基于残余谱方法的农村居民地遥感提取研究

付诗雨, 李少丹, 朱梓萌

(1.河北师范大学 地理科学学院,河北 石家庄 050024; 2.河北省环境变化遥感识别技术创新中心,河北 石家庄 050024)

农村的居民地多呈现零散分布状态[1-2],并且很多与农田、植被等相互交错,导致农村居民地与建筑物的提取相对城镇地区较为困难.因此,粗略地剔除地形和植被的影响有利于农村居民地与建筑物的快速提取.近年来,研究人员对居民地的提取方法进行了大量的探索研究,可以概括为基于指数的方法、图像分类的方法和视觉注意模型.

基于指数的方法是通过遥感影像中组合某些波段来构建一个指数指示居民地[3-7].查勇等[4]效仿归一化植被指数,提出了归一化建筑指数(normalized difference built-up index,NDBI),并成功提取出城市居民地.与NDBI相似,许多其他指数也可以用来提取居民地,如MBI(morphological building index )[5],IBI(index-based built-up index)[6],PanTex[7]等.但是,该方法存在一定的局限性,即指数公式随着遥感影像的不同需要重新定义.

图像分类的方法是居民地提取常用的一种方法[8-17],可大致分为监督分类和非监督分类.监督分类法需要一定的训练样本学习居民地的某些特征,然后根据学习到的特征提取居民地,如Palmason等[10]利用神经网络的方法学习居民地的形态学结构特征,进而实现对居民地的提取.非监督分类法可以直接提取影像中的居民地而无需任何训练数据,如局部特征点[11-12]和边缘密度[13]等方法,但是非监督分类法的精度通常低于监督分类法.

视觉注意模型通过模拟生物的视觉注意机制,可以在自然图片复杂的场景中检测到显著性区域[18-21].近年来,视觉注意模型被应用到遥感影像中[22-24].作为最经典的视觉注意模型之一,Itti模型利用“中心—周围”运算获取多尺度的强度、颜色和方向等特征图,然后归一化处理得到显著性目标.李志强[23]在深入分析Itti模型的基础上提出了新的模型,并将该模型应用到遥感影像中提取显著性目标.Zhang等[24]通过傅里叶变换将遥感影像变换到频率域,在频率域中检测显著性区域,即居民地.Hou等[21]提出的残余谱方法是视觉注意模型的一种,残余谱方法不需要对影像中显著性目标的纹理、颜色、亮度等先验知识进行学习,无需对影像标注正负样本进行训练,更不需要除图像之外的其他数据资料,而是直接关注于图像背景部分的规律,从频率域得到图像突出部分并转换到空间域,从而得到对应的显著性区域.残余谱方法提取精度较高,提取结果快速且稳健.近几年,残余谱方法被用于目标检测,如李庆峰等[25]提出利用残余谱和梯度纹理融合特征检测遥感影像中复杂海面背景下的舰船目标;尹万广等[26]通过残余谱方法以及图像梯度响应来获得显著性图像的轮廓信息;贺超[27]将残余谱方法作为一种全局分析显著模型,与局部分析模型和频域调谐算法结合获得一种新的基于图像频域分析的图像显著目标检测模型.此外,残余谱方法还应用于运动目标的检测[28].

对比MBI,SVM法与本文方法提取的农村居民地结果(见图1)可以看出,采用本文方法进行农村居民地提取结果目视解译效果比较好,能够将居民地范围较完整地提取出来,且边界较平滑,而MBI和SVM法提取的背景信息较多,提取边界较破碎.基于指数的方法需要根据不同的影像重新定义公式,存在一定局限性,监督分类法需要训练样本,过程较为繁琐.本文中,笔者使用视觉注意模型中的残余谱方法进行农村居民地的提取.

