馬 紅 劉 浩

(1.重慶市勘測院，重慶 401121； 2.重慶市地理國情監(jiān)測工程技術(shù)研究中心，重慶 401121)

0 引 言

遙感影像變化檢測是利用不同時(shí)期的遙感影像,定量分析和確定土地利用與地表覆蓋變化的特征與過程，即通過遙感手段獲取同一地區(qū)不同時(shí)期影像，經(jīng)過處理、分析和對(duì)比，獲取該時(shí)間段內(nèi)地表的變化趨勢及演化規(guī)律[1-2].遙感影像變化檢測在土地利用/覆蓋變化、災(zāi)害監(jiān)測、地理國情監(jiān)測等諸多領(lǐng)域發(fā)揮著積極和重要的作用[3-4].

隨著遙感平臺(tái)、傳感器等技術(shù)的興起與發(fā)展，遙感影像數(shù)據(jù)越來越多，分辨率越來越高，特征越來越豐富，傳統(tǒng)的變化檢測方法已難以滿足實(shí)際應(yīng)用的需要.國內(nèi)外諸多學(xué)者就遙感影像變化檢測方法進(jìn)行了大量研究，各種方法在不同領(lǐng)域中呈現(xiàn)較好的應(yīng)用效果，尤其面向?qū)ο蠓ê投嗵卣魅诤戏ㄔ诟叻直媛蔬b感影像變化檢測中逐步成為主流技術(shù)手段[1, 5-6].對(duì)象也稱像斑,是指遙感影像上一組空間相鄰、光譜相似的像元，其中包含有豐富的光譜信息、紋理信息、形狀信息及相互關(guān)系[7-8].采用面向?qū)ο蟮淖兓瘷z測方法，能夠更好地集成像斑特征，構(gòu)建更穩(wěn)定的數(shù)學(xué)模型，進(jìn)而提高可靠性.巫兆聰?shù)萚9]提出了結(jié)合光譜、紋理與形狀結(jié)構(gòu)信息進(jìn)行遙感影像分割獲取像斑；Walter[10]提出基于像斑的遙感影像分類后比較法；宋翠玉等[11]集成遙感影像的光譜信息與紋理信息，改善了檢測效果；李淑坤等[12]以地統(tǒng)計(jì)學(xué)方式提取影像的紋理信息，并與光譜信息結(jié)合開展影像變化檢測.這些方法雖然考慮了影像的多個(gè)特征，但只是將這些特征直接組合，對(duì)特征權(quán)值的設(shè)置和調(diào)節(jié)研究較少[13]，普適性不高.本文研究了一種多特征自適應(yīng)組合的變化檢測方法，即在檢測判別過程中，根據(jù)分析對(duì)象自動(dòng)調(diào)節(jié)每個(gè)特征的權(quán)值，以便更好地利用待檢測影像的特征信息，優(yōu)化檢測結(jié)果.

1 多特征自適應(yīng)組合的影像變化檢測方法

選取影像的光譜和紋理兩種特征為代表，進(jìn)行權(quán)值自動(dòng)調(diào)節(jié)研究.對(duì)基準(zhǔn)期和檢測期的影像進(jìn)行多尺度組合分割，以分割得到的影像像斑為基本單位，分別計(jì)算各像斑的兩類特征的直方圖.再采用直方圖G統(tǒng)計(jì)量計(jì)算各像斑之間兩類特征的距離，然后選取特征異質(zhì)性度量準(zhǔn)則，計(jì)算兩類特征的異質(zhì)性，將兩類特征距離自適應(yīng)加權(quán)組合，獲得像斑異質(zhì)性.再采用最大期望法和貝葉斯最小錯(cuò)誤率理論依次判別檢測像斑的變化類型.具體的流程如圖1所示.

圖1 多特征自適應(yīng)組合的變化檢測流程圖

1.1 像斑獲取

以像斑為單位，研究基于多特征自適應(yīng)組合的遙感影像變化檢測，因此需要先將影像進(jìn)行分割獲得像斑.

