朱美如,安 如,赵生银

(河海大学地球科学与工程学院,江苏 南京 211100)

1 引 言

遥感影像中的地物光谱特性可以反映丰富的地物类别和属性信息,应用这些信息可以检测变化区域,进而为城市的规划提供依据。近年来,针对变化检测已提出许多的方法模型,按照研究对象可以分为像素级变化检测和对象级变化检测。像素级变化检测技术将像元作为独立变量,忽略了像元之间的相关性,在实际应用中存在局限性。随着高分辨率影像数据的普及,影像中的地物细节更加丰富,直接影响地物识别及变化检测的效果。而对象级变化检测技术将像斑作为研究对象,像斑中丰富的光谱、空间等特征,可以有效抑制“同物异谱,异物同谱”现象,因此该技术在高分辨率数据中的应用十分广泛。

高分辨率遥感数据中提取的特征是变化检测的基础,传统的对象级变化检测方法多选择单一特征进行变化检测,如:像斑均值信息[1]、纹理信息[2]等。这些方法验证了面向对象变化检测的可行性,但适用性和精度并不理想。目前,不少学者将多种特征进行融合:文献[3]提出将光谱和纹理特征的检测结果叠加融合,提高了检测精度；文献[4]综合了均值比和对数比两种特征的优点,提高了检测洪水地区的精度。可以看出,特征融合可以结合多特征的优势,提高检测的精度,而特征融合的关键是确定融合方法。融合方法可分为基于数学基础和基于逻辑证据两类。前者需要进行严格的数据处理,例如:自适应融合策略(AFS)[5]和小波融合方法[6],但这些方法难以确定最优函数,计算过程复杂且速度较慢；而逻辑证据法可摆脱固定的计算过程,如:DST(Dempster-Shafer evidence theory)框架下的决策规则[7]、信息融合策略[8]、决策级融合方案[9]等,这些方法计算方便且简单有效,在高分辨率图像中有较强地适用性。

目前,常针对影像对象的光谱信息进行运算来获得特征,但这些特征较为简单,对提高检测精度有一定限制。因此,相似性特征被引入其中。相似性度量法是基于相似性特征的变化检测方法,该方法的基本思想是通过度量前后时期同一像斑的相似性获取变化信息,相似性越高说明变化越显著。KL(Kullback-Leiber)散度[10]是一种相似性特征,在概率论中多用来度量两个离散概率分布之间的相似程度,JS(Jensen-Shannon)散度[11]是KL散度的变形,它弥补了KL散度不具有对称性且计算结果无界的缺陷,能更方便且准确地判别像斑间的相似性。互相关特征[12]也可以衡量对象间的相似性,并在一定程度上避免空间向量的计算错误,准确的反映某地物在特定时间段内内部结构是否发生了变化。

由此可见,在面向对象的遥感变化检测中,计算同一对象在前后时期的JS散度和互相关两种相似性特征,进而进行变化检测是科学、可行的。本文选取江苏省宜兴市为实验区,在多尺度分割的基础上,面向对象统计像斑的灰度直方图,计算像斑相似性,并与基于纹理的互相关特征融合,综合多特征的优势,以期获得更加准确的变化检测结果。

2 研究区与数据

2.1 研究区概况

本文采用江苏省无锡市宜兴地区2012年和2015年的高分辨率图像作为实验数据,由UCXP WA-00315131传感器拍摄,拍摄时间分别为2012年2月18日和2015年4月30日。该数据包括红、绿、蓝及近红外四个波段,分辨率达到0.3 m。实验区的地理位置为31°07′N～31°37′N,119°31′E～120°03′E,地处苏锡常城市群,是太湖流域重要的交通枢纽,又被京杭大运河穿城而过。同时,受上海市经济辐射的影响,经济发展十分迅速,城市化建设成果显著。本文从实验区选出两个典型变化区域进行变化检测实验。

