基于自适应权值FNEA算法的高分辨率遥感图像分割

引用本文

贾春阳, 李卫华, 李小春. 基于自适应权值FNEA算法的高分辨率遥感图像分割[J]. 国土资源遥感, 2013,25(4): 22-25
JIA Chunyang, LI Weihua, LI Xiaochun. High-resolution remote sensing image segmentation based on weight adaptive fractal net evolution approach[J]. REMOTE SENSING FOR LAND & RESOURCES,2013,25(4): 22-25 复制到剪切板

Permissions

《国土资源遥感》编辑部

基于自适应权值FNEA算法的高分辨率遥感图像分割

贾春阳, 李卫华, 李小春

空军工程大学信息与导航学院,西安 710077

第一作者简介: 贾春阳(1988-),男,硕士研究生,主要从事图像处理与模式识别方面的研究。E-mail:jcy_2010@yahoo.cn。

收稿日期: 2013-01-03

摘要

在高分辨率遥感图像分割方法中,分形网络演化算法(fractal net evolution approach,FNEA)是一种经典的影像对象构造方法。但在计算影像对象之间的异质性时,使用根据经验选择的固定权值会导致该算法不能很好地适应不同属性的影像对象分割。针对这一问题,提出了一种改进的FNEA方法,根据不同影像对象的空间和光谱特征,自适应地计算空间判据权值和紧凑度判据权值,并将不同光谱分量对光谱判据的贡献引入到影像对象之间异质性的计算中。计算机仿真实验结果表明,该文提出的算法对不同属性的影像对象具有很好的适应性,与同类算法相比,图像分割结果得到了较好的改善。

关键词: 影像对象; 分形网络演化算法(FNEA); 自适应权值

中图分类号:TP751.1TP311 文献标志码:A 文章编号:1001-070X(2013)04-0022-04 doi: 10.6046/gtzyyg.2013.04.04

High-resolution remote sensing image segmentation based on weight adaptive fractal net evolution approach

JIA Chunyang, LI Weihua, LI Xiaochun

The Institute of Imformation and Navigation, Air Force Engineering University, Xi'an 710077, China

Abstract

In the methods for high-resolution remote sense image segmentation,the fractal net evolution approach (FNEA)is relatively mature among the object-oriented image segmentation algorithms.In calculating the heterogeneity of each pair of neighboring objects,the spatial criterion and weight of compactness are user-defined according to experience. In this paper,an improved method of adaptive FNEA algorithm was proposed by adaptively calculating the weights of spatial criterion and compactness according to the different properties of various kinds of objects. Moreover,the contributions of different spectroscopic components were introduced into calculating of the heterogeneity. Computer simulation demonstrates that the proposed algorithm has better adaptability to the image objects with different attributes. A comparison with some similar algorithms shows that the method proposed in this paper performs better for image segmentation.

Keyword: image objects; fractal net evolution approach(FNEA); adaptive weight

Show Figures

0 引言

随着遥感图像的空间分辨率和光谱分辨率越来越高, 高空间分辨率图像中地物景观的结构、纹理和细节等信息都非常清楚地表现出来, 除了地物光谱信息, 还可以提供关于地物结构、形状和纹理方面的信息^[1]。但高空间分辨率遥感图像的出现也给图像分割方法带来了新的问题^[2]。近年来, 面向对象的图像分割算法得到了快速的发展。卢昭羿等^[3]根据地物影像的光谱、形状及纹理等特征进行多尺度分割和层次分类, 通过建立检测层, 将不同时相的QuickBird图像分类结果投影到检测层的相应对象层上并进行互分割, 实现了道路变化检测; 沈金祥等^[4]通过对Landsat TM遥感图像进行分割, 从全域— 局部上耦合分析水体的光谱、空间形态、空间分布与空间关系等特征, 构建通用性强的湖泊信息提取规则集, 实现了湖泊水体信息的自动化提取; 徐宏根等^[5]则针对植被与建筑物重叠区域分类困难的问题, 提出了一种基于面向对象的LiDAR点云数据分类方法, 根据建筑物几何规则形状延伸扩充, 从而提高了植被和建筑物重叠区的点云分类准确率。

