基于GF-2號(hào)衛(wèi)星影像的土地利用變化監(jiān)測(cè)研究

曾靈芝

(賀州市自然資源局 廣西賀州 542899)

變化檢測(cè)是利用不同時(shí)期的觀測(cè)結(jié)果來(lái)確定特征和現(xiàn)象變化的過(guò)程。遙感圖像檢測(cè)范圍廣、檢測(cè)周期短，是變化檢測(cè)數(shù)據(jù)的重要來(lái)源，其廣泛應(yīng)用于土地利用變化檢測(cè)、城市擴(kuò)展監(jiān)測(cè)、地形圖更新等領(lǐng)域[1]。

根據(jù)數(shù)據(jù)源分類，遙感圖像變化檢測(cè)可分為兩類：影像-影像法和矢量-影像法。該成像方法使用時(shí)間序列遙感圖像作為數(shù)據(jù)源，使用一些相似性測(cè)量來(lái)測(cè)量圖像之間的差異，并且基于一些閾值執(zhí)行變化檢測(cè)。經(jīng)典的圖像方法包括圖像差分法、圖像比較法、變化矢量分析法和后分類比較法。矢量圖像方法使用矢量圖像和遙感圖像作為數(shù)據(jù)源?，F(xiàn)有的矢量圖像處理方法可以分為分類后比較法和分類函數(shù)法兩種[2]。分類后比較法結(jié)合遙感圖像上的矢量圖，提取不變的類作為學(xué)習(xí)模式，監(jiān)視遙感圖像的分類，比較矢量圖的分類和分類結(jié)果，檢測(cè)變化。分類函數(shù)法結(jié)合遙感圖像上的矢量圖提取遙感圖像上不同類型像素的特征。對(duì)像素的特征模式進(jìn)行分類分析，識(shí)別修正后的像素，對(duì)各類別的變化結(jié)果進(jìn)行統(tǒng)計(jì)來(lái)檢測(cè)變化。

現(xiàn)有的矢量成像方法研究較少，現(xiàn)有的類別成像方法在檢測(cè)局部變化模式方面較差。因此，本文提出了一種基于矢量映射和類別的遙感檢測(cè)圖像變化的方法。該方法在矢量圖的約束下對(duì)遙感圖像進(jìn)行分割，根據(jù)分割結(jié)果構(gòu)建圖像塊的類異質(zhì)性，逐類別對(duì)像斑進(jìn)行變化、未變化判別，能夠有效檢測(cè)發(fā)生局部變化的像斑，同時(shí)實(shí)現(xiàn)了變化檢測(cè)的自動(dòng)化。

1 本文方法

本文方法屬于矢量-影像法中的類別特征法，方法流程如圖1所示。

圖1 本文方法流程圖

首先，使用矢量圖像作為抑制因子來(lái)分離遙感圖像，獲得圖像像斑，提取直方圖作為像素的特征，并使用G統(tǒng)計(jì)量來(lái)測(cè)量像素的特征距離?；谙袼嘏c相似像素之間的特征距離，計(jì)算同一頻帶內(nèi)像素的異質(zhì)性?；诿總€(gè)波段中像素信息的熵，自適應(yīng)地確定每個(gè)波段的權(quán)重，并對(duì)每個(gè)波段圖像點(diǎn)的異質(zhì)性進(jìn)行加權(quán)和組合。最大熵方法用于獲得異質(zhì)性閾值，并確定每個(gè)波段圖像點(diǎn)的異質(zhì)性。將該類別中像素的異質(zhì)性與該類別中的異質(zhì)性閾值進(jìn)行比較，以查看該類別中像素的變化。通過(guò)整合不同的變更結(jié)果，可以獲得完整的變更結(jié)果[3]。

