毛羽丰，朱邦彦，张琪，王健

(1.南京市测绘勘察研究院股份有限公司，江苏 南京 210019； 2.河海大学地球科学与工程学院，江苏 南京 211100)

1 引 言

中国是高速发展中的国家，正处于城市快速发展的进程中，城市地区不断扩展和更新，是地物变化最多最复杂的地区。对南京这样快速发展的城市而言，监测城区土地利用的分布、变化对经济发展规划、自然资源分配以及环境与生态系统管理是至关重要的。

遥感影像变化检测是从不同时期的遥感数据中定量分析和确定地表变化的特征与过程，一般通过光学影像进行特征提取和分类，但受到云雨雾天气和拍摄时间的影响，光学影像使用受限。SAR卫星传感器作为重要的遥感数据源之一，与传统光学影像相比，具有其独特的优势，主要包括以下几点：①全天候：穿透性强，由于成像在微波波段，波长相对于可见光遥感较长，能够在一定程度上穿透云雾、植被和地表，所以不受天气状况的影响；②全天时：SAR不依赖于可见光，因此可以在夜晚也能达到很好的成像效果[1，2]。SAR具备上述优势，是非常好的变化检测数据源，逐渐成为城市遥感监测的重要数据源，特别是在南京这种多云多雨的南方城市。

SAR影像与光学影像成像原理不同，前者是主动遥感，影像反映的是回波强度，后者是被动遥感，影像反映的是光谱信息。光学影像的局限性在于容易受到颜色信息的干扰而检测出伪变化：如不同季节的植被，虽然颜色不同，但其地物类别并未发生改变；再如阴影，也会被当作地物变化检测出来。而SAR影像就不会受到此类信息干扰，但是其噪声多，地物边界模糊，没有色彩，其信息量要少于多光谱影像。因此这两类遥感数据事实上是互相补充的，联合SAR与光学影像来进行城市用地的变化检测是十分必要的[3～5]。

2 SAR与光学遥感相结合的变化检测

本文考虑到SAR与光学影像数据在变化提取与识别中各自优势和互补性，按照面向对象变化检测的思路，研究了SAR与光学联合的变化方法，总体技术路线如图1所示。

图1 技术路线

2.1 面向对象的变化检测

基于像元的变化检测方法具有无须人工干预、简单易行等优点，但存在对影像配准、辐射校正误差较为敏感，检测结果存在椒盐效应等问题。本文采用面向对象的变化检测方法，面向对象的变化检测方法具有对影像配准、辐射校正要求较低，改善椒盐现象等优点。其主要思想是先分割再做比较，把图像分割成多个对象，以对象为单位进行变化信息提取。

2.2 影像特征提取

提取多源遥感影像数据的多种特征进行变化检测，能够有效提高变化检测精度，本文主要采用了强度、纹理、相干性三类特征，其中强度和纹理是SAR与光学影像都有的，而相干性特征是SAR影像数据特有的。

(1)强度特征

提取的强度特征主要包括强度均值(SAR与光学)、NDVI(光学)、NDWI(光学)等，这些特征值的提取均基于对象而言，即均在对象范围内计算均值。

(2)纹理特征

在遥感影像中，像素灰度值只提供了强度信息，纹理则能提供结构信息。本文主要采用灰度共生矩阵来计算SAR与光学影像的纹理特征[6]。

(3)相干性

SAR影像的相干性这一特征是光学影像所没有的，是InSAR回波信号线性相似程度的一种度量，通常被用来衡量地面散射特性的变化程度[7]。可利用相干系数(主要是时间去相干)来判断区域的变化，若研究区域发生变化，此区域相关性降低，则相干系数较小，若没有发生变化，则相干性强，相干系数较大。其理论计算公式为：

(1)

