劉 波，燕 琴，劉恒飛，馬 磊

(1. 蘭州交通大學(xué) 測繪與地理信息學(xué)院，甘肅 蘭州 730070; 2. 甘肅省地理國情監(jiān)測工程實驗室，甘肅 蘭州 730070 ; 3. 國家測繪地理信息局，北京 100830; 4. 國家測繪地理信息局黑龍江基礎(chǔ)地理信息中心，黑龍江 哈爾濱 150081)

隨著近年來高分辨率遙感影像的快速發(fā)展，尤其是國產(chǎn)高分衛(wèi)星的相續(xù)升空，高分影像的時間分辨率與空間分辨率均得到了較大的提升，因此研究基于高分辨率遙感影像的建筑物變化檢測具有重要的實用價值。

目前，基于高分辨率遙感影像的建筑物變化檢測得到了學(xué)者們的大力關(guān)注，如文獻[1]利用建筑物與陰影的關(guān)系，通過一種概率模型的方法識別建筑物變化區(qū)域；文獻[2]則從邊緣的角度出發(fā)，結(jié)合建筑物的空間幾何結(jié)構(gòu)，識別建筑物的變化情況；針對高分影像存在的同譜異物現(xiàn)象，文獻[3]提出利用紋理特征加以輔助進行改善，并結(jié)合形態(tài)學(xué)運算取得較好的實驗結(jié)果。然而上述方式都是僅從淺層的特征角度出發(fā)，識別建筑物變化情況，對于復(fù)雜的建筑物幾何結(jié)構(gòu)難以達到較好結(jié)果，針對這一不足之處，挖掘深層次建筑物空間結(jié)構(gòu)特征則成為了研究重點。文獻[4]提取了一種簡單高效的建筑物空間特征—形態(tài)學(xué)建筑物指數(shù)(Morphology building index, MBI)，利用該指數(shù)在高分辨率遙感影像上進行建筑物識別，得到較好的實驗精度。MBI在建筑物變化檢測中早已運用，但在進行變化檢測時都需要人工設(shè)定簡單閾值并還需要進行后續(xù)處理才能獲取較高精度的檢測結(jié)果[5]。

近年來，機器學(xué)習(xí)方法在各行各業(yè)中得到了充分的應(yīng)用，其在遙感影像變化檢測中也正不斷被學(xué)者們采用。傳統(tǒng)的方法是通過選擇訓(xùn)練樣本的方式完成變化的判定，這種方式雖然可以克服很多復(fù)雜條件，但需要人工選擇正負樣本，效率相對較低。

文獻[6]利用一種單分類器，將其成功應(yīng)用到中等分辨率遙感影像土地變化調(diào)查中，取得了較好的實驗結(jié)果，從該思路出發(fā)，本文設(shè)計了一種正樣本單分類框架下的高分辨率影像建筑物變化檢測算法，其具有以下優(yōu)點：①無需負樣本的選定即可進行變化判決。②設(shè)計了一種新的形狀描述算子，對后續(xù)結(jié)果進行優(yōu)化，提升了最終的檢測精度。

1 單分類框架下的建筑物變化檢測

本文的實驗流程主要包括以下步驟：首先從建筑物的特征挖掘出發(fā)，引入一種形態(tài)學(xué)建筑物指數(shù)進行建筑物特征描述，然后利用卡方變換進行多特征融合，同時采用疊加聯(lián)合分割的手段完成地物影像對象提取，最后利用一種正樣本單分類器，以眾數(shù)規(guī)則的方式完成對象級變化檢測。其中，本文的建筑物變化檢測實驗流程如圖1所示。

圖1 實驗算法設(shè)計流程

1.1 建筑物空間特征提取

高分辨率遙感影像上相同地物間光譜差異變大，不同地物間光譜差異變小，相對于中低分辨率遙感影像的變化檢測難度更大。針對這一問題，學(xué)者們在特征提取方面進行了大量的研究，以其改善僅依靠光譜特征的不足之處，如引入紋理算子—灰度共生矩陣(Gray level co-occurrence matrix, GLCM)等進行改善[7]。盡管該類方法取得了一定的效果，但是建筑物紋理呈現(xiàn)多樣性，難以用一種或者多種紋理提取算子進行簡單的描述。文獻[7]從建筑物本身的光譜、幾何等特征出發(fā)，提出了一種針對建筑物本身的特征描述子——形態(tài)學(xué)建筑物指數(shù)(Morphology building index, MBI)。該特征能夠?qū)τ跋裆系慕ㄖ飬^(qū)域進行增強，在建筑物識別等方面得到了廣泛的應(yīng)用，本文采用該算子作為建筑物的空間特征描述。

建筑物形態(tài)學(xué)指數(shù)計算主要包括以下幾個步驟：

1)對于多波段原始影像，對每個像元光譜剖面，取最大值進行多波段合成，

(1)

式中：bandk(i)為波段k中像元i的灰度值，K為影像的波段總數(shù)，b(i)為合成后的單波段像元值，利用該式對多波段進行合成的主要目的是對不同顏色的建筑物屋頂進行增強。

2)利用頂帽變換的差分形態(tài)學(xué)剖面(Differential morphological profiles, DMPs)完成對建筑物的光譜結(jié)構(gòu)特征描述。

TH-DMP(d,s)=|THb(d,s)-

THb(d,s-Δs)|.

