0 引言

变化检测是指通过多时相获取的覆盖同一地表区域的遥感影像及其他辅助数据确定和分析地表变化。目前，基于多时相遥感影像的变化检测已经广泛应用于城市规划、环境监测、土地覆盖等领域[1-3]。按照分类对象，可分为像素级变化检测和对象级变化检测。像素级变化检测算法指逐像素地分析像元光谱差异以提取变化信息，主要适用于中低分辨率遥感影像[4]。国内外学者提出了多种像素级变化检测方法[5-7]，包括传统的获取二值变化信息的影像差值法、影像比值法、变化向量分析法(Change Vector Analysis,CVA)、马尔科夫随机场法(Markov Random Field,MRF)等。为了考虑空间上下文信息，Gu等[8]提出了基于空间邻域约束的改进的马尔科夫随机场模型，提高了变化检测精度。随着机器学习的发展，极限学习机(Extreme Learning Machine,ELM)、支持向量机(Support Vector Machine,SVM)、随机森林(Random Forest,RF)、K近邻(K-Nearest Neighbor,KNN)、多层感知神经网络模型(Multi-Layer Perceptron Neural Network,MLPNN)等学习算法大大提高了像素级分类和变化检测的精度[9-11]。Du等[12]提出了基于多分类器集成的变化检测方法，综合了多种分类器的优势互补性能，取得了较好的分类效果；Zhang等[13]将深度学习与特征变化分析相结合，并应用于遥感影像的变化检测，该方法比传统方法具有优越性。

由于高分辨率遥感影像光谱信息较少，同类地物的光谱差异较大，光谱域可分性降低，“同物异谱、同谱异物”现象普遍存在[14]，像素级变化检测方法并不能充分利用影像内部丰富的空间结构信息，检测结果往往会产生大量的“椒盐噪声”而影响变化检测的精度，因此面向对象的变化检测方法应运而生[15,16]。面向对象方法处理的最小单元不再是像元，而是含有更多语义信息的由多个相邻像元构成的对象，通过利用这种对象的几何信息以及对象之间的纹理和语义信息，大大减少了噪声对检测结果的影响。但面向对象变化检测方法依赖于分割影像的精度：如果分割尺度过小，对于较大尺度的地物则会造成过分割现象，使得大尺度地物被离散化，反之，则会造成不完全分割而丢失小尺度目标信息。因此，一些学者对影像分割优化进行了研究。如Tang等[17]提出了一种基于K-S检验的面向对象变化检测算法，首先使用FENA算法进行影像分割，并通过区域合并进行分割优化，然后基于两时期对象的K-S检验模型进行阈值分析，生成最后的变化图；Peng等[18]提出了基于分割优化和多特征融合的变化检测方法，首先对两时相影像分别分割并进行区域合并，然后利用D-S证据理论以对象为基元对多特征融合进行变化检测。

近年来，已有许多研究成果证明了像素级和对象级变化检测方法进行集成的适用性和有效性。一般而言，像素级和对象级变化检测算法是相互补充的，基于像素的变化检测可以较好地保存边缘信息，面向对象的变化检测则可以较好地抑制噪声。Zhang等[19]通过D-S证据理论将基于CVA的像素级与FCM的对象级变化检测结果相融合，降低了变化检测结果的不确定性，并通过多尺度层次的不确定性分析得到变化检测结果；Cao等[20]利用多尺度水平集方法得到像素级变化检测结果，然后以对象为基元利用SVM进行变化检测，进而将像素级和对象级检测结果相融合，生成最终变化检测结果。虽然上述将像素级和对象级融合的变化检测方法提高了变化检测的精度，但都是对两种以不同基元为单位的变化检测结果进行的融合，会忽略影像中的部分细节信息；并且在以对象为基元的变化检测中，影像的过分割现象会降低变化检测的精度。因此，本文在前人研究的基础上，综合利用像素级和对象级变化检测方法，将多分类器集成结果作为初始结果，将多尺度分割对象作为约束对象，根据判定准则得到最终变化检测结果。该方法综合利用不同分类器性能互补的优势，可提高变化检测算法的稳定性，并且利用面向对象的判定准则可弥补像素级变化检测虚检率较高的局限性，可在一定程度上降低过分割对变化检测结果的影响。

