基于Matlab实现遥感图像的变化监测【100012706】

# 基于遥感图像的 Matlab 的变化监测 ## 研究背景和文献综述 及时准确的掌握土地利用和土地变化信息，如耕地面积变化、城市面积扩张等对于国家土地利用政策制定、城市的未来规划及经济建设至关重要。遥感技术以其覆盖面广、获得周期短等特点，在土地利用/覆盖变化检测、城市扩张监测、农作物识别、灾害监测与灾后评估、面积、产量估计等方面得到了广泛应用。[12] 对土地利用和土地覆盖的研究，一直是国内外研究的热点。土地利用和土地覆盖变化（LUCC）是 1994 年作为 IGBP 核心项目发起的，旨在探求“人类和生物物理力量如何影响土地利用和土地覆盖，以及这种变化对于环境和社会的影响如何”。[1] 遥感图像变化检测就是基于不同时期观测的图像或获得的其他辅助数据来检测同一个地区目标物的变化，利用不同时期的影像进行变化检测。[2] 利用中低分辨率影像进行遥感图像的变化检测主要是基于光谱的识别办法，包括了目视解译、遥感影像分类、多时相遥感分类、多源信息复合、混合像元分解等多种手段。 变化检测目前分成 3 个级别：像素级别、特征级别、知识级别。 1）像素级别：对不同时段的遥感影像灰度值对比的方法来获取影像上发生变化的区域。 2）特征级别：构建特征空间提取影像的特征，比较不同时段不同影像的特征空间相似度来确定影像上发生变化的部分。 3）知识级别：主要是构建具有智能化的专家系统，从而对前后期影像上的地物演变进行一定的分析和预测。[4] 遥感影像变化检测方法，依据变化的基本单元划分，可分为基于单个像元波谱值变化的遥感动态检测方法与基于影像分类的遥感动态检测方法。[5]基于像元法以像元作为变化的基本单元，能够精确定位变化的边缘，但较难利用像元间的空间关系，椒盐噪声严重。面向对象法以对象作为变化的基本单元。对象，又称之为像斑，是一系列空间相邻、光谱相似的像元集合。像斑能充分利用像元的空间关系，可较好地抑制椒盐噪声，在高分辨率遥感影像分析中受到重视。[12] 现阶段的研究状态，国内关于土地遥感变化检测的方法主要包括：影像叠加对比法、影像差值法、主成分分析法,以及影像分类法。[5] 面向对象的方法能够综合考虑像元的光谱信息、纹理特征和地表物体空间结构和联系，利用高分辨率影像提取图斑，解决传统的基于像元的识别方法因为“同物异谱和异物同谱”现象而出现“椒盐现象”，是当前高分辨率影像应用的重要方法。[11] 本实验基于在《资源环境遥感》课上所学知识，以及文献调研中所获取的资料，使用主成分分析，变化向量检测等多种方法，使用两个时相的米分辨率影像数据进行变化检测。 ## 实验流程 经过文献调研，我发现变化检测需要经过如下流程： 1.数据预处理，包括对于数据的可用性和质量的评价，对于缺失数据的填补，对于不同时相数据做大气校正、几何精校正或者是相对配准。保证卫星图像的清晰、没有云雾的遮挡，分析前的几何精纠正（正射纠正），使得总误差小于一个像元，某些情况下，对于高分辨率的影响，为了减少数据量，可以将不同时相的数据进行重采样，需要将最后的 RMS 配准结果控制在 0.5 像素一下。如果只有两个时相的数据可以只进行相对配准，而如果出现多幅图像，则需要统一配准到坐标系里面。 2.变化检测，包括使用基于像元的分析方法和基于对象的分析方法，分析不同时相数据的变化情况。将结果进一步使用 Arcgis 和 Envi 进行分级操作。 3.阈值确定，对于第二步所获取的结果，人工或者使用相关算法确定较为合理的阈值。 4.检测结果的精度评价和精度验证，一般情况下需要野外采点获取数据，也可以基于已有的矢量数据，进行评价。或者基于高光谱的数据验证分类之后的结果。 ## 数据预处理 ### 大气纠正 可以采用 FLAASH 模型 ### 几何纠正/图像配准 可以采用历史 TM 影像（具备准确的空间位置，经野外 GPS 验证）作为基准影像，配准方法为多项式变换，配准误差控制在 0.5 个像元以内。 多时相图像的几何配准是指多时相图像的同名像点互相重叠，将一幅图像作为基准图像(晚期图像)，将一张图像作为待配准图像（早期图像），通过选取的控制点采用多项式的方法确定基准图像与待配准图像之间的对应关系，进行几何精纠正（正射纠正），基于三次卷积运算，实现图像的配准，配准的精度至少要小于一个像元。 ### 裁件拼接 如果实验中需要涉及到不同的图幅共同构成变化区域，我们还将需要对于不同图幅的图像进行裁剪拼接。 ### 辐射度匹配和归一化处理 利用多波段遥感数据进行生态环境和土地资源变化识别和监测时,因多时相数据集受到季节性地物辐射变化、太阳光照条件差异、气象条件(大气散射、吸收和云量变化等)波动大等因素影响需要进行辐射的相对归一化处理。[17] 传统的归一化方法是采用基于全景或波谱稳定的子集的统计参数方法,如最大-最小(MM)归一化法、平均标准方差法(MS)、全景简单线性回归法(SR)、直方图匹配(HM)。[27]  图：不同时相 TM 直方图匹配前后的灰度直方图 上：未匹配的早期影像的灰度直方图 中：作为匹配基准的晚期影像灰度直方图 下：经过匹配的早期影像的灰度直方图  图：上图是多时相图像在 TM3 波段的灰度变化直方图， (左图的数据经过直方图匹配，中图的数据没有经过直方图匹配，右图是两种结果的灰度差异直方图) 明显可以看出，如果没有直方图匹配的过程，早期图像的灰度值会偏高 10~30 个灰度单位。 同样的情况发生在其余 TM 波段。说明了在做遥感图像变化检测之前，进行直方图匹配的重要性。 ### 灰度直方图匹配算法 多时相图像的辐射度匹配及归一化处理是通过以基准图像的直方图为基础，将其他图像的直方图与之匹配，即两幅图像的直方图匹配来实现的。 ### SCR 图像匹配算法 像元散点自动控制回归法是 1995 年提出的，进行多时相 TM 影像的相当辐射统一化的方法。 该方法基本思路是简单线性回归法的优化或提高,首先将两期多波段影像中处于近红外(如 TM4:0.76～0.90Lm)通道生成散点图。通过分析水-陆两种特征地物的像元数据集群中心,以连接两中心的直线为基线,向下和向上各扩展一定范围,优选占主体信息量的“未变化(NC)”的像元形成新的影像数据子集。再利用最小二乘方法确定回归线方程,回代拟归一化的