黃 亮, 王銘佳,吳俐民

(1.昆明理工大學(xué) 國土資源工程學(xué)院，云南 昆明 650093；2.昆明市測繪管理中心，云南 昆明 650050)

多時相遙感影像變化檢測是利用同一區(qū)域但不同時期的遙感影像，定量地分析和識別出地表覆蓋變化的特征、過程和區(qū)域。其中，對于對地表宏觀變化進(jìn)行動態(tài)監(jiān)測，仍主要采用LANDSAT 4～8和MODIS為代表的中、低空間分辨率遙感影像作為主要數(shù)據(jù)源。目前，采用中、低空間分辨率遙感影像進(jìn)行地表宏觀變化動態(tài)監(jiān)測已應(yīng)用于諸多領(lǐng)域，如城市擴(kuò)張[1]、土地利用現(xiàn)狀/土地覆蓋變化[2-3]，河流及湖泊時空演變[4]、土地石漠化演變[5]等。

幾十年來，諸多國內(nèi)外研究人員針對中、低空間分辨率遙感影像變化檢測技術(shù)開展了大量研究，并提出很多有效的方法。這些方法主要包括兩種思路：分類后比較和直接比較法[6]。其中，直接比較法是對兩幅具有相同地理區(qū)域但不同時期的遙感影像進(jìn)行逐像素比較得到可靠的變化檢測圖的方法[7]，由于該方法具有便于理解，易于實現(xiàn)的優(yōu)點，因而被廣泛用于中、低空間分辨率遙感影像變化檢測。直接比較法涉及的關(guān)鍵技術(shù)有差異影像構(gòu)造和變化閾值選取。目前，變化閾值選取方法有很多[8]，如：Ridler and Calvard algorithm[9]、Tsai (1984) algorithm[10]、Otsu algorithm[11]、Rosin algorithm[12]、Maximum Shannon Entropy Method[13]等。這些方法中，基于熵概念的方法是一種頗受研究者關(guān)注的閾值選取方法[14]，但以Shannon熵為代表的信息熵存在信息易丟失的問題。為了解決該問題，Pan and Wu提出了一種雙閾值指數(shù)熵的閾值選取辦法，并取得了較為理想的分割效果，減少了信息的損失[15]。對于細(xì)節(jié)復(fù)雜，目標(biāo)地物較多的圖像，采用多閾值分割可更有效地分割出背景和多個目標(biāo)[16]。綜合考慮遙感源和運算量，本文選取三閾值指數(shù)熵來對構(gòu)造的差異影像進(jìn)行分割獲取變化區(qū)域。

針對多時相遙感影像變化檢測的需要，本文提出基于多閾值指數(shù)熵的遙感影像變化檢測方法。同時，針對指數(shù)熵方法因閾值數(shù)量增加，而帶來的閾值選取難和運算量增大的問題，本文引入粒子群算法，提出一種基于粒子群算法及多閾值指數(shù)熵的遙感影像變化檢測新方法。采用粒子群優(yōu)化算法尋找三閾值指數(shù)熵的最優(yōu)閾值，并將得到的閾值用于差異影像分割，從而識別差異影像中變化區(qū)域和非變化區(qū)域。實驗結(jié)果表明，該方法能準(zhǔn)確分割差異影像得到變化區(qū)域，是一種有效、可行的變化檢測方法。

1 基本原理

1.1 三閾值指數(shù)熵法基本原理

假定原始差異影像大小為M×N，灰度級取0,1,…,L-1，假定閾值t將影像分為目標(biāo)(變化類)和背景(非變化類)兩大類，Pi為灰度級i的像素出現(xiàn)的概率，則目標(biāo)部分的熵為[15]

(1)

背景部分熵為

(2)

最佳閾值t*滿足：

T(t*)=Argmax0

Hunchange(t)}.

(3)

將指數(shù)熵法擴(kuò)展到三閾值分割時，則有3個閾值t1，t2和t3；將圖像分為4類C0，C1，C2和C3，其中：

C0={0,2,…,t1}，

C1={t1+1,t1+2,…,t2}，

C2={t2+1,t2+2,…,t3}，

C3={t3+1,t3+2,…,L-1}。

(4)

(5)

(6)

(7)

其中：

H(C1)+H(C2)+H(C3)}.

