高空間分辨率遙感影像下的違法用地變化檢測(cè)

陳 鵬，呂鵬遠(yuǎn)，宋 蜜，曾凡洋，伍絲琪，鐘燕飛

(1. 廣州市城市規(guī)劃勘測(cè)設(shè)計(jì)研究院，廣東 廣州 510060； 2. 武漢大學(xué)測(cè)繪遙感信息工程國(guó)家重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430079)

遙感對(duì)地觀測(cè)技術(shù)具有周期短、成本低、范圍廣等優(yōu)點(diǎn)，能夠?yàn)檫`法用地提取工作提供基于影像的、可精確測(cè)量的、具有指導(dǎo)性的幫助[1-2]。尤其是隨著遙感平臺(tái)的快速發(fā)展，影像空間分辨率逐漸提高，地物細(xì)節(jié)信息更加豐富，為國(guó)土資源動(dòng)態(tài)監(jiān)測(cè)提供了數(shù)據(jù)支撐。隨著國(guó)家高分辨率遙感專項(xiàng)穩(wěn)步推進(jìn)，我國(guó)國(guó)產(chǎn)衛(wèi)星的空間分辨率和質(zhì)量都得到了極大提高，隨著系列高分遙感衛(wèi)星(如ZY-1-02C、ZY-3、GF-1、GF-2等)的發(fā)射，影像的空間分辨率已提高至亞米級(jí)。另外，以無人機(jī)為代表的低空攝影測(cè)量系統(tǒng)以其輕便靈活、快速響應(yīng)、高精度、高分辨率的技術(shù)優(yōu)勢(shì)，成為衛(wèi)星影像的有益補(bǔ)充。目前，高分遙感影像人工目視判讀結(jié)合實(shí)地排查已經(jīng)成為城鎮(zhèn)規(guī)劃部門實(shí)施違法用地監(jiān)測(cè)的主要手段，但是該方法存在耗時(shí)耗力、成本高效率低的問題。為了進(jìn)一步提高城鎮(zhèn)變化監(jiān)測(cè)的自動(dòng)化、智能化程度，要求我們運(yùn)用圖像識(shí)別領(lǐng)域的變化檢測(cè)技術(shù)，針對(duì)高分?jǐn)?shù)據(jù)自身特點(diǎn)和城鎮(zhèn)違章用地應(yīng)用需求發(fā)展適用的算法。

傳統(tǒng)變化檢測(cè)方法主要是對(duì)比單個(gè)像素在不同時(shí)相影像上光譜信息的差異來判斷地物是否發(fā)生變化[3-5]。由于空間分辨率的提升，相比于中低分辨率遙感影像，高空間分辨率影像變化檢測(cè)技術(shù)存在以下難點(diǎn)：①高空間分辨率影像空間分辨率高、光譜分辨率較低，“同物異譜-同譜異物”現(xiàn)象嚴(yán)重，難以單純利用光譜特性區(qū)分地物變化；②由于影像獲取時(shí)間不同，感興趣地物變化容易與由光照、拍攝角度、季節(jié)等因素引起的變化混淆；③空間分辨率的提升導(dǎo)致檢測(cè)結(jié)果存在大量虛警點(diǎn)，影響變化檢測(cè)精度?，F(xiàn)有針對(duì)高分辨率影像的變化檢測(cè)方法主要綜合提取光譜、紋理、對(duì)象等多元特征用于分析感興趣地物是否發(fā)生變化[6-8]。然而，上述方法對(duì)于影像全局使用相同特征，未考慮不同場(chǎng)景下地物變化判別特征的差異性，導(dǎo)致局部區(qū)域變化檢測(cè)結(jié)果受到限制。

針對(duì)以上問題，基于違法用地變化檢測(cè)的應(yīng)用需求，本文提出了一種基于地物分布特性的變化檢測(cè)方法。該方法將違法用地分布知識(shí)與變化檢測(cè)技術(shù)相結(jié)合，針對(duì)研究區(qū)域的光譜-空間特性，自動(dòng)提取感興趣變化(違法用地變化)區(qū)域。選擇廣州從化街口地區(qū)雙期QuickBird衛(wèi)星影像進(jìn)行試驗(yàn)，結(jié)果表明該方法在分離不感興趣變化區(qū)域的同時(shí)對(duì)疑似違法用地有較高的檢測(cè)精度。利用該方法能夠?qū)θ斯ぷ鳂I(yè)提供輔助，節(jié)約成本，提高生產(chǎn)效率。

