英语原文共 16 页，剩余内容已隐藏，支付完成后下载完整资料

遥感图像的变化检测：从基于像素的方法到基于对象的方法

Masroor Hussain ^a，陈冬梅^a,uArr;，Angela Cheng^a，惠伟^b，大卫斯坦利^b

a Laboratory of Geographic Information and Spatial Analysis, Department of Geography, Queenrsquo;s University, Kingston, ON, Canada K7L 3N6a加拿大安大略省金斯敦皇后大学地理系地理信息与空间分析实验室K7L 3N6

b PCI Geomatics, 490 St. Joseph Blvd., Suite 400, Gatineau, Quebec, Canada J8Y 3Y7bPCI Geomatics，490 St. Joseph Blvd.，Suite 400，加拿大魁北克省加蒂诺J8Y 3Y7

a r t i c l e i n f o

文章历史：

2012年6月12日收到

以修改后的形式收到2013年3月21日2013年3月22日接受

2013年4月19日在线提供

关键词：遥感变化检测基于像素的基于对象的

空间数据挖掘

摘 要

对地球表面最新信息的需求不断增加，因为这些信息为大量应用提供了基础，包括地方，区域和全球资源监测，土地覆盖和土地利用变化监测以及环境学习。 来自遥感卫星的数据提供了获取不同分辨率土地信息的机会，并已广泛用于变化检测研究。 已经开发了大量利用遥感数据的变化检测方法和技术，并且新技术仍在出现。 本文首先讨论传统的基于像素和（主要）面向统计的变化检测技术，其主要侧重于光谱值并且大部分忽略空间背景。 这通过对基于对象的变化检测技术的检查而成功。 最后简要讨论了图像处理中的空间数据挖掘技术和遥感数据的变化检测。 比较不同技术的优点和问题。 强调图像数据量和多个传感器呈指数增长的重要性以及变化检测技术发展中的相关挑战。 随着高分辨率（VHR）遥感图像的广泛使用，基于对象的方法和数据挖掘技术在变化检测中可能具有更大的潜力。

copy;2013 International Society for Photogrammetry and Remote Sensing，Inc.（ISPRS）由Elsevier出版

BV保留所有权利。

介绍

在遥感（RS）应用中，变化被认为是具有不同速率的表面组分变化。 土地覆盖（LC）和土地利用（LU）变化信息非常重要，因为它在各种应用中的实际用途，包括森林砍伐，灾害评估，灾害监测，城市扩张，规划和土地管理。辛格（1989）（CD）定义为“通过在不同时间观察物体或现象的状态差异来识别差异的过程”。 CD框架使用多时间数据集来定性分析现象的时间效应并量化变化。 RS数据已经成为CD研究的主要来源，因为它的高时间频率，适合计算的数字格式，天气观点以及更广泛的空间和光谱分辨率选择（陈等人，2012a; Coops等人，2006; Lunetta等人，2004）。 RS中CD的总体目标包括确定地理位置和变化类型，量化变化并评估CD结果的准确性（Coppin等，2004; 林 和Jensen，2005; 麦克劳德和康加隆，1998年).

(Chen等，2012c). Chan等人 （2001年）将它们分类为变化增强技术和变化性质技术。鲁 等人 （2004年）提出了全面的审查，并将CD技术分为七类。 他们将CD研究的详尽清单归类为变更领域或应用方面。 其中大多数评论涵盖了CD技术的粗略和相对较新的空间分辨率数据，如MODIS，Landsat（MSS，TM），SPOT和雷达。 然而，这些综述没有广泛地研究适用于来自IKONOS，QuickBird，GeoEye，RapidEye，EROS A和B等高分辨率（VHR）光学卫星的数据的技术和方法。基于对象的成像分析技术被认为更适合VHR图像数据和一些讨论可以在（Blaschke，2010; Chen等人， 2012A; Jianyaa等，2008; Lang，2008).

