高分辨率遥感图像新增建设用地变化图斑自动提取的方法

摘要

本发明公开了一种高分辨率遥感图像新增建设用地变化图斑自动提取的方法，包含如下步骤：输入同一区域不同时期的两幅高分辨率遥感图像，进行几何精校正与相对辐射校正；分别计算两期图像各波段的纹理特征，将该纹理特征与图像的光谱特征逐波段进行差值运算获得差值图像并进行阈值分割，将获得的各波段二值结果图进行逻辑合并；对逻辑合并后的二值结果图依次进行形态学闭运算、孔洞填充和小面积图斑去除处理，获得土地利用变化图斑；对土地利用变化图斑进行区域标记以生成图斑对象，计算新时期遥感图像中各图斑对象的纹理特征，提取新增建设用地变化图斑。本发明主要解决提取新增建设用地这一问题，同时具有探测建设用地内部变化的能力。

说明书

技术领域

本发明涉及一种图像处理方法，特别涉及一种高分辨率遥感图像新增建设用地变化图斑自动提取的方法。

背景技术

近年来，随着我国经济的高速发展以及人口的快速增长，城市规模在不断扩大，建设用地面积激增。城镇建设用地的不断增加，在不同程度上占用了耕地资源。目前我国实行最严格的耕地保护政策，各级政府部门迫切需要掌握准确的土地利用变化信息，特别是农用地转变为建设用地的情况。此外，及时准确的建设用地变化信息对于城市规划、城市扩展、城市环境（热岛效应、城市水文特征）等研究和应用领域具有重要价值。随着遥感技术的发展，遥感图像的空间分辨率不断提高，利用高空间分辨率遥感图像检测土地利用变化信息，实现建设用地的动态监测与监察，已成为解决这一问题的主要手段。

目前高分辨率遥感图像空间分辨率已达到亚米级，如QuickBird、WorldView、GeoEye等，其纹理信息丰富，但光谱分辨率却略显不足。针对中低分辨率遥感图像的变化检测方法多利用图像的光谱信息探测变化像元，在高分辨率遥感图像中，建设用地由于其结构、物质组成显著不同，其光谱特征差异明显，单纯利用光谱特征并不能完整地提取建设用地的变化信息。由于高分辨率遥感图像的细节信息丰富，需要充分挖掘图像中的空间纹理信息，探寻建设用地空间纹理的有效表征，提高变化检测的精度。

变化检测方法主要包括分类后比较和直接比较两大类，前者能直接获得变化图斑的属性信息，但结果受制于图像分类的精度且图像分类过程费时费力，在实际应用中多采用直接比较的方法获取土地利用变化信息，如差值法、比值法、变化向量法等。直接比较的变化检测方法运算速度快，且能有效探测土地利用变化信息，但通过该方法获得的土地利用变化信息中往往包含多种土地利用变化类型，而在国土资源、城市规划等应用领域中最为关心的是新增建设用地变化图斑，因此在这些的应用领域中，需要在获得的土地利用变化图斑中进一步筛选出新增建设用地变化图斑。

发明内容

发明目的：针对上述现有技术存在的问题和不足，本发明的目的是提供一种从高分辨率遥感图像中自动提取新增建设用地变化图斑的方法，主要解决提取新增建设用地这一问题，同时具有探测建设用地内部变化的能力。

技术方案：为实现上述发明目的，本发明采用的技术方案为一种高分辨率遥感图像新增建设用地变化图斑自动提取的方法，其特征在于包含如下步骤：

（1）输入同一区域不同时期的两幅高分辨率遥感图像，进行几何精校正与相对辐射校正；

（2）分别计算两期图像各波段的纹理特征，将该纹理特征与图像的光谱特征逐波段进行差值运算获得差值图像，对差值图像进行阈值分割，并将获得的各波段二值结果图进行逻辑合并；

（3）对所述步骤（2）中逻辑合并后的二值结果图依次进行形态学闭运算、孔洞填充和小面积图斑去除处理，获得土地利用变化图斑；

（4）对所述步骤（3）中的土地利用变化图斑进行区域标记以生成图斑对象，计算新时期遥感图像中各图斑对象的纹理特征，该纹理特征包括纹理均值和内外纹理差异，将各图斑对象的纹理均值和内外纹理差异分别与设定的第一阈值和第二阈值比较，若图斑对象的纹理均值大于第一阈值或图斑对象的内外纹理差异大于第二均值，则将该图斑对象视为新增建设用地变化图斑。

