完整代码:基于Matlab的遥感图像的变化监测毕业设计-Matlab文档类资源-CSDN文库
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]
![](https://i-blog.csdnimg.cn/blog_migrate/830b359b8e50be68282520dd53528466.png)
![](https://i-blog.csdnimg.cn/blog_migrate/ded01111105eeeed31473c3b19d9971d.png)
![](https://i-blog.csdnimg.cn/blog_migrate/147a2d9a632c758424542c6810483c54.png)
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
![](https://i-blog.csdnimg.cn/blog_migrate/3ce020084f1f29b814b5e78c2ce75474.jpeg)
![](https://i-blog.csdnimg.cn/blog_migrate/b1e3c174126964f9a370dc9065d5db6a.jpeg)
![](https://i-blog.csdnimg.cn/blog_migrate/73560064d405e6ba2a4c01ef6ae9f1c6.jpeg)
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,回代拟归一化的整幅影像。该方法具有消除云、阴影等影响,具有各类土地覆盖类型共同分摊归一化误差,不需处理最暗和最亮的像元,减少人为干预等一系列优点.[27]
基于多时相数据图像灰度差值法的地表变化检测
灰度差值法的原理
图像灰度差值法是像素级变化检测中应用最为广泛的一种,主要是对经过精确配准的图像中对应像素的灰度值进行相减运算,对于获得的差值图进行后处理。其中,着重利用差值图像的均值和标准化差进行操作后处理,确定信息的变化阈值,并结合地表信息的光谱反射特性,进行城市地表信息的变化检测。[17]
图像差值运算
![](https://i-blog.csdnimg.cn/blog_migrate/7082409fb181eebf4aab91ee465bd16e.jpeg)
式中:D 为两个时相对应像元的灰度差值,C 为人为选定的参数,用于调整差分运算中出现负值的情况。
![](https://i-blog.csdnimg.cn/blog_migrate/a81e81b9646648d9ffe188bf32a631d8.jpeg)
图:图像灰度差值法检测流程[17]
差值运算后处理
1.差值图像直方图平移
如果差值图像直方图出现了负灰度值,应该引入常量 C,使得图像的灰度值在 0~255 的范围里面。[17]
![](https://i-blog.csdnimg.cn/blog_migrate/b4aadc97d6b28ccf17f6def8f9af2d7a.jpeg)
图:未经过平移的多时相图像差值图像的灰度直方图
![](https://i-blog.csdnimg.cn/blog_migrate/abf7c5bb5e5267a1a03fa6a4995ea1b1.jpeg)
图:经过平移的多时相图像差值图像的灰度直方图
根据差值图像的最小像元的灰度值建立对应的单值图像,并保证单值图像的投影信息、图幅范围和数据类型与差值图像相同,然后由差值图像与单值图像的相加运算来获得直方图平移之后的差值图像。
![](https://i-blog.csdnimg.cn/blog_migrate/225ef82b254a56bd401429751fdea88c.jpeg)
![](https://i-blog.csdnimg.cn/blog_migrate/7ec1e68be9abc1baf52aaea716610286.jpeg)
![](https://i-blog.csdnimg.cn/blog_migrate/28c6d0c80a3e78851da4b59ea5e3c93c.jpeg)
图:经过直方图平移之后的差值图像的部分波段
直方图平移前 | 均值 | 标准差 | 最大灰度值 | 最小灰度值 |
TMBAND1 | 0.2 | 17.0064 | 281 | -173 |
TMBAND2 | 0.118 | 11.1148 | 119 | -133 |
TMBAND3 | 0.2076 | 24.3291 | 190 | -208 |
