張志強(qiáng)，張新長(zhǎng)，辛秦川，楊曉羚

1. 中山大學(xué)地理科學(xué)與規(guī)劃學(xué)院，廣東 廣州 510275； 2. 廣州大學(xué)，廣東 廣州 510006； 3. 廣東省城市化與地理環(huán)境空間模擬重點(diǎn)實(shí)驗(yàn)室，廣東 廣州 510275； 4. 廣東省城鄉(xiāng)規(guī)劃設(shè)計(jì)研究院，廣東 廣州 510290

建筑物作為活躍的城市要素，其變化信息對(duì)城市規(guī)劃、城市管理等業(yè)務(wù)具有重要意義[1]?，F(xiàn)階段國(guó)土測(cè)繪等業(yè)務(wù)部門仍然主要采用實(shí)地調(diào)查的方式進(jìn)行城市建筑物變化檢測(cè)，消耗人力物力較多、數(shù)據(jù)采集周期較長(zhǎng)[2]。隨著衛(wèi)星遙感技術(shù)的快速發(fā)展，利用高空間分辨率遙感影像直接進(jìn)行建筑物變化檢測(cè)能夠大幅減少人力物力成本[1-4]，然而其檢測(cè)結(jié)果必須滿足精度標(biāo)準(zhǔn)才能夠應(yīng)用于業(yè)務(wù)部門，因此研究和發(fā)展精準(zhǔn)的高分辨率遙感影像建筑物變化檢測(cè)方法具有現(xiàn)實(shí)的應(yīng)用價(jià)值。

與中低分辨率遙感影像相比，高分辨率遙感影像具有顯著的空間分辨率優(yōu)勢(shì)，能夠清晰刻畫(huà)城市內(nèi)部結(jié)構(gòu)要素，如建筑物、道路、車輛等。然而隨著空間分辨率的提高，遙感影像地物光譜異質(zhì)性增加，同類地物類內(nèi)方差增大，不同類地物類間方差減小，導(dǎo)致“同物異譜，同譜異物”的現(xiàn)象愈發(fā)嚴(yán)重，給傳統(tǒng)的遙感影像變化檢測(cè)方法提出了巨大挑戰(zhàn)[5]。為滿足高分辨率下遙感影像變化檢測(cè)的需求，需要研究合適的遙感影像變化檢測(cè)方法。

根據(jù)分析單元的不同，現(xiàn)有的遙感影像變化檢測(cè)方法主要包括：像元級(jí)和目標(biāo)級(jí)變化檢測(cè)方法[5]。像元級(jí)變化檢測(cè)方法以像元作為分析單元[6]，采用直接對(duì)比或分類后比較的策略，能夠有效應(yīng)用于中低分辨率遙感影像，如Landsat影像、MODIS影像等。常用的直接對(duì)比分析方法包括：影像差分法[7]、影像比值法[8]、變化向量分析法[9]等。該類方法簡(jiǎn)單易行，但存在最佳閾值確定的困難，并且無(wú)法識(shí)別變化類型。分類后比較法[10]通過(guò)對(duì)比不同時(shí)相遙感影像的分類結(jié)果，檢測(cè)變化像元并識(shí)別變化類型。該類方法能夠提供完整的變化信息，但變化檢測(cè)精度高度依賴影像分類精度。目標(biāo)級(jí)變化檢測(cè)方法以對(duì)象作為分析單元[11]，對(duì)配準(zhǔn)精度要求相對(duì)較低，能夠直接獲取變化目標(biāo)，便于后續(xù)處理和操作[12]，但存在最佳影像分割的挑戰(zhàn)[5]。根據(jù)影像分割方法的不同，目標(biāo)級(jí)變化檢測(cè)方法可分為基于影像集分割的變化檢測(cè)方法和基于影像獨(dú)立分割的變化檢測(cè)方法。前一類方法同時(shí)分割雙時(shí)相遙感影像所有波段，然后識(shí)別變化對(duì)象[13]。該類方法簡(jiǎn)單易行，但無(wú)法檢測(cè)形狀變化的地物。后一類方法對(duì)雙時(shí)相遙感影像進(jìn)行獨(dú)立分割，然后進(jìn)行對(duì)象變化檢測(cè)[14]。該類方法對(duì)于未變化地物難以得到一致的邊界，容易出現(xiàn)錯(cuò)誤檢測(cè)，并且過(guò)程復(fù)雜。

由于像元級(jí)和目標(biāo)級(jí)變化檢測(cè)方法各有其內(nèi)在的局限性，融合像元與對(duì)象的變化檢測(cè)方法成為近年來(lái)高分辨率遙感影像變化檢測(cè)研究的熱點(diǎn)方向。文獻(xiàn)[15]提出一種基于多尺度分割的遙感影像變化檢測(cè)方法，通過(guò)多尺度分割為每個(gè)像元構(gòu)造多尺度特征向量，然后利用變化向量分析法逐像元進(jìn)行變化檢測(cè)。文獻(xiàn)[16]提出一種像元級(jí)非監(jiān)督分類與雙時(shí)相影像分割相結(jié)合的變化檢測(cè)方法。盡管業(yè)已提出多種技術(shù)手段和方法，但是此類方法往往針對(duì)全要素進(jìn)行變化分析，并且沒(méi)有考慮觀測(cè)角度差異對(duì)具有一定高度物體的影響，因此直接應(yīng)用于建筑物變化檢測(cè)時(shí)精度顯著減低。本文聚焦城市建筑物，考慮觀測(cè)角度等環(huán)境因素對(duì)建筑物變化檢測(cè)的影響，提出一種融合像元與對(duì)象的高分辨率遙感影像建筑物變化檢測(cè)方法。