1 技術(shù)路線

高空間分辨率影像能夠提供豐富的地物細(xì)節(jié)信息，因此地物在影像上的光譜-空間特征隨地物的實(shí)際分布呈現(xiàn)明顯差異性。違法用地的變化特性在多時(shí)相影像上反映為建筑物的拆建及植被區(qū)域的減少。在市郊等植被覆蓋面積較大的區(qū)域，變化地物的光譜特性隨空間分布一致性較高，光譜特征的差異能夠反映地物的變化。而在城市覆蓋區(qū)域，由于地物類型復(fù)雜，導(dǎo)致對(duì)應(yīng)影像光譜-空間特征更加復(fù)雜。對(duì)于影像全局使用相同的特征難以保證不同區(qū)域檢測(cè)效果的一致性。因此，需要針對(duì)地物實(shí)際分布特性，提取對(duì)應(yīng)影像光譜-空間特征，在特征層分析地物變化，從而分離不感興趣變化區(qū)域。本文技術(shù)路線如圖1所示。

首先利用基于可見光波段的植被指數(shù)[9]分離城市區(qū)域與非城市區(qū)域；其次，在非城市區(qū)域，利用面向?qū)ο蠓椒╗10]得到變化檢測(cè)結(jié)果，在城市區(qū)域，利用形態(tài)學(xué)建筑物指數(shù)[11]提取建筑物特征，以實(shí)現(xiàn)感興趣變化類型與不感興趣變化類型分離，使用變化向量分析[12]與k均值聚類[13]實(shí)現(xiàn)變化信息提?。蛔詈罄眯螒B(tài)學(xué)濾波、聚合操作去除變化檢測(cè)結(jié)果中的椒鹽噪聲點(diǎn)，并計(jì)算變化圖斑的最小外接矩形，將結(jié)果以矢量形式進(jìn)行輸出。

2 關(guān)鍵技術(shù)

2.1 基于可見光波段植被指數(shù)的城區(qū)和非城區(qū)分離

本文首先通過植被指數(shù)運(yùn)算提取植被和非植被區(qū)域掩膜，作為城區(qū)和非城區(qū)的分離依據(jù)。實(shí)際應(yīng)用中，使用的衛(wèi)星影像通常通過紅、綠、藍(lán)3個(gè)可見光波段與全色波段融合得到，數(shù)據(jù)只有紅、綠、藍(lán)3個(gè)可見光波段。因此，需要通過基于可見光波段的植被指數(shù)提取植被區(qū)域。常見的可見光植被指數(shù)有過綠指數(shù)(EXG)、歸一化綠紅差異指數(shù)(NGRDI)、歸一化綠藍(lán)差異指數(shù)(NGBDI)、紅綠比值指數(shù)(RGRI)及可見光波段差異植被指數(shù)(VDVI)等[9]。本文擬采用VDVI提取植被區(qū)域，其優(yōu)勢(shì)在于：①同時(shí)考慮綠、紅、藍(lán)3個(gè)可見光波段的反射、吸收特性，對(duì)不同種類植被與非植被均有較好的區(qū)分性；②指數(shù)具有雙峰性質(zhì)，較易分離植被和非植被地物。其公式如下

(1)

式中，ρg、ρr、ρb分別表示綠、紅、藍(lán)3個(gè)可見光波段的像元亮度值。在獲取VDVI指數(shù)后，用閾值分割方法提取植被掩模MV

(2)

式中，tV為給定閾值。

2.2 基于多元特征的變化信息提取

不同地表覆蓋類型其光譜-空間特性存在差異，因此使用單一特征難以反映不同地物類型變化信息。本文擬采用面向?qū)ο筇卣骷靶螒B(tài)學(xué)建筑物指數(shù)研究區(qū)域變化信息，并使用變化向量分析法得到對(duì)應(yīng)特征下的變化檢測(cè)影像。

2.2.1 面向?qū)ο筇卣魈崛?/p>

2.2.2 形態(tài)學(xué)建筑物指數(shù)提取

(1) 計(jì)算亮度。對(duì)于每個(gè)像元x,計(jì)算波段最大值代表其亮度特性

(3)