(8)

1.2 PSO基本原理

PSO[17]是一種有效的全局尋優(yōu)算法，是由Kennedy和Eberhart于1995年提出的。該算法起源于一種簡單的社會模擬現(xiàn)象，最初設(shè)想是模擬對鳥群覓食的過程，后來學(xué)者們漸漸將PSO作為一種優(yōu)化工具進(jìn)行廣泛的應(yīng)用。PSO優(yōu)化算法和其他的優(yōu)化算法類似，即將尋優(yōu)的參數(shù)組合成群體，通過對環(huán)境的適應(yīng)度來將群體中的個體向好的區(qū)域移動。與其他算法的不同之處在于，PSO優(yōu)化算法在描述個體時，將其看作D維空間中一個沒有提及的微粒(點)，在每一次迭代中，通過將微粒的歷史最佳位置——個體極值pbest和群體的歷史最佳位置——全局極值gbest結(jié)合起來， 來更新每個粒子的速度和位置。

(9)

(10)

式中：k為迭代次數(shù)；xi，vi分別為第i個隨機粒子的位置和速度；c1，c2為學(xué)習(xí)因子，通常c1=c2=2；r1，r2為介于(0，1)之間的隨機數(shù)；w為權(quán)重。

PSO算法概念簡單、容易實現(xiàn)，搜索速度快范圍大，與其它優(yōu)化算法相比，它的優(yōu)點較為突出。

2 研究方法

假定f和g分別為T1和T2時期獲取的同一地理區(qū)域經(jīng)幾何配準(zhǔn)的兩幅遙感影像，影像大小均為M×N像素。由于由配準(zhǔn)誤差引起的虛檢像素基本分布在邊緣附近1個像素的范圍內(nèi)，為了保證變化檢測精度，本文在前期對兩幅遙感影像進(jìn)行精確配準(zhǔn)，將配準(zhǔn)誤差控制在0.6個像素。f={f(x,y),1≤x≤M,1≤y≤N}和g={g(x,y),1≤x≤M,1≤y≤N}，f(x,y)和g(x,y)分別表示影像中第x行、第y列的灰度值。為了實現(xiàn)利用粒子群算法及三閾值指數(shù)熵的遙感影像非監(jiān)督變化檢測方法，其流程圖如圖1所示。

1)差異影像構(gòu)造。采用灰度差值法構(gòu)造差異影像。圖像差值法是指對T1和T2時相的遙感影像中對應(yīng)的像素值進(jìn)行減法運算。采用的差值法為

D(x,y)=255-|f(x,y)-g(x,y)|，

(11)

0≤f(x,y)≤255，0≤g(x,y)≤255.

(12)

式中：f(x,y)和g(x,y)分別為不同時相影像上第x行、第y列像素的灰度值；D(x,y)為用灰度差值法構(gòu)造的差異影像。若一個像素未發(fā)生改變，則D(x,y)=255，反之，如果這個像素的變化程度越大，那么D(x,y)就離0越近。

3)變化檢測精度評價。為了定量定性的評價提出方法的有效性，本文通過總體錯誤率、虛檢率和漏檢率3個指標(biāo)來定量評價變化檢測的精度[18]。

圖1 提出方法流程

3 實驗結(jié)果與分析

3.1 實驗數(shù)據(jù)

為了驗證提出方法的可行性和準(zhǔn)確性，選取一組多時相遙感影像作為實驗數(shù)據(jù)。實驗區(qū)為鄱陽湖某局部區(qū)域，獲取時間分別為1989年7月(如圖2(a))所示和2010年1月(如圖2(b))所示。兩期影像均為空間分辨率為30 m的Landsat-5遙感影像。影像數(shù)據(jù)來源于中國科學(xué)院數(shù)據(jù)云網(wǎng)站中的地理空間數(shù)據(jù)云。兩期遙感影像的大小均為510像素×510像素，變化區(qū)域參考圖如圖3(a)所示，黑色區(qū)域為變化區(qū)域。其中，變化的像素為69 413像素，未變化的為190 687像素，參考影像主要是通過人工解譯而得到。

實驗設(shè)計了2組對比實驗，第1組是本文方法與利用FCM算法[19]的非監(jiān)督變化檢測方法[20]進(jìn)行對比；第2組是本文方法與利用雙閾值指數(shù)熵、三閾值指數(shù)熵的非監(jiān)督變化檢測方法進(jìn)行對比。

