綜合多級別檢測的林地變化檢測方法

郝從娜，陶文曠

(1. 遼寧石油化工大學 順華能源學院, 遼寧 撫順 113001) (2. 中國礦業大學 環境與測繪學院， 江蘇 徐州 221008)

·信號處理·

綜合多級別檢測的林地變化檢測方法

郝從娜1，陶文曠2

(1. 遼寧石油化工大學 順華能源學院, 遼寧 撫順 113001) (2. 中國礦業大學 環境與測繪學院， 江蘇 徐州 221008)

為了提高植被變化檢測精度和獲取植被變化類型信息，在綜合利用像素級變化檢測、特征級變化檢測和分類后變化檢測的基礎上，提出了一種由粗到精并準確獲取變化信息的植被變化檢測方法。文中選取2002年和2007年的QuickBird多光譜圖像作為試驗對象，使用像素級變化檢測處理多時相遙感數據，確定出包含植被變化的候選區域；然后，使用特征級變化檢測確定出變化區域；最后，結合分類后變化檢測獲取變化信息的位置和類型。通過對兩時相遙感數據進行變化檢測試驗，并與各單獨檢測方法對比，驗證新方法的有效性。結果表明：該方法在提高了變化檢測精度的同時能夠提供變化地物信息，可以有效地應用于植被變化信息的檢測。

變化檢測；林地變化；分類后變化檢測

0 引 言

變化檢測技術就是對不同時段的目標或現象狀態發生的變化進行識別、分析的計算機圖像處理系統，包括判斷目標是否發生變化、確定發生變化的區域、鑒別變化的類別、評價變化的時間和空間分布模式等[1]。數十年來，各國學者都在致力于研究變化檢測技術，已相繼發展了許多基于遙感影像的變化檢測方法?；舸豪椎萚2]討論了遙感圖像變化檢測中的多尺度融合問題，提出了基于多尺度融合的對象級的變化檢測框架。該框架利用對象級的變化檢測方法,提高了變化類和非變化類的可分性。王洪先[3]針對多時相遙感圖像之間的變化檢測易受照度變化和噪聲的影響，提出了一種基于多尺度分析和多變量假設檢驗的變化檢測方法。佃袁勇等[4]在利用Mean-Shift分割算法的基礎上,根據高空間分辨率影像上變化區域呈聚集狀分布的特點，提出了一種面向地理對象的遙感影像變化檢測算法。龍玄耀等[5]使用一種基于組分的多尺度形態學梯度代替紋理加入空間信息，有效地提高城市變化檢測精度。徐德偉等[6]通過直接估計影像分布函數比值，從而提出了一種SAR圖像變化檢測方法。但目前的研究表明，沒有任何一種變化檢測方法具有絕對的優勢[7]。在實際的應用中，要根據具體的應用目的選取合適的變化檢測方法。

按照分類與檢測的先后順序可將變化檢測分為分類后變化檢測和分類前直接檢測。分類前直接檢測即先檢測再分類，一般只能分為變化類和非變化類，檢測精度較高；缺點是閾值的確定沒有絕對的標準，分類精度完全依賴于閾值大小，且無法確定變化的地物類型。分類后變化檢測即先分類再檢測再分類，比較同一位置的分類結果，優點是回避了影像輻射校正、幾何配準的問題，可以提供變化性質的信息，由何種類型向何種類型轉變；缺點是必須進行兩次影像分類，變化檢測的精度非常依賴于影像分類的精度，可能會夸大變化的程度[8]。

而分類前變化檢測又可以根據不同級別分為：像素級變化檢測、特征級變化檢測和目標級變化檢測。其中，像素級為最低級別的檢測方法，該方法直接比較不同時相影像中對應像素的灰度值差異，也是應用最為廣泛的方法。特征級變化檢測是利用不同時相的影像上提取的對應特征進行的比較，較像素級變化檢測更為穩定。目標級變化檢測是在特征信息提取的基礎上識別出具有一定概念意義的目標(比如植被，海岸，機場等)，需要結合目標知識庫對目標進行特征提取及識別和檢測，并分析目標的變化，是最高層次上的變化信息的提取。

