基于多尺度和多特征融合的面向对象的变化检测方法.docx
- 文档编号:10628388
- 上传时间:2023-02-22
- 格式:DOCX
- 页数:13
- 大小:1,003.88KB
基于多尺度和多特征融合的面向对象的变化检测方法.docx
《基于多尺度和多特征融合的面向对象的变化检测方法.docx》由会员分享,可在线阅读,更多相关《基于多尺度和多特征融合的面向对象的变化检测方法.docx(13页珍藏版)》请在冰豆网上搜索。
基于多尺度和多特征融合的面向对象的变化检测方法
基于多尺度和多特征融合的面向对象的变化检测方法
王文杰,赵忠明,朱文清
中科院遥感应用研究所图像处理部
邮箱中国,北京100101,9718
wangwenjie@
摘要--高分辨率卫星影像为遥感应用提供了丰富的地球表面信息。
利用变化检测技术从高分辨率遥感影像中提取目标区域变化并且迅速地更新地图数据库已经成为遥感信息处理研究的焦点。
然而传统的变化检测方法并不适用于高分辨率遥感影像。
为了克服传统的像素级变化检测方法的局限和高分辨率遥感影像变化检测的困难,本文以面向对象的分析方法为基础呈现了一种新颖的用于检测高分辨率遥感影像变化的多尺度,多特征融合方法。
实验结果表明在高分辨率遥感影像变化检测方面这种方法与传统的像素级方法相比有较强的优势。
关键词:
面向对象;多尺度分割;光谱特征;纹理特征;形状特征;融合
一简介
由于从环地卫星获取的数据的短间隔重复性覆盖和始终如一的图像质量,变化检测是其主要应用之一[1]。
20年来,高分辨率遥感影像变化检测已成为遥感影像处理领域一项重要研究并且已被广泛应用于地理信息系统更新,资源、环境监测,城市规划和国防建设等领域[2]。
目前已经存在各种各样的变化检测方法。
图像差分法,主成分分析法,分类后比较法,向量分析法是传统变化检测中最常用的一些方法[3-4]。
这些方法被典型地应用于像LandsatTM这样的中等空间分辨率的卫星影像[5-9]。
然而,当涉及高分辨率影像变化检测研究的时候,这些方法就有了一些缺点。
传统的基于像素级的遥感影像变化检测方法主要是建立在光谱信息分析的基础上的。
他们共同的特点是仅利用像素值的统计信息而几乎不分析地物的形状特征和结构特征。
然而高分辨率遥感影像已经给遥感影像带来了重大变革,它可以清晰地展现景观的结构,纹理和细节信息。
除了获得光谱信息之外,它也可以获取表面物体的机构,形状和纹理信息。
传统的遥感图像变化检测方法不能真正利用高分辨率遥感影像的优势,因此它不能解决高分辨率遥感影像变化检测的问题。
面向对象的变化检测是变化检测研究新方法的主要内容。
面向对象方法的基本特征是分割影像并把对象当做操作的基本单元而不是像传统的面向像素的方法那样把单个像素当做操作的基本单元。
通过图像分割获取的对象有一些属性,不仅包含光谱信息还包含纹理,尺寸,形状,密度,环境和其他的从图像中提取的信息。
高分辨率遥感影像的面向对象的变化检测方法不再依赖对光谱信息的分析而是靠对对象属性变化的分析来判断变化结果。
因此它极大地提高了高分辨率遥感影像变化检测的精度[10-12]。
本文为高分辨率遥感影像提供了一种创新性的基于多尺度和多特征融合的面向对象的变化检测方法。
由于对面向对象思维的主要特征的的良好应用,这种新颖的方法能充分利用高分辨率影像的特点并且在检测高分辨率遥感影像变化方面取得比传统检测方法好得多的检测结果。
二研究数据和方法论
A.研究数据描述
以下两张CBERS-2数据影像分别在2004年十月和2005年五月获取。
空间分辨率高达2.5米。
两张数据影像的主要变化为社区的拆除和建设和道路的变动。
研究影像包含复杂和简单两种人为建设。
这种数据体现了城市发展的一种典型变化形式。
图像预处理包括几何校正,图像校准和参照第二幅图像的直方图匹配。
CBERS-2图像(2004年,10月)
CBERS-2图像(2005年,5月)
B.选择最佳分割尺度
面向对象处理的第一步是以一定的尺度分割图像。
尺度对图形分割来说非常重要,它直接决定了对象的尺寸和信息提取的精度。
多尺度分割中每幅图像自己唯一的尺度。
譬如说,提取的树木和房屋的尺度明显小于提取森林和草地的尺度。
不同分割尺度生成有巨大差别的的多边形。
尺度越小生成的多边形越多且每个多边形的尺寸越小。
对特定的地物类型来说,最佳分割尺度的基本标准是被分割的对象都能保持目标地物的固有空间结构特征,即图像的最大分割尺度不能大于目标地物。
因此任何最佳分割尺度的分析方法的本质就是选择与目标对象尺寸相近的区域作为最佳分割尺度。
在遥感图像分类中,不同的的地物能被不同的最佳尺度所呈现。
通过这些分类结果的融合可以获得最大的可达到的分类精度。
基于以上分析,本文意图通过融合以各种最佳分割尺度获得的变化监测结果来最大化变化检测的精度。
选择最佳分割尺度的步骤如下:
1.根据变化区域,选择两幅图像的变化前和变化后类做为被调查类.