(2)

其中

(3)

3)利用步驟(2)中的計算式，分別計算出的多個方向多個角度的差分形態(tài)學(xué)剖面，最后以取均值的方式完成建筑物形態(tài)學(xué)指數(shù)計算，

(4)

式中：MBI為計算出的形態(tài)學(xué)建筑物指數(shù)；D,S分別為線性結(jié)構(gòu)元素的方向總數(shù)與尺度總數(shù)。

1.2 卡方變換多特征融合

變化向量分析(Change vector analysis, CVA)是一種經(jīng)典的多特征等權(quán)融合方法[8]，其計算方式簡單，在變化檢測中得到了極大的應(yīng)用，

(5)

可以看出，變化向量分析對于各個特征波段只能利用等權(quán)的方式進行多特征融合，無法突出較優(yōu)特征。因此研究一種自適應(yīng)權(quán)重的多特征融合算法對于建筑物變化檢測具有非常重要的意義?？ǚ阶儞Q(Chi-square transform, CST)是一種自適應(yīng)權(quán)重的多特征融合算法，其在遙感影像變化檢測中近年來得到了廣泛的應(yīng)用[8]。CST多特征融合主要通過將差分波段的方差作為融合權(quán)重：

(6)

從該式可以看出，基于卡方變換的多特征融合，能夠自適應(yīng)權(quán)重進行多特征融合，無需人工干預(yù)設(shè)定權(quán)重，利用本文提取的形態(tài)學(xué)建筑物指數(shù)特征與光譜特征進行波段組合，利用卡方變換的方式進行多特征融合，得到一個最終的變化波段，為了方便下一步計算，本文采用線性歸一化的方法對其進行歸一化，將值歸一到(0,1)。

1.3 單分類框架下變化檢測

利用卡方變換對多個特征波段進行融合，得到一個最終的多特征融合波段。通過一個簡單的閾值設(shè)定對變化波段進行判定，然后得到變化與否，該種方式是一種高效簡單的變化檢測方式，但是該種方式通過對全局用一個閾值設(shè)定來進行判定，最優(yōu)閾值的選取難以確定，難以得到最優(yōu)結(jié)果。通過機器學(xué)習(xí)的方法來對全局進行統(tǒng)計建模，理論上能夠得到更優(yōu)結(jié)果[9]?；跈C器學(xué)習(xí)的變化檢測，通常需要人工選取訓(xùn)練樣本，且同時需要正負樣本的加入，即人工選取一定的變化與未變化樣本，效率方面具有一定的局限性。

文獻[9]通過對現(xiàn)有基于機器學(xué)習(xí)的變化檢測方法進行分析，引入了一種只需正樣本的分類器——支持向量數(shù)據(jù)描述(Surpport vector data description, SVDD)，即僅僅需要人工選取變化樣本即可，無需選取未變化樣本，降低人工干預(yù)，且得到較好的實驗效果，計算效率方面也得到了較大的提升，其在中等分辨率制圖方面得到成功的應(yīng)用，借鑒于此思想，本文將其運用到高分辨率遙感影像上。

SVDD最早是用來解決有偏數(shù)據(jù)的單分類問題，大量研究表明，該單分類器的實驗效果達到了經(jīng)典的兩類支持向量機(Surpport vector data machine，SVM)同樣效果，且在大數(shù)據(jù)量的情況下，計算效率更高[10]?？紤]到SVDD的上述優(yōu)點，本文選取該分類器作為本文的正樣本單分類器，通過人工選取少量變化樣本，來完成建筑物變化檢測。

1.4 基于對象的變化檢測

用上述單分類器得到建筑物的初始變化檢測，由于其是從像元的角度出發(fā)，因此不可避免的產(chǎn)生大量空洞與椒鹽現(xiàn)象，針對這一問題，本文通過面向?qū)ο蟮姆绞竭M行改善。首先，本文利用一種自底向上的分割算法，完成對地物的對象建模[10]，然后利用下式完成對象級變化檢測結(jié)果判定：

式中：i為分割后的某一對象，num()為對象內(nèi)滿足某一條件的像元個數(shù)。根據(jù)上式實現(xiàn)面向?qū)ο蟮淖兓瘷z測，有效地改善空洞等現(xiàn)象。

