協(xié)同光學(xué)與雷達(dá)遙感數(shù)據(jù)的面向?qū)ο笸恋馗采w變化檢測(cè)

翟鵬飛，李世華,2※，胡月明,3,4

（1. 電子科技大學(xué)資源與環(huán)境學(xué)院，成都 611731；2. 電子科技大學(xué)長(zhǎng)三角研究院（湖州），湖州 313001；3. 海南大學(xué)熱帶作物學(xué)院，?？?570228；4. 廣州市華南自然資源科學(xué)技術(shù)研究院，廣州 510630）

0 引 言

社會(huì)的發(fā)展和人口的急劇增加導(dǎo)致人類對(duì)土地資源的需求也在不斷增長(zhǎng)，土地利用/覆蓋（Land use and Land cover）變化成為全球或區(qū)域變化領(lǐng)域的研究熱點(diǎn)[1-5]。遙感技術(shù)的快速進(jìn)步使得大面積數(shù)據(jù)獲取手段更加豐富，這對(duì)土地覆蓋變化檢測(cè)提出了更高的要求和挑戰(zhàn)。目前，國(guó)內(nèi)外很多學(xué)者利用光學(xué)數(shù)據(jù)提出了不同的方法并將這些方法應(yīng)用在像素級(jí)的變化檢測(cè)任務(wù)[3-4]?；谙裨姆椒ㄊ菍?duì)前、后時(shí)相的同一位置的像元進(jìn)行比較，通常采用差值或比值等代數(shù)運(yùn)算獲取差異影像，然后使用不同的閾值分割方法來(lái)確定該像元是否發(fā)生變化[6-7]，這對(duì)前、后時(shí)相遙感影像的配準(zhǔn)、輻射校正等預(yù)處理有著較高的要求，同時(shí)會(huì)使得檢測(cè)結(jié)果出現(xiàn)“椒鹽現(xiàn)象”。隨著影像空間分辨率逐漸提高，包括米級(jí)、亞米級(jí)數(shù)據(jù)的問(wèn)世，同一地物在影像中往往由多個(gè)相鄰像元組成，單個(gè)像元的光譜特性不足以反映相應(yīng)地物的光譜特征，而相鄰地物的像元多呈現(xiàn)一定的關(guān)聯(lián)性，同時(shí)，“同物異譜”或“同譜異物”的現(xiàn)象極大地影響了高分辨率變化檢測(cè)的精度。隨著基于地理對(duì)象的遙感影像分析方法的發(fā)展，針對(duì)對(duì)象的變化檢測(cè)方法以影像分割對(duì)象為基礎(chǔ)，以具有相似光譜和空間特征的影像對(duì)象作為基本處理單元，考慮了像元及其鄰域的光譜、幾何、紋理及空間上下文特征，能夠減少圖像配準(zhǔn)結(jié)果的影響，極大地提高了變化檢測(cè)的精度，成為高分辨率光學(xué)遙感影像變化檢測(cè)的研究重點(diǎn)[8-12]。