1 建筑物變化檢測(cè)方法

本文提出的建筑物變化檢測(cè)方法主要包括3部分：①像元級(jí)建筑物變化檢測(cè)；②多特征融合的影像分割；③變化建筑物目標(biāo)識(shí)別。具體流程如圖1所示。

1.1 像元級(jí)變化檢測(cè)

1.1.1 特征集構(gòu)建

高分辨率遙感影像具有豐富的紋理特征，且同類地物紋理特征相似，不同類地物紋理特征差異較大。研究表明，在變化檢測(cè)方法中融入紋理特征能夠顯著提高遙感影像的變化檢測(cè)精度[17]。基于灰度共生矩陣(gray-level co-occurrence matrix，GLCM)的紋理特征計(jì)算方法是廣泛采用的特征提取方法[18]。該方法根據(jù)預(yù)先設(shè)定的紋理方向、紋理尺度、窗口移動(dòng)距離等參數(shù)計(jì)算GLCM，然后提取紋理特征。由于基于GLCM的紋理特征間同樣存在大量的冗余信息，本文根據(jù)研究目的和數(shù)據(jù)特征，選取相關(guān)性最小的4個(gè)紋理特征，即均值(Mean)、方差(Var)、同質(zhì)性(Hom)、差異性(Dis)。為減小計(jì)算量同時(shí)利用地物豐富的光譜特征，本文以全色影像為基礎(chǔ)進(jìn)行紋理特征計(jì)算，計(jì)算公式如下

圖1 建筑物變化檢測(cè)流程Fig.1 The flowchart of the building change detection

(1)

(2)

(3)

(4)

式中，N表示灰度等級(jí)數(shù)；Pi,j表示灰度級(jí)i和j同時(shí)出現(xiàn)的概率，即GLCM中第i行第j列的值，所有Pi,j的和為1。

紋理尺度是紋理特征計(jì)算的重要參數(shù)。研究表明，恰當(dāng)?shù)募y理尺度能夠準(zhǔn)確刻畫(huà)地物的紋理特征，顯著提高遙感影像變化檢測(cè)精度[19]。為分析像元級(jí)建筑物變化檢測(cè)精度隨紋理尺度的變化規(guī)律，并選取最佳紋理尺度，本文選擇15個(gè)不同的紋理尺度，即3×3(GLCM texture 3，GT3)、5×5(GT5)、7×7(GT7)、9×9(GT9)、11×11(GT11)、13×13(GT13)、15×15(GT15)、17×17(GT17)、21×21(GT21)、25×25(GT25)、31×31(GT31)、35×35(GT35)、41×41(GT41)、45×45(GT45)、51×51(GT51)，分別計(jì)算紋理特征，并與光譜特征結(jié)合進(jìn)行像元級(jí)變化檢測(cè)。

在數(shù)據(jù)處理中加入光譜相關(guān)的特征因子同樣能夠有效提高遙感影像的變化檢測(cè)精度[17]。本文選取與城市內(nèi)部植被和建筑物信息密切相關(guān)的特征因子歸一化植被指數(shù)(normalized difference vegetation index，NDVI)和形態(tài)學(xué)建筑物指數(shù)(morphological building index，MBI)[1,20-21]，連同光譜特征、紋理特征，構(gòu)建特征數(shù)據(jù)集見(jiàn)表1。

表1 建筑物變化檢測(cè)特征數(shù)據(jù)集

1.1.2 隨機(jī)森林分類

基于機(jī)器學(xué)習(xí)的遙感影像變化檢測(cè)本質(zhì)上是通過(guò)雙時(shí)相遙感影像特征的疊加合并，將變化檢測(cè)問(wèn)題轉(zhuǎn)換為分類問(wèn)題。隨機(jī)森林(random forests，RF)是一種非線性的統(tǒng)計(jì)學(xué)習(xí)算法，相比于其他機(jī)器學(xué)習(xí)算法，具有精度高、參數(shù)少、穩(wěn)健性強(qiáng)等優(yōu)勢(shì)，已廣泛應(yīng)用于遙感影像分類與變化檢測(cè)研究，并取得了較好的試驗(yàn)效果[22]。

基于隨機(jī)森林分類器的遙感影像變化檢測(cè)主要包括以下步驟：①根據(jù)研究目的，確定分類體系；②提取遙感影像特征，疊加合并，構(gòu)造高維特征向量；③選取訓(xùn)練樣本，并利用自助法(Bootstrap)從原始訓(xùn)練樣本集中抽取K個(gè)樣本子集，每個(gè)樣本子集的樣本容量與訓(xùn)練樣本集相等；④確定節(jié)點(diǎn)分裂的隨機(jī)特征個(gè)數(shù)m，對(duì)K個(gè)樣本子集分別建立決策樹(shù)模型；⑤對(duì)每個(gè)待分類樣本進(jìn)行分類，得到分類結(jié)果序列{h1(X),h2(X),…,hk(X)}；⑥最后根據(jù)分類結(jié)果序列，采用多數(shù)投票法確定最終的分類結(jié)果。

最終分類決策的數(shù)學(xué)形式如下

(5)

式中，H(x)表示隨機(jī)森林最終分類決策；hi(x)表示單個(gè)決策樹(shù)模型分類結(jié)果；Y表示輸出變量(目標(biāo)變量)；I(?)表示示性函數(shù)。

