結合紋理信息的高分辨率遙感圖像變化檢測方法

王東廣，肖鵬峰，宋曉群，王鐵成，陳 剛

(1.南京大學地理信息科學系，南京 210093;2.江蘇省國土資源信息中心，南京 210029;3.江蘇省測繪工程院，南京 210013)

結合紋理信息的高分辨率遙感圖像變化檢測方法

王東廣1，肖鵬峰1，宋曉群2，王鐵成3，陳 剛1

(1.南京大學地理信息科學系，南京 210093;2.江蘇省國土資源信息中心，南京 210029;3.江蘇省測繪工程院，南京 210013)

高分辨率遙感圖像的紋理信息同光譜信息一樣能有效地用于檢測變化信息，而一些基于中低分辨率遙感圖像的變化檢測方法多以光譜信息為研究對象，忽略了圖像中的紋理信息。針對這一問題，嘗試將高分辨率圖像的光譜信息與紋理信息一起用于“差值主成分變化檢測”方法中，一方面借助高分辨率圖像間紋理信息的差異獲取變化區域內部的細節信息，以彌補高分辨率圖像間光譜區分度相對不足的缺點;另一方面借助紋理信息在變化區域內部的連結作用，對變化檢測結果進行狹窄缺口連結、內部孔洞填充等后續處理，從而使檢測結果更加完整。實驗結果表明，該方法對光譜反射信息相近、但紋理信息有較大差異的變化區域具有良好的檢測效果。

變化檢測;高分辨率遙感圖像;紋理信息;差值主成分變換

0 引言

近年來，利用遙感技術獲取土地利用變化信息已經成為國土部門進行國土資源監察的重要手段;特別是隨著遙感技術的發展，高分辨率遙感圖像的出現為土地利用變化信息檢測提供了更為有效的數據。伴隨著遙感圖像空間分辨率的提高，圖像中包含的紋理信息更加豐富了，但相比之下光譜分辨率卻略顯不足。然而，高分辨率遙感圖像的紋理信息同光譜信息一樣能有效地用于變化信息檢測，而一些基于中低分辨率遙感圖像的變化檢測方法多以光譜信息為研究對象，忽略了圖像中的紋理信息。鑒于高分辨率遙感圖像的以上特點，針對中低分辨率遙感圖像變化信息檢測方法用于高分辨率圖像時存在的局限性，需要對已有的高分辨率遙感圖像變化檢測方法做進一步的改進［1］。

目前，各國學者提出的基于遙感圖像的變化檢測技術可歸納為直接比較法和分類后比較法［2］2類。其中，直接比較法又分為代數運算法(差值法與比值法)、主成分分析法和變化向量分析法等［3－4］。多項研究和實踐證明，目前還沒有哪種方法被普遍認為是最優的變化檢測技術［5］。結合高分辨率遙感圖像具有空間分辨率高、紋理信息豐富但成像波段較少的特點，已有很多研究者考慮將圖像的紋理信息與光譜信息相結合用于變化信息檢測，如在變化向量分析法中利用紋理信息與光譜信息復合計算土地利用/覆蓋變化強度［5－6］、在分類后比較法中將紋理信息加入分類光譜中［7－8］以改善土地利用變化的遙感監測精度。這些研究結果都表明，紋理信息同光譜信息的結合應用能夠提高土地利用信息變化檢測的精度。

為進一步充分利用高分辨率遙感圖像的光譜信息和紋理信息，本文嘗試在“差值主成分變化檢測”方法中引入圖像紋理信息，將其作為圖像光譜波段的衍生波段，與光譜波段一起用于土地利用信息變化檢測，以期提高高分辨率遙感圖像變化檢測的精度。

1 實驗區及圖像數據

實驗區位于江蘇省常州市新北區孟河鎮。該鎮民營經濟活躍，是聞名全國的汽車、摩托車配件重點生產基地。隨著經濟的快速發展，該地區在短時間內土地利用類型發生了較大變化，特別是工業用地與建設用地數量激增。因此，選擇該區作為土地利用變化檢測的高分辨率實驗區具有典型性。

覆蓋實驗區的高分辨率遙感圖像數據分別為2008年獲取的航攝圖像與2010年獲取的QuickBird衛星遙感數據的B3(R)，B2(G)，B1(B)真彩色合成圖像，圖像大小為2568像元×2016像元(圖1)。其中航攝圖像的空間分辨率為0.5 m，QuickBird衛星圖像經重采樣處理后的空間分辨率為0.5 m。