2.2 实验数据介绍

实验一在图像预处理后截取441像素×346像素(实际大小近似137 m×107 m)的实验区,如图1所示。该实验区包含植被、道路、建筑物、裸土等几类典型地物,且在两期图像中变化明显。通过人工判读可以发现,该地区在2012年到2015年期间,地区中部的大面积草地及裸土改建为建筑物,四周道路也进行了新修和拓宽,适合进行变化检测实验。第二个实验区大小为682像素×678像素(实际近似为211 m×203 m),图2中(a)和(b)分别为该区域2012年和2015年的航摄图像。通过人工判读可以发现,实验区内的变化信息主要在裸土、植被和建筑物几类,分布在图像的中部和西南部。其中,中部区域的裸土建设为居民区,并新增了草坪等植被,西南部特别是主干道以西的大面积裸土被绿化为草地,因此,该实验区变化信息明显,适合进行变化检测实验。

图1 实验一遥感图像数据

3 变化检测方法

本文提出一种面向对象的多特征融合的变化检测方法。为了减弱光照辐射对检测精度的影响,首先对两期航空遥感影像进行正射校正和图像配准；然后,面向对象对两时期的遥感图像进行叠加分割,生成像斑作为面向对象变化检测的基础数据；以像斑为基本单位统计像斑直方图,并计算JS特征,再基于影像对象计算互相关特征；最后,根据加权融合规则和决策级融合规则分别进行多特征融合,得到变化检测结果。具体流程如图3所示。

图2 实验二遥感图像数据

图3 变化检测方法流程图

3.1 多特征提取

提取特征是变化检测中的重要环节,会影响检测精度。对光谱进行运算而提取的特征忽略了不同地物的空间差异,导致检测精度较低。而相似性特征可以从空间上表现两个分量间的距离差异和方向差异[13],从而提高检测的精度。近年来,有许多相似性度量方法被提出,如欧氏距离[14]、向量夹角余弦[15]、推土机距离[16]等。本文选择JS散度和互相关两种相似性特征来描述光谱和空间差异。

3.1.1 基于JS散度的相似性特征

像斑是一组像素集合,其灰度直方图是基于空间统计的特征,反映像斑内部的灰度值分布,同时表达像斑的光谱和纹理信息,在基于像斑的特征提取中广泛应用[17]。图4是两种地物的灰度直方图,灰度级已划分为16个等级。由图可知,不同地物的灰度直方图并不相同,且同一地物在不同波段获取的灰度直方图也不一样。因此,根据灰度直方图提取的特征可以有效区分不同地物,进而检测变化区域。

图4 不同地物对象的灰度直方图(已划分为16级)

KL散度是基于像斑灰度直方图的一种相似度特征,JS散度是它的变形,两者都能描述两个离散分布之间的差异性,同时又能避免信息冗余。JS散度具有对称性且值域有界,度量相似性时比KL散度更确切。它的实际意义是计算两个频率分布的距离,若不同时相的某个像斑未发生变化或变化较小,则灰度分布P和Q距离较小,JS值较低；若发生剧烈变化,那么P、Q间距离增大,JS值也较高。因此,JS散度可以确切的测定相似度,进而描述某地区的变化程度。实际应用中,JS散度的定义是:

(1)

为了降低计算复杂度,在提取JS散度特征之前,需要对两期遥感图像的灰度值量化分级。量化级数越多,地物可分性越强,但是级数过多会导致直方图过于平坦,降低计算效率；量化级数越少,直方图的稳定性越高,但是会降低区分地物的准确性。本文将灰度量化为16级,然后统计每波段像斑的灰度直方图,获得灰度分布P和Q,再计算JS散度。遥感影像的不同的波段之间具有较强的相关性,因此可将不同波段的JS值根据变异系数进行加权,获得最终的JS散度特征。变异系数综合考虑波段方差及均值,构造的图像更具客观性和准确性。

3.1.2 基于互相关的相似性特征

常用的欧氏距离DE和余弦相似度DC都属于几何空间测度,主要思想是用两个光谱向量的广义空间距离表达相似性；而互相关系数属于概率空间测度,它常用来衡量两个变量之间的结构相似性[18],具体计算公式如下:

(2)

根据公式可知,互相关系数是欧氏距离和余弦相似度的改进,它能更好的表现分量间的相似性。如果某像斑发生了变化,其互相关系数较小；如果像斑未发生变化,其互相关系数会较大。

3.2 融合图像的构建和处理

融合多特征是构建融合影像关键,文献[3]中使用叠加法融合多个尺度的变化检测结果,但融合前需要应用阈值分割法,因此阈值对融合精度的影响很大。另有学者提出自动计算权重的方法,如多小波核融合[19],但是计算过程过于复杂,无法全面推广。

