黃　杰，王光輝，胡高強(qiáng)，楊化超

(1. 中國(guó)礦業(yè)大學(xué)，江蘇 徐州 221116； 2. 國(guó)家測(cè)繪地理信息局衛(wèi)星測(cè)繪應(yīng)用中心，北京 100830； 3. 奉化市測(cè)繪院，浙江 寧波 315500)

?

高分辨率彩色遙感影像變化檢測(cè)方法研究

黃杰1，王光輝2，胡高強(qiáng)3，楊化超1

(1. 中國(guó)礦業(yè)大學(xué)，江蘇 徐州 221116； 2. 國(guó)家測(cè)繪地理信息局衛(wèi)星測(cè)繪應(yīng)用中心，北京 100830； 3. 奉化市測(cè)繪院，浙江 寧波 315500)

目前已有的對(duì)象級(jí)變化檢測(cè)方法中的像斑對(duì)象特征提取算法大多只提取單波段的特征，無(wú)法對(duì)彩色影像有直觀整體的描述，針對(duì)這一問題，本文提出了一種高分辨率彩色遙感影像變化檢測(cè)方法。首先對(duì)分割后得到的像斑統(tǒng)計(jì)顏色直方圖，計(jì)算其推土機(jī)距離作為光譜特征差異量，另外通過像斑的彩色圖像灰度共生矩陣計(jì)算熵統(tǒng)計(jì)量，對(duì)應(yīng)像斑間熵差值作為紋理特征差異量；最后結(jié)合在彩色空間計(jì)算的兩種差異量構(gòu)造差異影像，通過支持向量機(jī)(SVM)將差異影像中的像斑分為變化與不變化兩類別。選擇江蘇省蘇州地區(qū)資源三號(hào)影像進(jìn)行了試驗(yàn)，結(jié)果表明該方法可以很好地實(shí)現(xiàn)高分辨率彩色遙感影像的變化檢測(cè)。

變化檢測(cè)；推土機(jī)距離；彩色圖像灰度共生矩陣；支持向量機(jī)；高分辨率

變化檢測(cè)是從不同時(shí)期的遙感圖像中定量地分析和確定地物變化信息的過程[1-3]。變化檢測(cè)作為遙感技術(shù)的重要研究方向，在資源環(huán)境監(jiān)測(cè)、城市擴(kuò)展變化信息獲取、災(zāi)情監(jiān)測(cè)與評(píng)估等諸多方面有著非常廣泛的應(yīng)用[4-5]。隨著航天技術(shù)與傳感器技術(shù)的迅猛發(fā)展，遙感影像的分辨能力得到了很大提升，基于高分辨率影像的變化檢測(cè)受到了更加廣泛的關(guān)注。然而數(shù)據(jù)信息量的增加，也為遙感影像變化檢測(cè)技術(shù)的發(fā)展提出了新的問題與挑戰(zhàn)。

