高分辨率彩色遥感影像变化检测方法研究

2016-09-08王光辉胡高强杨化超

测绘通报 2016年8期

关键词：变化检测直方图纹理

黄　杰，王光辉，胡高强，杨化超

(1. 中国矿业大学，江苏徐州 221116； 2. 国家测绘地理信息局卫星测绘应用中心，北京 100830； 3. 奉化市测绘院，浙江宁波 315500)

高分辨率彩色遥感影像变化检测方法研究

黄杰1，王光辉2，胡高强3，杨化超1

(1. 中国矿业大学，江苏徐州 221116； 2. 国家测绘地理信息局卫星测绘应用中心，北京 100830； 3. 奉化市测绘院，浙江宁波 315500)

目前已有的对象级变化检测方法中的像斑对象特征提取算法大多只提取单波段的特征，无法对彩色影像有直观整体的描述，针对这一问题，本文提出了一种高分辨率彩色遥感影像变化检测方法。首先对分割后得到的像斑统计颜色直方图，计算其推土机距离作为光谱特征差异量，另外通过像斑的彩色图像灰度共生矩阵计算熵统计量，对应像斑间熵差值作为纹理特征差异量；最后结合在彩色空间计算的两种差异量构造差异影像，通过支持向量机(SVM)将差异影像中的像斑分为变化与不变化两类别。选择江苏省苏州地区资源三号影像进行了试验，结果表明该方法可以很好地实现高分辨率彩色遥感影像的变化检测。

变化检测；推土机距离；彩色图像灰度共生矩阵；支持向量机；高分辨率

变化检测是从不同时期的遥感图像中定量地分析和确定地物变化信息的过程[1-3]。变化检测作为遥感技术的重要研究方向，在资源环境监测、城市扩展变化信息获取、灾情监测与评估等诸多方面有着非常广泛的应用[4-5]。随着航天技术与传感器技术的迅猛发展，遥感影像的分辨能力得到了很大提升，基于高分辨率影像的变化检测受到了更加广泛的关注。然而数据信息量的增加，也为遥感影像变化检测技术的发展提出了新的问题与挑战。

高分辨率影像包含了更丰富、更精细的地物细节信息。传统的像素级变化检测方法应用在高分辨率遥感影像上有很大局限性，因此，考虑空间上下文的对象级检测法成为变化检测的主要方向[6]。对象的特征是承载变化信息的主要载体，不同特征数据对变化检测表征能力不同，基于单一特征的变化检测[7-8]如光谱特征、纹理特征、线特征、边缘特征等可能造成漏检或误检，因此，集成多特征构建稳定的变化检测模型引起许多学者的研究。霍春雷等[9]提出了基于多尺度融合的对象级变化检测算法，通过融合不同尺度上对象光谱与梯度特征来减少对象对尺度的依赖性；汪闽等[10]提出了基于多特征证据融合的影像变化检测算法，将影像边缘分布、纹理和梯度特征的结构相似度进行证据融合获得检测结果；杜培军等[11]在提取多种特征的基础上，利用一维特征空间加权距离相似度运算、多维特征空间的模糊集融合和支持向量机融合策略进行变化检测；李亮等[12]提出了融合光谱、纹理特征的影像变化检测算法，根据主导权重自适应地将光谱距离和纹理距离组合构建像斑异质性。这些方法虽然利用了像斑对象的多种特征，但特征提取算法大多只能提取单波段的信息，无法对多个波段整体提取特征。另外，在有辐射差异的区域，特征差异量不能很好地描述影像变化信息，容易引起错检。针对上述问题，本文提出了一种高分辨率彩色遥感影像变化检测方法。颜色直方图与CGLCM是对彩色空间RGB3个通道整体提取的光谱与纹理特征，能够有效代表影像信息，其差异量可以很好地反映像斑变化程度；引入EMD可以准确地计算颜色直方图的距离，减弱不同时相影像辐射差异影响；基于SVM的变化检测能够对多维数据进行训练分类，减少常规方法中由阈值选取引起的不确定性，提高变化检测的精度。

