基于像斑異質度的矢量圖與遙感影像變化檢測

李 亮， 王 蕾， 王 凱， 李 勝

(1.四川省第三測繪工程院,成都 610500； 2.長江勘測規劃設計有限責任公司工程移民規劃研究院,武漢 430010)

0 引言

遙感影像變化檢測是采用一定的算法確定遙感影像中變化位置的過程，已在土地利用/覆蓋變化檢測[1]、災后評估[2]、地形圖更新[3]等領域中廣泛應用。依據使用的不同數據源，遙感影像變化檢測可分為影像―影像法與矢量―影像法2類。前者利用2個時期的遙感影像進行變化檢測，后者則利用舊時期的矢量圖與新時期的遙感影像進行變化檢測。目前對影像―影像法的研究較多，形成了大量的經典方法[4-5]； 但對矢量―影像法的研究還較少，尚未形成成熟的方法體系[6]。Walter[7]提出一種面向對象的GIS矢量數據與遙感影像的變化檢測方法，實現了GIS矢量數據的更新； 張繼賢等[8]提出一種基于知識庫的矢量與影像變化檢測方法，實現了土地利用/覆蓋的變化檢測； 謝仁偉等[9]采用一種基于統計檢驗的矢量與遙感影像變化檢測方法，通過構建t分布，實現了土地利用的變化檢測。文獻[7-8]采用監督的變化檢測方法，需要人工選取訓練樣本，自動化程度較低； 文獻[9]是一種全自動的變化檢測方法，但提取的像斑特征過于簡單，變化檢測的精度有限。

為提高矢量圖與遙感影像變化檢測的效率與精度，本文提出一種利用像斑異質度的矢量圖與遙感影像變化檢測方法。該方法是一種非監督的變化檢測方法，先在分割像斑基礎上，兼顧光譜特征與紋理特征提取各像斑的直方圖作為像斑特征，再利用直方圖相交距離構建像斑異質度，采用最大熵法自動獲取各類別的異質度閾值，最后依據類別異質度閾值比較像斑的異質度，實現對像斑變化與否的判別。本文通過對QuickBird遙感影像的實驗，驗證了該方法的有效性。

1 變化檢測方法

本文提出基于像斑異質度的矢量圖與遙感影像變化檢測方法，以舊時期矢量圖與新時期遙感影像為數據源，在矢量圖約束下對新時期遙感影像采用標記分水嶺算法進行分割獲取像斑，在遙感影像上提取兼顧各像斑光譜特征與紋理特征的直方圖作為對應像斑的特征； 采用直方圖相交距離度量像斑的特征距離，利用像斑與同類別其他像斑的特征距離構建像斑的異質度； 利用最大熵原理，依據各地物類別中所有像斑的異質度，獲得各地物類別的異質度閾值； 通過比較像斑異質度及對應類別的異質度閾值，實現對像斑變化或未變化的判別。圖1為本文方法的流程圖。

圖1 本文方法流程圖Fig.1 Flowchart of proposed method

令舊時期的矢量圖為V，新時期的遙感影像為R。矢量圖中地物類別的集合為Ω={Ω1,Ω2,…,Ωm}，其中Ωp(1≤p≤m)為第p種地物類別；m為地物類別總數。在矢量圖V的約束下，影像R被分割為n個像斑，即R={R1,R2，…,Rn}，其中Rq(1≤q≤n)為第q個像斑。所有像斑在舊時期的地物類別集合為T={T1,T2，…,Tn}，其中Tq(1≤q≤n)為像斑Rq在舊時期矢量圖中的地物類別(簡稱像斑Rq的地物類別)，且Tq∈Ω。

(1)

式中λΩp為Ωp類地物對應的異質度閾值。

1.1 矢量圖約束的影像分割

矢量圖中的圖斑變化分為全局變化與局部變化2種。為了對圖斑中的局部變化區域精確定位，需要在矢量圖V的約束下對遙感影像R進行影像分割。矢量圖約束的影像分割在保留原始矢量圖邊界的同時，還能分割出影像中新產生的邊緣。矢量圖約束的影像分割如圖2所示。圖中原始矢量圖包含R1和R2這2個圖斑，其中圖斑R1內部發生了局部變化，經過矢量圖約束下的影像分割后，圖斑R1內部新增了圖斑R3(圖斑R1和R3在矢量圖中的地物類別相同)。

