王娟,趙吉祥,單春芝,高曉慧

(1.國(guó)家海洋局北海環(huán)境監(jiān)測(cè)中心 青島 266000;2.中國(guó)石油大學(xué)(華東)海洋與空間信息學(xué)院 青島 266000)

0 引言

海岸帶地區(qū)資源豐富,區(qū)位優(yōu)勢(shì)明顯,人類(lèi)生產(chǎn)生活和經(jīng)濟(jì)活動(dòng)相對(duì)密集,但該地域海陸相互作用復(fù)雜,生態(tài)環(huán)境脆弱。隨著經(jīng)濟(jì)的快速發(fā)展,海岸帶地區(qū)的各類(lèi)生產(chǎn)建設(shè)活動(dòng)日益頻繁,對(duì)資源環(huán)境造成了巨大壓力[1]。隨著全國(guó)海岸帶監(jiān)督管理的不斷加強(qiáng),各省市分別出臺(tái)相應(yīng)的海岸帶開(kāi)發(fā)利用及保護(hù)等條例,海岸帶及海域使用監(jiān)管空前嚴(yán)格。在我國(guó)自主研發(fā)的衛(wèi)星組網(wǎng)不斷完善的背景下,高時(shí)空分辨率的海岸帶及海域使用動(dòng)態(tài)變化監(jiān)測(cè)已成為高效的監(jiān)管手段[2]。現(xiàn)有的業(yè)務(wù)體系大多采用目視解譯方法,亟須開(kāi)展相關(guān)的自動(dòng)化變化監(jiān)測(cè)來(lái)提高工作效率和準(zhǔn)確度。

變化檢測(cè)能夠從不同時(shí)期的遙感影像中確定地表的變化,自遙感技術(shù)誕生以來(lái)一直是眾多學(xué)者研究的焦點(diǎn)問(wèn)題之一。李德仁[3]對(duì)比分析了7種變化檢測(cè)常用的手段,指出自動(dòng)變化檢測(cè)是未來(lái)發(fā)展的方向。國(guó)內(nèi)外學(xué)者提出了大量的算法模型,從變化信息提取的角度主要分為閾值法、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)3種方式。閾值法是指直接利用閾值分割差異影像從而提取變化信息,如魏立飛等[4]基于融合后的影像進(jìn)行自適應(yīng)閾值確定,提取變化信息。Chehata N等[5]利用均值漂移分割算法提取風(fēng)暴后的受災(zāi)信息。閾值法簡(jiǎn)單易行,但是在復(fù)雜情況下難以用一個(gè)單一的閾值提取變化信息,精度受限。深度學(xué)習(xí)近年來(lái)迅速發(fā)展,從最初的圖像識(shí)別、文本分析擴(kuò)展至各個(gè)領(lǐng)域,部分學(xué)者利用深度學(xué)習(xí)方式提取變化信息,如張?chǎng)锡埖萚6]構(gòu)建并訓(xùn)練了高斯-伯努利深度限制玻爾茲曼機(jī)模型,以提取變化和未變化區(qū)域深層特征,進(jìn)而完成變化檢測(cè)。杜博等[7]提出深度慢特征分析用于遙感圖像的變化檢測(cè),在測(cè)試數(shù)據(jù)集上取得了較好的效果。深度學(xué)習(xí)需要大量的訓(xùn)練樣本,同時(shí)一個(gè)模型的訓(xùn)練需要大量的參數(shù)調(diào)節(jié),在實(shí)際應(yīng)用中較難實(shí)現(xiàn)。

