基于遙感影像的水域違章建筑識(shí)別研究

陳建國(guó) ，王晨輝 ，徐緒堪 ，嵇慶才

（1. 寧夏水利電力工程學(xué)校，寧夏 銀川 750006；2. 河海大學(xué)商學(xué)院，江蘇 常州 213022；3. 常州工業(yè)大數(shù)據(jù)挖掘與知識(shí)管理重點(diǎn)實(shí)驗(yàn)室，江蘇 常州 213022；4. 鎮(zhèn)江新區(qū)城鄉(xiāng)建設(shè)局，江蘇 鎮(zhèn)江 212132）

0 引言

隨著城鄉(xiāng)建設(shè)的快速發(fā)展，城市現(xiàn)代化進(jìn)程不斷加快，大量河湖違章建筑影響城鄉(xiāng)水域公共空間，河湖流域違法的圈圩和建設(shè)嚴(yán)重影響城市防洪排澇，給城市社會(huì)經(jīng)濟(jì)穩(wěn)定發(fā)展帶來(lái)較大潛在危害。城市河湖違建整治是城市全面推進(jìn)河（湖）長(zhǎng)制、建設(shè)人水和諧生態(tài)的重要舉措之一，根據(jù)江蘇省委辦公廳要求，全省各地對(duì)轄區(qū)內(nèi)河湖流域逐一排查，確保各類違法圈圩和建設(shè)不遺漏，2020 年底將全面整治到位。

在過(guò)去的河湖“清四亂”專項(xiàng)活動(dòng)中，水域違章建筑檢測(cè)主要依賴人工對(duì) 0.3 m 分辨率遙感影像進(jìn)行比對(duì)排查，為解決人力資源有限、人工比對(duì)耗時(shí)長(zhǎng)的問(wèn)題，提出一種基于遙感影像變化技術(shù)的水域違章建筑識(shí)別模型，并通用實(shí)例驗(yàn)證識(shí)別的效果，為水域違章建筑檢測(cè)提供科學(xué)快捷的方法。

1 相關(guān)研究

眾多學(xué)者在違章建筑檢測(cè)方面提出了很多方案，詹金瑞[1]提出了以歷年衛(wèi)星影像為基礎(chǔ)，結(jié)合實(shí)地測(cè)繪和規(guī)劃信息的違章建筑檢測(cè)總體架構(gòu)；朱建偉等[2]提出利用無(wú)人機(jī)低空環(huán)拍影像構(gòu)建三維模型進(jìn)而識(shí)別違章建筑的系統(tǒng)；黃蓉等[3]以青島市為例，設(shè)計(jì)了基于高分辨率遙感影像變化檢測(cè)技術(shù)的違章建筑檢測(cè)技術(shù)路線，解決了實(shí)地測(cè)繪的低效率和無(wú)人機(jī)環(huán)拍的高技術(shù)門檻問(wèn)題，成為了目前主流的違建檢測(cè)方法。

遙感影像變化檢測(cè)技術(shù)是指通過(guò)圖像處理等技術(shù)對(duì)不同時(shí)期同一區(qū)域的遙感影像數(shù)據(jù)進(jìn)行分析以確定 2 個(gè)時(shí)期影像間的變化[4]。依據(jù)處理單元粒度大小不同，可以將現(xiàn)有的變化檢測(cè)算法分為兩大類：1）基于像素點(diǎn)的變化檢測(cè)。以像素為最小單位進(jìn)行處理，試圖將所有像素歸為發(fā)生和未發(fā)生變化2 類的方法，例如：Malila 最早提出變化矢量分析法（CVA）[5]，利用多波段的遙感影像數(shù)據(jù)將每個(gè)像素描述為 1 個(gè)一維列向量，進(jìn)而計(jì)算前后時(shí)期同位置像素之間的向量差值，代表變化的強(qiáng)度；陳晉等[6]將 CVA 算法用于國(guó)內(nèi)土地利用/覆蓋變化檢測(cè)，并提出一種雙窗口變步長(zhǎng)閾值搜尋的方法，在變化檢測(cè)的自動(dòng)程度上更進(jìn)一步；黃維等[7]結(jié)合主成分分析（PCA）和 CVA 算法，對(duì)多波段影像數(shù)據(jù)提取第一主成分后進(jìn)行差值運(yùn)算和閾值劃分，降低了圖像噪聲的影響；趙秋菊[8]進(jìn)一步改進(jìn) PCA 算法，以差值圖像的一倍標(biāo)準(zhǔn)差作為變化閾值，自動(dòng)確定出變化區(qū)域。這類算法一般對(duì)輸入影像向量表示并求差值后，人工設(shè)定或自動(dòng)搜索閾值，確定每個(gè)像素是否發(fā)生變化。2）面向?qū)ο蟮淖兓O(jiān)測(cè)。常常采用先分類后檢測(cè)變化的方法，首先對(duì)某一類型像素集合看作對(duì)象，研究改對(duì)象范圍內(nèi)是否發(fā)生變化。例如：李亮等[9]通過(guò)影響分割獲取像斑，結(jié)合 EM 算法和貝葉斯最小錯(cuò)誤理論確定每個(gè)像斑的變化/非變化類別歸屬；張亞亞等[10]提出一種基于對(duì)象的語(yǔ)義網(wǎng)遙感圖像知識(shí)分類框架通過(guò)制定規(guī)則解決對(duì)象分割問(wèn)題。近年來(lái)，隨著計(jì)算機(jī)運(yùn)算性能的提高，基于深度學(xué)習(xí)的監(jiān)督分類方法往往在實(shí)際中取得更好的效果，張曉東等[11]將目標(biāo)檢測(cè)領(lǐng)域的主流網(wǎng)絡(luò)Faster R-CNN 應(yīng)用到高分辨率遙感圖像變化檢測(cè)中取得了理想的效果。

