黃金浪，毛羽豐

(南京市測(cè)繪勘察研究院股份有限公司，江蘇 南京 210019)

0 引 言

地理國(guó)情監(jiān)測(cè)是全面獲取地理國(guó)情信息的重要手段，是掌握地表自然、生態(tài)以及人類(lèi)活動(dòng)基本情況的基礎(chǔ)工作。以每年6月30日為時(shí)點(diǎn)，主要監(jiān)測(cè)地表覆蓋變化，直觀反映水草豐茂期地表各類(lèi)自然資源的變化情況。目前地理國(guó)情監(jiān)測(cè)作為一項(xiàng)自然資源專(zhuān)題監(jiān)測(cè)，已經(jīng)納入自然資源調(diào)查監(jiān)測(cè)體系。開(kāi)展常態(tài)化地理國(guó)情監(jiān)測(cè)，持續(xù)、全面掌握權(quán)威、客觀、準(zhǔn)確、動(dòng)態(tài)的地理國(guó)情信息，確保地理國(guó)情數(shù)據(jù)的現(xiàn)勢(shì)性，是當(dāng)前社會(huì)十分迫切的需求。傳統(tǒng)的地理國(guó)情監(jiān)測(cè)方法通過(guò)人工目視判讀提取變化區(qū)域，內(nèi)業(yè)工作量大，工作效率低，限制了地理國(guó)情數(shù)據(jù)更新周期的縮短。如何快速、準(zhǔn)確獲取地表變化信息已經(jīng)成為地理國(guó)情監(jiān)測(cè)的研究熱點(diǎn)。

基于像素級(jí)的變化檢測(cè)技術(shù)在高分辨率遙感影像變化檢測(cè)時(shí)具有局限性，面向?qū)ο蟮淖兓瘷z測(cè)方法在實(shí)際生產(chǎn)中應(yīng)用更加廣泛。即利用具有光譜、空間以及幾何同質(zhì)性的像元簇(即影像對(duì)象)取代單個(gè)像元作為基本處理單元[1-2]，使得影像對(duì)象多維特征得到有效利用[3-4]。采用面向?qū)ο蟮倪b感影像處理思想，可以利用影像對(duì)象的光譜特征、紋理特征、幾何特征、空間關(guān)系特征，有效地發(fā)揮高分辨率遙感影像的優(yōu)勢(shì)[5-9]，為小尺度地物的識(shí)別與變化分析提供了有利條件[10-11]。Im等人將面向?qū)ο笏枷胍敫叻直媛蔬b感影像變化檢測(cè)[12]，Chen等人以基于像元變化檢測(cè)的定義為基礎(chǔ)，對(duì)面向?qū)ο蟮淖兓瘷z測(cè)方法做出了定義，即采用面向?qū)ο蟮挠跋裉幚砑夹g(shù)獲得不同時(shí)相遙感影像地物差異的過(guò)程[13]。

面向?qū)ο蟮淖兓瘷z測(cè)方法關(guān)鍵在于分割，但僅僅依靠影像分割獲取變化信息，其方式單一，且依賴(lài)影像分割算法的精度，檢測(cè)結(jié)果往往存在較多的誤判。由于地理國(guó)情監(jiān)測(cè)階段，提供數(shù)據(jù)源包含前期地表覆蓋矢量數(shù)據(jù)與多時(shí)相遙感影像，因此可利用地表覆蓋矢量數(shù)據(jù)作為先驗(yàn)知識(shí)，結(jié)合面向?qū)ο蟮倪b感影像分析技術(shù)，進(jìn)行變化檢測(cè)。

1 變化檢測(cè)方法

本文采用的技術(shù)路線具體如下：首先，對(duì)兩個(gè)時(shí)相的高分辨率遙感影像進(jìn)行預(yù)處理，包括輻射定標(biāo)、大氣校正、正射校正、圖像融合、多時(shí)相遙感影像配準(zhǔn)以及相對(duì)輻射校正等；其次，對(duì)遙感影像進(jìn)行分割處理，然后，采用多特征融合的面向?qū)ο笞兓瘷z測(cè)方法自動(dòng)提取變化對(duì)象；最后，輸出變化檢測(cè)結(jié)果并進(jìn)行精度驗(yàn)證。技術(shù)路線如圖1所示。

圖1 技術(shù)路線

1.1 面向?qū)ο蟮牡乇砀采w變化檢測(cè)

對(duì)高分辨率遙感影像進(jìn)行分割，將分割獲得的影像對(duì)象作為變化檢測(cè)的基本處理單位，有利于提取和利用影像的多維特征。影像分割方法有2種：① 基于地理國(guó)情矢量數(shù)據(jù)進(jìn)行影像分割；② 采用多尺度分割方法進(jìn)行影像分割，即分形網(wǎng)絡(luò)演化方法(fractal net evolution approach，F(xiàn)NEA)[1]。本文中對(duì)前一時(shí)相影像使用當(dāng)年的地理國(guó)情監(jiān)測(cè)地表覆蓋矢量數(shù)據(jù)與多尺度分割方法進(jìn)行分割，而對(duì)后時(shí)相影像單獨(dú)利用多尺度分割方法進(jìn)行分割。如圖2所示。