(a) 矢量圖 (b) 柵格影像 (c) 矢量圖約束的影像分割

圖2矢量圖約束的影像分割示意圖

Fig.2Diagramofimagesegmentationconstrainedbyvectormap

標記分水嶺算法是一種快速的影像分割方法，能夠獲取連續的單像素邊緣。該方法首先生成梯度影像，然后依據一定的梯度閾值獲取表達地物內部的標記區域，在標記區域基礎上向外泛洪； 當來自不同標記區域的洪水匯合時，設定分水嶺將其隔開，分水嶺便對應影像中的邊緣。Meyer[10]提出的一種基于優先級隊列數組的泛洪方法，有效提高了影像的分割效率。本文中采用標記分水嶺算法實現矢量圖約束的影像分割。首先將矢量圖的邊緣映射到遙感影像上，形成先驗分水嶺； 然后在先驗分水嶺的約束下，利用傳統的標記分水嶺算法進行影像分割。

1.2 像斑特征提取

像斑是一系列像元的集合，像斑特征應能反映像斑內部像元的分布特征。灰度直方圖屬于統計學特征，能夠描述像斑內部像元灰度值的分布，在表達像斑光譜特征的同時，還能表達像斑的紋理特征，在像斑特征提取中廣泛應用[11-13]。灰度直方圖是一張二維圖，用來表達灰度值與其出現次數的函數關系，其橫坐標為灰度值，縱坐標為灰度值出現的次數。圖3為像斑直方圖特征示意圖，其中A為道路像斑，B為居民地像斑。道路與居民地的反射率均較強，2個像斑的灰度均值相差較小； 但道路像斑內像元灰度的分布較為集中，而居民地像斑內像元灰度的分布較為分散，故2個像斑的直方圖相差較大。

圖3像斑直方圖特征示意圖

Fig.3Diagramofobjecthistogramfeatures

像斑直方圖與像元灰度級密切相關。像元灰度級過小，像斑直方圖的分布較為集中，但地物細節信息會被壓縮，導致地物之間的可分性較差，從而降低變化檢測的精度； 像元灰度級過大，像斑直方圖的分布過于稀疏，會降低后續直方圖距離度量的準確性，導致變化檢測的精度降低。

1.3 像斑異質度構建

像斑異質度用來衡量像斑偏離其舊時期地物類別的程度，其值越大，則像斑發生變化的程度越大。本文利用像斑與舊時期同類別像斑特征距離的均值來構建像斑的異質度。Ωp類中像斑的異質度計算公式為

(2)

當Ωp類中變化像斑數量較少時，變化像斑與其他未變化像斑的特征距離較大，對應的像斑異質度也較大；未變化像斑與其他未變化像斑的特征距離較小，對應的像斑異質度則較小。

區域出露的地層從下泥盆統至中三疊統，由老至新分別為泥盆系泥巖、泥灰巖、硅質巖、泥質粉砂巖等；石炭系泥巖、含燧石結核或條帶灰巖、白云巖及白云質灰巖等；二疊系灰巖、泥灰巖，燧石條帶灰巖等；三疊系砂質泥巖夾薄層狀硅質巖及灰巖；第四系坡積、沖積、殘積層砂土。上述地層除二疊系與石炭系之間是假整合接觸外，其余地層均為整合接觸。

本文方法存在假設前提：各地物類別中的變化像斑比例較小。當參與變化檢測的兩個時期跨度較小時，變化像斑的比例較小，本文方法可以適用。

圖4為像斑異質度的示意圖。圖中像斑A發生了變化，像斑B未發生變化，則像斑A的異質度大于像斑B的異質度。

圖4 像斑類別異質度示意圖Fig.4 Diagram of object class heterogeneity

對于多波段遙感影像，可先計算像斑在各波段上的類別異質度，然后采用加權平均的方法獲得像斑的類別異質度。

從式(2)可知，計算像斑異質度的關鍵在于像斑間特征距離的度量。像斑的特征距離即為直方圖的距離。度量直方圖距離方法較多，有G統計量[14]、KL距離[15]、直方圖相交[16-17]等。直方圖相交法計算簡單，且無需對直方圖的分布預先作任何假設； 該方法衡量的是直方圖的相似性，其值位于區間[0,1]上。2個直方圖越相似，則對應的直方圖相交距離越大。為此，本文采用式(3)來衡量像斑的特征距離，即