結(jié)合合成孔徑雷達(dá)（Synthetic Aperture Radar，SAR）數(shù)據(jù)和面向?qū)ο蠓椒ㄔ谕恋馗采w變化檢測(cè)研究中取得了良好的效果。尤紅建[13]采用基于方差的區(qū)域增長(zhǎng)算法實(shí)現(xiàn)多時(shí)相SAR 影像聯(lián)合分割，并計(jì)算斑塊的差異指數(shù)獲得變化檢測(cè)結(jié)果。張明哲等[14]使用簡(jiǎn)單線性迭代分割方法對(duì)單極化Radarsat-2 數(shù)據(jù)進(jìn)行分割，并融合像素和對(duì)象結(jié)果，通過(guò)眾數(shù)投票的方式獲得最終結(jié)果。Zhao 等[15]提出了利用圖像回歸的方式獲取變化差異圖，在超像素分割的基礎(chǔ)上利用C 均值聚類獲得檢測(cè)結(jié)果。以上研究中將影像分割算法直接應(yīng)用在SAR 數(shù)據(jù)上，然而由于SAR傳感器與光學(xué)傳感器不同，SAR 成像是主動(dòng)相干成像，成像機(jī)理復(fù)雜，且受斑點(diǎn)噪聲影響嚴(yán)重，各種圖像分割的方法在SAR 影像難以獲得良好的邊界，進(jìn)而影響后續(xù)的檢測(cè)結(jié)果，這使得不同時(shí)相的SAR 影像的變化檢測(cè)更具有挑戰(zhàn)性。同時(shí)利用SAR 數(shù)據(jù)進(jìn)行變化檢測(cè)多使用單極化或雙極化數(shù)據(jù)，也在一定程度上延緩了全極化SAR數(shù)據(jù)在土地覆蓋變化檢測(cè)應(yīng)用的發(fā)展。西南地區(qū)常年多云多雨，高質(zhì)量的光學(xué)影像數(shù)據(jù)通常難以獲取，而全極化SAR 傳感器重訪周期較長(zhǎng)，二者單獨(dú)應(yīng)用于土地覆蓋變化檢測(cè)任務(wù)難以滿足獲取高精度變化結(jié)果的要求。針對(duì)上述不足，提出一種協(xié)同光學(xué)與雷達(dá)遙感數(shù)據(jù)的面向?qū)ο笸恋馗采w變化檢測(cè)的方法，該方法在一定程度上避免了單一使用兩種數(shù)據(jù)的缺陷，充分發(fā)揮了二者的優(yōu)勢(shì)，為土地覆蓋變化檢測(cè)提供了一種新的范式。2 個(gè)樣區(qū)包括多種不同地物類型并且涵蓋了該地區(qū)多數(shù)的變化類型。所有數(shù)據(jù)都進(jìn)行了相關(guān)的預(yù)處理并基于光學(xué)數(shù)據(jù)進(jìn)行配準(zhǔn)。為了驗(yàn)證本文方法的可行性，選擇兩個(gè)試驗(yàn)區(qū)進(jìn)行抽樣檢驗(yàn)，樣區(qū)大小均為488×488，如圖2和圖3 所示。試驗(yàn)區(qū)數(shù)據(jù)如表1 所示。

表1 試驗(yàn)區(qū)數(shù)據(jù)詳情Table 1 Details of the experimental area data

1 材料與方法

1.1 研究區(qū)概況與數(shù)據(jù)

研究區(qū)位于四川省眉山市（ 30°08′25.31″～30°18′42.39″N，103°42′0.92″～103°53′50.92″E）。眉山市地處四川盆地西南邊緣，成都平原的西南部，是成都平原連通川南、川西的咽喉。眉山市轄二區(qū)四縣，境內(nèi)河網(wǎng)密集，主要有岷江和青衣江兩支水系。眉山市地處中低緯度，總體地勢(shì)西高東低，南高北低，屬中亞熱帶濕潤(rùn)季風(fēng)氣候，夏季溫潤(rùn)多雨，多種植水稻等糧食作物。隨著經(jīng)濟(jì)的發(fā)展，城市化建設(shè)的快速推進(jìn)，眉山市大量水稻種植區(qū)改種席草、果林等經(jīng)濟(jì)作物；部分裸地也隨著時(shí)間的推移施工完成，形成建設(shè)用地。

分別使用2019年Sentinel-2 光學(xué)數(shù)據(jù)和2016年、2019年全極化Radarsat-2 雷達(dá)數(shù)據(jù)，影像大小為2 000×2 000像元。圖1 中紅色和藍(lán)色框圖分別表示樣區(qū)一和樣區(qū)二。

1.2 研究方法

研究路線如圖4 所示，主要包括以下步驟。首先使用分型網(wǎng)絡(luò)演化分割算法對(duì)2019 年Sentinel-2 影像進(jìn)行分割，得到初始分割結(jié)果，然后對(duì)前、后時(shí)相Radarsat-2數(shù)據(jù)利用對(duì)數(shù)比值法獲得差異影像。利用初始分割過(guò)程中獲取的矢量邊界作為基準(zhǔn)，再次使用分型網(wǎng)絡(luò)演化分割算法對(duì)雷達(dá)差異影像進(jìn)行引導(dǎo)分割獲取最終分割結(jié)果；選取合適的變化與未變化樣本并提取樣本特征空間，將樣本間距離度量可分性特征空間優(yōu)化方法（Feature Space Optimization, FSO）結(jié)果與隨機(jī)森林（Random Forest，RF）分類器有機(jī)的結(jié)合構(gòu)成變化檢測(cè)框架（以下稱為FSO-RF），利用該框架獲取最終的檢測(cè)結(jié)果。