2.选择被调查类的训练样本.
3.根据训练样本为每个被调查类选择最佳尺度.
表格一展示了研究数据中的变化前类和变化后类.表格二展示了被调查类的最佳尺度.
表格一研究数据中的被调查类
变化前类
变化后类
操场,草坪
裸露地面,混合地面,人行道,灰屋顶,白屋顶,跑道
表格二被调查类的最佳尺度
灰色地面
白色地面
人行道,跑道
草坪
裸露地面,操场,混合地面
尺度10
尺度20
尺度35
尺度60
尺度80
本文中我们使用易康软件来执行多尺度分割.在这项测试中,每幅图像的光谱和形状异质权重值分别为0.9和0.1.平滑度和紧密度都被设置为0.5.我们把两幅图像各自按照以上五个最佳尺度进行分割.
C.选择对象的最佳特征
在图像分割之后,易康可以通过评估图像对象本身获取对象特征值.图像有许多种对象特征.这些特征可以被分为五类.(详见表格三)[13].
表格三通过易康软件获取的对象特征
光谱
这些特征是关于图像对象的像素频段值的.
纹理
纹理特征基于图像对象的子这个特征只有在象或者共生矩阵的灰度级来评估图像对象的纹理.
形状
有了这些特征,图像对象的形状可以用对象本身或者它的子对象来描述。
层级
这些特征在整个图像对象层级上提供了关于图像对象植入的信息。
主题
属性
这些是主题图层对象的属性。
这个属性只有在这样的主题图层被引入该项目的时候才可利用。
本文中,我们仅研究光谱特征,纹理特征和形状特征。
并不是所有对象特征都适用于获取最佳变化检测结果。
不同对象特征对不同的变化检测敏感。
如何选取最理想的对象特征以获取最佳的变化检测结果是许多研究者的兴趣所在。
在这里我们用图像分类结论来选择最佳对象特征。
在面向对象图像分类方法中,如果我们只用平均特征来做图像分类,分类精度可以高达大约90%。
只用能量特征的话分类特征是75%左右。
而只用形状指标特征的话分类精度只有30%左右[14]。
根据这个结论,我们选择平均特征作为最佳光谱特征,选择能量特征作为最佳纹理特征,选择形状指标特征作为最佳形状特征。
D.多尺度单个特征融合变化检测
融合变化检测方法的第一步是用单个特征来做多尺度融合。
我们以多尺度平均特征融合为例来解释该方法的处理流程。
处理流程如下。
1.基于各个最佳分割尺度提取平均特征图像。
那就意味着我们用平均特征值来替换这个对象中的所有像素的像素值。
我们仍然用易康软件来做这个步骤。
由于我们已经确定了5个最佳分割尺度,接着我们可以获得各个数据图像5个平均特征图像。
2.为了取得单个最佳尺度中的平均特征变化检测结果,本文提出了一种基于对象方法的像素图像差分,首先,我们取得两个时期的平均特征图像。
接着这两个平均特征图像被逐像素的进行删减来生来一幅体现两个时期之间变化的图像。
见公式
(1).
其中
f特征图像的像素值,t1=第一数据,t2=第二数据,C=生产积极数字编码的常量。
我们把10%作为图像差分的临界值并且在单个最佳尺度内取得平均特征变化检测结果。
3.为了单个最佳尺度内的五个平均特征变化检测结果,我们使用适应性加权融合算法来获取融合结果。
公式
(2)用来计算五个结果的权值。
其中,
是变化检测结果p的方差。
是变化检测结果p的权重值。
接着我们就可以获得如下图的多尺度平均特征变化检测结果
多尺度平均特征变化检测结果
4.使用和平均特征同样的处理流程,我们可以获得如下图的多尺度能量特征检测结果和多尺度形状索引特征变化检测结果。
多尺度能量特征变化检测结果
多尺度形状索引特征变化检测结果
E.多尺度和多特征融合变化检测
分析以上三个结果我们可以发现虽然平均特征的结果比其他两个结果好但是它仍然不能检测出例子中蓝色和紫色三角标识的全部变化区域。
这表明不同特征对检测精度有不同的影响。
我们用简单权重融合法来融合这三个多尺度单特征结果。
根据图像分类精度结果,我们为多尺度平均特征变化检测结果选择0.46作为权重值,为多尺度能量特征变化检测结果选择0.38作为变化检测结果,为多尺度形状索引特征变化检测结果选择0.16作为权重值。
这意味着这三个权重值的比例为9:
7.5:
3.接着我们如下图取得最后的多尺度和多特征变化检测结果。
多尺度和多特征融合变化检测结果
三结果和讨论
比较以上四个结果我们可以看到多尺度和多特征融合变化检测结果比其他三个单特征变化检测结果更有效。
最后的结果集中了所有最佳尺度和特征的优点。
它克服了单尺度和单特征的的缺点。
它们之间的视觉差异很明显。
蓝色,紫色,黄色和红色三角标识的区域可以展现这明显的变化。
为了证明我们方法的优越性,我们把它和三个传统的基于像素的变化检测方法做比较。
他们是:
(1)图像差分
(2)首要元素分析(PCA)(3)图像回归。
(见下面三幅图)。
为了检测每幅变化图像的精度,我们在研究区域内随机选择200个点作为样本。
表格4列出了这四种方法的精度。
以10%为临界值的图像差分变化检测结果
PCA变化检测结果
图像回归变化检测结果
表格四四个变化检测方法的精度比较
变化检测方法
变化检测精度
多尺度和多特征融合
87.8
图像差分
82.3
PCA
71.2
图像回归
68.6
五结论
本文呈现了一种新颖的应用于高分辨率遥感影像面向对象的对尺度多特征特征融合变化检测方法。
这种方法提供了比基于像素变化检测方法精度更高,视觉印象更清晰的结果。
这表明了本方法在高分辨率影像变化检测方面具有较大的潜力。
从本文中我们还可以得出以下结论。
1.面向对象的变化检测方法能更好地利用尺度和对象特征以获得更好的变化检测结果。
2.尺度和对象特征以不同程度影响变化检测的精度。
3.通过单尺度或者单对象特征获得的变化检测结果不可靠。
