高空间分辨率遥感影像下的违法用地变化检测

陈 鹏，吕鹏远，宋 蜜，曾凡洋，伍丝琪，钟燕飞

(1. 广州市城市规划勘测设计研究院，广东 广州 510060； 2. 武汉大学测绘遥感信息工程国家重点实验室，湖北 武汉 430079)

遥感对地观测技术具有周期短、成本低、范围广等优点，能够为违法用地提取工作提供基于影像的、可精确测量的、具有指导性的帮助[1-2]。尤其是随着遥感平台的快速发展，影像空间分辨率逐渐提高，地物细节信息更加丰富，为国土资源动态监测提供了数据支撑。随着国家高分辨率遥感专项稳步推进，我国国产卫星的空间分辨率和质量都得到了极大提高，随着系列高分遥感卫星(如ZY-1-02C、ZY-3、GF-1、GF-2等)的发射，影像的空间分辨率已提高至亚米级。另外，以无人机为代表的低空摄影测量系统以其轻便灵活、快速响应、高精度、高分辨率的技术优势，成为卫星影像的有益补充。目前，高分遥感影像人工目视判读结合实地排查已经成为城镇规划部门实施违法用地监测的主要手段，但是该方法存在耗时耗力、成本高效率低的问题。为了进一步提高城镇变化监测的自动化、智能化程度，要求我们运用图像识别领域的变化检测技术，针对高分数据自身特点和城镇违章用地应用需求发展适用的算法。

传统变化检测方法主要是对比单个像素在不同时相影像上光谱信息的差异来判断地物是否发生变化[3-5]。由于空间分辨率的提升，相比于中低分辨率遥感影像，高空间分辨率影像变化检测技术存在以下难点：①高空间分辨率影像空间分辨率高、光谱分辨率较低，“同物异谱-同谱异物”现象严重，难以单纯利用光谱特性区分地物变化；②由于影像获取时间不同，感兴趣地物变化容易与由光照、拍摄角度、季节等因素引起的变化混淆；③空间分辨率的提升导致检测结果存在大量虚警点，影响变化检测精度。现有针对高分辨率影像的变化检测方法主要综合提取光谱、纹理、对象等多元特征用于分析感兴趣地物是否发生变化[6-8]。然而，上述方法对于影像全局使用相同特征，未考虑不同场景下地物变化判别特征的差异性，导致局部区域变化检测结果受到限制。

针对以上问题，基于违法用地变化检测的应用需求，本文提出了一种基于地物分布特性的变化检测方法。该方法将违法用地分布知识与变化检测技术相结合，针对研究区域的光谱-空间特性，自动提取感兴趣变化(违法用地变化)区域。选择广州从化街口地区双期QuickBird卫星影像进行试验，结果表明该方法在分离不感兴趣变化区域的同时对疑似违法用地有较高的检测精度。利用该方法能够对人工作业提供辅助，节约成本，提高生产效率。

1 技术路线

高空间分辨率影像能够提供丰富的地物细节信息，因此地物在影像上的光谱-空间特征随地物的实际分布呈现明显差异性。违法用地的变化特性在多时相影像上反映为建筑物的拆建及植被区域的减少。在市郊等植被覆盖面积较大的区域，变化地物的光谱特性随空间分布一致性较高，光谱特征的差异能够反映地物的变化。而在城市覆盖区域，由于地物类型复杂，导致对应影像光谱-空间特征更加复杂。对于影像全局使用相同的特征难以保证不同区域检测效果的一致性。因此，需要针对地物实际分布特性，提取对应影像光谱-空间特征，在特征层分析地物变化，从而分离不感兴趣变化区域。本文技术路线如图1所示。

首先利用基于可见光波段的植被指数[9]分离城市区域与非城市区域；其次，在非城市区域，利用面向对象方法[10]得到变化检测结果，在城市区域，利用形态学建筑物指数[11]提取建筑物特征，以实现感兴趣变化类型与不感兴趣变化类型分离，使用变化向量分析[12]与k均值聚类[13]实现变化信息提取；最后利用形态学滤波、聚合操作去除变化检测结果中的椒盐噪声点，并计算变化图斑的最小外接矩形，将结果以矢量形式进行输出。