分形网络演化算法(fractal net evolution approach, FNEA)由Baatz等^[6]于2000年提出, 是一种比较成熟稳定的面向对象的图像分割方法。高伟等^[7]于2010年提出了一种基于四叉树分解的改进方法, 在不影响图像分割结果的情况下, 有效地提高了形成初始对象的效率, 在较大程度上提高了整体的分割效率; 但图像分割过程中的参数选择还需人工确定。Tang等^[8]将FNEA算法应用于变化检测中的目标提取过程, 取得了较好的效果。然而, 尽管FNEA算法考虑到形状异质性和光谱异质性, 但在计算异质性的过程中, 形状异质性权值和紧凑度判据权值只能根据经验给定, 而且都为固定值, 这些都不能很好地适应不同遥感图像或者同一遥感图像中不同属性的影像对象分割。为此, 本文对FNEA算法进行改进, 设计了一种形状异质性判据权值和紧凑度判据权值的自适应计算方法, 并考虑了各个光谱分量对异质性判据的不同贡献, 具有较好的自适应性, 改善了图像分割的结果。

1 FNEA算法

分形网络演化算法(FNEA)是一种面向对象的图像分割方法, 它能实现对遥感图像的多尺度分割。FNEA算法的基本思想就是对相邻影像对象之间的异质性进行定义和度量, 并作为是否进行对象合并的依据。

对于给定的特征空间, 当2个影像对象在特征空间内的距离较近时, 即可认为它们是相似的或者异质性很小^[6]。设2个相邻影像对象在d维特征空间中的特征值分别为f₁_d和f₂_d, 则二者之间的异质性f可定义为

$f = \begin{matrix} \sqrt[]{\sum_{d} (f_{1 d} - f_{2 d})^{2}} \end{matrix}$ 。 (1)

在高分辨率遥感图像中, 影像对象的光谱特征和形状特征都可以作为特征空间中的1维来计算异质性。FNEA算法就是利用这2维特征来计算影像对象间的异质性。其算法过程如下: 首先以单一像元点作为初始像元对象, 计算每一对相邻对象之间的异质性; 然后与用户给定的阈值进行比较, 当异质性小于给定的阈值时, 将2个对象合并, 形成新的影像对象。当一轮对象合并结束后, 以上一轮生成的对象为基本单元, 继续计算该单元与其相邻的影像对象的异质性……, 这一过程将一直持续到在用户指定的尺度(阈值)上不能再进行任何的对象合并为止^[7]。

上述算法选取影像对象的光谱差异度h_colour和空间差异度 $\begin{matrix} {h_{shape}}^{[9]} \end{matrix}$ 来计算异质性; 其中, 空间差异度h_shape又分为紧凑度h_cpt和平滑度h_smooth。

1)异质性f定义为

f=w_shapeh_shape+(1+w_shape)h_colour, (2)

式中w_shape为空间差异度判据权值, 一般在分割前根据经验确定。

2)光谱差异度h_colour定义为

h_colour= $\begin{matrix} \overset{m}{\sum_{k = 1}} \end{matrix}$ w_k\[n_mg $\begin{matrix} σ_{k}^{mg} \end{matrix}$ -(n_ob1 $\begin{matrix} σ_{k}^{ob 1} \end{matrix}$ +n_ob2 $\begin{matrix} σ_{k}^{ob 2} \end{matrix}$ )\], (3)

式中: w_k为各光谱分量对光谱差异度的贡献权值; n_mg为对象合并之后影像对象的像元数; n_ob1, n_ob2分别为对象合并之前2个对象的像元数; $\begin{matrix} σ_{k}^{mg} \end{matrix}$ 为对象合并之后影像对象的标准差; $\begin{matrix} σ_{k}^{ob 1} \end{matrix}$ , $\begin{matrix} σ_{k}^{ob 2} \end{matrix}$ 分别为对象合并之前2个影像对象的标准差; k为光谱分量数, k=1, 2, …, m。

3)空间差异度h_shape定义为

h_shape=w_cpth_cpt+(1-w_cpt)h_smooth, (4)

式中: w_cpt为紧凑度权值。

4)紧凑度h_cpt定义为

h_cpt=n_mg $\begin{matrix} \frac{l_{mg}}{\sqrt[]{n_{mg}}} \end{matrix}$ - $\begin{matrix} (n_{ob 1} \frac{l_{ob 1}}{\sqrt[]{n_{ob 1}}} + n_{ob 2} \frac{l_{ob 2}}{\sqrt[]{n_{ob 2}}}) \end{matrix}$ , (5)

