融合多特征的對象級航空遙感圖像變化檢測

朱美如,安 如,趙生銀

(河海大學(xué)地球科學(xué)與工程學(xué)院,江蘇 南京 211100)

1 引 言

遙感影像中的地物光譜特性可以反映豐富的地物類別和屬性信息,應(yīng)用這些信息可以檢測變化區(qū)域,進(jìn)而為城市的規(guī)劃提供依據(jù)。近年來,針對變化檢測已提出許多的方法模型,按照研究對象可以分為像素級變化檢測和對象級變化檢測。像素級變化檢測技術(shù)將像元作為獨(dú)立變量,忽略了像元之間的相關(guān)性,在實(shí)際應(yīng)用中存在局限性。隨著高分辨率影像數(shù)據(jù)的普及,影像中的地物細(xì)節(jié)更加豐富,直接影響地物識別及變化檢測的效果。而對象級變化檢測技術(shù)將像斑作為研究對象,像斑中豐富的光譜、空間等特征,可以有效抑制“同物異譜,異物同譜”現(xiàn)象,因此該技術(shù)在高分辨率數(shù)據(jù)中的應(yīng)用十分廣泛。

高分辨率遙感數(shù)據(jù)中提取的特征是變化檢測的基礎(chǔ),傳統(tǒng)的對象級變化檢測方法多選擇單一特征進(jìn)行變化檢測,如:像斑均值信息[1]、紋理信息[2]等。這些方法驗(yàn)證了面向?qū)ο笞兓瘷z測的可行性,但適用性和精度并不理想。目前,不少學(xué)者將多種特征進(jìn)行融合:文獻(xiàn)[3]提出將光譜和紋理特征的檢測結(jié)果疊加融合,提高了檢測精度；文獻(xiàn)[4]綜合了均值比和對數(shù)比兩種特征的優(yōu)點(diǎn),提高了檢測洪水地區(qū)的精度?？梢钥闯?特征融合可以結(jié)合多特征的優(yōu)勢,提高檢測的精度,而特征融合的關(guān)鍵是確定融合方法。融合方法可分為基于數(shù)學(xué)基礎(chǔ)和基于邏輯證據(jù)兩類。前者需要進(jìn)行嚴(yán)格的數(shù)據(jù)處理,例如:自適應(yīng)融合策略(AFS)[5]和小波融合方法[6],但這些方法難以確定最優(yōu)函數(shù),計(jì)算過程復(fù)雜且速度較慢；而邏輯證據(jù)法可擺脫固定的計(jì)算過程,如:DST(Dempster-Shafer evidence theory)框架下的決策規(guī)則[7]、信息融合策略[8]、決策級融合方案[9]等,這些方法計(jì)算方便且簡單有效,在高分辨率圖像中有較強(qiáng)地適用性。

目前,常針對影像對象的光譜信息進(jìn)行運(yùn)算來獲得特征,但這些特征較為簡單,對提高檢測精度有一定限制。因此,相似性特征被引入其中。相似性度量法是基于相似性特征的變化檢測方法,該方法的基本思想是通過度量前后時(shí)期同一像斑的相似性獲取變化信息,相似性越高說明變化越顯著。KL(Kullback-Leiber)散度[10]是一種相似性特征,在概率論中多用來度量兩個(gè)離散概率分布之間的相似程度,JS(Jensen-Shannon)散度[11]是KL散度的變形,它彌補(bǔ)了KL散度不具有對稱性且計(jì)算結(jié)果無界的缺陷,能更方便且準(zhǔn)確地判別像斑間的相似性?；ハ嚓P(guān)特征[12]也可以衡量對象間的相似性,并在一定程度上避免空間向量的計(jì)算錯(cuò)誤,準(zhǔn)確的反映某地物在特定時(shí)間段內(nèi)內(nèi)部結(jié)構(gòu)是否發(fā)生了變化。

