盧昭羿，左小清，黃 亮，劉 靜

面向?qū)ο蟮耐队盎シ指畹缆纷兓瘷z測

盧昭羿，左小清，黃 亮，劉 靜

(昆明理工大學國土資源工程學院，昆明 650093)

通過實驗提出了面向?qū)ο蟮耐队盎シ指畛鞘械缆纷兓瘷z測方法。選用不同時相的QuickBird圖像，根據(jù)地物影像的光譜、形狀及紋理等特征進行多尺度分割和層次分類，提取城市道路目標;建立檢測層，將不同時相的圖像分類結(jié)果投影到檢測層的相應(yīng)對象層上，并進行互分割，通過判斷某一位置地物類別的一致性，實現(xiàn)道路變化檢測的目的。實驗表明，面向?qū)ο蟮耐队盎シ指畹缆纷兓瘷z測能得到較好的檢測效果。

面向?qū)ο?投影互分割;道路變化檢測;多尺度分割;遙感

0 引言

遙感圖像的變化檢測就是識別和分析不同時相遙感圖像中目標物發(fā)生的變化，包括判斷目標物是否發(fā)生變化、確定變化的區(qū)域和類型、評價變化的時間和空間分布模式等，是空間數(shù)據(jù)更新的關(guān)鍵環(huán)節(jié)。道路數(shù)據(jù)的更新是空間數(shù)據(jù)更新的重要組成部分之一，道路變化檢測能夠形象直觀地展現(xiàn)道路更新情況，因此成為研究的熱點。

各國學者已采用不同的方法對道路變化檢測進行研究。Klang D［1］使用統(tǒng)計學方法對已存在道路網(wǎng)進行線性跟蹤，實現(xiàn)了對新增道路的檢測;董明［2］提出了自動賦初值的LSB－Snake模型，輔以緩沖區(qū)約束規(guī)則和以角度、長度為約束條件的知識判斷邏輯對道路變化狀況進行自動檢測，得到道路網(wǎng)的變化信息和提取了新增道路;Zhang Q P等［3］提出了先小波方法進行道路提取、再圖像融合完成變化檢測的方法;唐爐亮［4］利用線狀地物相似性對道路變化進行了檢測。現(xiàn)有道路變化檢測的研究大多是在像素級或特征級的基礎(chǔ)上進行，受噪聲影響較大，多數(shù)只利用了遙感圖像的灰度信息，而沒有充分利用高分辨率遙感圖像所包含的豐富的影像信息;并且不能確定變化類型［5－9］。面向?qū)ο蠓椒ǖ幕痉治鰡卧墙?jīng)過分割、具有相同均質(zhì)單元的對象，能有效地利用地物的光譜特征、形狀特征和空間信息等。由于其獨特的優(yōu)勢，面向?qū)ο蠓椒ū粡V泛應(yīng)用，但采用面向?qū)ο蟮姆椒ㄟM行道路變化檢測的研究還鮮見報道。

為了充分利用高分辨率遙感圖像中地物的光譜特征以及對象之間的語義、形狀和紋理等特征，本文采用面向?qū)ο蟮姆椒▽Τ鞘械缆纷兓M行檢測，提出了基于投影互分割技術(shù)的城市道路變化檢測方法。根據(jù)不同地物的相應(yīng)特征，對經(jīng)過融合、配準的不同時相的遙感圖像，以不同尺度進行圖像分割;在不同對象層次上提取感興趣對象并進行層次分類，分別檢測、提取出不同時相圖像中的城市道路;最后建立檢測層，進行不同時相圖像在檢測層的各對象層上投影后的互分割操作，判斷相應(yīng)位置地物類別的一致性，從而達到道路變化檢測的目的。