綜合來(lái)看,以機(jī)器學(xué)習(xí)為代表的算法模型構(gòu)建簡(jiǎn)單,在小樣本狀態(tài)下能夠?qū)崿F(xiàn)變化信息的自動(dòng)提取,相對(duì)于傳統(tǒng)算法和深度學(xué)習(xí)方法仍有優(yōu)勢(shì)。機(jī)器學(xué)習(xí)算法如支持向量機(jī)(Support Vector Machine,SVM)等將變化檢測(cè)問(wèn)題轉(zhuǎn)變成分類(lèi)問(wèn)題,通過(guò)樣本訓(xùn)練模型識(shí)別提取變化信息,如李亮等[8]采用貝葉斯最小錯(cuò)誤理論提取變化;王志盼等[9]利用SVM進(jìn)行高分辨率遙感影像的建筑物變化檢測(cè)。集成學(xué)習(xí)是機(jī)器學(xué)習(xí)的一種,通過(guò)構(gòu)造多個(gè)學(xué)習(xí)器完成學(xué)習(xí)任務(wù),能夠獲得比單一分類(lèi)器更加優(yōu)秀的性能,是機(jī)器學(xué)習(xí)近年來(lái)發(fā)展的熱點(diǎn)。本研究針對(duì)沿海試驗(yàn)區(qū),利用兩種集成學(xué)習(xí)方式:隨機(jī)森林(Random Forest)和極端梯度提升(XGBoost),進(jìn)行變化檢測(cè)試驗(yàn),并與經(jīng)典的變化檢測(cè)方法和傳統(tǒng)機(jī)器學(xué)習(xí)方式進(jìn)行對(duì)比,驗(yàn)證集成學(xué)習(xí)算法開(kāi)展海岸帶地區(qū)變化檢測(cè)的優(yōu)勢(shì)。

1 研究方法

1.1 數(shù)據(jù)及預(yù)處理

獲取2018年10月和12月的兩景GF-1衛(wèi)星影像,覆蓋范圍為山東省蓬萊市某處在建港口,該處位于渤海黃海交界海域,臨近蓬萊閣風(fēng)景區(qū),與長(zhǎng)島縣隔海相望。獲取的GF-1衛(wèi)星影像相隔兩月,為融合后三波段(紅、綠、藍(lán))真彩色影像,分辨率2 m,像元數(shù)量1 550×2 156,經(jīng)過(guò)了初步大氣校正、地形校正和嚴(yán)格的圖像配準(zhǔn)。

圖像在不同季節(jié)成像,由于外部原因造成的圖像間輻射差異和植被等地物自然變化帶來(lái)的季相差異將會(huì)給變化檢測(cè)造成嚴(yán)重干擾[10],本研究采用文獻(xiàn)[11]中的方法[11],選擇18個(gè)偽不變特征點(diǎn)(PIF)建立回歸模型對(duì)兩景影像進(jìn)行相對(duì)輻射校正。經(jīng)過(guò)檢驗(yàn),兩幅影像在3個(gè)波段上的相關(guān)性指數(shù)均大于90%,說(shuō)明回歸模型擬合效果較好,校正后影像如圖1所示。

圖1 相對(duì)輻射校正后影像

1.2 特征提取

1.2.1 紋理特征

高分辨率遙感影像光譜數(shù)量較少,空間紋理信息豐富,根據(jù)相關(guān)學(xué)者研究,在變化檢測(cè)中加入紋理特征能夠提高變化檢測(cè)的精度[12]。灰度共生矩陣(GLCM)是一種基于統(tǒng)計(jì)的紋理特征描述方式,由Haralick等[13]在1973年提出。在灰度共生矩陣的基礎(chǔ)上,Haralick等人定義了14個(gè)紋理特征,根據(jù)Ulaby等[14]的研究,14個(gè)特征中只有4個(gè)不相關(guān)的特征:二階矩(Second Moment)、對(duì)比度(Contrast)、相關(guān)性(Correlation)和熵(Entropy)。

為進(jìn)一步突出圖像紋理特征,除GLCM外,選用局部二值模型(LBP)進(jìn)行進(jìn)一步提取。LBP特征具有灰度不變性和旋轉(zhuǎn)不變性,可以作為灰度共生矩陣紋理特征的補(bǔ)充[15]。

本研究在0°、45°、90°和135°的方向上進(jìn)行提取灰度共生矩陣的4個(gè)特征值:二階矩(Second Moment)、對(duì)比度(Contrast)、相關(guān)性(Correlation)和熵(Entropy),最后各自取4個(gè)方向上的平均值作為最終特征。由于圖像中部分地物尺度較小,選擇3×3窗口提取兩景影像的LBP紋理特征。

1.2.2 可見(jiàn)光波段差異植被指數(shù)(VDVI)