由此可見,在面向?qū)ο蟮倪b感變化檢測中,計(jì)算同一對象在前后時(shí)期的JS散度和互相關(guān)兩種相似性特征,進(jìn)而進(jìn)行變化檢測是科學(xué)、可行的。本文選取江蘇省宜興市為實(shí)驗(yàn)區(qū),在多尺度分割的基礎(chǔ)上,面向?qū)ο蠼y(tǒng)計(jì)像斑的灰度直方圖,計(jì)算像斑相似性,并與基于紋理的互相關(guān)特征融合,綜合多特征的優(yōu)勢,以期獲得更加準(zhǔn)確的變化檢測結(jié)果。

2 研究區(qū)與數(shù)據(jù)

2.1 研究區(qū)概況

本文采用江蘇省無錫市宜興地區(qū)2012年和2015年的高分辨率圖像作為實(shí)驗(yàn)數(shù)據(jù),由UCXP WA-00315131傳感器拍攝,拍攝時(shí)間分別為2012年2月18日和2015年4月30日。該數(shù)據(jù)包括紅、綠、藍(lán)及近紅外四個(gè)波段,分辨率達(dá)到0.3 m。實(shí)驗(yàn)區(qū)的地理位置為31°07′N～31°37′N,119°31′E～120°03′E,地處蘇錫常城市群,是太湖流域重要的交通樞紐,又被京杭大運(yùn)河穿城而過。同時(shí),受上海市經(jīng)濟(jì)輻射的影響,經(jīng)濟(jì)發(fā)展十分迅速,城市化建設(shè)成果顯著。本文從實(shí)驗(yàn)區(qū)選出兩個(gè)典型變化區(qū)域進(jìn)行變化檢測實(shí)驗(yàn)。

2.2 實(shí)驗(yàn)數(shù)據(jù)介紹

實(shí)驗(yàn)一在圖像預(yù)處理后截取441像素×346像素(實(shí)際大小近似137 m×107 m)的實(shí)驗(yàn)區(qū),如圖1所示。該實(shí)驗(yàn)區(qū)包含植被、道路、建筑物、裸土等幾類典型地物,且在兩期圖像中變化明顯。通過人工判讀可以發(fā)現(xiàn),該地區(qū)在2012年到2015年期間,地區(qū)中部的大面積草地及裸土改建為建筑物,四周道路也進(jìn)行了新修和拓寬,適合進(jìn)行變化檢測實(shí)驗(yàn)。第二個(gè)實(shí)驗(yàn)區(qū)大小為682像素×678像素(實(shí)際近似為211 m×203 m),圖2中(a)和(b)分別為該區(qū)域2012年和2015年的航攝圖像。通過人工判讀可以發(fā)現(xiàn),實(shí)驗(yàn)區(qū)內(nèi)的變化信息主要在裸土、植被和建筑物幾類,分布在圖像的中部和西南部。其中,中部區(qū)域的裸土建設(shè)為居民區(qū),并新增了草坪等植被,西南部特別是主干道以西的大面積裸土被綠化為草地,因此,該實(shí)驗(yàn)區(qū)變化信息明顯,適合進(jìn)行變化檢測實(shí)驗(yàn)。

圖1 實(shí)驗(yàn)一遙感圖像數(shù)據(jù)

3 變化檢測方法

本文提出一種面向?qū)ο蟮亩嗵卣魅诤系淖兓瘷z測方法。為了減弱光照輻射對檢測精度的影響,首先對兩期航空遙感影像進(jìn)行正射校正和圖像配準(zhǔn)；然后,面向?qū)ο髮蓵r(shí)期的遙感圖像進(jìn)行疊加分割,生成像斑作為面向?qū)ο笞兓瘷z測的基礎(chǔ)數(shù)據(jù)；以像斑為基本單位統(tǒng)計(jì)像斑直方圖,并計(jì)算JS特征,再基于影像對象計(jì)算互相關(guān)特征；最后,根據(jù)加權(quán)融合規(guī)則和決策級融合規(guī)則分別進(jìn)行多特征融合,得到變化檢測結(jié)果。具體流程如圖3所示。

圖2 實(shí)驗(yàn)二遙感圖像數(shù)據(jù)