2 关键技术

2.1 基于可见光波段植被指数的城区和非城区分离

本文首先通过植被指数运算提取植被和非植被区域掩膜，作为城区和非城区的分离依据。实际应用中，使用的卫星影像通常通过红、绿、蓝3个可见光波段与全色波段融合得到，数据只有红、绿、蓝3个可见光波段。因此，需要通过基于可见光波段的植被指数提取植被区域。常见的可见光植被指数有过绿指数(EXG)、归一化绿红差异指数(NGRDI)、归一化绿蓝差异指数(NGBDI)、红绿比值指数(RGRI)及可见光波段差异植被指数(VDVI)等[9]。本文拟采用VDVI提取植被区域，其优势在于：①同时考虑绿、红、蓝3个可见光波段的反射、吸收特性，对不同种类植被与非植被均有较好的区分性；②指数具有双峰性质，较易分离植被和非植被地物。其公式如下

(1)

式中，ρg、ρr、ρb分别表示绿、红、蓝3个可见光波段的像元亮度值。在获取VDVI指数后，用阈值分割方法提取植被掩模MV

(2)

式中，tV为给定阈值。

2.2 基于多元特征的变化信息提取

不同地表覆盖类型其光谱-空间特性存在差异，因此使用单一特征难以反映不同地物类型变化信息。本文拟采用面向对象特征及形态学建筑物指数研究区域变化信息，并使用变化向量分析法得到对应特征下的变化检测影像。

2.2.1 面向对象特征提取

2.2.2 形态学建筑物指数提取

(1) 计算亮度。对于每个像元x,计算波段最大值代表其亮度特性

(3)

式中，K为影像波段数，在本文中K为3；bandk(x)表示像元x在第k个波段的光谱值；b(x)表示像元x的亮度特征。

(2) 构建MBI指数。利用基于顶帽变换与重构的差分形态学谱来提取建筑物的光谱-空间结构特性。

a. 基于重构的顶帽变换(W-TH)公式如下

(4)

b. 形态学谱。基于顶帽变换的形态学谱表示如下

(5)

c. 差分形态学谱。基于顶帽变换的差分形态学谱按如下公式计算

DMPW-TH(d,s)=|MPW-TH(d,(s+Δs))-MPW-TH(d,s)|

(6)

式中，Δs表示形态学谱间隔。

形态学建筑物指数定义为

(7)

式中，D和S分别表示形态学谱方向数和尺度数。在本文中方向数设置为4，结构元素最小尺度为2，最大尺度为202，尺度间隔为20。

2.2.3 变化信息提取

首先分别计算面向对象特征、形态学特征下的变化向量DF,然后利用k均值聚类获得对应变化检测图CMo、CMb。其中，DF=|F2-F1|，F表示面向对象及形态学特征。

2.3 基于地物分布的变化信息融合

利用上文得到的城区和非城区掩膜对不同特征下的变化检测结果进行融合得到融合后的变化检测结果CM，公式如下

CM=MV×CMo+(1-MV)CMb

(8)

利用形态学开、闭运算对初始结果后处理，并计算最大包围矩形，得到矢量化结果。

3 试验与分析

3.1 试验区域与数据分析

选择广州从化街口地区为试验区。获取2013年、2014年双期QuickBird影像为试验数据,影像大小895×561像素，空间分辨率0.5 m，波段为红、绿、蓝。原始影像与参考变化图斑如图2所示。

图2

本文以图斑为基本单位进行精度评价，统计正确检测、漏检图斑个数作为评价指标。真实参考数据由专业人员目视判读结合实地调查给出，如图2(c)所示，其中疑似违章变化共14处。