1.2 多特征融合的影像分割

由于地物在影像中表現(xiàn)為多維特征的綜合體，基于單一特征的影像分割方法具有較大的局限性[24]，因此本文提出多特征融合的影像分割方法，主要步驟如下：

(1) 超像素分割。超像素是指由一系列特征相似、空間相鄰的像素合并而成的過(guò)分割單元。相比于影像像元，超像素能夠極大地提高遙感影像后續(xù)處理的速度，同時(shí)具備較強(qiáng)的可塑性，能夠通過(guò)進(jìn)一步的合并，得到較好的分割結(jié)果。本文采用空間約束的分水嶺分割算法(ScoW)進(jìn)行超像素分割，以得到形狀緊湊的超像素，從而生成邊界規(guī)整的建筑物對(duì)象。其中，ScoW算法的介紹詳見(jiàn)文獻(xiàn)[25]。

(2) 構(gòu)建區(qū)域鄰接圖(region adjacent graph，RAG)。RAG是一種基于圖的思想建立分割結(jié)果中各區(qū)域間鄰接關(guān)系的方法。區(qū)域鄰接圖將初始分割結(jié)果中的每個(gè)超像素抽象為一個(gè)節(jié)點(diǎn)，超像素相鄰即代表節(jié)點(diǎn)連通，則用一條帶有權(quán)重的線段連接連通節(jié)點(diǎn)[26]。權(quán)重即為相鄰超像素的合并代價(jià)，通常認(rèn)為相鄰超像素特征越相似，合并代價(jià)越小，越趨于合并。本文提出多特征融合的遙感影像分割方法，綜合考慮相鄰超像素的形狀特征、光譜特征、紋理特征和特征因子，合并代價(jià)函數(shù)的計(jì)算公式如下

(6)

H(m,n)=w1DS(m,n)+w2DT(m,n)+w3Df(m,n)

(7)

(8)

(9)

DF(m,n)=

(10)

式中，C(m,n)表示相鄰超像素的合并代價(jià)函數(shù)；Am、An分別表示超像素m和n的面積；L表示相鄰超像素的公共邊界長(zhǎng)度；λ表示形狀系數(shù)；H(m,n)表示相鄰超像素的異質(zhì)性；w1、w2、w3分別表示光譜異質(zhì)性、紋理異質(zhì)性和特征因子異質(zhì)性的權(quán)重；DS(m,n)、DT(m,n)、DF(m,n)分別表示光譜異質(zhì)性、紋理異質(zhì)性和特征因子異質(zhì)性，下標(biāo)f和a分別表示前時(shí)相和后時(shí)相的特征值。

(3) 區(qū)域合并。區(qū)域合并即為根據(jù)合并代價(jià)的排序，循環(huán)合并代價(jià)函數(shù)值最小的相鄰區(qū)域，直到最小合并代價(jià)函數(shù)值滿足條件。具體合并流程詳見(jiàn)文獻(xiàn)[27]。

1.3 變化建筑物目標(biāo)識(shí)別

像元與對(duì)象融合的變化建筑物目標(biāo)識(shí)別，能夠利用變化建筑物大多數(shù)像元被正確檢測(cè)的特性，結(jié)合統(tǒng)計(jì)學(xué)原理剔除虛假檢測(cè)結(jié)果，從而識(shí)別變化的建筑物目標(biāo)。即當(dāng)亞目標(biāo)級(jí)下變化建筑物像元比例滿足某一標(biāo)準(zhǔn)時(shí)，目標(biāo)對(duì)象被識(shí)別為變化建筑物，其數(shù)學(xué)表達(dá)形式如下

(11)

Preditseg(p)=Preditseg(Objq)p∈Objq

(12)

式中，Preditseg(Objq)、Preditseg(p)分別表示對(duì)象Objq和像元p的變化檢測(cè)結(jié)果；1、0分別表示變化建筑物和非變化建筑物；BCP(Objq)表示對(duì)象Objq中變化建筑物像元所占比例；T表示亞目標(biāo)下變化建筑物像元比例標(biāo)準(zhǔn)。

1.4 精度評(píng)價(jià)

完整率(Completeness)、正確率(Correctness)、檢測(cè)質(zhì)量(Quality)是廣泛用于評(píng)估建筑物變化檢測(cè)精度的定量指標(biāo)[28-29]。完整率表示正確檢測(cè)的變化建筑物像元占實(shí)際變化建筑物像元的比例，表征變化建筑物像元被實(shí)際檢出的概率。正確率表示正確檢測(cè)的變化建筑物像元占所有檢測(cè)為變化建筑物像元的比例，表征建筑物變化檢測(cè)結(jié)果的可靠程度。而檢測(cè)質(zhì)量是建筑物變化檢測(cè)精度的總體度量，檢測(cè)質(zhì)量越大，表示錯(cuò)誤檢測(cè)像元和遺漏檢測(cè)像元占正確檢測(cè)像元的比例越小，變化檢測(cè)的效果越好。計(jì)算公式如下

(13)

(14)

(15)

式中，TP(true positive)表示正確檢測(cè)的變化建筑物像元數(shù)；FN(false negative)表示未檢測(cè)到的變化建筑物像元數(shù)，即實(shí)際發(fā)生了建筑物變化但未被成功檢測(cè)的像元數(shù)；FP(false positive)表示錯(cuò)誤檢測(cè)的像元數(shù)，即被檢測(cè)為變化建筑物但實(shí)際未變化的像元數(shù)。

2 試 驗(yàn)

2.1 試驗(yàn)數(shù)據(jù)