在本文中，我们根据图像分析的单位将CD方法放入两个离散的组中。 第一种是传统/经典的基于像素的方式，它使用图像像素作为分析的基本单位。 第二组是基于对象的方法，首先强调创建图像对象，然后将其用于进一步分析。 本文大致分为三部分。 首先讨论基于像素的变化检测（PBCD）方法，然后讨论基于对象的变化检测（OBCD）技术。 此外，还讨论了空间数据挖掘技术的潜在分析来自RS数据的变化。 本文的重点是回顾RS中常用的CD方法和技术及其应用和相关问题。

1. RS变化检测的一般注意事项

RS中最通用的CD模式大体上包括：

1. 特征提取（例如差异或比率）和（b）决策功能（产生决策的操作，即变化与不变化）。 然而，并非所有的方法都遵循它（Dreschler-Fischer等人， 1993）。 CD过程可以大致分为：（a）预处理
2. 选择CD技术，以及（c）准确性评估。

预处理阶段处理与辐射测量，大气和地形校正，几何校正和图像配准有关的问题。 考虑使用来自同一传感器的数据，辐射测量和空间分辨率以及接近周年的采集日期来消除太阳角度，季节和语音差异的影响是很重要的宋和伍德 - 公鸡，2003年）。 需要更正以最大限度地减少这些因素造成的影响。 然而，Song等人 （2001年）认为当使用单日期图像进行分类时可能不需要大气校正，但在使用多时间或多感官数据时是必须的。Lu等人 （2008年）认为从相同传感器获取数据可能会很困难，特别是在潮湿的热带地区，需要使用来自不同传感器的数据。 CD的后分类比较，但是，没有一些这样的严格要求（Chen等，2012c).

图像配准和多时间辐射校正也许是CD方法中最重要和不可或缺的步骤。 精确的多时间图像之间的几何配准对于避免大量虚假结果至关重要，因为图像位移会导致场景中的虚假变化区域。 大多数CD研究通常需要亚像素级别的几何配准精度（Jianyaa等人，2008）。 当数据来自不同的传感器和不同的分辨率时，更高的配准精度变得更加重要。 在某些CD方法（如基于对象的方法）中可以避免更高的配准精度要求，其中可以应用“缓冲检测”算法来比较提取的特征（Deren等人，2003).

辐射校正纠正了传感器特性，大气条件，太阳角度和传感器视角变化引起的误差，以保持辐射一致性（Chen等人，

2005; Du等人，2002）。 开发了不同的辐射校正方法。 绝对辐射校正（ARC）提取地球表面景物目标的绝对电阻。 相对辐射校正/归一化（RRC）通过调整目标图像的辐射特性来匹配基本图像来减少多个图像之间的大气和其他意想不到的变化Janzen等人，2006; 袁和Elvidge， 1996）。 RRC包括诸如暗对象减法（查韦斯，1988年），伪不变特征（PIF）（Chen等人， 2005），自动散点图控制回归（ASCR）（Elvidge等人，1995），岭法（Song等人，2001），以及太阳光谱（6S）中的卫星信号的第二模拟（Vermote等，1997).

在收集CD的RS数据之前考虑对时间因素的变化依赖性也很重要。 过早收集的数据不会涵盖较慢的变更过程; 收集太晚的数据容易出现过多的遗漏错误，并会对CD的完整性产生显着的影响（Lunet- ta等人，2004).

选择合适的CD技术与研究的客观性有关。 一些技术，如图像不同或比例只能提供更改/不变（二进制）信息。 如果研究需要详细的变化矩阵（变化方向），则需要不同的技术，如后期分类。 另一个观点是选择基于图像分析单元的CD技术。 传统上使用的许多基于像素的CD方法不适用于VHR RS数据，其中可能更频繁地使用基于对象的分析。 已经基于基于像素和基于对象的方法开发了各种算法，其提供了更宽的选择范围（Lu等，2011).