在遥感影像中,相对于大范围的植被等信息,农村居民地可以当作显著性目标,因此,农村居民地提取可以被认为是显著性目标提取的一种.之前已有研究将视觉注意模型中的残余谱方法引入到遥感影像中用于居民地的提取[29],分析比较了高分1号卫星影像不同的波段组合和不同的阈值方法对农村居民地提取结果的影响.残余谱方法最初应用于自然图片,遥感图像与自然图片最大的区别在于遥感图像拥有不同波谱范围的波段,将其引入到遥感图像中,不同的波谱对显著性目标的提取是否存在影响是值得研究的.本文中,笔者使用高分1号、资源3号与WorldView-2影像分析对比在使用残余谱方法时,不同的波谱和影像不同的获取时间以及不同传感器对居民地提取结果的影响.对于同一传感器的影像,比较不同的波谱对居民地提取结果的影响;对于同一地点、分辨率相同的影像,分析影像不同的获取时间对居民地提取的影响;对于同一地点、获取时间和分辨率相同的影像,分析比较居民地提取结果对传感器的选择有无倾向性.

1 研究数据与方法

1.1 实验数据

研究区位于河北省北部,实验数据包括高分1号(GF-1)、资源3号(ZY-3)和WorldView-2(WV-2) 这3个不同传感器的卫星影像,传感器的参数如表1所示.

a.实验影像; b.MBI模型; c.SVM; d.本文的方法.图1 3种分类方法提取结果Fig.1 The Extracted Results of Three Classification Methods

表1 不同卫星的传感器参数Tab.1 The Parameters of Different Satellite Sensors

1.2 残余谱方法

根据信息论的知识,图像的信息

HImage=HBack+HSaliency,

(1)

其中HImage表示图像信息,HBack表示冗余的背景信息,HSaliency表示显著的目标信息.

Hou等[21]通过分析大量自然图片的log谱,发现不同图片的对数谱具有相似的趋势.假设log谱的平均趋势是图像的常态,而跳出平均趋势的“突出”部分则是显著的信息.残余谱模型通过分析log谱来提取图像在频率域中的残余谱,然后在空间域中重建相应的显著图,选择一个合适的阈值即可得到显著性目标.基于残余谱模型检测显著性目标的流程如图2,3所示.给定1张输入图像,具体的算法如下.

1) 将给定的彩色图像I(x)转换为灰度图像G(x),公式为

G(x)=0.299bR+0.587bG+0.114bB,

(2)

其中bR,bG,bB分别代表红波段、绿波段、蓝波段的亮度值.

2) 对灰度图像进行傅里叶变换,将图像转换到频率域.在频率域中,傅里叶频谱可以由幅度谱A(f)和相位谱P(f)的积表示,取log对数将2者之积转为2者之和以便于信息分离,公式为

f=F(G(x)),

(3)

其中F指傅里叶变换.

3) 图像的残余谱R(f)由下式定义,即

R(f)=L(f)-hn(f)×L(f).

(4)

其中:图像的log谱L(f)由幅度谱A(f)取对数所得,即L(f) = log(A(f));hn(f)定义为局部均值滤波,因此,hn(f)×L(f)为图像log谱的平均谱,描述的是log谱的平均趋势.相应地,图像中的显著性目标包含在残余谱R(f)中.

(5)

4) 将频率域中的残余谱通过反傅里叶变换在空间域中重建,空间域中对应的显著图S(x)由下式计算,即

S(x)=F-1[exp(R(f)+P(f))]2,

(6)

其中F-1是反傅里叶变换.

图2 基于残余谱模型检测显著性目标的流程图Fig.2 Flowchart of SR Model for Detecting Salient Targets

图3 基于残余谱方法提取显著性目标的流程图Fig.3 Flowchart of SR Model for Extracting

1.3 基于残余谱方法的遥感图像农村居民地提取方法

与自然图片的红绿蓝3个通道不同,高分影像通常由4个多光谱(红(R)、绿(G)、蓝(B)和近红外(Nir))波段和1个全色波段组成.根据残余谱的算法以及流程图可以看出,该算法首先是将彩色RGB图像转换为灰度图像,然后在该灰度图像的基础上进行后续的傅里叶变换、残余谱计算以及反傅里叶变换.在遥感图像中,全色波段恰好可以直接作为灰度图像参与后续的计算而无需转换,但实验后发现该选择的效果不是很好.根据全色影像的波谱范围推断,这可能是由于全色影像包含近红外谱段的原因.为了验证居民地的提取效果是否受近红外谱段的影响,从而进一步寻找最优的波段组合,设计了6组不同的波段组合,分别命名为Pan_SR,RGB_SR,NirGB_SR,RNirB_SR,RGNir_SR和Nir_SR,基于残余谱模型不同的波谱选择提取居民地的流程如图4所示.

