基于多时相遥感图像智能变化检测方法的研究

施向丰，帅梅琴，申劲松

(1.江西理工大学建筑与测绘工程学院，江西赣州341000;2.江西省第一测绘院，江西南昌330001)

基于多时相遥感图像智能变化检测方法的研究

施向丰1，帅梅琴2，申劲松2

(1.江西理工大学建筑与测绘工程学院，江西赣州341000;2.江西省第一测绘院，江西南昌330001)

采用一种智能变化检测方法，首先对多实相遥感图像进行预处理;其次进行特征提取;然后通过数量差异计算、阀值确定、空间滤波进行检测;最后提取出感兴趣的区域，得出定量结果，并通过试验证明这种方法在实际应用中是可行的和有效的。

变化检测;遥感图像;数量差异;空间滤波

一、前 言

航天和航空遥感技术在最近10年中取得了飞速的发展。遥感数据获取技术趋向三多(多传感器、多平台、多角度)和三高(高空间分辨率、高光谱分辨率、高时相分辨率)，从而使得卫星每天都要发回以TB为单位的图像数据。而利用这些图像数据可以实时、自动地回答何时、何地、何目标发生了怎样的变化的问题［1］。

遥感变化检测技术是遥感信息科学的重要研究领域，是当前遥感数据处理技术的主要发展方向［2］。遥感变化检测的实质是判别研究目标的地物特征随时间发生的变化。通常根据具体应用项目的数据条件和需求目标来确定变化检测的对象，变化检测的对象可以是同一传感器在T1、T2时间点分别获取的同源图像，也可以是不同传感器在T1、T2时间点获取的非同源图像。此外还可以在经过预处理的遥感图像与矢量数据之间进行变化检测。本文基于同一传感器在T1、T2时间点分别获取的同源图像，采用了一种智能变化检测方法。

二、智能变化检测模型

从模式识别的角度看，可以简单地把变化检测理解为找出两幅不同时相遥感图像的不同点［3］。变化检测方法中有多种算法和程序可以用来检测两幅图像间的变化，总体上可以分为两大类：变换技术和变化分类技术。变换技术是通过设置变化与非变化的阀值来产生一幅变化图像;变化分类技术可以直接检测出图像中的变化并绘制成图［4］。本文采用的是变换技术，因为变换分类技术需要进行数据格式的转换，容易造成某些数据的丢失。

变换技术通用的算法就是进行布尔运算，最简单的就是把用来检测的两幅图像作减法计算［5］。从理论上来说，如果没有发生变化，两图像间的差异度为零。比如用时相2减去时相1，像元变暗说明有负的变化，反之就说明有正的变化。而变化值与零值相比的大小则能说明变化程度的大小。表示两幅图像波段间的对比一般是使用对称性相对差公式来衡量的，即

式中，T1为时相1图像中的像元;T2为时相2图像中的像元;D为各个像元的差值。

在实际应用中根据测量时相2和时相1图像的像元值变化的比值(symmetric change threshold(%))来区别差异的。因为在大多数情况下，可以认为像元亮度值的比值变化比简单的绝对值的差异更能够表示图像实际发生的变化。而仅仅知道两幅不同时相图像发生变化是远远不够的，关键是对于那些感兴趣的目标是否能够被检测出来，如某一地区在地震前后建筑物损失程度的变化检测。本文中笔者采用数量差异(magnitude difference)算法，该算法是基于式(2)来计算图像所有波段中每一个像元亮度的。

该算法能检测出很多类型现象的变化，从而检测出变化事件的存在，因为这些变化使图像中所有波段像元的亮度值都产生了变化。

三、变化阀值的设定

变化图像中的非零值并不能说明地面要素的实际变化情况，因为图像中目标物体的自然光谱具有可变性。因此需要对图像中明显地表达了真实地表类型变化的区域建立背景值。本文采用自动计算出的比值作为变化检测的阀值，而背景值就是根据阀值来计算的。具体算法是取两幅不同时相的遥感图像，利用式(1)计算出变化差值，然后依据这些差值绘制直方图。图1显示了一个图像变化的直方图，其尾部的分布状态表示了正(positive)负(negative)变化的增长水平。

