基金项目：国家重点研发计划（2016YFB0502603）；测绘遥感信息工程国家重点实验室基金（16E01）；国家自然科学基金（41471354）
第一作者简介：冯文卿(1991-), 男, 博士生, 研究方向为高分辨率遥感影像分类及变化检测。/p>
摘要：基于面向对象分析（OBIA）的遥感影像变化检测研究已取得显著的进展，代表了遥感影像变化检测的发展范式，未来是发展更加智能的解译分析方法。随机森林作为一种新的机器学习算法，其预测效果和性能稳定性要优于许多单预测器和集成预测方法。本文充分利用OBIA及随机森林机器学习算法的优势，提出了利用随机森林进行面向对象的遥感影像变化检测。首先基于熵率对影像进行超像素分割，通过最优超像素个数评价指数来获取最佳的影像分割结果，并提取每个超像素在前、后时相影像上的光谱特征和Gabor特征作为随机森林的特征输入数据，用于模型的训练。在初始像素级检测结果之上，自动进行分类样本选择并构建分类器模型，用训练好的模型来提取最终的变化区域。利用Quickbird、IKONOS、SPOT-5等3组多光谱影像进行试验，结果表明，本文方法在变化检测精度上要优于对比方法。
变化检测是通过定量分析不同时期遥感影像，确定地表覆盖变化的过程，是遥感研究领域的热点，被广泛应用在灾害评估、城市发展、土地利用/覆盖监测等方面[1]。随着遥感影像空间分辨率的提高，同类地物内部光谱差异逐渐增大，基于像元光谱统计的自动变化检测技术已经不能满足当前遥感图像变化信息提取的要求，成为制约高分辨率遥感图像广泛应用的主要瓶颈。面向对象分析(object-based image analysis，OBIA)方法为高分辨率遥感影像变化信息提取提供了新的思，学者从不同的方面针对不同的应用目的，研究了大量的变化检测方法和理论模型[2-4]。
传统的像素级变化检测算法以单个像元为分析单位，无法顾及与邻域像素之间的空间关系，使得变化检测结果存在孤立性，并且容易产生椒盐现象[2]。为了克服该问题，有学者通过利用水平集(level set)及其改进算法、马尔科夫随机场(Markov random field, MRF)、条件随机场(conditional random field，CRF)等方法，将光谱和空间信息进行有效结合，降低变化检测的不确定性。其中，文献[5-6]结合模糊C均值聚类(FCM)和MRF模型，提出了一种非监督的变化检测算法，相较于只利用单一方法，确实能够提高检测精度。文献[7-9]通过考虑影像上区域之间的邻接关系，利用改进的水平集模型、条件随机场模型来进行变化、未变化区域的提取。文献[10]将主成分变换(principal component analysis, PCA)和k均值聚类(PCA-k-means)进行结合，有效减少了数据间的冗余信息，使得变化信息在变换后的影像上得到增强，有利于变化信息的提取。但是，这些方法中控制参数的设置严重影响了最终检测结果的精度；如果空间邻域关系定义不够准确，很容易导致边缘等细节过度平滑，造成细节变化的漏检。对象级变化检测以影像分割为基础，所处理的最小单元为一个对象。影像对象被定义为形状与光谱性质具有同质性的单个区域，每个对象的属性包括：光谱特征、形状特征、纹理特征、上下文特征等[11-13]。这样在变化检测过程中，可以充分利用光谱信息并综合应用其他特征，以提高变化检测精度。文献[12-13]利用基于对象的变化向量分析法(object-based change vector analysis, OCVA)、相关系数法(object-based correlation coefficient, OCC)、卡方变换法(object-based Chi-square transformation, OCST)，综合利用对象的多种特征参与分析，相较于只利用单一特征，确实能够提高变化检测精度。但是，这些方法对特征选取的好坏、特征权重的分配以及变化阈值的确定等几个方面都具有较大依赖性。此外，由于分割尺度的不确定性，容易在变化检测过程中引入噪声，降低变化检测结果的可靠性。文献[14]提出了一种多尺度分割与融合的对象级变化检测方法，并对不同的融合策略对最终检测结果的精度进行了分析。文献[15]则提出了一种尺度驱动的面向对象变化检测模型，对分割结果存在的尺度不确定性进行分析，减弱了分割不确定性对变化检测结果的影响。总体来说，面向对象分析方法是一种较为高级的影像分析方法，为了获取更好的变化检测结果，需要综合考虑分割尺度，特征提取，变化阈值等多个方面的因素，其未来的发展趋势是分析过程的自动化与智能化。