因此，本文在總結已有的遙感變化檢測技術方法的基礎上，對原有變化檢測方法進行了綜合應用,兼顧了信息與精度，提出一種綜合多種類型變化檢測方法各自優點的新方法，應用于植被的檢測中。

1 方法及步驟

影像比值法(像素級變化檢測)可以確定變化信息的位置，縮小檢測范圍，提高檢測速度，但不能獲得具體的變化類型，且檢測的閾值無法精確確定，設定的閾值直接影響變化檢測的最終精度[9]。因此，在比值法確定的變化候選區域中進行基于植被特征的變化檢測(特征級變化檢測)，從而彌補檢測精度的不足，最后，通過分類后變化檢測彌補無法獲得具體變化類型和變化方向的不足。具體步驟及流程如圖1所示。

圖1 本文方法變化檢測流程圖

(1)影像預處理：采用鄧書斌[10]提出的利用圖像差值與質量控制相結合的方法進行輻射歸一化，在近似的條件下可以假設兩時相影像對應像素的灰度之間滿足線性關系,這樣就可以通過線性等式來描述不同時相間的灰度關系,用X表示參考圖像,Y表示待校正圖像,他們之間的線性關系可描述為

Y= aX+b

(1)

式中：a為增益量；b為偏移量；a、b均未知。

可以通過選取不變特征點(PIF),較好地克服樣本選擇的主觀性,得到樣本的相關系數達到98%以上,采用最小二乘法求解上述線性關系式,對待校正圖像的灰度值進行線性變換,使兩幅圖像上同名地物具有相同輻射值,實現遙感動態監測中多時相遙感圖像的輻射歸一化[10]。

(2) 像素級變化檢測：本文采用的是兩時相影像對應波段比值的方法，為了減少離散的分離點，增加變化區域的連貫性，本文使用對應像素及周圍八個像素的均值代替該像素進行計算[11]，公式表達為

(2)

式中：α為求得的比值圖像的像素值；M1，M2為以兩時相遙感影像上對應像素為中心的小窗口矩陣。

(3) 特征級變化檢測：在像素級檢測得到的變化區域中進行基于植被特征的變化檢測。由于一種特征容易造成誤檢，本文采用了植被NDVI和紋理特征相結合的方法進行檢測。

(4) 得到的變化影像為矢量格式，分為變化區域和未變化區域兩個部分,以得到的矢量圖像為掩膜，得到兩期影像變化區域的局部范圍，在該范圍內分別對兩期影像采用相同尺度進行分割和分類。

(5) 對分類后的影像進行分類后變化檢測得到最終變化檢測結果。

(6) 對最終變化檢測結果進行精度評估，并與其他方法進行比較分析。

2 試驗結果與分析

本文以2002年和2007年的QuickBird多光譜圖像作為數據源，影像位于美國科羅拉多州北部地區，主要覆蓋地物為黑松樹，由于山松甲蟲的爆發，2007年這片區域的森林遭到嚴重破壞，遭受山松甲蟲侵害的樹木逐漸變成紅色，最終枯萎。圖像分辨率為2.4 m，選取大小1 500×1 500像素的影像為實驗區域，如圖2所示。

顯示方式為標準真彩色顯示，綠色區域為植被，可以看到，2007年的時候大量的綠色植被變為紅色病蟲害區域。

傳統相對輻射校正的方法手動選取不變點，個人主觀因素較強，本文利用波段間差值運算與樣本選取質量控制相結合的方法來選擇偽不變特征地物，過程如下：

對兩時相影像的某一波段做差值運算，圖像中未發生變化的地類在兩個時相的遙感圖像上一般具有相等或相近的灰度值[12]，而當地物發生變化時，其灰度值會有較大差別，前面提到，即使未發生變化的地物，由于成像時間不同，在不同時相的影像中的輻射值也會有差異。因此，我們需設定一個范圍來從差值圖像中提取不變點，即

PIF={D1

(3)

D1和D2為提取的閾值，DN為波段間的差值。D1和D2應在0值附近，具體值可分析差值圖像的直方圖或根據經驗值來確定。本文選取的D1為-50，D2為50。分別對影像四個波段進行處理，最終得到歸一化之后的影像圖。

像素級變化檢測中采用3×3的小窗口矩陣，有效地增強了變化區域的連貫性，然后，采用Otsu自適應閾值分割方法將得到的比值差異圖像分割為二值圖像，1代表變化區域，0代表未變化區域。

