結(jié)合像元級和目標(biāo)級的高分辨率遙感影像建筑物變化檢測

張志強(qiáng)，張新長，辛秦川，楊曉羚

1. 中山大學(xué)地理科學(xué)與規(guī)劃學(xué)院，廣東 廣州 510275； 2. 廣州大學(xué)，廣東 廣州 510006； 3. 廣東省城市化與地理環(huán)境空間模擬重點(diǎn)實(shí)驗(yàn)室，廣東 廣州 510275； 4. 廣東省城鄉(xiāng)規(guī)劃設(shè)計研究院，廣東 廣州 510290

建筑物作為活躍的城市要素，其變化信息對城市規(guī)劃、城市管理等業(yè)務(wù)具有重要意義[1]?，F(xiàn)階段國土測繪等業(yè)務(wù)部門仍然主要采用實(shí)地調(diào)查的方式進(jìn)行城市建筑物變化檢測，消耗人力物力較多、數(shù)據(jù)采集周期較長[2]。隨著衛(wèi)星遙感技術(shù)的快速發(fā)展，利用高空間分辨率遙感影像直接進(jìn)行建筑物變化檢測能夠大幅減少人力物力成本[1-4]，然而其檢測結(jié)果必須滿足精度標(biāo)準(zhǔn)才能夠應(yīng)用于業(yè)務(wù)部門，因此研究和發(fā)展精準(zhǔn)的高分辨率遙感影像建筑物變化檢測方法具有現(xiàn)實(shí)的應(yīng)用價值。

與中低分辨率遙感影像相比，高分辨率遙感影像具有顯著的空間分辨率優(yōu)勢，能夠清晰刻畫城市內(nèi)部結(jié)構(gòu)要素，如建筑物、道路、車輛等。然而隨著空間分辨率的提高，遙感影像地物光譜異質(zhì)性增加，同類地物類內(nèi)方差增大，不同類地物類間方差減小，導(dǎo)致“同物異譜，同譜異物”的現(xiàn)象愈發(fā)嚴(yán)重，給傳統(tǒng)的遙感影像變化檢測方法提出了巨大挑戰(zhàn)[5]。為滿足高分辨率下遙感影像變化檢測的需求，需要研究合適的遙感影像變化檢測方法。

根據(jù)分析單元的不同，現(xiàn)有的遙感影像變化檢測方法主要包括：像元級和目標(biāo)級變化檢測方法[5]。像元級變化檢測方法以像元作為分析單元[6]，采用直接對比或分類后比較的策略，能夠有效應(yīng)用于中低分辨率遙感影像，如Landsat影像、MODIS影像等。常用的直接對比分析方法包括：影像差分法[7]、影像比值法[8]、變化向量分析法[9]等。該類方法簡單易行，但存在最佳閾值確定的困難，并且無法識別變化類型。分類后比較法[10]通過對比不同時相遙感影像的分類結(jié)果，檢測變化像元并識別變化類型。該類方法能夠提供完整的變化信息，但變化檢測精度高度依賴影像分類精度。目標(biāo)級變化檢測方法以對象作為分析單元[11]，對配準(zhǔn)精度要求相對較低，能夠直接獲取變化目標(biāo)，便于后續(xù)處理和操作[12]，但存在最佳影像分割的挑戰(zhàn)[5]。根據(jù)影像分割方法的不同，目標(biāo)級變化檢測方法可分為基于影像集分割的變化檢測方法和基于影像獨(dú)立分割的變化檢測方法。前一類方法同時分割雙時相遙感影像所有波段，然后識別變化對象[13]。該類方法簡單易行，但無法檢測形狀變化的地物。后一類方法對雙時相遙感影像進(jìn)行獨(dú)立分割，然后進(jìn)行對象變化檢測[14]。該類方法對于未變化地物難以得到一致的邊界，容易出現(xiàn)錯誤檢測，并且過程復(fù)雜。

由于像元級和目標(biāo)級變化檢測方法各有其內(nèi)在的局限性，融合像元與對象的變化檢測方法成為近年來高分辨率遙感影像變化檢測研究的熱點(diǎn)方向。文獻(xiàn)[15]提出一種基于多尺度分割的遙感影像變化檢測方法，通過多尺度分割為每個像元構(gòu)造多尺度特征向量，然后利用變化向量分析法逐像元進(jìn)行變化檢測。文獻(xiàn)[16]提出一種像元級非監(jiān)督分類與雙時相影像分割相結(jié)合的變化檢測方法。盡管業(yè)已提出多種技術(shù)手段和方法，但是此類方法往往針對全要素進(jìn)行變化分析，并且沒有考慮觀測角度差異對具有一定高度物體的影響，因此直接應(yīng)用于建筑物變化檢測時精度顯著減低。本文聚焦城市建筑物，考慮觀測角度等環(huán)境因素對建筑物變化檢測的影響，提出一種融合像元與對象的高分辨率遙感影像建筑物變化檢測方法。

