一種改進(jìn)SLIC分割的多尺度面向?qū)ο驝VA遙感影像變化檢測方法

李語旻,徐 佳,盧 剛,王宗偉,秦慧杰

(1.河海大學(xué)地球科學(xué)與工程學(xué)院,江蘇 南京 211000; 2.江蘇省測繪工程院,江蘇 南京 210013)

遙感影像變化檢測技術(shù)是指對同一地區(qū)不同時相的遙感影像進(jìn)行分析以發(fā)現(xiàn)和提取地表的變化信息,能迅速獲取大范圍信息,具有快捷性、高效性和廉價性等優(yōu)點(diǎn),已成為地理國情監(jiān)測的重要手段。

近年來變化檢測方法不斷更新[1-5],根據(jù)數(shù)源的不同分為影像-影像法和矢量-影像法;根據(jù)處理信息層次的不同分為像素級、特征級和對象(目標(biāo))級3類[6];Lu等[7]根據(jù)采用的不同數(shù)學(xué)方法將變化檢測技術(shù)分為代數(shù)運(yùn)算法、變換法、分類法、GIS法、高級模型法等。像素級變化檢測易受到噪聲的影響而產(chǎn)生“椒鹽現(xiàn)象”,且提取的影像信息十分有限,只適用于提取常用的一些灰度值和單一特征信息,對于日益豐富的遙感信息提取是遠(yuǎn)遠(yuǎn)不夠的。相較之下,面向?qū)ο蟮淖兓瘷z測方法在影像信息提取方面則能突破基于像素法的一些局限性[6]。面向?qū)ο蟮淖兓瘷z測大多以遙感影像信息挖掘的特征級作為處理層級,除了利用基于像素提取的灰度、紋理信息之外,還可以利用其他對象的信息,如影像對象的均值和方差、對象的幾何特征、對象的紋理特征等,可以獲取更豐富的高分遙感影像信息。

根據(jù)文獻(xiàn)[8],變化檢測可分為分類后比較法和直接比較法[9]。直接比較法中的變化矢量分析(CVA,change vector analysis)法目前在中低分辨率遙感影像變化檢測中得到了廣泛的應(yīng)用。文獻(xiàn)[10-12]中提出了面向?qū)ο蟮腃VA變化檢測方法,通過構(gòu)建對象的變化矢量來進(jìn)行分析,它和基于像素的CVA方法在思路上是一致的,主要不同體現(xiàn)在對像素的矢量分析變?yōu)榱藢ο蟮氖噶糠治鯷13]。

然而,面向?qū)ο笞兓瘷z測的結(jié)果嚴(yán)重依賴于分割尺度的大小,文獻(xiàn)[13]中提出用多尺度分割及融合的方法來提高變化檢測精度,這些方法大多是直接用eCognition軟件或某種多尺度分割算法來完成分割,如果2期影像分辨率不同,矢柵套合后就會出現(xiàn)邊界不一致、像斑內(nèi)部不同質(zhì)等問題。研究將易康多尺度分割與簡單的線性迭代聚類(SLIC,simple linear iterative clustering)超像素分割相結(jié)合,提出一種改進(jìn)的SLIC超像素分割法,實(shí)現(xiàn)了矢量層內(nèi)部的再分割,優(yōu)化了多尺度分割效果。

研究依托地理國情普查項(xiàng)目,基于資源三號和高分一號衛(wèi)星在江陰市示范區(qū)的影像,旨在結(jié)合改進(jìn)的SLIC超像素分割算法,融合多特征研究一種多尺度面向?qū)ο蟮腃VA變化檢測新方法,通過各類特征值優(yōu)勢的綜合及多尺度分割的決策級融合,突破傳統(tǒng)面向?qū)ο蟮氖笘盘缀戏椒ǖ南拗?從而提高檢測精度。