將像素級變化檢測的結果掩膜到原影像上，使不變化區域值變為0，變化區域信息不變，在此基礎上進行特征級變化檢測。選擇大量樣本點，部分作為訓練樣本，少量作為最終檢驗樣本。首先，選取植被樣本點，統計樣本點的NDVI值，得到林地的NDVI值在0.28～0.8，使用該閾值將兩景影像分割為林地與非林地，1代表林地，0代表非林地。然后進行異或運算，即相同位置的對應像素值同為1或同為0是，結果為0，即林地沒有發生變化；一個時相像素值為0，另一個時相像素值為1，結果為1，即林地發生了變化。單特征檢測很容易造成誤檢[13]，所以，本文結合了紋理特征檢測，有效地提高了檢測精度，采用與上述方法相同的處理方式。為了不破壞整體的紋理，此處采用先檢測后掩膜的處理，即先對兩時相的原圖像分別求紋理特征圖像，根據灰度分布直方圖得到閾值，將原圖像分割為植被與非植被，植被區域值為1，非植被區域值為0，再對兩幅二值圖像進行異或運算，得到代表變化與非變化的二值圖像。將NDVI檢測結果的二值圖像掩膜到紋理檢測的結果之上，得到最終的二值檢測結果。

為確定變化區域的類型，對兩期影像進行分類，生成的對象為具有實際意義的土地圖斑[14]。2002年影像分為雪地和林地，2007年影像分為雪地、林地和病蟲害區域。為提高分類精度，本文使用基于KT變化影像融合后的分類方法進行分類，首先，對原影像進行纓帽變換，得到的四個分量分別為亮度指數、綠度指數，濕度指數和無實際意義的第四分量，將植被指數圖像與上步中獲得的第四分量進行直方圖匹配，使原始兩個波段的均值和方差信息一致；然后，用匹配后的植被指數影像代替第四分量進行纓帽變換的逆變換獲得最終融合影像。由于在原影像中加入了植被指數信息，從而使得植被與非植被的邊界更加清晰，更加有利于分類[15]。

本文對多種檢測方法進行了實驗和對比，并分析不同方法的有效性。圖3分別給出了單獨使用像素比值法，紋理特征檢測，NDVI特征檢測，分類后變化檢測，及本文方法得到的植被變化檢測結果。

圖3 不同方法檢測結果比較

對變化檢測結果的精度評價一般參考遙感影像分類的精度評定方法，即構造誤差矩陣(也稱混淆矩陣)計算相關精度指標[16-18](如表1)。主要精度指標包括：

表1 變化檢測誤差矩陣

(1)虛檢率

(4)

指實際未發生變化的像元被錯誤檢測為變化像元的個數占檢測到的所有變化像元個數的比例，是由誤差引起的虛假變化的概率。

(2)漏檢率

(5)

指實際發生變化的像元被錯誤檢測為未發生變化像元的個數占實際變化像元的比例，即由誤差引起的漏檢變化的概率，表示檢測結果內部的一致性。

(3)總體檢測精度

(6)

表示正確檢測的樣本數占總體樣本的比例，反映了總體的檢測精度。

按照林地，雪地，病蟲害林地對各區抽取200個像元點進行驗證，通過計算虛檢率，漏檢率和總體檢測精度來進行評價，評價結果如表2所示。

表2 變化檢測精度及誤差統計 %

虛檢率漏檢率總體精度像素級檢測68.3040.1549.08特征級檢測36.1741.1959.32傳統分類后檢測方法35.2940.7060.12本文方法38.0136.9964.40

由于本文使用像素級檢測確定變化的大致區域，在設置閾值時稍有提高，盡量減少漏檢像元，從而使得虛檢率較高。特征級檢測為兩種特征的綜合結果，其精度相比較像素級有所提高。本文由以上的兩個級別的檢測排除了非變化區域的干擾從而使得虛檢率大有提高，相比較相同分類尺度下的傳統分類后檢測方法精度有所提高。

