馬昱肖，戚浩平，田 馨，姜鈞陶

(東南大學 交通學院測繪工程系，江蘇 南京 211189)

城市交通設施包括城市各類交通樞紐、道路立交橋梁和相關建筑物設施等，其布局的合理性決定城市發(fā)展的輪廓和形態(tài)，城市交通設施規(guī)劃與管理需要與城市規(guī)劃相結合，以滿足城市發(fā)展的需求。航空攝影測量高分辨率、高機動性、快速的優(yōu)點[1]，為獲取及更新城市交通設施信息提供有效途徑。變化檢測是利用同一地區(qū)不同時相的兩期影像，對地表地物類型、分布變化信息進行定量和定性提取的過程[2-3]。通過快速提取航攝影像的變化信息，可直觀準確地識別與監(jiān)測城市交通設施變化，為交通規(guī)劃優(yōu)化提供基礎信息，輔助城市合理規(guī)劃和資源重組與分配。

傳統(tǒng)的變化檢測方法是逐像元比較像素值或類別是否發(fā)生變化，周曉光[4]對比圖像比值法、差值法、植被指數(shù)法和變化矢量分析法4種方法，表明基于像元的檢測方法對兩期影像的要求較高，且僅在低分辨率影像成熟度較高；黃維[5]以LANDSAT8 OLI影像作為研究對象，利用主成分分析法進行變化信息提取，但結果仍存在噪聲點數(shù)較多，細節(jié)表現(xiàn)力不夠的問題；劉冰[6]利用決策樹提取濕地信息，但檢測結果存在小圖斑和孤立點、空間不連續(xù)的問題，且決策樹的構建需要大量經驗知識和反復對比挑選。逐像元變化檢測的前提是兩期影像已經精確配準，配準誤差將導致檢測結果出現(xiàn)虛假變化，逄錦嬌[7]指出若兩期影像的幾何配準均方根誤差大于一個像元，會大大降低變化檢測結果精度。為解決精確配準難度高、逐像元檢測斑點噪聲多的問題，甘甜[8]在房屋震害變化檢測使用面向對象變化檢測方法，與其它方法相比，分割后變化檢測對圖像配準要求稍低，檢測結果中的偽變化信息較少，精度最高；夏朝旭[9]以圖像分割后的圖斑為變化檢測基礎，將圖像劃分為若干個形狀和光譜性質具有均質性的對象，減弱斑點噪聲現(xiàn)象。目前變化檢測算法有許多成功案例，但如何快速準確提取變化特征，降低“偽變化”信息干擾，還有待進一步研究。

航攝影像的高分辨率特性增加了影像信息的豐富性，道路、建筑物的邊緣信息明顯，有利于城市交通設施的準確提取。但航攝影像一般只有3個波段，光譜信息較少，“異物同譜”現(xiàn)象嚴重。同時，細節(jié)信息過多也增加了同類地物的內部異質性，放大“同物異譜”的影響[10]，傳統(tǒng)變化檢測方法只采用光譜信息逐像元比較，對于航攝影像，檢測結果存在較多“椒鹽”噪聲、漏檢率較高、變化特征獲取繁瑣、變化信息提取不夠準確等問題。此外，投影差、陰影帶來的大量“偽變化”信息對變化檢測的影響也需要進一步改善。本文選取南京市江寧區(qū)兩期航攝影像，通過融合C4.5算法和面向對象方法提取城市交通設施變化信息，對比圖像差值法、主成分差異法、最大似然分類后變化檢測，本文的方法能較好地抑制總體誤差，并直接獲取城市交通設施變化信息，檢測結果結構性較好，邊緣信息更完整。

1 研究方法

1.1 紋理信息

與衛(wèi)星遙感影像相比，航攝影像波段數(shù)相對較少，光譜分辨率低，需引入空間紋理彌補光譜分辨率過低的不足。紋理是影像灰度值在空間位置分布上的反映，在圖像空間中相隔某距離的兩個像元之間存在一定的灰度關系，對灰度的空間相關特性的描述即為紋理特征，常用的描述方法為灰度共生矩陣法。該方法通過對灰度級別之間聯(lián)合條件概率密度P(i,j,d,θ)的計算結果來表示紋理特征，其中概率密度表示在給定距離d和方向θ時，以i灰度為起始點，出現(xiàn)灰度j的概率[11-12]。

1.2 融合C4.5算法和面向對象的變化檢測

為避免C4.5逐像元分類后變化檢測導致的斑點現(xiàn)象，首先采用多尺度分割對預處理后的兩期航攝影像進行分割，通過選擇訓練樣本，構建紋理信息和光譜信息的特征空間。然后，利用C4.5算法自動生成決策樹，從繁多信息中快速提取有效分類特征，對兩期影像進行分類，并疊置分析兩期影像的分類結果，最終得到變化檢測的結果。