1 研究方法

城市道路投影互分割變化檢測是在面向?qū)ο蠓指詈头诸惖幕A(chǔ)上進行的，即通過面向?qū)ο蟮亩喑叨确指詈蛯哟畏诸惖玫讲煌瑫r相圖像各自的地物信息，檢測和提取圖像中的道路信息;然后將不同時相圖像的分類結(jié)果投影到中間層(即檢測層)的不同對象層上，將2個對象層的分類結(jié)果進行互分割，即利用各對象層的邏輯投影距離判斷2個對象層上相應(yīng)位置地物類別的一致性，從而得到道路變化檢測結(jié)果。投影互分割變化檢測方法將沒有相互關(guān)系的不同圖層上的圖像分類結(jié)果通過投影轉(zhuǎn)換到同一圖層的不同對象層上，利用同一圖層不同對象層之間的空間位置關(guān)系進行投影結(jié)果的互分割操作，完成道路變化檢測，是一種簡單有效的方法。

利用投影互分割道路變化檢測方法進行城市道路變化檢測的技術(shù)流程如圖1所示。

圖1 技術(shù)流程圖Fig.1 Technical flow chart

2 道路檢測與提取

在多種類型的高分辨率遙感圖像中，多光譜圖像具有豐富的光譜信息，全色圖像具有較高的空間分辨率，為了得到具有豐富光譜信息的高分辨率圖像，本文對覆蓋范圍一致的2009年和2010年獲取的QuickBird圖像進行預(yù)處理，包括幾何糾正、空間配準和圖像融合［10］。

不同時相圖像中的地類及相應(yīng)空間關(guān)系都發(fā)生了改變，要對它們分類，就要在互不關(guān)聯(lián)的不同圖層上分別進行。首先建立“2009前時相層”和“2010后時相層”，然后在各圖層上分別進行多尺度分割分類［11］，分別檢測和提取城市道路，以用于變化檢測。

2.1 多尺度分割

區(qū)別于以往的單個像元，多尺度分割的基本分析單元是對象。對象是指光譜、形狀或紋理等特征相同的均質(zhì)單元(即由含有更多語義信息的多個相鄰?fù)|(zhì)像元組成)。多尺度分割是在不同尺度下進行圖像分割，通過向上分割或向下合并，得到不同級別的均質(zhì)區(qū)域的對象。

多尺度分割使得相同空間分辨率的圖像信息不再只是由一種尺度表示，而是由多種適宜的尺度描述。在不同對象層以不同尺度提取不同屬性的類別信息有助于解決所識別圖像中地物的“同譜異物”問題。對不同的地理實體采用不同的分割尺度可以避免尺寸過小將地物分割得過于細碎或者尺寸過大出現(xiàn)不同地類混分的現(xiàn)象。恰當?shù)姆指畛叨仁侵敢赃@種尺度分割得到的多邊形能以一個或多個對象表示感興趣的地物，既不會過于細碎，又能清楚地顯示不同地類的邊界。

考慮到圖像中陰影等地物的尺寸較小、道路等地物的尺寸較大，為了得到合理的分割效果，本文分別采用20和70作為分割尺度在eCognition8.0中進行多尺度分割(部分區(qū)域的分割效果如圖2所示)。

圖2 多尺度分割圖Fig.2 Multi－ scale segmentation

從圖2可以看出，采用20為分割尺度時，地物及其對應(yīng)陰影能被很好地分割，但是道路被分割的過于細碎;采用70為分割尺度時，出現(xiàn)建筑物與周圍裸地混分，但是道路被完整地分割。2種分割尺度構(gòu)成了具有拓撲關(guān)系的網(wǎng)絡(luò)層次對象層，這樣有利于根據(jù)地物特征在不同分割尺度下進行層次分類。

2.2 層次分類

多尺度分割得到對象層次網(wǎng)絡(luò)體系后，如何檢測和提取各個地物目標是分類的關(guān)鍵。用合適的特征描述各個地物目標，并構(gòu)建多特征集合的語義知識庫結(jié)構(gòu)，使每個對象明確各自的背景并與其他地物區(qū)分開來，進而實現(xiàn)地物的逐級層次分類和目標地物的提取。