1 基于多分类器集成和影像分割的变化检测

1.1 分类器异质性度量

监督变化检测方法一般利用单一的分类器进行变化信息的提取，但并没有一种分类器能够普遍适用于所有类别的变化信息提取，因此本文构建了多分类器集成系统。通常情况下，将多个性能相同的分类器集成并不能完全提高分类器的性能，需要选择性能不同的分类器。对于异质集成的分类器而言，各分类器之间的互补性最为重要，差异性度量策略就是在这种背景下被提出来的[21]。根据考察对象，可将差异性度量分为局部差异性和全局差异性。局部差异性中最典型的度量方法是仅对两个分类器进行分析，称为成对差异性度量；全局差异性度量侧重于对整个分类器组合进行统一度量，分析整个分类器组合的差异性，称为非成对差异性度量。首先，设Z={z1,…,zn }为一组已知标签的参考数据集，分类器Ci的输出结果用n维向量Y={y1i,…,yni }表示。如果分类器Ci对样本zk分类正确，则yki=1，否则yki=0，其中i=1,…,L。

2011年以来，自治区政府先后批复了涠洲岛旅游区旅游发展规划、自然保护区规划调整，北海市政府先后批复了涠洲岛旅游区（镇）总体规划、控制性详细规划、土地利用总体规划等多项规划，为涠洲岛保护开发提供了依据。但各有关部门规划自成体系，不衔接、不协调的问题比较突出。

令Y=1-X

首先根据1.1节中不一致性度量策略得到异质性相对较大的两种分类器的集成结构，据此得到基于像元的变化检测结果；然后与1.2节多尺度分割方法得到的小块均匀影像结合，通过图像处理后，根据合适的阈值生成最终变化检测结果(图1)。如果对象中变化像元的比例小于设置的阈值(R)，则该对象中所有像元为未变化像元；否则，该对象内的像元发生变化，对象类别判定规则如图2所示。这种将像素级检测结果与约束对象利用判定准则串行结合的形式既可以减少像素级的“椒盐噪声”，又能避免分割失真和过分割对变化检测的影响。

(1)

式中:Qij的取值范围是[-1,1]。当两个分类器对所有样本分类结果都相同时，Qij=1；当分类结果都不相同时，Qij=-1，此时两个分类器差异性最大，因此分类器组合间的差异性与Qij呈负相关。

(2)

(1) 支撑架设不及时。每道钢支撑架设都存在滞后情况，扩大端内支撑未及时封闭成环，未按照设计图纸要求及时预加轴力或预加轴力过小。

(3)

式中:Disij的取值范围是[0,1]。当两个分类器对所有样本分类结果都相同时，Disij取值为0；分类结果都不相同时，Disij取值为1，分类器组合间的差异性与Disij呈正相关。

(4)

式中:DFij的取值范围是[0,1]，分类器组合间差异性与DFij呈负相关，DFij越小，分类器组合效果越好。

Cj正确(1)Cj错误(0)Ci正确(1)N11ijN10ijCi错误(0)N01ijN00ij

本文实验数据来源于2012年1月9日发射的资源三号(ZY-3)卫星影像数据(图3，彩图见附录1)。实验1中包含的两时相高分影像分别拍摄于2012年11月5日和2013年11月4日，覆盖范围是江苏省徐州市云龙区大龙湖附近区域(图3a、图3b)；实验2中包含的两时相高分影像分别拍摄于2013年11月4日和2014年10月14日，覆盖范围是江苏省徐州市铜山新区部分区域(图3c、图3d)。实验中影像大小为450×450像元，包含蓝(0.45～0.52 μm)、绿(0.52～0.59 μm)、红(0.63～0.69 μm)、近红外(0.77～0.89 μm)4个波段，影像空间分辨率为5.8 m。为提高分类器组合异质性检测效率，采用实验1部分区域为测试数据集，大小为50×50像元(图3e、图3f)，各区域参考变化图像如图4(彩图见附录1)所示。由于高分辨率遥感影像所含光谱信息较少，但空间信息较丰富[22]，为充分利用影像的空间结构信息，本研究利用灰度共生矩阵(Gray Level Co-occurrence Matrix，GLCM)和形态学运算提取纹理和形态特征，并与原始的光谱特征相融合以构建多源数据集。