廣州市增城區(qū)是我國(guó)南方快速城市化的典型城鎮(zhèn)區(qū)域，選取該區(qū)的兩個(gè)典型子區(qū)進(jìn)行變化檢測(cè)試驗(yàn)。試驗(yàn)數(shù)據(jù)來(lái)自2009-01-09和2011-11-23兩期QuickBird影像，每期影像包括全色和多光譜(藍(lán)、綠、紅、近紅外4個(gè)波段)兩種數(shù)據(jù)，其重采樣后的空間分辨率分別為0.5 m和2 m。為進(jìn)行變化檢測(cè)試驗(yàn)，首先對(duì)整幅影像進(jìn)行預(yù)處理。每期影像分別采用Gram-Schmidt Pan Sharpening算法進(jìn)行融合處理，獲得空間分辨率為0.5 m的多光譜影像。兩幅影像上選取119個(gè)控制點(diǎn)，利用5次多項(xiàng)式進(jìn)行影像配準(zhǔn)，配準(zhǔn)誤差RMSE=0.442 2。以2009年影像為基準(zhǔn)，采用直方圖匹配法對(duì)2011年影像進(jìn)行相對(duì)輻射校正。

為有效評(píng)估本文提出的建筑物變化檢測(cè)算法，本文從整幅影像中選取建筑物變化劇烈的兩個(gè)子區(qū)進(jìn)行建筑物變化檢測(cè)試驗(yàn)，試驗(yàn)數(shù)據(jù)如圖2所示。試驗(yàn)數(shù)據(jù)1建筑物變化類型主要為新增廠房和居民建筑，建筑物屋頂顏色多樣，且某些建筑物光譜特征與道路相似，如圖2(a)、(b)所示。試驗(yàn)數(shù)據(jù)2建筑物變化類型主要為新增居民建筑，建筑物相對(duì)較高，受觀測(cè)角度、太陽(yáng)角度等環(huán)境差異影響較大，如圖2(d)、(e)所示。依次采用目視解譯法獲取試驗(yàn)數(shù)據(jù)1和試驗(yàn)數(shù)據(jù)2的變化建筑物參考圖，如圖2(c)、(f)所示。

2.2 試驗(yàn)1結(jié)果

根據(jù)研究目的，利用隨機(jī)森林分類器將影像分為建筑物變化、其他變化和未變化3類，訓(xùn)練樣本采用分層隨機(jī)采樣的方式獲取，分類特征為表1中的光譜特征、紋理特征(GT31)和特征因子。為清晰顯示建筑物變化，掩膜掉其他變化類和未變化類，僅顯示建筑物變化類，如圖3(a)所示。采用本文提出的多特征融合的分割方法進(jìn)行影像分割，依次將前后時(shí)相的影像對(duì)象分為植被、建筑物、非建筑物3類，然后采用分類后比較的策略獲取目標(biāo)級(jí)建筑物變化檢測(cè)結(jié)果，如圖3(b)所示。結(jié)合像元級(jí)變化檢測(cè)結(jié)果和后時(shí)相影像分割結(jié)果，設(shè)定亞目標(biāo)下變化建筑物像元比例標(biāo)準(zhǔn)T為0.7，獲取本文方法的建筑物變化檢測(cè)結(jié)果，如圖3(c)所示。

為清晰顯示不同方法的試驗(yàn)效果，針對(duì)特定區(qū)域(方框標(biāo)注)進(jìn)行試驗(yàn)效果的清晰展示。由圖3(a)、(d)不難發(fā)現(xiàn)，像元級(jí)變化檢測(cè)所獲得的變化建筑物是破碎的、不連續(xù)的，而且存在著大量的誤檢。利用后時(shí)相影像對(duì)象對(duì)像元級(jí)變化檢測(cè)結(jié)果進(jìn)行后處理，能夠有效改善變化建筑物的識(shí)別結(jié)果。尤其在建筑物邊緣區(qū)域，經(jīng)分割對(duì)象處理后所得到的變化建筑物目標(biāo)相對(duì)規(guī)整，而且剔除了大量的誤檢，如圖3(c)、(f)所示。目標(biāo)級(jí)建筑物變化檢測(cè)雖然有效避免了椒鹽效應(yīng)，但仍存在其他不透水面變化被錯(cuò)誤識(shí)別為變化建筑物的問(wèn)題，如圖3(b)、(e)所示。

為定量分析試驗(yàn)結(jié)果，對(duì)像元級(jí)、目標(biāo)級(jí)和本文提出的建筑物變化檢測(cè)方法分別進(jìn)行精度評(píng)價(jià)，結(jié)果見(jiàn)表2。不難發(fā)現(xiàn)，本文方法的完整率雖然略低于像元級(jí)和目標(biāo)級(jí)的變化檢測(cè)方法，但正確率和檢測(cè)質(zhì)量顯著優(yōu)于另外兩種方法。對(duì)比單一的像元級(jí)和目標(biāo)級(jí)變化檢測(cè)方法，本文方法的正確率分別提高了0.350 2和0.150 7，檢測(cè)質(zhì)量分別提高了0.264 3和0.1。

圖3 試驗(yàn)1建筑物變化檢測(cè)結(jié)果Fig.3 The results of building change detection in the first experiment

2.3 試驗(yàn)2結(jié)果

采用與試驗(yàn)1相同的步驟和方法，依次獲取試驗(yàn)2的像元級(jí)和目標(biāo)級(jí)建筑物變化檢測(cè)結(jié)果，如圖4(a)、(b)所示。設(shè)定亞目標(biāo)下變化建筑物像元比例標(biāo)準(zhǔn)T為0.64，獲取本文方法的建筑物變化檢測(cè)結(jié)果，如圖4(c)所示。對(duì)像元級(jí)、目標(biāo)級(jí)和本文方法分別進(jìn)行精度評(píng)價(jià)，見(jiàn)表3。

