劉淑鳳，申邵洪

(1.湖北職業(yè)技術(shù)學(xué)院，湖北 孝感 432000；2.長江科學(xué)院 空間信息技術(shù)應(yīng)用研究所，武漢 430010)

?

融合光譜和幾何特征的高分辨率遙感變化檢測研究

劉淑鳳1，申邵洪2

(1.湖北職業(yè)技術(shù)學(xué)院，湖北 孝感 432000；2.長江科學(xué)院 空間信息技術(shù)應(yīng)用研究所，武漢 430010)

針對高分辨率遙感影像城市區(qū)域地類復(fù)雜的特點(diǎn)，提出了一種融合光譜和幾何特征的多時(shí)相高分辨率遙感變化檢測方法。在獲取光譜和幾何差異影像的基礎(chǔ)上，采用模糊分類的方法，進(jìn)行變化類和非變化類區(qū)分，建立各類的隸屬度圖像。采取基于模糊集理論的融合算法，對各種檢測方法獲取的隸屬度圖像進(jìn)行有效融合，以減小部分區(qū)域的模糊度，提高變化類和非變化類的檢測精度。采用城區(qū)多時(shí)相高分辨率影像為實(shí)驗(yàn)數(shù)據(jù)，進(jìn)行各種變化檢測方法的對比與分析，實(shí)驗(yàn)結(jié)果表明，融合光譜和幾何特征的方法所獲取的檢測結(jié)果與光譜、幾何差異影像法相比，具有檢測精度高、漏檢率低的特點(diǎn)。

融合光譜；遙感變化；檢測方法；高分辨率影像；模糊集

1 研究背景

不斷發(fā)展的遙感技術(shù)使遙感影像具備高空間分辨率、時(shí)間分辨率、光譜分辨率的特征，商用高空間分辨率衛(wèi)星IKONOS的升空以及衛(wèi)星影像在市政規(guī)劃、災(zāi)害監(jiān)測、基礎(chǔ)地理數(shù)據(jù)更新等方面的應(yīng)用表明空間分辨率影像在今后的遙感應(yīng)用中具備巨大的潛力[1]。影像的空間分辨率達(dá)到米級乃至分米級時(shí)，地表目標(biāo)如房屋、汽車、道路等能夠在影像上得到清晰的表達(dá)。相對高空間分辨率而言，影像的光譜分辨率略顯不足，同一所建筑物的各個(gè)房角的光譜特征都存在明顯差異，因此，針對高空間分辨率影像，同物異譜的現(xiàn)象較為嚴(yán)重，這也是高分辨率影像解譯成為當(dāng)前遙感界的熱點(diǎn)和難點(diǎn)的根本原因[2-4]。高分辨率影像用于變化檢測或監(jiān)測研究，已經(jīng)取得了系列研究成果和理論方法[5-8]。研究結(jié)果表明，對同一多時(shí)相遙感影像，采用不同的檢測方法，獲取的最終成果將存在較大差異，遙感影像決策融合的思想就是將各種檢測方法獲取的結(jié)果，在特定理論(如貝葉斯理論、D-S證據(jù)理論、模糊集理論)方法下，實(shí)現(xiàn)其有效融合。

在遙感影像融合研究中，研究人員對其在像素級、特征級和決策級融合方面的應(yīng)用進(jìn)行了深入研究和探討[9-10]。模糊集理論為不確定數(shù)據(jù)的處理提供了有力工具，在遙感影像解譯中得到了廣泛的應(yīng)用和發(fā)展。本文在以上研究的基礎(chǔ)上，研究了一種基于模糊集理論的決策融合方法，此方法的大體思想為：獲取多時(shí)相高分辨率遙感影像的光譜差異影像和幾何差異影像，生成變化類和非變化類的隸屬度影像，然后以隸屬度影像為輸入，采用模糊集理論，實(shí)現(xiàn)光譜和幾何差異隸屬度影像的決策級融合，降低部分像元的模糊度，提高最終檢測精度。

