基于FCM聚類的TM影像變化檢測

摘要：遙感圖像變化檢測是指在同一地表區域，獲取覆蓋該區域的多時相的遙感圖像以及其他輔助數據，來獲取地表特征隨時間變化產生的變化而引起光譜的變化，所以利用不同時期的影響進行變化檢測就能獲取地物的變化信息。研究運用MATLAB編寫算法對同一地區不同時間的兩幅經過預處理的遙感圖像的差值得到圖像D，對得到的圖像D進行FCM聚類分析，分為兩類：變化類和不變類，得到了Kappa系數，最后進行了精度評價。

關鍵詞：TM影像;變化檢測;精度評價

中圖分類號：TP753

文獻標識碼：A

文章編號：1674-9944 （2019） 24-0193-03

1 引言

遙感圖像變化檢測是指在同一地表區域，獲取覆蓋該區域多時相的遙感圖像以及其他輔助數據，來獲取地表特征隨時間變化發生的變化而引起光譜響應的變化。它利用計算機圖像處理系統對目標或現象在不同時期的變化進行識別和分析，能夠在一定的時間間隔內確定物體或現象的變化，為物體的空間分布及其變化提供定性和定量的信息。

傳統的變化檢測方法是在不同的時間獲取同一地點的兩個不同的圖像，而后對有差異的圖像進行處理，將像素分為兩類：變化和不變。目前，多光譜圖像變化信息分析已成為遙感研究的熱點之一，形成了一系列新的變化檢測方法。根據數據來源，變化檢測方法分為三類：基于新舊圖像的變化檢測、基于新舊圖像的非圖像數據的變化檢測、基于立體圖像對的變化檢測。在三維變化檢測中，根據所采用的數學方法，將變化檢測技術分為七類：代數運算法、變換法、分類法、GIS法、高級模型法等。

侯曉真等[1]利用陸地衛星TM圖像檢測了泰山庫木塔沙漠不同時期的時間序列變化，運用沙漠指數、歸一化沙漠指數、修正的土壤調節沙漠指數來提取該沙漠地區，通過實驗比較，得出了最優指標，最后，對實驗結果的精度進行了計算驗證。李芳芳等[2]提出了一種新的濕地提取方法。首先，將原始圖像轉化為帽子，通過濕度分級區分濕地和土地。然后使用決策樹模型進行濕地提取區分不同類型濕地的信息。最后，對兩個階段的濕地分布圖像進行檢測，提取濕地變化范圍。胡維等[3 ]利用主成分分析（PCA）光譜增強技術從多時相遙感圖像中提取大部分光譜信息，然后利用變化矢量分析方法提取變化信息。張佳濤[4]對山區林地變化信息的提取方法進行了實驗研究，為TM圖像和Landsat 8衛星圖像提取近幾十年來的林地變化信息提供了技術參考。

變化檢測是從不同時期的遙感數據中定量分析和確定地表變化的特征與過程。遙感變化檢測是遙感瞬時視場中地表特征隨時間的變化引起的不同時期影像像元光譜的變化[5]。在檢測自然資源時，包括4個重要方面：檢測變化是否發生;確定變化發生的實質;測量變化的面積;評估變化的空間模式。

2 研究區數據

為了可以更好地獲取影像特征信息，要盡可能選取同一個季節，同一時刻或相近的遙感影像，以消除太陽高度角及植物物候條件的差異影響。選取了一組同一地區不同時間獲得的TM影像進行了實驗，把存在幾何畸變的圖像糾正成符合要求投影的圖像，且要找到新圖像的每一個像元的亮度值。圖像已經過幾何校正、輻射定標、大氣校正以及圖像裁剪的預處理操作。運用ENVI軟件，通過詳細的目視解譯獲得參考變化圖像。

所用數據集是巴西2000年和2005年的森林覆蓋圖，圖像大小都是400×400像素。圖1是2000年真彩色合成圖像，圖2是2005年真彩色合成圖像，部分森林由于濫砍濫伐變成裸地。

3 研究方法

3.1 改進的模糊C聚類算法

模糊C聚類算法是有MacQueen獨立提出的一種經典聚類算法，而其中的模糊劃分的概念最早是起源于Ruspini的文章，但其算法的詳細分析與改進是由Dunn和Bezdek共同完成的。