(3)

(4)

(5)

1.4 類別異質度閾值獲取

(6)

(7)

式中max(·)為取最大值。

類別異質度閾值由該地物類別下所有像斑異質度的分布決定，不同的地物類別對應的異質度閾值也不同。

1.5 像斑變化判別

利用式(6)計算得到各地物類別的類別異質度閾值后，將像斑的異質度與其所屬類別的異質度閾值進行比較，采用式(1)進行變化判別。具體的變化檢測流程如下：①采用帶約束的影像分割方法，在舊時期矢量圖的約束下，對新時期的遙感影像進行分割，獲取像斑；②遍歷像斑內所有像元的灰度值，獲取像斑的直方圖特征，采用式(3)度量像斑間的特征距離，利用式(2)計算各像斑的異質度；③依據各地類對應像斑的異質度，利用式(6)計算各地類的異質度閾值；④對比像斑異質度與其對應地類的異質度閾值，利用式(1)對像斑進行變化/未變化判別。

2 實驗及分析

為驗證本文方法的有效性，本文利用2002年武漢地區的土地利用矢量圖及2005年對應地區的QuickBird遙感影像進行實驗。2002年矢量圖中有圖斑75個，包含道路、耕地、居民地、林地、湖泊和裸地6類地物。2005年遙感影像包含藍、綠、紅、近紅外4個波段，空間分辨率為2.4 m，影像大小為1 402像元×1 417像元。以2002年矢量圖為約束，對2005年QuickBird影像進行分割，獲取像斑279個(圖5)。其中，圖5 (a)為2002年土地利用矢量圖，圖5(b)為2005年用QuickBird B3(R),B2(G),B1(B)波段合成的模擬真彩色影像，圖5(c)為2005年QuickBird影像在2002年矢量圖約束下的影像分割結果(其中藍色線條表示像斑邊界)。

(a) 2002年矢量圖 (b) 2005年QuickBird影像(c) 帶約束影像分割結果

圖5實驗數據

Fig.5Experimentaldata

本文采用正確率、誤檢率和漏檢率3個指標衡量變化檢測的精度。正確率是檢測結果與實際結果一致的像元在所有像元中的比例； 誤檢率是實際未變化,檢測為變化的像元占檢測變化像元的比例； 漏檢率是實際變化，檢測為未變化的像元占實際變化像元的比例。正確率越高，誤檢率和漏檢率越低，則變化檢測的精度越高。

2.1 灰度級實驗

為了獲取最優的灰度級，本文選取了6組灰度級： 8,16,32,64,128和256進行變化實驗，不同灰度級下的變化檢測精度如圖6所示。

圖6 變化檢測精度與灰度級關系Fig.6 Relationship between change detection accuracy and gray level

從圖6可以看出，變化檢測正確率隨灰度級變化的波動較小，最大值為0.95，最小值為0.93，相差僅為0.02。誤檢率、漏檢率隨灰度級變化的波動較大。當灰度級為8時，誤檢率最小值為0.23，漏檢率為0.31； 當灰度級為64時，誤檢率為0.37，漏檢率最小值為0.25。綜合考慮3個精度指標，本文選取灰度級L=8進行變化檢測。