1.2.1 遙感影像分割

根據(jù)分割原理的不同，圖像分割方法分為自頂向下的區(qū)域分裂和自底向上的區(qū)域生長(zhǎng)法，本文采用的分割方法為Baatz 等[16]在2000 年提出的分型網(wǎng)絡(luò)演化分割算法（Fractal Net Evolution Approach, FNEA），該算法根據(jù)區(qū)域生長(zhǎng)的思想，基于圖像對(duì)象的光譜和幾何特征，由小對(duì)象逐步合并為較大的對(duì)象，并保證在不同對(duì)象中保持較大的異質(zhì)性。對(duì)象的異質(zhì)性由光譜異質(zhì)性和形狀異質(zhì)性確定，而緊致度因子和光滑度因子共同確定形狀異質(zhì)性。異質(zhì)性由以下公式定義：

對(duì)象的光滑度用來(lái)表示對(duì)象分割邊界的破碎程度，利用對(duì)象邊界的周長(zhǎng)l與近似邊界的長(zhǎng)度b的比值來(lái)表示。

式中hcolor_m、hcompact_m、hsmooth_m分別表示對(duì)象合并后的光譜異質(zhì)性、緊致度異質(zhì)性和光滑度異質(zhì)性，nobj1、nobj2、lobj1、lobj2、bobj1和bobj2分別表示合并前2 個(gè)影像對(duì)象的像元個(gè)數(shù)、對(duì)象邊界周長(zhǎng)以及對(duì)象的近似邊界長(zhǎng)度；nmerge、lmerge、bmerge分別表示影像合并后的像元個(gè)數(shù)、合并后對(duì)象邊界的周長(zhǎng)以及合并后對(duì)象的近似邊界的長(zhǎng)度。

分割尺度也是分割算法的重要參數(shù)，尺度是一個(gè)抽象的概念，它控制了分割過(guò)程中形成對(duì)象的大小和最終分割獲得的對(duì)象個(gè)數(shù)，尺度參數(shù)不同，對(duì)象的大小和個(gè)數(shù)也不同。隨著尺度參數(shù)的增加，分割獲得的對(duì)象越大，最終獲得的對(duì)象個(gè)數(shù)相應(yīng)越少。本文目的在于分割獲得的對(duì)象內(nèi)部應(yīng)僅包含變化或未變化像元，既要保證良好的分割邊界，又不要使得分割結(jié)果過(guò)于破碎。

遙感影像分割的理想結(jié)果是分割后，對(duì)象內(nèi)部具有較高的同質(zhì)性，而相鄰的不同對(duì)象間呈現(xiàn)良好的異質(zhì)性[17]，并且已有研究表明，基于對(duì)象的方法能更好的抑制SAR 影像相干斑噪聲對(duì)圖像信息的破壞[18]。本文使用對(duì)數(shù)比值法獲得雷達(dá)差異影像，該方法相較差值法、比值法能夠更好的抑制噪聲[19-21]。利用分型網(wǎng)絡(luò)演化分割算法對(duì)Sentinel-2進(jìn)行分割，分割的結(jié)果由波段權(quán)重、尺度參數(shù)、形狀參數(shù)和緊致度構(gòu)成。由于所選的研究區(qū)土地覆蓋類型復(fù)雜多樣，地物十分破碎，經(jīng)過(guò)多次試驗(yàn)將Sentinel-2 影像的各波段權(quán)重設(shè)置為1，分割尺度設(shè)置為50，形狀參數(shù)設(shè)置為0.2，緊致度因子設(shè)置為0.3，并以初始分割結(jié)果最為基準(zhǔn)引導(dǎo)雷達(dá)差異影像進(jìn)行二次分割獲得最終的分割結(jié)果。

