高分遙感影像與矢量數據結合的變化檢測方法

田秀東

（新疆維吾爾自治區第一測繪院，新疆 昌吉 831100）

0.引言

系統掌握了解地理國情信息，有助于提升對各類突發事件的應對效率，增強各級政府社會治理水平。在地理國情監測中，地理要素變化檢測技術作為其中重要內容之一，能夠借助多尺度、多源數據來檢測地理國情動態波動。在互聯網技術、傳感器技術等新型技術不斷向前發展中，極大地提升了基于高分辨率遙感影像的地表覆蓋和變化信息提取的科學性、準確性水平。另外，多源數據的使用，極大豐富了變化檢測信息的內容，并且能夠憑借相關知識的方式產生，在影像分析中發揮積極作用。所以，這一背景下，有助于全面提升變化檢測精度。不過，考慮到高分辨率遙感影像自身特征，導致高分辨率遙感數據分析方式與傳統分析方式存在不匹配之處。遙感影像變化檢測方式也不斷改革創新，從之前的相對落后的檢測方式朝著目前的更為先進的變化檢測方式發展。某種層面上，在不同變化檢測方式中，即便面向對象引入其中，不過考慮到大多對象只是通過影像分割方式得到，該方式具有單一性的同時，對影像分割算法精度具有很強的依賴性。因此，截止到目前，針對高分辨率遙感的精準度高、適用性強的分割技術并未出現。

在此基礎上，本文中，筆者提出一種全新的高分辨率遙感影像與矢量數據相結合的一種變化檢測模式，并且將其應用到地理國情檢測之中。具體來講，本文介紹了矢量數據以及遙感影像套合結果的差異性表現，借助矢量數據輔助分割，提出能夠得到較強同質性像斑的研究方式；隨后，本文還提出基于矢量與雙時相遙感影像的變化檢測方式，通過相關實驗，對該檢測方式的適用性進行檢驗。

1.同質像斑獲取

1.1 遙感影像與矢量數據套合不一致性

分析變化檢測方式中，常見的概念主要包括像斑、像元、圖斑等。其中，像斑，即存在同樣屬性的不同像元的集合，圖斑則是在矢量原始數據中的基本單位。作者綜合運用矢量數據和遙感影像標準套合，同時，運用圖斑邊界獲得像斑。同時，結合矢量數據屬性值相關類別內容，可以得出像斑類別屬性。我們在開展變化檢測過程中，如果將影像分析基本單位記作像斑，那么可以運用檢測結果，來更新當時矢量數據。

針對影像空間分辨率以及矢量數據比例尺匹配情況分析。考慮到成圖比例尺以及遙感影像空間分辨率密切相關，影像空間分辨率需要確保為0.1 毫米。所以，當矢量數據為1∶10000 時，我們應確保遙感影像空間分辨率在1 米以上。如果遙感影像空間分辨率以及矢量數據比例尺能夠彼此匹配時，從理論層面上，獲得影像像斑形狀及大小正合適，也便于接下來研究分析。

理想條件下，我們運用配準套合方式得到的遙感影像不同像斑，對應內部像素需具有一種灰度同質性。不過，考慮到土地覆蓋以及運用的差異，導致在實際應用中很難能夠表現出這一理想狀態。所以，因規范、數據源等諸多因素的差異，并且數據固有特征和數據使用方式等方面影響，很容易導致矢量數據以及遙感影像出現套合結果不一致的情況。在此基礎上，通過對相關數據的整合和分析，結合上述問題，我們應用多尺度分割算法來得到同質像斑。

1.2 基于多尺度分割獲取同質像斑

像斑獲取方式包括下列兩種：第一種為借助GIS輔助數據分割；第二種為借助影像分割。同時，影像分割方式包括下列兩種：第一種為以知識為基礎的自上而下的方式；第二種為以數據為基礎的自下而上的方式。上述兩種分析方式的不同主要表現為：第一種方式所得結果具有區域性特征；第二種方式所得結果具有全局性特征。考慮到后者的全局性特征，接下來分析中，我們以自下而上方式進行介紹。本文應用的多尺度分割算法，也屬于自下而上方式的一種。其中，我們通過對同質性標準參與以及尺度參數的修訂，實現多尺度分割影像的效果。

為了能夠得到同質像斑，我們綜合應用多尺度分割方式、GIS 輔助數據分割方式進行分析。一方面，結合遙感影像與矢量輔助數據套合得到像斑；另一方面，再分割套合得到像斑，生成子像斑，確保不同像斑下光譜能夠保持同質性。相關技術流程（如圖1 所示）：

圖1 技術流程圖

對應步驟流程如下：

（1）對于不同時期所觀測的遙感影像以及矢量數據等進行相關套合工作，在獲取影像像斑的工作中主要依靠矢量數據所提供的圖斑的邊界信息進行確定，然后對其像斑分別進行記錄，命名為T1 和T2。在此過程中，需要對矢量數據的具體類別信息進行考慮，從而獲得相關像斑類別。

（2）完成尺度參數的設定，將T1 和T2 時期的影像光譜特征作為參照標準，隨后完成對上述兩時期像斑的分割。

（3）在獲取像斑后，需要對其類別性的差異進行考慮，同時要設置相應的尺度參數，完成二次分割。當不同類別像斑同質性都得以提升后，不再進行分隔，所得子像斑分別看成T1 期子像斑、T2 期子像斑。

