综合多级别检测的林地变化检测方法

郝从娜，陶文旷

(1. 辽宁石油化工大学 顺华能源学院, 辽宁 抚顺 113001) (2. 中国矿业大学 环境与测绘学院， 江苏 徐州 221008)

·信号处理·

综合多级别检测的林地变化检测方法

郝从娜1，陶文旷2

(1. 辽宁石油化工大学 顺华能源学院, 辽宁 抚顺 113001) (2. 中国矿业大学 环境与测绘学院， 江苏 徐州 221008)

为了提高植被变化检测精度和获取植被变化类型信息，在综合利用像素级变化检测、特征级变化检测和分类后变化检测的基础上，提出了一种由粗到精并准确获取变化信息的植被变化检测方法。文中选取2002年和2007年的QuickBird多光谱图像作为试验对象，使用像素级变化检测处理多时相遥感数据，确定出包含植被变化的候选区域；然后，使用特征级变化检测确定出变化区域；最后，结合分类后变化检测获取变化信息的位置和类型。通过对两时相遥感数据进行变化检测试验，并与各单独检测方法对比，验证新方法的有效性。结果表明：该方法在提高了变化检测精度的同时能够提供变化地物信息，可以有效地应用于植被变化信息的检测。

变化检测；林地变化；分类后变化检测

0 引 言

变化检测技术就是对不同时段的目标或现象状态发生的变化进行识别、分析的计算机图像处理系统，包括判断目标是否发生变化、确定发生变化的区域、鉴别变化的类别、评价变化的时间和空间分布模式等[1]。数十年来，各国学者都在致力于研究变化检测技术，已相继发展了许多基于遥感影像的变化检测方法。霍春雷等[2]讨论了遥感图像变化检测中的多尺度融合问题，提出了基于多尺度融合的对象级的变化检测框架。该框架利用对象级的变化检测方法,提高了变化类和非变化类的可分性。王洪先[3]针对多时相遥感图像之间的变化检测易受照度变化和噪声的影响，提出了一种基于多尺度分析和多变量假设检验的变化检测方法。佃袁勇等[4]在利用Mean-Shift分割算法的基础上,根据高空间分辨率影像上变化区域呈聚集状分布的特点，提出了一种面向地理对象的遥感影像变化检测算法。龙玄耀等[5]使用一种基于组分的多尺度形态学梯度代替纹理加入空间信息，有效地提高城市变化检测精度。徐德伟等[6]通过直接估计影像分布函数比值，从而提出了一种SAR图像变化检测方法。但目前的研究表明，没有任何一种变化检测方法具有绝对的优势[7]。在实际的应用中，要根据具体的应用目的选取合适的变化检测方法。

按照分类与检测的先后顺序可将变化检测分为分类后变化检测和分类前直接检测。分类前直接检测即先检测再分类，一般只能分为变化类和非变化类，检测精度较高；缺点是阈值的确定没有绝对的标准，分类精度完全依赖于阈值大小，且无法确定变化的地物类型。分类后变化检测即先分类再检测再分类，比较同一位置的分类结果，优点是回避了影像辐射校正、几何配准的问题，可以提供变化性质的信息，由何种类型向何种类型转变；缺点是必须进行两次影像分类，变化检测的精度非常依赖于影像分类的精度，可能会夸大变化的程度[8]。

而分类前变化检测又可以根据不同级别分为：像素级变化检测、特征级变化检测和目标级变化检测。其中，像素级为最低级别的检测方法，该方法直接比较不同时相影像中对应像素的灰度值差异，也是应用最为广泛的方法。特征级变化检测是利用不同时相的影像上提取的对应特征进行的比较，较像素级变化检测更为稳定。目标级变化检测是在特征信息提取的基础上识别出具有一定概念意义的目标(比如植被，海岸，机场等)，需要结合目标知识库对目标进行特征提取及识别和检测，并分析目标的变化，是最高层次上的变化信息的提取。