研究区域的大小和空间分辨率也可以显着影响CD技术的选择。 RS中的空间分辨率通常对应于像素大小。 像素大小表示景观被观看和建模的尺度（Aplin，2006; Marceau，1999; Woodcock和Strahler，1987）。 通常，使用低分辨率图像来监视较大区域的变化。 在国家和全球变化测绘中，包括NOAA先进甚高分辨率辐射计（AVHRR），中分辨率成像辐射计（MODIS）在内的较粗糙的空间分辨率数据越来越多地被使用（考平 等人，2004）。 在区域一级，使用基于像素的方法，使用中等空间分辨率图像，例如Landsat专题制图仪（TM）。 VHR RS数据（例如QuickBird，IKONOS，OrbView）用于局部尺度研究，因为它提供了更高的空间分辨率。 基于像素的技术面临这些VHR数据中较高光谱变化和混合像素带来的挑战（阿普林， 2006; 陈等人，2012a）。 最近，基于对象的方法更常用于当地规模的CD（Lu等人， 2011). 表格1总结了不同的CD技术。

1. 遥感中基于像素的变化检测（PBCD）

自早期使用RS数据以来，像素一直是图像分析和CD技术的基本单元。 图像像素是这些技术中的原子分析单元，它们的频谱特性通常用于检测和测量变化，而不考虑空间上下文。 大多数情况下，统计运算符用于评估单个像素。 研究人员已经更深入地回顾了基于像素的方法，总结了功能，优点和缺点（参见例如Coppin等人， 2004; Deer，1995; Ilsever和Uuml;nsalan，2012; Lu等人，2004; 辛格

1989).

已经开发了不同的基于图像代数的预分类CD技术，包括：（a）图像差异，（b）图像比例，（c）回归分析，（d）植被指数

表格1

不同变化检测技术的总结。

技术子类 途径 优点 限制 例子

像素 -

基于

直接比较

图像差异 bull;简单

• • 易于解释结果

图像比例 bull;它更好地处理校准

（包括太阳角度，阴影和地形影响）错误（Rignot和van Zyl，1993年)

回归分析 bull;它说明了差异

不同日期的像素值之间的平均值和方差因此减少了大气条件和太阳角度的不利影响（辛格，1989年)

• 没有完整的变更信息矩阵
• 最佳阈值选择
• 差异值是绝对的。 因此，根据起始类别，相同的值可能会有不同的含义
• 二进制（更改与不更改）
• 没有完整的变更信息矩阵
• 结果的非正态分布
• 二进制（更改与不更改）
• 准确的回归函数适用于所需的选定波段
• 它更适合于测量从一种类型到另一种类型的转换，而对于检测细微变化则较差（Coppin等人， 2004)

来自SPOT HRV图像的城市边缘的城市土地覆盖变化（Quarmby和Cushnie， 1989）森林生态系统中的变化检测（Coppin和Bauer， 1996)

使用Landsat的环境变化（Howarth和Wickware， 1981)

Logistic回归模拟从森林到非森林的变化（Ludeke等，1990）热带森林砍伐变化测量（辛格，1986年)

转型

/ 从图像

植被指数差异

改变矢量分析（CVA）

主成分分析（PCA）

流苏帽变换（KT）

• 减少地形的影响 效果 和照明
• 处理任何想要的光谱带
• 生成详细的变更检测信息
• 幸福的时候; （a）兴趣变化及其光谱表现不是众所周知的，（b）利益变化已知或具有高光谱变异性，以及（b）即使土地覆盖类型和条件的变化可能是感兴趣的（约翰逊 和Kasischke，1998年)
• 数据冗余减少
• 强调派生组件中的不同信息
• 数据冗余减少
• 场景独立
• 产生稳定的光谱成分，允许发展 底线 用于长期研究的光谱信息
• 随机或相干噪音
• 二进制（更改与不更改）
• 难以确定土地覆盖变化的轨迹
• 严格要求从同一音位学期间获得的遥感数据（陈等人，2003)
• 场景依赖性使得难以解释和标注不同的日期
• 不区分变化类型; 相反，它会报告已更改的区域（二元变更）
• 不同于解释和标签变更信息
• 没有完整的变化矩阵

森林采伐类型的检测（Wilson和Sader，2002年）瑞典山脉的变化检测（诺德伯格和埃弗特森， 2005）阿拉伯联合酋长国的土地覆盖变化（索尔，1999年）土地覆盖监测（约翰逊 和Kasischke，1998年）土地利用/土地覆盖变化检测（陈等人，2003）森林变化检测（Nackaerts等人，2005）灾害评估（Bayarjargal 等人，2006)

刷毛损伤和植被再生（Richards，1984）土地覆盖变化（

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[24923]，资料为PDF文档或Word文档，PDF文档可免费转换为Word