一种基于分类结果及CVA-SGD法的建筑垃圾变化检测方法与流程

一种基于分类结果及cva-sgd法的建筑垃圾变化检测方法
技术领域
1.本发明涉及建筑垃圾变化检测技术领域，具体地说是一种基于分类结果及cva-sgd法的建筑垃圾变化检测方法。


背景技术：

2.建筑垃圾作为城市建设中不可避免产生的固体废弃物，其带来的一系列环境污染问题与社会问题严重制约了国家循环经济、可持续发展战略的推进，因此研究建筑垃圾的特征信息，并能够快速准确发现其空间分布位置非常重要。
3.传统的建筑垃圾监测与管理主要是通过实地调研与现场测量，已经无法高效精准地定位当今城市快速发展所带来的大量建筑堆积地点与范围，而当前遥感技术快速发展，高空间分辨率、高时间分辨率遥感数据获取能力极大提升，为建筑垃圾监测提供了新的手段。
4.因此，需要设计一种基于分类结果及cva-sgd法的建筑垃圾变化检测方法，对同一地区不同时期的两个影像提供的信息进行分析、处理与比较,获取该时间段内的土地利用与覆盖变化信息，实现对建筑垃圾变化信息的掌握。


技术实现要素：

5.本发明的目的是克服现有技术的不足，提供了一种基于分类结果及cva-sgd法的建筑垃圾变化检测方法，对同一地区不同时期的两个影像提供的信息进行分析、处理与比较,获取该时间段内的土地利用与覆盖变化信息，实现对建筑垃圾变化信息的掌握。
6.为了达到上述目的，本发明提供一种基于分类结果及cva-sgd法的建筑垃圾变化检测方法，包括以下步骤：
7.【数据及预处理】：
8.s1：使用arcgis软件获取随机点作为验证样本，根据地物类别占比确定样本数量；
9.s2：通过实地勘察采集建筑垃圾堆积位置的gps数据点，结合google earth确定建筑垃圾堆积范围；
10.s3：根据研究区内建筑垃圾类型以及堆积时间的差异，将其作为参考结果用于精度评价分析；
11.【建筑垃圾特征提取】：
12.通过使用relieff_j-m组合算法来对建筑垃圾及其他精细地物的特征进行优选；
13.选取特征的最邻近样本，再进行特征权重的计算；
14.如果同类样本中，该特征差别较小，而不同类样本中，差别较大，则表示该特征的贡献程度较大，即权重值大；权重值较大的特征在地物分类中是需要进行首要考虑的特征信息；权重值的具体计算公式如式：
[0015][0016]
式中：h为迭代次数；r为最邻近样本个数，disc()为样本之间的距离，p()类别，r为随机样本，它在类别不同的样本中的最邻近样本用ij(v)表示；其中k＝2(1-e-p
)，
[0017]
式中：δi和τi(i＝1和2)都表征准备参与分类的两个类别中，样本对应特征参数。其中δi为均值，τi(i＝1和2)指标准差，p的取值范围为[0， ∞)。j-m距离计算出来的结果数值在的0到2之间，若k＝0，表示两种类别在该特征上相似性极高，利用对应特征分类会出现大量错分现象；若k值大于0且越接近2，意味利用对应特征能够较好的分离出相关对象；
[0018]
【面向对象的建筑垃圾遥感识别与分类】：通过利用基于relieff_j-m算法模型优选出的特征，设立阈值，最终得到面向对象分类的特征规则集，确立了研究区内的分类体系：
[0019]
建筑垃圾：分布在建设用地及裸土旁，在影像中多呈灰色或亮白色。边界不清晰，纹理较复杂；
[0020]
建设用地：分布集中，包括建筑物和道路，在影像中呈建筑物屋顶真实颜色(红色或蓝色)，呈长条状或块状；
[0021]
植被：分布在道路、居民区旁。在影像上呈深绿色，有一定的纹理；
[0022]
水域：分布在道路一侧，为人工沟渠，反射率较低，影像中呈暗黑色；
[0023]
裸土：分布在植被或建设用地旁，在影像中呈暗褐色或土黄色；
[0024]
【变化矢量分析法(cva)】：同时从强度和方向两个角度来描述影像发生变化的情况；