對各地物的特征分析如下:①圖像中的植被可用歸一化植被指數(shù)描述［12－13］。歸一化植被指數(shù)(NDVI)由近紅外波段(NIR)和紅波段(R)共同定義，反映植物光合作用的能力，其表達式為

②陰影和水體在近紅外波段具有相似的亮度值并區(qū)別于其他地物［14］;③建筑物往往與其陰影相伴，具有較為規(guī)則的幾何形狀［15］;④城市道路多以水泥或瀝青為鋪面材料，具有較大的長寬比和較小的紋理密度［16－17］。

根據(jù)對各類地物的特征分析，確定逐級層次分類的方法:①進行小尺度分割后，根據(jù)歸一化植被指數(shù)將影像分為植被和非植被;②選取合適的近紅外波段范圍，將非植被類分為陰影—水系類和其他類;③進行大尺度分割，對于再次分割后的其他類，利用形狀特征及與建筑物陰影的關(guān)系區(qū)分出建筑類，利用長寬比和紋理密度特征提取道路類;④將植被、陰影等地類全部歸類為非道路類，并對道路類、非道路類分別進行類內(nèi)合并。

對分類結(jié)果進行糾錯處理，前、后時相圖像部分區(qū)域分類結(jié)果如圖3所示。對分類結(jié)果進行分析:前時相189個道路，其中11個建筑物、4個裸地;后時相253個道路，其中17個建筑物、4個裸地;精度達到91%，說明層次分類法具有較高的分類精度。

圖3 圖像分類結(jié)果Fig.3 Results of image classification

3 道路投影互分割變化檢測

對于某地理坐標范圍內(nèi)的區(qū)域，檢測出其經(jīng)過一段時間后所發(fā)生的變化是變化檢測的主要目的。對某區(qū)域進行變化檢測，先要得到該區(qū)域不同時相圖像各自的地物信息，再對它們進行比較等處理，從而得到變化結(jié)果。本文提出的城市道路投影互分割變化檢測是在面向?qū)ο蟮姆指詈头诸惖幕A(chǔ)上進行的［18－19］，即通過面向?qū)ο蟮亩喑叨确指詈蛯哟畏诸惖玫讲煌瑫r相圖像各自的地物信息，檢測和提取圖像中的道路信息;然后將不同時相圖像的分類結(jié)果投影到中間層(即檢測層)的不同對象層上，將2個對象層的分類結(jié)果進行互分割(即利用各對象層的邏輯投影距離判斷2個層相應(yīng)位置地物類別的一致性)，從而得到變化結(jié)果。

不同圖層之間是相互獨立、沒有聯(lián)系的，但同一圖層的不同對象層之間構(gòu)成了網(wǎng)絡(luò)層次結(jié)構(gòu)，可以進行互操作。前、后時相圖像的分類結(jié)果分別位于互不關(guān)聯(lián)的圖層上，為了讓這2種分類結(jié)果進行互分割，首先要將2種分類結(jié)果關(guān)聯(lián)起來?？梢酝ㄟ^建立新的圖層(即檢測層)，再將2種分類結(jié)果分別投影到檢測層的不同對象層的方法進行關(guān)聯(lián)。2個時相層與參照對象層(在此選擇2009年原始圖像作為參照對象層)的邏輯投影距離不同，則可利用投影距離進行不同時相對象層的互分割操作。根據(jù)投影距離得到投影在參照對象層上的某一區(qū)域的地物類別應(yīng)歸屬于哪一個時相，進而經(jīng)由投影分類的互分割操作判斷城市道路是否變化、如何變化以及變化的區(qū)域等。具體方法為:

