CN110472661A - 基于历史本底和现时遥感影像的自动变化检测方法和*** - Google Patents
基于历史本底和现时遥感影像的自动变化检测方法和*** Download PDFInfo
- Publication number
- CN110472661A CN110472661A CN201910617203.8A CN201910617203A CN110472661A CN 110472661 A CN110472661 A CN 110472661A CN 201910617203 A CN201910617203 A CN 201910617203A CN 110472661 A CN110472661 A CN 110472661A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- doubtful
- variation
- sensing image
- changing graphic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于历史本底和现时遥感影像的自动变化检测方法和***,包括以下步骤:整理历史本底数据,以历史本底数据为引导,将新时期遥感影像数据进行多尺度分割;计算多尺度分割结果;统计分析计算得出的多维特征,查找每个类别中特征维度上的离群点,将其标记为第一疑似变化图斑;根据所述第一疑似变化图斑通过决策建模得到不同变化概率的第二疑似变化图斑,将所述第二疑似变化图斑去除伪图斑。本发明有益效果:不仅避免了传统解译和分析方法中通过人工选样本的主观性,而且灵活的运用统计分析方法解决遥感监测问题;提高变化检测的精度;针对不同的地物变化检测场景,选择不同特征,通过统计分析方法,检测出变化图斑;提高变化发现的正检率。
Description
技术领域
本发明涉及遥感技术领域,具体来说,涉及一种基于历史本底和现时遥感影像的自动变化检测方法和***。
背景技术
利用遥感的技术手段进行变化检测,是目前遥感领域研究的热点之一。随着遥感影像时间分辨率、空间分辨率的不断提高,结合同一地表区域的多时期影像及辅助数据,展开变化检测应用,有着非常重要的实际意义。
遥感影像变化检测的方法分两大类:基于像素的影像变化检测和基于特征的影像变化检测,其中,基于像素的影像变化检测是直接利用影像信息获取变化区域,优点是方法简单、速度快,容易获得变化区域,常见方法包括代数运算法、变化向量分析法、空间变换法和分类比较法,但是,在实际应用过程中,基于像素的多时期遥感影像变化检测,存在问题有:以“像素”为分析单元展开变化检测,容易出现过多的“椒盐”图像上的伪变化,需要后期大量的人工交互处理工作;多时期影像变化检测过分依赖于影像质量,前期预处理工作较多。传统的多期影像变化检测,对影像质量的数据源、辐射差异、时相差异有比较严格的要求;传统基于像素的多期影像的检测方法有一定的局限性。基于像素的变化检测仅考虑原始影像本身的光谱信息,分析特征过少。此外,变化检测方法中,代数运算法、变化向量分析法和空间变换法,存在阈值确定困难的问题,分类比较法,存在自动化程度和检测精度低的难题;传统基于像素的多期影像的检测场景普适性不广。传统的影像变化检测,仅能检测出图像上的变化区域,没有针对性的应用场景;基于特征的变化检测,分析单元为单个的检测对象,可以利用对象的特征展开变化分析。利用对象为单元进行变化检测,能够规避了“像素”椒盐现象,并且能够获取对象多维度的特征信息,有针对性的展开变化分析,此外,随着土地利用覆盖数据的逐年积累,一些研究学者不再仅限于单纯依赖遥感影像进行变化检测,2009年,Xian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。2015年,杨晓梅提出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,但是变化检测过于依赖两期影像的辐射差异,并且对后期的伪图斑没有进行分析和处理。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
针对相关技术中的上述技术问题,本发明提出一种基于历史本底和现时遥感影像的自动变化检测方法,能够充分挖掘土地利用覆盖的历史信息,结合高分遥感影像的多维特征,提升变化检测的精度和普适性。
为实现上述技术目的,本发明的技术方案是这样实现的:
一种基于历史本底和现时遥感影像的自动变化检测方法,包括以下步骤:
整理历史本底数据,以所述历史本底数据为引导,将新时期遥感影像数据进行多尺度分割;
计算多尺度分割结果;
统计分析计算得出的多维特征,查找每个类别中特征维度上的离群点,将其标记为第一疑似变化图斑;
根据所述第一疑似变化图斑通过决策建模得到不同变化概率的第二疑似变化图斑,将所述第二疑似变化图斑去除伪图斑。
进一步地,以所述历史本底数据为引导,将新时期遥感影像数据进行多尺度分割包括,
将所述新时期遥感影像数据划分为若干区域块;
将所述区域块采用多尺度图像分割算法进行计算,得到对象化的多尺度分割结果。
进一步地,所述多尺度图像分割算法包括Baatz合并准则、Full Lambda Schedule合并准则和JMB合并准则。
进一步地,该方法还包括:
合并相邻所述第二疑似变化图斑;
将合并后所述第二疑似变化图斑变化概率选取合并中概率较大的所述第二疑似变化图斑的概率值。
进一步地,所述多维特征包括光谱特征、形状特征和纹理特征,其中,所述光谱特征包括最大值、最小值、均值、中位数、亮度、标准偏差;所述形状特征包括面积、周长、紧致度、狭长度和长宽比;所述纹理特征包括灰度共生矩阵熵、对比度、标准差、相关性、均值、同质性、相异性和角二阶矩。