1.2.2 距離度量可分性特征空間優(yōu)化

遙感影像經(jīng)過(guò)分割形成對(duì)象后能夠提供更加豐富的特征，包括光譜、紋理、形狀、空間上下文等特征，可以充分利用這些特征來(lái)提高變化檢測(cè)的精度。由于特征信息的冗余等因素，當(dāng)特征的數(shù)量增加到一定程度時(shí)，變化檢測(cè)的精度不僅不會(huì)繼續(xù)增加，甚至有可能降低[10]，因此有必要對(duì)提取的特征空間進(jìn)行優(yōu)化，以獲取最佳的特征集合進(jìn)行變化檢測(cè)任務(wù)。距離度量可分性特征空間優(yōu)化方法的步驟和基本思想為選取可靠的變化、未變化樣本并提取相應(yīng)特征構(gòu)建特征空間，其次在各個(gè)特征子空間中計(jì)算變化、未變化的樣本可分距離，理論上可分距離越大則表明二者差異越大，可分性越好。對(duì)每一個(gè)維度所有樣本的距離進(jìn)行比較，獲得每個(gè)維度的最大值，代表該維度空間下的最佳可分距離，然后比較每個(gè)維度的最大值，這些值中的最大可分距離，其所代表的特征組合即為最優(yōu)的特征組合。變化與未變化類的可分距離由下式定義：

式中dmax表示在最優(yōu)特征空間下的最大可分距離。

使用距離度量可分性特征空間優(yōu)化的方法來(lái)尋找變化檢測(cè)任務(wù)的最優(yōu)特征空間。本文依據(jù)HH、HV、VV 三種極化方式，F(xiàn)reeman-Durden 分解獲得的雙次散射（double-bounce scattering，dbl）、體散射（volume scattering，vol）和表面散射（surface scattering，surf）參數(shù)以及Pauli 分解獲得的Pauli_r、Pauli_g 和Pauli_b 參數(shù)來(lái)計(jì)算后續(xù)所要提取的特征。在選取置信度較高的變化與未變化樣本后，提取樣本的特征，包括HH、HV、VV后向散射均值和標(biāo)準(zhǔn)差，Pauli 分解參數(shù)的對(duì)象均值和標(biāo)準(zhǔn)差以及Freeman-Durden 分解參數(shù)的對(duì)象均值和對(duì)象標(biāo)準(zhǔn)差，同時(shí)根據(jù)Haralick 提出的灰度共生矩陣（Gray-level Co-occurrence Matrix,GLCM）提取紋理特征[22]，本文利用同質(zhì)性（Homogeneity）、對(duì)比度（Contrast）、熵（Entropy）、均值（Mean）、標(biāo)準(zhǔn)差（Standard Deviation）和相關(guān)性（Correlation）6 種紋理特征。利用灰度共生矩陣可以按照不同方向進(jìn)行掃描求得對(duì)應(yīng)參數(shù)的值，包括0°、45°、90°以及135°，本文按照所有方向掃描并求取均值的方式求得對(duì)應(yīng)紋理特征的值，共提取72 維特征如表2 所示。

表2 特征參數(shù)變量Table 2 Characteristic parameter variables

根據(jù)式（8）～（10）計(jì)算各維度特征子空間的變化、未變化樣本的可分距離，并在各個(gè)維度中獲取該維度的最大值，這些值中的最大可分距離所代表的特征組合即代表最佳特征組合。

1.2.3 隨機(jī)森林面向?qū)ο笞兓瘷z測(cè)方法

隨機(jī)森林（Random Forest）是近年發(fā)展起來(lái)的一種機(jī)器學(xué)習(xí)模型，由Breiman[23]首先提出。由于其可以適用于高維特征樣本和大的數(shù)據(jù)集上，因此已經(jīng)廣泛應(yīng)用于遙感領(lǐng)域，并且在分類和土地覆蓋變化檢測(cè)的任務(wù)上獲得了良好的效果[10,11,24]。隨機(jī)森林的本質(zhì)屬于集成學(xué)習(xí)，該模型的理論基礎(chǔ)是決策樹(shù)，它由不同的決策樹(shù)進(jìn)行組合，最終的結(jié)果根據(jù)每棵決策樹(shù)生成的結(jié)果進(jìn)行投票產(chǎn)生最優(yōu)的分類結(jié)果。在隨機(jī)森林中，誤差估計(jì)是在訓(xùn)練過(guò)程中進(jìn)行的，訓(xùn)練數(shù)據(jù)根據(jù)Bootstrap 重采樣獲得不同的訓(xùn)練集，利用這些不同的訓(xùn)練集分別構(gòu)造決策樹(shù)；在采樣過(guò)程中使用Bagging 的原理，同一個(gè)樣本可以被多次選擇，而其他樣本可能沒(méi)有被選擇，大約由三分之一的樣本沒(méi)有被用于每個(gè)決策樹(shù)的構(gòu)建，這些樣本用來(lái)測(cè)試以獲得袋外誤差（Out of Bag ,OOB）估計(jì)。

