劉 波，燕 琴，劉恒飛，馬 磊

(1. 蘭州交通大學(xué) 測(cè)繪與地理信息學(xué)院，甘肅 蘭州 730070; 2. 甘肅省地理國(guó)情監(jiān)測(cè)工程實(shí)驗(yàn)室，甘肅 蘭州 730070 ; 3. 國(guó)家測(cè)繪地理信息局，北京 100830; 4. 國(guó)家測(cè)繪地理信息局黑龍江基礎(chǔ)地理信息中心，黑龍江 哈爾濱 150081)

隨著近年來(lái)高分辨率遙感影像的快速發(fā)展，尤其是國(guó)產(chǎn)高分衛(wèi)星的相續(xù)升空，高分影像的時(shí)間分辨率與空間分辨率均得到了較大的提升，因此研究基于高分辨率遙感影像的建筑物變化檢測(cè)具有重要的實(shí)用價(jià)值。

目前，基于高分辨率遙感影像的建筑物變化檢測(cè)得到了學(xué)者們的大力關(guān)注，如文獻(xiàn)[1]利用建筑物與陰影的關(guān)系，通過(guò)一種概率模型的方法識(shí)別建筑物變化區(qū)域；文獻(xiàn)[2]則從邊緣的角度出發(fā)，結(jié)合建筑物的空間幾何結(jié)構(gòu)，識(shí)別建筑物的變化情況；針對(duì)高分影像存在的同譜異物現(xiàn)象，文獻(xiàn)[3]提出利用紋理特征加以輔助進(jìn)行改善，并結(jié)合形態(tài)學(xué)運(yùn)算取得較好的實(shí)驗(yàn)結(jié)果。然而上述方式都是僅從淺層的特征角度出發(fā)，識(shí)別建筑物變化情況，對(duì)于復(fù)雜的建筑物幾何結(jié)構(gòu)難以達(dá)到較好結(jié)果，針對(duì)這一不足之處，挖掘深層次建筑物空間結(jié)構(gòu)特征則成為了研究重點(diǎn)。文獻(xiàn)[4]提取了一種簡(jiǎn)單高效的建筑物空間特征—形態(tài)學(xué)建筑物指數(shù)(Morphology building index, MBI)，利用該指數(shù)在高分辨率遙感影像上進(jìn)行建筑物識(shí)別，得到較好的實(shí)驗(yàn)精度。MBI在建筑物變化檢測(cè)中早已運(yùn)用，但在進(jìn)行變化檢測(cè)時(shí)都需要人工設(shè)定簡(jiǎn)單閾值并還需要進(jìn)行后續(xù)處理才能獲取較高精度的檢測(cè)結(jié)果[5]。

近年來(lái)，機(jī)器學(xué)習(xí)方法在各行各業(yè)中得到了充分的應(yīng)用，其在遙感影像變化檢測(cè)中也正不斷被學(xué)者們采用。傳統(tǒng)的方法是通過(guò)選擇訓(xùn)練樣本的方式完成變化的判定，這種方式雖然可以克服很多復(fù)雜條件，但需要人工選擇正負(fù)樣本，效率相對(duì)較低。

文獻(xiàn)[6]利用一種單分類器，將其成功應(yīng)用到中等分辨率遙感影像土地變化調(diào)查中，取得了較好的實(shí)驗(yàn)結(jié)果，從該思路出發(fā)，本文設(shè)計(jì)了一種正樣本單分類框架下的高分辨率影像建筑物變化檢測(cè)算法，其具有以下優(yōu)點(diǎn)：①無(wú)需負(fù)樣本的選定即可進(jìn)行變化判決。②設(shè)計(jì)了一種新的形狀描述算子，對(duì)后續(xù)結(jié)果進(jìn)行優(yōu)化，提升了最終的檢測(cè)精度。

1 單分類框架下的建筑物變化檢測(cè)

本文的實(shí)驗(yàn)流程主要包括以下步驟：首先從建筑物的特征挖掘出發(fā)，引入一種形態(tài)學(xué)建筑物指數(shù)進(jìn)行建筑物特征描述，然后利用卡方變換進(jìn)行多特征融合，同時(shí)采用疊加聯(lián)合分割的手段完成地物影像對(duì)象提取，最后利用一種正樣本單分類器，以眾數(shù)規(guī)則的方式完成對(duì)象級(jí)變化檢測(cè)。其中，本文的建筑物變化檢測(cè)實(shí)驗(yàn)流程如圖1所示。

