高分遥感影像与矢量数据结合的变化检测方法

田秀东

（新疆维吾尔自治区第一测绘院，新疆 昌吉 831100）

0.引言

系统掌握了解地理国情信息，有助于提升对各类突发事件的应对效率，增强各级政府社会治理水平。在地理国情监测中，地理要素变化检测技术作为其中重要内容之一，能够借助多尺度、多源数据来检测地理国情动态波动。在互联网技术、传感器技术等新型技术不断向前发展中，极大地提升了基于高分辨率遥感影像的地表覆盖和变化信息提取的科学性、准确性水平。另外，多源数据的使用，极大丰富了变化检测信息的内容，并且能够凭借相关知识的方式产生，在影像分析中发挥积极作用。所以，这一背景下，有助于全面提升变化检测精度。不过，考虑到高分辨率遥感影像自身特征，导致高分辨率遥感数据分析方式与传统分析方式存在不匹配之处。遥感影像变化检测方式也不断改革创新，从之前的相对落后的检测方式朝着目前的更为先进的变化检测方式发展。某种层面上，在不同变化检测方式中，即便面向对象引入其中，不过考虑到大多对象只是通过影像分割方式得到，该方式具有单一性的同时，对影像分割算法精度具有很强的依赖性。因此，截止到目前，针对高分辨率遥感的精准度高、适用性强的分割技术并未出现。

在此基础上，本文中，笔者提出一种全新的高分辨率遥感影像与矢量数据相结合的一种变化检测模式，并且将其应用到地理国情检测之中。具体来讲，本文介绍了矢量数据以及遥感影像套合结果的差异性表现，借助矢量数据辅助分割，提出能够得到较强同质性像斑的研究方式；随后，本文还提出基于矢量与双时相遥感影像的变化检测方式，通过相关实验，对该检测方式的适用性进行检验。

1.同质像斑获取

1.1 遥感影像与矢量数据套合不一致性

分析变化检测方式中，常见的概念主要包括像斑、像元、图斑等。其中，像斑，即存在同样属性的不同像元的集合，图斑则是在矢量原始数据中的基本单位。作者综合运用矢量数据和遥感影像标准套合，同时，运用图斑边界获得像斑。同时，结合矢量数据属性值相关类别内容，可以得出像斑类别属性。我们在开展变化检测过程中，如果将影像分析基本单位记作像斑，那么可以运用检测结果，来更新当时矢量数据。

针对影像空间分辨率以及矢量数据比例尺匹配情况分析。考虑到成图比例尺以及遥感影像空间分辨率密切相关，影像空间分辨率需要确保为0.1 毫米。所以，当矢量数据为1∶10000 时，我们应确保遥感影像空间分辨率在1 米以上。如果遥感影像空间分辨率以及矢量数据比例尺能够彼此匹配时，从理论层面上，获得影像像斑形状及大小正合适，也便于接下来研究分析。

理想条件下，我们运用配准套合方式得到的遥感影像不同像斑，对应内部像素需具有一种灰度同质性。不过，考虑到土地覆盖以及运用的差异，导致在实际应用中很难能够表现出这一理想状态。所以，因规范、数据源等诸多因素的差异，并且数据固有特征和数据使用方式等方面影响，很容易导致矢量数据以及遥感影像出现套合结果不一致的情况。在此基础上，通过对相关数据的整合和分析，结合上述问题，我们应用多尺度分割算法来得到同质像斑。

1.2 基于多尺度分割获取同质像斑

像斑获取方式包括下列两种：第一种为借助GIS辅助数据分割；第二种为借助影像分割。同时，影像分割方式包括下列两种：第一种为以知识为基础的自上而下的方式；第二种为以数据为基础的自下而上的方式。上述两种分析方式的不同主要表现为：第一种方式所得结果具有区域性特征；第二种方式所得结果具有全局性特征。考虑到后者的全局性特征，接下来分析中，我们以自下而上方式进行介绍。本文应用的多尺度分割算法，也属于自下而上方式的一种。其中，我们通过对同质性标准参与以及尺度参数的修订，实现多尺度分割影像的效果。

为了能够得到同质像斑，我们综合应用多尺度分割方式、GIS 辅助数据分割方式进行分析。一方面，结合遥感影像与矢量辅助数据套合得到像斑；另一方面，再分割套合得到像斑，生成子像斑，确保不同像斑下光谱能够保持同质性。相关技术流程（如图1 所示）：

图1 技术流程图

对应步骤流程如下：

（1）对于不同时期所观测的遥感影像以及矢量数据等进行相关套合工作，在获取影像像斑的工作中主要依靠矢量数据所提供的图斑的边界信息进行确定，然后对其像斑分别进行记录，命名为T1 和T2。在此过程中，需要对矢量数据的具体类别信息进行考虑，从而获得相关像斑类别。

（2）完成尺度参数的设定，将T1 和T2 时期的影像光谱特征作为参照标准，随后完成对上述两时期像斑的分割。

（3）在获取像斑后，需要对其类别性的差异进行考虑，同时要设置相应的尺度参数，完成二次分割。当不同类别像斑同质性都得以提升后，不再进行分隔，所得子像斑分别看成T1 期子像斑、T2 期子像斑。

