面向地理國情監(jiān)測的變化圖斑自動提取方法

黃金浪，毛羽豐

(南京市測繪勘察研究院股份有限公司，江蘇 南京 210019)

0 引 言

地理國情監(jiān)測是全面獲取地理國情信息的重要手段，是掌握地表自然、生態(tài)以及人類活動基本情況的基礎(chǔ)工作。以每年6月30日為時點，主要監(jiān)測地表覆蓋變化，直觀反映水草豐茂期地表各類自然資源的變化情況。目前地理國情監(jiān)測作為一項自然資源專題監(jiān)測，已經(jīng)納入自然資源調(diào)查監(jiān)測體系。開展常態(tài)化地理國情監(jiān)測，持續(xù)、全面掌握權(quán)威、客觀、準(zhǔn)確、動態(tài)的地理國情信息，確保地理國情數(shù)據(jù)的現(xiàn)勢性，是當(dāng)前社會十分迫切的需求。傳統(tǒng)的地理國情監(jiān)測方法通過人工目視判讀提取變化區(qū)域，內(nèi)業(yè)工作量大，工作效率低，限制了地理國情數(shù)據(jù)更新周期的縮短。如何快速、準(zhǔn)確獲取地表變化信息已經(jīng)成為地理國情監(jiān)測的研究熱點。

基于像素級的變化檢測技術(shù)在高分辨率遙感影像變化檢測時具有局限性，面向?qū)ο蟮淖兓瘷z測方法在實際生產(chǎn)中應(yīng)用更加廣泛。即利用具有光譜、空間以及幾何同質(zhì)性的像元簇(即影像對象)取代單個像元作為基本處理單元[1-2]，使得影像對象多維特征得到有效利用[3-4]。采用面向?qū)ο蟮倪b感影像處理思想，可以利用影像對象的光譜特征、紋理特征、幾何特征、空間關(guān)系特征，有效地發(fā)揮高分辨率遙感影像的優(yōu)勢[5-9]，為小尺度地物的識別與變化分析提供了有利條件[10-11]。Im等人將面向?qū)ο笏枷胍敫叻直媛蔬b感影像變化檢測[12]，Chen等人以基于像元變化檢測的定義為基礎(chǔ)，對面向?qū)ο蟮淖兓瘷z測方法做出了定義，即采用面向?qū)ο蟮挠跋裉幚砑夹g(shù)獲得不同時相遙感影像地物差異的過程[13]。

面向?qū)ο蟮淖兓瘷z測方法關(guān)鍵在于分割，但僅僅依靠影像分割獲取變化信息，其方式單一，且依賴影像分割算法的精度，檢測結(jié)果往往存在較多的誤判。由于地理國情監(jiān)測階段，提供數(shù)據(jù)源包含前期地表覆蓋矢量數(shù)據(jù)與多時相遙感影像，因此可利用地表覆蓋矢量數(shù)據(jù)作為先驗知識，結(jié)合面向?qū)ο蟮倪b感影像分析技術(shù)，進(jìn)行變化檢測。

1 變化檢測方法

本文采用的技術(shù)路線具體如下：首先，對兩個時相的高分辨率遙感影像進(jìn)行預(yù)處理，包括輻射定標(biāo)、大氣校正、正射校正、圖像融合、多時相遙感影像配準(zhǔn)以及相對輻射校正等；其次，對遙感影像進(jìn)行分割處理，然后，采用多特征融合的面向?qū)ο笞兓瘷z測方法自動提取變化對象；最后，輸出變化檢測結(jié)果并進(jìn)行精度驗證。技術(shù)路線如圖1所示。

圖1 技術(shù)路線

1.1 面向?qū)ο蟮牡乇砀采w變化檢測

對高分辨率遙感影像進(jìn)行分割，將分割獲得的影像對象作為變化檢測的基本處理單位，有利于提取和利用影像的多維特征。影像分割方法有2種：① 基于地理國情矢量數(shù)據(jù)進(jìn)行影像分割；② 采用多尺度分割方法進(jìn)行影像分割，即分形網(wǎng)絡(luò)演化方法(fractal net evolution approach，F(xiàn)NEA)[1]。本文中對前一時相影像使用當(dāng)年的地理國情監(jiān)測地表覆蓋矢量數(shù)據(jù)與多尺度分割方法進(jìn)行分割，而對后時相影像單獨利用多尺度分割方法進(jìn)行分割。如圖2所示。

