一種高空間分辨率的遙感變化檢測方法在智慧農業中的應用

虢英杰，朱蘭艷，李 超

昆明理工大學國土資源工程學院，云南昆明 650093)

?

一種高空間分辨率的遙感變化檢測方法在智慧農業中的應用

虢英杰，朱蘭艷*，李 超

昆明理工大學國土資源工程學院，云南昆明 650093)

傳統方法在確定影像對象的異質性時，根據整幅遙感影像以及判別經驗所確定的全局固定閾值往往不能很好地適應各種不同屬性的檢測對象。針對這一問題，該研究提出了一種自適應的雙模糊閾值的判別方法，在傳統的圖像變化檢測預處理的基礎上，利用Q型因子在整幅影像中獲取具有代表性的訓練樣本，分別計算各樣本的變化強度和相關系數的最優閾值以及熵的二值化閾值，建立樣本的變化閾值集合，選擇集合的中位數作為整幅影像的變化閾值，利用模糊識別算法分別對所得到的2幅變化影像進行運算，求交集建立混淆矩陣，最終得到變化檢測的結果。試驗結果表明，該算法對不同屬性的影像對象具有良好的適應性，較傳統的閾值變化檢測方法其平均正確率提高了31.12%，有效地減少了錯判或漏判。

智慧農業；變化檢測；Q型因子；自適應性；模糊識別法；雙閾值

21世紀以來，各個學科根據實際需要，借助信息化技術的飛速發展，開辟各具特色的智能化平臺并得到長足發展。傳統農業也在加快向現代農業轉型，以“智能化、集約化、數字化、生態化、低碳化”為特點的智慧農業成為其未來發展的趨勢[1]。在智慧農業的實際應用中，土地資源調整、災害評估、作物長勢和作物生態環境調查等重要研究領域需要精確的變化信息檢測作為技術支撐[2-4]，進行更深層次的研究。高空間分辨率遙感影像以其能夠清晰地體現出影像中地物景觀的結構、紋理、細節等信息的特點受到廣泛關注[5]，也成為智慧農業一項重要的信息來源。

傳統的遙感影像變化檢測工作是通過固定閾值對影像進行二值分割以獲取變化檢測結果。經典的二值分割算法可大致分為2類[6]：一是全局閾值法，通過期望最大化算法和貝葉斯最小誤差率理論對整幅影像進行變化檢測[7]；二是局部閾值法，通過網格分塊將2期的遙感影像均勻劃分為多個重疊的影像塊，再采用全局閾值法分別計算每個影像塊的閾值，經過一定手段的比較最終完成對整幅影像變化區域的檢測[8-10]。這2種方法在多時相遙感影像變化檢測中都得到了廣泛的應用。然而，如果將待檢區域內變化區域與未變化區域的面積之比定義為變化量比例，在實際使用中就會發現：當檢測區域為大比例變化量區域時，可以有效地獲得準確變化閾值；當檢測區域為小比例變化量區域時，往往不能獲得準確的變化閾值。基于單閾值的遙感影像變化檢測雖然簡單易行，但應考慮到，傳感器所獲得的2期遙感影像總是會受到大氣、噪聲、輻射條件以及背景灰度變化的影響[11]，這就必然會造成變化區域的灰度值總是在一定的范圍內波動，導致最終獲得的遙感影像中出現變化信息、噪聲、不同地物類別交分布錯的現象。因此，僅利用一個閾值就將待檢測圖像劃分為變化區域和未變化區域，往往會導致檢測結果不能滿足實際要求[12]。鑒于此，筆者提出采用基于自適應性雙模糊閾值的遙感影像變化檢測方法，并采用2012和2015年云南某地區的IKONOS遙感影像，對該方法在智慧農業中的應用進行了驗證。

1　模糊閾值法的遙感變化檢測方法

1.1基于Q型因子的影像樣本的選擇基于Q型因子分析的訓練樣本的選擇方法可自動地選擇訓練樣本，且被選的訓練樣本具有代表性和典型性[13]，其他的樣本都可以用這些潛在的“典型公共樣本”的線性組合表示出來，這樣便可以充分利用所采集的樣本信息。

