基于PCA光谱增强与区域扩散阈值确定的遥感影像变化检测算法

艾思敏 邓小炼 何卓丽

（三峡大学理学院，湖北宜昌 443002）

0 引 言

变化检测是通过分析同一地区不同时相的遥感图像，检测出该地区中地物在这段时间内发生变化的信息［1］.应用遥感影像进行变化信息的提取已经成为遥感技术发展的重要方向和热点［2］.变化检测的方法大致可以分为分类后比较法和直接比较法，分类后比较法虽然能够给出有关地物的属性，但是受分类结果的影响非常大，而直接比较法是目前研究和实际应用中更为常用的方法.随着遥感图像获取手段的日益成熟，遥感图像变化检测技术已经成为遥感图像处理与分析领域的研究热点，被广泛地应用于土地利用／覆盖、森林监测、环境监测、水系监测、城市规划及道路监测等领域.

遥感影像通常包含多个波段，各个波段上的信息之间存在着一定程度的相关和冗余，这在一定程度上会给变化分析带来一定的影响.要准确地检测不同影像之间发生的变化，就必须尽量消除波段之间的影响［3－4］.同时，确定差异影像上的各变化类型的阈值也非常的关键，传统的方法根据经验人工或半自动地选定变化阈值来提取变化的区域，主观因素非常强并且效率也不高.

本文利用2007年和2009年的ASTER影像对这两方面的问题展开研究，提出了一种基于PCA光谱增强与区域扩散阈值确定的遥感影像变化检测算法.利用PCA光谱增强最大限度消除各光谱通道的相关性，以便有效地突出不同时相之间的差异信息.传统的PCA方法是将两期的影像分别进行PCA变换，然后将变化后的对应主成分进行差值运算，获得变化量，本文对传统PCA方法做了一定改进，将两期的遥感影像进行矢量叠加后进行传统PCA变换直接获得变化量，并将实测的GPS矢量数据作为精度验证样本，结合区域扩散阈值确定的方法使得变化精度达到最大来获得变化阈值，得到变化检测的结果.实验结果表明，该算法具有一定的实用价值.本文变化检测流程图如图1所示.

图1 算法流程图

1 研究方法

1.1 遥感影像预处理

多时相遥感影像的几何校正［5－6］和辐射校正［7］是变化检测过程中最重要的步骤之一，预处理结果的优劣会直接影响到变化检测的精度.本研究借助ENVI软件平台，对湖北宜昌市夷陵区樟村坪磷矿区的2007年和2009年的ASTER数据进行辐射校正和几何校正，校正的总体RMS在0.5左右，截取出该地区738×669个像元，校正后影像如图2～3所示.

图2 2007年ASTER影像

图3 2009年ASTER影像

1.2 基于PCA的光谱变化信息增强

主成分分析（PCA）是在统计特征基础上进行的一种多波段正交线性变换，从而产生新的变量，这些变量之间相互独立、互不相关.主成分分析的主要目的是分离变化信息，并将信息量集中到前几个主分量中，突出不同的地物目标的一种很有价值并常用的遥感数据分析［8］.

传统主成分分析的步骤如下：

1）根据原始图像数据矩阵X，求出它的协方差矩阵S，以矩阵的形式表示多波段图像的原始数据如下：

式中，m为波段数，n为每幅图像中像元个数，每一行表示一个波段的图像.

矩阵X的协方差矩阵S为

其中：

2）求协方差矩阵S的特征值λi和特征向量Ui，求解特征方程（λl－S）U＝0，然后将特征值λi按由大到小的顺序排列，求出对应的特征向量Ui，以Ui为列构成矩阵U，然后求Y＝UTX获得变换后的矩阵.

3）将对应主分量进行差值运算，得到差异影像.

改进的PCA方法不是对单时相遥感影像各自进行主成分分析，而是将两时相的遥感影像组合在一起进行主成分分析，产生主分量.其中前面的主成分量包含未变化的信息，后面的主分量包含变化的信息.PCA光谱增强原理如下：

①矢量叠加

其中，X1表示第一时相第一波段的图像，X2表示第一时相第二波段的图像，XN表示第一时相第N波段的图像，Y1表示第二时相第一波段的图像，Y2表示第二时相第二波段的图像，YN表示第二时相第N波段的图像，N为图像波段总数.

矢量叠加后，新的矢量表示为

②对叠加的矢量进行传统PCA变换

将两个时相的图像组合在一起，构成新的图像，然后对新图像进行传统的PCA分析，具体实施过程与传统PCA过程相同，首先由新影像的数据矩阵Z计算它的协方差矩阵：然后计算协方差矩阵的特征值λ与特征向量U；再根据主成分变换的公式计算获得主分量变换后的新矩阵，矩阵中的每一行向量为主成分变换后的一个主分量.

本次研究中先将2007和2009年的ASTER影像的可见光近红外波段通过矢量叠加的方法得到一个6波段数据组，然后利用PCA进行光谱变化信息的增强［9］.经过PCA变换后各波段影像如图4所示.