本发明另一方面,提供一种基于历史本底和现时遥感影像的自动变化检测***,包括:
多尺度分割模块,用于整理历史本底数据,以所述历史本底数据为引导,将新时期遥感影像数据进行多尺度分割;
第一计算模块,用于计算多尺度分割结果;
统计分析模块,用于统计分析计算得出的多维特征,查找每个类别中特征维度上的离群点,将其标记为第一疑似变化图斑;
伪图斑去除模块,用于根据所述第一疑似变化图斑通过决策建模得到不同变化概率的第二疑似变化图斑,将所述第二疑似变化图斑去除伪图斑。
进一步地,所述多尺度分割模块包括,
划分模块,用于将所述新时期遥感影像数据划分为若干区域块;
第二计算模块,用于将所述区域块采用多尺度图像分割算法进行计算,得到对象化的多尺度分割结果。
进一步地,所述多尺度图像分割算法包括Baatz合并准则、Full Lambda Schedule合并准则和JMB合并准则。
进一步地,该***还包括:
合并模块,用于合并相邻所述第二疑似变化图斑;
选取模块,用于将合并后所述第二疑似变化图斑变化概率选取合并中概率较大的所述第二疑似变化图斑的概率值。
进一步地,所述多维特征包括光谱特征、形状特征和纹理特征,其中,所述光谱特征包括最大值、最小值、均值、中位数、亮度、标准偏差;所述形状特征包括面积、周长、紧致度、狭长度和长宽比;所述纹理特征包括灰度共生矩阵熵、对比度、标准差、相关性、均值、同质性、相异性和角二阶矩。
本发明的有益效果:
1、不仅避免了传统解译和分析方法中通过人工选样本的主观性,而且灵活的运用统计分析方法解决遥感监测问题;
2、提高变化检测的精度;
3、针对不同的地物变化检测场景,选择不同特征,通过统计分析方法,监测出变化图斑;
4、提高变化发现的正检率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例所述的基于历史本底和现时遥感影像的自动变化检测方法的流程图;
图2(a)是根据本发明实施例所述的林地退化监测效果图的历史本地数据+变化检测结果;
图2(b)是根据本发明实施例所述的林地退化监测效果图的现时遥感影像+变化检测结果;
图3(a)是根据本发明实施例所述的水域面积萎缩监测效果图的历史本地数据+变化检测结果;
图3(b)是根据本发明实施例所述的水域面积萎缩监测效果图的现时遥感影像+变化检测结果;
图4(a)是根据本发明实施例所述的建筑拆除监测效果图的历史本地数据+变化检测结果;
图4(b)是根据本发明实施例所述的建筑拆除监测效果图的现时遥感影像+变化检测结果;
图5是根据本发明实施例所述的京津冀土地利用数据更新的流程图;
图6(a)是根据本发明实施例天津土地利用覆盖数据的效果图;
图6(b)是根据本发明实施例旱地中新增建筑物的效果图;
图6(c)是根据本发明实施例林地退化的效果图;
图6(d)是根据本发明实施例旱地变水域的效果图;
图7是根据本发明实施例所述的图斑对象特征空间分布示意图;
图8是根据本发明实施例所述的四分位距法示意图;
图9是根据本发明实施例所述的基于历史本底和现时遥感影像的自动变化检测***的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
以变化监测专题(林地退化、水体萎缩和建筑拆除)与京津冀地区土地利用数据更新量两种实际监测场景为例,进行变化检测实施例详细描述。
以变化监测专题中的林地退化、水域面积萎缩和建筑拆除为例,选取2015年历史本底解译矢量数据,2017年GF2融合影像,包括有蓝、绿、红、近红4个波段。
如图1所示,根据本发明实施例所述的一种基于历史本底和现时遥感影像的自动变化检测方法,包括以下步骤:
整理历史本底数据,以所述历史本底数据为引导,将新时期遥感影像数据进行多尺度分割,其中,使用历史本底数据和新时期遥感影像数据避免使用两期遥感影像作为输入,第一避免了两期影像优于数据源、分辨率、时相、辐射等差异带来的干扰;第二抛弃效果不理想的常规两期影像变化分析的方法;第三,充分利用发挥历史本底的作用,一方面,用来引导多尺度分割,获取更加精准和可靠的对象化图斑,为变化分析提供良好的数据基础,另一方面结合不同类别进行定制化分析,构建“语义-场景-规则”的全样本分析方法,“语义-场景-规则”变化分析方法的数据基础是对象化后的全部样本,避免了传统解译和分析方法中通过人工选样本的主观性,全样本作为分析的数据基础,创造良好的统计分析大数据环境,同时将遥感成像、解译理论与统计分析理论相结合,灵活的运用统计分析方法解决遥感监测问题;
具体的,对历史本底矢量数据按业务需求进行类别的综合整理,主要是将土地覆盖类型的二到三级类别统一归纳到一级类别,如耕地、园地、林地、草地、建筑、道路、水体等;例如,在土地利用变化监测业务中建立classname属性字段,将二级土地利用类型水田与旱地的classname字段统一赋值为一级类型耕地,二级土地利用类型河渠、湖泊、水库坑塘等统一归为一级类型水域等;以历史本底矢量数据作为分割的边界引导,对新时期遥感影像数据进行图像多尺度分割,得到多尺度分割结果;
林地退化监测场景,面向的是耕园林草地物类型的变化检测,以15年历史本底矢量数据为引导,选取解译矢量的耕地、园地、林地和草地类别的矢量范围,对2017年融合影像进行耕园林草矢量范围内部的分割,分割后将相似的像素合并为同质图斑对象,同理,对于水体萎缩的监测场景,面向的是水体变化检测方式,选择历史本底解译矢量的水体地类的范围,在融合影像上进行水体矢量内部分割,将相似的像素合并为同质图斑对象,对于建筑拆除监测场景,面向的是建筑变化检测方式,选择历史本底解译矢量的房屋建筑区地类的范围,在融合影像上进行房屋建筑区矢量内部分割,将相似的像素合并为同质图斑对象。
