0 引言

随着空间信息技术的飞速发展，遥感影像的空间分辨率、光谱分辨率和时间分辨率不断提高，其获取的地表信息更加丰富，应用领域越来越广。如何利用高空间分辨率遥感图像丰富的地物细节信息，并抑制成像条件与自然条件带来的信息干扰，是目前遥感影像变化检测研究中倍受关注的问题。传统的单像素、单一特征的变化检测算法已经不能满足变化目标检测的准确性和完整性[1]，面向对象多特征融合的变化检测算法[2-3]已成为高空间分辨率遥感变化检测研究领域的热点。

“让我拍一张菜单，研究上面有什么角色是名存实亡的？”喜欢看侦探卡通的我对儿子说：“应该带放大镜来探索，看看哪样菜色被斩草除根。啊，千万别是你爱吃的肉。”

由影像派生的多特征是变化检测信息的载体，主要包括光谱、边缘和纹理等特征。利用影像对象特征进行多时相变化检测时传统的变化检测算法选用单一特征，如Bovolo等[4]采用像斑均值信息进行变化检测； 庄会富等[5]提出基于纹理特征的影像变化检测算法，通过多方向、多个纹理特征构建差异影像提高了变化检测的精度； 李松等[6]提出结合纹理分析与比率变换的变化检测算法，通过分析纹理特征，统计纹理的指标，有效地识别出滑坡灾害信息； 钟家强等[7]提出线特征变化检测算法，通过提取影像的边缘梯度信息、压缩、拟合等处理，获得变化检测结果，避免了线匹配的复杂过程，具有较强的实用性。虽然以上的算法都从不同的角度验证特征的有效性和可用性，但单一特征模型的适用性和精度并不理想。刘臻等[8]利用梯度和纹理相似度进行变化检测； 李亮等[9]将光谱信息与纹理信息结合提出多特征融合的变化检测算法； 魏立飞等[10]提出应用多特征流行嵌入模型，充分综合多特征的信息，获得了完整的变化信息。但上述多特征融合方法多采用光谱与纹理的特征，未能考虑颜色的空间分布信息以及影像的边缘特征。

鉴于上述情况，本文通过研究不同特征的特点，提出多特征自适应融合的变化检测方法，以影像对象的颜色直方图为依据，通过统计颜色直方图、边缘直线梯度直方图的最大概率差别自适应确定权值，实现颜色特征与边缘直线特征的自适应加权组合，为下一步变化强度阈值的选取做准备。

1 基于多特征融合的变化检测

为了充分利用遥感图像的颜色空间分布信息以及边缘直线梯度特征，本文提出一种基于面向对象思想的多特征融合变化检测方法。首先，运用多尺度分割算法(multi-solution segmentation)获得影像对象，并统计影像对象的颜色直方图和边缘直线梯度直方图信息； 然后，利用推土机距离(earth mover’s distance， EMD)计算不同时相影像对象之间的颜色距离和边缘直线距离，并自适应加权颜色距离和边缘直线距离，获得对象的异质性，对象的异质性越接近于0变化可能性越低，远离0则变化可能性越高； 最后，基于以上理论采用直方图曲率分析获得像斑的变化检测结果。

50 颅内未破裂动脉瘤血管内介入治疗程序相关性缺血性并发症的危险因素及临床特点分析 李 力，吕 楠，赵 瑞，黄清海，洪 波，刘建民，许 奕

具体变化检测流程见图1。

  

图1 变化检测流程

 

Fig.1 Workflow of change detection

1.1 多尺度影像分割

影像分割是面向对象影像分析的基础，其结果将对后续的分析产生重要的影响[11]。本文选用多尺度分割算法[12]，通过计算各波段的形状与光谱异质性的特征值，根据各个波段信息自适应确定权重，进行迭代运算，直到影像对象的形状和光谱的综合加权值大于给定的阈值时停止迭代，完成影像的多尺度分割。对于任意波段的影像i ，其异质性fi为

fi=ωihcolor+(1-ωi)hshope ,

(1)

hshope=(1-ωsm)hcm+ωsmhsm ,

(2)