表2 試驗(yàn)1建筑物變化檢測(cè)精度評(píng)價(jià)

Tab.2 The accuracy assessment of building change detection in the first experiment

變化檢測(cè)方法完整率正確率檢測(cè)質(zhì)量像元級(jí)變化檢測(cè)0.89910.43420.4140目標(biāo)級(jí)變化檢測(cè)0.86860.63370.5783本文方法0.83370.78440.6783

圖4 試驗(yàn)2建筑物變化檢測(cè)結(jié)果Fig.4 The results of building change detection in the second experiment

Tab.3 The accuracy assessment of building change detection in the second experiment

類型CompletenessCorrectnessQuality像元級(jí)變化檢測(cè)0.80410.43250.3913目標(biāo)級(jí)變化檢測(cè)0.85100.52880.4818本文方法0.80430.80020.6698

由圖4和表3不難發(fā)現(xiàn)，受觀測(cè)角度、陰影等環(huán)境因素的影響，像元級(jí)變化檢測(cè)存在顯著的椒鹽效應(yīng)，尤其在建筑物邊緣區(qū)域。受雙重分類誤差的影響，在面向?qū)ο蟮淖兓瘷z測(cè)方法中一些與建筑物變化無(wú)關(guān)的不透水面被錯(cuò)誤地檢測(cè)為變化建筑物。本文方法能夠顯著抑制椒鹽效應(yīng)，同時(shí)避免誤差傳遞導(dǎo)致的檢測(cè)誤差，顯著提高建筑物變化檢測(cè)的正確率和檢測(cè)質(zhì)量。

值得注意的是，對(duì)于高分辨率遙感影像的建筑物變化檢測(cè)方法而言，如若變化檢測(cè)的誤檢率較高，即便其漏檢率較低，也無(wú)法為業(yè)務(wù)部門和生產(chǎn)單位所用，因錯(cuò)誤檢測(cè)的建筑物變化仍然需要投入大量的人力物力進(jìn)行調(diào)查或判讀。因此在保持較高完整率的同時(shí)，有效降低變化檢測(cè)的誤檢率，提高變化檢測(cè)的總體質(zhì)量，具有著較高的實(shí)用價(jià)值。

3 分析與討論

3.1 特征組合的影響分析

紋理尺度較大程度上影響著所提取的紋理特征，而不同特征組合對(duì)像元級(jí)建筑物變化檢測(cè)精度又具有重要影響。將不同紋理尺度的紋理特征提取結(jié)果分別與相同設(shè)置的光譜特征進(jìn)行組合，分析像元級(jí)建筑物變化檢測(cè)精度隨紋理尺度的變化，以試驗(yàn)數(shù)據(jù)1為例所得結(jié)果如圖5所示。隨著紋理尺度的逐步增大，像元級(jí)建筑物變化檢測(cè)精度先增加后減小。而當(dāng)紋理尺度為31時(shí)，像元級(jí)建筑物變化檢測(cè)精度最高，表明在本試驗(yàn)中該尺度能夠較好地刻畫(huà)不同地物的紋理特征，具有較強(qiáng)的地物區(qū)分能力。

在紋理尺度優(yōu)選的基礎(chǔ)上，分析不同特征因子組合對(duì)建筑物變化檢測(cè)精度的影響，對(duì)比不同特征組合方案的精度，見(jiàn)表4。單獨(dú)增加特征因子NDVI和MBI均能夠提高建筑物的變化檢測(cè)精度，而同時(shí)增加NDVI和MBI能夠顯著改善建筑物變化檢測(cè)結(jié)果。其主要原因在于，NDVI能夠很好地區(qū)分植被和建成區(qū)，避免與植被相關(guān)的變化被錯(cuò)誤地檢測(cè)為建筑物變化，而MBI能夠區(qū)分建筑物和其他不透水面，避免與道路等其他不透水面相關(guān)的變化被錯(cuò)誤地檢測(cè)為建筑物變化。

圖5 像元級(jí)建筑物變化檢測(cè)質(zhì)量隨紋理尺度的變化Fig.5 The influence of the texture scale on the quality of pixel-based building change detection

Tab.4 Comparison for the accuracies derived from different schemes of feature combinations

特征組合方案完整率正確率檢測(cè)質(zhì)量光譜特征+紋理特征0.90230.37140.3570光譜特征+紋理特征+NDVI0.89900.40050.3833光譜特征+紋理特征+MBI0.88890.39460.3761光譜特征+紋理特征+NDVI+MBI0.89910.43420.4140

不同特征組合方案的試驗(yàn)結(jié)果表明，直接利用分類器進(jìn)行像元級(jí)建筑物變化檢測(cè)的精度普遍較低，盡管加入不同特征因子能夠提高檢測(cè)精度，但其檢測(cè)質(zhì)量仍然普遍小于0.45，主要原因是變化檢測(cè)的正確率過(guò)低，即誤檢率過(guò)高。在高分辨率影像條件下，圖像配準(zhǔn)、觀測(cè)角度、太陽(yáng)角度等一系列問(wèn)題致使建筑物邊緣無(wú)法準(zhǔn)確匹配，無(wú)法滿足精細(xì)變化檢測(cè)的要求，因此高分辨率下的像元級(jí)建筑物變化檢測(cè)具有自身的局限性。