计算多尺度分割结果得出多维特征,其中,多尺度分割结果以下简称图斑对象,计算每个图斑对象所包含像素的特征值,用特征描述图斑对象,利用对象图斑为分析基础单元,避免以像素为分析单元的“椒盐”现象,节省因“椒盐”现象造成的后处理工作;此外,以像素为分析单元,一般仅考虑光谱特征,以对象为变化分析单元,能够考虑更多信息,包括对象图斑的光谱、形状、大小、相邻关系和纹理等信息,从而提高变化检测的精度;
统计分析计算得出的多维特征,查找每个类别中特征维度上的离群点,将其标记为第一疑似变化图斑;
具体的,全部分割图斑的计算得到的多维特征构成了多维大数据分析基础,在每个特征的维度上,假设同类地物图斑的特征相近,则变化图斑的特征偏离在地类中心之外,假设发生变化的图斑数量为小部分,采用不同的统计学的分析方法对每个类别进行统计分析,即找出同一类别中该特征维度上的离群点。
根据所述第一疑似变化图斑通过决策建模得到不同变化概率的第二疑似变化图斑,将所述第二疑似变化图斑去除伪图斑。
具体的,分割后的每个图斑对象通过不同的统计分析方法得到该图斑在某特征维度上是否为疑似变化的标记结果,针对每一个图斑对象进行决策建模,利用决策模型对不同特征维度上利用不同统计方法得到的疑似变化图斑标记结果进行加权投票,最终得到每个图斑发生变化的概率值,概率值越大,表明该图斑发生变化的可能性越大;反之,发生变化的可能性越小。
通过分析模型可以获取对象图斑的统计序列,其中,变化图斑的进一步判定需要通过决策建模进行分析,综合每个特征维度上的标记结果,进行投票决策,票数多的图斑表示发生变化的概率高,票数少的图斑表示发生变化概率低的图斑。
如图8所示,对于一般场景选择四分位间距方法,进行分析,对于已有先验知识统计的情况通过百分比截断方法分析,四分位距法作为经典的统计学方法,用于表示统计资料中各变量的分散情况,可以使用箱线图进行描述,如下:
1)针对旱地,选取其一个特征;
2)找到该特征的中位数;
3)沿这个中位数,向前找25%处的位数;向后找75%的位数;
4)对应可以得到三组数(位序号,数值);
根据理论,四分位差Mk=Xb–Xa,并且认为数值小于M-3*Mk和大于M+3*Mk为偏离区域,
对于已有先验知识统计的情况,决策建模可以给定统计的截断百分比,对于经过分析模型处理的数据,依次从单端(或两端)取总量的百分之比,可以获取更高精度的变化图斑分类。
计算合并后变化第二疑似变化图斑的去伪因子,到目前为止得到的变化第二疑似变化图斑中存在伪变化,例如:由于本底矢量与新时期影像套合精度不高导致套合偏差部分被判定为变化,套合偏差导致的伪变化图斑一般较为狭长,因此计算的去伪因子包括狭长度、紧致度等,针对不同类别存在的伪变化图斑类型,综合去伪因子计算结果,对伪变化图斑进行去除,得到最终变化图斑,对决策结果进行伪变化去除,利用面积、狭长度、紧致度因子,去除不符合要求的伪变化图斑,林地退化、水体萎缩和建筑拆除应用场景变化检测效果分别见图2【图2(a)、图2(b)】、图3【图3(a)、图3(b)】和图4【图4(a)、图4(b)】。
对变化结果进行分析,去除伪变化图斑,变化检测的伪图斑包括数据源造成的伪变化、田埂和道路护坡等非业务上的真变化,其中,数据源造成的伪变化,是由于历史本底数据边界精度较低或者历史本底和影像套和精度较差造成,一般形态是狭长状,且面积较小;田埂和道路护坡等非业务上真变化图斑,形态一般为狭长状。根据伪变化图斑的形态特征,提出利用狭长度、紧致度、图斑面积特征,批量去除伪变化图斑,提高监测的正检率。
决策模型使用,不同类别定制化建里决策模型,确保方法的稳健性和普适性,决策模型包括面向耕林园草变化检测、面向水体变化检测和面向建筑变化检测,普适性较广;面向耕林园草变化检测模型,适用于违法征占农田和地、建筑无规划或超规划开发建设、林地滥砍滥伐和生态红线保护区内非法人类活动等场景;面向水体变化检测模型,适用于水体中监测非法围垦、人类活动遗留痕迹、湖泊面积萎缩和河流变化等场景;面向建筑变化检测模型,适用于规划建筑土地闲置和建筑拆除等场景。
在本发明的一个具体实施例中,以所述历史本底数据为引导,将新时期遥感影像数据进行多尺度分割包括,
将所述新时期遥感影像数据划分为若干区域块;
将所述区域块采用多尺度图像分割算法进行计算,得到对象化的多尺度分割结果。
具体的,现时期遥感图像的多尺度分割即将影像划分为若干个区域块,区域内部各特征差异性最小,以分割得到的区域块为处理对象,采用多尺度图像分割算法,算法输入包括待分割的影像数据、引导分割的历史本底矢量数据,设置分割参数与分割尺度,得到对象化的多尺度分割结果。
在本发明的一个具体实施例中,所述多尺度图像分割算法包括Baatz合并准则、Full Lambda Schedule合并准则和JMB合并准则。
在本发明的一个具体实施例中,该方法还包括:
合并相邻所述第二疑似变化图斑;
将合并后所述第二疑似变化图斑变化概率选取合并中概率较大的所述第二疑似变化图斑的概率值。
具体的,为保证变化区域的完整性,将变化概率大于0的第二疑似变化图斑进行合并相邻第二疑似变化图斑,合并后第二疑似变化图斑的变化概率继承合并中概率较大的第二疑似变化图斑的概率值,考虑实际情况,经常出现多个第二疑似变化图斑指示一处真实变化。
将变化检测得到的第二疑似变化图斑较为破碎,其中,多个破碎第二疑似变化图斑指向同一个变化区域,对相邻的第二疑似变化图斑进行合并处理,合并后第二疑似变化图斑的概率取合并前相邻第二疑似变化图斑的最高概率值。
在每个特征维度上,对所有图斑进行直方图统计,将出现频率小的特征值图斑标记为疑似变化项,将出现频率大的特征值图斑标记为正常项。
分析模型的构建是假设同类地物图斑的特征相近,具有聚集特征,变化图斑偏离在地类中心之外,分析模型的目的是通过数据模型选择相关特征,使偏离更加显著,图斑对象特征在二维空间的分布示意图如图7所示,非变化图斑特征呈现密集分布,变化图斑特征呈现离散分布。