2 研究方法

基于模糊集理論的高分辨遙感變化檢測決策融合方法主要包括圖像預(yù)處理、光譜差異影像生成、幾何差異影像生成、隸屬度圖像創(chuàng)建、決策融合和最終變化檢測結(jié)果生成等關(guān)鍵性步驟，其檢測流程如圖1所示。

圖1 特征融合高分辨率遙感變化檢測流程

2.1 模糊集理論

相對論域U上的一個(gè)集合A，對任意x∈U，都指定了一個(gè)數(shù)uA(x)∈[0,1]用以表示x屬于A的程度，由uA(x)所確定的集合A稱為U上的一個(gè)模糊集，uA(x)稱為A的隸屬度函數(shù)，對某一x∈U，uA(x)稱為x對A的隸屬度。

2.1.1 邏輯運(yùn)算

(1) 相等：設(shè)A,B∈F(U)，當(dāng)且僅當(dāng)?x∈U，有uA(x)=uB(x)，則稱A=B。

(2) 包含：設(shè)A,B∈F(U)，當(dāng)且僅當(dāng)?x∈U，有uA(x)≥uB(x)，則稱A?B。

(3) 并：設(shè)A,B∈F(U)，A與B的并集記為A∪B，它的隸屬度函數(shù)為uA∪B(x)=max(uA(x),uB(x))。

(4)交：設(shè)A,B∈F(U)，A與B的交集記為A∩B，它的隸屬度函數(shù)為uA∩B(x)=min(uA(x),uB(x))。

2.1.2 模糊度

模糊度是度量一個(gè)模糊集的模糊程度，可以從總體上反映論域的各元素屬于或不屬于一個(gè)集合的明確性。

F(U)上的模糊度是一個(gè)映射,如

模糊度刻畫一個(gè)模糊集的整體模糊程度，從總體上講各元素隸屬度越接近0或1，越不模糊，越接近0.5越模糊。

熵模糊度為一種常用模糊度計(jì)算方法，令

(1)

式中uA(xi)表示xi對A的隸屬度。

熵模糊度定義為

(2)

在熵模糊度基礎(chǔ)上，提出了一種a次熵指數(shù)，其表達(dá)方式為

(3)

其中，

(4)

式中：Ha(uA(xi))為a次熵模糊度；a為熵指數(shù)，其取值范圍為[0，1]。

2.1.3 變化檢測決策融合

決策融合的思想就是采用一定的方法將數(shù)據(jù)集{π1(x),π2(x),...,πm(x)}進(jìn)行有效融合，獲得最終融合結(jié)果，本文引入基于模糊度的加權(quán)融合方法，進(jìn)行檢測結(jié)果的決策級融合，即：

(5)

(6)

對m個(gè)模糊集，采用隸屬度相乘的方法進(jìn)行隸屬度融合，即：

(7)

(8)

2.2 差異影像生成方法

2.2.1 光譜差異影像

鄰域相關(guān)系數(shù)法是將統(tǒng)計(jì)學(xué)中的相關(guān)系數(shù)用來描述特定鄰域內(nèi)不同時(shí)相遙感影像的差異性，通過相關(guān)系數(shù)的大小來反映其變化程度。通常情況下，變化區(qū)域相關(guān)系數(shù)小，而非變化區(qū)域的相關(guān)系數(shù)則較大，中等相關(guān)系數(shù)出現(xiàn)于輕微變化區(qū)域。鄰域相關(guān)系數(shù)計(jì)算方法為

(9)

其中：

協(xié)方差是描述2個(gè)變量之間相互關(guān)系的數(shù)字特征，鄰域協(xié)方差計(jì)算方法為

(10)

2.2.2 幾何差異影像

本文引入形態(tài)梯度算法提取地物邊緣，人工建筑物在影像上通常具有強(qiáng)邊緣特征，即局部區(qū)域光譜特性呈現(xiàn)跳躍性變化。因此，可以通過形態(tài)梯度有效提取建筑物邊緣區(qū)域，通過不同時(shí)相影像的形態(tài)梯度有效對比分析，確定區(qū)域內(nèi)是否有新的人工建筑物生成。