圖1 實(shí)驗(yàn)算法設(shè)計(jì)流程

1.1 建筑物空間特征提取

高分辨率遙感影像上相同地物間光譜差異變大，不同地物間光譜差異變小，相對(duì)于中低分辨率遙感影像的變化檢測(cè)難度更大。針對(duì)這一問(wèn)題，學(xué)者們?cè)谔卣魈崛》矫孢M(jìn)行了大量的研究，以其改善僅依靠光譜特征的不足之處，如引入紋理算子—灰度共生矩陣(Gray level co-occurrence matrix, GLCM)等進(jìn)行改善[7]。盡管該類方法取得了一定的效果，但是建筑物紋理呈現(xiàn)多樣性，難以用一種或者多種紋理提取算子進(jìn)行簡(jiǎn)單的描述。文獻(xiàn)[7]從建筑物本身的光譜、幾何等特征出發(fā)，提出了一種針對(duì)建筑物本身的特征描述子——形態(tài)學(xué)建筑物指數(shù)(Morphology building index, MBI)。該特征能夠?qū)τ跋裆系慕ㄖ飬^(qū)域進(jìn)行增強(qiáng)，在建筑物識(shí)別等方面得到了廣泛的應(yīng)用，本文采用該算子作為建筑物的空間特征描述。

建筑物形態(tài)學(xué)指數(shù)計(jì)算主要包括以下幾個(gè)步驟：

1)對(duì)于多波段原始影像，對(duì)每個(gè)像元光譜剖面，取最大值進(jìn)行多波段合成，

(1)

式中：bandk(i)為波段k中像元i的灰度值，K為影像的波段總數(shù)，b(i)為合成后的單波段像元值，利用該式對(duì)多波段進(jìn)行合成的主要目的是對(duì)不同顏色的建筑物屋頂進(jìn)行增強(qiáng)。

2)利用頂帽變換的差分形態(tài)學(xué)剖面(Differential morphological profiles, DMPs)完成對(duì)建筑物的光譜結(jié)構(gòu)特征描述。

TH-DMP(d,s)=|THb(d,s)-

THb(d,s-Δs)|.

(2)

其中

(3)

3)利用步驟(2)中的計(jì)算式，分別計(jì)算出的多個(gè)方向多個(gè)角度的差分形態(tài)學(xué)剖面，最后以取均值的方式完成建筑物形態(tài)學(xué)指數(shù)計(jì)算，

(4)

式中：MBI為計(jì)算出的形態(tài)學(xué)建筑物指數(shù)；D,S分別為線性結(jié)構(gòu)元素的方向總數(shù)與尺度總數(shù)。

1.2 卡方變換多特征融合

變化向量分析(Change vector analysis, CVA)是一種經(jīng)典的多特征等權(quán)融合方法[8]，其計(jì)算方式簡(jiǎn)單，在變化檢測(cè)中得到了極大的應(yīng)用，

(5)

可以看出，變化向量分析對(duì)于各個(gè)特征波段只能利用等權(quán)的方式進(jìn)行多特征融合，無(wú)法突出較優(yōu)特征。因此研究一種自適應(yīng)權(quán)重的多特征融合算法對(duì)于建筑物變化檢測(cè)具有非常重要的意義?？ǚ阶儞Q(Chi-square transform, CST)是一種自適應(yīng)權(quán)重的多特征融合算法，其在遙感影像變化檢測(cè)中近年來(lái)得到了廣泛的應(yīng)用[8]。CST多特征融合主要通過(guò)將差分波段的方差作為融合權(quán)重：

(6)

從該式可以看出，基于卡方變換的多特征融合，能夠自適應(yīng)權(quán)重進(jìn)行多特征融合，無(wú)需人工干預(yù)設(shè)定權(quán)重，利用本文提取的形態(tài)學(xué)建筑物指數(shù)特征與光譜特征進(jìn)行波段組合，利用卡方變換的方式進(jìn)行多特征融合，得到一個(gè)最終的變化波段，為了方便下一步計(jì)算，本文采用線性歸一化的方法對(duì)其進(jìn)行歸一化，將值歸一到(0,1)。

1.3 單分類框架下變化檢測(cè)

利用卡方變換對(duì)多個(gè)特征波段進(jìn)行融合，得到一個(gè)最終的多特征融合波段。通過(guò)一個(gè)簡(jiǎn)單的閾值設(shè)定對(duì)變化波段進(jìn)行判定，然后得到變化與否，該種方式是一種高效簡(jiǎn)單的變化檢測(cè)方式，但是該種方式通過(guò)對(duì)全局用一個(gè)閾值設(shè)定來(lái)進(jìn)行判定，最優(yōu)閾值的選取難以確定，難以得到最優(yōu)結(jié)果。通過(guò)機(jī)器學(xué)習(xí)的方法來(lái)對(duì)全局進(jìn)行統(tǒng)計(jì)建模，理論上能夠得到更優(yōu)結(jié)果[9]?；跈C(jī)器學(xué)習(xí)的變化檢測(cè)，通常需要人工選取訓(xùn)練樣本，且同時(shí)需要正負(fù)樣本的加入，即人工選取一定的變化與未變化樣本，效率方面具有一定的局限性。

