结合纹理信息的高分辨率遥感图像变化检测方法

王东广，肖鹏峰，宋晓群，王铁成，陈 刚

(1.南京大学地理信息科学系，南京 210093;2.江苏省国土资源信息中心，南京 210029;3.江苏省测绘工程院，南京 210013)

结合纹理信息的高分辨率遥感图像变化检测方法

王东广1，肖鹏峰1，宋晓群2，王铁成3，陈 刚1

(1.南京大学地理信息科学系，南京 210093;2.江苏省国土资源信息中心，南京 210029;3.江苏省测绘工程院，南京 210013)

高分辨率遥感图像的纹理信息同光谱信息一样能有效地用于检测变化信息，而一些基于中低分辨率遥感图像的变化检测方法多以光谱信息为研究对象，忽略了图像中的纹理信息。针对这一问题，尝试将高分辨率图像的光谱信息与纹理信息一起用于“差值主成分变化检测”方法中，一方面借助高分辨率图像间纹理信息的差异获取变化区域内部的细节信息，以弥补高分辨率图像间光谱区分度相对不足的缺点;另一方面借助纹理信息在变化区域内部的连结作用，对变化检测结果进行狭窄缺口连结、内部孔洞填充等后续处理，从而使检测结果更加完整。实验结果表明，该方法对光谱反射信息相近、但纹理信息有较大差异的变化区域具有良好的检测效果。

变化检测;高分辨率遥感图像;纹理信息;差值主成分变换

0 引言

近年来，利用遥感技术获取土地利用变化信息已经成为国土部门进行国土资源监察的重要手段;特别是随着遥感技术的发展，高分辨率遥感图像的出现为土地利用变化信息检测提供了更为有效的数据。伴随着遥感图像空间分辨率的提高，图像中包含的纹理信息更加丰富了，但相比之下光谱分辨率却略显不足。然而，高分辨率遥感图像的纹理信息同光谱信息一样能有效地用于变化信息检测，而一些基于中低分辨率遥感图像的变化检测方法多以光谱信息为研究对象，忽略了图像中的纹理信息。鉴于高分辨率遥感图像的以上特点，针对中低分辨率遥感图像变化信息检测方法用于高分辨率图像时存在的局限性，需要对已有的高分辨率遥感图像变化检测方法做进一步的改进［1］。

目前，各国学者提出的基于遥感图像的变化检测技术可归纳为直接比较法和分类后比较法［2］2类。其中，直接比较法又分为代数运算法(差值法与比值法)、主成分分析法和变化向量分析法等［3－4］。多项研究和实践证明，目前还没有哪种方法被普遍认为是最优的变化检测技术［5］。结合高分辨率遥感图像具有空间分辨率高、纹理信息丰富但成像波段较少的特点，已有很多研究者考虑将图像的纹理信息与光谱信息相结合用于变化信息检测，如在变化向量分析法中利用纹理信息与光谱信息复合计算土地利用/覆盖变化强度［5－6］、在分类后比较法中将纹理信息加入分类光谱中［7－8］以改善土地利用变化的遥感监测精度。这些研究结果都表明，纹理信息同光谱信息的结合应用能够提高土地利用信息变化检测的精度。

为进一步充分利用高分辨率遥感图像的光谱信息和纹理信息，本文尝试在“差值主成分变化检测”方法中引入图像纹理信息，将其作为图像光谱波段的衍生波段，与光谱波段一起用于土地利用信息变化检测，以期提高高分辨率遥感图像变化检测的精度。

1 实验区及图像数据

实验区位于江苏省常州市新北区孟河镇。该镇民营经济活跃，是闻名全国的汽车、摩托车配件重点生产基地。随着经济的快速发展，该地区在短时间内土地利用类型发生了较大变化，特别是工业用地与建设用地数量激增。因此，选择该区作为土地利用变化检测的高分辨率实验区具有典型性。

覆盖实验区的高分辨率遥感图像数据分别为2008年获取的航摄图像与2010年获取的QuickBird卫星遥感数据的B3(R)，B2(G)，B1(B)真彩色合成图像，图像大小为2568像元×2016像元(图1)。其中航摄图像的空间分辨率为0.5 m，QuickBird卫星图像经重采样处理后的空间分辨率为0.5 m。

