面向地理国情监测的变化图斑自动提取方法

黄金浪，毛羽丰

(南京市测绘勘察研究院股份有限公司，江苏 南京 210019)

0 引 言

地理国情监测是全面获取地理国情信息的重要手段，是掌握地表自然、生态以及人类活动基本情况的基础工作。以每年6月30日为时点，主要监测地表覆盖变化，直观反映水草丰茂期地表各类自然资源的变化情况。目前地理国情监测作为一项自然资源专题监测，已经纳入自然资源调查监测体系。开展常态化地理国情监测，持续、全面掌握权威、客观、准确、动态的地理国情信息，确保地理国情数据的现势性，是当前社会十分迫切的需求。传统的地理国情监测方法通过人工目视判读提取变化区域，内业工作量大，工作效率低，限制了地理国情数据更新周期的缩短。如何快速、准确获取地表变化信息已经成为地理国情监测的研究热点。

基于像素级的变化检测技术在高分辨率遥感影像变化检测时具有局限性，面向对象的变化检测方法在实际生产中应用更加广泛。即利用具有光谱、空间以及几何同质性的像元簇(即影像对象)取代单个像元作为基本处理单元[1-2]，使得影像对象多维特征得到有效利用[3-4]。采用面向对象的遥感影像处理思想，可以利用影像对象的光谱特征、纹理特征、几何特征、空间关系特征，有效地发挥高分辨率遥感影像的优势[5-9]，为小尺度地物的识别与变化分析提供了有利条件[10-11]。Im等人将面向对象思想引入高分辨率遥感影像变化检测[12]，Chen等人以基于像元变化检测的定义为基础，对面向对象的变化检测方法做出了定义，即采用面向对象的影像处理技术获得不同时相遥感影像地物差异的过程[13]。

面向对象的变化检测方法关键在于分割，但仅仅依靠影像分割获取变化信息，其方式单一，且依赖影像分割算法的精度，检测结果往往存在较多的误判。由于地理国情监测阶段，提供数据源包含前期地表覆盖矢量数据与多时相遥感影像，因此可利用地表覆盖矢量数据作为先验知识，结合面向对象的遥感影像分析技术，进行变化检测。

1 变化检测方法

本文采用的技术路线具体如下：首先，对两个时相的高分辨率遥感影像进行预处理，包括辐射定标、大气校正、正射校正、图像融合、多时相遥感影像配准以及相对辐射校正等；其次，对遥感影像进行分割处理，然后，采用多特征融合的面向对象变化检测方法自动提取变化对象；最后，输出变化检测结果并进行精度验证。技术路线如图1所示。

图1 技术路线

1.1 面向对象的地表覆盖变化检测

对高分辨率遥感影像进行分割，将分割获得的影像对象作为变化检测的基本处理单位，有利于提取和利用影像的多维特征。影像分割方法有2种：① 基于地理国情矢量数据进行影像分割；② 采用多尺度分割方法进行影像分割，即分形网络演化方法(fractal net evolution approach，FNEA)[1]。本文中对前一时相影像使用当年的地理国情监测地表覆盖矢量数据与多尺度分割方法进行分割，而对后时相影像单独利用多尺度分割方法进行分割。如图2所示。

图2 影像(分割尺度：100)

分割尺度需要根据使用的遥感数据进行试验来确定，即选择一块小范围区域，分别用不同的分割尺度来分割，根据分割后的效果确定参数，主要与影像分辨率有关，其原则是能够将典型地物(如房屋、水体、植被)完整分割出来。尺度过小会导致图斑过于碎裂，从而导致后续处理效率的下降；此外，若同一地物被分裂为很多块，将不能完整反映这类地物的光谱、纹理、几何等特征，失去了面向对象分析的意义。尺度过大则更不可取，其会将不同的地物分割在一个图斑内，无法达到面向对象分析的效果。对于相同传感器、相同分辨率、相邻拍摄时间的影像可采用统一的分割尺度经验值来进行分割，以达到统一的分割效果。

1.2 影像特征变化向量提取

提取多源遥感影像数据的多种特征进行变化检测，能够有效提高变化检测精度，本文主要采用了强度、纹理两类特征。

1.2.1 强度特征

图像的强度特征是图像最直接的特征。遥感图像是基于像素排列组合构成的，每一个像素具有相应的灰度值，灰度值受到成像条件以及目标地物的影响。强度特征具有易于理解、直观的特点，通过统计不同波段的灰度值可以在影像上解译出不同地物。