基本思想是：對影像采集了n 個樣本，用灰度共生矩陣的5 個統計性特征(角二階矩、對比度、相關、熵和逆差矩)和小波分解的8個結構性特征比對每個樣本得觀測矩陣X；對矩陣X進行標準化得到S；求樣本間的相關矩陣R；求R 的特征根(λ1≥λ2≥… ≥λn)和其相應的特征向量(μ1，μ2，…，μn)。把特征根所代表的意義分別稱為第一主因素F1，第二主因素F2，…，第m 主因素Fm。主因素累積百分比，又稱累積貢獻率ηm，其值越大，說明選出的主因素擬合原始數據越好，可根據實際研究的問題來確定ηm的取值，使得前m個特征根之和在n 個特征根總和中所占的比例達到預先給定的ηm取值。從而可得到：

(1)

Q型因子分析是將n個樣本之間的相關關系轉化為m個公因子之間的相關關系，而這個相關關系是通過因子載荷矩陣來反映的。設A 為因子Fj載荷矩陣，a 為特殊因子載荷，A中的元素aij表示第i個樣本與第j個公因子的相關系數，根據其絕對值大小可以判斷樣本的相對重要性(或典型性)，進而決定是否要把該樣本選擇為典型樣本。

初始因子載荷矩陣A中元素aij的計算式為：

aij=μijλ1/2

(2)

該方法的目的是知悉每個因子軸所代表的意義，它是根據最靠近因子軸的一個特征樣本所決定的。因此，有必要對因子軸進行旋轉，使某一因子軸盡可能地靠近一些樣本，盡可能地遠離另一些樣本。

該研究采用方差最大正交旋轉，即使因子載荷矩陣中各因子載荷值的方差V 達到最大作為因子載荷簡化的準則，用公式表示如下：

(3)

當迭代的結果滿足式(4)之后停止迭代。

|V(k)-V(k-1)|<ε

(4)

最后計算得到旋轉后的因子載荷矩陣G，按從大到小的順序排列后選取m個樣本即可。

1.2

樣本的變化強度和相關系數的計算

1.2.1變化強度的計算。設2個時相圖像的像元灰級矢量分別為A=(a1，a2，…，ak)T，B=(b1，b2，…，bk)T，k是進行運算的波段數，運算時兩期影像的像元需一一對應[14]，計算公式為：

(5)

式中，ΔG包含了兩幅圖像中所有變化信息，變化強度由ΔG決定，ΔG越大，表明圖像的差異越大，變化發生的可能性越大。

1.2.2相關系數的計算。模式識別理論認為，在進行變化區域確定時，僅靠單一的變化強度數據進行判定，難以獲得較滿意的變化強度閉值。相關系數是用來反映多個變量之間相關性密切程度的統計指標，在計算過程中像元的相關程度可以用相關系數來表示[15]，計算公式為：

(6)

(7)

式中，DNn是第n波段的第i行、第j列的像元灰度值。

1.3雙閾值的選取和計算

1.3.1第一閾值T1：最優閾值迭代法確定。計算整幅圖像的最大灰度值Pmax和最小灰度值Pmin，令閾值的初始值為：

(8)

根據閾值Tk(k=0，1，…，k)將圖像分成目標和圖像2部分，計算2部分的平均灰度值PO和PB，計算公式為：

(9)

(10)

式中，P(i，j)是指像元(i，j)處的像元值；ω(i，j)是指灰度值(i，j)處的權重系數。

計算新閾值：

(11)

當Tk=Tk+1或者Tk-Tk+1<ε(ε為給定的限值)，迭代停止。

1.3.2第二閾值T2：熵的二值化閾值。假設將以閾值T將圖像分為變化區域(目標O)和為變化區域(背景B)，圖像中低于閾值的確定為目標，否則為背景，那么各灰度級在該區域的分布概率為：O區，pi/Pi(i=0，1，…，t)；B區，pi/(1-Pi)(i=t+1,t+2,…，L-1)，式中，L是灰度級總數，且有：