圖2 影像(分割尺度：100)

分割尺度需要根據(jù)使用的遙感數(shù)據(jù)進(jìn)行試驗(yàn)來(lái)確定，即選擇一塊小范圍區(qū)域，分別用不同的分割尺度來(lái)分割，根據(jù)分割后的效果確定參數(shù)，主要與影像分辨率有關(guān)，其原則是能夠?qū)⒌湫偷匚?如房屋、水體、植被)完整分割出來(lái)。尺度過(guò)小會(huì)導(dǎo)致圖斑過(guò)于碎裂，從而導(dǎo)致后續(xù)處理效率的下降；此外，若同一地物被分裂為很多塊，將不能完整反映這類(lèi)地物的光譜、紋理、幾何等特征，失去了面向?qū)ο蠓治龅囊饬x。尺度過(guò)大則更不可取，其會(huì)將不同的地物分割在一個(gè)圖斑內(nèi)，無(wú)法達(dá)到面向?qū)ο蠓治龅男Ч?duì)于相同傳感器、相同分辨率、相鄰拍攝時(shí)間的影像可采用統(tǒng)一的分割尺度經(jīng)驗(yàn)值來(lái)進(jìn)行分割，以達(dá)到統(tǒng)一的分割效果。

1.2 影像特征變化向量提取

提取多源遙感影像數(shù)據(jù)的多種特征進(jìn)行變化檢測(cè)，能夠有效提高變化檢測(cè)精度，本文主要采用了強(qiáng)度、紋理兩類(lèi)特征。

1.2.1 強(qiáng)度特征

圖像的強(qiáng)度特征是圖像最直接的特征。遙感圖像是基于像素排列組合構(gòu)成的，每一個(gè)像素具有相應(yīng)的灰度值，灰度值受到成像條件以及目標(biāo)地物的影響。強(qiáng)度特征具有易于理解、直觀的特點(diǎn)，通過(guò)統(tǒng)計(jì)不同波段的灰度值可以在影像上解譯出不同地物。

1.2.2 紋理特征

紋理特征描述了目標(biāo)地物在灰度圖像上的空間特征。像素按照一定的規(guī)則重復(fù)排列形成紋理，紋理具有方向性、周期性和隨機(jī)性的特點(diǎn)。灰度共生矩陣(grey level co-occurrence matrix, GLCM)是一種常用且有效的紋理描述方法，具有很強(qiáng)的魯棒性，基本原理是計(jì)算局部窗口領(lǐng)域內(nèi)不同像元的灰度相關(guān)性。一般情況下，不直接用灰度共生矩陣表示紋理圖像，而是通過(guò)統(tǒng)計(jì)的方法得到紋理特征，文本選取的是同質(zhì)度(Homogeneity)、角二階矩(Angular Second Moment)兩種特征。

1.2.3 特征差異向量

通過(guò)對(duì)時(shí)相t1與時(shí)相t2的特征影像進(jìn)行差值計(jì)算，可以得到特征差異向量，設(shè)時(shí)相t1中第n波段的某一特征影像為fn(t1)，時(shí)相t2中第n波段的同一特征影像為fn(t2)，則可以得到該特征的差異向量：

(1)

此特征的變化強(qiáng)度可以用歐氏距離||D||表示，即兩期遙感影像的差異圖，每一類(lèi)特征都能生成一副差異圖，如圖3所示，代表兩期影像的變化程度。

圖3 特征差異圖

2 試驗(yàn)及分析

本實(shí)驗(yàn)數(shù)據(jù)為某地區(qū)2019年、2020年同一季節(jié)的北京二號(hào)高分辨率衛(wèi)星影像，2019年影像僅有紅、綠、藍(lán)3個(gè)波段，2020年影像有近紅外、紅、綠、藍(lán)四個(gè)波段。影像大小為14 606像素×8 729像素，分辨率為0.8 m。使用的矢量數(shù)據(jù)為相同區(qū)域2019年地表覆蓋矢量數(shù)據(jù)。試驗(yàn)區(qū)包含種植土地、林草地、道路、河流水面、房屋建筑區(qū)、構(gòu)筑物、人工堆掘地等多種地類(lèi)。