特征离散程度通过中位数偏差加权描述:
1、选取特征,根据相似性分析,从多个特征中挑出异质性最大的X个;
2、找到各特征中位数;
3、计算特征的中位数偏差,如以下公式所示,假如有k个特征,则对应有k列中位数偏差,M是每个特征的中位数,f是每个特征。
(1)中位数偏差加权,使用均值权重(即3个特征,权重值为1/3),可以得到一列F值,如下:
(2)挑选F中较大值。
对输出变化检测结果进行合并处理,避免后处理冗余工作量,由于变化检测决策模型输出带有概率属性的变化图斑,存在同一地区多个概率图斑和图斑零散问题,因此,对相邻区域的图斑,以大概率的图斑为准进行合并处理,输出整合后变化图斑。
在本发明的一个具体实施例中,所述多维特征包括光谱特征、形状特征、纹理特征、自定义或者辅助特征,其中,光谱特征包括最大值、最小值、均值、中位数、亮度、标准偏差;形状特征包括面积、周长、紧致度、狭长度、长宽比;纹理特征包括灰度共生矩阵熵、对比度、标准差、相关性、均值、同质性、相异性、角二阶矩;辅助特征和自定义特征,根据用户需求而定,例如,参考DSM辅助特征、自定义NDWI特征、自定义NDVI特征,针对不同的地物变化检测场景,选择不同特征,通过统计分析方法,监测出变化图斑。
如图9所示,本发明另一方面,提供一种基于历史本底和现时遥感影像的自动变化检测***,包括:
多尺度分割模块,用于整理历史本底数据,以所述历史本底数据为引导,将新时期遥感影像数据进行多尺度分割;
第一计算模块,用于计算多尺度分割结果;
统计分析模块,用于统计分析计算得出的多维特征,查找每个类别中特征维度上的离群点,将其标记为第一疑似变化图斑;
伪图斑去除模块,用于根据所述第一疑似变化图斑通过决策建模得到不同变化概率的第二疑似变化图斑,将所述第二疑似变化图斑去除伪图斑。
在本发明的一个具体实施例中,所述多尺度分割模块包括,
划分模块,用于将所述新时期遥感影像数据划分为若干区域块;
第二计算模块,用于将所述区域块采用多尺度图像分割算法进行计算,得到对象化的多尺度分割结果。
在本发明的一个具体实施例中,所述多尺度图像分割算法包括Baatz合并准则、Full Lambda Schedule合并准则和JMB合并准则。
在本发明的一个具体实施例中,该***还包括:
合并模块,用于合并相邻所述第二疑似变化图斑;
选取模块,用于将合并后所述第二疑似变化图斑变化概率选取合并中概率较大的所述第二疑似变化图斑的概率值。
在本发明的一个具体实施例中,所述多维特征包括光谱特征、几何特征和灰度特征,其中,所述光谱特征包括光谱最大值、最小值、均值、中位数、亮度、标准偏差、植被指数和水体指数;所述几何特征包括长宽比、面积、周长、狭长度、紧致度;所述灰度特征包括基于灰度共生矩阵的熵和对比度。
为了方便理解本发明的上述技术方案,以下通过具体使用方式上对本发明的上述技术方案进行详细说明。
在具体使用时,根据本发明所述的基于历史本底和现时遥感影像的自动变化检测方法,如图5所示,选取京津冀地区2015年土地利用覆盖矢量数据、2017年以及2018年高分一号WFV多光谱彩色影像,影像数据包含蓝、绿、红、近红外4个波段,成像时间相近,2015年土地利用覆盖矢量数据土地利用类型包含耕地,林地,草地,水域,城乡、工矿、居民地6个一级地类以及22个二级地类。
整理本底解译矢量数据:新建文本字段“classname”,将历史本底解译矢量中22个二级地物类型矢量图斑归纳整理为耕地,林地,草地,水域,城乡、工矿、居民地及未利用地6个一级地类编码;
遥感影像变化发现:变化发现监测过程包括矢量引导分割、图斑特征计算、统计分析、投票决策、图斑合并;
伪变化去除;京津冀地区土地利用数据更新应用场景变化检测效果见图6【图6(a)、图6(b)、图6(c)、图6(d)】;
交互式编辑数据更新:对于自动变化检测获得的疑似变化图斑,结合影像实际情况人工交互式目视判读解译,对发生变化的矢量图斑进行编辑更新,具体操作包括局部串接、节点编辑、矢量图斑切割合并等;
质量检查:对人工交互编辑更新后的矢量结果进行图形和属性的检查,图形检查包括数据完整性、规范性等;其次,是图形拓扑正确性,保证无“面空洞”、“面重叠”、“相交”、“打折”等拓扑错误,属性检查主要为检查矢量成果数据属性的完整性,保证无“属性空值”;对于存在问题的数据,可通过软件自动修复或返回数据更新人员进行修改,处理后的数据再次检查迭代,直至最终成果达到数据成功质量要求;
外业实地核查:对于内业人工目视判读无法确定的变化类型,采取人工外业实地核查的方式进行确认,核查结果反馈数据更新处理人员进行数据更新。
综上所述,借助于本发明的上述技术方案,不仅避免了传统解译和分析方法中通过人工选样本的主观性,而且灵活的运用统计分析方法解决遥感监测问题;提高变化检测的精度;针对不同的地物变化检测场景,选择不同特征,通过统计分析方法,监测出变化图斑;提高变化发现的正检率。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于历史本底和现时遥感影像的自动变化检测方法,其特征在于,包括以下步骤:
整理历史本底数据,以所述历史本底数据为引导,将新时期遥感影像数据进行多尺度分割;
计算多尺度分割结果;
统计分析计算得出的多维特征,查找每个类别中特征维度上的离群点,将其标记为第一疑似变化图斑;
根据所述第一疑似变化图斑通过决策建模得到不同变化概率的第二疑似变化图斑,将所述第二疑似变化图斑去除伪图斑。
2.根据权利要求1所述的基于历史本底和现时遥感影像的自动变化检测方法,其特征在于,以所述历史本底数据为引导,将新时期遥感影像数据进行多尺度分割包括,
将所述新时期遥感影像数据划分为若干区域块;
将所述区域块采用多尺度图像分割算法进行计算,得到对象化的多尺度分割结果。