式中: l_mg为对象合并之后影像对象的像元边界长度; l_ob1, l_ob2分别为对象合并之前2个影像对象的像元边界长度。

5)平滑度h_smooth定义为

h_smooth=n_mg $\begin{matrix} \frac{l_{mg}}{b_{mg}} \end{matrix}$ - $\begin{matrix} (n_{ob 1} \frac{l_{ob 1}}{b_{ob 1}} + n_{ob 2} \frac{l_{ob 2}}{b_{ob 2}}) \end{matrix}$ , (6)

式中: b_mg为对象合并之后包含影像对象的最小长方形像元边界长度; b_ob1, b_ob2分别为为对象合并之前包含2个影像对象的最小长方形像元边界长度。

其中, 空间判据权值w_shape和紧凑度权值w_cpt在算法开始运行前需要根据经验人工给定; 权值一旦确定后, 则所有的影像对象都使用该组权值进行异质性判断。这显然是不合理的, 因为不同的影像对象所承载的空间信息和光谱信息的重要程度是不可能相同的。

2 FNEA算法改进

本文提出了一种权值自适应的FNEA算法, 针对不同影像对象的属性, 设定计算权值的准则函数f(h_cpt, h_smooth), 对不同的影像对象可以赋予不同的空间判据权值w_shape和紧凑度权值w_cpt。计算权值的准则公式为

w_cpt=h_cpt/(h_cpt+h_smooth), (7)

w_shape=h_shape/(h_shape+h_colour)。 (8)

即每次计算h_cpt和h_smooth后, 两者求和作为归一化依据; 当紧凑度判据值较大时, 意味着该影像对象的内部较为紧凑, 所以相应的紧凑度判据权值要增大; 反之, 当平滑度判据值较大时, 意味着该对象内部较为平滑, 对应的平滑度判据权值要增大。这样, 根据不同影像对象的属性特点, 可得到不同的判据权值, 从而实现权值的自适应调整。

同样, 在计算光谱判据度量时, 考虑到不同光谱分量对光谱判据的贡献, 如对3个光谱分量的遥感图像而言, 令遥感图像的3个光谱分量的光谱判据度量分别为h_colour(k), k=1, 2, 3, 则计算权值的准则公式为

w_k= $\begin{matrix} \frac{h_{colour} (k)}{\overset{m}{\sum_{k = 1}} h_{colour} (k)} \end{matrix}$ , k=1, 2, 3。 (9)

即以各个光谱分量的光谱判据度量归一化后的值作为该分量对最终光谱判据度量的贡献度量。

改进后的FNEA算法流程如图1所示。

	Figure Option View Download New Window
	图1 FNEA算法流程图Fig.1 Flow chart of FNEA

3 实验结果与分析

利用本文改进后的算法用Matlab软件进行了仿真实验, 并与用区域生长法得到的图像分割结果进行了比较。

实验用图像为某机场(图2(a))和某城区(图2(b))的高分辨率遥感图像, 其中机场的遥感图像包含的影像对象为飞机、机场停机坪和仓库, 城区的遥感图像包含的影像对象主要为各种尺寸的建筑物。

	Figure Option View Download New Window
	图2 原始的高分辨率遥感图像Fig.2 Original high-resolution remote sensing images

分别用区域生长法、固定权值的FNEA算法(分割尺度为6.5)和本文改进的算法对图2中的图像进行分割, 提取目标的结果如图3所示。

	Figure Option View Download New Window
	图3 不同方法图像分割结果对比Fig.3 Comparison among results of image segmentation with different methods

以城区的遥感图像为例, 分析本文算法在中尺度(阈值)下对图像分割结果的影响, 统计结果如表1所示。

表1 不同尺度下的图像分割结果 Tab.1 Results of image segmentation with different thresholds

从以上对比的结果可以看出, 本文改进后的FNEA算法根据不同影像对象的不同属性, 使用了自适应的空间判据权值、紧凑度权值和各个光谱分量的贡献度量, 只需设定合理的尺度值, 即可得到比固定权值算法和区域生长法更好的分割效果(见图3)。此外, 通过本文算法在不同尺度下的图像分割结果可以看出, 本文算法对尺度选择很敏感, 这也是FNEA算法本身存在的问题。

4 结论

本文在分析传统的分形网络演化算法(FNEA)采用固定权值所带来的缺陷的基础上, 对该算法进行改进, 提出了基于权值的自适应构建方法, 使各权值能够随着不同属性影像对象的变化作出相应的调整; 另外, 还将不同光谱分量对光谱判据的贡献引入到异质性计算中。通过仿真实验, 并与区域生长法和固定权值的FNEA算法进行比较, 证明了本文改进后算法的有效性。

下一步将探索最优阈值的自适应调整规则, 以便进一步优化FNEA算法的分割结果。

The authors have declared that no competing interests exist.

