肖明虹，馮文卿，眭海剛

(1. 廣西壯族自治區(qū)地理信息測(cè)繪院，廣西 柳州 545006；2. 武漢大學(xué)測(cè)繪遙感信息工程國(guó)家重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430079)

隨著遙感影像空間分辨率的提高，同類地物內(nèi)部光譜差異逐漸增大，基于像元光譜統(tǒng)計(jì)的自動(dòng)變化檢測(cè)技術(shù)已經(jīng)不能滿足當(dāng)前遙感圖像變化信息提取的要求，成為制約高分遙感圖像廣泛應(yīng)用的主要瓶頸[1]。面向?qū)ο蠓治?object oriented image analysis，OBIA)方法為高分遙感影像變化信息提取提供了新的思路，各國(guó)學(xué)者針對(duì)不同的應(yīng)用目的，從不同的方面研究了大量的變化檢測(cè)方法和理論模型[2-7]。

文獻(xiàn)[3]利用eCognition軟件進(jìn)行多尺度分割，通過(guò)提取對(duì)象在不同尺度上的光譜特征和紋理特征，使用基于特征的差值法，然后對(duì)不同尺度的差值結(jié)果進(jìn)行融合，以獲取最終的變化檢測(cè)結(jié)果。文獻(xiàn)[4]結(jié)合對(duì)象的光譜直方圖和LBP紋理特征，利用G統(tǒng)計(jì)量和自適應(yīng)閾值方法，提出了一種融合對(duì)象多特征的變化檢測(cè)算法。文獻(xiàn)[5—10]利用基于對(duì)象的變化向量分析法、相關(guān)系數(shù)法、χ2變換法，綜合利用對(duì)象的多種特征參與分析，如光譜信息、紋理信息、對(duì)象間的拓?fù)湫畔⒌?，最終使得變化檢測(cè)結(jié)果更加準(zhǔn)確和穩(wěn)健。文獻(xiàn)[11]利用SLIC超像素分割并結(jié)合3種像素級(jí)變化檢測(cè)算法，將分割結(jié)果與變化檢測(cè)結(jié)果進(jìn)行多方法融合，以提高變化檢測(cè)精度。其中，變化向量分析(change vector analysis，CVA)和光譜斜率差異(spectral gradient difference，SGD)兩種算法是經(jīng)常被使用的方法。CVA在光譜空間計(jì)算變化強(qiáng)度信息，而SGD在斜率空間比較不同時(shí)期的光譜斜率向量的差異，即光譜曲線形狀的差異，得到變化強(qiáng)度影像，通過(guò)閾值設(shè)置確定變化和不變化的區(qū)域[12-14]。本文在上述研究基礎(chǔ)上，通過(guò)結(jié)合兩種方法的優(yōu)勢(shì)，采用基于熵率[15]的方法對(duì)影像進(jìn)行分割，以超像素作為變化檢測(cè)的基本單元，提出一種新的變化檢測(cè)算法，其總體流程如圖1所示。

圖1 變化檢測(cè)算法整體流程

1 研究方法

1.1 變化向量分析

已知時(shí)相1和時(shí)相2同一位置對(duì)應(yīng)的兩個(gè)超像素區(qū)域，它們的特征向量分別為Q1(Q11,Q12,…,Q1n)和Q2(Q21,Q22,…,Q2n)，其中n為對(duì)象的特征數(shù)量，特征個(gè)數(shù)n一般至少兩倍于影像波段數(shù)[5]。本文主要提取超像素內(nèi)所有像素在各波段的平均值及標(biāo)準(zhǔn)差來(lái)作為它們的特征向量，則其對(duì)應(yīng)的變化矢量為

(1)

本文采用變化向量模法將差值向量Qc(其中Qc=Q2-Q1)變換成一個(gè)標(biāo)量值，用來(lái)衡量對(duì)象的變化強(qiáng)度[5]，其計(jì)算公式如下

(2)

變化向量各分量標(biāo)準(zhǔn)化公式為

(3)

那么新序列Pci∈[0,1]且無(wú)量綱。當(dāng)W的值大于某個(gè)閾值時(shí)，則認(rèn)為對(duì)象發(fā)生了變化，否則沒有發(fā)生變化。