[0025]
设时相t1和时相t2的遥感影像分别为g1和g2，第i行第j列的像元灰度值分别为和其中n为选择的波段数，为第k波段第i行第j列的t时相该像元的灰度值，对g1和g2作差值，得到变化矢量式：
[0026][0027]
δg通过下式得到，它描述了整幅影像发生变化的信息：
[0028]
[0029]
对||δg||设定一个适当的阈值，当大于该值时，认为发生了变化，否则判定未变化；
[0030]
【光谱斜率差异法(sgd)】：比较卫星在同一区域拍摄所得的两个不同时期的影像中地物光谱斜率的差异大小，若两个时期影像中同一处地物在光谱形状上发生了变化，就可以依据此变化来判断该处地物也发生了变化；若一幅遥感影像一共拥有m个多光谱波段，则它们会形成m-1个多光谱波段，这时计算连接每两个相邻多光谱波段之间线段的斜率，可以通过下式计算得到多光谱段(m，m 1)的斜率：
[0031]
式中：δref为波段m 1与波段m的光谱亮度值之间的差，δρ是m 1波段与m波段波长之间的差，ρ
′m是对第m波段的波长进行归一化后得到的值，可以通过下式计算得到：
[0032]
式中：ρm为第m波段的波长值，min(ρ)为影像中波长最小值，max(ρ)为最大值，单位均为μm；
[0033]
最终两时相同一处地物的光谱斜率的变化强度可以通过下式计算得到：
[0034][0035]
式中：ref
i，m 1
为t1时相第m 1波段的光谱亮度值，ref
i，m
为第m波段的光谱亮度值，ref
j，m 1
为t2时相第m 1波段的光谱亮度值，ref
i，m
分别为第m波段的光谱亮度值，ρ
′
m 1
和ρ
′m为对应波段的归一化波长，difk为两斜率向量的变化强度，该值越大，表示区域内地表覆盖越可能发生变化，反之可能性较低，最后需要通过设定一个阈值，来判断是否发生变化；
[0036]
【阈值分割算法】：合适的阈值分割算法能够将变化检测的错误率降到最低；
[0037]
【精度评价指标】：选择遥感影像变化检测中常用的几种精度评价指标对建筑垃圾变化检测结果进行精度评价：
[0038]
判定为建筑垃圾，真实为建筑垃圾：tw
[0039]
判定为建筑垃圾，真实为非建筑垃圾：fw
[0040]
判定为非建筑垃圾，真实为建筑垃圾：fc
[0041]
判定为非建筑垃圾，真实为非建筑垃圾：tc
[0042]
具体计算公式及说明如下：
[0043]
(1)精确率：
[0044]
(2)误检率：
[0045]
(3)漏检率：
[0046]
(4)kappa系数：
[0047]
式中：p0表示正确分类的建筑垃圾样本数量之和占总建筑垃圾样本数量的百分比，pe表示建筑垃圾类和非建筑垃圾类真实样本的个数与预测的建筑垃圾和非建筑垃圾样本个数的乘积之和占影像中选取的所有样本个数的平方的百分比；
[0048]
以上4个指标的大小均在0到1之间，误检率和漏检率的值接近于0，则表示本研究中建筑垃圾的检测效果越好；而当精确率和kappa系数的值越接近1，就表示建筑垃圾的检测结果越可靠。
[0049]
分类方式为：
[0050]
在ecognition9.0软件中利用ndvi、ratio r、mean r等3维特征对植被分类；
[0051]
利用glcm entropy(all dir.)、ratio r、ratio nir、glcm dissimilarity(4)、glcm entropy(1)、glcm homogeneity(2)、等6维特征对建设用地分类；
[0052]
利用glcm correlation(4)、glcm homogeneity(2)、glcm entropy(1)、glcm contrast(4)、maindirection等5维特征对裸土分类；
[0053]