影像分別于10月和12月采集,植被覆蓋有明顯變化,因此選擇能夠突出綠色植被信息的特征進(jìn)行提取。健康綠色植被在綠光和近紅外波段有較強(qiáng)反射作用,而在藍(lán)光和紅光波段有吸收作用,根據(jù)這一原理對(duì)植被識(shí)別主要依賴可見(jiàn)光-近紅外波段的組合變化,增強(qiáng)植被信息的同時(shí)使非植被信息最小化,如常見(jiàn)的歸一化植被指數(shù)NDVI、增強(qiáng)型植被指數(shù)EVI等[16]。

本實(shí)驗(yàn)數(shù)據(jù)為融合完成的三波段真彩色影像,缺失紅外波段信息。因此選擇可見(jiàn)光波段差異植被指數(shù)VDVI進(jìn)行提取,該指數(shù)利用綠色植被在不同波段的反射吸收特性,通過(guò)對(duì)波段的組合能夠增強(qiáng)植被信息,相關(guān)實(shí)驗(yàn)證明VDVI指數(shù)對(duì)于綠色植被具有較好的提取效果[17]。計(jì)算如公式(1)所示。

式中:ρgreen代表綠色波段反射率;ρred代表紅色波段反射率;ρblue代表藍(lán)色波段反射率。

1.2.3 形態(tài)學(xué)建筑物指數(shù)(MBI)

該地區(qū)正在建設(shè)中,建筑物發(fā)生變化可能性較大,因此選擇相關(guān)特征突出建筑物信息。形態(tài)學(xué)建筑物指數(shù)(MBI)由黃昕等[18]提出,通過(guò)基本的形態(tài)學(xué)重建,對(duì)影像進(jìn)行粒度分析和不同方向上的特征計(jì)算,能夠有效描述建筑物的特征(如亮度、大小、對(duì)比度和方向性等)。

首先提取影像各個(gè)波段中灰度值最大的像元組成亮度圖像,有研究表明建筑物的反射能夠產(chǎn)生較大的灰度值,如式(2)所示。

式中:Mk(x)為像素點(diǎn)x在波段k上的灰度值;b(x)為該像素點(diǎn)亮度。

在亮度圖像的基礎(chǔ)上利用形態(tài)學(xué)基本運(yùn)算執(zhí)行形態(tài)學(xué)重建,如式(3)所示。

在不同方向求取運(yùn)算結(jié)果后求平均,如式(4)所示。

由于高分辨率圖像中的建筑物顯示出不同大小、形狀、高度和面積的復(fù)雜空間模式,因此將多尺度THR建立在不同形態(tài)剖面上,能夠描述建筑的復(fù)雜空間特征,如形狀、大小等[19-20]。如式(5)所示。

式中:Δs是移動(dòng)步長(zhǎng)。

在DMP中取平均得到MBI如式(6),即為形態(tài)學(xué)建筑物指數(shù)。

綜上,兩景影像分別提取特征如表1所示。

表1 特征提取

1.3 隨機(jī)森林(Random Forest)

隨機(jī)森林(Random Forest)是一種基于決策樹(shù)結(jié)構(gòu)集成學(xué)習(xí)的方式,結(jié)合了Bagging算法(Bootstrap aggregating,引導(dǎo)聚集算法)和隨機(jī)子空間理論,集成眾多決策樹(shù)進(jìn)行預(yù)測(cè),通過(guò)各個(gè)決策樹(shù)的預(yù)測(cè)值進(jìn)行平均或投票,得到最終的預(yù)測(cè)結(jié)果[21]。其是一個(gè)Bagging算法的擴(kuò)展應(yīng)用,在以決策樹(shù)為基礎(chǔ)進(jìn)行集成的基礎(chǔ)上引入了隨機(jī)屬性,使最終集成的泛化性能得到加強(qiáng)。

