基于遥感影像的校园周边建筑物变化检测研究

陈利国, 王一同, 牛雨欣, 王昊丰, 顾玲嘉

(吉林大学 电子科学与工程学院, 长春 130012)

0 引 言

随着遥感技术的快速发展, 高空间分辨率的遥感影像在土地利用调查、 城市规划、 环境监测等方面得到广泛应用[1]。为增进我校学生对该领域的了解, 提高学生的科研创新能力, 笔者在吉林大学大学生创新训练计划的资助下, 进行了基于遥感影像的校园周边建筑物变化检测方面的研究。

基于遥感影像的建筑物变化检测是指使用辅助数据, 对同一地点不同时相的多幅遥感影像数据中地物特征的变化进行定量、 定性的分析,得出建筑物变化信息与变化过程[2]。建筑物是遥感图像中一类特殊的地物, 具备鲜明的纹理特征[3]。为提高分类精度, 在分类的过程中要把地物的像素信息、 特征信息有效结合[4]。在城镇区域的高分辨率遥感影像中, 建筑物占据了80%以上的面积[5]。在城市地理数据库中, 建筑物是最易变化和最需更新的部分[6], 校园对城市发展的影响, 可通过检测建筑物变化情况进行研究； 同样也可运用于其他领域, 如观测城市变化, 因此笔者的研究工作具有较大的现实意义。目前, 面向对象分类、 监督分类和非监督分类都是国内外利用较多的分类方法[7]。本实验选取不同时间段的高分辨率遥感图像, 使用支持向量机等4种经典方法和VGG(Visual Geometry Group)神经网络分别对遥感影像中的建筑物进行提取与分析, 将建筑物提取结果与建筑物分布实际数据进行对比, 进而提高算法精度。观测校园周边建筑变化和夜间微光数据变化情况, 为研究“学区房效应”提供参考, 并为研究城市变迁和人类活动提供有效的参考信息。

1 实验区域及图像预处理

高分辨率遥感影像数据有助于人们对建筑物的占地面积、 动态变化、 区域分布等方面进行研究[8]。经过对国内外高分辨率遥感图像的多次对比, 笔者选取了高分二号卫星的高分辨率遥感影像作为日间数据源, 高分二号基本信息如表1所示。高分二号卫星是一颗宽幅民用遥感卫星, 分辨率可达到亚米级, 它是根据资源卫星CS-L3000A设计的, 净重量2.1 t, 设计寿命经过延长后为5～8年； 配有4 m多光谱和两台1 m全色相机, 实现全色段、 多光谱成像, 并连接成像[9]； 侧摆为零时, 仅需69 d即可对全球进行全面观察, 侧摆23°时, 5 d内即可重访到全球任何一个国家或地区, 可快速收集更新所需要观察的该区域的远程数据。高分二号卫星在遥感调查与监测、 城乡精细化规划、 农作物估产、 森林资源调查等领域发挥重要作用。

笔者选择吉林一号卫星提供的高分辨率遥感影像作为夜间微光数据, 吉林一号基本信息如表2所示。吉林一号由一颗光学A星、 一颗灵巧验证星和两个灵巧视频星组成[10], 并使国内遥感影像数据资源更加丰富, 打破了国外卫星如WorldView等高分辨率卫星的垄断[11]。其主要用途是城市小范围精细化定量遥感建模与城市微小光源辨认, 在人类行动监测及城市建设状况、 监控住房空置率、 光源辨识、 耗电量检测[12]、 灾害勘察、 通讯和粮食产量评估等方面, 能为决策者提供有效的地质信息。吉林一号卫星夜光模式提供的夜间灯光影像分辨率为12 000×5 000像素, 夜光模式具备敏捷机动能力, 一次成像可以利用多次机动, 中型城市基本可以完成全覆盖。与DMSP-OLS(Defense Meteorological Satellite Program-Operational Linescan System)和NPP-VIIRS(National Polar-orbiting Operational Environmental Satellite System Preparatory Project-Visible Infrared Imaging Radiometer Suit)相比, 有两大优势： 1) 极高的空间分辨率; 2) 拥有红色波段(580～723 nm)、 绿色波段(489～585 nm)、 蓝色波段(437～512 nm)3个可见波段[13]。