(12)

目標區域和背景區域的熵的計算公式為：

(13)

對圖像中的每個灰度級分別計為：

ω=H0+HB

(14)

選取使ω最大的灰度級作為第二閾值T2。

1.4遙感影像變化檢測將上文計算得到的最優閾值作為第一閾值，基于熵的二值化方法所確定的閾值作為第二閾值，兩閾值間的部分作為自適應性模糊識別的對象，其基本思想是先確定每個樣本的近鄰子集，然后用每個樣本的近鄰子集的隸屬度加權平均代替FCM算法的每個樣本的隸屬度。

Dj=‖xk-xj‖≤e2；k = 1，…，n；k≠j

(15)

(16)

數據集X通過FCM算法得到的模糊化分矩陣Uc×n為：

Uc×n={uij}=[u1，…，uj，…，un];i=1，…，c;j=1，…，n

(17)

式中,uj是數據集X里的第j個樣本xj的隸屬度向量，大小為c×l;uij是樣本xj歸屬于第i 類的隸屬度，i=1，…，c;j=1，…，n。

(18)

(19)

wj,p=e-‖xj-xj,ps‖2,j=1，…，n;p=1，…，lj

(20)

(21)

(22)

最后，經過模糊識別算法的處理后，將變化強度數據中的變化像元和相關系數數據中的變化像元求交集建立混淆矩陣，完成變化區域和未變化區域的檢測。

2　模糊閾值法遙感檢測方法在智慧農業中的應用

2.1數據來源采用云南某地區的2015和 2012年的IKONOS遙感影像，影像的空間分辨率為1m，由紅、綠、藍3 個波段組成，影像均經過配準處理。第一時相的4幅影像尺寸全部為5 001×5 001，第二時相的影像尺寸全部為5 000×5 000。

2.2圖像預處理對2期影像數據進行配準、校正，保證影像數據空間上的準確性。未經過處理的影像之中包含有噪聲，分離噪聲因素是進行遙感影像變化檢測前重要的一步，降噪之后的影像質量將會更好，在進行變化檢測時產生的誤差將會大大減少。ICA/MNF變換方法是近年來發展起來的一種圖像預處理方法，其優點是可以在僅有的觀測數據( 信號與噪聲的混合體)中分離出相互獨立的源信號，避免了數據冗余，在新的影像中包含的變化信息按照信噪比依序減少，而且該方法具有正交性與線性不變性，新的結果影像不影響原始差異影像中包含的變化信息[16]。

為了保證有針對性地檢測研究對象的變化情況，在進行ICA/MNF變換之后，對2個時相影像進行多尺度分割。完成對第一幅影像的分割后，第一幅影像作為參考，對第二幅影像進行分割，以保證不同時相相同影像位置所對應的像斑包含的像元數目相同，以便于變化信息的檢測。

2.3結果與分析首先對遙感影像數據進行圖像預處理，配準、校正后采用ICA/MNF對影像進行處理，盡量分離獨立源信號，加大圖像反差，便于后期的處理和分析。

該研究采用分形網絡演化算法對影像預處理后的數據進行多尺度分割，經過多次試驗，最終確定形狀因子0.7、緊致度0.65、分割尺度270。

從試驗數據中提取77幅570×570像素大小的圖像，經過面向像元的變化檢測發現變化區域大于40%的有61幅，一一賦以索引，將其按照累計貢獻率按照從大到小的順序進行排序，Q型因子統計結果(部分)見表1。

表1　Q型因子選擇結果統計

經過對Q型因子的分析之后，選擇比較具有代表性的后半部分數據進行進一步的分析，可以看到訓練樣本數量從37上升到43時，選擇精度會有較大的提升，可以達到90%；在此基礎上增加訓練樣本數目，會發現精度的提高呈現緩慢的趨勢，對整體的分類精度不再有突出的貢獻。基于以上認識，該研究選取43幅累計貢獻率較高的樣本進行閾值的確定工作。