圖1 實驗區遙感圖像Fig.1 Remote sensing images of study area

2 土地利用變化信息檢測

首先對2期遙感圖像進行幾何配準和相對輻射校正等預處理;在分別提取2期圖像的紋理特征并將2期圖像各波段的紋理特征與光譜特征對應做差值運算、得到紋理與光譜差值圖像后，將其疊合為1幅差值圖像;最后對該差值圖像做主成分變換處理，選取差值主成分變換后的第一主分量進行閾值分割及后續處理，最終獲得土地利用變化信息圖像。變化信息檢測流程如圖2所示。

圖2 差值主成分變化檢測流程圖Fig.2 Flow chart of change detection by difference principal component transformation

2.1 圖像預處理

基于直接比較的變化檢測對圖像幾何配準的精度要求較高，圖像間的幾何配準誤差應該控制在0.5個像元以內，否則會影響變化檢測的精度［8］。本文選用多項式幾何模型法對2幅圖像進行配準處理，在圖像中均勻選取了15個同名點用于多項式系數的計算，經系統檢驗，圖像的配準誤差控制在0.3個像元以內。

本文所用圖像來自不同的遙感平臺和傳感器，因此有較大的輻射差異，這將會對變化檢測產生很大的影響［9］。為消除這種輻射亮度差異，選用直方圖匹配法對2幅圖像進行了相對輻射校正(其中，以成像效果較好的2010年QuickBird衛星圖像作為參考圖像，以2008年的航攝圖像作為待匹配圖像)。

2.2 紋理特征提取

在遙感圖像中，紋理信息表現為圖像灰度在空間上的重復性變化，或圖像中反復出現的局部模式及其排列規則［1］。目前已有多種圖像紋理信息的提取方法，其中Haralick等［10］提出的灰度共生矩陣計算法的應用最為廣泛。灰度共生矩陣是通過對灰度等級之間聯合條件概率密度 P(i，j，d，θ)的計算表示紋理特征;P(i，j，d，θ)表示在給定空間距離 d和方向θ時、以灰度i為始點出現灰度j的概率。灰度共生矩陣的這種考慮周邊像元統計關系的計算方法，能有效地避免單個像元受到的天氣、傳感器的影響［5］。

Haralick等一共定義了14種紋理特征計算方法，本文選取其中的6種常用紋理特征統計量，即:均值(mean)、均一性(homogeneity)、對比度(contrast)、熵(entropy)、灰度相關(correlation)和方差(variance)，分別以3像元×3像元、5像元×5像元和7像元×7像元窗口提取2期圖像中可見光波段(紅、綠、藍)的紋理特征數據;然后，將提取到的6類紋理特征數據按照對應的波段和提取窗口的尺寸分別做差值運算，形成紋理差值圖像。對紋理差值圖像的目視對比后發現，對比度和方差相對于其他4種紋理統計量能更有效地反映2期圖像中紋理信息的差異;并且還發現，紋理提取窗口為3像元×3像元時可獲得更多紋理差異的細節信息。因此，本文以3像元×3像元的窗口對2期圖像的紅、綠、藍3個波段分別獲取各自的對比度fCON和方差fVAR紋理特征數據(共6層)，計算公式分別為:

式中:i，j為灰度級;d，θ分別為灰度共生矩陣的生成步長和方向;P(i，j，d，θ)為聯合條件概率密度;m 為 P(i，j，d，θ)的均值。為使紋理特征數據與光譜數據具有相同的取值區間，需要對紋理數據進行歸一化處理［11］，計算公式為

式中:DN，DN'分別為歸一化處理前、后的像元值;DNmax，DNmin分別為歸一化處理之前的最大、最小像元值。

2.3 變化信息檢測

2.3.1 差值運算

將從2期圖像上提取到的紋理數據(6層)與光譜數據(3層)按照對應波段分別進行差值處理，計算公式為

式中:i，j為像元坐標值;k為波段編號;t1，t2為2個時相;(t1)為t1時相第k波段圖像中坐標值為(i，j)點的像元灰度值。

對2期圖像的紋理與光譜數據做差值處理之后，得到的差值圖像中集中了絕大部分的變化信息，并且濾除了圖像中相同的背景部分［12］。

2.3.2 主成分變換

將經差值處理后獲得的9層差值圖像疊合成為1幅含有9個波段的差值圖像。由于疊合后該圖像各波段之間存在著很大的相關性，為減少數據冗余并獲取主要的變化信息，需要對其進行主成分變換處理。經主成分變換后的第一主成分(圖3)的方差貢獻率已達到85.5% ，這表明第一主成分集中了差值圖像的主要信息(即原2個時相圖像的主要差異信息)，而其他各主成分則主要表現為噪聲，因此選擇第一主成分作為閾值處理的對象。

