高分辨率彩色遙感影像變化檢測方法研究

黃　杰，王光輝，胡高強，楊化超

(1. 中國礦業大學，江蘇 徐州 221116； 2. 國家測繪地理信息局衛星測繪應用中心，北京 100830； 3. 奉化市測繪院，浙江 寧波 315500)

?

高分辨率彩色遙感影像變化檢測方法研究

黃杰1，王光輝2，胡高強3，楊化超1

(1. 中國礦業大學，江蘇 徐州 221116； 2. 國家測繪地理信息局衛星測繪應用中心，北京 100830； 3. 奉化市測繪院，浙江 寧波 315500)

目前已有的對象級變化檢測方法中的像斑對象特征提取算法大多只提取單波段的特征，無法對彩色影像有直觀整體的描述，針對這一問題，本文提出了一種高分辨率彩色遙感影像變化檢測方法。首先對分割后得到的像斑統計顏色直方圖，計算其推土機距離作為光譜特征差異量，另外通過像斑的彩色圖像灰度共生矩陣計算熵統計量，對應像斑間熵差值作為紋理特征差異量；最后結合在彩色空間計算的兩種差異量構造差異影像，通過支持向量機(SVM)將差異影像中的像斑分為變化與不變化兩類別。選擇江蘇省蘇州地區資源三號影像進行了試驗，結果表明該方法可以很好地實現高分辨率彩色遙感影像的變化檢測。

變化檢測；推土機距離；彩色圖像灰度共生矩陣；支持向量機；高分辨率

變化檢測是從不同時期的遙感圖像中定量地分析和確定地物變化信息的過程[1-3]。變化檢測作為遙感技術的重要研究方向，在資源環境監測、城市擴展變化信息獲取、災情監測與評估等諸多方面有著非常廣泛的應用[4-5]。隨著航天技術與傳感器技術的迅猛發展，遙感影像的分辨能力得到了很大提升，基于高分辨率影像的變化檢測受到了更加廣泛的關注。然而數據信息量的增加，也為遙感影像變化檢測技術的發展提出了新的問題與挑戰。

高分辨率影像包含了更豐富、更精細的地物細節信息。傳統的像素級變化檢測方法應用在高分辨率遙感影像上有很大局限性，因此，考慮空間上下文的對象級檢測法成為變化檢測的主要方向[6]。對象的特征是承載變化信息的主要載體，不同特征數據對變化檢測表征能力不同，基于單一特征的變化檢測[7-8]如光譜特征、紋理特征、線特征、邊緣特征等可能造成漏檢或誤檢，因此，集成多特征構建穩定的變化檢測模型引起許多學者的研究。霍春雷等[9]提出了基于多尺度融合的對象級變化檢測算法，通過融合不同尺度上對象光譜與梯度特征來減少對象對尺度的依賴性；汪閩等[10]提出了基于多特征證據融合的影像變化檢測算法，將影像邊緣分布、紋理和梯度特征的結構相似度進行證據融合獲得檢測結果；杜培軍等[11]在提取多種特征的基礎上，利用一維特征空間加權距離相似度運算、多維特征空間的模糊集融合和支持向量機融合策略進行變化檢測；李亮等[12]提出了融合光譜、紋理特征的影像變化檢測算法，根據主導權重自適應地將光譜距離和紋理距離組合構建像斑異質性。這些方法雖然利用了像斑對象的多種特征，但特征提取算法大多只能提取單波段的信息，無法對多個波段整體提取特征。另外，在有輻射差異的區域，特征差異量不能很好地描述影像變化信息，容易引起錯檢。針對上述問題，本文提出了一種高分辨率彩色遙感影像變化檢測方法。顏色直方圖與CGLCM是對彩色空間RGB3個通道整體提取的光譜與紋理特征，能夠有效代表影像信息，其差異量可以很好地反映像斑變化程度；引入EMD可以準確地計算顏色直方圖的距離，減弱不同時相影像輻射差異影響；基于SVM的變化檢測能夠對多維數據進行訓練分類，減少常規方法中由閾值選取引起的不確定性，提高變化檢測的精度。

一、算法原理與流程

算法流程如圖1所示。

1. 影像預處理

為避免因非地表因素對真實變化的影響，對前后時相影像采用直方圖匹配法進行輻射歸一化，另外為了提高變化檢測精度，對多時相影像使用二次多項式擬合法進行幾何校正。

2. 影像分割

影像分割是面向對象分析方法的基礎，其結果會對后續的分析處理產生重要的影響。本文將兩個時相影像的波段疊加，對新影像利用遙感圖像分割軟件eCognition進行多尺度分割。將分割后的矢量套合在兩個時相遙感影像上，獲取同質性較好的像斑對象。