（4）在完成上述步骤获得子像斑之后，为了确保不同阶段下的像斑可以对应，应该对两者进行分割。

综上所述，此种方式的前提是多尺度分割，和传统的方式存在很大差异。该方式将影像光谱信息、矢量数据属性信息等均考虑在内。

2.变化检测

所选取的变化检测方式主要分为两种类型：

（1）是双时相遥感影像。

（2）是历史矢量。

主要分析步骤如下：

（1）完成像斑获取以及特征提取，对于同质像斑应该提取其光谱及形状特征，然后形成特征空间，同时对特征空间的优化处理。为了更好地获取像斑特征，主要根据其内部的灰度值以及运用相关运算得以实现。其中光谱特征主要是涵盖了方差以及均值等，而形状特征主要包括面积、长宽比以及密度等信息值，同时需要运用灰度共生矩阵完成纹理特征值的计算。

（2）获得变化像斑方式。具体方式如下：T1 期影响借助当期矢量数据属性信息，得出像斑类别，并按照一定原则对其予以分类。T2 期影像的应用分类，采用基于像斑的最邻近分类算法，得到像斑之后对其予以分类。两个阶段像斑分类结果得到之后，借助相关的分析，检测不同阶段下的像斑变化情况。

在获得相关的变化检测结果后，需要结合分割的过程，获取像斑和子像斑之间的关系，将所获取的变化结果在矢量图斑中进行有效运用，然后对检测结果进行详细评价，最后估计使用此检测结果后的矢量水平。

3.实验及结果分析

在进行数据的选取时，主要以同一个地区在2002年5 月、2004 年5 月的卫星影像作为资料，对该地区2002 年5 月的矢量图进行分析，本次实验的像元规模为1001×1003，共对应118 个矢量图斑。

3.1 同质像斑的获取

在获取同质像斑时，首选应该完成不同阶段下的矢量数据以及遥感影像的配准，然后获取像斑并分析其类别。需要对光谱以及形状两种特征值进行考虑，完成对T1 及T2 时期影像的分割任务，所获取的基本参数值为尺度参数250。对分割结果进行分析，可以了解到在进行分割时存在尺度不足的情况。为了解决此问题，首先应该使得所设置参数较为合理。对植被类别进行分割，其参数为：形状指数0.6，紧致度0.5，尺度参数值为300，随后对植被类别的像斑进行合并。对非植被类别进行分割，相关参数为如下：形状指数0.8，紧致度0.5，尺度参数值200，接下来对非植被类别的像斑进行分割。不同类别像斑的同质影像水平都得到一定提升后，不再进行分割。最后，把不同时期得到的分割结果进行分割，确保影像像斑能够彼此对应。（如图2 所示）。我们能够得到全部子像斑数量为385 个。根据目视效果，诸多像斑均具有很强的同质性，也为分析变化检测提供重要的保障。

3.2 变化检测

为了对初始化的特征空间进行改进，可以采用穷举法等方法，同时确定较为合理的特征组合，在表1 当中对特征优化的情况进行了重点讲解。

对于矢量数据的研究应该参考其属性信息，同时还应该结合相关的分类算法，以最小的距离作为测度，对2004 年的影像像斑进行归类划分。图3 对不同时期的像斑分类情况进行了综合性地介绍。

图2 影像多尺度分割结果

表2 特征优化结果

图3 影像分类结果

图4 变化监测结果

得到不同时期像斑分类情况后，借助叠置分析，检测判断不同阶段下影像像斑类别（如图4 所示）：

此次分析中，实验像斑总共为385 个。其中，像斑出现改变总共为56 个，在全部研究像斑中的占比为14.55%。在全部变化像斑下，有22 个是植被增加像斑数量，在全部变化像斑中的占比为39.29%；有34 个是植被减少像斑数量，在全部变化像斑中的占比为60.71%。最后，我们把像斑变化检测结果应用到矢量图斑中来。其中，当矢量图斑范围下，存在像斑波动时，那么表明这一图斑产生变化，同时能够结合变化像斑在矢量图斑中的占比，来划分矢量图斑变化情况（如图5所示）：

118 个不同的矢量图斑下，产生变化的图斑数量为29 个，有20 个图斑完全发生变化，在全部变化图斑中占比处于高位。结合实验结果，我们能够得到，通常情况下，像斑出现变化后，借助以上方式均能够被检测出来，也表明该方式是科学有效的。

4.结束语

本文中，我们根据矢量数据以及遥感影像之间存在的套合不一致的情况，创造性提出借助多尺度分割算法来得到同质像斑。以此为前提，我们结合双时相遥感影像与矢量变化检测方式，开展变化检测。整套分析方式具有很强的可操作性，应用前景广泛。考虑到前后期影像分类彼此独立开展，而变化检测结果仅仅是对前期、后期对应像斑类别的相似程度予以判断。所以，如果前后时期存在较大差异时，该分析方式依然可以适用。

引入矢量数据信息后，有助于推进分类分析基本模式以及遥感影像分割产生变化，使得现有的遥感影像分析能够从之前的认知过程中，逐渐朝着一种具有先进知识的再认知过程方向转变。所以这一分析方式中，有效采取了多源数据，具有定量化、自动化特点。同时，接下来研究分析中，我们应该在本文研究成果前提下，加强了对遥感影像分割性能的分析，了解像斑特征，推进变化检测技术能够朝着更加准确、适应性更强的方向发展。