綜上所述，國(guó)內(nèi)外學(xué)者為違章建筑檢測(cè)貢獻(xiàn)了有效的系統(tǒng)架構(gòu)和技術(shù)方法，然而傳統(tǒng)的基于像素的變化檢測(cè)算法容易出現(xiàn)“椒鹽”現(xiàn)象，難以滿足違章建筑粗篩選的精度需求，而基于深度學(xué)習(xí)的運(yùn)算時(shí)間高度依賴計(jì)算機(jī)的性能，難以適用實(shí)時(shí)的檢測(cè)系統(tǒng)。因此，本研究提出基于改進(jìn)主成分分析和k-Means 聚類的遙感影像快速變化檢測(cè)算法以實(shí)現(xiàn)水域違章建筑粗篩選。

2 遙感影像快速變化檢測(cè)算法設(shè)計(jì)

2.1 問(wèn)題定義

給定當(dāng)前時(shí)期某區(qū)域遙感影像，欲篩選出違建區(qū)域，首先獲取過(guò)去某時(shí)期同區(qū)域遙感影像；接著將 2 個(gè)時(shí)期影像數(shù)據(jù)代入算法，獲得變化區(qū)域圖斑，并在當(dāng)前時(shí)期遙感影像中標(biāo)記出變化位置；最后將標(biāo)注有變化區(qū)域的遙感影像推送至核查人員處，審查變化區(qū)域是否發(fā)生違章建筑。其中，獲取變化區(qū)域是核心算法，X1，X2是同一地區(qū)不同時(shí)期的 2 張遙感影像圖片，滿足以下條件：

式中：H和W分別表示圖像的高度和寬度；x1(i，j)和x2(i，j) 表示像素點(diǎn) (i，j) 的灰度值。

目標(biāo)是生成一張變化區(qū)域圖片Xc= {xc(i，j) | 1 ≤i≤H，1 ≤j≤W}，滿足：

2.2 算法流程

算法流程主要包括計(jì)算差分圖像、構(gòu)造圖像變化特征矩陣和像素點(diǎn)二分類 3 步。1）差分圖像通過(guò)2 個(gè)時(shí)期遙感影像灰度值差值計(jì)算；2）圖像變化特征通過(guò) 2 次劃分像素塊，將差分圖像的每個(gè)像素點(diǎn)變化信息表示成向量，并利用 PCA 算法降維；3）像素點(diǎn)二分類是利用改進(jìn)的k-Means 聚類將圖像像素點(diǎn)分為發(fā)生和未生變化 2 類。算法流程如圖 1 所示。

圖 1 算法流程圖

2.2.1 計(jì)算差分圖像

在變化檢測(cè)模型中有 2 種主流方法：合并 2 個(gè)不同時(shí)間的圖像；用后一時(shí)期影像減去前一時(shí)期影像得到差分圖像。

本研究提出的快速檢測(cè)的算法是基于差分圖像的，差分圖像Xd表示圖像X1和X2每個(gè)像素點(diǎn)灰度值的絕對(duì)差值。

2.2.2 構(gòu)造圖像變化特征矩陣

將差分圖像Xd劃分成大小為h×h(h≥2) 的像素塊，則

式中：xd(m，n) 表示位于m行n列的像素塊，xd(m，n) 簡(jiǎn)化寫作將h×h大小的像素塊依據(jù)行列順序展開為h2×1 的向量表示第k個(gè)像素塊。

