基于遥感影像的城市土地利用变化检测研究
2012-09-22王勇
王勇
(郑州测绘学校,河南郑州 450015)
1 引言
卫星遥感影像覆盖范围大,能及时、客观、周期性地获取地表覆盖信息。随着卫星遥感影像的空间分辨率不断提高,为土地利用变更调查提供了新的数据源,使得利用卫星遥感影像快速更新土地利用现状图成为可能,同时遥感影像的价格也越来越便宜,因此,可以利用高分辨率卫星遥感影像代替航空遥感影像进行土地利用现状调查。虽然目前比较成熟的用于土地利用的变化检测算法较多,这些方法分别适用于不同的实际需求,根据实际情况选择合适的方法才可以达到较好的检测结果。本文提出了基于灰度差分和纹理差分图像融合的变化检测方法,并利用郑州市近几年的遥感影像进行城市土地利用变化检测实践研究。
2 变化检测
2.1 变化检测的一般处理流程
从输入多时相遥感图像数据,到输出变化检测结果,变化检测的一般处理流程由图像预处理、变化信息获取以及检测结果输出三个部分构成,如图1所示。
图1 变化检测的处理流程
2.2 变化检测算法分类
目前已经有许多变化检测算法,如差值法、植被索引法、主成分分析法等。人们从应用的角度出发有各种各样的分类方法,但变化检测算法本质上是“特征提取”问题,或称为变化增强算法。因此,本文认为较为合理的算法分类可以根据特征提取的方式来分,可分为两大类:
(1)基于光谱/灰度特征的变化检测。基于光谱/灰度特征的变化检测算法只考虑点对点(pixel-to-pixel)运算,因此要求多时相的图像之间必须严格地配准。
(2)基于空间特征的变化检测算法。基于空间特征的变化检测算法考虑了图像的空间特性,如纹理、边缘及目标识别结果等,它是基于区域运算的。
3 基于差分图像融合的变化检测方法
3.1 基于差分图像融合的变化检测原理
基于差分图像融合的变化检测是将灰度差分图像与纹理差分图像相结合进行变化区域检测的处理方法,主要的处理流程为:输入多时相遥感图像后,先通过图像配准和相对辐射校正方法实现不同时相遥感图像的几何和辐射校正;分别进行灰度差分和纹理差分,得到灰度差分图像和纹理差分图像;然后根据乘积变换原理融合纹理差分图像和灰度差分图像;接着根据ISODATA算法实现差分图像融合后的分类;根据分类图像确定合适的阈值,得到变化区域。
3.2 基于差分图像融合的变化检测算法描述
根据前面的分析,对于本文提出的基于差分图像融合的变化检测算法,算法为如图2所示流程。
下面给出主要的处理步骤:
第1步:图像预处理
①根据多项式纠正的方法实现多时相遥感图像的配准;
②通过直方图匹配法实现多时相遥感图像的辐射校正。
图2 基于差分图像融合的变化检测流程图
第2步:差分图像融合
①根据图像的灰度信息得到多时相遥感图像的灰度差分图像;
②根据图像的纹理结构得到多时相遥感图像的纹理差分图像;
③根据乘积变换方法实现纹理差分图像与灰度差分图像的融合。
第3步:差分融合图像分类
①初始化;
②选择初始中心;
③按一定光谱距离对所有像元划分;
④重新计算每个集群的均值和方差,按初始化的参数进行分裂和合并;
⑤直到迭代次数或者两次迭代之间类别均值变化小于阈值,结束;
⑥否则,重复⑤;
⑦确认类别,精度评定。
第4步:分类结果后处理,实现多时相图像的变化检测。
4 基于遥感影像的实验与分析
本文选择郑州市作为实验地区,基于ERDAS 9.2软件采用2006年、2007年、2009年的CBERS02B CCD影像进行实验。分别进行多时相灰度差分变化检测和纹理差分变化检测,并用本文中提出的基于差分图像融合的方法用于多时相遥感图像变化区域检测,验证该方法与简单的纹理差分或者灰度差分相比是否提高了变化检测精度。
4.1 基于图像灰度差分的检测
采用图像灰度差分的算法进行实验,采用合适的阈值来标明重点变化区域,并输出变化分析结果图像。根据变化图像统计变化数据,研究变化检测情况。检测结果如图3和表1、表2所示。
图3 主要变化区域图像
2007年相对于2006年年变化检测统计数据 表1
2009年相对于2006年变化检测统计数据 表2
通过表1、表2数据可以看出,第二次变化检测的变化范围比第一次变化检测的范围大,原因是第二次检测所用数据间隔的时间比较长,符合实际情况。
4.2 基于图像纹理差分的检测
