虢英杰，朱蘭艷

昆明理工大學(xué)國土資源工程學(xué)院，云南 昆明 650093

?

高分辨率遙感影像變化檢測的頻域分析預(yù)處理方法

虢英杰，朱蘭艷

昆明理工大學(xué)國土資源工程學(xué)院，云南 昆明 650093

目前,大多數(shù)高分辨率遙感影像變化檢測方法的效率不高，精度也難以達到實際應(yīng)用要求，本文引入頻域分析的方法進行變化檢測預(yù)處理，達到提高變化信息檢測精度和效率的目標(biāo)。首先，對影像頻域能量的分布特征進行分析，并以此為基礎(chǔ)，利用累加距離匹配函數(shù)，完成試驗影像的合理分塊；其次，通過變化性紋理規(guī)則度的定義和計算，實現(xiàn)對同能量下變化信息的精確描述，縮小變化區(qū)域搜索范圍，有效抑制背景信息對目標(biāo)信息的干擾。最后，通過3種常用的變化檢測方法的驗證，發(fā)現(xiàn)變化檢測預(yù)處理方法可以使檢測算法在現(xiàn)有精度和效率的基礎(chǔ)上有進一步提高。

變化檢測預(yù)處理；頻域分析；變化性紋理規(guī)則度；最優(yōu)分塊

隨著社會與科技的發(fā)展，人類開發(fā)資源與改造自然的能力不斷增強，自然界的變化和人類的各種活動每天都在改變著地表景觀[1]。人口的快速增長及城市化的發(fā)展，更是加快了這種變化的速度[2]。近年來，隨著高分辨率遙感影像的普及化使用和相關(guān)研究的不斷深入，各種變化檢測方法逐漸被發(fā)掘和提出，但由于在大范圍影像中，不同尺度的地物光譜相互重疊，降低了光譜域的統(tǒng)計可分性，使同一地物在不同時相的影像中呈現(xiàn)光譜、空間特征的差異，嚴(yán)重影響變化檢測的效果，從而限制了有較高自動化水平的高分辨率遙感影像變化檢測方法在實際工程中的應(yīng)用[3-5]。有學(xué)者指出：通常變化區(qū)域所占的比例相對較小，變化檢測需要對多時相影像分別進行地物表述，犧牲較大運算量于非變化區(qū)域，而獲取少量變化信息，不僅效率低下，代價高昂，而且容易受到背景信息的干擾[6]；而這也正是許多變化檢測方法之所以難以取得令人滿意的精度和效率的原因所在[7]。

根據(jù)以上分析，本文嘗試從影像地物的視覺特征出發(fā)，在保證地表景觀完整性的前提下，確定影像中主要地物的紋理周期性和方向性，實現(xiàn)影像分塊。以此為基礎(chǔ)，結(jié)合子影像塊的變化性紋理規(guī)則度，完成變化信息所在影像塊的衡量和標(biāo)識，從而縮小變化區(qū)域的搜索范圍，減少非變化信息在空域和頻域中對變化檢測的影響，進一步達到提高變化檢測精度以及工作效率的目的。

1 研究方法

1.1 研究思路

本文以高空間分辨率衛(wèi)星圖像為試驗數(shù)據(jù)，經(jīng)過圖像抑噪等預(yù)處理后，首先對圖像進行二維離散傅里葉變換，通過簡單的圖像變換和數(shù)學(xué)推導(dǎo)進行線狀特征的頻譜分析，證明線狀特征和頻域變換后的譜線之間的方向關(guān)系；然后根據(jù)頻域能量的徑向分布特征和SDMF所表征的周期性，得到圖像分塊的分塊參數(shù)；最后，結(jié)合論文所提出的變化性紋理規(guī)則度，實現(xiàn)有效變化信息的精確表示。完成確定變化信息所在區(qū)域的任務(wù)，為檢測算法在現(xiàn)有的檢測精度和效率的基礎(chǔ)上做進一步提高提供了保障，論文的大致流程如圖1所示。

圖1 引入頻域分析的變化檢測預(yù)處理過程Fig.1 The preprocess of change detection based on frequency spectrum analysis

1.2 影像頻域能量的信息表征

為了定量分析遙感影像的空間頻率及其對應(yīng)能量值所反映的地物紋理、細部結(jié)構(gòu)和邊緣特征，通過二維離散傅里葉變換對影像進行空域向頻域的轉(zhuǎn)換[8]。設(shè)影像的大小為M×N，其二維空域表達為f(x,y)，對應(yīng)的頻域表達為F(u,v)，則二維離散傅里葉變換的數(shù)學(xué)定義式為

(1)

根據(jù)傅里葉變化位移定理，設(shè)影像的變量x,y在二維空間內(nèi)存在位移x-x0和y-y0，那么二維離散傅里葉變化滿足以下關(guān)系

(2)