因此，本文在总结已有的遥感变化检测技术方法的基础上，对原有变化检测方法进行了综合应用,兼顾了信息与精度，提出一种综合多种类型变化检测方法各自优点的新方法，应用于植被的检测中。

1 方法及步骤

影像比值法(像素级变化检测)可以确定变化信息的位置，缩小检测范围，提高检测速度，但不能获得具体的变化类型，且检测的阈值无法精确确定，设定的阈值直接影响变化检测的最终精度[9]。因此，在比值法确定的变化候选区域中进行基于植被特征的变化检测(特征级变化检测)，从而弥补检测精度的不足，最后，通过分类后变化检测弥补无法获得具体变化类型和变化方向的不足。具体步骤及流程如图1所示。

图1 本文方法变化检测流程图

(1)影像预处理：采用邓书斌[10]提出的利用图像差值与质量控制相结合的方法进行辐射归一化，在近似的条件下可以假设两时相影像对应像素的灰度之间满足线性关系,这样就可以通过线性等式来描述不同时相间的灰度关系,用X表示参考图像,Y表示待校正图像,他们之间的线性关系可描述为

Y= aX+b

(1)

式中：a为增益量；b为偏移量；a、b均未知。

可以通过选取不变特征点(PIF),较好地克服样本选择的主观性,得到样本的相关系数达到98%以上,采用最小二乘法求解上述线性关系式,对待校正图像的灰度值进行线性变换,使两幅图像上同名地物具有相同辐射值,实现遥感动态监测中多时相遥感图像的辐射归一化[10]。

(2) 像素级变化检测：本文采用的是两时相影像对应波段比值的方法，为了减少离散的分离点，增加变化区域的连贯性，本文使用对应像素及周围八个像素的均值代替该像素进行计算[11]，公式表达为

(2)

式中：α为求得的比值图像的像素值；M1，M2为以两时相遥感影像上对应像素为中心的小窗口矩阵。

(3) 特征级变化检测：在像素级检测得到的变化区域中进行基于植被特征的变化检测。由于一种特征容易造成误检，本文采用了植被NDVI和纹理特征相结合的方法进行检测。

(4) 得到的变化影像为矢量格式，分为变化区域和未变化区域两个部分,以得到的矢量图像为掩膜，得到两期影像变化区域的局部范围，在该范围内分别对两期影像采用相同尺度进行分割和分类。

(5) 对分类后的影像进行分类后变化检测得到最终变化检测结果。

(6) 对最终变化检测结果进行精度评估，并与其他方法进行比较分析。

2 试验结果与分析

本文以2002年和2007年的QuickBird多光谱图像作为数据源，影像位于美国科罗拉多州北部地区，主要覆盖地物为黑松树，由于山松甲虫的爆发，2007年这片区域的森林遭到严重破坏，遭受山松甲虫侵害的树木逐渐变成红色，最终枯萎。图像分辨率为2.4 m，选取大小1 500×1 500像素的影像为实验区域，如图2所示。

显示方式为标准真彩色显示，绿色区域为植被，可以看到，2007年的时候大量的绿色植被变为红色病虫害区域。

传统相对辐射校正的方法手动选取不变点，个人主观因素较强，本文利用波段间差值运算与样本选取质量控制相结合的方法来选择伪不变特征地物，过程如下：

对两时相影像的某一波段做差值运算，图像中未发生变化的地类在两个时相的遥感图像上一般具有相等或相近的灰度值[12]，而当地物发生变化时，其灰度值会有较大差别，前面提到，即使未发生变化的地物，由于成像时间不同，在不同时相的影像中的辐射值也会有差异。因此，我们需设定一个范围来从差值图像中提取不变点，即

PIF={D1

(3)

D1和D2为提取的阈值，DN为波段间的差值。D1和D2应在0值附近，具体值可分析差值图像的直方图或根据经验值来确定。本文选取的D1为-50，D2为50。分别对影像四个波段进行处理，最终得到归一化之后的影像图。