圖3 變化檢測方法流程圖

3.1 多特征提取

提取特征是變化檢測中的重要環(huán)節(jié),會影響檢測精度。對光譜進(jìn)行運(yùn)算而提取的特征忽略了不同地物的空間差異,導(dǎo)致檢測精度較低。而相似性特征可以從空間上表現(xiàn)兩個(gè)分量間的距離差異和方向差異[13],從而提高檢測的精度。近年來,有許多相似性度量方法被提出,如歐氏距離[14]、向量夾角余弦[15]、推土機(jī)距離[16]等。本文選擇JS散度和互相關(guān)兩種相似性特征來描述光譜和空間差異。

3.1.1 基于JS散度的相似性特征

像斑是一組像素集合,其灰度直方圖是基于空間統(tǒng)計(jì)的特征,反映像斑內(nèi)部的灰度值分布,同時(shí)表達(dá)像斑的光譜和紋理信息,在基于像斑的特征提取中廣泛應(yīng)用[17]。圖4是兩種地物的灰度直方圖,灰度級已劃分為16個(gè)等級。由圖可知,不同地物的灰度直方圖并不相同,且同一地物在不同波段獲取的灰度直方圖也不一樣。因此,根據(jù)灰度直方圖提取的特征可以有效區(qū)分不同地物,進(jìn)而檢測變化區(qū)域。

圖4 不同地物對象的灰度直方圖(已劃分為16級)

KL散度是基于像斑灰度直方圖的一種相似度特征,JS散度是它的變形,兩者都能描述兩個(gè)離散分布之間的差異性,同時(shí)又能避免信息冗余。JS散度具有對稱性且值域有界,度量相似性時(shí)比KL散度更確切。它的實(shí)際意義是計(jì)算兩個(gè)頻率分布的距離,若不同時(shí)相的某個(gè)像斑未發(fā)生變化或變化較小,則灰度分布P和Q距離較小,JS值較低；若發(fā)生劇烈變化,那么P、Q間距離增大,JS值也較高。因此,JS散度可以確切的測定相似度,進(jìn)而描述某地區(qū)的變化程度。實(shí)際應(yīng)用中,JS散度的定義是:

(1)

為了降低計(jì)算復(fù)雜度,在提取JS散度特征之前,需要對兩期遙感圖像的灰度值量化分級。量化級數(shù)越多,地物可分性越強(qiáng),但是級數(shù)過多會導(dǎo)致直方圖過于平坦,降低計(jì)算效率；量化級數(shù)越少,直方圖的穩(wěn)定性越高,但是會降低區(qū)分地物的準(zhǔn)確性。本文將灰度量化為16級,然后統(tǒng)計(jì)每波段像斑的灰度直方圖,獲得灰度分布P和Q,再計(jì)算JS散度。遙感影像的不同的波段之間具有較強(qiáng)的相關(guān)性,因此可將不同波段的JS值根據(jù)變異系數(shù)進(jìn)行加權(quán),獲得最終的JS散度特征。變異系數(shù)綜合考慮波段方差及均值,構(gòu)造的圖像更具客觀性和準(zhǔn)確性。

3.1.2 基于互相關(guān)的相似性特征

常用的歐氏距離DE和余弦相似度DC都屬于幾何空間測度,主要思想是用兩個(gè)光譜向量的廣義空間距離表達(dá)相似性；而互相關(guān)系數(shù)屬于概率空間測度,它常用來衡量兩個(gè)變量之間的結(jié)構(gòu)相似性[18],具體計(jì)算公式如下:

(2)

根據(jù)公式可知,互相關(guān)系數(shù)是歐氏距離和余弦相似度的改進(jìn),它能更好的表現(xiàn)分量間的相似性。如果某像斑發(fā)生了變化,其互相關(guān)系數(shù)較??；如果像斑未發(fā)生變化,其互相關(guān)系數(shù)會較大。

3.2 融合圖像的構(gòu)建和處理

融合多特征是構(gòu)建融合影像關(guān)鍵,文獻(xiàn)[3]中使用疊加法融合多個(gè)尺度的變化檢測結(jié)果,但融合前需要應(yīng)用閾值分割法,因此閾值對融合精度的影響很大。另有學(xué)者提出自動計(jì)算權(quán)重的方法,如多小波核融合[19],但是計(jì)算過程過于復(fù)雜,無法全面推廣。

