摘要：遥感图像变化检测是指在同一地表区域，获取覆盖该区域的多时相的遥感图像以及其他辅助数据，来获取地表特征随时间变化产生的变化而引起光谱的变化，所以利用不同时期的影响进行变化检测就能获取地物的变化信息。研究运用MATLAB编写算法对同一地区不同时间的两幅经过预处理的遥感图像的差值得到图像D，对得到的图像D进行FCM聚类分析，分为两类：变化类和不变类，得到了Kappa系数，最后进行了精度评价。

关键词：TM影像;变化检测;精度评价

中图分类号：TP753

文献标识码：A

文章编号：1674-9944 （2019） 24-0193-03

1 引言

遥感图像变化检测是指在同一地表区域，获取覆盖该区域多时相的遥感图像以及其他辅助数据，来获取地表特征随时间变化发生的变化而引起光谱响应的变化。它利用计算机图像处理系统对目标或现象在不同时期的变化进行识别和分析，能够在一定的时间间隔内确定物体或现象的变化，为物体的空间分布及其变化提供定性和定量的信息。

传统的变化检测方法是在不同的时间获取同一地点的两个不同的图像，而后对有差异的图像进行处理，将像素分为两类：变化和不变。目前，多光谱图像变化信息分析已成为遥感研究的热点之一，形成了一系列新的变化检测方法。根据数据来源，变化检测方法分为三类：基于新旧图像的变化检测、基于新旧图像的非图像数据的变化检测、基于立体图像对的变化检测。在三维变化检测中，根据所采用的数学方法，将变化检测技术分为七类：代数运算法、变换法、分类法、GIS法、高级模型法等。

侯晓真等[1]利用陆地卫星TM图像检测了泰山库木塔沙漠不同时期的时间序列变化，运用沙漠指数、归一化沙漠指数、修正的土壤调节沙漠指数来提取该沙漠地区，通过实验比较，得出了最优指标，最后，对实验结果的精度进行了计算验证。李芳芳等[2]提出了一种新的湿地提取方法。首先，将原始图像转化为帽子，通过湿度分级区分湿地和土地。然后使用决策树模型进行湿地提取区分不同类型湿地的信息。最后，对两个阶段的湿地分布图像进行检测，提取湿地变化范围。胡维等[3 ]利用主成分分析（PCA）光谱增强技术从多时相遥感图像中提取大部分光谱信息，然后利用变化矢量分析方法提取变化信息。张佳涛[4]对山区林地变化信息的提取方法进行了实验研究，为TM图像和Landsat 8卫星图像提取近几十年来的林地变化信息提供了技术参考。

变化检测是从不同时期的遥感数据中定量分析和确定地表变化的特征与过程。遥感变化检测是遥感瞬时视场中地表特征随时间的变化引起的不同时期影像像元光谱的变化[5]。在检测自然资源时，包括4个重要方面：检测变化是否发生;确定变化发生的实质;测量变化的面积;评估变化的空间模式。

2 研究区数据

为了可以更好地获取影像特征信息，要尽可能选取同一个季节，同一时刻或相近的遥感影像，以消除太阳高度角及植物物候条件的差异影响。选取了一组同一地区不同时间获得的TM影像进行了实验，把存在几何畸变的图像纠正成符合要求投影的图像，且要找到新图像的每一个像元的亮度值。图像已经过几何校正、辐射定标、大气校正以及图像裁剪的预处理操作。运用ENVI软件，通过详细的目视解译获得参考变化图像。

所用数据集是巴西2000年和2005年的森林覆盖图，图像大小都是400×400像素。图1是2000年真彩色合成图像，图2是2005年真彩色合成图像，部分森林由于滥砍滥伐变成裸地。

3 研究方法

3.1 改进的模糊C聚类算法

模糊C聚类算法是有MacQueen独立提出的一种经典聚类算法，而其中的模糊划分的概念最早是起源于Ruspini的文章，但其算法的详细分析与改进是由Dunn和Bezdek共同完成的。

