COSMO-SkyMed顏色變換強度RC法南京建設用地變化檢測

張 濤，王 源，陳富龍,周 偉,胡 祺

(1. 南京市規劃和自然資源局，江蘇 南京 210029； 2. 中國科學院遙感與數字地球研究所數字地球重點實驗室，北京 100094； 3. 中國科學院大學，北京 100049)

我國南方地區氣候主要以熱帶亞熱帶季風氣候為主，多云多雨天氣阻礙了光學遙感近實時獲取數據源需求；而SAR全天時、全天候的工作特性可以很好地彌補這一劣勢。基于SAR對地觀測技術的發展，例如高分辨率和多模式，目前利用SAR影像進行城市變化檢測主要基于相干[1]、強度[2-9]，以及相干與強度信息相結合[10]等方法。本文研究選取南京市河西新城及江北新區為示范，以COSMO-SkyMed為數據源，在非局部濾波SAR強度RC合成影像的基礎上，提出基于顏色變換的建設用地圖斑半自動監督分割/分類信息提取方法。

1 研究方法

1.1 強度RC合成變化檢測法

基于SAR強度信息的RC合成法變化檢測即采用變化前后兩期影像進行彩色圖像合成，根據彩色合成原理[11]，將變化前影像安置在紅色波段，變化后影像安置在藍色和綠色波段，即可實現RC合成(綠色和藍色合成為青色(cyan))并得到SAR強度RC合成圖。為提升強度影像質量，在采取RC合成前需進行非局部SAR濾波(non-local filters，NL-SAR)[12-14]。SAR強度RC合成圖通過顏色的變化顯示變化區。具體檢測思路為：①若圖像顯示趨近于青色或紅色，表明變化前后強度影像強度值相差較大，地物發生變化；②若圖像中顯示趨近為黑色或白色，則SAR強度值前后時序較為接近，表征地物未發生變化或變化可忽略。

1.2 基于圖像色彩變換的影像分割/分類

Lab空間由亮度分量L，色度分量a、b這3個分量組成[15]，其能將顏色和亮度分量分別控制，有利于針對性地對顏色信息利用幾何距離公式進行差異性測度。該模型中a從負至正代表由綠色指向紅色，b則代表由藍色指向黃色。值得注意的是，相對RC合成圖原始顏色空間，變換后的a、b、L分量可進一步凸顯地物時序變化信息，即a、b分量可區分地物變化時序前、后信息，而L亮度分量可表征發生變化的概率或烈度。

監督分類即根據訓練樣本將未確定類別的像元進行分類以確定類別。研究根據不同的顏色類別直接從圖像中選擇訓練數據；基于Lab色彩空間，直接采用距離公式計算各像元到類別樣本的距離，并將像素歸于距離最小的樣本類別中。為對比不同配置(色彩空間特征及分類樣本數)對分類效果的影響，需開展參數配置試驗：將樣本類別x的a分量均值定義為acx，樣本類別x的b分量均值定義為bcx，將樣本類別x的L分量均值定義為Lcx，像素i的a分量為ai，像素i的b分量為bi，像素i的L分量為Li，dix為像素i與各顏色樣本的相似度。以a、b二維空間為基礎的相似度dix，如式(1)所示；而以三維空間a、b和L為基礎的相似度dix，如式(2)所示。dix中最小值所對應的色彩樣本，即為此像素對應分割/分類類別(監督分類后，像素可呈現一定聚類并生成對象圖斑，因此可統稱為影像分割/分類過程)。

(1)

(2)

1.3 變化區域提取

根據選擇的訓練樣本進行基于監督分類的影像分割/分類，所選訓練樣本類別的數量決定影像分割/分類后圖斑類別的數量。將整幅彩色影像按照顏色的區別分為不同的圖斑，在此基礎上，變化區域對應的顏色的類別圖斑即為變化圖斑。變化圖斑提取可在Matab環境中編程實現。其實施步驟如下：①二值化；②小面積圖斑篩除；③孔洞填充；④矢量輸出。

2 試驗與結果分析

2.1 研究區與數據源

南京天氣多云雨，可作為多云雨地區的代表城市。其河西新城和江北新區近年來建設節奏快，建設范圍大，將之作為研究區具備代表與示范性。研究選取2017年6月3日及2017年10月5日兩景X波段COSMO-SkyMed影像，成像模式為HImage，圖像地面分辨率為3 m，入射角約為34°，極化方式為HH。驗證數據為20170718及20171007兩景北京1號光學影像。圖像地面分辨率為4 m，成像幅寬為24 km，具有側擺功能。

