李祖勤

（福建省測繪院，福州，350003）

我國地理國情監(jiān)測充分利用高分辨率影像，采用變化檢測方法［1］，關注地理要素的時空變化。變化檢測是對單個地理區(qū)域的多時相遙感圖像進行分析的過程，以定位地物的差異，主要實現(xiàn)3個目標：識別地理位置和變化類型、分析變化、評價結果的準確性。國內外研究人員根據(jù)要求和條件開發(fā)了各種變化檢測方法，每種變化檢測方法都有各自的優(yōu)缺點，如分類后比較法的優(yōu)點是簡單易懂，可直接提供變化前后的類別信息和變化信息，但具有夸大了變化區(qū)域，對歷史遙感影像的分類存在較大難度的缺點。面向對象分析法的優(yōu)點是分析的結果更合理，更符合人類的思維方式和過程，缺點是不同時相影像分割結果不一致導致的一些偽變化區(qū)域，因此，沒有一種方法是綜合優(yōu)于其他方法的。

該研究的重點是將高分辨率影像與矢量數(shù)據(jù)整合［2］，提出基于矢量數(shù)據(jù)的圖像分割算法，充分利用矢量數(shù)據(jù)中的邊界信息和屬性信息，得到圖像對象的變化檢測單元，采用基于最近鄰算法的分類后比較［1］（Post－classification Comparative，PCC）和基于差熵算法的圖像對象分析［3］（Image－object Analysis，IOA）2種變化檢測方法，使之相互補充，形成完整的變化檢測過程，提高變化檢測的精度。

1 實驗區(qū)域及數(shù)據(jù)概況

以福建閩侯約2km2的區(qū)域作為研究對象，該區(qū)域內土地覆蓋類別較為齊全，劃分為8類：種植土地、林地、房屋建筑區(qū)、公路、鄉(xiāng)村道路、河流水面、溝渠和坑塘水面。

采用的遙感影像數(shù)據(jù)前后時相分別為2018年6月（T1）與2019年8月（T2）獲取的高分二號影像（全色0.45～0.90μm；多光譜R、G、B、NIR，0.45～0.52μm、0.52～0.59μm、0.63～0.69μm、0.77～0.89μm），并且2期影像均完成全色波段和多光譜波段的融合，獲得0.8m分辨率融合影像。矢量數(shù)據(jù)來源于自然資源主管部門提供的與前時相（T1）遙感影像同一時期的地理國情監(jiān)測數(shù)據(jù)（圖1），該數(shù)據(jù)存儲了邊界信息和屬性信息［4］等空間信息，是遙感影像變化檢測分析的重要輔助數(shù)據(jù)。

圖1 2018年研究區(qū)監(jiān)測矢量數(shù)據(jù)Fig.1 Vector datas monitored of the study area in 2018

2 變化檢測前影像預處理

多時相遙感影像需要通過大氣、輻射和地形校正，以及幾何校正和數(shù)據(jù)配準，通過大氣和輻射校正消除或減少大氣和輻射誤差對傳感器的影響?；贕F－2遙感數(shù)據(jù)、原始軌道參數(shù)與第一次全國地理國情普查初始DOM和DEM數(shù)據(jù)，采用GEOWAY CIPS處理平臺，通過自動配準的方式在全色影像和已有DOM上選擇大量的同名點作為控制點進行局域網平差，解算影像精確的定位和定向參數(shù)，再利用已有DEM進行全色影像生產，然后將全色影像與多光譜影像進行配準，配準后對全色影像、多光譜影像進行正射糾正和融合，影像配準精度不超過2個像素。T1、T2預處理后對應的DOM（圖2）。

圖2 研究區(qū)預處理后影像DOMFig.2 Image DOM after pretreatment in the study area

3 改進的矢量數(shù)據(jù)圖像分割算法

基于對象的變化檢測的基本處理單元是圖像對象［5］。符合遙感圖像中的物體真實地表特征（如流域、建筑足跡和草原地塊），最小的圖像對象是一個像素。圖像對象是由圖像分割產生的，高分辨率影像分割是一種基于自底向上和區(qū)域合并2種準則的技術，從某個像素開始，逐步將圖像分割成一系列對象。

