面向?qū)ο蠖嗵卣魅诤系乃虬毒€目標(biāo)變化檢測(cè)

張 曦，王春林，黃祚繼，董丹丹

（安徽?。ㄋ炕春铀瘑T會(huì)）水利科學(xué)研究院，安徽 合肥 230001）

0 引言

目前，全面推行河長(zhǎng)制已初見(jiàn)成效，為集中開(kāi)展全國(guó)河湖“清四亂”行動(dòng)，協(xié)助水利監(jiān)管部門(mén)打好河湖管理攻堅(jiān)戰(zhàn)，需評(píng)估水域岸線管護(hù)工作的整治情況，如僅靠人力進(jìn)行現(xiàn)場(chǎng)調(diào)研則耗時(shí)費(fèi)力。遙感影像變化檢測(cè)技術(shù)是利用同一區(qū)域多時(shí)相的遙感影像和其它輔助數(shù)據(jù)，定量地判定和分析目標(biāo)對(duì)象空間分布及其變化情況的技術(shù)[1]106。將遙感影像變化檢測(cè)技術(shù)應(yīng)用于水域岸線監(jiān)管，可客觀反映重點(diǎn)岸線區(qū)域內(nèi)的自然條件、資源現(xiàn)狀，量化評(píng)判河長(zhǎng)制中水域岸線治理及沿岸的生態(tài)環(huán)境變化情況，將大大減少人力和其他設(shè)備的投入，強(qiáng)化水利行業(yè)監(jiān)管力度，有效推動(dòng)河長(zhǎng)制從“有名”到“有實(shí)”的轉(zhuǎn)變，對(duì)服務(wù)河湖水域岸線常態(tài)化監(jiān)測(cè)有著十分重要的意義[2-3]。

遙感影像變化檢測(cè)方法主要分為以下 3 類：

1）基于像素的變化檢測(cè)方法。主要是通過(guò)計(jì)算基準(zhǔn)影像與實(shí)驗(yàn)圖像的灰度值，利用數(shù)學(xué)模型對(duì)灰度值的變化進(jìn)行建模，進(jìn)而檢測(cè)出變化區(qū)域，主要包括圖像差值法、比值法，以及回歸、主成分、變化矢量等分析法[1]106。在實(shí)際應(yīng)用中閾值的確定，較多地取決于不斷測(cè)試，得到合適的閾值。

2）基于特征的變化檢測(cè)方法。主要是針對(duì)檢測(cè)對(duì)象的數(shù)值或者結(jié)構(gòu)特征，利用數(shù)學(xué)模型度量 2 組特征的相似程度，進(jìn)而判斷檢測(cè)對(duì)象的變化情況。該類方法不是基于原始數(shù)據(jù)而是基于特征，所以在特征提取過(guò)程中不可避免地會(huì)出現(xiàn)信息部分丟失的情況，因此難以提供細(xì)微信息[4]。

3）面向?qū)ο蟮淖兓瘷z測(cè)方法。主要是利用模式識(shí)別技術(shù)提取檢測(cè)對(duì)象的數(shù)值或結(jié)構(gòu)特征，度量 2 組特征的相似程度，進(jìn)而判斷檢測(cè)對(duì)象的變化情況。主要包括變化向量分析比較法（CVA）[5-6]和分類后比較法（PCC）[7-8]，優(yōu)點(diǎn)主要是對(duì)不同時(shí)期的遙感數(shù)據(jù)的輻射差異值不敏感，方便確定變化類型[9]。

因?yàn)榇a頭含有豐富的特征信息，周圍環(huán)境復(fù)雜，難以確定變化向量分析中的最優(yōu)閾值。為此基于面向?qū)ο蟮母叻直媛蔬b感圖像分析方法，提取目標(biāo)對(duì)象的多類特征，采用 PCC 法，實(shí)現(xiàn)多源多時(shí)相的水域岸線區(qū)域內(nèi)非法碼頭的變化檢測(cè)。