参考文献

View Option

[1]	王文杰, 赵忠明, 朱海青. 面向对象特征融合的高分辨率遥感图像变化检测方法[J]. 计算机应用研究, 2009, 26(8): 3149-3151. Wang W J, Zhao Z M, Zhu H Q. Object-oriented change detection method based on features fusion for high-resolution remote sensing image[J]. Application Research of Computers, 2009, 26(8): 3149-3151. [本文引用:1] [CJCR: 0.676]
[2]	Rizvi I A, Mohan B K. Object-based image analysis of high-resolution satellite images using modified cloud basis function neural network and probabilistic relaxation labeling process[J]. IEEE Transaction on Geoscience and Remote Sensing, 2011, 49(12): 4815-4820. [本文引用:1] [JCR: 2.933]
[3]	卢昭羿, 左小清, 黄亮, 等. 面向对象的投影互分割道路变化检测[J]. 国土资源遥感, 2012, 24(3): 60-64. Lu Z Y, Zuo X Q, Huang L, et al. Road change detection using object-oriented projective interactive partition[J]. Remote Sensing for Land and Resources, 2012, 24(3): 60-64. [本文引用:1]
[4]	沈金祥, 杨辽, 陈曦, 等. 面向对象的山区湖泊信息自动提取方法[J]. 国土资源遥感, 2012, 24(3): 84-91. Shen J X, Yang L, Chen X, et al. A method for object-oriented automatic extraction of lakes in the mountain area from remote sensing image[J]. Remote Sensing for Land and Resources, 2012, 24(3): 84-91. [本文引用:1]
[5]	徐宏根, 王建超, 郑雄伟, 等. 面向对象的植被与建筑物重叠区域的点云分类方法[J]. 国土资源遥感, 2012, 24(2): 23-27. Xu H G, Wang J C, Zheng X W, et al. Object-based point clouds classification of the vegetation and building overlapped area[J]. Remote Sensing for Land and Resources, 2012, 24(2): 23-27. [本文引用:1]
[6]	Baatz M, Schape A. Multiresolution segmentation: An optimization approach for high quality multiscale image segmentation[C]//Heidelberg: Angewand te Geographische Information Sverarbeitung XII. 2000: 12-23 [本文引用:2]
[7]	高伟, 刘修国, 彭攀, 等. 一种改进的高分辨率遥感影像分割方法[J]. 中国地质大学学报, 2010, 25(3): 421-425. Gao W, Liu X G, Peng P, et al. An improved method of high resolution remote sensing image segmentation[J]. Earth Science—Journal of China University of Geosciences, 2010, 25(3): 421-425. [本文引用:2]
[8]	Tang Y Q, Zhang L P, Huang X. Object-oriented change detection based on the Kolmogorov-Smirnov test using high-resolution multispectral imagery[J]. International Journal of Remote Sensing, 2011, 32(20): 5719-5740. [本文引用:1]
[9]	王慕华, 张继贤, 李海涛, 等. 基于区域特征的高分辨率遥感影像变化检测研究[J]. 测绘科学, 2009, 34(1): 92-94. Wang M H, Zhang J X, LI H T, et al. High resolution image change detection based on region feature[J]. Science of Surveying and Mapping, 2009, 34(1): 92-94. [本文引用:1] [CJCR: 0.603]

2009

0.0

0.676

... 0 引言随着遥感图像的空间分辨率和光谱分辨率越来越高,高空间分辨率图像中地物景观的结构、纹理和细节等信息都非常清楚地表现出来,除了地物光谱信息,还可以提供关于地物结构、形状和纹理方面的信息^[1] ...

2011

2.933

0.0

... 但高空间分辨率遥感图像的出现也给图像分割方法带来了新的问题^[2] ...

2012

0.0

卢昭羿, 左小清, 黄亮, 等. 面向对象的投影互分割道路变化检测[J]. 国土资源遥感, 2012, 24(3): 60-64.