在初始樣本選擇時(shí)，規(guī)定以下樣本選擇原則：假設(shè)在分割對(duì)象內(nèi)部共有Nn個(gè)像元，其中屬于變化的像元個(gè)數(shù)為Nc，屬于未變化的像元為Nu，顯然Nn=Nc+Nu。定義對(duì)象內(nèi)部變化率μ如下：

當(dāng)μ=0，表示對(duì)象內(nèi)部均為未變化像元，則該對(duì)象選擇為未變化樣本，當(dāng)μ=1，則表示對(duì)象內(nèi)部均為變化樣本，相應(yīng)的選擇為變化樣本。當(dāng)μ>80%或μ<20%時(shí)，在該置信區(qū)間選擇置信度較高的變化與未變化樣本。圖5 為置信度較高的變化與未變化樣本示意圖。

1.2.4 檢驗(yàn)方法

為了驗(yàn)證所提方法的有效性，有必要對(duì)變化檢測(cè)結(jié)果進(jìn)行定量的精度驗(yàn)證，本文在引入混淆矩陣后采用準(zhǔn)確率（Accuracy）、召回率（Recall）、F1、錯(cuò)分誤差（Commission Errors, CE）和漏分誤差（Omission Errors,OE）進(jìn)行精度評(píng)價(jià)。

準(zhǔn)確率表示正、負(fù)類別均被正確分類的概率。

式中TP 表示將正類預(yù)測(cè)為正類數(shù)量；TN 表示將負(fù)類預(yù)測(cè)為負(fù)類數(shù)量；FP 表示將負(fù)類預(yù)測(cè)為正類數(shù)量；FN 表示將正類預(yù)測(cè)為負(fù)類的數(shù)量。

2 結(jié)果與分析

2.1 面向?qū)ο蠓指?/h3>

以樣區(qū)一為例進(jìn)行對(duì)比試驗(yàn)，將分割算法直接應(yīng)用于雷達(dá)差異影像，并將分割結(jié)果套合于光學(xué)影像用于可視化對(duì)比分析如圖6 所示。圖6a、6b 分別表示對(duì)光學(xué)數(shù)據(jù)分割和利用光學(xué)數(shù)據(jù)引導(dǎo)SAR 影像分割；圖6c 是直接將分割算法應(yīng)用于雷達(dá)差異圖，將分割結(jié)果套合于光學(xué)影像如圖6d。

將圖6a 中紅色框圖內(nèi)區(qū)域的分割細(xì)節(jié)作為展示如圖7，重點(diǎn)關(guān)注圖7 中白色框圖內(nèi)的地物，其內(nèi)部地物類型由草地變化為建設(shè)用地。根據(jù)分割算法獲得的分割結(jié)果來(lái)看，無(wú)論是直接對(duì)SAR 影像分割還是利用光學(xué)影像引導(dǎo)SAR 影像分割都可以正確提取變化的范圍，但是后者可以在雷達(dá)差異圖中獲得良好的地物邊界，獲取更加精細(xì)的變化地理實(shí)體，并且針對(duì)變化劇烈的區(qū)域分割對(duì)象內(nèi)部獲取了盡可能多的變化或未變化像元。