一、算法原理与流程

算法流程如图1所示。

1. 影像预处理

为避免因非地表因素对真实变化的影响，对前后时相影像采用直方图匹配法进行辐射归一化，另外为了提高变化检测精度，对多时相影像使用二次多项式拟合法进行几何校正。

2. 影像分割

影像分割是面向对象分析方法的基础，其结果会对后续的分析处理产生重要的影响。本文将两个时相影像的波段叠加，对新影像利用遥感图像分割软件eCognition进行多尺度分割。将分割后的矢量套合在两个时相遥感影像上，获取同质性较好的像斑对象。

图1　变化检测流程

3. 光谱特征差异量

(1) 颜色直方图

遥感影像的光谱信息是影像解译最基本的特征，而具有旋转不变性、尺度不变性等特点的颜色直方图统计量可以很好地反映彩色影像像斑光谱信息分布情况[13]，因此，本文采用像斑的颜色直方图来描述像斑的光谱特征。一幅图像的灰度直方图是指图像亮度的概率密度函数，从而颜色直方图可以用图像3个通道的联合概率密度函数来表示

hR,G,B(r,g,b)=NP(R=r,G=g,B=b)

(1)式中，N表示图像所有像素数；P表示概率密度函数；h为直方图函数，表示图像中具有颜色(R=r,G=g,B=b)的像素数。

由于颜色直方图是高维向量数组，为了减少其包含的向量个数、提高运算效率，应选取一个合适的量化级w对颜色直方图进行量化。

(2)直方图距离

推土机距离(earthmover’sdistance,EMD)度量[14]用运输所需的最小代价来表征特征分布之间的距离，从而避免了目前其他大多数相似性度量中的量化问题，且通过EMD计算遥感影像直方图的相似性，能够减弱光谱辐射差异的不良影响，因此，本文采用EMD来衡量两时相对应像斑颜色直方图之间的相似度。

EMD最早用于解决运输问题，假设在空间中有两个分布，一个分布x是有m个土堆集合，另一个分布y是n个坑的集合，要把所有的土填入坑内，则可利用EMD表示在选择最佳路径情况的最小工作量或最小代价。计算公式如下

(2)

fij≥021.i∈m, j∈n

(3)

(4)

(5)

(6)

约束条件式(4)、式(5)分别变为

(7)

(8)

像斑直方图EMD越大，像斑之间的相似度越低，像斑之间的差异就越大。可将EMD作为像斑间的光谱特征差异量，即

differspectrum=EMD(x,y)

(9)

4. 纹理特征差异量

纹理描述了图像中反复出现的局部模式和它们的排列规则，是进行目视判读和计算机自动解译的重要基础。由于“同物异谱”现象的存在，单纯采用光谱特征进行变化检测可靠性不够高，用纹理特征可辅助光谱特征来构造差异影像。

灰度共生矩阵(graylevelco-occurrencematrix,GLCM)[15]可以描述单波段灰度影像各像元灰度的空间分布和结构特征，反映了图像灰度关于方向、相邻间隔、变化幅度的综合信息，是一种公认的提取纹理特征的有效方法，具有较强的适应能力和鲁棒性。GLCM被定义为从灰度级i的点离开某个固定位置关系d=(Δx,Δy)达到灰度为j的概率。灰度共生矩阵表示为

P(d,θ,i,j)={(p1,p2∈R)|G(p1)=i,G(p2)=j}(i,j=0,1,2,…,L-1)

(10)

式中，L表示图像的灰度级；i、j表示起始像素和搜索像素的灰度；p1,p2表示起始像素和搜索像素坐标;R表示提取纹理区域即像斑区域;G表示像素坐标实际对应的灰度;d表示两个像素间的空间位置关系;θ为灰度共生矩阵的生成方向，通常取0°、45°、90°、135°共4个方向。

根据灰度共生矩阵，可以定义出大量的纹理特征，本文选取熵统计量这一常用特征来度量影像纹理的随机性。熵的计算公式为

(11)

为了能够用于多波段彩色遥感影像的纹理特征计算，BENCO等对GLCM进行改进，提出了彩色影像纹理特征提取方法(color GLCM, CGLCM)[16]。该方法对影像R、G、B这3个波段分别计算GLCM，并对每两个波段联合计算GLCM，得到9个矩阵。CGLCM的计算公式为

P(d,θ,i,j)(k1,k2)={(p1,p2∈R)|Gk1(p1)=i,Gk2(p2)=j}(i,j=0,1,2,…,L-1)

(12)

