劉立 何江

摘? 要：應(yīng)用遙感數(shù)據(jù)進(jìn)行土地覆被分類(lèi)后變化檢測(cè)時(shí)，土地覆被分類(lèi)誤差會(huì)造成嚴(yán)重的誤差累積效應(yīng)。尤其是針對(duì)高分辨率遙感影像的土地覆被變化檢測(cè)，由于空間分辨率的提高，高分辨率影像的變化檢測(cè)難度增大，一般的分類(lèi)后變化檢測(cè)精度較低。文章采用基于對(duì)象的影像分析方法，提出了利用貝葉斯軟融合方法降低了土地覆被變化分類(lèi)誤差的累積效應(yīng)，并選取了兩個(gè)研究區(qū)的高分辨遙感影像數(shù)據(jù)驗(yàn)證了其有效性，分別得到了78%與76%的總精度。

關(guān)鍵詞：高分辨率影像;變化檢測(cè);基于對(duì)象;貝葉斯方法

中圖分類(lèi)號(hào)：TP75 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：2095-2945（2019）11-0001-05

Abstract： When remote sensing data are used to detect the change of land cover classification， the error of land cover classification will cause serious error accumulation effect. Especially for the llllllllllllland cover change detection of high-resolution remote sensing images， due to the improvement of spatial resolution， the change detection of high-resolution images is more difficult， and the accuracy of general change detection after classification is low. In this paper， an object-based image analysis method is proposed to reduce the cumulative effect of classification errors of land cover change by using Bayesian soft fusion method， and two high-resolution remote sensing image data are selected to verify its effectiveness. The total accuracy vales of 78% and 76% are obtained respectively.

Keywords： high resolution image; change detection; object-based; Bayesian method

1 概述

土地利用/土地覆被（LULC）變化是生態(tài)環(huán)境變化的重要組成部分之一，其在森林開(kāi)采、城市擴(kuò)張、災(zāi)害檢測(cè)與評(píng)估以及土地管理和規(guī)劃等方面均有重要作用[1]。而遙感數(shù)據(jù)以其周期性、范圍廣、易于獲取等特點(diǎn)在LULC研究中越來(lái)越被重視。尤其是更多的高分辨率數(shù)據(jù)的出現(xiàn)，為L(zhǎng)ULC變化研究帶來(lái)了更多的便利[2]。

在遙感中，變化檢測(cè)是通過(guò)聯(lián)合處理不同時(shí)間在同一地理區(qū)域獲取的兩幅（或更多）影像來(lái)識(shí)別地球表面變化的過(guò)程[3]。高分辨率影像提供的豐富的紋理、形狀等特征信息可以更好的反映真實(shí)的地表形態(tài)[4]，從而得到更加精確的LULC變化。然而隨著影像分辨率的提高，引起了一系列的問(wèn)題：（1）影像配準(zhǔn)的難度增加[5];（2）影像中每一類(lèi)的光譜特征更加離散;（3）由于傳感器角度、陰影效應(yīng)等造成的數(shù)據(jù)獲取條件的不同。以往基于像元的變化檢測(cè)方法難以解決這些問(wèn)題，且更容易出現(xiàn)“椒鹽現(xiàn)象”，不利于后續(xù)的制圖表達(dá)。而基于對(duì)象的影像分析技術(shù)已被證明可以減少地理配準(zhǔn)，更復(fù)雜的光譜變化以及不同的數(shù)據(jù)獲取條件的影響[6]?；趯?duì)象的變化檢測(cè)屬于基于對(duì)象的影像分析的一部分，其可以通過(guò)影像分割技術(shù)獲取影像對(duì)象以更好的反映真實(shí)地表的地理對(duì)象，并且可以通過(guò)特征提取的方法得到影像對(duì)象的光譜、紋理、形狀以及空間關(guān)系等特征。因此，基于對(duì)象的變化檢測(cè)方法成為了高分辨率影像變化檢測(cè)的主流方法之一[7]。