1 技術(shù)路線與方法

由于2個時期的影像存在輻射差異,可能會對變化檢測結(jié)果產(chǎn)生影響。因此,首先以T2時期影像為參考,對T1時期影像做直方圖匹配來進(jìn)行相對輻射校正,得到匹配影像;其次,將匹配影像與T2時期影像進(jìn)行波段疊加合成一幅影像;再次,用改進(jìn)的SLIC超像素分割法,以5種不同尺度分割影像,形成矢量層,并用矢量層分割2期影像,形成2期像斑;接著對像斑做特征提取,融合各類型特征值構(gòu)成特征矢量和變化矢量,經(jīng)過分析計(jì)算得到各類特征的變化強(qiáng)度;最后,通過OTSU閾值分割[14],對5種尺度下的變化檢測結(jié)果進(jìn)行決策級融合,并對融合后的結(jié)果做變化檢測精度評定。該變化檢測方法的總體流程如圖1所示。

圖1 改進(jìn)SLIC分割的CVA變化檢測技術(shù)路線Fig.1 Technical route of CVA change detection based on improved SLIC segmentation

1.1 改進(jìn)的SLIC多尺度分割

在利用前期矢量數(shù)據(jù)和后期影像進(jìn)行面向?qū)ο笞兓瘷z測的過程中,要提取像斑的特征信息,先要對矢量數(shù)據(jù)和影像數(shù)據(jù)進(jìn)行套合來獲取像斑。因?yàn)椴煌臄?shù)據(jù)來源不同,其坐標(biāo)信息可能不同,所以必須將矢量數(shù)據(jù)和影像數(shù)據(jù)完全套合,才能獲取正確的影像像斑,提取出的像斑特征才具有意義。矢量數(shù)據(jù)和影像數(shù)據(jù)的套合,主要采用將二者坐標(biāo)轉(zhuǎn)換到同一坐標(biāo)下的方式進(jìn)行。但即使是同一坐標(biāo)系下也會存在一些問題,因?yàn)榈乩韲槠詹榈牡乇砀采w矢量數(shù)據(jù)原本是分割0.3 m分辨率的航空影像而獲得的圖斑,而資源三號和高分一號衛(wèi)星的影像分辨率為2.1 m和2 m,二者套合勢必會出現(xiàn)一些問題,比如邊界不一致、像斑內(nèi)部不同質(zhì)等,這些問題都將對特征提取產(chǎn)生影響。針對這些問題,提出了一種改進(jìn)的SLIC超像素分割方法,即在SLIC分割影像形成矢量層后,若矢柵套合形成的像斑超過了設(shè)定的影像對象所允許的最大異質(zhì)度,則降低最小分割尺度minRegion的值,對矢量層內(nèi)部進(jìn)行再分割,選取適當(dāng)?shù)姆指畛叨?以保證像斑的同質(zhì)性,同時兼顧影像的一些細(xì)節(jié)信息。將再分割后的矢量數(shù)據(jù)作為后續(xù)套合獲取像斑及特征提取的基礎(chǔ)數(shù)據(jù)。

這種改進(jìn)的SLIC超像素分割方法,是參考eCognition軟件中多尺度分割算法的分割尺度、圖像波段權(quán)重、同質(zhì)性3個參數(shù),在SLIC算法的基礎(chǔ)上進(jìn)行改進(jìn)來實(shí)現(xiàn)矢量層的再分割。

實(shí)驗(yàn)分別以3種不同尺度,對2013年高分一號衛(wèi)星4波段影像采用常規(guī)SLIC法和改進(jìn)的SLIC法進(jìn)行分割,并對結(jié)果通過目視判讀的方式進(jìn)行定性精度評價和對比分析,實(shí)驗(yàn)結(jié)果如圖2所示。

對比實(shí)驗(yàn)結(jié)果可以發(fā)現(xiàn):

(1) 改進(jìn)的SLIC算法相較常規(guī)SLIC算法而言,在盡可能避免“過分割”現(xiàn)象的前提下,對矢量層內(nèi)部進(jìn)行再分割,提高了部分像斑內(nèi)部的同質(zhì)性,突出了影像的部分細(xì)節(jié)特征,分割效果更加理想。

圖2 多尺度分割結(jié)果對比Fig.2 Comparison of multiscale segmentation results

(2) 對比圖2(b)、(d)、(f)中的再分割區(qū)域可以看出,分割尺度越大,再分割的效果就越明顯。

(3) 改進(jìn)的SLIC算法通過再分割獲得的像斑在滿足同質(zhì)性較強(qiáng)的同時,保持了輪廓形狀,在顏色(光譜)和形狀之間找到了平衡點(diǎn)。

