融合光谱和几何特征的高分辨率遥感变化检测研究

刘淑凤，申邵洪

(1.湖北职业技术学院，湖北 孝感 432000；2.长江科学院 空间信息技术应用研究所，武汉 430010)



融合光谱和几何特征的高分辨率遥感变化检测研究

刘淑凤1，申邵洪2

(1.湖北职业技术学院，湖北 孝感 432000；2.长江科学院 空间信息技术应用研究所，武汉 430010)

针对高分辨率遥感影像城市区域地类复杂的特点，提出了一种融合光谱和几何特征的多时相高分辨率遥感变化检测方法。在获取光谱和几何差异影像的基础上，采用模糊分类的方法，进行变化类和非变化类区分，建立各类的隶属度图像。采取基于模糊集理论的融合算法，对各种检测方法获取的隶属度图像进行有效融合，以减小部分区域的模糊度，提高变化类和非变化类的检测精度。采用城区多时相高分辨率影像为实验数据，进行各种变化检测方法的对比与分析，实验结果表明，融合光谱和几何特征的方法所获取的检测结果与光谱、几何差异影像法相比，具有检测精度高、漏检率低的特点。

融合光谱；遥感变化；检测方法；高分辨率影像；模糊集

1 研究背景

不断发展的遥感技术使遥感影像具备高空间分辨率、时间分辨率、光谱分辨率的特征，商用高空间分辨率卫星IKONOS的升空以及卫星影像在市政规划、灾害监测、基础地理数据更新等方面的应用表明空间分辨率影像在今后的遥感应用中具备巨大的潜力[1]。影像的空间分辨率达到米级乃至分米级时，地表目标如房屋、汽车、道路等能够在影像上得到清晰的表达。相对高空间分辨率而言，影像的光谱分辨率略显不足，同一所建筑物的各个房角的光谱特征都存在明显差异，因此，针对高空间分辨率影像，同物异谱的现象较为严重，这也是高分辨率影像解译成为当前遥感界的热点和难点的根本原因[2-4]。高分辨率影像用于变化检测或监测研究，已经取得了系列研究成果和理论方法[5-8]。研究结果表明，对同一多时相遥感影像，采用不同的检测方法，获取的最终成果将存在较大差异，遥感影像决策融合的思想就是将各种检测方法获取的结果，在特定理论(如贝叶斯理论、D-S证据理论、模糊集理论)方法下，实现其有效融合。

在遥感影像融合研究中，研究人员对其在像素级、特征级和决策级融合方面的应用进行了深入研究和探讨[9-10]。模糊集理论为不确定数据的处理提供了有力工具，在遥感影像解译中得到了广泛的应用和发展。本文在以上研究的基础上，研究了一种基于模糊集理论的决策融合方法，此方法的大体思想为：获取多时相高分辨率遥感影像的光谱差异影像和几何差异影像，生成变化类和非变化类的隶属度影像，然后以隶属度影像为输入，采用模糊集理论，实现光谱和几何差异隶属度影像的决策级融合，降低部分像元的模糊度，提高最终检测精度。

2 研究方法

基于模糊集理论的高分辨遥感变化检测决策融合方法主要包括图像预处理、光谱差异影像生成、几何差异影像生成、隶属度图像创建、决策融合和最终变化检测结果生成等关键性步骤，其检测流程如图1所示。

图1 特征融合高分辨率遥感变化检测流程

2.1 模糊集理论

相对论域U上的一个集合A，对任意x∈U，都指定了一个数uA(x)∈[0,1]用以表示x属于A的程度，由uA(x)所确定的集合A称为U上的一个模糊集，uA(x)称为A的隶属度函数，对某一x∈U，uA(x)称为x对A的隶属度。