2.2 FSO-RF 變化檢測(cè)框架結(jié)果分析

在選取置信度較高的變化和未變化樣本后，依據(jù)選的樣本計(jì)算樣本各維度特征的可分距離如表3 所示，表中顯示了各維度樣本可分距離大小和具體的特征參數(shù)，以一維、二維特征為例，樣本特征一維空間中GLCM Con_surf 特征使得72 個(gè)一維特征的變化、未變化樣本的可分距離最大，因此它的距離代表了一維特征空間的可分距離。樣本特征二維空間中GLCM Con_surf 與GLCM Mea_dbl 特征在各個(gè)二維特征組合中獲得了最大的可分距離，因此它代表了二維特征空間的可分距離，其余同理。最終在第45 維空間中獲得最大可分距離，理論上該距離所代表的特征空間即為本次任務(wù)的最佳特征組合。

表3 各維度特征可分距離Table 3 Separable distances for each dimensional feature

圖8 直觀地展示了樣本特征距離可分性大小隨著特征數(shù)量增加的變化趨勢(shì)，隨著特征的增加，樣本間的可分距離先增加，并在第45 維特征空間獲得了最大的可分距離，隨后可分距離減小，在一定程度上表明了更多的特征不一定全部有益于變化檢測(cè)，也凸顯了特征優(yōu)選的必要性。

為了驗(yàn)證距離度量可分性特征空間優(yōu)化方法的有效性并實(shí)現(xiàn)FSO-RF 變化檢測(cè)框架，本文將提取的特征按照維度由小到大的方式根據(jù)樣本間可分距離的計(jì)算結(jié)果正序的將各維度的特征輸入到隨機(jī)森林分類器中，獲取各維度特征下變化檢測(cè)結(jié)果的準(zhǔn)確率如圖9 所示。準(zhǔn)確率的總體變化趨勢(shì)與不同維度的可分距離的計(jì)算結(jié)果基本吻合，同時(shí)在第 41 維特征獲得了最高的準(zhǔn)確率為92.90%，此時(shí)的樣本類間可分距離為1.653，在一定程度上證明距離度量可分性特征空間優(yōu)化方法的有效性。

2.3 精度評(píng)價(jià)與討論

本文采用像素的對(duì)數(shù)比值法獲得雷達(dá)影像差異圖，然后根據(jù)分型網(wǎng)絡(luò)演化分割方法對(duì)光學(xué)影像進(jìn)行分割，并利用該分割結(jié)果引導(dǎo)雷達(dá)差異圖進(jìn)行分割獲得最終分割結(jié)果。選取置信度較高的變化與未變化樣本并提取樣本特征，利用本文提出的FSO-RF 框架獲得最終的變化檢測(cè)結(jié)果。

將本文的方法與基于雷達(dá)差異影像分割的方法、變化向量分析（Change Vector Analysis, CVA）、主成分分析（Principal Component Analysis, PCA）、多元變化檢測(cè)（Multivariate Alteration Detection, MAD）、迭代多元變化檢測(cè)（ Iteration Multivariate Alteration Detection,IR-MAD）、以及基于像元的支持向量機(jī)（Support Vector Machines, SVM）和隨機(jī)森林（Random Forest, RF）的方法進(jìn)行對(duì)比分析。其中基于雷達(dá)差異影像分割的方法將分型網(wǎng)絡(luò)演化分割方法直接應(yīng)用于雷達(dá)差異影像，尺度參數(shù)設(shè)置為7，形狀因子和緊致度因子分別設(shè)置為0.1 和0.4，根據(jù)1.2.3 節(jié)樣本選擇原則選擇置信樣本并提取1.2.2節(jié)所示特征后，根據(jù)本文提出的FSO-RF 變化檢測(cè)流程框架獲得變化檢測(cè)結(jié)果；CVA 方法是根據(jù)計(jì)算前、后時(shí)相SAR 影像的特征的歐式距離獲得變化結(jié)果；PCA 方法是在對(duì)特征進(jìn)行降維，選取貢獻(xiàn)度前75%的特征，然后利用CVA 獲得變化檢測(cè)結(jié)果；IR-MAD 是在MAD 的基礎(chǔ)上改進(jìn)，根據(jù)卡方距離進(jìn)行加權(quán)迭代，最大迭代次數(shù)Max Iteration 設(shè)置為100，變化收斂閾值Delta Criterion 設(shè)置為0.001；隨機(jī)森林和支持向量機(jī)方法是在選擇像素級(jí)的變化與未變化樣本進(jìn)行分類獲得變化檢測(cè)結(jié)果。

