陳 鵬，呂鵬遠，宋 蜜，曾凡洋，伍絲琪，鐘燕飛

(1. 廣州市城市規(guī)劃勘測設(shè)計研究院，廣東 廣州 510060； 2. 武漢大學(xué)測繪遙感信息工程國家重點實驗室，湖北 武漢 430079)

遙感對地觀測技術(shù)具有周期短、成本低、范圍廣等優(yōu)點，能夠為違法用地提取工作提供基于影像的、可精確測量的、具有指導(dǎo)性的幫助[1-2]。尤其是隨著遙感平臺的快速發(fā)展，影像空間分辨率逐漸提高，地物細節(jié)信息更加豐富，為國土資源動態(tài)監(jiān)測提供了數(shù)據(jù)支撐。隨著國家高分辨率遙感專項穩(wěn)步推進，我國國產(chǎn)衛(wèi)星的空間分辨率和質(zhì)量都得到了極大提高，隨著系列高分遙感衛(wèi)星(如ZY-1-02C、ZY-3、GF-1、GF-2等)的發(fā)射，影像的空間分辨率已提高至亞米級。另外，以無人機為代表的低空攝影測量系統(tǒng)以其輕便靈活、快速響應(yīng)、高精度、高分辨率的技術(shù)優(yōu)勢，成為衛(wèi)星影像的有益補充。目前，高分遙感影像人工目視判讀結(jié)合實地排查已經(jīng)成為城鎮(zhèn)規(guī)劃部門實施違法用地監(jiān)測的主要手段，但是該方法存在耗時耗力、成本高效率低的問題。為了進一步提高城鎮(zhèn)變化監(jiān)測的自動化、智能化程度，要求我們運用圖像識別領(lǐng)域的變化檢測技術(shù)，針對高分數(shù)據(jù)自身特點和城鎮(zhèn)違章用地應(yīng)用需求發(fā)展適用的算法。

傳統(tǒng)變化檢測方法主要是對比單個像素在不同時相影像上光譜信息的差異來判斷地物是否發(fā)生變化[3-5]。由于空間分辨率的提升，相比于中低分辨率遙感影像，高空間分辨率影像變化檢測技術(shù)存在以下難點：①高空間分辨率影像空間分辨率高、光譜分辨率較低，“同物異譜-同譜異物”現(xiàn)象嚴重，難以單純利用光譜特性區(qū)分地物變化；②由于影像獲取時間不同，感興趣地物變化容易與由光照、拍攝角度、季節(jié)等因素引起的變化混淆；③空間分辨率的提升導(dǎo)致檢測結(jié)果存在大量虛警點，影響變化檢測精度?，F(xiàn)有針對高分辨率影像的變化檢測方法主要綜合提取光譜、紋理、對象等多元特征用于分析感興趣地物是否發(fā)生變化[6-8]。然而，上述方法對于影像全局使用相同特征，未考慮不同場景下地物變化判別特征的差異性，導(dǎo)致局部區(qū)域變化檢測結(jié)果受到限制。

針對以上問題，基于違法用地變化檢測的應(yīng)用需求，本文提出了一種基于地物分布特性的變化檢測方法。該方法將違法用地分布知識與變化檢測技術(shù)相結(jié)合，針對研究區(qū)域的光譜-空間特性，自動提取感興趣變化(違法用地變化)區(qū)域。選擇廣州從化街口地區(qū)雙期QuickBird衛(wèi)星影像進行試驗，結(jié)果表明該方法在分離不感興趣變化區(qū)域的同時對疑似違法用地有較高的檢測精度。利用該方法能夠?qū)θ斯ぷ鳂I(yè)提供輔助，節(jié)約成本，提高生產(chǎn)效率。

1 技術(shù)路線

高空間分辨率影像能夠提供豐富的地物細節(jié)信息，因此地物在影像上的光譜-空間特征隨地物的實際分布呈現(xiàn)明顯差異性。違法用地的變化特性在多時相影像上反映為建筑物的拆建及植被區(qū)域的減少。在市郊等植被覆蓋面積較大的區(qū)域，變化地物的光譜特性隨空間分布一致性較高，光譜特征的差異能夠反映地物的變化。而在城市覆蓋區(qū)域，由于地物類型復(fù)雜，導(dǎo)致對應(yīng)影像光譜-空間特征更加復(fù)雜。對于影像全局使用相同的特征難以保證不同區(qū)域檢測效果的一致性。因此，需要針對地物實際分布特性，提取對應(yīng)影像光譜-空間特征，在特征層分析地物變化，從而分離不感興趣變化區(qū)域。本文技術(shù)路線如圖1所示。

首先利用基于可見光波段的植被指數(shù)[9]分離城市區(qū)域與非城市區(qū)域；其次，在非城市區(qū)域，利用面向?qū)ο蠓椒╗10]得到變化檢測結(jié)果，在城市區(qū)域，利用形態(tài)學(xué)建筑物指數(shù)[11]提取建筑物特征，以實現(xiàn)感興趣變化類型與不感興趣變化類型分離，使用變化向量分析[12]與k均值聚類[13]實現(xiàn)變化信息提??；最后利用形態(tài)學(xué)濾波、聚合操作去除變化檢測結(jié)果中的椒鹽噪聲點，并計算變化圖斑的最小外接矩形，將結(jié)果以矢量形式進行輸出。