高分辨率影像包含了更豐富、更精細(xì)的地物細(xì)節(jié)信息。傳統(tǒng)的像素級(jí)變化檢測(cè)方法應(yīng)用在高分辨率遙感影像上有很大局限性，因此，考慮空間上下文的對(duì)象級(jí)檢測(cè)法成為變化檢測(cè)的主要方向[6]。對(duì)象的特征是承載變化信息的主要載體，不同特征數(shù)據(jù)對(duì)變化檢測(cè)表征能力不同，基于單一特征的變化檢測(cè)[7-8]如光譜特征、紋理特征、線特征、邊緣特征等可能造成漏檢或誤檢，因此，集成多特征構(gòu)建穩(wěn)定的變化檢測(cè)模型引起許多學(xué)者的研究?；舸豪椎萚9]提出了基于多尺度融合的對(duì)象級(jí)變化檢測(cè)算法，通過融合不同尺度上對(duì)象光譜與梯度特征來(lái)減少對(duì)象對(duì)尺度的依賴性；汪閩等[10]提出了基于多特征證據(jù)融合的影像變化檢測(cè)算法，將影像邊緣分布、紋理和梯度特征的結(jié)構(gòu)相似度進(jìn)行證據(jù)融合獲得檢測(cè)結(jié)果；杜培軍等[11]在提取多種特征的基礎(chǔ)上，利用一維特征空間加權(quán)距離相似度運(yùn)算、多維特征空間的模糊集融合和支持向量機(jī)融合策略進(jìn)行變化檢測(cè)；李亮等[12]提出了融合光譜、紋理特征的影像變化檢測(cè)算法，根據(jù)主導(dǎo)權(quán)重自適應(yīng)地將光譜距離和紋理距離組合構(gòu)建像斑異質(zhì)性。這些方法雖然利用了像斑對(duì)象的多種特征，但特征提取算法大多只能提取單波段的信息，無(wú)法對(duì)多個(gè)波段整體提取特征。另外，在有輻射差異的區(qū)域，特征差異量不能很好地描述影像變化信息，容易引起錯(cuò)檢。針對(duì)上述問題，本文提出了一種高分辨率彩色遙感影像變化檢測(cè)方法。顏色直方圖與CGLCM是對(duì)彩色空間RGB3個(gè)通道整體提取的光譜與紋理特征，能夠有效代表影像信息，其差異量可以很好地反映像斑變化程度；引入EMD可以準(zhǔn)確地計(jì)算顏色直方圖的距離，減弱不同時(shí)相影像輻射差異影響；基于SVM的變化檢測(cè)能夠?qū)Χ嗑S數(shù)據(jù)進(jìn)行訓(xùn)練分類，減少常規(guī)方法中由閾值選取引起的不確定性，提高變化檢測(cè)的精度。

一、算法原理與流程

算法流程如圖1所示。

1. 影像預(yù)處理

為避免因非地表因素對(duì)真實(shí)變化的影響，對(duì)前后時(shí)相影像采用直方圖匹配法進(jìn)行輻射歸一化，另外為了提高變化檢測(cè)精度，對(duì)多時(shí)相影像使用二次多項(xiàng)式擬合法進(jìn)行幾何校正。

2. 影像分割

影像分割是面向?qū)ο蠓治龇椒ǖ幕A(chǔ)，其結(jié)果會(huì)對(duì)后續(xù)的分析處理產(chǎn)生重要的影響。本文將兩個(gè)時(shí)相影像的波段疊加，對(duì)新影像利用遙感圖像分割軟件eCognition進(jìn)行多尺度分割。將分割后的矢量套合在兩個(gè)時(shí)相遙感影像上，獲取同質(zhì)性較好的像斑對(duì)象。

圖1　變化檢測(cè)流程

3. 光譜特征差異量

(1) 顏色直方圖

遙感影像的光譜信息是影像解譯最基本的特征，而具有旋轉(zhuǎn)不變性、尺度不變性等特點(diǎn)的顏色直方圖統(tǒng)計(jì)量可以很好地反映彩色影像像斑光譜信息分布情況[13]，因此，本文采用像斑的顏色直方圖來(lái)描述像斑的光譜特征。一幅圖像的灰度直方圖是指圖像亮度的概率密度函數(shù)，從而顏色直方圖可以用圖像3個(gè)通道的聯(lián)合概率密度函數(shù)來(lái)表示

hR,G,B(r,g,b)=NP(R=r,G=g,B=b)

(1)式中，N表示圖像所有像素?cái)?shù)；P表示概率密度函數(shù)；h為直方圖函數(shù)，表示圖像中具有顏色(R=r,G=g,B=b)的像素?cái)?shù)。

由于顏色直方圖是高維向量數(shù)組，為了減少其包含的向量個(gè)數(shù)、提高運(yùn)算效率，應(yīng)選取一個(gè)合適的量化級(jí)w對(duì)顏色直方圖進(jìn)行量化。

(2)直方圖距離

推土機(jī)距離(earthmover’sdistance,EMD)度量[14]用運(yùn)輸所需的最小代價(jià)來(lái)表征特征分布之間的距離，從而避免了目前其他大多數(shù)相似性度量中的量化問題，且通過EMD計(jì)算遙感影像直方圖的相似性，能夠減弱光譜輻射差異的不良影響，因此，本文采用EMD來(lái)衡量?jī)蓵r(shí)相對(duì)應(yīng)像斑顏色直方圖之間的相似度。