基于對(duì)象的變化檢測(cè)方法主要分為分類(lèi)后比較法和直接檢測(cè)法。直接檢測(cè)法具有比較好的穩(wěn)定性和精確性，可以較方便的利用在基于像元的變化檢測(cè)中表現(xiàn)較好的方法，但是它并不能提供詳細(xì)的“從-到”類(lèi)別變化信息，不適用于LULC變化檢測(cè)[8]。分類(lèi)后比較的方法可以提供詳細(xì)的類(lèi)別變化信息，在LULC變化檢測(cè)中更為常用，Blaschke為基于對(duì)象的分類(lèi)后變化檢測(cè)提供了一個(gè)較完整的框架[9]，并被廣泛應(yīng)用。但是分類(lèi)后比較的方法過(guò)分依賴(lài)于分類(lèi)結(jié)果，在變化檢測(cè)的過(guò)程中丟失了影像對(duì)象的特征信息，使變化檢測(cè)的結(jié)果與精度受到分類(lèi)誤差累積的影響。為了獲得更好檢測(cè)的結(jié)果，將從特征相似性得到的直接變化檢測(cè)結(jié)果與獨(dú)立分類(lèi)結(jié)果相結(jié)合是改進(jìn)后分類(lèi)方法的可行且有效的方法[10]。Yu等人將分類(lèi)與變化檢測(cè)相結(jié)合，利用回溯的方法完成了北京地區(qū)的LULC變化檢測(cè)，并且證明了該方法可以有效地減小誤報(bào)[11]。然而，其變化閾值的選擇依然是靠經(jīng)驗(yàn)，并且無(wú)論是分類(lèi)結(jié)果還是變化檢測(cè)結(jié)果都屬于硬分類(lèi)結(jié)果，丟失了其連續(xù)變化的強(qiáng)度信息，在兩者融合時(shí)易產(chǎn)生誤差。

因此，本文提出了一種在影像對(duì)象的基礎(chǔ)上利用貝葉斯方法融合獨(dú)立分類(lèi)與變化檢測(cè)結(jié)果的方法。利用貝葉斯融合方法來(lái)尋找類(lèi)概率和變化概率的最優(yōu)組合，確定類(lèi)別變化方式。該方法可以充分利用獨(dú)立分類(lèi)與變化檢測(cè)的連續(xù)概率信息，并且避免了在連續(xù)概率上閾值的選取。

2 基于對(duì)象的貝葉斯方法的變化檢測(cè)

集成基于對(duì)象與貝葉斯融合的變化檢測(cè)方法首先需要對(duì)兩幅影像進(jìn)行分割得到影像對(duì)象;然后分別進(jìn)行獨(dú)立的影像分類(lèi)與直接變化檢測(cè)，得到影像對(duì)象的類(lèi)別概率與變化概率;最后利用貝葉斯方法求得每一個(gè)影像對(duì)象對(duì)的最大后驗(yàn)概率，繼而得到變化檢測(cè)結(jié)果，具體流程如圖1。

2.1 影像分割

商業(yè)軟件 eCognition推動(dòng)了基于對(duì)象影像分析方法的快速發(fā)展和廣泛應(yīng)用，其提供的分型網(wǎng)絡(luò)演化算法（Fractal Net Evolution Approach， FNEA）是典型的基于區(qū)域合并增長(zhǎng)的方法。eCognition在其多尺度分割過(guò)程中實(shí)現(xiàn)了該方法。該方法中決定最優(yōu)分割數(shù)據(jù)集的參數(shù)涉及尺度因子、形狀因子和緊湊度因子。為了獲得理想的影像對(duì)象，僅僅目視判斷不足以得到準(zhǔn)確結(jié)果，這就需要分割參數(shù)優(yōu)選的方法。

PSE-NSR-ED2不一致性法[12]綜合利用了PSE、NSR 和ED2三個(gè)分割質(zhì)量評(píng)價(jià)指數(shù)以定量化評(píng)價(jià)分割質(zhì)量，其兼顧了“過(guò)分割”與“欠分割”的影響，可以更準(zhǔn)確的評(píng)估影像對(duì)象的分割精度。

2.2 影像分類(lèi)與變化檢測(cè)

貝葉斯軟融合方法需要得到兩個(gè)時(shí)刻每個(gè)對(duì)象屬于每個(gè)類(lèi)別的概率以及兩個(gè)時(shí)刻之間的時(shí)間段該對(duì)象發(fā)生變化的概率。