图1 实验区遥感图像Fig.1 Remote sensing images of study area

2 土地利用变化信息检测

首先对2期遥感图像进行几何配准和相对辐射校正等预处理;在分别提取2期图像的纹理特征并将2期图像各波段的纹理特征与光谱特征对应做差值运算、得到纹理与光谱差值图像后，将其叠合为1幅差值图像;最后对该差值图像做主成分变换处理，选取差值主成分变换后的第一主分量进行阈值分割及后续处理，最终获得土地利用变化信息图像。变化信息检测流程如图2所示。

图2 差值主成分变化检测流程图Fig.2 Flow chart of change detection by difference principal component transformation

2.1 图像预处理

基于直接比较的变化检测对图像几何配准的精度要求较高，图像间的几何配准误差应该控制在0.5个像元以内，否则会影响变化检测的精度［8］。本文选用多项式几何模型法对2幅图像进行配准处理，在图像中均匀选取了15个同名点用于多项式系数的计算，经系统检验，图像的配准误差控制在0.3个像元以内。

本文所用图像来自不同的遥感平台和传感器，因此有较大的辐射差异，这将会对变化检测产生很大的影响［9］。为消除这种辐射亮度差异，选用直方图匹配法对2幅图像进行了相对辐射校正(其中，以成像效果较好的2010年QuickBird卫星图像作为参考图像，以2008年的航摄图像作为待匹配图像)。

2.2 纹理特征提取

在遥感图像中，纹理信息表现为图像灰度在空间上的重复性变化，或图像中反复出现的局部模式及其排列规则［1］。目前已有多种图像纹理信息的提取方法，其中Haralick等［10］提出的灰度共生矩阵计算法的应用最为广泛。灰度共生矩阵是通过对灰度等级之间联合条件概率密度 P(i，j，d，θ)的计算表示纹理特征;P(i，j，d，θ)表示在给定空间距离 d和方向θ时、以灰度i为始点出现灰度j的概率。灰度共生矩阵的这种考虑周边像元统计关系的计算方法，能有效地避免单个像元受到的天气、传感器的影响［5］。

Haralick等一共定义了14种纹理特征计算方法，本文选取其中的6种常用纹理特征统计量，即:均值(mean)、均一性(homogeneity)、对比度(contrast)、熵(entropy)、灰度相关(correlation)和方差(variance)，分别以3像元×3像元、5像元×5像元和7像元×7像元窗口提取2期图像中可见光波段(红、绿、蓝)的纹理特征数据;然后，将提取到的6类纹理特征数据按照对应的波段和提取窗口的尺寸分别做差值运算，形成纹理差值图像。对纹理差值图像的目视对比后发现，对比度和方差相对于其他4种纹理统计量能更有效地反映2期图像中纹理信息的差异;并且还发现，纹理提取窗口为3像元×3像元时可获得更多纹理差异的细节信息。因此，本文以3像元×3像元的窗口对2期图像的红、绿、蓝3个波段分别获取各自的对比度fCON和方差fVAR纹理特征数据(共6层)，计算公式分别为:

式中:i，j为灰度级;d，θ分别为灰度共生矩阵的生成步长和方向;P(i，j，d，θ)为联合条件概率密度;m 为 P(i，j，d，θ)的均值。为使纹理特征数据与光谱数据具有相同的取值区间，需要对纹理数据进行归一化处理［11］，计算公式为

式中:DN，DN'分别为归一化处理前、后的像元值;DNmax，DNmin分别为归一化处理之前的最大、最小像元值。

2.3 变化信息检测

2.3.1 差值运算

将从2期图像上提取到的纹理数据(6层)与光谱数据(3层)按照对应波段分别进行差值处理，计算公式为

式中:i，j为像元坐标值;k为波段编号;t1，t2为2个时相;(t1)为t1时相第k波段图像中坐标值为(i，j)点的像元灰度值。

对2期图像的纹理与光谱数据做差值处理之后，得到的差值图像中集中了绝大部分的变化信息，并且滤除了图像中相同的背景部分［12］。

2.3.2 主成分变换

将经差值处理后获得的9层差值图像叠合成为1幅含有9个波段的差值图像。由于叠合后该图像各波段之间存在着很大的相关性，为减少数据冗余并获取主要的变化信息，需要对其进行主成分变换处理。经主成分变换后的第一主成分(图3)的方差贡献率已达到85.5% ，这表明第一主成分集中了差值图像的主要信息(即原2个时相图像的主要差异信息)，而其他各主成分则主要表现为噪声，因此选择第一主成分作为阈值处理的对象。

