利用遥感影像进行建筑物变化检测能够快速获取城镇扩张、违章建筑管控等结果.针对基于单一特征的高分辨率遥感影像变化检测算法检测结果较为粗糙,变化建筑物边缘效果不佳等问题,本文提出一种多特征信息融合与边缘约束的建筑物变化检测方法.引入改进的形态学建筑物指数,通过建筑物的多特征描述与差异特征集融合实现城镇区域建筑物变化信息自动提取,并对其进行边缘约束.首先,针对形态学建筑物指数增加纹理、边缘、空间上下文等特征组成建筑物描述的特征向量集;其次,利用结构相似度判别后的特征向量差异构建建筑物变化的证据源;第三,利用概率模型进行特征信息融合并依据决策规则得到建筑物变化区域;最后,引入SLIC(simple linear iterative clustering)超像素分割算法,将高分影像建筑物变化检测结果与超像素分割的边缘信息融合进行边缘约束,改善边缘检测效果.通过对Google Earth影像和QuickBird多光谱影像进行变化检测,总体精度为93.33％—95.39％,相对于Wang方法、Huang方法和Volpi方法正确率提升11％—19％,漏检率降低5％—20％,虚检率降低11％—25％;采用边缘约束后正确率提升2％—5％,虚检率、漏检率降低2％—5％.试验结果表明:该方法对于不同场景的高分影像均具有较好的鲁棒性,能有效解决变化建筑物边缘检测等问题.

高分辨率遥感影像;建筑物变化检测;形态学建筑物指数;特征信息融合;SLIC超像素分割

西南交通大学 地球科学与环境工程学院,四川 成都611756;自然资源部第三地理信息制图院,四川 成都610100

[1]曹云刚;谢宇航;杨磊;张伟;龚鹏杰-.基于多特征融合与边缘约束的建筑物变化检测)[J].测绘与空间地理信息,2022(03):8-15

形态学建筑物指数,Volpi

多特征融合,边缘约束,建筑物变化检测,城镇扩张,违章建筑,高分辨率遥感影像,遥感影像变化检测,检测算法,多特征信息融合,特征描述,差异特征,征集,城镇区域,自动提取,空间上下文,特征向量,结构相似度,别后,概率模型,决策规则,SLIC,simple,linear,iterative,clustering,超像素分割,分割算法,高分影像,边缘信息,边缘检测,检测效果,Google,Earth,QuickBird,多光谱影像,总体精度,Wang,Huang,漏检率,同场

0.279308