1 建筑物變化檢測方法

本文提出的建筑物變化檢測方法主要包括3部分：①像元級建筑物變化檢測；②多特征融合的影像分割；③變化建筑物目標(biāo)識別。具體流程如圖1所示。

1.1 像元級變化檢測

1.1.1 特征集構(gòu)建

高分辨率遙感影像具有豐富的紋理特征，且同類地物紋理特征相似，不同類地物紋理特征差異較大。研究表明，在變化檢測方法中融入紋理特征能夠顯著提高遙感影像的變化檢測精度[17]。基于灰度共生矩陣(gray-level co-occurrence matrix，GLCM)的紋理特征計算方法是廣泛采用的特征提取方法[18]。該方法根據(jù)預(yù)先設(shè)定的紋理方向、紋理尺度、窗口移動距離等參數(shù)計算GLCM，然后提取紋理特征。由于基于GLCM的紋理特征間同樣存在大量的冗余信息，本文根據(jù)研究目的和數(shù)據(jù)特征，選取相關(guān)性最小的4個紋理特征，即均值(Mean)、方差(Var)、同質(zhì)性(Hom)、差異性(Dis)。為減小計算量同時利用地物豐富的光譜特征，本文以全色影像為基礎(chǔ)進(jìn)行紋理特征計算，計算公式如下

圖1 建筑物變化檢測流程Fig.1 The flowchart of the building change detection

(1)

(2)

(3)

(4)

式中，N表示灰度等級數(shù)；Pi,j表示灰度級i和j同時出現(xiàn)的概率，即GLCM中第i行第j列的值，所有Pi,j的和為1。

紋理尺度是紋理特征計算的重要參數(shù)。研究表明，恰當(dāng)?shù)募y理尺度能夠準(zhǔn)確刻畫地物的紋理特征，顯著提高遙感影像變化檢測精度[19]。為分析像元級建筑物變化檢測精度隨紋理尺度的變化規(guī)律，并選取最佳紋理尺度，本文選擇15個不同的紋理尺度，即3×3(GLCM texture 3，GT3)、5×5(GT5)、7×7(GT7)、9×9(GT9)、11×11(GT11)、13×13(GT13)、15×15(GT15)、17×17(GT17)、21×21(GT21)、25×25(GT25)、31×31(GT31)、35×35(GT35)、41×41(GT41)、45×45(GT45)、51×51(GT51)，分別計算紋理特征，并與光譜特征結(jié)合進(jìn)行像元級變化檢測。

在數(shù)據(jù)處理中加入光譜相關(guān)的特征因子同樣能夠有效提高遙感影像的變化檢測精度[17]。本文選取與城市內(nèi)部植被和建筑物信息密切相關(guān)的特征因子歸一化植被指數(shù)(normalized difference vegetation index，NDVI)和形態(tài)學(xué)建筑物指數(shù)(morphological building index，MBI)[1,20-21]，連同光譜特征、紋理特征，構(gòu)建特征數(shù)據(jù)集見表1。

表1 建筑物變化檢測特征數(shù)據(jù)集

1.1.2 隨機(jī)森林分類

基于機(jī)器學(xué)習(xí)的遙感影像變化檢測本質(zhì)上是通過雙時相遙感影像特征的疊加合并，將變化檢測問題轉(zhuǎn)換為分類問題。隨機(jī)森林(random forests，RF)是一種非線性的統(tǒng)計學(xué)習(xí)算法，相比于其他機(jī)器學(xué)習(xí)算法，具有精度高、參數(shù)少、穩(wěn)健性強(qiáng)等優(yōu)勢，已廣泛應(yīng)用于遙感影像分類與變化檢測研究，并取得了較好的試驗(yàn)效果[22]。

基于隨機(jī)森林分類器的遙感影像變化檢測主要包括以下步驟：①根據(jù)研究目的，確定分類體系；②提取遙感影像特征，疊加合并，構(gòu)造高維特征向量；③選取訓(xùn)練樣本，并利用自助法(Bootstrap)從原始訓(xùn)練樣本集中抽取K個樣本子集，每個樣本子集的樣本容量與訓(xùn)練樣本集相等；④確定節(jié)點(diǎn)分裂的隨機(jī)特征個數(shù)m，對K個樣本子集分別建立決策樹模型；⑤對每個待分類樣本進(jìn)行分類，得到分類結(jié)果序列{h1(X),h2(X),…,hk(X)}；⑥最后根據(jù)分類結(jié)果序列，采用多數(shù)投票法確定最終的分類結(jié)果。

最終分類決策的數(shù)學(xué)形式如下

(5)

式中，H(x)表示隨機(jī)森林最終分類決策；hi(x)表示單個決策樹模型分類結(jié)果；Y表示輸出變量(目標(biāo)變量)；I(?)表示示性函數(shù)。

