遙感影像變化檢測用于燃?xì)夤艿腊踩[患排查

焦建瑛， 吳 波， 李夏喜， 曹印鋒

(北京市燃?xì)饧瘓F(tuán)有限責(zé)任公司，北京 100035)

1 概述

近年來，遙感影像技術(shù)廣泛應(yīng)用于地質(zhì)、氣象、環(huán)保、海洋、水文、軍事等方面。起著重要作用的是遙感影像變化檢測，其主要任務(wù)是判斷變化發(fā)生與否，判斷變化區(qū)域的位置，判斷變化類型和特性［1－3］。在獲取某個(gè)特定區(qū)域的多時(shí)相遙感衛(wèi)星影像后，利用相關(guān)數(shù)據(jù)分析變化情況就是遙感影像變化檢測。

在燃?xì)夤艿腊踩[患排查中，一個(gè)安全區(qū)域在長時(shí)間內(nèi)都將保持安全狀態(tài)，直到有隱患設(shè)施的施工。因此，可通過遙感影像變化檢測進(jìn)行燃?xì)夤艿腊踩[患排查分析。本文基于深度學(xué)習(xí)進(jìn)行遙感影像變化檢測，對兩幅不同時(shí)相的遙感影像進(jìn)行校正、影像配準(zhǔn)、生成變化檢測圖、隱患設(shè)施(民房、圍墻、鐵塔、電桿、鐵路、公路、廠礦企業(yè))識(shí)別，最終計(jì)算燃?xì)夤艿?、輸氣站與隱患設(shè)施的距離，判斷隱患水平。

2 可識(shí)別的燃?xì)夤艿腊踩[患

遙感影像變化檢測可識(shí)別的燃?xì)夤艿离[患可分為以下3 種水平［4］。

① 重大安全隱患:燃?xì)夤艿朗苊穹空級夯騼烧唛g距不到5 m，輸氣站與相鄰廠礦企業(yè)的間距不足30 m，輸氣站與10人以上的居住區(qū)、村鎮(zhèn)、公共福利設(shè)施的間距小于30 m等。

② 較大安全隱患:輸氣站與國家鐵路的間距小于30 m，輸氣站與高速公路的間距小于20 m，輸氣站與35 kV及以上獨(dú)立變電所的間距小于30 m等。

③ 一般安全隱患:圍墻(棚圈)占壓管道或者間距不足5 m，輸氣站與工業(yè)企業(yè)鐵路的間距小于20 m，輸氣站與其他公路的間距小于10 m，燃?xì)夤艿琅c110 kV鐵塔或電桿的接地體距離小于5 m，燃?xì)夤艿琅c220 kV鐵塔或電桿的接地體距離小于10 m等。

3 燃?xì)夤艿离[患排查的流程

基于遙感影像變化檢測的燃?xì)夤艿离[患排查流程見圖1。先將待檢測的遙感影像與前期標(biāo)注正常的遙感影像(即兩幅不同時(shí)相的遙感影像)進(jìn)行校正和影像配準(zhǔn)。校正和影像配準(zhǔn)是影響遙感影像變化檢測結(jié)果的關(guān)鍵步驟之一，直接關(guān)系到應(yīng)用遙感信息反映地表地物地理位置的準(zhǔn)確度，經(jīng)過校正和影像配準(zhǔn)后可確保這兩幅遙感影像的對比區(qū)域是一致的。

通過變化向量檢測方法(Change Vector Analysis，CVA)［5］和光譜角度映射器(Spectral Angle Mapper，SAM)［6］相結(jié)合的混合特征向量方法(Hybrid Feature Vector，HFV)以及灰度共生矩陣(Grey Level Co－occurrence Matrix，GLCM)分別提取這兩幅影像間的光譜、紋理變化圖像并生成變化強(qiáng)度圖，以減少變化檢測時(shí)局部對比區(qū)域不一致而產(chǎn)生的誤差。

然后，將經(jīng)過校正和影像配準(zhǔn)后的兩幅不同時(shí)相的遙感影像及變化強(qiáng)度圖輸入高斯－伯努利深度玻爾茲曼機(jī)模型(Gaussian－Bernoulli Deep Boltzmann Machine，GDBM)中，提取影像中區(qū)域變化的抽象特征，對這兩個(gè)不同時(shí)相遙感影像的所有像元進(jìn)行變化與否的劃分，生成變化檢測圖。

最后，利用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，CNN)識(shí)別變化檢測圖中的隱患設(shè)施，最終通過計(jì)算燃?xì)夤艿琅c隱患設(shè)施的距離，判斷隱患水平。