圖2 影像(分割尺度：100)

分割尺度需要根據(jù)使用的遙感數(shù)據(jù)進(jìn)行試驗來確定，即選擇一塊小范圍區(qū)域，分別用不同的分割尺度來分割，根據(jù)分割后的效果確定參數(shù)，主要與影像分辨率有關(guān)，其原則是能夠?qū)⒌湫偷匚?如房屋、水體、植被)完整分割出來。尺度過小會導(dǎo)致圖斑過于碎裂，從而導(dǎo)致后續(xù)處理效率的下降；此外，若同一地物被分裂為很多塊，將不能完整反映這類地物的光譜、紋理、幾何等特征，失去了面向?qū)ο蠓治龅囊饬x。尺度過大則更不可取，其會將不同的地物分割在一個圖斑內(nèi)，無法達(dá)到面向?qū)ο蠓治龅男Ч?。對于相同傳感器、相同分辨率、相鄰拍攝時間的影像可采用統(tǒng)一的分割尺度經(jīng)驗值來進(jìn)行分割，以達(dá)到統(tǒng)一的分割效果。

1.2 影像特征變化向量提取

提取多源遙感影像數(shù)據(jù)的多種特征進(jìn)行變化檢測，能夠有效提高變化檢測精度，本文主要采用了強度、紋理兩類特征。

1.2.1 強度特征

圖像的強度特征是圖像最直接的特征。遙感圖像是基于像素排列組合構(gòu)成的，每一個像素具有相應(yīng)的灰度值，灰度值受到成像條件以及目標(biāo)地物的影響。強度特征具有易于理解、直觀的特點，通過統(tǒng)計不同波段的灰度值可以在影像上解譯出不同地物。

1.2.2 紋理特征

紋理特征描述了目標(biāo)地物在灰度圖像上的空間特征。像素按照一定的規(guī)則重復(fù)排列形成紋理，紋理具有方向性、周期性和隨機性的特點?；叶裙采仃?grey level co-occurrence matrix, GLCM)是一種常用且有效的紋理描述方法，具有很強的魯棒性，基本原理是計算局部窗口領(lǐng)域內(nèi)不同像元的灰度相關(guān)性。一般情況下，不直接用灰度共生矩陣表示紋理圖像，而是通過統(tǒng)計的方法得到紋理特征，文本選取的是同質(zhì)度(Homogeneity)、角二階矩(Angular Second Moment)兩種特征。

1.2.3 特征差異向量

通過對時相t1與時相t2的特征影像進(jìn)行差值計算，可以得到特征差異向量，設(shè)時相t1中第n波段的某一特征影像為fn(t1)，時相t2中第n波段的同一特征影像為fn(t2)，則可以得到該特征的差異向量：

(1)

此特征的變化強度可以用歐氏距離||D||表示，即兩期遙感影像的差異圖，每一類特征都能生成一副差異圖，如圖3所示，代表兩期影像的變化程度。

圖3 特征差異圖

2 試驗及分析

本實驗數(shù)據(jù)為某地區(qū)2019年、2020年同一季節(jié)的北京二號高分辨率衛(wèi)星影像，2019年影像僅有紅、綠、藍(lán)3個波段，2020年影像有近紅外、紅、綠、藍(lán)四個波段。影像大小為14 606像素×8 729像素，分辨率為0.8 m。使用的矢量數(shù)據(jù)為相同區(qū)域2019年地表覆蓋矢量數(shù)據(jù)。試驗區(qū)包含種植土地、林草地、道路、河流水面、房屋建筑區(qū)、構(gòu)筑物、人工堆掘地等多種地類。