1 整體思路與研究區(qū)域

1.1 整體思路

高分辨率遙感影像具有豐富的空間信息，要想提高目標(biāo)變化檢測(cè)的精度，需要充分挖掘并融合目標(biāo)對(duì)象的多類特征信息[6]。此外，在高分辨率正射影像中，碼頭一般具有以下特征：

1）光譜特征。受建設(shè)材料（如水泥、柏油）及表面隨意堆放雜物的影響，碼頭光譜具有多樣性。

2）幾何特征?？臻g形狀呈現(xiàn)出“T”“I”“Y”等字型，坡度一般不會(huì)發(fā)生變化。

3）空間拓?fù)涮卣?。碼頭與水相鄰，一般指建立在水邊的工程區(qū)域，包括裝卸、輔助生產(chǎn)、商務(wù)信息設(shè)施等工作區(qū)域。其中，裝卸作業(yè)地帶包括碼頭前沿作業(yè)地帶、倉(cāng)庫(kù)、相鄰的基礎(chǔ)交通設(shè)施（如鐵路、道路等），這些區(qū)域的存在也影響了目標(biāo)對(duì)象的提取。

本研究以利用面向?qū)ο蟮亩喑叨确指罘椒ǐ@取的具有“同質(zhì)均一”性的目標(biāo)對(duì)象為基本分析單元，通過(guò)多次試驗(yàn)最優(yōu)分割尺度獲得合適的閾值，合并相同類別的圖斑，并結(jié)合碼頭的光譜-紋理-幾何特征進(jìn)行樣本選擇，將樣本分為碼頭和非碼頭目標(biāo)類。然后，融合提取的多特征信息，選用支持向量機(jī)作為分類器，提高高空間分辨率數(shù)據(jù)分類的精度。通過(guò)比較兩景影像分類后的結(jié)果，得到目標(biāo)對(duì)象的空間位置變化和變化強(qiáng)度的檢測(cè)結(jié)果。相關(guān)流程圖如圖 1 所示。

圖 1 面向?qū)ο蠖嗵卣魅诤夏繕?biāo)變化檢測(cè)流程

1.2 研究區(qū)域

研究區(qū)域選用長(zhǎng)江安徽部分江段水域岸線。使用高分辨率衛(wèi)星遙感影像的 3 個(gè)多光譜波段，影像大小為 1 379 像元×1 395 像元，各衛(wèi)星影像數(shù)據(jù)如表 1 所示。T1時(shí)相為 2016 年 11 月高分 2 號(hào)拍攝的整改前影像，該區(qū)域通過(guò)人工判讀碼頭數(shù)目為 17 座，T2時(shí)相為 2017 年同期高景 1 號(hào)拍攝的整改后影像，通過(guò)人工判讀碼頭數(shù)目為 13 座，T1，T2時(shí)相如圖 2 所示。

表 1 選用的衛(wèi)星影像數(shù)據(jù)介紹

2 面向?qū)ο蠖嗵卣魅诤献兓瘷z測(cè)

2.1 影像預(yù)處理

首先在遙感圖像處理軟件 ENVI 5.3 中利用Image Registration Workflow 工具，選用 T1時(shí)相原始影像作為基準(zhǔn)影像，同時(shí)選取 T2時(shí)相原始影像中的 10 個(gè)同名點(diǎn)，將其配準(zhǔn)到 T1中，使其具有標(biāo)準(zhǔn)地理信息，包含更多的重疊區(qū)域。采用直方圖匹配法進(jìn)行快速相對(duì)輻射矯正，保證兩時(shí)相影像區(qū)域內(nèi)的像元亮度值具有可對(duì)比性[10]。

