一种改进SLIC分割的多尺度面向对象CVA遥感影像变化检测方法

李语旻,徐 佳,卢 刚,王宗伟,秦慧杰

(1.河海大学地球科学与工程学院,江苏 南京 211000; 2.江苏省测绘工程院,江苏 南京 210013)

遥感影像变化检测技术是指对同一地区不同时相的遥感影像进行分析以发现和提取地表的变化信息,能迅速获取大范围信息,具有快捷性、高效性和廉价性等优点,已成为地理国情监测的重要手段。

近年来变化检测方法不断更新[1-5],根据数源的不同分为影像-影像法和矢量-影像法;根据处理信息层次的不同分为像素级、特征级和对象(目标)级3类[6];Lu等[7]根据采用的不同数学方法将变化检测技术分为代数运算法、变换法、分类法、GIS法、高级模型法等。像素级变化检测易受到噪声的影响而产生“椒盐现象”,且提取的影像信息十分有限,只适用于提取常用的一些灰度值和单一特征信息,对于日益丰富的遥感信息提取是远远不够的。相较之下,面向对象的变化检测方法在影像信息提取方面则能突破基于像素法的一些局限性[6]。面向对象的变化检测大多以遥感影像信息挖掘的特征级作为处理层级,除了利用基于像素提取的灰度、纹理信息之外,还可以利用其他对象的信息,如影像对象的均值和方差、对象的几何特征、对象的纹理特征等,可以获取更丰富的高分遥感影像信息。

根据文献[8],变化检测可分为分类后比较法和直接比较法[9]。直接比较法中的变化矢量分析(CVA,change vector analysis)法目前在中低分辨率遥感影像变化检测中得到了广泛的应用。文献[10-12]中提出了面向对象的CVA变化检测方法,通过构建对象的变化矢量来进行分析,它和基于像素的CVA方法在思路上是一致的,主要不同体现在对像素的矢量分析变为了对对象的矢量分析[13]。

然而,面向对象变化检测的结果严重依赖于分割尺度的大小,文献[13]中提出用多尺度分割及融合的方法来提高变化检测精度,这些方法大多是直接用eCognition软件或某种多尺度分割算法来完成分割,如果2期影像分辨率不同,矢栅套合后就会出现边界不一致、像斑内部不同质等问题。研究将易康多尺度分割与简单的线性迭代聚类(SLIC,simple linear iterative clustering)超像素分割相结合,提出一种改进的SLIC超像素分割法,实现了矢量层内部的再分割,优化了多尺度分割效果。

研究依托地理国情普查项目,基于资源三号和高分一号卫星在江阴市示范区的影像,旨在结合改进的SLIC超像素分割算法,融合多特征研究一种多尺度面向对象的CVA变化检测新方法,通过各类特征值优势的综合及多尺度分割的决策级融合,突破传统面向对象的矢栅套合方法的限制,从而提高检测精度。

1 技术路线与方法

由于2个时期的影像存在辐射差异,可能会对变化检测结果产生影响。因此,首先以T2时期影像为参考,对T1时期影像做直方图匹配来进行相对辐射校正,得到匹配影像;其次,将匹配影像与T2时期影像进行波段叠加合成一幅影像;再次,用改进的SLIC超像素分割法,以5种不同尺度分割影像,形成矢量层,并用矢量层分割2期影像,形成2期像斑;接着对像斑做特征提取,融合各类型特征值构成特征矢量和变化矢量,经过分析计算得到各类特征的变化强度;最后,通过OTSU阈值分割[14],对5种尺度下的变化检测结果进行决策级融合,并对融合后的结果做变化检测精度评定。该变化检测方法的总体流程如图1所示。

图1 改进SLIC分割的CVA变化检测技术路线Fig.1 Technical route of CVA change detection based on improved SLIC segmentation

