遙感影像變化檢測方法的比較──以堰塞湖災(zāi)害點為例

湯志鵬，方國東

(1. 北京師范大學(xué)地理科學(xué)學(xué)部，北京 100875； 2. 中國礦業(yè)大學(xué)機電工程學(xué)院，江蘇 徐州 221116)

遙感影像變化檢測方法的比較──以堰塞湖災(zāi)害點為例

湯志鵬1，方國東2

(1. 北京師范大學(xué)地理科學(xué)學(xué)部，北京 100875； 2. 中國礦業(yè)大學(xué)機電工程學(xué)院，江蘇 徐州 221116)

一個對象(現(xiàn)象)在不同的時間發(fā)生的變化存在著一定的相關(guān)性，利用光譜和空間相關(guān)性信息提取出地物發(fā)生變化的方法──基于鄰域相關(guān)性圖(NCIs)和基于交互相關(guān)性分析(CCA)的變化檢測方法分別取得了不錯的效果。為了探究這兩種方法在土地覆蓋變化檢測中的適用性，對其進行應(yīng)用并評價。以堰塞湖災(zāi)害點為試驗區(qū)，選取了同一年份的兩期高分一號衛(wèi)星影像，對比了監(jiān)督的基于NCIs的方法和監(jiān)督的分類后比較法及非監(jiān)督的基于CCA的方法和非監(jiān)督的分類后比較法。結(jié)果表明：基于NCIs的方法在鄰域半徑等于3像素時，總體精度最大，為93.05%，比監(jiān)督的分類后比較法(采用支持向量機分類器，總體精度為93.03%)稍好，但其受鄰域半徑的制約較大；基于CCA的方法在閾值等于20像素時，總體精度最高，為93.95%，比非監(jiān)督的分類后比較法(采用ISODATA分類器，總體精度為90.52%)好，但不足在于需要經(jīng)驗判斷并試驗求取最佳閾值，以及需要已知前一個時相的地表真實值。

遙感影像；變化檢測；鄰域相關(guān)性圖；交互相關(guān)性

變化檢測是遙感影像研究領(lǐng)域中的重要組成部分[1-2]。Singh將遙感影像變化檢測定義為通過不同時間內(nèi)對一個對象或現(xiàn)象進行觀察從而區(qū)分其狀態(tài)的改變[3]。近年來，利用衛(wèi)星遙感影像對地表覆蓋信息進行識別已成為遙感影像分析研究的熱點之一[4-5]，在林地檢測、損毀評估、災(zāi)害監(jiān)控、城市擴張及土地管理領(lǐng)域中具有廣泛的應(yīng)用[6-7]。

遙感影像變化檢測的方法有很多，如層運算法[8]，其優(yōu)點是算法簡單，易于實現(xiàn)，但預(yù)處理要求高，忽略了波段之間的統(tǒng)計相關(guān)性；主成分分析法[9]減少了數(shù)據(jù)間的冗余信息，變換后的圖像增強了變化信息，但單個像元對應(yīng)的主成分分量丟失了原有波段的物理意義[10]；變化向量法[11]簡化了維數(shù)，提高了效率，但變化方向的表示方式的不同可能對結(jié)果產(chǎn)生影響；分類后比較法(post-classification comparison，PCC)[12]以其操作簡單的優(yōu)點得到了廣泛的應(yīng)用，但精度過分依賴于分類器的選擇。傳統(tǒng)的方法沒有考慮像元的上下文信息，忽略了像元光譜和空間的聯(lián)系，而利用光譜和空間相關(guān)性信息的方法卻彌補了這一缺點?；卩徲蛳嚓P(guān)性圖(neighborhood correlation images，NCIs)的變化檢測方法[13]，利用兩個時相遙感影像的鄰域相關(guān)性，同時引入監(jiān)督信息，實現(xiàn)地物的高精度變化檢測。該方法也可以引入分割體鄰域信息，并得到較好的結(jié)果[14-15]?；诮换ハ嚓P(guān)性分析(cross correlation analysis，CCA)是一種非監(jiān)督的方法，通過一個時相的地表真實值計算另一個時相光譜間的交互相關(guān)性，從而精確地得到變化的地物類別[16-18]。