圖3 第一主成分差值圖像Fig.3 Difference image of PC1

2.3.3 閾值分割

經主成分變換后獲得的第一主成分差值圖像中仍存在很多偽變化信息，因此需要確定變化閾值以區分變化像元與非變化像元。本文采用均值標準差法獲取變化閾值，將差值圖像中的灰度值C滿足式(5)要求的像元視為變化像元，將其賦值為1;非變化像元則賦值為0。即

式中:M與STD分別為第一主成分差值圖像灰度統計的均值與標準差;T為需要確定的倍率值，已有實驗結果表明［4，13］，T 的最佳取值范圍為［0.5，2］。本文以0.2為變化步長在這一范圍內進行對比實驗，最后確定T=1.3時可取得最佳的閾值分割效果。

從閾值分割所獲得的變化檢測結果(圖4)中可以看出，發生變化的大面積區域多為新增建設用地(如新建住宅小區以及工廠廠房等);較小的變化圖斑則為偽變化信息(如河道中船只位置的變動、農田中地表覆蓋物的變化、道路的拓寬以及因圖像幾何糾正誤差產生的偽變化信息等)。

圖4 變化檢測結果Fig.4 Result of change detection

2.3.4 后續處理

經閾值處理后的變化檢測結果比較破碎，變化區域形狀提取得不夠完整，同時存在大量面積較小的變化圖斑。為消除小面積圖斑的影響，同時對大面積變化區域內部的破碎圖斑進行連結和填充，需要對變化檢測結果進行后續處理:①形態學閉運算。設定結構元素為7像元×7像元大小的窗口，對變化檢測結果進行形態學閉運算(即先膨脹、后腐蝕)處理，以消除狹窄缺口，生成封閉的變化圖斑(圖5(a));②孔洞填充。利用形態學膨脹運算對變化圖斑內部的孔洞進行連結、填充，生成完整的變化圖斑(圖5(b));③區域標記。對檢測結果圖中的各像元依次進行鄰域搜索，將相互連通的像元標記為單個變化圖斑;④面積閾值確定。根據應用需求確定合適的面積閾值，去除面積較小的變化圖斑，最終得到后續處理結果圖像(圖5(c))。

圖5 后續處理結果Fig.5 Result of post－processing

3 結果分析

3.1 與傳統光譜差值法效果比較

為驗證本實驗中所用方法的有效性，本文還采用傳統的基于光譜特征的差值變化檢測方法對2期圖像進行了變化信息提取。圖6為采用均值－標準差法閾值處理之后的結合紋理信息的“差值主成分法”與傳統的“光譜差值法”變化檢測結果的局部對比圖像。

圖6 兩種檢測方法的效果比較Fig.6 Comparison between the results of two methods

從圖6可以看出，實驗區中的部分土地利用類型由耕地變為建設用地，由于變化前后地物光譜反射率相近，因此僅利用傳統光譜信息差值運算獲得的變化檢測結果比較破碎(圖6(c))，無法將發生變化的建筑區完整地提取出來;而耕地的紋理信息與建筑物的紋理信息差別很大，且建筑物的紋理更加規則，因此結合紋理信息提取的變化檢測結果相對完整(圖6(d))。

結合紋理信息的“差值主成分變化檢測”法能夠獲得建筑物的輪廓信息及其內部的變化細節，一方面彌補了高分辨率遙感圖像的光譜區分度相對不足的缺點;另一方面由于變化圖斑的輪廓較為完整，在后續處理過程中，可以將大面積變化區域中破碎的圖斑通過連結、填充而得到更加完整的檢測結果。

3.2 精度評價及分析

為實現對檢測結果的精度評價，首先通過目視解譯利用人工數字化的方法提取出變化區域，獲得矢量格式的參考圖像;然后將該矢量參考圖轉換為柵格圖像(圖7(a))并與獲得的變化檢測結果圖(圖5(c))進行柵格疊加運算，取其交集即為正確檢測的變化區域(圖7(b));將正確檢測結果圖(二值圖像)取反后與變化檢測結果圖(圖5(c))疊加，取其交集即為誤檢區域(圖7(c))。