從式(2)可以看出，時(空)域信號的平移并不能改變其頻率和幅度成分，發(fā)生改變的僅僅是相位譜部分。由于空間域內(nèi)單個條帶圖像必定帶有直流電平的屬性[9]，故其所對應(yīng)的譜線必然會通過頻域平面的中心點，并集中反映在垂直于原特征線方向的譜線上，這一現(xiàn)象稱之為傅氏變換幅度譜的自配準(zhǔn)性質(zhì)[10]。

為了進一步探討影像中地物特征與能量譜線之間的關(guān)系，需要將傅里葉頻譜能量分析和統(tǒng)計方法結(jié)合起來考慮。本文采用文獻[11]中所提出的環(huán)狀采樣和楔狀采樣的方法，假設(shè)(r,θ)為(u,v)平面上的極坐標(biāo)，以采樣間隔為θi≤arctan(v/u)<θi+1，在以頻譜圖中心為原點出發(fā)的扇面上對r進行求和，其關(guān)系為

(3)

則稱Er(θi)為影像頻譜能量的角向分布特征(楔特征)，如圖2(a)所示。

在高分辨率遙感影像中，地物特征線會隨機分布在很多方向上[12]，但根據(jù)傅里葉變換能量譜的自配準(zhǔn)性，相同方向上的特征線無論分布如何，最終其能量總會疊加在一起[13]。而楔狀采樣作為對影像頻域能量分布方向性的描述方法，其角向分布特征曲線的峰值將也必然會出現(xiàn)在與其能量譜的譜線相垂直的方向上。

統(tǒng)計分析兩期影像頻域能量的角向分布后，即可得到兩期試驗影像的角向分布特征曲線[14]，從而表征研究區(qū)域主要地物的排列方向，進一步可確定影像分塊的旋轉(zhuǎn)參數(shù)α。

(4)

則稱Eθ(ri)為影像頻譜能量的徑向分布特征(環(huán)特征)，如圖2(b)所示。

應(yīng)該注意的是，在一幅遙感影像中往往包含有各種周期性成分、非周期成分以及噪聲等信息[15]。在徑向采樣中，除了直流分量外，如果有某一波峰特別突出，往往說明原圖像中包含以該波峰頻率為主頻率的周期成分存在，而且峰值的大小表征了周期性成分的強弱程度[16-18]。

圖2 能量譜的環(huán)狀采樣和楔狀采樣Fig.2 Radius sampling and angle sampling of the frequency spectrum

1.3 影像分塊參數(shù)的確定

大多數(shù)變化檢測方法需要對地表景觀進行完整的描述，這就要求在對影像進行分塊的同時，盡量保證影像中主要地物的完整性，不會因影像分塊導(dǎo)致地物破碎，從而避免影響地物提取精度以及變化檢測精度[19]。傳統(tǒng)影像分塊方式及其效果見圖3。

圖3 傳統(tǒng)影像分塊方式及分塊效果Fig.3 The tradition way of image division and effectiveness

在進行影像分塊的時候，為避免分塊線穿過主要地物，應(yīng)根據(jù)影像的頻譜能量角向分布曲線的峰值θ，對影像進行順時針旋轉(zhuǎn)，使影像中主要地物盡量按照經(jīng)緯方向進行排列，以期在合適的步長下完成對地物的完整分塊。

為了使圖像既有足夠的紋理基元組合，又盡可能形成單一紋理，應(yīng)針對不同影像中主要地物的紋理基元的周期性，設(shè)計影像分塊步長。論文選取累加距離匹配函數(shù)(summed-up distance matching function,SDMF)對圖像紋理基元的周期性進行描述[20]，通過分析影像中紋理基元的周期性，完成分塊步長的選取。

文獻[20]所提出的累加距離匹配函數(shù)，是在犧牲少量計算精度的代價下，提高傳統(tǒng)單窗口灰度共生矩陣(cray level co-occurrence matrix,GLCM)對紋理基元周期性的執(zhí)行效率，其旨在計算影像不同方向間不同步長的亮度差值的累積量，從而判定紋理周期。行方向和列方向上的SDMF分別可以表達為

(5)

(6)

式中，M、N分別表示圖像的尺寸大?。籸和c分別表示行數(shù)和列數(shù)；δ表示像素間的空間距離。通常，可以將δ的范圍取作0～N-1，以獲取步長為1～N下的SDMF值，從而使SDMF的紋理周期計算具有全局性，進一步確定最佳分塊步長。

為了規(guī)范化探討SDMF在具備規(guī)則性紋理的影像中的特性，通過10個大小為43×344像元的矩形構(gòu)建人工規(guī)則紋理圖像(見圖4(a))，其中，設(shè)黑色亮度為0，白色亮度為1。對規(guī)則紋理圖像的SDMF做進一步的分析后發(fā)現(xiàn)，SDMF會產(chǎn)生大小、尺寸不一的波峰(見圖4(b))，借助SDMF的一階、二階導(dǎo)數(shù)，計算各次波峰的峰值和谷值，通過設(shè)定閾值，判斷各次峰值和谷值的顯著性，獲取各顯著峰的尺寸，進而得到紋理圖像的周期。為了使顯著性判定閾值具有良好的自適應(yīng)性，經(jīng)過規(guī)則紋理圖像實驗驗證，論文采用文獻[21]中的觀點，使用公式(7)計算顯著性判定閾值

