一种基于多特征组合的SVM土地利用变化检测算法

陈震霆，吕翠华，容 会，王 敏，李 明

（1.昆明冶金高等专科学校测绘学院；2.昆明冶金高等专科学校艺术设计学院，云南昆明，650033）

0 引言

1 SVM分类基本原理

利用遥感技术进行土地利用变化检测是获取土地利用信息最为经济有效的方式之一。遥感影像土地利用变化检测是利用同一地区不同时期的遥感影像，进行比较分析，通过变化检测算法定量地分析和确定出地表变化的特征。近些来，国内外许多学者开展了多种遥感影像变化检测方法的研究，并取得了很多成果。目前常用的遥感影像变化检测方法主要有影像差值法、影像比值法、小波变换法、变化量分析法等，然而由于遥感影像的成像机理复杂，且受斑点噪声影响比较严重。支持向量机SVM（Support Vector Machines）是一种监督式学习的方法，有很强的非线性处理能力和较好的分类准确性。本文提出将遥感影像的灰度和纹理特征相结合，从多个方面详细地对遥影像内容进行描述，实现对遥感影像更加准确的分类，通过比较不同时期遥感影像的分类矩阵以检测出两幅遥感影像的变化情况。

2 综合特征提取算法流程

2.3 提出的基于多特征组合的SVM算法进行分类。核函数选择径向基函数（RBF）核函数，其中惩罚因子C为32，核参数为0.125。训练整个训练样本集，得到分类器模型。然后利用该分类器模型对整幅遥感得到图像进行分类，得到分类矩阵和分类结果图。由于本文是对土地变化检测进行研究，因此整幅图像将被分为耕地和非耕地两大类。在计算整幅遥感图像的灰度和纹理特征时，采用距离为1、大小为5*5的滑动窗口计算图像的均值和方差2个灰度特征和由GLCM得到的4个纹理特征平均值关于4个方向（）的平均值。

2.4 对比两幅遥感图像的分类矩阵，得到土地变化检测结果。具体的对比检测方法为：经过步骤3的SVM分类，两幅遥感影像都可以得到各自由元素“0”和“1”构成的分类矩阵，然后逐元素对比两个分类矩阵，若矩阵元素相同，则此处未发生变化，标记为黑色；若矩阵元素不相同，则此处发生变化，标记为白色。对比完成后，白色区域即为土地变化区域。

2.5 对变化检测结果进行后期处理，主要通过形态学运算和面积阈值除斑的方法来优化变化检测结果。其中，首先通过形态学开闭运算来对结果杂散点去除和孔洞填充，然后通过使用面积阈值除斑的方法来除去面积较小的变化图斑。

2.6 利用canny算子对变化检测结果进行边缘检测，得到变化检测结果的矢量图。并将矢量图与遥感图像进行叠加，以验证变化检测效果。

图1 变化检测结果的后期处理Fig.1 Post processing of change detection results

3 实验结果及变化检测分析

本文实验数据选用昆明市安宁市的Quick_Bird遥感影像。本文主要针对耕地的变化进行研究。因此，按照前述方法，将田地分为一类，其他林地、建筑、道路、空地分为一类，对照两幅影像的分类矩阵和分类结果图，得到变化区域，如图1(a)所示，其中白色部分为变化区域，黑色部分为未变化区域。由于图1(a)上有大量的杂散点，我们首先对其进行形态学开、闭运算，其中形态学结构元素为“disk”，其大小为3*3，其处理结果如图1(b)所示，由图1(b)可以看出，相对于图1(a)，杂散点得到了很好的抑制，然而上面仍有大量微小变化区域，因此接下来将对其进行面积阈值去除操作，设定变化区域如果小于10*10pixels，则将对其进行去除，得到的去除结果如图1(c)所示，由图1(c)可以看出，相对于最初得到的变化检测结果图1(a)，其对杂散点和小面积变化区域都进行非常好的抑制和去除。

下面通过使用“canny”算子对图1(c)的变化区域进行边缘检测，得到变化区域的矢量结果，如图2(a)，所示。然后将图2(a)的矢量图进行叠加和匹配，以验证变化检测结果，如图2(b)所示。其中黑色线条所包含区域则为使用本文算法得到的土地变化检测结果。

观察图2(b)的变化检测结果，对照可以看出，本文算法只有在两个微小区域出现了误检，而对绝大部分变化区域都实现了准确检测。

4 总结

图2 土地变化检测结果验证Fig.2 verification of land change detection results

提出了一种基于多特征组合SVM影像分类的土地利用变化检测算法。该算法将遥感影像的灰度信息和纹理信息相结合作为SVM分类的特征向量，实现对遥感影像的准确分类。通过对比不同时期遥感影像的SVM分类矩阵和分类结果，得到变化检测结果。结果表明，本文提出的方法简单、有效、可行、具有一定的通用性，得到较好的变化检测结果。

[1]Chen J,GongP,He C Y,Pu R L and Shi P J .Land-use/land-cover change detection using improved changevector analysis[J].Photogrammetric Engineering and Remote Sensing,2010(4):369-379

[2]Tang Puqian,Yang Jianyu, Zhang Chao,etl. An Objectoriented Post-classification Remote Sensing Change Detection after the Pixel Ratio[J].Remote Sensing Information,2010(1):69-72

[3]Zhang Desheng,Luo Xiaohui,Zhang Zunwei.Image Retrieval Base on Dual-Tree Complex Wavelet Transform and Gray Co-occurrence Matrix[J].Natural Science Edition,2010,29(3):111-115

[4]Fu Zhongliang, Zhang Wenyuan, Meng Xian. SAR Image Classification Based on SVM with Fusion of Gray Scale and Texture Features[J].Journal of Applied Sciences, 2012,30(5):498-507

[5]付仲良,张文元,孟祥.灰度和纹理特征组合的SAR影像SVM分类[J].应用科学学报，2012,30(5):498-507