這種分割方法可以用Definiens Developer軟件實現(xiàn)，該軟件基于主要特征（如灰度、形狀和紋理）和分類進行分割。然而，由于圖像質量、圖像空間分辨率和區(qū)域特性等原因，分割結果往往不盡如人意。改進的矢量數(shù)據(jù)圖像分割算法是將圖像像素和矢量對象聯(lián)系起來，結合矢量數(shù)據(jù)和多時相高分辨率影像的圖像分割算法步驟如下（圖3）。

圖3 基于矢量數(shù)據(jù)的圖像分割技術流程Fig.3 Process of image segmentation technology based on vector data

（1）利用矢量數(shù)據(jù)對兩時相圖像進行配準后，利用矢量對象的邊界實現(xiàn)對兩時相圖像的疊加分割。兩時相圖像對象被視為土地利用級對象（LU level objects，LULOs），根據(jù)矢量數(shù)據(jù)的類別確定LULO的相應類別。

（2）基于兩時相圖像的光譜響應信息，通過設置一定的分割尺度參數(shù)，實現(xiàn)了LULO的二級分割，從這個步驟獲得的圖像對象被命名為LULO－1，它們繼承LULO類別信息。

（3）根據(jù)兩時相LULO－1的不同類別，設置不同的分割尺度，進行獨立的層次分割。當兩時相圖像目標達到“類內同譜”和“類間頻譜不同”的目標時，停止分割，得到的對象被視為土地覆蓋級對象（land cover level objects，LCLOs）。

（4）按照LCLO對應的順序，將兩時相LCLO進行融合。

4 高分辨率圖像和矢量數(shù)據(jù)的變化檢測

高分辨率圖像、軟件以及變化檢測算法在過去10y中的快速發(fā)展，使得基于對象的變化檢測應用較為普遍。研究利用改進的矢量數(shù)據(jù)圖像分割算法，采用了分類后比較變化檢測方法和圖像對象分析變化檢測方法2種分類方法進行變化檢測，使之形成互補。

4.1 分類后比較變化檢測方法

分類后比較變化檢測法因其簡單易懂而成為變化檢測最常用的方法。分類后比較的主要原理是通過分類算法獲得2個時相圖像對象的類別，而后識別出對應的圖像對象是否有變化。由于2個時相圖像的分類是分開進行的，該方法可以最大限度地減小衛(wèi)星傳感器和大氣環(huán)境差異的影響。文中所用的兩時相圖像T1和T2，農作物生長差異十分明顯，因此，分類后比較適用于研究的數(shù)據(jù)分析。然而，分類后比較的檢測精度在很大程度上取決于2種分類的準確性。成功使用分類后比較的關鍵是準確地對兩時相圖像進行分類，從而避免錯誤的累積。

考慮到T1圖像和矢量數(shù)據(jù)屬于同一時期，利用矢量數(shù)據(jù)的類別信息對T1圖像對象進行分類。神經網絡分類是最典型的基于圖像對象的分類算法之一，與監(jiān)督分類方法相似。它的主要過程是從每個土地覆蓋類別中選擇若干個樣本。其次，選取構成神經網絡分類特征空間的特征，計算圖像對象與類之間的距離d，利用以下函數(shù)計算圖像對象在類之間的成員關系：z（d）＝e－k＊d2（k代表類別，k＝1，2……，n），而后根據(jù)隸屬度的大小確定圖像對象的類別。

T2圖像使用最近鄰分類算法對圖像對象進行分類。在對兩時相圖像的目標進行分類后，利用變化檢測對分類后的目標進行比較。分類后比較可以提供完整的變化矩陣，清楚地顯示“從—到”的變化信息。

4.2 圖像對象分析變化檢測方法

與中低分辨率圖像相比，高分辨率影像具有豐富的光譜特征、幾何結構和紋理等空間信息，用戶可獲得更多的表面特征和細節(jié)。紋理分析是提取空間信息最常用的方法。灰度共生矩陣（Gray level co－occurrence matrix，GLCM）是一種最常用、應用最廣泛的高分辨率影像紋理信息提取方法［6］，它描述了相鄰2個像素在一定距離內的關系。GLCM包括遙感圖像中常用的8種紋理特征：中值、協(xié)方差、同質性、反差、差異性、熵、二階距和自相關。在土地覆蓋類型中，建筑用地通常包含建筑屋頂、路邊樹蔭、陰影和許多其他因素，這些因素會產生復雜的紋理。農業(yè)用地和水體的質地比較簡單、均勻。

