基于GF-2号卫星影像的土地利用变化监测研究

曾灵芝

(贺州市自然资源局 广西贺州 542899)

变化检测是利用不同时期的观测结果来确定特征和现象变化的过程。遥感图像检测范围广、检测周期短，是变化检测数据的重要来源，其广泛应用于土地利用变化检测、城市扩展监测、地形图更新等领域[1]。

根据数据源分类，遥感图像变化检测可分为两类：影像-影像法和矢量-影像法。该成像方法使用时间序列遥感图像作为数据源，使用一些相似性测量来测量图像之间的差异，并且基于一些阈值执行变化检测。经典的图像方法包括图像差分法、图像比较法、变化矢量分析法和后分类比较法。矢量图像方法使用矢量图像和遥感图像作为数据源。现有的矢量图像处理方法可以分为分类后比较法和分类函数法两种[2]。分类后比较法结合遥感图像上的矢量图，提取不变的类作为学习模式，监视遥感图像的分类，比较矢量图的分类和分类结果，检测变化。分类函数法结合遥感图像上的矢量图提取遥感图像上不同类型像素的特征。对像素的特征模式进行分类分析，识别修正后的像素，对各类别的变化结果进行统计来检测变化。

现有的矢量成像方法研究较少，现有的类别成像方法在检测局部变化模式方面较差。因此，本文提出了一种基于矢量映射和类别的遥感检测图像变化的方法。该方法在矢量图的约束下对遥感图像进行分割，根据分割结果构建图像块的类异质性，逐类别对像斑进行变化、未变化判别，能够有效检测发生局部变化的像斑，同时实现了变化检测的自动化。

1 本文方法

本文方法属于矢量-影像法中的类别特征法，方法流程如图1所示。

图1 本文方法流程图

首先，使用矢量图像作为抑制因子来分离遥感图像，获得图像像斑，提取直方图作为像素的特征，并使用G统计量来测量像素的特征距离。基于像素与相似像素之间的特征距离，计算同一频带内像素的异质性。基于每个波段中像素信息的熵，自适应地确定每个波段的权重，并对每个波段图像点的异质性进行加权和组合。最大熵方法用于获得异质性阈值，并确定每个波段图像点的异质性。将该类别中像素的异质性与该类别中的异质性阈值进行比较，以查看该类别中像素的变化。通过整合不同的变更结果，可以获得完整的变更结果[3]。

1.1 带约束的影像分割

矢量图中多边形的变化可以分为两种类型：全局变化和局部变化。全局变化是指多边形的全局类别的变化，局部变化是指一个多边形的局部区域的变化。为了有效地检测具有局部变化矢量图的区域，必须在矢量图的约束下对遥感图像进行分割，并对局部校正区域进行分割。

保留原始矢量图形的边，以及原始矢量图形和图像中的新边。在通常的有限图像分割方法中，通过光栅矢量调整将矢量图像叠加在遥感图像上，在不被遮挡的情况下对矢量图像的多边形进行分割，得到像斑[4]。非约束图像分割方法包括区域生长方法、区域融合方法和边缘检测方法。通过有限图像分割生成的图像块包括新时期遥感图像的特征和早期矢量图中的对象类别的属性。下文将历史时段矢量图中的类型称为像斑的类型。

图2是带约束影像分割的示意图。图2（a）是矢量图，包含A 和B 两个多边形，对应的地物类别依次为TA、TB；图2（b）是遥感影像；图2（c）是矢量图约束下的遥感影像分割结果。多边形A 内部未产生新的边缘，多边形B内部产生了新的多边形C，多边形C在矢量时期对应的地物类别为TB。

图2 带约束的影像分割示意图

1.2 像斑特征提取

像斑是一组光谱相似的空间相邻像元的集合。像斑属性是所有内部像元的内置表达式，必须反映内部像素分布。直方图是描述变量分布的统计特征。灰度直方图用于描述图像点上的灰度值与其出现频率之间的函数关系。这样可以更好地表示图像点上灰度值的分布，它也可以在一定程度上代表像斑的纹理特征，以及图像点的灰度特征。

1.3 像斑特征距离度量

通过直方图提取像斑特征后，像斑特征距离转换为直方图距离的测量。测量直方图距离的常用方法包括G统计量、直方图相交距离、相交熵等。

1.4 像斑类别异质度构建

图像点的异质性用于测量图像点与其相应类别之间的异质性。像斑类别越不均匀，像斑变化越大。如果图像点的类别在新时期发生了变化，那么图像点与旧时期图像中其他类似点之间的特征距离较大，相应距离的平均值也较大[5]。

1.5 异质度阈值获取

各类像斑中，变化像斑对应的类别异质度较大，未变化像斑对应的类别异质度较小。文中通过设定类别异质度阈值实现各类像斑的变化判别。常用的阈值获取方法有大津法、最大熵法。最大熵法基于熵最大化理论获取最优阈值，不需要对数据的分布预先作任何假设[6]。