(5)

式中：L代表分类器数量；表示分类器组合中将zk分类正确的分类器个数。

首先定义一个离散型随机变量X，表示对任一输入样本判断正确的子分类器占分类器组合的比例，取值范围为{0,1/L,2/L,…,1}，则难度度量定义为：

例如：高中数学教学当中在讲述到平面向量坐标以及平面向量概念知识点的时候，教师就可通过制作微课课件，为学生呈现动态的内容，通过Flash制作平面向量课件，并对其概念以及意义作用进行理解，这就为学生提供了方便，将抽象的内容形象化.在讲述到空间四边形时通过几何画板导入图形制作微课课件，引导学生观察对角线关系，将异面直线概念引入，这就方便学生对相应知识点的理解.

θ=var(X)

(6)

式中：var(X)代表X的方差。

1.1.1 成对差异性度量 成对差异性度量侧重于分析成对分类器内部的差异性，常用的度量策略主要包括Q-statistic(Q)、相关系数(ρ)、不一致度量(Dis)以及双错度量(DF)，其表达式分别见式(1)—式(4)。成对分类器组合分类结果如表1所示。其中，代表参考数据集Z中yki=a、ykj=b的zk数量，即代表两个分类器都分类正确的样本个数；代表Ci分类正确、Cj分类错误的样本个数；代表Ci分类错误、Cj分类正确的样本个数；代表两个分类器都分类错误的样本个数。

(7)

式中：Pi=p(i/L)，表示Y=i/L出现的概率。

鬼算盘钱通，年约四十，暗紫色长衫，外罩藏青色马褂，清瘦，一副大众面孔，那怕你和他多次见面也不会留下丝毫印象；

面向对象的变化检测方法中，处理的最小单元是含有很多语义信息的多个相邻像元组成的对象，多尺度分割算法形成了由分割尺度参数决定的影像对象层次体系，影像对象集合了像元的光谱信息、与周围像元的关系信息等，当同一区域的不同遥感影像对象相连接时，就形成了一个空间语义层次网络。其中多尺度分割中最具有代表性的是分形网络演化算法(Fractal Net Evolution Approach,FNEA)，它是一种自下而上的分割方法，从影像的单个像元开始，通过合并相邻的像素或小的分割对象，在保证对象与对象之间平均异质性最小、对象内部像元之间同质性最大的前提下，基于区域合并技术实现影像分割。在异质度合并准则中，设置的主要参数包括：1)分割尺度，用来确定生成的影像对象所允许的最大异质度，分割尺度越大，所生成对象的面积越大但数量越少，反之亦然；2)同质性因子，通常由光谱和形状组成，其权重值和为1，形状因子由紧致度和光滑度组成。

1.2 多尺度分割

写话是习作教学核心的部分，前面说词语、说句子、说语段已经为写话打下了基础，学生在写的过程中，就会得心应手。如在写话课《我喜欢的蔬菜》中，先采用观察体验、分层表达的形式，让孩子们通过用眼睛看、用手摸、用鼻子去闻、用嘴去尝、用脑去思考等活动，让学生将蔬菜的每一部分描写和叙述摘抄到习作本上，然后让学生通过画一画、贴一贴，这样再让学生提笔写话时，就不会因为不知怎么写或不知该用哪些词语而犯愁。有了之前的这一系列的铺垫，学生写作的热情被极大地点燃，最后整篇文章也就会一气呵成。这是上完《我喜欢的蔬菜》写话课后书写的片段：