进一步地，所述步骤（2）中的纹理特征是指遥感图像各波段灰度共生矩阵纹理的方差特征。

进一步地，所述步骤（2） 中的阈值分割采用均值标准差法，将满足判别条件的像元视为变化像元，赋值为1，否则视为无变化像元，赋值为0，判别公式为：

式中，和分别为阈值分割前后的像元值，M和STD分别为差值图像的均值和标准差，T为需要通过人工设定的倍率值（建议取值范围为[-2，2]）。

进一步地，所述步骤（2）中各波段二值结果图的逻辑合并指在各波段差值图像进行阈值分割后生成的二值结果图中，只要有一个波段的像元值为1，则将该像元视为变化像元。

进一步地，所述步骤（4）中采用区域标记的方法追踪相互连通的土地利用变化像元生成土地利用变化图斑对象，图斑对象的纹理特征是指新时期遥感图像中灰度共生矩阵纹理的方差特征，图斑对象的内外纹理差异指图斑对象外层像元纹理均值与内层像元纹理均值的差异。内层像元的获取方法为对图斑对象进行形态学腐蚀操作，腐蚀结果为内层像元。外层像元则为被腐蚀的像元集合。

进一步地，所述步骤（1）中几何精校正方法为多项式几何模型法，相对辐射校正方法为直方图匹配法。

进一步地，所述步骤（3）中需要依次进行三项后处理步骤以生成完整的、有意义的变化图斑。首先利用形态学闭运算连接狭窄缺口得到闭合的变化图斑，而后利用孔洞填充生成完整的变化图斑，最后根据实际应用需求，去除无意义的小面积图斑。

有益效果：本发明采用由粗到精的提取思路，方法简洁、快速。首先充分利用高分辨率遥感图像的光谱信息和表征建设用地特征的纹理信息，在差值运算的基础上，辅以形态学、图形处理等后处理方式，快速提取完整、有意义的土地利用变化图斑。而后，在土地利用变化图斑中，采用面向对象的分析手段，基于新时期遥感图像中建设用地的纹理表征，筛选新增建设用地变化图斑。运算过程无需只需设定少量阈值，自动化程度较高。

附图说明

图1为本发明的流程图；

图2为同一区域前期的遥感图像；

图3为同一区域后期的遥感图像；

图4为利用计算机编程语言实现的本发明结果图像。

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

本发明的基本思路为：设计一种由粗到精的高分辨率遥感图像新增建设用地变化图斑自动提取方法。其主要过程为：输入两期不同时期遥感图像，进行预处理后，计算各波段的灰度共生矩阵纹理特征（方差，Variance），将纹理与光谱特征图像逐波段进行差值运算，采用均值标准差法对差值图像进行阈值分割，将获得的各波段二值图进行逻辑合并，生成二值土地利用变化检测结果并对其形态学、图形处理等后续处理之后，得到完整的土地利用变化图斑。而后，采用区域标记的方法生成图斑对象（简称“对象”），采用面向对象的分析手段，计算能有效表征新时期遥感图像中建设用地的纹理特征，在土地利用变化图斑中筛选得到新增建设用地变化图斑。

图像预处理过程中，首先进行几何精校正处理，在两幅遥感图像中均匀选择多个同名点用于多项式几何模型参数的计算，校正误差需控制在0.5个像元以内。然后进行相对辐射校正，以成像效果较好的图像作为参考，另一幅图像作为待匹配图像进行直方图匹配运算，以消除由于传感器、成像时间、大气辐射等导致的图像辐射亮度差异。

计算灰度共生矩阵纹理特征时，采用3×3像元大小的窗口生成灰度共生矩阵，然后计算该矩阵的方差特征f_var作为图像的各波段纹理特征值，计算公式如下：

式中：i，j为灰度值，d，θ分别为灰度共生矩阵的生成步长和方向，为联合条件概率密度，m为的均值，n为灰度值的级数。

为使纹理特征值与光谱特征值具有相同的取值区间，需要对其数据进行标准化处理，计算公式为：

式中，DN，DN’分别为标准化处理前后的像元值，DN_max，DN_min分别为标准化处理之前的最大与最小像元值。

将纹理与光谱特征进行逐波段的差值运算获得差值图像，对单个波段进行差值运算的公式为：

其中x、y分别为像素的横、纵坐标值，k为波段号，为t₁时相k波段图像坐标值为（x，y）的像素值，为t₂时相k波段图像坐标值为（x，y）的像素值，为上述两个像素值的差值。