Lu Z

, Zuo X

, Huang

, et al. Road change detection using object-oriented projective interactive partition[J]. Remote Sensing for Land and Resources, 2012, 24(3): 60-64.

In this paper the authors present an object-oriented change detection method which uses projective interactive partition to detect the change of the urban road. The QuickBird images acquired in different years were used in the experiment, on which multi-scale segmentation and hierarchical classification were carried out for urban road extraction according to the spectrum, shape and texture features. Then the object layers were established in the same detection, and they were the projection layers taking over the classification results of asynchrony images. Interactive partition was also realized on these layers. Finally the change detection results were achieved after judging the consistency of land feature categories. The experiment results show that the method of object-oriented change detection using projective interactive partition can extract and detect the urban road effectively.

通过实验提出了面向对象的投影互分割城市道路变化检测方法。选用不同时相的QuickBird图像,根据地物影像的光谱、形状及纹理等特征进行多尺度分割和层次分类,提取城市道路目标; 建立检测层,将不同时相的图像分类结果投影到检测层的相应对象层上,并进行互分割,通过判断某一位置地物类别的一致性,实现道路变化检测的目的。实验表明,面向对象的投影互分割道路变化检测能得到较好的检测效果。

... 卢昭羿等^[3]根据地物影像的光谱、形状及纹理等特征进行多尺度分割和层次分类,通过建立检测层,将不同时相的QuickBird图像分类结果投影到检测层的相应对象层上并进行互分割,实现了道路变化检测 ...

2012

0.0

沈金祥, 杨辽, 陈曦, 等. 面向对象的山区湖泊信息自动提取方法[J]. 国土资源遥感, 2012, 24(3): 84-91.

Shen J

, Yang

, Chen

, et al. A method for object-oriented automatic extraction of lakes in the mountain area from remote sensing image[J]. Remote Sensing for Land and Resources, 2012, 24(3): 84-91.

Traditional water-body information extraction is mainly based on the reflection and absorption spectral characteristics of the water body. By building and using all kinds of spectral index models which respond to the water spectral characteristics more obviously, the water body could be extracted in pixel-level. However, different types of water bodies have significantly different spectral and spatial patterns as well as spatial distributions. As for the mountain area image, the shadows of such objects as the mountain, snow, ice and bare rock make these global water spectral index models fail to get a satisfactory result. The object-oriented image analysis carries out remote sensing image segmentation first, and then analyzes the global and local characteristics of the water in such aspects as spectral and spatial patterns, spatial distribution, and spatial relationships so as to build the water extraction decision ruleset; finally, the water body information is extracted with the ruleset automatically. The Landsat TM image water extraction experiment in the eCognition software shows that the method can completely avoid the emergence of some errors of "sporadic water body" which often exist in the pixel-level threshold value extraction, and the mountain area lakes could be extracted automatically and efficiently, with the accuracy up to 95% or even higher in the cloud-free case.

传统的水体信息提取主要利用水体反射与吸收光谱特征构建各种光谱指数模型,进行全局像元级的提取。然而,不同水体类型的光谱、空间形态与空间分布特征均有显著差异。对于山区图像而言,山体阴影、冰雪、裸岩等地物的干扰使全局性水体光谱指数模型难以取得很好的提取精度。面向对象的图像分析方法通过对遥感图像进行分割,从全域—局部上耦合分析水体的光谱、空间形态、空间分布与空间关系等特征,构建了通用性强的湖泊信息提取规则集,最终实现湖泊水体信息的自动化提取。通过eCognition软件对Landsat TM图像的实验结果表明,该方法可以完全避免像元级阈值水体信息提取中出现的一些错误的"零星水体",自动且高效地提取出了山区湖泊水体信息,在无云情况下提取精度达95%以上。

... 沈金祥等^[4]通过对Landsat TM遥感图像进行分割,从全域#cod#x02014 ...

2012

0.0

徐宏根, 王建超, 郑雄伟, 等. 面向对象的植被与建筑物重叠区域的点云分类方法[J]. 国土资源遥感, 2012, 24(2): 23-27.

Xu H

, Wang J

, Zheng X

, et al. Object-based point clouds classification of the vegetation and building overlapped area[J]. Remote Sensing for Land and Resources, 2012, 24(2): 23-27.

