一种基于历史数据挖掘的高分遥感影像土地覆盖变化检测方法
【技术领域】
[0001] 本发明涉及高分遥感影像变化检测技术领域，特别涉及一种基于历史数据挖掘的 高分遥感影像土地覆盖变化检测方法。
【背景技术】
[0002] 土地覆盖的空间分布反映着人类社会经济活动过程，决定着地表的水热和物质 平衡，其变化直接影响到生物地球化学循环，改变着陆地一大气的水分、能量和碳循环， 以至引起气候变化。科学准确地测定全球地表覆盖的空间分布与动态变化，对于研宄地 球系统的能量平衡、碳循环及其他生物地球化学循环、气候变化等有着十分重要的意义 (参见文献：陈军，陈晋，宫鹏，等.全球地表覆盖高分辨率遥感制图[J].地理信息世 界，2011，9(2) : 12-14.)。
[0003] 遥感技术作为一种非接触式获取信息技术，长久以来，被视为大范围获取土地 覆盖数据最有效的技术（参见文献：ChenJ,ChenJ,LiaoA，etal.Globallandcover mappingat30mresolution:APOK-basedoperationalapproach[J].ISPRSJournal ofPhotogrammetryandRemoteSensing, 2014.)。传统土地覆盖变化检测方法主要包括 代数运算法，变化向量分析法，空间变换法，分类比较法（参见文献：（1)SinghA.Review articledigitalchangedetectiontechniquesusingremotely-senseddata[J]. Internationaljournalofremotesensing, 1989, 10 (6) : 989-1003. (2)Lu,D.,et al. (2004)?''Changedetectiontechniques.''InternationalJournalofRemote Sensing25 (12) : 2365-2401.)。代数运算法主要指影像差值法，即利用两期遥感影像对应波 段的差值与选定阈值的大小进行比较，以确定变化区域；变化向量分析法与插值法相比，能 够给出变化类别的信息；空间变换法是利用两期影像波段信息的冗余性，将波段重新组合， 对新的波段进行分析。总体而言，以上方法都存在阈值难以确定的问题。分类比较法主要 包括直接分类法和分类后比较法两种。直接分类法是将两期影像联合，直接参与分类，获取 变化检测结果；分类后比较法是对两期影像分别分类，然后对分类结果进行比较得出变化 检测结果。在土地覆盖变化检测方面，分类比较法是一个比较活跃的算法，但由于时代等原 因，传统分类比较法所采用的处理手段与当前技术相比，自动化程度和检测精度都较低。
[0004] 随着遥感技术的发展，可用于土地覆盖变化检测的卫星遥感影像出现许多新的特 点，主要包括卫星数据源增多，空间分辨率增加，时间分辨率提高，这些特点为遥感卫星影 像变化检测的精度、速度以及自动化方面提出了新的挑战。一方面，以面向对象为代表并 融合机器学习算法的高分遥感影像解译技术，为变化检测的智能化带来了新的机遇。一批 以对象代替像元或者融合智能分类算法的变化检测技术诞生，提高了变化检测的精度和 自动化水平（参见文献：ChenG,HayGJ,CarvalhoLMT，etal.Object-basedchange detection[J].InternationalJournalofRemoteSensing,2012,33(14):4434-4457.) 〇 但现有方法的对象生成策略主要有两种，独立分割方法和复合分割方法，其中独立分割 方法存在对象边界不匹配的问题，复合分割方法则存在变化对象边界不准确的问题。另 一方面，多数智能分类算法都存在样本库构建的问题，这也限制了变化检测的自动化水 平。随着遥感土地覆盖数据的积累，通过挖掘历史数据提高当前的变化检测结果，成为 遥感土地覆盖变化检测技术的一个新方向。一些研宄人员挖掘历史土地覆盖数据，以 解决样本库构建的问题（参见文献：（l)WalterV.Object-basedclassificationof remotesensingdataforchangedetection[J].ISPRSJournalofphotogrammetry andremotesensing, 2004, 58(3):225-238. ； (2)XianG,HomerC,FryJ.Updatingthe 2001NationalLandCoverDatabaselandcoverclassificationto2006byusing Landsatimagerychangedetectionmethods[J].RemoteSensingofEnvironme nt，2009, 113(6) : 1133-1147.)Walter(2004)等仅利用了历史土地覆盖数据的边界来获取 对象，且未挖掘历史期高分遥感影像中对象的信息。Xian(2009)等挖掘了历史土地覆盖数 据和历史期高分遥感影像中的信息，但仍是基于像元且面向中等分辨率的遥感影像土地覆 盖变化检测。如何针对新时期高分遥感影像的特点，综合面向对象分类技术以及机器学习 算法，挖掘历史土地覆盖数据和历史期高分遥感影像的信息，对提高土地覆盖变化检测精 度和自动化水平具有重要意义。
【发明内容】