3.根据权利要求2所述的基于历史本底和现时遥感影像的自动变化检测方法,其特征在于,所述多尺度图像分割算法包括Baatz合并准则、Full Lambda Schedule合并准则和JMB合并准则。
4.根据权利要求1所述的基于历史本底和现时遥感影像的自动变化检测方法,其特征在于,该方法还包括:
合并相邻所述第二疑似变化图斑;
将合并后所述第二疑似变化图斑变化概率选取合并中概率较大的所述第二疑似变化图斑的概率值。
5.根据权利要求1-4任一项所述的基于历史本底和现时遥感影像的自动变化检测方法,其特征在于,所述多维特征包括光谱特征、形状特征和纹理特征,其中,所述光谱特征包括最大值、最小值、均值、中位数、亮度、标准偏差;所述形状特征包括面积、周长、紧致度、狭长度和长宽比;所述纹理特征包括灰度共生矩阵熵、对比度、标准差、相关性、均值、同质性、相异性和角二阶矩。
6.一种基于历史本底和现时遥感影像的自动变化检测***,其特征在于,包括:
多尺度分割模块,用于整理历史本底数据,以所述历史本底数据为引导,将新时期遥感影像数据进行多尺度分割;
第一计算模块,用于计算多尺度分割结果;
统计分析模块,用于统计分析计算得出的多维特征,查找每个类别中特征维度上的离群点,将其标记为第一疑似变化图斑;
伪图斑去除模块,用于根据所述第一疑似变化图斑通过决策建模得到不同变化概率的第二疑似变化图斑,将所述第二疑似变化图斑去除伪图斑。
7.根据权利要求6所述的基于历史本底和现时遥感影像的自动变化检测***,其特征在于,所述多尺度分割模块包括,
划分模块,用于将所述新时期遥感影像数据划分为若干区域块;
第二计算模块,用于将所述区域块采用多尺度图像分割算法进行计算,得到对象化的多尺度分割结果。
8.根据权利要求7所述的基于历史本底和现时遥感影像的自动变化检测***,其特征在于,所述多尺度图像分割算法包括Baatz合并准则、Full Lambda Schedule合并准则和JMB合并准则。
9.根据权利要求6所述的基于历史本底和现时遥感影像的自动变化检测***,其特征在于,该***还包括:
合并模块,用于合并相邻所述第二疑似变化图斑;
选取模块,用于将合并后所述第二疑似变化图斑变化概率选取合并中概率较大的所述第二疑似变化图斑的概率值。
10.根据权利要求6-9任一项所述的基于历史本底和现时遥感影像的自动变化检测***,其特征在于,所述多维特征包括光谱特征、形状特征和纹理特征,其中,所述光谱特征包括最大值、最小值、均值、中位数、亮度、标准偏差;所述形状特征包括面积、周长、紧致度、狭长度和长宽比;所述纹理特征包括灰度共生矩阵熵、对比度、标准差、相关性、均值、同质性、相异性和角二阶矩。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910617203.8A CN110472661B (zh) | 2019-07-10 | 2019-07-10 | 基于历史本底和现时遥感影像的自动变化检测方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910617203.8A CN110472661B (zh) | 2019-07-10 | 2019-07-10 | 基于历史本底和现时遥感影像的自动变化检测方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110472661A true CN110472661A (zh) | 2019-11-19 |
CN110472661B CN110472661B (zh) | 2023-04-28 |
Family
ID=68507563
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910617203.8A Active CN110472661B (zh) | 2019-07-10 | 2019-07-10 | 基于历史本底和现时遥感影像的自动变化检测方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110472661B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111060949A (zh) * | 2019-12-11 | 2020-04-24 | 山东省科学院海洋仪器仪表研究所 | 一种由海洋环境参数估计海水放射性核素检测数据本底的方法 |
CN111259955A (zh) * | 2020-01-15 | 2020-06-09 | 国家测绘产品质量检验测试中心 | 一种地理国情监测成果可靠性质检方法及*** |
CN111597377A (zh) * | 2020-04-08 | 2020-08-28 | 广东省国土资源测绘院 | 基于深度学习技术的野外调查方法、*** |
CN112749245A (zh) * | 2021-01-07 | 2021-05-04 | 北京码牛科技有限公司 | 一种一标三实信息管理方法、装置和电子设备 |
CN113033401A (zh) * | 2021-03-25 | 2021-06-25 | 生态环境部卫星环境应用中心 | 一种面向生态保护红线的人类活动变化识别监管方法 |
CN113392255A (zh) * | 2021-05-21 | 2021-09-14 | 广东国地规划科技股份有限公司 | 一种生态修复项目中的图斑的自动匹配方法及装置 |
CN113807301A (zh) * | 2021-09-26 | 2021-12-17 | 武汉汉达瑞科技有限公司 | 一种新增建设用地自动提取方法及自动提取*** |
