馬昱肖，戚浩平，田 馨，姜鈞陶

(東南大學(xué) 交通學(xué)院測(cè)繪工程系，江蘇 南京 211189)

城市交通設(shè)施包括城市各類交通樞紐、道路立交橋梁和相關(guān)建筑物設(shè)施等，其布局的合理性決定城市發(fā)展的輪廓和形態(tài)，城市交通設(shè)施規(guī)劃與管理需要與城市規(guī)劃相結(jié)合，以滿足城市發(fā)展的需求。航空攝影測(cè)量高分辨率、高機(jī)動(dòng)性、快速的優(yōu)點(diǎn)[1]，為獲取及更新城市交通設(shè)施信息提供有效途徑。變化檢測(cè)是利用同一地區(qū)不同時(shí)相的兩期影像，對(duì)地表地物類型、分布變化信息進(jìn)行定量和定性提取的過程[2-3]。通過快速提取航攝影像的變化信息，可直觀準(zhǔn)確地識(shí)別與監(jiān)測(cè)城市交通設(shè)施變化，為交通規(guī)劃優(yōu)化提供基礎(chǔ)信息，輔助城市合理規(guī)劃和資源重組與分配。

傳統(tǒng)的變化檢測(cè)方法是逐像元比較像素值或類別是否發(fā)生變化，周曉光[4]對(duì)比圖像比值法、差值法、植被指數(shù)法和變化矢量分析法4種方法，表明基于像元的檢測(cè)方法對(duì)兩期影像的要求較高，且僅在低分辨率影像成熟度較高；黃維[5]以LANDSAT8 OLI影像作為研究對(duì)象，利用主成分分析法進(jìn)行變化信息提取，但結(jié)果仍存在噪聲點(diǎn)數(shù)較多，細(xì)節(jié)表現(xiàn)力不夠的問題；劉冰[6]利用決策樹提取濕地信息，但檢測(cè)結(jié)果存在小圖斑和孤立點(diǎn)、空間不連續(xù)的問題，且決策樹的構(gòu)建需要大量經(jīng)驗(yàn)知識(shí)和反復(fù)對(duì)比挑選。逐像元變化檢測(cè)的前提是兩期影像已經(jīng)精確配準(zhǔn)，配準(zhǔn)誤差將導(dǎo)致檢測(cè)結(jié)果出現(xiàn)虛假變化，逄錦嬌[7]指出若兩期影像的幾何配準(zhǔn)均方根誤差大于一個(gè)像元，會(huì)大大降低變化檢測(cè)結(jié)果精度。為解決精確配準(zhǔn)難度高、逐像元檢測(cè)斑點(diǎn)噪聲多的問題，甘甜[8]在房屋震害變化檢測(cè)使用面向?qū)ο笞兓瘷z測(cè)方法，與其它方法相比，分割后變化檢測(cè)對(duì)圖像配準(zhǔn)要求稍低，檢測(cè)結(jié)果中的偽變化信息較少，精度最高；夏朝旭[9]以圖像分割后的圖斑為變化檢測(cè)基礎(chǔ)，將圖像劃分為若干個(gè)形狀和光譜性質(zhì)具有均質(zhì)性的對(duì)象，減弱斑點(diǎn)噪聲現(xiàn)象。目前變化檢測(cè)算法有許多成功案例，但如何快速準(zhǔn)確提取變化特征，降低“偽變化”信息干擾，還有待進(jìn)一步研究。

