基于衛星遙感的輸電沿線建筑物變化檢測

周愷, 張睿哲, 譚磊, 葉寬, 趙建勇, 齊偉強, 蔡瀛淼, 范麗

(1.國網北京市電力公司電力科學研究院, 北京 100045; 2.國網北京市電力公司, 北京 100031; 3.北京深藍空間遙感技術有限公司, 北京 100028)

近年來,隨著經濟和城鎮化進程的快速發展,城市的發展對土地建設面積的需求加大,輸電線路的規劃與城市建設和土地資源開發之間的沖突越來越劇烈。輸電線路是電網安全運行的關鍵,是關系國計民生的“安全線”,但各種工程建設等外力破壞致使輸電線路事故時有發生,而傳統的人工和監控設備巡檢的方法不僅效率低,且成本高,存在一定的漏報和滯后性[1]。因此,需要尋找新的技術手段來解決以上問題,提高監測效率。隨著遙感技術不斷發展,遙感技術在城市規劃、應急救災和地表覆蓋變化等多個領域有廣泛的應用[2-5]。目前在電力領域,針對輸電線路已經開展了地物分類和識別等研究,但通過變化檢測方法對輸電沿線識別外力破壞造成隱患區的研究很少,一般地,外力破壞隱患區多以建筑施工用地居多。

基于高分辨率遙感衛星影像的建筑物識別和變化檢測研究是目前遙感監測等領域研究熱點之一[6-8],快速有效地進行建筑物變化檢測在輸電線路建設等管理工作中具有舉足輕重的意義,隨著遙感衛星技術的進步,遙感影像的空間分辨率和時間分辨率也在日益增強,建筑物變化檢測的方法也在逐步完善,逐漸由基于像元向面向對象的方法轉變,主要的方法有兩類。第一類是根據遙感影像中建筑物獨有的幾何、紋理和陰影特征提取其特征的變化信息,Xiao等[9]根據影像中紋理和光譜與特征提取像元級的建筑物變化信息,然后采用形態學方法將像元級變成對象級,并通過差分形態學指數進行建筑物變化識別。吳柳青等[10]提出一種基于多尺度多特征的自動化提取建筑物的方法,融合了亮度反差和邊緣密度等特征,從而提高了建筑物檢測精度。馬劍林等[11]通過提取影像的紋理、形態和光譜特征組合構建最優多源特征矢量,并采用主動學習的變化檢測算法對油氣管道沿線地物變化情況進行檢測。張志強等[12]通過構建光譜、紋理和特征指數特征集后進行隨機森林影像分類獲得像元級的建筑物變化檢測,最后將影像分割結果和像元級的變化檢測結果進行融合,得到對象級的變化檢測結果。靖娟利等[13]構建了融合影像的紋理、光譜、水體和植被指數特征的不同方案,引入多層前饋反向傳播(back propagation,BP)神經網絡方法進行影像分類,提高了分類和變化檢測的精度。盧麗琛等[14]提出基于面向對象的建筑物變化檢測算法,利用建筑物指數(morphological building index,MBI)提取建筑物區域,并采用CVA(characteristic vector analysis)算法獲得全部建筑物對象的差異度,最后根據合適的閾值確定變化和未變化對象。第二類是首先提取變化信息,再采用監督思想提取建筑區域,徐軍等[15]基于提取到的建筑物和變化信息,采用改進的分水嶺方法和MBI指數相結合提取了建筑物變化信息。付青等[16]分別對比最小距離、最大似然法、支持向量機三種分類算法的效果,采用分類精度最好的支持向量機方法對影像進行土地利用分類,并對不同時相下的分類結果進行了變化檢測信息提取。徐銳等[17]提出了將IR-MAD(infrared multiple absorption detection)和Unet(unity networking)網絡相結合的方法,首先提取影像中可能變化的像元,然后通過投票的方法將變化概率大的像元作為變化檢測結果,但該方法無法將建筑物等陰影區域進行有效區分和識別,出現誤分和漏分的情況。

現有的建筑物變化檢測方法大部分都是基于監督思想,需要有一定的訓練樣本和先驗條件,人工干預多,主觀因素對檢測結果影響較大,現提出一種融合建筑物形狀、紋理和邊緣特征,利用高斯模型進行建模實現像元級的建筑物提取,并引入多尺度分割結果實現對象級的建筑物提取,最后根據前后兩個時相建筑物對象的空間格局識別出建筑物變化類型。本文算法可以實現輸電沿線建筑物施工等外力破壞隱患區的提取,提高巡檢效率,為輸電線路沿線地區建筑物變化檢測研究和工程應用提供技術支持。