圖1　變化檢測流程

3. 光譜特征差異量

(1) 顏色直方圖

遙感影像的光譜信息是影像解譯最基本的特征，而具有旋轉不變性、尺度不變性等特點的顏色直方圖統計量可以很好地反映彩色影像像斑光譜信息分布情況[13]，因此，本文采用像斑的顏色直方圖來描述像斑的光譜特征。一幅圖像的灰度直方圖是指圖像亮度的概率密度函數，從而顏色直方圖可以用圖像3個通道的聯合概率密度函數來表示

hR,G,B(r,g,b)=NP(R=r,G=g,B=b)

(1)式中，N表示圖像所有像素數；P表示概率密度函數；h為直方圖函數，表示圖像中具有顏色(R=r,G=g,B=b)的像素數。

由于顏色直方圖是高維向量數組，為了減少其包含的向量個數、提高運算效率，應選取一個合適的量化級w對顏色直方圖進行量化。

(2)直方圖距離

推土機距離(earthmover’sdistance,EMD)度量[14]用運輸所需的最小代價來表征特征分布之間的距離，從而避免了目前其他大多數相似性度量中的量化問題，且通過EMD計算遙感影像直方圖的相似性，能夠減弱光譜輻射差異的不良影響，因此，本文采用EMD來衡量兩時相對應像斑顏色直方圖之間的相似度。

EMD最早用于解決運輸問題，假設在空間中有兩個分布，一個分布x是有m個土堆集合，另一個分布y是n個坑的集合，要把所有的土填入坑內，則可利用EMD表示在選擇最佳路徑情況的最小工作量或最小代價。計算公式如下

(2)

fij≥021.i∈m, j∈n

(3)

(4)

(5)

(6)

約束條件式(4)、式(5)分別變為

(7)

(8)

像斑直方圖EMD越大，像斑之間的相似度越低，像斑之間的差異就越大。可將EMD作為像斑間的光譜特征差異量，即

differspectrum=EMD(x,y)

(9)

4. 紋理特征差異量

紋理描述了圖像中反復出現的局部模式和它們的排列規則，是進行目視判讀和計算機自動解譯的重要基礎。由于“同物異譜”現象的存在，單純采用光譜特征進行變化檢測可靠性不夠高，用紋理特征可輔助光譜特征來構造差異影像。

灰度共生矩陣(graylevelco-occurrencematrix,GLCM)[15]可以描述單波段灰度影像各像元灰度的空間分布和結構特征，反映了圖像灰度關于方向、相鄰間隔、變化幅度的綜合信息，是一種公認的提取紋理特征的有效方法，具有較強的適應能力和魯棒性。GLCM被定義為從灰度級i的點離開某個固定位置關系d=(Δx,Δy)達到灰度為j的概率。灰度共生矩陣表示為

P(d,θ,i,j)={(p1,p2∈R)|G(p1)=i,G(p2)=j}(i,j=0,1,2,…,L-1)

(10)

式中，L表示圖像的灰度級；i、j表示起始像素和搜索像素的灰度；p1,p2表示起始像素和搜索像素坐標;R表示提取紋理區域即像斑區域;G表示像素坐標實際對應的灰度;d表示兩個像素間的空間位置關系;θ為灰度共生矩陣的生成方向，通常取0°、45°、90°、135°共4個方向。

根據灰度共生矩陣，可以定義出大量的紋理特征，本文選取熵統計量這一常用特征來度量影像紋理的隨機性。熵的計算公式為

(11)

為了能夠用于多波段彩色遙感影像的紋理特征計算，BENCO等對GLCM進行改進，提出了彩色影像紋理特征提取方法(color GLCM, CGLCM)[16]。該方法對影像R、G、B這3個波段分別計算GLCM，并對每兩個波段聯合計算GLCM，得到9個矩陣。CGLCM的計算公式為

P(d,θ,i,j)(k1,k2)={(p1,p2∈R)|Gk1(p1)=i,Gk2(p2)=j}(i,j=0,1,2,…,L-1)

(12)

式中，k1、k2分別為彩色影像的一個波段;Gk1(p1)表示k1波段的像素坐標灰度;Gk2(p2)表示k2波段的像素坐標灰度;確定5×5像素子窗口大小獲取紋理特征，對CGLCM得到的9個矩陣分別計算熵統計量，其均值代表該窗口中心像素的紋理特征值，像斑像素紋理特征均值代表該像斑對象的紋理特征，因此,兩時期像斑對象的紋理特征差異量可表示為

(13)

