闫从政
摘 要：该文提出了一种变化检测方法，该方法将高分辨率遥感影像与矢量数据相结合，用于地理和国情监测。首先，分析了遥感图像与矢量数据拟合结果的不一致。通过应用矢量数据来辅助分割，提出了一种获得更均匀图像斑块的方法。此外，该文提出了一种基于历史矢量和双时相遥感影像的变化检测方法，并通过实验证明了其可行性。
关键词：矢量数据 像斑 变化检测 多尺度分割
中图分类号：P237 文献标识码：A 文章编号：1672-3791（2020）09（b）-0041-03
Application Research of Remote Sensing and GIS Technology in National Geographic Monitoring
YAN Congzheng
（Guizhou First Institute of Surveying and Mapping， Guiyang， Guizhou Province， 550000 China）
Abstract： This paper presents a change detection method， which combines high-resolution remote sensing images with vector data for geographic and national conditions monitoring. Firstly， the inconsistency between the fitting results of remote sensing image and vector data is analyzed. By using vector data to assist segmentation， a method to obtain more uniform image patches is proposed. In addition， this paper proposes a change detection method based on historical vector and dual temporal remote sensing images， and proves its feasibility through experiments.
Key Words： Vector data; Image speckle; Change detection; Multi-scale segmentation
地理國情监测是基于普查数据的结果，对自然和人文地理要素的空间分布、特征和相互关系进行定量和空间监测，从而获得有关土地覆盖和国情变化的信息。近年来，基于高分辨率遥感影像和数字表面模型（DSM）的地表覆盖信息提取和变化检测已得到广泛应用，地理和国家因素的变化检测已逐渐成为研究热点，并取得了一定的理论意义和结果。
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，从而保证各像斑内的光谱同质性。技术流程见图1。
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。在前文中已做了详细阐述。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。
（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 实验及结果分析
该文采用的实验数据为某地区2016年5月和2018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2016年5月矢量图。实验区大小为1001像元×1003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，紧致度為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。 由数据可知，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2016年影像像斑进行分类。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2018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2所示。变化检测结果如表1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。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] 钟丽蓉.基于地理国情的基本公共服务覆盖率分析评价[J].测绘与空间地理信息，2019（12）：69-72.
[2] 胡芳.北京二号数据在基础性地理国情监测中的适用性分析[J].国土资源导刊，2019（12）：63-66.
[3] 刘荣.面向地理国情普查的城市遥感影像变化监测方法分析[J].现代测绘，2019（11）：15-17.
[4] 陈佳.面向地理国情监测的水系提取研究与分析[D].西安科技大学，2017.
[5] 张治凡.地理国情动态变化监测及其在土地利用价值评估等专题中的应用[D].安徽农业大学，2016.
[6] 王玮.地理国情监测数据变化信息自动识别方法研究[J].测绘与空间地理信息，2019（11）：33-35.