表1 高分二号卫星参数

表2 吉林一号卫星参数

图1 图像预处理流程图Fig.1 Flow chart of image preprocessing

笔者以2015年5月15日、 2016年11月22日、 2017年4月29日、 2018年12月26、 2019年9月8日高分二号(GF-2)卫星拍摄的某小学周边地区日间卫星影像为实验数据, 该时间段空气质量良好, 天空云量较少, 可获得较为准确的地表信息。GF-2遥感图像数据预处理步骤为： 辐射定标、 正射校正、 图像融合、 大气校正和图像裁剪, 图1为预处理流程图。辐射定标是指获取传感器记载的电压或数字量化值, 并将其改变成地表(表观)反射率、 辐射亮度、 亮度温度的过程。经辐射校正后, 卫星数字量化值转换为有实际意义的值。正射校正是利用倾斜改正和投影差改正, 校正图像空间和几何畸变。经过正射校正, 遥感图像可去除地形因素干扰。融合多光谱影像与全色影像, 可综合多个传感器获取的影像信息, 得到具备高光谱分辨率和高空间分辨率的图像[14]。

为避免空气和光线等要素干扰地物反射获取地物反射率、 辐射、 地表温度等现实物理模型参数, 应对图像进行大气校正。感兴趣区域目标可通过图像裁剪保存[15]。最后, 裁剪预处理完成的遥感影像数据, 选取某小学周边的实验数据。如图2所示为预处理后的不同时相某小学周边高分二号遥感数据。

图3为不同时相的某小学周边吉林一号夜间微光数据。

图2 高分二号某小学周边高分辨率遥感图像Fig.2 GF-2 remote sensing data of the area around the school

图3 吉林一号吉大某小学周边夜间微光数据Fig.3 JL1-3B night time glimmer data of the area around the school

2 实验方法

首先, 预处理遥感图像并对其切割裁剪； 然后, 采集校园周边建筑物的特点, 制作样本数据集。笔者使用支持向量机法、 随机森林法、 最大似然法和阈值法等4种经典方法以及VGG神经网络对数据集中的建筑物进行提取, 并对分类结果进行精度分析。评价算法精度时采用了错分误差(CE: Commission Errors)、 漏分误差(OE: Omission Errors)、 总体精度(OA: Overall Accuracy)和Kappa系数等指标。采用最优算法, 统计分析校园周边建筑物的分布情况； 并通过吉林一号不同时相的夜间微光数据, 辅助说明建筑物的居住情况和居民活动情况。图4为分类总体流程图。

图4 分类流程图Fig.4 Flow chart of classification

2.1 支持向量机法

支持向量机(SVM: Support Vector Machines)法善于解决处理小样本、 非线性和高维模式识别问题, 在监督分类方法中非常具有优势[16], 基于VC维(Vapnik-Chervonenkis dimension)理论和统计学中的结构风险最小原理, 求取样本求解的最大边距超平面, 采用支持向量机结合监督学习的方法对遥感数据进行二元分类。这个超平面能分离两种不同类别的数据, 而运用核函数则可搜索最优分类边界, 所以支持向量机法的一个重要问题是找到核函数。

线性核函数计算公式

K(x,y)=αxy

(1)

多项式核函数计算公式

K(x,y)=α(xy+β)λ

(2)

高斯核函数计算公式

K(x,y)=exp(-α‖x-y‖2)

(3)

Sigmoid计算公式

K(x,y)=tanh(αxy+β)

(4)

其中α,β,λ为自定义函数。

2.2 随机森林法

随机森林法是一款有效的机器学习算法, 其具备多个决策树, 个别树的输出类别的众数确定了其输出类别, 受噪声及异常值的干扰较弱[17], 可在没有超参数调优的多数情况下得到优良的结果。随机森林算法有扎实的理论基础, 而又十分易于建立, 所以适用范围广, 且不用做出特征选择就能处理较高维度的数据。

随机森林法的基本思想是： 每棵决策树都是一个分类器, 在给定数量的原始样本集中, 选用bagging算法采集n个样本, 组成一个新训练集。在原始特征向量中, 对随机m个特征算得增益, 得到最优特征。基于新训练集和最优分类特征构建决策树。重复N次就有N个分类结果, 随机森林可集成所有分类结果, 次数最多者通过简单的投票机制后会被确定成最终结果。

