遥感影像道路变化检测python

### 遥感影像中道路变化检测的Python实现

#### K-means算法用于遥感影像中的应用
对于遥感影像变化检测，尤其是针对特定对象如道路的变化检测，可以利用聚类分析来区分不同类型的地物。K-means作为一种无监督学习方法，在处理此类问题上具有一定的优势[^1]。

from sklearn.cluster import KMeans
import numpy as np
import matplotlib.pyplot as plt
from osgeo import gdal

def load_image(file_path):
    dataset = gdal.Open(file_path)
    image_array = dataset.ReadAsArray()
    return image_array.transpose((1, 2, 0))

# 加载两个时期的遥感影像数据
image_t1 = load_image('path_to_first_period_road_image')
image_t2 = load_image('path_to_second_period_road_image')

# 将图像转换成二维数组以便于kmeans计算
reshaped_img_t1 = image_t1.reshape((-1, image_t1.shape[-1]))
reshaped_img_t2 = image_t2.reshape((-1, image_t2.shape[-1]))

# 使用K-means进行分类
n_clusters = 2  # 假设只有两种类别：路与非路
km_model_t1 = KMeans(n_clusters=n_clusters).fit(reshaped_img_t1)
km_model_t2 = KMeans(n_clusters=n_clusters).fit(reshaped_img_t2)

# 获取每个像素所属簇标签
labels_t1 = km_model_t1.labels_.reshape(image_t1.shape[:2])
labels_t2 = km_model_t2.labels_.reshape(image_t2.shape[:2])

plt.figure(figsize=(12,6))
plt.subplot(121), plt.imshow(labels_t1), plt.title('First Period Road Segmentation')
plt.subplot(122), plt.imshow(labels_t2), plt.title('Second Period Road Segmentation')
plt.show()

这段代码展示了如何加载两期遥感影像，并通过K-means算法对其进行分割以识别可能的道路区域。然而，这只是一个初步的结果展示，实际操作还需要进一步细化参数设置以及考虑更多因素的影响。

#### 变化检测的具体流程
为了更精确地捕捉到道路的变化情况，除了上述的基础步骤外，还可以引入其他技术手段辅助判断。例如，可以通过比较前后两次获取的数据之间的差异来进行更加细致化的分析。常用的技术包括但不限于比值法、插值法等[^2]。

difference_map = abs(labels_t1 - labels_t2)

fig, ax = plt.subplots()
cax = ax.matshow(difference_map, cmap='hot')
fig.colorbar(cax)
plt.title('Difference Map of Roads Between Two Time Phases')
plt.show()

changed_pixels = difference_map != 0
percentage_change = (np.sum(changed_pixels) / float(difference_map.size)) * 100
print(f'Percentage change in road area: {percentage_change:.2f}%')

此部分代码构建了一个差分图谱，用来直观显示哪些地方发生了改变；同时也统计出了发生变动的比例数值，有助于评估整体上的变化程度。

#### 结果验证与精度评价
完成以上过程之后，最后一步是对所得结果的质量做出衡量。通常会借助混淆矩阵或其他指标体系来进行定量描述。下面给出了一种简单的准确率评测方式：

from sklearn.metrics import confusion_matrix, accuracy_score

ground_truth_labels = ...  # 这里应该填入真实的标注信息作为参照标准
predicted_changes = changed_pixels.flatten()  

cm = confusion_matrix(ground_truth_labels, predicted_changes)
acc = accuracy_score(ground_truth_labels, predicted_changes)

print("Confusion Matrix:\n", cm)
print(f"Accuracy Score: {acc*100:.2f} %")

该片段实现了对预测结果同真实状况之间的一致性检验，从而帮助确认所选方案的有效性和可靠性[^3]。