1.1 改进的SLIC多尺度分割

在利用前期矢量数据和后期影像进行面向对象变化检测的过程中,要提取像斑的特征信息,先要对矢量数据和影像数据进行套合来获取像斑。因为不同的数据来源不同,其坐标信息可能不同,所以必须将矢量数据和影像数据完全套合,才能获取正确的影像像斑,提取出的像斑特征才具有意义。矢量数据和影像数据的套合,主要采用将二者坐标转换到同一坐标下的方式进行。但即使是同一坐标系下也会存在一些问题,因为地理国情普查的地表覆盖矢量数据原本是分割0.3 m分辨率的航空影像而获得的图斑,而资源三号和高分一号卫星的影像分辨率为2.1 m和2 m,二者套合势必会出现一些问题,比如边界不一致、像斑内部不同质等,这些问题都将对特征提取产生影响。针对这些问题,提出了一种改进的SLIC超像素分割方法,即在SLIC分割影像形成矢量层后,若矢栅套合形成的像斑超过了设定的影像对象所允许的最大异质度,则降低最小分割尺度minRegion的值,对矢量层内部进行再分割,选取适当的分割尺度,以保证像斑的同质性,同时兼顾影像的一些细节信息。将再分割后的矢量数据作为后续套合获取像斑及特征提取的基础数据。

这种改进的SLIC超像素分割方法,是参考eCognition软件中多尺度分割算法的分割尺度、图像波段权重、同质性3个参数,在SLIC算法的基础上进行改进来实现矢量层的再分割。

实验分别以3种不同尺度,对2013年高分一号卫星4波段影像采用常规SLIC法和改进的SLIC法进行分割,并对结果通过目视判读的方式进行定性精度评价和对比分析,实验结果如图2所示。

对比实验结果可以发现:

(1) 改进的SLIC算法相较常规SLIC算法而言,在尽可能避免“过分割”现象的前提下,对矢量层内部进行再分割,提高了部分像斑内部的同质性,突出了影像的部分细节特征,分割效果更加理想。

图2 多尺度分割结果对比Fig.2 Comparison of multiscale segmentation results

(2) 对比图2(b)、(d)、(f)中的再分割区域可以看出,分割尺度越大,再分割的效果就越明显。

(3) 改进的SLIC算法通过再分割获得的像斑在满足同质性较强的同时,保持了轮廓形状,在颜色(光谱)和形状之间找到了平衡点。

(4) 图2(f)即尺度为10的改进的SLIC超像素分割,继承了常规SLIC分割的优点,保持了较理想的超像素(像斑)轮廓、大小、紧凑度,也兼顾了其同质性,比较符合面向对象变化检测方法所期望的分割效果。

1.2 特征提取

用矢量层分割2期影像,得到2期像斑后,分别计算2期影像上每个像斑的光谱特征、纹理特征以及指数特征。特征提取采用的实验数据为资源三号卫星的一个3波段像斑(用于光谱、纹理特征提取),如图3所示,资源三号卫星的一个4波段像斑(用于指数特征提取)如图4所示。

(1) 光谱特征 光谱特征是用来表达图像像斑中像素的光谱信息,它主要是由地表物体通过反射或辐射所显示出来的光谱信息,以灰度值来表示,像斑光谱特征主要包含均值、标准差、最大像素值、信息熵等[15]。研究提取像斑的波段均值、波段标准差、亮度3种光谱特征,计算模型分别如下:

图3 资源三号卫星3波段像斑Fig.3 Image disk of band 3,ZY-3

图4 资源三号卫星4波段像斑Fig.4 Image disk of band 4, ZY-3

像斑像素的灰度均值μL计算公式为

(1)

其中:m为像素个数;vi为像斑中像素的灰度值,可取蓝、绿、红、近红外4个波段。

像斑像素的灰度标准差δL计算公式为

(2)

像斑的亮度b计算公式为

(3)

