影像对象所包含的像元都可构成一个多维特征矢量 ${\mathit{\boldsymbol{M}}_{T, n}}(i, j)$

${\mathit{\boldsymbol{M}}_{T, n}}(i, j) = \{ {\mathit{\boldsymbol{S}}_{T, n}}(i, j), \mathit{\boldsymbol{Te}}{\mathit{\boldsymbol{x}}_{T, n}}(i, j), \mathit{\boldsymbol{S}}{\mathit{\boldsymbol{h}}_{T, n}}(i, j)\} $ (5)

式中， ${\mathit{\boldsymbol{S}}_{T, n}}\left({i, j} \right)$ 、 $\mathit{\boldsymbol{Te}}{\mathit{\boldsymbol{x}}_{T, n}}\left({i, j} \right)$ 、 $\mathit{\boldsymbol{S}}{\mathit{\boldsymbol{h}}_{T, n}}\left({i, j} \right)$ 分别表示T(T=1, 2)时相第n(n=0, 1, 2, $ \cdots $ , N)级影像对象的光谱特征矢量、纹理特征矢量和形状特征矢量，其中，n=0时表示原始影像层级。

3.4 多级CVA变化检测

利用变化矢量分析法确定变化强度是通过对T1时相和T2时相影像特征矢量直接比较实现的，由特征矢量差值运算得到变化矢量，计算其欧氏距离生成变化强度图。最后通过分析变化强度图，确定变化阈值来确定变化区域。在多级CVA变化检测中，对各级影像对象的特征矢量 ${\mathit{\boldsymbol{M}}_{1, n}}\left({i, j} \right)$ 、 ${\mathit{\boldsymbol{M}}_{2, n}}\left({i, j} \right)$ 分别作差值运算，计算第n级变化强度图 ${\mathit{\boldsymbol{M}}_{{\rm{D}}, n}}\left({i, j} \right)$ ，计算公式为

${\mathit{\boldsymbol{M}}_{{\rm{D}}, n}}(i, j) = \left| {{\mathit{\boldsymbol{M}}_{2, n}}(i, j) - {\mathit{\boldsymbol{M}}_{1, n}}(i, j)} \right|$ (6)

然后利用自适应融合策略(Zhuang 等，2016)对所有N级变化强度图进行融合，根据灰度信息熵Hn来确定各级变化强度图 ${\mathit{\boldsymbol{M}}_{{\rm{D}}, n}}\left({i, j} \right)$ 的权重。图像信息熵表征图像灰度分布的聚集特性，第n级信息熵计算公式为

${H_n} = - \sum\limits_{x = 0}^{{L_{{\rm{grey}}}}} {\varphi (\gamma) \times \ln \varphi (\gamma)} $ (7)

式中， $\varphi \left(\gamma \right)$ 表示灰度级 $\gamma \left({0 \leqslant \gamma \leqslant {L_{{\rm{grey}}}}} \right)$ 出现的概率。设各级变化强度图 ${\mathit{\boldsymbol{M}}_{{\rm{D}}, n}}\left({i, j} \right)$ 的自适应权重 ${\omega _n}$ 为

${\omega _n} = 1 - \frac{{{H_n}}}{{\sum\limits_0^N {{H_n}} }}$ (8)

融合后的变化强度图考虑了不同尺度对象的信息，且对影像分割尺度等参数不敏感，不易受影像分割效果的影响(Bovolo，2009)。通过Otsu阈值法对自适应融合后的强度图MD进行阈值运算，得到最终的二值变化检测结果。

