結合相關系數和特征分析的植被區域自動變化檢測研發

潘建平， 徐永杰， 李明明， 胡勇， 王春曉

(1.重慶交通大學土木工程學院，重慶 400074； 2.重慶市規劃和自然資源調查監測院，重慶 401123； 3.自然資源部海南基礎地理信息中心，海口 570203)

0 引言

遙感變化檢測是在不同時間觀察判斷一個地物對象的狀態有無變化、發生怎樣變化的過程[1-2]。通過變化檢測可以有效地掌握地表信息的變化，從而更好地管理自然資源，推動社會發展。其中耕地、林地和草地等植被類型作為地表覆蓋類型的重要組成部分，影響著人類和自然的方方面面，植被覆蓋區域變化檢測對于保護生態紅線和守住耕地紅線具有重大意義[3]。

傳統的遙感變化檢測方法基本可以分為2大類： 分類后比較法和直接比較法[4]。分類后比較法首先對前后期遙感影像進行分類，然后根據分類的結果判斷是否發生變化以及發生何種類型的變化，如梅樹紅等[5]為檢測林地變更，在構建歸一化植被指數(normalized difference vegetation index，NDVI)和提取紋理特征的基礎上進行決策樹分類來獲得變化區域，該方法極易受分類誤差的影響。直接比較法通常利用像元之間的光譜差異構建前后期的差異圖像，然后在差異圖像上提取變化像元和未變化像元，其原理簡單，能夠消除誤差累積的影響，因此受到很多專家學者的廣泛使用。Nielsen等[6-7]先后提出多元變化檢測(multivariate alteration detection,MAD)和迭代加權多元變化檢測(iteratively reweighted MAD,IR-MAD)方法進行多元遙感變化檢測研究； 王曉東等[4]選用交叉相關系數來構建兩時相的變化強度圖像，通過馬爾可夫隨機場-最大后驗估計(maxium a posteriori estimation of Markov random field，MRF- MAP)方法逐像素的提取變化區域； 黃愷等[8]構建時空自相關指數對植被進行變化檢測，并考慮了像元的鄰近信息。但以像元作為最基本的檢測單元，往往會忽略了高空間分辨率遙感影像豐富的上下文信息，因此針對高分辨率遙感影像，國內外學者多展開面向對象的變化檢測研究[9-11]。Walter[12]和Zomeni等[13]利用地理信息系統(geographic information system,GIS)矢量數據獲取影像像斑進行變化檢測； 王琰等[14]在利用矢量數據獲取像斑的基礎上進行二次劃分，獲得了更為精細的子像斑，然后以子像斑為檢測單元進行相關性判斷； 佃袁勇等[15]通過多尺度分割獲取地物對象并進行變化檢測。

在分割的基礎上提取地物特征進行比較是面向對象的直接比較法的基本檢測思路[16]。選取各個特征值組成特征向量，然后計算特征向量的變化強度或相似性程度，比較前后期同一區域的變化強度大小或特征向量的相似性程度來篩選變化的結果。然而，一般的光譜和紋理等特征都具有通用性，針對特定的變化檢測目標容易產生偽變化區域。常用的解決辦法是先從影像上識別出目標對象，然后針對目標對象展開變化檢測[17]； 或選取多種特征進行篩選和降維處理，提取出能有效識別目標地物的特征[18]。這無疑給檢測工作帶來了較大的工作量，并且對目標識別算法有較高的要求。因此，針對特定目標的變化檢測工作，如何提高變化檢測精度、減少偽變化信息的產生，是面向對象的直接比較法需要重點解決的問題。

針對高分辨率遙感影像中植被區域的變化檢測，本文采用面向對象的變化檢測方法。首先對前后期高分影像進行分割得到地物圖斑，并提取光譜和紋理特征構建特征向量，計算相關系數值判斷向量之間的相關性，然后通過特征分析選取合適的偽變化去除特征，利用偽變化去除算法剔除虛檢的變化，從而提高變化檢測的精度。同時，為了提高變化檢測的效率和自動化程度，文章設計研發了一款圖斑級變化檢測工具軟件。

1 研究思路與關鍵技術

文章進行變化檢測使用的數據包括： 前后2期高分辨率遙感影像和前期地理國情普查成果數據。主要的研究思路分為影像分割、特征提取和變化檢測3個步驟[19]，其中變化檢測又分為變化信息提取和偽變化去除。圖1為變化檢測主要技術路線。首先，在后期遙感影像上疊加前期普查成果數據，對其進行矢量約束的多尺度分割，然后將后期分割得到的結果疊加在前期影像上進行棋盤分割，從而得到前后期對應的分割圖斑； 緊接著，提取前后期每個分割圖斑的光譜和紋理特征； 然后，根據提取的地物特征構建特征向量，計算特征向量之間的相關系數來提取變化的信息； 最后，對相關系數法提取的變化結果進行偽變化信息去除，得到最終的變化檢測結果。

