城市高分辨率遥感影像房屋提取与变化监测 - 图文(7)

城市高分辨率遥感影像房屋提取与变化监测

（a） （b） （c） （d） （e） （f） 图3-5 优化分割阈值后MBI算法房屋提取结果 表3-5 经优化分割阈值后MBI算法房屋提取精度

制图精度PA（%） 用户精度UA（%）

华盛顿波多马克大街 厦门市光电路

2009年10月29日

中南大学新校区化学楼

2012年9月14日 2015年4月14日

86.17 41.86 48.56

93.72 95.51 88.34

87.71 65.58 59.26

92.89 88.94 79.05

91.15 86.41 78.05

0.8025 0.4365 0.3921

拍摄时间

房屋

2013年4月20日 2014年4月13日 2008年7月11日

92.00 75.38 83.01

非房屋 94.80 95.96 97.72

房屋 56.32 71.67 88.24

非房屋 99.39 96.64 96.55

94.61 93.50 95.21

0.6709 0.6978 0.8268

OA（%）

Kappa

第 22 页 共 32 页

城市高分辨率遥感影像房屋提取与变化监测

3.4 变化监测

经过本文前述步骤的处理之后，得到个各组遥感影像的最佳提取结果。其结果为被分为两类的二值图像，分别为房屋像元和非房屋像元。为了检测出同一地区不同时相的遥感影像中发生变化部分的房屋本文提出了两种方案，方案一：基于图像差分的变化目标检测；方案二：基于连通域重合度的变化目标检测。

1.图像差分[22]。将两幅不同时相的遥感影像，经过MBI算法提取且进行分类后处理之后，进行相减，得到差分结果。图像差分的表达式为：

Dif(x,y)?MBIcurt?MBIhistr （3-22）

其中，MBIcurt为某地区当前的遥感影像经过MBI算法及分类后处理的房屋提取结果，

MBIhistr为当地相同范围的历史遥感影像经过MBI算法及分类后处理的房屋提取结果。

2.图像连通域重合度，定义为两幅二值图像中，经过标记连通域，对两幅图像进行叠加，两幅图像的两个连通域，它们相交不为空，则称两个连通域重合，其重合度定义为：

Ci?Overlapi （3-23） Labi其中，Overlapi为第i个连通域中的重合部分的像元个数，Labi为第i个连通域的像元个数。由于本文所使用的多时相遥感影像同一地物的偏离程度不同，所以连通域重合度的阈值设置也需要根据具体情况而定。

本文所使用的同一地区不同时相的遥感影像，虽然分辨率相同，但是由于实际工作中，获取卫片时采用的是倾斜摄影，导致了影像中的房屋像元，同时包含了房屋的顶部与侧面，所以同一建筑在不同时相的遥感图像中，尽管它没有空间上的变化，如房屋加层垒高、占地面积扩张等，但是传感器的倾角与倾斜方向不尽相同，其房屋侧面在遥感图像中所占的面积也各有不同，故而本算法中两种方案都需要将这些因素考虑进去。

在方案一里，基于图像差分的变化监测计算结果中，要将两幅影像中同一座房屋在作差分运算之后，对其未重合的边缘部分进行剔除，一般它们不重合的边缘面积会在一定的范围内，因此，可以参照本文前述的用几何特征来对房屋进行筛选的方法，从而去两幅影像中同一座房屋未重合的边缘部分。

第 23 页 共 32 页

城市高分辨率遥感影像房屋提取与变化监测

在方案二中，由于两幅影像中同一座房屋的位置有所偏移，如果单纯考虑将有重合部分的连通域认为是同一座房屋，从而进行剔除的话，会使实际上不是同一座房屋，而在两幅影像叠加的结果中有相交部分的房屋进行剔除，从而使监测结果发生错误。因此应根据实际情况，当两个连通域重合部分占连通域总体的百分比（也即是重合度）大于某一个确定的阈值时，认为它们是同一座房屋，从而进行剔除，保留两幅图中发生变化的部分，以达到变化监测的目的。

图3-6为方案一，基于图像差分的变化监测结果，实验中已经对未重合边缘做了后处理，将他们与用参考图作差分变化监测的结果作对比。其中表格上半部分为MBI算法的监测结果，下半部分为参考图的监测结果。从图中可以看出，监测结果的好坏与MBI算法提取的精度高低有着直接的关系。

图3-6 差分图像算法的监测结果

方案一的缺点是，分类后处理时是依据未重合边缘的面积大小来进行筛选的，如果占地面积比较大的建筑其边缘未重合部分的面积常常也比较大，因此，方案一对占地面积较小的建筑变化情况不敏感，常常会忽略掉占地面积小的建筑的变化；其优点是计算

第 24 页 共 32 页

城市高分辨率遥感影像房屋提取与变化监测

量小。

图3-7为方案二，基于连通域重合度的变化监测结果。图中列出了两幅不同时相的遥感影像经过MBI算法进行房屋提取后，对其进行重叠显示的效果图，以及变化监测的结果。

图3-7 基于连通域重合度的MBI算法房屋变化监测

从图3-7中可以看到，基于连通域重合度的变化监测算法结果精度也与MBI算法提取房屋的精度高低有直接关系。方案二的算法优点是能够减少房屋尺度大小的影像，对占地面积较小的房屋的变化也具有一定的灵敏性，对占地面积大的房屋发生的变化也能较准确地检测到；缺点是算法复杂，计算量大，耗费的时间长，并且在有占地面积小的房屋与占地面积大的房屋并存的遥感影像中，不能很好的去除一些面积大小同小面积房屋相近的非房屋图斑。

所以提高房屋变化监测的精度主要在提高MBI算法提取房屋的精度，以下将参考图的变化监测结果运用方案二来实现。如图3-8所示。

第 25 页 共 32 页

城市高分辨率遥感影像房屋提取与变化监测

图3-8 参考图基于连通域重合度的变化监测结果

对比图3-6中方案一对参考图的变化监测结果，方案二能够更好的保留变化的细节，同时也保留了MBI提取结果的原始边缘；方案二的缺点是，如果未发生变化的房屋与发生变化的房屋的连通域有细小的连接部分，则会将变化的部分也剔除掉了，其解决的办法是，用一个很小的结构元素去对MBI的提取结果进行开运算或者是腐蚀运算，从而断开了细小的连接部分，将一个连通域分开，成为了两个独立的连通域。

为了直观地表示发生变化的部分，本文将使用两种方法对变化部分进行标记。方法一：利用形态学差分运算进行边缘提取；方法二：利用连通域的几何角点在原图上勾选出变换区域。图3-9为两种方法进行变化区域标记的结果图，其中上半部分显示的是利用形态学差分算法进行边缘提取的标记结果，下半部分为利用连通域八个几何角点（左上，上左，上右，右上，右下，下右，下左，左下）绘制的多边形。对比两种方法，方法一可以根据发生变化的建筑的形状，紧贴图像，绘制边缘曲线；而方法二只能紧靠角点，依据八个角点的性质，绘制凸多边形，不能绘制凹多边形。

第 26 页 共 32 页

百度搜索“77cn”或“免费范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，免费范文网，提供经典小说综合文库城市高分辨率遥感影像房屋提取与变化监测 - 图文(7)在线全文阅读。