（4）在完成上述步驟獲得子像斑之后，為了確保不同階段下的像斑可以對應，應該對兩者進行分割。

綜上所述，此種方式的前提是多尺度分割，和傳統的方式存在很大差異。該方式將影像光譜信息、矢量數據屬性信息等均考慮在內。

2.變化檢測

所選取的變化檢測方式主要分為兩種類型：

（1）是雙時相遙感影像。

（2）是歷史矢量。

主要分析步驟如下：

（1）完成像斑獲取以及特征提取，對于同質像斑應該提取其光譜及形狀特征，然后形成特征空間，同時對特征空間的優化處理。為了更好地獲取像斑特征，主要根據其內部的灰度值以及運用相關運算得以實現。其中光譜特征主要是涵蓋了方差以及均值等，而形狀特征主要包括面積、長寬比以及密度等信息值，同時需要運用灰度共生矩陣完成紋理特征值的計算。

（2）獲得變化像斑方式。具體方式如下：T1 期影響借助當期矢量數據屬性信息，得出像斑類別，并按照一定原則對其予以分類。T2 期影像的應用分類，采用基于像斑的最鄰近分類算法，得到像斑之后對其予以分類。兩個階段像斑分類結果得到之后，借助相關的分析，檢測不同階段下的像斑變化情況。

在獲得相關的變化檢測結果后，需要結合分割的過程，獲取像斑和子像斑之間的關系，將所獲取的變化結果在矢量圖斑中進行有效運用，然后對檢測結果進行詳細評價，最后估計使用此檢測結果后的矢量水平。

3.實驗及結果分析

在進行數據的選取時，主要以同一個地區在2002年5 月、2004 年5 月的衛星影像作為資料，對該地區2002 年5 月的矢量圖進行分析，本次實驗的像元規模為1001×1003，共對應118 個矢量圖斑。

3.1 同質像斑的獲取

在獲取同質像斑時，首選應該完成不同階段下的矢量數據以及遙感影像的配準，然后獲取像斑并分析其類別。需要對光譜以及形狀兩種特征值進行考慮，完成對T1 及T2 時期影像的分割任務，所獲取的基本參數值為尺度參數250。對分割結果進行分析，可以了解到在進行分割時存在尺度不足的情況。為了解決此問題，首先應該使得所設置參數較為合理。對植被類別進行分割，其參數為：形狀指數0.6，緊致度0.5，尺度參數值為300，隨后對植被類別的像斑進行合并。對非植被類別進行分割，相關參數為如下：形狀指數0.8，緊致度0.5，尺度參數值200，接下來對非植被類別的像斑進行分割。不同類別像斑的同質影像水平都得到一定提升后，不再進行分割。最后，把不同時期得到的分割結果進行分割，確保影像像斑能夠彼此對應。（如圖2 所示）。我們能夠得到全部子像斑數量為385 個。根據目視效果，諸多像斑均具有很強的同質性，也為分析變化檢測提供重要的保障。

3.2 變化檢測

為了對初始化的特征空間進行改進，可以采用窮舉法等方法，同時確定較為合理的特征組合，在表1 當中對特征優化的情況進行了重點講解。

對于矢量數據的研究應該參考其屬性信息，同時還應該結合相關的分類算法，以最小的距離作為測度，對2004 年的影像像斑進行歸類劃分。圖3 對不同時期的像斑分類情況進行了綜合性地介紹。

圖2 影像多尺度分割結果

表2 特征優化結果

圖3 影像分類結果

圖4 變化監測結果

得到不同時期像斑分類情況后，借助疊置分析，檢測判斷不同階段下影像像斑類別（如圖4 所示）：

此次分析中，實驗像斑總共為385 個。其中，像斑出現改變總共為56 個，在全部研究像斑中的占比為14.55%。在全部變化像斑下，有22 個是植被增加像斑數量，在全部變化像斑中的占比為39.29%；有34 個是植被減少像斑數量，在全部變化像斑中的占比為60.71%。最后，我們把像斑變化檢測結果應用到矢量圖斑中來。其中，當矢量圖斑范圍下，存在像斑波動時，那么表明這一圖斑產生變化，同時能夠結合變化像斑在矢量圖斑中的占比，來劃分矢量圖斑變化情況（如圖5所示）：

118 個不同的矢量圖斑下，產生變化的圖斑數量為29 個，有20 個圖斑完全發生變化，在全部變化圖斑中占比處于高位。結合實驗結果，我們能夠得到，通常情況下，像斑出現變化后，借助以上方式均能夠被檢測出來，也表明該方式是科學有效的。

4.結束語

本文中，我們根據矢量數據以及遙感影像之間存在的套合不一致的情況，創造性提出借助多尺度分割算法來得到同質像斑。以此為前提，我們結合雙時相遙感影像與矢量變化檢測方式，開展變化檢測。整套分析方式具有很強的可操作性，應用前景廣泛。考慮到前后期影像分類彼此獨立開展，而變化檢測結果僅僅是對前期、后期對應像斑類別的相似程度予以判斷。所以，如果前后時期存在較大差異時，該分析方式依然可以適用。

引入矢量數據信息后，有助于推進分類分析基本模式以及遙感影像分割產生變化，使得現有的遙感影像分析能夠從之前的認知過程中，逐漸朝著一種具有先進知識的再認知過程方向轉變。所以這一分析方式中，有效采取了多源數據，具有定量化、自動化特點。同時，接下來研究分析中，我們應該在本文研究成果前提下，加強了對遙感影像分割性能的分析，了解像斑特征，推進變化檢測技術能夠朝著更加準確、適應性更強的方向發展。