差值运算后，通过多次实验以检测效果最佳的倍率值T为统一的倍率值采用均值标准差法对各波段的差值图像进行阈值分割，如下式所示，得到相应的二值分割结果图，结果图中，值为1的像元表征变化像元，0值像元则表示无变化像元。

式中，，分别为阈值分割前后的像元值，M，STD为相应波段差值图像的均值与标准差。由于不同波段所包含的信息特征存在差异，其均值和标准差等统计值也存在相应差异，在设定相同倍率值的情况下，采用均值标准差方法进行阈值分割，可以自适应地得到各波段相宜的阈值。

对获得的各波段的二值结果图进行逻辑合并运算，即在各层的二值结果中，只要有一层的像元值为1，则该像元的值为1，视为最终的变化像元。针对全图逐像元进行逻辑合并后生成土地利用变化检测结果。采用逻辑合并的优点在于能最大程度应用各波段的光谱和相应纹理信息，降低漏检的概率。

逻辑合并后的结果中，由于高分辨率遥感图像结构信息复杂，土地利用变化图斑比较破碎，且存在较多的小面积无意义图斑，需进一步进行后处理以得到完整、有意义的土地利用变化图斑。首先，以7×7元像元大小的窗口为结构元素，对土地利用变化检测结果二值图进行形态学闭运算处理（先膨胀后腐蚀），以连接图斑内的狭窄缺口形成闭合连通区域，同时填充变化图斑内小于结构元素的孔洞。而后，对于变化图斑内部大于结构元素的孔洞，逐个判断连通的无变化像元所组成的区域是否到达图像边界，如果不到达图像边界，则将该区域视为孔洞，将区域内所有像元标记为变化像元，反之，则该区域不为孔洞，仍标记为无变化像元。孔洞填充后，生成了完整的土地利用变化图斑，而后根据实际的业务需求，将小于一定面积的微小变化图斑去除，即将微小变化图斑内像元标记为无变化像元，生成所需的土地利用变化图斑。

土地利用变化图斑包含多种土地利用类型的变化，为得到新增建设用地图斑，需结合新时期遥感图像，在土地利用变化图斑中筛选建设用地图斑。首先通过区域标记的方式追踪各土地利用变化图斑内所有的连通像元，生成变化图斑对象，而后计算图斑对象在新时期遥感图像中的纹理特征进而判断其是否为新增建设用地。为有效地表征高分辨率遥感图像中建设用地的纹理特征，选择对象纹理均值和对象内外纹理差异两个指标。纹理特征采用灰度共生矩阵纹理的方差特征（Variance），该特征对于区域异质性以及复杂结构具有较好的响应。由于建设用地结构复杂，其对象的Variance均值一般高于其他地物类型，然而，也存在部分大面积的均值建设用地，如厂房、停车场等，这类地物的Variance均值并不突出，但是由于这类地物的边缘结构特征明显，对象外围相应的Variance值较高，而内部的均质性较高，对象内部相应的Variance均值较低，通过对象内外纹理差异可以有效地表征这类大面积均值建设用地对象。因此，将对象内外纹理差异定义为图斑对象外层像元纹理均值与内层像元纹理均值的差异。对象内层像元的获取方法为对二值图斑对象进行形态学腐蚀操作（模板设定为5×5像元），腐蚀结果为内层像元。对象外层像元则为被腐蚀的像元集合。利用新时期遥感图像分别计算各图斑对象的纹理均值和内外纹理差异这两个纹理指标后，人工设定相应的两个阈值，而后逐对象地判断是否为建设用地。若对象至少有一个纹理指标大于阈值，则将该对象视为建设用地对象。逐对象判断完毕后，得到所有新增建设用地图斑。

本发明的一个实例在PC平台上实现，经实验验证，该新增建设用地变化图斑自动提取的方法，能够得到较理想的结果。如附图所示，图2与图3为同一区域前后两期的遥感图像，图4是利用计算机编程语言实现的本发明结果，结果显示较大面积的新增建设用地变化图斑得到准确的提取，而其他类型的土地利用变化图斑被有效滤除。