采用eCognition軟件的多尺度分割獲取像斑，算法中包含參數(shù)有緊致度因子、形狀因子和尺度因子.eCognition軟件多尺度分割是一種由下而上的區(qū)域合并算法，在每一步像斑合并時(shí)，當(dāng)前像斑僅與異質(zhì)性最小的鄰接像斑進(jìn)行合并，當(dāng)異質(zhì)性值大于所設(shè)定的閾值時(shí)，則不再合并.經(jīng)過多次試驗(yàn)，得出以下經(jīng)驗(yàn)：針對(duì)高分辨率遙感影像，為避免過分割和欠分割現(xiàn)象，最佳緊致度為[0.5,0.97]，最佳形狀因子為[0.1,0.5]，分割尺度則依據(jù)變化檢測要求的最小檢測面積來確定.

1.2 特征提取

像斑中包含著一系列光譜相似的像元，像斑的特征需要反應(yīng)內(nèi)部像元的特征分布情況，采用直方圖統(tǒng)計(jì)來表征像斑的特征變量，直方圖是通過描述特征值和頻率之間的對(duì)應(yīng)關(guān)系來反應(yīng)像斑內(nèi)部像元的特征信息分布.

1)光譜特征

光譜特征是最直接的像斑特征，采用光譜直方圖來表征像斑內(nèi)像元的光譜特征分布情況，圖2所表示了一個(gè)像斑，每個(gè)單元格表示一個(gè)像元，灰色填充單元格為像斑內(nèi)部像元，每個(gè)單元格的數(shù)值為灰度值，統(tǒng)計(jì)可以得到該像斑的灰度直方圖.常用的灰度級(jí)為8、16、32、64、128、256.灰度級(jí)取值越大，對(duì)地物的細(xì)節(jié)描述能力越強(qiáng)，然而對(duì)應(yīng)的計(jì)算量也越大；取值越小，計(jì)算量減小，但可能丟失重要的細(xì)節(jié)信息[3].

圖2 光譜直方圖計(jì)算示例

2)紋理特征

紋理特征是像斑的間接特征，能夠反映像斑的結(jié)構(gòu)特征.研究過程中常用局部二值模式(local binary patterns，LBP)紋理來提取像斑的紋理特征.LBP 紋理，是采用統(tǒng)計(jì)方法來描述紋理特征，即比較研究對(duì)象中心像元的灰度值與計(jì)算窗口像元灰度值的大小關(guān)系來描述紋理特征[3].LBP 紋理構(gòu)造了一種衡量一個(gè)像素點(diǎn)和它周圍像素點(diǎn)的關(guān)系，具有旋轉(zhuǎn)不變性和灰度不變性等優(yōu)點(diǎn)，在圖像處理和分析中應(yīng)用較多.LBP紋理的計(jì)算如式(1)所示.

(1)

其中：

(2)

其中，計(jì)算窗口的半徑為R,窗口的像素?cái)?shù)為P，gc為中心像元的灰度值，gP為鄰域像元的灰度值，圖3為LBP紋理的計(jì)算示例.

圖3 LBP紋理計(jì)算示例

(3)

其中，RL(LP,R,i)為權(quán)值模板順時(shí)針旋轉(zhuǎn)i次后的LBP值，如式(4)所示：

RL(LP,R,i)=

(4)

1.3 特征距離計(jì)算

根據(jù)光譜直方圖和LBP紋理直方圖，可分別獲得兩種特征的距離.采用G統(tǒng)計(jì)量方法來度量像斑與像斑之間的特征距離.設(shè)T1時(shí)期和T2時(shí)期的遙感影像波段數(shù)為N，直方圖量化等級(jí)為L，那么波段n上的概率密度函數(shù)為fn(1≤n≤N)，則T1時(shí)期和T2時(shí)期像斑直方圖在波段n上的距離為Gn，其計(jì)算如式(5)所示：

(5)

(6)

將式(6)代入式(5)，可以得到式(7)：

(7)

1.4 像斑異質(zhì)性

假定T1和T2時(shí)期的像斑在波段n上的異質(zhì)性為Hn，可以用光譜距離和紋理距離的平均值表示，如式(8)所示：

(8)