本文應(yīng)用決策級融合方式,對JS散度特征和互相關(guān)特征進(jìn)行融合。對于不同特征獲得的變化檢測結(jié)果,建立決策融合規(guī)則,綜合檢測變化區(qū)域。按照自然間斷點(diǎn)法將變化強(qiáng)度分為五級,0級表示未變化,4級表示發(fā)生強(qiáng)烈變化。變化強(qiáng)度分級,一方面可以不受二值化限制,保證了檢測結(jié)果的空間連續(xù)性[20]；另一方面,可以增加變化信息的豐富度,保證檢測結(jié)果的實(shí)際地物意義。

該融合方法遵循邏輯函數(shù)F(x,y),取值規(guī)則如表1所示。從圖中可以看出,函數(shù)F與x+y的值近正相關(guān),當(dāng)兩類特征x和y顯示的變化強(qiáng)度越強(qiáng),融合后的變化等級也越高。該融合規(guī)則能充分融合兩種特征所表現(xiàn)的變化信息,且不受分割閾值的限制,有利于提高檢測的精度。

表1 邏輯函數(shù)取值規(guī)則

與根據(jù)閾值判斷變化區(qū)域的檢測方法不同,在應(yīng)用決策級融合規(guī)則時(shí),定義邏輯函數(shù)F(x,y)值小于1時(shí)判定為未變化,超過1時(shí)判定為變化。

為了與上述融合方法對比,本文還應(yīng)用傳統(tǒng)加權(quán)融合的方式。令DJS和DXY是JS散度和互相關(guān)系數(shù),ωJS和ωXY是JS散度和互相關(guān)系數(shù)對應(yīng)的權(quán)重,則兩者的加權(quán)組合形式為:

D=ωJS·DJS+ωXY·DXY

(3)

其中,ωJS+ωXY=1。

3.3 精度評價(jià)方法

本文選擇三個(gè)指標(biāo)來對變化檢測結(jié)果進(jìn)行精度評價(jià):漏檢率、誤檢率、正確率。正確率越高,漏檢率和誤檢率越低,說明變化檢測結(jié)果越好。將像斑總數(shù)用S表示,實(shí)際發(fā)生變化并檢測出變化的像斑數(shù)用CC表示,實(shí)際發(fā)生變化但檢測成未變化的像斑數(shù)用TF表示,實(shí)際未發(fā)生變化并檢測出的像斑數(shù)用NN表示,實(shí)際未發(fā)生變化但檢測成變化的像斑數(shù)用NF表示。表2為精度評價(jià)表。

表2 變化檢測精度評價(jià)表

4 實(shí)驗(yàn)與分析

本文應(yīng)用eCognition軟件,綜合利用圖像的光譜信息和空間特征,疊加兩期遙感圖像的所有波段,進(jìn)行圖像分割,獲得待檢測的像斑共計(jì)206個(gè),分割結(jié)果如圖5(a)所示。以像斑為研究對象,根據(jù)公式(1)獲得JS散度特征,并根據(jù)公式(2)獲得互相關(guān)特征。圖5(b)為變化檢測參考結(jié)果。其中,黑色部分為未變化類,共計(jì)81個(gè)像斑；白色部分為變化類,共計(jì)125個(gè)像斑。圖5(c)為本文方法獲得的檢測結(jié)果,可以看出,圖像四周幾乎未發(fā)生變化的道路及建筑物都被正確檢測,且在圖中顯示顏色較深；而圖像中心變化比較強(qiáng)烈的區(qū)域被檢測為變化區(qū)域,在圖中顯示顏色較淺。

為了方便精度對比,本文將決策級融合結(jié)果中未發(fā)生變化或發(fā)生微弱變化的區(qū)域判定為不變區(qū)域,其他區(qū)域判定為變化區(qū)域,檢測結(jié)果如圖6(a)；利用大津閾值法對加權(quán)融合的結(jié)果進(jìn)行二值化,判定變化區(qū)域,檢測結(jié)果如圖6(b)～(f)。

