肖明虹,馮文卿,眭海剛
(1. 廣西壯族自治區(qū)地理信息測繪院,廣西 柳州 545006;2. 武漢大學(xué)測繪遙感信息工程國家重點實驗室,湖北 武漢 430079)
隨著遙感影像空間分辨率的提高,同類地物內(nèi)部光譜差異逐漸增大,基于像元光譜統(tǒng)計的自動變化檢測技術(shù)已經(jīng)不能滿足當(dāng)前遙感圖像變化信息提取的要求,成為制約高分遙感圖像廣泛應(yīng)用的主要瓶頸[1]。面向?qū)ο蠓治?object oriented image analysis,OBIA)方法為高分遙感影像變化信息提取提供了新的思路,各國學(xué)者針對不同的應(yīng)用目的,從不同的方面研究了大量的變化檢測方法和理論模型[2-7]。
文獻(xiàn)[3]利用eCognition軟件進(jìn)行多尺度分割,通過提取對象在不同尺度上的光譜特征和紋理特征,使用基于特征的差值法,然后對不同尺度的差值結(jié)果進(jìn)行融合,以獲取最終的變化檢測結(jié)果。文獻(xiàn)[4]結(jié)合對象的光譜直方圖和LBP紋理特征,利用G統(tǒng)計量和自適應(yīng)閾值方法,提出了一種融合對象多特征的變化檢測算法。文獻(xiàn)[5—10]利用基于對象的變化向量分析法、相關(guān)系數(shù)法、χ2變換法,綜合利用對象的多種特征參與分析,如光譜信息、紋理信息、對象間的拓?fù)湫畔⒌?,最終使得變化檢測結(jié)果更加準(zhǔn)確和穩(wěn)健。文獻(xiàn)[11]利用SLIC超像素分割并結(jié)合3種像素級變化檢測算法,將分割結(jié)果與變化檢測結(jié)果進(jìn)行多方法融合,以提高變化檢測精度。其中,變化向量分析(change vector analysis,CVA)和光譜斜率差異(spectral gradient difference,SGD)兩種算法是經(jīng)常被使用的方法。CVA在光譜空間計算變化強(qiáng)度信息,而SGD在斜率空間比較不同時期的光譜斜率向量的差異,即光譜曲線形狀的差異,得到變化強(qiáng)度影像,通過閾值設(shè)置確定變化和不變化的區(qū)域[12-14]。本文在上述研究基礎(chǔ)上,通過結(jié)合兩種方法的優(yōu)勢,采用基于熵率[15]的方法對影像進(jìn)行分割,以超像素作為變化檢測的基本單元,提出一種新的變化檢測算法,其總體流程如圖1所示。
圖1 變化檢測算法整體流程
已知時相1和時相2同一位置對應(yīng)的兩個超像素區(qū)域,它們的特征向量分別為Q1(Q11,Q12,…,Q1n)和Q2(Q21,Q22,…,Q2n),其中n為對象的特征數(shù)量,特征個數(shù)n一般至少兩倍于影像波段數(shù)[5]。本文主要提取超像素內(nèi)所有像素在各波段的平均值及標(biāo)準(zhǔn)差來作為它們的特征向量,則其對應(yīng)的變化矢量為
(1)
本文采用變化向量模法將差值向量Qc(其中Qc=Q2-Q1)變換成一個標(biāo)量值,用來衡量對象的變化強(qiáng)度[5],其計算公式如下
(2)
變化向量各分量標(biāo)準(zhǔn)化公式為
(3)
那么新序列Pci∈[0,1]且無量綱。當(dāng)W的值大于某個閾值時,則認(rèn)為對象發(fā)生了變化,否則沒有發(fā)生變化。
基于光譜斜率差異比較的方法主要是通過計算光譜斜率,將變化檢測過程從傳統(tǒng)的光譜空間轉(zhuǎn)換到斜率空間,比較兩期遙感影像光譜斜率的強(qiáng)度差異來判斷地物是否發(fā)生了變化[12-14]。該方法解決了傳統(tǒng)的變化檢測算法僅在光譜空間計算光譜值變化強(qiáng)度的大小,能夠較好地區(qū)別真實變化和偽變化[12-14]。假設(shè)該方法用于同一區(qū)域,兩個不同時刻的遙感影像地表覆蓋變化檢測過程,同一地點的遙感影像的M個波段的光譜數(shù)據(jù),依據(jù)波譜范圍連接成M-1個光譜段,分別針對前、后時相的每個點位,計算每個光譜波段的斜率,其中光譜段(N,N+1)的斜率計算公式如下
(4)
(5)
式中,λN為第N波段的波長值;min(λ)為遙感影像所有波段中波長的最小值;max(λ)為遙感影像所有波段中波長的最大值。它們的單位均為微米。
根據(jù)式(4)的斜率計算公式,分別計算T1、T2兩時相影像的每個點位的各波段斜率值,形成斜率向量并用來表示光譜的形狀,它們的斜率向量分別為
(6)
接著,通過斜率向量的絕對距離來計算斜率的變化強(qiáng)度,計算公式如下
(7)
(8)
