王 凱

(中國鐵路設(shè)計(jì)集團(tuán)有限公司，天津 300251)

隨著我國高鐵建設(shè)的快速發(fā)展，高鐵里程和覆蓋范圍不斷增加，預(yù)計(jì)到2020年，我國高鐵的總里程將超過3萬公里。高速鐵路這種高速交通運(yùn)輸方式在惠及千家萬戶的同時(shí)，其運(yùn)營安全也引起了社會(huì)的高度關(guān)注。如何有效監(jiān)測高鐵沿線環(huán)境并快速提取其環(huán)境的變化情況，成為國內(nèi)眾多學(xué)者新的研究方向。

高速鐵路時(shí)速高，對運(yùn)營環(huán)境要求比較苛刻。在極端惡劣天氣(颶風(fēng)、臺風(fēng)、強(qiáng)降雨、冰雹等)下，鐵路周圍不穩(wěn)定的建筑體，如彩鋼瓦、農(nóng)作物大棚、高聳的電塔、線桿、深挖的取土坑、密集堆積的貨場等，都可能對高鐵的運(yùn)行造成嚴(yán)重威脅，輕則造成高速列車緊急停車，重則造成重大安全事故。因此，密切關(guān)注高鐵沿線運(yùn)營環(huán)境的變化，隨時(shí)掌握高鐵沿線風(fēng)險(xiǎn)源的分布與位置對高鐵運(yùn)營安全至關(guān)重要。現(xiàn)行高鐵沿線變化監(jiān)測的方式主要為人工巡視，該方法受人視野和作業(yè)環(huán)境等因素的限制，作業(yè)效率低下，精度也難以保證，無法滿足作業(yè)任務(wù)的需求。遙感技術(shù)具有大尺度、多時(shí)相等特點(diǎn)，使用遙感數(shù)據(jù)可以快速獲取大區(qū)域空間信息。隨著我國高分衛(wèi)星數(shù)據(jù)平臺的研發(fā)和應(yīng)用，遙感數(shù)據(jù)的空間分辨率得到了顯著的提高，

通過高分?jǐn)?shù)據(jù)平臺可以獲取地表米級、亞米級的遙感影像數(shù)據(jù)。以下采用1A級高分二號遙感影像數(shù)據(jù)作為數(shù)據(jù)源(空間分辨率為1 m)，對京津城際高速鐵路天津市武清段的環(huán)境變化進(jìn)行研究。

遙感變化監(jiān)測的主要方法有:影像直接比較法、分類后比較法和直接分類法三種[1]。直接比較法使用配準(zhǔn)的兩個(gè)時(shí)相單波段遙感影像直接進(jìn)行比較(結(jié)果為比值或差值)，得到地表變化信息的分布圖像，如黃閱智等使用DEM數(shù)據(jù)差值對冰川的變化情況進(jìn)行研究[2]。Khalsa S J S應(yīng)用比值法進(jìn)行了地表變化的監(jiān)測工作[3]。無論是比值法還是差值法都易受地表其他因素的干擾，且只能利用單個(gè)特征圖層的信息，精度較低。分類后比較法使用配準(zhǔn)前后時(shí)相的遙感影像分別進(jìn)行分類，然后將分類后的矢量數(shù)據(jù)進(jìn)行空間疊加，得出地表變化分布，如趙恒謙等利用ETM+和Sentinel-2A數(shù)據(jù)對北京通州土地利用和生態(tài)環(huán)境變化進(jìn)行了監(jiān)測和分析[4]，王琎等基于Landsat等數(shù)據(jù)源，采用最大似然和面向?qū)ο蟮姆诸惙椒?，對珠口地區(qū)的土地利用情況進(jìn)行提取，得到了該區(qū)域的空間格局變化趨勢[5]。分類后比較法過程較為繁瑣，需要對兩個(gè)時(shí)相的地物進(jìn)行分類，提取精度取決于分類的精度，通常情況下，無法避免因分類細(xì)節(jié)差異而產(chǎn)生的噪聲，其結(jié)果多用于類別變化的統(tǒng)計(jì)分析。直接分類法將前后兩個(gè)時(shí)相的信息進(jìn)行配準(zhǔn)和疊加，綜合利用疊加的影像波段組進(jìn)行變化特征提取，并利用變化特征圖像直接進(jìn)行變化區(qū)域、未變化區(qū)域的分類。直接分類法具有噪聲少、提取精度高、分類簡便等優(yōu)勢，如于珊珊等利用差值法獲取變化特征，在大連等地使用面向像元的直接分類法進(jìn)行提取實(shí)驗(yàn)(kappa系數(shù)達(dá)85%)，取得了較好的提取效果[6]。圖像直接比較法、分類后比較法和直接分類法均基于像元單位進(jìn)行數(shù)據(jù)操作，對中低分辨率遙感影像較為適用，對于高分率遙感影像，容易產(chǎn)生“椒鹽噪聲”現(xiàn)象，使得提取效率下降[8]。

