面向對象的高分辨率遙感影像建筑物變化檢測

盧麗琛　洪亮

摘 要：以武漢市東湖高新技術開發區部分區域為研究區，提出基于面向對象的高分辨率遙感影像建筑物變化檢測法.利用BMI算法提取建筑物，利用CVA算法進行變化檢測得到全部對象差異度，利用EM算法的貝葉斯閾值計算方法確定變化閾值.結果表明，基于面向對象的變化檢測總體精度為89.48%，Kappa系數為0.86，優于基于像元的變化檢測，為高分辨率遙感影像建筑物的變化檢測提供了一種新的思維方式和方法.

關鍵詞：高分辨率;變化檢測;基于像元;面向對象

[中圖分類號]P237?? [文獻標志碼]A

Object-oriented Detection of Building Changes Based on HighSpatial Resolution Remote Sensing Image

LU Lichena，b，c，d，HONG Liang*a，b，c，d，e，f，g

（Yunnan Normal University，a.Faculty of Geography;b.GIS Technology Research Center of Resource and

Environment in Western China of Ministry of Education;c.Center for Geospatial Information Engineering

and Technology of Yunnan Province;d.Key Laboratory of Resources and Environmental Remote

Sensing for Universities in Yunnan;e.Center for Bay of Bengal Area Studies of Yunnan Normal

University;f.Center for Myanmar Studies of Yunnan Normal University;g.Center for Cambodia

Studies of Yunnan Normal University，Kunming 650500，China）

Abstract：Based on the object-oriented method of building change detection，a new method of building change detection based on high-resolution remote sensing image is proposed.BMI algorithm was used to extract buildings，CVA algorithm was used to detect changes to obtain all object differences，and the bayesian threshold calculation method of EM algorithm was used to determine the change threshold.The results show that the overall accuracy of object-based change detection is 89.48% and the Kappa coefficient is 0.86，which is superior to pixel-based change detection and provides a new way of thinking and method for the change detection of buildings with high-resolution remote sensing image.

Key words：high spatial resolution;change detection;pixel-based;object-oriented

近年來，隨著遙感影像的空間分辨率不斷提高和影像處理技術方法層出不窮，遙感影像變化檢測技術取得很大突破，出現了許多新方法和實用性強的應用.在城鎮區域的高分辨率遙感圖像中，建筑物目標占據很大一部分，作為地物類別的主要內容，建筑物是城市地理數據庫中最容易發生變化和最需要更新的部分，其更新較快，因此，開展對高分辨率遙感影像中的建筑物進行自動提取和變化檢測研究具有重要的意義.最佳變化檢測要結合具體的數據情況和實際應用目的來進行選擇.高分辨率遙感影像的建筑物變化檢測主要是對不同時間同一地區的兩景或多景高分辨率遙感影像中的建筑物的變化情況進行檢測，通過對比和分析，獲取人們所需要的兩時段建筑物的變化信息.[1-8]本文基于樣本選擇算法的貝葉斯閾值確定面向對象的變化檢測閾值，利用最大期望（expectation maximization，EM）算法結合BMI算法和CVA算法對變化區域進行提取與檢測，提高了變化檢測的精度，獲得了較好的效果，為高分辨率遙感影像建筑物的變化檢測提供了一種新的思維方式和方法.

1 研究區概況

研究區位于湖北省武漢市東南部洪山區的東湖高新技術開發區，建筑區域變化較明顯，區規劃面積518 km2，區內常年居住的人口為40萬人.

2 數據源和方法

2.1 數據源

采用武漢東湖高新開發區部分區域2010年2月和2012年2月兩景Worldview-2衛星影像.空間分辨率為0.5 m，影像尺寸為995像素×514像素.

2.2 研究方法

為提高目視效果，將worldview-2高分辨率的全色影像與低分辨率的多光譜影像進行融合，合成一副真彩色的高分辨率影像.筆者利用ENVI軟件，使用Gram- Schimdt變換法進行數據融合.GS改進了主成分變化中信息過分集中的問題，專門為高空間分辨率圖像所設計，較好的保持圖像的空間紋理信息，避免了傳統的融合方法失真性，既保留了影像光譜的信息，又增強了影像的空間分辨率，融合效果較好.采用基于像元的變化檢測分類的最小距離法.

筆者提出一種基于高分辨率遙感影像面向對象的建筑物變化檢測新算法：將影像進行多尺度分割，利用BMI算法提取建筑物，利用CVA算法進行變化檢測得到全部對象差異度，利用EM算法的貝葉斯閾值計算方法確定閾值.