3.2 實驗結(jié)果分析

圖3(b)為利用FCM算法的非監(jiān)督變化檢測方法得到的結(jié)果圖，圖3(c)是采用本文方法得到的結(jié)果圖。圖3(d)、3(e)和3(f)分別對應(yīng)于圖3(a)、3(b)和3(c)中的矩形框區(qū)域。實驗分別對以上兩種方法進(jìn)行精度評價，結(jié)果如表1所示。從表1可見，采用本文方法，虛檢的變化像素為6 712像素，虛檢率為3.52%；總體錯檢像素13 612像素，總體錯檢率為5.23%。從縱向來比較，本文方法相較于FCM法來說，虛檢的像素數(shù)少了7 692個，總體錯檢像素少了5 628個，總體錯檢率低了2.17%。對比圖3中的3幅變化圖可以看出，F(xiàn)CM法將較多未變化支流錯檢為變化區(qū)域，導(dǎo)致了錯檢率的上升；而本文方法對部分支流給出了正確的識別。在虛檢率、漏檢率以及總體錯檢率3項指標(biāo)中，本文方法在虛檢率和總體錯檢精度2項指標(biāo)中優(yōu)于FCM法。實驗表明，本文方法是一種有效地、可行的變化檢測方法。

圖4(a)是采用雙閾值指數(shù)熵的非監(jiān)督變化檢測方法得到的結(jié)果圖，圖4(b)是采用三閾值指數(shù)熵的非監(jiān)督變化檢測方法得到的結(jié)果圖，圖4(c)是采用本文方法得到的結(jié)果圖。圖4(d)、4(e)和4(f)分別對應(yīng)于圖4(a)、4(b)和4(c)中的矩形框區(qū)域。實驗分別對以上3種方法進(jìn)行精度評價，結(jié)果如表2所示。從表2可見，本文方法相較于雙閾值指數(shù)熵法，總體錯檢率有小幅降低。雖然本文方法和傳統(tǒng)三閾值指數(shù)熵法都是采用三閾值指數(shù)熵對差異影像進(jìn)行分割，但由于閾值選取方法的差異，選取的閾值也不同，變化檢測結(jié)果存在較大差異。提出方法存在較低的虛檢率，而傳統(tǒng)三閾值指數(shù)熵法則是存在較低的漏檢率。本文方法相較于傳統(tǒng)三閾值指數(shù)熵法，總體錯檢率降低了2.21%。對比圖4中的三幅變化圖可以看出，本文方法得到的變化結(jié)果圖略優(yōu)于雙閾值指數(shù)熵法，明顯優(yōu)于三閾值指數(shù)熵法的變化結(jié)果圖。

在運算時間方面，由于提出方法采用了PSO優(yōu)化算法，有效地提高了算法的運算速度，保證了算法的高效性。采用提出方法的運行時間為1.980 5 s，而采用傳統(tǒng)三閾值指數(shù)熵法則用了29.028 4 s。實驗結(jié)果表明，采用提出方法可大幅提高運算速度。

圖3 第1組對比實驗變化檢測

圖4 第2組對比實驗變化檢測

變化檢測方法虛檢率/%漏檢率/%總體錯檢率/%FCM法 14 404像素7.554 836像素6.9719 240像素7.40本文方法6 712像素3.526 900像素9.9413 612像素5.23

表2 第2組實驗虛檢率、漏檢率以及總體錯檢率

4 結(jié) 論

對于細(xì)節(jié)復(fù)雜、目標(biāo)地物較多的影像，采用多閾值可提高閾值分割的精度，但閾值數(shù)量的增加勢必會增加計算難度和運算量，從而造成大量時間的耗費。針對該問題，采用PSO算法選取三閾值指數(shù)熵法的最優(yōu)閾值，并將其用于對構(gòu)造的差異影像進(jìn)行分割獲取多時相遙感影像變化區(qū)域。本文以1989年和2010年獲取的鄱陽湖某局部區(qū)域空間分辨率為30 m的Landsat-5遙感影像作為實驗數(shù)據(jù)源。經(jīng)實驗驗證，粒子群算法能快速、有效地搜索到全局最優(yōu)的三個變化閾值，且得到的變化檢測結(jié)果具有較高精度，正確率高達(dá)94.77%，優(yōu)于FCM法、雙閾值指數(shù)法及傳統(tǒng)三閾值指數(shù)法。同時在運行時間上，提出方法相較于傳統(tǒng)三閾值指數(shù)法有大幅提高。

本文提出的方法主要適用于中、低空間分辨率遙感影像，可用于流域時空變化分析、農(nóng)村聚落分析、城市擴(kuò)張分析、土地利用現(xiàn)狀/土地覆蓋變化、土地石漠化演變等。