圖1 技術路線

1.1 影像分割

影像分割是將一幅完整的遙感影像分成若干個相互獨立的子區域，是面向對象變化檢測方法的首要步驟，也是關鍵步驟。本文將后時期的遙感影像與前時期的普查成果數據進行疊加套合，利用eCognition軟件進行多尺度分割； 將分割的結果導出并疊加在前時期的遙感影像上進行棋盤分割，得到前后期完全一致的分割圖斑。

多尺度分割是eCognition軟件中最常用的一種分割算法，是根據影像的光譜和形狀特征進行分割，并采用自下而上的思路合并相鄰的同質區域。軟件中通過設置緊致度(compactness)、形狀因子(shape)和尺度(scale)參數來控制多尺度分割的結果，針對高分辨率遙感影像，通常形狀因子介于[0.1，0.5]之間，緊致度介于[0.5，0.99]之間，分割尺度則依據變化檢測要求的最小檢測面積來確定[1]。在多尺度分割的過程中添加前期成果數據的約束，可以保證前后未發生變化的區域具有相同的邊界[20]，而疊加在后期影像上進行分割，可以提取出后期發生變化的區域邊界[21]。棋盤分割是將一個父對象分割為許多正方形的子對象，在eCognition軟件中通過設定對象尺寸(Object Size)來決定子對象的大小，如果設定的Object Size值大于父對象的尺寸，則可以得到前后期一致的分割圖斑。

1.2 相關系數

相似性度量是一種代價函數，可以反映特征之間的相似性。通過提取前后期影像的光譜、紋理特征構建特征向量，帶入代價函數進行相似性分析，最后通過確定變化閾值從而判定影像的變化情況。常用的相似性度量有歐氏距離[22]、KL距離[23]和向量相似性[9]等。

相關系數由統計學家皮爾遜提出，可用于研究變量之間的線性相關程度，常用來衡量2個樣本之間相似性[24]。皮爾遜相關系數r的計算公式為：

(1)

在前期圖像分割和特征提取的基礎上，利用提取出的光譜和紋理特征構建特征向量V，即

(2)

以相關系數作為描述特征向量之間相似性的度量方式。通過計算前后期對應圖斑的相關系數并設置變化閾值便可得到相應的變化圖斑，相關系數ρ的計算公式為：

(3)

式中：V1i和V2i分別為前、后2期對應圖斑的特征向量；i為圖斑序號；n為特征向量的維數即特征的個數。

1.3 植被區域偽變化去除

傳統的特征向量相關系數法根據選擇的特征判斷變化區域的相似性，然而由于不同遙感傳感器之間的成像差異、不同季節植被覆蓋度不同、光照和大氣條件等因素的影響，同一塊植被區域在不同時期的光譜和紋理存在一定的差異，導致其被認定為發生了變化。如圖2所示為部分農田和林地因為季節和成像差異出現的誤檢圖斑。因此，單純的利用相關系數進行變化檢測會產生一些偽變化信息。

(a) 前期無植被耕地(b) 后期有植被耕地(c) 前期無植被林地(d) 后期有植被林地

圖2 偽變化區域

為消除這種偽變化信息的影響，本文通過在前后期影像上選取多組地物樣本，統計分析前后期影像上不同類型地物在紅光、綠光、藍光3個波段下的光譜均值，并引入標準差來確定每個波段下各類地物像元值的取值范圍。表1為4種典型地物類型的像元統計特征。

表1 各地物像元統計特征

從表1中可以看出紅光波段下植被的像元值明顯偏低，與道路、建筑物和堆掘地等存在較大差異。所以，當前期是植被類型的區域變化為后期是非植被類型時，對應區域的紅光波段特征值會發生明顯改變； 并且二者灰度值范圍少有重疊，可以排除“異物同譜”現象的影響。因此，選用影像的紅光波段均值來對變化信息作進一步的篩選，并構建了前后期影像的紅光波段均值的比值。如若前后期地物類型發生變化，則比值較大，反之較小。其表達式為：

(4)

式中：RT1和RT2分別為前期和后期影像的紅光波段均值；β為界定的閾值，稱為偽變化閾值。在前期相關系數法變化檢測的基礎上，如果變化圖斑滿足表達式RT2/RT1>β,則為最終的變化圖斑。通過在實驗區挑選前后期變化圖斑樣本，發現變化區域前后時相紅光波段比值在0.9以上，即β≥0.9。