其中:nL为总波段数;μi为各波段均值。

(2) 基于灰度共生矩阵的纹理特征 研究提取基于灰度共生矩阵(GLCM,Gray-level co-occurrence matrix)的8种纹理特征,计算模型见表1。表1中n为影像的灰度级;i,j为相邻两像元的灰度值;pi,j为归一化之后灰度共生矩阵中(i,j)处的元素归一化值;μi,j为共生均值。

表1 基于GLCM的纹理特征计算模型

(3) 基于局部二值模式的纹理特征 根据局部二值模式(LBP,local binary patterns)原理[16],定义了中心像点的8邻域数组cNeighbor[8],并将像斑灰度值赋予它们,通过比较中心像点与8邻域像点灰度值大小,生成一个8位二进制数,再转换成十进制,范围刚好为0～255,将其赋值给中心像点作为其灰度值,从而输出一个LBP像斑。再通过调用calcHist和getHistImage函数,统计出LBP像斑的灰度分布数据,输出最大、最小像素数目、像素总数及平均灰度值。

(4) 归一化植被指数 归一化植被指数(NDVI,normalized difference vegetation index)特征应用于检测植被生长状态、植被覆盖度和消除部分辐射误差等。在NDVI提取中,通过主函数中数据文件的读取和近红外、红波段的提取,以及CalcNDVI函数中各像素NDVI值的计算,可以输出NDVI值之和以及NDVI均值。再利用GDALDriver、GDALCreate等函数完成NDVI数据文件的生成和存储。

1.3 变化矢量分析

变化矢量是描述像斑从时相1到时相2变化的方向和大小的向量。在完成特征提取后,2期像斑各类特征值可分别构成t1时相和t2时相的特征矢量G=(g1,g2,…,gk)T,H=(h1,h2,…,hk)T,相减即可得到变化矢量为

(4)

式(4)中ΔG包含了像斑由t1时相到t2时相的所有变化信息,再计算像斑的变化强度ΔAG:

(5)

ΔAG值越大,表示2期像斑的差异越大,像斑发生变化的可能性越大。根据ΔAG的大小,采用最大类间方差法选取阈值,即可判别像斑的变化性质。

基于变化矢量分析的变化检测,用到光谱、纹理和指数3类特征。采用分组进行变化矢量分析的方法,即分别用光谱特征、纹理特征、指数特征进行变化向量分析,得到3组变化检测结果,最后将3组结果进行合并。

1.4 决策级融合

对5种尺度分割的像斑分别进行上述特征提取和变化矢量分析,得到5个尺度的变化检测结果。将5个结果中变化像斑和未变化像斑分别用1和0来表示,再通过建立5层决策二叉树对各尺度上的变化检测结果进行融合,并将最小尺度的所有像斑划分定义为5类,具体见表2。

表2 决策级融合的分类

2 示范区试验结果与分析

研究基于国产资源三号、高分一号卫星影像,利用研究提出的方法进行变化检测。为了验证该方法的有效性,在江阴市选择了2个示范区进行实验。

2.1 示范区数据

示范区为江阴市部分区域,示范区一覆盖面积约为58.6 km2,示范区二覆盖面积约为183 km2。示范区一前期影像为资源三号卫星4波段影像,分辨率为2.1 m,拍摄时间为2012年12月;后期影像为高分一号卫星4波段影像,分辨率为2 m,拍摄时间为2013年10月。示范区二前后期影像均为资源三号卫星4波段数据,分辨率为2.1 m,拍摄时间分别为2013年4月和2015年4月,如图5所示。

