艾思敏 鄧小煉 何卓麗

（三峽大學(xué)理學(xué)院，湖北宜昌 443002）

0 引 言

變化檢測(cè)是通過分析同一地區(qū)不同時(shí)相的遙感圖像，檢測(cè)出該地區(qū)中地物在這段時(shí)間內(nèi)發(fā)生變化的信息［1］.應(yīng)用遙感影像進(jìn)行變化信息的提取已經(jīng)成為遙感技術(shù)發(fā)展的重要方向和熱點(diǎn)［2］.變化檢測(cè)的方法大致可以分為分類后比較法和直接比較法，分類后比較法雖然能夠給出有關(guān)地物的屬性，但是受分類結(jié)果的影響非常大，而直接比較法是目前研究和實(shí)際應(yīng)用中更為常用的方法.隨著遙感圖像獲取手段的日益成熟，遙感圖像變化檢測(cè)技術(shù)已經(jīng)成為遙感圖像處理與分析領(lǐng)域的研究熱點(diǎn)，被廣泛地應(yīng)用于土地利用／覆蓋、森林監(jiān)測(cè)、環(huán)境監(jiān)測(cè)、水系監(jiān)測(cè)、城市規(guī)劃及道路監(jiān)測(cè)等領(lǐng)域.

遙感影像通常包含多個(gè)波段，各個(gè)波段上的信息之間存在著一定程度的相關(guān)和冗余，這在一定程度上會(huì)給變化分析帶來一定的影響.要準(zhǔn)確地檢測(cè)不同影像之間發(fā)生的變化，就必須盡量消除波段之間的影響［3－4］.同時(shí)，確定差異影像上的各變化類型的閾值也非常的關(guān)鍵，傳統(tǒng)的方法根據(jù)經(jīng)驗(yàn)人工或半自動(dòng)地選定變化閾值來提取變化的區(qū)域，主觀因素非常強(qiáng)并且效率也不高.

本文利用2007年和2009年的ASTER影像對(duì)這兩方面的問題展開研究，提出了一種基于PCA光譜增強(qiáng)與區(qū)域擴(kuò)散閾值確定的遙感影像變化檢測(cè)算法.利用PCA光譜增強(qiáng)最大限度消除各光譜通道的相關(guān)性，以便有效地突出不同時(shí)相之間的差異信息.傳統(tǒng)的PCA方法是將兩期的影像分別進(jìn)行PCA變換，然后將變化后的對(duì)應(yīng)主成分進(jìn)行差值運(yùn)算，獲得變化量，本文對(duì)傳統(tǒng)PCA方法做了一定改進(jìn)，將兩期的遙感影像進(jìn)行矢量疊加后進(jìn)行傳統(tǒng)PCA變換直接獲得變化量，并將實(shí)測(cè)的GPS矢量數(shù)據(jù)作為精度驗(yàn)證樣本，結(jié)合區(qū)域擴(kuò)散閾值確定的方法使得變化精度達(dá)到最大來獲得變化閾值，得到變化檢測(cè)的結(jié)果.實(shí)驗(yàn)結(jié)果表明，該算法具有一定的實(shí)用價(jià)值.本文變化檢測(cè)流程圖如圖1所示.

圖1 算法流程圖

1 研究方法

1.1 遙感影像預(yù)處理

多時(shí)相遙感影像的幾何校正［5－6］和輻射校正［7］是變化檢測(cè)過程中最重要的步驟之一，預(yù)處理結(jié)果的優(yōu)劣會(huì)直接影響到變化檢測(cè)的精度.本研究借助ENVI軟件平臺(tái)，對(duì)湖北宜昌市夷陵區(qū)樟村坪磷礦區(qū)的2007年和2009年的ASTER數(shù)據(jù)進(jìn)行輻射校正和幾何校正，校正的總體RMS在0.5左右，截取出該地區(qū)738×669個(gè)像元，校正后影像如圖2～3所示.

圖2 2007年ASTER影像

圖3 2009年ASTER影像

1.2 基于PCA的光譜變化信息增強(qiáng)

主成分分析（PCA）是在統(tǒng)計(jì)特征基礎(chǔ)上進(jìn)行的一種多波段正交線性變換，從而產(chǎn)生新的變量，這些變量之間相互獨(dú)立、互不相關(guān).主成分分析的主要目的是分離變化信息，并將信息量集中到前幾個(gè)主分量中，突出不同的地物目標(biāo)的一種很有價(jià)值并常用的遙感數(shù)據(jù)分析［8］.

傳統(tǒng)主成分分析的步驟如下：

1）根據(jù)原始圖像數(shù)據(jù)矩陣X，求出它的協(xié)方差矩陣S，以矩陣的形式表示多波段圖像的原始數(shù)據(jù)如下：

式中，m為波段數(shù)，n為每幅圖像中像元個(gè)數(shù)，每一行表示一個(gè)波段的圖像.

