一种高空间分辨率的遥感变化检测方法在智慧农业中的应用

虢英杰，朱兰艳，李 超

昆明理工大学国土资源工程学院，云南昆明 650093)



一种高空间分辨率的遥感变化检测方法在智慧农业中的应用

虢英杰，朱兰艳*，李 超

昆明理工大学国土资源工程学院，云南昆明 650093)

传统方法在确定影像对象的异质性时，根据整幅遥感影像以及判别经验所确定的全局固定阈值往往不能很好地适应各种不同属性的检测对象。针对这一问题，该研究提出了一种自适应的双模糊阈值的判别方法，在传统的图像变化检测预处理的基础上，利用Q型因子在整幅影像中获取具有代表性的训练样本，分别计算各样本的变化强度和相关系数的最优阈值以及熵的二值化阈值，建立样本的变化阈值集合，选择集合的中位数作为整幅影像的变化阈值，利用模糊识别算法分别对所得到的2幅变化影像进行运算，求交集建立混淆矩阵，最终得到变化检测的结果。试验结果表明，该算法对不同属性的影像对象具有良好的适应性，较传统的阈值变化检测方法其平均正确率提高了31.12%，有效地减少了错判或漏判。

智慧农业；变化检测；Q型因子；自适应性；模糊识别法；双阈值

21世纪以来，各个学科根据实际需要，借助信息化技术的飞速发展，开辟各具特色的智能化平台并得到长足发展。传统农业也在加快向现代农业转型，以“智能化、集约化、数字化、生态化、低碳化”为特点的智慧农业成为其未来发展的趋势[1]。在智慧农业的实际应用中，土地资源调整、灾害评估、作物长势和作物生态环境调查等重要研究领域需要精确的变化信息检测作为技术支撑[2-4]，进行更深层次的研究。高空间分辨率遥感影像以其能够清晰地体现出影像中地物景观的结构、纹理、细节等信息的特点受到广泛关注[5]，也成为智慧农业一项重要的信息来源。

传统的遥感影像变化检测工作是通过固定阈值对影像进行二值分割以获取变化检测结果。经典的二值分割算法可大致分为2类[6]：一是全局阈值法，通过期望最大化算法和贝叶斯最小误差率理论对整幅影像进行变化检测[7]；二是局部阈值法，通过网格分块将2期的遥感影像均匀划分为多个重叠的影像块，再采用全局阈值法分别计算每个影像块的阈值，经过一定手段的比较最终完成对整幅影像变化区域的检测[8-10]。这2种方法在多时相遥感影像变化检测中都得到了广泛的应用。然而，如果将待检区域内变化区域与未变化区域的面积之比定义为变化量比例，在实际使用中就会发现：当检测区域为大比例变化量区域时，可以有效地获得准确变化阈值；当检测区域为小比例变化量区域时，往往不能获得准确的变化阈值。基于单阈值的遥感影像变化检测虽然简单易行，但应考虑到，传感器所获得的2期遥感影像总是会受到大气、噪声、辐射条件以及背景灰度变化的影响[11]，这就必然会造成变化区域的灰度值总是在一定的范围内波动，导致最终获得的遥感影像中出现变化信息、噪声、不同地物类别交分布错的现象。因此，仅利用一个阈值就将待检测图像划分为变化区域和未变化区域，往往会导致检测结果不能满足实际要求[12]。鉴于此，笔者提出采用基于自适应性双模糊阈值的遥感影像变化检测方法，并采用2012和2015年云南某地区的IKONOS遥感影像，对该方法在智慧农业中的应用进行了验证。

1　模糊阈值法的遥感变化检测方法

1.1基于Q型因子的影像样本的选择基于Q型因子分析的训练样本的选择方法可自动地选择训练样本，且被选的训练样本具有代表性和典型性[13]，其他的样本都可以用这些潜在的“典型公共样本”的线性组合表示出来，这样便可以充分利用所采集的样本信息。

基本思想是：对影像采集了n 个样本，用灰度共生矩阵的5 个统计性特征(角二阶矩、对比度、相关、熵和逆差矩)和小波分解的8个结构性特征比对每个样本得观测矩阵X；对矩阵X进行标准化得到S；求样本间的相关矩阵R；求R 的特征根(λ1≥λ2≥… ≥λn)和其相应的特征向量(μ1，μ2，…，μn)。把特征根所代表的意义分别称为第一主因素F1，第二主因素F2，…，第m 主因素Fm。主因素累积百分比，又称累积贡献率ηm，其值越大，说明选出的主因素拟合原始数据越好，可根据实际研究的问题来确定ηm的取值，使得前m个特征根之和在n 个特征根总和中所占的比例达到预先给定的ηm取值。从而可得到：

(1)