(7)

圖4 人工規(guī)則紋理圖像及其SDMF分析圖Fig.4 The artificial image and statistical analysis of SDMF in the grid row

式中，SDMF的第一顯著峰值是全局最優(yōu)的平均穩(wěn)定周期[22]，第一顯著峰的尺寸即可表征紋理基元的尺寸。但對于規(guī)則性紋理圖像，紋理周期是指基元特征重復(fù)出現(xiàn)的尺寸大小[23]。因此，SDMF的所有顯著峰均可以表示紋理圖像的周期，但對于步長的選取而言，需要綜合考慮各種紋理基元的多樣性，又要照顧到地物的相對獨立性[24]。進而，論文規(guī)定步長的選取公式為

S=μ·m

(8)

式中，S為影像分塊步長；μ為單位步長，即SDMF所反映的紋理周期；m為步長倍數(shù)。

應(yīng)該格外注意的是，經(jīng)過反復(fù)試驗，在研究區(qū)域中變化信息對整體信息的貢獻率低于52%的情況下，由兩期SDMF所確定的步長大小基本可以保證同一，此時將其最或是值作為單位步長即可滿足分析需求；而當(dāng)影像中地物發(fā)生劇烈變化，導(dǎo)致變化信息占比超過52%時，將難以保證兩期影像的SDMF所反映出的地物周期性一致。此時，應(yīng)將兩期影像中較大的地物周期作為單位步長，并進行適當(dāng)擴大步長倍數(shù)m，這樣雖然了犧牲了少量運算效率，但總體上可以保證變化信息不會因影像分塊而丟失，并可以較好地反映地物周期性。

1.4 有效變化信息所在影像塊的確定

紋理感知的精神心理學(xué)認(rèn)為：人類識別紋理特征的能力主要來自對紋理基元重復(fù)模式的判斷，其中3個重要的特征是結(jié)構(gòu)元素的規(guī)則度、重復(fù)性和方向性[25]。當(dāng)研究區(qū)域地物發(fā)生變化時，必然會導(dǎo)致其紋理信息和邊緣特征的變化，從而帶來紋理規(guī)則度的改變，借此可以衡量圖像變化的程度，進而縮小變化區(qū)域的搜索范圍。

首先，利用紋理圖像頻譜的徑向特征曲線E(r)統(tǒng)計其能量分布情況，對徑向特征曲線進行歸一化處理；其次，由其下包絡(luò)曲線B(r)對徑向特征曲線進行擬合，計算E(r)和B(r)的能量比值e；再次，將B(r)中各處的點值乘以e，得到同能量下包絡(luò)曲線T(r)；最后，求取E(r)對T(r)的方差σEi，即確定圖像紋理規(guī)則度[26]。

通過兩期影像的紋理規(guī)則度，計算變化性紋理規(guī)則度ΔσE為

(9)

該算法可以確保下包絡(luò)線和徑向特征曲線所映射的幅度譜具有相同的能量，而且具有單調(diào)遞減的特性，從而有效減少多期影像間因光譜能量、輻照度等條件的不同對變化檢測所產(chǎn)生的干擾。

根據(jù)以上指標(biāo)的定義過程，可以得到結(jié)論：圖像中結(jié)構(gòu)性紋理所占的比例越大，圖像的紋理規(guī)則度就越高；圖像中包含的變化信息越大，變化性紋理規(guī)則度則越高。這也就是說，變化性紋理規(guī)則度ΔσE可以反映影像塊產(chǎn)生變化的劇烈程度，通過設(shè)定對變化信息分割閾值η，即可實現(xiàn)對變化信息所在影像塊的準(zhǔn)確判斷。

2 試驗和結(jié)果分析

2.1 試 驗

為了驗證本文所提出方法的有效性，選擇2012年5月17日和2015年8月11日獲取的云南某地區(qū)QuickBird衛(wèi)星遙感影像作為研究對象。QuickBird影像包含了4個多光譜波段和一個全色波段，其中全色波段波譜范圍為0.45～0.90 μm，全色波段空間分辨率0.61 m。截取全色波段中2800×2800像素大小的圖像作為研究數(shù)據(jù)。