2.3 最大似然法

最大似然估计法稳定性高、 工作量小、 分类速度快, 是遥感图像监督分类识别中的一种经典算法[18]。在该算法中, 建筑物的量度是光谱特征向量, 在光谱特征空间中寻找相应特征点, 将同一种类的特征点组成点集, 而且该集合的分布会服从一种概率。把图像中不同集合条件概率值的大小进行比对, 选取使该点集出现的概率最大的参数作为估计的真实值。

2.4 阈值法

阈值法可利用灰度统计信息, 采用阈值分割的方式实现目标提取[19], 其包括全局阈值分割法和局部阈值分割法, 这里采用全局灰度分割法, 该方法常被用于单波段灰度图像的分类。灰度图像上, 不同物质用不同像元值范围的像元代表, 将一个范围的像元从图像上分离作为建筑物区域, 则另一范围内的像元则被分离作为非建筑物区域。这种分类方法无论是原理还是操作方法都十分简单, 但误差相对较大。

2.5 VGG神经网络

连续的卷积层、 池化层、 全连接层与Dropout层组成了VGG的网络结构。3×3的小卷积核被VGG的全部层运用, 且设卷积层步长为1。VGG全部网络都使用了同样的卷积核尺寸(3×3)和最大池化尺寸(2×2), 其构成简约。数个小滤波器(3×3)卷积层的组合优于一个大滤波器(5×5或11×1)卷积层, 因为这样可增强判决函数的判决性且参数较少[20]。

笔者搭建了9层VGG神经网络提取建筑物, 如图5所示。本项目是基于像素点对建筑进行识别, 神经网络的深度受选择数据的波段数目的限制。高分二号数据具有4个波段, 分别是红、 绿、 蓝和近红, 笔者选择5景数据, 组成20个波段, 识别建筑。

图5 VGG神经网络结构Fig.5 Structure of VGG neural network

3 实验结果及分析

3.1 算法精度分析评估

利用4种经典方法对不同时相的某小学周边地区遥感数据进行建筑物提取, 得到的分类结果分别如表3～表6所示。在4类经典方法中, 分类精度最高的是随机森林法, 总体精度(OA)都在80%以上, 分类结果如图6所示。原因在于随机森林法具有严密的理论基础, 且决策树易于建立, 能在无特征选择的情况下处理高维数据, 且不易过拟合。支持向量机法在总体上精度(OA)较高, 但Kappa系数较低。而且支持向量机法耗时较长, 原因是SVM求解支持向量时要使用二次规划, 而求解二次规划需要计算m阶矩阵(m为样本的个数), 如果样本数目巨大, 很多内存会被核矩阵与训练样本占据, 计算矩阵的时间将被大大延长。阈值分割法的准确度整体上低于随机森林法, 若不同的样本具有相近或相同的灰度值, 用阈值法对图像进行分类会得出不准确的结果。由于遥感信息具有十分复杂的分布特征,当特征空间中分布着离散的目标类别时, 得到的结果不能符合预先假设的情况； 或选取代表性差的样本, 所得结果与实际数据偏差较大。

从表3中可以看出, 各算法对2016年11月12日和2018年12月26日的高分辨率遥感数据的分类精度最低, 原因在于这两个时期某小学周边地区高分辨率遥感影像中存在大量积雪, 增加了地表特征复杂性, 导致建筑物特征难以提取, 从而使分类精度降低。

表3 支持向量机法分类结果

表4 随机森林法分类结果

表5 阈值分割法分类结果

表6 最大似然法分类结果

图6 随机森林法分类结果Fig.6 Classification results of random forest algorithm

由于VGG神经网络对大样本数据分类时, 需占用大量内存资源并且耗时长, 所以笔者使用5种分类方法仅对部分实验数据中的建筑物进行了提取, 实验数据如图 7所示。分类结果精度分析如表7～表11所示。分类效果最佳的是VGG神经网络, 总体精度(OA)均高于84%, Kappa系数均大于0.55, 分类结果如图8所示。VGG神经网络对2016年11月12日和2018年12月26日的高分辨率遥感数据的分类精度没有出现明显降低, 克服了积雪对建筑物特征提取的影响。原因是笔者将5幅不同时相的高分二号数据进行波段融合, 突出了不同类别的特征。鉴于VGG神经网络算法在对大规模高分辨率遥感图像数据进行建筑物提取时, 对电脑运行速度和内存要求较高, 运行时间较长, 因此可优先选用随机森林法； VGG神经网络法更适合对规模较小的图像数据进行建筑物提取。