1)建立檢測層，并在檢測層上建立3個對象層，分別存放2009年原始圖像(作為參照對象層)、分類后的2009前時相和2010后時相的圖像。

2)將前、后時相所在對象層與參照對象層(即2009年原始圖像)的距離分別記為d1和d2(圖4)。

圖4 對象層關(guān)系示意圖Fig.4 Relationship of object layer

對于同一區(qū)域進行投影分類的互分割操作，判斷前、后時相投影分類分別為哪種類別:若前時相為道路、后時相為非道路，則道路消失;若前時相為道路，后時相也為道路，則道路沒有變化;若前時相為非道路、后時相為道路，則后時相的道路為新增。

對2009前時相圖像和2010后時相圖像進行投影分割的變化檢測結(jié)果如圖5所示。

圖5 投影互分割變化檢測結(jié)果Fig.5 Results of change detection using projective interactive partition

對變化檢測結(jié)果進行人工目視判讀，其中實地新增道路71條，檢測到77條;實地未變化道路161條，檢測到157條;實地消失道路13條，檢測到19條。變化檢測準確度計算公式為

式中:Ac為城市道路變化檢測的準確度;Cr，Cn，Ct分別為圖像中正確檢測到的發(fā)生變化的城市道路、正確檢測到的沒有發(fā)生變化的城市道路和檢測到的城市道路的總數(shù)量。根據(jù)式(2)，本文道路變化檢測的準確度可達96%。結(jié)合實地驗證情況，分析觀測變化檢測結(jié)果，發(fā)現(xiàn)沒有出現(xiàn)變化道路未被檢測出的漏檢現(xiàn)象，出現(xiàn)了將未變化道路檢測為消失道路或新增道路的誤檢現(xiàn)象。其中誤檢現(xiàn)象主要是前、后時相圖像的配準誤差造成的;另外，高分辨率圖像提供了豐富的地物信息，同時加大了道路附近地物對道路的影響、增加了噪聲，這也是產(chǎn)生誤檢現(xiàn)象的原因之一。

4 結(jié)論

本文提出了面向?qū)ο蟮耐队盎シ指畹某鞘械缆纷兓瘷z測方法，并進行了驗證。首先對經(jīng)過預(yù)處理的不同時相的高分辨率遙感圖像進行多尺度分割和逐級層次分類檢測，然后提取城市道路，最后用投影互分割的方法進行城市道路的變化檢測。結(jié)果表明:

1)面向?qū)ο蟮耐队盎シ指畹缆纷兓瘷z測能得到較好的檢測效果。該方法能較準確、直觀地反映城市道路的變化情況，可以作為城市道路空間數(shù)據(jù)的更新與相關(guān)應(yīng)用的輔助。

2)采用面向?qū)ο蠓椒ㄌ幚斫?jīng)過融合的高分辨率遙感圖像，能充分利用光譜、紋理及空間關(guān)系等特征，從而提高變化檢測的精度。

3)圖像配準、圖像分割及目標物提取的準確度有待改進，以避免誤差累計現(xiàn)象的發(fā)生。變化檢測結(jié)果受圖像配準、圖像分割及目標物提取的準確性的影響，特別是前、后時相圖像不能嚴格配準時，會造成誤檢現(xiàn)象。

4)方法效率有待提高。高分辨率圖像雖然包含了豐富的信息，但同時數(shù)據(jù)量也極大地增加，本文方法能快速進行小區(qū)域圖像的城市道路變化檢測，但處理海量數(shù)據(jù)的速度還有待提高。

5)方法自動化程度有待提高。本文方法雖然思路清晰，但各種參數(shù)的選擇仍須人工實驗選擇;操作流程有定式但是煩瑣。下一步準備開發(fā)基于該方法的向?qū)到y(tǒng)，以輔助城市道路變化檢測的進行，提高自動化程度和效率。

［1］ Klang D.Automatic Detection of Changes in Road Databases Using Satellite Imagery［J］.GIS － between Visions and Applications，1998，32(4):293 －298.