首先，進行圖像預(yù)處理。論文采用文獻[27]中所提出的適合于去除高斯噪聲和椒鹽噪聲的偏微分方程模型進行圖像噪聲抑制處理。處理后發(fā)現(xiàn)，遙感數(shù)據(jù)亮度響應(yīng)不明顯，為使圖像更好地呈現(xiàn)地物的細節(jié)結(jié)構(gòu)特征，將試驗數(shù)據(jù)進行直方圖拉伸，盡量使拉伸后的圖像直方圖分布于0～255全部灰度級，以增加對比度，有利于地物類型的識別。

然后，計算影像分塊的兩個參數(shù)：旋轉(zhuǎn)參數(shù)α和分塊步長s。通過對兩期影像頻譜能量的角向分布特征進行統(tǒng)計分析，得其角向分布特征曲線，見圖5和圖6。

另外，動物糞肥也是農(nóng)業(yè)生產(chǎn)過程中的肥料資源，本地的畜牧業(yè)發(fā)展，使得畜禽養(yǎng)殖數(shù)量越來越多，但是對畜禽糞便的利用率不足，只有大約20%的畜禽糞便被用于土壤的有機培肥過程中。動物糞便的隨意排放不僅浪費資源，而且對土壤、水資源環(huán)境等造成污染。因此，要加強對土壤糞肥的應(yīng)用，在提升地力的過程中采用切實可行的技術(shù)及政策，將動物糞便用于有機肥制作過程中，提高有機肥產(chǎn)量，在農(nóng)業(yè)生產(chǎn)過程中使用有機肥進行生產(chǎn)，盡可能地提高土壤耕地的地力水平，最大限度地促進耕地資源的可持續(xù)發(fā)展[1]。

圖5 2012年試驗影像的角向分布特征曲線Fig.5 The image distribution of wedges feature curve in 2012

從影像角向分布特征曲線分析，雖然兩期影像的頻域能量分布形式略有不同，但可以清晰地表征出2012年和2015年試驗影像塊的頻域能量明顯集中于47°和137°，其余的方向并未出現(xiàn)明顯的峰值，表現(xiàn)為一條較為平穩(wěn)的曲線。這表明原影像中包含大量位于該能量峰值方向上的邊緣或直線信息，而主要地物的優(yōu)勢邊緣是按照47°的方向進行排列，而其余地物特征未表現(xiàn)出明顯方向性。

圖6 2015年試驗影像的角向分布特征曲線Fig.6 The image distribution of wedges feature curve in 2015

為了使主要地物按照經(jīng)緯方向排列，盡量避免由于分塊不當(dāng)而帶來的景觀破碎，取試驗影像角向特征分布曲線峰值方向的余角α作為旋轉(zhuǎn)參數(shù)，將影像順時針旋轉(zhuǎn)47°，得到適合分塊的影像分布方式，見圖7。

圖7 旋轉(zhuǎn)處理后的兩期試驗影像Fig.7 Two experiment images of rotation in 2012 and 2015

對2012年試驗影像的SDMF計算值進行統(tǒng)計，計算其SDMF的一階導(dǎo)數(shù)f′(x)、二階導(dǎo)數(shù)f″(x)，分析各次顯著峰的波峰與波谷的位置，從而準(zhǔn)確反映出影像的紋理周期單位，該SDMF統(tǒng)計圖及其分析見圖8。

圖8 2012年試驗影像的SDMF統(tǒng)計分析結(jié)果Fig.8 The SDMF statistical results of experiment image in 2012

通過對一階、二階導(dǎo)數(shù)的判斷，得到2012年試驗影像SDMF計算結(jié)果中所有峰值和谷值。經(jīng)計算，確定本實驗的閾值為4.606×107，統(tǒng)計各次顯著波峰值、谷值及其所對應(yīng)步長，見表1。

表1 2012年SDMF的各次顯著波峰值、谷值統(tǒng)計表Tab.1 The peak and valley value of SDMF and the associated significant wave statistical list in 2012

為了進一步考察在變化信息所占比例相對較小的兩期影像中SDMF的分布情況，統(tǒng)計2015年影像SDMF計算結(jié)果中各次顯著波峰值、谷值及其所對應(yīng)步長，見表2。

表2 2015年SDMF的各次顯著波峰值、谷值統(tǒng)計表Tab.2 The peak and valley value of SDMF and the associated significant wave statistical list in 2015

結(jié)合表1和表2可以看出，兩期影像中各次特征點所對應(yīng)的步長值僅出現(xiàn)微小擾動，但并沒有固定的偏離方向和大小，呈現(xiàn)出偶然誤差的特性。通過計算整條顯著波內(nèi)各周期步長大小的最或是值，發(fā)現(xiàn)兩期遙感影像中SDMF所反映的單位步長分別為：219.655、219.725。這進一步說明在變化區(qū)域占比相對較小的情況下，兩期影像的SDMF所反映出的周期性規(guī)律基本具備同一性。

為了保證分塊后的子影像中包含盡量多的地物種類，結(jié)合試驗驗證，以兩倍顯著峰尺寸作為步長，即以440像元為步長，將影像分成81幅子圖像，其結(jié)果可基本保證影像塊中地物的完整性。

