基于PCA的变化向量分析法遥感影像变化检测

2016-04-11 06:41:44黄维黄进良王立辉胡砚霞韩鹏鹏
自然资源遥感 2016年1期

黄维, 黄进良, 王立辉, 胡砚霞, 韩鹏鹏

(1.中国科学院测量与地球物理研究所,武汉 430077; 2.中国科学院大学,北京 100049)



基于PCA的变化向量分析法遥感影像变化检测

黄维1,2, 黄进良1, 王立辉1, 胡砚霞1,2, 韩鹏鹏1,2

(1.中国科学院测量与地球物理研究所,武汉430077; 2.中国科学院大学,北京100049)

摘要:为实现对土地覆盖变化的遥感监测,研究了一种基于不同年份单时相遥感数据提取差异影像、自动确定变化阈值提取变化区域的新方法。以南通市Landsat8 OLI影像为例,对2期影像分别进行主成分分析(principal component analysis, PCA); 取前3个主分量进行变化向量分析(change vector analysis, CVA),构造变化检测差异影像,并与传统PCA法和CVA法构造的差异影像进行对比; 对3景差异影像分别用传统全局阈值法和局部最小错分概率法自动确定阈值,分别提取变化区域,得到6景变化区域图。利用目视解译样点进行精度评价的结果表明,改进后的基于PCA的CVA法提取的变化区域总体精度可达92.78%,Kappa系数可达0.842 6,证明使用该方法可有效地进行不同年份单时相遥感数据的变化检测。

关键词:变化向量分析(CVA); 主成分分析(PCA); 阈值确定; 变化检测

0引言

随着人类对土地资源改造的日趋频繁,土地覆盖/利用状态信息的及时更新已成为亟待解决的问题,而利用遥感数据的大面积同步观测和实效性等特点进行土地覆盖变化检测是一种有效的技术手段[1]。通常变化检测主要有2种方法: ①分类后变化检测; ②对影像直接进行变化检测[2-5]。为了避免因分类不精准而累积的误差,很多学者直接针对影像进行了变化检测的研究: 莫德林等[6]实现了几种基于主成分分析(principal component analysis, PCA)的遥感影像变化检测方法,并比较了它们的优缺点;……

登录APP查看全文