用机器学习算法，获取高分遥感影像分类规则指利用决策树、支持 向量机、神经网络等智能分类算法，由历史土地覆盖数据提供的类别信息和步骤3-1中计 算的特征，训练分类器，得到分类规则（机器学习算法的原理与实现请参考模式识别、数据 挖掘、机器学习等相关领域的书籍或软件）。
[0044] 进一步地，步骤4中所述的现时高分遥感影像中对象的光谱、纹理特征与步骤3-1 中所述特征一致，但是计算特征的数据是现时高分遥感影像。步骤4-2中的分类规则指步 骤3中学习得到的分类规则，且分类的对象是步骤2中提取的疑似变化对象。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，且其类别信息 为步骤4-2中通过分类得到的类别信息，而未变化对象的类别信息则保持为历史土地覆盖 数据中的类别信息，由此可以得到现时高分遥感影像的分类结果，最后对比历史土地覆盖 数据和现时高分遥感影像的分类结果，即可得到最终的变化检测结果。
[0045] 本发明与现有技术相比的优点在于：
[0046] (1)本发明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 法挖掘历史土地覆盖数据以及与对应历史期高分遥感影像相结合的分类规则等信息，对现 时高分遥感影像自动分类，从而实现变化检测。
[0047] (2)本发明方法实现了高分遥感影像变化检测的高精度自动化，在使用高分遥感 影像自动更新土地覆盖数据、变化检测或者分类方面，可以大大节省成本，有利于土地利用 的管理、评估以及科学研宄。
【附图说明】
[0048] 图1是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流程图；
[0049] 图2是本方法实施例所使用的影像、数据及变化检测结果图，其中（a)为历史期高 分遥感影像，（b)为现时高分遥感影像，（c)为对应的历史土地覆盖数据，（d)为本实施例的 变化检测结果图。
【具体实施方式】
[0050] 下面结合沿海某局部地区进行实验，对本发明的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进行详细描述。
[0051] 在本发明实施例中，所采用的历史期高分遥感影像和现时高分遥感影像分别是 2003年10月23日和2010年11月9日的SP0T5多光谱影像（见图2中的（a)和（b))，包 括四个波段：绿波段（〇. 49-0. 61um)、红波段（0. 61-0. 68um)、近红外（0. 78-0. 89um)和短波 红外（1. 58-1. 78um)，其中短波红外的分辨率为20米，其余皆为10米。此外，本实施例中采 用的历史土地覆盖数据为基于2003年SP0T5影像人工目视解译并综合地面调查得到的结 果（见图2中的（c))。
[0052] 本实施例分成以下四个主要部分：
[0053] ( -）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：
[0054] 步骤1-2 :配准两期高分遥感影像。影像配准方法可参考ENVI、PCI、ERDAS等遥感 处理软件，配准精度在1个像素以内。
[0055] 步骤1-3 :在eCogniton软件中，以历史期高分遥感影像四个波段为影像图 层，并且以历史土地覆盖矢量数据为专题图层，采用多尺度分割算法（Multiresolution Segmentation)进行分割，创建分割图层DatelSeg-level，分割参数设置为Scale= 10,Shape= 0? 1，Compactness= 0? 5〇
[0056] 步骤1-4 :以现时高分遥感影像四个波段为影像图层，在分割图层 DatelSeg-level中继续以参数Scale= 10,Shape= 0? 1，Compactness= 0? 5 分割，并创建 分割图层Date2Seg_level。分割图层Date2Seg_level即为光谱、纹理勾质的对象所在图 层。
[0057] (二）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：
[0058]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。本实施例选择了 8个未变化对象，计算未变化对象光谱的均值，以均值作线性回 归，计算相对辐射校正系数和中误差，具体计算公式如下，回归系数和中误差结果见表1:
[0062] 表1相对辐射校正系数与中误差
[0064] 由以上计算得到的结果，对现时SP0T5影像分波段进行相对辐射校正，校正公式 如下：
[0065] DN12 (入）=K?DN2 (入）+B
[0066] 步骤2-2 :计算相对辐射校正后的SP0T5影像与历史期SP0T5影像分波段的差值， 并以对象为单元统计差值的均值。
[0067] 步骤2-3 :以相对辐射校正中误差〇 (A)为阈值，将对象差值绝对值的均值超过 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。
[0068](三）使用智能分类算法，学习土地覆盖分类规则信息。本实施例选择的智能分类 算法为C5. 0决策树（实现方法，可参见eCognition使用手册）。该步骤主要包括：
[0069] 步骤3-1 :由2003年SP0T5影像计算对象光谱、纹理特征，构成对象的特征向量：
[0070] V= (DN!(入D，〇 !(入J，ASM!(入J，ENI\ (入D，IDM!(入D，
[0071] ...，0~（入 4)，〇 !(入 4)，ASMi(入丨』％(入 4)，IDMi(入4))t
[0072] 步骤3-2 :根据土地覆盖数据的类别信息，使用C5. 0决策树算法获取土地覆盖分 类规则信息。