支持向量機(jī)（SVM）算法是近年來(lái)機(jī)器學(xué)習(xí)的主流方法之一，它可以在較少的訓(xùn)練樣本的情況下獲得較好的分類(lèi)結(jié)果，并且具有較好的魯棒性。因此，本文使用SVM作為分類(lèi)的方法來(lái)獲得影像對(duì)象類(lèi)別概率。

慢特征分析（SFA）是一種新的學(xué)習(xí)算法，可以從輸入信號(hào)中提取不變和緩慢變化的特征[13]。在遙感影像變化檢測(cè)問(wèn)題中，未改變的對(duì)象對(duì)應(yīng)于緩慢變化的分量，同時(shí)改變的對(duì)象是快速變化的。通過(guò)特征空間變換在不變特征空間中，未改變的對(duì)象被抑制，從而可以更好的分離改變的對(duì)象。通過(guò)求解特征值問(wèn)題，SFA可以求得這種不變特征空間的全局最優(yōu)解[14]。為了適應(yīng)雙時(shí)刻遙感影像的變化檢測(cè)以及使其更加自動(dòng)化， Zhang等人重新擬定了SFA公式使其在迭代中，將大權(quán)重分配給未更改的對(duì)象，將小權(quán)重分配給改變的對(duì)象，從而反映對(duì)象的變化概率。其基本流程如下：（1）對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化;（2）求取數(shù)據(jù)的協(xié)方差矩陣，按照公式（1）求解矩陣方程的特征值問(wèn)題;（3）按照公式（2）計(jì)算每個(gè)對(duì)象的SFA值，并根據(jù)卡方分布求得每個(gè)對(duì)象權(quán)重;（4）根據(jù)權(quán)重求取數(shù)據(jù)協(xié)方差矩陣，重復(fù)2，3步，直至當(dāng)前迭代與前一次迭代的最大特征值差值小于某一特定值。其中A為影像對(duì)象對(duì)應(yīng)特征差值的協(xié)方差矩陣，B為兩幅影像特征各自的協(xié)方差矩陣的平均值。

其中w為解方程得到的特征向量，x，y分別為對(duì)應(yīng)對(duì)象的特征值向量。

最終求得的每個(gè)對(duì)象的權(quán)重反映的是每個(gè)對(duì)象沒(méi)有發(fā)生變化的概率，從而得到每個(gè)對(duì)象的變化概率。

2.3 貝葉斯融合

一般的后分類(lèi)變化檢測(cè)是通過(guò)影像分類(lèi)得到類(lèi)別標(biāo)簽，然后比較類(lèi)別標(biāo)簽來(lái)獲得“從-到”的變化信息。然而，由于后分類(lèi)方法忽略了影像特征之間的時(shí)間相關(guān)性，從而造成分類(lèi)錯(cuò)誤的累積。假設(shè)多時(shí)相影像對(duì)應(yīng)的類(lèi)別標(biāo)簽在時(shí)間上是相關(guān)的，那么貝葉斯理論可以給出最佳的多時(shí)間分類(lèi)，找到在兩個(gè)時(shí)刻特征空間分別為x，y時(shí)提供最大后驗(yàn)概率的多時(shí)相類(lèi)別wi，vj的組合[15]。

由此可以根據(jù)分類(lèi)概率和變化概率得出影像兩時(shí)刻的各種類(lèi)別標(biāo)簽組合以判斷是否發(fā)生變化以及怎么變化。一般情況下我們優(yōu)先選擇具有最大概率的類(lèi)別標(biāo)簽組合作為結(jié)果。但是在一些特殊情況下，最大概率可能是根據(jù)影像區(qū)域或常識(shí)信息不可能發(fā)生的類(lèi)別變化，如建成區(qū)變成林地，建成區(qū)變成水體等，這時(shí)我們將選擇次大的概率組合，直至結(jié)果合理。本文中貝葉斯融合方法由IDL程序?qū)崿F(xiàn)。

3 實(shí)驗(yàn)數(shù)據(jù)

