基于PIE的高分遥感泥石流自动化变化检测方法研究

张欢欢 刘东升 杜伟

摘 要：泥石流是在地形险峻的地区，因为暴雨、暴雪或其他自然灾害引发的山体滑坡并携带有大量泥沙以及石块的特殊洪流。传统的人工目视解译方法费时费力，且遥感数据的很多信息不能得到充分的发掘和利用，难以满足泥石流灾害调查，尤其是紧急救灾的急迫要求，计算机自动、半自动的泥石流淹没区域信息提取方法为灾后应急响应和灾情的快速评估提供了依据。该文根据泥石流发生前后高空间分辨率遥感影像变化特点，提供一种基于PIE SDK综合利用前后两期遥感影像的纹理信息和光谱特性，实现泥石流自动化变化检测的方法。该文方法对泥石流淹没区域的检测率达90%以上，虚警率在10%以下，这对于泥石流灾后应急响应和灾情的快速评估具有非常重要的实际应用意义。

关键词：PIE 遥感图像处理 变化检测 泥石流 高分辨率遥感影像

中图分類号：TP911 文献标识码：A 文章编号：1672-3791（2015）09（a）-0051-02

泥石流是在地形险峻的地区，因为暴雨、暴雪或其他自然灾害引发的山体滑坡并携带有大量泥沙以及石块的特殊洪流。泥石流常常具有暴发突然、来势凶猛、迅速的特点，会造成地面交通严重受阻、通讯中断，致使灾后短时间内不能进行人工现场勘查，无法获取受灾程度，灾害分布状况等重要灾情信息，在此情况下，遥感技术逐渐成为快速获取灾情信息，进行灾害信息提取、灾后应急和快速评估的有效手段。在利用遥感影像进行灾情获取和灾后应急救援的过程中，泥石流淹没区域的信息提取技术是准确获取泥石流灾情的关键。传统的人工目视解译方法费时费力，且遥感数据的大量信息不能得到充分的发掘和提取，难以满足泥石流灾害调查尤其是泥石流紧急救灾的急迫要求，计算机自动、半自动的泥石流淹没区域信息提取方法为灾后应急响应和灾情的快速评估提供了依据。遥感图像通常包含光谱信息和空间结构两大特征，该文基于PIE SDK（PIE（Pixel Information Expert）是北京航天宏图信息技术有限公司自主开发的一款专业的遥感图像处理软件）提出一种综合利用高空间分辨率遥感影像的纹理和光谱特征进行泥石流自动化变化检测的方法。

1 数据预处理

对同源的前后期遥感影像（航空影像或卫星影像）的预处理为后续的泥石流淹没区域的变化检测提供了高质量的数据源。其中航空影像的预处理主要包括影像格式转换与质量检查、图像增强、畸变改正等处理，以消除镜头畸变、地表起伏等引起的影像变形；卫星影像的预处理主要包括辐射校正、正射校正、图像融合等处理。

2 泥石流淹没区域自动化变化检测

对于经预处理后的前后期遥感影像，根据影像特点及泥石流淹没区域特性，首先进行特征提取以突出泥石流淹没区域；接着利用变化检测技术进行泥石流淹没区域的检测，生成二值检测结果；最后进行后处理以进一步提高检测率，从而实现泥石流淹没区域的自动化变化检测。

2.1 特征提取

根据遥感影像的波段特点及泥石流发生前后影像的变化特征，可分别提取纹理和光谱特征。纹理是图像处理和模式识别的主要特征之一，用以表示图像的均匀、细致、粗糙等现象。首先分别计算泥石流发生前后影像指定通道的基于灰度共生矩阵的6类纹理特征（能量、熵、惯性矩、相关、局部平稳、方差）。影像数据的量化值为像素值乘以量化级别再除以影像在该通道的像素值的最大值与最小值之差，这能减轻泥石流发生前后影像光照条件不同对变化检测效果的影响。每类纹理特征值均为0°、45°、90°、135°4个方向灰度共生矩阵的纹理特征值的均值，以去除方向对纹理特征的影响。

