劉 波，燕 琴，馬 磊,呂文清

(1.蘭州交通大學(xué) 測(cè)繪與地理信息學(xué)院，甘肅 蘭州 730070; 2.中國(guó)測(cè)繪科學(xué)研究院，北京 100830; 3.甘肅省地理國(guó)情監(jiān)測(cè)工程實(shí)驗(yàn)室，甘肅 蘭州 730070)

遙感影像變化檢測(cè)技術(shù)已經(jīng)成為遙感技術(shù)最新研究的熱點(diǎn)。該技術(shù)從不同時(shí)期的遙感數(shù)據(jù)中定量地分析和確定地表變化的特征與過(guò)程[1]。一般包括：不同時(shí)間段影像配準(zhǔn)、輻射校正等預(yù)處理；差異影像構(gòu)建；變化區(qū)域判斷等[2]。

以往的遙感影像變化檢測(cè)多采用目視解譯以及分類(lèi)后比較法[3]。分類(lèi)后比較法能夠直接獲取變化地物類(lèi)型，但其工作量巨大，對(duì)分類(lèi)結(jié)果精度要求嚴(yán)格。為此，一些學(xué)者提出了直接變化監(jiān)測(cè)算法，該類(lèi)算法效率高，隨著技術(shù)進(jìn)步，其檢測(cè)精度也逐漸提升[4-7]。近年來(lái)，隨著衛(wèi)星傳感器空間分辨率的不斷提高，面向?qū)ο蠹夹g(shù)的遙感影像信息變化檢測(cè)技術(shù)也逐漸成熟。相對(duì)于傳統(tǒng)遙感影像變化檢測(cè)方法，面向?qū)ο笞兓瘷z測(cè)能夠較好地避免“椒鹽現(xiàn)象”的產(chǎn)生，提升變化檢測(cè)精度[2,8]。

傳統(tǒng)的面向?qū)ο笞兓瘷z測(cè)算法極少考慮對(duì)象鄰域之間的相關(guān)性。隨著對(duì)象發(fā)生變化，與其相鄰對(duì)象的空間關(guān)系特征也將發(fā)生變化。隨著基于多尺度面向?qū)ο蠓指钭兓瘷z測(cè)算法的提出，對(duì)象與對(duì)象之間的空間關(guān)系特征逐步得到體現(xiàn)[9]。但已有的算法中對(duì)象之間的空間關(guān)系特征更多地只在同一時(shí)期中各自體現(xiàn)[9-11]。本文在影像多尺度分割的基礎(chǔ)上，提出一種基于對(duì)象與其相鄰對(duì)象之間空間關(guān)系的量化方法。本方法將單個(gè)對(duì)象從圖像分離出來(lái)，然后計(jì)算它與多個(gè)時(shí)相影像上的相鄰對(duì)象的空間關(guān)系特征，最后將該特征提取出來(lái)，結(jié)合對(duì)象光譜特征，通過(guò)變化矢量分析(CVA)方法，提取兩個(gè)時(shí)期遙感影像變化信息。

1 結(jié)合空間鄰域特征的變化檢測(cè)

1.1 變化檢測(cè)流程

本文的實(shí)驗(yàn)流程如圖1所示。

圖1 結(jié)合鄰域特征的變化檢測(cè)流程

1.2 變化矢量分析(CVA)

變化矢量分析是一種特征向量空間變化檢測(cè)算法[12]。其基本原理為多光譜圖像的像素光譜信息或分割后影像圖斑的多種特征可以用一個(gè)灰度矢量來(lái)表示，對(duì)于不同時(shí)間的遙感影像，每個(gè)像元或每個(gè)圖斑的光譜或特征信息都可以生成一個(gè)具有一定方向和強(qiáng)度的矢量。假設(shè)T1時(shí)刻的灰度矢量為X，T2時(shí)刻的灰度矢量為Y，變化矢量為ΔC。X與Y分別為：

其中，n為波段數(shù)或特征層數(shù)，變化矢量定義為：

(1)

變化強(qiáng)度信息為：

|ΔC|=

(2)

其中，|ΔC|包含了從基準(zhǔn)時(shí)期到檢測(cè)時(shí)期各個(gè)波段變化信息總和，表示了兩期影像的灰度差異。在一般情況下，當(dāng)|ΔC|較大時(shí)，表示兩幅影像之間的差異較大，變化的可能性也越大，反之則較小。因此可以通過(guò)選取合理的閾值來(lái)提取變化信息。變化矢量分析可以看作是差分法的深化和拓展，在理論上可以處理多光譜數(shù)據(jù)，而且能夠提供變化類(lèi)型[13]。