(4) 圖2(f)即尺度為10的改進(jìn)的SLIC超像素分割,繼承了常規(guī)SLIC分割的優(yōu)點(diǎn),保持了較理想的超像素(像斑)輪廓、大小、緊湊度,也兼顧了其同質(zhì)性,比較符合面向?qū)ο笞兓瘷z測方法所期望的分割效果。

1.2 特征提取

用矢量層分割2期影像,得到2期像斑后,分別計(jì)算2期影像上每個像斑的光譜特征、紋理特征以及指數(shù)特征。特征提取采用的實(shí)驗(yàn)數(shù)據(jù)為資源三號衛(wèi)星的一個3波段像斑(用于光譜、紋理特征提取),如圖3所示,資源三號衛(wèi)星的一個4波段像斑(用于指數(shù)特征提取)如圖4所示。

(1) 光譜特征 光譜特征是用來表達(dá)圖像像斑中像素的光譜信息,它主要是由地表物體通過反射或輻射所顯示出來的光譜信息,以灰度值來表示,像斑光譜特征主要包含均值、標(biāo)準(zhǔn)差、最大像素值、信息熵等[15]。研究提取像斑的波段均值、波段標(biāo)準(zhǔn)差、亮度3種光譜特征,計(jì)算模型分別如下:

圖3 資源三號衛(wèi)星3波段像斑Fig.3 Image disk of band 3,ZY-3

圖4 資源三號衛(wèi)星4波段像斑Fig.4 Image disk of band 4, ZY-3

像斑像素的灰度均值μL計(jì)算公式為

(1)

其中:m為像素個數(shù);vi為像斑中像素的灰度值,可取藍(lán)、綠、紅、近紅外4個波段。

像斑像素的灰度標(biāo)準(zhǔn)差δL計(jì)算公式為

(2)

像斑的亮度b計(jì)算公式為

(3)

其中:nL為總波段數(shù);μi為各波段均值。

(2) 基于灰度共生矩陣的紋理特征 研究提取基于灰度共生矩陣(GLCM,Gray-level co-occurrence matrix)的8種紋理特征,計(jì)算模型見表1。表1中n為影像的灰度級;i,j為相鄰兩像元的灰度值;pi,j為歸一化之后灰度共生矩陣中(i,j)處的元素歸一化值;μi,j為共生均值。

表1 基于GLCM的紋理特征計(jì)算模型

(3) 基于局部二值模式的紋理特征 根據(jù)局部二值模式(LBP,local binary patterns)原理[16],定義了中心像點(diǎn)的8鄰域數(shù)組cNeighbor[8],并將像斑灰度值賦予它們,通過比較中心像點(diǎn)與8鄰域像點(diǎn)灰度值大小,生成一個8位二進(jìn)制數(shù),再轉(zhuǎn)換成十進(jìn)制,范圍剛好為0～255,將其賦值給中心像點(diǎn)作為其灰度值,從而輸出一個LBP像斑。再通過調(diào)用calcHist和getHistImage函數(shù),統(tǒng)計(jì)出LBP像斑的灰度分布數(shù)據(jù),輸出最大、最小像素?cái)?shù)目、像素總數(shù)及平均灰度值。

(4) 歸一化植被指數(shù) 歸一化植被指數(shù)(NDVI,normalized difference vegetation index)特征應(yīng)用于檢測植被生長狀態(tài)、植被覆蓋度和消除部分輻射誤差等。在NDVI提取中,通過主函數(shù)中數(shù)據(jù)文件的讀取和近紅外、紅波段的提取,以及CalcNDVI函數(shù)中各像素NDVI值的計(jì)算,可以輸出NDVI值之和以及NDVI均值。再利用GDALDriver、GDALCreate等函數(shù)完成NDVI數(shù)據(jù)文件的生成和存儲。

1.3 變化矢量分析

變化矢量是描述像斑從時相1到時相2變化的方向和大小的向量。在完成特征提取后,2期像斑各類特征值可分別構(gòu)成t1時相和t2時相的特征矢量G=(g1,g2,…,gk)T,H=(h1,h2,…,hk)T,相減即可得到變化矢量為