1.2 多特征融合的影像分割

由于地物在影像中表現(xiàn)為多維特征的綜合體，基于單一特征的影像分割方法具有較大的局限性[24]，因此本文提出多特征融合的影像分割方法，主要步驟如下：

(1) 超像素分割。超像素是指由一系列特征相似、空間相鄰的像素合并而成的過分割單元。相比于影像像元，超像素能夠極大地提高遙感影像后續(xù)處理的速度，同時具備較強(qiáng)的可塑性，能夠通過進(jìn)一步的合并，得到較好的分割結(jié)果。本文采用空間約束的分水嶺分割算法(ScoW)進(jìn)行超像素分割，以得到形狀緊湊的超像素，從而生成邊界規(guī)整的建筑物對象。其中，ScoW算法的介紹詳見文獻(xiàn)[25]。

(2) 構(gòu)建區(qū)域鄰接圖(region adjacent graph，RAG)。RAG是一種基于圖的思想建立分割結(jié)果中各區(qū)域間鄰接關(guān)系的方法。區(qū)域鄰接圖將初始分割結(jié)果中的每個超像素抽象為一個節(jié)點(diǎn)，超像素相鄰即代表節(jié)點(diǎn)連通，則用一條帶有權(quán)重的線段連接連通節(jié)點(diǎn)[26]。權(quán)重即為相鄰超像素的合并代價，通常認(rèn)為相鄰超像素特征越相似，合并代價越小，越趨于合并。本文提出多特征融合的遙感影像分割方法，綜合考慮相鄰超像素的形狀特征、光譜特征、紋理特征和特征因子，合并代價函數(shù)的計算公式如下

(6)

H(m,n)=w1DS(m,n)+w2DT(m,n)+w3Df(m,n)

(7)

(8)

(9)

DF(m,n)=

(10)

式中，C(m,n)表示相鄰超像素的合并代價函數(shù)；Am、An分別表示超像素m和n的面積；L表示相鄰超像素的公共邊界長度；λ表示形狀系數(shù)；H(m,n)表示相鄰超像素的異質(zhì)性；w1、w2、w3分別表示光譜異質(zhì)性、紋理異質(zhì)性和特征因子異質(zhì)性的權(quán)重；DS(m,n)、DT(m,n)、DF(m,n)分別表示光譜異質(zhì)性、紋理異質(zhì)性和特征因子異質(zhì)性，下標(biāo)f和a分別表示前時相和后時相的特征值。

(3) 區(qū)域合并。區(qū)域合并即為根據(jù)合并代價的排序，循環(huán)合并代價函數(shù)值最小的相鄰區(qū)域，直到最小合并代價函數(shù)值滿足條件。具體合并流程詳見文獻(xiàn)[27]。

1.3 變化建筑物目標(biāo)識別

像元與對象融合的變化建筑物目標(biāo)識別，能夠利用變化建筑物大多數(shù)像元被正確檢測的特性，結(jié)合統(tǒng)計學(xué)原理剔除虛假檢測結(jié)果，從而識別變化的建筑物目標(biāo)。即當(dāng)亞目標(biāo)級下變化建筑物像元比例滿足某一標(biāo)準(zhǔn)時，目標(biāo)對象被識別為變化建筑物，其數(shù)學(xué)表達(dá)形式如下

(11)

Preditseg(p)=Preditseg(Objq)p∈Objq

(12)

式中，Preditseg(Objq)、Preditseg(p)分別表示對象Objq和像元p的變化檢測結(jié)果；1、0分別表示變化建筑物和非變化建筑物；BCP(Objq)表示對象Objq中變化建筑物像元所占比例；T表示亞目標(biāo)下變化建筑物像元比例標(biāo)準(zhǔn)。

1.4 精度評價

完整率(Completeness)、正確率(Correctness)、檢測質(zhì)量(Quality)是廣泛用于評估建筑物變化檢測精度的定量指標(biāo)[28-29]。完整率表示正確檢測的變化建筑物像元占實(shí)際變化建筑物像元的比例，表征變化建筑物像元被實(shí)際檢出的概率。正確率表示正確檢測的變化建筑物像元占所有檢測為變化建筑物像元的比例，表征建筑物變化檢測結(jié)果的可靠程度。而檢測質(zhì)量是建筑物變化檢測精度的總體度量，檢測質(zhì)量越大，表示錯誤檢測像元和遺漏檢測像元占正確檢測像元的比例越小，變化檢測的效果越好。計算公式如下

(13)

(14)

(15)

式中，TP(true positive)表示正確檢測的變化建筑物像元數(shù)；FN(false negative)表示未檢測到的變化建筑物像元數(shù)，即實(shí)際發(fā)生了建筑物變化但未被成功檢測的像元數(shù)；FP(false positive)表示錯誤檢測的像元數(shù)，即被檢測為變化建筑物但實(shí)際未變化的像元數(shù)。

2 試 驗(yàn)

2.1 試驗(yàn)數(shù)據(jù)