2 關(guān)鍵技術(shù)

2.1 基于可見光波段植被指數(shù)的城區(qū)和非城區(qū)分離

本文首先通過植被指數(shù)運算提取植被和非植被區(qū)域掩膜，作為城區(qū)和非城區(qū)的分離依據(jù)。實際應(yīng)用中，使用的衛(wèi)星影像通常通過紅、綠、藍3個可見光波段與全色波段融合得到，數(shù)據(jù)只有紅、綠、藍3個可見光波段。因此，需要通過基于可見光波段的植被指數(shù)提取植被區(qū)域。常見的可見光植被指數(shù)有過綠指數(shù)(EXG)、歸一化綠紅差異指數(shù)(NGRDI)、歸一化綠藍差異指數(shù)(NGBDI)、紅綠比值指數(shù)(RGRI)及可見光波段差異植被指數(shù)(VDVI)等[9]。本文擬采用VDVI提取植被區(qū)域，其優(yōu)勢在于：①同時考慮綠、紅、藍3個可見光波段的反射、吸收特性，對不同種類植被與非植被均有較好的區(qū)分性；②指數(shù)具有雙峰性質(zhì)，較易分離植被和非植被地物。其公式如下

(1)

式中，ρg、ρr、ρb分別表示綠、紅、藍3個可見光波段的像元亮度值。在獲取VDVI指數(shù)后，用閾值分割方法提取植被掩模MV

(2)

式中，tV為給定閾值。

2.2 基于多元特征的變化信息提取

不同地表覆蓋類型其光譜-空間特性存在差異，因此使用單一特征難以反映不同地物類型變化信息。本文擬采用面向?qū)ο筇卣骷靶螒B(tài)學(xué)建筑物指數(shù)研究區(qū)域變化信息，并使用變化向量分析法得到對應(yīng)特征下的變化檢測影像。

2.2.1 面向?qū)ο筇卣魈崛?/p>

2.2.2 形態(tài)學(xué)建筑物指數(shù)提取

(1) 計算亮度。對于每個像元x,計算波段最大值代表其亮度特性

(3)

式中，K為影像波段數(shù)，在本文中K為3；bandk(x)表示像元x在第k個波段的光譜值；b(x)表示像元x的亮度特征。

(2) 構(gòu)建MBI指數(shù)。利用基于頂帽變換與重構(gòu)的差分形態(tài)學(xué)譜來提取建筑物的光譜-空間結(jié)構(gòu)特性。

a. 基于重構(gòu)的頂帽變換(W-TH)公式如下

(4)

b. 形態(tài)學(xué)譜?；陧斆弊儞Q的形態(tài)學(xué)譜表示如下

(5)

c. 差分形態(tài)學(xué)譜?；陧斆弊儞Q的差分形態(tài)學(xué)譜按如下公式計算

DMPW-TH(d,s)=|MPW-TH(d,(s+Δs))-MPW-TH(d,s)|

(6)

式中，Δs表示形態(tài)學(xué)譜間隔。

形態(tài)學(xué)建筑物指數(shù)定義為

(7)

式中，D和S分別表示形態(tài)學(xué)譜方向數(shù)和尺度數(shù)。在本文中方向數(shù)設(shè)置為4，結(jié)構(gòu)元素最小尺度為2，最大尺度為202，尺度間隔為20。

2.2.3 變化信息提取

首先分別計算面向?qū)ο筇卣鳌⑿螒B(tài)學(xué)特征下的變化向量DF,然后利用k均值聚類獲得對應(yīng)變化檢測圖CMo、CMb。其中，DF=|F2-F1|，F(xiàn)表示面向?qū)ο蠹靶螒B(tài)學(xué)特征。

2.3 基于地物分布的變化信息融合

利用上文得到的城區(qū)和非城區(qū)掩膜對不同特征下的變化檢測結(jié)果進行融合得到融合后的變化檢測結(jié)果CM，公式如下

CM=MV×CMo+(1-MV)CMb

(8)

利用形態(tài)學(xué)開、閉運算對初始結(jié)果后處理，并計算最大包圍矩形，得到矢量化結(jié)果。

3 試驗與分析

3.1 試驗區(qū)域與數(shù)據(jù)分析

選擇廣州從化街口地區(qū)為試驗區(qū)。獲取2013年、2014年雙期QuickBird影像為試驗數(shù)據(jù),影像大小895×561像素，空間分辨率0.5 m，波段為紅、綠、藍。原始影像與參考變化圖斑如圖2所示。

圖2

本文以圖斑為基本單位進行精度評價，統(tǒng)計正確檢測、漏檢圖斑個數(shù)作為評價指標。真實參考數(shù)據(jù)由專業(yè)人員目視判讀結(jié)合實地調(diào)查給出，如圖2(c)所示，其中疑似違章變化共14處。