EMD最早用于解決運(yùn)輸問題，假設(shè)在空間中有兩個(gè)分布，一個(gè)分布x是有m個(gè)土堆集合，另一個(gè)分布y是n個(gè)坑的集合，要把所有的土填入坑內(nèi)，則可利用EMD表示在選擇最佳路徑情況的最小工作量或最小代價(jià)。計(jì)算公式如下

(2)

fij≥021.i∈m, j∈n

(3)

(4)

(5)

(6)

約束條件式(4)、式(5)分別變?yōu)?/p>

(7)

(8)

像斑直方圖EMD越大，像斑之間的相似度越低，像斑之間的差異就越大?？蓪MD作為像斑間的光譜特征差異量，即

differspectrum=EMD(x,y)

(9)

4. 紋理特征差異量

紋理描述了圖像中反復(fù)出現(xiàn)的局部模式和它們的排列規(guī)則，是進(jìn)行目視判讀和計(jì)算機(jī)自動(dòng)解譯的重要基礎(chǔ)。由于“同物異譜”現(xiàn)象的存在，單純采用光譜特征進(jìn)行變化檢測(cè)可靠性不夠高，用紋理特征可輔助光譜特征來(lái)構(gòu)造差異影像。

灰度共生矩陣(graylevelco-occurrencematrix,GLCM)[15]可以描述單波段灰度影像各像元灰度的空間分布和結(jié)構(gòu)特征，反映了圖像灰度關(guān)于方向、相鄰間隔、變化幅度的綜合信息，是一種公認(rèn)的提取紋理特征的有效方法，具有較強(qiáng)的適應(yīng)能力和魯棒性。GLCM被定義為從灰度級(jí)i的點(diǎn)離開某個(gè)固定位置關(guān)系d=(Δx,Δy)達(dá)到灰度為j的概率。灰度共生矩陣表示為

P(d,θ,i,j)={(p1,p2∈R)|G(p1)=i,G(p2)=j}(i,j=0,1,2,…,L-1)

(10)

式中，L表示圖像的灰度級(jí)；i、j表示起始像素和搜索像素的灰度；p1,p2表示起始像素和搜索像素坐標(biāo);R表示提取紋理區(qū)域即像斑區(qū)域;G表示像素坐標(biāo)實(shí)際對(duì)應(yīng)的灰度;d表示兩個(gè)像素間的空間位置關(guān)系;θ為灰度共生矩陣的生成方向，通常取0°、45°、90°、135°共4個(gè)方向。

根據(jù)灰度共生矩陣，可以定義出大量的紋理特征，本文選取熵統(tǒng)計(jì)量這一常用特征來(lái)度量影像紋理的隨機(jī)性。熵的計(jì)算公式為

(11)

為了能夠用于多波段彩色遙感影像的紋理特征計(jì)算，BENCO等對(duì)GLCM進(jìn)行改進(jìn)，提出了彩色影像紋理特征提取方法(color GLCM, CGLCM)[16]。該方法對(duì)影像R、G、B這3個(gè)波段分別計(jì)算GLCM，并對(duì)每?jī)蓚€(gè)波段聯(lián)合計(jì)算GLCM，得到9個(gè)矩陣。CGLCM的計(jì)算公式為

P(d,θ,i,j)(k1,k2)={(p1,p2∈R)|Gk1(p1)=i,Gk2(p2)=j}(i,j=0,1,2,…,L-1)

(12)

式中，k1、k2分別為彩色影像的一個(gè)波段;Gk1(p1)表示k1波段的像素坐標(biāo)灰度;Gk2(p2)表示k2波段的像素坐標(biāo)灰度;確定5×5像素子窗口大小獲取紋理特征，對(duì)CGLCM得到的9個(gè)矩陣分別計(jì)算熵統(tǒng)計(jì)量，其均值代表該窗口中心像素的紋理特征值，像斑像素紋理特征均值代表該像斑對(duì)象的紋理特征，因此,兩時(shí)期像斑對(duì)象的紋理特征差異量可表示為