2.1.1 逻辑运算

(1) 相等：设A,B∈F(U)，当且仅当∀x∈U，有uA(x)=uB(x)，则称A=B。

(2) 包含：设A,B∈F(U)，当且仅当∀x∈U，有uA(x)≥uB(x)，则称A⊇B。

(3) 并：设A,B∈F(U)，A与B的并集记为A∪B，它的隶属度函数为uA∪B(x)=max(uA(x),uB(x))。

(4)交：设A,B∈F(U)，A与B的交集记为A∩B，它的隶属度函数为uA∩B(x)=min(uA(x),uB(x))。

2.1.2 模糊度

模糊度是度量一个模糊集的模糊程度，可以从总体上反映论域的各元素属于或不属于一个集合的明确性。

F(U)上的模糊度是一个映射,如

模糊度刻画一个模糊集的整体模糊程度，从总体上讲各元素隶属度越接近0或1，越不模糊，越接近0.5越模糊。

熵模糊度为一种常用模糊度计算方法，令

(1)

式中uA(xi)表示xi对A的隶属度。

熵模糊度定义为

(2)

在熵模糊度基础上，提出了一种a次熵指数，其表达方式为

(3)

其中，

(4)

式中：Ha(uA(xi))为a次熵模糊度；a为熵指数，其取值范围为[0，1]。

2.1.3 变化检测决策融合

决策融合的思想就是采用一定的方法将数据集{π1(x),π2(x),...,πm(x)}进行有效融合，获得最终融合结果，本文引入基于模糊度的加权融合方法，进行检测结果的决策级融合，即：

(5)

(6)

对m个模糊集，采用隶属度相乘的方法进行隶属度融合，即：

(7)

(8)

2.2 差异影像生成方法

2.2.1 光谱差异影像

邻域相关系数法是将统计学中的相关系数用来描述特定邻域内不同时相遥感影像的差异性，通过相关系数的大小来反映其变化程度。通常情况下，变化区域相关系数小，而非变化区域的相关系数则较大，中等相关系数出现于轻微变化区域。邻域相关系数计算方法为

(9)

其中：

协方差是描述2个变量之间相互关系的数字特征，邻域协方差计算方法为

(10)

2.2.2 几何差异影像

本文引入形态梯度算法提取地物边缘，人工建筑物在影像上通常具有强边缘特征，即局部区域光谱特性呈现跳跃性变化。因此，可以通过形态梯度有效提取建筑物边缘区域，通过不同时相影像的形态梯度有效对比分析，确定区域内是否有新的人工建筑物生成。

数学形态学最基本的算子就是膨胀和腐蚀，形态梯度是原始图像的膨胀图像减去其腐蚀图像，即

(11)

式中：σ(x,s)为膨胀图像；ε(x,s)为腐蚀图像；g(x,s)为形态梯度图像；x表示特定像素；s为数学形态学处理中的结构元素。通过相减的方法生成2个时相间的形态梯度差异影像，即

(12)

式中：gd(x,s)为形态梯度差异影像；g1(x,s)，g2(x,s)分别为时相1和时相2的形态梯度影像。

3 实验与分析

3.1 实验数据描述

本文选择某一城区2个时间段的QuickBird影像为实验数据。研究区域地物类型复杂，主要包含植被、水体、裸地、人工建筑物。特别是住宅区和高程建筑，因为其阴影的影响，影响变化检测结果的精度。试验数据为2003年和2006年的Quickbird影像，空间分辨率为2 m，采用的波段为4，包含R，G，B和近红外波段，区域大小为936×781像素。实验区域R，G，B波段合成的真彩色影像如图2所示。

图2 原始实验数据

3.2 检测结果决策融合分析

以原始影像为输入，经预处理工作后，包括相对辐射校正和几何校正，进行差异影像分析。本文分别对影像的光谱、几何差异进行分析，其中，采用邻域相关系数和协方差法生成2种光谱差异影像，几何差异影像通过形态梯度对比分析得到。光谱差异影像生成过程中，结果受影像分析子窗口的大小影像明显，实验结果表明，3×3像素的子窗口能够清晰表示地物的状况，房屋的边缘清晰，房屋阴影明显；5×5像素的子窗口，地物表现清晰，房屋边缘清晰，同时局部区域具有噪声抑制作用；7×7像素以上的子窗口获取的差异影像，影像中的边缘区域模糊。因此，实验选用5×5像素的子窗口进行光谱差异分析，根据式(9)和式(10)，分别得到相关系数差异影像、协方差差异影像，见图3。