5. 構造差異影像

差異影像是多時相影像間變化信息的集中表達。本文通過光譜差異量與紋理差異量來構造差異影像

(14)

式中，i表示第i個像斑；N表示分割影像獲取的像斑總數。

6. SVM二值分類

SVM是建立在統計學習理論和結構風險最小原理基礎上，根據有限樣本信息在模型復雜性和學習能力之間尋求最佳折衷，以獲得最好的推廣能力。它的核心思想是把樣本通過非線性變換映射到高維核空間中，在高維核空間求取最優分類超平面[17]。

對于兩類分類問題，設樣本集為{(xi,yi),i=1,2,…,n}，其中n為樣本個數，x為d維向量，y∈{1,-1}表示屬于哪個類別。假設存在一個映射將數據xi映射到高維空間中，并引入松弛變量ξi(ξi≥0)、權值向量w、分類閾值b和懲罰系數C，則SVM的原始問題可表示為

yi(wTxi+b)≥1-ξi

(15)

(16)

根據拉格朗日乘子法，將尋求最分類超平面轉化為以下對偶問題

(17)

(18)

式中，αi為拉格朗日因子;K(xi,xj)為滿足Mercer定理的正定核函數，常用的有線性核(Linear)、多項式核(Polynomial)、Sigmoid核與高斯徑向基核(RBF)4種。

本文在第5節構造的差異影像上人工選取幾處明顯的變化樣本與非變化樣本，輸入到SVM二值訓練器，將差異影像分為變化與非變化兩類，得到變化檢測結果。通常RBF核函數分類結果優于其他核函數，本文選取RBF核函數完成二值分類。RBF核公式為

(19)

式中，σ為函數寬度參數，且σ>0。

二、試驗分析

本次試驗數據為江蘇省蘇州地區2012年和2015年的資源三號衛星遙感影像，研究區大小為4088×3281像素，選取多光譜321波段合成真彩色影像。首先，對兩個時相研究區影像利用二次多項式擬合法進行幾何配準，然后將2015年影像作為參考影像，對2012年影像利用直方圖匹配法進行相對輻射校正。圖2(a)、圖2(b)所示分別為研究區2012年及2015年預處理后真彩色影像。將兩個時相影像波段組合為一個波段數為6的新影像，利用eCognition軟件進行多尺度分割獲取分割矢量，考慮到尺度越小像斑數越多，分割尺度取150，另外形狀因子取0.1，緊致度因子取0.5，分割后獲取像斑數目為909個。圖2(c)為影像分割結果。

圖2　變化檢測數據

基于RGB彩色空間對像斑3波段整體提取光譜特征與紋理特征，并計算光譜特征差異量與紋理特征差異量。以圖3(a)所示的一組變化像斑樣本與圖3(b)所示的一組非變化樣本為例，將本文對彩色像斑整體提取的特征差異量與針對單波段提取的特征差異量加權值(文獻[12]方法)作對比，表1為不同方法計算的特征差異量。

圖3　試驗樣本

試驗像斑算法光譜特征差異量紋理特征差異量變化樣本文獻[12]34.9748.32本文方法38.4656.61非變化樣本文獻[12]7.2515.60本文方法5.1112.42

從表1可以看出，對于變化像斑，本文基于彩色空間提取的特征差異方法能夠增大差異量，而對于非變化像斑，本文方法能夠減小差異量，因此說明本文基于彩色空間提取特征的方法與基于單波段提取特征方法相比而言能夠更準確地描述影像信息，提高變化檢測正確率。

選取變化樣本42組，非變化樣本37組，并且這些樣本盡可能包括耕地、空地、建筑區、水域、路等多種地物覆蓋。將其輸入到SVM二值訓練器中，將差異影像分為變化與非變化兩類，得到變化檢測結果如圖4所示，白色為檢測變化區域。對變化檢測結果進行精度評價，本文方法檢測出229個變化對象，680個非變化對象，其中檢測為變化實際未發生變化的對象個數為22個，檢測為非變化卻發生變化對象個數為68個，因此，變化檢測的漏檢率、虛檢率、總體正確率分別為10.00%、9.67%、90.10%。為了驗證本文變化檢測方法的優越性，將文獻[6]、文獻[11]與本文方法進行對比試驗，表2為對比結果。

圖4　變化檢測結果

從表2中可以看出，與文獻[6]、文獻[11]相比，本文方法對研究區的變化檢測有更高的精度。其原因為：①文獻[6]與文獻[11]是針對單波段提取像斑特征的，相比于基于彩色空間的特征提取，無法對影像進行更準確、更直觀的描述，從而構造的差異影像不能真正反映兩期影像的變化程度，因此，有較高的虛檢率和漏檢率；②對于差異影像，文獻[6]簡單地將多特征分別設定權重進行融合，再選取閾值提取變化檢測結果，這種融合后選取閾值方法有很大的不確定性，沒有考慮到不同特征對影像信息表征能力的不同。本文將SVM監督型二值分類應用到變化檢測上，充分利用了樣本信息，減少了自動閾值算法的不確定性。