2.1 預(yù)處理

先對(duì)兩期的原始光學(xué)影像分別進(jìn)行輻射校正，再基于DEM進(jìn)行正射幾何校正。由于研究區(qū)跨過(guò)了不同景的圖像，因此先進(jìn)行粗配準(zhǔn)、幾何精糾正、圖像拼接和粗裁剪，然后對(duì)兩期圖像進(jìn)行匹配，并根據(jù)研究區(qū)范圍對(duì)配準(zhǔn)后的兩期數(shù)據(jù)進(jìn)行裁剪，最后對(duì)兩幅影像進(jìn)行相對(duì)輻射校正。

2.2 變化圖斑提取

利用面向?qū)ο蟮淖兓瘷z測(cè)方法對(duì)經(jīng)過(guò)預(yù)處理的影像進(jìn)行處理，包括影像分割、特征提取、差異圖生成、閾值分類(lèi)等步驟，提取變化圖斑。自動(dòng)閾值效果往往都不理想，本文通過(guò)目視解譯判斷效果，對(duì)強(qiáng)度差異圖和紋理差異圖分別人工設(shè)置一個(gè)合理的閾值，變化強(qiáng)度大于閾值的為變化區(qū)域，小于閾值的為非變化區(qū)域，并合并兩類(lèi)特征差異的提取結(jié)果，如圖4所示。

圖4 變化圖斑

2.3 結(jié)果統(tǒng)計(jì)與分析

將兩套結(jié)果進(jìn)行合并如圖5所示，將合并后的變化圖斑與人工勾勒的參考標(biāo)準(zhǔn)圖斑進(jìn)行對(duì)比。

圖5 結(jié)果對(duì)比

將本文方法的變化檢測(cè)結(jié)果與參考標(biāo)準(zhǔn)變化圖比較，進(jìn)行精度評(píng)定。經(jīng)過(guò)統(tǒng)計(jì)，試驗(yàn)區(qū)共檢測(cè)出變化圖斑1 918個(gè)，漏檢圖斑56個(gè)，漏檢率為2.92%，虛檢圖斑295個(gè)，虛檢率為15.38%。

試驗(yàn)結(jié)果表明本方法實(shí)現(xiàn)了變化圖斑的自動(dòng)提取，取得較好的效果，但依然存在部分漏檢和虛檢。主要有以下原因：

(1)光照導(dǎo)致的變化

不同時(shí)期的影像成像條件存在差異，從而產(chǎn)生圖像輻射值變化，進(jìn)而影響變化檢測(cè)的結(jié)果，產(chǎn)生偽變化，如圖6所示。

圖6 光照原因造成的虛檢

(2)影像質(zhì)量或植被種植造成的影像變化

由于影像質(zhì)量、植被種植等多種因素的影響，不同植被地類(lèi)在影像中會(huì)存在異譜同物(圖7)或同譜異物(圖8-圖9)現(xiàn)象。使得未發(fā)生變化的地類(lèi)被識(shí)別為變化區(qū)，或已發(fā)生變化的區(qū)域因紋理、光譜接近而未被識(shí)別。這種植被種植或覆蓋度造成的影像變化不能僅僅依靠紋理特征來(lái)確定，需要結(jié)合實(shí)際情況考慮，進(jìn)行人工判斷。

圖7 植被覆蓋度不同導(dǎo)致的變化

圖8 2019年不同類(lèi)型植被影像特征差異明顯

圖9 2020年不同類(lèi)型植被影像特征基本一致

3 結(jié) 語(yǔ)

本文利用兩張不同時(shí)相的高分辨率光學(xué)影像對(duì)地表覆蓋變化情況進(jìn)行了檢測(cè)，實(shí)現(xiàn)了變化圖斑的自動(dòng)提取。實(shí)驗(yàn)過(guò)程中我們發(fā)現(xiàn)：① 本文檢測(cè)方法無(wú)須大量樣本訓(xùn)練模型，僅基于影像光譜和紋理特征進(jìn)行自動(dòng)解譯，提取變化信息，自動(dòng)化程度更高。但對(duì)不同影像進(jìn)行變化檢測(cè)很可能會(huì)得到不同精度的結(jié)果，這就需要大量實(shí)驗(yàn)來(lái)找到適應(yīng)能力強(qiáng)的最優(yōu)方法，對(duì)作業(yè)員經(jīng)驗(yàn)要求較高。② 近紅外波段非常重要，可以彌補(bǔ)基于真彩色灰度、紋理特征識(shí)別地物的不足。③ 植被的變化檢測(cè)是地理國(guó)情監(jiān)測(cè)的一個(gè)難點(diǎn)，本文檢測(cè)方法目前很難做到各類(lèi)植被之間變化信息的有效識(shí)別。本文研究的檢測(cè)方法為地理國(guó)情監(jiān)測(cè)變化信息識(shí)別提供了一種快速檢測(cè)的方法，但也存在不足，即植被變化識(shí)別的質(zhì)量不高。因此，本變化檢測(cè)方法可用于檢查人工解譯的錯(cuò)漏，不能完全代替人工判讀解譯。