1 研究方法

基于衛星遙感的輸電沿線建筑物變化檢測研究主要包括三個步驟:①建筑物初提取,基于影像預處理的結果,計算建筑物指數MBI,結合陰影提取結果和形狀因子提取建筑物訓練樣本;②建筑物后提取,基于建筑物形狀、紋理和邊緣特征,利用高斯模型進行建模,并引入多尺度分割結果實現對象級的建筑物提取;③建筑物變化檢測。具體流程如圖1所示。

圖1 技術流程Fig.1 Technical flowchart

1.1 建筑物初提取

1.1.1 陰影提取

高分辨遙感影像中建筑物、植被區域與對應陰影區域的位置關系和太陽方位角有關。鑒于此,利用建筑物、植被與陰影之間的位置關系進行陰影檢測[18-19]。本文陰影提取方法如下。

(1)在可見光遙感影像中,由于太陽光形成的陰影區域與高亮度區域通常不受彩色空間的影響,因此,通過計算影像上原彩色空間與歸一化彩色空間的差異來表征陰影特征。歸一化計算公式為

r=R/(R+G+B)

(1)

g=G/(R+G+B)

(2)

f1=mean(|r-R|+|g-G|)

(3)

式中:R、G、B分別為影像的RGB(Red,Green,Blue)分量;r、g分別為歸一化后的RGB分量;f1為第一陰影特征分量。

(2)由于地面大型的遮擋物形成的陰影,該陰影在光學遙感影像上表現出較低亮度,因此可以用亮度作為特征。目前計算亮度的方式有很多,如均值法、最大值法、轉換到HSV(hue, saturation, value)空間等,但這些方法都沒有考慮到人眼對RGB可見光的敏感程度,因此根據人眼對RGB可見光的不同敏感度,計算方式為

f2=0.46R+0.5G+0.04B

(4)

式(4)中:f2為陰影第二特征分量。

(3)由于植被區域樹葉之間存在縫隙,遙感影像中會在植被區域顯示斑點狀陰影,因此需要構造植被區域特征。在可見光范圍內,植被一般呈綠色,可以將綠光波段減去紅光波段和藍光波段的最小值作為特征。表達式為

f3=G-min(R,B)

(5)

f3(f3<0)=0

(6)

式中:f3為陰影第三特征分量。

(4)對于陰影特征f1,在遙感影像中陰影和高亮區域處的值一般較大;對于特征f2,陰影和植被區域處的值較小、而高亮區域呈現較大的值;對于陰影特征f3,植被區域呈現出較大的值、其他區域值較小。因此,根據以上關系建立陰影識別模型,三個陰影特征均需進行歸一化處理,最后利用大津閾值分割即可得到陰影提取結果。陰影特征的計算公式為

f=αf1-βf2-λf3

(7)

(8)

式中:α、β、λ為三項特征分別對應的權值,根據多次實驗獲得經驗值,分別設置為0.4、0.3、0.3;T為分割閾值,識別結果小于閾值T的即為陰影。圖2為陰影檢測結果圖。

1.1.2 形態學建筑物指數(MBI)

形態學建筑物指數(MBI)在建筑物區域的光譜特征通常呈均勻分布,建筑物邊緣差異明顯、變化較大,而在建筑物內部較為均勻、變化較小,MBI的構建結合了建筑物的亮度、方向、大小和對比度等特征[20]。MBI計算的步驟如下。

圖2 陰影檢測結果Fig.2 The result of shadow detection

(1)亮度值b(x),計算公式為

(9)

式(9)中:K為可見光波段總數;bandk(x)為k波段在像元x處的光譜值,可見光波段具有較高的反射率,將可見光波段像素的最大值作為該像素的光譜值。

(2)形態學白帽重構(white top-hat,WTH)。白帽變化的計算公式為

(10)

(3)形態學剖面(differential morphological profiles,DMP)。形態學剖面計算公式為

DMPWTH(d,s)=

|WTH[d,(s+Δs)]-WTH(d,s)|

(11)

(4)形態學建筑物指數(MBI),計算公式為

(12)