3.1 實(shí)驗(yàn)區(qū)1

實(shí)驗(yàn)區(qū)1為Quickbird多光譜數(shù)據(jù)，Quickbird衛(wèi)星是較早發(fā)射的商業(yè)高分辨率衛(wèi)星之一，目前依然被廣泛應(yīng)用于地理科學(xué)、農(nóng)業(yè)、林業(yè)、城市規(guī)劃、土地利用、環(huán)境監(jiān)測(cè)、考古、野生動(dòng)物保護(hù)、環(huán)境評(píng)價(jià)、牧場(chǎng)管理等各個(gè)領(lǐng)域。其多光譜數(shù)據(jù)包括藍(lán)光波段、綠光波段、紅光波段、近紅外波段等4波段。空間分辨率為2.4米。大小為250*250個(gè)像元。

由于兩期影像均為Quick Bird多光譜數(shù)據(jù)，其成像條件基本相同。僅用DN值獲取地物類(lèi)別與變化信息可以接受。故本文對(duì)Quick Bird多光譜數(shù)據(jù)只進(jìn)行了影像配準(zhǔn)，裁剪等相應(yīng)的預(yù)處理過(guò)程。

從圖2中可以看出實(shí)驗(yàn)區(qū)1的主要變化為道路拓寬，根據(jù)研究目的可以將影像土地覆被分為草地、林地、裸地、水體、道路和建筑物等6種類(lèi)型。

3.2 實(shí)驗(yàn)區(qū)2

實(shí)驗(yàn)區(qū)2為WorldView2和WorldView3兩個(gè)傳感器的多光譜數(shù)據(jù)，WorldView衛(wèi)星以其采集能力高、機(jī)動(dòng)靈活性增強(qiáng)、高效大面積采集、重訪周期短等特點(diǎn)成為最廣泛被使用的商業(yè)衛(wèi)星之一。多光譜波段均包括海岸波段、藍(lán)光波段、綠光波段、黃光波段、紅光波段、紅邊波段、2個(gè)近紅外波段等8個(gè)波段。其空間分辨率均為2米，大小為600*400個(gè)像元。

由于WorldView2與WorldView3來(lái)自于不同的傳感器，其成像條件不完全相同，會(huì)造成影像DN值存在差異。故對(duì)于兩期WorldView數(shù)據(jù)除了進(jìn)行配準(zhǔn)、裁剪外還進(jìn)行了影像的輻射定標(biāo)與大氣校正將影像DN值定標(biāo)為表觀反射率。其中輻射定標(biāo)與大氣校正均采用ENVI軟件完成。

從圖3中可以看出實(shí)驗(yàn)區(qū)2的主要變化為農(nóng)村居民區(qū)改造和城市建設(shè)，可以將影像土地覆被分為草地、農(nóng)田、裸地、水體、農(nóng)村居民地、道路和建筑物等7種類(lèi)型。

4 結(jié)果分析

4.1 實(shí)驗(yàn)1結(jié)果

使用eCognition軟件的多尺度分割算法建立分割數(shù)據(jù)集并以實(shí)驗(yàn)區(qū)1的矢量數(shù)據(jù)作為參考多邊形進(jìn)行分割參數(shù)優(yōu)選。優(yōu)選結(jié)果如圖4，可以得出實(shí)驗(yàn)區(qū)1的最優(yōu)分割參數(shù)為分割尺度因子25，形狀因子0.1，緊致度因子0.5。按照優(yōu)選參數(shù)對(duì)影像進(jìn)行分割得到883個(gè)影像分割對(duì)象。

利用SVM分類(lèi)得到對(duì)象屬于每個(gè)類(lèi)別的概率結(jié)果，并且得到以最大概率的類(lèi)別標(biāo)簽作為結(jié)果的分類(lèi)圖。經(jīng)過(guò)試驗(yàn)確定SVM的主要參數(shù)設(shè)置為核函數(shù)為徑向基核函數(shù)，懲罰系數(shù)為1，gamma系數(shù)為0.1。

如圖5可以看到影像基本變化區(qū)域?yàn)橛覀?cè)道路部分，如果直接利用分類(lèi)結(jié)果可以將道路的變化檢測(cè)出來(lái)。但是圖中左側(cè)建筑物與建筑物周?chē)牧值?、草地相互交、結(jié)構(gòu)較為復(fù)雜，很容易出現(xiàn)混分。