圖 2 多源多時(shí)相遙感影像

2.2 面向?qū)ο蠖喑叨确指?/h3>

面向?qū)ο蠓治鲕浖?eCogonition 軟件為代表，核心技術(shù)是圖像分割技術(shù)。其中，多尺度分割技術(shù)適用面廣，還具有高效利用影像信息，分割精度高，速度快等優(yōu)點(diǎn)[11-12]。多尺度分割是一種基于區(qū)域合并技術(shù)自下而上的方法，根據(jù)對(duì)象內(nèi)部像元應(yīng)具有的“同質(zhì)均一”性，不同對(duì)象之間具有的異質(zhì)性的特點(diǎn)進(jìn)行分割。在軟件中，異質(zhì)性是由光譜和形狀的權(quán)重所定義的，而形狀的異質(zhì)性是由光滑度和緊致度共同定義的。本研究中使用的多尺度分割參數(shù)如下：尺度參數(shù)為 20，形狀參數(shù)為 0.2，顏色參數(shù)為 0.8，緊致度為 0.5，平滑度為 0.5。

該分割結(jié)果可將目標(biāo)地物與水和周邊的其他地物環(huán)境分割開(kāi)，不同地物產(chǎn)生的圖斑之間具有較大的異質(zhì)性，T1，T2時(shí)相分割結(jié)果如圖 3 所示。

圖 3 面向?qū)ο蠖喑叨确指?/p>

2.3 目標(biāo)對(duì)象多特征融合

低分辨率影像中，光譜特征足以支撐目標(biāo)對(duì)象的分類；但在高分辨率影像中，隨著空間分辨率的提高，影像信息量也會(huì)相應(yīng)地增加，使得目標(biāo)對(duì)象類內(nèi)同質(zhì)性降低，異質(zhì)性增加，致使類間可分性降低[13]。因此，通過(guò)融合目標(biāo)對(duì)象的光譜、紋理及幾何等特征，增大變化與未變化對(duì)象的可分性。

提取的目標(biāo)對(duì)象的多種特征具體內(nèi)容如下：

1）光譜特征。通過(guò)計(jì)算各個(gè)波段的光譜均值，即紅、綠、藍(lán)波段的光譜均值，直觀反映目標(biāo)區(qū)域所包含的光譜特征。

2）紋理特征?；叶裙采仃嚳煞从秤跋裰腥我鈨牲c(diǎn)的灰度相關(guān)性，在紋理特征提取中有著較為廣泛的應(yīng)用[14]。在構(gòu)建共生矩陣的基礎(chǔ)上，選用 4 個(gè)常用的紋理特征統(tǒng)計(jì)量，如二階矩（Asm）、對(duì)比度（Con）、熵（Ent）和相關(guān)性（Cor），并計(jì)算目標(biāo)對(duì)象的紋理特征值。

a. 二階矩。反映圖像灰度分布均勻程度和紋理粗細(xì)度，計(jì)算公式為

式中：(i，j) 表示圖像中的像素點(diǎn)坐標(biāo)；P (i，j) 表示對(duì)象中 k 個(gè)像素的歸一化灰度直方圖。

b. 對(duì)比度。反映影像清晰度和紋理深淺，計(jì)算公式為

c. 熵。度量影像的信息量，反映影像的復(fù)雜程度，計(jì)算公式為

d. 相關(guān)性。反映度量空間灰度共生矩陣元素在行或列方向上的相似程度，因此，相關(guān)值大小反映了圖像中局部灰度相關(guān)性，計(jì)算公式為

式中：μ 表示樣本灰度均值；σ 表示樣本灰度標(biāo)準(zhǔn)差。

3）幾何特征。碼頭形狀多數(shù)呈現(xiàn)出矩形和“T”字型，具有獨(dú)特的幾何特征，因此，選用寬長(zhǎng)比 R 和矩形度 Pr 表征碼頭的幾何特征。寬長(zhǎng)比 R 為最小外接矩形的寬度和長(zhǎng)度之比，矩形度 Pr 為目標(biāo)圖像的面積和最小外接矩形的面積之比。通常，碼頭具有較小的寬長(zhǎng)比 R，因此劃分合適的閾值，便可以很好地提取出具有明顯線性特征的區(qū)域；Pr 反映的是目標(biāo)圖像與矩形的近似度，目標(biāo)的纖細(xì)彎曲度越大，Pr 的值越小。