式中，K為影像波段數(shù)，在本文中K為3；bandk(x)表示像元x在第k個(gè)波段的光譜值；b(x)表示像元x的亮度特征。

(2) 構(gòu)建MBI指數(shù)。利用基于頂帽變換與重構(gòu)的差分形態(tài)學(xué)譜來提取建筑物的光譜-空間結(jié)構(gòu)特性。

a. 基于重構(gòu)的頂帽變換(W-TH)公式如下

(4)

b. 形態(tài)學(xué)譜。基于頂帽變換的形態(tài)學(xué)譜表示如下

(5)

c. 差分形態(tài)學(xué)譜?；陧斆弊儞Q的差分形態(tài)學(xué)譜按如下公式計(jì)算

DMPW-TH(d,s)=|MPW-TH(d,(s+Δs))-MPW-TH(d,s)|

(6)

式中，Δs表示形態(tài)學(xué)譜間隔。

形態(tài)學(xué)建筑物指數(shù)定義為

(7)

式中，D和S分別表示形態(tài)學(xué)譜方向數(shù)和尺度數(shù)。在本文中方向數(shù)設(shè)置為4，結(jié)構(gòu)元素最小尺度為2，最大尺度為202，尺度間隔為20。

2.2.3 變化信息提取

首先分別計(jì)算面向?qū)ο筇卣?、形態(tài)學(xué)特征下的變化向量DF,然后利用k均值聚類獲得對(duì)應(yīng)變化檢測(cè)圖CMo、CMb。其中，DF=|F2-F1|，F(xiàn)表示面向?qū)ο蠹靶螒B(tài)學(xué)特征。

2.3 基于地物分布的變化信息融合

利用上文得到的城區(qū)和非城區(qū)掩膜對(duì)不同特征下的變化檢測(cè)結(jié)果進(jìn)行融合得到融合后的變化檢測(cè)結(jié)果CM，公式如下

CM=MV×CMo+(1-MV)CMb

(8)

利用形態(tài)學(xué)開、閉運(yùn)算對(duì)初始結(jié)果后處理，并計(jì)算最大包圍矩形，得到矢量化結(jié)果。

3 試驗(yàn)與分析

3.1 試驗(yàn)區(qū)域與數(shù)據(jù)分析

選擇廣州從化街口地區(qū)為試驗(yàn)區(qū)。獲取2013年、2014年雙期QuickBird影像為試驗(yàn)數(shù)據(jù),影像大小895×561像素，空間分辨率0.5 m，波段為紅、綠、藍(lán)。原始影像與參考變化圖斑如圖2所示。

圖2

本文以圖斑為基本單位進(jìn)行精度評(píng)價(jià)，統(tǒng)計(jì)正確檢測(cè)、漏檢圖斑個(gè)數(shù)作為評(píng)價(jià)指標(biāo)。真實(shí)參考數(shù)據(jù)由專業(yè)人員目視判讀結(jié)合實(shí)地調(diào)查給出，如圖2(c)所示，其中疑似違章變化共14處。

變化檢測(cè)結(jié)果與精度評(píng)定如圖3、表1所示。

圖3 變化檢測(cè)結(jié)果

參考圖斑數(shù)正確檢測(cè)數(shù)漏檢數(shù)14131

3.2 試驗(yàn)結(jié)果與分析

本文方法自動(dòng)提取疑似違章用地圖斑數(shù)共計(jì)21個(gè)，其中正確檢測(cè)圖斑13個(gè)，漏檢圖斑1個(gè)，對(duì)于疑似違法建筑物具有較高的檢測(cè)精度。圖3(a)表明，通過本文提出的方法，能夠利用高空間分辨率遙感影像實(shí)現(xiàn)較精確的變化圖斑定位，所提取的矢量包圍框能夠基本覆蓋變化建筑物區(qū)域。該方法已通過ENVI二次開發(fā)的方式實(shí)現(xiàn)，并在廣州市城市規(guī)劃勘測(cè)設(shè)計(jì)研究院試用，其結(jié)果已得到業(yè)務(wù)人員的實(shí)地驗(yàn)證和認(rèn)可。以通過該方法得到的變化檢測(cè)結(jié)果作為輔助，能夠極大減少傳統(tǒng)人工作業(yè)量，大大節(jié)約了人力、物力及時(shí)間成本。