像素级变化检测中采用3×3的小窗口矩阵，有效地增强了变化区域的连贯性，然后，采用Otsu自适应阈值分割方法将得到的比值差异图像分割为二值图像，1代表变化区域，0代表未变化区域。

将像素级变化检测的结果掩膜到原影像上，使不变化区域值变为0，变化区域信息不变，在此基础上进行特征级变化检测。选择大量样本点，部分作为训练样本，少量作为最终检验样本。首先，选取植被样本点，统计样本点的NDVI值，得到林地的NDVI值在0.28～0.8，使用该阈值将两景影像分割为林地与非林地，1代表林地，0代表非林地。然后进行异或运算，即相同位置的对应像素值同为1或同为0是，结果为0，即林地没有发生变化；一个时相像素值为0，另一个时相像素值为1，结果为1，即林地发生了变化。单特征检测很容易造成误检[13]，所以，本文结合了纹理特征检测，有效地提高了检测精度，采用与上述方法相同的处理方式。为了不破坏整体的纹理，此处采用先检测后掩膜的处理，即先对两时相的原图像分别求纹理特征图像，根据灰度分布直方图得到阈值，将原图像分割为植被与非植被，植被区域值为1，非植被区域值为0，再对两幅二值图像进行异或运算，得到代表变化与非变化的二值图像。将NDVI检测结果的二值图像掩膜到纹理检测的结果之上，得到最终的二值检测结果。

为确定变化区域的类型，对两期影像进行分类，生成的对象为具有实际意义的土地图斑[14]。2002年影像分为雪地和林地，2007年影像分为雪地、林地和病虫害区域。为提高分类精度，本文使用基于KT变化影像融合后的分类方法进行分类，首先，对原影像进行缨帽变换，得到的四个分量分别为亮度指数、绿度指数，湿度指数和无实际意义的第四分量，将植被指数图像与上步中获得的第四分量进行直方图匹配，使原始两个波段的均值和方差信息一致；然后，用匹配后的植被指数影像代替第四分量进行缨帽变换的逆变换获得最终融合影像。由于在原影像中加入了植被指数信息，从而使得植被与非植被的边界更加清晰，更加有利于分类[15]。

本文对多种检测方法进行了实验和对比，并分析不同方法的有效性。图3分别给出了单独使用像素比值法，纹理特征检测，NDVI特征检测，分类后变化检测，及本文方法得到的植被变化检测结果。

图3 不同方法检测结果比较

对变化检测结果的精度评价一般参考遥感影像分类的精度评定方法，即构造误差矩阵(也称混淆矩阵)计算相关精度指标[16-18](如表1)。主要精度指标包括：

表1 变化检测误差矩阵

(1)虚检率

(4)

指实际未发生变化的像元被错误检测为变化像元的个数占检测到的所有变化像元个数的比例，是由误差引起的虚假变化的概率。

(2)漏检率

(5)

指实际发生变化的像元被错误检测为未发生变化像元的个数占实际变化像元的比例，即由误差引起的漏检变化的概率，表示检测结果内部的一致性。

(3)总体检测精度

(6)

表示正确检测的样本数占总体样本的比例，反映了总体的检测精度。

按照林地，雪地，病虫害林地对各区抽取200个像元点进行验证，通过计算虚检率，漏检率和总体检测精度来进行评价，评价结果如表2所示。

表2 变化检测精度及误差统计 %

虚检率漏检率总体精度像素级检测68.3040.1549.08特征级检测36.1741.1959.32传统分类后检测方法35.2940.7060.12本文方法38.0136.9964.40

由于本文使用像素级检测确定变化的大致区域，在设置阈值时稍有提高，尽量减少漏检像元，从而使得虚检率较高。特征级检测为两种特征的综合结果，其精度相比较像素级有所提高。本文由以上的两个级别的检测排除了非变化区域的干扰从而使得虚检率大有提高，相比较相同分类尺度下的传统分类后检测方法精度有所提高。

