基于高分辨率SAR與光學遙感數據的城區變化檢測

毛羽豐，朱邦彥，張琪，王健

(1.南京市測繪勘察研究院股份有限公司，江蘇 南京 210019； 2.河海大學地球科學與工程學院，江蘇 南京 211100)

1 引 言

中國是高速發展中的國家，正處于城市快速發展的進程中，城市地區不斷擴展和更新，是地物變化最多最復雜的地區。對南京這樣快速發展的城市而言，監測城區土地利用的分布、變化對經濟發展規劃、自然資源分配以及環境與生態系統管理是至關重要的。

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特征與過程，一般通過光學影像進行特征提取和分類，但受到云雨霧天氣和拍攝時間的影響，光學影像使用受限。SAR衛星傳感器作為重要的遙感數據源之一，與傳統光學影像相比，具有其獨特的優勢，主要包括以下幾點：①全天候：穿透性強，由于成像在微波波段，波長相對于可見光遙感較長，能夠在一定程度上穿透云霧、植被和地表，所以不受天氣狀況的影響；②全天時：SAR不依賴于可見光，因此可以在夜晚也能達到很好的成像效果[1，2]。SAR具備上述優勢，是非常好的變化檢測數據源，逐漸成為城市遙感監測的重要數據源，特別是在南京這種多云多雨的南方城市。

SAR影像與光學影像成像原理不同，前者是主動遙感，影像反映的是回波強度，后者是被動遙感，影像反映的是光譜信息。光學影像的局限性在于容易受到顏色信息的干擾而檢測出偽變化：如不同季節的植被，雖然顏色不同，但其地物類別并未發生改變；再如陰影，也會被當作地物變化檢測出來。而SAR影像就不會受到此類信息干擾，但是其噪聲多，地物邊界模糊，沒有色彩，其信息量要少于多光譜影像。因此這兩類遙感數據事實上是互相補充的，聯合SAR與光學影像來進行城市用地的變化檢測是十分必要的[3～5]。

2 SAR與光學遙感相結合的變化檢測

本文考慮到SAR與光學影像數據在變化提取與識別中各自優勢和互補性，按照面向對象變化檢測的思路，研究了SAR與光學聯合的變化方法，總體技術路線如圖1所示。

圖1 技術路線

2.1 面向對象的變化檢測

基于像元的變化檢測方法具有無須人工干預、簡單易行等優點，但存在對影像配準、輻射校正誤差較為敏感，檢測結果存在椒鹽效應等問題。本文采用面向對象的變化檢測方法，面向對象的變化檢測方法具有對影像配準、輻射校正要求較低，改善椒鹽現象等優點。其主要思想是先分割再做比較，把圖像分割成多個對象，以對象為單位進行變化信息提取。

2.2 影像特征提取

提取多源遙感影像數據的多種特征進行變化檢測，能夠有效提高變化檢測精度，本文主要采用了強度、紋理、相干性三類特征，其中強度和紋理是SAR與光學影像都有的，而相干性特征是SAR影像數據特有的。

(1)強度特征

提取的強度特征主要包括強度均值(SAR與光學)、NDVI(光學)、NDWI(光學)等，這些特征值的提取均基于對象而言，即均在對象范圍內計算均值。

(2)紋理特征

在遙感影像中，像素灰度值只提供了強度信息，紋理則能提供結構信息。本文主要采用灰度共生矩陣來計算SAR與光學影像的紋理特征[6]。

(3)相干性

SAR影像的相干性這一特征是光學影像所沒有的，是InSAR回波信號線性相似程度的一種度量，通常被用來衡量地面散射特性的變化程度[7]。可利用相干系數(主要是時間去相干)來判斷區域的變化，若研究區域發生變化，此區域相關性降低，則相干系數較小，若沒有發生變化，則相干性強，相干系數較大。其理論計算公式為：

(1)