通過對各影像塊的變化性紋理規(guī)則度進行統(tǒng)計分析后發(fā)現(xiàn)，除影像信息空白區(qū)的變化性紋理規(guī)則度為0外，其余54幅子影像塊均存在大小不一的變化信息；進一步的，通過人工判斷表中不同紋理規(guī)則度在提取變化信息能力上的強弱，確定變化信息分割閾值η=0.03，通過對變化信息的描述，有效變化信息所在的影像塊已被準(zhǔn)確標(biāo)識(見表中加粗部分)，以子圖像塊(6,2)為例，驗證變化性紋理規(guī)則度對變化信息描述的效果，見圖9和圖10。

表3 試驗圖像的變化性紋理規(guī)則度Tab.3 The value of TRCI about exemplificative images

圖10 2015年試驗影像塊的歸一化徑向分布曲線及同能量下包絡(luò)曲線Fig.10 The normalized radial distribution curve and co-energy lower enveloping curve in image block in 2015

結(jié)合兩期驗證子影像塊發(fā)現(xiàn)，在2012年試驗影像塊的歸一化徑向分布曲線中，徑向分布曲線和下包絡(luò)曲線的頻譜能量差之和為1.696，紋理規(guī)則度σE1=0.014；2015年試驗影像塊的徑向分布曲線中存在明顯波峰，其徑向分布曲線和下包絡(luò)曲線的頻譜能量差之和為2.432，紋理規(guī)則度達到σE2=0.062。

兩期試驗影像塊的變化性紋理規(guī)則度ΔσE=0.048>0.03。反映出兩期影像塊的結(jié)構(gòu)性紋理發(fā)生較劇烈的變化，通過對試驗影像塊的目視解譯，可以發(fā)現(xiàn)該區(qū)域確實產(chǎn)生大量的地物變化，驗證了此方法的可靠性和有效性。

2.2 評價與分析

目前變化檢測的主流方法大致可以分為面向像元級、面向?qū)ο蠹?、面向目?biāo)級3類，試驗將采用3類檢測手段中較為常用的方法，通過對比使用預(yù)處理方法前后的檢測精度及效率的變化情況，完成對變化預(yù)處理方法的評價。

對于像元級變化檢測方法，采用影像比值運算法，是指將兩期遙感影像中對應(yīng)的像元值做比值運算，獲取差異影像，通過選取適當(dāng)?shù)拈撝?，實現(xiàn)對變化區(qū)域的提取。

對于對象級變化檢測方法，采用MeanShift-CVA法，是指通過MeanShift圖像分割算法進行地理對象的提取，然后通過變化矢量分析法(change vector analysis,CVA)計算兩個不同時期的影像差異，最后通過閾值判斷，完成變化信息的提取。

對于目標(biāo)級變化檢測方法，以建筑物為例，通過傅里葉變換實現(xiàn)影像從空域向頻域的變換，統(tǒng)計其頻譜能量分布，獲取建筑物的紋理區(qū)域和邊緣特征，構(gòu)建相適應(yīng)的濾波器，完成建筑物的二值化提取，最后通過對二值化信息進行像素級的變化檢測即實現(xiàn)變化信息的提取。

通過以上3種代表方法在同一硬件環(huán)境、同一運算平臺下，對試驗影像進行變化檢測，統(tǒng)計其執(zhí)行變化檢測預(yù)處理前后各算法的檢測精度和效率(計入變化檢測預(yù)處理時間)，見表4。

表4 3種變化信息檢測方法執(zhí)行變化檢測預(yù)處理前后檢測精度和效率變化表Tab.4 The comparisons of accuracy and efficiency before and after the preparing preprocess by three different change detection methods

針對統(tǒng)計結(jié)果，從宏觀層面看，3個級別的變化檢測方法在進行預(yù)處理后，檢測精度和運行效率均有所提高，這充分地反映了本文所提出的變化檢測預(yù)處理方法對提高檢測精度及其執(zhí)行效率的有效性。

從微觀層面看，檢測預(yù)處理對3種檢測級別起到的作用有所差異。其中，像素級比值法精度較未進行預(yù)處理前僅提高3.39%，運行時間減少5.79 s，運算效率提高10.80%，是3種方法中收效最差的，其根本原因在于像素級變化檢測方法對高分辨率遙感影像的不適用性，導(dǎo)致檢測預(yù)處理對其效果較差。對象級MeanShift-CVA法檢測精度提高9.54%，節(jié)省運行時間45.38 s，運算效率提高53.57%；在此基礎(chǔ)上，作為對檢測結(jié)果紋理信息同質(zhì)性的描述，其緊質(zhì)度也有一定的提高。頻域下目標(biāo)級變化檢測法精度提高12.50%，節(jié)省運行時間69.69 s，運算效率提高54.53%，在3種方法中，是收效最大的，這是因為在目標(biāo)級變化檢測中，需要對兩期影像分別進行目標(biāo)地物的提取，其往往會受到背景地物在光譜和頻域上的影響，通過對影像分塊，很大程度的抑制了目標(biāo)地物的提取誤差，從而提高變化檢測精度。

