遙感影像動(dòng)態(tài)變化監(jiān)測關(guān)鍵技術(shù)探討

文金花 李靖霞

摘 要 隨著遙感影像數(shù)據(jù)的廣泛應(yīng)用，遙感影像數(shù)據(jù)更新頻率越來越快，如何快速發(fā)現(xiàn)影像中地物變化成為一項(xiàng)重要的工作。由于數(shù)據(jù)量大，人工判讀方法不能滿足工作需要。文章陳述了變化檢測的總體流程、SLIC超像素分割算法和隨機(jī)森林分類方法，通過遙感影像變化動(dòng)態(tài)檢測工具開發(fā)，輸入兩期遙感影像可自動(dòng)識別并標(biāo)注變化區(qū)域，同時(shí)輸出變化區(qū)域地類的變化過程，實(shí)現(xiàn)重點(diǎn)區(qū)域的重點(diǎn)監(jiān)控，準(zhǔn)確快速發(fā)現(xiàn)地類的變化，從而全面了解地表自然地物的變化過程。遙感影像分割尺度和質(zhì)量及選擇的分類算法，對地類識別起決定性作用。

關(guān)鍵詞 遙感影像;超像素分割;隨機(jī);森林分類;動(dòng)態(tài)檢測

中圖分類號：S771.8 ? ? ? 文獻(xiàn)標(biāo)識碼：A ? doi：10.13601/j.issn.1005-5215.2021.02.026

遙感動(dòng)態(tài)監(jiān)測是從同一地區(qū)在不同時(shí)間或不同條件的遙感圖像中，識別和量化地表變化的類型、空間分布情況和變化量[1]。地表變化分為2種：轉(zhuǎn)化是土地從一種土地覆蓋類型向另一種類型轉(zhuǎn)化，也稱為“絕對變化”;改變是土地覆蓋類型的內(nèi)部條件（結(jié)構(gòu)和功能）發(fā)生變化，也稱“相對變化”。

本文通過遙感影像變化動(dòng)態(tài)檢測工具開發(fā)，實(shí)現(xiàn)了重點(diǎn)區(qū)域的重點(diǎn)監(jiān)控，準(zhǔn)確快速發(fā)現(xiàn)地類的變化，從而全面了解地表自然地物的變化過程。

1 遙感動(dòng)態(tài)監(jiān)測過程

遙感動(dòng)態(tài)監(jiān)測過程分為數(shù)據(jù)預(yù)處理、變化信息檢測和變化信息提取三步。數(shù)據(jù)預(yù)處理就是排除圖像因以下因素產(chǎn)生的差異信息：傳感器類型的差異、采集日期和時(shí)間的差異、圖像像元單位的差異、像素分辨率的差異、大氣條件的差異和圖像配準(zhǔn)的精度。變化信息檢測首先使用基于超像素分割的隨機(jī)森林分類法來對兩期影像進(jìn)行分類，再對分類結(jié)果進(jìn)行比較[2]。變化信息提取通過比較結(jié)果進(jìn)行統(tǒng)計(jì)分析。

為了獲取多時(shí)相遙感影像的變化分布和變化過程，采取基于超像素的分類方法，主要步驟如下：

（1）對2個(gè)不同時(shí)相的衛(wèi)星數(shù)據(jù)做SLIC超像素分割，獲得超像素分割結(jié)果;

（2）對生成的超像素提取特征，提取的特征分為兩大類，分別為光譜特征和紋理特征;

（3）根據(jù)歷史標(biāo)記數(shù)據(jù)訓(xùn)練得到隨機(jī)森林分類模型;

（4）根據(jù)超像素的特征對超像素進(jìn)行隨機(jī)森林分類，分別獲得2個(gè)時(shí)相的分類結(jié)果;

（5）將2個(gè)時(shí)相的分類結(jié)果進(jìn)行疊加，獲得最終的變化檢測結(jié)果。

本方案的優(yōu)點(diǎn)在于：（1）使用的SLIC超像素分割算法效率高;（2）與基于像素的分類方法相比，基于超像素的分類可以大大減少分類時(shí)間;（3）與基于對象的分類方法相比，不需要大量的試驗(yàn)分割參數(shù)，基本沒有欠分割現(xiàn)象，減少了因?yàn)榍贩指顚?dǎo)致的誤分類;（4）基于分類的變化檢測可以準(zhǔn)確地檢測出不同時(shí)相地類的變化過程，有利于后續(xù)的利用。技術(shù)路線如圖1所示。

