盧麗琛 洪亮
摘 要:以武漢市東湖高新技術(shù)開發(fā)區(qū)部分區(qū)域?yàn)檠芯繀^(qū),提出基于面向?qū)ο蟮母叻直媛蔬b感影像建筑物變化檢測法.利用BMI算法提取建筑物,利用CVA算法進(jìn)行變化檢測得到全部對象差異度,利用EM算法的貝葉斯閾值計(jì)算方法確定變化閾值.結(jié)果表明,基于面向?qū)ο蟮淖兓瘷z測總體精度為89.48%,Kappa系數(shù)為0.86,優(yōu)于基于像元的變化檢測,為高分辨率遙感影像建筑物的變化檢測提供了一種新的思維方式和方法.
關(guān)鍵詞:高分辨率;變化檢測;基于像元;面向?qū)ο?/p>
[中圖分類號]P237?? [文獻(xiàn)標(biāo)志碼]A
Object-oriented Detection of Building Changes Based on HighSpatial Resolution Remote Sensing Image
LU Lichena,b,c,d,HONG Liang*a,b,c,d,e,f,g
(Yunnan Normal University,a.Faculty of Geography;b.GIS Technology Research Center of Resource and
Environment in Western China of Ministry of Education;c.Center for Geospatial Information Engineering
and Technology of Yunnan Province;d.Key Laboratory of Resources and Environmental Remote
Sensing for Universities in Yunnan;e.Center for Bay of Bengal Area Studies of Yunnan Normal
University;f.Center for Myanmar Studies of Yunnan Normal University;g.Center for Cambodia
Studies of Yunnan Normal University,Kunming 650500,China)
Abstract:Based on the object-oriented method of building change detection,a new method of building change detection based on high-resolution remote sensing image is proposed.BMI algorithm was used to extract buildings,CVA algorithm was used to detect changes to obtain all object differences,and the bayesian threshold calculation method of EM algorithm was used to determine the change threshold.The results show that the overall accuracy of object-based change detection is 89.48% and the Kappa coefficient is 0.86,which is superior to pixel-based change detection and provides a new way of thinking and method for the change detection of buildings with high-resolution remote sensing image.
Key words:high spatial resolution;change detection;pixel-based;object-oriented
近年來,隨著遙感影像的空間分辨率不斷提高和影像處理技術(shù)方法層出不窮,遙感影像變化檢測技術(shù)取得很大突破,出現(xiàn)了許多新方法和實(shí)用性強(qiáng)的應(yīng)用.在城鎮(zhèn)區(qū)域的高分辨率遙感圖像中,建筑物目標(biāo)占據(jù)很大一部分,作為地物類別的主要內(nèi)容,建筑物是城市地理數(shù)據(jù)庫中最容易發(fā)生變化和最需要更新的部分,其更新較快,因此,開展對高分辨率遙感影像中的建筑物進(jìn)行自動提取和變化檢測研究具有重要的意義.最佳變化檢測要結(jié)合具體的數(shù)據(jù)情況和實(shí)際應(yīng)用目的來進(jìn)行選擇.高分辨率遙感影像的建筑物變化檢測主要是對不同時(shí)間同一地區(qū)的兩景或多景高分辨率遙感影像中的建筑物的變化情況進(jìn)行檢測,通過對比和分析,獲取人們所需要的兩時(shí)段建筑物的變化信息.[1-8]本文基于樣本選擇算法的貝葉斯閾值確定面向?qū)ο蟮淖兓瘷z測閾值,利用最大期望(expectation maximization,EM)算法結(jié)合BMI算法和CVA算法對變化區(qū)域進(jìn)行提取與檢測,提高了變化檢測的精度,獲得了較好的效果,為高分辨率遙感影像建筑物的變化檢測提供了一種新的思維方式和方法.
1 研究區(qū)概況
研究區(qū)位于湖北省武漢市東南部洪山區(qū)的東湖高新技術(shù)開發(fā)區(qū),建筑區(qū)域變化較明顯,區(qū)規(guī)劃面積518 km2,區(qū)內(nèi)常年居住的人口為40萬人.
