結合陰影補償的對象級高分辨率遙感影像多尺度變化檢測

王超，張雪紅，石愛業，厲丹，申祎

?

結合陰影補償的對象級高分辨率遙感影像多尺度變化檢測

王超1，張雪紅2，石愛業3，厲丹4，申祎1

（1. 南京信息工程大學電子與信息工程學院，江蘇 南京 210044；2. 南京信息工程大學地理與遙感學院，江蘇 南京 210044； 3. 河海大學計算機與信息學院，江蘇 南京 211100；4. 徐州工程學院江蘇省智慧工業控制技術重點建設實驗室，江蘇 徐州 221000）

陰影是遙感影像的解譯標志之一，然而在高分辨率遙感影像變化檢測中，陰影所產生的“偽變化”是導致錯檢的主要原因之一。為此，提出了一種結合陰影補償與多尺度融合的對象級高分遙感影像變化檢測方法。在面向對象的變化檢測框架下，首先提取遙感影像中的地物陰影，然后對多尺度變化檢測進行陰影補償。其中，通過構建一種尺度間互信息最小化的目標函數實現了尺度參數的自適應提取。在此基礎上，結合所提出的陰影補償因子，設計了一種基于D-S證據理論的決策級多尺度融合策略，并進一步對變化強度等級進行了劃分。實驗證明，該方法能夠較好地解決陰影所導致的錯檢問題，顯著提高變化檢測精度。

高分辨率；遙感影像；變化檢測；陰影補償

1 引言

遙感影像變化檢測是從不同時期的遙感數據中定量分析和確定地表變化的過程[1]。近年來，隨著多時相高分辨率遙感數據的不斷積累，如何從中提取和檢測城市場景中的變化信息已成為遙感科學和地理信息科學的重要研究課題[2-3]。與中、低分辨率遙感影像相比，高分辨率遙感影像的光譜、紋理及空間細節信息等都更加豐富[4]。與此同時，空間分辨率的提高也使變化檢測面臨著更加突出的“同物異譜”和“同譜異物”問題。為此，學者們試圖利用面向對象的圖像分析（OBIA, object-based image analysis）來提高變化檢測的精度[5]。

與傳統像素級檢測方法相比，對象級變化檢測（OBCD, object-based change detection）基于檢測對象固有形狀及尺寸進行特征提取，對配準誤差、噪聲等具有更高的頑健性[6-7]。例如，Chen等[8]提出的OB-HMAD方法以地理對象作為基本單元，依據最小噪聲分離變換（MNF, minimum noise fraction rotation）確定分割閾值來提取變化信息，其檢測精度顯著優于傳統像素級方法。佃袁勇等[9]通過多尺度的圖像分割、特征提取及融合來描述變化信息，與基于單一尺度的變化檢測方法相比，錯檢率顯著降低。盡管如此，現有多尺度OBCD方法中大多是直接比較地理對象間光譜、紋理特征的差異，而忽略了地物陰影的影響。特別是在城市場景中，各種人造陰影、自然地物陰影普遍存在且密集分布，地物陰影所導致的“偽變化”已成為產生錯檢的主要原因之一[10]。因此，有必要在多尺度變化檢測中引入陰影補償策略，而其關鍵在于準確的陰影提取、尺度參數的合理選擇，以及光譜、紋理、陰影及尺度信息的有效融合。

基于以上分析，本文提出了一種結合陰影補償與多尺度融合的對象級高分遙感影像變化檢測方法。首先，基于矢量量化（VQ, vector quantization）的分類結果，利用卡方檢驗進行陰影檢測。其次，采用作者之前提出的高分遙感影像分割方法WJSEG（wavelet-JSEG）提取地理對象作為分析基元[11]。在此基礎上，通過迭代計算自適應提取尺度間互信息最小值對應的尺度參數集合。最后，基于結構自相似性（SSIM, structural similarity）與陰影補償進行多尺度決策融合。

本研究的特點是：在多尺度變化檢測的陰影補償過程中，首先通過構建一種尺度間互信息最小化的目標函數，實現了尺度參數的自適應提取；在此基礎上，設計了一種陰影補償因子，進而提出了一種基于D-S證據理論的決策級多尺度融合策略，在顯著提高變化檢測精度的同時對變化強度的等級進行了劃分。

圖1 方法流程

2 方法

先假設多時相影像已經過幾何配準與輻射校正預處理，則所提出方法主要包括4個步驟：步驟1，分別對多時相影像進行陰影檢測；步驟2，選擇單一時相影像進行WJSEG分割，提取統一的地理對象集合；步驟3，在步驟2的基礎上，結合陰影檢測結果迭代搜尋目標函數平均互信息最小值，自適應提取尺度參數集合；步驟4，綜合多種特征進行多尺度決策融合，獲得最終變化檢測結果。方法流程如圖1所示。