隨機(jī)森林首先采用基于自展法(Bootstrap)重采樣,產(chǎn)生多個(gè)訓(xùn)練集;由每個(gè)自助數(shù)據(jù)集生成一棵決策樹(shù),由于采用了Bagging算法采樣的自助數(shù)據(jù)集僅包含部分原始訓(xùn)練數(shù)據(jù),將沒(méi)有被Bagging采用的數(shù)據(jù)稱為袋外(out-of-bag,OOB)數(shù)據(jù),把OOB數(shù)據(jù)用生成的決策樹(shù)進(jìn)行預(yù)測(cè),對(duì)每個(gè)OOB數(shù)據(jù)的預(yù)測(cè)結(jié)果錯(cuò)誤率進(jìn)行統(tǒng)計(jì),得到的平均錯(cuò)誤率即為隨機(jī)森林的錯(cuò)誤估計(jì)率[22-23]。而OOB誤差估計(jì)作為泛化誤差估計(jì)的一個(gè)組成部分,相關(guān)研究表明其可以取代測(cè)試集進(jìn)行誤差估計(jì)。同時(shí)由于隨機(jī)森林抽取樣本的隨機(jī)性,OOB數(shù)據(jù)作為評(píng)估學(xué)習(xí)器誤差的指標(biāo),在選擇不同特征時(shí)有不同的準(zhǔn)確率,因此可以進(jìn)行特征重要性的排序。

隨機(jī)森林整體流程如圖2所示。

圖2 隨機(jī)森林流程

1.4 極端梯度提升(XGBoost)

極端梯度提升(eXtreme Gradient Boosting,XGBoost)[24]是梯度提升決策樹(shù)(Gradient Boosting Decision Tree,GBDT)的改進(jìn)型算法,不同于Random Forests的Bagging集成學(xué)習(xí),其采用Boosting集成學(xué)習(xí)方式,有多個(gè)具有關(guān)聯(lián)性的決策樹(shù)進(jìn)行決策。XGBoost將損失函數(shù)進(jìn)行泰勒多項(xiàng)式的二次展開(kāi),其目標(biāo)函數(shù)相對(duì)于GBDT具有更高的準(zhǔn)確定和更快地收斂速度[25]。XGBoost模型如公式(7)所示。

其目標(biāo)函數(shù)如公式(8)所示。

式中:n為樣本數(shù);yi為樣本真實(shí)值;l為損失函數(shù);Ω為抑制函數(shù)復(fù)雜度的正則化項(xiàng)。

采用boosting的方法進(jìn)行優(yōu)化,依次優(yōu)化每一棵樹(shù)的模型,在保留原有模型的基礎(chǔ)上進(jìn)行下一級(jí)的優(yōu)化,如公式(9)所示。

最終樹(shù)優(yōu)化如公式(10)所示。

式中:c為前t-1棵樹(shù)的復(fù)雜度。

對(duì)函數(shù)進(jìn)行泰勒二階展開(kāi),如式(11)所示。

最終優(yōu)化的損失函數(shù)如下:

式中:gi為損失函數(shù)一階導(dǎo)數(shù);hi為損失函數(shù)二階導(dǎo)數(shù)。

gi和hi是不依賴于損失函數(shù)的形式的,只要這個(gè)損失函數(shù)二次可微就可以了,后續(xù)在模型正則化的基礎(chǔ)上即可實(shí)現(xiàn)XGBoost的訓(xùn)練。

XGBoost可以通過(guò)計(jì)算相關(guān)特征在每棵樹(shù)中的分裂次數(shù)賦以對(duì)應(yīng)的權(quán)重,實(shí)現(xiàn)特征重要性的排序,如式(14)所示,特征j在整個(gè)模型中的重要性為特征在單棵樹(shù)中重要度的平均值衡量。

1.5 精度評(píng)價(jià)

采用準(zhǔn)確率(ACC)、漏檢率(MA)和誤檢率(FA)3個(gè)指標(biāo)進(jìn)行變化檢測(cè)的精度評(píng)價(jià),其中準(zhǔn)確率表示正確檢測(cè)的像元(包括發(fā)生變化和未發(fā)生變化)占總像元的比例,漏檢率表示發(fā)生變化但是沒(méi)有檢測(cè)出的像元占發(fā)生變化總像元的比例,誤檢率表示實(shí)際沒(méi)有發(fā)生變化但是被錯(cuò)誤檢測(cè)成變化像元占未發(fā)生變化總像元的比例。三者計(jì)算公式如下:

式中:NTP為正確檢測(cè)的變化像元數(shù)量;NFP為實(shí)際未變化但是檢測(cè)為變化的像元數(shù)量;NTN為正確檢測(cè)的未變化像元數(shù)量;NFN為實(shí)際變化但是檢測(cè)為未變化的像元數(shù)量。