图7 实验数据Fig.7 Experiment data

表7 VGG神经网络分类结果

表8 支持向量机法分类结果

表9 随机森林法分类结果

表10 阈值分割法分类结果

表11 最大似然法分类结果

图8 VGG神经网络建筑物分类结果Fig.8 Building classification results of VGG neural network algorithm

3.2 夜间微光数据

根据吉林一号卫星拍摄的某小学周边地区夜间微光数据显示, 从2018-2020年某小学周边地区夜间灯光面积不断增大、 亮度不断增加, 由此可推断出： 校园可使其周边地区的建筑物数量逐渐增加、 建筑物密度不断加大、 经济发展和城市化进程不断加快。

同时要考虑到人类活动较于建筑物建设具有一定滞后性。教育资源分配不均的原因之一是“学区房效应”, 很多家长为追求优质教育资源争相在学校附近购买房源, 这也直接导致了很多“人户分离”现象的产生。因此, 仅通过建筑物变化的数据得出城市建筑物数量增加、 人口密度相应增加、 经济相应增速增大的结论是不准确的。在本实验中, 2018-2020年短短3年间微光数据的变化明显, 结合2015-2019年某小学周边建筑物占比变大这一现象, 可以最终得出结论。

3.3 建筑物变化检测分析

由于积雪原因, 随机森林法对于2016年11月12日和2018年12月26日的高分辨率遥感数据的分类精度较低, 所以笔者选用2015年5月15日、 2017年4月29日和2019年9月8日的高分二号遥感图像进行变化检测, 如图9所示为建筑物变化检测结果。在2015-2019年, 某小学周边建筑面积迅速增加。2015-2017年建筑物增加面积较大, 主要原因为小区的建设导致房屋面积迅速增加, 由此可以看出学校能带动周边地区发展。2017-2019年主要为小区建设进入末期, 建筑物面积的增加呈现零星分布。经过不同时期建筑物变化检测可以得出, 学校带动了周边建筑物数量的增长, 推动了经济的发展。

图9 变化检测结果Fig.9 Results of change detection

3.4 实验结论

笔者经过对不同算法提取分类精度的比较后, 选用了随机森林法对不同时相的某小学高分二号卫星遥感数据进行建筑物提取, 监测校园周边建筑物在不同时间的分布。2015年某小学周边建筑物占比13.884 883%, 2019年建筑物占比18.779 229%。小学的建设导致学区的建筑物面积迅速增加, 居住人口增多, 带动了周边经济的发展。因此, 建筑物的变化情况受学校影响很大, 对校园周边建筑物的动态监测是城市的未来规划的重要依据。日间城市卫星影像可清晰且直观的展现出校园周边建筑物的变化情况, 是非常有效的监测工具； 夜间微光数据提供了不同的检测角度, 丰富了实验观察的内涵, 使实验结论更加生动、 真实。因此, 采用日间、 夜间卫星数据相结合的检测手段对建筑物进行检测会使结论更具有说服力。通过观察校园周边建筑物变化和夜间微光数据变化情况可表明， 学校能促进周边地区的发展。

4 结 语

笔者以2018年10月18日、 2019年03月27日、 2020年04月04日吉林一号卫星拍摄的某小学周边地区夜间微光影像； 2015年5月15日、 2016年11月22日、 2017年1月15日、 2018年12月26、 2019年9月8日高分二号(GF-2)卫星拍摄的某小学周边地区日间卫星影像为实验数据, 使用不同分类方法提取出日间遥感图像中的建筑物信息, 并将该结果与实地情况进行了对比； 在对多种分类结果精度分析时, 采用了Kappa 系数、 总体精度等评价指标。

实验结果表明, 神经网络法在小规模遥感图像建筑物分类方面优于其他4种方法, 具有更高的可靠性和精确性； 而对大规模高分辨率遥感图像数据处理时可采用随机森林法。最后, 基于实验统计结果, 结合从2018-2020年的夜间微光影像图, 可以发现某小学周边建筑物数量增长速度较快、 人类活动愈加频繁, 从而可以说明校园对其周边地区的建筑物数量和人口活动的影响, 为城市规划提供了新思路。

参考文献：

[1]冯凡, 王双亭, 张津, 等. 基于尺度自适应全卷积网络的遥感影像建筑物提取 [J]. 激光与光电子学进展, 2021, 58(24): 451-462.