［2］ 董 明.基于遙感影像的地圖道路網(wǎng)數(shù)據(jù)的變化檢測研究［D］.武漢:武漢大學，2005.Dong M.The Change Detection of Road Network Map Data Based on Remote Sensing Image［D］.Wuhan:Wuhan University，2005(in Chinese with English Abstract).

［3］ Zhang Q P，Couloigner I.Automatic Road Change Detection and GIS Updating from High Spatial Remotely－ sensed Imagery［J］.Geo－spatial Information Science，2004，7(2):89 －95.

［4］ 唐爐亮，楊必勝，徐開明.基于線狀圖形相似性的道路數(shù)據(jù)變化檢測［J］.武漢大學學報:信息科學版，2008，33(4):367－370.Tang L L，Yang B S，Xu K M.The Road Data Change Detection Based on Linear Shape Similarity［J］.Geomatics and Information Science of Wuhan University，2008，33(4):367－370(in Chinese with English Abstract).

［5］ 鐘家強，王潤生.一種基于線特征的道路網(wǎng)變化檢測算法［J］.遙感學報，2007，11(1):27 －32.Zhong J Q，Wang R S.A Road Network Change Detection Algorithm Based on Linear Feature［J］.Journal of Remote Sensing，2007，11(1):27－32(in Chinese with English Abstract).

［6］ 沈 澍.遙感圖像區(qū)域變化檢測方法研究［D］.安徽:中國科學技術(shù)大學，2008.Shen S.The Study on Region Change Detection of Remote Sensing Images［D］.Anhui:University of Science and Technology of China，2008(in Chinese with English Abstract).

［7］ Mancini A，F(xiàn)rontoni E，Zingaretti P.Road Change Detection from Multi－ spectral Aerial Data［C］//Proceedings of the 20th International Conference on Pattern Recognition.Washiagton，DC:IEEE，2010:448－451.

［8］ Sui H G，Li D R，Gong J Y.Automatic Change Detection for Road Networks from Images Based on GIS［J］.Geo － spatial Information Science，2003，6(4):44 －50.

［9］ Ziems M，Beyen J，Mueller S，et al.Multiple－model Based Update of Belgian Reference Road Data［C］//ISPRS Workshop on Geospatial Data Infrastructure:From Data Acquisition and Updating to Smarter Services.Guilin，China，2011:73 －79.

［10］李曉峰，張樹清，韓富偉，等.基于多重信息融合的高分辨率遙感影像道路信息提取［J］.測繪學報，2008，37(2):178 －184.Li X F，Zhang S Q，Han F W，et al.Road Extraction from High－resolution Remote Sensing Images Based on Multiple Information Fusion［J］.Acta Geodaetica et Cartographica Sinica，2008，37(2):178－184(in Chinese with English Abstract).

［11］韓閃閃，李海濤，顧海燕.面向?qū)ο蟮耐恋乩米兓瘷z測方法研究［J］.遙感應(yīng)用，2009(3):23－29.Han S S，Li H T，Gu H Y.The Study on Land Use Change Detection Based on Object－oriented Analysis［J］.Remote Sensing Application，2009(3):23－29(in Chinese with English Abstract).

［12］孫家抦.遙感原理與應(yīng)用［M］.武漢:武漢大學出版社，2009.Sun J B.Principle and Application of Remote Sensing［M］.Wuhan:Wuhan University Press，2009(in Chinese).

［13］施海亮，周紹光，趙建泉.遙感影像中城市道路的提取［J］.北京測繪，2006(2):29－32.Shi H L，Zhou S G，Zhao J Q.Road Extraction of Urban Area from Remote Sensing Images［J］.Beijing Surveying and Mapping，2006(2):29－32(in Chinese with English Abstract).