矩陣X的協(xié)方差矩陣S為

其中：

2）求協(xié)方差矩陣S的特征值λi和特征向量Ui，求解特征方程（λl－S）U＝0，然后將特征值λi按由大到小的順序排列，求出對(duì)應(yīng)的特征向量Ui，以Ui為列構(gòu)成矩陣U，然后求Y＝UTX獲得變換后的矩陣.

3）將對(duì)應(yīng)主分量進(jìn)行差值運(yùn)算，得到差異影像.

改進(jìn)的PCA方法不是對(duì)單時(shí)相遙感影像各自進(jìn)行主成分分析，而是將兩時(shí)相的遙感影像組合在一起進(jìn)行主成分分析，產(chǎn)生主分量.其中前面的主成分量包含未變化的信息，后面的主分量包含變化的信息.PCA光譜增強(qiáng)原理如下：

①矢量疊加

其中，X1表示第一時(shí)相第一波段的圖像，X2表示第一時(shí)相第二波段的圖像，XN表示第一時(shí)相第N波段的圖像，Y1表示第二時(shí)相第一波段的圖像，Y2表示第二時(shí)相第二波段的圖像，YN表示第二時(shí)相第N波段的圖像，N為圖像波段總數(shù).

矢量疊加后，新的矢量表示為

②對(duì)疊加的矢量進(jìn)行傳統(tǒng)PCA變換

將兩個(gè)時(shí)相的圖像組合在一起，構(gòu)成新的圖像，然后對(duì)新圖像進(jìn)行傳統(tǒng)的PCA分析，具體實(shí)施過程與傳統(tǒng)PCA過程相同，首先由新影像的數(shù)據(jù)矩陣Z計(jì)算它的協(xié)方差矩陣：然后計(jì)算協(xié)方差矩陣的特征值λ與特征向量U；再根據(jù)主成分變換的公式計(jì)算獲得主分量變換后的新矩陣，矩陣中的每一行向量為主成分變換后的一個(gè)主分量.

本次研究中先將2007和2009年的ASTER影像的可見光近紅外波段通過矢量疊加的方法得到一個(gè)6波段數(shù)據(jù)組，然后利用PCA進(jìn)行光譜變化信息的增強(qiáng)［9］.經(jīng)過PCA變換后各波段影像如圖4所示.

圖4 經(jīng)過PCA變換后各波段影像

經(jīng)過主成分分析之后，前面3個(gè)分量主要表征了未發(fā)生變化的量，而后面3個(gè)分量主要表征了兩幅影像上發(fā)生變化的量.其中圖4（d）為變化的第一主分量，變化的部分呈現(xiàn)高亮狀態(tài)，而在圖4（e）、（f）中，雖然變化的部分也呈現(xiàn)高亮的的狀態(tài)，但是受到噪聲的影響.雖然圖4（c）中變化的部分也是呈現(xiàn)高亮狀態(tài)，但是它主要還是表征未變化的第三主分量.本次選取PC4（圖4d）進(jìn)行變化信息的提取.

1.3 區(qū)域擴(kuò)散閾值分割

閾值的確定是變化檢測(cè)結(jié)果好壞的關(guān)鍵，本文利用區(qū)域擴(kuò)散的方法來確定閾值.其基本思路是首先通過直方圖確定閾值搜索范圍，然后縮小搜索范圍和減小步長，直到檢測(cè)精度達(dá)到最大.區(qū)域搜素流程圖如圖5所示.

圖5 區(qū)域搜素流程圖

利用圖4（d）所獲得差異影像，根據(jù)像素的分布情況，確定搜索范圍在［100，180］之間，采用上面的算法進(jìn)行迭代來尋求閾值，然后根據(jù)前一次迭代結(jié)果調(diào)整范圍和步長，直到準(zhǔn)確率達(dá)到最大值為止.按照上述的確定閾值方法，計(jì)算過程見表1.從表1可知，閾值為130時(shí)得到的結(jié)果最好.

表1 區(qū)域擴(kuò)散閾值搜索結(jié)果

2 實(shí)驗(yàn)結(jié)果及精度分析

本次采用2007年和2009年湖北省宜昌市夷陵區(qū)樟村坪磷礦區(qū)的ASTER數(shù)據(jù)進(jìn)行變化檢測(cè)實(shí)驗(yàn).分別選取ASTER數(shù)據(jù)的可見光近紅外范圍內(nèi)的3個(gè)波段作為實(shí)驗(yàn)數(shù)據(jù)，如圖2～3.該地區(qū)主要由植被、水體、礦點(diǎn)，人工建筑等4類地物組成，對(duì)變化檢測(cè)實(shí)驗(yàn)的研究比較有代表性.

2.1 算法實(shí)驗(yàn)結(jié)果圖與說明

2007年到2009年的兩三年時(shí)間內(nèi)，該地區(qū)的一些礦區(qū)陸續(xù)被進(jìn)一步開發(fā)，道路被新修以及河流受到一定程度污染，變化檢測(cè)結(jié)果如圖6所示.