Q型因子分析是将n个样本之间的相关关系转化为m个公因子之间的相关关系，而这个相关关系是通过因子载荷矩阵来反映的。设A 为因子Fj载荷矩阵，a 为特殊因子载荷，A中的元素aij表示第i个样本与第j个公因子的相关系数，根据其绝对值大小可以判断样本的相对重要性(或典型性)，进而决定是否要把该样本选择为典型样本。

初始因子载荷矩阵A中元素aij的计算式为：

aij=μijλ1/2

(2)

该方法的目的是知悉每个因子轴所代表的意义，它是根据最靠近因子轴的一个特征样本所决定的。因此，有必要对因子轴进行旋转，使某一因子轴尽可能地靠近一些样本，尽可能地远离另一些样本。

该研究采用方差最大正交旋转，即使因子载荷矩阵中各因子载荷值的方差V 达到最大作为因子载荷简化的准则，用公式表示如下：

(3)

当迭代的结果满足式(4)之后停止迭代。

|V(k)-V(k-1)|<ε

(4)

最后计算得到旋转后的因子载荷矩阵G，按从大到小的顺序排列后选取m个样本即可。

1.2

样本的变化强度和相关系数的计算

1.2.1变化强度的计算。设2个时相图像的像元灰级矢量分别为A=(a1，a2，…，ak)T，B=(b1，b2，…，bk)T，k是进行运算的波段数，运算时两期影像的像元需一一对应[14]，计算公式为：

(5)

式中，ΔG包含了两幅图像中所有变化信息，变化强度由ΔG决定，ΔG越大，表明图像的差异越大，变化发生的可能性越大。

1.2.2相关系数的计算。模式识别理论认为，在进行变化区域确定时，仅靠单一的变化强度数据进行判定，难以获得较满意的变化强度闭值。相关系数是用来反映多个变量之间相关性密切程度的统计指标，在计算过程中像元的相关程度可以用相关系数来表示[15]，计算公式为：

(6)

(7)

式中，DNn是第n波段的第i行、第j列的像元灰度值。

1.3双阈值的选取和计算

1.3.1第一阈值T1：最优阈值迭代法确定。计算整幅图像的最大灰度值Pmax和最小灰度值Pmin，令阈值的初始值为：

(8)

根据阈值Tk(k=0，1，…，k)将图像分成目标和图像2部分，计算2部分的平均灰度值PO和PB，计算公式为：

(9)

(10)

式中，P(i，j)是指像元(i，j)处的像元值；ω(i，j)是指灰度值(i，j)处的权重系数。

计算新阈值：

(11)

当Tk=Tk+1或者Tk-Tk+1<ε(ε为给定的限值)，迭代停止。

1.3.2第二阈值T2：熵的二值化阈值。假设将以阈值T将图像分为变化区域(目标O)和为变化区域(背景B)，图像中低于阈值的确定为目标，否则为背景，那么各灰度级在该区域的分布概率为：O区，pi/Pi(i=0，1，…，t)；B区，pi/(1-Pi)(i=t+1,t+2,…，L-1)，式中，L是灰度级总数，且有：

(12)

目标区域和背景区域的熵的计算公式为：

(13)

对图像中的每个灰度级分别计为：

ω=H0+HB

(14)

选取使ω最大的灰度级作为第二阈值T2。

1.4遥感影像变化检测将上文计算得到的最优阈值作为第一阈值，基于熵的二值化方法所确定的阈值作为第二阈值，两阈值间的部分作为自适应性模糊识别的对象，其基本思想是先确定每个样本的近邻子集，然后用每个样本的近邻子集的隶属度加权平均代替FCM算法的每个样本的隶属度。

Dj=‖xk-xj‖≤e2；k = 1，…，n；k≠j

(15)

(16)

数据集X通过FCM算法得到的模糊化分矩阵Uc×n为：

Uc×n={uij}=[u1，…，uj，…，un];i=1，…，c;j=1，…，n

(17)

式中,uj是数据集X里的第j个样本xj的隶属度向量，大小为c×l;uij是样本xj归属于第i 类的隶属度，i=1，…，c;j=1，…，n。

(18)

(19)

wj,p=e-‖xj-xj,ps‖2,j=1，…，n;p=1，…，lj

(20)

(21)

(22)

最后，经过模糊识别算法的处理后，将变化强度数据中的变化像元和相关系数数据中的变化像元求交集建立混淆矩阵，完成变化区域和未变化区域的检测。

2　模糊阈值法遥感检测方法在智慧农业中的应用

2.1数据来源采用云南某地区的2015和 2012年的IKONOS遥感影像，影像的空间分辨率为1m，由红、绿、蓝3 个波段组成，影像均经过配准处理。第一时相的4幅影像尺寸全部为5 001×5 001，第二时相的影像尺寸全部为5 000×5 000。