式中，k1、k2分别为彩色影像的一个波段;Gk1(p1)表示k1波段的像素坐标灰度;Gk2(p2)表示k2波段的像素坐标灰度;确定5×5像素子窗口大小获取纹理特征，对CGLCM得到的9个矩阵分别计算熵统计量，其均值代表该窗口中心像素的纹理特征值，像斑像素纹理特征均值代表该像斑对象的纹理特征，因此,两时期像斑对象的纹理特征差异量可表示为

(13)

5. 构造差异影像

差异影像是多时相影像间变化信息的集中表达。本文通过光谱差异量与纹理差异量来构造差异影像

(14)

式中，i表示第i个像斑；N表示分割影像获取的像斑总数。

6. SVM二值分类

SVM是建立在统计学习理论和结构风险最小原理基础上，根据有限样本信息在模型复杂性和学习能力之间寻求最佳折衷，以获得最好的推广能力。它的核心思想是把样本通过非线性变换映射到高维核空间中，在高维核空间求取最优分类超平面[17]。

对于两类分类问题，设样本集为{(xi,yi),i=1,2,…,n}，其中n为样本个数，x为d维向量，y∈{1,-1}表示属于哪个类别。假设存在一个映射将数据xi映射到高维空间中，并引入松弛变量ξi(ξi≥0)、权值向量w、分类阈值b和惩罚系数C，则SVM的原始问题可表示为

yi(wTxi+b)≥1-ξi

(15)

(16)

根据拉格朗日乘子法，将寻求最分类超平面转化为以下对偶问题

(17)

(18)

式中，αi为拉格朗日因子;K(xi,xj)为满足Mercer定理的正定核函数，常用的有线性核(Linear)、多项式核(Polynomial)、Sigmoid核与高斯径向基核(RBF)4种。

本文在第5节构造的差异影像上人工选取几处明显的变化样本与非变化样本，输入到SVM二值训练器，将差异影像分为变化与非变化两类，得到变化检测结果。通常RBF核函数分类结果优于其他核函数，本文选取RBF核函数完成二值分类。RBF核公式为

(19)

式中，σ为函数宽度参数，且σ>0。

二、试验分析

本次试验数据为江苏省苏州地区2012年和2015年的资源三号卫星遥感影像，研究区大小为4088×3281像素，选取多光谱321波段合成真彩色影像。首先，对两个时相研究区影像利用二次多项式拟合法进行几何配准，然后将2015年影像作为参考影像，对2012年影像利用直方图匹配法进行相对辐射校正。图2(a)、图2(b)所示分别为研究区2012年及2015年预处理后真彩色影像。将两个时相影像波段组合为一个波段数为6的新影像，利用eCognition软件进行多尺度分割获取分割矢量，考虑到尺度越小像斑数越多，分割尺度取150，另外形状因子取0.1，紧致度因子取0.5，分割后获取像斑数目为909个。图2(c)为影像分割结果。

图2　变化检测数据

基于RGB彩色空间对像斑3波段整体提取光谱特征与纹理特征，并计算光谱特征差异量与纹理特征差异量。以图3(a)所示的一组变化像斑样本与图3(b)所示的一组非变化样本为例，将本文对彩色像斑整体提取的特征差异量与针对单波段提取的特征差异量加权值(文献[12]方法)作对比，表1为不同方法计算的特征差异量。

图3　试验样本

试验像斑算法光谱特征差异量纹理特征差异量变化样本文献[12]34.9748.32本文方法38.4656.61非变化样本文献[12]7.2515.60本文方法5.1112.42

从表1可以看出，对于变化像斑，本文基于彩色空间提取的特征差异方法能够增大差异量，而对于非变化像斑，本文方法能够减小差异量，因此说明本文基于彩色空间提取特征的方法与基于单波段提取特征方法相比而言能够更准确地描述影像信息，提高变化检测正确率。

选取变化样本42组，非变化样本37组，并且这些样本尽可能包括耕地、空地、建筑区、水域、路等多种地物覆盖。将其输入到SVM二值训练器中，将差异影像分为变化与非变化两类，得到变化检测结果如图4所示，白色为检测变化区域。对变化检测结果进行精度评价，本文方法检测出229个变化对象，680个非变化对象，其中检测为变化实际未发生变化的对象个数为22个，检测为非变化却发生变化对象个数为68个，因此，变化检测的漏检率、虚检率、总体正确率分别为10.00%、9.67%、90.10%。为了验证本文变化检测方法的优越性，将文献[6]、文献[11]与本文方法进行对比试验，表2为对比结果。