2 數(shù)據(jù)源和方法
2.1 數(shù)據(jù)源
采用武漢東湖高新開發(fā)區(qū)部分區(qū)域2010年2月和2012年2月兩景Worldview-2衛(wèi)星影像.空間分辨率為0.5 m,影像尺寸為995像素×514像素.
2.2 研究方法
為提高目視效果,將worldview-2高分辨率的全色影像與低分辨率的多光譜影像進(jìn)行融合,合成一副真彩色的高分辨率影像.筆者利用ENVI軟件,使用Gram- Schimdt變換法進(jìn)行數(shù)據(jù)融合.GS改進(jìn)了主成分變化中信息過分集中的問題,專門為高空間分辨率圖像所設(shè)計(jì),較好的保持圖像的空間紋理信息,避免了傳統(tǒng)的融合方法失真性,既保留了影像光譜的信息,又增強(qiáng)了影像的空間分辨率,融合效果較好.采用基于像元的變化檢測分類的最小距離法.
筆者提出一種基于高分辨率遙感影像面向?qū)ο蟮慕ㄖ镒兓瘷z測新算法:將影像進(jìn)行多尺度分割,利用BMI算法提取建筑物,利用CVA算法進(jìn)行變化檢測得到全部對象差異度,利用EM算法的貝葉斯閾值計(jì)算方法確定閾值.
分割方法 采用分形網(wǎng)絡(luò)演化多尺度分割算法(FNEA).分割步驟:通過試驗(yàn)選擇不同分割參數(shù),以此得到合適的分割尺度、緊致度和形狀因子;對配準(zhǔn)的兩時(shí)相或多時(shí)相的遙感影像進(jìn)行影像的疊加并進(jìn)行多尺度分割;利用分割結(jié)果在兩景或多景遙感影像上分別獲得對應(yīng)的建筑區(qū)域的像斑.
建筑物變化檢測方法 將分割后的遙感影像利用BMI算法提取建筑物,利用CVA算法進(jìn)行變化檢測得到全部對象差異度,利用EM算法的貝葉斯閾值計(jì)算方法確定閾值.筆者利用MBI算法提取建筑物和基于CVA算法的變化檢測所獲得的全部像斑差異度作為訓(xùn)練樣本,選擇EM算法的貝葉斯閾值確定方法獲取變化閾值.假設(shè)像斑差異度組成的集合為
DCVA=d1CVA,…,dnCVA,
n為像斑的數(shù)量.將DCVA分為兩類,一類是變化的,一類是未變化的.設(shè)它們的條件密度函數(shù)服從于高斯分布,則DCVA中像斑差異度近似滿足兩個(gè)(或多個(gè))子高斯分布組成的混合高斯分布.使用EM算法對兩個(gè)(或多個(gè))子高斯分布模型進(jìn)行參數(shù)估計(jì),獲得變化類和未變化類的分布參數(shù).根據(jù)貝葉斯最小誤差率理論公式計(jì)算得到變化閾值T:
(δ2u-δ2c)T2+2(μuδ2c-μcδ2u)T+μ2cδ2u-μ2uδ2c-2μ2uδ2clnδup(wu)δcp(wc)=0.(1)
基于高分辨率遙感影像面向?qū)ο笞兓畔z測的方法是變化向量分析算法(Change vector analysis,CVA).CVA算法一般利用像斑的光譜特征來進(jìn)行變化檢測,以此表達(dá)像斑的變化信息,然后通過等權(quán)融合像斑各波段的光譜特征的方式來獲得像斑之間的差異度.CVA算法為:
dlCVA=∑wj=1Q2j-Q1j2,j=1,2,…,w.(2)
為了彌補(bǔ)CVA算法在像斑特征應(yīng)用中的不足——單一的CVA算法無法表達(dá)完整的像斑變化信息——也為了更有效利用像斑的多維特征,筆者結(jié)合形態(tài)學(xué)建筑物指數(shù)MBI的算法提取建筑物的特征,使研究更精確地將建筑物斑塊提取出來.兩算法的疊加使光譜特征和建筑物指數(shù)特征疊加形成多個(gè)特征,更明顯的體現(xiàn)了像斑的差異度,構(gòu)建特征空間.為保證數(shù)據(jù)的一致性,所有數(shù)據(jù)要?dú)w一化至[0,1].