［14］田新光，張繼賢，張永紅.利用QuickBird影像的陰影提取建筑物高度［J］.測繪科學，2008，33(2):88 －89.Tian X G，Zhang J X，Zhang Y H.Extraction of Heights of Buildings in City from Shadows in QuickBird Image［J］.Science of Surveying and Mapping，2008，33(2):88 －89(in Chinese with English Abstract).

［15］周亞男，沈占鋒，駱劍承，等.陰影輔助下的面向?qū)ο蟪鞘薪ㄖ锾崛。跩］.地理與地理信息科學，2010，26(3):37 －40.Zhou Y N，Shen Z F，Luo J C，et al.Shadow －assisted Objectoriented Extraction of Urban Buildings［J］.Geography and Geo －information Science，2010，26(3):37 －40(in Chinese with English Abstract).

［16］唐 偉，趙書河，王培法.面向?qū)ο蟮母呖臻g分辨率遙感影像道路信息的提?。跩］.地球信息科學，2008，10(2):257 －261.Tang W，Zhao S H，Wang P F.Object－oriented Road Information Extraction from High Resolution Imagery［J］.Geo － information Science，2008，10(2):257 － 261(in Chinese with English Abstract).

［17］ Ni C，Ye Q，Li B F，et al.Road Extraction from High－resolution Remote Sensing Image Based on Phase Classification［J］.Remote Sensing and Spatial Information Sciences，2008，XXXⅦ(B3b):509－514.

［18］王文杰，趙忠明，朱海青.面向?qū)ο筇卣魅诤系母叻直媛蔬b感圖像變化檢測方法［J］.計算機應(yīng)用研究，2009，26(8):3149－3151.Wang W J，Zhao Z M，Zhu H Q.Object－oriented Change Detection Method Based on Features Fusion for High－resolution Remote Sensing Image［J］.Application Research of Computers，2009，26(8):3149－3151(in Chinese with English Abstract).

［19］霍春雷，程 健，周志鑫，等.基于尺度傳播的多尺度變化檢測新方法［C］//第十四屆全國圖象圖形學學術(shù)會議論文集.2008:372－376.Huo C L，Cheng J，Zhou Z X，et al.Multiscale Change Detection Based on Scale Propagation［C］//The 14th National Conference on Image and Graphics.2008:372 － 376(in Chinese with English Abstract).

［20］眭海剛.基于特征的道路網(wǎng)自動變化檢測方法研究［D］.武漢:武漢大學，2002.Sui H G.Automatic Change Detection for Road Networks Based on Features［D］.Wuhan:Wuhan University，2002(in Chinese with English Abstract).

Road Change Detection Using Object－oriented Projective Interactive Partition

LU Zhao－yi，ZUO Xiao－qing，HUANG Liang，LIU Jing
(Faculty of Land Resource Engineering，Kunming University of Science and Technology，Kunming 650093，China)

In this paper the authors present an object－oriented change detection method which uses projective interactive partition to detect the change of the urban road.The QuickBird images acquired in different years were used in the experiment，on which multi－ scale segmentation and hierarchical classification were carried out for urban road extraction according to the spectrum，shape and texture features.Then the object layers were established in the same detection，and they were the projection layers taking over the classification results of asynchrony images.Interactive partition was also realized on these layers.Finally the change detection results were achieved after judging the consistency of land feature categories.The experiment results show that the method of objectoriented change detection using projective interactive partition can extract and detect the urban road effectively.

object－oriented;projective interactive partition;road change detection;multi－scale segmentation;remote sensing(RS)

TP 75;P 237

A

1001－070X(2012)03－0060－05

10.6046/gtzyyg.2012.03.12

2011－10－19;

2011－12－05

國家自然科學基金項目(編號:41061043)和云南省教育廳科學研究基金項目(編號:2011J075)共同資助。

盧昭羿(1987－)，女，碩士研究生，主要研究遙感信息處理與應(yīng)用技術(shù)。E－mail:lzy2010km619@163.com。

(責任編輯:邢 宇)