2 實(shí)驗(yàn)與結(jié)論

實(shí)驗(yàn)主要由3部分構(gòu)成:①對(duì)兩時(shí)相影像進(jìn)行預(yù)處理并提取特征,除傳統(tǒng)的光譜特征和紋理特征之外,考慮到本實(shí)驗(yàn)區(qū)域和實(shí)驗(yàn)數(shù)據(jù)的特點(diǎn),加入人為構(gòu)造的VDVI和MBI指數(shù),分別反映植被變化信息和建筑物的變化信息;②構(gòu)建特征差異影像并選取樣本,選擇傳統(tǒng)的差值法對(duì)各特征構(gòu)建差異影像,結(jié)合原始影像選擇變化和未變化的樣本,開(kāi)展基于像素級(jí)別的變化檢測(cè)方法研究;③分別利用隨機(jī)森林(Random Forest)、極端梯度提升(XGBoost)兩種集成學(xué)習(xí)方式和傳統(tǒng)的機(jī)器學(xué)習(xí)SVM進(jìn)行變化檢測(cè)試驗(yàn),與經(jīng)典變化檢測(cè)方法(CVA和IRMAD)在精度和效率上進(jìn)行對(duì)比分析。整體流程如圖3所示。

圖3 整體流程

分別采用Random Forest、XGBoost和SVM算法進(jìn)行訓(xùn)練,其中為評(píng)估隨機(jī)森林中決策樹(shù)的數(shù)量對(duì)最終變化檢測(cè)結(jié)果的影響,對(duì)[10,90]區(qū)間范圍內(nèi)以5為動(dòng)態(tài)變化步長(zhǎng)進(jìn)行實(shí)驗(yàn),計(jì)算30次OOB準(zhǔn)確率的平均值進(jìn)行可視化,如圖4所示,當(dāng)決策樹(shù)個(gè)樹(shù)達(dá)到60時(shí),隨機(jī)森林的OOB準(zhǔn)確率達(dá)到98.6%,后續(xù)繼續(xù)增加決策樹(shù)個(gè)數(shù),OOB準(zhǔn)確率并不會(huì)提升,同時(shí)模型訓(xùn)練效率會(huì)降低,因此在實(shí)驗(yàn)中設(shè)置決策樹(shù)個(gè)數(shù)為60是合理的。

為驗(yàn)證人工選取的VDVI和MBI特征在變化檢測(cè)中的作用,通過(guò)Random Forest和XGBoost進(jìn)行特征的重要性排序,結(jié)果如圖5所示,特征差異對(duì)隨機(jī)樹(shù)森林模型的影響由大到小依次為:B3(藍(lán)光波段)、B1(紅光波段)、MBI、VDVI、Contrast、B2(綠光波段)、Entropy、Second Moment、LBP和Correlation。在XGB模型中,MBI特征重要性僅次于B3(藍(lán)光波段),VDVI特征重要程度較大部分紋理特征更高,因此人為構(gòu)造的VDVI和MBI特征在該地區(qū)的變化檢測(cè)中有效。

圖4 OOB準(zhǔn)確率

圖5 特征重要性

為后續(xù)進(jìn)行算法的比較分析,利用XGBoost進(jìn)行訓(xùn)練時(shí)保持決策樹(shù)個(gè)數(shù)與隨機(jī)森林中決策樹(shù)個(gè)數(shù)一致。利用SVM進(jìn)行訓(xùn)練時(shí),采用五折交叉檢驗(yàn)的方式,確定最優(yōu)化參數(shù)C=10,核函數(shù)選擇rbf。

傳統(tǒng)的變化檢測(cè)主要有變化矢量分析(CVA)、迭代加權(quán)多元檢測(cè)(IR-MAD)等方式,針對(duì)實(shí)驗(yàn)區(qū)域,采用兩種傳統(tǒng)方式進(jìn)行檢測(cè)。其中CVA變化檢測(cè)需要閾值分割,而閾值選取對(duì)最后的精度評(píng)定有重要影響,分別采用Otsu's、Tsai's和Kittler's自適應(yīng)閾值分割算法進(jìn)行圖像的二值化分割,避免人為主觀性。在IR-MAD中,變化閾值設(shè)置為0.001,迭代至42次時(shí)閾值變化小于設(shè)定值。