式(12)中:D和S分別為計算建筑物剖面時的方向和尺度總數,本文中最大尺度Smax為20,最小尺度Smin為3,ΔS為1。MBI值較大的即為建筑物,在MBI影像中呈現為較高的亮度,并利用大津閾值分割自動提取建筑物區域。

(5)MS(mean shift)影像分割。

MS影像分割算法是一種非參數的核密度估算方法[21],可將相鄰并具有相似光譜特征的像元進行聚類,由于其分割精度高、收斂速度快等優勢,被廣泛應用于影像分割中,本文采用MS分割算法將MBI結果進行分割和矢量化處理,圖3為MBI進行分割后的特征圖。

圖3 MBI分割圖Fig.3 MBI split map

1.1.3 建筑物樣本識別

基于MBI建筑物提取已識別出大部分建筑物對象,但道路等地物被誤提,由于道路與建筑物形狀差異較大,故采用形狀特征因子對其進行有效的剔除[22],具體步驟如下。

道路一般呈現彎曲和直線的形狀,基于MBI閾值分割結果,通過形狀特征參數長寬比、矩形度將道路等不符合建筑物特征的區域刪除,其中,長寬比R為定義為圖像中最小外接矩形的長與寬的比值,即

(13)

式(13)中:L為建筑物初提取對象的最小外接矩形的長;W為最小外接矩形的寬,本實驗中設置當R>4為道路,符合道路為長條的形狀特點,判定其為背景干擾,將其設置為0,將R<4的判定為建筑物。

矩形度J為區域面積與其最小外接矩形面積的比值,即

(14)

式(14)中:A為建筑物初提取對象的輪廓面積;M為最小外接矩形面積,本實驗中設置當J<0.7為道路,反之識別為建筑物。

通過MBI和形狀因子等特征已提取大部分規則的建筑物,然后使用陰影檢測結果將已提取的結果進行有效篩選,實現建筑物樣本的識別。

1.2 建筑物后提取

完成建筑物初提取結果之后,其余未提取的建筑物區域通常與周邊其他地物信息相似,且自身結構較為復雜,無法通過以上方法準確地提取建筑物信息。因此,將建筑物初提取的結果作為樣本輸入,選取紋理和邊緣特征進行訓練,建立高斯模型,完成全部建筑物的提取。

1.2.1 紋理和邊緣特征提取

(1)紋理特征提取。遙感影像的幾何和紋理特征可將地物進行有效的提取,為了優化建筑物樣本,運用Log-Gabor濾波器對遙感影像的紋理和邊緣特征進行提取,Log-Gabor函數在頻域軸向的波形為高斯形狀,因此,Log-Gabor函數本質上為高斯函數,其沿用了Gabor函數的多分辨率和多通道等優勢,可使用不同方向和頻率的濾波器計算影像的局部紋理特征,其計算量與Gabor函數相比有了大幅降低[23]。Log-Gabor的傳遞函數為

(15)

式(15)中:ω0為濾波器的中心頻率;ω為濾波器的各等級頻率;σω為倍頻寬帶。本文中采用Log-Gabor濾波器提取了一共30維特征作為紋理特征向量,其中包括影像的5個頻率尺度和6個方向的特征。

(2)邊緣特征提取。目前常用的邊緣檢測算法大多較為簡單,運行速率快,但將其應用于遙感地物邊緣檢測中容易受到噪聲的影響,且邊緣離散不連續和細節信息缺失等情況,基于Canny邊緣檢測的方法被廣泛應用于灰度邊緣檢測中,Canny方法可盡可能多的標識出影像中地物的實際邊緣,且與影像中的實際邊緣更加吻合[24]。Canny方法的實現步驟如下。

①圖像降噪。采用高斯模型對影像進行平滑處理,計算公式為

(16)

式(16)中:x和y分別為像元的坐標值;σ為平滑尺度的參數。

②梯度計算。通過使用Sobel梯度算子對計算降噪后的影像中各像元的梯度值和方向。

③非極大抑制。非極大抑制是一種邊緣稀疏算法,僅使用梯度值提取的邊緣較為粗糙,而非極大抑制的作用為更加準確的定位影像的邊緣,如果當前像元比其相鄰兩個像元的梯度值都小,則該像元被抑制,否則該像元為邊緣點。

