1、基于矢量数据的遥感影像分割方法研究摘 要：该文针对变化检测中获取同质像斑较难的问题，提出应用矢量数据辅助分割获取同质像斑，进一步地提出了基于历史矢量与双时相遥感影像的变化检测方法，实验结果表明，该方法能检测出 80%变化的像斑，并能同时获取变化像斑的类别，证明了该方法的有效性。 关键词：矢量数据 像斑 变化检测 多尺度分割 中图分类号：TP751 文献标识码：A 文章编号：1674-098X（2015）12（b）-0052-02 遥感影像变化检测方法已经从传统的像元级变化检测开始向像斑级（对象级）变化检测方向转变。虽然许多变化检测方法采用了面向对象概念1-2，但由于多数对象（像斑）仅由影像分割
2、获得，获取方式单一，且该方法极度依赖影像分割算法的精度，目前为止仍没有一种具有普适性和高精度的针对高分辨率遥感的分割技术。 该文提出一种面向地理国情监测的高分辨率遥感影像与矢量数据结合的变化检测的方法。首先，分析了遥感影像与矢量数据套合结果的不一致性，通过应用矢量数据辅助分割，提出了一种获取同质性较强的像斑的方法。进一步地提出了基于历史矢量与双时相遥感影像的变化检测方法，并用实验证明了其可行性。 1 同质像斑获取 1.1 遥感影像与矢量数据套合不一致性 在理想的情况下，通过配准套合获取的遥感影像各像斑，其内部像素应保持灰度同质性；同时，属于同一类别的像斑应该保持类内光谱一致性，不同类别的像斑应
3、具有类间光谱的相异性。 这也是影像分割的目的和后续基于像斑进行影像分析的基础。然而，由于土地利用和土地覆盖的不同，使得这种理想情况在实际的应用中很难出现。因此，由于数据源、数据格式、生成标准、规范等多方面的不同，以及数据本身的特点和数据综合应用时的方法及其误差等的存在，使得遥感影像与矢量数据套合结果存在上述不一致性。该文对遥感影像与矢量数据套合不一致性问题展开初步探讨，采用多尺度分割算法获取同质像斑。 1.2 基于多尺度分割获取同质像斑 为获取同质像斑，该文综合利用 GIS 辅助数据分割和多尺度分割方法。首先，利用矢量辅助数据与遥感影像套合获取像斑。其次，对套合获取的像斑进行再分割，生成子像斑
4、，从而保证各像斑内的光谱同质性。技术流程如图 1 所示。 具体步骤如下。 （1）通过矢量数据和两个时期遥感影像分别配准套合，仅利用矢量数据的图斑边界信息获取影像像斑，分别视为 T1 期像斑和 T2 期像斑。同时，根据矢量数据属性信息中的类别信息，获取像斑类别。 （2）设定一定的尺度参数，以 T1、T2 时期影像的响应光谱特征为依据，分别对T1、T2 期像斑进行再分割，再分割后的像斑继承上一级像斑的类别信息。（3）对步骤（2）中获得的像斑，根据类别的不同分别设置相应的尺度参数进行进一步分割，使得各类别像斑同质性均增强后，停止分割，将获取的子像斑视为 T1、T2 期子像斑。 （4）将步骤（3）获得
5、的 T1 时期子像斑和 T2 时期子像斑进行叠置分割，使得前后两个时期像斑一一对应。因此，该方法是建立在多尺度分割的基础上，与已有的方法不同，该方法充分考虑了矢量数据的属性信息、影像的光谱信息以及上下文信息。 2 变化检测 基于历史矢量与双时相遥感影像的变化检测方法，主要分为以下几个步骤：（1）像斑的获取及其特征提取。1.2 中已作了详细阐述。在获得同质像斑的基础上，提取光谱、纹理、形状等特征，构建像斑特征空间，并对特征空间进行优化。像斑特征由组成像斑的内部像素灰度值通过一定的数学运算获取。获取的光谱特征主要包括均值、方差、信息熵等，形状特征主要包括面积、密度、矩形契合度、形状指数、长宽比等，