數(shù)學(xué)形態(tài)學(xué)最基本的算子就是膨脹和腐蝕，形態(tài)梯度是原始圖像的膨脹圖像減去其腐蝕圖像，即

(11)

式中：σ(x,s)為膨脹圖像；ε(x,s)為腐蝕圖像；g(x,s)為形態(tài)梯度圖像；x表示特定像素；s為數(shù)學(xué)形態(tài)學(xué)處理中的結(jié)構(gòu)元素。通過相減的方法生成2個(gè)時(shí)相間的形態(tài)梯度差異影像，即

(12)

式中：gd(x,s)為形態(tài)梯度差異影像；g1(x,s)，g2(x,s)分別為時(shí)相1和時(shí)相2的形態(tài)梯度影像。

3 實(shí)驗(yàn)與分析

3.1 實(shí)驗(yàn)數(shù)據(jù)描述

本文選擇某一城區(qū)2個(gè)時(shí)間段的QuickBird影像為實(shí)驗(yàn)數(shù)據(jù)。研究區(qū)域地物類型復(fù)雜，主要包含植被、水體、裸地、人工建筑物。特別是住宅區(qū)和高程建筑，因?yàn)槠潢幱暗挠绊?，影響變化檢測結(jié)果的精度。試驗(yàn)數(shù)據(jù)為2003年和2006年的Quickbird影像，空間分辨率為2 m，采用的波段為4，包含R，G，B和近紅外波段，區(qū)域大小為936×781像素。實(shí)驗(yàn)區(qū)域R，G，B波段合成的真彩色影像如圖2所示。

圖2 原始實(shí)驗(yàn)數(shù)據(jù)

3.2 檢測結(jié)果決策融合分析

以原始影像為輸入，經(jīng)預(yù)處理工作后，包括相對輻射校正和幾何校正，進(jìn)行差異影像分析。本文分別對影像的光譜、幾何差異進(jìn)行分析，其中，采用鄰域相關(guān)系數(shù)和協(xié)方差法生成2種光譜差異影像，幾何差異影像通過形態(tài)梯度對比分析得到。光譜差異影像生成過程中，結(jié)果受影像分析子窗口的大小影像明顯，實(shí)驗(yàn)結(jié)果表明，3×3像素的子窗口能夠清晰表示地物的狀況，房屋的邊緣清晰，房屋陰影明顯；5×5像素的子窗口，地物表現(xiàn)清晰，房屋邊緣清晰，同時(shí)局部區(qū)域具有噪聲抑制作用；7×7像素以上的子窗口獲取的差異影像，影像中的邊緣區(qū)域模糊。因此，實(shí)驗(yàn)選用5×5像素的子窗口進(jìn)行光譜差異分析，根據(jù)式(9)和式(10)，分別得到相關(guān)系數(shù)差異影像、協(xié)方差差異影像，見圖3。

圖3 光譜差異影像及直方圖Fig.3 Spectral difference images and histograms

在光譜差異影像中，像素值越小，表示越有可能是變化區(qū)域；反之，則越有可能表示非變化區(qū)域。對光譜差異影像，進(jìn)行歸一化處理，公式為

(13)

式中：xN為歸一化處理后的像素值；x為特定像素值；xmin為影像中最小像素值；xmax為影像中最大像素值。

影像幾何特性差異分析的原理是通過對比分析不同時(shí)相間影像的形態(tài)梯度差異，以確定區(qū)域內(nèi)是否存在變化。采用式(11)進(jìn)行形態(tài)梯度分析，研究結(jié)果表明結(jié)構(gòu)s對形態(tài)梯度的效果影響明顯，本實(shí)驗(yàn)主要通過形態(tài)梯度的對比，分析區(qū)域內(nèi)是否存在人工建筑物的變化，針對人工建筑物的幾何特性分析，矩形或圓盤結(jié)構(gòu)s通常能夠獲取較好的實(shí)驗(yàn)成果，同時(shí)結(jié)構(gòu)s的尺寸大小也是影響結(jié)果的關(guān)鍵性參數(shù)，本文分別采用直徑d為3，5，7，9，11像素的圓盤結(jié)構(gòu)s進(jìn)行模糊梯度分析，實(shí)驗(yàn)結(jié)果如圖4所示。