2.2 變化檢測實驗

為了驗證本文方法的有效性，將本文方法與像斑灰度均值法進行了對比(圖7)。像斑灰度均值法提取像斑內所有像元的灰度均值作為像斑的特征。圖7(a)為依據目視解譯制作的地表標準變化結果，圖7(b)為采用像斑灰度均值法的變化檢測結果，圖7(c)為采用本文方法的變化檢測結果。從中可以看出，像斑灰度均值法存在較多的誤檢(如圖7(b)中箭頭指向區域等)，還存在部分漏檢(如圖7(b)中右下角橢圓形區域等)。這是因為受太陽高度角的影響，道路像斑的光譜特征差異較大，因而道路像斑之間的灰度均值相差較大，導致部分道路像斑被誤判為變化。圖7(b)中橢圓形區域在矢量圖中為裸地，在遙感影像中變化為居民地。裸地與居民地2類地物盡管地物的灰度分布存在一定差異，但兩者的灰度均值均較大，且相差較小，因而導致漏檢。利用本文方法進行變化檢測，圖7(b)中部分誤檢的像斑被正確劃分為未變化，部分漏檢的像斑被正確劃分為變化。這是因為本文方法利用直方圖特征作為像斑的特征，能夠增大不同類別像斑之間的類間差異，減小同類別像斑之間的類內差異，因而有效降低了誤檢率和漏檢率。本文方法中較多線狀像斑被誤判為變化(如圖7(c)中箭頭指向區域等)，這是因為線狀像斑呈帶狀分布，內部像元數過少，像斑直方圖的信息量有限，且受噪聲的影響較大，直方圖距離度量的準確性降低，因而導致了誤檢。

(a) 標準變化 (b) 像斑灰度均值法(c) 本文方法

圖7不同方法變化檢測結果對比

Fig.7Comparisonofchangedetectionresultsbyusingdifferentmethods

表1為這2種方法變化檢測的精度對比。從中可以看出，與像斑灰度均值法相比，本文方法的正確率提高了3%，誤檢率和漏檢率分別降低了16%和14%。本文方法的變化檢測精度較優。

本文方法變化檢測的混淆矩陣如表2所示。

表1 2種方法變化檢測精度對比Tab.1 Comparison of change detection results by using two methods (%)

表2 本文方法變化檢測結果的混淆矩陣Tab.2 Confusion matrix of change detection resultsby using proposed method

3 結論

針對矢量圖與遙感影像的變化檢測，本文提出了一種基于像斑異質度的變化檢測方法。通過矢量圖約束下的影像分割獲取像斑，提取直方圖作為像斑特征； 采用直方圖相交法度量像斑的特征距離； 利用像斑及其他同類別像斑特征距離的平均值表達像斑的異質度； 依據最大熵原理獲取各地物類別的異質度閾值，在此基礎上實現像斑的變化判別。實驗結果證明了本文方法的有效性，同時得出以下結論：

1)本文方法能夠實現矢量圖與遙感影像的自動變化檢測。基于像斑異質度的變化檢測是一種非監督的變化檢測方法，無需人工干預，可實現自動化的變化檢測，提高變化檢測的效率。

2)灰度直方圖能較好地表達像斑的特征，提高變化檢測精度。采用灰度直方圖描述像斑內部像元的分布特征，能較好兼顧像斑的光譜特征與紋理特征，可增大不同類別地物之間的類間差異，減小相同類別地物之間的類內差異，從而提高變化檢測的精度。

3)本文方法的假設前提是2個時期各地物類別發生變化的像斑比例較小。若滿足這一假設條件，本文方法能夠準確有效地進行變化檢測； 若不滿足這一假設條件，則會導致較差精度的變化檢測結果。因此，如何弱化或去除假設前提，應是未來研究工作的重點。

[1] 黃 維,黃進良,王立輝,等.基于PCA的變化向量分析法遙感影像變化檢測[J].國土資源遙感,2016,28(1):22-27.doi:10.6046/gtzyyg.2016.01.04.

Huang W,Huang J L,Wang L H,et al.Remote sensing image change detection based on change vector analysis of PCA component[J].Remote Sensing for Land and Resources,2016,28(1):22-27.doi:10.6046/gtzyyg.2016.01.04.

[2] Xu M,Cao C X,Zhang H,et al.Change detection of an earthquake-induced barrier lake based on remote sensing image classification[J].International Journal of Remote Sensing,2010,31(13):3521-3534.

