论文部分内容阅读
地表覆盖和土地利用变化信息在土地复垦、城市扩张、灾害监控和评估以及土地规划和管理等实际应用中都具有重要作用。由于遥感技术能够快速获取大范围区域影像的优势,利用遥感影像变化检测能够准确、及时的获取土地利用变化信息,为城市规划和可持续发展提供依据。随着遥感数据分辨率的大幅度提高,高分辨率遥感影像在变化检测技术处理方面有着不同于传统方法的特点和挑战。针对高分辨率影像空间信息量大、不同地物光谱相互重叠以及训练样本标记代价大等问题,本文以面向对象的变化检测思想为基础,利用多尺度影像分割并提取多种光谱、纹理和形状特征,引入主动学习思想,与支持向量机(Support Vector Machine,SVM)相结合,进行变化范围检测,并通过序列光谱变化矢量分析(Sequential Spectral CVA,S~2CVA)进行变化类型检测,主要研究内容如下:(1)为了充分考虑不同尺度地物的特性以及高分辨率遥感影像的空间信息,利用基于区域邻接图的影像分割方法,对影像进行多尺度层次的分割,得到不同尺度的影像对象,并提取各层次对象的光谱、纹理和形状特征,通过随机森林特征选择方法确定最优特征矢量,获取特征变化矢量用于变化检测。(2)针对高分辨率遥感影像变化范围检测,引入主动学习思想,首先利用变化矢量分析(Change Vector Analysis,CVA)计算欧式距离得到的变化强度直方图自动选取初始训练样本,分别利用基于边缘采样(Margin Sampling,MS)的SVM主动学习和基于熵值装袋查询(Entropy Query-By-Bagging,EQB)的SVM主动学习方法,选取信息量丰富的未标记样本进行标注并加入训练样本集,对SVM模型进行训练,优化分类超平面,以实现在减少样本标注成本的同时,提高变化范围检测精度。(3)为了确定变化类型,在得到变化范围的基础上,结合S~2CVA和SVM方法进行自动的多层次变化类型检测,首先通过计算变化像元的变化角度,分析在极坐标系下的变化角度和变化强度的分布,根据其聚类特点,确定主要变化类型并选取各类变化类型的训练样本,利用SVM分类器区分主要变化类型,并对各主要变化类型进行下一层次的迭代分析,直到完成对细小变化类型的区分,确保在变化类型数量未知或类型较多的情况下,实现各类变化类型的检测。最后生成变化热点图,进一步分析变化情况。