廣州市增城區(qū)是我國南方快速城市化的典型城鎮(zhèn)區(qū)域，選取該區(qū)的兩個典型子區(qū)進(jìn)行變化檢測試驗(yàn)。試驗(yàn)數(shù)據(jù)來自2009-01-09和2011-11-23兩期QuickBird影像，每期影像包括全色和多光譜(藍(lán)、綠、紅、近紅外4個波段)兩種數(shù)據(jù)，其重采樣后的空間分辨率分別為0.5 m和2 m。為進(jìn)行變化檢測試驗(yàn)，首先對整幅影像進(jìn)行預(yù)處理。每期影像分別采用Gram-Schmidt Pan Sharpening算法進(jìn)行融合處理，獲得空間分辨率為0.5 m的多光譜影像。兩幅影像上選取119個控制點(diǎn)，利用5次多項式進(jìn)行影像配準(zhǔn)，配準(zhǔn)誤差RMSE=0.442 2。以2009年影像為基準(zhǔn)，采用直方圖匹配法對2011年影像進(jìn)行相對輻射校正。

為有效評估本文提出的建筑物變化檢測算法，本文從整幅影像中選取建筑物變化劇烈的兩個子區(qū)進(jìn)行建筑物變化檢測試驗(yàn)，試驗(yàn)數(shù)據(jù)如圖2所示。試驗(yàn)數(shù)據(jù)1建筑物變化類型主要為新增廠房和居民建筑，建筑物屋頂顏色多樣，且某些建筑物光譜特征與道路相似，如圖2(a)、(b)所示。試驗(yàn)數(shù)據(jù)2建筑物變化類型主要為新增居民建筑，建筑物相對較高，受觀測角度、太陽角度等環(huán)境差異影響較大，如圖2(d)、(e)所示。依次采用目視解譯法獲取試驗(yàn)數(shù)據(jù)1和試驗(yàn)數(shù)據(jù)2的變化建筑物參考圖，如圖2(c)、(f)所示。

2.2 試驗(yàn)1結(jié)果

根據(jù)研究目的，利用隨機(jī)森林分類器將影像分為建筑物變化、其他變化和未變化3類，訓(xùn)練樣本采用分層隨機(jī)采樣的方式獲取，分類特征為表1中的光譜特征、紋理特征(GT31)和特征因子。為清晰顯示建筑物變化，掩膜掉其他變化類和未變化類，僅顯示建筑物變化類，如圖3(a)所示。采用本文提出的多特征融合的分割方法進(jìn)行影像分割，依次將前后時相的影像對象分為植被、建筑物、非建筑物3類，然后采用分類后比較的策略獲取目標(biāo)級建筑物變化檢測結(jié)果，如圖3(b)所示。結(jié)合像元級變化檢測結(jié)果和后時相影像分割結(jié)果，設(shè)定亞目標(biāo)下變化建筑物像元比例標(biāo)準(zhǔn)T為0.7，獲取本文方法的建筑物變化檢測結(jié)果，如圖3(c)所示。

為清晰顯示不同方法的試驗(yàn)效果，針對特定區(qū)域(方框標(biāo)注)進(jìn)行試驗(yàn)效果的清晰展示。由圖3(a)、(d)不難發(fā)現(xiàn)，像元級變化檢測所獲得的變化建筑物是破碎的、不連續(xù)的，而且存在著大量的誤檢。利用后時相影像對象對像元級變化檢測結(jié)果進(jìn)行后處理，能夠有效改善變化建筑物的識別結(jié)果。尤其在建筑物邊緣區(qū)域，經(jīng)分割對象處理后所得到的變化建筑物目標(biāo)相對規(guī)整，而且剔除了大量的誤檢，如圖3(c)、(f)所示。目標(biāo)級建筑物變化檢測雖然有效避免了椒鹽效應(yīng)，但仍存在其他不透水面變化被錯誤識別為變化建筑物的問題，如圖3(b)、(e)所示。

為定量分析試驗(yàn)結(jié)果，對像元級、目標(biāo)級和本文提出的建筑物變化檢測方法分別進(jìn)行精度評價，結(jié)果見表2。不難發(fā)現(xiàn)，本文方法的完整率雖然略低于像元級和目標(biāo)級的變化檢測方法，但正確率和檢測質(zhì)量顯著優(yōu)于另外兩種方法。對比單一的像元級和目標(biāo)級變化檢測方法，本文方法的正確率分別提高了0.350 2和0.150 7，檢測質(zhì)量分別提高了0.264 3和0.1。

圖3 試驗(yàn)1建筑物變化檢測結(jié)果Fig.3 The results of building change detection in the first experiment

2.3 試驗(yàn)2結(jié)果

采用與試驗(yàn)1相同的步驟和方法，依次獲取試驗(yàn)2的像元級和目標(biāo)級建筑物變化檢測結(jié)果，如圖4(a)、(b)所示。設(shè)定亞目標(biāo)下變化建筑物像元比例標(biāo)準(zhǔn)T為0.64，獲取本文方法的建筑物變化檢測結(jié)果，如圖4(c)所示。對像元級、目標(biāo)級和本文方法分別進(jìn)行精度評價，見表3。

