matlab kl散度,基于KL散度的面向对象遥感变化检测

3.2 实验过程与结果

3.2.1 面向对象的遥感影像分割

利用ENVI软件的Segment Only Feature Extraction功能模块对实验数据进行面向对象分割操作。该方法采用的是Full Lambda-Schedule分割算法, 其基本思想是对影像的光谱和空间结构信息进行分析, 通过对具有相似光谱值和空间结构特征值像素的迭代、聚合, 实现对影像斑块的分割。在该方法中, 需要对分割尺度(scale level)和合并尺度(merge level)两个阈值参数进行预设。其中分割尺度决定了分割图斑的面积大小和数目, 合并尺度决定了分割图斑的合并效果。在本研究中, 运用加权均值方差法, 计算了影像的最优分割尺度; 运用控制变量法, 结合异质性与同质性指数计算结果, 计算分析了最佳的合并尺度参数。

1)分割尺度参数的计算。首先, 定义分割尺度范围10~300, 步长为10, 预先合并尺度为50, 得到初步分割序列。获取的分割尺度与对象的数目之间的关系如图3所示。由图3可以看出, 当分割尺度在10~50范围时, 分割对象数目变化很大, 接近指数的变化; 当分割尺度在大于200范围时, 分割对象数目变化不大。因此选取的大致分割尺度在50~200之间。然后, 采用不同的分割尺度, 将原始影像信息扩展到不同的分割对象尺度层上, 得到不同尺度层上对象多边形的光谱值属性信息。以影像分割尺度为x轴, 对象光谱值的加权均值方差为y轴, 绘制对象均值方差或加权均值方差随着分割尺度变化的曲线, 如图4所示。图4的整条曲线随着分割尺度的变化出现多个峰值, 每个峰值对应的分割尺度分别为70, 100, 130和180, 每个峰值对应于某一种或几种地物类别的最优尺度。当分割尺度为70时, 影像中纯对象数目增多, 与相邻对象间的光谱差异达到一个局部最大。在本研究中, 以70为分割尺度值进行影像的分割实验。

图3

Fig.3图3 分割尺度与对象数目关系Fig.3 The number of objects in the segmentation scale

图4

Fig.4图4 加权均值方差与分割尺度的关系Fig.4 Relationship between weighted mean square deviation and segmentation scale

2)分割合并参数的计算。在计算得到的最优分割尺度的基础上, 利用控制变量法, 改变合并尺度参数, 并通过绘制异质性与同质性指数值与合并尺度的关系曲线图, 序列计算结果如图5所示, 得到各最优分割尺度对应的最优的合并尺度参数为90。

图5

Fig.5图5 合并因子与光谱异质性关系Fig.5 Relationship between merger factors and spectral heterogeneity

3)分割结果。据上述实验得到的最优的分割参数, 分割尺度参数为70, 合并尺度值为90, 分别得到了2个时相实验数据的分割结果见图6。

图6

Fig.6图6 面向对象的遥感影像分割结果Fig.6 Object oriented remote sensing image segmentation results

3.2.2 矢量分割图斑的合并

由于本研究的目的是以图斑为对象进行变化检测, 因此, 可以分别以2个时相的分割对象进行检测; 但是, 为了更为全面、细致地反映同一图斑在前后2个时相有无变化, 并对其变化程度进行分级描述, 可以将2个时相的分割结果进行矢量空间叠加, 得到相对精细的分割结果。图6(c)为对2个时相分割结果的矢量图斑进行叠加得到的结果。洪水事件前和洪水事件后SPOT影像分割结果和矢量叠加后对应的分割图斑数目分别为209, 253和893。

3.2.3 图斑对象的KL散度值计算

将矢量叠加后的图斑数据分别套合洪水事件前后两个时相的SPOT遥感图像, 以图斑为对象计算相应区域的光谱特征值信息, 主要为图斑中每个象元值对应的概率结果, 并建立信息表格。以套合洪水发生前的SPOT影像数据为例, 先分区统计893个图斑中每个图斑对象的灰度直方图, 再根据直方图计算灰度值在每个图斑中的离散概率分布P(x)。同理将矢量叠加结果套合洪水发生后的SPOT影像数据, 统计出每个图斑中的灰度离散概率分布Q(x)。

然后, 将两幅影像对应的光谱特征值信息表输出到Matlab中, 依照前文所述的计算原理, 分别得到每个图斑对象的KL散度计算结果, 结果统计直方图如图7所示。

图7

Fig.7图7 叠加图斑的KL散度值统计直方图Fig.7 Statistical histogram of KL divergence values of superimposed maps