FENG Fan, WANG Shuangting, ZHANG Jin, et al. Building Extraction from Remote Sensing Imagery Based on Scale-Adaptive Fully Convolutional Network [J]. Laser & Optoelectronics Progress, 2021, 58(24): 451-462.

[2]冯磊. 基于高分辨率卫星遥感的城市典型地物变化监测 [D]. 沈阳: 东北大学资源与土木工程学院, 2014.

FENG Lei. Change Detection of Urban Typical Land Coverage Based on High-Resolution Satellite Remote Sensing [D]. Shenyang: School of Resources and Civil Engineering, Northeastern University, 2014.

[3]刘翼, 熊长征, 张安祺, 等. 基于多源遥感影像的高后果区变化发现与更新 [J]. 油气储运, 2021, 40(3): 293-299.

LIU Yi, XIONG Changzheng, ZHAN Anqi, et al. Discovery and Update in the Changes in High-Consequence Areas Based on Multisource Remote Sensing Images [J]. Storage and Transportation of Oil and Gas, 2021, 40(3): 293-299.

[4]冯昕, 杜世宏, 张方利, 等. 基于多尺度融合的高分辨率影像城市用地分类 [J]. 地理与地理信息科学, 2013, 29(3): 43-47.

FENG Xin, DU Shihong, ZHANG Fangli, et al. Urban Land Classification of High-Resolution Images Based on Multi-Scale Fusion [J]. Geography and Geo-Information Science, 2013, 29(3): 43-47.

[5]王明常, 朱春宇, 陈学业, 等. 基于FPN Res-Unet的高分辨率遥感影像建筑物变化检测 [J]. 吉林大学学报(地球科学版), 2021, 51(1): 296-306.

WANG Mingchang, ZHU Chunyu, CHEN Xueye, et al. Building Change Detection in High Resolution Remote Sensing Images Based on FPN Res-Unet [J]. Journal of Jilin University (Earth Science Edition), 2021, 51(1): 296-306.

[6]卢丽琛, 洪亮. 面向对象的高分辨率遥感影像建筑物变化检测 [J]. 牡丹江师范学院学报(自然科学版), 2021(1): 50-54.

LU Lichen, HONG Liang. Object-Oriented Detection of Building Changes Based on High Spatial Resolution Remote Sensing Image [J]. Journal of Mudanjiang Normal University (Natural Science Edition), 2021(1): 50-54.

[7]闫苗, 赵红东, 李宇海, 等. 基于卷积神经网络的高光谱遥感地物多分类识别 [J]. 激光与光电子学进展, 2019, 56(2): 191-198.

YAN Miao, ZHAO Hongdong, LI Yuhai, et al. Multi-Classification and Recognition of Hyperspectral Remote Sensing Objects Based on Convolutional Neural Network [J]. Laser & Optoelectronics Progress, 2019, 56(2): 191-198.

[8]张钰. 视觉认知启发的高分辨率遥感影像建筑区提取方法 [D]. 南京: 南京邮电大学通信与信息工程学院, 2020.

ZHANG Yu. A Method for Extracting Built-up Areas from High-Resolution Remote Sensing Images Inspired by Visual Cognition [D]. Nanjing: School of Communication and Information Engineering, Nanjing University of Posts and Telecommunications, 2020.

[9]王欢, 何涛, 宋旦霞. 基于高分二号数据和机器学习算法的中高分辨率植被覆盖度提取方法研究 [C]∥第七届高分辨率对地观测学术年会论文集. 长沙： [s.n.], 2020: 1-10.

WANG Huan, HE Tao, SONG Danxia. Research on Extraction Method of Medium and High Resolution Vegetation Coverage Based on Gaofen-2 Data and Machine Learning Algorithm [C]∥Proceedings of the 7th Annual Conference of High Resolution Earth Observation. Changsha, China： [s.n.], 2020: 1-10.

[10]朱熹, 刘黎明, 叶张林. 基于吉林一号卫星河道水质综合监测方法 [J]. 中国水运, 2020(9): 43-45.