2.2图像预处理对2期影像数据进行配准、校正，保证影像数据空间上的准确性。未经过处理的影像之中包含有噪声，分离噪声因素是进行遥感影像变化检测前重要的一步，降噪之后的影像质量将会更好，在进行变化检测时产生的误差将会大大减少。ICA/MNF变换方法是近年来发展起来的一种图像预处理方法，其优点是可以在仅有的观测数据( 信号与噪声的混合体)中分离出相互独立的源信号，避免了数据冗余，在新的影像中包含的变化信息按照信噪比依序减少，而且该方法具有正交性与线性不变性，新的结果影像不影响原始差异影像中包含的变化信息[16]。

为了保证有针对性地检测研究对象的变化情况，在进行ICA/MNF变换之后，对2个时相影像进行多尺度分割。完成对第一幅影像的分割后，第一幅影像作为参考，对第二幅影像进行分割，以保证不同时相相同影像位置所对应的像斑包含的像元数目相同，以便于变化信息的检测。

2.3结果与分析首先对遥感影像数据进行图像预处理，配准、校正后采用ICA/MNF对影像进行处理，尽量分离独立源信号，加大图像反差，便于后期的处理和分析。

该研究采用分形网络演化算法对影像预处理后的数据进行多尺度分割，经过多次试验，最终确定形状因子0.7、紧致度0.65、分割尺度270。

从试验数据中提取77幅570×570像素大小的图像，经过面向像元的变化检测发现变化区域大于40%的有61幅，一一赋以索引，将其按照累计贡献率按照从大到小的顺序进行排序，Q型因子统计结果(部分)见表1。

表1　Q型因子选择结果统计

经过对Q型因子的分析之后，选择比较具有代表性的后半部分数据进行进一步的分析，可以看到训练样本数量从37上升到43时，选择精度会有较大的提升，可以达到90%；在此基础上增加训练样本数目，会发现精度的提高呈现缓慢的趋势，对整体的分类精度不再有突出的贡献。基于以上认识，该研究选取43幅累计贡献率较高的样本进行阈值的确定工作。

通过对影像样本计算变化强度和相关系数，分别获取样本集的最优阈值以及基于熵的二值化方法所确定的阈值，作为第一阈值和第二阈值。选取样本阈值集的中位数作为整幅影像的检测阈值，见表2。

根据模糊分类原理，分别对变化强度以及变化系数的计算结果进行模糊识别。使用双阈值将影像划分为背景和变化区域，其中不定类的像元保留其灰度值不变，利用自适应性模糊识别算子构建目标函数进行划分和识别，直到完成所有不确定像元的划分，即完成了整个识别过程。

表2　双阈值取值

为了验证模糊阈值法对变化区域检测的能力，将基于期望最大化算法和贝叶斯最小误差率理论的全局阈值法、双模糊阈值法和基于样本集的最优阈值、二值化阈值的双阈值法共同进行试验，通过人工对整幅影像变化区域进行检测，从而验证该方法的准确性。

规定验证影像块的2期影像见图1。影像块的4种检验方法结果见图2。

图1　规定验证影像块的2期影像Fig.1　Phase 2 images of stipulated verification image block

2.4检测结果精度分析经过对影像变化区域进行进一步的分析，2组样本数据的变化检测精度见表3。由表3可知，双模糊阈值法的检测正确率较双阈值法和全局阈值法分别提升了5.38%、31.12%，而漏检率同比降低1.13%、3.16%，这说明双阈值法相较于传统方法确实有更高的准确率。

表3样本数据的3种方法检测精度比较

Table3Thecomparisonofdetectingprecisionforsampledatabasedonthreekindsofmethods%

同时，由于变化比例的不同，在变化量较小的样本数据中，双模糊阈值法以略高于双阈值法0.85%的虚检率为代价，有效降低在复杂检测条件下检测漏检率，提高检测正确率；作为对照的双阈值法虽然准确率低于双模糊阈值法，但仍然可以看出其在样本数据中的正确率较全局阈值法高25.74%，这说明通过选择典型样本确实可以在一定程度上弥补由于变化比例而引起的正确率不稳定的缺点。

从景观识别能力来看，相较于全局阈值法以及双阈值法，双模糊阈值法具备对研究区域景观更好的描述能力，总体上可以保证识别对象的完整性，提高景观识别度。这说明通过模糊识别算法确实可以在一定程度上抑制由“硬分类”而导致的景观破碎的现象，提高检测结果的可读性。

3　结论

该研究提出了一种基于模糊阈值法的高空间分辨率的遥感影像变化检测方法，该方法适用于小比例变化量区域的多时相遥感影像变化检测，样本检测结果表明，其效率较高、精度好等特点可为智慧农业提供变化检测方面的技术支持，在土地资源调整、灾害评估、作物长势和作物生态环境调查等重要研究领域中具有一定应用价值。

图2　影像块的4种检验方法结果Fig.2　Results for 4 kinds of test methods of image block

[1] 佟彩，吴秋兰，刘琛，等.基于3S技术的智慧农业研究进展[J].山东农业大学学报(自然科学版)，2015，46(6)：856-860.

