王 凱

(中國鐵路設計集團有限公司，天津 300251)

隨著我國高鐵建設的快速發(fā)展，高鐵里程和覆蓋范圍不斷增加，預計到2020年，我國高鐵的總里程將超過3萬公里。高速鐵路這種高速交通運輸方式在惠及千家萬戶的同時，其運營安全也引起了社會的高度關注。如何有效監(jiān)測高鐵沿線環(huán)境并快速提取其環(huán)境的變化情況，成為國內眾多學者新的研究方向。

高速鐵路時速高，對運營環(huán)境要求比較苛刻。在極端惡劣天氣(颶風、臺風、強降雨、冰雹等)下，鐵路周圍不穩(wěn)定的建筑體，如彩鋼瓦、農作物大棚、高聳的電塔、線桿、深挖的取土坑、密集堆積的貨場等，都可能對高鐵的運行造成嚴重威脅，輕則造成高速列車緊急停車，重則造成重大安全事故。因此，密切關注高鐵沿線運營環(huán)境的變化，隨時掌握高鐵沿線風險源的分布與位置對高鐵運營安全至關重要?，F(xiàn)行高鐵沿線變化監(jiān)測的方式主要為人工巡視，該方法受人視野和作業(yè)環(huán)境等因素的限制，作業(yè)效率低下，精度也難以保證，無法滿足作業(yè)任務的需求。遙感技術具有大尺度、多時相等特點，使用遙感數據可以快速獲取大區(qū)域空間信息。隨著我國高分衛(wèi)星數據平臺的研發(fā)和應用，遙感數據的空間分辨率得到了顯著的提高，

通過高分數據平臺可以獲取地表米級、亞米級的遙感影像數據。以下采用1A級高分二號遙感影像數據作為數據源(空間分辨率為1 m)，對京津城際高速鐵路天津市武清段的環(huán)境變化進行研究。

遙感變化監(jiān)測的主要方法有:影像直接比較法、分類后比較法和直接分類法三種[1]。直接比較法使用配準的兩個時相單波段遙感影像直接進行比較(結果為比值或差值)，得到地表變化信息的分布圖像，如黃閱智等使用DEM數據差值對冰川的變化情況進行研究[2]。Khalsa S J S應用比值法進行了地表變化的監(jiān)測工作[3]。無論是比值法還是差值法都易受地表其他因素的干擾，且只能利用單個特征圖層的信息，精度較低。分類后比較法使用配準前后時相的遙感影像分別進行分類，然后將分類后的矢量數據進行空間疊加，得出地表變化分布，如趙恒謙等利用ETM+和Sentinel-2A數據對北京通州土地利用和生態(tài)環(huán)境變化進行了監(jiān)測和分析[4]，王琎等基于Landsat等數據源，采用最大似然和面向對象的分類方法，對珠口地區(qū)的土地利用情況進行提取，得到了該區(qū)域的空間格局變化趨勢[5]。分類后比較法過程較為繁瑣，需要對兩個時相的地物進行分類，提取精度取決于分類的精度，通常情況下，無法避免因分類細節(jié)差異而產生的噪聲，其結果多用于類別變化的統(tǒng)計分析。直接分類法將前后兩個時相的信息進行配準和疊加，綜合利用疊加的影像波段組進行變化特征提取，并利用變化特征圖像直接進行變化區(qū)域、未變化區(qū)域的分類。直接分類法具有噪聲少、提取精度高、分類簡便等優(yōu)勢，如于珊珊等利用差值法獲取變化特征，在大連等地使用面向像元的直接分類法進行提取實驗(kappa系數達85%)，取得了較好的提取效果[6]。圖像直接比較法、分類后比較法和直接分類法均基于像元單位進行數據操作，對中低分辨率遙感影像較為適用，對于高分率遙感影像，容易產生“椒鹽噪聲”現(xiàn)象，使得提取效率下降[8]。

根據以往研究情況，采用面向對象直接分類方法中的最小噪聲分離算法(MNF)，綜合利用兩個時相的多個波段信息提取變化特征，基于SLIC超像素分割算法將像素單元轉化為地物對象單元，有效避免了“椒鹽噪聲”的出現(xiàn)。