為了探究利用光譜和空間相關(guān)性信息的變化檢測方法在土地覆蓋變化檢測中的適用性和有效性，筆者以高分一號衛(wèi)星影像為數(shù)據(jù)源，以堰塞湖災(zāi)害點為試驗對象，比較了基于NCIs和CCA的變化檢測方法和分類后比較法的優(yōu)缺點。研究結(jié)果對于篩選和利用有效的變化檢測方法及提高地表覆蓋變化檢測的自動化程度具有借鑒意義。

1 遙感影像變化檢測方法原理介紹

1.1 基于NCIs的變化檢測方法

基于NCIs的模型側(cè)重于光譜上下文之間信息的整合，即空間鄰域之間的相關(guān)性γ、斜率β和截距α，也統(tǒng)稱為鄰域相關(guān)性圖，見式(1)。通過對鄰域相關(guān)性圖的分析得到變化和不變化的信息[13-14]。

(1)

鄰域相關(guān)性圖是基于兩時相遙感數(shù)據(jù)各波段中亮度值的大小和方向計算而得，如果在指定鄰域內(nèi)像元的光譜變化較為顯著，則該鄰域內(nèi)兩個數(shù)據(jù)集的相關(guān)性將會降低，斜率和截距值將會隨著光譜信息大小和方向的改變而變化。如果指定鄰域內(nèi)的像元的光譜值幾乎沒有發(fā)生改變，則該鄰域內(nèi)兩個數(shù)據(jù)集的相關(guān)性較高，且斜率接近于1，截距接近于0。得到了鄰域相關(guān)性圖之后，對其選取訓(xùn)練樣本，并選用合適的分類器進行分類。本次試驗采用了SVM分類器。

1.2 基于CCA的變化檢測方法

基于CCA的變化檢測方法是由美國Earthsat開發(fā)的。當(dāng)已知一個時相T1的地表真實值時，該方法可以檢測出另一時相T2的遙感影像中的地表變化情況。T2時相中的所有像元都對應(yīng)于相同位置的T1時相中的特定地物類別。先統(tǒng)計出所有地物類別的類內(nèi)光譜均值和光譜標準差，再計算T2時相中每一個像元與其對應(yīng)的T1時相中特定地物類別之間的關(guān)系，并用Z統(tǒng)計值表示，公式為[17]

(2)

式中，Zij為T2中的像元ij的Z統(tǒng)計值；b為T2中的第b波段；n為T2的總波段數(shù)；Cij為T2中的像元ij在T1中相應(yīng)位置對應(yīng)的類別標簽；BVbij為T2中第b波段的像元ij的亮度值；μbCij為第b波段中屬于Cij類別的像元亮度值的均值；σbCij為第b波段中屬于Cij類別的像元亮度值的標準差。Zij統(tǒng)計值越大，則T2中像元ij與T1中對應(yīng)的地物類別的差異越大，說明該像元發(fā)生變化的可能性越大；反之，Zij統(tǒng)計值越小，則該像元發(fā)生變化的可能性越小。選取一個合適的閾值，將T2中所有像元劃分為變或不變兩類。

2 試驗方法

2.1 數(shù)據(jù)

試驗數(shù)據(jù)集包括兩期高分一號衛(wèi)星影像，地區(qū)為中國云南省魯?shù)榭h堰塞湖區(qū)域，地理位置為103°23′10″—103°26′22″ E，26°59′52″—27°2′17″ N，屬低緯山地季風(fēng)氣候。區(qū)內(nèi)有林地、草地、水體等土地覆蓋類型。2014年8月3日魯?shù)榘l(fā)生6.5級地震，其引發(fā)的山體滑坡導(dǎo)致堰塞湖水壩損毀，水勢上漲。影像的拍攝時間分別為2014年7月23日和2014年9月11日，空間分辨率為5 m(重采樣后)，包括紅光、綠光、藍光和近紅外4個波段。經(jīng)裁剪后，影像大小為1201×1001像元，如圖1所示，線框中為掩膜區(qū)域。根據(jù)已有的無人機影像、Google影像和高分一號全色影像，結(jié)合實地觀測，人工解譯出2014年7月23日及9月11日的參考影像。

圖1 高分一號多光譜衛(wèi)星影像

2.2 預(yù)處理

高分一號衛(wèi)星多光譜影像原始空間分辨率為8 m，全色影像原始空間分辨率為2 m。遙感影像因環(huán)境及其他差異導(dǎo)致空間像元的位置信息產(chǎn)生變化，因此使用ENVI 5.0軟件對兩期影像進行幾何校正，并采用雙線性重采樣法進行重采樣，使兩期影像的空間分辨率為5 m。同時，由于傳感器拍攝時間的不同，導(dǎo)致影像中的像元出現(xiàn)了一定輻射誤差。采用統(tǒng)計回歸分析法對其進行輻射歸一化處理。