分割方法 采用分形網絡演化多尺度分割算法（FNEA）.分割步驟：通過試驗選擇不同分割參數，以此得到合適的分割尺度、緊致度和形狀因子;對配準的兩時相或多時相的遙感影像進行影像的疊加并進行多尺度分割;利用分割結果在兩景或多景遙感影像上分別獲得對應的建筑區域的像斑.

建筑物變化檢測方法 將分割后的遙感影像利用BMI算法提取建筑物，利用CVA算法進行變化檢測得到全部對象差異度，利用EM算法的貝葉斯閾值計算方法確定閾值.筆者利用MBI算法提取建筑物和基于CVA算法的變化檢測所獲得的全部像斑差異度作為訓練樣本，選擇EM算法的貝葉斯閾值確定方法獲取變化閾值.假設像斑差異度組成的集合為

DCVA=d1CVA，…，dnCVA，

n為像斑的數量.將DCVA分為兩類，一類是變化的，一類是未變化的.設它們的條件密度函數服從于高斯分布，則DCVA中像斑差異度近似滿足兩個（或多個）子高斯分布組成的混合高斯分布.使用EM算法對兩個（或多個）子高斯分布模型進行參數估計，獲得變化類和未變化類的分布參數.根據貝葉斯最小誤差率理論公式計算得到變化閾值T：

（δ2u-δ2c）T2+2（μuδ2c-μcδ2u）T+μ2cδ2u-μ2uδ2c-2μ2uδ2clnδup（wu）δcp（wc）=0.（1）

基于高分辨率遙感影像面向對象變化信息檢測的方法是變化向量分析算法（Change vector analysis，CVA）.CVA算法一般利用像斑的光譜特征來進行變化檢測，以此表達像斑的變化信息，然后通過等權融合像斑各波段的光譜特征的方式來獲得像斑之間的差異度.CVA算法為：

dlCVA=∑wj=1Q2j-Q1j2，j=1，2，…，w.（2）

為了彌補CVA算法在像斑特征應用中的不足——單一的CVA算法無法表達完整的像斑變化信息——也為了更有效利用像斑的多維特征，筆者結合形態學建筑物指數MBI的算法提取建筑物的特征，使研究更精確地將建筑物斑塊提取出來.兩算法的疊加使光譜特征和建筑物指數特征疊加形成多個特征，更明顯的體現了像斑的差異度，構建特征空間.為保證數據的一致性，所有數據要歸一化至[0，1].

形態學建筑物指數MBI（Morphological Building Index）主要提取的步驟為：

步驟1 計算亮度值

b（x）=max1≤k≤Kbandk（x）.（3）

其中，k是可見光的光譜波段數，bandk（x）是第k光譜波段在像素x處的亮度值

步驟2 形態學白帽重構

WTH（d，s）=b-γreb（d，s）.（4）

其中，γreb是對亮度圖像b的形態學開運算，d代表線性結構元素的方向（本研究d=4），s代表線性結構元素的尺度.

步驟3 計算微分形態學剖面DMP（Differential Morphological Profiles）

DMPWTH（d，s）=

WTHd，（s+Δs）-WTH（d，s）.（5）

步驟4 計算MBI

MBI=∑d，sDMPWTH（d，s）D×S.（6）

其中，S=（smax-smin）/Δs+1，D為計算建筑物剖面時的方向數，本研究所采用的D=8，smin=2，smax=51，Δs=7.

3 結果與評價

3.1 圖像預處理結果

經過GS方法進行圖像融合后，圖1表示兩景融合后的影像.

3.2 基于像元的變化檢測結果

兩景原始影像通過亮度閾值的選擇提取建筑物，圖2為基于像元建筑物變化檢測二值化后的影像，白色區域代表變化的區域，黑色區域代表未變化的區域.

3.3 基于面向對象變化檢測結果

選用武漢東湖高新技術開發區2010年融合影像作為基準影像，2012年融合影像作為檢測影像，將兩景影像配準.運用eCognition軟件進行多尺度分割.本研究的分割尺度為30，形狀為0.7，緊致度為0.3，效果滿足要求.

導出影像的分割矩陣，讀入標記矩陣，以此取得兩景影像的圖斑.這樣做的目的在于可通過各圖斑特征向量的提取，采用基于樣本選擇EM算法得到變化閾值，對變化區域進行檢測.圖3為經過BMI算法提取建筑物特征的武漢市東湖高新開發區2010年和2012年的影像.圖4為經過MBI算法的特征提取之后再經過光譜特征疊加后的影像的圖像.圖5為利用EM算法的貝葉斯閾值確定方法獲取變化閾值建筑物變化檢測后的二值化結果圖，白色區域代表變化的區域，黑色區域代表未變化的區域.