同時(shí)，為了更直觀地顯示變化檢測(cè)任務(wù)的結(jié)果，對(duì)樣區(qū)一和樣區(qū)二進(jìn)行定性和定量的分析。圖10 和圖11分別展示了2 個(gè)樣區(qū)的變化檢測(cè)結(jié)果。各種方法的精度評(píng)價(jià)結(jié)果如表4 所示。圖10a 和11a 是根據(jù)高分辨率遙感影像進(jìn)行目視解譯結(jié)合實(shí)地考察繪制的參考變化結(jié)果。

表4 不同方法下變化檢測(cè)精度評(píng)價(jià)Table 4 Accuracy evaluation of change detection between different methods %

從整體以及2 個(gè)樣區(qū)的變化檢測(cè)結(jié)果和精度可以發(fā)現(xiàn)：

1）無(wú)論是傳統(tǒng)經(jīng)典的基于像元的變化檢測(cè)方法還是有監(jiān)督的SVM 和RF 方法，在研究區(qū)數(shù)據(jù)的變化檢測(cè)結(jié)果精度都相對(duì)較低。這些方法在檢測(cè)過(guò)程中只使用了前、后時(shí)相影像的后向散射特征和兩種極化分解特征；更重要的原因在于即使采用了濾波的處理手段，SAR 影像的相干噪聲也不能完全去除，這些斑點(diǎn)噪聲在前、后時(shí)相的差異計(jì)算中以相應(yīng)特征的形式干擾算法的計(jì)算，導(dǎo)致針對(duì)SAR 影像基于像元的方法會(huì)造成大量的椒鹽噪聲，對(duì)于變化劇烈的區(qū)域也難以獲得良好的邊界。同時(shí)也發(fā)現(xiàn)，改進(jìn)后的IR-MAD 相較MAD 或者其他兩種無(wú)監(jiān)督的變化檢測(cè)方法在檢測(cè)結(jié)果上會(huì)減少大量的孤點(diǎn)；總體而言，有監(jiān)督的SVM 和RF 對(duì)無(wú)監(jiān)督的經(jīng)典變化檢測(cè)方法在精度上有不同幅度的提升。

2）基于雷達(dá)差異影像分割的方法在各項(xiàng)精度評(píng)價(jià)指標(biāo)下大幅度提高了變化檢測(cè)的精度，同時(shí)，利用對(duì)象分割可以極大程度的改善基于像元方法的椒鹽噪聲現(xiàn)象。然而，由于雷達(dá)成像原理與光學(xué)傳感器成像有著本質(zhì)的區(qū)別，分型網(wǎng)絡(luò)演化分割方法不能分割出地物的邊界，進(jìn)而難以獲得良好的變化檢測(cè)結(jié)果。根據(jù)圖10h、圖11h也可以發(fā)現(xiàn)，檢測(cè)結(jié)果僅能粗略地提取變化的大致范圍，而難以獲取細(xì)致、真實(shí)地理實(shí)體的變化結(jié)果。

3）2 個(gè)樣區(qū)結(jié)果在精度上有一定差異，樣區(qū)一和樣區(qū)二的準(zhǔn)確率分別為95.08%和88.16%，原因在于初始分割僅使用了后時(shí)相光學(xué)數(shù)據(jù)。針對(duì)樣區(qū)一，前后時(shí)相的土地類型相差較大，多為建筑裸地或荒草地向建設(shè)用地轉(zhuǎn)變，因此分割形成了不同的土地覆蓋類型對(duì)象，進(jìn)而分割對(duì)象內(nèi)包含了變化或未變化像元；針對(duì)樣區(qū)二，精度相對(duì)較低的原因在于不同類型的農(nóng)用地的轉(zhuǎn)變過(guò)程，樣區(qū)二后時(shí)相農(nóng)用地多種植為果林或成片的席草等經(jīng)濟(jì)作物，在使用后時(shí)相光學(xué)數(shù)據(jù)分割時(shí)，盡管已經(jīng)考慮到目的是為了獲取的對(duì)象內(nèi)部應(yīng)僅包含變化或未變化像元，但是為保證對(duì)象內(nèi)部的同質(zhì)性以及盡量不將地物分割的過(guò)于破碎，將成片狀的經(jīng)濟(jì)作物分割為同一對(duì)象，而對(duì)于前一時(shí)相，該對(duì)象內(nèi)部存在其他地物類型，如水稻等糧食作物，因此分割對(duì)象內(nèi)部未獲得盡可能多的變化或未變化像元導(dǎo)致在樣區(qū)二精度低于樣區(qū)一。