2.3 試驗設(shè)計

鑒于基于NCIs的方法是監(jiān)督方法，基于CCA的方法是非監(jiān)督方法，而將這兩種方法與分類后比較法進行比較時，需考慮分類后比較法的監(jiān)督及非監(jiān)督性質(zhì)。為此筆者使用了監(jiān)督分類器：SVM和最小距離分類器，以及非監(jiān)督分類器：ISODATA分類器，分別實施分類后比較法。同時，監(jiān)督分類選擇的分類樣本全部一致。

試驗流程和基本步驟如下：

(1) 基于NCIs的方法實施。試驗步驟包括：創(chuàng)建鄰域相關(guān)性圖、訓(xùn)練數(shù)據(jù)集、選擇分類器并分類、得到變化的范圍。由于鄰域半徑的大小對試驗結(jié)果有很大的影響，本組試驗分別選擇鄰域半徑為3、5和7像素的試驗結(jié)果進行了比較，分類器選擇SVM分類器。

(2) 基于CCA的方法實施。試驗步驟包括：獲取時相一的地表真實值地圖、計算時相二和時相一的Z統(tǒng)計值、選取閾值并提取變化的區(qū)域。由于閾值的選取對試驗結(jié)果有很大的影響，根據(jù)經(jīng)驗判斷和不同閾值的結(jié)果分析，最終選擇閾值為16、18和20像素的試驗結(jié)果進行了比較。

(3) 分類后比較法實施。試驗步驟包括：對時相一的影像進行分類、對時相二的影像進行分類、比較從時相一到時相二的變化。由于分類器的選擇對試驗結(jié)果有很大的影響，本組試驗分別選取SVM、最小距離和ISODATA分類器的試驗結(jié)果進行了比較。

2.4 試驗結(jié)果

對幾何校正和輻射校正后的影像進行試驗，試驗結(jié)果如圖2所示。(a)—(c)為基于NCIs的變化檢測結(jié)果，鄰域半徑大小依次為3、5和7像素；(d)—(f)為基于CCA的變化檢測結(jié)果，閾值依次為16、18和20像素；(g)—(i)為分類后比較法的變化檢測結(jié)果，分別使用SVM、最小距離和ISODATA分類器；(j)—(l)為災(zāi)害前后的遙感影像地表真實值圖和變化的真實值圖。

圖2 不同變化檢測方法結(jié)果及參考影像

2.5 精度評價

采用混淆矩陣的方法，對待評價數(shù)據(jù)和參考數(shù)據(jù)進行精度評價，表1—表3分別為基于NCIs (R=5)、CCA (TH=16)和分類后比較法(最小距離分類器)的混淆矩陣。表4為3種變化檢測方法的精度評價。

表1 基于NCIs (R=5)的方法混淆矩陣

表2 基于CCA (TH=16)的方法混淆矩陣

表3 分類后比較法(MinD)混淆矩陣

表4 3種變化檢測方法的精度

2.6 結(jié)果與討論

根據(jù)表1—表3，基于最小距離分類器的分類后比較法成功識別出最多數(shù)量的真實變化區(qū)域和一定數(shù)量的真實不變化的區(qū)域，但有一些不變的區(qū)域被錯誤地識別成變化的區(qū)域?；贜CIs的變化檢測方法(R=5)也成功地識別出大部分的變化的區(qū)域。基于CCA的變化檢測方法(TH=16)很好地抑制了不變的區(qū)域檢測成變化的區(qū)域，但真實變化的區(qū)域識別率較低。

根據(jù)表4可以看出：

(1) 基于NCIs的變化檢測方法隨著鄰域半徑的增大，總體精度逐漸減小，該方法的變化的錯分率和不變的漏分率都相對較大。當(dāng)鄰域半徑等于7像素時，變化的錯分率高達42.95%，并且不變的漏分率達到7.09%。分析原因可知，鄰域半徑越大，引入的像素上下文之間的信息越多，同時也引入了大量未知的誤差，由此可見鄰域半徑的選擇對該方法有很大的制約。