图3 第一主成分差值图像Fig.3 Difference image of PC1

2.3.3 阈值分割

经主成分变换后获得的第一主成分差值图像中仍存在很多伪变化信息，因此需要确定变化阈值以区分变化像元与非变化像元。本文采用均值标准差法获取变化阈值，将差值图像中的灰度值C满足式(5)要求的像元视为变化像元，将其赋值为1;非变化像元则赋值为0。即

式中:M与STD分别为第一主成分差值图像灰度统计的均值与标准差;T为需要确定的倍率值，已有实验结果表明［4，13］，T 的最佳取值范围为［0.5，2］。本文以0.2为变化步长在这一范围内进行对比实验，最后确定T=1.3时可取得最佳的阈值分割效果。

从阈值分割所获得的变化检测结果(图4)中可以看出，发生变化的大面积区域多为新增建设用地(如新建住宅小区以及工厂厂房等);较小的变化图斑则为伪变化信息(如河道中船只位置的变动、农田中地表覆盖物的变化、道路的拓宽以及因图像几何纠正误差产生的伪变化信息等)。

图4 变化检测结果Fig.4 Result of change detection

2.3.4 后续处理

经阈值处理后的变化检测结果比较破碎，变化区域形状提取得不够完整，同时存在大量面积较小的变化图斑。为消除小面积图斑的影响，同时对大面积变化区域内部的破碎图斑进行连结和填充，需要对变化检测结果进行后续处理:①形态学闭运算。设定结构元素为7像元×7像元大小的窗口，对变化检测结果进行形态学闭运算(即先膨胀、后腐蚀)处理，以消除狭窄缺口，生成封闭的变化图斑(图5(a));②孔洞填充。利用形态学膨胀运算对变化图斑内部的孔洞进行连结、填充，生成完整的变化图斑(图5(b));③区域标记。对检测结果图中的各像元依次进行邻域搜索，将相互连通的像元标记为单个变化图斑;④面积阈值确定。根据应用需求确定合适的面积阈值，去除面积较小的变化图斑，最终得到后续处理结果图像(图5(c))。

图5 后续处理结果Fig.5 Result of post－processing

3 结果分析

3.1 与传统光谱差值法效果比较

为验证本实验中所用方法的有效性，本文还采用传统的基于光谱特征的差值变化检测方法对2期图像进行了变化信息提取。图6为采用均值－标准差法阈值处理之后的结合纹理信息的“差值主成分法”与传统的“光谱差值法”变化检测结果的局部对比图像。

图6 两种检测方法的效果比较Fig.6 Comparison between the results of two methods

从图6可以看出，实验区中的部分土地利用类型由耕地变为建设用地，由于变化前后地物光谱反射率相近，因此仅利用传统光谱信息差值运算获得的变化检测结果比较破碎(图6(c))，无法将发生变化的建筑区完整地提取出来;而耕地的纹理信息与建筑物的纹理信息差别很大，且建筑物的纹理更加规则，因此结合纹理信息提取的变化检测结果相对完整(图6(d))。

结合纹理信息的“差值主成分变化检测”法能够获得建筑物的轮廓信息及其内部的变化细节，一方面弥补了高分辨率遥感图像的光谱区分度相对不足的缺点;另一方面由于变化图斑的轮廓较为完整，在后续处理过程中，可以将大面积变化区域中破碎的图斑通过连结、填充而得到更加完整的检测结果。

3.2 精度评价及分析

为实现对检测结果的精度评价，首先通过目视解译利用人工数字化的方法提取出变化区域，获得矢量格式的参考图像;然后将该矢量参考图转换为栅格图像(图7(a))并与获得的变化检测结果图(图5(c))进行栅格叠加运算，取其交集即为正确检测的变化区域(图7(b));将正确检测结果图(二值图像)取反后与变化检测结果图(图5(c))叠加，取其交集即为误检区域(图7(c))。

