高分辨率航摄影像城市交通设施变化检测方法研究

马昱肖，戚浩平，田 馨，姜钧陶

(东南大学 交通学院测绘工程系，江苏 南京 211189)

城市交通设施包括城市各类交通枢纽、道路立交桥梁和相关建筑物设施等，其布局的合理性决定城市发展的轮廓和形态，城市交通设施规划与管理需要与城市规划相结合，以满足城市发展的需求。航空摄影测量高分辨率、高机动性、快速的优点[1]，为获取及更新城市交通设施信息提供有效途径。变化检测是利用同一地区不同时相的两期影像，对地表地物类型、分布变化信息进行定量和定性提取的过程[2-3]。通过快速提取航摄影像的变化信息，可直观准确地识别与监测城市交通设施变化，为交通规划优化提供基础信息，辅助城市合理规划和资源重组与分配。

传统的变化检测方法是逐像元比较像素值或类别是否发生变化，周晓光[4]对比图像比值法、差值法、植被指数法和变化矢量分析法4种方法，表明基于像元的检测方法对两期影像的要求较高，且仅在低分辨率影像成熟度较高；黄维[5]以LANDSAT8 OLI影像作为研究对象，利用主成分分析法进行变化信息提取，但结果仍存在噪声点数较多，细节表现力不够的问题；刘冰[6]利用决策树提取湿地信息，但检测结果存在小图斑和孤立点、空间不连续的问题，且决策树的构建需要大量经验知识和反复对比挑选。逐像元变化检测的前提是两期影像已经精确配准，配准误差将导致检测结果出现虚假变化，逄锦娇[7]指出若两期影像的几何配准均方根误差大于一个像元，会大大降低变化检测结果精度。为解决精确配准难度高、逐像元检测斑点噪声多的问题，甘甜[8]在房屋震害变化检测使用面向对象变化检测方法，与其它方法相比，分割后变化检测对图像配准要求稍低，检测结果中的伪变化信息较少，精度最高；夏朝旭[9]以图像分割后的图斑为变化检测基础，将图像划分为若干个形状和光谱性质具有均质性的对象，减弱斑点噪声现象。目前变化检测算法有许多成功案例，但如何快速准确提取变化特征，降低“伪变化”信息干扰，还有待进一步研究。

航摄影像的高分辨率特性增加了影像信息的丰富性，道路、建筑物的边缘信息明显，有利于城市交通设施的准确提取。但航摄影像一般只有3个波段，光谱信息较少，“异物同谱”现象严重。同时，细节信息过多也增加了同类地物的内部异质性，放大“同物异谱”的影响[10]，传统变化检测方法只采用光谱信息逐像元比较，对于航摄影像，检测结果存在较多“椒盐”噪声、漏检率较高、变化特征获取繁琐、变化信息提取不够准确等问题。此外，投影差、阴影带来的大量“伪变化”信息对变化检测的影响也需要进一步改善。本文选取南京市江宁区两期航摄影像，通过融合C4.5算法和面向对象方法提取城市交通设施变化信息，对比图像差值法、主成分差异法、最大似然分类后变化检测，本文的方法能较好地抑制总体误差，并直接获取城市交通设施变化信息，检测结果结构性较好，边缘信息更完整。

1 研究方法

1.1 纹理信息

与卫星遥感影像相比，航摄影像波段数相对较少，光谱分辨率低，需引入空间纹理弥补光谱分辨率过低的不足。纹理是影像灰度值在空间位置分布上的反映，在图像空间中相隔某距离的两个像元之间存在一定的灰度关系，对灰度的空间相关特性的描述即为纹理特征，常用的描述方法为灰度共生矩阵法。该方法通过对灰度级别之间联合条件概率密度P(i,j,d,θ)的计算结果来表示纹理特征，其中概率密度表示在给定距离d和方向θ时，以i灰度为起始点，出现灰度j的概率[11-12]。

1.2 融合C4.5算法和面向对象的变化检测

为避免C4.5逐像元分类后变化检测导致的斑点现象，首先采用多尺度分割对预处理后的两期航摄影像进行分割，通过选择训练样本，构建纹理信息和光谱信息的特征空间。然后，利用C4.5算法自动生成决策树，从繁多信息中快速提取有效分类特征，对两期影像进行分类，并叠置分析两期影像的分类结果，最终得到变化检测的结果。