图5 示范区遥感影像Fig.5 Remote sensing image of the demonstration area

2.2 实验流程

在完成对2期影像的直方图匹配和叠加后,用改进的SLIC超像素分割算法,以尺度10分割影像,形成矢量层;将矢量层与2期影像套合,得到2期像斑;计算2期影像上每个像斑的光谱特征(各波段均值、各波段标准差、亮度)、基于GLCM的纹理特征(熵、角二阶矩、同质度、非相似性、共生均值、共生标准差、对比度、相关性)、基于LBP的纹理特征以及归一化植被指数NDVI;分别基于光谱、纹理、指数特征对每一对2期像斑进行特征矢量分析,得到变化强度G1、G2、G3,设定阈值后分别得到变化检测结果R1、R2、R3;将3个结果合并(求合集),得到尺度为10的检测结果;再分别以尺度30、50、70、90进行上述步骤,将5个尺度的结果进行决策级融合,结果图中包含5类像斑。最后对融合结果进行二值化,将类别0的像斑视为未变化,其余像斑视为变化。

2.3 实验结果与精度评定

二值化后的最终变化检测结果如图6所示,其中白色边框包围的区域表示该方法检测出的变化图斑。

图6 示范区变化检测最终结果Fig.6 Final results of change detection in the demonstration area

示范区一经分割共形成4 165个像斑,通过人工选取并实地验证的实际变化像斑有142个。检测结果中:实际变化、检测也变化的像斑有129个,记为C1;实际变化、检测未变化的像斑有13个,记为C2;实际未变化、检测变化的像斑有476个,记为C3;实际未变化、检测也未变化的像斑有3 547个,记为C4。根据计算公式得出,漏检率为9.15%,误检率为11.83%,总体检测精度为88.26%。

(6)

示范区二经分割共形成6 484个像斑,通过人工选取并实地验证的实际变化像斑425个。检测结果中:实际变化、检测也变化的像斑有375个;实际变化、检测未变化的像斑有50个;实际未变化、检测变化的像斑有893个;实际未变化、检测也未变化的像斑有5 166个,即C1为375,C2为50,C3为893,C4为5 166,则漏检率为11.76%,误检率为14.74%,总体检测精度为85.46%。

最后,为了验证该方法在面向对象方法中的优势,将该方法在示范区一的结果同基于像斑灰度均值的方法进行了对比,检测结果的精度指标对比见表3。

表3 检测结果精度对比

从上述示范区变化检测结果及精度评价结果可以看出:

(1) 检测正确率得到提升。该方法总体变化检测精度均在85%以上,可以快速准确地发现90%左右的变化区域。而传统基于像素的变化检测方法的总体精度在75%左右,基于像斑灰度均值的方法总体精度为81.36%,二者发现变化区域的比例均不足80%,故该方法在检测正确率上有不小的提升。

(2) 漏检率和误检率大幅度降低。基于像斑灰度均值的方法漏检率为37.91%,误检率为47.16%。相较而言,该方法2个示范区结果漏检率分别为9.15%和11.76%,误检率分别为11.83%和14.74%。由于SLIC分割本身就很适合用来进行面向对象的变化检测,研究在此基础上又进行了改进,实现了矢量层内部的再分割,使得像斑尽可能同质,并且做了特征分组合并以及决策级融合的改进,因此漏检率和误检率比常规面向对象方法大幅度降低。

3 结语

基于图像分割和特征提取算法,提出了一种多尺度面向对象的变化矢量分析(CVA)变化检测新方法,通过对SLIC超像素分割法的“再分割”改进、各类特征值优势的综合及多尺度的决策级融合,突破了传统方法的限制。2个示范区的实验结果证明该方法总体精度接近90%,误检率与漏检率均低于15%,在常规面向对象方法中具有优势,可以作为地理国情监测的有效手段。

存在的问题:

(1) 若决策级融合的尺度数量及间隔选择不当,会对检测结果的精度产生较大影响。因此,在多尺度分割前,需要对影像做一个决策级融合的评估。

(2) 该试验的二值化处理仅将类别0的像斑视为未变化,虽然3个精度评价指标比较理想,但在实际变化像斑数和实际未变化像斑数差距悬殊的情况下,会导致Kappa系数很低。实际应用中,将类别0、类别1和类别2均视为未变化可以将Kappa系数提高到0.8左右。