多尺度分割主要遵循兩個原則[13]：① 在滿足精細的條件下盡可能獲取較大的影像對象；②在滿足必要的形狀標準條件下盡可能采用光譜標準。為了保證對象內的同質性和對象之間的異質性，需設定分割尺度[14]，當內部的異質性達到閾值，不再合并周圍的像元。分割尺度過小，對異質性要求越嚴格，圖像過于碎片化；分割尺度過大，對象內部信息不純，地物細節(jié)信息被忽略。

C4.5算法是以ID3算法為基礎，采用信息增益率(GainRatio)替代信息增益，作為對節(jié)點屬性的選擇準則，即選擇具有最大信息增益率的特征作為分裂規(guī)則[15]。設D為訓練樣本集，最終分類目標包含n個類別，按照屬性A劃分D中的元素為V個不同類別。信息增益率的定義為

(1)

式中InfoaGain(A)以各個特征取值作為分裂點，分別計算每個分裂點的信息增益，為

(2)

SplitInfo(A)為最佳分裂點的信息增益率，算式為

C4.5算法克服了ID3算法中偏向于選擇既有較多分支的屬性值的問題，分類結果更準確。同時，C4.5算法采用預剪枝(pre-pruning)和后剪枝(post-pruning)相結合的方法對決策樹進行修剪，避免決策樹過度擬合[16]。

2 數(shù)據(jù)處理流程及結果

2.1 研究區(qū)概況及實驗數(shù)據(jù)

研究區(qū)位于江蘇省南京市江寧區(qū)，近年來江寧區(qū)經濟發(fā)展迅速，伴隨著經濟增長的同時，該地區(qū)的交通設施相關信息變化也較為劇烈，可作為提取交通設施中道路和周邊建筑物變化的典型研究區(qū)。本文選取江寧區(qū)西南部2012-04和2014-06兩期航攝影像，如圖1所示，右上角為2012-04影像，右下角為2014-06影像，空間分辨率均為0.3 m，數(shù)據(jù)范圍為800 m×850 m，包括紅、綠、藍3個可見光波段，獲取時間均在4—6月期間，不存在明顯的時相

變化造成的影響。航攝影像中內容信息豐富，建筑物細節(jié)、道路標志信息、車輛、植被輪廓線均清晰可見，同類地物內部異質性較明顯。

圖1 研究區(qū)示意圖

2.2 數(shù)據(jù)處理流程及結果

數(shù)據(jù)處理流程如圖2所示。對兩期原始影像進行相對輻射校正、幾何精校正、陰影區(qū)域標記等預處理。

圖2 變化檢測技術流程

圖像差值法利用兩期影像的藍波段構建差異影像，主成分差異法利用經過主成分變化后的第一主成分波段構建差異影像。對兩期航攝影像進行正態(tài)變換后選取合適的訓練樣本進行最大似然分類，利用分類結果疊置分析得到變化檢測結果。融合C4.5算法和面向對象的變化檢測中，通過反復試驗獲取多尺度分割最佳分割參數(shù)，利用灰度共生矩陣生成的21個紋理波段存在信息冗余的問題，將其與影像原始光譜特征進行整合，構建包含24個波段特征空間，分析各波段辨別典型地物的能力。如圖3所示，最終選擇熵、角二階矩、相關性和對比度4種紋理信息和光譜信息，以影像對象為分類基本單元，進行C4.5決策樹自動分類，比較兩時期影像分類結果，獲取變化信息。

為降低斑點噪聲過多問題，本研究結合區(qū)域信息，將檢測變化像素點作為區(qū)域來對待，只有當變化像元形成的圖斑中像元數(shù)大于10個時，才認可這些像元為變化像元，否則認定為噪聲。影響高分辨率影像變化檢測精度的另一個因素是陰影干擾[17]，由于兩期影像獲取時間不一致，陰影區(qū)域不完全重合，檢測的變化像元可能由于陰影位置不同而引起的偽變化。在影像預處理的時候，利用陰影區(qū)域光譜值較低的特點，提取兩期航攝影像絕大部分的陰影區(qū)域，去除兩期陰影重疊部分，得到陰影變化區(qū)域，若變換檢測出的變化像素或對象落在陰影區(qū)域，則標記為非變化，降低陰影對變換檢測結果影響。本文以人工判斷兩期影像變化信息作為精度評價依據(jù)，檢驗樣本及4種變化檢測結果均剔除在陰影變化區(qū)域的變化像元，結果如圖4所示。

圖3 兩時相影像特征曲線圖

圖4 不同變化檢測方法檢測結果

3 結果分析

3.1 城市交通設施變化信息提取

在圖4中，融合C4.5和面向對象變化檢測提取的“椒鹽”現(xiàn)象最少，通過影像分割，可以有效抑制逐像元比較帶來目標提取誤差、噪聲過多問題，比其它3種僅利用光譜信息的方法提取的變化信息更全面。同時融合C4.5和面向對象變化檢測提取變化信息最多，地物變化信息更加完整。圖像差值法、主成分差異法存在明顯的漏檢信息，如影像右下角改建道路。