(4)

式(4)中ΔG包含了像斑由t1時相到t2時相的所有變化信息,再計(jì)算像斑的變化強(qiáng)度ΔAG:

(5)

ΔAG值越大,表示2期像斑的差異越大,像斑發(fā)生變化的可能性越大。根據(jù)ΔAG的大小,采用最大類間方差法選取閾值,即可判別像斑的變化性質(zhì)。

基于變化矢量分析的變化檢測,用到光譜、紋理和指數(shù)3類特征。采用分組進(jìn)行變化矢量分析的方法,即分別用光譜特征、紋理特征、指數(shù)特征進(jìn)行變化向量分析,得到3組變化檢測結(jié)果,最后將3組結(jié)果進(jìn)行合并。

1.4 決策級融合

對5種尺度分割的像斑分別進(jìn)行上述特征提取和變化矢量分析,得到5個尺度的變化檢測結(jié)果。將5個結(jié)果中變化像斑和未變化像斑分別用1和0來表示,再通過建立5層決策二叉樹對各尺度上的變化檢測結(jié)果進(jìn)行融合,并將最小尺度的所有像斑劃分定義為5類,具體見表2。

表2 決策級融合的分類

2 示范區(qū)試驗(yàn)結(jié)果與分析

研究基于國產(chǎn)資源三號、高分一號衛(wèi)星影像,利用研究提出的方法進(jìn)行變化檢測。為了驗(yàn)證該方法的有效性,在江陰市選擇了2個示范區(qū)進(jìn)行實(shí)驗(yàn)。

2.1 示范區(qū)數(shù)據(jù)

示范區(qū)為江陰市部分區(qū)域,示范區(qū)一覆蓋面積約為58.6 km2,示范區(qū)二覆蓋面積約為183 km2。示范區(qū)一前期影像為資源三號衛(wèi)星4波段影像,分辨率為2.1 m,拍攝時間為2012年12月;后期影像為高分一號衛(wèi)星4波段影像,分辨率為2 m,拍攝時間為2013年10月。示范區(qū)二前后期影像均為資源三號衛(wèi)星4波段數(shù)據(jù),分辨率為2.1 m,拍攝時間分別為2013年4月和2015年4月,如圖5所示。

圖5 示范區(qū)遙感影像Fig.5 Remote sensing image of the demonstration area

2.2 實(shí)驗(yàn)流程

在完成對2期影像的直方圖匹配和疊加后,用改進(jìn)的SLIC超像素分割算法,以尺度10分割影像,形成矢量層;將矢量層與2期影像套合,得到2期像斑;計(jì)算2期影像上每個像斑的光譜特征(各波段均值、各波段標(biāo)準(zhǔn)差、亮度)、基于GLCM的紋理特征(熵、角二階矩、同質(zhì)度、非相似性、共生均值、共生標(biāo)準(zhǔn)差、對比度、相關(guān)性)、基于LBP的紋理特征以及歸一化植被指數(shù)NDVI;分別基于光譜、紋理、指數(shù)特征對每一對2期像斑進(jìn)行特征矢量分析,得到變化強(qiáng)度G1、G2、G3,設(shè)定閾值后分別得到變化檢測結(jié)果R1、R2、R3;將3個結(jié)果合并(求合集),得到尺度為10的檢測結(jié)果;再分別以尺度30、50、70、90進(jìn)行上述步驟,將5個尺度的結(jié)果進(jìn)行決策級融合,結(jié)果圖中包含5類像斑。最后對融合結(jié)果進(jìn)行二值化,將類別0的像斑視為未變化,其余像斑視為變化。

2.3 實(shí)驗(yàn)結(jié)果與精度評定

二值化后的最終變化檢測結(jié)果如圖6所示,其中白色邊框包圍的區(qū)域表示該方法檢測出的變化圖斑。

圖6 示范區(qū)變化檢測最終結(jié)果Fig.6 Final results of change detection in the demonstration area