1.4 閾值確定

目前常用的閾值確定方法有大津法、構建目標函數法和基于信息熵的方法。這些方法大多基于樣本表達的信息量，可以保證檢測結果整體的正確率，然而在實際生產中更加注重檢測結果的漏檢率，即首先要確保不能或較少的出現漏檢的圖斑，其次再優化檢測的虛檢率。為此，文章采用基于漏檢率的閾值確定方法： 首先設置閾值區間，當漏檢率低于10%時，此時的變化閾值為相應對象的閾值。

2 工具軟件設計

2.1 開發工具

變化檢測工具軟件需要對矢量和柵格數據進行交互、編輯等操作，所以需要依托GIS平臺。ESRI公司的ArcEngine是基于核心組件庫ArcObjects搭建的，可以用來開發嵌入式或者獨立的GIS程序，并且支持多種開發環境，如C++，Java和.NET[25]，其中基于.NET框架易于設計可視化界面。文章在Visual Studio 2017平臺下引入ArcEngine組件庫實現工具軟件的開發設計。

2.2 功能設計

圖斑級變化檢測工具軟件主要用于輔助內業進行變化檢測。將前后期帶有特征屬性值的矢量圖斑數據導入，通過變化檢測工具軟件提取變化圖斑，疊加前后期遙感影像，輔以人工編輯，提高變化檢測區域的發現效率和精度。圖3為軟件功能設計示意圖。圖4為工具軟件的主界面示意圖。

圖3 功能設計

圖4 軟件主界面

輸入輸出功能模塊包括數據加載和結果導出。數據加載包括矢量數據和柵格數據的加載，加載的數據會在軟件的主界面進行可視化展示； 結果導出是保存得到的變化檢測結果，用戶可自行選擇保存路徑和保存名稱。

變化檢測功能模塊包括相關系數法變化檢測、閾值確定和變化提取。文章主要通過構建相關系數這種相似性度量方式來進行變化檢測，并設定變化閾值進行變化區域的劃分； 變化提取是根據計算得到的相似性度量值和設定的閾值進行變化圖斑的提取并在圖中高亮顯示。

后處理功能模塊包括人工編輯和字段刪除，主要針對變化檢測之后的結果進行相關的處理。人工編輯可以針對變化檢測的結果進行人為的干預，例如刪除或合并圖斑； 字段刪除是刪除數據屬性表中的屬性字段。

輔助工具包括視圖工具和圖斑工具。視圖工具包括全圖顯示、移動視圖； 圖斑工具包括選擇要素、清除要素和屬性識別。

3 實驗與分析

實驗選取重慶市璧山區部分區域，前期數據包括2017年GF-2遙感影像和地理國情普查成果數據，后期為2018年BJ-2遙感影像，空間分辨率都為1 m,影像大小為3 761像素×3 085像素，包含3個可見光波段和1個近紅外波段，圖5分別為前后期原始影像套合矢量圖斑的結果圖。研究區包含大量耕地、林地等植被類型，并存在較多植被到建設用地的變化。

(a) 前期柵矢套合(b) 后期柵矢套合

3.1 變化檢測實驗

首先對2幅影像進行精度較高的配準操作，并利用直方圖匹配進行相對輻射校正。然后通過套合前期矢量普查成果數據進行分割，獲得前后期對應的地物圖斑，并提取近紅外波段均值(Mean_NIR)、亮度值(Brightness)、對比度(GLCM_Contrast)以及熵(GLCM_Entropy)4個特征構建特征向量。為了提高變化檢測的效率，將上述獲取到的特征圖斑導入變化檢測工具軟件進行快速變化檢測，從而提取出變化的區域。同時，為驗證偽變化去除的有效性，并尋求變化閾值和偽變化去除閾值的最佳組合，分別進行多組對照實驗。

3.1.1 實驗一

第一組實驗設定了9組變化閾值，無偽變化去除操作，如圖6所示。灰色圖斑表示檢測出來的圖斑，紅色圖斑表示標準變化圖斑。從圖中可以看出，隨著變化閾值α的逐漸變大，漏檢圖斑數量逐漸減少，說明變化閾值增大可以抑制漏檢圖斑的產生。

(a) α=0.950(b) α=0.960(c) α=0.970(d) α=0.980(e) α=0.985

(f) α=0.990(g) α=0.993(h) α=0.996(i) α=0.999

圖6 不同變化閾值檢測結果

3.1.2 實驗二

第二組實驗在第一組實驗的基礎上添加了偽變化去除，并固定了偽變化閾值β為1.0，圖7展示了在9組變化閾值下進行偽變化去除后的結果。對比第一組實驗結果可以發現，偽變化去除前，隨著變化閾值的增大，檢測圖斑數量越來越多，虛檢圖斑數量逐漸增多，漏檢圖斑數量逐漸減少； 偽變化去除后，在相同變化閾值下，檢測圖斑數量明顯下降，虛檢圖斑大量減少。但在相同的偽變化閾值下，變化閾值越大，虛檢圖斑越多。