1 多時相遙感圖像配準

圖像配準又稱圖像匹配，是將不同傳感器、不同時間或不同視角拍攝圖像中的同名地物點匹配到相同的目標坐標下。圖像自動匹配方法可分為灰度匹配、特征匹配及變換域匹配。通常情況下，灰度匹配計算量大，計算速度慢，易受外界光線環(huán)境變化影響。特征匹配具有計算量小、匹配效果好等特點。特征匹配又可分為基于點和線的匹配，角點的提取要好于線段的檢測(這是由于光圈問題決定的)，通過一個點觀測一條直線，只有垂直于線段的時候才能觀測到，而角點的觀測則不受角度的限制[9]。角點為圖像領域內各個方向上灰度變化的局部最大值。角點檢測有多種算法，使用較多的為Moravec、Harris和Forstner算法等。其中，F(xiàn)orstner算法運算速度較快，精度較高，在圖像匹配領域得到廣泛的應用[10]。其算法的主體思想為：逐像元計算Robert梯度以及以該像元為中心的滑動窗口內的灰度協(xié)方差矩陣，并以此為依據選取特征點。

本研究以Forstner算法為基礎進行影像匹配。首先構建匹配圖像與被匹配圖像的影像金字塔，分別利用Forstner算法提取最粗尺度上金字塔圖層中的特征角點，對特征點進行相似性度量得到匹配特征點，之后進入更為精細的下一層金字塔圖層匹配。利用最終匹配特征點作為兩景影像的連接點，具體步驟為：首先逐層計算各個像元的Robert梯度(見圖1)，有

fx=f(x+1，y+1)-f(x，y)

(1)

fx=f(x+1，y)-f(x，y+1)

(2)

f(x,y)f(x,y+1)f(x+1,y)f(x+1,y+1)

圖1 Robert算子鄰域

①逐像元計算滑動窗口內灰度協(xié)方差矩陣

(3)

其中dx，dy分別為x方向和y方向的微分。

②計算確定角點的特征值

(4)

(5)

其中trN為協(xié)方差矩陣的跡，設定閾值TW、TU，遍歷圖像，獲取同時滿足W>TW和U>TU的像元點。

③設定窗口的大小，以最大特征值點作為特征角點，選擇特定的滑動窗口，利用馬氏距離進行圖層間特征角點的相似性度量，選擇相似性最高的點對作為連接點，進入下一級金字塔繼續(xù)進行匹配。對最終匹配連接點的誤差進行估算，去除誤差較大的連接點，(見圖2)。使用研究區(qū)遙感影像進行配準，得到配準后的影像數據，其影像配準前后的對比效果見圖3。由圖2、圖3可知，房屋等具有明顯角點的區(qū)域得到了較為精準的匹配，道路等線狀地物角點特征不是十分明顯，其匹配效果亦較建筑地物差，但總體上得到較大改善。本次實驗生成280組匹配點，圖像匹配總體均方根誤差(RMS)為0.31個像元，符合變化檢測要求。

圖2 連接點提取

圖3 影像配準前后對比

2 基于最小噪聲分離變換的地表變化特征提取

最小噪聲分離變換(MNF)本質上是兩次層疊的主成分變換，第一步變換用于分離和調節(jié)噪聲波段數據間的相關性，使得噪聲的方差最小[11]。第二次變換的目的是對噪聲白化數據作進一步處理，通過特征值判斷數據的內在維度。最終，數據被劃分為兩大部分：第一部分是與最大特征值相關的特征圖層，其物理意義為圖像中的主要信息；第二部分為相近特征值對應波段和噪聲占主體的波段圖層。對兩個時相遙感影像圖層組進行最小噪聲分離，其圖層最大特征波段為影像的主要信息，即未發(fā)生變化的空間主體地物信息，而變化部分的波譜信息不一致，表現(xiàn)出噪聲的特征。因此，不同時相間空間變化信息在噪聲圖層表現(xiàn)出較為明顯的特征。將精確配準后的2015年和2017年的遙感影像(見圖4)進行空間疊加并進行最小噪聲分離，得到8個變換后圖層(見圖5)。