2.1 陰影檢測

高斯分布背景模型認為影像的自然背景符合高斯分布，則人造地物作為出界點可被檢測出來。而對于人造地物密集分布的城市場景，如果采用VQ分類方法將人造地物與自然背景分別劃分為一類或者幾類，其分類結果依然符合高斯分布，陰影則可以作為出界點被檢測出來[12]。

基于以上假設，首先采用Bai S等[13]提出的VQ方法對影像進行分類：定義同組濾波器（PGF, peer group filter），將濾波所獲得的局部統計特性作為權重，進行VQ初始量化；在此基礎上，采用GLA（generalized lloyd algorithm）對矢量量化結果進行分類，具體計算過程可參見文獻[13]；基于分類結果，將陰影像素視為出界點，采用卡方檢驗進行陰影檢測。定義卡方分布為

2.2 地理對象提取

2.3 J-image及尺度參數自適應提取

與傳統小波、輪廓波變換等相比，J-image序列不僅能夠描述不同尺寸局部區域的光譜、紋理復雜程度，還具有對高頻信息方向性不敏感的特點。因此，本文采用J-image影像序列作為對象級變化檢測的多尺度分析平臺。

2.3.1 多尺度序列

2.3.2 尺度參數自適應提取

尺度參數集合的選擇是否合理是影響多尺度變化檢測效果的關鍵因素之一，體現在：尺度參數應當與場景中代表性地物的尺寸相近，從而有利于準確描述此類地物的變化信息；若尺度參數過多，則必然存在大量的冗余信息；若尺度參數過少，又容易陷入局部最優。由于尺度間互信息能夠反映尺度參數間的關聯程度，因此互信息越小時尺度參數間包含的冗余信息越少。同時，陰影在對象級變化檢測中作為一種干擾因素，不應當參與尺度間互信息的計算。由此，本文提出了一種基于尺度參數間互信息最小化的目標函數優化策略，以實現尺度參數的自適應選擇。具體步驟如下。

Step4 根據式(4)構建目標函數，從而獲得雙時相影像相鄰尺度間的互信息值。

2.4 多尺度決策融合及變化檢測

2.4.1 多尺度相似性度量

2.4.2 結合陰影補償的D-S決策融合

基于陰影檢測結果與多角度相似性度量集合，本文提出了一種結合光譜、紋理特征與陰影補償因子的D-S決策融合策略，從而實現變化檢測及變化強度等級的劃分。D-S證據理論具有無需先驗概率，直接利用異源信息作為證據支持的優點，Dempster合成規則如下[15]。

3 實驗與討論

實驗采用多組不同空間分辨率、不同傳感器類型的多時相高分辨率遙感影像，并與未經陰影補償的對象級變化檢測方法OB-HMAD方法[8]及傳統像素級變化檢測方法CVA-EM[16]進行比較分析。實驗平臺采用Matlab R2014a，處理器為Inter Core i5 3.2 GHz，內存為8 GB。

3.1 實驗數據

實驗采用的多時相影像均已經過幾何配準與輻射校正。實驗數據集1為中國重慶地區的多光譜QuickBird影像，采集時間分別為2007年9月和2011年8月，空間分辨率為2.4 m，圖像尺寸為1024像素×1024像素，如圖2所示。實驗數據集2為中國江蘇南京地區的航空遙感DOM（digital ortho-photo map）影像，采集時間分別為2009年3月和2012年2月，空間分辨率為0.6 m，圖像尺寸為1024像素×1024像素，如圖3所示。

圖2和圖3所示實驗影像均為典型的城市場景，主要由植被、道路、陰影、建筑物及其他人造目標構成（為便于描述，我們對影像采用“#”符號進行表示，并對其中一些位置或區域采用字母進行標注）。由于2個數據集中影像的采集時間均為夏末秋初或冬末春初，植被的物候差異對變化檢測的影響較小（如位置A、B、H和G等）。場景中的典型變化類型主要為由植被變為建筑物（如位置C），由荒地變為建筑物（如位置D）或植被（如位置J），以及建筑物重建（如位置I）等。陰影主要存在于高層建筑物的背向陽光的一側（如位置F、E、K）。特別是在實驗數據集2中，由于光照條件存在明顯的差異，陰影導致的“偽變化”也更加突出。