進一步的，從算法性質(zhì)上來講，由于全自動方法在很多實際應(yīng)用中會產(chǎn)生精度不足、算法不夠健全和穩(wěn)定等問題，尚無法適用于多種復(fù)雜情況[28]；故本文提出了一種人工干預(yù)的半自動化處理方法，借助復(fù)雜情況下的人工判斷，對檢測過程加以修正，最終達到提高檢測精度的要求，而恰當(dāng)?shù)母深A(yù)次數(shù)和干預(yù)位置就成為半自動化算法實現(xiàn)高精度、高效率的關(guān)鍵所在。論文在選取步長倍數(shù)和變化信息分割閾值兩處操作上進行人工干預(yù)。經(jīng)過試驗驗證，僅使人工干預(yù)次數(shù)在原算法的基礎(chǔ)上平均增加34.12%，這意味著，所進行的人工干預(yù)不但可以對復(fù)雜情況下的參數(shù)進行彈性設(shè)置，而且不會對算法原有的自動化程度造成過多的影響，從而側(cè)面驗證了本實驗的科學(xué)性。

應(yīng)該注意的是，目標(biāo)級變化檢測的精度很大程度上是由目標(biāo)地物的提取精度決定，變化檢測預(yù)處理對提高目標(biāo)級變化檢測精度的有效性，進一步從側(cè)面反映出，論文中的影像分塊方法并沒有引起大規(guī)模的地物破碎，而造成變化信息丟失、檢測精度下降，再次證明了影像分塊方法的科學(xué)性和合理性。

3 結(jié) 語

本文以頻域能量守恒定律和傅立葉變換幅度譜的自配準(zhǔn)性質(zhì)為依據(jù)，通過合理的影像分塊，結(jié)合對應(yīng)子影像塊的變化性紋理規(guī)則度，確定有效變化信息的范圍；研究表明，高分辨率遙感影像變化檢測的頻域分析預(yù)處理方法可以幫助原檢測算法實現(xiàn)更高層次的檢測目標(biāo)，對于減少背景信息的干擾、縮小變化區(qū)域搜索范圍具有一定的參考價值。但應(yīng)該注意到的是，檢測精度及效率所能夠提高的程度主要由原檢測算法的本質(zhì)及其性質(zhì)決定，如何弱化其對預(yù)處理方法的較大影響，使之更具普適性，是一個有待于進一步研究和解決的問題。

[1] LI Deren,WANG Zhijun,LI Qingquan.Current Progress on Multisensor Image Fusion in Remote Sensing[C]∥Proceedings of SPIE.Wuhan,China:SPIE,2001,4556:1-6.

[2] 李立鵬.面向目標(biāo)的圖像特征提取和變化檢測方法研究[D].北京:北方工業(yè)大學(xué),2013:1-7.LI Lipeng.Target-oriented Image Feature Extraction and Change Detection Method[D].Beijing:North China University of Technology,2013:1-7.

[3] CHEN Jin,CHEN Xuehong,CUI Xihong,et al.Change Vector Analysis in Posterior Probability Space:A New Method for Land Cover Change Detection[J].IEEE Geoscience and Remote Sensing Letters,2011,8(2):317-321.

[4] 王慕華,張繼賢,李海濤,等.基于區(qū)域特征的高分辨率遙感影像變化檢測研究[J].測繪科學(xué),2009,34(1):92-94.WANG Muhua,ZHANG Jixian,LI Haitao et al.High Resolution Images Change Detection Based on Region Feature[J].Science of Surveying and Mapping,2009,34(1):92-94.

[5] BOVOLO F,BRUZZONE L.A Theoretical Framework for Unsupervised Change Detection Based on Change Vector Analysis in the Polar Domain[J].IEEE Transactions on Geoscience and Remote Sensing,2007,45(1):218-236.

[6] 賈永紅,謝志偉,張謙,等.采用獨立閾值的遙感影像變化檢測方法[J].西安交通大學(xué)學(xué)報,2015,49(12):12-18.JIA Yonghong,XIE Zhiwei,ZHANG Qian,et al.A Change Detection Method of Remote Sensing Images with Independent Threshold[J].Journal of Xi’an Jiaotong University,2015,49(12):12-18.

[7] 吳桂平,肖鵬峰,馮學(xué)智,等.一種基于頻譜段能量的高分辨率遙感圖像邊緣特征檢測方法[J].測繪學(xué)報,2011,40(5):587-609.WU Guiping,XIAO Pengfeng,FENG Xuezhi,et al.A Method of Edge Feature Detection from High-resolution Remote Sensing Images Based on Frequency Spectrum Zone Energy[J].Acta Geodaetica et Cartographica Sinica,2011,40(5):587-609.