根據(jù)以往研究情況，采用面向?qū)ο笾苯臃诸惙椒ㄖ械淖钚≡肼暦蛛x算法(MNF)，綜合利用兩個(gè)時(shí)相的多個(gè)波段信息提取變化特征，基于SLIC超像素分割算法將像素單元轉(zhuǎn)化為地物對象單元，有效避免了“椒鹽噪聲”的出現(xiàn)。

1 多時(shí)相遙感圖像配準(zhǔn)

圖像配準(zhǔn)又稱圖像匹配，是將不同傳感器、不同時(shí)間或不同視角拍攝圖像中的同名地物點(diǎn)匹配到相同的目標(biāo)坐標(biāo)下。圖像自動(dòng)匹配方法可分為灰度匹配、特征匹配及變換域匹配。通常情況下，灰度匹配計(jì)算量大，計(jì)算速度慢，易受外界光線環(huán)境變化影響。特征匹配具有計(jì)算量小、匹配效果好等特點(diǎn)。特征匹配又可分為基于點(diǎn)和線的匹配，角點(diǎn)的提取要好于線段的檢測(這是由于光圈問題決定的)，通過一個(gè)點(diǎn)觀測一條直線，只有垂直于線段的時(shí)候才能觀測到，而角點(diǎn)的觀測則不受角度的限制[9]。角點(diǎn)為圖像領(lǐng)域內(nèi)各個(gè)方向上灰度變化的局部最大值。角點(diǎn)檢測有多種算法，使用較多的為Moravec、Harris和Forstner算法等。其中，F(xiàn)orstner算法運(yùn)算速度較快，精度較高，在圖像匹配領(lǐng)域得到廣泛的應(yīng)用[10]。其算法的主體思想為：逐像元計(jì)算Robert梯度以及以該像元為中心的滑動(dòng)窗口內(nèi)的灰度協(xié)方差矩陣，并以此為依據(jù)選取特征點(diǎn)。

本研究以Forstner算法為基礎(chǔ)進(jìn)行影像匹配。首先構(gòu)建匹配圖像與被匹配圖像的影像金字塔，分別利用Forstner算法提取最粗尺度上金字塔圖層中的特征角點(diǎn)，對特征點(diǎn)進(jìn)行相似性度量得到匹配特征點(diǎn)，之后進(jìn)入更為精細(xì)的下一層金字塔圖層匹配。利用最終匹配特征點(diǎn)作為兩景影像的連接點(diǎn)，具體步驟為：首先逐層計(jì)算各個(gè)像元的Robert梯度(見圖1)，有

fx=f(x+1，y+1)-f(x，y)

(1)

fx=f(x+1，y)-f(x，y+1)

(2)

f(x,y)f(x,y+1)f(x+1,y)f(x+1,y+1)

圖1 Robert算子鄰域

①逐像元計(jì)算滑動(dòng)窗口內(nèi)灰度協(xié)方差矩陣

(3)