1.1 帶約束的影像分割

矢量圖中多邊形的變化可以分為兩種類型：全局變化和局部變化。全局變化是指多邊形的全局類別的變化，局部變化是指一個(gè)多邊形的局部區(qū)域的變化。為了有效地檢測(cè)具有局部變化矢量圖的區(qū)域，必須在矢量圖的約束下對(duì)遙感圖像進(jìn)行分割，并對(duì)局部校正區(qū)域進(jìn)行分割。

保留原始矢量圖形的邊，以及原始矢量圖形和圖像中的新邊。在通常的有限圖像分割方法中，通過(guò)光柵矢量調(diào)整將矢量圖像疊加在遙感圖像上，在不被遮擋的情況下對(duì)矢量圖像的多邊形進(jìn)行分割，得到像斑[4]。非約束圖像分割方法包括區(qū)域生長(zhǎng)方法、區(qū)域融合方法和邊緣檢測(cè)方法。通過(guò)有限圖像分割生成的圖像塊包括新時(shí)期遙感圖像的特征和早期矢量圖中的對(duì)象類別的屬性。下文將歷史時(shí)段矢量圖中的類型稱為像斑的類型。

圖2是帶約束影像分割的示意圖。圖2（a）是矢量圖，包含A 和B 兩個(gè)多邊形，對(duì)應(yīng)的地物類別依次為TA、TB；圖2（b）是遙感影像；圖2（c）是矢量圖約束下的遙感影像分割結(jié)果。多邊形A 內(nèi)部未產(chǎn)生新的邊緣，多邊形B內(nèi)部產(chǎn)生了新的多邊形C，多邊形C在矢量時(shí)期對(duì)應(yīng)的地物類別為TB。

圖2 帶約束的影像分割示意圖

1.2 像斑特征提取

像斑是一組光譜相似的空間相鄰像元的集合。像斑屬性是所有內(nèi)部像元的內(nèi)置表達(dá)式，必須反映內(nèi)部像素分布。直方圖是描述變量分布的統(tǒng)計(jì)特征。灰度直方圖用于描述圖像點(diǎn)上的灰度值與其出現(xiàn)頻率之間的函數(shù)關(guān)系。這樣可以更好地表示圖像點(diǎn)上灰度值的分布，它也可以在一定程度上代表像斑的紋理特征，以及圖像點(diǎn)的灰度特征。

1.3 像斑特征距離度量

通過(guò)直方圖提取像斑特征后，像斑特征距離轉(zhuǎn)換為直方圖距離的測(cè)量。測(cè)量直方圖距離的常用方法包括G統(tǒng)計(jì)量、直方圖相交距離、相交熵等。

1.4 像斑類別異質(zhì)度構(gòu)建

圖像點(diǎn)的異質(zhì)性用于測(cè)量圖像點(diǎn)與其相應(yīng)類別之間的異質(zhì)性。像斑類別越不均勻，像斑變化越大。如果圖像點(diǎn)的類別在新時(shí)期發(fā)生了變化，那么圖像點(diǎn)與舊時(shí)期圖像中其他類似點(diǎn)之間的特征距離較大，相應(yīng)距離的平均值也較大[5]。

1.5 異質(zhì)度閾值獲取

各類像斑中，變化像斑對(duì)應(yīng)的類別異質(zhì)度較大，未變化像斑對(duì)應(yīng)的類別異質(zhì)度較小。文中通過(guò)設(shè)定類別異質(zhì)度閾值實(shí)現(xiàn)各類像斑的變化判別。常用的閾值獲取方法有大津法、最大熵法。最大熵法基于熵最大化理論獲取最優(yōu)閾值，不需要對(duì)數(shù)據(jù)的分布預(yù)先作任何假設(shè)[6]。

每種地物類別均對(duì)應(yīng)一個(gè)異質(zhì)度閾值。各地物類別的異質(zhì)度閾值取決于該類別所屬所有像斑的類別異質(zhì)度，為此不同的地物類別對(duì)應(yīng)不同的異質(zhì)度閾值[6]。