通過對影像樣本計算變化強度和相關系數，分別獲取樣本集的最優閾值以及基于熵的二值化方法所確定的閾值，作為第一閾值和第二閾值。選取樣本閾值集的中位數作為整幅影像的檢測閾值，見表2。

根據模糊分類原理，分別對變化強度以及變化系數的計算結果進行模糊識別。使用雙閾值將影像劃分為背景和變化區域，其中不定類的像元保留其灰度值不變，利用自適應性模糊識別算子構建目標函數進行劃分和識別，直到完成所有不確定像元的劃分，即完成了整個識別過程。

表2　雙閾值取值

為了驗證模糊閾值法對變化區域檢測的能力，將基于期望最大化算法和貝葉斯最小誤差率理論的全局閾值法、雙模糊閾值法和基于樣本集的最優閾值、二值化閾值的雙閾值法共同進行試驗，通過人工對整幅影像變化區域進行檢測，從而驗證該方法的準確性。

規定驗證影像塊的2期影像見圖1。影像塊的4種檢驗方法結果見圖2。

圖1　規定驗證影像塊的2期影像Fig.1　Phase 2 images of stipulated verification image block

2.4檢測結果精度分析經過對影像變化區域進行進一步的分析，2組樣本數據的變化檢測精度見表3。由表3可知，雙模糊閾值法的檢測正確率較雙閾值法和全局閾值法分別提升了5.38%、31.12%，而漏檢率同比降低1.13%、3.16%，這說明雙閾值法相較于傳統方法確實有更高的準確率。

表3樣本數據的3種方法檢測精度比較

Table3Thecomparisonofdetectingprecisionforsampledatabasedonthreekindsofmethods%

同時，由于變化比例的不同，在變化量較小的樣本數據中，雙模糊閾值法以略高于雙閾值法0.85%的虛檢率為代價，有效降低在復雜檢測條件下檢測漏檢率，提高檢測正確率；作為對照的雙閾值法雖然準確率低于雙模糊閾值法，但仍然可以看出其在樣本數據中的正確率較全局閾值法高25.74%，這說明通過選擇典型樣本確實可以在一定程度上彌補由于變化比例而引起的正確率不穩定的缺點。

從景觀識別能力來看，相較于全局閾值法以及雙閾值法，雙模糊閾值法具備對研究區域景觀更好的描述能力，總體上可以保證識別對象的完整性，提高景觀識別度。這說明通過模糊識別算法確實可以在一定程度上抑制由“硬分類”而導致的景觀破碎的現象，提高檢測結果的可讀性。

3　結論

該研究提出了一種基于模糊閾值法的高空間分辨率的遙感影像變化檢測方法，該方法適用于小比例變化量區域的多時相遙感影像變化檢測，樣本檢測結果表明，其效率較高、精度好等特點可為智慧農業提供變化檢測方面的技術支持，在土地資源調整、災害評估、作物長勢和作物生態環境調查等重要研究領域中具有一定應用價值。

圖2　影像塊的4種檢驗方法結果Fig.2　Results for 4 kinds of test methods of image block

[1] 佟彩，吳秋蘭，劉琛，等.基于3S技術的智慧農業研究進展[J].山東農業大學學報(自然科學版)，2015，46(6)：856-860.

[2] 孫忠富，杜克明，鄭飛翔，等.大數據在智慧農業中研究與應用展望[J].中國農業科技導報，2016，15(6)：63-71.

[3] 唐華俊，吳文斌，楊鵬，等.農作物空間格局遙感監測研究進展[J].中國農業科學，2010，43(14)：2879-2888.

[4]GUOC，ZHANGL.Anovelmultiresolutionspatiotemporalsaliencydetectionmodelanditsapplicationsinimageandvideocompression[J].IEEEtransactionsonimageprocessing，2010，19(1)：185-198.