利用mean b、mean g、main direction、glcm contrast(4)、glcm dissimilarity(4)等4维特征对水体分类；
[0054]
利用glcm correlation(4)、glcm homogeneity(4)、ratio nir、main direction、glcm entropy(all dir.)等6维特征对建筑垃圾分类。
[0055]
阈值分割算法包括：
[0056]
【全局阈值分割算法】：全局阈值算法只运用唯一一个阈值对得到的整幅变化影像进行分割，主要考虑图像自身的灰度值：
[0057]
式中：t是一个初始估计值，它是针对全局阈值进行选择得出来的，m1表示所有像素平均灰度值，该值的灰度值需要大于t，而m2则相反，要得到最终合适的全局阈值，必须要对m1和m2进行重复性运算，直到计算出的t的差异比预先设置的δt小，计算才可以停止；
[0058]
【自适应调节阈值分割算法】：通过该算法来确立某一像素在其位置上的局部二值化阈值，主要依据的是图像中不同区域像素值分布情况；
[0059]
若某一图像中只存在目标和背景两种对象，则该图像的灰度直方图可以看作是将两种对象组合起来的概率密度函数，该函数的像素灰度值呈混合分布，一般会认为混合分布的两个分量p(i|0)和p(i|1)都是正态分布，则它们的均值、标准差和先验概率分别为μ0、μ1、p0、p1，公式为：
[0060][0061]
当满足：时，可以认为目标和背景的灰度分布存在着较好的分离性，即利用该阈值可以做到将目标和背景完全分离，若不能满足上式，则还需要对分割出
的目标区域再做分割，直到获得正确的分割结果为止才停止分割；
[0062]
【em算法】：利用最大似然估计的思想进行计算，它的优势在于对数据的完整性不做要求，不需要外来数据进行辅助，也不需要借鉴任何先验知识。在利用该算法进行变化检测时仅仅依靠观测数据就可以得到参数的估计值。
[0063]
本发明同现有技术相比，通过变化矢量分析避免重复分类的累计误差所带来的影响，通过光谱斜率差异检测出由于类间光谱方差存在而导致的伪变化，再使用不同的阈值分割算法提取建筑垃圾的变化区域，实现对建筑垃圾变化信息的掌握。
附图说明
[0064]
图1为本发明的研究区域卫星图。
[0065]
图2为本发明的建筑垃圾表征影像图。
[0066]
图3为本发明的建设用地表征影像图。
[0067]
图4为本发明的植被表征影像图。
[0068]
图5为本发明的水域表征影像图。
[0069]
图6为本发明的裸土表征影像图。
[0070]
图7为本发明目视解译后2018年参考变化检测融合影像图。
[0071]
图8为本发明目视解译后2019年参考变化检测融合影像图。
[0072]
图9为本发明目视解译后参考变化检测结果影像图。
[0073]
图10为本发明的通过cva获得光谱强度影像图。
[0074]
图11为本发明的2019年融合影像图。
[0075]
图12为本发明加权融合后的变化融合影像图。
[0076]
图13为本发明融合后的全局阈值法算法检测结果影像图。
[0077]
图14为本发明融合后的自适应调节阈值算法检测结果影像图。
[0078]
图15为本发明融合后的em算法因子为0.2的检测结果影像图。
[0079]
图16为本发明融合后的em算法因子为0.8的检测结果影像图。
[0080]
图17为本发明建筑垃圾变化检测精度评价表示意图。
具体实施方式
[0081]
现结合附图对本发明做进一步描述。
[0082]
参见图1-5，本发明提供一种基于分类结果及cva-sgd法的建筑垃圾变化检测方法，包括以下步骤：
[0083]
【数据及预处理】：
[0084]
s1：使用arcgis软件获取随机点作为验证样本，根据地物类别占比确定样本数量；
[0085]
