遙感影像變化檢測方法的研究

陜唐劍 鐘宏偉 李林輝

摘 要：圖像變化檢測一直是數字圖像處理研究的熱點之一，遙感圖像由于具有空間信息，其變化檢測更具有重要的意義。變化檢測被廣泛應用到森林、地質、環保、軍事等領域。本文根據哈爾濱市道里區2006年和2016年兩個不同時期的遙感影像，根據數據的實際特點進行了預處理，再將影像結合監督學習的方法分解成多個像素組的集合，形成對象，最后進行面向對象的變化檢測方法，實驗結果表明，此方法較傳統的基于像素變化檢測精度有所提高。

關鍵詞： 遙感影像;變化檢測; 圖像變化檢測

【Abstract】 Imagery change detection has always been one of the hotspots in digital image processing. Due to its spatial information， remote sensing imagery change detection has more important significance. Change detection is widely used in forestry， geology， environmental protection， military and other fields. According to the remote sensing image of Daoli District in Harbin in 2006 and 2016， this paper preprocesses the image according to the actual characteristics of the data， then decomposes the image into a set of multiple pixel groups， forms objects， finally carries out object-oriented change detection method. The experimental results show that this method has better accuracy than the traditional method based on pixel change detection.

【Key words】 ?remote sensing imagery; change detection; image change detection

0 引 言

遙感影像變化檢測指利用不同時期獲取的覆蓋同一地表區域的遙感影像，利用數字圖像處理技術，通過對不同時相遙感影像中定量分析來確定變化信息，其實質為地表特征發生變化而引起的不同時期遙感影像像元光譜響應的變化。遙感變化檢測是目前遙感領域研究的熱點問題之一，在土地覆蓋變化監測、環境變遷動態監測、自然災害監測，國土資源調查等方面有著重要的商業及應用價值。傳統遙感影像變化檢測的方法主要分為兩大類，即：基于像素的變化檢測和基于特征的影像變化檢測。其中，基于像素的影像變化檢測，是在影像精確幾何配準的基礎上，對每個像素前后兩個時相的灰度或色彩進行比較，判斷每個像素是否發生變化，進而檢測出變化區域。但基于像素的影像變化檢測易受影像配準、輻射校正等因素的影響，僅考慮單個像元的光譜特征，沒有考慮周圍像元的光譜特征及鄰近像元的空間信息特征。最終的檢測結果會存在大量的“偽變化”像素點，且容易出現“椒鹽”現象，致使變化檢測的精度較低;基于特征的影像變化檢測需首先確定感興趣的對象并提取其特征，然后通過特征的比較，獲取該對象的變化信息。基于特征的影像變化檢測是基于原始數據而生成的特征，在特征提取過程中有可能出現信息的部分丟失，存在難以提供細微信息的缺點。

本文針對傳統變化檢測方法存在的弊端，結合具體遙感影像的特點，提出一種對遙感影像數據先進行降維，再將影像結合監督學習的方法分解成多個像素組的集合，形成對象，最后又設計出面向對象變化的檢測方法，實驗結果表明，本文方法較傳統的基于像素變化檢測精度有所提高。

1 遙感影像變化檢測工作流程

（1）圖像的選擇。本項目遙感影像數據選取數據為2006年6月和2016年6月哈爾濱市道里區LandSat遙感影像，所選圖像為同一季節、相同分辨率的遙感影像。影像的寬度和高度分別為6 144像素和3 072像素，所使用的坐標投影為GCS_WGS_1984，影像的空間分辨率為6.677 969 m/像素，比例尺為1：18929，影像的經緯度信息分別設定為：

（1）左下角經緯度坐標是126.123 046 875，45.527 343 750度;

（2）左上角經緯度坐標是126.123 046 875，45.791 015 625度;

（3）右上角經緯度坐標是126.650 390 625，45.791 015 625度;

（4）右下角經緯度坐標：126.650 390 625，45.527 343 750度。

具體圖像如圖1所示。

（2）遙感影像數據預處理。遙感影像在獲取過程中會受到光照、地形、太陽高度角等條件的影響，因此在變化檢測前要經過幾何校正、輻射糾正和去云等數據預處理操作。處理后的圖像即糾正了原圖像中的幾何和輻射變形。本項目中所用數據均為經過預處理后的遙感影像，在此基礎上方可轉入后續的步驟流程。

（3）變化檢測過程。如前所述，遙感影像變化檢測的方法主要分為基于像素的影像變化檢測和基于特征的影像變化檢測兩大類?？偟卣f來，基于像素變化的圖像變化檢測方法主要可分為差值法、比值法、相關系數法、回歸分析法等。在本次研究中，采用了圖像差值法。差值法也就是將2幅配準好的遙感影像中對應像素的灰度值相減，獲得一幅差值圖像，對差值圖像進行閾值化，這就檢測出了變化區域[1]。

對本項目中的遙感影像采用了差值法進行檢測，用于實驗結果對比。對原遙感影像直接進行差值法處理，發現出現過多噪聲點，檢測變化結果即如圖2所示。產生噪聲點多，究其原因則可歸結為2個方面。一方面是閾值設置不合適，另一方面是通過對圖像的目視解譯，發現城市在多時相的遙感影像上呈現不同的顏色，這是由于2個時期屋頂的顏色變化所致。因此，先對圖像進行預處理，將城市中呈現的亮白色、紅色、天藍色整合為同一顏色，利用解譯手段，根據遙感影像上不同地物所顯示的不同顏色，建立3類不同的遙感影像地物區域。

研究得到的LandSat傳感器拍攝的遙感影像中地物所呈現的顏色特征見表1。對植被和城市使用梯度決策樹（GBDT）進行地物分類，變化前和變化后圖像對比效果如圖3所示。在圖3中，紅色代表城市，藍色代表河流，綠色代表植被。

GBDT是目前競賽中最為常用的一種機器學習算法，是一種通過反復迭代訓練決策樹來最小化損失函數的決策樹算法，在Spark.ml中通過使用現有decision tree工具來設計實現。其執行過程如圖4所示。

2 實驗結論及分析

使用GBDT方法將遙感影像進行變換檢測，檢測結果如圖5所示。由圖5看到，圖像中白色為變化區域，黑色為沒有發生變化的區域。通過和圖2進行對比可知，有效減少了噪聲點，同時也提高了監測精度。最終實驗結果表明，本文提出的方法較傳統的基于像素變化在檢測精度上有了一定的提升。

3 結束語

多時相遙感影像的變化監測一直都是遙感應用的熱點之一，本文提出的遙感變化監測方法可以應用到中低分辨率的遙感影像應用研究中。本研究中所使用的梯度決策樹分類方法只考慮像元本身的值進行分類，卻并未探討像元之間的空間關系，因此仍存在“偽變化”點。在后續工作中應對空間位置給予更多的關注和重視。

參考文獻

[1]周軍其，葉勤，邵永社.遙感原理與應用[M].武漢：武漢大學出版社，2014.

[2]祝錦霞. 高分辨率遙感影像變化檢測的關鍵技術研究[D]. 杭州：浙江大學，2011.