图3 光谱差异影像及直方图Fig.3 Spectral difference images and histograms

在光谱差异影像中，像素值越小，表示越有可能是变化区域；反之，则越有可能表示非变化区域。对光谱差异影像，进行归一化处理，公式为

(13)

式中：xN为归一化处理后的像素值；x为特定像素值；xmin为影像中最小像素值；xmax为影像中最大像素值。

影像几何特性差异分析的原理是通过对比分析不同时相间影像的形态梯度差异，以确定区域内是否存在变化。采用式(11)进行形态梯度分析，研究结果表明结构s对形态梯度的效果影响明显，本实验主要通过形态梯度的对比，分析区域内是否存在人工建筑物的变化，针对人工建筑物的几何特性分析，矩形或圆盘结构s通常能够获取较好的实验成果，同时结构s的尺寸大小也是影响结果的关键性参数，本文分别采用直径d为3，5，7，9，11像素的圆盘结构s进行模糊梯度分析，实验结果如图4所示。

图4 形态梯度差异影像Fig.4 Difference images of morphological gradient

通过系列尺寸大小的形态梯度差异对比分析，d=3时，边缘差异明显，被边缘包围的中心区域无差异现象;d=5时，边缘扩大，被边缘包围的差异区域减小;d=7时，边缘继续向内扩大，被边缘包围的区域差异明显;d=11时，平滑效果较为严重。通过对比分析，实验选用d=7的圆盘结构s进行形态梯度对比分析。

(14)

隶属度为

(15)

式中m在本文中取值为2。

以光谱和几何差异影像为输入，根据式(15)，获得变化类和非变化类的隶属度图像，其中变化类的隶属度图像如图5所示。

图5 变化类的隶属度图像Fig.5 Membership images of changed class

根据式(3)计算出差异影像的模糊度，然后根据式(5)对隶属度进行加权处理，加权后的变化类隶属度图像如图6所示。

以加权后的变化类隶属度图像为输入，采用阈值分割的方式进行分割，经椒盐噪声滤除后，获得如图7所示的变化结果。为定量评价各种分割算法的优越性，将各种方法的分割结果与参考数据进行对比分析，参考区域见图2(b)所标注区域，采用混淆矩阵进行精度评定，精度评定的指标为：Kappa系数、总体精度Pt、漏检率Pl、虚检率Pf。精度评定结果如表1所示，总体看来，本文融合光谱和几何特征的方法，与其它类型的方法相比，具有更高的Kappa系数、总体精度Pt，更低的漏检率Pl、虚检率Pf。

图7 变化检测结果Fig.7 Final results of change detection

表1 各种方法变化检测结果比较

4 结 论

本文以多时相高分辨率影像为实验数据，提出了一种融合光谱和几何特征的变化检测算法。根据模糊集理论，在建立变化类和非变化类隶属度基础之上，进行了光谱相关系数、协方差差异影像和形态梯度差异影像的决策融合研究，研究结果表明决策融合算法能够有效消除光谱差异影像中的伪变化检测现象，同时，形态差异影像也能够对光谱差异影像中漏检区域起到增强效果。

实验结果表明，部分光谱差异影像中的伪变化地物，如河流、街道，因成像时刻辐射条件的差异，导致不同时相间的同名地物光谱属性差异较大，根据光谱差异易将其判定为变化类，其变化类隶属度较高，而形态梯度差异影像中，此类地物非变化类隶属度高，二者有效融合能够明显消除伪变化现象。同时，光谱差异影像和形态梯度差异影像都存在部分人工建筑物漏检现象，光谱和几何差异影像的有效融合，能取得明显的补充作用。通过相关系数、协方差、形态梯度差异影像获取的变化检测结果和融合结果的定性和定量对比分析，表明融合方法获取的结果精度比单独差异影像方法获取的精度高。

[1] BELLENS R. Improved Classification of VHR Images of Urban Areas Using Directional Morphological Profiles[J]. IEEE Transaction on Geosciences and Remote Sensing,2008，46(10)：2803-2813.