文獻(xiàn)[9]通過(guò)對(duì)現(xiàn)有基于機(jī)器學(xué)習(xí)的變化檢測(cè)方法進(jìn)行分析，引入了一種只需正樣本的分類器——支持向量數(shù)據(jù)描述(Surpport vector data description, SVDD)，即僅僅需要人工選取變化樣本即可，無(wú)需選取未變化樣本，降低人工干預(yù)，且得到較好的實(shí)驗(yàn)效果，計(jì)算效率方面也得到了較大的提升，其在中等分辨率制圖方面得到成功的應(yīng)用，借鑒于此思想，本文將其運(yùn)用到高分辨率遙感影像上。

SVDD最早是用來(lái)解決有偏數(shù)據(jù)的單分類問(wèn)題，大量研究表明，該單分類器的實(shí)驗(yàn)效果達(dá)到了經(jīng)典的兩類支持向量機(jī)(Surpport vector data machine，SVM)同樣效果，且在大數(shù)據(jù)量的情況下，計(jì)算效率更高[10]。考慮到SVDD的上述優(yōu)點(diǎn)，本文選取該分類器作為本文的正樣本單分類器，通過(guò)人工選取少量變化樣本，來(lái)完成建筑物變化檢測(cè)。

1.4 基于對(duì)象的變化檢測(cè)

用上述單分類器得到建筑物的初始變化檢測(cè)，由于其是從像元的角度出發(fā)，因此不可避免的產(chǎn)生大量空洞與椒鹽現(xiàn)象，針對(duì)這一問(wèn)題，本文通過(guò)面向?qū)ο蟮姆绞竭M(jìn)行改善。首先，本文利用一種自底向上的分割算法，完成對(duì)地物的對(duì)象建模[10]，然后利用下式完成對(duì)象級(jí)變化檢測(cè)結(jié)果判定：

式中：i為分割后的某一對(duì)象，num()為對(duì)象內(nèi)滿足某一條件的像元個(gè)數(shù)。根據(jù)上式實(shí)現(xiàn)面向?qū)ο蟮淖兓瘷z測(cè)，有效地改善空洞等現(xiàn)象。

1.5 進(jìn)長(zhǎng)寬比形狀特征

初始變化檢測(cè)后的結(jié)果中，通常包含較多其他地物類變化，如道路等，為了得到更為準(zhǔn)確的建筑物變化檢測(cè)結(jié)果，文獻(xiàn)[4]提出了首先對(duì)二值圖像進(jìn)行連通區(qū)域標(biāo)記，然后利用長(zhǎng)寬比等形狀特征進(jìn)行道路去除，從而得到更為理想的實(shí)驗(yàn)結(jié)果，該種方法在一定實(shí)驗(yàn)情景下得到去除道路網(wǎng)絡(luò)，但是對(duì)于環(huán)形或者更為復(fù)雜的道路網(wǎng)絡(luò)，難以進(jìn)行有效去除，針對(duì)這一問(wèn)題，本文提出了一種改進(jìn)的長(zhǎng)寬比形狀特征來(lái)更好地對(duì)道路等其他非建筑物變化類進(jìn)行有效去除。

其中本文改進(jìn)的長(zhǎng)寬比不再以最小外接矩形的長(zhǎng)度作為判定，而是以對(duì)角線作為長(zhǎng)寬判定，對(duì)于這種交叉路段或者環(huán)形道路能夠更好地進(jìn)行去除，其中本文改進(jìn)的長(zhǎng)寬比：

(7)

其中：length為連通區(qū)域最小外接矩形的長(zhǎng)度，width為連通區(qū)域最小外接矩形的寬度。

2 實(shí)驗(yàn)分析與討論

為了驗(yàn)證本文算法的有效性，本文分別從以下三個(gè)角度進(jìn)行了算法對(duì)比分析:①與傳統(tǒng)的監(jiān)督分類方法進(jìn)行了對(duì)比分析，即同時(shí)選擇正負(fù)樣本。②與目前其他較優(yōu)建筑物變化檢測(cè)算法進(jìn)行對(duì)比。③與其他正樣本單分類器算法對(duì)比。其中本文實(shí)驗(yàn)數(shù)據(jù)為成都市某地區(qū)，其中相關(guān)參數(shù)說(shuō)明和真實(shí)數(shù)據(jù)如表1所示。