為了綜合驗證本文方法的可行性和有效性,采用前、后兩期SPOT5影像進(jìn)行試驗,分別為2002年和2007年北京市某區(qū)域多光譜融合影像,空間分辨率為2.5 m,主要包含紅(0.61~0.68 μm)、綠(0.49~0.61 μm)、近紅外(0.78~0.89 μm)、短波紅外(1.58~1.78 μm)4個波段,影像大小為626×702,其假彩色影像如圖2所示,其中圖2(c)是根據(jù)目視解譯結(jié)果而制作的參考變化檢測影像。試驗采用基于熵率的分割算法來獲取超像素,分割的目的在于盡可能將同一種類型的地物分割在一起,最終形成一系列緊湊、區(qū)域一致性較強(qiáng)的同質(zhì)區(qū)域。通過對比兩期影像中不同地物的光譜變化,可以觀察出主要的變化為不同季節(jié)耕地變化,以及農(nóng)業(yè)用地與建筑區(qū)之間的相互轉(zhuǎn)換等,因此本文重點檢測這些區(qū)域之間的變化。
圖2 試驗數(shù)據(jù)集
本文在4個尺度上對原始影像進(jìn)行超像素分割,超像素個數(shù)分別設(shè)置為3500、2500、1500、500。接著,在不同尺度上對不同時相影像對應(yīng)的超像素區(qū)域的光譜亮度值及斜率差異值進(jìn)行分析,提取變化強(qiáng)度影像和斜率差異影像,并將影像的灰度等級量化到0~255之間。然后,對這兩種差異信息按照一定的權(quán)重進(jìn)行加權(quán)融合,并對融合后的差異影像進(jìn)行OTSU閾值分割,來獲取最終的變化和未變化區(qū)域。結(jié)果如圖3所示,其中黑色區(qū)域表示未變化的區(qū)域,白色區(qū)域表示變化的區(qū)域。
當(dāng)融合權(quán)重w=1時,此時只考慮了變化強(qiáng)度信息,未考慮斜率差異信息,試驗影像利用CVA方法得到的變化檢測結(jié)果如圖3(a)—(d)所示。相反,當(dāng)融合權(quán)重w=0時,試驗影像利用SGD方法得到的變化檢測結(jié)果如圖3(e)—(h)所示。當(dāng)融合權(quán)重設(shè)置為w=0.3時,利用兩種融合信息得到的變化檢測結(jié)果如圖3(i)—(l)所示。為了對所提出的方法性能進(jìn)行定量評估,本文比較了不同超像素數(shù)及不同融合權(quán)重對最終變化檢測結(jié)果精度的影響。其中,圖4給出了試驗數(shù)據(jù)在不同超像素數(shù)目下,以及融合權(quán)重設(shè)置為w=0.3、w=0.6、w=0.9時的精度評估對比圖。表1則具體給出了試驗數(shù)據(jù)在超像素個數(shù)為3500時的精度評定結(jié)果。
圖3 變化檢測結(jié)果
方法總體正確率/(%)虛檢率/(%)漏檢率/(%)Kappa系數(shù)CVA92.9213.1529.970.7339SGD94.8816.0712.580.8253Fusion,w=0.395.6013.8110.960.8491Fusion,w=0.695.3112.3714.830.8355Fusion,w=0.993.5413.0725.820.7623
從圖4中可以看出,在4個分割尺度上,當(dāng)超像素個數(shù)為3500時,此時變化檢測結(jié)果的總體正確率和Kappa指數(shù)要優(yōu)于其他3個尺度,虛檢率和漏檢率也要小于其他3個尺度;當(dāng)超像素個數(shù)為500時,此時的分割結(jié)果不能較好地反映地物的實際形狀,欠分割的區(qū)域較多,得到的超像素區(qū)域內(nèi)部地物不均勻,同質(zhì)度較差,其總體檢測精度也遜于其他3個尺度。在3個不同的融合權(quán)重下,當(dāng)權(quán)重為0.3時,此時融合檢測結(jié)果的精度要好于權(quán)重為0.6和權(quán)重為0.9的情形。此外,從表1中可以看出,基于光譜斜率差異的方法檢測精度要好于變化向量分析法,當(dāng)融合權(quán)重側(cè)重于斜率差異影像時,此時能較好地改善變化檢測結(jié)果精度。
綜上所述,本文所提出的方法相較于只利用單一的變化信息,能夠提高變化檢測結(jié)果的精度,檢測到的地物變化與實際變化更為一致,同時也有效抑制了單一方法所產(chǎn)生的虛檢或漏檢現(xiàn)象。在實際的變化檢測應(yīng)用中,可以根據(jù)不同的應(yīng)用目的,結(jié)合先驗知識選擇合適的融合權(quán)重及超像素區(qū)域個數(shù),集成兩種方法的優(yōu)勢,以獲取最佳的檢測精度。
圖4 不同權(quán)重及超像素數(shù)下的變化檢測精度比較
本文提出了一種結(jié)合變化向量分析和光譜斜率差異的遙感影像變化檢測算法。該方法通過基于熵率超像素分割,獲取多尺度超像素區(qū)域,然后通過對變化強(qiáng)度影像和斜率差異影像進(jìn)行加權(quán)融合,采用OTSU閾值分割來得到最終的變化和未變化區(qū)域,從而提高了變化檢測的精度。但是也仍然存在一定的不足之處,從熵率超像素分割算法的角度來講,其僅僅考慮了影像的光譜信息,對遙感影像的分割質(zhì)量存在一定程度的劣勢。對于紋理密集且區(qū)域較大的地方,過分割現(xiàn)象可能會存在。因此,在影像分割時,具體使用多少個超像素為宜,即平衡性的問題,是一個值得考慮的地方。在利用超像素分割獲取初始分割結(jié)果之后,可以進(jìn)一步對分割結(jié)果進(jìn)行區(qū)域合并,改善分割結(jié)果質(zhì)量。