4）本文使用距離度量可分性特征空間優(yōu)化方法對(duì)提取的72 維特征進(jìn)行優(yōu)化并在第45 維特征中獲得最大可分距離，在驗(yàn)證的過(guò)程中表明第41 維特征中獲得了最佳的變化檢測(cè)結(jié)果。但是利用高維度特征在實(shí)際的變化檢測(cè)應(yīng)用中復(fù)雜且繁瑣，而且本文方法可以計(jì)算出具體的可分距離的大小，并且在文中驗(yàn)證了可分距離與準(zhǔn)確率的變化曲線基本吻合，因此可以利用可分距離大小的變化曲線，選取可分距離大小排名靠前的對(duì)應(yīng)的特征或者設(shè)定當(dāng)可分距離的增長(zhǎng)率第一次小于某閾值時(shí)，選擇當(dāng)前維度特征進(jìn)行變化檢測(cè)來(lái)指導(dǎo)實(shí)際的變化檢測(cè)應(yīng)用。

5）本文將面向?qū)ο蟮乃枷肱c隨機(jī)森林算法相結(jié)合，利用分型網(wǎng)絡(luò)演化分割的方法對(duì)光學(xué)影像分割并引導(dǎo)分割雷達(dá)差異影像以獲取擁有良好、真實(shí)的地理邊界分割結(jié)果；同時(shí)，針對(duì)提取的多維特征根據(jù)各維度特征樣本的特征距離進(jìn)行特征空間優(yōu)化，驗(yàn)證了距離度量可分性特征空間優(yōu)化的方法進(jìn)而獲得良好的變化檢測(cè)結(jié)果，各項(xiàng)精度指標(biāo)均高于對(duì)比方法，準(zhǔn)確率為92.90%，召回率為96.61%，F(xiàn)1 為96.07，錯(cuò)分誤差和漏分誤差分別為4.47%和3.39%，進(jìn)一步證明了該方法的有效性和可行性。

綜上所述，在多云多雨地區(qū)應(yīng)用有限的光學(xué)數(shù)據(jù)引導(dǎo)雷達(dá)影像分割進(jìn)而采用隨機(jī)森林算法進(jìn)行面向?qū)ο蟮耐恋馗采w變化檢測(cè)研究是可行的，這種方法不僅能有效地發(fā)揮光學(xué)數(shù)據(jù)豐富光譜信息的優(yōu)勢(shì)，在引導(dǎo)雷達(dá)影像分割時(shí)能夠獲得良好的真實(shí)地物邊界，同時(shí)能將SAR 影像所提供豐富的極化信息有機(jī)的相結(jié)合來(lái)獲取良好的變化檢測(cè)結(jié)果。

3 結(jié) 論

本文提出了一種基于隨機(jī)森林算法的FSO-RF 土地覆蓋變化檢測(cè)算法框架，該框架以光學(xué)影像引導(dǎo)SAR 數(shù)據(jù)分割為基礎(chǔ)獲取良好的真實(shí)地物邊界，在選擇置信樣本提取多維特征空間后，驗(yàn)證了變化檢測(cè)結(jié)果精度與不同維度的特征之間的關(guān)系，并將距離度量可分性特征空間優(yōu)化方法和隨機(jī)森林算法相結(jié)合構(gòu)建FSO-RF 變化檢測(cè)算法框架，該算法框架能夠有效、準(zhǔn)確地提取變化區(qū)域，在實(shí)驗(yàn)區(qū)的總體精度達(dá)到92.90%，錯(cuò)分誤差和漏分誤差分別為4.47%和3.39%，相較于現(xiàn)有變化檢測(cè)算法的精度有一定的提升。