4 实验与结果

4.1 实验过程

对于两组数据，均选择标准差较大的3个波段：Red、Green、NIR的假彩色影像进行多尺度分割，分割过程利用Python的scikit-image库(Van Der Walt 等，2014)进行基于RAG的分等级分割，得到Level0、Level1、Level2和Level3共4个等级的分割结果。对NIR波段以7×7像元窗口提取原始影像的纹理特征和形状特征，并计算各级影像对象的各个特征。特征选择中，按照不同地物类型选取训练样本，利用Python的Scikit-learn(Pedregosa 等，2011)提供的随机森林特征选择方法，利用平均精确率减少度量标准对各级影像的各类特征按重要性排序并选择，特征选择结果如表3。由于两组数据特点的差异性，根据特征的重要性分数以及实验分析，对于QuickBird数据各尺度均选择9个特征，ZY-3数据各尺度均选择8个特征。

表 3 特征选择结果
Table 3 Results of feature selection

下载CSV 
数据 特征 Level0 Level1 Level2 Level3
QuickBird数据 光谱特征 Blue, Green
Red, NIR 		Blue, Green
Red, NIR 		Blue, Green
Red, NIR 		Blue, Green
Red, NIR
纹理特征 Mean, Contrast, Dissmilarity Mean, Entropy, Contrast Mean, Contrast, Homogeneity Contrast, Mean, Homogeneity
形状特征 Moment1, 2, Moment3, 0 Moment2, 1, Moment3, 0 Moment1, 1, Moment1, 2 Moment2, 1, Moment1, 2
ZY-3 数据 光谱特征 Blue, Green
Red, NIR 		Blue, Green
Red, NIR 		Blue, Green
Red, NIR 		Blue, Green
Red, NIR
纹理特征 Mean, Contrast Mean, Entropy Mean, Entropy Mean, Entropy
形状特征 Moment0, 2, Moment2, 0 Moment0, 2, Moment2, 0 Moment2, 0, Moment2, 2 Moment0, 2, Moment1, 1

对QuickBird和ZY-3数据分别根据选择的特征子集计算多级CVA变化矢量，得到变化强度图像，分别如图5(a)、图6(a)，Otsu阈值化后的二值变化检测结果分别如图5(b)、图6(b)。二值变化检测结果中，黑色部分表示变化区域，白色部分表示未变化区域。


图 5 QuickBird数据多特征分级CVA变化检测结果
Fig. 5 Object-oriented multi-feature hierarchical change detection results of QuickBird data


图 6 ZY-3数据多特征分级CVA变化检测结果
Fig. 6 Object-oriented multi-feature hierarchical change detection results of ZY-3 data

4.2 结果分析

为验证本文方法的有效性，本文设计了3种比较实验方案，如表4所示，比较方法Ⅰ为仅考虑光谱特征的分级CVA变化检测方法，比较方法Ⅱ为像元级多特征CVA变化检测方法，比较方法Ⅲ为仅考虑光谱特征的像元级CVA变化检测方法。为进行定量分析，利用AcMap 10.2软件，通过人工目视解译选取发生变化的范围，作为参考变化影像，利用混淆矩阵、总体精度、Kappa系数等对变化检测精度进行分析。

表 4 本文涉及的变化检测方法
Table 4 Change detection methods used

下载CSV 
方法 像元 多尺度对象 光谱特征 空间特征
本文方法 — √ √ √
比较方法Ⅰ — √ √ —
比较方法Ⅱ √ — √ √
比较方法Ⅲ √ — √ —

为分析本文方法的变化检测结果对影像分割尺度参数的敏感性，采用不同尺度进行多级分割，并对相应的变化检测精度进行对比分析如表5。当尺度参数大于25时，两组数据均已出现明显欠分割；而尺度小于10时，会出现过分割问题，但分割尺度变化对变化检测精度的影响较小，总体精度变化小于0.5%。综合考虑变化检测的总体精度、误检率、漏检率等精度指标，选择多次实验中精度较高的尺度进行影像分割，作为本文最终的变化检测分割尺度，即QuickBird数据选择分割尺度5、20、35；ZY-3数据选择分割尺度10、25、40。本文方法与3种比较方法在该尺度下的变化检测效果分别如图7、图8。

表 5 不同分割尺度下多特征分级CVA变化检测精度
Table 5 Accuracy of object-oriented multi-feature hierarchical change detection with different segment scales

下载CSV 
数据 尺度参数 总体精度/% 误检率/% 漏检率/% Kappa系数
QuickBird 数据 5，10，20 96.62 13.09 14.30 0.8437
10，15，25 96.65 15.52 11.46 0.8455
15，20，30 96.66 15.71 11.02 0.8467
5，20，35 96.73 14.85 11.16 0.8509
10，25，40 96.82 15.24 9.68 0.8563
15，30，45 96.74 16.11 9.09 0.8540
ZY-3 数据 5，10，20 94.28 26.54 33.91 0.6644
10，15，25 94.43 25.31 33.95 0.6704
15，20，30 94.60 23.84 33.95 0.6779
5，20，35 94.70 22.82 34.10 0.6820
10，25，40 94.97 19.08 35.72 0.6893
15，30，45 94.93 19.58 35.54 0.6881


图 7 QuickBird数据多特征分级CVA变化检测结果与其他方法对比
Fig. 7 Comparison of change detection results of QuickBird data


图 8 ZY-3数据多特征分级CVA变化检测结果与其他方法对比
Fig. 8 Comparison of change detection results of ZY-3 data

根据检测效果对比，可看出多特征分级CVA变化检测整体上效果较好，由于考虑了影像多分割尺度下的多种特征，减弱了“同物异谱”现象的干扰，且减少了椒盐噪声，地物完整性较好，变化检测精度对比如表6。QuickBird数据的多特征分级CVA变化检测的总体精度和Kappa系数分别为96.73%和0.8509，ZY-3数据的多特征分级CVA变化检测的总体精度和Kappa系数分别为94.97%和0.6893。与比较方法Ⅰ、比较方法Ⅱ相比，多特征分级CVA总体精度提高不显著，为2%—3%，这是因为比较方法Ⅰ和比较方法Ⅱ的变化检测结果漏检率较低、误检率较高，而多特征分级CVA变化检测方法较好的降低了误检率，而在漏检率方面没有显著优化，在总体精度值上略有提高，Kappa系数的提高较明显。总体上，与3种比较方法相比，多特征分级CVA变化检测方法具有更高精度。

表 6 多特征分级CVA变化检测与其他方法精度对比
Table 6 Accuracy comparison of object-oriented multi-feature hierarchical change detection and other methods

下载CSV 
数据 精度
指标 		本文
方法 		比较
方法Ⅰ 		比较
方法Ⅱ 		比较
方法Ⅲ
QuickBird
数据 		总体精度/% 96.73 93.74 94.17 90.86
误检率/% 14.85 31.10 24.43 41.91
漏检率/% 11.16 10.72 23.48 12.27
Kappa系数 0.8509 0.7420 0.7273 0.6477
ZY-3
数据 		总体精度/% 94.97 91.79 93.98 89.81
误检率/% 19.08 42.88 26.67 51.06
漏检率/% 35.72 31.85 38.41 31.49
Kappa系数 0.6893 0.5758 0.6367 0.5150

受试者工作特征(ROC)曲线及ROC曲线下面积(AUC)可直观的评价二值变化检测方法准确率的高低，曲线距离左上角越近，则检测效果越好；AUC的值介于0.5—1.0，AUC越大表示检测效果越好。本文提出方法与3组比较方法在不同阈值下的ROC曲线及AUC值如图9，本文方法QuickBird数据的AUC值为0.99，ZY-3数据的AUC值为0.93，优于其他3种比较方法。


图 9 ROC曲线和AUC值对比
Fig. 9 Comparison of ROC curve and AUC value

为进一步分析变化检测结果，分别在两组数据中选择子样本区域进行对比。图10为QuickBird数据中的子区域，该子区域植被面积较大，植被和水体变化显著。图11为ZY-3数据的子区域，该区域存在典型的植被、裸地和水体的变化。由图10和图11可看出，多特征分级CVA变化检测较好地保持了地物的完整性，减少了零碎斑块，削弱了“同物异谱”现象对检测结果的影响，具有较准确和稳定的变化检测结果。两个子区域的变化检测结果各精度指标对比如表7，可看出本文方法提高了检测精度，降低了误检率和漏检率。


图 10 QuickBird数据子区域变化检测结果
Fig. 10 Change detection results of sub-region of QuickBird data


图 11 ZY-3数据子区域变化检测结果
Fig. 11 Change detection results of sub-region of ZY-3 data

表 7 子区域变化检测精度
Table 7 Change detection accuracy of sub-regions

下载CSV 
子区域 精度
指标 		本文
方法 		比较
方法Ⅰ 		比较
方法Ⅱ 		比较
方法Ⅲ
QuickBird
子区域 		总体精度/% 96.51 92.15 92.63 84.94
误检率/% 14.81 32.51 29.55 50.10
漏检率/% 7.09 7.98 12.28 9.23
Kappa系数 0.8681 0.7323 0.7378 0.5585
ZY-3
子区域 		总体精度/% 94.36 89.27 93.46 66.39
误检率/% 8.67 30.39 12.35 64.46
漏检率/% 17.93 9.43 18.28 47.97
Kappa系数 0.8290 0.7169 0.8044 0.1971

5 结　论

针对高分辨率遥感影像变化检测中存在最佳分割尺度难以确定、空间信息未得到充分利用等问题，提出了面向对象的多特征分级CVA变化检测方法。通过与仅考虑光谱特征的分级CVA变化检测方法、像元级多特征CVA变化检测方法以及仅考虑光谱特征的像元级CVA变化检测方法进行实验对比分析，结果表明，本文方法提高了高分影像的变化检测精度，验证了其有效性。

本文方法的优势在于，利用多尺度分割和自适应融合策略综合考虑了不同尺度大小的地物变化，减小了变化检测结果对分割尺度的依赖性，避免了单一分割尺度难以达到最优分割效果的问题；另外，将几何不变矩作为形状特征，结合光谱、纹理等多种特征信息，通过多特征提取和随机森林特征选择得到最优特征矢量，充分利用了高分辨率遥感影像的空间信息，避免了仅利用单一光谱信息进行变化检测时易受“同物异谱”现象影响的问题。

本文的变化检测方法通过构建差值影像并通过阈值法从中提取变化信息，而大多阈值判定算法都有明显的局限性，一旦差值影像的直方图不满足假设的分布，就无法有效判别变化，造成漏检和虚检，影响方法的鲁棒性，因此针对变化阈值的确定方法的改进有待进一步研究和改进。

参考文献(References)

  • Berberoğlu S, Akin A, Atkinson P M and Curran P J. 2010. Utilizing image texture to detect land-cover change in Mediterranean coastal wetlands. International Journal of Remote Sensing, 31 (11): 2793–2815. [DOI: 10.1080/01431160903111077]
  • Bovolo F. 2009. A multilevel parcel-based approach to change detection in very high resolution multitemporal images. IEEE Geoscience and Remote Sensing Letters, 6 (1): 33–37. [DOI: 10.1109/LGRS.2008.2007429]
  • Bovolo F, Marchesi S and Bruzzone L. 2012. A framework for automatic and unsupervised detection of multiple changes in multitemporal images. IEEE Transactions on Geoscience and Remote Sensing, 50 (6): 2196–2212. [DOI: 10.1109/TGRS.2011.2171493]
  • Bovolo F, Marin C and Bruzzone L. 2013. A hierarchical approach to change detection in very high resolution SAR images for surveillance applications. IEEE Transactions on Geoscience and Remote Sensing, 51 (4): 2042–2054. [DOI: 10.1109/TGRS.2012.2223219]
  • Breiman L. 2001. Random forests. Machine Learning, 45 (1): 5–32. [DOI: 10.1023/A:1010933404324]
  • Erener A and Düzgün H Ş. 2009. A methodology for land use change detection of high resolution pan images based on texture analysis. Italian Journal of Remote Sensing, 41 (2): 47–59.
  • Feng W Q and Zhang Y J. 2015. Object-oriented change detection for remote sensing images based on multi-scale fusion. Acta Geodaetica et Cartographica Sinica, 44 (10): 1142–1151. [DOI: 10.11947/j.AGCS2.0152.0140260] ( 冯文卿, 张永军. 2015. 利用多尺度融合进行面向对象的遥感影像变化检测. 测绘学报, 44 (10): 1142–1151. [DOI: 10.11947/j.AGCS2.0152.0140260] )
  • Hussain M, Chen D M, Cheng A, Wei H and Stanley D. 2013. Change detection from remotely sensed images: from pixel-based to object-based approaches. ISPRS Journal of Photogrammetry and Remote Sensing, 80 : 91–106. [DOI: 10.1016/j.isprsjprs.2013.03.006]
  • Jia Y H, Xie Z W, Zhang Q and Yang G. 2015. A change detection method of remote sensing images with independent threshold. Journal of Xi'an Jiaotong University, 49 (12): 12–18. [DOI: 10.7652/xjtuxb201512003] ( 贾永红, 谢志伟, 张谦, 杨刚. 2015. 采用独立阈值的遥感影像变化检测方法. 西安交通大学学报, 49 (12): 12–18. [DOI: 10.7652/xjtuxb201512003] )
  • Li L, Ying G W, Wen X H and Zhang Y. 2015. Object-oriented change detection based on spatiotemporal relationship in multitemporal remote-sensing images//ISPRS-International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. Berlin, Germany: ISPRS: 1241–1248 [DOI: 10.5194/isprsarchives-XL-7-W3-1241-2015]
  • Mateos C J B, Ruiz C P, Crespo R G and Sanz A G C. 2010. Relative radiometric normalization of multitemporal images. International Journal of Artificial Intelligence and Interactive Multimedia, 1 (3): 54–59. [DOI: 10.9781/ijimai.2010.139]
  • Newsam S D and Kamath C. 2005. Comparing shape and texture features for pattern recognition in simulation data.//Proceedings Volume 5672, Image Processing: Algorithms and Systems IV. San Jose, California, United States: SPIE: 106–117 [DOI: 10.1117/12.587057]
  • Pedregosa F, Varoquaux G, Gramfort A, Michel V, Thirion B, Grisel O, Blondel M, Louppe G, Prettenhofer P, Weiss R, Dubourg V, Vanderplas J, Passos A, Cournapeau D, Brucher M, Perrot M and Duchesnay É. 2011. Scikit-learn: machine learning in Python. Journal of Machine Learning Research, 12 : 2825–2830.
  • Qi Z X, Yeh A G O, Li X and Zhang X H. 2015. A three-component method for timely detection of land cover changes using polarimetric SAR images. ISPRS Journal of Photogrammetry and Remote Sensing, 107 : 3–21. [DOI: 10.1016/j.isprsjprs.2015.02.004]
  • Quan W P, Li W H and Li X C. 2015. Detecting the change of high-resolution remote sensing images by adaptive multi-feature fusion. Electronics Optics and Control, 22 (3): 45–49. [DOI: 10.3969/j.issn.1671-637X.2015.03.010] ( 全卫澎, 李卫华, 李小春. 2015. 多特征自适应融合的高分辨率遥感影像变化检测. 电光与控制, 22 (3): 45–49. [DOI: 10.3969/j.issn.1671-637X.2015.03.010] )
  • Tremeau A and Colantoni P. 2000. Regions adjacency graph applied to color image segmentation. IEEE Transactions on Image Processing, 9 (4): 735–744. [DOI: 10.1109/83.841950]
  • Van Der Walt S, Schönberger J L, Nunez-Iglesias J, Boulogne F, Warner J D, Yager N, Gouillart E and Yu T. 2014. Scikit-image: image processing in Python. PeerJ, 2 (2): e453 [DOI: 10.7717/peerj.453]
  • Wang D G, Xiao P F, Song X Q, Wang T C and Chen G. 2012. Change detection method for high resolution remote sensing image in association with textural and spectral information. Remote Sensing for Land and Resources, 24 (4): 76–81. [DOI: 10.6046/gtzyyg.2012.04.13] ( 王东广, 肖鹏峰, 宋晓群, 王铁成, 陈刚. 2012. 结合纹理信息的高分辨率遥感图像变化检测方法. 国土资源遥感, 24 (4): 76–81. [DOI: 10.6046/gtzyyg.2012.04.13] )
  • Wang L Y, Li Y and Wang Y Q. 2014. Research on land use change detection based on an object-oriented change vector analysis method. Journal of Geo-Information Science, 16 (2): 307–313. [DOI: 10.3724/SP.J.1047.2014.00307] ( 王丽云, 李艳, 汪禹芹. 2014. 基于对象变化矢量分析的土地利用变化检测方法研究. 地球信息科学学报, 16 (2): 307–313. [DOI: 10.3724/SP.J.1047.2014.00307] )
  • Yan L, Gong Y L, Zhang Y and Duan W. 2014. Application of optical flow dynamic texture in land use/cover change detection. Spectroscopy and Spectral Analysis, 34 (11): 3056–3061. [DOI: 10.3964/j.issn.1000-0593(2014)11-3056-06] ( 闫利, 巩翼龙, 张毅, 段伟. 2014. 光流动态纹理在土地利用/覆盖变化检测研究中的应用. 光谱学与光谱分析, 34 (11): 3056–3061. [DOI: 10.3964/j.issn.1000-0593(2014)11-3056-06] )
  • Zhang P L, Lv Z Y and Shi W Z. 2014. Local spectrum-trend similarity approach for detecting land-cover change by using SPOT-5 satellite images. IEEE Geoscience and Remote Sensing Letters, 11 (4): 738–742. [DOI: 10.1109/LGRS.2013.2278205]
  • Zhao Y D and Du P J. 2009. Incorporating spectral, texture, and shape information for high spatial resolution satellite imagery classification//Proceedings Volume 7147, Geoinformatics 2008 and Joint Conference on GIS and Built Environment: Classification of Remote Sensing Images. Guangzhou, China: SPIE: 1–8 [DOI: 10.1117/12.813246]
  • Zhao Z M, Meng Y, Yue A Z, Huang Q Q, Kong Y L, Yuan Y, Liu X Y, Lin L and Zhang M M. 2016. Review of remotely sensed time series data for change detection. Journal of Remote Sensing, 20 (5): 1110–1125. [DOI: 10.11834/jrs.20166170] ( 赵忠明, 孟瑜, 岳安志, 黄青青, 孔赟珑, 袁媛, 刘晓奕, 林蕾, 张蒙蒙. 2016. 遥感时间序列影像变化检测研究进展. 遥感学报, 20 (5): 1110–1125. [DOI: 10.11834/jrs.20166170] )
  • Zhuang H F, Deng K Z, Fan H D and Yu M. 2016. Strategies combining spectral angle mapper and change vector analysis to unsupervised change detection in multispectral images. IEEE Geoscience and Remote Sensing Letters, 13 (5): 681–685. [DOI: 10.1109/LGRS.2016.2536058]
数据专区
  • 目录 目录
  • 文章信息 文章信息
  • 引用格式 引用格式
  • 地图 地图
  • 评论 评论
  • 图 图
  • 表 表
  • 二维码 二维码
  • 参考文献 参考文献
  • 多媒体 多媒体