s2：通过实地勘察采集建筑垃圾堆积位置的gps数据点，结合google earth确定建筑垃圾堆积范围；
[0086]
s3：根据研究区内建筑垃圾类型以及堆积时间的差异，将其作为参考结果用于精度评价分析；
[0087]
【建筑垃圾特征提取】：
[0088]
通过使用relieff_j-m组合算法来对建筑垃圾及其他精细地物的特征进行优选；
[0089]
选取特征的最邻近样本，再进行特征权重的计算；
[0090]
如果同类样本中，该特征差别较小，而不同类样本中，差别较大，则表示该特征的贡献程度较大，即权重值大；权重值较大的特征在地物分类中是需要进行首要考虑的特征信息；权重值的具体计算公式如式：
[0091][0092]
式中：h为迭代次数；r为最邻近样本个数，disc()为样本之间的距离，p()类别，r为随机样本，它在类别不同的样本中的最邻近样本用ij(v)表示；其中k＝2(1-e-p
)，
[0093]
式中：δi和τi(i＝1和2)都表征准备参与分类的两个类别中，样本对应特征参数。其中δi为均值，τi(i＝1和2)指标准差，p的取值范围为[0， ∞)。j-m距离计算出来的结果数值在的0到2之间，若k＝0，表示两种类别在该特征上相似性极高，利用对应特征分类会出现大量错分现象；若k值大于0且越接近2，意味利用对应特征能够较好的分离出相关对象；
[0094]
【面向对象的建筑垃圾遥感识别与分类】：通过利用基于relieff_j-m算法模型优选出的特征，设立阈值，最终得到面向对象分类的特征规则集，确立了研究区内的分类体系：
[0095]
建筑垃圾：分布在建设用地及裸土旁，在影像中多呈灰色或亮白色。边界不清晰，纹理较复杂；
[0096]
建设用地：分布集中，包括建筑物和道路，在影像中呈建筑物屋顶真实颜色(红色或蓝色)，呈长条状或块状；
[0097]
植被：分布在道路、居民区旁。在影像上呈深绿色，有一定的纹理；
[0098]
水域：分布在道路一侧，为人工沟渠，反射率较低，影像中呈暗黑色；
[0099]
裸土：分布在植被或建设用地旁，在影像中呈暗褐色或土黄色；
[0100]
【变化矢量分析法(cva)】：同时从强度和方向两个角度来描述影像发生变化的情况；
[0101]
设时相t1和时相t2的遥感影像分别为g1和g2，第i行第j列的像元灰度值分别为和其中n为选择的波段数，为第k波段第i行第j列的t时相该像元的灰度值，对g1和g2作差值，得到变化矢量式：
[0102][0103]
δg通过下式得到，它描述了整幅影像发生变化的信息：
[0104][0105]
对||δg||设定一个适当的阈值，当大于该值时，认为发生了变化，否则判定未变化；
[0106]
【光谱斜率差异法(sgd)】：比较卫星在同一区域拍摄所得的两个不同时期的影像中地物光谱斜率的差异大小，若两个时期影像中同一处地物在光谱形状上发生了变化，就可以依据此变化来判断该处地物也发生了变化；若一幅遥感影像一共拥有m个多光谱波段，则它们会形成m-1个多光谱波段，这时计算连接每两个相邻多光谱波段之间线段的斜率，可以通过下式计算得到多光谱段(m，m 1)的斜率：
[0107]
式中：δref为波段m 1与波段m的光谱亮度值之间的差，δρ是m 1波段与m波段波长之间的差，ρ
′m是对第m波段的波长进行归一化后得到的值，可以通过下式计算得到：
[0108]
式中：ρm为第m波段的波长值，min(ρ)为影像中波长最小值，max(ρ)为最大值，单位均为μm；
[0109]
最终两时相同一处地物的光谱斜率的变化强度可以通过下式计算得到：
[0110][0111]
式中：ref
i，m 1
为t1时相第m 1波段的光谱亮度值，ref
i，m
为第m波段的光谱亮度值，ref
j，m 1
为t2时相第m 1波段的光谱亮度值，ref
i，m