從圖6中可以看到利用ISFA的貝葉斯軟融合方法得到了最好的變化檢測(cè)結(jié)果，利用FCM、CVA的貝葉斯軟融合方法和直接分類(lèi)后比較均有較多的“誤檢”現(xiàn)象。

4.2 實(shí)驗(yàn)2結(jié)果

使用eCognition軟件的多尺度分割算法建立分割數(shù)據(jù)集并以實(shí)驗(yàn)區(qū)2的矢量數(shù)據(jù)作為參考多邊形進(jìn)行分割參數(shù)優(yōu)選。優(yōu)選結(jié)果如圖7，可以得出實(shí)驗(yàn)區(qū)2的最優(yōu)分割參數(shù)為分割尺度因子35，形狀因子0.2，緊致度因子0.5。按照優(yōu)選參數(shù)對(duì)影像進(jìn)行分割得到680個(gè)影像分割對(duì)象。

利用分類(lèi)特征進(jìn)行SVM分類(lèi)得到對(duì)象屬于每個(gè)類(lèi)別的概率結(jié)果，并且得到以最大概率的類(lèi)別標(biāo)簽作為結(jié)果的分類(lèi)圖。經(jīng)過(guò)試驗(yàn)確定SVM的主要參數(shù)設(shè)置為核函數(shù)為徑向基核函數(shù)，懲罰系數(shù)為1，gamma系數(shù)為0.1。

如圖8可以看到影像基本變化區(qū)域?yàn)樽髠?cè)和右側(cè)的農(nóng)村地區(qū)的城市建設(shè)，直接利用分類(lèi)結(jié)果可以將變化檢測(cè)出來(lái)。但是圖中中間部分的農(nóng)田會(huì)出現(xiàn)較多誤檢（圖9）。

4.3 結(jié)論

為了驗(yàn)證本文方法的有效性，文章通過(guò)目視解譯對(duì)兩個(gè)小區(qū)域數(shù)據(jù)進(jìn)行了全部的矢量化，得到了全部影像區(qū)域的矢量數(shù)據(jù)。并且利用矢量化數(shù)據(jù)作為評(píng)價(jià)數(shù)據(jù)集。對(duì)分類(lèi)后比較與貝葉斯方法的土地覆被轉(zhuǎn)移結(jié)果進(jìn)行精度評(píng)價(jià)，得到每個(gè)轉(zhuǎn)移類(lèi)型的精度以及所有轉(zhuǎn)移類(lèi)型的總精度。同時(shí)得到是否為變化結(jié)果的準(zhǔn)確率與召回率（表1）。

通過(guò)綜合分析兩個(gè)實(shí)驗(yàn)數(shù)據(jù)的區(qū)別。可以發(fā)現(xiàn)第一組數(shù)據(jù)中每個(gè)類(lèi)別之間區(qū)分較為明顯，不同類(lèi)別之間差異較大。在這種情況下分類(lèi)精度一般相對(duì)較高。其誤差來(lái)源更多是累積效應(yīng)的影響。運(yùn)用ISFA等可以較大分離變化與未變化的概率表示方法，可以有效消除誤差累積效應(yīng)。第二組數(shù)據(jù)中每個(gè)類(lèi)別之間區(qū)分并不十分明顯，而且同一類(lèi)別之中可能會(huì)存在多種特征形式的表現(xiàn)狀態(tài)，例如農(nóng)田可能表現(xiàn)為有較高植被覆蓋、較低植被覆蓋甚至沒(méi)有植被覆蓋的形態(tài)。這樣變化檢測(cè)的誤差既來(lái)源于分類(lèi)誤差同時(shí)有誤差累積效應(yīng)的影響， ISFA過(guò)度的拉大變化與非變化就可能造成“漏檢”現(xiàn)象。但是ISFA雖然造成了一定的漏檢，但是總體上各個(gè)轉(zhuǎn)移類(lèi)別的總體精度更高，相對(duì)于分類(lèi)后比較依然具有明顯的改善效果。