图4 经过PCA变换后各波段影像

经过主成分分析之后，前面3个分量主要表征了未发生变化的量，而后面3个分量主要表征了两幅影像上发生变化的量.其中图4（d）为变化的第一主分量，变化的部分呈现高亮状态，而在图4（e）、（f）中，虽然变化的部分也呈现高亮的的状态，但是受到噪声的影响.虽然图4（c）中变化的部分也是呈现高亮状态，但是它主要还是表征未变化的第三主分量.本次选取PC4（图4d）进行变化信息的提取.

1.3 区域扩散阈值分割

阈值的确定是变化检测结果好坏的关键，本文利用区域扩散的方法来确定阈值.其基本思路是首先通过直方图确定阈值搜索范围，然后缩小搜索范围和减小步长，直到检测精度达到最大.区域搜素流程图如图5所示.

图5 区域搜素流程图

利用图4（d）所获得差异影像，根据像素的分布情况，确定搜索范围在［100，180］之间，采用上面的算法进行迭代来寻求阈值，然后根据前一次迭代结果调整范围和步长，直到准确率达到最大值为止.按照上述的确定阈值方法，计算过程见表1.从表1可知，阈值为130时得到的结果最好.

表1 区域扩散阈值搜索结果

2 实验结果及精度分析

本次采用2007年和2009年湖北省宜昌市夷陵区樟村坪磷矿区的ASTER数据进行变化检测实验.分别选取ASTER数据的可见光近红外范围内的3个波段作为实验数据，如图2～3.该地区主要由植被、水体、矿点，人工建筑等4类地物组成，对变化检测实验的研究比较有代表性.

2.1 算法实验结果图与说明

2007年到2009年的两三年时间内，该地区的一些矿区陆续被进一步开发，道路被新修以及河流受到一定程度污染，变化检测结果如图6所示.

图6 本文检测结果

本文的方法成功地将该区域内新修的道路，被污染的河流以及矿区的变化给检测出来.但是在有些区域中仍然有一些伪变化被检测出来.作为比较，对这两幅ASTER影像用主分量法和CVA方法也进行了实验，变化检测结果如图7～8所示.在图7主分量法中，新修的道路，污染的河流以及矿区的变化也都被检测出来，但是同时也发现，像一些由于薄云以及太阳高度角造成的阴影被当做变化的区域检测出来.在图8变化矢量方法中，变化区域内的很多变化部分都没有被检测出来.

图7 主分量检测结果

图8 CVA检测结果

图6～8是整幅图像的检测结果，为了更清楚地进行对比实验，将同一局部地区进行放大处理.图9～10分别为该区域里的两组放大处理后的对比实验结果.通过对比发现利用本文的检测算法，变化的区域能够较准确地检测出来，而且能够一定程度上消除薄云带来的影响，表明该算法具有一定的实用性.

图9 道路变化局部对比图

图10 河流变化局部对比图

2.2 精度分析

在ENVI平台上，结合GPS实地采样，选取变化和非变化两类样本点，以此作为验证样本分别对以上方法的变化检测结果进行混淆矩阵验证，结果见表2.

表2 混淆矩阵结果分析

利用本文的检测算法，检测总体精度为90%，其Kappa系数也达到0.8，而利用主分量法和CVA方法，总体精度分别为74%和71%左右，其Kappa系数分别也只有0.49和0.43左右.利用本文检测算法，提高了检测区域内的检测精度.

3 结 论

本文将PCA方法和区域扩散阈值确定结合在一起，提出了一种基于PCA光谱增强与区域扩散阈值确定的遥感影像变化检测算法.并利用该算法对宜昌樟村坪磷矿区域2007和2009年的变化进行检测，最终的结果表明，此方法能够有效地检测出该区域内变化的信息，具有一定的实用价值.

［1］ Lunetta R S，Elviage C D.Remote Sensing Change Detectio［M］.Princeton，USA Taylor and Frances Press，1999.

［2］ Singh A.Digital Change Detection Techniques Using Remotely Sensed Data［J］.Int.J.Remote Sensing，1989，10（6）：989－1003.

［3］ Byrne G F，Crapper P F，Mayo K K.Monitoring Land Cover Change by Principle Component Analysis of Multi Temporal Land－sat Data［J］.Remote Sens.Environ.，1980（10）：175－184.

［4］ 黎夏，叶嘉安.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.

［5］ Dai X.L，The Effects of Image Misregistration on the Accuracy of Remotely Sensed Change Detection［J］.IEEE Transaction on Geoscience and Remote Sensing，1998，36（5）：1566－1577.

［6］ Roy D P.The Impact of Misregistration Upon Composited Wide Field of View Satellite Date and Implications for Change Detection［J］.IEEE Transaction on Geoscience and Remote Sensing，2000，38（4）：2017－2032.

［7］ Song C，Wood Cook C E，et al.Classification and Change Detection Using Landsat TM Date：When and How to Correct Atmospheric Effect［J］.Remote Sensing of Environment，2001，75：230－244.

［8］ 胡兰萍，张 琳，李 燕.主成分提取在遥感FTIR谱图解析中的应用［J］.光谱学与光谱分析，2007，27（11）：2193.

［9］ 邓劲松，李 君，王 珂.基于多时相PCA光谱增强和多源光谱分类器的SPOT影像土地利用变化检测［J］.光谱学与光谱分析，2009，29（6）：1627－1631.