图4 基于残余谱模型不同的波谱选择提取居民地的流程Fig.4 Flowchart of Residential Region Extraction with Different Bands Using SR Model

Pan_SR:如图4a所示,与算法中描述的框架不同,模型的输入由遥感图像中的Pan波段直接赋值给算法中的灰度图像,即G(x)=bPan.

RGB_SR:如图4b所示,与算法中描述的框架一致,模型的输入由遥感图像中的R,G和B 3个多光谱波段转换为灰度图像,即G(x)=0.299bR+0.587bG+0.114bB.

NirGB_SR:如图4c所示,模型的输入由遥感图像中的Nir,G和B 3个多光谱波段转换为灰度图像,即G(x)=0.299bNir+0.587bG+0.114bB.

RNirB_SR:如图4d所示,模型的输入由遥感图像中的R,Nir和B 3个多光谱波段转换为灰度图像,即G(x)=0.299bR+0.587bNir+0.114bB.

RGNir_SR:如图4e所示,模型的输入由遥感图像中的R,G和Nir 3个多光谱波段转换为灰度图像,即G(x)=0.299bR+0.587bG+0.114bNir.

Nir_SR:如图4f所示,模型的输入由遥感图像中的Nir波段直接赋值给算法中的灰度图像,即G(x)=bNir.

变量b为输入影像的波段分量,bPan,bR,bG,bB和bNir分别表示影像的全色波段、红波段、绿波段、蓝波段和近红外波段的亮度值,需要说明的是,由红绿蓝多波段图像转换为灰度图像,无论是遥感专业软件ENVI还是matlab中的rgb2gray函数,采取G(x)=0.299bR+0.587bG+0.114bB得到灰度图像.因此,本实验也以此来获取残余谱算法中的灰度图像,如NirGB_SR组合,G(x)=0.299bNir+0.587bG+0.114bB,而并非3个波段取平均值.

2 实验结果与分析

2.1 评价方法

将残余谱方法引入到遥感图像中用于获取农村居民地信息,通过比较3个不同传感器的卫星影像,试分析不同的波谱、影像不同的获取时间、不同传感器的选择对居民地提取结果的影响.设3组对比实验,第1组实验分析对比卫星影像不同的波谱对居民地提取结果的影响,第2组分析对比卫星影像不同的获取时间对居民地提取结果的影响,第3组实验分析比较居民地提取结果对传感器的选择有无倾向性.

采用召回率(recall)、准确率(precision)和F(F-measure)这3个定量指标[30]来评估模型的性能,即

(7)

(8)

(9)

其中,R代表召回率,P代表准确率,nTP指被模型检测到的同时也在地表真实图中标记为居民地的数据,nFN指在地表真实图中标记为居民地但是未被模型检测到的数据,nFP指被模型检测到的居民地但在地表真实图中未被标记的数据.F是召回率和准确率的调和平均值,用于权衡召回率和准确率,是综合反映整体的指标;β2是用于权衡召回率和准确率的一个正参数,在本实验中β2=1.

2.2 实验结果与分析

2.2.1 不同波谱对居民地提取结果的影响

残余谱算法中,首先是将彩色RGB图像转换为灰度图像,然后在灰度图像的基础上进行后续的傅里叶变换、残余谱计算以及反傅里叶变换.而在遥感图像中,全色波段的影像恰好能替代残余谱算法中的灰度图像,可以直接参与后续的计算而无需转换,但实验后发现该策略的效果不是很好.根据全色影像的波谱范围,有理由推断是由于全色影像包含了近红外谱段.为了验证居民地的提取效果是否受近红外谱段的影响,从而进一步寻找最优的波段组合,本组实验使用高分1号卫星的多光谱影像,采用6个不同的组合,即Pan_SR,RGB_SR,NirGB_SR,RNirB_SR,RGNir_SR和Nir_SR.基于6个组合的居民地提取结果如图5～7所示.

由图5～7可知,通过目视解译,3个实验区均是RGB_SR组合提取的居民地效果最好,其次是RGNir_SR组合,提取的范围与地表真实值较为接近.随着近红外谱段占比的增加,提取的效果越来越差,当只有近红外波段Nir_SR组合时提取结果最差.该现象在Test-1和Test-2实验区更加明显,甚至无法提取出完整的居民地范围.在Test-3实验区中,所有的组合均能提取较为完整的居民地范围,但是随着近红外波段占比的增加,提取出的背景(植被)范围越来越多.