1.3 基于多分类器集成及分割影像的变化检测

选取CBOE的新兴市场ETF波动率指数作为衡量原油金融属性的指标，代码VXEEM，该指标于2011年3月16日开始发布。VXEEM是采用CBOE的VIX计算方法对跟踪新兴市场ETF的期权计算出来，反映MSCI新兴市场指数基金的隐含波动率（见图9）。股市是经济的晴雨表，相较于滞后公布的许多宏观数据，股市的波动率直接反映了投资者对于未来宏观经济的信心。

其中，日本尤为积极。日本与中国之间存在着东海钓鱼岛争端，故而有意与南海声索国结成统一战线，以大大缓解来自中国的压力。日本炒作和利用南海议题，首先是要确保南海航线的自由和安全航行得到保证，但这事实上从未受到威胁和干扰；其次是把南海议题作为其对华外交政策杠杆，既为自己东海海域和钓鱼岛争议增加讨价还价的砝码，同时又可以与中国竞争在东亚地区的国际影响力。日本近年来加大对越南、菲律宾两国海上力量的援助，并致力于通过南海问题营造中国对第一岛链国家的威胁等，都是基于上述考虑。

2 实验与分析

2.1 实验数据及多源数据集构建

1.1.2 非成对差异性度量 非成对差异性度量策略侧重于分析整个分类器组合的差异性，常用的度量策略包括Kohavi-Wolpert方差(kw)、难度度量(Measure of difficulty，θ)及一致性错误差异性度量(CFD)，其与分类器组合的差异性分别呈正相关、负相关、正相关，表达式如下：

式中:ρij的取值范围是[-1,1]，分类器组合间的差异性与ρij呈负相关，且|ρ|≤|Q|。

2.2 实验过程

在分类器异质性度量实验中，利用测试数据集选取ELM、SVM、KNN、RF及MLP 5种常用监督分类器进行成对差异性度量，分类器组合的结果如表2所示。由表2可知，ELM与SVM的集成结构中在ρ和DF中有明显优势，在Dis与Q统计中也占有一定的优势，综合考虑结果，本实验选取ELM和SVM作为分类器集成的基分类器。

为验证本文方法的有效性，选择传统的像素级变化检测方法，包括单分类器变化检测方法(ELM)、多分类器集成(ELM-SVM)变化检测方法以及基于ELM面向对象变化检测方法与本文提出的方法作对比，由于ELM的不稳定性，所有实验都进行10次，取其均值作为最终精度。

差异性ELM⁃SVMELM⁃KNNELM⁃RFELM⁃MLPSVM⁃KNNSVM⁃RFSVM⁃MLPKNN⁃RFKNN⁃MLPRF⁃MLPρ0．23370．93330．90280．87090．86260．83830．79290．93270．91150．9360Dis0．06200．02600．03920．05340．05320．06560．06890．22100．03740．0276DF0．00760．25200．25400．25220．21920．22160．21640．26210．26300．2840Q0．90180．99820．99700．99650．99690．99780．99610．99880．99920．9988

实验1中影像分割尺度设置为15，形状因子为0.5，紧致度为0.5，共1 468块；实验2中影像分割尺度为50，形状因子为0.4，紧致度为0.6，共2 168块，图5(彩图见附录1)为两实验区域中2013年真彩色影像与分割边界叠加结果。根据图6中R与误检像元数量的关系，设置实验1中R为0.3，实验2中R为0.2。

2.3 实验结果与分析

表3和表4分别展示了实验1和实验2各种变化检测方法的精度，从表3可以看出，本文方法的总体精度为0.9569，Kappa系数为0.6901，精度最高。基于像元的变化检测方法中受混合像元和椒盐噪声的影响，不论是单分类器还是分类器集成结构，虚检率都较高；面向对象的变化检测由于对影像分割的依赖性较强，使得结果中漏检率较高；而本文方法中使两种现象都得到了改善，虚检率最低，漏检率也较低。同样，在表4中，本文方法的总体精度达到0.9750，Kappa系数达到0.8077，也是所有方法中精度最高的，且虚检率和漏检率都大幅减少。由此证明了本文方法的可行性和泛化性。