1.3 基于對(duì)象的變化矢量分析

基于對(duì)象變化檢測(cè)的前提是影像分割，目前較為成熟并應(yīng)用廣泛的分割算法有分形網(wǎng)絡(luò)進(jìn)化算法(FNEA)、基于邊緣檢測(cè)算子的分割算法、基于概率密度函數(shù)梯度計(jì)算的均值漂移(Mean-Shift)算法、基于形態(tài)學(xué)以及基于分水嶺變換的圖像分割算法等[14]。本次研究主要采用FNEA的多尺度分割算法。

面向?qū)ο蟮倪b感影像變化檢測(cè)過(guò)程中，對(duì)于圖像分割可以采取不同的模式。不同分割模式對(duì)變化檢測(cè)結(jié)果有明顯的影響，其中主要分割策略包括3種，多時(shí)相組合分割、單時(shí)相分割與多時(shí)相分別分割[15]。文獻(xiàn)[16]指出多時(shí)相組合分割策略相對(duì)其他兩種分割策略效果較好，所以本次研究主要在組合分割基礎(chǔ)上進(jìn)行。圖2所示即為組合分割策略示意圖。

圖2 多時(shí)相組合分割示意

基于對(duì)象的變化檢測(cè)首先為影像分割，分割后得到像斑(影像對(duì)象)。實(shí)驗(yàn)通過(guò)對(duì)兩個(gè)時(shí)相原始影像疊加分割，獲取影像對(duì)象，同時(shí)搜索各個(gè)對(duì)象的相鄰對(duì)象并標(biāo)記，如圖3所示。實(shí)驗(yàn)將具有公共邊或者公共角點(diǎn)的對(duì)象看作相鄰對(duì)象。

圖3 影像對(duì)象及其相鄰對(duì)象

1.4 對(duì)象空間鄰域特征計(jì)算

疊加分割后，產(chǎn)生的影像對(duì)象具有多種特征，包括影像光譜特征，紋理特征，空間結(jié)構(gòu)特征等。對(duì)于對(duì)象之間的關(guān)系特征，T1時(shí)相與T2時(shí)相影像對(duì)象與其周?chē)噜弻?duì)象的光譜差異特征(R)，具體可表示如下：

(3)

其中i為影像第i個(gè)對(duì)象(對(duì)于T2時(shí)向，i表示為i′)。n為與第i個(gè)對(duì)象相鄰的對(duì)象個(gè)數(shù)，k為與第i個(gè)對(duì)象相鄰對(duì)象編號(hào)，rik為第i個(gè)對(duì)象與相鄰對(duì)象之間關(guān)系參數(shù)。

本文依據(jù)如果對(duì)象發(fā)生變化，其與周邊對(duì)象關(guān)系也將發(fā)生變化的思想而提出，針對(duì)T1時(shí)刻影像，rik為T(mén)1時(shí)刻對(duì)象與T1時(shí)刻相鄰對(duì)象的關(guān)系參數(shù)；針對(duì)T2時(shí)刻，rik為T(mén)2時(shí)刻對(duì)象與T2或者T1時(shí)刻相鄰對(duì)象的特征關(guān)系參數(shù)，如圖4所示。當(dāng)使用T1時(shí)刻對(duì)象時(shí)本文假設(shè)對(duì)象的鄰域未改變，如圖4(a)所示。

a.T2時(shí)相的目標(biāo)對(duì)象相鄰對(duì)象為T(mén)1時(shí)刻的對(duì)象；b.T2時(shí)相的目標(biāo)對(duì)象相鄰對(duì)象為T(mén)2時(shí)刻對(duì)象圖4 T2時(shí)向目標(biāo)對(duì)象兩種相鄰關(guān)系特征量化圖示

為簡(jiǎn)化操作，本實(shí)驗(yàn)將R簡(jiǎn)化為各鄰域?qū)ο笃骄裨炼戎抵团c鄰域個(gè)數(shù)的商與目標(biāo)對(duì)象平均像元亮度值的差值，具體算式如下：

(4)

其中t為時(shí)相，Mean(i)t為對(duì)象I在t時(shí)相上的像素平均亮度值，Mean(k)t為目標(biāo)對(duì)象相鄰對(duì)象中的第k個(gè)對(duì)象在t時(shí)相與目標(biāo)的空間關(guān)系特征。n為鄰域像斑個(gè)數(shù)。