圖4 研究區(qū)遙感影像

由圖5可知，主要地物信息(如建筑、水體、道路等)在前4個特征圖像上得到了清晰的體現(xiàn)，而噪聲信息在后4個特征波段較為明顯。通過對比觀測前后兩個時相的變化區(qū)域，其變化特征在MNF6中有明顯的體現(xiàn)，故選擇MNF6圖層作為區(qū)域變化信息提取的特征圖層(以下稱之為變化特征圖層)。對變化特征圖層進行9鄰域窗口中值濾波處理，去除圖像異常值單點噪聲的影響。

3 SLIC超像素分割與閾值法變化區(qū)域提取

SLIC算法可將RGB顏色空間圖像轉化為CIELAB空間和笛卡爾坐標系下的特征向量，然后利用多維特征向量進行特征距離計算，以距離為依據進行像元局部聚類[12]。SLIC算法具有運算速度較快、對地物的輪廓保持較好等特點[13]。以2015年、2017年基礎遙感影像圖層為數據源，利用SLIC超像素分割算法進行圖像分割、地物邊界線提取，將圖像的像素單元轉化為地物對象單元，并根據光譜的相似度對分割結果進行融合。

以分割對象為統(tǒng)計單元，分別對變化特征圖層進行分區(qū)均值和標準差統(tǒng)計，得到對象級別的變化特征值。分別選取50個變化區(qū)域和非變化區(qū)域的對象并對其變化特征圖層的均值和標準差進行統(tǒng)計，得到其均值和標準差的區(qū)間范圍(見表1)。

表1 樣本變化特征圖層統(tǒng)計

由表1可知，變化區(qū)域在特征圖層上的取值均為負值，未變化區(qū)域主體上為正值，部分區(qū)域受植被、水體狀態(tài)等因素影響出現(xiàn)負值。變化區(qū)域特征值標準差較小，未變化區(qū)域較大。以變化區(qū)域的均值和標準差為依據設置分類閾值，其分類的規(guī)則見表2。

表2 分類閾值

其中，F(xiàn)eature_value為變化特征圖層的特征值，changemax、changestdev分別為變化區(qū)域的最大值和標準差，unchangemin和unchangestdev為未變化區(qū)域的最小值和標準差。應用該閾值進行特征圖層分類，將圖層區(qū)域分為變化區(qū)域、未變化區(qū)域和混淆區(qū)域。基于2015年、2017年遙感影像，分別計算兩個時相下的歸一化植被指數(NDVI)、歸一化水體指數(NDWI)和亮度值(bright)，并以此為特征選擇樣本，使用決策樹分類器，對混淆域進行二次分類，最終將區(qū)域劃分為變化和未變化兩類[14]。新增的彩鋼瓦房(見圖6(a)、(b)、(e)、(f))以及拆除的房屋(見圖6(c)、(d))、樓房建筑(見圖6(g)、(h))得到較明顯的識別。受數據獲取時相、拍攝角度等影響，高聳建筑和房屋陰影無法做到完全的配準，導致部分區(qū)域存在錯分的現(xiàn)象[15]。以變化區(qū)域和非變化區(qū)域為目標區(qū)域，在兩個目標區(qū)域分別隨機生成100個檢驗點，通過目視疊加分析的方式對變化監(jiān)測精度進行檢驗，統(tǒng)計得到混淆矩陣(見表3)。由表3可知，變化監(jiān)測的總體精度為91%，錯分率為4%，漏分率為5%。

圖6 變換區(qū)域對比

表3 誤差混淆矩陣

4 結論

(1)使用最小噪聲分離算法，其變換后的變化特

征圖層在變化區(qū)域表現(xiàn)為負值，未變化區(qū)域表現(xiàn)為正值，值域特征明顯。

(2)高聳的建筑、水體、植被在不同時相下的狀態(tài)及房屋的陰影是影響遙感變化監(jiān)測的主要誤差來源。

(3)利用超像素分割算法、閾值分類法，有效抑制了單像素提取所產生的“椒鹽噪聲”異常，同時使變化區(qū)域界限更加合理和精準。