方法总体精度Kappa系数虚检率漏检率单分类器0．93690．57340．36580．0378集成结构0．94230．64080．35900．0271面向对象0．94700．60010．23390．0415本文方法0．95690．69010．19490．0323

方法总体精度Kappa系数虚检率漏检率单分类器0．95690．70360．33270．0159集成结构0．96620．76560．27470．0156面向对象0．96280．70180．22130．0250本文方法0．97500．80770．15660．0154

图7展示了两实验区域不同变化类型分类结果，本文主要研究的变化类型是水体、植被覆盖、裸土、道路、建筑物等，可以看出，两实验区域主要表现为建筑物增加和植被覆盖减少。其中实验1区域水体未发生明显变化，中间大龙湖边缘部分植被覆盖减少，部分道路类别发生变化，右侧大范围的裸土变成了建筑用地；而实验2区域位于铜山新区，主要是规则的未利用土地变为建筑用地以及植被覆盖的减少。通过建筑物类型变化(特别是大龙湖附近)可以看出，低建筑物逐渐向高建筑物类型发展，由此更说明了徐州近年来城市建设的发展。

图8、图9分别表示了实验1、实验2关于城市土地利用类型的各种变化检测方法的结果，可以看出，本文方法得到的结果(图8d)与参考变化图(图4a)最为相似。基于像元的变化检测结果中，在左侧建筑群区域存在大量点状分布的“椒盐噪声”(图8a、图8b左上方区域)，并且基于单分类器的变化检测结果中,左下方的道路变化像元被错分为未变化像元，但在多分类器集成的变化检测结果(图8b左下方区域)中被正确分类，由此说明分类器集成相较于单分类器具有优势；基于面向对象的变化检测结果中，左边区域点状分布的“椒盐噪声”基本被消除，但存在大量的漏检像元，如图8c左下方的道路、中间部分的建筑物等变化像元被错分为未变化像元。而本文方法不仅消除了“椒盐噪声”(图8d左上方部分)，并且漏检像元大量减少(图8d左下方和中间部分)。与变化类型分类结果(图7a)相比可知，本文方法能较准确地检测出植被覆盖、建筑物类别以及道路的变化。同样在图9中，本文方法得到的变化检测结果(图9d)与参考变化图(图4b)最相似，基于像元的变化检测方法中(图9a、图9b)存在大量虚检像元，面向对象的变化检测结果中存在大量漏检像元(图9c中间区域)。而本文方法(图9d)不仅消除了椒盐噪声，而且漏检像元大量减少。与变化类型分类结果(图7b)相比，面向对象的方法在建筑物顶部材料变化的部分存在大量漏检像元，而本文方法对建筑物、植被、道路的变化检测相对较全面且准确。由此证明了本文方法对不同地物类型变化检测的普适性。

3 结论

针对高分辨率遥感影像的特点，本文提取了影像的形态和纹理特征，并与光谱特征融合，共同构建多特征数据集，既弥补了高分影像光谱信息的不足，又利用了其丰富的内部空间结构信息；然后利用多分类器的互补优势，通过异质性研究得到相异性较大的ELM与SVM,并对其进行集成，该集成结构不仅提高了算法的精度，而且提高了算法的稳定性和效率(平均耗时15 s)；最后，为消除噪声并减少影像分割对变化检测的影响，将基于像元的变化检测结果与小尺度分割影像结合，通过判定准则得到最终变化检测结果。通过实验可知，本文方法与传统的像素级和对象级变化检测算法相比，在保证效率的同时，既可弥补ELM的不稳定性，消除基于像元的“椒盐噪声”，又可减少过分割对变化检测的影响。但本研究仍存在一些不足，比如在后处理过程中不能自适应确定阈值，并且在构建多特征数据时，未考虑不同特征对变化检测的影响程度，这在后续研究中有待完善。

参考文献：

[1] ZHOU J H,YU B L,QIN J.Multi-level spatial analysis for change detection of urban vegetation at individual tree scale[J].Remote Sensing,2014,6(9):9086-9103.