航攝影像的高分辨率特性增加了影像信息的豐富性，道路、建筑物的邊緣信息明顯，有利于城市交通設(shè)施的準(zhǔn)確提取。但航攝影像一般只有3個(gè)波段，光譜信息較少，“異物同譜”現(xiàn)象嚴(yán)重。同時(shí)，細(xì)節(jié)信息過多也增加了同類地物的內(nèi)部異質(zhì)性，放大“同物異譜”的影響[10]，傳統(tǒng)變化檢測(cè)方法只采用光譜信息逐像元比較，對(duì)于航攝影像，檢測(cè)結(jié)果存在較多“椒鹽”噪聲、漏檢率較高、變化特征獲取繁瑣、變化信息提取不夠準(zhǔn)確等問題。此外，投影差、陰影帶來的大量“偽變化”信息對(duì)變化檢測(cè)的影響也需要進(jìn)一步改善。本文選取南京市江寧區(qū)兩期航攝影像，通過融合C4.5算法和面向?qū)ο蠓椒ㄌ崛〕鞘薪煌ㄔO(shè)施變化信息，對(duì)比圖像差值法、主成分差異法、最大似然分類后變化檢測(cè)，本文的方法能較好地抑制總體誤差，并直接獲取城市交通設(shè)施變化信息，檢測(cè)結(jié)果結(jié)構(gòu)性較好，邊緣信息更完整。

1 研究方法

1.1 紋理信息

與衛(wèi)星遙感影像相比，航攝影像波段數(shù)相對(duì)較少，光譜分辨率低，需引入空間紋理彌補(bǔ)光譜分辨率過低的不足。紋理是影像灰度值在空間位置分布上的反映，在圖像空間中相隔某距離的兩個(gè)像元之間存在一定的灰度關(guān)系，對(duì)灰度的空間相關(guān)特性的描述即為紋理特征，常用的描述方法為灰度共生矩陣法。該方法通過對(duì)灰度級(jí)別之間聯(lián)合條件概率密度P(i,j,d,θ)的計(jì)算結(jié)果來表示紋理特征，其中概率密度表示在給定距離d和方向θ時(shí)，以i灰度為起始點(diǎn)，出現(xiàn)灰度j的概率[11-12]。

1.2 融合C4.5算法和面向?qū)ο蟮淖兓瘷z測(cè)

為避免C4.5逐像元分類后變化檢測(cè)導(dǎo)致的斑點(diǎn)現(xiàn)象，首先采用多尺度分割對(duì)預(yù)處理后的兩期航攝影像進(jìn)行分割，通過選擇訓(xùn)練樣本，構(gòu)建紋理信息和光譜信息的特征空間。然后，利用C4.5算法自動(dòng)生成決策樹，從繁多信息中快速提取有效分類特征，對(duì)兩期影像進(jìn)行分類，并疊置分析兩期影像的分類結(jié)果，最終得到變化檢測(cè)的結(jié)果。

多尺度分割主要遵循兩個(gè)原則[13]：① 在滿足精細(xì)的條件下盡可能獲取較大的影像對(duì)象；②在滿足必要的形狀標(biāo)準(zhǔn)條件下盡可能采用光譜標(biāo)準(zhǔn)。為了保證對(duì)象內(nèi)的同質(zhì)性和對(duì)象之間的異質(zhì)性，需設(shè)定分割尺度[14]，當(dāng)內(nèi)部的異質(zhì)性達(dá)到閾值，不再合并周圍的像元。分割尺度過小，對(duì)異質(zhì)性要求越嚴(yán)格，圖像過于碎片化；分割尺度過大，對(duì)象內(nèi)部信息不純，地物細(xì)節(jié)信息被忽略。

C4.5算法是以ID3算法為基礎(chǔ)，采用信息增益率(GainRatio)替代信息增益，作為對(duì)節(jié)點(diǎn)屬性的選擇準(zhǔn)則，即選擇具有最大信息增益率的特征作為分裂規(guī)則[15]。設(shè)D為訓(xùn)練樣本集，最終分類目標(biāo)包含n個(gè)類別，按照屬性A劃分D中的元素為V個(gè)不同類別。信息增益率的定義為

(1)

式中InfoaGain(A)以各個(gè)特征取值作為分裂點(diǎn)，分別計(jì)算每個(gè)分裂點(diǎn)的信息增益，為

(2)