(2) 基于CCA的變化檢測方法隨著閾值的增大，變化類別的錯分誤差越來越小。而當(dāng)閾值為20像素時，該方法有最大的總體精度，高達93.95%，總體來看，該方法具有最好的表現(xiàn)。

(3) 分類后比較法分為監(jiān)督和非監(jiān)督兩種，基于SVM分類器和最小距離分類器的方法是監(jiān)督方法，而基于ISODATA分類器的方法是非監(jiān)督方法，監(jiān)督方法明顯優(yōu)于非監(jiān)督方法。由此可見，分類后比較法的精度依賴于分類器的精度。

從監(jiān)督和非監(jiān)督的角度考慮，可以看出：

(1) 鄰域半徑等于3像素時，基于NCIs的變化檢測方法具有最大的總體精度，為93.05%，而使用SVM分類器時，分類后比較法精度最大為93.03%。在相同訓(xùn)練樣本和相同分類器的情況下，監(jiān)督的基于NCIs的變化檢測方法稍微優(yōu)于監(jiān)督的分類后比較法。

(2) 基于CCA的變化檢測方法的總體精度隨著閾值的增大而增大，即使在閾值等于16像素時，總體精度仍高達93.82%，比非監(jiān)督的分類后比較法(總體精度為90.52%)大得多。可以得出結(jié)論，非監(jiān)督的基于CCA的變化檢測方法明顯優(yōu)于非監(jiān)督的分類后比較法。

3 結(jié) 論

筆者以云南省魯?shù)榭h堰塞湖災(zāi)害點為試驗區(qū)，選取了2014年7月23日和9月11日兩期高分一號衛(wèi)星影像，分析了3種不同的變化檢測方法的表現(xiàn)——基于NCIs、CCA的方法和分類后比較法，并分析了制約這3種方法精度的因素，得到如下結(jié)論：

(1) 監(jiān)督的變化檢測方法中，基于NCIs的方法效果優(yōu)于分類后比較法。但該方法不足在于：隨著鄰域半徑的增大，引入空間和光譜之間的誤差增大，在鄰域半徑等于7像素時，變化類別的錯分誤差過大。

(2) 非監(jiān)督的變化檢測方法中，基于CCA的方法優(yōu)于分類后比較法。該方法具有操作簡單、精度高的優(yōu)勢，但不足在于最佳閾值難以選擇且需要已知前一個時相地表真實值。

本研究的創(chuàng)新點在于將利用光譜和空間相關(guān)性信息的變化檢測方法在土地覆蓋變化檢測中進行應(yīng)用，并且根據(jù)監(jiān)督和非監(jiān)督的類型與分類后比較法進行比較，對于篩選和利用有效的變化檢測方法及提高地表覆蓋變化檢測的自動化程度具有借鑒意義。

[1] JENSEN J R，COWEN D J，ALTHAUSEN J D，et al.An Evaluation of the CoastWatch Change Detection Protocol in South Carolina[J].Photogrammetric Engineering and Remote Sensing,1993,59(6):1039-1046.

[2] TEWKESBURY A P，COMBER A J，TATE N J，et al.A Critical Synthesis of Remotely Sensed Optical Image Change Detection Techniques[J].Remote Sensing of Environment,2015,160:1-14.

[3] ASHBINDU S.Review Article Digital Change Detection Techniques using Remotely-sensed Data[J].International Journal of Remote Sensing,1989,10(6):989-1003.

[4] 趙英時.遙感應(yīng)用分析原理與方法[M].北京:科學(xué)出版社,2013.

[5] 黃杰，王光輝，胡高強,等.高分辨率彩色遙感影像變化檢測方法研究[J].測繪通報，2016(8):30-34.

[6] 鞏翼龍.地表覆蓋與建筑物目標變化檢測技術(shù)研究[J].測繪學(xué)報，2017，46(1):132-138.

[7] HUSSAIN M，CHEN D，CHENG A，et al.Change Detection from Remotely Sensed Images：From Pixel-based to Object-based Approaches[J].ISPRS Journal of Photogrammetry and Remote Sensing,2013,80(2):91-106.

[8] COULTER L L，HOPE A S，STOW D A，et al.Time-space Radiometric Normalization of TM/ETM+Images for Land Cover Change Detection[J].International Journal of Remote Sensing,2011,32(22):7539-7556.

[9] DENG J S，WANG K，DENG Y H，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.

[10] 佟彪.基于土地利用圖斑的遙感影像變化檢測與更新[D].武漢:武漢大學(xué),2005.