形態(tài)學(xué)建筑物指數(shù)MBI(Morphological Building Index)主要提取的步驟為:
步驟1 計(jì)算亮度值
b(x)=max1≤k≤Kbandk(x).(3)
其中,k是可見光的光譜波段數(shù),bandk(x)是第k光譜波段在像素x處的亮度值
步驟2 形態(tài)學(xué)白帽重構(gòu)
WTH(d,s)=b-γreb(d,s).(4)
其中,γreb是對亮度圖像b的形態(tài)學(xué)開運(yùn)算,d代表線性結(jié)構(gòu)元素的方向(本研究d=4),s代表線性結(jié)構(gòu)元素的尺度.
步驟3 計(jì)算微分形態(tài)學(xué)剖面DMP(Differential Morphological Profiles)
DMPWTH(d,s)=
WTHd,(s+Δs)-WTH(d,s).(5)
步驟4 計(jì)算MBI
MBI=∑d,sDMPWTH(d,s)D×S.(6)
其中,S=(smax-smin)/Δs+1,D為計(jì)算建筑物剖面時(shí)的方向數(shù),本研究所采用的D=8,smin=2,smax=51,Δs=7.
3 結(jié)果與評價(jià)
3.1 圖像預(yù)處理結(jié)果
經(jīng)過GS方法進(jìn)行圖像融合后,圖1表示兩景融合后的影像.
3.2 基于像元的變化檢測結(jié)果
兩景原始影像通過亮度閾值的選擇提取建筑物,圖2為基于像元建筑物變化檢測二值化后的影像,白色區(qū)域代表變化的區(qū)域,黑色區(qū)域代表未變化的區(qū)域.
3.3 基于面向?qū)ο笞兓瘷z測結(jié)果
選用武漢東湖高新技術(shù)開發(fā)區(qū)2010年融合影像作為基準(zhǔn)影像,2012年融合影像作為檢測影像,將兩景影像配準(zhǔn).運(yùn)用eCognition軟件進(jìn)行多尺度分割.本研究的分割尺度為30,形狀為0.7,緊致度為0.3,效果滿足要求.
導(dǎo)出影像的分割矩陣,讀入標(biāo)記矩陣,以此取得兩景影像的圖斑.這樣做的目的在于可通過各圖斑特征向量的提取,采用基于樣本選擇EM算法得到變化閾值,對變化區(qū)域進(jìn)行檢測.圖3為經(jīng)過BMI算法提取建筑物特征的武漢市東湖高新開發(fā)區(qū)2010年和2012年的影像.圖4為經(jīng)過MBI算法的特征提取之后再經(jīng)過光譜特征疊加后的影像的圖像.圖5為利用EM算法的貝葉斯閾值確定方法獲取變化閾值建筑物變化檢測后的二值化結(jié)果圖,白色區(qū)域代表變化的區(qū)域,黑色區(qū)域代表未變化的區(qū)域.
3.4 結(jié)果分析
3.4.1 定性分析
面向?qū)ο蟮淖兓瘷z測方法是以影像的分割為前提,經(jīng)過分割后的圖斑完整,各類地物形狀清晰,有效地避免了“椒鹽噪聲”,有效地利用了高分辨率遙感影像的光譜特征優(yōu)勢,結(jié)合了形態(tài)建筑物指數(shù)算法(MBI),降低了錯(cuò)分率,使分類更準(zhǔn)確.綜合
來說,利用高分辨率遙感影像做建筑物的變化檢測中,運(yùn)用基于EM算法的貝葉斯閾值確定方法獲取變化閾值的面向?qū)ο蟮淖兓瘷z測方法優(yōu)于基于像元的變化檢測方法.