式中：K為劃分后像素塊的總個(gè)數(shù)每個(gè)向量距離平均向量Ψ的距離

PCA 算法試圖尋找一組N(N≤h2) 個(gè)線性無(wú)關(guān)的綜合指標(biāo)代替原來(lái)的h2個(gè)指標(biāo)，對(duì)集合Δk使用PCA 算法，首先計(jì)算協(xié)方差矩陣其中i和j的協(xié)方差cij= Cov(Δi，Δj)，i，j=1，2，…，h2。然后計(jì)算協(xié)方差矩陣C的特征向量與特征值，由于矩陣C= (cij)h2×h2，所以共有h2個(gè)特征向量es與特征值λs，按照特征值遞減順序排列，選取前N(N≤h2) 個(gè)特征向量組成特征向量空間EVS= [e1，e2，…，eN]T，N≤h2。

最后重新將差分圖像Xd劃分成大小為h×h(h≥2) 的像素塊，這次劃分采用重疊的方式，即同一行或同一列相鄰的 2 個(gè)像素塊之間的間隔為定長(zhǎng)，用stride表示，設(shè)置每個(gè)stride為 1 個(gè)像素，劃分后Xd={xd(m，n) |m+h=W，n+h=H}，每個(gè)像素塊用來(lái)表示其中心位置像素點(diǎn)的變化特征，同樣按行列展開為h2×1 的向量，記作(H-h)，按式 (6) 和 (7) 將映射到EVS中去：

最終通過(guò) PCA 算法，將差分圖像大部分區(qū)域像素的變化特征轉(zhuǎn)化為維度間線性無(wú)關(guān)的N維向量，稱為圖像變化特征矩陣。

2.2.3 像素點(diǎn)二分類

使用聚類算法依據(jù)上一步得到的圖像變化特征矩陣對(duì)差分圖像像素點(diǎn)進(jìn)行二分類，相較于傳統(tǒng)的k-Means 聚類（k= 2）[12]，做出如下改進(jìn)：

1）比較使用多種k值，由于不同時(shí)期的衛(wèi)星圖片在整體上區(qū)別不大，而改變總在細(xì)微處，所以可以認(rèn)為包含像素點(diǎn)最少的一類，是發(fā)生改變的一類。

2）為選擇初始聚類中心，優(yōu)化k-Means 聚類方法，獲得更快的迭代速度和更好的聚類效果，采用如下算法：a. 輸入數(shù)據(jù)集X，聚類中心個(gè)數(shù)k，在數(shù)據(jù)集中隨機(jī)選取 1 個(gè)樣本作為初始聚類中心C1。b. 計(jì)算每個(gè)樣本到與之最近的 1 個(gè)聚類中心的距離D(x)，x∈X；計(jì)算每個(gè)樣本被選為下一聚類中心的概率選擇概率最大的樣本作為下一聚類中心。c. 重復(fù)步驟 b 直到選擇出k個(gè)聚類中心。

設(shè)定“1”表示某像素點(diǎn)發(fā)生改變，“0”表示該像素點(diǎn)沒(méi)有發(fā)生改變，因此分類結(jié)果圖中，黑色區(qū)域表示沒(méi)有變化，白色區(qū)域表示發(fā)生變化。

3 實(shí)驗(yàn)與分析

3.1 數(shù)據(jù)來(lái)源與預(yù)處理

用一組拍攝時(shí)間分別為 2015 年 6 月和 2018 年6 月的江蘇省常州市某區(qū)域遙感影像數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，該區(qū)域遙感影像圖片如圖 2 所示。

圖 2 常州市某區(qū)域遙感影像圖片

圖片大小為 8 000 像素×7 000 像素，圖片格式為 TIFF；影像信息格式為 TFW。圖 2 所包含影像信息內(nèi)容及含義如表 1 所示，其中：像素分辨率表示單位像素寬度代表的實(shí)際距離，單位為 m/像素，在 0.3 m/像素的分辨率尺度下，每張圖片的實(shí)際地理長(zhǎng)寬分別是H= 0.3 ×8 000 = 2 400 m，W= 0.3 ×7 000 = 2 100 m。

數(shù)據(jù)預(yù)處理主要包括：

表 1 某遙感影像圖片信息

1）成對(duì)圖片位置校正。由于獲取的遙感影像可能存在圖片大小誤差、地理位置偏差等異常情況，誤差示意圖如圖 3 所示。

圖 3 誤差示意圖

若A，B點(diǎn)的像素坐標(biāo)分別為 (x1，x2)，(y1，y2)，地理坐標(biāo)分別為 (x1'，x2')，(y1'，y2')，2 個(gè)圖像素分辨率都是α，那么A，B像素坐標(biāo)及地理信息滿足下式：