在像斑異質(zhì)性判讀中，光譜特征和紋理特征的權(quán)重確定是關(guān)鍵.為取得較好的檢測結(jié)果，且便于推廣，利用標(biāo)準(zhǔn)差反應(yīng)灰度值離散程度的原理[3-4]，來實(shí)現(xiàn)光譜特征和紋理特征權(quán)重的自適應(yīng)組合.由于像斑的光譜特征豐富程度與標(biāo)準(zhǔn)差成反比，紋理特征的豐富程度與標(biāo)準(zhǔn)差成正比，那么對(duì)于設(shè)定好的標(biāo)準(zhǔn)差閾值，當(dāng)計(jì)算的標(biāo)準(zhǔn)差大于該設(shè)定的閾值時(shí)，可判定紋理特征為該像斑的主導(dǎo)特征，反之，光譜特征為主導(dǎo)特征.針對(duì)基準(zhǔn)期和檢測期的像斑，根據(jù)標(biāo)準(zhǔn)差判別像斑的主導(dǎo)特征，并給其主導(dǎo)特征賦予相對(duì)較大的權(quán)值，給其他特征賦予相對(duì)較小的權(quán)值.根據(jù)待檢測影像的特征情況，需選取適宜的標(biāo)準(zhǔn)差閾值，是影像檢測結(jié)果的關(guān)鍵.設(shè)像斑在T1、T2時(shí)期的標(biāo)準(zhǔn)差分別為std1、std2，閾值分別為k1和k2，則對(duì)應(yīng)的歸一化權(quán)重計(jì)算如式(9)所示：

(9)

進(jìn)一步對(duì)每個(gè)波段的值求加權(quán)平均數(shù)，作為判定依據(jù)，以便綜合利用遙感影像豐富的波段信息，計(jì)算方法如式(10)：

(10)

其中，采用波段的熵值來確定波段的權(quán)重，w(n)表示波段n的歸一化權(quán)重，E(n)表示第n個(gè)波段的熵.

1.5 變化判別

在像斑變化判別過程中，先利用期望最大化(expectation maximization，EM)算法進(jìn)行參數(shù)求解，再利用貝葉斯最小錯(cuò)誤率理論來進(jìn)行像斑變化類別劃分.

設(shè)所有像斑的異質(zhì)性集合為H={h1,h2,…,hN}，那么hi為表示i個(gè)像斑的異質(zhì)性值.在檢測判定中，可將H中的像斑判別為變化、未變化兩種類型[3].EM算法是一種參數(shù)估計(jì)法，采用跌代算法，設(shè)定初始值，計(jì)算像斑為變化和未變化類的概率，如式(11)所示[3]：

(11)

其中，P(l|hk)表示像斑檢測結(jié)果的后驗(yàn)概率[3].φc和φn分別表示變化和未變化兩種檢測結(jié)果.基于貝葉斯最小錯(cuò)誤率原理，不考慮常量p(hk)，可對(duì)像斑進(jìn)行像斑如下判別：若p(hk|φc)P(φc)>p(hk|φn)p(φn)，則hk∈φc，即判定該像斑變化；反之，hk∈φn，即判定其未變化.

2 實(shí)驗(yàn)結(jié)果與分析

2.1 實(shí)驗(yàn)數(shù)據(jù)描述

為驗(yàn)證本文方法的可行性和準(zhǔn)確性，選取重慶市某地區(qū)2013年10月和2014年10月的WoldView-2衛(wèi)星影像進(jìn)行實(shí)驗(yàn).實(shí)驗(yàn)影像大小為1 250×1 250像元，含紅、綠、藍(lán)、近紅外4個(gè)波段信息，影像空間分辨率為2 m，圖4(a)、4(b)為兩期實(shí)驗(yàn)影像假彩色融合效果.實(shí)驗(yàn)過程中，將兩期影像組合為一個(gè)8波段的新影像，利用eCognition軟件進(jìn)行多尺度分割獲取像斑.經(jīng)過反復(fù)實(shí)驗(yàn)，為避免過分割和欠分割，將尺度因子設(shè)為140，緊致度因子設(shè)為0.45，形狀因子設(shè)為0.75，各波段的權(quán)重均為1；圖4(c)為分割得到的像斑，總數(shù)為1 187.

圖4 變化檢測實(shí)驗(yàn)數(shù)據(jù)及多尺度分割結(jié)果

圖5 變化檢測結(jié)果

2.2 檢測結(jié)果分析

檢測結(jié)果的分析和驗(yàn)證是評(píng)定檢測方法可靠與否的關(guān)鍵，利用基于正確率、虛檢率、漏檢率[1, 7, 14]的分析方法來評(píng)定檢測結(jié)果的準(zhǔn)確性.一般意義上的正確率、虛檢率、漏檢率用像素個(gè)數(shù)來比描述，或采用像斑面積和來描述.正確率越高、虛檢率和漏檢率越低，則檢測結(jié)果精確度越好、可靠性越高.