圖2 實驗數據集1

圖3 實驗數據集2

3.2 陰影檢測與對象提取

圖4 實驗數據集1陰影檢測結果

圖5 實驗數據集2陰影檢測結果

通過與原始圖像對比可以看出，影像#1、#2及#3較為真實地反映了建筑物等地物陰影。在影像#4中，由于陰影所占的面積較大，在一定程度上破壞了高斯分布背景模型，檢測結果中存在一些漏檢（如位置L、M）及錯檢（如位置N、O）現象。盡管如此，與其他3幅影像相比，影像#4中陰影所在區域僅灰度值有所降低，但基本保持了地表原始的紋理特征。同時，由于變化檢測所依賴的主要反映了局部區域紋理特征的復雜程度，因此影像#4中的陰影檢測誤差對變化檢測的影響有限。

采用WJSEG分別對影像#2、#3進行分割，所提取的地理對象如圖6和圖7所示。

圖6 影像#2分割結果

圖7 影像#3分割結果

為清晰展示分割效果，圖6、圖7中對字母標注的特定位置或區域進行了局部放大處理。如圖6和圖7所示，WJSEG能夠準確地定位對象邊緣（如R、P、V、T對應的建筑物、S對應的植被區域以及U對應的道路等），同時能夠有效地區分不同種類的相鄰地物（如S對應的植被與相鄰建筑物、W對應的廣場與相鄰湖泊、U對應的建筑物與相鄰道路等）；對于內部光譜特征較為均勻的大尺寸對象（如R、P、U、V對應的建筑物、S對應的植被區域、W對應的湖泊區域等），WJSEG保持了其完整的輪廓，僅在個別局部紋理特征復雜的區域存在欠分割（如T、Q）或過分割（如X）現象。

3.3 多尺度變化檢測與融合

圖8 本文方法變化檢測結果

基于本文的對象提取結果，對原始影像采用OB-HMAD與CVA-EM方法進行變化檢測的結果分別如圖9和圖10所示（白色像素代表變化，黑色像素代表未變化）。

圖9 OB-HMAD變化檢測結果

圖10 CVA-EM變化檢測結果

通過目視分析可以看出，本文方法明顯優于其他2種方法，體現在：在2組實驗中，對于發生變化且沒有受到陰影影響的對象，如位置C、D、I、Y，僅有本文提出的方法做出了準確的判別。OB-HMAD方法對于由植被變為建筑物的位置C，以及由植被變為籃球場的位置Y均出現了漏檢。CVA-EM方法由于以像素作為變化檢測的基元，對于位置I和位置Y的新建人造地物均出現了部分錯檢和漏檢。對于受到陰影干擾而未發生變化的對象，如位置E、F，3種方法均未發生錯檢。而對于受到陰影干擾且真實發生變化的對象，如由裸地變為草地的位置J和位置K，OB-HMAD方法均發生了漏檢，而CVA-EM方法在位置J發生了漏檢。對于僅光譜特征存在較大差異但實際并未發生變化地物，如位置Z的建筑物，僅CVA-EM方法發生了錯檢。

3.4 定量精度評價

3.4.1 像素級精度評價

首先對基于像素的不同對象、像素級變化檢測方法的性能進行定量評價。為保證所選擇參考像素的準確性及合理分布，本文先通過實地考察與目視分析方法，采用人工解譯方式提取了5 000個變化像素和5 000個未變化像素，作為參考樣本集。精度評價指標包括總體精度、錯檢率、漏檢率、kappa系數及運行時長，2組實驗數據集的精度評價結果如表1和表2所示。

表1 實驗數據集1精度評價結果

表2 實驗數據集2精度評價結果

根據精度評價結果，本文方法在2組實驗數據集城市場景的變化檢測實驗中總體精度能夠分別達到86.3%和84.4%，明顯優于其他2種方法，總體精度與參考樣本集的目視分析結果一致。OB-HMAD方法的局限性主要因為沒有考慮陰影因素的影響。像素級方法在2組實驗中檢測精度均低于70%，且顯著低于2種對象級變化檢測方法。相比數據集1實驗，3種方法在數據集2實驗中各精度指標均有所下降，尤其是錯檢率指標更加明顯，其原因主要是數據集2中受到的陰影干擾更加突出。盡管如此，由于本文方法在決策融合時結合了陰影補償，因此相較于其他2種方法波動較小。在相同實驗環境下的運行時間方面，像素級方法CVA-EM的運行時間最短，但檢測精度最低；本文提出的方法由于引入了陰影檢測及補償策略，運行時間略高于OB-HMAD方法，但檢測精度顯著提高。