④雙閾值邊界跟蹤。在進行非極大抑制操作后,剩余的像元可以更準確地表達影像中的實際邊緣,然而,仍然存在一些噪聲的影響,通過設置高低閾值剔除非邊緣點,即如果邊緣像元的梯度值小于低閾值時,將會被抑制;如果邊緣像元的梯度值大于低閾值且小于高閾值,為弱邊緣像元;如果邊緣像元的梯度值大于高閾值,則為強邊緣像元。

(3)主成分分析。主成分分析是為了降低算法的難度、減少運算時間,避免由于維數太多造成的維數災難問題,本文中將紋理和邊緣特征進行組合,并進行主成分分析,將前三個特征進行歸一化后作為訓練特征,形成特征向量。

1.2.2 基于高斯模型的建筑物提取

一般地,在建筑物集中區域建筑物分布相對較為密集,而在非建筑物區域分布較為稀疏,根據這一特點,Sirmacek[25]采用了空間投票矩陣的方法計算影像中每一個像元屬于建筑物的概率分布,此方法的思想是像元與樣本點之間越近,該像元屬于建筑物的可能性也越大,反之,距離越遠,其屬于建筑物的可能性越小。本文結合建筑物樣本和高斯模型對建筑物初提取影像中的像元進行概率建模,表達式為

(17)

式(17)中:p為任意像元屬于建筑物的概率;d為維度,本文的維度為3;x為像元值向量;Σ和μ分別為協方差矩陣和均值向量,將未識別像元的特征向量逐個代入概率模型中計算其屬于建筑物的概率,概率值的大小代表了該像元屬于建筑物的概率大小[26]。并采用最大類間方差方法對每一個像元的概率值進行最大自適應閾值分割得到建筑物區域邊界,獲得像元級的建筑物提取結果,提取結果如圖4(a)所示。

1.2.3 多尺度分割的建筑物后提取

多尺度分割的建筑物后提取主要步驟如下。

(1)采用分形網絡進化算法對預處理后高分影像進行尺度分割。

(2)通過計算長寬比和矩形度,對道路等不符合建筑物幾何特征的區域進一步去除。

(3)統計每個多尺度分割對象內識別為建筑物像元的面積占該對象總面積的比例,如果該比例大于50%,判定該對象內的所有像元為建筑物,反之亦然。

(4)對以上判定結果采用八鄰域方式生成對象,減少噪聲影響,完成基于像元的建筑物提取。

(5)將基于像元的建筑物提取結果與多尺度分割結果進行空間識別,將識別為建筑物的像元屬性賦予分割結果,最后獲得面向對象的建筑物斑塊。

對象級的提取結果如圖4(b)所示。可以看出,本文算法提取的建筑物區域邊界與參考結果的邊界基本吻合,與圖4(a)相比,提取到的離散斑塊進行了有效剔除,提取效果很好。

1.3 建筑物變化檢測

根據提取的兩期建筑物結果,采用空間疊加分析對建筑物變化情況進行分析,圖5為遙感影像中建筑物的變化類型效果示意圖。

圖4 建筑物提取結果Fig.4 Results of building extraction

圖5 建筑物變化檢測示意圖Fig.5 Schematic diagram of building change detection

變化檢測的思想是將前后兩時相的建筑物提取結果進行空間疊加后取交集[27],具體分為已下幾種情況。

(1)當前一時相中存在建筑物A1、B1和C1,如果后一時相提取的建筑物對象A2、B2和C2與A1、B1和C1在空間位置上有重疊,且建筑物變化面積未超過前一時相建筑物對象面積的一半,判定為建筑物無明顯變化。

(2)當前一時相中存在建筑物D1,如果后一時相提取的建筑物對象與D1在空間位置上沒有重疊區域,判定為建筑物拆除。

(3)當后一時相中存在建筑物D2,如果前一時相提取的建筑物對象與D2在空間位置上沒有重疊區域,判定為建筑物新增。

(4)當前一時相中存在建筑物E1-1、E1-2和E1-3,如果后一時相提取的建筑物對象E2與E1-1、E1-2和E1-3在空間位置上有重疊,且建筑物變化面積超過前一時相建筑物對象面積的一半,判定為建筑物改建。