2 SLIC超像素分割

SLIC算法實(shí)質(zhì)上是根據(jù)相似度將像素聚合為一個(gè)個(gè)超像素，這是一個(gè)聚類的過程，也正是SLIC算法的核心。SLIC算法對像素的聚類過程和K-Means算法很相像。K-Means是一種常用的聚類算法，算法以樣本到聚類中心的距離來判定對象間的相似性[3]。K-Means算法的主要流程有：

（1）初始化K個(gè)聚類中心;

（2）計(jì)算樣本到每個(gè)聚類中心的距離，并根據(jù)距離的大小將樣本歸類到最近的聚類之中;

（3）通過重新計(jì)算特征值更新聚類中心;

（4）迭代（2）（3），當(dāng)滿足給定條件時(shí)算法結(jié)束。

SLIC算法的聚類過程與K-Means算法的不同點(diǎn)在于，SLIC算法采用的是局部性的K-Means算法，在有限的區(qū)域內(nèi)進(jìn)行對象搜索和聚類。

如圖2所示，標(biāo)準(zhǔn)的K-Means算法會(huì)搜索圖像中的所有像素，并計(jì)算每個(gè)像素到每個(gè)聚類中心的距離，這大大增加了算法的計(jì)算量。由于像素灰度具有局部相似性，在一個(gè)限定范圍內(nèi)的像素更可能屬于同一個(gè)超像素集群;而空間距離很遠(yuǎn)的像素屬于同一個(gè)集群的可能性很低?；谶@一點(diǎn)，SLIC修改了聚類的搜索范圍，如圖3所示，搜索范圍從整幅圖像限定到了超像素本身大小S的2倍區(qū)域 （2S） 內(nèi)，這一改變在不降低分割準(zhǔn)確性的基礎(chǔ)上大大提高了算法的運(yùn)行速度和效率。

SLIC算法的運(yùn)算流程主要分為以下8個(gè)步驟：

（1）初始化超像素個(gè)數(shù)k和緊致度m，這兩個(gè)參數(shù)由人為手動(dòng)輸入。m的大小將影響顏色差異和空間差異在像素相似性計(jì)算上的權(quán)重，算法作者指出m取10時(shí)可以取得不錯(cuò)的分割效果，在實(shí)驗(yàn)時(shí)一般都默認(rèn)設(shè)定為10。

（2）獲取圖像和像素信息。

（3）將圖像轉(zhuǎn)換到Lab顏色空間，保存每個(gè)像素的空間信息和顏色信息。

（4）根據(jù)輸入的超像素個(gè)數(shù)計(jì)算超像素大小和種子點(diǎn)的間距，并初始化種子點(diǎn)，初始時(shí)種子點(diǎn)為均勻分布。此時(shí)有些種子點(diǎn)可能會(huì)處于圖像的邊緣，為了避免其對后續(xù)處理的干擾需要將種子點(diǎn)向以它為中心的3×3范圍內(nèi)梯度最小的位置移動(dòng)。將移動(dòng)后的種子點(diǎn)作為聚類的中心。

（5）使用局部K均值算法進(jìn)行聚類，以生成超像素。在進(jìn)行局部K均值聚類時(shí)需要計(jì)算局部區(qū)域像素到聚類中心的距離。

（6）對聚類中像素的每一維特征的計(jì)算均值，將其作為該聚類中心點(diǎn)的特征值，并更新聚類的中心點(diǎn)。

（7）迭代上述（5）（6）的過程。算法作者指出迭代 10次可以得到比較好的效果，因此迭代次數(shù)默認(rèn)設(shè)為10。

（8）對圖像進(jìn)行后續(xù)處理，包括將獨(dú)立像素點(diǎn)劃分到最鄰近的超像素等。

3 隨機(jī)森林分類

隨機(jī)森林算法是一種基于集成學(xué)習(xí)思想的機(jī)器學(xué)習(xí)算法，傳統(tǒng)的機(jī)器學(xué)習(xí)分類算法大多是單分類器模型，如支持向量機(jī)算法，隨著數(shù)據(jù)量的急速增長和多樣化，這種傳統(tǒng)的單分類器算法就面臨著性能瓶頸的問題[4]。因此通過組合或者聚集多個(gè)分類器來提高分類的準(zhǔn)確率，這種方法即為機(jī)器學(xué)習(xí)中的集成學(xué)習(xí)方法。