[8] 王東峰,鄒謀炎.傅氏變換的自配準(zhǔn)性質(zhì)及其在紋理識別和圖象分割中的應(yīng)用[J].中國圖象圖形學(xué)報,2003,8(2):140-146.WANG Dongfeng,ZOU Mouyan.Auto-registration of Fourier Transform Magnitude Spectra and Its Application on Texture Identification and Segmentation[J].Journal of Image and Graphics,2003,8(2):140-146.

[9] 朱書凡.基于遙感影像分塊提取地物方法的研究[D].西安:西安科技大學(xué),2014:2-3.ZHU Shufan.Research on the Extraction of Terrain Block Feature Based on Remote Sensing Image[D].Xi’an:Xi’an University of Science and Technology,2014:2-3.

[10] ASHA V,NAGABHUSHAN P,BHAJANTRI N U.Automatic Extraction of Texture-periodicity Using Superposition of Distance Matching Functions and Their forward Differences[J].Pattern Recognition Letters,2012,33(5):629-640.

[11] CONNERS R W,HARLOW C A.Toward a Structural Textural Analyzer Based on Statistical Methods[J].Computer Graphics and Image Processing,1980,12(3):224-256.

[12] 傅鵬,孫權(quán)森,紀(jì)則軒,等.一種遙感圖像信噪比評估和度量準(zhǔn)則[J].測繪學(xué)報,2013,42(4):559-567.FU Peng,SUN Quansen,JI Zexuan,et al.A Method of SNR Estimation and Comparison for Remote Sensing Image[J].Acta Geodaetica et Cartographica Sinica,2013,42(4):559-567.

[13] CHEN Jin,CHEN Xuehong,CUI Xihong,et al.Change Vector Analysis in Posterior Probability Space:A New Method for Land Cover Change Detection[J].IEEE Geoscience and Remote Sensing Letters,2011,8(2):317-321.

[14] 孫曉霞,張繼賢,燕琴,等.遙感影像變化檢測方法綜述及展望[J].遙感信息,2011(1):118-123.SUN Xiaoxia,ZHANG Jixian,YAN Qin,et al.A Summary on Current Techniques and Prospects of Remote Sensing Change Detection[J].Remote Sensing Information,2011(1):118-123.

[15] 佃袁勇,方圣輝,姚崇懷.一種面向地理對象的遙感影像變化檢測方法[J].武漢大學(xué)學(xué)報(信息科學(xué)版),2014,39(8):906-912.DIAN Yuanyong,FANG Shenghui,YAO Chonghuai.The Geographic Object-based Method for Change Detection with Remote Sensing Imagery[J].Geomatics and Information Science of Wuhan University,2014,39(8):906-912.

[16] 吳劍.基于面向?qū)ο蠹夹g(shù)的遙感震害信息提取與評價方法研究[D].武漢:武漢大學(xué),2010:5-8.WU Jian.The Research of Earthquack Information Extraction and Assessment Based on Object-oriented Technology with Remotely-sensed Data[D].Wuhan:Wuhan University,2010:5-8.

[17] 畢勝,梁德群.基于人類視覺特性的紋理分割方法[J].計算機應(yīng)用,2006,26(5):1015-1017.BI Sheng,LIANG Dequn.Adaptive Texture Segmentation Method Based on Property of HVS[J].Journal of Computer Applications,2006,26(5):1015-1017.

[18] 李德仁,張良培,夏桂松.遙感大數(shù)據(jù)自動分析與數(shù)據(jù)挖掘[J].測繪學(xué)報,2014,43(12):1211-1216.DOI:10.13485/j.cnki.11-2089.2014.0187.LI Deren,ZHANG Liangpei,XIA Guisong.Automatic Analysis and Mining of Remote Sensing Big Data[J].Acta Geodaetica et Cartographica Sinica,2014,43(12):1211-1216.DOI:10.13485/j.cnki.11-2089.2014.0187.

[19] HUO Chunlei,ZHOU Zhixin,LU Hanqing,et al.Fast Object-level Change Detection for VHR Images[J].IEEE Geoscience and Remote Sensing Letters,2010,7(1):118-122.

[20] BRUZZONE L,BOVOLO F.A Novel Framework for The Design of Change-detection Systems for Very-high-resolution Remote Sensing Images[J].Proceedings of the IEEE,2013,101(3):609-630.

[21] 蔣圣,湯國安,劉凱.利用累加距離匹配函數(shù)的紋理規(guī)則度計算方法[J].計算機輔助設(shè)計與圖形學(xué)學(xué)報,2015,27(10):1874-1880.JIANG Sheng,TANG Guoan,LIU Kai.A Computation Method of Texture Regularity Using Summed-up Distance Matching Function[J].Journal of Computer-Aided Design & Computer Graphics,2015,27(10):1874-1880.