图4　变化检测结果

从表2中可以看出，与文献[6]、文献[11]相比，本文方法对研究区的变化检测有更高的精度。其原因为：①文献[6]与文献[11]是针对单波段提取像斑特征的，相比于基于彩色空间的特征提取，无法对影像进行更准确、更直观的描述，从而构造的差异影像不能真正反映两期影像的变化程度，因此，有较高的虚检率和漏检率；②对于差异影像，文献[6]简单地将多特征分别设定权重进行融合，再选取阈值提取变化检测结果，这种融合后选取阈值方法有很大的不确定性，没有考虑到不同特征对影像信息表征能力的不同。本文将SVM监督型二值分类应用到变化检测上，充分利用了样本信息，减少了自动阈值算法的不确定性。

三、结束语

本文提出了一种高分辨率彩色遥感影像变化检测方法。该方法在彩色空间中提取光谱特征与纹理特征，构造像斑对象的差异影像，然后利用SVM进行二值训练，得到变化检测结果。试验表明，本文方法对于绝大多数地物类别变化可以很好地完成检测，相比传统方法具有一定的优势。但是由于成像环境复杂，影像会出现局部区域曝光过度的情况，因此，本文变化检测结果也会出现错检与漏检像斑，对于这些区域的变化检测有待于进一步研究。

[1]李德仁. 利用遥感影像进行变化检测[J]. 武汉大学学报(信息科学版), 2003(S1): 7-12.

[2]SINGHA.ReviewArticleDigitalChangeDetectionTechniquesUsingRemotely-sensedData[J].InternationalJournalofRemoteSensing, 1989, 10(6): 989-1003.

[3]肖化超, 周诠, 张建华. 遥感卫星在轨机场变化检测方法[J]. 测绘通报, 2015(1): 22-25.

[4]祝锦霞, 郭庆华, 王珂. 湿地高分辨率遥感影像的变化检测[J]. 中国农业科学, 2012, 45(21):4369-4376.

[5]CHENJ,GONGP,HEC,etal.Land-Use/Land-CoverChangeDetectionUsingImprovedChange-VectorAnalysis[J].PhotogrammetricEngineering&RemoteSensing, 2003, 69(4):369-379.

[6]王文杰, 赵忠明, 朱海青. 面向对象特征融合的高分辨率遥感图像变化检测方法[J]. 计算机应用研究, 2009, 26(8):3149-3151.

[7]袁修孝, 宋妍. 基于边缘特征匹配的遥感影像变化检测预处理方法[J]. 武汉大学学报(信息科学版), 2007, 32(5):381-384.

[8]魏立飞, 钟燕飞, 张良培,等. 多波段信息融合的遥感影像变化检测[J]. 武汉大学学报(信息科学版), 2014, 39(1):8-11.

[9]霍春雷, 程健, 卢汉清,等. 基于多尺度融合的对象级变化检测新方法[J]. 自动化学报, 2008, 34(3):251-257.

[10]汪闽, 张星月. 多特征证据融合的遥感图像变化检测[J]. 遥感学报, 2010, 14(3):558-570.

[11]杜培军, 柳思聪. 融合多特征的遥感影像变化检测[J]. 遥感学报, 2012, 16(4):663-677.

[12]李亮, 舒宁, 王凯,等. 融合多特征的遥感影像变化检测方法[J]. 测绘学报, 2014, 43(9):945-953.

[13]窦建军, 文俊, 刘重庆. 基于颜色直方图的图像检索技术[J]. 红外与激光工程, 2005, 34(1):84-88.

[14]徐先传, 张琦. 基于LBP算子与EMD距离的医学图像检索[J]. 微计算机信息, 2009, 25(9):275-276.

[15]薄华, 马缚龙, 焦李成. 图像纹理的灰度共生矩阵计算问题的分析[J]. 电子学报, 2006, 34(1):155-158.

[16]BENCOM,HUDECR.NovelMethodforColorTexturesFeaturesExtractionBasedonGLCM[J].RadioEngineering, 2007, 16(4):64-67.

[17]MOUNTRAKISG,IMJ,OGOLEC.SupportVectorMachinesinRemoteSensing:AReview[J].ISPRSJournalofPhotogrammetryandRemoteSensing, 2011, 66(3): 247-259.