为了对不同波段组合的居民地提取结果进行定量评价,本组实验使用precision(P),recall(R)和F-measure(F)3个评价指标,定量分析结果如图8～10所示.可以发现,RGB_SR组合P值最高,RGNir_SR组合次之,Nir_SR组合最低,该结论与目视解译的结果一致.就R值而言,针对Test-1和Test-2实验区,仍然是RGB_SR组合最高,RGNir_SR次之,Nir_SR组合最差;但是针对Test-3实验区,由于其他组合提取出的背景范围较大,反而导致RGB_SR和RGNir_SR组合R值有所降低.因此使用F值来平衡precision与recall,综合反映提取效果.F值结果与P值的规律一致,仍然是随着近红外波段占比的增加,提取效果越来越差.由此可知,RGB_SR组合提取居民地的效果更好,并且随着近红外波段占比的增加,提取效果越来越差,这说明近红外波段在残余谱方法提取居民地时具有消极影响.

图8 基于Test-1影像的不同波谱选择提取结果定量评价Fig.8 Quantitative Evaluation of Extracted Results from GF-1 Test-1 Image with Different Spectral Selection

图9 基于Test-2影像的不同波谱选择提取结果定量评价Fig.9 Quantitative Evaluation of Extracted Results from GF-1Test-2 Image with Different Spectral Selection

图10 基于Test-3影像的不同波谱选择提取结果定量评价Fig.10 Quantitative Evaluation of Extracted Results from GF-1Test-3 Image with Different Spectral Selection

2.2.2 不同获取时间对居民地提取结果的影响

本组实验对比影像的不同获取时间对居民地提取结果的影响,实验的卫星影像包括4月获取的GF-1影像、ZY-3影像以及8月获取的WV-2影像.为了只考虑影像获取时间对居民地提取结果的影响,将GF-1和ZY-3影像分别进行预处理,即GF-1卫星2 m的全色影像与8 m的多光谱影像进行融合后得到2 m分辨率的多光谱影像,ZY-3卫星的2.1 m全色影像与5.8 m的多光谱影像进行融合后得到2.1 m分辨率的多光谱影像.融合后的GF-1影像和ZY-3影像与1.8 m的WV-2多光谱影像的空间分辨率很接近,因此可以忽略这3个传感器空间分辨率的差异.

根据上述实验结论,本组实验直接采用RGB_SR组合进行居民地的提取.不同获取时间的遥感影像的居民地提取结果如图11～13所示,通过目视解译发现,RGB_SR组合基本上将这3个卫星影像的居民地都较为完整地提取出来,且提取的居民地范围与地表真实值大体一致.但是,每个居民地提取结果的范围仍然存在一些差异,经过对比发现,8月WV-2影像提取的居民地范围更贴近地表真实值.

a.实验区4影像; b.地表真实值; c.GF-1 2 m影像(4月); d.ZY-3 2.1 m影像(4月); e.WV-2 1.8 m影像(8月).图11 基于Test-4影像不同获取时间的提取结果Fig.11 The Extracted Results of Test-4 Image with Different Acquisition Times

a.实验区5影像; b.地表真实值; c.GF-1 2 m影像(4月); d.ZY-3 2.1 m影像(4月); e.WV-2 1.8 m影像(8月).图12 基于Test-5影像不同获取时间的提取结果Fig.12 The Extracted Results of Test-5 Image with Different Acquisition Times

a.实验区6影像; b.地表真实值; c.GF-1 2 m影像(4月); d.ZY-3 2.1 m影像(4月); e.WV-2 1.8 m影像(8月).图13 基于Test-6影像不同获取时间的提取结果Fig.13 The Extracted Results of Test-6 Image with Different Acquisition Times

为了更准确地分析影像的不同获取时间对居民地提取的影响,对3个卫星影像的居民地提取结果进行定量评价,结果见图14.由此可知,8月WV-2影像提取的居民地结果对应的P值均高于4月GF-1影像和ZY-3影像提取的结果.此外,所有影像提取结果的R值都较高,且大于90 %,这是由于采用RGB_SR组合对3幅卫星影像均能够完整地提取出居民地的范围.F值与P值的结论一致,仍然是WV-2影像的居民地提取效果优于GF-1和ZY-3影像.这是由于8月的植被生长相比于4月更加茂盛,在影像中表现为与居民地的对比度更大,因此8月获取的卫星影像居民地提取效果相比于4月更好.