,

1.2 颜色和边缘直线特征提取

直方图是一种空间统计特征，颜色和边缘直线梯度直方图能较好地表达对象的空间特征分布情况，为下一步计算前后2期差异提供依据。本文采用影像对象的颜色直方图和边缘直线梯度直方图来描述不同时相影像对象的光谱特征和空间特征。

颜色直方图的最大概率值一定程度上反映了颜色信息。因此当颜色信息占主导时，颜色权重应适当增大，反之颜色权重应适当减小。颜色权重的表达式为

此外,如果译者没有遵循“以术语译术语”的原则,用普通词汇替代专门术语词汇也会出现一词多译。如“住宅建设用地使用权期间”对“住宅”一词的翻译,有三种译法:“residences”“residential pro-perty”和“dwelling houses”。前二者指住宅(普通词义)、居所、实际居住地(法律词义),最后一个译文指住处、住宅,供人生活于其中的房屋或其他建筑物。三者均有“供人居住”的含义,但在法律上有不同的使用语境,前二者可用于国际私法上的“经常居住地”的概念,最后一个则比较适合用于此处,可以体现法律语言的专门性。

追求灵魂的光明（吴语） ................................................................................................................................1-48

首先，RGB模型转换成HSV模型，具体公式为

,

(3)

,

颜色作为影像上一种直观显著的重要视觉特征，对影像的形态、大小、方向和视角依赖较小。窦建军等[13]曾将全局颜色直方图应用于图像检索领域。常用的RGB模型都存在以下不足： ①不符合人对颜色的感知心理； ②在颜色感知上存在较小差异的2个点，难以在非均匀分布的RGB颜色空间中以2个点来表示。HSV颜色空间是面向视觉感知的模型，符合人眼感知的色调、亮度和饱合度3要素，能更好地模拟人工变化检测的过程，因此能更好地用于提取颜色特征。颜色直方图的提取主要包括2步： ①RGB模型与HSV模型转换； ②HSV的量化。

(4)

通过以上分析，当前后2期的颜色差别较大时，颜色直方图的最大概率差别也较大； 当前后2期的边缘直线特征差别比较大时，直线梯度直方图的最大概率差别也就较大。据此，根据颜色直方图和直线梯度直方图的差别情况自适应地设置颜色与边缘直线权重，即

(5)

 

(6)

式中： R，G和B分别为红光、绿光和蓝光波段影像。经过HSV颜色变换，影像上的每一个像素点都可以用H，S和V来表示； 然后，依据人眼对颜色感知的特性，对HSV 3分量均匀量化，将H，S和V分别空间量化为8，5和5份； 最后，统计获得影像对象的颜色直方图。

1.2.2 边缘直线特征提取

高邮湖的入湖河道属于淮河入江水道水系，淮河大部分上游来水经三河闸，过入江水道进入高邮湖。高邮湖区间来水，主要来源于安徽省天长市境内，其余来源于淮安、扬州境内。高邮湖入湖主要河道有上游入江水道、利农河、涂沟河、铜龙河、老白塔河、白塔河、王桥河、秦栏河。

高空间分辨率遥感图像纹理比较丰富，采用canny，soble和lapace等算子可以直接提取低矮建筑物区的边缘，但边缘比较琐碎，难以表达影像对象的特征。本文采用line segment detector算子[14]检测遥感图像中几何形状明显的目标。由于直线区域的灰度通常是不连续的，直线上每一像素对应一个梯度方向，基于直线像素点的梯度方向建立的直方图能够表示影像对象的形状特征，对于发生变化的对象能很好地反映前后2期的差异。对于影像上点(x,y)处f(x,y)的梯度定义为

,

(7)

梯度是一个矢量，其大小和方向为

 

(8)

θ(x,y)=arctan (Gy/Gx) ,

(9)

式中θ(x,y)为f(x,y)在该点的灰度变化最大的方向。根据直线像素点方向统计直线梯度方向直方图H(i)。直线梯度直方图表征影像对象直线取向的分布特征，不同时相变化的影像对象具有不同的直线分布。