在提取出多種特征后，為了減少數(shù)據(jù)冗余，提高數(shù)據(jù)可使用質(zhì)量，需將所有特征歸一化至（0，1]。

2.4 基于樣本的分類技術(shù)

為充分利用對(duì)象的多種特征，選用高斯徑向基核函數(shù)支持向量機(jī)（RBF-SVM），實(shí)現(xiàn)對(duì)高分辨率遙感影像的分類[15]。支持向量機(jī)是一種基于樣本的監(jiān)督分類器，通過(guò)在高維特征空間中依據(jù)核函數(shù)構(gòu)造最優(yōu)超平面即決策函數(shù)，實(shí)現(xiàn)二分類的方法。決策函數(shù)計(jì)算公式如下：

式中：K (xi，xj) 為核函數(shù)；(xi，yi) 表示測(cè)試集中的測(cè)試點(diǎn)；x 為訓(xùn)練后的標(biāo)準(zhǔn)化支持向量；λi為其所對(duì)應(yīng)的支持向量機(jī)的系數(shù)；b 為常數(shù)項(xiàng)。本研究選用高斯徑向基核函數(shù)，即：

式中：σ 表示樣本對(duì)整個(gè)分類超平面的影響，若 σ 較大，則樣本點(diǎn)對(duì)整個(gè)分類超平面影響距離比較遠(yuǎn)，容易被選擇為支持向量；反之，若 σ 較小，樣本對(duì)整個(gè)分類超平面的影響距離較近，則不容易被選擇為支持向量。

具體分類步驟如下：

1）步驟 1。對(duì)每個(gè)像元分別計(jì)算出多方向的光譜-紋理-幾何特征，并對(duì)特征進(jìn)行歸一化處理轉(zhuǎn)換為 libsvm 標(biāo)準(zhǔn)格式。

2）步驟 2。選定掩膜區(qū)域，對(duì)于目標(biāo)與非目標(biāo)對(duì)象組，分別選擇 10% 的遙感影像感興趣區(qū)域作為訓(xùn)練樣本。

3）步驟 3。選用高斯核函數(shù)將樣本轉(zhuǎn)化為核函數(shù)矩陣，并采用交叉驗(yàn)證的方法選擇懲罰參數(shù) C 和內(nèi)核參數(shù) γ。

4）步驟 4。利用所得到的最佳參數(shù) C 和 γ 對(duì)訓(xùn)練樣本進(jìn)行訓(xùn)練，得到最優(yōu) SVM 分類器。

5）步驟 5。利用步驟 4 訓(xùn)練后的最優(yōu)分類器對(duì)區(qū)域內(nèi)的遙感影像進(jìn)行分類，得到影像分類結(jié)果。

采用多類特征融合的基于樣本的分類器對(duì)碼頭進(jìn)行分類提取，圖 4 為 2 個(gè)時(shí)相的碼頭提取結(jié)果，T1時(shí)相碼頭提取結(jié)果用藍(lán)色表示，T2時(shí)相碼頭提取結(jié)果用綠色表示。

圖 4 2 個(gè)時(shí)相的碼頭提取結(jié)果

選用目視解譯的方式獲取該區(qū)域內(nèi)碼頭的真實(shí)感興趣區(qū)域，分別對(duì) 2 個(gè)時(shí)相分類結(jié)果進(jìn)行定量評(píng)價(jià)分析，具體情況如表 2 所示。