3.2 分割尺度的影響分析

影像的分割尺度對(duì)目標(biāo)級(jí)建筑物識(shí)別結(jié)果具有重要影響。以試驗(yàn)數(shù)據(jù)1中某小斑塊為例，利用4.0、8.0、12.0等3個(gè)分割尺度對(duì)比分析不同分割尺度對(duì)變化建筑物識(shí)別的影響，如圖6所示。

圖2 試驗(yàn)區(qū)QuickBird真彩色合成影像和變化建筑物參考圖Fig.2 The true-color composite of the QuickBird images in the experiment area

圖6 不同分割尺度下的分割結(jié)果與變化建筑物識(shí)別結(jié)果對(duì)比Fig.6 Comparison for segmentation and building change detection at different segmentation scales

過(guò)小的分割尺度，容易導(dǎo)致誤檢，即非變化建筑物被錯(cuò)誤地標(biāo)識(shí)為變化建筑物，如圖6中黃框所示。其原因在于，過(guò)小的分割尺度導(dǎo)致地物分割過(guò)于破碎， 而由于高分辨率遙感影像下像元級(jí)變化檢測(cè)的誤檢率較高，分割對(duì)象中的變化建筑物像元所占比例較高，使得利用分割對(duì)象進(jìn)行變化建筑物篩選的效果不佳。相比較而言，過(guò)大的分割尺度，容易導(dǎo)致漏檢，即變化建筑物沒(méi)有被正確識(shí)別，如圖6中藍(lán)框所示。主要原因在于，過(guò)大的分割尺度導(dǎo)致地物出現(xiàn)過(guò)分割，因此面積相對(duì)較小、而光譜特征又與臨近地物相似的變化建筑物將被合并到臨近對(duì)象，稀釋了亞目標(biāo)級(jí)下的變化建筑物像元比例。

3.3 亞目標(biāo)級(jí)下變化建筑物像元比例標(biāo)準(zhǔn)的影響分析

為了解亞目標(biāo)級(jí)下變化建筑物像元比例標(biāo)準(zhǔn)T對(duì)識(shí)別精度的影響，將T在[0.65,0.85]的區(qū)間內(nèi)每間隔0.025取值，并進(jìn)行變化建筑物目標(biāo)識(shí)別試驗(yàn)，獲得變化建筑物目標(biāo)識(shí)別精度隨亞目標(biāo)級(jí)下變化建筑物像元比例標(biāo)準(zhǔn)的變化關(guān)系，以試驗(yàn)數(shù)據(jù)1為例，所得結(jié)果如圖7所示。

隨著亞目標(biāo)級(jí)下變化建筑物像元比例標(biāo)準(zhǔn)的增大，變化建筑物識(shí)別的完整率逐漸降低，正確率逐漸提高，而檢測(cè)質(zhì)量先提高后降低。變化建筑物識(shí)別的完整率呈下降趨勢(shì)的主要原因在于，盡管像元級(jí)建筑物變化檢測(cè)的完整率較高，仍然有漏檢的變化建筑物像元，利用分割對(duì)象對(duì)變化檢測(cè)結(jié)果進(jìn)行后處理時(shí)，漏檢像元所占比例較高的建筑物對(duì)象有可能被錯(cuò)誤地標(biāo)識(shí)為非建筑物變化。隨著亞目標(biāo)級(jí)內(nèi)變化建筑物像元比例標(biāo)準(zhǔn)的

增大，錯(cuò)誤標(biāo)識(shí)的建筑物對(duì)象增多，以致變化檢測(cè)的完整率降低。變化建筑物目標(biāo)識(shí)別的正確率呈現(xiàn)逐漸上升趨勢(shì)的主要原因則在于，隨著亞目標(biāo)級(jí)內(nèi)變化建筑物像元比例標(biāo)準(zhǔn)的增大，越來(lái)越多錯(cuò)誤檢測(cè)的孤立像元或細(xì)小片段被剔除。

圖7 變化建筑物識(shí)別精度隨亞目標(biāo)級(jí)下變化建筑物像元比例標(biāo)準(zhǔn)的變化Fig.7 Influence of the sub-object proportion threshold of changed building pixelson the accuracy of building change detection

3.4 不同方法對(duì)比分析

將本文提出的方法與文獻(xiàn)[4]中提出的方法進(jìn)行對(duì)比分析。在執(zhí)行文獻(xiàn)[4]方法的過(guò)程中，選用第2波段光譜特征和差異性(Dis)紋理特征進(jìn)行像元級(jí)變化檢測(cè)，其他參數(shù)采用試算法進(jìn)行優(yōu)選。圖8展示了本文方法和文獻(xiàn)[4]方法的建筑物變化檢測(cè)結(jié)果，為了清晰顯示，僅展示研究區(qū)域中一小區(qū)域。表5為兩種方法的精度評(píng)價(jià)結(jié)果。

圖8 不同方法試驗(yàn)結(jié)果對(duì)比Fig.8 Comparison for different methods of building change detection

從方法原理與試驗(yàn)效果兩方面分析，本文方法與文獻(xiàn)[4]方法相比，建筑物變化檢測(cè)自動(dòng)化程度和檢測(cè)精度均有所提高，能夠成功檢測(cè)到面積相對(duì)較小的變化建筑物，如圖8中方框所示。同時(shí)，顧及觀測(cè)角度差異等環(huán)境因素對(duì)建筑物變化檢測(cè)的影響。

表5 不同建筑物變化檢測(cè)方法檢測(cè)精度

Tab.5 Comparisons for the accuracies achieved using different methods of building change detection