圖4 形態(tài)梯度差異影像Fig.4 Difference images of morphological gradient

通過系列尺寸大小的形態(tài)梯度差異對比分析，d=3時(shí)，邊緣差異明顯，被邊緣包圍的中心區(qū)域無差異現(xiàn)象;d=5時(shí)，邊緣擴(kuò)大，被邊緣包圍的差異區(qū)域減小;d=7時(shí)，邊緣繼續(xù)向內(nèi)擴(kuò)大，被邊緣包圍的區(qū)域差異明顯;d=11時(shí)，平滑效果較為嚴(yán)重。通過對比分析，實(shí)驗(yàn)選用d=7的圓盤結(jié)構(gòu)s進(jìn)行形態(tài)梯度對比分析。

(14)

隸屬度為

(15)

式中m在本文中取值為2。

以光譜和幾何差異影像為輸入，根據(jù)式(15)，獲得變化類和非變化類的隸屬度圖像，其中變化類的隸屬度圖像如圖5所示。

圖5 變化類的隸屬度圖像Fig.5 Membership images of changed class

根據(jù)式(3)計(jì)算出差異影像的模糊度，然后根據(jù)式(5)對隸屬度進(jìn)行加權(quán)處理，加權(quán)后的變化類隸屬度圖像如圖6所示。

以加權(quán)后的變化類隸屬度圖像為輸入，采用閾值分割的方式進(jìn)行分割，經(jīng)椒鹽噪聲濾除后，獲得如圖7所示的變化結(jié)果。為定量評價(jià)各種分割算法的優(yōu)越性，將各種方法的分割結(jié)果與參考數(shù)據(jù)進(jìn)行對比分析，參考區(qū)域見圖2(b)所標(biāo)注區(qū)域，采用混淆矩陣進(jìn)行精度評定，精度評定的指標(biāo)為：Kappa系數(shù)、總體精度Pt、漏檢率Pl、虛檢率Pf。精度評定結(jié)果如表1所示，總體看來，本文融合光譜和幾何特征的方法，與其它類型的方法相比，具有更高的Kappa系數(shù)、總體精度Pt，更低的漏檢率Pl、虛檢率Pf。

圖7 變化檢測結(jié)果Fig.7 Final results of change detection

表1 各種方法變化檢測結(jié)果比較

4 結(jié) 論

本文以多時(shí)相高分辨率影像為實(shí)驗(yàn)數(shù)據(jù)，提出了一種融合光譜和幾何特征的變化檢測算法。根據(jù)模糊集理論，在建立變化類和非變化類隸屬度基礎(chǔ)之上，進(jìn)行了光譜相關(guān)系數(shù)、協(xié)方差差異影像和形態(tài)梯度差異影像的決策融合研究，研究結(jié)果表明決策融合算法能夠有效消除光譜差異影像中的偽變化檢測現(xiàn)象，同時(shí)，形態(tài)差異影像也能夠?qū)庾V差異影像中漏檢區(qū)域起到增強(qiáng)效果。

實(shí)驗(yàn)結(jié)果表明，部分光譜差異影像中的偽變化地物，如河流、街道，因成像時(shí)刻輻射條件的差異，導(dǎo)致不同時(shí)相間的同名地物光譜屬性差異較大，根據(jù)光譜差異易將其判定為變化類，其變化類隸屬度較高，而形態(tài)梯度差異影像中，此類地物非變化類隸屬度高，二者有效融合能夠明顯消除偽變化現(xiàn)象。同時(shí)，光譜差異影像和形態(tài)梯度差異影像都存在部分人工建筑物漏檢現(xiàn)象，光譜和幾何差異影像的有效融合，能取得明顯的補(bǔ)充作用。通過相關(guān)系數(shù)、協(xié)方差、形態(tài)梯度差異影像獲取的變化檢測結(jié)果和融合結(jié)果的定性和定量對比分析，表明融合方法獲取的結(jié)果精度比單獨(dú)差異影像方法獲取的精度高。

[1] BELLENS R. Improved Classification of VHR Images of Urban Areas Using Directional Morphological Profiles[J]. IEEE Transaction on Geosciences and Remote Sensing,2008，46(10)：2803-2813.