CN114092025A (zh) * | 2021-09-30 | 2022-02-25 | 广东省国土资源测绘院 | 一种临时用地全生命周期监测方法 |
CN114119575A (zh) * | 2021-11-30 | 2022-03-01 | 二十一世纪空间技术应用股份有限公司 | 一种空间信息变化检测方法及*** |
CN116186144A (zh) * | 2023-03-14 | 2023-05-30 | 中国自然资源航空物探遥感中心 | 矿山遥感监测数据的格式化自动处理方法及*** |
CN116778104A (zh) * | 2023-08-16 | 2023-09-19 | 江西省国土资源测绘工程总院有限公司 | 一种动态遥感监测的测绘方法及*** |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101661497A (zh) * | 2009-09-10 | 2010-03-03 | 北京农业信息技术研究中心 | 遥感土地利用变化检测方法及*** |
US20100098342A1 (en) * | 2008-10-16 | 2010-04-22 | Curators Of The University Of Missouri | Detecting geographic-area change using high-resolution, remotely sensed imagery |
US20100272357A1 (en) * | 2006-07-28 | 2010-10-28 | University Of New Brunswick | Method of image segmentation |
CN102073879A (zh) * | 2010-12-02 | 2011-05-25 | 南京大学 | 基于半监督学习的海岸海洋遥感影像特征地类的识别方法 |
CN102254319A (zh) * | 2011-04-19 | 2011-11-23 | 中科九度(北京)空间信息技术有限责任公司 | 一种多层次分割的遥感影像变化检测方法 |
CN104899897A (zh) * | 2015-05-27 | 2015-09-09 | 中国科学院地理科学与资源研究所 | 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 |
US20150294155A1 (en) * | 2014-04-15 | 2015-10-15 | Open Range Consulting | System and method for assessing rangeland |
CN105225227A (zh) * | 2015-09-07 | 2016-01-06 | 中国测绘科学研究院 | 遥感影像变化检测的方法及*** |
CN106384081A (zh) * | 2016-08-30 | 2017-02-08 | 水利部水土保持监测中心 | 一种基于高分辨率遥感影像的坡耕地提取方法和*** |
WO2018107939A1 (zh) * | 2016-12-14 | 2018-06-21 | 国家***第二海洋研究所 | 一种基于边缘完备度的图像分割最优识别方法 |
US10325370B1 (en) * | 2016-05-31 | 2019-06-18 | University Of New Brunswick | Method and system of coregistration of remote sensing images |
-
2019
- 2019-07-10 CN CN201910617203.8A patent/CN110472661B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100272357A1 (en) * | 2006-07-28 | 2010-10-28 | University Of New Brunswick | Method of image segmentation |
US20100098342A1 (en) * | 2008-10-16 | 2010-04-22 | Curators Of The University Of Missouri | Detecting geographic-area change using high-resolution, remotely sensed imagery |
CN101661497A (zh) * | 2009-09-10 | 2010-03-03 | 北京农业信息技术研究中心 | 遥感土地利用变化检测方法及*** |
CN102073879A (zh) * | 2010-12-02 | 2011-05-25 | 南京大学 | 基于半监督学习的海岸海洋遥感影像特征地类的识别方法 |
CN102254319A (zh) * | 2011-04-19 | 2011-11-23 | 中科九度(北京)空间信息技术有限责任公司 | 一种多层次分割的遥感影像变化检测方法 |
US20150294155A1 (en) * | 2014-04-15 | 2015-10-15 | Open Range Consulting | System and method for assessing rangeland |
CN104899897A (zh) * | 2015-05-27 | 2015-09-09 | 中国科学院地理科学与资源研究所 | 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 |