光谱特征，即通过原始波段的像素运算获得的，响应遥感影像中目标物的颜色及灰度或者波段间亮度的不同，光谱特征反映了是地物在不同的波段辐射条件下的成像特性。若遥感影像至少包含R、G、B和近红外4个通道，则分别提取前期和后期影像的归一化植被指数（NDVI）。NDVI是植物生长状态以及植被空间分布密度的最佳指示因子，与植被分布密度呈线性相关。如植被覆盖区域发生泥石流后已无明显的植被分布，NDVI变化较大。如果遥感影像至少包含蓝、绿、红3个通道，则分别提取前后期影像的色调。色调是指彩色的类别，是彩色彼此相互区分的特征，泥石流淹没区域前后期影像的色调可能变化较大，如居民区或植被覆盖区域。

2.2 变化检测

分别生成前后期遥感影像的特征向量的相关系数影像，并对其进行二值化，提取泥石流淹没区域。对每类特征进行归一化，其中归一化因子为前、后期影像的该类特征的最大值。归一化后的多个特征形成一个纹理特征向量，计算泥石流发生前后对应点的特征向量的相关系数，线性相关系数越大表明前后两期影像相应区域的纹理特征变化越小，即前后两期影像相应区域变化越小。对各特征值的归一化不仅去除量纲的影像，而且使各类特征对线性相关系数的计算的贡献因子是相同的。接着对纹理特征相关系数影像进行二值化，根据线性相关系数的含义可将二值化分割阈值设定为0.85，小于该阈值的为泥石流淹没区域。然后利用形态学开运算去除噪声，并提取连通区域，确定疑似泥石流淹没区域。

2.3 后处理

根据在相同光照条件下泥石流发生后期和前期影像的泥石流淹没区域的灰度比值变大的特性，计算泥石流发生后与发生前的灰度比值，进而筛选连通区域，这可有效滤除虚警。筛选条件为连通区域灰度比值的均值不小于所有连通区域灰度比值的均值与平均变化绝对值的差值。这可有效消除因泥石流发生前后影像光照条件不同对筛选结果的影响。根据在相同的光照条件下，泥石流发生后与发生前相比会变亮的特性，基于泥石流发生后、前的灰度比值进行区域生长。区域生长的种子点的值为其所在连通区域灰度比值的均值和所有连通区域灰度比值的均值的最大值，区域生长的阈值为其所在连通区域灰度比值的平均变化绝对值和所有连通区域灰度比值的平均变化绝对值的最大值。该过程考虑了前后两期影像光照条件不同的实际情况，不仅可提高检测率，还可抑制虚警的增加。对区域生长二值结果进行去噪和区域填充，生成泥石流淹没区域变化检测结果（见图1）。

3 实验结果及分析

图2（a）、图2（b）分别为泥石流发生前后的高分航空遥感影像，分别提取影像的色调和蓝光通道的6个纹理特征，其中计算基于灰度共生矩阵的纹理特征参数为：灰度级为16、正方形窗口尺寸为9、共生像素距离为1。图2（c）为泥石流变化检测矢量结果与泥石流发生后影像的叠加效果图。

由图2可知石流发生前后遥感影像的光照条件差别较大，泥石流淹没区域基本已被检测出来，检测率达到90%以上，虚警率在10%以下。

4 结语

该文提出了一种基于高空间分辨率遥感影像的泥石流自动化变化检测方法。该方法综合利用遥感影像的纹理和光谱特征，避免了使用单一图像特征进行分析所带来的片面性；对前后两期影像归一化特征向量的线性相关系数进行阈值分割，根据线性相关系数的含义使二值化分割阈值固定，避免人为设定阈值所带来的误差；根据泥石流淹没区域特性进行区域生长，有效提高检测率；该方法在实现过程中充分考虑了泥石流发生前后遥感影像光照不同的情况，具有实际应用价值。

实验结果表明，该方法能够自动化的提取泥石流淹没区域，其检测率达90%以上，虚警率在10%以下，这对于泥石流灾后应急响应和灾情的快速评估具有非常重要的实际应用意义。但是对面积较小区域的泥石流还存在漏检情况，因此通过发掘影像的纹理、光谱等特征信息，进一步提高变化检测算法的检测率和减小虚警率是下一步的研究工作。

参考文献

[1] 赵福军.遥感影像震害信息提取技术研究[D].哈尔滨：中国地震局工程力学研究所，2010.

[2] 李宏宏.面向对象的高分辨率遥感影像分类及泥石流信息提取研究[D].南京：南京理工大学，2013.

[3] 杨小兵.基于多光谱影像和DEM的泥石流堆积扇识别研究—以白龙江流域武都段为例[D].兰州：兰州大学，2012.