決策樹是一種業(yè)界和學(xué)界廣泛使用的機(jī)器學(xué)習(xí)算法。決策樹比較適合對離散型的數(shù)據(jù)進(jìn)行分類，算法思想簡單、方便使用并且運(yùn)行高效，但是決策樹在處理不完整數(shù)據(jù)時(shí)容易出現(xiàn)過度分割或者過度擬合的問題，導(dǎo)致最終的分類結(jié)果不佳[5]。因此，單單使用決策樹算法來解決分類問題具有很大的局限性。

對決策樹進(jìn)行組合需要使用集成學(xué)習(xí)的方法。最初集成學(xué)習(xí)的提出就是為了解決決策系統(tǒng)準(zhǔn)確率低下的問題，如今集成學(xué)習(xí)已經(jīng)能夠解決機(jī)器學(xué)習(xí)的大多數(shù)問題[6]。圖4展示了集成學(xué)習(xí)的基本模型，首先是從樣本集中選取采樣集提供給多個(gè)弱個(gè)體學(xué)習(xí)器進(jìn)行訓(xùn)練;每個(gè)弱個(gè)體學(xué)習(xí)器產(chǎn)生不同的學(xué)習(xí)結(jié)果;最后對多個(gè)學(xué)習(xí)結(jié)果進(jìn)行組合，從而構(gòu)成一個(gè)強(qiáng)學(xué)習(xí)器。

隨機(jī)森林選用決策樹作為基礎(chǔ)的個(gè)體學(xué)習(xí)器，通過集成方式來構(gòu)建強(qiáng)學(xué)習(xí)器。圖5展示了隨機(jī)森林算法的分類模型。

D是樣本集，經(jīng)過隨機(jī)化選擇生成n個(gè)訓(xùn)練樣本集D1-Dn，每個(gè)訓(xùn)練樣本集經(jīng)過一棵決策樹的學(xué)習(xí)和訓(xùn)練分別得到一個(gè)分類器;進(jìn)行分類時(shí)，每棵決策樹將得到一個(gè)分類結(jié)果;經(jīng)過投票得到最優(yōu)的分類結(jié)果。

在進(jìn)行隨機(jī)化選擇時(shí)，隨機(jī)森林采取有放回的方式來選取樣本。令原始樣本集D中樣本的個(gè)數(shù)為N，那么在構(gòu)造每個(gè)訓(xùn)練集（子樹）時(shí)，隨機(jī)森林將對原始樣本集進(jìn)行N次有放回的隨機(jī)選取，最終每個(gè)訓(xùn)練集中樣本的個(gè)數(shù)也為N，這種隨機(jī)采樣的方式也叫作bootstrap sample。因?yàn)槭怯蟹呕氐碾S機(jī)選取，所以必然存在有的訓(xùn)練集不包含所有樣本，有的訓(xùn)練集包含多個(gè)同一樣本的情況。之所以這樣做是因?yàn)殡S機(jī)森林算法希望每個(gè)子樹都與其他子樹存在差別，那么各個(gè)子樹將產(chǎn)生不同的分類結(jié)果，綜合這些分類結(jié)果得到的最終結(jié)果也就更加具有可靠性，使得算法具有更強(qiáng)的預(yù)測能力。

每個(gè)決策樹都會(huì)產(chǎn)生一個(gè)分類結(jié)果，對分類結(jié)果的綜合處理直接關(guān)系到最終結(jié)果的準(zhǔn)確性。隨機(jī)森林采用了“投票”的方式，以簡單的多數(shù)投票法決定最終的結(jié)果。即每個(gè)決策樹對最終結(jié)果都具有一票的投票權(quán)，如果某一個(gè)分類結(jié)果的得票數(shù)最多，那么這一結(jié)果即成為算法的最終分類結(jié)果，

用于訓(xùn)練和分類的特征是多維的，包含多個(gè)分量，隨機(jī)森林算法在進(jìn)行訓(xùn)練的過程中可以對特征分量的重要性進(jìn)行計(jì)算和評價(jià)，由此可以判斷出哪一個(gè)特征分量對分類更加重要以及分類結(jié)果對哪一個(gè)特征分量更敏感。特征的計(jì)算一般來說是一個(gè)非常費(fèi)時(shí)的過程，去掉重要性低的特征分量對提高算法的效率非常重要，因此隨機(jī)森林算法的這一特性對于特征的選擇也提供了很大的幫助[7]。