ZHU Xi, LIU Liming, YE Zhanglin. Comprehensive Method for Detecting Quality of River Water Based on JL1-3B Satellite [J]. Chinese Water Transportation, 2020(9): 43-45.

[11]国策. 吉林一号卫星影像几何校正方法研究 [D]. 长春： 吉林大学地球探测科学与技术学院, 2019.

GUO Ce. Research on Geometric Correction Methods of Jilin-1 Satellite Image [D]. Changchun: College of Geo-Exploration Science and Technology, Jilin University, 2019.

[12]张国亮, 朱瑞飞, 杜一博, 等. 吉林一号高分辨率夜光遥感影像在城市监测中的应用 [J]. 卫星应用, 2020(3): 27-33.

ZHANG Guoliang, ZHU Ruifei, DU Yibo, et al. Application of JL1-3B High-Resolution Night Glimmer Remote Sensing Images in Urban Detection [J]. Satellite Application, 2020(3): 27-33.

[13]成斌. 基于吉林一号夜间灯光遥感影像的路灯提取与太阳能路灯应用潜力评估 [D]. 上海： 华东师范大学地理科学学院, 2020.

CHENG Bin. Automated Extraction of Street Lights from JL1-3B Nighttime Light Data and Assessment of Their Solar Energy Potential [D]. Shanghai: School of Geographic Sciences, East China Normal University, 2020.

[14]陈毛毛. 基于深度学习的遥感图像空谱融合研究 [D]. 哈尔滨： 黑龙江大学电子工程学院, 2020.

CHEN Maomao. Research on Remote Sensing Images Spatial-Spectrum Fusion Based on Deep Learning [D]. Harbin: College of Electronic Engineering, Heilongjiang University, 2020

[15]任欣磊. 基于遥感影像的铁路沿线建筑物变化监测研究 [D]. 兰州: 兰州交通大学电子与信息工程学院, 2020.

REN Xinlei. Research on Building Change Monitoring along Railway Based on Remote Sensing Image [D]. Lanzhou: School of Electronic and Information Engineering, Lanzhou Jiaotong University, 2020.

[16]杨泽青, 王春方, 彭凯, 等. 基于深度支持向量机的曲轴智能识别方法 [J]. 计算机集成制造系统, 2021, 27(6)： 1629-1640.

YANG Zeqing, WANG Chunfang, PENG Kai, et al. Crankshaft Intelligent Recognition Method Based on Deep Support Vector Machine [J]. Computer Integrated Manufacturing Systems, 2021, 27(6)： 1629-1640.

[17]夏子书, 白一茹, 王幼奇, 等. 基于GIS和随机森林算法的宁东土壤饱和导水率分布与预测 [J]. 水土保持学报, 2021, 35(1): 285-293.

XIA Zishu, BAI Yiru, WANG Youqi, et al. Distribution and Prediction of Soil Saturated Hydraulic Conductivity in Ningdong Based on GIS and Random Forest Algorithm [J]. Journal of Soil and Water Conservation, 2021, 35(1): 285-293.

[18]尼加提·穆合塔尔, 周迪, 余洁, 等. 人工神经网络在高分影像防沙带识别中的应用 [J]. 地理空间信息, 2021, 19(1): 13-17.

NIJAT MUHTAR, ZHOU Di, YU Jie, et al. Application of Artificial Neural Network in Anti-Desertification Belt Identification in High-Resolution Images [J]. Geospatial Information, 2021, 19(1): 13-17.

[19]杨博. 复杂海空环境舰船目标光学遥感成像特性建模及检测方法研究 [D]. 哈尔滨: 哈尔滨工业大学航天学院, 2020.

YANG Bo. Research on Optical Remote Sensing Imaging Characteristics Modeling and Detection Method of Ship Targets in Complex Sea and Air Environment [D]. Harbin: School of Aeronautics, Harbin Institute of Technology, 2020.

[20]李琦. 基于面向对象和深度学习的矿区无人机影像地物提取 [D]. 北京: 北京林业大学信息学院, 2020.

LI Qi. Surfaces Features Extraction on Mining Area Image Based on Object-Oriented and Deep Learning Method [D]. Beijing: School of Information, Beijing Forestry University, 2020.