多尺度分割主要遵循两个原则[13]：① 在满足精细的条件下尽可能获取较大的影像对象；②在满足必要的形状标准条件下尽可能采用光谱标准。为了保证对象内的同质性和对象之间的异质性，需设定分割尺度[14]，当内部的异质性达到阈值，不再合并周围的像元。分割尺度过小，对异质性要求越严格，图像过于碎片化；分割尺度过大，对象内部信息不纯，地物细节信息被忽略。

C4.5算法是以ID3算法为基础，采用信息增益率(GainRatio)替代信息增益，作为对节点属性的选择准则，即选择具有最大信息增益率的特征作为分裂规则[15]。设D为训练样本集，最终分类目标包含n个类别，按照属性A划分D中的元素为V个不同类别。信息增益率的定义为

(1)

式中InfoaGain(A)以各个特征取值作为分裂点，分别计算每个分裂点的信息增益，为

(2)

SplitInfo(A)为最佳分裂点的信息增益率，算式为

C4.5算法克服了ID3算法中偏向于选择既有较多分支的属性值的问题，分类结果更准确。同时，C4.5算法采用预剪枝(pre-pruning)和后剪枝(post-pruning)相结合的方法对决策树进行修剪，避免决策树过度拟合[16]。

2 数据处理流程及结果

2.1 研究区概况及实验数据

研究区位于江苏省南京市江宁区，近年来江宁区经济发展迅速，伴随着经济增长的同时，该地区的交通设施相关信息变化也较为剧烈，可作为提取交通设施中道路和周边建筑物变化的典型研究区。本文选取江宁区西南部2012-04和2014-06两期航摄影像，如图1所示，右上角为2012-04影像，右下角为2014-06影像，空间分辨率均为0.3 m，数据范围为800 m×850 m，包括红、绿、蓝3个可见光波段，获取时间均在4—6月期间，不存在明显的时相

变化造成的影响。航摄影像中内容信息丰富，建筑物细节、道路标志信息、车辆、植被轮廓线均清晰可见，同类地物内部异质性较明显。

图1 研究区示意图

2.2 数据处理流程及结果

数据处理流程如图2所示。对两期原始影像进行相对辐射校正、几何精校正、阴影区域标记等预处理。

图2 变化检测技术流程

图像差值法利用两期影像的蓝波段构建差异影像，主成分差异法利用经过主成分变化后的第一主成分波段构建差异影像。对两期航摄影像进行正态变换后选取合适的训练样本进行最大似然分类，利用分类结果叠置分析得到变化检测结果。融合C4.5算法和面向对象的变化检测中，通过反复试验获取多尺度分割最佳分割参数，利用灰度共生矩阵生成的21个纹理波段存在信息冗余的问题，将其与影像原始光谱特征进行整合，构建包含24个波段特征空间，分析各波段辨别典型地物的能力。如图3所示，最终选择熵、角二阶矩、相关性和对比度4种纹理信息和光谱信息，以影像对象为分类基本单元，进行C4.5决策树自动分类，比较两时期影像分类结果，获取变化信息。

为降低斑点噪声过多问题，本研究结合区域信息，将检测变化像素点作为区域来对待，只有当变化像元形成的图斑中像元数大于10个时，才认可这些像元为变化像元，否则认定为噪声。影响高分辨率影像变化检测精度的另一个因素是阴影干扰[17]，由于两期影像获取时间不一致，阴影区域不完全重合，检测的变化像元可能由于阴影位置不同而引起的伪变化。在影像预处理的时候，利用阴影区域光谱值较低的特点，提取两期航摄影像绝大部分的阴影区域，去除两期阴影重叠部分，得到阴影变化区域，若变换检测出的变化像素或对象落在阴影区域，则标记为非变化，降低阴影对变换检测结果影响。本文以人工判断两期影像变化信息作为精度评价依据，检验样本及4种变化检测结果均剔除在阴影变化区域的变化像元，结果如图4所示。

图3 两时相影像特征曲线图

图4 不同变化检测方法检测结果

3 结果分析

3.1 城市交通设施变化信息提取

在图4中，融合C4.5和面向对象变化检测提取的“椒盐”现象最少，通过影像分割，可以有效抑制逐像元比较带来目标提取误差、噪声过多问题，比其它3种仅利用光谱信息的方法提取的变化信息更全面。同时融合C4.5和面向对象变化检测提取变化信息最多，地物变化信息更加完整。图像差值法、主成分差异法存在明显的漏检信息，如影像右下角改建道路。