以人工提取的變化信息作為參考影像,對(duì)上述算法進(jìn)行評(píng)價(jià),結(jié)果如表2所示。

表2 變化檢測(cè)精度評(píng)價(jià)

通過(guò)上述幾種方法的對(duì)比可以得到:

(1)在傳統(tǒng)的變化檢測(cè)方法中,檢測(cè)質(zhì)量嚴(yán)重依賴閾值的確定,如CVA變化檢測(cè),通過(guò)不同的閾值確定方式得到的精度相差較大,基于Tasi's的閾值分割方式漏檢率明顯小于其他兩種閾值分割方式(Otsu's和Kittler's),誤檢率處于合理區(qū)間,因此在CVA-Tsai's變化檢測(cè)較其余方式(包括IRMAD)更具優(yōu)勢(shì)。

(2)3種機(jī)器學(xué)習(xí)變化檢測(cè)對(duì)比CVA-Tsai's優(yōu)勢(shì)明顯,Random Forest相對(duì)于CVA-Tsai's的52.42%的漏檢率明顯降低,同時(shí)誤檢率處于較合理的區(qū)間,其余兩種機(jī)器學(xué)習(xí)方式(XGBoost和SVM)在精度、漏檢率和誤檢率上明顯優(yōu)于CVA-Tsai's。

(3)XGBoost變化檢測(cè)方法的精度、漏檢率、誤檢率和效率明顯優(yōu)于Random Forest方式,相對(duì)于傳統(tǒng)的機(jī)器學(xué)習(xí)SVM方法,其漏檢率大幅下降近20%,誤檢率雖有上升,但其效率較SVM提升30余倍。綜合來(lái)看,XGBoost變化檢測(cè)方法相對(duì)于其他兩種機(jī)器學(xué)習(xí)方式優(yōu)勢(shì)明顯。

需要指出的是以上方法都是基于像素級(jí)別的變化檢測(cè),檢測(cè)結(jié)果中存在較多椒鹽噪聲,因此通過(guò)聚類(lèi)和濾波等后處理消除噪聲。

3 結(jié)束語(yǔ)

本研究以沿海地區(qū)某處在建港口為實(shí)驗(yàn)區(qū),在變化復(fù)雜情況下進(jìn)行了變化檢測(cè)實(shí)驗(yàn),利用原始光譜特征、紋理特征和人為構(gòu)造的VDVI、MBI指數(shù)構(gòu)建差異影像,分別使用兩種集成學(xué)習(xí)方式進(jìn)行了變化檢測(cè)實(shí)驗(yàn),并與傳統(tǒng)的SVM方法和經(jīng)典變化檢測(cè)方法進(jìn)行了對(duì)比。

經(jīng)實(shí)驗(yàn)驗(yàn)證,集成學(xué)習(xí)方式能夠?qū)崿F(xiàn)自動(dòng)化的變化信息提取,其效率遠(yuǎn)遠(yuǎn)超過(guò)傳統(tǒng)的SVM方法,并且漏檢率和誤檢率等指標(biāo)優(yōu)于經(jīng)典的變化檢測(cè)方式,在實(shí)驗(yàn)中,XGBoost相對(duì)于Random Forest算法實(shí)現(xiàn)了較好的效果,同時(shí)經(jīng)實(shí)驗(yàn)驗(yàn)證,人為構(gòu)造的兩種特征在進(jìn)行變化信息提取時(shí)均起到比傳統(tǒng)特征更加重要的作用。

需要指出的是,目前實(shí)際變化檢測(cè)工作中依舊以人工判斷提取變化區(qū)域?yàn)橹?本研究方法可作為輔助參考,提升作業(yè)效率;由于本研究方法屬于像素級(jí)別的變化檢測(cè),變化檢測(cè)結(jié)果中存在大量椒鹽噪聲,后續(xù)在面向?qū)ο蟮幕A(chǔ)上實(shí)現(xiàn)準(zhǔn)確、自動(dòng)化的變化檢測(cè)是進(jìn)一步研究的方向。