一種基于多特征組合的SVM土地利用變化檢測算法

陳震霆，呂翠華，容 會，王 敏，李 明

（1.昆明冶金高等專科學校測繪學院；2.昆明冶金高等專科學校藝術設計學院，云南昆明，650033）

0 引言

1 SVM分類基本原理

利用遙感技術進行土地利用變化檢測是獲取土地利用信息最為經濟有效的方式之一。遙感影像土地利用變化檢測是利用同一地區不同時期的遙感影像，進行比較分析，通過變化檢測算法定量地分析和確定出地表變化的特征。近些來，國內外許多學者開展了多種遙感影像變化檢測方法的研究，并取得了很多成果。目前常用的遙感影像變化檢測方法主要有影像差值法、影像比值法、小波變換法、變化量分析法等，然而由于遙感影像的成像機理復雜，且受斑點噪聲影響比較嚴重。支持向量機SVM（Support Vector Machines）是一種監督式學習的方法，有很強的非線性處理能力和較好的分類準確性。本文提出將遙感影像的灰度和紋理特征相結合，從多個方面詳細地對遙影像內容進行描述，實現對遙感影像更加準確的分類，通過比較不同時期遙感影像的分類矩陣以檢測出兩幅遙感影像的變化情況。

2 綜合特征提取算法流程

2.3 提出的基于多特征組合的SVM算法進行分類。核函數選擇徑向基函數（RBF）核函數，其中懲罰因子C為32，核參數為0.125。訓練整個訓練樣本集，得到分類器模型。然后利用該分類器模型對整幅遙感得到圖像進行分類，得到分類矩陣和分類結果圖。由于本文是對土地變化檢測進行研究，因此整幅圖像將被分為耕地和非耕地兩大類。在計算整幅遙感圖像的灰度和紋理特征時，采用距離為1、大小為5*5的滑動窗口計算圖像的均值和方差2個灰度特征和由GLCM得到的4個紋理特征平均值關于4個方向（）的平均值。

2.4 對比兩幅遙感圖像的分類矩陣，得到土地變化檢測結果。具體的對比檢測方法為：經過步驟3的SVM分類，兩幅遙感影像都可以得到各自由元素“0”和“1”構成的分類矩陣，然后逐元素對比兩個分類矩陣，若矩陣元素相同，則此處未發生變化，標記為黑色；若矩陣元素不相同，則此處發生變化，標記為白色。對比完成后，白色區域即為土地變化區域。

2.5 對變化檢測結果進行后期處理，主要通過形態學運算和面積閾值除斑的方法來優化變化檢測結果。其中，首先通過形態學開閉運算來對結果雜散點去除和孔洞填充，然后通過使用面積閾值除斑的方法來除去面積較小的變化圖斑。

2.6 利用canny算子對變化檢測結果進行邊緣檢測，得到變化檢測結果的矢量圖。并將矢量圖與遙感圖像進行疊加，以驗證變化檢測效果。

圖1 變化檢測結果的后期處理Fig.1 Post processing of change detection results

3 實驗結果及變化檢測分析

本文實驗數據選用昆明市安寧市的Quick_Bird遙感影像。本文主要針對耕地的變化進行研究。因此，按照前述方法，將田地分為一類，其他林地、建筑、道路、空地分為一類，對照兩幅影像的分類矩陣和分類結果圖，得到變化區域，如圖1(a)所示，其中白色部分為變化區域，黑色部分為未變化區域。由于圖1(a)上有大量的雜散點，我們首先對其進行形態學開、閉運算，其中形態學結構元素為“disk”，其大小為3*3，其處理結果如圖1(b)所示，由圖1(b)可以看出，相對于圖1(a)，雜散點得到了很好的抑制，然而上面仍有大量微小變化區域，因此接下來將對其進行面積閾值去除操作，設定變化區域如果小于10*10pixels，則將對其進行去除，得到的去除結果如圖1(c)所示，由圖1(c)可以看出，相對于最初得到的變化檢測結果圖1(a)，其對雜散點和小面積變化區域都進行非常好的抑制和去除。

下面通過使用“canny”算子對圖1(c)的變化區域進行邊緣檢測，得到變化區域的矢量結果，如圖2(a)，所示。然后將圖2(a)的矢量圖進行疊加和匹配，以驗證變化檢測結果，如圖2(b)所示。其中黑色線條所包含區域則為使用本文算法得到的土地變化檢測結果。

觀察圖2(b)的變化檢測結果，對照可以看出，本文算法只有在兩個微小區域出現了誤檢，而對絕大部分變化區域都實現了準確檢測。

4 總結

圖2 土地變化檢測結果驗證Fig.2 verification of land change detection results

提出了一種基于多特征組合SVM影像分類的土地利用變化檢測算法。該算法將遙感影像的灰度信息和紋理信息相結合作為SVM分類的特征向量，實現對遙感影像的準確分類。通過對比不同時期遙感影像的SVM分類矩陣和分類結果，得到變化檢測結果。結果表明，本文提出的方法簡單、有效、可行、具有一定的通用性，得到較好的變化檢測結果。

[1]Chen J,GongP,He C Y,Pu R L and Shi P J .Land-use/land-cover change detection using improved changevector analysis[J].Photogrammetric Engineering and Remote Sensing,2010(4):369-379

[2]Tang Puqian,Yang Jianyu, Zhang Chao,etl. An Objectoriented Post-classification Remote Sensing Change Detection after the Pixel Ratio[J].Remote Sensing Information,2010(1):69-72

[3]Zhang Desheng,Luo Xiaohui,Zhang Zunwei.Image Retrieval Base on Dual-Tree Complex Wavelet Transform and Gray Co-occurrence Matrix[J].Natural Science Edition,2010,29(3):111-115

[4]Fu Zhongliang, Zhang Wenyuan, Meng Xian. SAR Image Classification Based on SVM with Fusion of Gray Scale and Texture Features[J].Journal of Applied Sciences, 2012,30(5):498-507

[5]付仲良,張文元,孟祥.灰度和紋理特征組合的SAR影像SVM分類[J].應用科學學報，2012,30(5):498-507