做多尺度和多特征的融合可以提高变化检测的精度。
4.多尺度和多特征融合变化检测方法对高分辨率遥感影像的简单变化检测和复杂变化检测都具有良好的适应性。
虽然我们的方法能取得比传统方法好得多的结果,但是将来我们仍然需要做进一步的工作来改进它。
选择最佳对象特征的分析工作将循序展开。
融合方法也需要进一步发展。
参考书目
[1]A.Singh,“Digitalchangedetectiontechniquesusingremotely-sense
data”,InternationalJournalofRemoteSensing,vol.10,no.6,pp.989-
1003,1989.
[2]LiuZhifang,ZhangJiping,“ChangeDetectionMethodsandTheir
ApplicationinCity“,BulletinofSurveyingandMapping,vol.9,25-27,
2002.
[3]Fung,T.,andE.LeDrew,“ApplicationofPrincipleComponent
AnalysistoChangeDetection“.PhotogrammetricEngineering&
RemoteSensing53:
1649-1658,1987.
[4]Johnson,R.D.andE.S.Kasischke,“ChangeVectorAnalysis:
A
TechniqueforMultispectralMonitoringofLandCoverandCondition“.
InternationalJournalofRemoteSensing19(3):
411-426,1998.
[5]K.C.SetoandW.Liu,“ComparingARTMAPneuralnetworkwiththe
maximum-likelihoodclassifierfordetectingurbanchange“,
PhotogrammetricEngineering&RemoteSensing,vol.69,no.9,pp.
981-990,2003.
[6]J.G.Lyon,D.Yuan,R.S.Lunetta,andC.D.Elvidge,“Achange
detectionexperimentusingvegetationindices,”Photogrammetric
Engineering&RemoteSensing,vol.64,no.2,143-150,1998.
[7]D.HayesandS.A.Sader,“Comparisonofchange-detectiontechniques
formonitoringtropicalforestclearingandvegetationregrowthinatime
series,”PhotogrammetricEngineering&RemoteSensing,vol.67,no.9,
pp.1067-1075,2001.
[8]J.Chen,P.Gong,C.He,R.Pu,andP.Shi,“Land-use/land-coverchange
detectionusingimprovedchange-vectoranalysis,”Photogrammetric
Engineering&RemoteSensing,vol.69,no.4,pp.369-379,2003.
[9]T.X.Yue,J.Y.Liu,S.E.Jogensen,andQ.H.Ye,“Landscapechange
detectionofthenewlycreatedwetlandinYellowRiverdelta,”
EcologicalModeling,vol.164,pp.21-31,2003.
[10]I.Niemeyer,andM.J.Canty,“Pixel-basedandobject-orientedchange
detectionanalysisusinghigh-resolutionimagery,”http:
//www.definiens
2003.
[11]V.Walter,“Object-basedclassificationofremotesensingdatafor
changedetection,”ISPRSJournalofPhotogrammetry&Remote
Sensing,vol.58,pp.225-238,2004.
[12]Willhauck,G.,Schneider,T.,DeKok,R.,andAmmer,U.,“Comparison
ofobjectorientedclassificationtechniquesandstandardimageanalysis
fortheuseofchangedetectionbetweenSPOTmultispectralsatellite
imagesandaerialphotos“,IAPRS,2000,vol.XXXIII.
[13]eCognitionUserguide4Concepts&Methods.
[14]CuiLinLi,”Integrativeanalysisandevaluationoftheinterpretation
featuresinremotesensingimage”,109-112,2005
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 尺度 特征 融合 面向 对象 变化 检测 方法