1.3 直方图距离

2个不同时期的影像对象变化程度可以用对象之间的距离表示。距离越大，对象间变化的可能性越大。目前常用的直方图距离有欧式距离、巴氏距离、直方图相交距离和卡方距离等。这些距离测度，只比较直方图对应位置的差异，要求提取影像的颜色特征和边缘直线特征必须严格对应，而由于遥感影像“同物异谱，异物同谱”现象的存在，误差是不可避免的。而EMD对影像目标形变、光照变化及噪声具有更好的鲁棒性[15]，能更好地描述对应对象之间的相似度。其数学模型描述如下： 直方图A有n个bin，每个bin的值为binA1，binA2，…，binAn，直方图B也有n个bin，每个bin的值为binB1，binB2，…，binBn，cij=|i-j|表示binAi到binBj的距离，xij表示binAi转换成binBj的数量，则EMD距离DEMD转化为求最小值，即

。

(10)

1.4 相似性自适应组合

颜色特征与边缘直线特征的组合是实现多特征融合的关键之一，常用方法为加权组合。设DHSVEMD和DLINEEMD分别为颜色相似度和边缘直线相似度，ωhsv和ωline分别为对应的权重，则颜色和边缘直线的加权组合为

DIS=ωhsvDHSVEMD+ωlineDLINEEMD 。

(11)

令所有对象异质性值的集合为D={D1，D2，…，Dn}，异质性值接近0，表示图像变化可能性越小； 越远离0值地区，则变化的可能性越大。影像上大部分是没有发生变化的，则异质性直方图是逐渐递减的一种形态。本文采用异质性直方图曲率分析(histogram curvature analysis，HCA)方法确定变化检测阈值，该方法自适应能力较强。

为此，本文提出一种自适应的权重确定方法。根据统计计算前后2期对象的颜色直方图和直线梯度直方图动态调整颜色和边缘直线特征的权重。首先，计算前后2期对象的颜色直方图和直线梯度直方图； 然后，以直方图所表达的信息动态调整权重。对于颜色比较单一的区域，颜色值会比较集中分布在某几个值附近，使得直方图中最大概率的值比较大； 对于边缘直线特征比较明显的对象，边缘直线梯度直方图差别就比较大。如图2所示，图2(a)中2个方框区域2013年为植被区域，图2(b)中2015年已被建设成道路。图2(c)和(d)分别为2013年和2015年的颜色直方图和边缘直线梯度直方图，可以看出2个区域2 a间的直线梯度直方图相接近，但是颜色直方图存在较大的差异。

 

(a)2013年 (b) 2015年 (c) 颜色直方图 (d) 直线梯度直方图

图2 颜色主导区域

Fig.2 Area of color dominate

图3(a)中2个方框区域2013年为裸地区域，2015年该区域已建为建筑物(图3(b))。图3(c)和图3(d)分别为2013年和2015年的颜色直方图和边缘直线梯度直方图，可以看出2个区域2 a间的颜色直方图相接近，但是直线梯度直方图存在较大的差异。

 

(a) 2013年 (b) 2015年 (c) 颜色直方图 (d) 直线梯度直方图

图3 边缘直线主导区域

Fig.3 Area of edge line dominate

,

k1=abs[max(hsvt1)-max(hsvt2)] ,

(12)

k2=abs[max(linet1)-max(linet2)] ,

(13)

式中max(hsv)和max(line)分别为颜色直方图和直线梯度直方图的最大概率值。

1.2.1 颜色特征提取

。

(14)

1.5 直方图曲率分析

其中ωhsv和ωline的确定成为特征融合的关键问题。颜色和边缘直线权重的确定主要依赖如下准则： 在颜色主导的区域，颜色的权重较大，否则边缘直线权重较大。针对遥感影像分割中光谱和纹理特征，许多研究者提出了自动加权方法[9-16]，然而由于权重的确定过于复杂，方法难以推广。