1.2 光譜斜率差異法

基于光譜斜率差異比較的方法主要是通過(guò)計(jì)算光譜斜率，將變化檢測(cè)過(guò)程從傳統(tǒng)的光譜空間轉(zhuǎn)換到斜率空間，比較兩期遙感影像光譜斜率的強(qiáng)度差異來(lái)判斷地物是否發(fā)生了變化[12-14]。該方法解決了傳統(tǒng)的變化檢測(cè)算法僅在光譜空間計(jì)算光譜值變化強(qiáng)度的大小，能夠較好地區(qū)別真實(shí)變化和偽變化[12-14]。假設(shè)該方法用于同一區(qū)域，兩個(gè)不同時(shí)刻的遙感影像地表覆蓋變化檢測(cè)過(guò)程，同一地點(diǎn)的遙感影像的M個(gè)波段的光譜數(shù)據(jù)，依據(jù)波譜范圍連接成M-1個(gè)光譜段，分別針對(duì)前、后時(shí)相的每個(gè)點(diǎn)位，計(jì)算每個(gè)光譜波段的斜率，其中光譜段(N,N+1)的斜率計(jì)算公式如下

(4)

(5)

式中，λN為第N波段的波長(zhǎng)值；min(λ)為遙感影像所有波段中波長(zhǎng)的最小值；max(λ)為遙感影像所有波段中波長(zhǎng)的最大值。它們的單位均為微米。

根據(jù)式(4)的斜率計(jì)算公式，分別計(jì)算T1、T2兩時(shí)相影像的每個(gè)點(diǎn)位的各波段斜率值，形成斜率向量并用來(lái)表示光譜的形狀，它們的斜率向量分別為

(6)

接著，通過(guò)斜率向量的絕對(duì)距離來(lái)計(jì)算斜率的變化強(qiáng)度，計(jì)算公式如下

(7)

(8)

2 試驗(yàn)結(jié)果與分析

為了綜合驗(yàn)證本文方法的可行性和有效性，采用前、后兩期SPOT5影像進(jìn)行試驗(yàn)，分別為2002年和2007年北京市某區(qū)域多光譜融合影像，空間分辨率為2.5 m，主要包含紅(0.61～0.68 μm)、綠(0.49～0.61 μm)、近紅外(0.78～0.89 μm)、短波紅外(1.58～1.78 μm)4個(gè)波段，影像大小為626×702，其假彩色影像如圖2所示，其中圖2(c)是根據(jù)目視解譯結(jié)果而制作的參考變化檢測(cè)影像。試驗(yàn)采用基于熵率的分割算法來(lái)獲取超像素，分割的目的在于盡可能將同一種類型的地物分割在一起，最終形成一系列緊湊、區(qū)域一致性較強(qiáng)的同質(zhì)區(qū)域。通過(guò)對(duì)比兩期影像中不同地物的光譜變化，可以觀察出主要的變化為不同季節(jié)耕地變化，以及農(nóng)業(yè)用地與建筑區(qū)之間的相互轉(zhuǎn)換等，因此本文重點(diǎn)檢測(cè)這些區(qū)域之間的變化。

圖2 試驗(yàn)數(shù)據(jù)集

本文在4個(gè)尺度上對(duì)原始影像進(jìn)行超像素分割，超像素個(gè)數(shù)分別設(shè)置為3500、2500、1500、500。接著，在不同尺度上對(duì)不同時(shí)相影像對(duì)應(yīng)的超像素區(qū)域的光譜亮度值及斜率差異值進(jìn)行分析，提取變化強(qiáng)度影像和斜率差異影像，并將影像的灰度等級(jí)量化到0～255之間。然后，對(duì)這兩種差異信息按照一定的權(quán)重進(jìn)行加權(quán)融合，并對(duì)融合后的差異影像進(jìn)行OTSU閾值分割，來(lái)獲取最終的變化和未變化區(qū)域。結(jié)果如圖3所示，其中黑色區(qū)域表示未變化的區(qū)域，白色區(qū)域表示變化的區(qū)域。

