基于面向对象的城市建设变化检测应用研究

李艳宾 张 伟

1. 宁波市智慧城管中心，浙江宁波 315000；2. 宁波市测绘设计研究院，浙江宁波 315000

随着城市化和遥感技术的发展，遥感技术在监测城建变化方面得到了很大的发展。遥感对地观测能够快速地、广范围地获取地表信息，具有很强的时效性。城市违法建筑情况复杂，以往多以人工判断为主，通过比对遥感数据，利用地理信息工具进行人工判断，工作量非常大。因此，为改变现在的作业方式，提升效率，参考已有的研究成果进行本文的研究。

面向对象法就是模拟人的大脑认知，将图像分割为不同均质的对象，充分利用对象所包含的信息，将知识库转换为检测的规则特征。面向对象法比传统的像元法具有很大优势。能够很好地解决高分辨率遥感影像的椒盐效应问题，在分割的时候就已经将噪声融入区块之中。而且能利用对象的纹理特征、空间信息、光谱信息等信息提高提取的精度。

1 研究区概况

本文使用的数据源是2012年和2017年获取的宁波地区的两期遥感影像，包含红、绿、蓝3个波段，分辨率0.5m的遥感影像。如图1所示，是两幅728pixels见方的实验区域，两期影像的地物类型丰富，检测区主要由水田、裸地、房屋、道路、绿地、河流等几类地物构成。针对地物类型主要分为道路、水系、植被、建筑和其他类五类。

图1 研究区

2 研究方法

遥感影像变化检测的实质是：地表覆盖类型会随时间发生变化，而地表的变化会引起波谱反射特性发生改变，进而引起不同时期遥感影像像元光谱响应发生变化，通过分析不同时期的影像数据的变化，从而获得土地利用的变化信息。面向对象的变化检测是分别对两期影像作面向对象的分割、分类，最后比较分类结果判断变化和未变化信息。预处理后，对两期影像分别进行分割、分类，之后导入到同一地图中进行变化检测，得到反映影像变化的检测图斑。

对两时相的影像分别创建两幅独立的地图mapT1和mapT2，利用eCognition的COPY函数将2017年实验影像和2012年实验影像分别复制到mapT1和mapT2中进行试验影像的分割是以某个像元进行并行生长，然后以此为参照向周边像元进行合并同类型大的相邻像元的过程，从而把图像变成较多个互补叠合的区域。在相同的区域内，图像具有相类似的特征，这是面向对信息提取技术的基础。分割的主要方法有：四叉树分割法，多尺度分割法，棋盘分割法等。

多尺度分割技术可以获取遥感数据的尺度信息，通过聚集同质信息，区分异质信息来达到想要的分类效果，多尺度分割方法有效地克服了遥感数据的固定尺度。分割尺度会直接决定分割影像对象的大小及信息提取的精度，根据目标的不同进行不同尺度的分割。

分割的尺度阈值参数主要有：尺度参数 （Scale parameter） 、波段 （Image Layer weights） 、同质性 （Composition of homogeneity criterion） 包括形状 （Shape） 和紧致度 （Compactness） ；不同大小的分割阈值，会有不同的效果，在进行比较后选取了合适的阈值进行分析。分割尺度越大，生成的数量就会少，单个图斑的面积也就会很大，分割尺度过大，有些细小面积的图斑不能提取出来，不能做到全面分类的效果；反之，分割尺度越小，生成的数量就会很多，单个图斑面积也就会很小，分割尺度太小，分割的比较琐碎，之后的分类工作量比较大。本次使用的尺度参数=50，波段选择为相应的波段，同质性设置：形状=0.1，紧致度=0.5。

面向对象分类技术是指根据空间、纹理、光谱信息，将影像按照设置好的尺度参数分割后进行分类，分割后的影像为一个图斑的集合，而一个图斑又是一个个像素的集合，每一个图斑对象都具有属性信息，包括纹理特征、空间信息、光谱信息。这里处理的单元就为图斑而非传统意义上的像素。根据不同地物对象的光谱、纹理、结构信息，通过构建好的规则集进行分类。在影像分割后利用规则集进行分类后进行变化检测。

分类规则集指的是鉴别地类的判断规则，应具有普遍性以及独有性。分别对两期影像在mapT1和mapT2中进行分类算法。道路，实例影像的道路主要是小路，没有明显变化，利用已有的矢量数据，即已有的道路网数据进行分类。水系，实例影像中水系主要是一条河流，其属性DEM≤1，按照这个属性来判断分类，将分完道路后的其他未分类进行水系分类。监督分类，由于试验区域的房屋和植被属于群屋和农耕植被，有些差异并不能进行分类，选取房屋、植被和其他选取训练样本进行监督分类。得到分类结果如图2所示。

图2 分类后的图

将分别分类的两幅地图同步到统一地图内进行变化检测的准备，即将mapT1中的level层和mapT2中的level层导入到main中的levelT1和levelT2中采用synchronize map函数。变化检测分析的前提是对同一区位界线所确定的属性之间类型进行比较，须要求两期图像的图斑划分的程度基本一致。运用eCognition的 Convert to Sub—Objects函数对两期分类影像的图斑边界进行统一。

3 实验结果与分析

根据上述研究方法，最终获得了研究区的变化图斑如图3所示。

图3 变化图

房屋变化，大面积的变化是房屋新建和拆除，房屋周边的变化主要是由于影像阴暗面、搭建棚房、影像拍摄角度造成。植物变化，大面积变化主要是因为其他类用地和房屋变更为植被，小面积变化为植被增加和减少。其他类变化主要是色彩不一致或者颜色阴暗面造成的。

其中，总的变化图斑为528个，建筑变化图斑为98个，植被变化图斑为146个，其他类变化为51个。由于水系和道路按规则分后eCognition的merge region函数分别进行了合并，不做样本提取分析。按照提取样本进行，样本正确率分析如表1所示，总样本为94个，建筑样本32个，植被样本53个，其他类样本9个。

表1 样本分析表

总样本的正确率为71%，其中建筑样本的正确率为78%，植被样本的正确率为64%，其他类样本为89%。整体变化检测的结果经目视判读，符合实际的变化情况，正确率优于传统基于像元级分类。与单像素的变化检测算法来比较，面向对象的变化检测算法，其监测的变化区域呈块状分布，没有孤立的点、离散的单个像素以及离散不连通的区域。分割后的影像成图斑状，以图斑特征相较于单个像素级的灰度特征，能更好地将变化情况呈现出来。

4 结语

通过对两期影像的变化检测数据分析，得到了数据结果可靠，对今后的城市建设的变化、监测等方面具有重要作用。利用高分辨率遥感影像来进行高分辨率遥感监测的方法更直观、更高效、更快速。