其中dx，dy分別為x方向和y方向的微分。

②計(jì)算確定角點(diǎn)的特征值

(4)

(5)

其中trN為協(xié)方差矩陣的跡，設(shè)定閾值TW、TU，遍歷圖像，獲取同時(shí)滿足W>TW和U>TU的像元點(diǎn)。

③設(shè)定窗口的大小，以最大特征值點(diǎn)作為特征角點(diǎn)，選擇特定的滑動(dòng)窗口，利用馬氏距離進(jìn)行圖層間特征角點(diǎn)的相似性度量，選擇相似性最高的點(diǎn)對作為連接點(diǎn)，進(jìn)入下一級金字塔繼續(xù)進(jìn)行匹配。對最終匹配連接點(diǎn)的誤差進(jìn)行估算，去除誤差較大的連接點(diǎn)，(見圖2)。使用研究區(qū)遙感影像進(jìn)行配準(zhǔn)，得到配準(zhǔn)后的影像數(shù)據(jù)，其影像配準(zhǔn)前后的對比效果見圖3。由圖2、圖3可知，房屋等具有明顯角點(diǎn)的區(qū)域得到了較為精準(zhǔn)的匹配，道路等線狀地物角點(diǎn)特征不是十分明顯，其匹配效果亦較建筑地物差，但總體上得到較大改善。本次實(shí)驗(yàn)生成280組匹配點(diǎn)，圖像匹配總體均方根誤差(RMS)為0.31個(gè)像元，符合變化檢測要求。

圖2 連接點(diǎn)提取

圖3 影像配準(zhǔn)前后對比

2 基于最小噪聲分離變換的地表變化特征提取

最小噪聲分離變換(MNF)本質(zhì)上是兩次層疊的主成分變換，第一步變換用于分離和調(diào)節(jié)噪聲波段數(shù)據(jù)間的相關(guān)性，使得噪聲的方差最小[11]。第二次變換的目的是對噪聲白化數(shù)據(jù)作進(jìn)一步處理，通過特征值判斷數(shù)據(jù)的內(nèi)在維度。最終，數(shù)據(jù)被劃分為兩大部分：第一部分是與最大特征值相關(guān)的特征圖層，其物理意義為圖像中的主要信息；第二部分為相近特征值對應(yīng)波段和噪聲占主體的波段圖層。對兩個(gè)時(shí)相遙感影像圖層組進(jìn)行最小噪聲分離，其圖層最大特征波段為影像的主要信息，即未發(fā)生變化的空間主體地物信息，而變化部分的波譜信息不一致，表現(xiàn)出噪聲的特征。因此，不同時(shí)相間空間變化信息在噪聲圖層表現(xiàn)出較為明顯的特征。將精確配準(zhǔn)后的2015年和2017年的遙感影像(見圖4)進(jìn)行空間疊加并進(jìn)行最小噪聲分離，得到8個(gè)變換后圖層(見圖5)。

圖4 研究區(qū)遙感影像

由圖5可知，主要地物信息(如建筑、水體、道路等)在前4個(gè)特征圖像上得到了清晰的體現(xiàn)，而噪聲信息在后4個(gè)特征波段較為明顯。通過對比觀測前后兩個(gè)時(shí)相的變化區(qū)域，其變化特征在MNF6中有明顯的體現(xiàn)，故選擇MNF6圖層作為區(qū)域變化信息提取的特征圖層(以下稱之為變化特征圖層)。對變化特征圖層進(jìn)行9鄰域窗口中值濾波處理，去除圖像異常值單點(diǎn)噪聲的影響。

3 SLIC超像素分割與閾值法變化區(qū)域提取

SLIC算法可將RGB顏色空間圖像轉(zhuǎn)化為CIELAB空間和笛卡爾坐標(biāo)系下的特征向量，然后利用多維特征向量進(jìn)行特征距離計(jì)算，以距離為依據(jù)進(jìn)行像元局部聚類[12]。SLIC算法具有運(yùn)算速度較快、對地物的輪廓保持較好等特點(diǎn)[13]。以2015年、2017年基礎(chǔ)遙感影像圖層為數(shù)據(jù)源，利用SLIC超像素分割算法進(jìn)行圖像分割、地物邊界線提取，將圖像的像素單元轉(zhuǎn)化為地物對象單元，并根據(jù)光譜的相似度對分割結(jié)果進(jìn)行融合。