當(dāng)融合權(quán)重w=1時(shí)，此時(shí)只考慮了變化強(qiáng)度信息，未考慮斜率差異信息，試驗(yàn)影像利用CVA方法得到的變化檢測(cè)結(jié)果如圖3(a)—(d)所示。相反，當(dāng)融合權(quán)重w=0時(shí)，試驗(yàn)影像利用SGD方法得到的變化檢測(cè)結(jié)果如圖3(e)—(h)所示。當(dāng)融合權(quán)重設(shè)置為w=0.3時(shí)，利用兩種融合信息得到的變化檢測(cè)結(jié)果如圖3(i)—(l)所示。為了對(duì)所提出的方法性能進(jìn)行定量評(píng)估，本文比較了不同超像素?cái)?shù)及不同融合權(quán)重對(duì)最終變化檢測(cè)結(jié)果精度的影響。其中，圖4給出了試驗(yàn)數(shù)據(jù)在不同超像素?cái)?shù)目下，以及融合權(quán)重設(shè)置為w=0.3、w=0.6、w=0.9時(shí)的精度評(píng)估對(duì)比圖。表1則具體給出了試驗(yàn)數(shù)據(jù)在超像素個(gè)數(shù)為3500時(shí)的精度評(píng)定結(jié)果。

圖3 變化檢測(cè)結(jié)果

方法總體正確率/(%)虛檢率/(%)漏檢率/(%)Kappa系數(shù)CVA92.9213.1529.970.7339SGD94.8816.0712.580.8253Fusion,w=0.395.6013.8110.960.8491Fusion,w=0.695.3112.3714.830.8355Fusion,w=0.993.5413.0725.820.7623

從圖4中可以看出，在4個(gè)分割尺度上，當(dāng)超像素個(gè)數(shù)為3500時(shí)，此時(shí)變化檢測(cè)結(jié)果的總體正確率和Kappa指數(shù)要優(yōu)于其他3個(gè)尺度，虛檢率和漏檢率也要小于其他3個(gè)尺度；當(dāng)超像素個(gè)數(shù)為500時(shí)，此時(shí)的分割結(jié)果不能較好地反映地物的實(shí)際形狀，欠分割的區(qū)域較多，得到的超像素區(qū)域內(nèi)部地物不均勻，同質(zhì)度較差，其總體檢測(cè)精度也遜于其他3個(gè)尺度。在3個(gè)不同的融合權(quán)重下，當(dāng)權(quán)重為0.3時(shí)，此時(shí)融合檢測(cè)結(jié)果的精度要好于權(quán)重為0.6和權(quán)重為0.9的情形。此外，從表1中可以看出，基于光譜斜率差異的方法檢測(cè)精度要好于變化向量分析法，當(dāng)融合權(quán)重側(cè)重于斜率差異影像時(shí)，此時(shí)能較好地改善變化檢測(cè)結(jié)果精度。

綜上所述，本文所提出的方法相較于只利用單一的變化信息，能夠提高變化檢測(cè)結(jié)果的精度，檢測(cè)到的地物變化與實(shí)際變化更為一致，同時(shí)也有效抑制了單一方法所產(chǎn)生的虛檢或漏檢現(xiàn)象。在實(shí)際的變化檢測(cè)應(yīng)用中，可以根據(jù)不同的應(yīng)用目的，結(jié)合先驗(yàn)知識(shí)選擇合適的融合權(quán)重及超像素區(qū)域個(gè)數(shù)，集成兩種方法的優(yōu)勢(shì)，以獲取最佳的檢測(cè)精度。

圖4 不同權(quán)重及超像素?cái)?shù)下的變化檢測(cè)精度比較

3 結(jié) 語(yǔ)

本文提出了一種結(jié)合變化向量分析和光譜斜率差異的遙感影像變化檢測(cè)算法。該方法通過(guò)基于熵率超像素分割，獲取多尺度超像素區(qū)域，然后通過(guò)對(duì)變化強(qiáng)度影像和斜率差異影像進(jìn)行加權(quán)融合，采用OTSU閾值分割來(lái)得到最終的變化和未變化區(qū)域，從而提高了變化檢測(cè)的精度。但是也仍然存在一定的不足之處，從熵率超像素分割算法的角度來(lái)講，其僅僅考慮了影像的光譜信息，對(duì)遙感影像的分割質(zhì)量存在一定程度的劣勢(shì)。對(duì)于紋理密集且區(qū)域較大的地方，過(guò)分割現(xiàn)象可能會(huì)存在。因此，在影像分割時(shí)，具體使用多少個(gè)超像素為宜，即平衡性的問(wèn)題，是一個(gè)值得考慮的地方。在利用超像素分割獲取初始分割結(jié)果之后，可以進(jìn)一步對(duì)分割結(jié)果進(jìn)行區(qū)域合并，改善分割結(jié)果質(zhì)量。