(a) α=0.950,β=1.0(b) α=0.960,β=1.0(c) α=0.970,β=1.0(d) α=0.980,β=1.0(e) α=0.985,β=1.0

(f) α=0.990,β=1.0(g) α=0.993,β=1.0(h) α=0.996,β=1.0(i) α=0.999,β=1.0

圖7 偽變化去除檢測結果

3.1.3 實驗三

第三組實驗分別選取變化閾值α為0.993，0.996和0.999，并分別設定偽變化閾值β為0.9，1.0和1.1，圖8展示了2種閾值的相互組合變化檢測結果。在相同變化閾值的情況下，隨著偽變化閾值的增大，變化結果的虛檢圖斑逐漸減少。

(a) α=0.993,β=0.9(b) α=0.993,β=1.0(c) α=0.993,β=1.1(d) α=0.996,β=0.9(e) α=0.996,β=1.0

(f) α=0.996,β=1.1(g) α=0.999,β=0.9(h) α=0.999,β=1.0(i) α=0.999,β=1.1

圖8 閾值組合檢測結果

但是，隨著偽變化閾值的一直增大，圖斑的漏檢數也會隨之增加。圖9為在相同變化閾值下，2種偽變化閾值帶來的漏檢圖斑情況。從圖9中可以看出，當β=1.4時裸露出來的標準圖斑要多于β=0.9，說明當β=1.4時漏檢的圖斑要多于β=0.9。

(a) α=0.993,β=0.9(b) α=0.993,β=1.4

圖9 漏檢圖斑對比

3.2 實驗分析

通過3組對比實驗結果可以得出： ①由第一組實驗結果可以看出變化閾值和漏檢圖斑數呈負相關關系； ②對比第一、二組實驗，在相同變化閾值情況下，添加偽變化去除可以有效減少虛檢圖斑數量，但整體變化閾值和虛檢圖斑數呈正相關關系； ③由第三組實驗可以看出偽變化閾值和虛檢圖斑數呈負相關關系，但在一定程度上會影響結果的漏檢率。

繼續統計不同閾值組合下的漏檢率和虛檢率，當變化閾值在[0.950,0.999]、偽變化閾值在[0.9,1.1]之間時，各項指標的統計結果如圖10—12所示。從圖10—12中可以看出，變化閾值α在(0.993,0.999]區間內分別可以達到10%左右的漏檢率，滿足一定的變化檢測需求。因此，綜合考慮變化結果的漏檢率和虛檢率，變化閾值和偽變化閾值在一定范圍內的取值越大可以獲得越好的變化檢測結果，一般選取變化閾值α∈(0.993,0.999],偽變化閾值β∈[0.9,1.1]。

圖10 β=0.9時閾值組合分析

圖11 β=1.0時閾值組合分析

圖12 β=1.1時閾值組合分析

3.3 精度評價

為驗證該工具軟件的有效性，以圖斑為基本單位對變化檢測的結果圖斑進行漏檢率和虛檢率等指標統計。將人工目視判讀選取的真實變化圖斑與當α=0.999，β=1.1時進行檢測得到的變化圖斑進行對比統計，構建用于精度評價的混淆矩陣，統計結果如表2所示。

表2 變化檢測結果精度評價

由表2可知，實驗區一共包含1 899個圖斑，其中實際變化的圖斑有306個，該工具軟件檢測出來的變化圖斑有363個，漏檢了26個變化的圖斑； 83個實際未變化圖斑錯檢成變化圖斑。整個變化檢測的結果的正確率為94.3%，虛檢率為22.9%，其中漏檢率可以達到8.5%。

4 結論

針對傳統的變化檢測方法存在的問題，結合高分辨率遙感影像變化檢測的思路，在傳統相關系數方法的基礎上增加了波段比值去除偽變化，并通過ArcEngine二次開發設計出圖斑級變化檢測工具軟件，相較于傳統的變化檢測手段，其具有如下優勢：

1)研究變化檢測算法，消除了大量繁瑣的人工目視判讀工作，能較好地在植被變化檢測實際生產工作中完成任務，提高了工作效率和檢測質量。

2)基于ArcEngine研發了快速變化檢測的工具軟件，實現了半自動化的變化檢測，實驗精度較高，可以為自然資源調查等部門提供技術支撐。

由于本文構建的偽變化去除方法是針對植被區域變化為非植被區域，因此無法適用于多類變化檢測； 并且方法選取的特征數量和質量有限，只選取一個光譜特征指標進行偽變化去除，可能對于老、舊住宅小區等建筑物附近植被的偽變化識別存在一定的局限性。因此，今后需要在提高偽變化識別的廣度和深度方面繼續進行研究。