變化檢測結(jié)果與精度評定如圖3、表1所示。

圖3 變化檢測結(jié)果

參考圖斑數(shù)正確檢測數(shù)漏檢數(shù)14131

3.2 試驗結(jié)果與分析

本文方法自動提取疑似違章用地圖斑數(shù)共計21個，其中正確檢測圖斑13個，漏檢圖斑1個，對于疑似違法建筑物具有較高的檢測精度。圖3(a)表明，通過本文提出的方法，能夠利用高空間分辨率遙感影像實現(xiàn)較精確的變化圖斑定位，所提取的矢量包圍框能夠基本覆蓋變化建筑物區(qū)域。該方法已通過ENVI二次開發(fā)的方式實現(xiàn)，并在廣州市城市規(guī)劃勘測設(shè)計研究院試用，其結(jié)果已得到業(yè)務(wù)人員的實地驗證和認可。以通過該方法得到的變化檢測結(jié)果作為輔助，能夠極大減少傳統(tǒng)人工作業(yè)量，大大節(jié)約了人力、物力及時間成本。

4 結(jié) 語

本文針對城鎮(zhèn)違法用地檢測的應(yīng)用需求，選擇廣州市從化街口地區(qū)雙期QuickBird影像為試驗數(shù)據(jù)，基于遙感影像變化檢測技術(shù)，開展了基于高空間分辨率遙感影像的變化檢測研究，提出了知識驅(qū)動的違法用地變化檢測方法，將違法用地變化先驗知識與變化檢測技術(shù)相結(jié)合，實現(xiàn)圖斑級別的變化信息提取。該方法對于輻射差異較大的影像序列處理具有一定穩(wěn)健性。同時，基于ENVI開發(fā)應(yīng)用插件，將該成果應(yīng)用于實際生產(chǎn)。利用該技術(shù)能有效提高土地執(zhí)法監(jiān)測工作效率，快速發(fā)現(xiàn)疑似新增違章用地，輔助后續(xù)實地查處。

本文的研究成果是高分遙感影像變化檢測技術(shù)在我國城市違章用地提取方面的一次成功實踐,也為該技術(shù)在我國城市規(guī)劃、退耕還林、土地管理等相關(guān)領(lǐng)域的推廣應(yīng)用起到示范作用。

參考文獻：

[1] 李德仁，王密，胡芬.利用我國高分辨率衛(wèi)星影像監(jiān)測北京市違章建筑[J].科學(xué)通報，2009，54(3)：305- 311.

[2] 吳田軍，夏列鋼，吳煒，等.土地執(zhí)法監(jiān)察中的高分辨率遙感及變化檢測技術(shù)[J].地球信息科學(xué)學(xué)報，2016，18(7)：962-968.

[3] CHEN J，GONG P，HE C，et al.Land-use/land-cover Change Detection Using Improved Change-vector Analysis[J].Photogrammetric Engineering and Remote Sensing，2003，69(4)：369-379.

[4] DENG J，WANG K，DENG Y，et al.PCA-based Land-use Change Detection and Analysis Using Multitemporal and Multisensor Satellite Data[J].International Journal of Remote Sensing，2008，29(16)：4823-4838.

[5] NIELSEN A A.The Regularized Iteratively Reweighted MAD Method for Change Detection in Multi-and Hyperspectral Data[J].IEEE Transactions on Image Processing，2007，16(2)：463-478.

[6] 陳強，陳云浩，蔣衛(wèi)國.基于 OB-HMAD 算法和光譜特征的高分辨率遙感影像變化檢測[J].光譜學(xué)與光譜分析，2015，35(6)：1709-1714.

[7] 佃袁勇，方圣輝，姚崇懷.多尺度分割的高分辨率遙感影像變化檢測[J].遙感學(xué)報，2016，20(1)：129-137.

[8] 程晶，霍宏，方濤.基于主題模型的高分辨率遙感影像變化檢測[J].計算機工程，2012，38(15)：204-207.

[9] 汪小欽，王苗苗，王紹強，等.基于可見光波段無人機遙感的植被信息提取[J].農(nóng)業(yè)工程學(xué)報，2015，31(5)：152-159.

[10] LANG S.Object-based Image Analysis for Remote Sensing Applications：Modeling Reality-dealing with Complexity[J].Object-based Image Analysis，2008：3-27.

[11] HUANG X，ZHANG L.Morphological Building/shadow Index for Building Extraction from High-resolution Imagery over Urban Areas[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2012，5(1)：161-172.

[12] SINGH A.Review Article Digital Change Detection Techniques Using Remotely-sensed Data[J].International Journal of Remote Sensing，1989，10(6)：989-1003.

[13] JAIN A K，MURTY M N，F(xiàn)LYNN P J.Data Clustering：A Review[J].ACM Computing Surveys (CSUR)，1999，31(3)：264-323.

[14] ROERDINK J B T M，MEIJSTER A.The Watershed Transform：Definitions，Algorithms and Parallelization Strategies[J].Fundamenta Informaticae，2000，41(1，2)：187-228.

[15] 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.