(13)

5. 構(gòu)造差異影像

差異影像是多時(shí)相影像間變化信息的集中表達(dá)。本文通過光譜差異量與紋理差異量來(lái)構(gòu)造差異影像

(14)

式中，i表示第i個(gè)像斑；N表示分割影像獲取的像斑總數(shù)。

6. SVM二值分類

SVM是建立在統(tǒng)計(jì)學(xué)習(xí)理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理基礎(chǔ)上，根據(jù)有限樣本信息在模型復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折衷，以獲得最好的推廣能力。它的核心思想是把樣本通過非線性變換映射到高維核空間中，在高維核空間求取最優(yōu)分類超平面[17]。

對(duì)于兩類分類問題，設(shè)樣本集為{(xi,yi),i=1,2,…,n}，其中n為樣本個(gè)數(shù)，x為d維向量，y∈{1,-1}表示屬于哪個(gè)類別。假設(shè)存在一個(gè)映射將數(shù)據(jù)xi映射到高維空間中，并引入松弛變量ξi(ξi≥0)、權(quán)值向量w、分類閾值b和懲罰系數(shù)C，則SVM的原始問題可表示為

yi(wTxi+b)≥1-ξi

(15)

(16)

根據(jù)拉格朗日乘子法，將尋求最分類超平面轉(zhuǎn)化為以下對(duì)偶問題

(17)

(18)

式中，αi為拉格朗日因子;K(xi,xj)為滿足Mercer定理的正定核函數(shù)，常用的有線性核(Linear)、多項(xiàng)式核(Polynomial)、Sigmoid核與高斯徑向基核(RBF)4種。

本文在第5節(jié)構(gòu)造的差異影像上人工選取幾處明顯的變化樣本與非變化樣本，輸入到SVM二值訓(xùn)練器，將差異影像分為變化與非變化兩類，得到變化檢測(cè)結(jié)果。通常RBF核函數(shù)分類結(jié)果優(yōu)于其他核函數(shù)，本文選取RBF核函數(shù)完成二值分類。RBF核公式為

(19)

式中，σ為函數(shù)寬度參數(shù)，且σ>0。

二、試驗(yàn)分析

本次試驗(yàn)數(shù)據(jù)為江蘇省蘇州地區(qū)2012年和2015年的資源三號(hào)衛(wèi)星遙感影像，研究區(qū)大小為4088×3281像素，選取多光譜321波段合成真彩色影像。首先，對(duì)兩個(gè)時(shí)相研究區(qū)影像利用二次多項(xiàng)式擬合法進(jìn)行幾何配準(zhǔn)，然后將2015年影像作為參考影像，對(duì)2012年影像利用直方圖匹配法進(jìn)行相對(duì)輻射校正。圖2(a)、圖2(b)所示分別為研究區(qū)2012年及2015年預(yù)處理后真彩色影像。將兩個(gè)時(shí)相影像波段組合為一個(gè)波段數(shù)為6的新影像，利用eCognition軟件進(jìn)行多尺度分割獲取分割矢量，考慮到尺度越小像斑數(shù)越多，分割尺度取150，另外形狀因子取0.1，緊致度因子取0.5，分割后獲取像斑數(shù)目為909個(gè)。圖2(c)為影像分割結(jié)果。

圖2　變化檢測(cè)數(shù)據(jù)

基于RGB彩色空間對(duì)像斑3波段整體提取光譜特征與紋理特征，并計(jì)算光譜特征差異量與紋理特征差異量。以圖3(a)所示的一組變化像斑樣本與圖3(b)所示的一組非變化樣本為例，將本文對(duì)彩色像斑整體提取的特征差異量與針對(duì)單波段提取的特征差異量加權(quán)值(文獻(xiàn)[12]方法)作對(duì)比，表1為不同方法計(jì)算的特征差異量。

圖3　試驗(yàn)樣本

試驗(yàn)像斑算法光譜特征差異量紋理特征差異量變化樣本文獻(xiàn)[12]34.9748.32本文方法38.4656.61非變化樣本文獻(xiàn)[12]7.2515.60本文方法5.1112.42