分别为第m波段的光谱亮度值，ρ
′
m 1
和ρ
′m为对应波段的归一化波长，difk为两斜率向量的变化强度，该值越大，表示区域内地表覆盖越可能发生变化，反之可能性较低，最后需要通过设定一个阈值，来判断是否发生变化；
[0112]
【阈值分割算法】：合适的阈值分割算法能够将变化检测的错误率降到最低；
[0113]
【精度评价指标】：选择遥感影像变化检测中常用的几种精度评价指标对建筑垃圾变化检测结果进行精度评价：
[0114]
判定为建筑垃圾，真实为建筑垃圾：tw
[0115]
判定为建筑垃圾，真实为非建筑垃圾：fw
[0116]
判定为非建筑垃圾，真实为建筑垃圾：fc
[0117]
判定为非建筑垃圾，真实为非建筑垃圾：tc
[0118]
具体计算公式及说明如下：
[0119]
精确率：
[0120]
误检率：
[0121]
漏检率：
[0122]
kappa系数：
[0123]
式中：p0表示正确分类的建筑垃圾样本数量之和占总建筑垃圾样本数量的百分比，pe表示建筑垃圾类和非建筑垃圾类真实样本的个数与预测的建筑垃圾和非建筑垃圾样本个数的乘积之和占影像中选取的所有样本个数的平方的百分比；
[0124]
以上4个指标的大小均在0到1之间，误检率和漏检率的值接近于0，则表示本研究中建筑垃圾的检测效果越好；而当精确率和kappa系数的值越接近1，就表示建筑垃圾的检测结果越可靠。
[0125]
分类方式为：
[0126]
在ecognition9.0软件中利用ndvi、ratio r、mean r等3维特征对植被分类；
[0127]
利用glcm entropy(all dir.)、ratio r、ratio nir、glcm dissimilarity(4)、glcm entropy(1)、glcm homogeneity(2)、等6维特征对建设用地分类；
[0128]
利用glcm correlation(4)、glcm homogeneity(2)、glcm entropy(1)、glcm contrast(4)、main direction等5维特征对裸土分类；
[0129]
利用mean b、mean g、main direction、glcm contrast(4)、glcm dissimilarity(4)等4维特征对水体分类；
[0130]
利用glcm correlation(4)、glcm homogeneity(4)、ratio nir、main direction、glcm entropy(all dir.)等6维特征对建筑垃圾分类。
[0131]
阈值分割算法包括：
[0132]
【全局阈值分割算法】：全局阈值算法只运用唯一一个阈值对得到的整幅变化影像进行分割，主要考虑图像自身的灰度值：
[0133]
式中：t是一个初始估计值，它是针对全局阈值进行选择得出来的，m1表示所有像素平均灰度值，该值的灰度值需要大于t，而m2则相反，要得到最终合适的全局阈值，必须要对m1和m2进行重复性运算，直到计算出的t的差异比预先设置的δt小，计算才可以停止；
[0134]
【自适应调节阈值分割算法】：通过该算法来确立某一像素在其位置上的局部二值化阈值，主要依据的是图像中不同区域像素值分布情况；
[0135]
若某一图像中只存在目标和背景两种对象，则该图像的灰度直方图可以看作是将两种对象组合起来的概率密度函数，该函数的像素灰度值呈混合分布，一般会认为混合分布的两个分量p(i|0)和p(i|1)都是正态分布，则它们的均值、标准差和先验概率分别为μ0、μ1、p0、p1，公式为：
[0136]
[0137]
当满足：时，可以认为目标和背景的灰度分布存在着较好的分离性，即利用该阈值可以做到将目标和背景完全分离，若不能满足上式，则还需要对分割出的目标区域再做分割，直到获得正确的分割结果为止才停止分割；