三、結束語

本文提出了一種高分辨率彩色遙感影像變化檢測方法。該方法在彩色空間中提取光譜特征與紋理特征，構造像斑對象的差異影像，然后利用SVM進行二值訓練，得到變化檢測結果。試驗表明，本文方法對于絕大多數地物類別變化可以很好地完成檢測，相比傳統方法具有一定的優勢。但是由于成像環境復雜，影像會出現局部區域曝光過度的情況，因此，本文變化檢測結果也會出現錯檢與漏檢像斑，對于這些區域的變化檢測有待于進一步研究。

[1]李德仁. 利用遙感影像進行變化檢測[J]. 武漢大學學報(信息科學版), 2003(S1): 7-12.

[2]SINGHA.ReviewArticleDigitalChangeDetectionTechniquesUsingRemotely-sensedData[J].InternationalJournalofRemoteSensing, 1989, 10(6): 989-1003.

[3]肖化超, 周詮, 張建華. 遙感衛星在軌機場變化檢測方法[J]. 測繪通報, 2015(1): 22-25.

[4]祝錦霞, 郭慶華, 王珂. 濕地高分辨率遙感影像的變化檢測[J]. 中國農業科學, 2012, 45(21):4369-4376.

[5]CHENJ,GONGP,HEC,etal.Land-Use/Land-CoverChangeDetectionUsingImprovedChange-VectorAnalysis[J].PhotogrammetricEngineering&RemoteSensing, 2003, 69(4):369-379.

[6]王文杰, 趙忠明, 朱海青. 面向對象特征融合的高分辨率遙感圖像變化檢測方法[J]. 計算機應用研究, 2009, 26(8):3149-3151.

[7]袁修孝, 宋妍. 基于邊緣特征匹配的遙感影像變化檢測預處理方法[J]. 武漢大學學報(信息科學版), 2007, 32(5):381-384.

[8]魏立飛, 鐘燕飛, 張良培,等. 多波段信息融合的遙感影像變化檢測[J]. 武漢大學學報(信息科學版), 2014, 39(1):8-11.

[9]霍春雷, 程健, 盧漢清,等. 基于多尺度融合的對象級變化檢測新方法[J]. 自動化學報, 2008, 34(3):251-257.

[10]汪閩, 張星月. 多特征證據融合的遙感圖像變化檢測[J]. 遙感學報, 2010, 14(3):558-570.

[11]杜培軍, 柳思聰. 融合多特征的遙感影像變化檢測[J]. 遙感學報, 2012, 16(4):663-677.

[12]李亮, 舒寧, 王凱,等. 融合多特征的遙感影像變化檢測方法[J]. 測繪學報, 2014, 43(9):945-953.

[13]竇建軍, 文俊, 劉重慶. 基于顏色直方圖的圖像檢索技術[J]. 紅外與激光工程, 2005, 34(1):84-88.

[14]徐先傳, 張琦. 基于LBP算子與EMD距離的醫學圖像檢索[J]. 微計算機信息, 2009, 25(9):275-276.

[15]薄華, 馬縛龍, 焦李成. 圖像紋理的灰度共生矩陣計算問題的分析[J]. 電子學報, 2006, 34(1):155-158.

[16]BENCOM,HUDECR.NovelMethodforColorTexturesFeaturesExtractionBasedonGLCM[J].RadioEngineering, 2007, 16(4):64-67.

[17]MOUNTRAKISG,IMJ,OGOLEC.SupportVectorMachinesinRemoteSensing:AReview[J].ISPRSJournalofPhotogrammetryandRemoteSensing, 2011, 66(3): 247-259.

Research on the Change Detection of High Resolution Color Remote Sensing Image

HUANG Jie，WANG Guanghui，HU Gaoqiang，YANG Huachao

2016-03-11；

2016-05-28

測繪地理信息公益性行業科研專項項目(201412007；201512027)

黃杰(1992—)，男，碩士，研究方向為遙感影像信息提取。E-mail:hjhuangjie_jason@163.com

P237

B

0494-0911(2016)08-0030-05

引文格式：黃杰，王光輝，胡高強,等.高分辨率彩色遙感影像變化檢測方法研究[J].測繪通報，2016(8)：30-34.DOI:10.13474/j.cnki.11-2246.2016.0250.