在城市交通設施變化信息提取中，為更直觀對比本文采用的方法與傳統(tǒng)方法的變化檢測結果，選擇研究區(qū)部分區(qū)域(圖4(a)紅框范圍內)進行分析，道路、周邊建筑物變化如圖5所示。本文采用的融合C4.5和面向對象變化檢測方法較好地保持了結構完整性，地物邊緣也更清晰，另外3種方法變化信息提取不完整，內部破碎，受細節(jié)信息影響較大。在非交通設施信息提取中，如植被與土壤，融合C4.5和面向對象的檢測結果變化圖斑過大，存在過度檢測的問題，見圖5。由于植被、土壤都是由少量像素組成的集群，集群與集群之前存在細小差別，面向對象以對象為基礎，忽略細小差別，而圖像差值法、主成分差異法、最大似然分類后變化檢測是逐像元比較變化信息，細小地物的變化信息提取方面更為精確。

圖像差值法和主成分差異法變化檢測結果只能得到變化的區(qū)域，不能直接得到地物轉化的類型，需要人工再次判斷該變化信息是否屬于城市交通設施。最大似然分類需要手工選取訓練樣本，由于航攝影像分辨率較高，為保證樣本純度，需細分為多個樣本，增加樣本選擇難度，樣本可分性較低。面向對象在選擇訓練樣本時，直接挑選符合要求的對象，不需要再勾勒感興趣區(qū)，利用C4.5算法自動生成決策樹，耗時較少。融合C4.5和面向對象法可直接得到地物的變化類型，只關注重點信息，提高城市交通設施提取效率。2012—2014年間，研究區(qū)建筑物變化情況如圖6(a)所示，針對建筑新建可能引起的車流量增大，對道路進行改建，結果如圖6(b)所示。提取道路周圍土地利用狀況變化情況，為對道路改建方案提供了信息支持。圖6(b)紅圈附近為植被和裸土，則該處道路可以進行擴建，而藍圈道路附近是已修建完成的工業(yè)園區(qū)，無法滿足道路擴建的土地需求，只能對道路進行路面改建，提升交通性能。

圖5 不同變化檢測方法檢測結果細節(jié)對比

圖6 交通相關變化信息提取

3.2 精度評價

利用檢驗樣本對四種變化檢測結果進行精度評價，計算得到總體檢測精度、Kappa系數(shù)、虛檢率及漏檢率等精度指標如表1所示。

融合C4.5和面向對象的變化檢測方法在總體精度上有較明顯的優(yōu)勢， kappa系數(shù)最高，漏檢率最低。然而，與基于像元的變化檢測如圖像差值法和主成分差異法相比，變化結果為區(qū)域對象的變化，相比較基于像元的逐像元變化檢測，虛檢率較高。綜合3個波段信息主成分差異法較好地檢測出主要地物的變化，漏檢率低于圖像差值法。圖像差值法由于信息不全，虛檢率也較低。圖像差值法、主成分差異法、最大似然分類后變化檢測，都只利用光譜信息，由于高分辨圖像光譜信息較少，漏檢率都高于考慮紋理信息和幾何信息的融合C4.5和面向對象變化檢測方法。最大似然分類后的變化檢測的整體精度和Kappa系數(shù)都是最低的，分類結果“椒鹽”現(xiàn)象突出，根據(jù)誤差傳播定律，由于分類造成的誤差會在最終變化檢測中累積并放大，最終變化檢測精度最低，只有0.646 3。

表1 不同變化檢測方法檢測結果精度評價

4 結 論

本文以高分辨率航攝影像作為數(shù)據(jù)源，提出融合C4.5和面向對象的變化檢測方法提取城市交通設施變化信息，結果表明該方法在城市交通設施變化檢測中具有適用性和高效性，結論如下：

1)圖像差值法和主成分差異法檢測結果的精度依賴于圖像配準精度和變化閾值的選取，最大似然分類結果較難滿足后續(xù)變化檢測精度要求，融合C4.5和面向對象的變化檢測能較好地抑制總體誤差，獲得較理想的Kappa系數(shù)，特別在城市交通設施的提取上，結構性和完整性較好。

2)融合C4.5和面向對象的變化檢測采用分類后比較，對原始影像獲取時間、季節(jié)、波段要求較少，對配準精度、輻射校正精度要求也低于圖像差值法和主成分差異法，預處理更簡單，可快速獲取地物變化類型，判斷重點地物是否發(fā)生變化，有利于城市交通設施信息的快速采集，為交通規(guī)劃提供更好的信息支持。