[2] BRUZZONE L. An Adaptive Semiparametric and Context based Approach to Unsupervised Change Detection in Multitemporal Remote Sensing Images [J]．IEEE Transaction on Image Processing,2002，11(4)：452-465.

[3] FAUVEL M. Decision Fusion for the Classification of Urban Remote Sensing Images[J]. IEEE Transaction on Geosciences and Remote Sensing, 2006，44(10)：2828-2837.

[4] CHANUSSOT J. Classification of Remote Sensing Images From Urban Areas Using a Fuzzy Possibilistic Model[J]. IEEE Geoscience and Remote Sensing Letters, 2006, 3(1):40-44.

[5] 钟家强，王润生. 基于自适应参数估计的多时相遥感图像变化检测[J]. 测绘学报，2005，34(4)：331-336.

[6] 宫 鹏. 高分辨率影像解译理论与应用方法中的一些研究问题[J]. 遥感学报,2006，10(1)：1-5.

[7] 姜 哲，刘 芳，张 微，等. 基于Landsat 遥感影像解译的神农架林区近30年土地覆盖动态变化[J].长江科学院院报，2016,33(6)：150-154.

[8] 陈鹏霄，申邵洪. 基于多时相CBERS影像的陆生生境变化研究[J]. 长江科学院院报，2011,28(2)：69-73.

[9] BRUZZONE L, BOVOLO F. A Novel Framework for the Design of Change-Detection Systems for Very-High-Resolution Remote Sensing Images[J]. Proceedings of the IEEE, 2013,101(3)：609-630.

[10]JIA Lu, LI Ming, ZHANG Peng，etal. Remote-Sensing Image Change Detection with Fusion of Multiple Wavelet Kernels[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2016,9(8):1-14.

(编辑：黄 玲)

Detection of the Change of High-resolution Remote Sensing ImageBased on Fusion of Spectral and Geometrical Features

LIU Shu-feng1, SHEN Shao-hong2

(1.Hubei Polytechnic Institute， Xiaogan 432000, China; 2.Spatial Information Technology Application Department, Yangtze River Scientific Research Institute, Wuhan 430010, China)

In this paper, an automatic change detection method based on fusion of spectral and geometrical features for multi-temporal high-resolution remote sensing image is proposed. Firstly, as to the characteristic of complicated classes in urban area, spectral and geometrical difference images are developed using multi-temporal images. Secondly, with difference image as input, the membership images of changed and unchanged classes are acquired usingfuzzy classification method. Thirdly, a fusion model based on fuzzy logic theory is used to combine all kinds of membership images in order to reduce the fuzziness and to distinguish the changed and unchanged classes of special areas efficiently. Finally, change detection result is obtained using threshold segmentation algorithm and accuracy evaluation is given. Multi-temporal high-resolution images of urban area are taken as experimental data, and the experimental results prove that the change detection result fusing spectral and geometrical features has higher detection precision and lower undetected ratio compared with those from spectral or geometrical difference image methods.

fusing spectral; remote sensing changes; detection method; high-resolution image; fuzzy set

2016-08-20

中央级公益性科研院所基本科研业务费项目(CKSF2015019/KJ)

刘淑凤(1980-)，女，内蒙古赤峰人，讲师，硕士，研究方向为数字图像处理，(电话)15971248836(电子信箱)364643108@qq.com。

10.11988/ckyyb.20160852

2016,33(11):36-42，48

TP79

A

1001-5485(2016)11-0036-07