圖6 本文檢測(cè)結(jié)果

本文的方法成功地將該區(qū)域內(nèi)新修的道路，被污染的河流以及礦區(qū)的變化給檢測(cè)出來.但是在有些區(qū)域中仍然有一些偽變化被檢測(cè)出來.作為比較，對(duì)這兩幅ASTER影像用主分量法和CVA方法也進(jìn)行了實(shí)驗(yàn)，變化檢測(cè)結(jié)果如圖7～8所示.在圖7主分量法中，新修的道路，污染的河流以及礦區(qū)的變化也都被檢測(cè)出來，但是同時(shí)也發(fā)現(xiàn)，像一些由于薄云以及太陽高度角造成的陰影被當(dāng)做變化的區(qū)域檢測(cè)出來.在圖8變化矢量方法中，變化區(qū)域內(nèi)的很多變化部分都沒有被檢測(cè)出來.

圖7 主分量檢測(cè)結(jié)果

圖8 CVA檢測(cè)結(jié)果

圖6～8是整幅圖像的檢測(cè)結(jié)果，為了更清楚地進(jìn)行對(duì)比實(shí)驗(yàn)，將同一局部地區(qū)進(jìn)行放大處理.圖9～10分別為該區(qū)域里的兩組放大處理后的對(duì)比實(shí)驗(yàn)結(jié)果.通過對(duì)比發(fā)現(xiàn)利用本文的檢測(cè)算法，變化的區(qū)域能夠較準(zhǔn)確地檢測(cè)出來，而且能夠一定程度上消除薄云帶來的影響，表明該算法具有一定的實(shí)用性.

圖9 道路變化局部對(duì)比圖

圖10 河流變化局部對(duì)比圖

2.2 精度分析

在ENVI平臺(tái)上，結(jié)合GPS實(shí)地采樣，選取變化和非變化兩類樣本點(diǎn)，以此作為驗(yàn)證樣本分別對(duì)以上方法的變化檢測(cè)結(jié)果進(jìn)行混淆矩陣驗(yàn)證，結(jié)果見表2.

表2 混淆矩陣結(jié)果分析

利用本文的檢測(cè)算法，檢測(cè)總體精度為90%，其Kappa系數(shù)也達(dá)到0.8，而利用主分量法和CVA方法，總體精度分別為74%和71%左右，其Kappa系數(shù)分別也只有0.49和0.43左右.利用本文檢測(cè)算法，提高了檢測(cè)區(qū)域內(nèi)的檢測(cè)精度.

3 結(jié) 論

本文將PCA方法和區(qū)域擴(kuò)散閾值確定結(jié)合在一起，提出了一種基于PCA光譜增強(qiáng)與區(qū)域擴(kuò)散閾值確定的遙感影像變化檢測(cè)算法.并利用該算法對(duì)宜昌樟村坪磷礦區(qū)域2007和2009年的變化進(jìn)行檢測(cè)，最終的結(jié)果表明，此方法能夠有效地檢測(cè)出該區(qū)域內(nèi)變化的信息，具有一定的實(shí)用價(jià)值.

［1］ Lunetta R S，Elviage C D.Remote Sensing Change Detectio［M］.Princeton，USA Taylor and Frances Press，1999.

［2］ Singh A.Digital Change Detection Techniques Using Remotely Sensed Data［J］.Int.J.Remote Sensing，1989，10（6）：989－1003.

［3］ Byrne G F，Crapper P F，Mayo K K.Monitoring Land Cover Change by Principle Component Analysis of Multi Temporal Land－sat Data［J］.Remote Sens.Environ.，1980（10）：175－184.

［4］ 黎夏，葉嘉安.利用主成分分析改善土地利用變化的遙感監(jiān)測(cè)精度［J］.遙感學(xué)報(bào)，1997，1（4）：282－289.

［5］ Dai X.L，The Effects of Image Misregistration on the Accuracy of Remotely Sensed Change Detection［J］.IEEE Transaction on Geoscience and Remote Sensing，1998，36（5）：1566－1577.

［6］ Roy D P.The Impact of Misregistration Upon Composited Wide Field of View Satellite Date and Implications for Change Detection［J］.IEEE Transaction on Geoscience and Remote Sensing，2000，38（4）：2017－2032.

［7］ Song C，Wood Cook C E，et al.Classification and Change Detection Using Landsat TM Date：When and How to Correct Atmospheric Effect［J］.Remote Sensing of Environment，2001，75：230－244.

［8］ 胡蘭萍，張 琳，李 燕.主成分提取在遙感FTIR譜圖解析中的應(yīng)用［J］.光譜學(xué)與光譜分析，2007，27（11）：2193.

［9］ 鄧勁松，李 君，王 珂.基于多時(shí)相PCA光譜增強(qiáng)和多源光譜分類器的SPOT影像土地利用變化檢測(cè)［J］.光譜學(xué)與光譜分析，2009，29（6）：1627－1631.