遥感影像变化检测在基础测绘中的应用

吴 越 丁 婷

(江苏省基础地理信息中心, 江苏 南京 210013)

0 引言

基础测绘是为经济建设、国防建设和社会发展提供地理信息的基础性、公益性事业,是经济社会可持续发展的重要支撑[1]。基础测绘工作,作为提高我国社会发展建设水平的重要环节,直接关系到城市规划、国土空间等领域基础信息采集、农村土地所有权的确认。基础测绘成果在建筑工程领域得到了广泛应用[2]。随着我国数字社会建设步伐不断加大,基础测绘在“一带一路”、长江经济带建设、区域协同发展战略、乡村振兴等重大实施建设中都发挥了基础先行作用,提供有力支撑。基础测绘深入参与了空间基准、海岛礁测绘、测绘卫星发射等重大工程,在军民融合发展战略实施中发挥了重要作用。基础地理信息数据公益性、基础性作用日渐突出[3],社会各界对基础测绘也愈加重视[4],对基础测绘数据的现势性的要求也越来越高[5]。

传统基础测绘数据更新是通过人工逐影像、逐网格地对比矢量数据与影像数据,发现并修改变化要素,该方式生产周期长、生产成本高,更新易存在丢漏。随着城市建设的快速发展,如何快速、有效、准确地获取地形、地貌的变化范围[6],以及如何解决大区域丢漏更新、提升数据质量的问题,对我国的可持续发展具有十分重要的意义[7]。

1 遥感影像变化检测

遥感数据已经成为变化制图的宝贵资源[8],为基础测绘常态化的可持续更新提供数据基础[9]。遥感影像变化检测根据不同规则有多种分类方法,不同学者从不同角度对遥感变化检测方法进行了总结。李德仁等[10]根据数据类型的不同将遥感变化检测划分为：基于新影像和旧数字线划图、基于不同时相新旧影像、基于新旧影像和旧数字线划图、基于新多源影像和旧影像/旧地图与不同时相立体像对的变化检测方法;根据变化检测处理的信息层次将变化检测方法划分为像素级、特征级和目标级三个层次;根据采用的数学方法将变化检测方法分为代数运算法、分类法、变换法、高级模型法、地理信息系统(geographic information system,GIS)法、可视化分析法[11];根据影像是否分类将变化检测方法分为直接比较法和分类后比较法两类[12]。遥感图像分类方法主要是监督分类和非监督分类[13]。根据检测是否需要先验经验,可分为监督变化检测和非监督变化检测。

本研究结合矢量数据与遥感影像,开展面向对象的遥感影像变化检测,通过分类后比较法得出变化区域。其包括如下内容：

(1)多尺度分割。利用矢量数据和新时期遥感影像,对影像进行多尺度分割,保证像斑“类内特征相同,类间特征相异”。

(2)像斑特征提取。提取两期影像同质像斑的光谱、纹理、形状等特征,构建特征空间。对初始构建的特征空间进行优化,选取最佳特征组合。

(3)变化检测。基于像斑特征,对像斑进行非监督分类,将得到的分类结果与本底矢量数据进行叠置分析以获得变化结果。

1.1 多尺度分割

多尺度分割以异质性最小准则为基础将目标影像中的任意像元与相邻像元进行合并,当两者异质性比参数的平方大的时候合并过程结束,否则继续合并[14]。关键参数为分割尺度,分割尺度用于量测两个对象合并时异质性改变的最大值,分割尺度越大得到的对象越大,反之亦然。异质性因子由形状异质性因子与光谱异质性因子组成,形状异质性由光滑度因子和紧致度因子组成。

(1)光谱异质性

(1)

式中,wc表示层的权重;c表示波段数;σc表示方差。

(2)形状异质性

形状异质性由光滑度因子hsmooth和紧凑度因子hcompact组成：

(2)

式中,hshape代表影像对象区域形状异质性;ωc为紧凑度因子hsmooth的权重,其中0≤ωc≤1。

(3)光谱和形状异质性的关系

(3)

式中,hcolor代表光谱异质性参量;ω代表光谱异质性权重,0≤ω≤1;f代表影像对象的总异质性值;hshape代表形状异质性参量。

1.2 非监督分类

非监督分类,也称为聚类分析或点群分析,即在多光谱图像中搜寻、定义其自然相似光谱集群组的过程[15]。非监督分类不需要人工选择训练样本,仅需极少的人工初始输入,按照一定规则自动地根据像元光谱或空间等特征组成集群组,将每个集群组和参考数据比较,将其划分到某一类别中去。

遥感影像的非监督分类一般包括6个步骤,如图1所示。

图1 非监督分类流程

1.3 变化检测

针对遥感影像的变化检测,本文利用新的遥感影像结合已有的本底矢量数据,分别利用棋盘分割与多尺度分割,得到在矢量数据约束下与影像光谱特征一致的图斑。利用非监督分类构建规则集,将图斑分割后分类为构筑物、水系与植被三大类。利用分类后矢量数据与本底矢量数据进行空间叠置分析,得到变化检测结果。本文的整体技术路线见图2。

图2 变化检测技术路线图

2 实验过程

2.1 实验区概况

实验区域位于江苏省淮安市清江浦区,实验影像为高分二号卫星,全色影像分辨率为0.81 m,多光谱影像分辨率分3.2 m。

2.2 结果与分析

图3(a)为利用矢量数据对影像进行棋盘分割的结果,分割结果的边界与矢量数据完全一致,但是存在矢量范围内地物已发生变化,与影像光谱并不相符的情况。因此,在保持边界完整性的同时,利用多尺度分割进一步细化分割结果,使得像斑内光谱特征趋于一致。最终分割结果见图3(b)。

(a)棋盘分割 (b)多尺度分割

影像分割后,利用非监督分类的方法进行分类,利用光谱、纹理、形状等特征将影像分成构筑物、水系及植被3类,分类结果示意图见图4。

(a)构筑物 (b)水系 (c)植被

分类后,将旧时期矢量数据与影像分类结果进行叠置分析,为有效检测出变化图斑,进行了如下筛选：①设置了2 500 m2面积阈值,当变化图斑面积低于阈值,则变化图斑自动剔除;②为提高对水体图斑变化的检测准确度,剔除了水体中因漂浮植被季节性生长引起的变化图斑。

2.3 精度验证

基于人工提取的两期矢量数据,对本文方法得到的结果进行验证。通过对比分析两种方法获取的检测结果,见表1。利用本文方法共得到244个变化图斑,其中210个与矢量数据检测结果一致,符合率达到0.861。

表1 比对结果

3 结束语

在基础测绘定期更新和专题更新任务生产过程中,利用面向对象的技术对遥感影像变化检测,快速获取变化区域。基于所得的变化图斑,作业人员可以有效地提高数据生产作业的作业效率,检查人员在检查作业中也能有直观的数据参考。从变化检测符合率来看,检测结果有着较高的符合率,在基础测绘生产实践中对数据质量的提升有着直接帮助。