圖7 用于精度評價的變化檢測結果Fig.7 Result of change detection for accuracy assessment

如圖7所示，參考圖像中通過目視解譯得到變化圖斑22塊，變化監測結果中正確檢測出圖斑18塊，漏檢圖斑4塊，誤檢圖斑15塊。

本文采用像元數量誤差準則對被正確檢測出的區域進行精度評價，即

式中:R為正確率;Sr為被正確檢測出的變化像元數;S為參考圖像中發生變化的像元總數。利用式(6)可以計算出檢測結果的正確率(如表1所示，其中參考圖像中發生變化的像元總數S=375237)。

表1 變化檢測結果精度評價Tab.1 Accuracy assessment of change detection result

由表1可以看出，結合紋理信息的差值主成分法變化檢測正確率能夠達到81.2%，相對于傳統的光譜差值法變化檢測正確率(73.1%)有一定程度的提高，特別是對于由裸地變為建設用地這一變化類型的檢測結果更加完整，但同時存在對小面積變化圖斑的漏檢現象。分析圖7(c)中誤檢圖斑產生的原因，一是由于圖像間的幾何配準誤差以及輻射差異造成的;二是由于耕地中地表覆蓋物發生較大變化造成的(如圖7(c)中右下角部分，雖然用地類型沒有變化，但地表由原來的有植被覆蓋變為裸地，因此被檢測為土地利用信息發生變化)。

4 結論

本文結合高分辨率遙感圖像空間分辨率高、光譜分辨率相對不足的特點，采用灰度共生矩陣的計算方法提取圖像的紋理特征，將其作為圖像的衍生波段與光譜波段一起用于土地利用信息變化檢測。實驗結果表明，與僅利用光譜信息的變化檢測法相比，加入紋理信息的“差值主成分變化檢測”法提高了高分辨率遙感圖像變化檢測的精度，因為它能夠較充分地利用圖像中對應單像元之間的光譜敏感性和相鄰像元之間的紋理信息，有效增強2個時相圖像所包含的變化信息。該方法的優勢可總結為以下幾點:

1)加入紋理信息后的土地利用變化信息檢測結果更具有整體性，特別是對于新增建設用地，能夠較為完整地檢測出建筑物的輪廓信息。

2)對于大面積的地物發生變化的情況，僅靠光譜特征無法檢測出變化區域內部的細節變化，檢測結果比較破碎;而紋理變化信息能夠將內部各變化區域連結為一個整體對象，經過面向對象的后續處理可完整地提取出大面積的變化區域。

3)遙感圖像中由陰影產生的影響在紋理差值圖像中表現得不明顯，因此紋理信息與光譜特征的結合在一定程度上削弱了陰影對變化檢測產生的影響。

4)遙感圖像的紋理信息是通過對鄰域像元的統計獲得的，因此紋理差值圖像對幾何配準精度要求較低，這在一定程度上減少了由幾何配準誤差產生的偽變化信息。

盡管如此，整個變化信息檢測流程還是存在很多需要改進的地方，如在圖像幾何配準、相對輻射校正、光譜信息與紋理信息組合選擇以及閾值選取等處理過程中都只是采用了較常用的處理方法。因此，在以后的研究中可在這幾個方面做更深入的探討，以進一步改善變化檢測的效果。

［1］賴祖龍，申邵洪，程新文.基于圖斑的高分辨率遙感影像變化檢測［J］.測繪通報，2009(8):17－20.Lai Z L，Shen S H，Cheng X W.Change Detection of High－resolution Remote Sensing Image Based on Map Spot［J］.Bulletin of Surveying and Mapping，2009(8):17 －20(in Chinese).

［2］陳 宇，杜培軍，唐偉成，等.基于BJ－1小衛星遙感數據的礦區土地覆蓋變化檢測［J］.國土資源遙感，2011(3):146－150.Chen Y，Du P J，Tang C，et al.Land Cover Change Detection in Coal Mining Area Using BJ－1 Small Satellite Remote Sensing Data［J］.Remote Sensing for Land and Resources，2011(3):146－150(in Chinese with English Abstract).

［3］Mas J F.Monitoring Land－ cover Changes:A Comparison of Change Detection Techniques［J］.International Journal of Remote Sensing，1999，20(1):139 －152.

［4］Berberoglu S，Akin A.Assessing Different Remote Sensing Techniques to Detect Land Use/Cover Changes in the Eastern Mediterranean［J］.International Journal of Applied Earth Observtion and Geoinformation，2009(11):46 －53.