1.6 基于類別的像斑變化判別

獲取各地物類別的異質(zhì)度閾值后，以類別為單位，對(duì)各類地物所屬的像斑進(jìn)行變化判別。

2 實(shí)驗(yàn)與分析

本文使用的實(shí)驗(yàn)數(shù)據(jù)為2016 年廣西市土地利用矢量圖和2021年GF-2遙感圖像。2016年土地利用矢量圖包括64 個(gè)多邊形，包括道路、農(nóng)田、湖泊、住宅用地、森林和空地6種土地類型。遙感圖像大小為990×1 027 像元，藍(lán)、綠、紅、近紅外4 個(gè)波段，空間分辨率2.4 m。利用2016年土地利用矢量圖，2021年遙感圖像分割為219 個(gè)像斑。為了便于變化結(jié)果的量化，使用視覺(jué)解釋技術(shù)建立了表面變化的標(biāo)準(zhǔn)結(jié)果。2016—2021年城市化快速推進(jìn)，大量裸露的城區(qū)土地被填筑并轉(zhuǎn)換為宅基地。圖3（a）是GF-2 的紅色、綠色、藍(lán)譜段合成的真彩色遙感圖像，圖3（b）矢量圖中的2021年遙感圖像的分割結(jié)果圖。

圖3 實(shí)驗(yàn)數(shù)據(jù)

文中分別利用正確率、誤檢率、漏檢率3個(gè)指標(biāo)來(lái)衡量變化檢測(cè)的精度。正確率是檢測(cè)類別與實(shí)際類別一致的像元在全部像元中的比例，誤檢率是實(shí)際未變化、檢測(cè)變化的像元在檢測(cè)變化像元中的比例，漏檢率是實(shí)際變化、檢測(cè)未變化的像元在實(shí)際變化像元中的比例。正確率越高，誤檢率、漏檢率越低，則變化檢測(cè)的精度越高。

2.1 灰度級(jí)實(shí)驗(yàn)

不同的灰度級(jí)會(huì)對(duì)應(yīng)不同的變化檢測(cè)結(jié)果。為了獲取最優(yōu)的灰度級(jí)，文中分別選取了8、16、32、64、128、256共6組灰度級(jí)進(jìn)行變化檢測(cè)，對(duì)應(yīng)的變化檢測(cè)如圖4所示。

圖4 變化檢測(cè)精度隨灰度級(jí)變化關(guān)系圖

圖4顯示了當(dāng)灰度級(jí)從8變?yōu)?2并且錯(cuò)誤檢測(cè)級(jí)別降低時(shí)，精度增加的趨勢(shì)，錯(cuò)誤檢測(cè)率的變化相對(duì)較小。如果灰度為32，則最大精度為0.91，最小錯(cuò)誤檢測(cè)率為0.2，漏檢率則為0.33?；叶燃?jí)從32變化到128的灰度級(jí)時(shí)，精度降低，錯(cuò)誤檢測(cè)率增加，并且漏檢率略微降低。當(dāng)灰度級(jí)從128 變?yōu)?56 時(shí)，漏檢率提高，而誤檢率降低。當(dāng)達(dá)到灰度級(jí)L=32時(shí)，誤檢率和漏檢率是最佳的，漏檢率為0.33，相對(duì)低于0.31 的最佳泄漏率，相差較小。為此文中選取灰度級(jí)L=32 進(jìn)行變化檢測(cè)，此時(shí)變化檢測(cè)結(jié)果的混淆矩陣如表1 所示。表中行為地表真實(shí)結(jié)果，列為算法檢測(cè)結(jié)果，單元格中的數(shù)字為像元數(shù)，單位為個(gè)。

表1 本文方法混淆矩陣 （單位：個(gè)）

2.2 變化方法對(duì)比實(shí)驗(yàn)