表2 試驗(yàn)1建筑物變化檢測精度評價

Tab.2 The accuracy assessment of building change detection in the first experiment

變化檢測方法完整率正確率檢測質(zhì)量像元級變化檢測0.89910.43420.4140目標(biāo)級變化檢測0.86860.63370.5783本文方法0.83370.78440.6783

圖4 試驗(yàn)2建筑物變化檢測結(jié)果Fig.4 The results of building change detection in the second experiment

Tab.3 The accuracy assessment of building change detection in the second experiment

類型CompletenessCorrectnessQuality像元級變化檢測0.80410.43250.3913目標(biāo)級變化檢測0.85100.52880.4818本文方法0.80430.80020.6698

由圖4和表3不難發(fā)現(xiàn)，受觀測角度、陰影等環(huán)境因素的影響，像元級變化檢測存在顯著的椒鹽效應(yīng)，尤其在建筑物邊緣區(qū)域。受雙重分類誤差的影響，在面向?qū)ο蟮淖兓瘷z測方法中一些與建筑物變化無關(guān)的不透水面被錯誤地檢測為變化建筑物。本文方法能夠顯著抑制椒鹽效應(yīng)，同時避免誤差傳遞導(dǎo)致的檢測誤差，顯著提高建筑物變化檢測的正確率和檢測質(zhì)量。

值得注意的是，對于高分辨率遙感影像的建筑物變化檢測方法而言，如若變化檢測的誤檢率較高，即便其漏檢率較低，也無法為業(yè)務(wù)部門和生產(chǎn)單位所用，因錯誤檢測的建筑物變化仍然需要投入大量的人力物力進(jìn)行調(diào)查或判讀。因此在保持較高完整率的同時，有效降低變化檢測的誤檢率，提高變化檢測的總體質(zhì)量，具有著較高的實(shí)用價值。

3 分析與討論

3.1 特征組合的影響分析

紋理尺度較大程度上影響著所提取的紋理特征，而不同特征組合對像元級建筑物變化檢測精度又具有重要影響。將不同紋理尺度的紋理特征提取結(jié)果分別與相同設(shè)置的光譜特征進(jìn)行組合，分析像元級建筑物變化檢測精度隨紋理尺度的變化，以試驗(yàn)數(shù)據(jù)1為例所得結(jié)果如圖5所示。隨著紋理尺度的逐步增大，像元級建筑物變化檢測精度先增加后減小。而當(dāng)紋理尺度為31時，像元級建筑物變化檢測精度最高，表明在本試驗(yàn)中該尺度能夠較好地刻畫不同地物的紋理特征，具有較強(qiáng)的地物區(qū)分能力。

在紋理尺度優(yōu)選的基礎(chǔ)上，分析不同特征因子組合對建筑物變化檢測精度的影響，對比不同特征組合方案的精度，見表4。單獨(dú)增加特征因子NDVI和MBI均能夠提高建筑物的變化檢測精度，而同時增加NDVI和MBI能夠顯著改善建筑物變化檢測結(jié)果。其主要原因在于，NDVI能夠很好地區(qū)分植被和建成區(qū)，避免與植被相關(guān)的變化被錯誤地檢測為建筑物變化，而MBI能夠區(qū)分建筑物和其他不透水面，避免與道路等其他不透水面相關(guān)的變化被錯誤地檢測為建筑物變化。

圖5 像元級建筑物變化檢測質(zhì)量隨紋理尺度的變化Fig.5 The influence of the texture scale on the quality of pixel-based building change detection

Tab.4 Comparison for the accuracies derived from different schemes of feature combinations

特征組合方案完整率正確率檢測質(zhì)量光譜特征+紋理特征0.90230.37140.3570光譜特征+紋理特征+NDVI0.89900.40050.3833光譜特征+紋理特征+MBI0.88890.39460.3761光譜特征+紋理特征+NDVI+MBI0.89910.43420.4140

不同特征組合方案的試驗(yàn)結(jié)果表明，直接利用分類器進(jìn)行像元級建筑物變化檢測的精度普遍較低，盡管加入不同特征因子能夠提高檢測精度，但其檢測質(zhì)量仍然普遍小于0.45，主要原因是變化檢測的正確率過低，即誤檢率過高。在高分辨率影像條件下，圖像配準(zhǔn)、觀測角度、太陽角度等一系列問題致使建筑物邊緣無法準(zhǔn)確匹配，無法滿足精細(xì)變化檢測的要求，因此高分辨率下的像元級建筑物變化檢測具有自身的局限性。

3.2 分割尺度的影響分析

影像的分割尺度對目標(biāo)級建筑物識別結(jié)果具有重要影響。以試驗(yàn)數(shù)據(jù)1中某小斑塊為例，利用4.0、8.0、12.0等3個分割尺度對比分析不同分割尺度對變化建筑物識別的影響，如圖6所示。