3 結束語

本文在傳統變化檢測算法的基礎上，通過分析比較各種變化檢測的優缺點，利用多時相遙感影像進行實驗，通過分類前檢測確定變化區域，分類后檢測確定變化信息，綜合了各自的優點。相比分類前檢測，精度相同，并且可以獲得變化地物信息；相比分類后檢測，由于本方法避免了未變化區域造成的的冗余數據的影響，從而大大提高了檢測結果的正確率，可以取得較好的檢測結果。本文采用的像素級、特征級等級別的檢測方法均是相應級別最簡單方便的方法，且閾值的選取多為直方圖分布或經驗選取，今后的重點在選擇更為復雜的檢測提取方法，提高各個級別的檢測精度，同時采用更加合理的方法確定閾值。

[1] 顧文俊，趙忠明，王苓涓. 基于變化檢測技術的城區建筑變化目標提取[J]. 計算機工程與應用，2004, 5(1): 198-200. GU Wenjun, ZHAO Zhongming, WANG Linjuan. The detection of the changed building in city based on change detection technology[J]. Computer Engineering and Applications, 2004, 5(1): 198-200.

[2] 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. HUO Chunlei, CHENG Jian, LU Hanqing, et al. Object-level change detection based on multiscale fusion[J]. Acta Automatica Sinica, 2008, 34(3): 251-257.

[3] 王洪先. 一種基于小波變換的圖像變化檢測算法[J]. 現代雷達, 2007, 29(11): 53-55. WANG Hongxian. Change detetion algorithm based on wavelet transformation[J]. Modern Radar, 2007, 29(11): 53-55.

[4] 佃袁勇, 方圣輝, 姚崇懷. 一種面向地理對象的遙感影像變化檢測方法[J]. 武漢大學學報(信息科學版), 2014, 39(8): 906-912. DIAN Yuanyong, FANG Shenghui, YAO Chonghuai . The geographic object based method for change detection with remote sensing imagery[J]. Geomatics and information Scicncc of Wuhan University, 2014, 39(8): 906-912.

[5] 龍玄耀, 李培軍. 基于圖像分割的城市變化檢測[J]. 地球信息科學, 2008, 10(1): 121-127. LONG Xuanyao, LI Peijun. A method of urban change detection based on image segmentation[J]. Geo-Information Science, 2008, 10(1): 121-127.

[6] 徐德偉, 茹 卉, 宋 輝, 等. 基于直接密度比估計的SAR圖像變化檢測[J]. 現代雷達, 2015, 37(2): 28-32. XU Dewei，RU Hui，SONG Hui, et al. SAR image change detection based on direct density-ratio estimation[J]. Modern Radar, 2015, 37(2): 28-32.

[7] 吳 芳, 劉 榮, 田維春, 等. 遙感變化檢測技術及其應用綜述[J]. 地理空間信息, 2007, 5(4): 57-60. WU Fang，LIU Rong，TIAN Weichun, et al. Technology for remote sensing chang detection and its application[J]. Geospatial Information, 2007, 5(4): 57-60.

[8] 周啟鳴. 多時相遙感影像變化檢測綜述[J]. 地理信息世界, 2011, 4(2): 28-33. ZHOU Qiming. Review on change detection using multi-temporal remotely sensed imagery[J]. Geomatics World, 2011,4(2): 28-33.

[9] 張振龍, 曾志遠, 李 碩, 等. 遙感變化檢測方法研究綜述[J]. 遙感信息, 2005, 3(5): 64-66. ZHANG Zhenlong, ZENG Zhiyuan, LI Shuo, et al. A summary of change detection methods of remote sensing image[J]. Remote Sensing Information, 2005, 3(5): 64-66.

[10] 鄧書斌, 武紅敢, 江 濤. 遙感動態監測中的相對輻射校正方法研究[J]. 遙感信息, 2008, 5(4): 71-75. DENG Shubin, WU Honggan, JIANG Tao. A study on relative radiometric normalization for remote sensing dynamic monitoring[J]. Remote Sensing Information, 2008, 5(4): 71-75.

[11] 唐樸謙, 楊建宇, 張 超, 等. 基于像素比值的面向對象分類后遙感變化檢測方法[J]. 遙感信息, 2010, 3(1): 69-72. TANG Puqian, YANG Jianyu, ZHANG Chao, et al. An object-oriented post-classification remote sensing change detection after the pixel ratio[J]. Remote Sensing Information, 2010, 3(1): 69-72.