為了驗(yàn)證本文提出方法的有效性，將本文提出的方法與基于像斑平均灰度的方法進(jìn)行了比較。像斑灰度平均值使用圖像點(diǎn)內(nèi)的像素的灰度平均值來(lái)表現(xiàn)圖像點(diǎn)的特征，使用歐幾里得距離計(jì)算圖像點(diǎn)間的特征距離，構(gòu)筑類別的異質(zhì)性，并進(jìn)行變化檢測(cè)。兩種方法的變化檢測(cè)結(jié)果如圖5所示。圖中的黑色區(qū)域表示變化，白色區(qū)域表示沒(méi)有變化。

圖5 不同方法的變化檢測(cè)結(jié)果

如圖5所示，散斑圖灰度平均法有大量的誤檢（圖5（a）中的黑色矩形的內(nèi)部區(qū)域）和漏檢（圖5（a）的黑色橢圓的內(nèi)部區(qū)域中）。圖5（a）的橢圓區(qū)域在2016年的土地利用矢量圖中被分類為裸地，但在2021的遙感圖像中被變更為宅地。兩者反射率都很強(qiáng)，對(duì)應(yīng)的灰度平均值相對(duì)較大，差較小。兩者之間的特征距離小，裸地圖像異質(zhì)性小，導(dǎo)致漏檢，圖5（a）的矩形區(qū)域在2016 年的土地利用矢量圖中被分類為住宅區(qū)。由于居住區(qū)的多樣性，不同類型居住區(qū)間的灰度平均值可能存在顯著差異，相應(yīng)的特征距離也可能較大，從而產(chǎn)生居住區(qū)類別的顯著異質(zhì)性，導(dǎo)致誤報(bào)。圖5（b）中的變化檢測(cè)精度良好，能夠正確地檢測(cè)圖5（a）中的錯(cuò)誤檢測(cè)和遺漏的一部分區(qū)域。

兩種方法變化檢測(cè)結(jié)果的精度對(duì)比具體如表2所示。從表2 中可以看出：灰度均值法的誤檢率與漏檢率均較高，本文方法的各項(xiàng)精度均優(yōu)于灰度均值法。

表2 兩種方法變化檢測(cè)精度對(duì)比（單位：%）

3 結(jié)論

文中提出了一種基于類別的矢量圖與遙感影像的變化檢測(cè)方法，實(shí)現(xiàn)了變化檢測(cè)的自動(dòng)化。通過(guò)矢量圖約束的影像分割獲取像斑，提取像斑的直方圖特征，采用G統(tǒng)計(jì)量計(jì)算像斑的特征距離，利用像斑及同類別像斑特征距離的平均值構(gòu)建像斑的類別異質(zhì)度，依據(jù)最大熵法獲取各地物類別對(duì)應(yīng)的異質(zhì)度閾值，比較像斑的類別異質(zhì)度及對(duì)應(yīng)類別的異質(zhì)度閾值實(shí)現(xiàn)像斑的變化判別。在GF-2 遙感影像上的實(shí)驗(yàn)驗(yàn)證了本文方法的有效性，同時(shí)可以得出以下結(jié)論：利用直方圖提取像斑特征時(shí)，直方圖的灰度級(jí)應(yīng)適中?；叶燃?jí)過(guò)大，直方圖過(guò)于稀疏，會(huì)降低直方圖距離度量的準(zhǔn)確性，降低變化檢測(cè)的精度；灰度級(jí)過(guò)小，直方圖較為緊湊，但會(huì)丟失部分地物細(xì)節(jié)信息，減小地物之間的可分性，導(dǎo)致變化檢測(cè)中的漏檢。

本文方法能夠?qū)崿F(xiàn)矢量圖與遙感影像變化檢測(cè)的自動(dòng)化。本文方法不需要人工選取訓(xùn)練樣本，采用自動(dòng)的閾值獲取方法，因此能夠?qū)崿F(xiàn)自動(dòng)化的變化檢測(cè)，提高變化檢測(cè)的效率。