[5]HUANXL，MURALIB，ALILA.Imagerestorationbasedonthefastmarchingmethodandblockbasedsampling[J].Computervisionandimageunderstanding，2010，114(8)：847-856.

[6] 賈春陽，李衛華，李小春.基于自適應權值FNEA算法的高分辨率遙感圖像分割[J].國土資源遙感，2013，25(4)：22-25.

[7]LIUT，YUANZ，SUNJ，etal.Learningtodetectasalientobject[J].Patternanalysisandmachineintelligence，2011，33(2)：353-367.

[8] 賈永紅，謝志偉，張謙，等.采用獨立閾值的遙感影像變化檢測方法[J].西安交通大學學報，2015，49(12)：12-18.

[9] 李攀.基于CVA的植被覆蓋度變化信息提取方法研究[D].北京：首都師范大學，2011：17-52.

[10] 吳劍.基于面向對象技術的遙感震害信息提取與評價方法研究[D].武漢：武漢大學，2010：21-47.

[11] 劉小芳，何彬彬.鄰近樣本密度和隸屬度加權FCM算法的遙感圖像分類方法[J].儀器儀表學報，2011，32(10)：2242-2246.

[12]DAMEA，MARCHANDE.Second-orderoptimizationofmutualinformationforreal-timeimageregistration[J].IEEEtransactionsonimageprocessing，2012，21(9)：4190-4203.

[13] 虞欣，鄭肇葆.基于Q型因子分析的訓練樣本的選擇[J].測繪學報，2007，36(1)：67-71.

[14] 孫燮華.圖像處理C#.NET編程與實驗[M].北京：機械工業出版社，2010：11-56.

[15]NIELSENAA.Kemelmaximumautocorrelationfactorandminimumnoisefractiontransformation[J].IEEEtransactiononimageprocessing，2011，20(3)：612-624.

[16]ZHANGHT，CHENGWX，CHENXY，etal.ResearchonthelandslidedisasterdetectionmethodofhighresolutionremotesensingimagebasedonICA/MNF[J].Journalofcatastrophology，2015，30(1)：193-197.

TheApplicationofChangeDetectionbyHighSpatialResolutionRemoteSensingintheWisdomAgriculture

GUOYing-jie,ZHULan-yan*,LIChao

FacultyofLandandResourcesEngineering,KunmingUniversityofScienceandTechnology,Kunming,Yunnan650093)

Thetraditionalmethodthatidentifiesglobalfixedthresholdaccordingtotheexperienceandthewholeimagecannotadapttothedifferentpropertiesofdetectingobjectswhendeterminetheheterogeneityoftheimageobject.Concerningthisissue,thispaperproposesamethodbasedonadaptivedoublefuzzythreshold.Preprocessingfinishestheprophasejobtomakeiteasiertodothefollowingrecognizingworks,whichincludesbinarization,smoothnessandrefinementsuchimagestandardizationoperationsbeforetheimagechangedetection.RepresentativesamplesareobtainedinaccordancewithQfactorinthewholeimage.Thereexistsanoptimalthresholdindexofchangemagnitudeandthecorrelationcoefficient,andbinarizationthresholdofentropytodescribethechangeextentbetweentworesults.Itisnecessarytoestablishasamplecollectionofchangethreshold,andmakethemedianofasetasthechangethresholdofthewholeimage.Finally,changedetectionresultsareobtainedaftercountingintersectionandestablishingconfusionmatrix.Resultsshowthatthealgorithmhasagoodadaptabilityfordifferentimageobjects.Comparedwithtraditionalchangedetectionmethod,theaverageaccuracyofidentifyingisimprovedby31.12%,whicheffectivelyreducesmistakes.

Thewisdomagriculture;Changedetection;Qfactor;Adaptability;Fuzzyidentificationmode;Double-threshold

國家自然科學基金資助項目(41261043)。

虢英杰(1993- )，男，山東日照人，碩士研究生，研究方向：定量遙感、變化信息監測。*通訊作者，副教授，從事測量平差研究。

2016-08-29

S127

A

0517-6611(2016)26-0233-05