图1 变化图像直方图

按照偶然误差的特性，本文取2～3倍的标准差作为阀值。图2即为取2.5倍标准差作为阀值的变化图像直方图，在这个区域外的数据都可以看做是发生了变化的。为了消除极端变化数据，笔者添加了阀值上限(upper bound)和阀值下限(lower bound)，如图3所示。这样做的好处在于：不仅提高了检测变化的能力，而且提高了对复杂事物的辨别能力。

图2 添加阀值后变化图像直方图

图3 添加阀值上下限后变化图像直方图

四、空间滤波(spatial filtering)器的设计

如果只是想查看两个实相图像的所有变化，那么只需要输入阀值后就可以立即开始分析变化图像了。但是一些特殊的用户只想查看他所感兴趣的变化，这就需要有一个滤波器进行过滤，从而过滤出感兴趣的东西。

一般情况下变化区域的图斑可以看做是二维像元空间集合，像元集合中心的质心确定了变化区域准确的中心点。长轴是沿像元集合延长方向上通过质心的一条线，短轴是长轴的垂线，如图4所示。

图4 变化区域的图斑

这些轴的长度从根本上确定了该变化区域的尺度特征，并且还可以当做形状辨别器。如为检测一条新建的高速公路，就可以把沿着线路方向的一侧当成长轴进行过滤。

五、检测试验与结果分析

本次试验采用ERDAS IMAGINE中提供的两幅同一地区不同时相的QuickBird图像作为例子，其具体属性参数见表1。试验是在ERDAS IMGINE 2010软件平台基础上完成的。首先对遥感图像进行预处理(图像配准和辐射归一化);其次对变化检测的两幅图像按照需要进行过滤;最后采用智能变化检测方法完成两幅之间的变化检测。试验图像如图5所示。

表1 试验数据属性参数

图5 试验图像

图6是采用智能变化检测方法得出的试验结果，从图6中显示的变化区域来看，其与人眼辨别的结果相差无几，只是几个微小的地方没有检测出来，检测结果的准确率能达到90%以上。同时，在试验中还发现以下问题：对子图像尺寸大小的选取十分重要。如果尺寸太大，参与匹配的像元包含太多的不感兴趣的目标;如果尺寸太小，待检测的目标被分割到多个子图像中，容易造成检测结果的失真。

图6 试验效果

六、结束语

遥感图像变化检测是遥感数据处理过程中非常重要的一个环节，利用本文方法能快速检测出两个时相图像中发生真正变化的绝大部分区域。该方法也可以将同一地区久远的多实相遥感图像作为训练样本［7］，用于新近的多实相遥感图像的变化检测，实现对该地区的长期动态监视。对于如何进一步提高检测精度，以及如何优化变化检测的算法将是笔者下一步的主要研究方向。

［1］ 李德仁.利用遥感影像进行变化检测［J］.武汉大学学报：信息科学版，2003，28(S1)：7-11.

［2］ 马建文.遥感变化检测技术发展综述［J］.地球科学进展，2004(4)：192-196.

［3］ HAZEL G G.Object-level Change Detection in Spectral Imagery［J］.IEEE Transactions on Geoscience and Remote Sensing，2001，39(3)：553-561.

［4］ 党安荣，贾海峰，陈晓峰，等.ERDASIMAGINE遥感图像处理教程［M］.北京：清华大学出版社，2010.

［5］ LU D.Change Detection Techniques［J］.International Journal of Remote Sensing，2004，25(12)：2365-2401.

［6］ 陈阳，陈鹰，林怡.GIS辅助下的高分辨率遥感影像变化检测［J］.铁道勘察，2008，34(4)：29-32.

［7］ DAI X L，KHORRAM S.The Effects of Image Misregistration on the Accuracy of Remotely Sensed Change Detection［J］.IEEE Transactionson on Geoscience and Remote Sensing，1998，36(5)：1566-1577.

［8］ 苏娟，王贵锦，林行刚，等.基于多时相遥感图像的人造目标变化检测算法［J］.自动化学报，2008，34(9)：1040-1046.

Study on the Intelligent Change Detection Methods on the Basis of Multi-temporal Remotely Sensed Images

SHI Xiangfeng，SHUAI Meiqin，SHEN Jinsong

0494-0911(2012)09-0023-03

P237

B

2012-05-26

施向丰(1977—)，男，江苏启东人，硕士，主要从事摄影测量与遥感等方面的科研与教学工作。