遙感影像變化檢測在基礎測繪中的應用

吳 越 丁 婷

(江蘇省基礎地理信息中心, 江蘇 南京 210013)

0 引言

基礎測繪是為經濟建設、國防建設和社會發展提供地理信息的基礎性、公益性事業,是經濟社會可持續發展的重要支撐[1]。基礎測繪工作,作為提高我國社會發展建設水平的重要環節,直接關系到城市規劃、國土空間等領域基礎信息采集、農村土地所有權的確認。基礎測繪成果在建筑工程領域得到了廣泛應用[2]。隨著我國數字社會建設步伐不斷加大,基礎測繪在“一帶一路”、長江經濟帶建設、區域協同發展戰略、鄉村振興等重大實施建設中都發揮了基礎先行作用,提供有力支撐。基礎測繪深入參與了空間基準、海島礁測繪、測繪衛星發射等重大工程,在軍民融合發展戰略實施中發揮了重要作用。基礎地理信息數據公益性、基礎性作用日漸突出[3],社會各界對基礎測繪也愈加重視[4],對基礎測繪數據的現勢性的要求也越來越高[5]。

傳統基礎測繪數據更新是通過人工逐影像、逐網格地對比矢量數據與影像數據,發現并修改變化要素,該方式生產周期長、生產成本高,更新易存在丟漏。隨著城市建設的快速發展,如何快速、有效、準確地獲取地形、地貌的變化范圍[6],以及如何解決大區域丟漏更新、提升數據質量的問題,對我國的可持續發展具有十分重要的意義[7]。

1 遙感影像變化檢測

遙感數據已經成為變化制圖的寶貴資源[8],為基礎測繪常態化的可持續更新提供數據基礎[9]。遙感影像變化檢測根據不同規則有多種分類方法,不同學者從不同角度對遙感變化檢測方法進行了總結。李德仁等[10]根據數據類型的不同將遙感變化檢測劃分為：基于新影像和舊數字線劃圖、基于不同時相新舊影像、基于新舊影像和舊數字線劃圖、基于新多源影像和舊影像/舊地圖與不同時相立體像對的變化檢測方法;根據變化檢測處理的信息層次將變化檢測方法劃分為像素級、特征級和目標級三個層次;根據采用的數學方法將變化檢測方法分為代數運算法、分類法、變換法、高級模型法、地理信息系統(geographic information system,GIS)法、可視化分析法[11];根據影像是否分類將變化檢測方法分為直接比較法和分類后比較法兩類[12]。遙感圖像分類方法主要是監督分類和非監督分類[13]。根據檢測是否需要先驗經驗,可分為監督變化檢測和非監督變化檢測。

本研究結合矢量數據與遙感影像,開展面向對象的遙感影像變化檢測,通過分類后比較法得出變化區域。其包括如下內容：

(1)多尺度分割。利用矢量數據和新時期遙感影像,對影像進行多尺度分割,保證像斑“類內特征相同,類間特征相異”。

(2)像斑特征提取。提取兩期影像同質像斑的光譜、紋理、形狀等特征,構建特征空間。對初始構建的特征空間進行優化,選取最佳特征組合。

(3)變化檢測。基于像斑特征,對像斑進行非監督分類,將得到的分類結果與本底矢量數據進行疊置分析以獲得變化結果。

1.1 多尺度分割

多尺度分割以異質性最小準則為基礎將目標影像中的任意像元與相鄰像元進行合并,當兩者異質性比參數的平方大的時候合并過程結束,否則繼續合并[14]。關鍵參數為分割尺度,分割尺度用于量測兩個對象合并時異質性改變的最大值,分割尺度越大得到的對象越大,反之亦然。異質性因子由形狀異質性因子與光譜異質性因子組成,形狀異質性由光滑度因子和緊致度因子組成。

(1)光譜異質性

(1)

式中,wc表示層的權重;c表示波段數;σc表示方差。

(2)形狀異質性

形狀異質性由光滑度因子hsmooth和緊湊度因子hcompact組成：

(2)

式中,hshape代表影像對象區域形狀異質性;ωc為緊湊度因子hsmooth的權重,其中0≤ωc≤1。

(3)光譜和形狀異質性的關系

(3)

式中,hcolor代表光譜異質性參量;ω代表光譜異質性權重,0≤ω≤1;f代表影像對象的總異質性值;hshape代表形狀異質性參量。

1.2 非監督分類

非監督分類,也稱為聚類分析或點群分析,即在多光譜圖像中搜尋、定義其自然相似光譜集群組的過程[15]。非監督分類不需要人工選擇訓練樣本,僅需極少的人工初始輸入,按照一定規則自動地根據像元光譜或空間等特征組成集群組,將每個集群組和參考數據比較,將其劃分到某一類別中去。

遙感影像的非監督分類一般包括6個步驟,如圖1所示。

圖1 非監督分類流程

1.3 變化檢測

針對遙感影像的變化檢測,本文利用新的遙感影像結合已有的本底矢量數據,分別利用棋盤分割與多尺度分割,得到在矢量數據約束下與影像光譜特征一致的圖斑。利用非監督分類構建規則集,將圖斑分割后分類為構筑物、水系與植被三大類。利用分類后矢量數據與本底矢量數據進行空間疊置分析,得到變化檢測結果。本文的整體技術路線見圖2。

圖2 變化檢測技術路線圖

2 實驗過程

2.1 實驗區概況

實驗區域位于江蘇省淮安市清江浦區,實驗影像為高分二號衛星,全色影像分辨率為0.81 m,多光譜影像分辨率分3.2 m。

2.2 結果與分析

圖3(a)為利用矢量數據對影像進行棋盤分割的結果,分割結果的邊界與矢量數據完全一致,但是存在矢量范圍內地物已發生變化,與影像光譜并不相符的情況。因此,在保持邊界完整性的同時,利用多尺度分割進一步細化分割結果,使得像斑內光譜特征趨于一致。最終分割結果見圖3(b)。

(a)棋盤分割 (b)多尺度分割

影像分割后,利用非監督分類的方法進行分類,利用光譜、紋理、形狀等特征將影像分成構筑物、水系及植被3類,分類結果示意圖見圖4。

(a)構筑物 (b)水系 (c)植被

分類后,將舊時期矢量數據與影像分類結果進行疊置分析,為有效檢測出變化圖斑,進行了如下篩選：①設置了2 500 m2面積閾值,當變化圖斑面積低于閾值,則變化圖斑自動剔除;②為提高對水體圖斑變化的檢測準確度,剔除了水體中因漂浮植被季節性生長引起的變化圖斑。

2.3 精度驗證

基于人工提取的兩期矢量數據,對本文方法得到的結果進行驗證。通過對比分析兩種方法獲取的檢測結果,見表1。利用本文方法共得到244個變化圖斑,其中210個與矢量數據檢測結果一致,符合率達到0.861。

表1 比對結果

3 結束語

在基礎測繪定期更新和專題更新任務生產過程中,利用面向對象的技術對遙感影像變化檢測,快速獲取變化區域。基于所得的變化圖斑,作業人員可以有效地提高數據生產作業的作業效率,檢查人員在檢查作業中也能有直觀的數據參考。從變化檢測符合率來看,檢測結果有著較高的符合率,在基礎測繪生產實踐中對數據質量的提升有著直接幫助。