圖2 試驗(yàn)區(qū)QuickBird真彩色合成影像和變化建筑物參考圖Fig.2 The true-color composite of the QuickBird images in the experiment area

圖6 不同分割尺度下的分割結(jié)果與變化建筑物識別結(jié)果對比Fig.6 Comparison for segmentation and building change detection at different segmentation scales

過小的分割尺度，容易導(dǎo)致誤檢，即非變化建筑物被錯誤地標(biāo)識為變化建筑物，如圖6中黃框所示。其原因在于，過小的分割尺度導(dǎo)致地物分割過于破碎， 而由于高分辨率遙感影像下像元級變化檢測的誤檢率較高，分割對象中的變化建筑物像元所占比例較高，使得利用分割對象進(jìn)行變化建筑物篩選的效果不佳。相比較而言，過大的分割尺度，容易導(dǎo)致漏檢，即變化建筑物沒有被正確識別，如圖6中藍(lán)框所示。主要原因在于，過大的分割尺度導(dǎo)致地物出現(xiàn)過分割，因此面積相對較小、而光譜特征又與臨近地物相似的變化建筑物將被合并到臨近對象，稀釋了亞目標(biāo)級下的變化建筑物像元比例。

3.3 亞目標(biāo)級下變化建筑物像元比例標(biāo)準(zhǔn)的影響分析

為了解亞目標(biāo)級下變化建筑物像元比例標(biāo)準(zhǔn)T對識別精度的影響，將T在[0.65,0.85]的區(qū)間內(nèi)每間隔0.025取值，并進(jìn)行變化建筑物目標(biāo)識別試驗(yàn)，獲得變化建筑物目標(biāo)識別精度隨亞目標(biāo)級下變化建筑物像元比例標(biāo)準(zhǔn)的變化關(guān)系，以試驗(yàn)數(shù)據(jù)1為例，所得結(jié)果如圖7所示。

隨著亞目標(biāo)級下變化建筑物像元比例標(biāo)準(zhǔn)的增大，變化建筑物識別的完整率逐漸降低，正確率逐漸提高，而檢測質(zhì)量先提高后降低。變化建筑物識別的完整率呈下降趨勢的主要原因在于，盡管像元級建筑物變化檢測的完整率較高，仍然有漏檢的變化建筑物像元，利用分割對象對變化檢測結(jié)果進(jìn)行后處理時，漏檢像元所占比例較高的建筑物對象有可能被錯誤地標(biāo)識為非建筑物變化。隨著亞目標(biāo)級內(nèi)變化建筑物像元比例標(biāo)準(zhǔn)的

增大，錯誤標(biāo)識的建筑物對象增多，以致變化檢測的完整率降低。變化建筑物目標(biāo)識別的正確率呈現(xiàn)逐漸上升趨勢的主要原因則在于，隨著亞目標(biāo)級內(nèi)變化建筑物像元比例標(biāo)準(zhǔn)的增大，越來越多錯誤檢測的孤立像元或細(xì)小片段被剔除。

圖7 變化建筑物識別精度隨亞目標(biāo)級下變化建筑物像元比例標(biāo)準(zhǔn)的變化Fig.7 Influence of the sub-object proportion threshold of changed building pixelson the accuracy of building change detection

3.4 不同方法對比分析

將本文提出的方法與文獻(xiàn)[4]中提出的方法進(jìn)行對比分析。在執(zhí)行文獻(xiàn)[4]方法的過程中，選用第2波段光譜特征和差異性(Dis)紋理特征進(jìn)行像元級變化檢測，其他參數(shù)采用試算法進(jìn)行優(yōu)選。圖8展示了本文方法和文獻(xiàn)[4]方法的建筑物變化檢測結(jié)果，為了清晰顯示，僅展示研究區(qū)域中一小區(qū)域。表5為兩種方法的精度評價結(jié)果。

圖8 不同方法試驗(yàn)結(jié)果對比Fig.8 Comparison for different methods of building change detection

從方法原理與試驗(yàn)效果兩方面分析，本文方法與文獻(xiàn)[4]方法相比，建筑物變化檢測自動化程度和檢測精度均有所提高，能夠成功檢測到面積相對較小的變化建筑物，如圖8中方框所示。同時，顧及觀測角度差異等環(huán)境因素對建筑物變化檢測的影響。

表5 不同建筑物變化檢測方法檢測精度

Tab.5 Comparisons for the accuracies achieved using different methods of building change detection