[3] 趙 敏,陳衛平,王海燕.基于遙感影像變化檢測技術的地形圖更新[J].測繪通報,2013(4):65-67.

Zhao M,Chen W P,Wang H Y.Updating of topographic maps based on change detection for remote sensing image[J].Bulletin of Surveying and Mapping,2013(4):65-67.

[4] Mas J F.Monitoring land-cover changes:A comparison of change detection techniques[J].International Journal of Remote Sensing,1999,20(1):139-152.

[5] Lu D,Mausel P,Brondízio E,et al.Change detection techniques[J].International Journal of Remote Sensing,2004,25(12):2365-2401.

[6] 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),2003,28(s1):7-12.

Li D R.Change detection from remote sensing images[J].Geomatics and Information Science of Wuhan University,2003,28(s1):7-12.

[7] Walter V.Object-based classification of remote sensing data for change detection[J].ISPRS Journal of Photogrammetry and Remote Sensing,2004,58(3/4):225-238.

[8] 張繼賢,楊貴軍.單一時相遙感數據土地利用與覆蓋變化自動檢測方法[J].遙感學報,2005,9(3):294-299.

Zhang J X,Yang G J.Automatic land use and land cover change detection with one temporary remote sensing image[J].Journal of Remote Sensing,2005,9(3):294-299.

[9] 謝仁偉,牛 錚,孫 睿,等.基于多波段統計檢驗的土地利用變化檢測[J].國土資源遙感,2009,21(2):66-70.doi:10.6046/gtzyyg.2009.02.14.

Xie R W,Niu Z,Sun R,et al.The detection of land use change based on the statistic test with multi-band image[J].Remote Sensing for Land and Resources,2009,21(2):66-70.doi:10.6046/gtzyyg.2009.02.14.

[10] Meyer F.Color image segmentation[C]//Proceedings of the international conference on image processing and its applications.Maastricht, Netherlands:IEEE,1992:303-306.

[11] 巫兆聰,胡忠文,張 謙,等.結合光譜、紋理與形狀結構信息的遙感影像分割方法[J].測繪學報,2013,42(1):44-50.

Wu Z C,Hu Z W,Zhang Q,et al.On combining spectral, textural and shape features for remote sensing image segmentation[J].Acta Geodaetica et Cartographica Sinica,2013,42(1):44-50.

[12] Wang A P,Wang S G,Lucieer A.Segmentation of multispectral high-resolution satellite imagery based on integrated feature distributions[J].International Journal of Remote Sensing,2010,31(6):1471-1483.

[13] 李亮,張云,李勝,等.融合空間關系的遙感圖像分類[J].國土資源遙感,2017, 29(3):10-16. doi:10.6046/gtzyyg.2017.03.02.

Li L,Zhang Y,Li S,et al. Classification of remote sensing images based on the fusion of spatial relationship[J].Remote Sensing for Land and Resources,2017,29(3):10-16. doi:10.6046/gtzyyg.2017.03.02.

[14] Ojala T,Pietik?inen M.Unsupervised texture segmentation using feature distributions[J].Pattern Recognition,1999,32(3):477-486.

[15] 尤紅建,傅 琨.基于分布模型差異的SAR變化檢測[J].武漢大學學報(信息科學版),2008,33(5):454-456.

You H J,Fu K.SAR change detection based on cluster distribution divergence[J].Geomatics and Information Science of Wuhan University,2008,33(5):454-456.

[16] Swain M J,Ballard D H.Color indexing[J].International Journal of Computer Vision,1991,7(1):11-32.

[17] Chen K M,Chen S Y.Color texture segmentation using feature distributions[J].Pattern Recognition Letters,2002,23(7):755-771.

[18] Otsu N.A threshold selection method from gray-level histograms[J].Automatica,1975,11:23-27.

[19] Sahoo P,Wilkins C,Yeager J.Threshold selection using Renyi’s entropy[J].Pattern Recognition,1997,30(1):71-84.

[20] 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.

Li L, Shu N, Wang K, et al. Change detection method for remote sensing images based on multi-features fusion[J]. Acta Geodaetica et Cartographica Sinica,2014,43(9):945-953.