[0073] (四）对疑似变化对象分类，获得变化检测结果，该步骤主要包括：
[0074] 步骤4-1 :计算2010年SP0T5影像中疑似变化对象的光谱、纹理特征，构成特征向 量：
[0075] V= (DN12 (入 1 〇 12 (入i)，ASM12 (入lENTu(入IDM12 (入 〇，
[0076] ...，DN12(入 4)，〇 12(入 4)，ASM12U4)，ENT12U4)，IDM12(A4))t
[0077] 步骤4-2 :使用步骤3获取的分类规则信息，对2010年SP0T5影像中疑似变化对 象分类；
[0078] 步骤4-3 :将2010年SP0T5影像中疑似变化对象分类结果与2003年土地覆盖数 据中类别不一致的对象设为变化区域，并将分类结果作为2010年土地覆盖数据，而其余未 变化区域，保留其2003年的土地覆盖类别，作为2010年土地覆盖数据。由此，得到2010年 SP0T5的总体分类结果，同时，变化区域的分类结果为2003年到2010年土地覆盖的变化检 测结果（见图2中的（d))。
[0079] 虽然上面结合本发明的优选实施例对本发明的原理进行了详细的描述，本领域技 术人员应该理解，上述实施例仅仅是对本发明的示意性实现方式的解释，并非对本发明包 含范围的限定。实施例中的细节并不构成对本发明范围的限制，在不背离本发明的精神和 范围的情况下，任何基于本发明技术方案的等效变换、简单替换等显而易见的改变，均落在 本发明保护范围之内。
【主权项】
1. 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，其特征在于，该方 法包括： 步骤1:在历史土地覆盖数据约束下，分割高分遥感影像，获取光谱、纹理匀质的对象； 所述影像、数据指时相一致的两期高分遥感影像以及与历史期高分遥感影像对应的土地覆 盖数据； 步骤2 :基于步骤1中的分割结果，以历史期高分遥感影像为基准，对现时高分遥感影 像进行相对辐射校正，并以相对辐射校正中误差为阈值，提取疑似变化对象； 步骤3 :基于步骤1中的分割结果和步骤2中的相对辐射校正结果，挖掘历史土地覆盖 数据，获取土地覆盖分类规则信息； 步骤4 :使用步骤3中获取的分类规则信息，对步骤2中提取的疑似变化对象分类，获 得变化检测结果。2. 根据权利要求1所述的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， 其特征在于：所述历史期高分遥感影像对应的土地覆盖数据指土地覆盖数据是根据历史期 高分遥感影像解译得到，或者根据历史土地覆盖数据的时间而收集相同或者相近时间的历 史期高分遥感影像。3. 根据权利要求1所述的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， 其特征在于：所述步骤1中获取光谱、纹理匀质的对象包括以下步骤： 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； 步骤1-2 :配准两期高分遥感影像； 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，得到历史期高分遥感影像分割结果； 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。4. 根据权利要求1所述的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， 其特征在于：所述步骤2中疑似变化对象的获取包括以下步骤： 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； 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； 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。5. 根据权利要求1所述的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， 其特征在于：所述步骤3中历史数据挖掘包括以下步骤： 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； 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。6. 根据权利要求1所述的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， 其特征在于：所述步骤4中获得变化检测结果包括以下步骤： 步骤4-1 :计算现时高分遥感影像中对象的光谱、纹理特征；
【专利摘要】本发明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，包括：获取历史土地覆盖数据、对应历史期高分遥感影像和现时高分遥感影像，并在历史土地覆盖数据约束下，采用图像分割算法分割高分遥感影像，得到内部光谱、纹理匀质的对象；选取部分不变对象，对两期高分遥感影像进行相对辐射校正，并以辐射校正后的中误差为阈值，将其余对象分为不变对象和疑似变化对象；提取历史期影像中对象的光谱、纹理特征，并使用机器学习算法，获取分类规则；使用分类规则对现时高分遥感影像中的疑似变化对象分类，从而得到变化检测结果。本发明在使用高分遥感影像自动化更新土地覆盖数据、变化检测或者分类方面，具有重大的应用前景。
【IPC分类】G06T7/40
【公开号】CN104899897
【申请号】CN201510275835
【发明人】杨晓梅, 王志华, 周成虎
【申请人】中国科学院地理科学与资源研究所
【公开日】2015年9月9日
【申请日】2015年5月27日