3.4.2 定量評價(jià)
基于像元和基于面向?qū)ο蟮淖兓瘷z測精度評價(jià)見表1.由表1可以看出,基于像元變化檢測的總體精度和Kappa系數(shù)分別為76.89%和0.69,總體精度較低的原因在于錯(cuò)判的誤差比較大,錯(cuò)分和漏分現(xiàn)象比較嚴(yán)重.錯(cuò)分和漏分的區(qū)域大多數(shù)處于建筑物邊界或是道路的邊界.相對于基于像元的變化檢測方法,運(yùn)用面向?qū)ο蟮姆椒ㄟM(jìn)行變化檢測能夠獲得更好的效果,其檢測總體精度達(dá)到89.48%,Kappa系數(shù)為0.86.面向?qū)ο蟮淖兓瘷z測不僅很好的利用了光譜信息,還結(jié)合形態(tài)建筑物指數(shù),根據(jù)建筑物的多特征性質(zhì)精確提取建筑物,使建筑物的變化檢測精度更高,在一定程度上保證了變化檢測的準(zhǔn)確性,使對象的各類精度均達(dá)到了85%以上.
4 結(jié)論及啟示
近年來,隨著經(jīng)濟(jì)的發(fā)展,城市極度擴(kuò)張,準(zhǔn)確測定建筑物的變化對于城市規(guī)劃和城市的發(fā)展至關(guān)重要.筆者基于面向?qū)ο蟮慕ㄖ镒兓瘷z測提出一種新算法——面向?qū)ο蟮母叻直媛蔬b感影像建筑物變化檢測.先利用BMI算法提取建筑物,然后利用CVA算法進(jìn)行變化檢測得到全部對象差異度,最后利用EM算法的貝葉斯閾值計(jì)算方法確定變化閾值.筆者對武漢市東湖高新技術(shù)開發(fā)區(qū)2010年2月和2012年2月兩景Worldview-2高分辨率遙感影像進(jìn)行建筑物變化檢測,結(jié)果表明,基于面向?qū)ο蟮淖兓瘷z測總體精度為89.48%,Kappa系數(shù)為0.86,優(yōu)于基于像元的變化檢測.目前,高分辨率遙感影像變化檢測方法的研究還遠(yuǎn)遠(yuǎn)未達(dá)到成熟,尚不能滿足人們實(shí)際的需求,基于該研究區(qū)域的變化檢測方法C是否具有普適性,還需要等待用更多的實(shí)驗(yàn)去探究.
參考文獻(xiàn)
[1]張曉東,基于遙感影像與GIS數(shù)據(jù)的變化檢測理論和方法研究[D].武漢:武漢大學(xué),2005.
[2]Chen J,Chen X,Cui X,et al.Change Vector Analysis in Posterior Probability Space:A New Method for Land Cover Change Detection[J].Geoscience & Remote Sensing Letters IEEE,2011,8(2):317-321.
[3]霍春雷,程健,盧漢清,等.基于多尺度融合的對象級變化檢測新方法[J].自動化學(xué)報(bào),2008,34(3):251-257.
[4]李雪,舒寧,李井岡,等.基于特征貢獻(xiàn)選擇的遙感影像變化檢測方法研究[J].武漢大學(xué)學(xué)報(bào):信息科學(xué)版,2013(10):1158-1162.
[5]Adar,Shkolnisky,Ben Dor.A new approach for thresholding spectral change detection using multispectral and hyperspectral image data,a case study over Sokolov,Czech republic[J].International Journal of Remote Sensing,2014,35(4):1563-1584.
[6]Sicong L,Bruzzone L,Bovolo F,et al.Hierarchical Unsupervised Change Detection in Multitemporal Hyperspectral Images[J].Geoscience & Remote Sensing IEEE Transactions on,2015,53(1):244-260.
[7]Pang S,Hu X,Wang Z,et al.Object-based analysis of airborne LiDAR data for building change detection[J].Remote Sensing,2014,6:10733-10749.
[8]Nebiker,Lack ,Deuber.Building change detection from historical aerial photographs using dense image matching and object-based image analysis[J].Remote Sensing,2014,6:8310-8336.
編輯:琳莉
收稿日期:2020-11-01
基金項(xiàng)目:國家自然科學(xué)基金項(xiàng)目(41661082;41861048);云南省自然科學(xué)基金項(xiàng)目(2018FB082)
作者簡介:盧麗琛(1994-),女,湖南永州人.碩士研究生,主要從事湖泊水資源變化遙感信息提取研究;洪亮(1981-),男,湖南永州人.教授,博士,博士生導(dǎo)師,主要從事遙感大數(shù)據(jù)分析和遙感信息提取研究.
通訊作者:洪 亮