圖5 分割結(jié)果、變化參考圖及本文檢測結(jié)果

圖7為各項(xiàng)評價(jià)指標(biāo)的對比結(jié)果?？梢钥闯?基于JS散度特征的檢測結(jié)果要好于互相關(guān)的結(jié)果,基于互相關(guān)特征(ωJS=0)的檢測結(jié)果正確率為85.20 %,誤檢率為6.06 %,漏檢率為7.97 %；基于JS散度特征(ωJS=1)的檢測結(jié)果正確率達(dá)到90.58 %,誤檢率為5.79 %,漏檢率為8.45 %,其主要原因是互相關(guān)系數(shù)對圖像的配準(zhǔn)和校正都有較高的精度要求。就融合方法而言,固定權(quán)重融合的檢測結(jié)果精度普遍略低,JS散度特征的權(quán)重設(shè)置為0.3、0.5和0.7時(shí),正確率分別為85.43 %、90.77 %和93.62 %。權(quán)重越偏向互相關(guān)特征,正確率越低,且固定權(quán)重的融合方法依賴于閾值分割結(jié)果,單一閾值的選取限制了檢測精度。兩特征融合的變化檢測精度(如固定權(quán)重ωJS=0.5；ωJS=0.7；決策級融合方法)均高于單個(gè)特征的檢測結(jié)果。JS散度特征反映了像斑灰度分布的全局情況,而互相關(guān)相似性特征則反映了像斑內(nèi)部結(jié)構(gòu)的變化情況,二者所反映的信息互為補(bǔ)充,因此融合后能明顯提高變化檢測的效果。

應(yīng)用決策級融合的檢測結(jié)果綜合了兩種方法的優(yōu)勢,將正確的變化信息有效集中和提取,避免了因閾值分割產(chǎn)生的誤檢,優(yōu)化變化檢測結(jié)果的精度。還能準(zhǔn)確反映變化信息的位置和強(qiáng)度,在正確率、誤檢率和漏檢率三個(gè)指標(biāo)上都略有提高,分別為96.06 %、4.59 %、3.67 %。與人工解譯結(jié)果對比可知,本文采用的面向?qū)ο蟮臋z測方法能對試驗(yàn)區(qū)中部的大范圍變化進(jìn)行準(zhǔn)確的檢測,檢測得到的變化區(qū)域多與實(shí)際地物相對應(yīng),有一定的實(shí)際意義。特別是應(yīng)用決策級融合方案將互相關(guān)特征和JS散度特征融合后,檢測結(jié)果正確率較高,實(shí)現(xiàn)了對局部細(xì)節(jié)的準(zhǔn)確檢測,例如:植被覆蓋度變化、道路擴(kuò)建和院房重修等。

實(shí)驗(yàn)二依據(jù)本文的實(shí)驗(yàn)思路,將兩期圖像疊加,采用多尺度分割算法獲得像斑(圖8(a)),共計(jì)619個(gè)。圖8(b)為標(biāo)準(zhǔn)變化結(jié)果,其中,黑色區(qū)域表示未變化類,共計(jì)378個(gè)像斑；白色區(qū)域表示變化類,共計(jì)241個(gè)像斑。

然后,以像斑為基本單元計(jì)算JS散度特征和互相關(guān)特征,最后應(yīng)用決策級融合獲得最終的變化檢測結(jié)果。為了對本文算法的有效性進(jìn)行驗(yàn)證,實(shí)驗(yàn)中將加權(quán)融合的檢測結(jié)果與本文算法結(jié)果對比,各融合結(jié)果如圖9所示。

從圖中可以看出,基于互相關(guān)特征的變化檢測結(jié)果有較高的誤檢率,主要是因?yàn)閳D像獲取時(shí)受到光照的影響,導(dǎo)致建筑物和高大植被產(chǎn)生陰影,而在目視解譯中并未將陰影變化算作變化信息。在計(jì)算兩期圖像的互相關(guān)特征時(shí),陰影變化也被檢測出來,因此存在誤檢。與基于單一的互相關(guān)特征獲得的變化檢測結(jié)果相比,JS散度特征以像斑的灰度直方圖為研究對象進(jìn)行計(jì)算,一定程度上避免了因光照條件和輻射差異導(dǎo)致的虛假變化,可以較準(zhǔn)確的判別變化信息,檢測結(jié)果的準(zhǔn)確性較高。