3 结束语

本文在传统变化检测算法的基础上，通过分析比较各种变化检测的优缺点，利用多时相遥感影像进行实验，通过分类前检测确定变化区域，分类后检测确定变化信息，综合了各自的优点。相比分类前检测，精度相同，并且可以获得变化地物信息；相比分类后检测，由于本方法避免了未变化区域造成的的冗余数据的影响，从而大大提高了检测结果的正确率，可以取得较好的检测结果。本文采用的像素级、特征级等级别的检测方法均是相应级别最简单方便的方法，且阈值的选取多为直方图分布或经验选取，今后的重点在选择更为复杂的检测提取方法，提高各个级别的检测精度，同时采用更加合理的方法确定阈值。

[1] 顾文俊，赵忠明，王苓涓. 基于变化检测技术的城区建筑变化目标提取[J]. 计算机工程与应用，2004, 5(1): 198-200. GU Wenjun, ZHAO Zhongming, WANG Linjuan. The detection of the changed building in city based on change detection technology[J]. Computer Engineering and Applications, 2004, 5(1): 198-200.

[2] 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. HUO Chunlei, CHENG Jian, LU Hanqing, et al. Object-level change detection based on multiscale fusion[J]. Acta Automatica Sinica, 2008, 34(3): 251-257.

[3] 王洪先. 一种基于小波变换的图像变化检测算法[J]. 现代雷达, 2007, 29(11): 53-55. WANG Hongxian. Change detetion algorithm based on wavelet transformation[J]. Modern Radar, 2007, 29(11): 53-55.

[4] 佃袁勇, 方圣辉, 姚崇怀. 一种面向地理对象的遥感影像变化检测方法[J]. 武汉大学学报(信息科学版), 2014, 39(8): 906-912. DIAN Yuanyong, FANG Shenghui, YAO Chonghuai . The geographic object based method for change detection with remote sensing imagery[J]. Geomatics and information Scicncc of Wuhan University, 2014, 39(8): 906-912.

[5] 龙玄耀, 李培军. 基于图像分割的城市变化检测[J]. 地球信息科学, 2008, 10(1): 121-127. LONG Xuanyao, LI Peijun. A method of urban change detection based on image segmentation[J]. Geo-Information Science, 2008, 10(1): 121-127.

[6] 徐德伟, 茹 卉, 宋 辉, 等. 基于直接密度比估计的SAR图像变化检测[J]. 现代雷达, 2015, 37(2): 28-32. XU Dewei，RU Hui，SONG Hui, et al. SAR image change detection based on direct density-ratio estimation[J]. Modern Radar, 2015, 37(2): 28-32.

[7] 吴 芳, 刘 荣, 田维春, 等. 遥感变化检测技术及其应用综述[J]. 地理空间信息, 2007, 5(4): 57-60. WU Fang，LIU Rong，TIAN Weichun, et al. Technology for remote sensing chang detection and its application[J]. Geospatial Information, 2007, 5(4): 57-60.

[8] 周启鸣. 多时相遥感影像变化检测综述[J]. 地理信息世界, 2011, 4(2): 28-33. ZHOU Qiming. Review on change detection using multi-temporal remotely sensed imagery[J]. Geomatics World, 2011,4(2): 28-33.

[9] 张振龙, 曾志远, 李 硕, 等. 遥感变化检测方法研究综述[J]. 遥感信息, 2005, 3(5): 64-66. ZHANG Zhenlong, ZENG Zhiyuan, LI Shuo, et al. A summary of change detection methods of remote sensing image[J]. Remote Sensing Information, 2005, 3(5): 64-66.

[10] 邓书斌, 武红敢, 江 涛. 遥感动态监测中的相对辐射校正方法研究[J]. 遥感信息, 2008, 5(4): 71-75. DENG Shubin, WU Honggan, JIANG Tao. A study on relative radiometric normalization for remote sensing dynamic monitoring[J]. Remote Sensing Information, 2008, 5(4): 71-75.