4 結(jié) 語

本文針對(duì)城鎮(zhèn)違法用地檢測(cè)的應(yīng)用需求，選擇廣州市從化街口地區(qū)雙期QuickBird影像為試驗(yàn)數(shù)據(jù)，基于遙感影像變化檢測(cè)技術(shù)，開展了基于高空間分辨率遙感影像的變化檢測(cè)研究，提出了知識(shí)驅(qū)動(dòng)的違法用地變化檢測(cè)方法，將違法用地變化先驗(yàn)知識(shí)與變化檢測(cè)技術(shù)相結(jié)合，實(shí)現(xiàn)圖斑級(jí)別的變化信息提取。該方法對(duì)于輻射差異較大的影像序列處理具有一定穩(wěn)健性。同時(shí)，基于ENVI開發(fā)應(yīng)用插件，將該成果應(yīng)用于實(shí)際生產(chǎn)。利用該技術(shù)能有效提高土地執(zhí)法監(jiān)測(cè)工作效率，快速發(fā)現(xiàn)疑似新增違章用地，輔助后續(xù)實(shí)地查處。

本文的研究成果是高分遙感影像變化檢測(cè)技術(shù)在我國(guó)城市違章用地提取方面的一次成功實(shí)踐,也為該技術(shù)在我國(guó)城市規(guī)劃、退耕還林、土地管理等相關(guān)領(lǐng)域的推廣應(yīng)用起到示范作用。

參考文獻(xiàn)：

[1] 李德仁，王密，胡芬.利用我國(guó)高分辨率衛(wèi)星影像監(jiān)測(cè)北京市違章建筑[J].科學(xué)通報(bào)，2009，54(3)：305- 311.

[2] 吳田軍，夏列鋼，吳煒，等.土地執(zhí)法監(jiān)察中的高分辨率遙感及變化檢測(cè)技術(shù)[J].地球信息科學(xué)學(xué)報(bào)，2016，18(7)：962-968.

[3] CHEN J，GONG P，HE C，et al.Land-use/land-cover Change Detection Using Improved Change-vector Analysis[J].Photogrammetric Engineering and Remote Sensing，2003，69(4)：369-379.

[4] DENG J，WANG K，DENG Y，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.

[5] NIELSEN A A.The Regularized Iteratively Reweighted MAD Method for Change Detection in Multi-and Hyperspectral Data[J].IEEE Transactions on Image Processing，2007，16(2)：463-478.

[6] 陳強(qiáng)，陳云浩，蔣衛(wèi)國(guó).基于 OB-HMAD 算法和光譜特征的高分辨率遙感影像變化檢測(cè)[J].光譜學(xué)與光譜分析，2015，35(6)：1709-1714.

[7] 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(cè)[J].遙感學(xué)報(bào)，2016，20(1)：129-137.

[8] 程晶，霍宏，方濤.基于主題模型的高分辨率遙感影像變化檢測(cè)[J].計(jì)算機(jī)工程，2012，38(15)：204-207.

[9] 汪小欽，王苗苗，王紹強(qiáng)，等.基于可見光波段無人機(jī)遙感的植被信息提取[J].農(nóng)業(yè)工程學(xué)報(bào)，2015，31(5)：152-159.

[10] LANG S.Object-based Image Analysis for Remote Sensing Applications：Modeling Reality-dealing with Complexity[J].Object-based Image Analysis，2008：3-27.

[11] HUANG X，ZHANG L.Morphological Building/shadow Index for Building Extraction from High-resolution Imagery over Urban Areas[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2012，5(1)：161-172.

[12] SINGH A.Review Article Digital Change Detection Techniques Using Remotely-sensed Data[J].International Journal of Remote Sensing，1989，10(6)：989-1003.

[13] JAIN A K，MURTY M N，F(xiàn)LYNN P J.Data Clustering：A Review[J].ACM Computing Surveys (CSUR)，1999，31(3)：264-323.

[14] ROERDINK J B T M，MEIJSTER A.The Watershed Transform：Definitions，Algorithms and Parallelization Strategies[J].Fundamenta Informaticae，2000，41(1，2)：187-228.

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