得到影像对象各自的特征后，计算各个特征的变化向量，加入监督分类的样本特征空间中，进而对变化对象进行提取。

3 数据处理流程

3.1 研究区域与数据

本文选择的示范地为南京市江北新区顶山街道，总面积约 37 km2。分别选取了两期覆盖研究区域的意大利COSMO-SkyMed雷达卫星数据(时间：2016年12月9日与2017年7月21日，分辨率：3 m)和北京二号光学卫星数据(时间：2016年11月27日与2017年7月18日，分辨率：0.8 m)，如图2所示。主要目标是检测出城市区域的变化图斑。

3.2 预处理

先对两期的原始光学影像分别进行辐射校正，然后基于DEM进行正射几何校正。若研究区跨过了不同景的图像，则先进行粗配准、几何精纠正、图像拼接和粗裁剪。最后对两期图像进行匹配，并根据研究区范围对配准后的两期数据进行裁剪。SAR数据的预处理主要包括图像配准、图像裁剪、SAR图像去噪、基线估计等，与光学影像相比主要增加了图像去噪、相干性计算等SAR影像处理特有的步骤。

图2 研究区域光学与SAR卫星影像

3.3 影像分割

面向对象的影像分析方法处理的基本单元不是像元而是对象，因而该分析方法可以综合利用对象的光谱、纹理、几何、形状等信息。面向对象的影像分析首要环节是图像分割，本文采用多尺度分割的方法[8]，其分割准则如下：

h=ωcolorhcolor+ωshapehshape

(2)

其中，ωcolor与ωshape分别表示颜色与形状的权重，hcolor和hshape分别表示颜色与形状的异质性指标。

hcolor=∑cwcσc

(3)

其中ωc为影像层的权重，σc为影像层的标准差，c为影像数。

hshape=ωsmoothness×hsmoothness+ωcompatness×hcompactness

(4)

其中，ωsmoothness与ωcompatness分别代表两者间的权重，而hsmoothness和hcompactness分别代表平滑与紧密两个子异质性指标。

由于SAR影像噪声多、地物边界信息模糊，因此在本文的方法中SAR影像并不参与分割计算，只对光学数据进行分割。首先分别对两期光学影像进行分割，再将分割结果进行合并，得到统一的分割块，SAR影像也按照相同的分割块进行分析和处理，如图3所示。

图3 分割结果(局部)

3.4 特征提取与监督分类

图像特征是图像的基本属性和测度，从不同的角度描述了图像的性质，利用特征空间可以有效地进行遥感信息提取和遥感图像分类。对于研究区工作使用的两期图像的变化检测，需要先进行图像特征提取，提取的特征类型如之前2.2节所述。

变化检测的训练区划分为“变化”与“不变化”两类。使用机器学习分类器进行变化检测，对照彩色合成图像进行检查，根据差异增加不变化和变化类的训练区，如图4所示。

图4 训练样本(红色为变化，黄色为不变)

最终得到变化区域的图斑共976个，总面积约 4 km2，如图5所示。

图5 变化区域图斑

3.5 精度检查

通过对顶山街道的遥感图像进行目视解译勾画，得到变化区域作为标准数据，把监督分类提取出的变化图斑与之进行比较，判断提取图斑的准确性，得出其总体精度约为85.8%。

4 结 论

本文利用两景不同时相的高分辨率SAR与光学影像对城市区域变化情况进行了检测。实验过程中我们发现：①对于高分辨遥感影像而言，预处理过程很关键，对几何纠正、配准的要求较高；②多尺度分割中尺度的选择和分割精度对检测效果有很大影响；③纹理特征对建筑物拆建这类的检测效果很好，且检测植被变化时受季节性影响较小；④光学影像上的阴影区域是很大的干扰因素，SAR影像的加入提高了这些区域的检测准确性，不过由于侧视雷达的特性，部分高楼区域会存在遮挡、叠掩的情况。通过实验可知，基于高分辨率SAR与光学影像相结合的变化检测具有较好的检测精度，两种遥感数据彼此间具有很好的互补性。