2 變化檢測結果與分析

2.1 實驗數據

本文研究區位于北京市順義區趙全營鎮和牛欄山鎮,區域內覆蓋多條輸電線路,研究選取了2021年11月1日和2022年11月1日的兩景吉林一號(JL-1)衛星影像,影像包含2 m分辨率的紅、綠、藍和近紅外的4個多光譜產品,以及0.5 m分辨下的全色產品。對兩景影像分別進行輻射定標、大氣校正、配準和融合等預處理操作,將融合后的分辨率為0.5 m的數據作為本文的研究數據。選取的3個研究區域范圍如圖6所示。

驗證區位于河北省霸州市和保定市周邊多個區縣,主要對該區域內輸電線路周圍3 km緩沖區進行實驗,驗證選取了2021年3月12日和2022年4月5日的兩景高分六號(GF-6)衛星影像,融合后的影像空間分辨率為2 m。

圖6 研究區范圍Fig.6 Scope of the study area

2.2 結果與分析

為定量評價本文提取的建筑物變化檢測方法的性能,采用查準率P(precision)、查全率R(recall)和F1分數3個精度指標基于面積和圖斑對象兩個層次進行精度評價。其中,參考標準結果為人工解譯的變化斑塊,指標計算公式為

(18)

(19)

(20)

式中:TP1和TP2分別為本文識別算法和參考標準提取的建筑物新增和建筑物拆除,即正確檢測;FP1和FP2分別為本文識別算法識別到而參考標準未識別出的建筑物新增和建筑物拆除,即誤檢測;FN1和FN2分別為本文識別算法未識別到而參考標準識別到的建筑物新增和建筑物拆除,即漏檢測。

根據提取的兩期建筑物結果,采用空間疊加分析對建筑物進行變化檢測,并分別基于面積和對象兩種統計方法對結果進行定量評價,結果如圖7所示。由圖7所示分布可以看出,研究區變化檢測類型主要以建筑物拆除為主,其次分別為建筑物新增和建筑物改建,且大部分建筑物識別結果與影像中實際結果具有很高的吻合度。根據表1可以看出,基于面積和對象兩種評價方法中查準率均大于91%,查全率均大于82%,F1分數分別為86.29和89.90,表明了本文算法可高效、準確地提取建筑物變化信息。

為了驗證本研究提出的算法對大范圍區域和不同影像分辨率下的適用性,選擇了河北省霸州市和保定市周邊的輸電線路周圍3 km緩沖區作為驗證區,并采用本文的算法對該區域進行建筑物提取和變化檢測,檢測結果如圖8和表2所示,由變化檢測結果可知,由于驗證區域面積較大且輸入樣本量有限,部分變化建筑物發生漏檢測,建筑物周圍的道路區域被誤提出來,且存在一定的離散對象,但總體提取較為完整,輪廓清晰,整體效果較好。總體上,基于面積和對象兩種評估方法中,建筑物變化信息提取的查準率均大于83%,查全率均大于80%,說明本文的算法有效的提取建筑物變化信息,算法較穩定,且能滿足實際工作應用需求。

圖7 研究區輸電沿線建筑物變化檢測效果Fig.7 Effect of building change detection along the transmission line in the study area

圖8 驗證區輸電沿線建筑物變化檢測效果Fig.8 Effect of building change detection along the transmission line in the verification area

表1 研究區變化檢測精度統計Table 1 Statistics of change detection accuracy in the study area

表2 驗證區變化檢測精度統計Table 2 Verification area change detection accuracy statistics

3 結論

提出了一種基于融合建筑物特征和面向對象相結合的輸電線路沿線的建筑物提取和變化檢測方法,首先,結合陰影提取結果、MBI結果和形狀因子對建筑物進行初提取,然后將初提取結果作為訓練樣本,提取建筑物形狀、紋理等特征,同時采用高斯模型進行建模,并引入多尺度分割結果實現面向對象的建筑物提取,最后將前后兩期的建筑物提取結果進行空間疊加分析完成變化檢測。實驗結果表明,本文提出算法能高效、快速和準確地提取建筑物變化信息,且能很好地保持變化檢測結果的邊界細節信息,輪廓較清晰,提取效果較好,同時可滿足較大尺度下的建筑物識別精度,在一定程度上降低了人為干預的影響和模型對樣本的依賴,有效地減少了建筑物提取和變化檢測過程中的不確定性。因此,本文算法可有效地提取輸電沿線建筑物變化或施工等造成的隱患區,為輸電線路規劃和巡檢提供了新的工作手段。