從表1可以看出，對(duì)于變化像斑，本文基于彩色空間提取的特征差異方法能夠增大差異量，而對(duì)于非變化像斑，本文方法能夠減小差異量，因此說(shuō)明本文基于彩色空間提取特征的方法與基于單波段提取特征方法相比而言能夠更準(zhǔn)確地描述影像信息，提高變化檢測(cè)正確率。

選取變化樣本42組，非變化樣本37組，并且這些樣本盡可能包括耕地、空地、建筑區(qū)、水域、路等多種地物覆蓋。將其輸入到SVM二值訓(xùn)練器中，將差異影像分為變化與非變化兩類，得到變化檢測(cè)結(jié)果如圖4所示，白色為檢測(cè)變化區(qū)域。對(duì)變化檢測(cè)結(jié)果進(jìn)行精度評(píng)價(jià)，本文方法檢測(cè)出229個(gè)變化對(duì)象，680個(gè)非變化對(duì)象，其中檢測(cè)為變化實(shí)際未發(fā)生變化的對(duì)象個(gè)數(shù)為22個(gè)，檢測(cè)為非變化卻發(fā)生變化對(duì)象個(gè)數(shù)為68個(gè)，因此，變化檢測(cè)的漏檢率、虛檢率、總體正確率分別為10.00%、9.67%、90.10%。為了驗(yàn)證本文變化檢測(cè)方法的優(yōu)越性，將文獻(xiàn)[6]、文獻(xiàn)[11]與本文方法進(jìn)行對(duì)比試驗(yàn)，表2為對(duì)比結(jié)果。

圖4　變化檢測(cè)結(jié)果

從表2中可以看出，與文獻(xiàn)[6]、文獻(xiàn)[11]相比，本文方法對(duì)研究區(qū)的變化檢測(cè)有更高的精度。其原因?yàn)椋孩傥墨I(xiàn)[6]與文獻(xiàn)[11]是針對(duì)單波段提取像斑特征的，相比于基于彩色空間的特征提取，無(wú)法對(duì)影像進(jìn)行更準(zhǔn)確、更直觀的描述，從而構(gòu)造的差異影像不能真正反映兩期影像的變化程度，因此，有較高的虛檢率和漏檢率；②對(duì)于差異影像，文獻(xiàn)[6]簡(jiǎn)單地將多特征分別設(shè)定權(quán)重進(jìn)行融合，再選取閾值提取變化檢測(cè)結(jié)果，這種融合后選取閾值方法有很大的不確定性，沒有考慮到不同特征對(duì)影像信息表征能力的不同。本文將SVM監(jiān)督型二值分類應(yīng)用到變化檢測(cè)上，充分利用了樣本信息，減少了自動(dòng)閾值算法的不確定性。

三、結(jié)束語(yǔ)

本文提出了一種高分辨率彩色遙感影像變化檢測(cè)方法。該方法在彩色空間中提取光譜特征與紋理特征，構(gòu)造像斑對(duì)象的差異影像，然后利用SVM進(jìn)行二值訓(xùn)練，得到變化檢測(cè)結(jié)果。試驗(yàn)表明，本文方法對(duì)于絕大多數(shù)地物類別變化可以很好地完成檢測(cè)，相比傳統(tǒng)方法具有一定的優(yōu)勢(shì)。但是由于成像環(huán)境復(fù)雜，影像會(huì)出現(xiàn)局部區(qū)域曝光過度的情況，因此，本文變化檢測(cè)結(jié)果也會(huì)出現(xiàn)錯(cuò)檢與漏檢像斑，對(duì)于這些區(qū)域的變化檢測(cè)有待于進(jìn)一步研究。

[1]李德仁. 利用遙感影像進(jìn)行變化檢測(cè)[J]. 武漢大學(xué)學(xué)報(bào)(信息科學(xué)版), 2003(S1): 7-12.

[2]SINGHA.ReviewArticleDigitalChangeDetectionTechniquesUsingRemotely-sensedData[J].InternationalJournalofRemoteSensing, 1989, 10(6): 989-1003.