CN105225227A (zh) * | 2015-09-07 | 2016-01-06 | 中国测绘科学研究院 | 遥感影像变化检测的方法及*** |
US10325370B1 (en) * | 2016-05-31 | 2019-06-18 | University Of New Brunswick | Method and system of coregistration of remote sensing images |
CN106384081A (zh) * | 2016-08-30 | 2017-02-08 | 水利部水土保持监测中心 | 一种基于高分辨率遥感影像的坡耕地提取方法和*** |
WO2018107939A1 (zh) * | 2016-12-14 | 2018-06-21 | 国家***第二海洋研究所 | 一种基于边缘完备度的图像分割最优识别方法 |
Non-Patent Citations (2)
Title |
---|
卢鹏 等: "基于高分辨率遥感影像的林地变化图斑检测方法研究", 《林业调查规划》 * |
李春干: "基于面向对象变化向量分析法的遥感影像森林变化检测", 《国土资源遥感》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111060949A (zh) * | 2019-12-11 | 2020-04-24 | 山东省科学院海洋仪器仪表研究所 | 一种由海洋环境参数估计海水放射性核素检测数据本底的方法 |
CN111060949B (zh) * | 2019-12-11 | 2022-06-21 | 山东省科学院海洋仪器仪表研究所 | 一种由海洋环境参数估计海水放射性核素检测数据本底的方法 |
CN111259955B (zh) * | 2020-01-15 | 2023-12-08 | 国家测绘产品质量检验测试中心 | 一种地理国情监测成果可靠性质检方法及*** |
CN111259955A (zh) * | 2020-01-15 | 2020-06-09 | 国家测绘产品质量检验测试中心 | 一种地理国情监测成果可靠性质检方法及*** |
CN111597377A (zh) * | 2020-04-08 | 2020-08-28 | 广东省国土资源测绘院 | 基于深度学习技术的野外调查方法、*** |
CN112749245A (zh) * | 2021-01-07 | 2021-05-04 | 北京码牛科技有限公司 | 一种一标三实信息管理方法、装置和电子设备 |
CN113033401A (zh) * | 2021-03-25 | 2021-06-25 | 生态环境部卫星环境应用中心 | 一种面向生态保护红线的人类活动变化识别监管方法 |
CN113392255A (zh) * | 2021-05-21 | 2021-09-14 | 广东国地规划科技股份有限公司 | 一种生态修复项目中的图斑的自动匹配方法及装置 |
CN113392255B (zh) * | 2021-05-21 | 2022-02-08 | 广东国地规划科技股份有限公司 | 一种生态修复项目中的图斑的自动匹配方法及装置 |
CN113807301A (zh) * | 2021-09-26 | 2021-12-17 | 武汉汉达瑞科技有限公司 | 一种新增建设用地自动提取方法及自动提取*** |
CN113807301B (zh) * | 2021-09-26 | 2024-06-07 | 武汉汉达瑞科技有限公司 | 一种新增建设用地自动提取方法及自动提取*** |
CN114092025A (zh) * | 2021-09-30 | 2022-02-25 | 广东省国土资源测绘院 | 一种临时用地全生命周期监测方法 |
CN114119575B (zh) * | 2021-11-30 | 2022-07-19 | 二十一世纪空间技术应用股份有限公司 | 一种空间信息变化检测方法及*** |
CN114119575A (zh) * | 2021-11-30 | 2022-03-01 | 二十一世纪空间技术应用股份有限公司 | 一种空间信息变化检测方法及*** |
CN116186144A (zh) * | 2023-03-14 | 2023-05-30 | 中国自然资源航空物探遥感中心 | 矿山遥感监测数据的格式化自动处理方法及*** |
CN116186144B (zh) * | 2023-03-14 | 2023-10-27 | 中国自然资源航空物探遥感中心 | 矿山遥感监测数据的格式化自动处理方法及*** |
CN116778104A (zh) * | 2023-08-16 | 2023-09-19 | 江西省国土资源测绘工程总院有限公司 | 一种动态遥感监测的测绘方法及*** |
CN116778104B (zh) * | 2023-08-16 | 2023-11-14 | 江西省国土资源测绘工程总院有限公司 | 一种动态遥感监测的测绘方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN110472661B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110472661A (zh) | 基于历史本底和现时遥感影像的自动变化检测方法和*** | |
El-naggar | Determination of optimum segmentation parameter values for extracting building from remote sensing images | |