治疗后24 h尿微量白蛋白和24 h尿蛋白定量对比：观察组均低于对照组，差异有统计学意义（P＜0.05）。见表3。

影像对象的异质性值呈现出单侧正态分布趋势，且对象中变化区域和非变化区域的异质性往往会有很明显的差异，通过分析直方图的曲率可以确定变化检测的阈值。依据微积分基本原理，曲率值越小表示曲线的弯曲程度比较缓，曲线发生突变的可能性就越小； 而对于离散数据其曲率值k可近似表达为

式中： ωi为第i波段光谱异质性hcolor的权重； hshope为形状异质性，通过形状平滑度的权重ωsm、形状平滑度hsm和形状紧凑度hcm确定。

(15)

式中f(i)为第i个位置对应的频率值。取k最大值对应的i作为变化检测的最优阈值，实现最终变化区域的提取。

2.需要充分落实工作预案。在对突然发生的事件进行处理时，首先，相关工作人员需要了解清楚事件发生的基本情况，找出突发事件发生的真正原因，然后根据事件发生的时间、地点等对该事件的性质做出明确界定。其次，现场处理人员应当控制好自身的态度和情绪，时刻保持自身头脑清醒，才能够在事件现场做出更为准确高效的判断。

2 结果与讨论

2.1 实验数据

实验数据采用苏州市某城区的2013年和2015年资源三号卫星遥感影像，尺寸大小为1 800像素×1 420像素，空间分辨率为2.1 m，由蓝光、绿光、红光和近红外4个波段组成； 影像已经经过影像配准和直方图匹配等预处理。实验数据如图4所示。

(a) 2013年 (b) 2015年

图4 苏州市某城区影像

Fig.4 Suzhou City images

2.2 实验分析

实验采用多尺度分割算法对配准和直方图匹配后的多时相遥感影像进行分割，获得具备光谱和形状同质性的对象。最优分割尺度根据经验和知识确定； 形状因子参与形状一致度的权重，最优的形状因子能够得到合理边界的影像对象； 紧致度表示影像对象的规则程度，紧致度过大则分割后影像地物不唯一，出现不纯净的对象。最终确定分割参数分别为： ①分割尺度为100、形状因子为0.45、紧致度为0.5； ②分割尺度为80、形状因子为0.5、紧致度为0.64。然后将前后2个时期的分割结果进行叠加生成最终的矢量文件如图5(a)所示。图5(b)为标准变化检测结果，其中黑色表示未变化区域，白色表示变化区域。为了验证多特征融合算法的有效性，将单一特征、固定权重算法同本文算法进行了比较，检测结果如图6所示。图6中椭圆为虚检区域，矩形为漏检区域。6种变化检测结果的精度评定如表1所示。

(a) 分割结果 (b) 标准变化检测结果

图5 分割结果及标准检测结果

Fig.5 Segmentation and standard detection results

 

(a) ωhsv=1，ωline=0 (b) ωhsv=0.7，ωline=0.3 (c) ωhsv=0.5，ωline=0.5

 

(d) ωhsv=0.3，ωline=0.7 (e) ωhsv=0，ωline=1(f) 本文检测结果

 

图6 不同权重变化检测结果Fig.6 Different weight results of change detection表1 不同权重变化检测结果精度比较Tab.1 Accuracy comparison by methods with different weights

  

参数ωhsv=1 ωline=0ωhsv=0.7 ωline=0.3ωhsv=0.5 ωline=0.5变化未变化变化未变化变化未变化实际变化/m2684 947.40781 227.60926 630.50575 792.40814 214.35739 430.11实际未变化/m2319 829.909 790 902.40391 942.409 682 541.80393 480.809 629 782.05合计/m21 004 777.3010 572 130.001 318 572.9010 258 334.201 207 695.1510 369 212.16虚检率0.320.300.33漏检率0.530.380.46正确率0.900.920.90参数ωhsv=0.3 ωline=0.7ωhsv=0 ωline=1本文算法变化未变化变化未变化变化未变化实际变化/m21 090 209.13348 681.201 288 899.00177 276.001 174 865.98327 581.02实际未变化/m2583 248.279 554 768.70867 573.009 243 159.20374 527.029 699 933.08合计/m21 673 457.409 903 449.902 156 472.009 420 435.201 549 393.0010 027 514.10虚检率0.350.400.24漏检率0.240.120.22正确率0.920.910.94