2.2.3 不同传感器对居民地提取结果的影响

实验的卫星影像仍为4月获取的GF-1和ZY-3融合后的影像,由于融合后的GF-1影像和ZY-3影像的空间分辨率很接近,因此可以忽略这2个传感器空间分辨率的差异.

本组实验仍然直接采用RGB_SR组合进行居民地的提取.不同传感器遥感影像居民地的提取结果如图11～13所示,通过目视解译发现,该方法基本上将这2个传感器影像的居民地均较为完整地提取出来,且提取的居民地范围与地表真实值大体一致.

a.Test-4影像; b.Test-5影像; c.Test-6影像.图14 不同获取时间的卫星影像提取结果定量评价Fig.14 Quantitative Evaluation of Test Images with Different Acquisition Times

为了更准确地分析不同传感器影像对居民地提取的影响,对不同卫星影像的居民地提取结果进行定量评价,对比结果如图14所示.在3个实验居民地中,Test-4实验区GF-1影像的P值略高于ZY-3影像,Test-5和Test-6实验区GF-1影像的P值略低于ZY-3影像.此外,所有影像提取结果的R值都较高,且Test-4和Test-5实验区GF-1影像的R值略低于ZY-3影像,而Test-6实验区GF-1影像的R值略高于ZY-3影像.F值与R值的结论一致,仍是Test-4和Test-5实验区GF-1影像F值略低于ZY-3影像,Test-6实验区GF-1影像的F值略高于ZY-3影像.综合以上可知,GF-1影像与ZY-3影像精度相差不大,该方法用于农村居民地提取对GF-1和ZY-3传感器的影像没有明显的倾向性.

3 讨 论

3.1 不同波谱组合对居民地提取结果的影响

卫星影像中RGB组合提取的居民地效果更好,并且随着近红外波段占比的增加,提取效果越来越差,说明近红外波段在残余谱方法提取居民地时具有消极的影响.这是由于植被的反射波谱在近红外波段有一个大的反射峰,这种现象的出现是由植物叶子内部构造控制的,因此近红外波段多用于识别植被,而居民地内的建筑物与植被的波谱响应不同,近红外波段对植物的高响应会对居民地的提取有一定的干扰,近红外波段占比越多,提取的植被背景越多,提取效果越差,因此近红外波段在残余谱方法提取居民地时具有消极影响.

3.2 不同影像获取时间对居民地提取结果的影响

在对比不同影像获取时间对居民地提取的影响时发现,8月获取的影像提取居民地的效果相比于4月获取的影像更好,不同季节的影像在遥感影像上的显示不同,夏季植被茂盛,在影像中的显示与建筑物的对比度更大,而该方法的原理也是直接关注图像中背景信息的规律,因此,植被茂盛的背景信息更能突出该方法的优势,所以8月的影像对居民地的提取效果相比4月更好.

3.3 不同传感器选择对居民地提取结果的影响

在不同传感器的对比实验中,针对同一地点、相同分辨率和获取时间的GF-1和ZY-3影像进行居民地提取结果显示,GF-1和ZY-3影像提取的居民地范围大体一致,同时定量分析也表明残余谱方法对2者的选择无明显倾向性.残余谱方法只关注图像背景部分,不同传感器的背景部分大致相同,因此残余谱方法对影像传感器的选择无明显倾向性.

4 结 论

通过3组实验对比分析不同波谱组合、不同获取时间以及不同传感器的影像对居民地提取结果的影响,得出如下结论:红、绿、蓝(R,G,B)3个波段的组合提取居民地效果较好,若能获取夏季的影像,如8月居民地提取的精度会得到进一步提升,但提取结果对实验中不同传感器的选择无明显倾向性.针对3个不同传感器进行实验,验证了该方法在卫星影像提取农村居民地的应用中具有一定的普适性,且简单快速;但仍存在一定的不足,如当影像内含有多个居民点时结果并不令人满意,后续可以进行改进,使该方法能够同时提取多个居民点区域.