实验分析：中值滤波器对亚像元变化检测的提升效果

实验一

本次实验采用模拟数据来对所提出的算法进行测试。采用模拟数据的优势在于避免了两期影像之间由于配准所产生的误差。因此，该模型所获得的亚像元变化检测结果也只会反映模型本身的优劣。测试数据选择武汉地区两期不同时间的TM 影像（图6-18），共6个波段，30m 的分辨率，获取时间分别是1986年7月和2000年9月。

图6-18　模拟数据实验

利用中值滤波器将第二期的数据［图6-18（b）］进行降采样，采样的尺度为10，就获得了不同分辨率的二期影像。在这个过程中，不会有任何外界的误差干扰。通过人工判读了解两幅影像的大致类别的分布。利用最大似然分类法将两幅影像分为水体、植被、城区3个主要类别。两个分类图像的差值即是参考的变化结果。前期3个类别的组分比例值利用分类结果直接获取，后期的组分比例值采用线性混合像元分解技术得到，从而得到组分差值图像。将该差值结果输入到CA 模型中得到最终的亚像元变化结果。为了方便，我们列出直接亚像元定位的结果与该方法进行比较。该方法是利用后期低分辨率影像的组分图像直接进行亚像元定位，然后与前期高分辨率影像的分类图进行差值计算，从而获取最终的变化结果。

图6-19列出了对于每一个类别的参考变化图像，以及利用两种方法所得出的结果对比。对于每一个类别黑色表示未变化的像元，红色表示原始类别变化为其他的类别，绿色表示相反的含义，即由其他的类别变化为该类别。从图6-19上可以看到，两种方法都有一定的效果。但是采用了前期高分辨率影像信息的CA 亚像元变化检测模型可以提供更精确的变化位置。在图6-19（d）～（f）中，传统方法丢失了太多的变化信息，而本书方法很好地将这种丢失信息补偿回来。在精度评价中，也证明了图中的表现。我们采用两种精度评价方式：每一个类别的PCC指标和Kappa系数。本书方法对植被的检测精度最高，相比传统方法对于水体、植被和城区分别提高了5.83%、7.55%和6.65%（表6-10）。

表6-10　不同方法之间的精度评价

图6-19　变化检测参考图像和利用两种不同的方法所得到的结果

实验二

真实数据选择Landsat-7ETM+（30m 分辨率）和对应同一地区的MODIS卫星（500m分辨率），获取时间分别为2001年10月和2009年8月。成像地区是深圳市。由于两幅影像分辨率不同，因此将它们重采样进行几何配准后，获得的比例尺度为17。图6-20（a）是408×408的ETM+影像，图6-20（b）是24×24的MODIS影像，图6-20（c）是Landsat-7 ETM+在2009年所获取的30m 分辨率影像。(www.xing528.com)

图6-21（a）～（c）表示从2001年分类图像中直接获取的城区、水体和植被丰度值，图6-21（d）～（f）表示从2009年影像中通过混合像元分解所得到的3个类别的丰度值。每个类别对比后可以发现，混合分解模型提取的结果比较精确，同时，两期影像的对应每个类别都发生了一些变化。

图6-20　原始数据

图6-21　不同时期的组分丰度影像

与模拟数据类似，参考图像以及两种亚像元变化检测图像结果如图6-22所示。图6-22（a）～（c）是真实的3种类别变化。两种亚像元变化检测图像结果分别显示在图6-22（d）～（f）和图6-22（g）～（i）中。在大多数的区域，传统方法获取的变化并不可信，而且存在很多漏掉的特征。同时，在边缘区域有一些模糊的现象，尤其是在图6-22（d）（e）中，本书方法很好地缓解了这种现象。为了更好地评估方法的适用性，我们列出了混淆矩阵（表6-11和表6-12）。比如：水体（Water）如果未发生变化，则将其定义为“WW”（Water变化为Water），如果变化为其他类别，则将其定义为“WO”（Water变化为Other）。同理，对于植被（Vegetation）、城区（Urban）均可以按照上面的方式来定义，由此列出混淆矩阵表（表6-11、表6-12）。3个类别变化的总体精度由传统的88.61%、78.36%和78.78%增加到93.07%、81.12%和83.23%。而Kappa系数则从0.64、0.51和0.49 增加到0.80、0.69和0.71。这充分显示了本书方法的优势。

图6-22　参考的亚像元变化检测图像以及两种方法所获得的变化检测结果图

表6-11　传统方法对于亚像元变化检测结果

表6-12　本书方法对于亚像元变化检测结果