高分辨率影像對(duì)于LULC變化檢測(cè)具有重要作用。本文根據(jù)高分辨率影像的特點(diǎn)選擇了基于對(duì)象的影像分析方式，并且利用貝葉斯融合的方法通過(guò)將直接變化檢測(cè)的結(jié)果與分類(lèi)后比較的結(jié)果相結(jié)合，改進(jìn)了只應(yīng)用分類(lèi)后比較造成的誤差累積問(wèn)題。該方法通過(guò)采用概率信息的貝葉斯融合方式，利用最大的后驗(yàn)概率組合，有效避免了變化檢測(cè)中的閾值選取問(wèn)題，并且由于基于對(duì)象影像分析的優(yōu)勢(shì)，減弱了“椒鹽現(xiàn)象”，可以得到更好的制圖結(jié)果。

由于在變化檢測(cè)中沒(méi)有比較好的不同特征融合的方法，本文中直接變化檢測(cè)使用的方法均僅使用了光譜特征，沒(méi)有充分將基于對(duì)象的優(yōu)勢(shì)應(yīng)用在直接變化檢測(cè)的方法中，后續(xù)會(huì)繼續(xù)尋找在變化檢測(cè)中利用紋理、幾何等特征的方法，通過(guò)不同的特征之間的有效融合改善變化檢測(cè)的結(jié)果。

參考文獻(xiàn)：

[1]趙敏，趙銀娣.面向?qū)ο蟮亩嗵卣鞣旨?jí)CVA遙感影像變化檢測(cè)[J].遙感學(xué)報(bào)，2018，22（01）：119-131.

[2]王成軍，毛政元，徐偉銘，等.超像素與主動(dòng)學(xué)習(xí)相結(jié)合的遙感影像變化檢測(cè)方法[J].地球信息科學(xué)學(xué)報(bào)，2018，20（02）：235-245.

[3]BRUZZONE L， BOVOLO F. A Novel Framework for the Design of Change-Detection Systems for Very-High-Resolution Remote Sensing Images[J]. Proceedings of the IEEE， 2013， 101（3）： 609-630.

[4]BLASCHKE T. Object based image analysis for remote sensing[J]. ISPRS Journal of Photogrammetry and Remote Sensing， 2010， 65（1）： 2-16.

[5]張良培，武辰.多時(shí)相遙感影像變化檢測(cè)的現(xiàn)狀與展望[J].測(cè)繪學(xué)報(bào)，2017，46（10）：1447-1459.

[6]HUSSAIN M， CHEN D， 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.

[7]CHEN G， HAY G J， CARVALHO L M T， et al. Object-based change detection[J]. International Journal of Remote Sensing， 2012， 33（14）： 4434-4457.

[8]吳煒，沈占鋒，吳田軍，等.聯(lián)合概率密度空間的遙感自適應(yīng)變化檢測(cè)方法[J].測(cè)繪學(xué)報(bào)，2016，45（01）：73-79.

[9]BLASCHKE T. A framework for change detection based on image objects[M]. 2005.

[10]CARDILLE J A， FORTIN J A. Bayesian updating of land-cover estimates in a data-rich environment[J]. Remote Sensing of Environment， 2016， 186： 234-249.

[11]YU W， ZHOU W， QIAN Y， et al. A new approach for land cover classification and change analysis： Integrating backdating and an object-based method[J]. Remote Sensing of Environment， 2016， 177： 37-47.

[12]LIU Y， BIAN L， MENG Y， et al. Discrepancy measures for selecting optimal combination of parameter values in object-based image analysis[J]. ISPRS Journal of Photogrammetry and Remote Sensing， 2012， 68： 144-156.

[13]FRANZIUS M， WILBERT N， WISKOTT L. Invariant Object Recognition with Slow Feature Analysis[M]. 2008： 961-970.

[14]ZHANG Z， TAO D. Slow feature analysis for human action recognition[J]. IEEE Trans Pattern Anal Mach Intell， 2012， 34（3）： 436-450.

[15]WU C， DU B， CUI X， et al. A post-classification change detection method based on iterative slow feature analysis and Bayesian soft fusion[J]. Remote Sensing of Environment， 2017， 199： 241-255.