以分割對象為統(tǒng)計(jì)單元，分別對變化特征圖層進(jìn)行分區(qū)均值和標(biāo)準(zhǔn)差統(tǒng)計(jì)，得到對象級別的變化特征值。分別選取50個(gè)變化區(qū)域和非變化區(qū)域的對象并對其變化特征圖層的均值和標(biāo)準(zhǔn)差進(jìn)行統(tǒng)計(jì)，得到其均值和標(biāo)準(zhǔn)差的區(qū)間范圍(見表1)。

表1 樣本變化特征圖層統(tǒng)計(jì)

由表1可知，變化區(qū)域在特征圖層上的取值均為負(fù)值，未變化區(qū)域主體上為正值，部分區(qū)域受植被、水體狀態(tài)等因素影響出現(xiàn)負(fù)值。變化區(qū)域特征值標(biāo)準(zhǔn)差較小，未變化區(qū)域較大。以變化區(qū)域的均值和標(biāo)準(zhǔn)差為依據(jù)設(shè)置分類閾值，其分類的規(guī)則見表2。

表2 分類閾值

其中，F(xiàn)eature_value為變化特征圖層的特征值，changemax、changestdev分別為變化區(qū)域的最大值和標(biāo)準(zhǔn)差，unchangemin和unchangestdev為未變化區(qū)域的最小值和標(biāo)準(zhǔn)差。應(yīng)用該閾值進(jìn)行特征圖層分類，將圖層區(qū)域分為變化區(qū)域、未變化區(qū)域和混淆區(qū)域?；?015年、2017年遙感影像，分別計(jì)算兩個(gè)時(shí)相下的歸一化植被指數(shù)(NDVI)、歸一化水體指數(shù)(NDWI)和亮度值(bright)，并以此為特征選擇樣本，使用決策樹分類器，對混淆域進(jìn)行二次分類，最終將區(qū)域劃分為變化和未變化兩類[14]。新增的彩鋼瓦房(見圖6(a)、(b)、(e)、(f))以及拆除的房屋(見圖6(c)、(d))、樓房建筑(見圖6(g)、(h))得到較明顯的識別。受數(shù)據(jù)獲取時(shí)相、拍攝角度等影響，高聳建筑和房屋陰影無法做到完全的配準(zhǔn)，導(dǎo)致部分區(qū)域存在錯(cuò)分的現(xiàn)象[15]。以變化區(qū)域和非變化區(qū)域?yàn)槟繕?biāo)區(qū)域，在兩個(gè)目標(biāo)區(qū)域分別隨機(jī)生成100個(gè)檢驗(yàn)點(diǎn)，通過目視疊加分析的方式對變化監(jiān)測精度進(jìn)行檢驗(yàn)，統(tǒng)計(jì)得到混淆矩陣(見表3)。由表3可知，變化監(jiān)測的總體精度為91%，錯(cuò)分率為4%，漏分率為5%。

圖6 變換區(qū)域?qū)Ρ?/p>

表3 誤差混淆矩陣

4 結(jié)論

(1)使用最小噪聲分離算法，其變換后的變化特

征圖層在變化區(qū)域表現(xiàn)為負(fù)值，未變化區(qū)域表現(xiàn)為正值，值域特征明顯。

(2)高聳的建筑、水體、植被在不同時(shí)相下的狀態(tài)及房屋的陰影是影響遙感變化監(jiān)測的主要誤差來源。

(3)利用超像素分割算法、閾值分類法，有效抑制了單像素提取所產(chǎn)生的“椒鹽噪聲”異常，同時(shí)使變化區(qū)域界限更加合理和精準(zhǔn)。