故本文在實(shí)驗(yàn)中將目標(biāo)對(duì)象各個(gè)波段內(nèi)像素亮度均值與目標(biāo)對(duì)象和其相鄰對(duì)象的關(guān)系特征(R)分別歸一化后作為兩個(gè)特征共同構(gòu)建變化矢量。各次實(shí)驗(yàn)以及其特征選擇方案詳細(xì)信息見(jiàn)表1，本文后面各種實(shí)驗(yàn)方案將采用對(duì)象特征簡(jiǎn)寫(xiě)形式。

表1 特征選擇以及特征量算

2 實(shí)驗(yàn)

2.1 圖像預(yù)處理

本次研究選取2002年與2004年兩個(gè)時(shí)期Quikbird遙感影像數(shù)據(jù)進(jìn)行試驗(yàn)，如圖5所示。首先分別對(duì)兩個(gè)時(shí)期全色和多光譜影像進(jìn)行融合，然后對(duì)兩景輻射定標(biāo)后影像進(jìn)行幾何配準(zhǔn)，配準(zhǔn)誤差在一個(gè)像元以?xún)?nèi)，最后對(duì)幾何配準(zhǔn)后的兩個(gè)時(shí)期影像進(jìn)行相對(duì)輻射定標(biāo)。

圖5 研究區(qū)影像假彩色合成影像

實(shí)驗(yàn)融合方法采用NNDiffusPanSharpening算法，融合結(jié)果對(duì)于光譜、色彩和紋理信息均能得到很好地保留[17]。在ECognition軟件平臺(tái)下，對(duì)疊加的兩時(shí)相影像進(jìn)行多尺度分割。關(guān)于最優(yōu)分割尺度的問(wèn)題始終存在著不同的意見(jiàn)，遙感影像最優(yōu)分割尺度也是一個(gè)廣泛討論的問(wèn)題[14]。最終確定分割尺度為60，緊致度因子為 0.1，形狀因子為 0.5。

2.2 變化檢測(cè)結(jié)果與分析

本文所有策略方法都是通過(guò)構(gòu)建變化矢量ΔC，通過(guò)計(jì)算ΔC的模，設(shè)置模的閾值，求取變化信息。本文實(shí)驗(yàn)僅僅利用目標(biāo)對(duì)象的光譜特征參數(shù)以及對(duì)象與相鄰對(duì)象之間光譜參數(shù)差異特征，針對(duì)特征差異影像，合理進(jìn)行閾值選擇。本文通過(guò)使用EM(最大期望)算法自動(dòng)獲取分割閾值，將變化矢量圖像像素值歸一化到0到255之間，最終得到基于光譜均值特征(Mean)的方法閾值為50.86，基于Mean+Rt1(t2)方法的閾值為68.5，基于Mean+Rt1(t1)的閾值為66.05。最終變化檢測(cè)結(jié)果如圖6所示。

圖6 變化檢測(cè)結(jié)果圖(圖中白色區(qū)域?yàn)樽兓瘏^(qū)域)

利用目視解譯結(jié)果對(duì)各方法結(jié)果進(jìn)行精度評(píng)價(jià)和對(duì)比，具體評(píng)價(jià)結(jié)果如表2所示?？梢园l(fā)現(xiàn)采用空間鄰域關(guān)系特征的評(píng)價(jià)結(jié)果總精度比未采用該特征的方法精度高，同時(shí)其虛檢率也相對(duì)較低。其中采用“光譜均值+空間關(guān)系參數(shù)(Mean+Rt1(t1))”特征的方法總精度最高，虛檢率最低。同時(shí)3種方法漏檢率都較低且相差不大。

3 結(jié) 論

通過(guò)增加影像對(duì)象的鄰域特征來(lái)增加基于對(duì)象的變化檢測(cè)特征參數(shù)，發(fā)現(xiàn)添加空間鄰域特征的檢測(cè)方法比不添加空間鄰域特征的檢測(cè)算法結(jié)果好。通過(guò)兩種不同的空間鄰域特征添加方式，發(fā)現(xiàn)T1、T2時(shí)相影像對(duì)象都采用基于T1時(shí)相的鄰域?qū)ο竽軌蛉〉酶呔?，即“光譜均值+空間關(guān)系參數(shù)(Mean+Rt1(t1))”方法精度更高，總精度達(dá)到了90.31%。

此外實(shí)驗(yàn)中還發(fā)現(xiàn)，基于空間鄰域特征的參數(shù)構(gòu)造與在變化矢量檢測(cè)中的使用策略方法還可以進(jìn)一步挖掘，比如如何構(gòu)造影像對(duì)象在兩個(gè)時(shí)期內(nèi)的全局空間關(guān)系特征等。