2.1 預(yù)處理

先對兩期的原始光學(xué)影像分別進(jìn)行輻射校正，再基于DEM進(jìn)行正射幾何校正。由于研究區(qū)跨過了不同景的圖像，因此先進(jìn)行粗配準(zhǔn)、幾何精糾正、圖像拼接和粗裁剪，然后對兩期圖像進(jìn)行匹配，并根據(jù)研究區(qū)范圍對配準(zhǔn)后的兩期數(shù)據(jù)進(jìn)行裁剪，最后對兩幅影像進(jìn)行相對輻射校正。

2.2 變化圖斑提取

利用面向?qū)ο蟮淖兓瘷z測方法對經(jīng)過預(yù)處理的影像進(jìn)行處理，包括影像分割、特征提取、差異圖生成、閾值分類等步驟，提取變化圖斑。自動閾值效果往往都不理想，本文通過目視解譯判斷效果，對強度差異圖和紋理差異圖分別人工設(shè)置一個合理的閾值，變化強度大于閾值的為變化區(qū)域，小于閾值的為非變化區(qū)域，并合并兩類特征差異的提取結(jié)果，如圖4所示。

圖4 變化圖斑

2.3 結(jié)果統(tǒng)計與分析

將兩套結(jié)果進(jìn)行合并如圖5所示，將合并后的變化圖斑與人工勾勒的參考標(biāo)準(zhǔn)圖斑進(jìn)行對比。

圖5 結(jié)果對比

將本文方法的變化檢測結(jié)果與參考標(biāo)準(zhǔn)變化圖比較，進(jìn)行精度評定。經(jīng)過統(tǒng)計，試驗區(qū)共檢測出變化圖斑1 918個，漏檢圖斑56個，漏檢率為2.92%，虛檢圖斑295個，虛檢率為15.38%。

試驗結(jié)果表明本方法實現(xiàn)了變化圖斑的自動提取，取得較好的效果，但依然存在部分漏檢和虛檢。主要有以下原因：

(1)光照導(dǎo)致的變化

不同時期的影像成像條件存在差異，從而產(chǎn)生圖像輻射值變化，進(jìn)而影響變化檢測的結(jié)果，產(chǎn)生偽變化，如圖6所示。

圖6 光照原因造成的虛檢

(2)影像質(zhì)量或植被種植造成的影像變化

由于影像質(zhì)量、植被種植等多種因素的影響，不同植被地類在影像中會存在異譜同物(圖7)或同譜異物(圖8-圖9)現(xiàn)象。使得未發(fā)生變化的地類被識別為變化區(qū)，或已發(fā)生變化的區(qū)域因紋理、光譜接近而未被識別。這種植被種植或覆蓋度造成的影像變化不能僅僅依靠紋理特征來確定，需要結(jié)合實際情況考慮，進(jìn)行人工判斷。

圖7 植被覆蓋度不同導(dǎo)致的變化

圖8 2019年不同類型植被影像特征差異明顯

圖9 2020年不同類型植被影像特征基本一致

3 結(jié) 語

本文利用兩張不同時相的高分辨率光學(xué)影像對地表覆蓋變化情況進(jìn)行了檢測，實現(xiàn)了變化圖斑的自動提取。實驗過程中我們發(fā)現(xiàn)：① 本文檢測方法無須大量樣本訓(xùn)練模型，僅基于影像光譜和紋理特征進(jìn)行自動解譯，提取變化信息，自動化程度更高。但對不同影像進(jìn)行變化檢測很可能會得到不同精度的結(jié)果，這就需要大量實驗來找到適應(yīng)能力強的最優(yōu)方法，對作業(yè)員經(jīng)驗要求較高。② 近紅外波段非常重要，可以彌補基于真彩色灰度、紋理特征識別地物的不足。③ 植被的變化檢測是地理國情監(jiān)測的一個難點，本文檢測方法目前很難做到各類植被之間變化信息的有效識別。本文研究的檢測方法為地理國情監(jiān)測變化信息識別提供了一種快速檢測的方法，但也存在不足，即植被變化識別的質(zhì)量不高。因此，本變化檢測方法可用于檢查人工解譯的錯漏，不能完全代替人工判讀解譯。