3.4 結果分析

3.4.1 定性分析

面向對象的變化檢測方法是以影像的分割為前提，經過分割后的圖斑完整，各類地物形狀清晰，有效地避免了“椒鹽噪聲”，有效地利用了高分辨率遙感影像的光譜特征優勢，結合了形態建筑物指數算法（MBI），降低了錯分率，使分類更準確.綜合

來說，利用高分辨率遙感影像做建筑物的變化檢測中，運用基于EM算法的貝葉斯閾值確定方法獲取變化閾值的面向對象的變化檢測方法優于基于像元的變化檢測方法.

3.4.2 定量評價

基于像元和基于面向對象的變化檢測精度評價見表1.由表1可以看出，基于像元變化檢測的總體精度和Kappa系數分別為76.89%和0.69，總體精度較低的原因在于錯判的誤差比較大，錯分和漏分現象比較嚴重.錯分和漏分的區域大多數處于建筑物邊界或是道路的邊界.相對于基于像元的變化檢測方法，運用面向對象的方法進行變化檢測能夠獲得更好的效果，其檢測總體精度達到89.48%，Kappa系數為0.86.面向對象的變化檢測不僅很好的利用了光譜信息，還結合形態建筑物指數，根據建筑物的多特征性質精確提取建筑物，使建筑物的變化檢測精度更高，在一定程度上保證了變化檢測的準確性，使對象的各類精度均達到了85%以上.

4 結論及啟示

近年來，隨著經濟的發展，城市極度擴張，準確測定建筑物的變化對于城市規劃和城市的發展至關重要.筆者基于面向對象的建筑物變化檢測提出一種新算法——面向對象的高分辨率遙感影像建筑物變化檢測.先利用BMI算法提取建筑物，然后利用CVA算法進行變化檢測得到全部對象差異度，最后利用EM算法的貝葉斯閾值計算方法確定變化閾值.筆者對武漢市東湖高新技術開發區2010年2月和2012年2月兩景Worldview-2高分辨率遙感影像進行建筑物變化檢測，結果表明，基于面向對象的變化檢測總體精度為89.48%，Kappa系數為0.86，優于基于像元的變化檢測.目前，高分辨率遙感影像變化檢測方法的研究還遠遠未達到成熟，尚不能滿足人們實際的需求，基于該研究區域的變化檢測方法C是否具有普適性，還需要等待用更多的實驗去探究.

參考文獻

[1]張曉東，基于遙感影像與GIS數據的變化檢測理論和方法研究[D].武漢：武漢大學，2005.

[2]Chen J，Chen X，Cui X，et al.Change Vector Analysis in Posterior Probability Space：A New Method for Land Cover Change Detection[J].Geoscience & Remote Sensing Letters IEEE，2011，8（2）：317-321.

[3]霍春雷，程健，盧漢清，等.基于多尺度融合的對象級變化檢測新方法[J].自動化學報，2008，34（3）：251-257.

[4]李雪，舒寧，李井岡，等.基于特征貢獻選擇的遙感影像變化檢測方法研究[J].武漢大學學報：信息科學版，2013（10）：1158-1162.

[5]Adar，Shkolnisky，Ben Dor.A new approach for thresholding spectral change detection using multispectral and hyperspectral image data，a case study over Sokolov，Czech republic[J].International Journal of Remote Sensing，2014，35（4）：1563-1584.

[6]Sicong L，Bruzzone L，Bovolo F，et al.Hierarchical Unsupervised Change Detection in Multitemporal Hyperspectral Images[J].Geoscience & Remote Sensing IEEE Transactions on，2015，53（1）：244-260.

[7]Pang S，Hu X，Wang Z，et al.Object-based analysis of airborne LiDAR data for building change detection[J].Remote Sensing，2014，6：10733-10749.

[8]Nebiker，Lack ，Deuber.Building change detection from historical aerial photographs using dense image matching and object-based image analysis[J].Remote Sensing，2014，6：8310-8336.

編輯：琳莉

收稿日期：2020-11-01

基金項目：國家自然科學基金項目（41661082;41861048）;云南省自然科學基金項目（2018FB082）

作者簡介：盧麗琛（1994-），女，湖南永州人.碩士研究生，主要從事湖泊水資源變化遙感信息提取研究;洪亮（1981-），男，湖南永州人.教授，博士，博士生導師，主要從事遙感大數據分析和遙感信息提取研究.

通訊作者：洪 亮