本文应用决策级融合方式,对JS散度特征和互相关特征进行融合。对于不同特征获得的变化检测结果,建立决策融合规则,综合检测变化区域。按照自然间断点法将变化强度分为五级,0级表示未变化,4级表示发生强烈变化。变化强度分级,一方面可以不受二值化限制,保证了检测结果的空间连续性[20]；另一方面,可以增加变化信息的丰富度,保证检测结果的实际地物意义。

该融合方法遵循逻辑函数F(x,y),取值规则如表1所示。从图中可以看出,函数F与x+y的值近正相关,当两类特征x和y显示的变化强度越强,融合后的变化等级也越高。该融合规则能充分融合两种特征所表现的变化信息,且不受分割阈值的限制,有利于提高检测的精度。

表1 逻辑函数取值规则

与根据阈值判断变化区域的检测方法不同,在应用决策级融合规则时,定义逻辑函数F(x,y)值小于1时判定为未变化,超过1时判定为变化。

为了与上述融合方法对比,本文还应用传统加权融合的方式。令DJS和DXY是JS散度和互相关系数,ωJS和ωXY是JS散度和互相关系数对应的权重,则两者的加权组合形式为:

D=ωJS·DJS+ωXY·DXY

(3)

其中,ωJS+ωXY=1。

3.3 精度评价方法

本文选择三个指标来对变化检测结果进行精度评价:漏检率、误检率、正确率。正确率越高,漏检率和误检率越低,说明变化检测结果越好。将像斑总数用S表示,实际发生变化并检测出变化的像斑数用CC表示,实际发生变化但检测成未变化的像斑数用TF表示,实际未发生变化并检测出的像斑数用NN表示,实际未发生变化但检测成变化的像斑数用NF表示。表2为精度评价表。

表2 变化检测精度评价表

4 实验与分析

本文应用eCognition软件,综合利用图像的光谱信息和空间特征,叠加两期遥感图像的所有波段,进行图像分割,获得待检测的像斑共计206个,分割结果如图5(a)所示。以像斑为研究对象,根据公式(1)获得JS散度特征,并根据公式(2)获得互相关特征。图5(b)为变化检测参考结果。其中,黑色部分为未变化类,共计81个像斑；白色部分为变化类,共计125个像斑。图5(c)为本文方法获得的检测结果,可以看出,图像四周几乎未发生变化的道路及建筑物都被正确检测,且在图中显示颜色较深；而图像中心变化比较强烈的区域被检测为变化区域,在图中显示颜色较浅。

为了方便精度对比,本文将决策级融合结果中未发生变化或发生微弱变化的区域判定为不变区域,其他区域判定为变化区域,检测结果如图6(a)；利用大津阈值法对加权融合的结果进行二值化,判定变化区域,检测结果如图6(b)～(f)。

图5 分割结果、变化参考图及本文检测结果

图7为各项评价指标的对比结果。可以看出,基于JS散度特征的检测结果要好于互相关的结果,基于互相关特征(ωJS=0)的检测结果正确率为85.20 %,误检率为6.06 %,漏检率为7.97 %；基于JS散度特征(ωJS=1)的检测结果正确率达到90.58 %,误检率为5.79 %,漏检率为8.45 %,其主要原因是互相关系数对图像的配准和校正都有较高的精度要求。就融合方法而言,固定权重融合的检测结果精度普遍略低,JS散度特征的权重设置为0.3、0.5和0.7时,正确率分别为85.43 %、90.77 %和93.62 %。权重越偏向互相关特征,正确率越低,且固定权重的融合方法依赖于阈值分割结果,单一阈值的选取限制了检测精度。两特征融合的变化检测精度(如固定权重ωJS=0.5；ωJS=0.7；决策级融合方法)均高于单个特征的检测结果。JS散度特征反映了像斑灰度分布的全局情况,而互相关相似性特征则反映了像斑内部结构的变化情况,二者所反映的信息互为补充,因此融合后能明显提高变化检测的效果。