3.4.2 對象級精度評價

圖11 實驗數據集3

圖12 本文方法檢測結果

在此基礎上，針對分割區域的變化情況進行對象級定量精度評價。3組實驗數據集的變化參考圖如圖14所示，其中白色代表變化區域，黑色代表未變化區域。在對象級定量精度評價中，本文方法評價為劇烈變化及顯著變化的區域統一歸為變化區域。

圖13 OB-HMAD檢測結果

圖14 變化參考

表3 對象級精度評價結果

精度評價指標包括總體精度、錯檢率、漏檢率、kappa系數，3組實驗的精度評價結果如表3所示。

對比像素精度、對象級精度評價方式，首先在實驗數據集1、實驗數據集2中本文方法和OB-HMAD方法在2種評價方式下獲得的精度指標基本一致，即存在陰影干擾時本文方法均顯著優于OB-HMAD；其次，由于實驗數據集3未受陰影影響，OB-HMAD的錯檢率顯著降低，但總體精度仍低于本文方法；最后，本文方法的檢測精度在3組實驗中并未因為陰影干擾的程度不同而產生明顯波動，具有良好的頑健性。

4 結束語

針對高分辨率遙感影像變化檢測中由于陰影所導致的“偽變化”，提出了一種結合陰影檢測與多尺度融合的對象級高分辨率遙感影像變化檢測方法。該方法不僅構建了一種基于尺度間互信息最小化的目標函數以自適應提取尺度參數集合，還提出了一種結合陰影補償因子的多尺度決策級融合策略，進而實現了對變化強度等級的劃分。實驗證明，該方法能夠有效地減少陰影所導致的錯檢問題，顯著提高變化檢測精度且具有良好的頑健性。尤其是在實驗數據集2中因陰影導致的“偽變化”比實驗數據集1更顯著，但本文方法總體精度僅下降了不到2%，而CVA-EM方法的總精度下降接近10%，OB-HMAD方法的總體精度下降了超過7%，從而進一步證明了所提出的陰影補償策略是必要且有效的。

[1] TEWKESBURY A P, COMBER A J, TATE N J, et al. A critical synthesis of remotely sensed optical image change detection techniques[J]. Remote Sensing of Environment, 2015, 160(3): 1-14.

[2] 趙泉華, 石雪, 王玉, 等. 可變類空間約束高斯混合模型遙感圖像分割[J]. 通信學報, 2017, 38(2): 34-43. ZHAO Q H, SHI X, WANG Y, et al. Remote sensing image segmentation based on spatially constrained Gaussian mixture model with unknown class number[J]. Journal on Communications, 2017, 38(2): 34-43.

[3] 張建龍, 王斌. DSSRM級聯分割的SAR圖像變化檢測[J]. 遙感學報, 2017, 21(4): 614-621. ZHANG J L, WANG B. SAR image change detection method of DSSRM based on cascade segmentation[J]. Journal of Remote Sensing, 2017, 21(4): 614-621.

[4] HUSSAIN M, CHEN D, CHENG A, et al. Change detection from remotely sensed images: from pixel-based to object-based approaches[J]. Journal of Photogrammetry and Remote Sensing, 2013, 80(2): 91-106.

[5] WANG B, CHOI S, BYUN Y, et al. Object-based change detection of very high resolution satellite imagery using the cross-sharpening of multitemporal data[J]. IEEE Geoscience and Remote Sensing Letters, 2015, 12(5): 1151-1155.

[6] BLASCHKE T, HAY G J, KELLY M, et al. Geographic object-based image analysis–towards a new paradigm[J]. Journal of Photogrammetry and Remote Sensing, 2014, 87(100): 180-191.

[7] 李少英, 劉小平, 黎夏, 等. 土地利用變化模擬模型及應用研究進展[J]. 遙感學報, 2017, 21(3): 329-340. LI S Y, LIU X P, XIA L, et al. Simulation model of land use dynamics and application: Progress and prospects[J]. Journal of Remote Sensing, 2017, 21(3): 329-340.

[8] CHEN Q, CHEN Y H. The change detection of high spatial resolution remotely sensed imagery based on OB-HMAD algorithm and spectral features[J]. Spectroscopy and Spectral Analysis, 2015, 35(6): 1709-1714.

[9] 佃袁勇, 方圣輝, 姚崇懷. 多尺度分割的高分辨率遙感影像變化檢測[J]. 遙感學報, 2016, 20(1): 129-137.DIAN Y Y, FANG S H, YAO C H. Change detection for high-resolution images using multilevel segment method[J]. Journal of Remote Sensing, 2016, 20(1): 129-137.