特征組合方案完整率正確率檢測質(zhì)量文獻(xiàn)[4]方法0.72340.74450.5489本文方法0.83370.78440.6783

4 結(jié) 論

針對像元級建筑物變化檢測方法往往精度不足而目標(biāo)級建筑物變化檢測方法過程煩瑣等問題，本文提出了一種結(jié)合像元級和目標(biāo)級的高分辨率遙感影像建筑物變化檢測方法。該方法既利用了像元級變化檢測方法簡單易行的優(yōu)勢，又避免了雙時相影像分割導(dǎo)致的邊界不一致等問題，同時考慮觀測角度等環(huán)境因素對建筑物變化檢測的影響。首先采用隨機(jī)森林分類器，獲取像元級建筑物變化檢測結(jié)果，然后利用后時相影像分割結(jié)果對像元級變化檢測結(jié)果進(jìn)行后處理，從而檢測變化建筑物。在我國南方快速城鎮(zhèn)化典型區(qū)域的試驗(yàn)結(jié)果表明，結(jié)合像元級和目標(biāo)級的高分辨率遙感影像建筑物變化檢測方法能夠顯著提高建筑物變化檢測的檢測精度。利用本文提出的方法，輔助城市地形圖中居民地要素的更新，能夠顯著降低成本，提高更新工作的效率。然而，本文的數(shù)據(jù)源僅為高分辨率光學(xué)遙感影像，數(shù)據(jù)相對單一，在進(jìn)一步的研究中將融合LiDAR點(diǎn)云數(shù)據(jù)，同時研究分區(qū)變化檢測的策略，以提高建筑物變化的檢測精度。

[1] HUANG Xin, ZHU Tingting, ZHANG Liangpei, et al. A Novel Building Change Index for Automatic Building Change Detection from High-Resolution Remote Sensing Imagery[J]. Remote Sensing Letters, 2014, 5(8): 713-722.

[2] MATIKAINEN L, HYYPP J, AHOKAS E, et al. Automatic Detection of Buildings and Changes in Buildings for Updating of Maps[J]. Remote Sensing, 2010, 2(5): 1217-1248.

[3] 張永梅, 李立鵬, 姜明, 等. 綜合像素級和特征級的建筑物變化檢測方法[J]. 計算機(jī)科學(xué), 2013, 40(1): 286-293. ZHANG Yongmei, LI Lipeng, JIANG Ming, et al. Change Detection Method for Buildings Based on Pixel-level and Feature-Level[J]. Computer Science, 2013, 40(1): 286-293.

[4] XIAO Pengfeng, ZHANG Xueliang, WANG Dongguang, et al. Change Detection of Built-Up Land: A Framework of Combining Pixel-Based Detection and Object-Based Recognition[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 119: 402-414.

[5] HUSSAIN M, CHEN Dongmei, 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: 91-106.

[6] XIN Qinchuan, OLOFSSON P, ZHU Zhe, et al. Toward Near Real-Time Monitoring of Forest Disturbance by Fusion of MODIS and Landsat Data[J]. Remote Sensing of Environment, 2013, 135: 234-247.

[7] LU D, MAUSEL P, BRONDZIO E, et al. Change Detection Techniques[J]. International Journal of Remote Sensing, 2004, 25(12): 2365-2401.

[8] PRAKASH A, GUPTA R P. Land-Use Mapping and Change Detection in a Coal Mining Area-A Case Study in the Jharia Coalfield, India[J]. International Journal of Remote Sensing, 1998, 19(3): 391-410.

[9] JOHNSON R D, KASISCHKE E S. Change Vector Analysis: A Technique for the Multispectral Monitoring of Land cover and Condition[J]. International Journal of Remote Sensing, 1998, 19(3): 411-426.

[10] WARD D, PHINN S R, MURRAY A T. Monitoring Growth in Rapidly Urbanizing Areas Using Remotely Sensed Data[J]. The Professional Geographer, 2000, 52(3): 371-386.

[11] CHEN Gang, HAY G J, CARVALHO L M T, et al. Object-Based Change Detection[J]. International Journal of Remote Sensing, 2012, 33(14): 4434-4457.

[12] JOHANSEN K, ARROYO L A, PHINN S, et al. Comparison of Geo-Object-Based and Pixel-Based Change Detection of Riparian Environments Using High Spatial Resolution Multi-Spectral Imagery[J]. Photogrammetric Engineering and Remote Sensing, 2010, 76(2): 123-136.

[13] 李亮, 舒寧, 王凱, 等. 融合多特征的遙感影像變化檢測方法[J]. 測繪學(xué)報, 2014, 43(9): 945-953, 959. DOI: 10.13485/j.cnki.11-2089.2014.0138. LI Liang, SHU Ning, WANG Kai, et al. Change Detection Method for Remote Sensing Images Based on Multi-features Fusion[J]. Acta Geodaetica et Cartographica Sinica, 2014, 43(9): 945-953, 959. DOI: 10.13485/j.cnki.11-2089.2014.0138.

[14] CHEN Jianyu, MAO Zhihua, PHILPOT B, et al. Detecting Changes in High-Resolution Satellite Coastal Imagery Using An Image Object Detection Approach[J]. International Journal of Remote Sensing, 2013, 34(7): 2454-2469.

[15] 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. DIAN Yuanyong, FANG Shenghui, YAO Chonghuai. Change Detection for High-Resolution Images Using Multilevel Segment Method[J]. Journal of Remote Sensing, 2016, 20(1): 129-137.