应用决策级融合的检测结果综合了两种方法的优势,将正确的变化信息有效集中和提取,避免了因阈值分割产生的误检,优化变化检测结果的精度。还能准确反映变化信息的位置和强度,在正确率、误检率和漏检率三个指标上都略有提高,分别为96.06 %、4.59 %、3.67 %。与人工解译结果对比可知,本文采用的面向对象的检测方法能对试验区中部的大范围变化进行准确的检测,检测得到的变化区域多与实际地物相对应,有一定的实际意义。特别是应用决策级融合方案将互相关特征和JS散度特征融合后,检测结果正确率较高,实现了对局部细节的准确检测,例如:植被覆盖度变化、道路扩建和院房重修等。

实验二依据本文的实验思路,将两期图像叠加,采用多尺度分割算法获得像斑(图8(a)),共计619个。图8(b)为标准变化结果,其中,黑色区域表示未变化类,共计378个像斑；白色区域表示变化类,共计241个像斑。

然后,以像斑为基本单元计算JS散度特征和互相关特征,最后应用决策级融合获得最终的变化检测结果。为了对本文算法的有效性进行验证,实验中将加权融合的检测结果与本文算法结果对比,各融合结果如图9所示。

从图中可以看出,基于互相关特征的变化检测结果有较高的误检率,主要是因为图像获取时受到光照的影响,导致建筑物和高大植被产生阴影,而在目视解译中并未将阴影变化算作变化信息。在计算两期图像的互相关特征时,阴影变化也被检测出来,因此存在误检。与基于单一的互相关特征获得的变化检测结果相比,JS散度特征以像斑的灰度直方图为研究对象进行计算,一定程度上避免了因光照条件和辐射差异导致的虚假变化,可以较准确的判别变化信息,检测结果的准确性较高。

图6 各种融合方法获得的变化结果

图7 各项评价指标对比

图8 分割结果及标准检测结果

图10为定量评价融合方法的结果对比。结果显示,固定权值的融合方法综合了两种特征获取的变化信息,因此融合结果的漏检率降低,但仍然无法解决因辐射差异导致的误检问题。并且,融合时互相关特征的权重比例越大,误检问题越明显。另外,固定权重的融合结果精度受到分割阈值的限制,若阈值分割效果不佳直接影响最终的变化检测结果。而决策级融合方法直接对两种特征获取的变化信息进行量化综合,有效提取正确的变化信息,正确率提升到90.09 %,漏检率为5.08 %,误检率为9.68 %。尽管当ωJS=0.7时融合结果的检测正确率与本文相近(为89.77 %),但漏检率和误检率(分别为6.29 %和14.25 %)均高于本文方法,所以总体检测性能上决策级融合方法要好于固定权值的融合方法。

图9 各种融合方法获得的变化结果

图10 各项评价指标对比

综上所述,与单一特征相比,基于多特征的变化检测方法可以提高变化检测的精度,变化检测结果也更接近实际。另一方面,融合结果还集成了两种方法的优势,降低了检测结果的误检和漏检概率。因此,基于JS散度和互相关的多特征融合变化检测方法在航空遥感图像的自动变化检测中有一定可行性。

5 结 语

本文将JS散度特征与互相关特征结合应用于航空遥感图像,提出了一种多特征融合的多时相遥感变化检测方法。该方法以像斑为单位,提取JS散度特征和互相关特征,并应用决策级融合算法将两种特征有效融合以提高检测精度。与基于像元的变化检测算法相比,本文算法能有效避免“椒盐噪声”对检测结果的影响,检测信息具有一定的实际意义。另外,算法中综合了两种特征的优点,实现多特征融合,相较于单一特征的检测结果,该方法提高了检测精度,能更准确地检测出变化区域。但是,本文算法还存在许多不足,需进一步完善:

(1)该算法没有考虑像斑内的空间分布信息,当变化类与未变化类等量且同时存在某像斑时,像斑灰度值不会发生明显变化,易导致漏检。

(2)未能考虑其他特征对检测结果的影响。本文主要应用相似性特征进行变化检测,然而高分辨率影像可提取的特征种类十分丰富,可尝试挑选并融合更多有效的特征进行变化检测。

(3)未能实现不同特征的自适应权重分配。本文在进行变化检测时,综合考虑多种特征,然而不同特征对变化区域的检测贡献可能不同。因此,在以后的研究中,特征融合应根据试验区的具体情况,自适应调整权重。