熵是圖像信息的度量，是圖像灰度級混淆程度的表示［7］，紋理越復雜的熵越大。該研究利用兩時相圖像對象像素值差的熵來檢測變化（以下簡稱“基于圖像對象分析的差熵算法”），提出了一種基于對象的熵計算算法來代替基于像素的熵計算算法，但二者的算法相似，只是窗口大小不同。基于對象的熵算法使用的是圖像對象。兩時相目標的差熵公式如下：

式中：用函數(shù)Ek計算差分圖像對象的熵，取目標灰度i的概率；兩時相圖像對象的差值有正負，灰度的范圍不僅限于［0，255］，還擴大到［－255，255］；Ek為歸一化值，Emax為最大差熵值。

對應的兩時相圖像對象差異取決于取值范圍。當取值大于設定的閾值時，確定該對象為已更改的圖像對象。本研究采用目標函數(shù)法，在統(tǒng)計分析的基礎上，求出最佳閾值。目標函數(shù)法的公式如下：

O（t）值越大，變化檢測結果越好。變化檢測需解決具有4個決策變量的二元類問題：①真陽性（TP，正確檢測到的變化圖像對象數(shù)）；②假陽性（FP，錯誤地檢測的無變化圖像對象數(shù)）；③真陰性（TN，正確檢測到的無變化圖像對象數(shù)）；④假陰性（FN，錯誤地檢測到沒有變化的圖像對象數(shù)）。

5 實驗結果與分析

5.1 圖像分割結果

結合矢量數(shù)據(jù)圖像分割算法的過程需要3個步驟：（1）利用矢量數(shù)據(jù)對兩時相圖像進行疊加分割；（2）疊加分割圖的獨立分層分割；（3）兩時相分層分割圖的重疊分割。兩時相圖像分割結果，分析表明，矢量數(shù)據(jù)的圖像分割法是一個漸進的優(yōu)化過程，通過一系列的切割和合并技術生成圖像對象（圖4）。為了實現(xiàn)“類內同譜”“類間異譜”的目標，遙感圖像中不同地物應采用不同的分段尺度，如：種植土地、水體和道路的地物具有相對均勻的灰色信息，當分割尺度較大時，由分割得到的圖像對象仍能保持均勻性。相比之下，高密度建筑的灰色信息更為復雜，需要較小分割尺度來獲得均勻的影像對象。上述結合矢量數(shù)據(jù)的圖像分割算法，共得到2 149個兩時相圖像。由于圖像對象的均勻性好，保證了有效的變化檢測。

重疊分割導致的過度分割現(xiàn)象并不影響同質性和變化檢測（圖4e、f）。不同分割層次的圖像對象具有網絡層次結構和繼承關系，當前級別的對象在其上層邊界內，而不同級別的對象同時存在，利用不同的輔助數(shù)據(jù)可以在不同的層次上實現(xiàn)分割。由于多源數(shù)據(jù)的有效利用，提高了圖像對象的均勻性和變化檢測的精度。因此，該方法有助于解決遙感影像與矢量數(shù)據(jù)疊加分割的不一致性問題以及矢量數(shù)據(jù)的更新問題。

圖4 兩時相圖像分割結果Fig.4 Two－time phase image segmentation results

5.2 分類后比較變化檢測結果

該研究選擇分類后比較的最近鄰算法對T2時間圖像對象進行分類，T1圖像對象則使用矢量分類。該區(qū)域的土地以種植土地、房屋建筑區(qū)、河流水面、溝渠為主，林地、公路、鄉(xiāng)村道路、坑塘水面較少。通過比對T1和T2的分類底圖，一個新的表面特征圖斑（公路）體現(xiàn)在T2的圖像上。公路占用了農業(yè)用地、居民點和河流，比較2個時態(tài)圖像中的分類對象進行詳細的變化分析（圖5）。