[0138]
【em算法】：利用最大似然估计的思想进行计算，它的优势在于对数据的完整性不做要求，不需要外来数据进行辅助，也不需要借鉴任何先验知识。在利用该算法进行变化检测时仅仅依靠观测数据就可以得到参数的估计值。
[0139]
实施例1：
[0140]
下面结合附图和实施例对本发明作进一步的详细说明，此处所描述的具体实施例仅用于解释本发明，而非对本发明的限定。
[0141]
参见图1，研究区位于北京市大兴区一处典型建筑垃圾堆存区域，该区域覆盖的主要地物类型有建筑物、道路、植被、裸土、水域和建筑垃圾，建筑垃圾的类型包括裸露型和覆盖防尘绿网型，经实地观察及调研发现，该处建筑垃圾多为拆除垃圾，主要组成成分为渣土、水泥和砖石等其他废弃物。
[0142]
使用jl1-01a影像数据作为主要研究数据，使用gf-1wfv多光谱数据作为补充数据，为了验证jl1-01a数据改善前后对建筑垃圾遥感识别监测的精度，本文使用arcgis软件获取随机点作为验证样本，根据地物类别占比确定样本数量，研究区共有355个验证样本点，88个建筑垃圾验证样本，267个其他类型的验证样本，通过实地勘察采集建筑垃圾堆积位置的gps数据点，结合google earth确定建筑垃圾堆积范围，根据研究区内建筑垃圾类型以及堆积时间的差异，将其作为参考结果用于精度评价分析。
[0143]
通过使用relieff_j-m组合算法来对建筑垃圾及其他精细地物的特征进行优选；
[0144]
选取特征的最邻近样本，再进行特征权重的计算；
[0145]
如果同类样本中，该特征差别较小，而不同类样本中，差别较大，则表示该特征的贡献程度较大，即权重值大；权重值较大的特征在地物分类中是需要进行首要考虑的特征信息；权重值的具体计算公式如式：
[0146][0147]
式中：h为迭代次数；r为最邻近样本个数，disc()为样本之间的距离，p()类别，r为随机样本，它在类别不同的样本中的最邻近样本用ij(v)表示；其中k＝2(1-e-p
)，
[0148]
式中：δi和τi(i＝1和2)都表征准备参与分类的两个类别中，样本对应特征参数。其中δi为均值，τi(i＝1和2)指标准差，p的取值范围为[0， ∞)。j-m距离计算出来的结果数值在的0到2之间，若k＝0，表示两种类别在该特征上相似性极高，利用对应特征分类会出现大量错分现象；若k值大于0且越接近2，意味利用对应特征能够较好的分离出相关对象；
[0149]
【面向对象的建筑垃圾遥感识别与分类】：通过利用基于relieff_j-m算法模型优选出的特征，设立阈值，最终得到面向对象分类的特征规则集，确立了研究区内的分类体
系，参见图2-图6：
[0150]
建筑垃圾：分布在建设用地及裸土旁，在影像中多呈灰色或亮白色。边界不清晰，纹理较复杂；
[0151]
建设用地：分布集中，包括建筑物和道路，在影像中呈建筑物屋顶真实颜色(红色或蓝色)，呈长条状或块状；
[0152]
植被：分布在道路、居民区旁。在影像上呈深绿色，有一定的纹理；
[0153]
水域：分布在道路一侧，为人工沟渠，反射率较低，影像中呈暗黑色；
[0154]
裸土：分布在植被或建设用地旁，在影像中呈暗褐色或土黄色；
[0155]
通过变化矢量分析法(cva)可以同时从强度和方向两个角度来描述影像发生变化的情况：设时相t1和时相t2的遥感影像分别为g1和g2，第i行第j列的像元灰度值分别为和其中n为选择的波段数，为第k波段第i行第j列的t时相该像元的灰度值，对g1和g2作差值，得到变化矢量式：
[0156][0157]
δg通过下式得到，它描述了整幅影像发生变化的信息：
[0158][0159]
对||δg||设定一个适当的阈值，当大于该值时，认为发生了变化，否则判定未变化；
[0160]