[2] BRUZZONE L. An Adaptive Semiparametric and Context based Approach to Unsupervised Change Detection in Multitemporal Remote Sensing Images [J]．IEEE Transaction on Image Processing,2002，11(4)：452-465.

[3] FAUVEL M. Decision Fusion for the Classification of Urban Remote Sensing Images[J]. IEEE Transaction on Geosciences and Remote Sensing, 2006，44(10)：2828-2837.

[4] CHANUSSOT J. Classification of Remote Sensing Images From Urban Areas Using a Fuzzy Possibilistic Model[J]. IEEE Geoscience and Remote Sensing Letters, 2006, 3(1):40-44.

[5] 鐘家強(qiáng)，王潤生. 基于自適應(yīng)參數(shù)估計(jì)的多時(shí)相遙感圖像變化檢測[J]. 測繪學(xué)報(bào)，2005，34(4)：331-336.

[6] 宮 鵬. 高分辨率影像解譯理論與應(yīng)用方法中的一些研究問題[J]. 遙感學(xué)報(bào),2006，10(1)：1-5.

[7] 姜 哲，劉 芳，張 微，等. 基于Landsat 遙感影像解譯的神農(nóng)架林區(qū)近30年土地覆蓋動態(tài)變化[J].長江科學(xué)院院報(bào)，2016,33(6)：150-154.

[8] 陳鵬霄，申邵洪. 基于多時(shí)相CBERS影像的陸生生境變化研究[J]. 長江科學(xué)院院報(bào)，2011,28(2)：69-73.

[9] BRUZZONE L, BOVOLO F. A Novel Framework for the Design of Change-Detection Systems for Very-High-Resolution Remote Sensing Images[J]. Proceedings of the IEEE, 2013,101(3)：609-630.

[10]JIA Lu, LI Ming, ZHANG Peng，etal. Remote-Sensing Image Change Detection with Fusion of Multiple Wavelet Kernels[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2016,9(8):1-14.

(編輯：黃 玲)

Detection of the Change of High-resolution Remote Sensing ImageBased on Fusion of Spectral and Geometrical Features

LIU Shu-feng1, SHEN Shao-hong2

(1.Hubei Polytechnic Institute， Xiaogan 432000, China; 2.Spatial Information Technology Application Department, Yangtze River Scientific Research Institute, Wuhan 430010, China)

In this paper, an automatic change detection method based on fusion of spectral and geometrical features for multi-temporal high-resolution remote sensing image is proposed. Firstly, as to the characteristic of complicated classes in urban area, spectral and geometrical difference images are developed using multi-temporal images. Secondly, with difference image as input, the membership images of changed and unchanged classes are acquired usingfuzzy classification method. Thirdly, a fusion model based on fuzzy logic theory is used to combine all kinds of membership images in order to reduce the fuzziness and to distinguish the changed and unchanged classes of special areas efficiently. Finally, change detection result is obtained using threshold segmentation algorithm and accuracy evaluation is given. Multi-temporal high-resolution images of urban area are taken as experimental data, and the experimental results prove that the change detection result fusing spectral and geometrical features has higher detection precision and lower undetected ratio compared with those from spectral or geometrical difference image methods.

fusing spectral; remote sensing changes; detection method; high-resolution image; fuzzy set

2016-08-20

中央級公益性科研院所基本科研業(yè)務(wù)費(fèi)項(xiàng)目(CKSF2015019/KJ)

劉淑鳳(1980-)，女，內(nèi)蒙古赤峰人，講師，碩士，研究方向?yàn)閿?shù)字圖像處理，(電話)15971248836(電子信箱)364643108@qq.com。

10.11988/ckyyb.20160852

2016,33(11):36-42，48

TP79

A

1001-5485(2016)11-0036-07