表 2 碼頭分類后正確性表

所提出的方法在選取的區(qū)域影像中都達(dá)到不錯(cuò)的分類效果，提取結(jié)果中未出現(xiàn)錯(cuò)誤預(yù)警，可將碼頭有效地分類提取。T1，T2時(shí)相的總體分類精度分別為 93.25%，84.26%。其中，T1中有 1 座碼頭未被提取出來(lái)，漏檢率為 5.88%，T2中有 2 座碼頭未被提取出來(lái)，漏檢率為 15.38%，實(shí)驗(yàn)中未被檢測(cè)出的碼頭如圖 5 所示，紅框內(nèi)為未提取出的碼頭。主要原因是高分影像中目標(biāo)對(duì)象的異質(zhì)性遠(yuǎn)高于對(duì)象內(nèi)部的同質(zhì)性，以及周圍船只等地物的干擾所致。

圖 5 實(shí)驗(yàn)中未被檢測(cè)出的碼頭

2.5 變化檢測(cè)結(jié)果及分析

對(duì) 2 個(gè)時(shí)相水域岸線的碼頭提取結(jié)果疊加分析變化情況，具體說(shuō)明如表 3 所示。

表 3 水域岸線上碼頭變化檢測(cè)情況說(shuō)明

如圖 6 所示，將變化檢測(cè)結(jié)果疊加于 T2時(shí)相中，因違章搭建的碼頭被拆除的數(shù)目為 8 座（紅色表示），新增碼頭數(shù)目為 3 座（綠色表示），未改變的碼頭數(shù)目為 8 座（藍(lán)色表示）。本研究提出的方法可有效地提取出水域岸線上的碼頭形態(tài)數(shù)目，盡可能地保留目標(biāo)對(duì)象的完整性，并能直觀地展現(xiàn)目標(biāo)對(duì)象的變化情況。

圖 6 水域岸線上碼頭變化檢測(cè)結(jié)果

3 結(jié)語(yǔ)

本研究聚焦全面推行河長(zhǎng)制任務(wù)關(guān)鍵技術(shù)研究應(yīng)用，以及行業(yè)“強(qiáng)監(jiān)管”的治水工作重點(diǎn)，針對(duì)全國(guó)河湖“清四亂”及河長(zhǎng)制六大任務(wù)要求，了解水域空間岸線管護(hù)中的碼頭目標(biāo)地物整治情況，研究快速準(zhǔn)確的目標(biāo)變化檢測(cè)技術(shù)。

選用覆蓋水域岸線多源多時(shí)相的高分辨率遙感影像作為實(shí)驗(yàn)區(qū)域，利用面向?qū)ο蠖喑叨确指罴夹g(shù)選取合適的閾值快速有效地對(duì)遙感影像進(jìn)行分割，緩解了部分過(guò)分割現(xiàn)象，融合目標(biāo)對(duì)象光譜、紋理及幾何結(jié)構(gòu)多種特征信息，采用支持向量機(jī)進(jìn)行地物分類，并依據(jù)分類結(jié)果對(duì)比分析該區(qū)域的目標(biāo)地物整治效果。實(shí)驗(yàn)成果表明，所提出的方法可在復(fù)雜的水域岸線環(huán)境中較準(zhǔn)確地將水域岸線上的碼頭目標(biāo)地物提取出來(lái)，并實(shí)現(xiàn)變化檢測(cè)分析。該方法在兩圖像之間的相對(duì)輻射矯正沒(méi)有依賴性，變化檢測(cè)的效果依賴于樣本特征的選取和分類的結(jié)果。研究成果可用于高效精確地檢測(cè)水域岸線的生態(tài)環(huán)境變化情況，并衡量水域岸線治理效果，有利于強(qiáng)化河湖水域岸線管理保護(hù)，量化分析河長(zhǎng)制工作成效。

后期將繼續(xù)探究本研究方法對(duì)河長(zhǎng)制中其他目標(biāo)地物變化檢測(cè)中的可行性，并針對(duì)漏提對(duì)象，需優(yōu)化特征信息，豐富訓(xùn)練樣本，繼續(xù)深入研究多樣自動(dòng)分類技術(shù)，選取更優(yōu)的分類器提高分類精度，拓寬本方法的適用性。