示范區(qū)一經(jīng)分割共形成4 165個像斑,通過人工選取并實(shí)地驗(yàn)證的實(shí)際變化像斑有142個。檢測結(jié)果中:實(shí)際變化、檢測也變化的像斑有129個,記為C1;實(shí)際變化、檢測未變化的像斑有13個,記為C2;實(shí)際未變化、檢測變化的像斑有476個,記為C3;實(shí)際未變化、檢測也未變化的像斑有3 547個,記為C4。根據(jù)計(jì)算公式得出,漏檢率為9.15%,誤檢率為11.83%,總體檢測精度為88.26%。

(6)

示范區(qū)二經(jīng)分割共形成6 484個像斑,通過人工選取并實(shí)地驗(yàn)證的實(shí)際變化像斑425個。檢測結(jié)果中:實(shí)際變化、檢測也變化的像斑有375個;實(shí)際變化、檢測未變化的像斑有50個;實(shí)際未變化、檢測變化的像斑有893個;實(shí)際未變化、檢測也未變化的像斑有5 166個,即C1為375,C2為50,C3為893,C4為5 166,則漏檢率為11.76%,誤檢率為14.74%,總體檢測精度為85.46%。

最后,為了驗(yàn)證該方法在面向?qū)ο蠓椒ㄖ械膬?yōu)勢,將該方法在示范區(qū)一的結(jié)果同基于像斑灰度均值的方法進(jìn)行了對比,檢測結(jié)果的精度指標(biāo)對比見表3。

表3 檢測結(jié)果精度對比

從上述示范區(qū)變化檢測結(jié)果及精度評價結(jié)果可以看出:

(1) 檢測正確率得到提升。該方法總體變化檢測精度均在85%以上,可以快速準(zhǔn)確地發(fā)現(xiàn)90%左右的變化區(qū)域。而傳統(tǒng)基于像素的變化檢測方法的總體精度在75%左右,基于像斑灰度均值的方法總體精度為81.36%,二者發(fā)現(xiàn)變化區(qū)域的比例均不足80%,故該方法在檢測正確率上有不小的提升。

(2) 漏檢率和誤檢率大幅度降低?；谙癜呋叶染档姆椒z率為37.91%,誤檢率為47.16%。相較而言,該方法2個示范區(qū)結(jié)果漏檢率分別為9.15%和11.76%,誤檢率分別為11.83%和14.74%。由于SLIC分割本身就很適合用來進(jìn)行面向?qū)ο蟮淖兓瘷z測,研究在此基礎(chǔ)上又進(jìn)行了改進(jìn),實(shí)現(xiàn)了矢量層內(nèi)部的再分割,使得像斑盡可能同質(zhì),并且做了特征分組合并以及決策級融合的改進(jìn),因此漏檢率和誤檢率比常規(guī)面向?qū)ο蠓椒ù蠓冉档汀?/p>

3 結(jié)語

基于圖像分割和特征提取算法,提出了一種多尺度面向?qū)ο蟮淖兓噶糠治?CVA)變化檢測新方法,通過對SLIC超像素分割法的“再分割”改進(jìn)、各類特征值優(yōu)勢的綜合及多尺度的決策級融合,突破了傳統(tǒng)方法的限制。2個示范區(qū)的實(shí)驗(yàn)結(jié)果證明該方法總體精度接近90%,誤檢率與漏檢率均低于15%,在常規(guī)面向?qū)ο蠓椒ㄖ芯哂袃?yōu)勢,可以作為地理國情監(jiān)測的有效手段。

存在的問題:

(1) 若決策級融合的尺度數(shù)量及間隔選擇不當(dāng),會對檢測結(jié)果的精度產(chǎn)生較大影響。因此,在多尺度分割前,需要對影像做一個決策級融合的評估。

(2) 該試驗(yàn)的二值化處理僅將類別0的像斑視為未變化,雖然3個精度評價指標(biāo)比較理想,但在實(shí)際變化像斑數(shù)和實(shí)際未變化像斑數(shù)差距懸殊的情況下,會導(dǎo)致Kappa系數(shù)很低。實(shí)際應(yīng)用中,將類別0、類別1和類別2均視為未變化可以將Kappa系數(shù)提高到0.8左右。