图7 用于精度评价的变化检测结果Fig.7 Result of change detection for accuracy assessment

如图7所示，参考图像中通过目视解译得到变化图斑22块，变化监测结果中正确检测出图斑18块，漏检图斑4块，误检图斑15块。

本文采用像元数量误差准则对被正确检测出的区域进行精度评价，即

式中:R为正确率;Sr为被正确检测出的变化像元数;S为参考图像中发生变化的像元总数。利用式(6)可以计算出检测结果的正确率(如表1所示，其中参考图像中发生变化的像元总数S=375237)。

表1 变化检测结果精度评价Tab.1 Accuracy assessment of change detection result

由表1可以看出，结合纹理信息的差值主成分法变化检测正确率能够达到81.2%，相对于传统的光谱差值法变化检测正确率(73.1%)有一定程度的提高，特别是对于由裸地变为建设用地这一变化类型的检测结果更加完整，但同时存在对小面积变化图斑的漏检现象。分析图7(c)中误检图斑产生的原因，一是由于图像间的几何配准误差以及辐射差异造成的;二是由于耕地中地表覆盖物发生较大变化造成的(如图7(c)中右下角部分，虽然用地类型没有变化，但地表由原来的有植被覆盖变为裸地，因此被检测为土地利用信息发生变化)。

4 结论

本文结合高分辨率遥感图像空间分辨率高、光谱分辨率相对不足的特点，采用灰度共生矩阵的计算方法提取图像的纹理特征，将其作为图像的衍生波段与光谱波段一起用于土地利用信息变化检测。实验结果表明，与仅利用光谱信息的变化检测法相比，加入纹理信息的“差值主成分变化检测”法提高了高分辨率遥感图像变化检测的精度，因为它能够较充分地利用图像中对应单像元之间的光谱敏感性和相邻像元之间的纹理信息，有效增强2个时相图像所包含的变化信息。该方法的优势可总结为以下几点:

1)加入纹理信息后的土地利用变化信息检测结果更具有整体性，特别是对于新增建设用地，能够较为完整地检测出建筑物的轮廓信息。

2)对于大面积的地物发生变化的情况，仅靠光谱特征无法检测出变化区域内部的细节变化，检测结果比较破碎;而纹理变化信息能够将内部各变化区域连结为一个整体对象，经过面向对象的后续处理可完整地提取出大面积的变化区域。

3)遥感图像中由阴影产生的影响在纹理差值图像中表现得不明显，因此纹理信息与光谱特征的结合在一定程度上削弱了阴影对变化检测产生的影响。

4)遥感图像的纹理信息是通过对邻域像元的统计获得的，因此纹理差值图像对几何配准精度要求较低，这在一定程度上减少了由几何配准误差产生的伪变化信息。

尽管如此，整个变化信息检测流程还是存在很多需要改进的地方，如在图像几何配准、相对辐射校正、光谱信息与纹理信息组合选择以及阈值选取等处理过程中都只是采用了较常用的处理方法。因此，在以后的研究中可在这几个方面做更深入的探讨，以进一步改善变化检测的效果。

［1］赖祖龙，申邵洪，程新文.基于图斑的高分辨率遥感影像变化检测［J］.测绘通报，2009(8):17－20.Lai Z L，Shen S H，Cheng X W.Change Detection of High－resolution Remote Sensing Image Based on Map Spot［J］.Bulletin of Surveying and Mapping，2009(8):17 －20(in Chinese).

［2］陈 宇，杜培军，唐伟成，等.基于BJ－1小卫星遥感数据的矿区土地覆盖变化检测［J］.国土资源遥感，2011(3):146－150.Chen Y，Du P J，Tang C，et al.Land Cover Change Detection in Coal Mining Area Using BJ－1 Small Satellite Remote Sensing Data［J］.Remote Sensing for Land and Resources，2011(3):146－150(in Chinese with English Abstract).

［3］Mas J F.Monitoring Land－ cover Changes:A Comparison of Change Detection Techniques［J］.International Journal of Remote Sensing，1999，20(1):139 －152.

［4］Berberoglu S，Akin A.Assessing Different Remote Sensing Techniques to Detect Land Use/Cover Changes in the Eastern Mediterranean［J］.International Journal of Applied Earth Observtion and Geoinformation，2009(11):46 －53.