通过光谱斜率差异(sgd)就是比较卫星在同一区域拍摄所得的两个不同时期的影像中地物光谱斜率的差异大小。若两个时期影像中同一处地物在光谱形状上发生了变化，就可以依据此变化来判断该处地物也发生了变化。sgd法打破了很多变化检测算法仅仅通过光谱空间的变化来获取光谱值变化强度大小的传统，可以准确地捕捉地物发生的真实变化，消除只依据光谱值检测带来的伪变化。光谱斜率描述了相邻两波段发生变化的趋势。
[0161]
现有同一地区两个时相的遥感影像，对它们利用sgd法进行基于遥感影像的建筑垃圾变化检测。若一幅遥感影像一共拥有m个多光谱波段，则它们会形成m-1个多光谱波段，这时计算连接每两个相邻多光谱波段之间线段的斜率，可以通过式(6)计算得到多光谱段(m，m 1)的斜率：
[0162][0163]
式中：δref为波段m 1与波段m的光谱亮度值之间的差；δρ是m 1波段与m波段波长之间的差；ρ
′m是对第m波段的波长进行归一化后得到的值，可以通过式(7)计算得到：
[0164][0165]
式中：ρm为第m波段的波长值；min(ρ)为影像中波长最小值；max(ρ)为最大值。单位均为μm。
[0166]
最终两时相同一处地物的光谱斜率的变化强度可以通过式(8)计算得到：
[0167][0168]
式中：ref
i，m 1
为t1时相第m 1波段的光谱亮度值，ref
i，m
为第m波段的光谱亮度值；ref
j，m 1
为t2时相第m 1波段的光谱亮度值，ref
i，m
分别为第m波段的光谱亮度值。ρ
′
m 1
和ρ
′m为对应波段的归一化波长；difk为两斜率向量的变化强度。该值越大，表示区域内地表覆盖越可能发生变化；反之可能性较低。最后需要通过设定一个阈值，来判断是否发生变化。
[0169]
通过阈值分割算法将变化检测的错误率降到最低：
[0170]
【全局阈值分割算法】：全局阈值算法只运用唯一一个阈值对得到的整幅变化影像进行分割，主要考虑图像自身的灰度值：
[0171]
式中：t是一个初始估计值，它是针对全局阈值进行选择得出来的，m1表示所有像素平均灰度值，该值的灰度值需要大于t，而m2则相反，要得到最终合适的全局阈值，必须要对m1和m2进行重复性运算，直到计算出的t的差异比预先设置的δt小，计算才可以停止；
[0172]
【自适应调节阈值分割算法】：通过该算法来确立某一像素在其位置上的局部二值化阈值，主要依据的是图像中不同区域像素值分布情况；
[0173]
若某一图像中只存在目标和背景两种对象，则该图像的灰度直方图可以看作是将两种对象组合起来的概率密度函数，该函数的像素灰度值呈混合分布，一般会认为混合分布的两个分量p(i|0)和p(i|1)都是正态分布，则它们的均值、标准差和先验概率分别为μ0、μ1、p0、p1，公式为：
[0174][0175]
当满足：时，可以认为目标和背景的灰度分布存在着较好的分离性，即利用该阈值可以做到将目标和背景完全分离，若不能满足上式，则还需要对分割出的目标区域再做分割，直到获得正确的分割结果为止才停止分割；
[0176]
【em算法】：利用最大似然估计的思想进行计算，它的优势在于对数据的完整性不做要求，不需要外来数据进行辅助，也不需要借鉴任何先验知识。在利用该算法进行变化检测时仅仅依靠观测数据就可以得到参数的估计值。
[0177]
选择遥感影像变化检测中常用的几种精度评价指标对建筑垃圾变化检测结果进行精度评价：
[0178]
判定为建筑垃圾，真实为建筑垃圾：tw
[0179]
判定为建筑垃圾，真实为非建筑垃圾：fw
[0180]
判定为非建筑垃圾，真实为建筑垃圾：fc
[0181]
判定为非建筑垃圾，真实为非建筑垃圾：tc
[0182]
具体计算公式及说明如下：
[0183]
(5)精确率：
[0184]
(6)误检率：
[0185]