1.2.2 纹理特征

纹理特征描述了目标地物在灰度图像上的空间特征。像素按照一定的规则重复排列形成纹理，纹理具有方向性、周期性和随机性的特点。灰度共生矩阵(grey level co-occurrence matrix, GLCM)是一种常用且有效的纹理描述方法，具有很强的鲁棒性，基本原理是计算局部窗口领域内不同像元的灰度相关性。一般情况下，不直接用灰度共生矩阵表示纹理图像，而是通过统计的方法得到纹理特征，文本选取的是同质度(Homogeneity)、角二阶矩(Angular Second Moment)两种特征。

1.2.3 特征差异向量

通过对时相t1与时相t2的特征影像进行差值计算，可以得到特征差异向量，设时相t1中第n波段的某一特征影像为fn(t1)，时相t2中第n波段的同一特征影像为fn(t2)，则可以得到该特征的差异向量：

(1)

此特征的变化强度可以用欧氏距离||D||表示，即两期遥感影像的差异图，每一类特征都能生成一副差异图，如图3所示，代表两期影像的变化程度。

图3 特征差异图

2 试验及分析

本实验数据为某地区2019年、2020年同一季节的北京二号高分辨率卫星影像，2019年影像仅有红、绿、蓝3个波段，2020年影像有近红外、红、绿、蓝四个波段。影像大小为14 606像素×8 729像素，分辨率为0.8 m。使用的矢量数据为相同区域2019年地表覆盖矢量数据。试验区包含种植土地、林草地、道路、河流水面、房屋建筑区、构筑物、人工堆掘地等多种地类。

2.1 预处理

先对两期的原始光学影像分别进行辐射校正，再基于DEM进行正射几何校正。由于研究区跨过了不同景的图像，因此先进行粗配准、几何精纠正、图像拼接和粗裁剪，然后对两期图像进行匹配，并根据研究区范围对配准后的两期数据进行裁剪，最后对两幅影像进行相对辐射校正。

2.2 变化图斑提取

利用面向对象的变化检测方法对经过预处理的影像进行处理，包括影像分割、特征提取、差异图生成、阈值分类等步骤，提取变化图斑。自动阈值效果往往都不理想，本文通过目视解译判断效果，对强度差异图和纹理差异图分别人工设置一个合理的阈值，变化强度大于阈值的为变化区域，小于阈值的为非变化区域，并合并两类特征差异的提取结果，如图4所示。

图4 变化图斑

2.3 结果统计与分析

将两套结果进行合并如图5所示，将合并后的变化图斑与人工勾勒的参考标准图斑进行对比。

图5 结果对比

将本文方法的变化检测结果与参考标准变化图比较，进行精度评定。经过统计，试验区共检测出变化图斑1 918个，漏检图斑56个，漏检率为2.92%，虚检图斑295个，虚检率为15.38%。

试验结果表明本方法实现了变化图斑的自动提取，取得较好的效果，但依然存在部分漏检和虚检。主要有以下原因：

(1)光照导致的变化

不同时期的影像成像条件存在差异，从而产生图像辐射值变化，进而影响变化检测的结果，产生伪变化，如图6所示。

图6 光照原因造成的虚检

(2)影像质量或植被种植造成的影像变化

由于影像质量、植被种植等多种因素的影响，不同植被地类在影像中会存在异谱同物(图7)或同谱异物(图8-图9)现象。使得未发生变化的地类被识别为变化区，或已发生变化的区域因纹理、光谱接近而未被识别。这种植被种植或覆盖度造成的影像变化不能仅仅依靠纹理特征来确定，需要结合实际情况考虑，进行人工判断。

图7 植被覆盖度不同导致的变化

图8 2019年不同类型植被影像特征差异明显

图9 2020年不同类型植被影像特征基本一致

3 结 语

本文利用两张不同时相的高分辨率光学影像对地表覆盖变化情况进行了检测，实现了变化图斑的自动提取。实验过程中我们发现：① 本文检测方法无须大量样本训练模型，仅基于影像光谱和纹理特征进行自动解译，提取变化信息，自动化程度更高。但对不同影像进行变化检测很可能会得到不同精度的结果，这就需要大量实验来找到适应能力强的最优方法，对作业员经验要求较高。② 近红外波段非常重要，可以弥补基于真彩色灰度、纹理特征识别地物的不足。③ 植被的变化检测是地理国情监测的一个难点，本文检测方法目前很难做到各类植被之间变化信息的有效识别。本文研究的检测方法为地理国情监测变化信息识别提供了一种快速检测的方法，但也存在不足，即植被变化识别的质量不高。因此，本变化检测方法可用于检查人工解译的错漏，不能完全代替人工判读解译。