[16] CAO Guo, LI Yupeng, LIU Yazhou, et al. Automatic Change Detection in High-Resolution Remote-Sensing Images by Means of Level Set Evolution and Support vector Machine Classification[J]. International Journal of Remote Sensing, 2014, 35(16): 6255-6270.

[17] 杜培軍, 柳思聰. 融合多特征的遙感影像變化檢測[J]. 遙感學(xué)報, 2012, 16(4): 663-677. DU Peijun, LIU Sicong. Change Detection From Multi-temporal Remote Sensing Images by Integrating Multiple Features[J]. Journal of Remote Sensing, 2012, 16(4): 663-677.

[18] 蘭澤英, 劉洋. 領(lǐng)域知識輔助下基于多尺度與主方向紋理的遙感影像土地利用分類[J]. 測繪學(xué)報, 2016, 45(8): 973-982. DOI: 10.11947/j.AGCS.2016.20150624. LAN Zeying, LIU Yang. Classification of Land-use Based on Remote Sensing Image Texture Features with Multi-scales and Cardinal Direction Inspired by Domain Knowledge[J]. Acta Geodaetica et Cartographica Sinica, 2016, 45(8): 973-982. DOI: 10.11947/j.AGCS.2016.20150624.

[19] VOLPI M, TUIA D, BOVOLO F, et al. Supervised Change Detection in VHR Images Using Contextual Information and Support Vector Machines[J]. International Journal of Applied Earth Observation and Geoinformation, 2013, 20: 77-85.

[20] HUANG Xin, ZHANG Liangpei, ZHU Tingting. Building Change Detection From Multitemporal High-Resolution Remotely Sensed Images Based on A Morphological Building Index[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(1): 105-115.

[21] 胡榮明, 黃小兵, 黃遠(yuǎn)程. 增強(qiáng)形態(tài)學(xué)建筑物指數(shù)應(yīng)用于高分辨率遙感影像中建筑物提取[J]. 測繪學(xué)報, 2014, 43(5): 514-520. DOI: 10.13485/j.cnki.11-2089.2014.0084. HU Rongming, HUANG Xiaobing, HUANG Yuancheng. An Enhanced Morphological Building Index for Building Extraction From High-Resolution Images[J]. Acta Geodaetica et Cartographica Sinica, 2014, 43(5): 514-520. DOI: 10.13485/j.cnki.11-2089.2014.0084.

[22] RODRIGUEZ-GALIANO V F, GHIMIRE B, ROGAN J, et al. An Assessment of the Effectiveness of a Random Forest Classifier for Land-Cover Classification[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2012, 67: 93-104.

[23] BREIMAN L. Random Forests[J]. Machine Learning, 2001, 45(1): 5-32.

[24] 巫兆聰, 胡忠文, 張謙, 等. 結(jié)合光譜、紋理與形狀結(jié)構(gòu)信息的遙感影像分割方法[J]. 測繪學(xué)報, 2013, 42(1): 44-50. WU Zhaocong, HU Zhongwen, ZHANG Qian, et al. On Combining Spectral, Textural and Shape Features for Remote Sensing Image Segmentation[J]. Acta Geodaetica et Cartographica Sinica, 2013, 42(1): 44-50.

[25] HU Zhongwen, ZOU Qin, LI Qingquan. Watershed Superpixel[C]∥Proceedings of 2015 IEEE International Conference on Image Processing. Quebec City, QC, Canada: IEEE, 2015: 349-353.

[26] HARIS K, EFSTRATIADIS S N, MAGLAVERAS N, et al. Hybrid Image Segmentation Using Watersheds and Fast Region Merging[J]. IEEE Transactions on Image Processing, 1998, 7(12): 1684-1699.

[27] 陳杰, 鄧敏, 肖鵬峰, 等. 利用小波變換的高分辨率多光譜遙感圖像多尺度分水嶺分割[J]. 遙感學(xué)報, 2011, 15(5): 908-926. CHEN Jie, DENG Min, XIAO Pengfeng, et al. Multi-scale Watershed Segmentation of High-Resolution Multi-spectral Remote Sensing Image Using Wavelet Transform[J]. Journal of Remote Sensing, 2011, 15(5): 908-926.

[28] HERMOSILLA T, RUIZ L A, RECIO J A, et al. Evaluation of Automatic Building Detection Approaches Combining High Resolution Images and LiDAR Data[J]. Remote Sensing, 2011, 3(6): 1188-1210.

[29] 林祥國, 寧曉剛. 融合直角點(diǎn)和直角邊特征的高分辨率遙感影像居民點(diǎn)提取方法[J]. 測繪學(xué)報, 2017, 46(1): 83-89. DOI: 10.11947/j.AGCS.2017.20160389. LIN Xiangguo, NING Xiaogang. Extraction of Human Settlements from High Resolution Remote Sensing Imagery by Fusing Features of Right Angle Corners and Right Angle Sides[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(1): 83-89. DOI: 10.11947/j.AGCS.2017.20160389.