分析图6可以得出如下结论： 图5(a)仅利用颜色特征进行变化检测，存在较多的虚检和一定的漏检。图5(e)仅利用边缘直线特征进行变化检测，漏检现象比较严重。利用颜色特征与边缘直线特征加权进行变化检测，当颜色权重为0.7时，虽然部分图5(b)中虚检部分被标记为未变化，但仍存在一定的漏检现象； 当颜色权重与边缘直线权重都为0.5时，图5(c)也存在较多的漏检和虚检； 当颜色权重为0.3时，与图5(b)和(c)相比虚检有所下降，但是漏检增加； 利用本文算法进行变化检测，图5(f)变化区域的识别仍然存在虚检和漏检，但虚检率和漏检率比固定权重有所降低。

那是我刚刚来西山的时候，是个冬天。大冬天的，那天天上下着些碎小的雪花，飘飘零零的。天冷啊。我从咱平南老家起身时穿的衣服不多，身上带的钱也不多，干粮早用了了。

文献[9]与文献 [16]都采用了光谱特征与纹理特征融合，依据像斑灰度的标准差自适应确定阈值，其精度与本文精度的对比如表2所示。由于不同时期遥感影像存在太阳高度角、光照条件和季节等因素不同程度的影响，使得不同地物在影像上具有不同的灰度值，而纹理特征仅反映地物结构信息，无法作为区分不同地物的主要依据，故实验结果表明，本文采用光谱特征与几何特征的变化检测精度最高。

尽管ADA推荐HbAlc≥6.5%便能对糖尿病进行诊断，但经该次研究得知，当HbAlc取值为6.34%、6.5%时，其诊断灵敏度与特异度较接近，表明当HbAlc于6.34%时，便可诊断DM。

 

表2 不同变化检测算法精度比较Tab.2 Accuracy comparison of different methodsof change detection

  

参数文献[9]方法文献[16]方法本文算法虚检率0.320.320.24漏检率0.210.250.22正确率0.930.920.94

3 结论

基于面向对象的分析思想，本文提出了一种多特征融合的遥感影像变化检测算法。实现了颜色特征与边缘直线特征的自适应加权组合，为融合HSV颜色直方图与边缘直线梯度直方图进行变化检测提供了一种思路。采用直方图曲率分析获得像斑的变化检测结果，实现了变化检测最优阈值的自动确定。实验结果表明，该方法依据像斑的光谱信息，充分、有效地挖掘和融合了影像多特征的检测优势，降低了虚检率和漏检率，提高了变化检测的正确率。为了进一步提高变化检测的精度，后继研究将在本文基础上，引入纹理和形状等特征信息。

总之，零工经济的出现和发展，对劳务市场、就业市场是积极补充。数字显示，2017年我国参与共享经济活动的人数超过7亿，比上年增加1亿人左右，参与提供服务者人数约为7000万人，比上年增加1000万人。面对这一庞大的新兴就业群体，他们的权益保障不能“归零”，这就需要相关部门重视起来，通过完善政策等，为每一位劳动者筑牢权益保障基石。

参考文献(References)：

[1] 魏立飞,钟燕飞,张良培,等.遥感影像融合的自适应变化检测(英文)[J].遥感学报,2010,14(6):1196-1211.

Wei L F,Zhong Y F,Zhang L P,et al.Adaptive change method of remote sensing image fusion[J].Journal of Remote Sensing,2010,14(6):1196-1211.

[2] Gong J Y,Sui H G,Sun K M,et al.Object-level change detection based on full-scale image segmentation and its application to Wenchuan Earthquake[J].Science in China Series E:Technological Sciences,2008,51(S2):110-122.