6、纹理特征主要通过灰度共生矩阵计算。 （2）变化像斑获取方法。主要采用分类后处理的方法。针对分类后处理方法，T1 期影像根据 T1 期矢量数据的属性信息，获取像斑类别，对像斑进行分类。T2 期影像可采用基于像斑的最邻近分类算法，对 T2 期影像的像斑进行分类。 获取两个时期像斑分类结果后，通过叠置分析，对两个时期影像的像斑进行变化检测。该方法在决定是否发生变化的同时，也获得了像斑的变化类别。 获取变化检测结果后，可以根据再分割过程中形成的像斑与子像斑之间的继承关系，将已经获取的变化检测结果转换到矢量图斑上去，以此评价变化检测结果，并估计应用此变化检测结果更新现有矢量数据的能力。 3 实验及结果分
7、析 该文采用的实验数据为某地区 2012 年 5 月和 2014 年 5 月的快鸟卫星影像（蓝、绿、红、近红外波段，以及全色波段） ，以及相同区域 2012年 5 月矢量图。实验区大小为 1 001 像元1 003 像元，矢量图斑总数118 个。 3.1 获取同质像斑 首先，分别将两个时期遥感影像与矢量数据进行配准套合获取像斑，并获取像斑类别。其次，以光谱特征和形状特征为依据，对 T1、T2 时期影像分别进行多尺度分割，具体参数：尺度参数为 250，形状指数为0.7，紧致度为 0.5。此时获得的分割结果出现了植被过分割和非植被分割尺度不够的现象，因此需要根据类别的不同分别设置相应的尺度参数。植
8、被类别的分割尺度参数为：尺度参数为 300，形状指数为 0.6，紧致度为 0.5，对植被类别像斑进行合并；非植被类别的分割尺度参数为：尺度参数为 200，形状指数为 0.8，紧致度为 0.5，对非植被类别的像斑进行再分割。从而使得各类别像斑同质性均增强，停止分割。最后，将两期影像分割结果叠置分割，从而获取一一对应的影像像斑。如图 2 所示，共获得 385 个子像斑，从目视效果来看，绝大多数的像斑同质性较强，有利于后续的变化检测分析。 3.2 变化检测 采用基于类间距离和穷举法的特征选择方法，对初始化特征空间进行优化，选取最佳特征组合。根据矢量数据中的属性信息，对 2012 年影像像斑进行分类。
9、同时，利用基于像斑的最邻近分类算法，以最小距离为测度对 2014 年影像像斑进行分类。 获取两个时期像斑的分类结果后，通过叠置分析，对两个时期影像对应像斑的类别进行变化检测，如图 3 所示。由实验结果得出，80%发生变化的像斑，通过上述方法均能够被成功检测出来，证实了该方法的有效性和可行性。最后，将基于像斑的变化检测结果转换到矢量图斑上去。如果矢量图斑范围内有像斑发生变化，则认为该图斑发生变化，从而可以对历史矢量图进行更新。 4 结语 该文针对遥感影像与矢量数据套合不一致性问题，提出了一种多尺度分割算法来获取同质像斑，并在此基础上利用历史矢量与双时相遥感影像的变化检测方法进行变化检测。方法流程
10、清晰、原理简单、操作性强，具有良好的应用前景。由于前后期影像分类是单独进行的，而变化检测结果只是比较前后期对应像斑类别是否相同。因此，这种方法在当前后时期影像的响应光谱、影像来源等差别较大时仍然能够进行。 矢量数据信息的引入促进遥感影像分割、分类分析基本模式的变化，它使遥感影像分析从一种纯粹认识的过程转化为一种具有先验知识的再认识过程，使本是“理解”的影像分析变为了一种通过影像进行的“鉴别” “比较”的过程。 参考文献 1张连华，庞勇，岳彩荣，等.基于缨帽变换的景洪市时间序列Landsat 影像森林扰动自动识别方法研究J.林业调查规划，2012，38（2）：6-12. 2赵珍珍，燕琴，刘正军.高分遥感影像与矢量数据结合的变化检测方法J.测绘科学，2015，40（6）：120-124.