将2006年、2007年、2009年三个时相同一地区的影像进行纹理分析,提取两幅图像的纹理特征,然后利用图像差分的算法进行基于纹理特征的图像差分变化检测。基于纹理差分的变化检测结果,如图4和表3、表4所示。
图4 基于纹理差分的变化检测结果
2007年与2006年基于纹理差分的变化检测统计数据 表3
2009年与2006年基于纹理差分的变化检测统计数据 表4
通过对灰度差分变化检测结果和纹理差分变化检测结果对比,结合实际的调查结果可以发现,基于纹理的变化检测算法对随机因素的干扰有一定的鲁棒性,降低了变化区域提取的精度,因此利用纹理差分方法用于变化检测的精度明显低于灰度差分的方法。
4.3 基于差分图像融合的变化检测
基于差分图像融合的变化检测,首先对变化前图像、变化后图像分别进行灰度差分和纹理差分,得到灰度差分图像和纹理差分图像;然后根据乘积变换算法融合纹理差分图像和灰度差分图像;接着根据ISODATA算法进行融合后的分类,结合目视解译,得到变化区域。基于差分图像融合的变化检测统计数据如图5和表5、表6所示。
图5 差分融合图像分类结果图
2007年与2006年基于差分图像融合的变化检测数据 表5
2009年与2006年基于差分图像融合的变化检测数据 表6
经过实地调查,2007年郑州市的发展方向在北区,所以郑州市北区的土地利用情况发生了较大的变化,这和我们检测的结果是一致的。土地利用变化的区域面积为0.434 km2,和国土部门的0.5 km2的统计数据基本一致。从2007年开始,郑州市加快了发展步伐,西北方向国家级高新技术开发区和东南方向国家级经济技术开发区的城市建设进程加快,郑州北部地区随着房地产市场的带动也发生了很多的变化,郑东新区的建设用地大量增加,而郑州市中部老城区的改造也在不断进行,和2009年相对于2006年的变化检测结果是一致的。土地利用变化的区域面积为8.989 km2,和国土部门约 9 km2的统计数据基本一致。由此可见,基于差分图像融合的变化检测结果与统计结果比较接近,精度较高,比单纯的灰度差分和纹理差分的变化检测精度要高,准确性更强。
5 小结
通过实验验证与分析,得出以下结论:
(1)进行变化检测,图像的预处理尤其关键。图像的几何纠正配准、图像辐射处理的准确性是做好变化检测的前提。高精度的几何配准、图像辐射增强处理和直方图匹配为提高变化检测的精度提供了保证。
(2)灰度差分变化检测对图像的时相要求较高,最好是属于同一季节,且月份相差不要太大,以免植被覆盖等因素增加变化检测的误差。灰度差分图像由于是通过点对点运算,所以一般差值图像存在很多的噪声,由于存在同谱异物和异物同谱现象,所以一般会得到很多假变化信息。
(3)基于纹理结构的灰度差分变化检测,由于基于纹理的变化检测算法对随机因素的干扰有一定的鲁棒性,降低了变化区域提取的精度,因此利用纹理差分方法用于变化检测的精度明显低于灰度差分的方法。
(4)基于差分图像融合的变化检测方法,综合了灰度差分和纹理差分的优点,与单纯的灰度差分或纹理差分变化检测相比,提高了变化检测的精度。
6 结语
(1)运用遥感可以主动发现土地利用的变化信息,提取变化地块的区域,尤其是非农业用地;而传统方法只能被动地由用地单位或个人申报,存在少报和漏报的情况,增加了监测的客观性。
(2)此研究证明基于中分辨卫星影像图,采用图像的灰度和纹理差分图像作为结合的两类特征。扩展本文中的图像融合思路,可以用更多的特征图像来综合检测地物的变化,这是提高基于光谱特征的变化检测方法性能的一个有效途径。在实际应用中,应该选择能够很好地反映研究对象及地域特点的特征。
[1]李宗华,王新洲,彭明军等.高分辨率卫星遥感影像在土地利用变更调查中的应用[J].测绘信息与工程,2005(8).
[2]孙静,赵伟,赵鲁全.土地利用遥感动态监测技术方法介绍[J].山东国土资源,2005(4).
[3]李德仁.利用遥感影像进行变化检测[J].武汉大学学报(信息科学版),2003,28(3):7 ~12.
[4]刘直芳,张继平,张剑清等.基于DSM和影像特征的城市变化检测[J].遥感技术与应用,2002,17(5):240~244.
[5]杨希,刘国祥,秦军等.基于多时相遥感图像灰度差值法的地表变化检测[J].四川测绘,2008,31(3):99~103.
[6]宋翠玉,李培军,杨锋杰.运用多尺度图像纹理进行城市扩展变化检测[J].国土资源遥感,2006,(3):37~42.