[11] YE S，CHEN D，YU J.A Targeted Change-detection Procedure by Combining Change Vector Analysis and Post-classification Approach[J].ISPRS Journal of Photogrammetry and Remote Sensing,2016,114:115-124.

[12] EL-HATTAB M M.Applying Post Classification Change Detection Technique to Monitor an Egyptian Coastal Zone (Abu Qir Bay)[J].Egyptian Journal of Remote Sensing and Space Science,2016,19(1):23-36.

[13] IM J，JENSEN J R.A Change Detection Model Based on Neighborhood Correlation Image Analysis and Decision Tree Classification[J].Remote Sensing of Environment,2005,99(3):326-340.

[14] TANG Z，TANG H，HE S，et al.Object-based Change Detection Model Using Correlation Analysis and Classification for VHR Image[C]∥2015 IEEE Interna-tional Geoscience and Remote Sensing Symposium (IGARSS). Milan：IEEE，2015.

[15] IM J，JENSEN J R，TULLIS J A.Object-based Change Detection Using Correlation Image Analysis and Image Segmentation[J].International Journal of Remote Sensing,2008,29(2):399-423.

[16] KOELN G，BISSONNETTE J.Cross-correlation Analysis：Mapping Landcover Change with a Historic Landcover Database and a Recent，Single-date Multispectral Image[C]∥Proc.2000 ASPRS Annual Convention.Washington，DC：[s.n.]，2000.

[17] TARANTINO C，ADAMO M，LUCAS R，et al.Detection of Changes in Semi-natural Grasslands by Cross Correlation Analysis with WorldView-2 Images and New Landsat 8 Data[J].Remote Sensing of Environment,2016,175:65-72.

[18] TARANTINO C，BLONDA P，ADAMO M.An Application of the Cross-correlation Analysis to Detect Changes in Semi-natural Grasslands to Artificial Structures Using Very High and High Resolution Satellite Data[C]∥Environmental，Energy，and Structural Monitoring Systems.Bari：IEEE，2016.

ComparisonofChangeDetectionMethodsforRemoteSensingImageries:TakeYanseLakeDisasterAreaasanExample

TANG Zhipeng1，F(xiàn)ANG Guodong2

(1. Faulty of Geographical Science，Beijing Normal University，Beijing 100875,China； 2. School of Mechatronic Engineering，China University of Mining and Technology，Xuzhou 221116，China)

A certain correlation exists between the changes of an object (phenomenon) at different time，which can be used as one of the important features to detect changes. Many traditional change detection methods like layer arithmetic，change vector analysis，and multi-data direct comparison take no consideration of context information and spectral and spatial correlation. Neighborhood correlation images (NCIs) and cross correlation analysis (CCA) change detection methods that use spectral and spatial correlation information to extract changes in land-use both have been verified to have a good accuracy. In this paper，these two methods are applied and evaluated in order to verify their applicability. Dual phase images from GF-1 satellite of yanse lake disaster areas are chosen to conduct the experiments，where the supervised NCIs and the supervised post-classification comparison (PCC) based on support vector machine (SVM) and maximum likelihood，and the unsupervised CCA and the unsupervised PCC based on ISODATA have been compared. The results indicate that the supervised NCIs method shows the highest overall accuracy with a 3-pixel radius of neighborhood，93.05%，and it is a little higher than the supervised PCC method based on SVM whose overall accuracy is 90.52%. The demerit of the NCIs method is the constraint of neighborhood size. Moreover，the unsupervised CCA method performs best with a threshold of 20 pixels，where the overall accuracy is 93.95%. It shows more advantages than the unsupervised PCC method based on ISODATA，the overall accuracy of which is 90.52%.However，it is not easy for the CCA method to choose the proper threshold and obtain the ground-truth of a single phase image.

remote sensing imagery；change detection；neighborhood correlation images；cross correlation analysis

2017-03-20；

2017-05-23

國家自然科學(xué)基金面上項目 (41571334)

湯志鵬(1991—)，男，碩士，主要從事遙感影像分類和變化檢測算法研究。E-mail: tzp@mail.bnu.edu.cn

湯志鵬，方國東.遙感影像變化檢測方法的比較──以堰塞湖災(zāi)害點為例[J].測繪通報，2017(12)：48-52.

10.13474/j.cnki.11-2246.2017.0377.

P237

A

0494-0911(2017)12-0048-05