表1 實(shí)驗(yàn)數(shù)據(jù)介紹

兩期影像均經(jīng)過(guò)嚴(yán)格的幾何校正與直方圖輻射值匹配，保證兩期影像后續(xù)處理的精度需求，如圖2所示，圖2為真實(shí)影像數(shù)據(jù)。

圖2 實(shí)驗(yàn)數(shù)據(jù)集

首先與傳統(tǒng)的監(jiān)督分類方法對(duì)比，本文選擇經(jīng)典的SVM方法，其中核函數(shù)選擇為RBF，參數(shù)C,g通過(guò)交叉驗(yàn)證得到最優(yōu)，正負(fù)樣本均選取真實(shí)樣本的5%。其次選擇文獻(xiàn)[4]提出的算法，其中光譜判別閾值為0.2，MBI判別閾值為0.3，長(zhǎng)寬比閾值設(shè)定為10。最后選擇與正樣本單分類器算法對(duì)比，本文主要選擇文獻(xiàn)[6]使用的算法進(jìn)行對(duì)比，其分類器選擇為SVM，負(fù)樣本自動(dòng)生成比例為1，其中人工勾選的正樣本75%用于訓(xùn)練，25%用于測(cè)試，后驗(yàn)概率判定閾值均設(shè)置為0.5。本文算法中，選取5%變化區(qū)域?yàn)檎龢颖荆倪M(jìn)長(zhǎng)寬比閾值設(shè)置為10。不同算法對(duì)比實(shí)驗(yàn)結(jié)果如圖3所示。

從實(shí)驗(yàn)結(jié)果來(lái)看，本文算法取得了相對(duì)較優(yōu)的視覺(jué)效果，文獻(xiàn)[4]提出的建筑物變化檢測(cè)算法由于其僅僅從像元的角度出發(fā)，因此導(dǎo)致了大量的椒鹽現(xiàn)象，且簡(jiǎn)單的閾值設(shè)定難以得到非常理想的實(shí)驗(yàn)結(jié)果。文獻(xiàn)[10]提出的單分類算法與本文算法效果類似，但是其仍然有部分并沒(méi)有識(shí)別出來(lái)。而與經(jīng)典的SVM兩類方法對(duì)比，本文方法錯(cuò)誤識(shí)別較少。

為了更好地驗(yàn)證不同方法對(duì)比，本文參照文獻(xiàn)[4]采用定量的精度評(píng)價(jià)方法，其中有三個(gè)重要的指標(biāo)，正確率(Correctness, CT)、虛檢率(False alarms, FA)、漏檢率(Miss alarms, MA)。定量對(duì)比精度結(jié)果如表2所示。

從表2中可以看出，本文算法三個(gè)指標(biāo)均取得了較優(yōu)結(jié)果，文獻(xiàn)[6]提出的單分類方法由于漏識(shí)別部分較多，因此漏檢率較高，從具體的單分類實(shí)現(xiàn)算法原理來(lái)看，這是由于其負(fù)樣本為全局自動(dòng)生成，部分正樣本可能被誤判別為負(fù)樣本，導(dǎo)致精度降低。文獻(xiàn)[4]從像元的角度出發(fā)，實(shí)驗(yàn)結(jié)果產(chǎn)生較多的空洞與椒鹽現(xiàn)象，這是由于其以單個(gè)閾值的方式來(lái)判定全局的變化，難以確定，且高分辨率遙感影像上，同譜異物現(xiàn)象嚴(yán)重，因此容易產(chǎn)生較多的誤識(shí)別像元。從最后定量的精度評(píng)價(jià)結(jié)果看，本文的單分類方法取得了較二分類更優(yōu)的結(jié)果，在有限樣本數(shù)據(jù)下，驗(yàn)證本文的單分類方法是可行的，且具有較高的精度。

圖3 不同算法實(shí)驗(yàn)結(jié)果

表2 不同算法精度定量對(duì)比 %

3 結(jié)束語(yǔ)

本文針對(duì)現(xiàn)有基于機(jī)器學(xué)習(xí)的建筑物變化檢測(cè)算法，需要人工標(biāo)注正負(fù)樣本，為減少了人工干預(yù)，引入了一種單分類器，無(wú)需負(fù)樣本的選取即可完成建筑物變化檢測(cè)，且具有較好的實(shí)驗(yàn)結(jié)果。針對(duì)非建筑物變化區(qū)域，本文利用改進(jìn)的長(zhǎng)寬比特征進(jìn)行過(guò)濾，提高了最終的提取精度。從算法實(shí)現(xiàn)的角度來(lái)看，本文仍然需要人工選取正樣本，下一步會(huì)將重點(diǎn)放在如何自動(dòng)獲取正樣本的研究上，從而完成全自動(dòng)的高精度建筑物變化檢測(cè)。