PCC法變化檢測增加了房屋建筑區(qū)、種植土地、公路、河流水面、溝渠、坑塘水面、鄉(xiāng)村道路等7個等級，林地沒有增加，部分被公路所取代（圖5a）。實驗區(qū)共有2 149個圖像對象發(fā)生變化，變化率為46.67%。在1.53km2的總面積中，增加了0.36km2，占比23.67%。由于最終目標和應用是更新現(xiàn)有的矢量數(shù)據(jù)，該研究將分類后比較變化檢測結果轉換為矢量對象，以改變圖像對象面積與矢量對象面積的比率顯示（圖5b），主要變化是增加的公路。實驗結果表明，分類后比較方法具有流程清晰、可操作性強和應用價值高等優(yōu)點，可以很容易地得到變化圖像對象的類別，避免了2幅圖像光譜不一致的問題。因此，兩時相圖像可以有不同的類型、來源和格式，并且有不同的分類算法。（a）利用矢量數(shù)據(jù)邊界對2018年圖像進行疊加分割；（b）利用矢量數(shù)據(jù)邊界對2019年圖像進行疊加分割；（c）利用圖像的光譜響應信息和矢量數(shù)據(jù)的類別屬性信息對2018年LULO進行層次分割；（d）利用圖像的光譜響應信息和矢量數(shù)據(jù)的類別屬性信息對2019年LULO進行分層分割；（e）2018年LCLO的重疊分割；（f）2019年LCLO的重疊分割

圖5 PCC法變化檢測結果Fig.5 Results of change detection by PCC method

5.3 圖像對象分析變化檢測結果

在閾值［0.3，0.8］范圍內，對應于閾值的目標函數(shù)值（圖6），目標函數(shù)的最大值為0.69，對應的閾值為0.63。當閾值高于0.36時，函數(shù)值上升到最佳分界點，函數(shù)值從該分界點開始下降。該研究選取0.63作為最佳閾值來檢測圖像目標的變化。基于熵差算法的圖像對象分析變化檢測結果的變化閾值為0.63，深色表示變化區(qū)域，淺色表示未變區(qū)域（圖7a）。2018年矢量對象變化比例表明，基于差熵算法的圖像對象分析變化檢測方法能夠檢測出變化最大的圖像對象，并對已有的矢量數(shù)據(jù)進行更新（圖7b）。與分類后比較變化檢測法相比，該方法簡單易行，可操作性強，能準確快速地檢測到變化區(qū)域，但無法獲得變化類別。

圖6 閾值選擇過程Fig.6 Threshold selection process

圖7 IOA法變化檢測結果Fig.7 Results of IOA method change detection

5.4 方法評價

變化檢測結果的精度評估對于比較改進的變化檢測算法非常重要，并且可通過對特定應用需求的可視化和量化來充分實現(xiàn)。以上2種變化檢測算法總體目標是定位地理國情監(jiān)測以及更新現(xiàn)有的矢量數(shù)據(jù)庫。文章提出了一種基于矢量對象的精度評估方法，以分析變化檢測算法在地理國情監(jiān)測中的應用。確定準確度的標準是CDR、EDR和MDR，分別使用方程（4）（5）和（6）計算。精度評估的單位是矢量對象。

PCC方法檢測到59個變化矢量對象和0.370km2的變化面積，與真值數(shù)據(jù)的重疊數(shù)和面積分別為53個和0.364km2。因此，分類后比較方法對矢量對象和面積的檢測精度分別為86.89%和97.51%。IOA方法檢測到62個目標和0.386km2，重疊數(shù)量和面積分別為52個和0.360km2，圖像對象分析的變化數(shù)和面積精度分別為85.25%和96.26%。由此可見，PCC和IOA方法各自都有較高的檢測精度，相互補充能有效地降低錯檢率EDR和漏檢率MDR。

6 結論

基于改進矢量數(shù)據(jù)的圖像分割算法的PCC與IOA 2種變化檢測方法，PCC方法避免了兩幅圖像之間的光譜不一致，獲得了更準確的變化圖像對象類別；IOA方法簡單，自動化測度較高，能更快速準確地檢測到變化區(qū)域，2種方法相互補充，形成完整的變化檢測過程，二者檢測精度均達到85%以上，較改進前75%的變化檢測平均精度，有了較大的提高。在地理國情監(jiān)測實際應用當中，不但提高了變化檢測對象的屬性和邊界精度，同時也大大提高了變化監(jiān)測的工作效率。