為得到較為準(zhǔn)確的變化檢測結(jié)果，選取光譜特征的量化等級(jí)為256，紋理特征的量化等級(jí)為128進(jìn)行實(shí)驗(yàn).為了進(jìn)一步檢驗(yàn)本文方法對(duì)不同地物、不同影像的適用性，同時(shí)采用固定權(quán)值法進(jìn)行對(duì)比實(shí)驗(yàn)，將兩種方法的檢測結(jié)果與人工目視判讀結(jié)果進(jìn)行對(duì)比分析.

圖5(a)為人工目視判讀的變化檢測結(jié)果，可視為標(biāo)準(zhǔn)變化檢測結(jié)果；圖5(b)、5(c)為固定權(quán)值方法檢測結(jié)果，其中(b)是光譜特征權(quán)值為0.2、紋理特征權(quán)值為0.8時(shí)的變化檢測結(jié)果，(c)是光譜特征權(quán)值為0.8、紋理特征權(quán)值為0.2時(shí)的變化檢測結(jié)果；圖5(d)為本文自適應(yīng)權(quán)值方法的變化檢測結(jié)果.在圖5(b)、5(c)、5(d)中，橢圓標(biāo)注處表示虛檢結(jié)果，方框標(biāo)注處表示漏檢結(jié)果.計(jì)算3種變化檢測結(jié)果相對(duì)于標(biāo)準(zhǔn)變化檢測結(jié)果的正確率、虛檢率、漏檢率，進(jìn)行精度評(píng)定，如表1所示.

由表1可得出以看出：(1)從三組實(shí)驗(yàn)的結(jié)果可知，不同權(quán)重的光譜特征和紋理特征對(duì)檢測結(jié)果的影響較大，特征的權(quán)重賦值是控制檢測結(jié)果的關(guān)鍵；(2)對(duì)比第一組和第二組實(shí)驗(yàn)結(jié)果可知，針對(duì)該組實(shí)驗(yàn)數(shù)據(jù)而言，光譜特征對(duì)檢測結(jié)果的影響比紋理特征大；(3)對(duì)比三組實(shí)驗(yàn)的結(jié)果可知，本文自適應(yīng)的權(quán)值分配方法檢測結(jié)果更優(yōu)，正確率最高，達(dá)到87.79%；(4)采用固定權(quán)值的方法將光譜特征和紋理特征進(jìn)行組合，正確率也較傳統(tǒng)方法高，但由于其不能實(shí)現(xiàn)特征的自適應(yīng)權(quán)重賦值，對(duì)經(jīng)驗(yàn)知識(shí)的要求較高，而本文方法能夠根據(jù)像斑特征調(diào)節(jié)特征權(quán)值，充分利用像斑的光譜特征和紋理特征，檢測結(jié)果精度優(yōu)于固定權(quán)值方法，且不依賴于實(shí)驗(yàn)經(jīng)驗(yàn)和專家知識(shí).

3 結(jié)束語

針對(duì)多時(shí)相遙感影像的變化檢測，研究了一種多特征自適應(yīng)組合的方法，并選取光譜特征和紋理兩種特征為代表，實(shí)現(xiàn)了兩種特征的權(quán)值自動(dòng)調(diào)節(jié).將本文方法和固定權(quán)值法的變化檢測結(jié)果與人工目視判讀結(jié)果進(jìn)行了對(duì)比分析.分析結(jié)果表明，本文方法在不依賴實(shí)際經(jīng)驗(yàn)和專家知識(shí)的前提下，能夠充分利用像斑的紋理和光譜兩種組合特征，能有效改善檢測效果.同時(shí)兼顧紋理和光譜特征的權(quán)值自應(yīng)調(diào)節(jié)方法，為多特征組合的遙感影像變化檢測技術(shù)提供了參考和借鑒.在下一步研究中，還將引入像斑的顏色、形狀、邊緣等特征，探索更多特征的自適應(yīng)組合方法，進(jìn)一步提高多時(shí)相遙感影像變化檢測的準(zhǔn)確性和可靠性.

表1 不同權(quán)重變化檢測結(jié)果精度比較