Zhu et al. | Construction of membership functions for predictive soil mapping under fuzzy logic | |
Cooper et al. | Object-based correction of LiDAR DEMs using RTK-GPS data and machine learning modeling in the coastal Everglades | |
Bauer et al. | Per-parcel land use classification in urban areas applying a rule-based technique | |
Bárdossy et al. | Fuzzy rule-based classification of remotely sensed imagery | |
Wang et al. | Estimation of soil salt content using machine learning techniques based on remote-sensing fractional derivatives, a case study in the Ebinur Lake Wetland National Nature Reserve, Northwest China | |
Wu et al. | Geo-object-based soil organic matter mapping using machine learning algorithms with multi-source geo-spatial data | |
CN102184423B (zh) | 一种全自动的区域不透水面遥感信息精确提取方法 | |
CN107688818A (zh) | 一种基于卫星遥感影像特征分析的路径智能选择方法及*** | |
CN111667183A (zh) | 一种耕地质量监测方法及*** | |
Hu et al. | Integrating CART algorithm and multi-source remote sensing data to estimate sub-pixel impervious surface coverage: a case study from Beijing Municipality, China | |
Duan et al. | Mapping the soil types combining multi-temporal remote sensing data with texture features | |
Nadiri et al. | Formulating Convolutional Neural Network for mapping total aquifer vulnerability to pollution | |
Liu et al. | Land use and land cover mapping in China using multimodal fine-grained dual network | |
Liu et al. | Spatial-temporal hidden Markov model for land cover classification using multitemporal satellite images | |
CN117475314B (zh) | 一种地质灾害隐患立体识别方法、***及介质 | |
Maynard et al. | Digital mapping of ecological land units using a nationally scalable modeling framework | |
Engstrom et al. | Evaluating the Relationship between Contextual Features Derived from Very High Spatial Resolution Imagery and Urban Attributes: A Case Study in Sri Lanka | |
Almeida et al. | Multilevel object-oriented classification of quickbird images for urban population estimates | |
Ghasemloo et al. | Road and tunnel extraction from SPOT satellite images using neural networks | |
CN102622345B (zh) | 多源时空数据协同的高精度土地利用遥感更新技术 | |
Hengl et al. | Pixel and colour mixture: GIS techniques for visualisation of fuzziness and uncertainty of natural resource inventories | |
CN116183868A (zh) | 一种复杂生态***土壤有机碳遥感估算方法及*** | |
Ebrahimy et al. | Modeling dynamic changes of Land Use with Object Based Image Analysis and CA-Markov approach (Case study: Shiraz city) |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |