面向对象的高分辨率遥感影像建筑物变化检测

 　　摘 要：以武漢市东湖高新技术开发区部分区域为研究区，提出基于面向对象的高分辨率遥感影像建筑物变化检测法.利用BMI算法提取建筑物，利用CVA算法进行变化检测得到全部对象差异度，利用EM算法的贝叶斯阈值计算方法确定变化阈值.结果表明，基于面向对象的变化检测总体精度为89.48%，Kappa系数为0.86，优于基于像元的变化检测，为高分辨率遥感影像建筑物的变化检测提供了一种新的思维方式和方法.

　　关键词：高分辨率;变化检测;基于像元;面向对象

　　[中图分类号]P237 [文献标志码]A

　　《电子设计技术》(月刊)成立于1994年，由中国电子报主办。该出版物的目的是成为中国电子设计行业的领先出版物。

　　Object-oriented Detection of Building Changes Based on HighSpatial Resolution Remote Sensing Image

　　LU Lichena，b，c，d，HONG Liang*a，b，c，d，e，f，g

　　（Yunnan Normal University，a.Faculty of Geography;b.GIS Technology Research Center of Resource and

　　Environment in Western China of Ministry of Education;c.Center for Geospatial Information Engineering

　　and Technology of Yunnan Province;d.Key Laboratory of Resources and Environmental Remote

　　Sensing for Universities in Yunnan;e.Center for Bay of Bengal Area Studies of Yunnan Normal

　　University;f.Center for Myanmar Studies of Yunnan Normal University;g.Center for Cambodia

　　Studies of Yunnan Normal University，Kunming 650500，China）

　　Abstract：Based on the object-oriented method of building change detection，a new method of building change detection based on high-resolution remote sensing image is proposed.BMI algorithm was used to extract buildings，CVA algorithm was used to detect changes to obtain all object differences，and the bayesian threshold calculation method of EM algorithm was used to determine the change threshold.The results show that the overall accuracy of object-based change detection is 89.48% and the Kappa coefficient is 0.86，which is superior to pixel-based change detection and provides a new way of thinking and method for the change detection of buildings with high-resolution remote sensing image.

　　Key words：high spatial resolution;change detection;pixel-based;object-oriented

　　近年来，随着遥感影像的空间分辨率不断提高和影像处理技术方法层出不穷，遥感影像变化检测技术取得很大突破，出现了许多新方法和实用性强的应用.在城镇区域的高分辨率遥感图像中，建筑物目标占据很大一部分，作为地物类别的主要内容，建筑物是城市地理数据库中最容易发生变化和最需要更新的部分，其更新较快，因此，开展对高分辨率遥感影像中的建筑物进行自动提取和变化检测研究具有重要的意义.最佳变化检测要结合具体的数据情况和实际应用目的来进行选择.高分辨率遥感影像的建筑物变化检测主要是对不同时间同一地区的两景或多景高分辨率遥感影像中的建筑物的变化情况进行检测，通过对比和分析，获取人们所需要的两时段建筑物的变化信息.[1-8]本文基于样本选择算法的贝叶斯阈值确定面向对象的变化检测阈值，利用最大期望（expectation maximization，EM）算法结合BMI算法和CVA算法对变化区域进行提取与检测，提高了变化检测的精度，获得了较好的效果，为高分辨率遥感影像建筑物的变化检测提供了一种新的思维方式和方法.

　　1 研究区概况

　　研究区位于湖北省武汉市东南部洪山区的东湖高新技术开发区，建筑区域变化较明显，区规划面积518 km2，区内常年居住的人口为40万人.

　　2 数据源和方法

　　2.1 数据源

　　采用武汉东湖高新开发区部分区域2010年2月和2012年2月两景Worldview-2卫星影像.空间分辨率为0.5 m，影像尺寸为995像素×514像素.

　　2.2 研究方法

　　为提高目视效果，将worldview-2高分辨率的全色影像与低分辨率的多光谱影像进行融合，合成一副真彩色的高分辨率影像.笔者利用ENVI软件，使用Gram- Schimdt变换法进行数据融合.GS改进了主成分变化中信息过分集中的问题，专门为高空间分辨率图像所设计，较好的保持图像的空间纹理信息，避免了传统的融合方法失真性，既保留了影像光谱的信息，又增强了影像的空间分辨率，融合效果较好.采用基于像元的变化检测分类的最小距离法.

　　笔者提出一种基于高分辨率遥感影像面向对象的建筑物变化检测新算法：将影像进行多尺度分割，利用BMI算法提取建筑物，利用CVA算法进行变化检测得到全部对象差异度，利用EM算法的贝叶斯阈值计算方法确定阈值.

　　分割方法 采用分形网络演化多尺度分割算法（FNEA）.分割步驟：通过试验选择不同分割参数，以此得到合适的分割尺度、紧致度和形状因子;对配准的两时相或多时相的遥感影像进行影像的叠加并进行多尺度分割;利用分割结果在两景或多景遥感影像上分别获得对应的建筑区域的像斑.

　　建筑物变化检测方法 将分割后的遥感影像利用BMI算法提取建筑物，利用CVA算法进行变化检测得到全部对象差异度，利用EM算法的贝叶斯阈值计算方法确定阈值.笔者利用MBI算法提取建筑物和基于CVA算法的变化检测所获得的全部像斑差异度作为训练样本，选择EM算法的贝叶斯阈值确定方法获取变化阈值.假设像斑差异度组成的集合为

　　DCVA=d1CVA，…，dnCVA，

　　n为像斑的数量.将DCVA分为两类，一类是变化的，一类是未变化的.设它们的条件密度函数服从于高斯分布，则DCVA中像斑差异度近似满足两个（或多个）子高斯分布组成的混合高斯分布.使用EM算法对两个（或多个）子高斯分布模型进行参数估计，获得变化类和未变化类的分布参数.根据贝叶斯最小误差率理论公式计算得到变化阈值T：

　　（δ2u-δ2c）T2+2（μuδ2c-μcδ2u）T+μ2cδ2u-μ2uδ2c-2μ2uδ2clnδup（wu）δcp（wc）=0.（1）

　　基于高分辨率遥感影像面向对象变化信息检测的方法是变化向量分析算法（Change vector analysis，CVA）.CVA算法一般利用像斑的光谱特征来进行变化检测，以此表达像斑的变化信息，然后通过等权融合像斑各波段的光谱特征的方式来获得像斑之间的差异度.CVA算法为：

　　dlCVA=∑wj=1Q2j-Q1j2，j=1，2，…，w.（2）

　　为了弥补CVA算法在像斑特征应用中的不足——单一的CVA算法无法表达完整的像斑变化信息——也为了更有效利用像斑的多维特征，笔者结合形态学建筑物指数MBI的算法提取建筑物的特征，使研究更精确地将建筑物斑块提取出来.两算法的叠加使光谱特征和建筑物指数特征叠加形成多个特征，更明显的体现了像斑的差异度，构建特征空间.为保证数据的一致性，所有数据要归一化至[0，1].

　　形态学建筑物指数MBI（Morphological Building Index）主要提取的步骤为：

　　步骤1 计算亮度值

　　b（x）=max1≤k≤Kbandk（x）.（3）

　　其中，k是可见光的光谱波段数，bandk（x）是第k光谱波段在像素x处的亮度值

　　步骤2 形态学白帽重构

　　WTH（d，s）=b-γreb（d，s）.（4）

　　其中，γreb是对亮度图像b的形态学开运算，d代表线性结构元素的方向（本研究d=4），s代表线性结构元素的尺度.

　　步骤3 计算微分形态学剖面DMP（Differential Morphological Profiles）

　　DMPWTH（d，s）=

　　WTHd，（s+Δs）-WTH（d，s）.（5）

　　步骤4 计算MBI

　　MBI=∑d，sDMPWTH（d，s）D×S.（6）

　　其中，S=（smax-smin）/Δs+1，D为计算建筑物剖面时的方向数，本研究所采用的D=8，smin=2，smax=51，Δs=7.

　　3 结果与评价

　　3.1 图像预处理结果

　　经过GS方法进行图像融合后，图1表示两景融合后的影像.

　　3.2 基于像元的变化检测结果

　　两景原始影像通过亮度阈值的选择提取建筑物，图2为基于像元建筑物变化检测二值化后的影像，白色区域代表变化的区域，黑色区域代表未变化的区域.

　　3.3 基于面向对象变化检测结果

　　选用武汉东湖高新技术开发区2010年融合影像作为基准影像，2012年融合影像作为检测影像，将两景影像配准.运用eCognition软件进行多尺度分割.本研究的分割尺度为30，形状为0.7，紧致度为0.3，效果满足要求.

　　导出影像的分割矩阵，读入标记矩阵，以此取得两景影像的图斑.这样做的目的在于可通过各图斑特征向量的提取，采用基于样本选择EM算法得到变化阈值，对变化区域进行检测.图3为经过BMI算法提取建筑物特征的武汉市东湖高新开发区2010年和2012年的影像.图4为经过MBI算法的特征提取之后再经过光谱特征叠加后的影像的图像.图5为利用EM算法的贝叶斯阈值确定方法获取变化阈值建筑物变化检测后的二值化结果图，白色区域代表变化的区域，黑色区域代表未变化的区域.

　　3.4 结果分析

　　3.4.1 定性分析

　　面向对象的变化检测方法是以影像的分割为前提，经过分割后的图斑完整，各类地物形状清晰，有效地避免了“椒盐噪声”，有效地利用了高分辨率遥感影像的光谱特征优势，结合了形态建筑物指数算法（MBI），降低了错分率，使分类更准确.综合

　　来说，利用高分辨率遥感影像做建筑物的变化检测中，运用基于EM算法的贝叶斯阈值确定方法获取变化阈值的面向对象的变化检测方法优于基于像元的变化检测方法.

　　3.4.2 定量评价

　　基于像元和基于面向对象的变化检测精度评价见表1.由表1可以看出，基于像元变化检测的总体精度和Kappa系数分别为76.89%和0.69，总体精度较低的原因在于错判的误差比较大，错分和漏分现象比较严重.错分和漏分的区域大多数处于建筑物边界或是道路的边界.相对于基于像元的变化检测方法，运用面向对象的方法进行变化检测能够获得更好的效果，其检测总体精度达到89.48%，Kappa系数为0.86.面向对象的变化检测不仅很好的利用了光谱信息，还结合形态建筑物指数，根据建筑物的多特征性质精确提取建筑物，使建筑物的变化检测精度更高，在一定程度上保证了变化检测的准确性，使对象的各类精度均达到了85%以上.

　　4 结论及启示

　　近年来，随着经济的发展，城市极度扩张，准确测定建筑物的变化对于城市规划和城市的发展至关重要.笔者基于面向对象的建筑物变化检测提出一种新算法——面向对象的高分辨率遥感影像建筑物变化检测.先利用BMI算法提取建筑物，然后利用CVA算法进行变化检测得到全部对象差异度，最后利用EM算法的贝叶斯阈值计算方法确定变化阈值.笔者对武汉市东湖高新技术开发区2010年2月和2012年2月两景Worldview-2高分辨率遥感影像进行建筑物变化检测，结果表明，基于面向对象的变化检测总体精度为89.48%，Kappa系数为0.86，优于基于像元的变化检测.目前，高分辨率遥感影像变化检测方法的研究还远远未达到成熟，尚不能满足人们实际的需求，基于该研究区域的变化检测方法C是否具有普适性，还需要等待用更多的实验去探究.

　　参考文献

　　[1]张晓东，基于遥感影像与GIS数据的变化检测理论和方法研究[D].武汉：武汉大学，2005.

　　[2]Chen J，Chen X，Cui X，et al.Change Vector Analysis in Posterior Probability Space：A New Method for Land Cover Change Detection[J].Geoscience & Remote Sensing Letters IEEE，2011，8（2）：317-321.

　　[3]霍春雷，程健，卢汉清，等.基于多尺度融合的对象级变化检测新方法[J].自动化学报，2008，34（3）：251-257.

　　[4]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（10）：1158-1162.

　　[5]Adar，Shkolnisky，Ben Dor.A new approach for thresholding spectral change detection using multispectral and hyperspectral image data，a case study over Sokolov，Czech republic[J].International Journal of Remote Sensing，2014，35（4）：1563-1584.

　　[6]Sicong L，Bruzzone L，Bovolo F，et al.Hierarchical Unsupervised Change Detection in Multitemporal Hyperspectral Images[J].Geoscience & Remote Sensing IEEE Transactions on，2015，53（1）：244-260.

　　[7]Pang S，Hu X，Wang Z，et al.Object-based analysis of airborne LiDAR data for building change detection[J].Remote Sensing，2014，6：10733-10749.

　　[8]Nebiker，Lack ，Deuber.Building change detection from historical aerial photographs using dense image matching and object-based image analysis[J].Remote Sensing，2014，6：8310-8336.

　　

《面向对象的高分辨率遥感影像建筑物变化检测》

本文由职称驿站首发，您身边的高端论文发表学术顾问

文章名称： 面向对象的高分辨率遥感影像建筑物变化检测

文章地址： http://www.zhichengyz.com/lunwen/keji/dzjs/44101.html