隨機(jī)森林算法可概括為劃分訓(xùn)練樣本、訓(xùn)練決策樹和分類3個(gè)過程，具體流程如下：

（1）對于每棵決策樹，使用bootstrap方法從原始樣本集中進(jìn)行N次有放回的采樣，選取N個(gè)樣本作為訓(xùn)練集，其中N為原始樣本集的大?。颖镜膫€(gè)數(shù)）;

（2）重復(fù)步驟（1），構(gòu)建出m個(gè)訓(xùn)練集，m由人為指定，每一個(gè)訓(xùn)練集用于生成一棵決策樹;

（3）對于每一個(gè)訓(xùn)練集，從全部n個(gè)特征分量中隨機(jī)選取一部分（一般為log2n）作為一個(gè)特征子集，再從這個(gè)特征子集中選擇一個(gè)最優(yōu)的特征分量作為決策樹節(jié)點(diǎn)分裂的依據(jù);

（4）判斷是否達(dá)到構(gòu)建決策樹的終止條件，否則

重復(fù)步驟（3），則可完成一棵決策樹的生成;

（5）重復(fù)步驟（3）（4），生成m棵決策樹;

（6）每棵決策樹對待分類樣本進(jìn)行分類，得到分類結(jié)果集合;

（7）統(tǒng)計(jì)所有的分類結(jié)果，采用多數(shù)投票的方法得到一個(gè)票數(shù)最多的分類結(jié)果，作為最終的分類結(jié)果。

從上述流程可以看出，每棵決策樹的構(gòu)建是可以并行進(jìn)行的，對原始樣本集的隨機(jī)選取以及每棵決策樹的分類決策也是可以并行進(jìn)行的，因此可以使用并行處理的方式和技術(shù)（如CPU多線程和GPU并行計(jì)算）來對隨機(jī)森林算法的大部分流程進(jìn)行加速，使得算法的效率和可擴(kuò)展性都得到極大的提高。目前已有部分學(xué)者對這一方向進(jìn)行研究，如使用GPU并行技術(shù)——CUDA 對隨機(jī)森林算法的訓(xùn)練和分類進(jìn)行加速。由于隨機(jī)森林算法在分類上的優(yōu)異表現(xiàn)，其已應(yīng)用于多個(gè)領(lǐng)域，在遙感影像的分類上也取得了很好的成果。

4 小結(jié)

遙感影像變化動(dòng)態(tài)檢測是一項(xiàng)計(jì)算量比較大的工作，對采用的技術(shù)路線要求較高。本文在研究黃河流域地表覆蓋變化研究過程中，利用SLI超像素分割和隨機(jī)森林分類的方法建立了動(dòng)態(tài)檢測系統(tǒng)，能夠很好地檢測出地表變化，達(dá)到了預(yù)期目的。

參考文獻(xiàn)：

[1] 凌成星， 張懷清， 鞠洪波. 濕地資源遙感動(dòng)態(tài)監(jiān)測和管理應(yīng)用綜述 [J].安徽農(nóng)業(yè)科學(xué)， 2012， 40（28）： 14111-14115

[2] 周維才， 陳永富. 濕地資源遙感變化監(jiān)測方法[J]. 世界林業(yè)研究， 2007， 20（2）： 45-49

[3] 栗小東， 過仲陽， 朱燕玲， 等. 結(jié)合GIS數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)濕地遙感分類方法：以上海崇明島東灘濕地為例[J]. 華東師范大學(xué)學(xué)報(bào)：自然科學(xué)版， 2010（4）： 26-34

[4] 于新洋， 趙庚星， 常春艷， 等. 隨機(jī)森林遙感信息提取研究進(jìn)展及應(yīng)用展望[J].遙感信息， 2019， 34（2）： 8-14

[5] 巴桑， 劉志紅， 張正健， 等. 決策樹在遙感影像分類中的應(yīng)用[J]. 高原山地氣象研究， 2011， 31（2）： 31- 34

[6] 鄒文濤， 張懷清， 鞠洪波， 等. 基于決策樹的高寒濕地類型遙感分類方法研究[J]. 林業(yè)科學(xué)研究， 2011 （4）： 464-469

[7] 穆亞南， 丁麗霞， 李楠， 等. 基于面向?qū)ο蠛碗S機(jī)森林模型的杭州灣濱海濕地植被信息提取[J]. 浙江農(nóng)林大學(xué)學(xué)報(bào)， 2018， 35（6）： 1088-1097