[0005] 针对上述问题，本发明提出了一种基于历史数据挖掘的高分遥感影像土地覆盖变 化检测方法，该方法以历史土地覆盖数据约束分割高分遥感影像，并利用机器学习算法挖 掘土地覆盖数据以及对应历史期高分遥感影像的分类规则信息，对现时高分遥感影像自动 分类，从而实现变化检测。
[0006] 本发明技术解决方案：本发明提供了一种基于历史数据挖掘的高分遥感土地覆盖 变化检测方法，其特征在于，该方法包括：
[0007] 步骤1 :利用历史土地覆盖数据约束分割高分遥感影像，获取光谱、纹理匀质的对 象，该步骤主要包括：
[0008] 步骤1-1 :获取研宄区域两期时相一致的高分遥感影像和历史期高分遥感影像对 应的历史土地覆盖数据；
[0009] 步骤1-2 :配准两期高分遥感影像；
[0010] 步骤1-3:利用所述历史土地覆盖数据的边界范围作为约束条件，分割历史期高 分遥感影像；
[0011] 步骤1-4:以历史期高分遥感影像分割结果为约束条件，分割现时高分遥感影像， 从而得到光谱、纹理匀质的对象。
[0012] 步骤2 :以相对辐射校正中误差为阈值，提取疑似变化对象，该步骤主要包括：
[0013] 步骤2-1:选择若干未变化对象，以历史期影像为准，对现时高分影像进行相对辐 射校正，并计算校正后的中误差；
[0014] 步骤2-2:计算两期高分影像对应波段的差值，并以对象为单元统计差值的均值 特征；
[0015] 步骤2-3:以相对中误差为阈值，将差值的均值特征超过阈值的对象设为疑似变 化对象，阈值以内的设为未变化对象。
[0016]步骤3:挖掘历史数据，获取土地覆盖分类规则信息，该步骤主要包括：
[0017]步骤3-1:计算历史期影像中对象的光谱、纹理特征，构成对象的特征向量；
[0018]步骤3-2:根据历史土地覆盖数据的类别信息，使用机器学习算法，获取土地覆盖 分类规则信息。
[0019] 步骤4:对疑似变化对象分类，获得变化检测结果，该步骤主要包括：
[0020] 步骤4-1 :计算现时高分遥感影像中对象的光谱、纹理特征；
[0021] 步骤4-2:使用步骤3获取的分类规则信息，对现时遥感影像中疑似变化对象分 类；
[0022] 步骤4-3 :将疑似变化对象分类结果与历史土地覆盖数据中不一致的对象设为变 化区域，其余为未变化区域，从而得到最终的变化检测结果。
[0023] 进一步地，步骤1中，所述研宄区域两期时相一致的高分遥感影像指用于变化检 测的高分遥感影像分辨率基本相同，高分影像的成像时相相同；所述历史期高分遥感影像 对应的历史土地覆盖数据指用于变化检测的两期高分遥感影像中，历史时期的高分遥感影 像成像时间在历史土地覆盖数据所反应的土地覆盖信息有效时间范围内；所述历史土地覆 盖数据的边界范围为约束条件指分割历史期高分遥感影像时，对象的边界与历史土地覆盖 数据的边界不存在交叉现象；所述光谱、纹理匀质的对象指对象无论在历史期高分遥感影 像中，还是在现时高分遥感影像中，对象内部均保持光谱或者纹理的匀质性。
[0024] 进一步地，其特征在于，所述步骤2-1中相对辐射校正指以历史期高分影像为准， 对现时高分遥感影像进行线性回归校正；相对中误差指相对辐射校正的中误差，具体公式 如下：
[0025] DN12(入）=K?DN2(入）+B
[0029] 其中，DNjAhDNjA)分别指历史期和现时高分遥感影像波段入所对应 的影像灰度值，DN12(A)指现时高分遥感影像波段A相对辐射校正后的影像灰度值， 观了?、(2；)指第i个样本对象内的历史期和现时高分遥感影像波段A所对应的 影像灰度值的均值、mDNjXhmDNjX)指样本对象在历史期和现时高分遥感影像波段入 所对应的影像灰度值均值特征的均值，K和B指相对辐射校正时线性回归的斜率和截距， 〇 (A)指波段X相对辐射校正后的中误差。
[0030] 步骤3是本文发明创新的关键部分，因此，下面对该步骤进一步展开说明。
[0031] 该步骤的目的是挖掘历史土地覆盖数据以及与历史期影像相结合的信息，获取现 时高分遥感影像的分类规则。步骤3-1中的光谱特征指对象所在区域的波段均值、标准差， 纹理特征指基于灰度共生矩阵的角二阶矩、熵、逆差矩，公式如下：
[0037] 其中，DNJA)指对象在历史期高分遥感影像波段A的均值，〇JA)指对象在历 史期高分遥感影像波段A的标准差，指对象的像素集，#P指对象的像素个数，DNJA，x，y) 指历史期高分遥感影像波段A(x，y)的灰度值，G(i，j)是灰度共生矩阵的值，ASM(X)指角 二阶矩，ENT(A)指熵，IDM(A)指逆差矩。
[0038] 灰度共生矩阵是对影像上保持某距离的两象素分别具有某灰度的状况进行统计 得到的矩阵。如果灰度共生矩阵中的值集中在某一块（比如对连续灰度值影像，值集中在 对角线；对结构化的影像，值集中在偏离对角线的位置），则ASM有较大值，若G(i，j)中的 值分布较均匀（如噪声严重的影像），则ASM有较小的值。若灰度共生矩阵值分布均匀，也 即影像近于随机或噪声很大，ENT会有较大值。如果影像纹理的不同区域间缺少变化，局部 非常均匀，IDM就会取较大的值。
[0039] 计算对象的光谱、纹理特征后，可将其联合，构成对象的特征向量，如下：
[0040] V= (DN^A^,o1(A1),ASM(A1),ENT(A1),IDM(A1),
[0041]（入n),〇!(入n)，ASM(入n)，ENT(入n), IDM(入n))T
[0042] 其中，入i，…，入n指波段1，2,…n。
[0043] 步骤3-2中使