[22] 吳桂平,肖鵬峰,馮學(xué)智,等.利用頻譜能量進行高分辨率遙感圖像地物識別[J].武漢大學(xué)學(xué)報(信息科學(xué)版),2011,36(11):1294-1297.WU Guiping,XIAO Pengfeng,FENG Xuezhi,et al.Object Recognition for High-resolution Remotely Sensed Imagery Based on Energy in Frequency Domain[J].Geomatics and Information Science of Wuhan University,2011,36(11):1294-1297.

[23] 曹敏,史照良,陽建逸.蜂群智能算法的遙感影像分類方法[J].測繪學(xué)報,2013,42(5):745-751.CAO Min,SHI Zhaoliang,YANG Jianyi.An Innovative Method to Classify Remote Sensing Images Using Artificial Bee Colony Algorithm[J].Acta Geodaetica et Cartographica Sinica,2013,42(5):745-751.

[24] 楊釗霞,鄒崢嶸,陶超,等.空-譜信息與稀疏表示相結(jié)合的高光譜遙感影像分類[J].測繪學(xué)報,2015,44(7):775-781.DOI:10.11947/j.AGCS.2015.20140207.YANG Zhaoxia,ZOU Zhengrong,TAO Chao,et al.Hyperspectral Image Classification Based on the Combination of Spatial-spectral Feature and Sparse Representation[J].Acta Geodaetica et Cartographica Sinica,2015,44(7):775-781.DOI:10.11947/j.AGCS.2015.20140207.

[25] 曹森,潘耀忠,張錦水,等.土地覆蓋圖斑多時相遙感影像自動配準(zhǔn)[J].測繪學(xué)報,2014,43(3):290-297.DOI:10.13485/j.cnki.11-2089.2014.0042.CAO Sen,PAN Yaozhong,ZHANG Jinshui,et al.Land Cover Patches Based Automatic Multi-temporal Remote Sensing Images Registration[J].Acta Geodaetica et Cartographica Sinica,2014,43(3):290-297.DOI:10.13485/j.cnki.11-2089.2014.0042.

[26] 肖鵬峰,馮學(xué)智.高分辨率遙感圖像分割與信息提取[M].北京:科學(xué)出版社,2012,3:3-4.XIAO Pengfeng,FENG Xuezhi.Remote Sensing Image Segmentation and Information Extraction[M].Beijing:Science Press,2012,3:3-4.

[27] PERONA P,MALIK J.Scale-space and Edge Detection Using Anisotropic Diffusion[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1990,12(7):629-639.

[28] BAUMGARTNER A,HINZ S,WIEDEMANN C.Efficient Methods and Interfaces for Road Tracking[J].International Archives of Photogrammetry and Remote Sensing,2002,34:28-31.

(責(zé)任編輯：張艷玲)

A Preprocess for Change Detection Method from High Resolution Remotely Sensed Imagery in Frequency Domain

GUO Yingjie，ZHU Lanyan

Faculty of Land and Resources Engineering,Kunming University of Science and Technology,Kunming 650093,China

At present,the efficiency of change detection from high resolution remotely sensed imagery is generally not very high,and accuracy couldn’t meet the practical requirements.A method which introduced frequency domain analysis is put forward in this paper.Firstly,it studies the distribution of image frequency energy.Using it as a basis,the image division is accomplished by summed-up distance matching function.Secondly,the definition and computation of texture regularity of change information(TRCI) clearly and accurately expresses the change information according to equal energy rule of image blocks,greatly narrowing the search area.Thus,the background information could be greatly suppressed so as to improve the efficiency and precision of detection.Finally,through measuring and comparing of the accuracy and efficiency of three different detection algorithms before and after introducing the preprocess,we find that it could provides more accurate results on the existed basis.

preprocess for change detection;frequency domain analysis;TRCI;optimal image blocking

The National Natural Science Foundation of China (No.41261043)

GUO Yingjie(1993—),male,master,majors in quantitative remote sensing and identification,extraction of change information.

ZHU Lanyan

虢英杰，朱蘭艷.高分辨率遙感影像變化檢測的頻域分析預(yù)處理方法[J].測繪學(xué)報，2017,46(6)：743-752.

10.11947/j.AGCS.2017.20160570.GUO Yingjie，ZHU Lanyan.A Preprocess for Change Detection Method from High Resolution Remotely Sensed Imagery in Frequency Domain[J].Acta Geodaetica et Cartographica Sinica,2017,46(6):743-752.DOI:10.11947/j.AGCS.2017.20160570.

P227

A

1001-1595(2017)06-0743-10

國家自然科學(xué)基金(41261043)

2016-11-16

修回日期：2017-05-19

虢英杰(1993—)，男，碩士，研究方向為現(xiàn)從事定量遙感、變化信息識別和提取。

E-mail：884833945@qq.com

朱蘭艷

E-mail：KMOY2222@sina.com