[3]肖化超, 周詮, 張建華. 遙感衛(wèi)星在軌機(jī)場(chǎng)變化檢測(cè)方法[J]. 測(cè)繪通報(bào), 2015(1): 22-25.

[4]祝錦霞, 郭慶華, 王珂. 濕地高分辨率遙感影像的變化檢測(cè)[J]. 中國(guó)農(nóng)業(yè)科學(xué), 2012, 45(21):4369-4376.

[5]CHENJ,GONGP,HEC,etal.Land-Use/Land-CoverChangeDetectionUsingImprovedChange-VectorAnalysis[J].PhotogrammetricEngineering&RemoteSensing, 2003, 69(4):369-379.

[6]王文杰, 趙忠明, 朱海青. 面向?qū)ο筇卣魅诤系母叻直媛蔬b感圖像變化檢測(cè)方法[J]. 計(jì)算機(jī)應(yīng)用研究, 2009, 26(8):3149-3151.

[7]袁修孝, 宋妍. 基于邊緣特征匹配的遙感影像變化檢測(cè)預(yù)處理方法[J]. 武漢大學(xué)學(xué)報(bào)(信息科學(xué)版), 2007, 32(5):381-384.

[8]魏立飛, 鐘燕飛, 張良培,等. 多波段信息融合的遙感影像變化檢測(cè)[J]. 武漢大學(xué)學(xué)報(bào)(信息科學(xué)版), 2014, 39(1):8-11.

[9]霍春雷, 程健, 盧漢清,等. 基于多尺度融合的對(duì)象級(jí)變化檢測(cè)新方法[J]. 自動(dòng)化學(xué)報(bào), 2008, 34(3):251-257.

[10]汪閩, 張星月. 多特征證據(jù)融合的遙感圖像變化檢測(cè)[J]. 遙感學(xué)報(bào), 2010, 14(3):558-570.

[11]杜培軍, 柳思聰. 融合多特征的遙感影像變化檢測(cè)[J]. 遙感學(xué)報(bào), 2012, 16(4):663-677.

[12]李亮, 舒寧, 王凱,等. 融合多特征的遙感影像變化檢測(cè)方法[J]. 測(cè)繪學(xué)報(bào), 2014, 43(9):945-953.

[13]竇建軍, 文俊, 劉重慶. 基于顏色直方圖的圖像檢索技術(shù)[J]. 紅外與激光工程, 2005, 34(1):84-88.

[14]徐先傳, 張琦. 基于LBP算子與EMD距離的醫(yī)學(xué)圖像檢索[J]. 微計(jì)算機(jī)信息, 2009, 25(9):275-276.

[15]薄華, 馬縛龍, 焦李成. 圖像紋理的灰度共生矩陣計(jì)算問題的分析[J]. 電子學(xué)報(bào), 2006, 34(1):155-158.

[16]BENCOM,HUDECR.NovelMethodforColorTexturesFeaturesExtractionBasedonGLCM[J].RadioEngineering, 2007, 16(4):64-67.

[17]MOUNTRAKISG,IMJ,OGOLEC.SupportVectorMachinesinRemoteSensing:AReview[J].ISPRSJournalofPhotogrammetryandRemoteSensing, 2011, 66(3): 247-259.

Research on the Change Detection of High Resolution Color Remote Sensing Image

HUANG Jie，WANG Guanghui，HU Gaoqiang，YANG Huachao

2016-03-11；

2016-05-28

測(cè)繪地理信息公益性行業(yè)科研專項(xiàng)項(xiàng)目(201412007；201512027)

黃杰(1992—)，男，碩士，研究方向?yàn)檫b感影像信息提取。E-mail:hjhuangjie_jason@163.com

P237

B

0494-0911(2016)08-0030-05

引文格式：黃杰，王光輝，胡高強(qiáng),等.高分辨率彩色遙感影像變化檢測(cè)方法研究[J].測(cè)繪通報(bào)，2016(8)：30-34.DOI:10.13474/j.cnki.11-2246.2016.0250.