[2] 孙忠富，杜克明，郑飞翔，等.大数据在智慧农业中研究与应用展望[J].中国农业科技导报，2016，15(6)：63-71.

[3] 唐华俊，吴文斌，杨鹏，等.农作物空间格局遥感监测研究进展[J].中国农业科学，2010，43(14)：2879-2888.

[4]GUOC，ZHANGL.Anovelmultiresolutionspatiotemporalsaliencydetectionmodelanditsapplicationsinimageandvideocompression[J].IEEEtransactionsonimageprocessing，2010，19(1)：185-198.

[5]HUANXL，MURALIB，ALILA.Imagerestorationbasedonthefastmarchingmethodandblockbasedsampling[J].Computervisionandimageunderstanding，2010，114(8)：847-856.

[6] 贾春阳，李卫华，李小春.基于自适应权值FNEA算法的高分辨率遥感图像分割[J].国土资源遥感，2013，25(4)：22-25.

[7]LIUT，YUANZ，SUNJ，etal.Learningtodetectasalientobject[J].Patternanalysisandmachineintelligence，2011，33(2)：353-367.

[8] 贾永红，谢志伟，张谦，等.采用独立阈值的遥感影像变化检测方法[J].西安交通大学学报，2015，49(12)：12-18.

[9] 李攀.基于CVA的植被覆盖度变化信息提取方法研究[D].北京：首都师范大学，2011：17-52.

[10] 吴剑.基于面向对象技术的遥感震害信息提取与评价方法研究[D].武汉：武汉大学，2010：21-47.

[11] 刘小芳，何彬彬.邻近样本密度和隶属度加权FCM算法的遥感图像分类方法[J].仪器仪表学报，2011，32(10)：2242-2246.

[12]DAMEA，MARCHANDE.Second-orderoptimizationofmutualinformationforreal-timeimageregistration[J].IEEEtransactionsonimageprocessing，2012，21(9)：4190-4203.

[13] 虞欣，郑肇葆.基于Q型因子分析的训练样本的选择[J].测绘学报，2007，36(1)：67-71.

[14] 孙燮华.图像处理C#.NET编程与实验[M].北京：机械工业出版社，2010：11-56.

[15]NIELSENAA.Kemelmaximumautocorrelationfactorandminimumnoisefractiontransformation[J].IEEEtransactiononimageprocessing，2011，20(3)：612-624.

[16]ZHANGHT，CHENGWX，CHENXY，etal.ResearchonthelandslidedisasterdetectionmethodofhighresolutionremotesensingimagebasedonICA/MNF[J].Journalofcatastrophology，2015，30(1)：193-197.

TheApplicationofChangeDetectionbyHighSpatialResolutionRemoteSensingintheWisdomAgriculture

GUOYing-jie,ZHULan-yan*,LIChao

FacultyofLandandResourcesEngineering,KunmingUniversityofScienceandTechnology,Kunming,Yunnan650093)

Thetraditionalmethodthatidentifiesglobalfixedthresholdaccordingtotheexperienceandthewholeimagecannotadapttothedifferentpropertiesofdetectingobjectswhendeterminetheheterogeneityoftheimageobject.Concerningthisissue,thispaperproposesamethodbasedonadaptivedoublefuzzythreshold.Preprocessingfinishestheprophasejobtomakeiteasiertodothefollowingrecognizingworks,whichincludesbinarization,smoothnessandrefinementsuchimagestandardizationoperationsbeforetheimagechangedetection.RepresentativesamplesareobtainedinaccordancewithQfactorinthewholeimage.Thereexistsanoptimalthresholdindexofchangemagnitudeandthecorrelationcoefficient,andbinarizationthresholdofentropytodescribethechangeextentbetweentworesults.Itisnecessarytoestablishasamplecollectionofchangethreshold,andmakethemedianofasetasthechangethresholdofthewholeimage.Finally,changedetectionresultsareobtainedaftercountingintersectionandestablishingconfusionmatrix.Resultsshowthatthealgorithmhasagoodadaptabilityfordifferentimageobjects.Comparedwithtraditionalchangedetectionmethod,theaverageaccuracyofidentifyingisimprovedby31.12%,whicheffectivelyreducesmistakes.

Thewisdomagriculture;Changedetection;Qfactor;Adaptability;Fuzzyidentificationmode;Double-threshold

国家自然科学基金资助项目(41261043)。

虢英杰(1993- )，男，山东日照人，硕士研究生，研究方向：定量遥感、变化信息监测。*通讯作者，副教授，从事测量平差研究。

2016-08-29

S127

A

0517-6611(2016)26-0233-05