模糊C聚类算法是一种模糊的聚类算法，是k均值聚类算法的推广形式，k均值聚类是一种硬聚类算法，隶属度只有两个取值O或者1，提出的基本根据是“类内误差平方和最小化”准则，而模糊C聚类的隶属度取值是[0，1]区间内的任何一个数。

要理解模糊C聚類算法，首先要了解隶属度的概念，隶属度函数是表示一个对象x隶属于集合A的程度的函数，其自变量的范围是所有可能属于集合A的对象，取值范围是[0，1]。其公式为：

模糊C聚类是迭代求取最终的聚类划分，即聚类中心与隶属度值。

模糊C聚类算法需要两个参数的确定，一个是聚类数目C，另一个是参数m，一般来讲，C要远远小于聚类样本的总个数，同时要保证.对于m，它是一个控制算法的柔性的参数，如果m过大，则聚类效果会很差，而m过小会使算法接近HCM聚类算法。

使用改进的模糊C聚类方法优化了算法的速度和聚类的精确度。优化方法是对隶属度函数进行改进。隶属度的改进函数如式（3）：

4 结果分析

本研究利用巴西地区2005年和2000年两期TM影像，借助遥感图像处理软件ENVI5.1进行了图像的预处理，编写数学软件matlab的算法进行模糊聚类分析，得到实验结果图3。并对其精度进行评价和分析。本文运用以下几个参数来描述监测结果的精度：漏检数（miss detection，MD）;虚警数（false alarms，FA）;总错误数（ overall error，OE）;Kappa系数（KC）。结果如表1。

kappa系数克服了整体精度只使用误差矩阵对角线上的数据，而不使用整个误差矩阵的信息的缺点。它不仅考虑了在对角线上正确分类的像素数量，而且还考虑了不在对角线上的各种遗漏和错误分类错误。

研究中所得的结论如下：在精度要求不是很高时，利用FCM聚类进行遥感图像的变化检测是可行的，结果可为掌握区域内变化信息提供参考依据。

5 讨论与展望

本研究选取的研究区域相对较小，研究区域的土地利用/覆盖类型不完整，两个时期的土地利用变化类型不够丰富。在未来的研究中，可以选择更大、更丰富的研究领域。由于不同区域的气候差异较大，大气状况不均一，给大气辐射校正带来一定困难，本研究所用的FLAASH校正是通过寻找黑暗像元来反演气溶胶和估算能见度对整个研究区进行大气校正，对这类地区的大气校正方法有待进一步研究。由于受太阳高度角、传感器所处位置、地形环境等的影响，影像上存在阴影、地物辐射失真等现象，有效的地形辐射校正方法有待进一步研究。

传统的FCM算法受初始值的影响较大，同时不能充分利用样本的类信息，导致聚类效果不理想。同时，仅采用聚类算法对遥感图像进行分类，逐像元的变化检测分析方法仅仅考虑单个像元的光谱特征，没有考虑到周围像元的光谱特征及临近香园的空间特征信息，不能充分利用图像中的空间信息，导致分类结果不理想。因此采用改进的FCM算法可以更好地保留变化的区域，也减少了噪声的影响。

参考文献：

[1]侯晓真，张书毕，宁晓刚，等，基于TM影像波段运算的沙漠变化检测分析[J].大地测量与地球动力学，2013，33 （6）： 145～149 ，154.

[2]李芳芳，贾永红，一种基于TM影像的湿地信息提取方法及其变化检测[J].测绘科学，2008（2）：147～149.

[3]胡维，马杰，李海涛，等，多时相遥感影像变化检测系统设计与实现[J].计算机与数字工程，2011，39（3）：51～55，97.

[4]张佳涛，基于TM影像的山区林地变化检测方法对比研究[D].贵 阳：贵州大学，2015.

[5]李 全.基于LANDSAT TM影像的城市变化检测研究[C]∥中国地理学会，中山大学，中国科学院地理科学与资源研究所，中国地理学会2004年学术年会暨海峡两岸地理学术研讨会论文摘要集.广州：中国地理学会，中山大学，中国科学院地理科学与资源研究所，2004：1.

收稿日期：2019-11-06

作者简介：杨钰（1994-），女，硕士研究生，研究方向为GIS应用与遥感影像处理。