This paper proposes an object-oriented point clouds classification method for solving the difficult classification problem for the overlapping between vegetation and buildings based on reviewing current status of LiDAR point clouds classification approaches. In the proposed method, the point clouds are firstly separated into ground points and non-ground points through adaptive TIN filter method, and the DTM is obtained. Second, a triangle network is constructed for non-ground points higher than DTM. The non-ground point clouds could be divided into multi-objects by removing longer edges (edge between ground and object). Then, the object is judged to decide whether it belongs to vegetation or building according to its information entropy of triangle network slope. Finally, for objects difficult to be distinguished from other objects, the overlapped area between vegetation and buildings is extended by geometric shape of buildings, so that the accuracy of point clouds classification of the overlapped area could be improved. The experiment results show good classification performance for buildings and vegetation, and the accuracy reaches 87%.

在分析LiDAR点云数据分类现状的基础上,针对植被与建筑物重叠区域分类困难的问题,提出了一种基于面向对象的点云分类方法。首先采用三角网渐进内插的滤波方法将点云分为地面点和非地面点,并得到DTM; 然后对高出DTM一定高度的非地面点建立三角网,删除较长的三角网的边(地物间的边),从而将非地面点云分割成多个对象; 再利用各个对象内的三角网坡度信息熵大小判断该对象属于植被或建筑物; 最后对于难以区分的对象(植被与建筑物重叠区)根据建筑物几何规则形状延伸扩充,从而提高植被和建筑物重叠区的点云分类准确率。实验结果表明,该方法能够很好地区分建筑物和植被点,分类准确率达到87%。

... 徐宏根等^[5]则针对植被与建筑物重叠区域分类困难的问题,提出了一种基于面向对象的LiDAR点云数据分类方法,根据建筑物几何规则形状延伸扩充,从而提高了植被和建筑物重叠区的点云分类准确率 ...

2000

0.0

... 分形网络演化算法(fractal net evolution approach,FNEA)由Baatz等^[6]于2000年提出,是一种比较成熟稳定的面向对象的图像分割方法 ...

... 对于给定的特征空间,当2个影像对象在特征空间内的距离较近时,即可认为它们是相似的或者异质性很小^[6] ...

2010

0.0

高伟, 刘修国, 彭攀, 等. 一种改进的高分辨率遥感影像分割方法[J]. 中国地质大学学报, 2010, 25(3): 421-425.

Gao

, Liu X

, Peng

, et al. An improved method of high resolution remote sensing image segmentation[J]. Earth Science—Journal of China University of Geosciences, 2010, 25(3): 421-425.

分形网络演化算法是面向对象的遥感影像分类中比较成熟的一种构建对象的算法,但在分割效率上有待进一步提高,而四叉树分割是一种高效的图像分割方法.提出了一种基于四叉树预分割的分形网络演化构建对象的方法.实验证明,该方法基本不影响影像分割的效果,而且提高了形成初始对象的效率,较大程度上提高了整体的分割效率.

... 高伟等^[7]于2010年提出了一种基于四叉树分解的改进方法,在不影响图像分割结果的情况下,有效地提高了形成初始对象的效率,在较大程度上提高了整体的分割效率 ...

... 当一轮对象合并结束后,以上一轮生成的对象为基本单元,继续计算该单元与其相邻的影像对象的异质性……,这一过程将一直持续到在用户指定的尺度(阈值)上不能再进行任何的对象合并为止^[7] ...

2011

0.0

... Tang等^[8]将FNEA算法应用于变化检测中的目标提取过程,取得了较好的效果 ...

2009

0.0

0.603

王慕华, 张继贤, 李海涛, 等. 基于区域特征的高分辨率遥感影像变化检测研究[J]. 测绘科学, 2009, 34(1): 92-94.

Wang M

, Zhang J

, LI H

, et al. High resolution image change detection based on region feature[J]. Science of Surveying and Mapping, 2009, 34(1): 92-94.

传统像素级变化检测往往忽略邻近有意义的整片区域的空间、纹理、结构等信息,对高分辨率遥感影像具有很大的局限性.本文利用面向对象的思想,提出了一种基于区域特征的特定目标变化检测方法.该方法的技术流程包括:数据预处理;同质区域获取;区域特征选择;同名区域搜索;区域特征比较;变化检测精度评价及变化显示.利用提出的方法对伊朗2003年地震前后的巴姆古城标志性建筑进行检测,总体精度达到89.73%.