得到影像對象各自的特征后，計算各個特征的變化向量，加入監督分類的樣本特征空間中，進而對變化對象進行提取。

3 數據處理流程

3.1 研究區域與數據

本文選擇的示范地為南京市江北新區頂山街道，總面積約 37 km2。分別選取了兩期覆蓋研究區域的意大利COSMO-SkyMed雷達衛星數據(時間：2016年12月9日與2017年7月21日，分辨率：3 m)和北京二號光學衛星數據(時間：2016年11月27日與2017年7月18日，分辨率：0.8 m)，如圖2所示。主要目標是檢測出城市區域的變化圖斑。

3.2 預處理

先對兩期的原始光學影像分別進行輻射校正，然后基于DEM進行正射幾何校正。若研究區跨過了不同景的圖像，則先進行粗配準、幾何精糾正、圖像拼接和粗裁剪。最后對兩期圖像進行匹配，并根據研究區范圍對配準后的兩期數據進行裁剪。SAR數據的預處理主要包括圖像配準、圖像裁剪、SAR圖像去噪、基線估計等，與光學影像相比主要增加了圖像去噪、相干性計算等SAR影像處理特有的步驟。

圖2 研究區域光學與SAR衛星影像

3.3 影像分割

面向對象的影像分析方法處理的基本單元不是像元而是對象，因而該分析方法可以綜合利用對象的光譜、紋理、幾何、形狀等信息。面向對象的影像分析首要環節是圖像分割，本文采用多尺度分割的方法[8]，其分割準則如下：

h=ωcolorhcolor+ωshapehshape

(2)

其中，ωcolor與ωshape分別表示顏色與形狀的權重，hcolor和hshape分別表示顏色與形狀的異質性指標。

hcolor=∑cwcσc

(3)

其中ωc為影像層的權重，σc為影像層的標準差，c為影像數。

hshape=ωsmoothness×hsmoothness+ωcompatness×hcompactness

(4)

其中，ωsmoothness與ωcompatness分別代表兩者間的權重，而hsmoothness和hcompactness分別代表平滑與緊密兩個子異質性指標。

由于SAR影像噪聲多、地物邊界信息模糊，因此在本文的方法中SAR影像并不參與分割計算，只對光學數據進行分割。首先分別對兩期光學影像進行分割，再將分割結果進行合并，得到統一的分割塊，SAR影像也按照相同的分割塊進行分析和處理，如圖3所示。

圖3 分割結果(局部)

3.4 特征提取與監督分類

圖像特征是圖像的基本屬性和測度，從不同的角度描述了圖像的性質，利用特征空間可以有效地進行遙感信息提取和遙感圖像分類。對于研究區工作使用的兩期圖像的變化檢測，需要先進行圖像特征提取，提取的特征類型如之前2.2節所述。

變化檢測的訓練區劃分為“變化”與“不變化”兩類。使用機器學習分類器進行變化檢測，對照彩色合成圖像進行檢查，根據差異增加不變化和變化類的訓練區，如圖4所示。

圖4 訓練樣本(紅色為變化，黃色為不變)

最終得到變化區域的圖斑共976個，總面積約 4 km2，如圖5所示。

圖5 變化區域圖斑

3.5 精度檢查

通過對頂山街道的遙感圖像進行目視解譯勾畫，得到變化區域作為標準數據，把監督分類提取出的變化圖斑與之進行比較，判斷提取圖斑的準確性，得出其總體精度約為85.8%。

4 結 論

本文利用兩景不同時相的高分辨率SAR與光學影像對城市區域變化情況進行了檢測。實驗過程中我們發現：①對于高分辨遙感影像而言，預處理過程很關鍵，對幾何糾正、配準的要求較高；②多尺度分割中尺度的選擇和分割精度對檢測效果有很大影響；③紋理特征對建筑物拆建這類的檢測效果很好，且檢測植被變化時受季節性影響較小；④光學影像上的陰影區域是很大的干擾因素，SAR影像的加入提高了這些區域的檢測準確性，不過由于側視雷達的特性，部分高樓區域會存在遮擋、疊掩的情況。通過實驗可知，基于高分辨率SAR與光學影像相結合的變化檢測具有較好的檢測精度，兩種遙感數據彼此間具有很好的互補性。