模糊C聚類算法是一種模糊的聚類算法，是k均值聚類算法的推廣形式，k均值聚類是一種硬聚類算法，隸屬度只有兩個取值O或者1，提出的基本根據是“類內誤差平方和最小化”準則，而模糊C聚類的隸屬度取值是[0，1]區間內的任何一個數。

要理解模糊C聚類算法，首先要了解隸屬度的概念，隸屬度函數是表示一個對象x隸屬于集合A的程度的函數，其自變量的范圍是所有可能屬于集合A的對象，取值范圍是[0，1]。其公式為：

模糊C聚類是迭代求取最終的聚類劃分，即聚類中心與隸屬度值。

模糊C聚類算法需要兩個參數的確定，一個是聚類數目C，另一個是參數m，一般來講，C要遠遠小于聚類樣本的總個數，同時要保證.對于m，它是一個控制算法的柔性的參數，如果m過大，則聚類效果會很差，而m過小會使算法接近HCM聚類算法。

使用改進的模糊C聚類方法優化了算法的速度和聚類的精確度。優化方法是對隸屬度函數進行改進。隸屬度的改進函數如式（3）：

4 結果分析

本研究利用巴西地區2005年和2000年兩期TM影像，借助遙感圖像處理軟件ENVI5.1進行了圖像的預處理，編寫數學軟件matlab的算法進行模糊聚類分析，得到實驗結果圖3。并對其精度進行評價和分析。本文運用以下幾個參數來描述監測結果的精度：漏檢數（miss detection，MD）;虛警數（false alarms，FA）;總錯誤數（ overall error，OE）;Kappa系數（KC）。結果如表1。

kappa系數克服了整體精度只使用誤差矩陣對角線上的數據，而不使用整個誤差矩陣的信息的缺點。它不僅考慮了在對角線上正確分類的像素數量，而且還考慮了不在對角線上的各種遺漏和錯誤分類錯誤。

研究中所得的結論如下：在精度要求不是很高時，利用FCM聚類進行遙感圖像的變化檢測是可行的，結果可為掌握區域內變化信息提供參考依據。

5 討論與展望

本研究選取的研究區域相對較小，研究區域的土地利用/覆蓋類型不完整，兩個時期的土地利用變化類型不夠豐富。在未來的研究中，可以選擇更大、更豐富的研究領域。由于不同區域的氣候差異較大，大氣狀況不均一，給大氣輻射校正帶來一定困難，本研究所用的FLAASH校正是通過尋找黑暗像元來反演氣溶膠和估算能見度對整個研究區進行大氣校正，對這類地區的大氣校正方法有待進一步研究。由于受太陽高度角、傳感器所處位置、地形環境等的影響，影像上存在陰影、地物輻射失真等現象，有效的地形輻射校正方法有待進一步研究。

傳統的FCM算法受初始值的影響較大，同時不能充分利用樣本的類信息，導致聚類效果不理想。同時，僅采用聚類算法對遙感圖像進行分類，逐像元的變化檢測分析方法僅僅考慮單個像元的光譜特征，沒有考慮到周圍像元的光譜特征及臨近香園的空間特征信息，不能充分利用圖像中的空間信息，導致分類結果不理想。因此采用改進的FCM算法可以更好地保留變化的區域，也減少了噪聲的影響。

參考文獻：

[1]侯曉真，張書畢，寧曉剛，等，基于TM影像波段運算的沙漠變化檢測分析[J].大地測量與地球動力學，2013，33 （6）： 145～149 ，154.

[2]李芳芳，賈永紅，一種基于TM影像的濕地信息提取方法及其變化檢測[J].測繪科學，2008（2）：147～149.

[3]胡維，馬杰，李海濤，等，多時相遙感影像變化檢測系統設計與實現[J].計算機與數字工程，2011，39（3）：51～55，97.

[4]張佳濤，基于TM影像的山區林地變化檢測方法對比研究[D].貴 陽：貴州大學，2015.

[5]李 全.基于LANDSAT TM影像的城市變化檢測研究[C]∥中國地理學會，中山大學，中國科學院地理科學與資源研究所，中國地理學會2004年學術年會暨海峽兩岸地理學術研討會論文摘要集.廣州：中國地理學會，中山大學，中國科學院地理科學與資源研究所，2004：1.

收稿日期：2019-11-06

作者簡介：楊鈺（1994-），女，碩士研究生，研究方向為GIS應用與遙感影像處理。