[3] Zhang G,Li Y,Li Z J.A new approach toward object-based change detection[J].Science China Technological Sciences,2010,53(S1):105-110.

[4] Bovolo F,Bruzzone L,Marconcini M.A novel approach to unsupervised change detection based on a semisupervised SVM and a similarity measure[J].IEEE Transactions on Geoscience and Remote Sensing,2008,46(7):2070-2082.

[5] 庄会富,邓喀中,范洪冬.纹理特征向量与最大化熵法相结合的SAR影像非监督变化检测[J].测绘学报,2016,45(3):339-346.

Zhuang H F,Deng K Z,Fan H D.SAR images unsupervised change detection based on combination of texture feature vector with maximum entropy principle[J].Acta Geodaetica et Cartographica Sinica,2016,45(3):339-346.

[6] 李 松,李亦秋,安裕伦.基于变化检测的滑坡灾害自动识别[J].遥感信息,2010(1):27-31.

Li S,Li Y Q,An Y L.Automatic recognition of landslides based on change detection[J].Remote sensing Information,2010(1):27-31.

[7] 钟家强,王润生.基于自适应参数估计的多时相遥感图像变化检测[J].测绘学报,2005,34(4):331-336.

Zhong J Q,Wang R S.Multitemporal remote sensing image change detection based on adaptive parameter estimation[J].Acta Geodaetica et Cartographica Sinica,2005,34(4):331-336.

[8] 刘 臻,宫 鹏,史培军,等.基于相似度验证的自动变化探测研究[J].遥感学报,2005,9(5):537-543.

Liu Z,Gong P,Shi P J,et al.Study on change detection automatically based on similarity calibration[J].Journal of Remote Sensing,2005,9(5):537-543.

[9] 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.

Li L,Shu N,Wang K,et al.Change detection method for remote sensing images based on multi-features fusion[J].Acta Geodaetica et Cartographica Sinica,2014,43(9):945-953.

[10] 魏立飞,王海波.基于MSE模型的高分辨率遥感图像变化检测[J].光谱学与光谱分析,2013,33(3):728-732.

Wei L F,Wang H B.Change detection from high-resolution remote sensing image based on MSE model[J].Spectroscopy and Spectral Analysis,2013,33(3):728-732.

[11] 巫兆聪,胡忠文,张 谦,等.结合光谱、纹理与形状结构信息的遥感影像分割方法[J].测绘学报,2013,42(1):44-50.

Wu Z C,Hu Z W,Zhang Q,et al.On combining spectral,textural and shape features for remote sensing image segmentation[J].Acta Geodaetica et Cartographica Sinica,2013,42(1):44-50.

[12] 陈云浩,冯 通,史培军,等.基于面向对象和规则的遥感影像分类研究[J].武汉大学学报(信息科学版),2006,31(4):316-320.

Chen Y H,Feng T,Shi P J,et al.Classification of remot sensing image based on object oriented and class rules[J].Geomatics and Information Science of Wuhan University,2006,31(4):316-320.

[13] 窦建军,文 俊,刘重庆.基于颜色直方图的图像检索技术[J].红外与激光工程,2005,34(1):84-88.

Dou J J,Wen J,Liu C Q.Histogram-based color image retrieval[J].Infrared and Laser Engineering,2005,34(1):84-88.

[14] Von Gioi R G,Jakubowicz J,Morel J M,et al.LSD:A line segment detector[J].Image Processing on Line,2012,2:35-55.

[15] 韩 华,曹 伟,龚 涛.目标再确认中基于推土机距离的关联度建立[J].华中科技大学学报(自然科学版),2015,43(s1):435-439.

Han H,Cao W,Gong T.The establishment of correlative degree in target re-identification based on earth mover’s distance[J].Huazhong University of Science and Technology(Natural Science Edition),2015,43(s1):435-439.

[16] Wang A P,Wang S G,Lucieer A.Segmentation of multispectral high-resolution satellite imagery based on integrated feature distributions[J].International Journal of Remote Sensing,2010,31(6):1471-1483.