圖1 基于遙感影像變化檢測的燃?xì)夤艿离[患排查流程

4 遙感影像變化檢測與深度學(xué)習(xí)模型構(gòu)建

4.1 遙感影像變化檢測

在提取影像變化之前，先要對兩幅不同時(shí)相的遙感影像進(jìn)行校正和影像配準(zhǔn)。遙感成像時(shí)，受飛行器的姿態(tài)、高度、速度以及地球自轉(zhuǎn)等因素的影響，易造成遙感影像相對于地面目標(biāo)發(fā)生幾何畸變，校正就是利用一組地面控制點(diǎn)，消除或改正這種遙感影像畸變誤差的過程。影像配準(zhǔn)是將不同時(shí)間、不同波段、不同傳感器系統(tǒng)所獲得的同一地區(qū)的遙感影像，經(jīng)幾何變換使同名像點(diǎn)在位置和方位上完全疊合的操作。校正注重的是數(shù)據(jù)本身的處理，目的是對數(shù)據(jù)進(jìn)行真實(shí)性還原，而影像配準(zhǔn)注重的是圖與圖之間的幾何關(guān)系，其目的是為了與參考數(shù)據(jù)達(dá)成一致。

CVA是一種分類前檢測(Pre－classification Change Detection)的變化檢測方法，通過逐點(diǎn)差分兩幅已配準(zhǔn)的不同時(shí)相遙感影像來獲取變化信息。該方法對中低空間分辨率遙感影像的變化分析效果較好，但是在對燃?xì)夤艿腊踩[患排查這種高空間分辨率的遙感影像進(jìn)行變化檢測時(shí)，受其成像條件和配準(zhǔn)精度的影響，易導(dǎo)致像元位置精度不足從而影響距離的判定。因此，我們采用結(jié)合CVA與SAM的HFV來充分利用多時(shí)相光譜向量信息，提高遙感影像變化檢測的精度。

SAM利用兩個(gè)時(shí)相的光譜向量之間的角度來描述它們的區(qū)別，為了集成CVA和SAM在多時(shí)相光譜影像變化檢測中的優(yōu)勢，把CVA中使用的變化矢量和SAM的光譜角組合成一個(gè)新的廣義變化矢量。為了使CVA和SAM的影響權(quán)重相同，取一個(gè)歸一化系數(shù)使二者權(quán)重相同。筆者設(shè)計(jì)了一組模擬數(shù)據(jù)來驗(yàn)證HFV的有效性，模擬數(shù)據(jù)集通過使用兩個(gè)光譜向量替換模擬區(qū)域的光譜向量得到，兩幅不同時(shí)相的遙感影像中有3個(gè)變化區(qū)域。使用HFV對模擬數(shù)據(jù)進(jìn)行變化檢測，將HFV檢測結(jié)果與分別用CVA和SAM得到的變化檢測結(jié)果(分別稱為CVA檢測結(jié)果、SAM檢測結(jié)果)進(jìn)行對比分析，以驗(yàn)證HFV方法的有效性。由檢測結(jié)果可知，采用CVA生成的差異影像能夠較好地反映變化情況。使用SAM生成的差異影像中的變化區(qū)域灰度值較大。采用HFV得到的差異影像，不僅能夠有效反映3個(gè)變化區(qū)域，還能完整地獲取兩幅不同時(shí)相遙感影像間的光譜變化。

GLCM定義為像素對的聯(lián)合概率分布［7］，是一種通過圖像灰度的空間相關(guān)特征來描述紋理的通用方法，不僅反映圖像灰度在相鄰的方向、相鄰間隔、變化幅度的綜合信息，還反映相同的灰度級像素之間的位置分布特征，使用了能量、熵、最大概率、對比度、倒數(shù)差分矩和相關(guān)性等指標(biāo)表征圖像特性。GLCM能夠在高分辨率遙感影像中發(fā)現(xiàn)不同地表地物之間的方差參數(shù)差異，因此本文使用GLCM提取兩幅不同時(shí)相的遙感影像的紋理特征。

經(jīng)過HFV和GLCM得到光譜和紋理變化的圖像后，將其合并可以得到變化強(qiáng)度圖。

4.2 深度學(xué)習(xí)模型構(gòu)建

得到變化強(qiáng)度圖之后，為利用深度學(xué)習(xí)提高變化檢測精度，需對其中未變化、變化區(qū)域進(jìn)行有效選擇。對于未變化區(qū)域，光譜和紋理變化均比較小，因此選取光譜與紋理變化參數(shù)最小值像元的交集作為未變化區(qū)域樣本。對于變化區(qū)域，光譜和紋理變化均比較大，為保證深度學(xué)習(xí)中各類別樣本數(shù)量大致相等，從光譜和紋理變化參數(shù)最大值像元的并集中選擇與未變化區(qū)域數(shù)量相等的像元作為變化區(qū)域。

深度玻爾茲曼機(jī)(Deep Boltzmann Machines，DBM)［8］是一種無監(jiān)督深度學(xué)習(xí)模型，由多層限制玻爾茲曼機(jī)(Restricted Boltzmann Machines，RBM)疊加而成。RBM包含可見層、隱藏層，可見層單元用來描述觀察數(shù)據(jù)，隱藏層單元用來獲取可見層單元對應(yīng)變量之間的依賴關(guān)系，可以理解為特征提取層。