圖6 各種融合方法獲得的變化結(jié)果

圖7 各項(xiàng)評價(jià)指標(biāo)對比

圖8 分割結(jié)果及標(biāo)準(zhǔn)檢測結(jié)果

圖10為定量評價(jià)融合方法的結(jié)果對比。結(jié)果顯示,固定權(quán)值的融合方法綜合了兩種特征獲取的變化信息,因此融合結(jié)果的漏檢率降低,但仍然無法解決因輻射差異導(dǎo)致的誤檢問題。并且,融合時(shí)互相關(guān)特征的權(quán)重比例越大,誤檢問題越明顯。另外,固定權(quán)重的融合結(jié)果精度受到分割閾值的限制,若閾值分割效果不佳直接影響最終的變化檢測結(jié)果。而決策級融合方法直接對兩種特征獲取的變化信息進(jìn)行量化綜合,有效提取正確的變化信息,正確率提升到90.09 %,漏檢率為5.08 %,誤檢率為9.68 %。盡管當(dāng)ωJS=0.7時(shí)融合結(jié)果的檢測正確率與本文相近(為89.77 %),但漏檢率和誤檢率(分別為6.29 %和14.25 %)均高于本文方法,所以總體檢測性能上決策級融合方法要好于固定權(quán)值的融合方法。

圖9 各種融合方法獲得的變化結(jié)果

圖10 各項(xiàng)評價(jià)指標(biāo)對比

綜上所述,與單一特征相比,基于多特征的變化檢測方法可以提高變化檢測的精度,變化檢測結(jié)果也更接近實(shí)際。另一方面,融合結(jié)果還集成了兩種方法的優(yōu)勢,降低了檢測結(jié)果的誤檢和漏檢概率。因此,基于JS散度和互相關(guān)的多特征融合變化檢測方法在航空遙感圖像的自動變化檢測中有一定可行性。

5 結(jié) 語

本文將JS散度特征與互相關(guān)特征結(jié)合應(yīng)用于航空遙感圖像,提出了一種多特征融合的多時(shí)相遙感變化檢測方法。該方法以像斑為單位,提取JS散度特征和互相關(guān)特征,并應(yīng)用決策級融合算法將兩種特征有效融合以提高檢測精度。與基于像元的變化檢測算法相比,本文算法能有效避免“椒鹽噪聲”對檢測結(jié)果的影響,檢測信息具有一定的實(shí)際意義。另外,算法中綜合了兩種特征的優(yōu)點(diǎn),實(shí)現(xiàn)多特征融合,相較于單一特征的檢測結(jié)果,該方法提高了檢測精度,能更準(zhǔn)確地檢測出變化區(qū)域。但是,本文算法還存在許多不足,需進(jìn)一步完善:

(1)該算法沒有考慮像斑內(nèi)的空間分布信息,當(dāng)變化類與未變化類等量且同時(shí)存在某像斑時(shí),像斑灰度值不會發(fā)生明顯變化,易導(dǎo)致漏檢。

(2)未能考慮其他特征對檢測結(jié)果的影響。本文主要應(yīng)用相似性特征進(jìn)行變化檢測,然而高分辨率影像可提取的特征種類十分豐富,可嘗試挑選并融合更多有效的特征進(jìn)行變化檢測。

(3)未能實(shí)現(xiàn)不同特征的自適應(yīng)權(quán)重分配。本文在進(jìn)行變化檢測時(shí),綜合考慮多種特征,然而不同特征對變化區(qū)域的檢測貢獻(xiàn)可能不同。因此,在以后的研究中,特征融合應(yīng)根據(jù)試驗(yàn)區(qū)的具體情況,自適應(yīng)調(diào)整權(quán)重。