[11] 唐朴谦, 杨建宇, 张 超, 等. 基于像素比值的面向对象分类后遥感变化检测方法[J]. 遥感信息, 2010, 3(1): 69-72. TANG Puqian, YANG Jianyu, ZHANG Chao, et al. An object-oriented post-classification remote sensing change detection after the pixel ratio[J]. Remote Sensing Information, 2010, 3(1): 69-72.

[12] 范海生, 马蔼乃, 李 京. 采用图像差值法提取土地利用变化信息方法[J]. 遥感学报, 2001, 5(1): 75-80. FAN Haisheng, MA Ainai, LI Jing. Case study on image differencing method for land use change detection using thematic data in renhe district of panzhihua[J]. Journal of Remote Sensing, 2001, 5(1): 75-80.

[13] 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.

[14] 付丽莉, 李 钢, 王 庆. SPOT5卫星影像在土地变更调查中的应用[J]. 国土资源信息化, 2005, 24(5): 26-30. FU Lili, LI Gang, WANG Qing. Application of SPOT5 satellite image to the investigation of land use changes[J]. Land and Resources Informatization, 2005, 24(5): 26-30.

[15] 张秀英, 冯学智, 丁晓东, 等. 基于面向对象方法的IKONOS影像城市植被信息提取[J]. 浙江大学学报(农业与生命科学版), 2007, 33(5): 568-573. ZHANG Xiuying, FENG Xuezhi, DING Xiaodong, et al. Detecting urban vegetation categories based on object-oriented method from IKONOS data[J]. Journal of Zhejian University (Agriculture and Life Science), 2007, 33(5): 568-573.

[16] OORT VAN PAJ. Interpreting the change detection error matrix[J]. Remote Sensing of Environment, 2007, 108(1): 1-8.

[17] 杜培军, 柳思聪, 郑 辉. 基于支持向量机的矿区土地覆盖变化检测[J]. 中国矿业大学学报, 2012, 41(2): 262-267. DU Peijun, LIU icong, ZHENG Hui. Land cover change detection over mining areas based on support vector machine[J]. Journal of China University of Mining & Technology, 2012, 41(2): 262-267.

[18] 张友静, 高云霄, 黄 浩, 等. 基于SVM决策支持树的城市植被类型遥感分类研究[J]. 遥感学报, 2006, 10(2): 191-196. ZHANG youjing, GAO yunxiao, HUANG Hao, et al. Research on remote sensign classlfi-cation of urban vegetation species based on SVM decision-making tree[J]. Journal of Remote Sensing, 2006, 10(2): 191-196.

郝从娜 女，1984年生，硕士，讲师。研究方向为地理信息系统、遥感及光谱分析等。

陶文旷 男，1993年生，硕士研究生。研究方向为生态环境遥感方面。

Comprehensive Multi-level Detection Method for Vegetation Change Detection

HAO Congna1，TAO Wenkuang2

(1. Shunhua Energy Institute, Liaoning Shihua University, Fushun 113001, China) (2. School of Environment Science and Spatial Informatics,China University of Mining & Technology, Xuzhou 221008, China)

In order to improve the accuracy of change detection and obtain the information of vegetation changes，we proposed a method of obtain accurate from coarse to fine on the basis of utilization of pixel level change detection, feature-level change detection and after classification change detection. 2002 and 2007 QuickBird multispectral image is selected as a test object, using pixel-level change detection process the multi-temporal remote sensing data to determine the candidate region including vegetation changes, and then using feature-level change detection to determined the changes in the region. Finally the location and type of changes information are obtained by using after classifition detection change. By the test of two remote sensing data change detection, and compare with the individual detection method, the validity of the new method is verified. The results showed that: new method could improve the detection accuracy changes while providing feature information changes, and could be effectively applied to vegetation change detection information.

change detection; forestland changes; post-classification comparison change detection

10.16592/ j.cnki.1004-7859.2016.12.011

国家重大科学仪器设备开发专项项目(2012YQ24012705)；中煤科工集团科技创新基金面上项目(2014M5030)

陶文旷 Email：tao129tao@163.com

2016-09-19

2016-11-22

TP751

A

1004-7859(2016)12-0056-05