在城市交通设施变化信息提取中，为更直观对比本文采用的方法与传统方法的变化检测结果，选择研究区部分区域(图4(a)红框范围内)进行分析，道路、周边建筑物变化如图5所示。本文采用的融合C4.5和面向对象变化检测方法较好地保持了结构完整性，地物边缘也更清晰，另外3种方法变化信息提取不完整，内部破碎，受细节信息影响较大。在非交通设施信息提取中，如植被与土壤，融合C4.5和面向对象的检测结果变化图斑过大，存在过度检测的问题，见图5。由于植被、土壤都是由少量像素组成的集群，集群与集群之前存在细小差别，面向对象以对象为基础，忽略细小差别，而图像差值法、主成分差异法、最大似然分类后变化检测是逐像元比较变化信息，细小地物的变化信息提取方面更为精确。

图像差值法和主成分差异法变化检测结果只能得到变化的区域，不能直接得到地物转化的类型，需要人工再次判断该变化信息是否属于城市交通设施。最大似然分类需要手工选取训练样本，由于航摄影像分辨率较高，为保证样本纯度，需细分为多个样本，增加样本选择难度，样本可分性较低。面向对象在选择训练样本时，直接挑选符合要求的对象，不需要再勾勒感兴趣区，利用C4.5算法自动生成决策树，耗时较少。融合C4.5和面向对象法可直接得到地物的变化类型，只关注重点信息，提高城市交通设施提取效率。2012—2014年间，研究区建筑物变化情况如图6(a)所示，针对建筑新建可能引起的车流量增大，对道路进行改建，结果如图6(b)所示。提取道路周围土地利用状况变化情况，为对道路改建方案提供了信息支持。图6(b)红圈附近为植被和裸土，则该处道路可以进行扩建，而蓝圈道路附近是已修建完成的工业园区，无法满足道路扩建的土地需求，只能对道路进行路面改建，提升交通性能。

图5 不同变化检测方法检测结果细节对比

图6 交通相关变化信息提取

3.2 精度评价

利用检验样本对四种变化检测结果进行精度评价，计算得到总体检测精度、Kappa系数、虚检率及漏检率等精度指标如表1所示。

融合C4.5和面向对象的变化检测方法在总体精度上有较明显的优势， kappa系数最高，漏检率最低。然而，与基于像元的变化检测如图像差值法和主成分差异法相比，变化结果为区域对象的变化，相比较基于像元的逐像元变化检测，虚检率较高。综合3个波段信息主成分差异法较好地检测出主要地物的变化，漏检率低于图像差值法。图像差值法由于信息不全，虚检率也较低。图像差值法、主成分差异法、最大似然分类后变化检测，都只利用光谱信息，由于高分辨图像光谱信息较少，漏检率都高于考虑纹理信息和几何信息的融合C4.5和面向对象变化检测方法。最大似然分类后的变化检测的整体精度和Kappa系数都是最低的，分类结果“椒盐”现象突出，根据误差传播定律，由于分类造成的误差会在最终变化检测中累积并放大，最终变化检测精度最低，只有0.646 3。

表1 不同变化检测方法检测结果精度评价

4 结 论

本文以高分辨率航摄影像作为数据源，提出融合C4.5和面向对象的变化检测方法提取城市交通设施变化信息，结果表明该方法在城市交通设施变化检测中具有适用性和高效性，结论如下：

1)图像差值法和主成分差异法检测结果的精度依赖于图像配准精度和变化阈值的选取，最大似然分类结果较难满足后续变化检测精度要求，融合C4.5和面向对象的变化检测能较好地抑制总体误差，获得较理想的Kappa系数，特别在城市交通设施的提取上，结构性和完整性较好。

2)融合C4.5和面向对象的变化检测采用分类后比较，对原始影像获取时间、季节、波段要求较少，对配准精度、辐射校正精度要求也低于图像差值法和主成分差异法，预处理更简单，可快速获取地物变化类型，判断重点地物是否发生变化，有利于城市交通设施信息的快速采集，为交通规划提供更好的信息支持。