2.2 SAR強度RC合成

兩景強度影像進行配準、輻射定標后進行NL-SAR濾波，濾波時最小搜索窗口半徑為1像素，最大搜索窗口半徑為12像素，最小圖像塊寬度為2像素，最大圖像塊寬度為10像素。將20170603影像安置在R波段上，20171005安置在G波段和B波段上(即將20171005安置在C波段上)，得到強度RC合成圖。為突出合成圖顏色對比度，可采用百分比截斷拉伸技術，如圖1所示(長江已在影像中掩膜)。

2.3 基于SAR強度色彩變換的圖斑半自動提取

2.3.1 影像分割/分類與變化區域圖斑提取

為分析并評估不同數量樣本對分割/分類的影響，直接在RC合成圖上選擇12個樣本類別，每個樣本對應訓練區位置，如圖1所示；對應類別具體屬性信息見表1。開展最優參數配置評估試驗過程中，選取樣本類別及對應相關屬性信息，可參考表1。樣本數量選擇試驗及對應參數設置，可參考表2。

2.3.1.1 試驗1

根據式(1)、式(2)計算各像元到各樣本類別的距離，選取8個、10個樣本類別分別進行影像分割/分類，a、b分量二維空間和a、b、L分量三維空間分割局部結果展示如圖2所示。圖2(a)、(c)分別為基于a、b二維空間利用式(1)進行距離計算所得出的分割/分類效果，圖2(b)、(d)分別為基于a、b、L三維空間利用式(2)進行距離計算所得出的分割/分類效果。對比可知，加入L分量后，分割效果明顯提升并可克服僅使用a、b顏色分量所導致的圖斑散亂現象。

表1 12樣本類別相關屬性信息

表2 樣本類別選擇配置試驗

2.3.1.2 試驗2

由試驗1發現，三維空間特征向量a、b和L的影像分割/分類效果更優?；诖?，利用三維特征空間繼續開展不同樣本類別數量影像分割/分類及變化圖斑提取性能對比試驗。其中，編號1和2號樣本類別(見表2)對應建設用地變化，對其進行圖斑提取并矢量輸出，便可得不同類別數量對城市建設用地變化圖斑提取的對照效果圖，如圖3所示?？傮w而言，隨著樣本個數增加，影像整體分割/分類效果逐步提升。考慮到10個與12個樣本類別在變化圖斑的查準率和虛警率等性能指標上效果相當；因此認為10個樣本類別即可滿足圖斑近最佳提取要求。

2.3.2 精度驗證與結果分析

對全局試驗區采用三維空間距離判定公式和10個訓練樣本類別進行影像分割/分類及變化區域提取，去除偽變化小圖斑，得到最終建設用地變化區域提取效果，如圖4所示。

利用北京1號光學影像及地形圖等資料進行驗證，得到真實變化斑塊數量為199個，即正確檢測斑塊與漏檢斑塊數量之和。在此引入查準率、漏檢率及查全率以驗證變化檢測效果，其中查準率為正確檢測斑塊數量與總計檢測斑塊數量之比；漏檢率為漏檢數量與真實變化數量之比；查全率為正確檢測數量與真實變化數量之比。結果見表3：查準率為88%，漏檢率為11.6%，查全率為88.4%。

表3 建設用地變化檢測精度驗證 個

進一步研究發現，漏檢主要由以下原因引起：

(1) 如圖5(b)、(c)北京1號光學影像所示，方框選取道路路面發生變化，但由于此類道路離樓宇較近，可影響道路變化的檢測。

(2) 如圖6(b)、(c)北京1號光學影像所示，方框選取路面發生變化，但此類變化主要為地表植被變為裸露土地，利用SAR強度信息較難提取。

2.3.3 時間復雜度

試驗在64位Windows 7操作系統，內存64 GB，Matlab R2016a版本系統配置下，當SAR影像大小為22 693×23 851時，基于強度R8C合成顏色變換建設用地圖斑提取法，最終獲得變化圖斑，所耗機時約為15 min；即在避免人為漏檢概率的前提下，可大幅降低影像人工目視解譯時間。

3 結 論

SAR全天時、全天候工作特性可彌補光學影像在我國南方多云多雨地區無法實時獲取數據的劣勢短板，并可用于城市建設用地變化檢測。非局部濾波SAR強度RC合成變化檢測法對小圖斑、線型地物變化敏感，兼顧圖斑邊緣保持能力且對數據獲取條件無要求。鑒于此，本文研究提出了一種基于時相SAR強度RC合成的色彩變換建設用地變化圖斑半自動提取方法。以南京市河西新城及江北新區為試驗區，對比分析了Lab色彩空間特征及訓練樣本類別數量對影像分割/分類質量的影響，得出了10個樣本類別和a、b、L三維空間可得近最優變化圖斑提取效果，并實現優于88%的查準率指標；進而可為多云多雨地區智慧新城遙感動態檢測提供全新技術手段。未來工作將綜合引入DEM、SAR影像紋理等約束條件，以期進一步提高影像自動分割/分類及變化圖斑提取精度。