变化检测结果与精度评定如图3、表1所示。

图3 变化检测结果

参考图斑数正确检测数漏检数14131

3.2 试验结果与分析

本文方法自动提取疑似违章用地图斑数共计21个，其中正确检测图斑13个，漏检图斑1个，对于疑似违法建筑物具有较高的检测精度。图3(a)表明，通过本文提出的方法，能够利用高空间分辨率遥感影像实现较精确的变化图斑定位，所提取的矢量包围框能够基本覆盖变化建筑物区域。该方法已通过ENVI二次开发的方式实现，并在广州市城市规划勘测设计研究院试用，其结果已得到业务人员的实地验证和认可。以通过该方法得到的变化检测结果作为辅助，能够极大减少传统人工作业量，大大节约了人力、物力及时间成本。

4 结 语

本文针对城镇违法用地检测的应用需求，选择广州市从化街口地区双期QuickBird影像为试验数据，基于遥感影像变化检测技术，开展了基于高空间分辨率遥感影像的变化检测研究，提出了知识驱动的违法用地变化检测方法，将违法用地变化先验知识与变化检测技术相结合，实现图斑级别的变化信息提取。该方法对于辐射差异较大的影像序列处理具有一定稳健性。同时，基于ENVI开发应用插件，将该成果应用于实际生产。利用该技术能有效提高土地执法监测工作效率，快速发现疑似新增违章用地，辅助后续实地查处。

本文的研究成果是高分遥感影像变化检测技术在我国城市违章用地提取方面的一次成功实践,也为该技术在我国城市规划、退耕还林、土地管理等相关领域的推广应用起到示范作用。

参考文献：

[1] 李德仁，王密，胡芬.利用我国高分辨率卫星影像监测北京市违章建筑[J].科学通报，2009，54(3)：305- 311.

[2] 吴田军，夏列钢，吴炜，等.土地执法监察中的高分辨率遥感及变化检测技术[J].地球信息科学学报，2016，18(7)：962-968.

[3] CHEN J，GONG P，HE C，et al.Land-use/land-cover Change Detection Using Improved Change-vector Analysis[J].Photogrammetric Engineering and Remote Sensing，2003，69(4)：369-379.

[4] DENG J，WANG K，DENG Y，et al.PCA-based Land-use Change Detection and Analysis Using Multitemporal and Multisensor Satellite Data[J].International Journal of Remote Sensing，2008，29(16)：4823-4838.

[5] NIELSEN A A.The Regularized Iteratively Reweighted MAD Method for Change Detection in Multi-and Hyperspectral Data[J].IEEE Transactions on Image Processing，2007，16(2)：463-478.

[6] 陈强，陈云浩，蒋卫国.基于 OB-HMAD 算法和光谱特征的高分辨率遥感影像变化检测[J].光谱学与光谱分析，2015，35(6)：1709-1714.

[7] 佃袁勇，方圣辉，姚崇怀.多尺度分割的高分辨率遥感影像变化检测[J].遥感学报，2016，20(1)：129-137.

[8] 程晶，霍宏，方涛.基于主题模型的高分辨率遥感影像变化检测[J].计算机工程，2012，38(15)：204-207.

[9] 汪小钦，王苗苗，王绍强，等.基于可见光波段无人机遥感的植被信息提取[J].农业工程学报，2015，31(5)：152-159.

[10] LANG S.Object-based Image Analysis for Remote Sensing Applications：Modeling Reality-dealing with Complexity[J].Object-based Image Analysis，2008：3-27.

[11] HUANG X，ZHANG L.Morphological Building/shadow Index for Building Extraction from High-resolution Imagery over Urban Areas[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2012，5(1)：161-172.

[12] SINGH A.Review Article Digital Change Detection Techniques Using Remotely-sensed Data[J].International Journal of Remote Sensing，1989，10(6)：989-1003.

[13] JAIN A K，MURTY M N，FLYNN P J.Data Clustering：A Review[J].ACM Computing Surveys (CSUR)，1999，31(3)：264-323.

[14] ROERDINK J B T M，MEIJSTER A.The Watershed Transform：Definitions，Algorithms and Parallelization Strategies[J].Fundamenta Informaticae，2000，41(1，2)：187-228.

[15] CHEN G，HAY G J，CARVALHO L M T，et al.Object-based Change Detection[J].International Journal of Remote Sensing，2012，33(14)：4434-4457.