［5］張錦水，潘耀忠，韓立建.光譜與紋理信息復合的土地利用/覆蓋變化動態監測研究［J］.遙感學報，2007，11(4):500 －510.Zhang J S，Pan Y Z，Han L J.Land Use/Cover Change Detection with Multi－ source Data［J］.Journal of Remote Sensing，2007，11(4):500－510(in Chinese with English Abstract).

［6］He C Y，Wei A N，Shi P J，et al.Detecting Land － use/Land － cover Change in Rural－urban Fringe Areas Using Extended Change－ vector Analysis［J］.International Journal of Applied Earth Observation and Geoinformation，2011，3(4):572 －585.

［7］黎 夏.利用主成分分析改善土地利用變化的遙感監測精度［J］.遙感學報，1997，1(4):282 －289.Li X.Accuracy Improvement of Land Use Change Detection Using Principal Component Analysis［J］.Journal of Remote Sensing，1997，1(4):282 －289(in Chinese with English Abstract).

［8］宋翠玉，李培軍，楊鋒杰.運用多尺度圖像紋理進行城市擴展變化檢測［J］.武漢大學學報:信息科學版，2008，33(7):37 －42.Song C Y，Li P J，Yang F J.The Application of Multiscale Image Texture to the Detection of Urban Expansion［J］.Geomatics and Information Science of Wuhan University，2008，33(7):37 － 42(in Chinese with English Abstract).

［9］張鵬強，余旭初，劉 智，等.多時相遙感圖像相對輻射校正［J］.遙感學報，2006，10(3):339 －344.Zhang P Q，Yu X C，Liu Z，et al.A Study on Relative Radiometric Correction of Multitemporal Remote Sensing Images［J］.Journal of Remote Sensing，2006，10(3):339 －344(in Chinese with English Abstract).

［10］Haralick R M.Statistical and Structural Approaches to Texture［J］.Proceedings of the IEEE，1973，67(5):786 －804.

［11］黨 青，楊武年.近20年成都市植被覆蓋度動態變化檢測及原因分析［J］.國土資源遙感，2011(4):121－125.Dang Q，Yang W N.Dynamic Supervision and Reason Analysis of Vegetation Coverage Changes of Chengdu in the Past 20 Years［J］.Remote Sensing for Land and Resources，2011(4):121 － 125(in Chinese with English Abstract).

［12］Gong P.Change Detection Using Principal Component Analysis and Fuzzy Set Theory［J］.Canadian Journal of Remote Sensing，1993，19(1):22－30.

［13］Rogerson P A.Change Detection Thresholds for Remotely Sensed Images［J］.Journal of Geographical Systems，2002(4):85 －97.

Change Detection Method for High Resolution Remote Sensing Image in Association with Textural and Spectral Information

WANG Dong－guang1，XIAO Peng－feng1，SONG Xiao－qun2，WANG Tie－cheng3，CHEN Gang1
(1.Department of Geographical Information Science，Nanjing University，Nanjing 210093，China;2.Land and Resources Information Center of Jiangsu Province，Nanjing 210029，China;3.Surveying Engineering Institute of Jiangsu Province，Nanjing 210013，China)

High resolution remote sensing image can provide a lot of spectral and textural information，and both of the two kinds of information can help effectively detect the changed information.However，the traditional methods of change－detection based on medium or low spatial resolution remote sensing images only use the spectral information to extract the changed information，with the ignorance of the textural information.In this paper，both the spectral and textural features are integrated in one change－detection method to extract the changed information from high resolution remote sensing image，and the method is called difference principal component transformation.The advantages of the proposed method can be concluded in two aspects.One is that it will be easy to get the internal changed details in the large changed areas according to textural information，which can compensate for the deficiency of spectral information in high resolution images.The other is that some post－ processing procedures such as connecting narrow gaps and filling holes can make the change－detection result more complete.The experimental results show that some changes that are spectrally similar but texturally different can be effectively detected after adding textural information in this change－detection method.

change detection;high resolution remote sensing image;textural information;difference principal component transformation

TP 751.1

A

1001－070X(2012)04－0076－06

2012－01－12;

2012－03－05

國土資源部公益性行業科研專項(編號:201011015－1)資助。

10.6046/gtzyyg.2012.04.13

王東廣(1986－)，男，碩士研究生，主要研究方向為遙感數字圖像處理。E－mail:wdg608@163.com。

(責任編輯:劉心季)