[10] STOREY E A, STOW D A, COULTER L L, et al. Detecting shadows in multi-temporal aerial imagery to support near-real-time change detection[J]. Giscience & Remote Sensing, 2017, 54(4): 1-18.

[11] WANG C, SHI A Y, WANG X, et al. A novel multi-scale segmentation algorithm for high resolution remote sensing images based on wavelet transform and improved JSEG algorithm[J]. International Journal for Light and Electron Optics, 2014, 125(19): 5588-5595.

[12] ADELINE K R M, CHEN M, BRIOTTET X, et al. Shadow detection in very high spatial resolution aerial images: a comparative study[J]. Journal of Photogrammetry and Remote Sensing, 2013, 80(142): 21-38.

[13] BAI S, BAI X, LIU W. Multiple stage residual model for image classification and vector compression[J]. IEEE Transactions on Multimedia, 2016, 18(7):1351-1362.

[14] WANG Z, LU L, BOVIK A C. Video quality assessment based on structural distortion measurement[J]. Signal Processing Image Communication, 2004, 19(2): 121-132.

[15] DEMPSTER A P. Upper and lower probabilities induced by a multivalued mapping[J]. The Annals of Mathematical Statistics, 1967, 38(2): 325-339.

[16] BRUZZONE L, PRIETO D F. Automatic analysis of the difference image for unsupervised change detection[J]. IEEE Transactions on Geoscience and Remote Sensing, 2000, 38(3): 1171-1182.

Object-based change detection method for high-resolution remote sensing image combining shadow compensation and multi-scale fusion

WANG Chao1, ZHANG Xuehong2, SHI Aiye3, LI Dan4, SHEN Yi1

1.School of Electronic and Information Engineering, Nanjing University of Information Science and Technology, Nanjing 210044, China 2. School of Geography and Remote Sensing, Nanjing University of Information Science and Technology, Nanjing 210044, China 3. College of Computer and Information Engineering, Hohai University, Nanjing 211100, China 4. Key Laboratory of Intelligent Industrial Control Technology of Jiangsu Province, Xuzhou Institute of Technology, Xuzhou 221000, China)

As an interpreting symbol of remote sensing images, shadow, however, brings about “pseudo changes”, which is one of the main sources leading to error detection in high-resolution remote sensing image change detection. For this issue, an object-based high-resolution remote sensing image change detection method was proposed combining with shadow compensation and multi-scale fusion. In the object orientation detection framework, the shadows in the remote sensing images were extracted. Then multi-scale change detection was conducted with shadow compensation. In the process, an objective function was constructed of mutual scale information minimization to realize the adaptive extraction of scale parameters. Based on this, combined with the shadow compensation factor, a multi-scale decision-level fusion strategy built on D-S theory of evidence was designed, and the levels of change intensity were further divided. The experiments show that the method is effective in solving the error detection problem caused by shadow, significantly improving the precision of change detection.

high resolution, remote sensing image, change detection, shadow compensation

TP391

A

10.11959/j.issn.1000?436x.2018168

王超（1984-），男，山東濟南人，博士，南京信息工程大學講師，主要研究方向為高分辨率遙感影像處理。

張雪紅（1980-），男，江西上饒人，博士，南京信息工程大學教授，主要研究方向為農業氣象災害遙感及環境資源遙感。

石愛業（1969-），男，江蘇泗洪人，博士，河海大學副教授，主要研究方向為高分辨率遙感影像處理。

厲丹（1981-），女，江蘇徐州人，博士，徐州工程學院副教授，主要研究方向為模式識別與計算機視覺。

申祎（1996-），男，河南新鄉人，南京信息工程大學碩士生，主要研究方向為高分辨率遙感影像處理。

2018?02?09；

2018?08?07

國家自然科學基金資助項目（No.61601229）；江蘇省自然科學基金資助項目（No.BK20160966）；中國博士后科學基金資助項目（No.2017M611866）；江蘇省高等學校優勢學科（No.1081080015001）；江蘇省智慧工業控制技術重點建設實驗室開放課題基金資助項目（No.JSKLIIC201705）

National Natural Science Foundation of China (No.61601229),The Natural Science Foundation of Jiangsu Province (No. BK20160966),China Postdoctoral Science Foundation Funded Project (No.2017M611866),Priority Academic Program Development of Jiangsu Higher Education Institutions(No.1081080015001), Key Laboratory of Intelligent Industrial Control Technology of Jiangsu Province Open Foundation(No.JSKLIIC20170)