每种地物类别均对应一个异质度阈值。各地物类别的异质度阈值取决于该类别所属所有像斑的类别异质度，为此不同的地物类别对应不同的异质度阈值[6]。

1.6 基于类别的像斑变化判别

获取各地物类别的异质度阈值后，以类别为单位，对各类地物所属的像斑进行变化判别。

2 实验与分析

本文使用的实验数据为2016 年广西市土地利用矢量图和2021年GF-2遥感图像。2016年土地利用矢量图包括64 个多边形，包括道路、农田、湖泊、住宅用地、森林和空地6种土地类型。遥感图像大小为990×1 027 像元，蓝、绿、红、近红外4 个波段，空间分辨率2.4 m。利用2016年土地利用矢量图，2021年遥感图像分割为219 个像斑。为了便于变化结果的量化，使用视觉解释技术建立了表面变化的标准结果。2016—2021年城市化快速推进，大量裸露的城区土地被填筑并转换为宅基地。图3（a）是GF-2 的红色、绿色、蓝谱段合成的真彩色遥感图像，图3（b）矢量图中的2021年遥感图像的分割结果图。

图3 实验数据

文中分别利用正确率、误检率、漏检率3个指标来衡量变化检测的精度。正确率是检测类别与实际类别一致的像元在全部像元中的比例，误检率是实际未变化、检测变化的像元在检测变化像元中的比例，漏检率是实际变化、检测未变化的像元在实际变化像元中的比例。正确率越高，误检率、漏检率越低，则变化检测的精度越高。

2.1 灰度级实验

不同的灰度级会对应不同的变化检测结果。为了获取最优的灰度级，文中分别选取了8、16、32、64、128、256共6组灰度级进行变化检测，对应的变化检测如图4所示。

图4 变化检测精度随灰度级变化关系图

图4显示了当灰度级从8变为32并且错误检测级别降低时，精度增加的趋势，错误检测率的变化相对较小。如果灰度为32，则最大精度为0.91，最小错误检测率为0.2，漏检率则为0.33。灰度级从32变化到128的灰度级时，精度降低，错误检测率增加，并且漏检率略微降低。当灰度级从128 变为256 时，漏检率提高，而误检率降低。当达到灰度级L=32时，误检率和漏检率是最佳的，漏检率为0.33，相对低于0.31 的最佳泄漏率，相差较小。为此文中选取灰度级L=32 进行变化检测，此时变化检测结果的混淆矩阵如表1 所示。表中行为地表真实结果，列为算法检测结果，单元格中的数字为像元数，单位为个。

表1 本文方法混淆矩阵 （单位：个）

2.2 变化方法对比实验

为了验证本文提出方法的有效性，将本文提出的方法与基于像斑平均灰度的方法进行了比较。像斑灰度平均值使用图像点内的像素的灰度平均值来表现图像点的特征，使用欧几里得距离计算图像点间的特征距离，构筑类别的异质性，并进行变化检测。两种方法的变化检测结果如图5所示。图中的黑色区域表示变化，白色区域表示没有变化。

图5 不同方法的变化检测结果

如图5所示，散斑图灰度平均法有大量的误检（图5（a）中的黑色矩形的内部区域）和漏检（图5（a）的黑色椭圆的内部区域中）。图5（a）的椭圆区域在2016年的土地利用矢量图中被分类为裸地，但在2021的遥感图像中被变更为宅地。两者反射率都很强，对应的灰度平均值相对较大，差较小。两者之间的特征距离小，裸地图像异质性小，导致漏检，图5（a）的矩形区域在2016 年的土地利用矢量图中被分类为住宅区。由于居住区的多样性，不同类型居住区间的灰度平均值可能存在显著差异，相应的特征距离也可能较大，从而产生居住区类别的显著异质性，导致误报。图5（b）中的变化检测精度良好，能够正确地检测图5（a）中的错误检测和遗漏的一部分区域。

两种方法变化检测结果的精度对比具体如表2所示。从表2 中可以看出：灰度均值法的误检率与漏检率均较高，本文方法的各项精度均优于灰度均值法。

表2 两种方法变化检测精度对比（单位：%）

3 结论

文中提出了一种基于类别的矢量图与遥感影像的变化检测方法，实现了变化检测的自动化。通过矢量图约束的影像分割获取像斑，提取像斑的直方图特征，采用G统计量计算像斑的特征距离，利用像斑及同类别像斑特征距离的平均值构建像斑的类别异质度，依据最大熵法获取各地物类别对应的异质度阈值，比较像斑的类别异质度及对应类别的异质度阈值实现像斑的变化判别。在GF-2 遥感影像上的实验验证了本文方法的有效性，同时可以得出以下结论：利用直方图提取像斑特征时，直方图的灰度级应适中。灰度级过大，直方图过于稀疏，会降低直方图距离度量的准确性，降低变化检测的精度；灰度级过小，直方图较为紧凑，但会丢失部分地物细节信息，减小地物之间的可分性，导致变化检测中的漏检。

本文方法能够实现矢量图与遥感影像变化检测的自动化。本文方法不需要人工选取训练样本，采用自动的阈值获取方法，因此能够实现自动化的变化检测，提高变化检测的效率。