TMBAND4 | -0.1265 | 19.2936 | 163 | -141 |
TMBAND5 | -0.0291 | 37.2025 | 216 | -227 |
TMBAND7 | 0.1959 | 28.3276 | 222 | -227 |
直方图平移后 | 均值 | 标准差 | 最大灰度值 | 最小灰度值 |
TMBAND1 | 125.2 | 17.0064 | 343 | -48 |
TMBAND2 | 125.1188 | 11.1148 | 244 | -8 |
TMBAND3 | 125.2076 | 24.3291 | 315 | -83 |
TMBAND4 | 124.8735 | 19.2936 | 288 | -16 |
TMBAND5 | 124.9709 | 37.2025 | 341 | -102 |
TMBAND7 | 125.1959 | 28.3276 | 347 | -102 |
表:直方图评议前后的图像灰度的描述性统计结果
基于 NDVI 数据的差值法进行多时相数据检测
利用早期图像和晚期图像进行波段运算,生成 NDVI 图像。对 NDVI 数据做减法,表示 NDVI 前后的变化情况。
![](https://i-blog.csdnimg.cn/blog_migrate/b9f52fc9345359a4b5ab420be9693028.jpeg)
但是,由图可知,简单的 NDVI 相减只能说明地表植被的变化情况,并不适合复杂地表的地物变化监测。
基于多时相数据叠合方法的变化检测
多时相数据叠合方法的本质是不同时相数据在反射率上的变化。通过叠合图像的颜色变化判断对应的地表覆盖变化。需要一定的先验知识。
在实践中我发现,三个通道中,需要两个波段是不同时相的相同波段数据。而通道和波段的对应关系,我个人觉得应该遵从人眼对于不同颜色的敏感反应程度,人眼对于绿色反应最为敏感,对红色和蓝色反应次之。
首先在 Envi 中查找不同地物的实际光谱曲线,并制图。
![](https://i-blog.csdnimg.cn/blog_migrate/3990086254391e1342c3b32203de92a9.png)
图:典型地物光谱曲线
基于不同时相的波段组合
![](https://i-blog.csdnimg.cn/blog_migrate/1d90fa3f2297369c75ad9f180f5d10d5.jpeg)
选取第一幅影像的 Band4 作为 R,第二幅影像的 Band4 作为 G,第二幅影像的 Band5 作为 B。如果前后植被变化不明显,则 R 和 G 的反射率变化不大。变化情况:
由植被变成裸地,会出现反射率的增加从而表现出青色。
由裸地到居民地,由于居民地存在阴影,裸地的反射率更高,也就是会变成黄色。
没有变化的地表,表现出的是灰色。
![](https://i-blog.csdnimg.cn/blog_migrate/46030b6ae34b3fdf2b01a836b61fb309.jpeg)
改进上面的波段合成,R 通道:晚期 TM4;G 通道:早期 TM4;B 通道:晚期 TM5。
R 通道变化 | G 通道变化 | B 通道变化 | 颜色 | LUCC 变化驱动力 | |
1 | 低 | 高 | 高 | 青色 | 植被变裸地 |
2 | 高 | 高 | 低 | 黄色 | 植被变成更加茂盛的植被 |
3 | 低 | 高 | 高 | 蓝青色 | 植被变成居民地 |
4 | 低 | 低 | 高 | 青色 | 裸地变成居民地 |
5 | 高 | 低 | 低 | 红色 | 裸地变成植被 |
6 | 低 | 高 | 低 | 绿色 | 植被由稀疏变茂盛 |
基于 NDVI 数据的波段组合
![](https://i-blog.csdnimg.cn/blog_migrate/f9bf29eb8bf6b6d9e16019feaf74f267.jpeg)
R 通道变化 | G 通道变化 | B 通道变化 | 颜色 | LUCC 变化驱动力 | |
早期 NDVI | 晚期 NDVI | 晚期 TM5 | |||
1 | 高 | 低 | 高 | 品红 | 植被变成居民地/植被变成裸地 |
2 | 高 | 更高 | 低 | 黄绿色 | 植被变成更加茂盛的植被 |
3 | 低 | 低 | 高 | 蓝色 | 裸地变成居民地/居民地保持不变 |
4 | 低 | 高 | 低 | 绿色 | 裸地变成植被 |
5 | 低 | 高 | 高 | 青色 | 植被由稀疏变茂盛 |
6 | 不变 | 不变 | 不变 | 灰色 | 地类变化不大 |