1.5 進長寬比形狀特征

初始變化檢測后的結(jié)果中，通常包含較多其他地物類變化，如道路等，為了得到更為準(zhǔn)確的建筑物變化檢測結(jié)果，文獻[4]提出了首先對二值圖像進行連通區(qū)域標(biāo)記，然后利用長寬比等形狀特征進行道路去除，從而得到更為理想的實驗結(jié)果，該種方法在一定實驗情景下得到去除道路網(wǎng)絡(luò)，但是對于環(huán)形或者更為復(fù)雜的道路網(wǎng)絡(luò)，難以進行有效去除，針對這一問題，本文提出了一種改進的長寬比形狀特征來更好地對道路等其他非建筑物變化類進行有效去除。

其中本文改進的長寬比不再以最小外接矩形的長度作為判定，而是以對角線作為長寬判定，對于這種交叉路段或者環(huán)形道路能夠更好地進行去除，其中本文改進的長寬比：

(7)

其中：length為連通區(qū)域最小外接矩形的長度，width為連通區(qū)域最小外接矩形的寬度。

2 實驗分析與討論

為了驗證本文算法的有效性，本文分別從以下三個角度進行了算法對比分析:①與傳統(tǒng)的監(jiān)督分類方法進行了對比分析，即同時選擇正負樣本。②與目前其他較優(yōu)建筑物變化檢測算法進行對比。③與其他正樣本單分類器算法對比。其中本文實驗數(shù)據(jù)為成都市某地區(qū)，其中相關(guān)參數(shù)說明和真實數(shù)據(jù)如表1所示。

表1 實驗數(shù)據(jù)介紹

兩期影像均經(jīng)過嚴格的幾何校正與直方圖輻射值匹配，保證兩期影像后續(xù)處理的精度需求，如圖2所示，圖2為真實影像數(shù)據(jù)。

圖2 實驗數(shù)據(jù)集

首先與傳統(tǒng)的監(jiān)督分類方法對比，本文選擇經(jīng)典的SVM方法，其中核函數(shù)選擇為RBF，參數(shù)C,g通過交叉驗證得到最優(yōu)，正負樣本均選取真實樣本的5%。其次選擇文獻[4]提出的算法，其中光譜判別閾值為0.2，MBI判別閾值為0.3，長寬比閾值設(shè)定為10。最后選擇與正樣本單分類器算法對比，本文主要選擇文獻[6]使用的算法進行對比，其分類器選擇為SVM，負樣本自動生成比例為1，其中人工勾選的正樣本75%用于訓(xùn)練，25%用于測試，后驗概率判定閾值均設(shè)置為0.5。本文算法中，選取5%變化區(qū)域為正樣本，改進長寬比閾值設(shè)置為10。不同算法對比實驗結(jié)果如圖3所示。

從實驗結(jié)果來看，本文算法取得了相對較優(yōu)的視覺效果，文獻[4]提出的建筑物變化檢測算法由于其僅僅從像元的角度出發(fā)，因此導(dǎo)致了大量的椒鹽現(xiàn)象，且簡單的閾值設(shè)定難以得到非常理想的實驗結(jié)果。文獻[10]提出的單分類算法與本文算法效果類似，但是其仍然有部分并沒有識別出來。而與經(jīng)典的SVM兩類方法對比，本文方法錯誤識別較少。

為了更好地驗證不同方法對比，本文參照文獻[4]采用定量的精度評價方法，其中有三個重要的指標(biāo)，正確率(Correctness, CT)、虛檢率(False alarms, FA)、漏檢率(Miss alarms, MA)。定量對比精度結(jié)果如表2所示。

從表2中可以看出，本文算法三個指標(biāo)均取得了較優(yōu)結(jié)果，文獻[6]提出的單分類方法由于漏識別部分較多，因此漏檢率較高，從具體的單分類實現(xiàn)算法原理來看，這是由于其負樣本為全局自動生成，部分正樣本可能被誤判別為負樣本，導(dǎo)致精度降低。文獻[4]從像元的角度出發(fā)，實驗結(jié)果產(chǎn)生較多的空洞與椒鹽現(xiàn)象，這是由于其以單個閾值的方式來判定全局的變化，難以確定，且高分辨率遙感影像上，同譜異物現(xiàn)象嚴重，因此容易產(chǎn)生較多的誤識別像元。從最后定量的精度評價結(jié)果看，本文的單分類方法取得了較二分類更優(yōu)的結(jié)果，在有限樣本數(shù)據(jù)下，驗證本文的單分類方法是可行的，且具有較高的精度。

圖3 不同算法實驗結(jié)果

表2 不同算法精度定量對比 %

3 結(jié)束語

本文針對現(xiàn)有基于機器學(xué)習(xí)的建筑物變化檢測算法，需要人工標(biāo)注正負樣本，為減少了人工干預(yù)，引入了一種單分類器，無需負樣本的選取即可完成建筑物變化檢測，且具有較好的實驗結(jié)果。針對非建筑物變化區(qū)域，本文利用改進的長寬比特征進行過濾，提高了最終的提取精度。從算法實現(xiàn)的角度來看，本文仍然需要人工選取正樣本，下一步會將重點放在如何自動獲取正樣本的研究上，從而完成全自動的高精度建筑物變化檢測。