[2] 张伟,郑柯,唐娉,等.深度卷积神经网络特征提取用于地表覆盖分类初探[J].中国图象图形学报,2017,22(8):1144-1153.

[3] MALMIR M，ZARKESH M M K，MONAVARI S M，et al.Urban development change detection based on multi-temporal satellite images as a fast tracking approach-a case study of Ahwaz County,southwestern Iran[J].Environmental Monitoring & Assessment,2015,187(3):108.

[4] 张嵩,马保东,陈玉腾,等.融合遥感影像光谱和纹理特征的矿区林地信息变化监测[J].地理与地理信息科学,2017,33(6):44-49.

[5] 黄维,黄进良,王立辉,等.基于PCA的变化向量分析法遥感影像变化检测[J].国土资源遥感,2016,28(1):22-27.

[6] AZZOUZI S A,VIDAL A,BENTOUNES H A.Enhancement of the double flexible pace search threshold determination for change vector analysis[J].Proceedings of the International Symposium on Remote Sensing of Environment，2015,XL-7/W3(7):599-603.

[7] MOSER G,ANGIATI E,SERPICO S B.Multiscale unsupervised change detection on optical images by Markov random fields and wavelets[J].IEEE Geoscience & Remote Sensing Letters,2011,8(4):725-729.

[8] GU W,LV Z H,HAO M.Change detection method for remote sensing images based on an improved Markov random field[J].Multimedia Tools & Applications，2015,76(17):17719-17734.

[9] DU P J,LIU S C,ZHENG H.Land cover change detection over mining areas based on support vector machine[J].Journal of China University of Mining & Technology,2012,41(2):262-267.

[10] WESSELS K J,BERGH F V D,ROY D P,et al.Remote sensing rapid land cover map updates using change detection and robust random forest classifiers[J].Remote Sensing,2016,8(11):888.

[11] 杜培军,柳思聪.融合多特征的遥感影像变化检测[J].遥感学报,2012,16(4):663-677.

[12] DU P J,XIA J,ZHANG W,et al.Multiple classifier system for remote sensing image classification:A review[J].Sensors,2012,12(4):4764-4792.

[13] ZHANG H,GONG M G,ZHANG P Z,et al.Feature-level change detection using deep representation and feature change analysis for multispectral imagery[J].IEEE Geoscience & Remote Sensing Letters, 2016,13(11):1666-1670.

[14] 陈波,胡玉福,喻攀,等.基于纹理和地形辅助的山区土地利用信息提取研究[J].地理与地理信息科学,2017,33(1):1-7.

[15] 佃袁勇,方圣辉,姚崇怀.多尺度分割的高分辨率遥感影像变化检测[J].遥感学报,2016,20(1):129-137.

[16] 冯文卿,张永军.利用模糊综合评判进行面向对象的遥感影像变化检测[J].武汉大学学报(信息科学版),2016,41(7):875-881.

[17] TANG Y Q,ZHANG L P,HUANG X.Object-oriented change detection based on the Kolmogorov-Smirnov test using high-resolution multispectral imagery[J].International Journal of Remote Sensing,2011,32(20):5719-5740.

[18] PENG D F,ZHANG Y J.Object-based change detection from satellite imagery by segmentation optimization and multi-features fusion[J].International Journal of Remote Sensing,2017,38(13):3886-3905.

[19] ZHANG Y J,PENG D F,HUANG X.Object-based change detection for VHR images based on multiscale uncertainty analysis[J].IEEE Geoscience & Remote Sensing Letters,2018,15(1):13-17.

[20] CAO G,LI Y P,LIU Y Z,et al.Automatic change detection in high-resolution remote-sensing images by means of level set evolution and support vector machine classification[J].International Journal of Remote Sensing,2014,35(16):6255-6270.

[21] KUNCHEVA L I,WHITAKER C J.Measures of diversity in classifier ensembles and their relationship with the ensemble accuracy[J].Machine Learning,2003,51(2):181-207.

[22] 李亮,舒宁,王凯,等.融合多特征的遥感影像变化检测方法[J].测绘学报,2014,43(9):945-953.