特征組合方案完整率正確率檢測(cè)質(zhì)量文獻(xiàn)[4]方法0.72340.74450.5489本文方法0.83370.78440.6783

4 結(jié) 論

針對(duì)像元級(jí)建筑物變化檢測(cè)方法往往精度不足而目標(biāo)級(jí)建筑物變化檢測(cè)方法過(guò)程煩瑣等問(wèn)題，本文提出了一種結(jié)合像元級(jí)和目標(biāo)級(jí)的高分辨率遙感影像建筑物變化檢測(cè)方法。該方法既利用了像元級(jí)變化檢測(cè)方法簡(jiǎn)單易行的優(yōu)勢(shì)，又避免了雙時(shí)相影像分割導(dǎo)致的邊界不一致等問(wèn)題，同時(shí)考慮觀測(cè)角度等環(huán)境因素對(duì)建筑物變化檢測(cè)的影響。首先采用隨機(jī)森林分類器，獲取像元級(jí)建筑物變化檢測(cè)結(jié)果，然后利用后時(shí)相影像分割結(jié)果對(duì)像元級(jí)變化檢測(cè)結(jié)果進(jìn)行后處理，從而檢測(cè)變化建筑物。在我國(guó)南方快速城鎮(zhèn)化典型區(qū)域的試驗(yàn)結(jié)果表明，結(jié)合像元級(jí)和目標(biāo)級(jí)的高分辨率遙感影像建筑物變化檢測(cè)方法能夠顯著提高建筑物變化檢測(cè)的檢測(cè)精度。利用本文提出的方法，輔助城市地形圖中居民地要素的更新，能夠顯著降低成本，提高更新工作的效率。然而，本文的數(shù)據(jù)源僅為高分辨率光學(xué)遙感影像，數(shù)據(jù)相對(duì)單一，在進(jìn)一步的研究中將融合LiDAR點(diǎn)云數(shù)據(jù)，同時(shí)研究分區(qū)變化檢測(cè)的策略，以提高建筑物變化的檢測(cè)精度。

[1] HUANG Xin, ZHU Tingting, ZHANG Liangpei, et al. A Novel Building Change Index for Automatic Building Change Detection from High-Resolution Remote Sensing Imagery[J]. Remote Sensing Letters, 2014, 5(8): 713-722.

[2] MATIKAINEN L, HYYPP J, AHOKAS E, et al. Automatic Detection of Buildings and Changes in Buildings for Updating of Maps[J]. Remote Sensing, 2010, 2(5): 1217-1248.

[3] 張永梅, 李立鵬, 姜明, 等. 綜合像素級(jí)和特征級(jí)的建筑物變化檢測(cè)方法[J]. 計(jì)算機(jī)科學(xué), 2013, 40(1): 286-293. ZHANG Yongmei, LI Lipeng, JIANG Ming, et al. Change Detection Method for Buildings Based on Pixel-level and Feature-Level[J]. Computer Science, 2013, 40(1): 286-293.

[4] XIAO Pengfeng, ZHANG Xueliang, WANG Dongguang, et al. Change Detection of Built-Up Land: A Framework of Combining Pixel-Based Detection and Object-Based Recognition[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 119: 402-414.

[5] HUSSAIN M, CHEN Dongmei, CHENG A, et al. Change Detection from Remotely Sensed Images: From Pixel-Based to Object-Based Approaches[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2013, 80: 91-106.

[6] XIN Qinchuan, OLOFSSON P, ZHU Zhe, et al. Toward Near Real-Time Monitoring of Forest Disturbance by Fusion of MODIS and Landsat Data[J]. Remote Sensing of Environment, 2013, 135: 234-247.

[7] LU D, MAUSEL P, BRONDZIO E, et al. Change Detection Techniques[J]. International Journal of Remote Sensing, 2004, 25(12): 2365-2401.

[8] PRAKASH A, GUPTA R P. Land-Use Mapping and Change Detection in a Coal Mining Area-A Case Study in the Jharia Coalfield, India[J]. International Journal of Remote Sensing, 1998, 19(3): 391-410.

[9] JOHNSON R D, KASISCHKE E S. Change Vector Analysis: A Technique for the Multispectral Monitoring of Land cover and Condition[J]. International Journal of Remote Sensing, 1998, 19(3): 411-426.

[10] WARD D, PHINN S R, MURRAY A T. Monitoring Growth in Rapidly Urbanizing Areas Using Remotely Sensed Data[J]. The Professional Geographer, 2000, 52(3): 371-386.

[11] CHEN Gang, HAY G J, CARVALHO L M T, et al. Object-Based Change Detection[J]. International Journal of Remote Sensing, 2012, 33(14): 4434-4457.

[12] JOHANSEN K, ARROYO L A, PHINN S, et al. Comparison of Geo-Object-Based and Pixel-Based Change Detection of Riparian Environments Using High Spatial Resolution Multi-Spectral Imagery[J]. Photogrammetric Engineering and Remote Sensing, 2010, 76(2): 123-136.

[13] 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, 959. DOI: 10.13485/j.cnki.11-2089.2014.0138. LI Liang, SHU Ning, WANG Kai, et al. Change Detection Method for Remote Sensing Images Based on Multi-features Fusion[J]. Acta Geodaetica et Cartographica Sinica, 2014, 43(9): 945-953, 959. DOI: 10.13485/j.cnki.11-2089.2014.0138.