[12] 范海生, 馬藹乃, 李 京. 采用圖像差值法提取土地利用變化信息方法[J]. 遙感學報, 2001, 5(1): 75-80. FAN Haisheng, MA Ainai, LI Jing. Case study on image differencing method for land use change detection using thematic data in renhe district of panzhihua[J]. Journal of Remote Sensing, 2001, 5(1): 75-80.

[13] 張永梅, 李立鵬, 姜 明, 等. 綜合像素級和特征級的建筑物變化檢測方法[J]. 計算機科學, 2013, 40(1): 286-293. ZHANG Yongmei, LI Lipeng, JIANG Ming, et al. Change detection method for buildings based on pixel-level and feature-level[J]. Computer Science, 2013, 40(1): 286-293.

[14] 付麗莉, 李 鋼, 王 慶. SPOT5衛星影像在土地變更調查中的應用[J]. 國土資源信息化, 2005, 24(5): 26-30. FU Lili, LI Gang, WANG Qing. Application of SPOT5 satellite image to the investigation of land use changes[J]. Land and Resources Informatization, 2005, 24(5): 26-30.

[15] 張秀英, 馮學智, 丁曉東, 等. 基于面向對象方法的IKONOS影像城市植被信息提取[J]. 浙江大學學報(農業與生命科學版), 2007, 33(5): 568-573. ZHANG Xiuying, FENG Xuezhi, DING Xiaodong, et al. Detecting urban vegetation categories based on object-oriented method from IKONOS data[J]. Journal of Zhejian University (Agriculture and Life Science), 2007, 33(5): 568-573.

[16] OORT VAN PAJ. Interpreting the change detection error matrix[J]. Remote Sensing of Environment, 2007, 108(1): 1-8.

[17] 杜培軍, 柳思聰, 鄭 輝. 基于支持向量機的礦區土地覆蓋變化檢測[J]. 中國礦業大學學報, 2012, 41(2): 262-267. DU Peijun, LIU icong, ZHENG Hui. Land cover change detection over mining areas based on support vector machine[J]. Journal of China University of Mining & Technology, 2012, 41(2): 262-267.

[18] 張友靜, 高云霄, 黃 浩, 等. 基于SVM決策支持樹的城市植被類型遙感分類研究[J]. 遙感學報, 2006, 10(2): 191-196. ZHANG youjing, GAO yunxiao, HUANG Hao, et al. Research on remote sensign classlfi-cation of urban vegetation species based on SVM decision-making tree[J]. Journal of Remote Sensing, 2006, 10(2): 191-196.

郝從娜 女，1984年生，碩士，講師。研究方向為地理信息系統、遙感及光譜分析等。

陶文曠 男，1993年生，碩士研究生。研究方向為生態環境遙感方面。

Comprehensive Multi-level Detection Method for Vegetation Change Detection

HAO Congna1，TAO Wenkuang2

(1. Shunhua Energy Institute, Liaoning Shihua University, Fushun 113001, China) (2. School of Environment Science and Spatial Informatics,China University of Mining & Technology, Xuzhou 221008, China)

In order to improve the accuracy of change detection and obtain the information of vegetation changes，we proposed a method of obtain accurate from coarse to fine on the basis of utilization of pixel level change detection, feature-level change detection and after classification change detection. 2002 and 2007 QuickBird multispectral image is selected as a test object, using pixel-level change detection process the multi-temporal remote sensing data to determine the candidate region including vegetation changes, and then using feature-level change detection to determined the changes in the region. Finally the location and type of changes information are obtained by using after classifition detection change. By the test of two remote sensing data change detection, and compare with the individual detection method, the validity of the new method is verified. The results showed that: new method could improve the detection accuracy changes while providing feature information changes, and could be effectively applied to vegetation change detection information.

change detection; forestland changes; post-classification comparison change detection

10.16592/ j.cnki.1004-7859.2016.12.011

國家重大科學儀器設備開發專項項目(2012YQ24012705)；中煤科工集團科技創新基金面上項目(2014M5030)

陶文曠 Email：tao129tao@163.com

2016-09-19

2016-11-22

TP751

A

1004-7859(2016)12-0056-05