(7)漏检率：
[0186]
(8)kappa系数：
[0187]
式中：p0表示正确分类的建筑垃圾样本数量之和占总建筑垃圾样本数量的百分比，pe表示建筑垃圾类和非建筑垃圾类真实样本的个数与预测的建筑垃圾和非建筑垃圾样本个数的乘积之和占影像中选取的所有样本个数的平方的百分比；
[0188]
以上4个指标的大小均在0到1之间，误检率和漏检率的值接近于0，则表示本研究中建筑垃圾的检测效果越好；而当精确率和kappa系数的值越接近1，就表示建筑垃圾的检测结果越可靠。
[0189]
不同阈值分割算法应用的研究区建筑垃圾变化检测影像为北京市大兴区一处建筑垃圾典型堆积区域2018年和2019年的jl1-o1a融合影像，影像大小为1915
×
2101，对研究区域建筑垃圾的变化情况进行目视解译，根据此结果制作参考变化检测影像图，如图7-图9所示；
[0190]
在实验中对两期jl1-01a融合影像通过cva获得光谱强度影像，通过sgd获得光谱差异影像，对影像的灰度值进行标准化处理，使两幅影像灰度值在0～255之间。以上实验过程均在matlab2018a软件平台中实现完成。得到两种差异信息之后，分别赋予两幅差异影像不同的权重因子，对他们进行加权融合，最终得到变化融合影像，如图10-图12所示；
[0191]
将融合后的差异影像运用上一节提到的不同阈值分割算法，进行阈值分割，得到了研究区域初步的变化检测结果，该结果表现了研究区域所有类型地物的变化情况。由于本文最关注建筑垃圾的变化情况，只针对建筑垃圾的变化区域进行分析。因此对融合后的差异影像叠加分类结果，去除其他类型地物变化信息的干扰，获取到了最终的变化和未变化区域。结果如图13-16所示，图中黑色部分表示研究区域内建筑垃圾未发生变化区域以及其他地物覆盖的区域，白色部分表示建筑垃圾发生变化的区域，不同阈值分割算法建筑垃圾变化检测结果。
[0192]
本发明中建筑垃圾变化检测结果的精度评价是以参考变化检测影像为依据，采用精确率、误检率、漏检率和kappa系数为评价指标进行衡量，以python3.7为平台实现完成，具体精度评价的结果如图17所示。
[0193]
由变化检测结果和精度评价结果可知，本发明所采用的几种阈值分割算法均能有
效检测出jl1-01a遥感影像中建筑垃圾的变化情况。其中，采用em算法进行建筑垃圾的变化检测得到的精度相对来说更高，且当调节因子为0.8时的效果要好于调节因子为0.2的效果，由此可见，增大调节因子对改善建筑垃圾的变化检测结果有积极意义。从其他评价指标来看，自适应调节阈值法得到的误检率最低，为12.45％；而全局阈值法得到的漏检率最低，为11.56％。
[0194]
综上所述，在进行jl1-01a遥感影像变化检测研究时，全局阈值法、自适应调节阈值法以及em算法均能有效检测出建筑垃圾的变化情况。在实际应用中，可以综合考虑运算效率、运算的复杂程度等选择适合的阈值分割算法和调节因子，以获取建筑垃圾变化检测的最佳精度。
[0195]
以上所述仅是本发明的优选实施方式，只是用于帮助理解本技术的方法及其核心思想，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
[0196]
本发明从整体上解决了传统建筑垃圾监测与管理主要是通过实地调研与现场测量，已经无法高效精准地定位当今城市快速发展所带来的大量建筑堆积地点与范围的问题，通过变化矢量分析法(cva)和光谱斜率差异法(sgd)相结合的建筑垃圾变化检测框架通过定量评价验证了该方法的有效性，三种阈值分割算法和变化检测精度评价方法，并可以根据实际情况，综合考虑运算效率、运算的复杂程度等选择适合的阈值分割算法和调节因子，以获取建筑垃圾变化检测的最佳精度，实现对建筑垃圾变化信息的掌握，为城市高速发展中的垃圾监测提供了保障。