[14] CHEN Jianyu, MAO Zhihua, PHILPOT B, et al. Detecting Changes in High-Resolution Satellite Coastal Imagery Using An Image Object Detection Approach[J]. International Journal of Remote Sensing, 2013, 34(7): 2454-2469.

[15] 佃袁勇, 方圣輝, 姚崇懷. 多尺度分割的高分辨率遙感影像變化檢測(cè)[J]. 遙感學(xué)報(bào), 2016, 20(1): 129-137. DIAN Yuanyong, FANG Shenghui, YAO Chonghuai. Change Detection for High-Resolution Images Using Multilevel Segment Method[J]. Journal of Remote Sensing, 2016, 20(1): 129-137.

[16] CAO Guo, LI Yupeng, LIU Yazhou, et al. Automatic Change Detection in High-Resolution Remote-Sensing Images by Means of Level Set Evolution and Support vector Machine Classification[J]. International Journal of Remote Sensing, 2014, 35(16): 6255-6270.

[17] 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. DU Peijun, LIU Sicong. Change Detection From Multi-temporal Remote Sensing Images by Integrating Multiple Features[J]. Journal of Remote Sensing, 2012, 16(4): 663-677.

[18] 蘭澤英, 劉洋. 領(lǐng)域知識(shí)輔助下基于多尺度與主方向紋理的遙感影像土地利用分類[J]. 測(cè)繪學(xué)報(bào), 2016, 45(8): 973-982. DOI: 10.11947/j.AGCS.2016.20150624. LAN Zeying, LIU Yang. Classification of Land-use Based on Remote Sensing Image Texture Features with Multi-scales and Cardinal Direction Inspired by Domain Knowledge[J]. Acta Geodaetica et Cartographica Sinica, 2016, 45(8): 973-982. DOI: 10.11947/j.AGCS.2016.20150624.

[19] VOLPI M, TUIA D, BOVOLO F, et al. Supervised Change Detection in VHR Images Using Contextual Information and Support Vector Machines[J]. International Journal of Applied Earth Observation and Geoinformation, 2013, 20: 77-85.

[20] HUANG Xin, ZHANG Liangpei, ZHU Tingting. Building Change Detection From Multitemporal High-Resolution Remotely Sensed Images Based on A Morphological Building Index[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(1): 105-115.

[21] 胡榮明, 黃小兵, 黃遠(yuǎn)程. 增強(qiáng)形態(tài)學(xué)建筑物指數(shù)應(yīng)用于高分辨率遙感影像中建筑物提取[J]. 測(cè)繪學(xué)報(bào), 2014, 43(5): 514-520. DOI: 10.13485/j.cnki.11-2089.2014.0084. HU Rongming, HUANG Xiaobing, HUANG Yuancheng. An Enhanced Morphological Building Index for Building Extraction From High-Resolution Images[J]. Acta Geodaetica et Cartographica Sinica, 2014, 43(5): 514-520. DOI: 10.13485/j.cnki.11-2089.2014.0084.

[22] RODRIGUEZ-GALIANO V F, GHIMIRE B, ROGAN J, et al. An Assessment of the Effectiveness of a Random Forest Classifier for Land-Cover Classification[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2012, 67: 93-104.

[23] BREIMAN L. Random Forests[J]. Machine Learning, 2001, 45(1): 5-32.

[24] 巫兆聰, 胡忠文, 張謙, 等. 結(jié)合光譜、紋理與形狀結(jié)構(gòu)信息的遙感影像分割方法[J]. 測(cè)繪學(xué)報(bào), 2013, 42(1): 44-50. WU Zhaocong, HU Zhongwen, ZHANG Qian, et al. On Combining Spectral, Textural and Shape Features for Remote Sensing Image Segmentation[J]. Acta Geodaetica et Cartographica Sinica, 2013, 42(1): 44-50.

[25] HU Zhongwen, ZOU Qin, LI Qingquan. Watershed Superpixel[C]∥Proceedings of 2015 IEEE International Conference on Image Processing. Quebec City, QC, Canada: IEEE, 2015: 349-353.

[26] HARIS K, EFSTRATIADIS S N, MAGLAVERAS N, et al. Hybrid Image Segmentation Using Watersheds and Fast Region Merging[J]. IEEE Transactions on Image Processing, 1998, 7(12): 1684-1699.

[27] 陳杰, 鄧敏, 肖鵬峰, 等. 利用小波變換的高分辨率多光譜遙感圖像多尺度分水嶺分割[J]. 遙感學(xué)報(bào), 2011, 15(5): 908-926. CHEN Jie, DENG Min, XIAO Pengfeng, et al. Multi-scale Watershed Segmentation of High-Resolution Multi-spectral Remote Sensing Image Using Wavelet Transform[J]. Journal of Remote Sensing, 2011, 15(5): 908-926.

[28] HERMOSILLA T, RUIZ L A, RECIO J A, et al. Evaluation of Automatic Building Detection Approaches Combining High Resolution Images and LiDAR Data[J]. Remote Sensing, 2011, 3(6): 1188-1210.

[29] 林祥國(guó), 寧曉剛. 融合直角點(diǎn)和直角邊特征的高分辨率遙感影像居民點(diǎn)提取方法[J]. 測(cè)繪學(xué)報(bào), 2017, 46(1): 83-89. DOI: 10.11947/j.AGCS.2017.20160389. LIN Xiangguo, NING Xiaogang. Extraction of Human Settlements from High Resolution Remote Sensing Imagery by Fusing Features of Right Angle Corners and Right Angle Sides[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(1): 83-89. DOI: 10.11947/j.AGCS.2017.20160389.