［5］张锦水，潘耀忠，韩立建.光谱与纹理信息复合的土地利用/覆盖变化动态监测研究［J］.遥感学报，2007，11(4):500 －510.Zhang J S，Pan Y Z，Han L J.Land Use/Cover Change Detection with Multi－ source Data［J］.Journal of Remote Sensing，2007，11(4):500－510(in Chinese with English Abstract).

［6］He C Y，Wei A N，Shi P J，et al.Detecting Land － use/Land － cover Change in Rural－urban Fringe Areas Using Extended Change－ vector Analysis［J］.International Journal of Applied Earth Observation and Geoinformation，2011，3(4):572 －585.

［7］黎 夏.利用主成分分析改善土地利用变化的遥感监测精度［J］.遥感学报，1997，1(4):282 －289.Li X.Accuracy Improvement of Land Use Change Detection Using Principal Component Analysis［J］.Journal of Remote Sensing，1997，1(4):282 －289(in Chinese with English Abstract).

［8］宋翠玉，李培军，杨锋杰.运用多尺度图像纹理进行城市扩展变化检测［J］.武汉大学学报:信息科学版，2008，33(7):37 －42.Song C Y，Li P J，Yang F J.The Application of Multiscale Image Texture to the Detection of Urban Expansion［J］.Geomatics and Information Science of Wuhan University，2008，33(7):37 － 42(in Chinese with English Abstract).

［9］张鹏强，余旭初，刘 智，等.多时相遥感图像相对辐射校正［J］.遥感学报，2006，10(3):339 －344.Zhang P Q，Yu X C，Liu Z，et al.A Study on Relative Radiometric Correction of Multitemporal Remote Sensing Images［J］.Journal of Remote Sensing，2006，10(3):339 －344(in Chinese with English Abstract).

［10］Haralick R M.Statistical and Structural Approaches to Texture［J］.Proceedings of the IEEE，1973，67(5):786 －804.

［11］党 青，杨武年.近20年成都市植被覆盖度动态变化检测及原因分析［J］.国土资源遥感，2011(4):121－125.Dang Q，Yang W N.Dynamic Supervision and Reason Analysis of Vegetation Coverage Changes of Chengdu in the Past 20 Years［J］.Remote Sensing for Land and Resources，2011(4):121 － 125(in Chinese with English Abstract).

［12］Gong P.Change Detection Using Principal Component Analysis and Fuzzy Set Theory［J］.Canadian Journal of Remote Sensing，1993，19(1):22－30.

［13］Rogerson P A.Change Detection Thresholds for Remotely Sensed Images［J］.Journal of Geographical Systems，2002(4):85 －97.

Change Detection Method for High Resolution Remote Sensing Image in Association with Textural and Spectral Information

WANG Dong－guang1，XIAO Peng－feng1，SONG Xiao－qun2，WANG Tie－cheng3，CHEN Gang1
(1.Department of Geographical Information Science，Nanjing University，Nanjing 210093，China;2.Land and Resources Information Center of Jiangsu Province，Nanjing 210029，China;3.Surveying Engineering Institute of Jiangsu Province，Nanjing 210013，China)

High resolution remote sensing image can provide a lot of spectral and textural information，and both of the two kinds of information can help effectively detect the changed information.However，the traditional methods of change－detection based on medium or low spatial resolution remote sensing images only use the spectral information to extract the changed information，with the ignorance of the textural information.In this paper，both the spectral and textural features are integrated in one change－detection method to extract the changed information from high resolution remote sensing image，and the method is called difference principal component transformation.The advantages of the proposed method can be concluded in two aspects.One is that it will be easy to get the internal changed details in the large changed areas according to textural information，which can compensate for the deficiency of spectral information in high resolution images.The other is that some post－ processing procedures such as connecting narrow gaps and filling holes can make the change－detection result more complete.The experimental results show that some changes that are spectrally similar but texturally different can be effectively detected after adding textural information in this change－detection method.

change detection;high resolution remote sensing image;textural information;difference principal component transformation

TP 751.1

A

1001－070X(2012)04－0076－06

2012－01－12;

2012－03－05

国土资源部公益性行业科研专项(编号:201011015－1)资助。

10.6046/gtzyyg.2012.04.13

王东广(1986－)，男，硕士研究生，主要研究方向为遥感数字图像处理。E－mail:wdg608@163.com。

(责任编辑:刘心季)