分別對(duì) 2 個(gè)時(shí)期遙感影像圖片剪裁出圖 3 中黃色區(qū)域，代替原始數(shù)據(jù)，完成圖片位置校正。

2）切割圖像。由于原始圖像過(guò)大，容易造成內(nèi)存溢出，所以將原始圖像切割成長(zhǎng)寬都為 1 000 像素的矩形。

3）轉(zhuǎn)化成灰度圖。將紅、綠、藍(lán)三通道圖像轉(zhuǎn)換為單通道灰度圖。

預(yù)處理完成后，每次輸入算法的都是 2 張1 000 像素×1 000 像素的單通道同區(qū)域不同時(shí)期遙感影像圖片。

3.2 對(duì)比實(shí)驗(yàn)

在本研究提出的方法中，主要超參數(shù)包括像素塊大小h和聚類中心個(gè)數(shù)k，選用如表 2 所示的 6 組超參數(shù)進(jìn)行實(shí)驗(yàn)。

在實(shí)驗(yàn)中，前 3 個(gè)主成分的累積貢獻(xiàn)率達(dá)到了99.7%，故取主成分個(gè)數(shù)N= 3，對(duì)比實(shí)驗(yàn)結(jié)果如圖4 所示。

對(duì)比方案 1，2，3 或 4，5，6，發(fā)現(xiàn)像素塊大小h對(duì)實(shí)驗(yàn)結(jié)果的影響不顯著；對(duì)比方案 1，2 或3，4 或 5，6，發(fā)現(xiàn)聚類中心個(gè)數(shù)k決定了變化區(qū)域的閾值，k值越小，結(jié)果圖像的椒鹽化現(xiàn)象就越顯著，誤分類率也隨之提高。圖 5 所示是圖像上部一塊區(qū)域的實(shí)際圖片與實(shí)驗(yàn)結(jié)果，從實(shí)際圖像中可以看出，該區(qū)域變化主要是下方農(nóng)田改建為道路的施工用地，在k= 3 個(gè)時(shí)，算法將上方一塊池塘誤歸類為變化區(qū)域，這是由于前后 2 個(gè)時(shí)期遙感影像光線不同導(dǎo)致的圖像顏色深淺不一致；而k= 5 個(gè)的方案很好地解決了這一誤分類。

表 2 實(shí)驗(yàn)超參數(shù)選擇

圖 4 各參數(shù)方案提取的變化圖像

圖 5 某區(qū)域原始圖片與實(shí)驗(yàn)結(jié)果

在定性分析的基礎(chǔ)上，保持像素塊大小h= 5 像素恒定，選用 2～6 這 5 種不同k值，使用樣點(diǎn)檢驗(yàn)的方式進(jìn)行定量分析。依據(jù)特定原則選取 500 個(gè)樣本點(diǎn)比較各算法的精度[4]。人工判斷這 300 個(gè)樣本點(diǎn)的集合歸屬，其中變化樣本 166 個(gè)，未變化樣本334 個(gè)，計(jì)算各個(gè)方法的召回率R、準(zhǔn)確率P和總體精度結(jié)合傳統(tǒng) CVA 方法比較結(jié)果如表 3所示。

表 3 算法精度比較

從表 3 可以看出：隨著k值增加，準(zhǔn)確率提高至收斂，召回率卻不斷降低；同時(shí)，本研究算法普遍優(yōu)于傳統(tǒng)的 CVA 算法，在k= 4 個(gè)取得最優(yōu)的總體精度，通過(guò)上述分析，實(shí)驗(yàn)的最優(yōu)參數(shù)選擇為h=5 像素，k= 4 個(gè)。

3.3 結(jié)果分析

從圖 5 中可以看出：常州市某區(qū) 2015—2018 年的主要變化體現(xiàn)在區(qū)域上部新修一條主干道，其他的一些典型變化列舉如圖 6 所示。

上述用地變化是否涉及違章建筑需要人工進(jìn)一步比對(duì)審查，但在總體上，遙感影像快速變化檢測(cè)算法提供了可能發(fā)生違建的大致位置，節(jié)省了人力的比對(duì)。

4 結(jié)論

本研究為解決違章建筑的粗篩選問(wèn)題，以常州市某區(qū)域遙感影像為例，改進(jìn)了基于 PCA 和k-Means 聚類的變化檢測(cè)算法，通過(guò)選擇不同的分割像素塊邊長(zhǎng)和聚類中心個(gè)數(shù)的超參數(shù)組合進(jìn)行比對(duì)實(shí)驗(yàn)。結(jié)果表明：在精度水平上該算法優(yōu)于傳統(tǒng)CVA 算法，并且在像素塊邊長(zhǎng)為 5 像素、聚類中心個(gè)數(shù)為 4 個(gè)時(shí)，既能有效抑制噪聲，減小偽變化的出現(xiàn)，又能保證一定的召回率，使得整體精度達(dá)到理想效果，并在測(cè)試用例中篩選出池塘新修小道、池塘變?yōu)檗r(nóng)田等變化區(qū)域。

圖 6 典型變化示例