與DBM可見層每個(gè)輸入單元為二值變量(0，1)兩種狀態(tài)相比，GDBM將輸入單元拓展為連續(xù)輸入的實(shí)值變量，更適用于圖像分類、語音識(shí)別等。GDBM模型結(jié)構(gòu)見圖2，圖中標(biāo)簽信息層表示變化和未變化兩種類別。將經(jīng)過校正和影像配準(zhǔn)后的兩幅不同時(shí)相的遙感影像及變化強(qiáng)度圖輸入模型，經(jīng)過可見層、隱藏層的處理，最終得到變化與否的結(jié)果。

以兩幅不同時(shí)相遙感影像(見圖3)為例，經(jīng)校正和影像配準(zhǔn)及生成變化強(qiáng)度圖后輸入GDBM模型，得到變化檢測圖(見圖4)。圖4中白色部分代表了GDBM模型檢測出的變化區(qū)域，黑色代表未變化區(qū)域。由檢測結(jié)果可知，整體上GDBM模型能夠較好地對遙感影像中變化和未變化區(qū)域進(jìn)行有效檢測，對大部分建筑、樹木和道路的變化都能識(shí)別，這說明深度學(xué)習(xí)應(yīng)用在遙感影像變化檢測方面具有良好效果。在試驗(yàn)過程中發(fā)現(xiàn)，隨著隱藏層數(shù)量增多，GDBM模型的識(shí)別能力增強(qiáng)，當(dāng)隱藏層為4層時(shí)，識(shí)別效果和計(jì)算時(shí)間，達(dá)到最理想效果。

圖2 GDBM模型結(jié)構(gòu)

圖3 兩幅不同時(shí)相遙感影像

圖4 變化檢測圖

5 識(shí)別變化區(qū)域內(nèi)的隱患設(shè)施與測距

在提取出不同時(shí)相遙感影像的變化檢測圖后，先對變化區(qū)域進(jìn)行圖像分類，識(shí)別出輸氣站、燃?xì)夤艿酪约半[患設(shè)施，進(jìn)而計(jì)算距離以判斷隱患水平。

考慮到部分隱患設(shè)施識(shí)別比較困難，本文基于隱患設(shè)施的識(shí)別難度提取不同集合對隱患設(shè)施類型打標(biāo)簽，并利用CNN進(jìn)行分類訓(xùn)練。CNN［9］因生物學(xué)中的感受野概念而提出，在圖像分類領(lǐng)域效果顯著，在處理二維遙感影像時(shí)具有一定的平移、縮放、旋轉(zhuǎn)和扭曲不變性。在輸入層之后，卷積層提取圖像的局部信息和特征，而池化層將信息和特征濃縮，提取主要特征并簡化計(jì)算復(fù)雜度，在多層卷積和池化之后，用全連接層和softmax函數(shù)對結(jié)果進(jìn)行分類。

一般而言，較多的隱藏層和神經(jīng)單元會(huì)使得分類效果提升，但可能導(dǎo)致過擬合現(xiàn)象。因此，筆者在隱患設(shè)施種類不斷增加的條件下，將隱藏層數(shù)量分別設(shè)置成2、4、6層，計(jì)算CNN的分類準(zhǔn)確率(見表1)。由表1可知，在隱患設(shè)施種類相同的條件下，隱藏層為4層時(shí)，CNN的分類準(zhǔn)確率最高。在隱藏層數(shù)量一定的條件下，CNN的分類準(zhǔn)確率隨隱患設(shè)施種類的增加而降低。

表1 不同隱患設(shè)施種類條件下隱藏層2、4、6層對應(yīng)的CNN的分類準(zhǔn)確率 %

ArcGis是一款繪制地圖和地理信息基礎(chǔ)架構(gòu)的輔助軟件，利用ArcGis軟件可計(jì)算燃?xì)夤艿?、輸氣站與隱患設(shè)施的距離。先將某個(gè)隱患設(shè)施目標(biāo)標(biāo)記為多邊形，軟件會(huì)在多邊形的邊界上生成若干個(gè)采樣點(diǎn)。每個(gè)采樣點(diǎn)都會(huì)有相應(yīng)的坐標(biāo)。接下來創(chuàng)建一個(gè)新的臨時(shí)表(稱為BUFF_DIST)，作為中間結(jié)果計(jì)算上述采樣點(diǎn)到目標(biāo)(輸氣站、燃?xì)夤艿?的距離，并取其中最小的值作為隱患距離，從而判斷隱患水平。

6 結(jié)論

基于深度學(xué)習(xí)進(jìn)行遙感影像變化檢測，對兩幅不同時(shí)相的遙感影像進(jìn)行校正、影像配準(zhǔn)、生成變化檢測圖、隱患設(shè)施識(shí)別，最終計(jì)算燃?xì)夤艿?、輸氣站與隱患設(shè)施的隱患距離，判斷隱患水平。分析基于遙感影像變化檢測的燃?xì)夤艿离[患排查流程。在隱患設(shè)施中(民房、圍墻、鐵塔、電桿、鐵路、公路、廠礦企業(yè)等)，除民房、圍墻外，其他設(shè)施的修建需要有關(guān)部門的審批，因此安全隱患主要來自民房、圍墻。