SplitInfo(A)為最佳分裂點(diǎn)的信息增益率，算式為

C4.5算法克服了ID3算法中偏向于選擇既有較多分支的屬性值的問題，分類結(jié)果更準(zhǔn)確。同時(shí)，C4.5算法采用預(yù)剪枝(pre-pruning)和后剪枝(post-pruning)相結(jié)合的方法對(duì)決策樹進(jìn)行修剪，避免決策樹過度擬合[16]。

2 數(shù)據(jù)處理流程及結(jié)果

2.1 研究區(qū)概況及實(shí)驗(yàn)數(shù)據(jù)

研究區(qū)位于江蘇省南京市江寧區(qū)，近年來江寧區(qū)經(jīng)濟(jì)發(fā)展迅速，伴隨著經(jīng)濟(jì)增長(zhǎng)的同時(shí)，該地區(qū)的交通設(shè)施相關(guān)信息變化也較為劇烈，可作為提取交通設(shè)施中道路和周邊建筑物變化的典型研究區(qū)。本文選取江寧區(qū)西南部2012-04和2014-06兩期航攝影像，如圖1所示，右上角為2012-04影像，右下角為2014-06影像，空間分辨率均為0.3 m，數(shù)據(jù)范圍為800 m×850 m，包括紅、綠、藍(lán)3個(gè)可見光波段，獲取時(shí)間均在4—6月期間，不存在明顯的時(shí)相

變化造成的影響。航攝影像中內(nèi)容信息豐富，建筑物細(xì)節(jié)、道路標(biāo)志信息、車輛、植被輪廓線均清晰可見，同類地物內(nèi)部異質(zhì)性較明顯。

圖1 研究區(qū)示意圖

2.2 數(shù)據(jù)處理流程及結(jié)果

數(shù)據(jù)處理流程如圖2所示。對(duì)兩期原始影像進(jìn)行相對(duì)輻射校正、幾何精校正、陰影區(qū)域標(biāo)記等預(yù)處理。

圖2 變化檢測(cè)技術(shù)流程

圖像差值法利用兩期影像的藍(lán)波段構(gòu)建差異影像，主成分差異法利用經(jīng)過主成分變化后的第一主成分波段構(gòu)建差異影像。對(duì)兩期航攝影像進(jìn)行正態(tài)變換后選取合適的訓(xùn)練樣本進(jìn)行最大似然分類，利用分類結(jié)果疊置分析得到變化檢測(cè)結(jié)果。融合C4.5算法和面向?qū)ο蟮淖兓瘷z測(cè)中，通過反復(fù)試驗(yàn)獲取多尺度分割最佳分割參數(shù)，利用灰度共生矩陣生成的21個(gè)紋理波段存在信息冗余的問題，將其與影像原始光譜特征進(jìn)行整合，構(gòu)建包含24個(gè)波段特征空間，分析各波段辨別典型地物的能力。如圖3所示，最終選擇熵、角二階矩、相關(guān)性和對(duì)比度4種紋理信息和光譜信息，以影像對(duì)象為分類基本單元，進(jìn)行C4.5決策樹自動(dòng)分類，比較兩時(shí)期影像分類結(jié)果，獲取變化信息。

為降低斑點(diǎn)噪聲過多問題，本研究結(jié)合區(qū)域信息，將檢測(cè)變化像素點(diǎn)作為區(qū)域來對(duì)待，只有當(dāng)變化像元形成的圖斑中像元數(shù)大于10個(gè)時(shí)，才認(rèn)可這些像元為變化像元，否則認(rèn)定為噪聲。影響高分辨率影像變化檢測(cè)精度的另一個(gè)因素是陰影干擾[17]，由于兩期影像獲取時(shí)間不一致，陰影區(qū)域不完全重合，檢測(cè)的變化像元可能由于陰影位置不同而引起的偽變化。在影像預(yù)處理的時(shí)候，利用陰影區(qū)域光譜值較低的特點(diǎn)，提取兩期航攝影像絕大部分的陰影區(qū)域，去除兩期陰影重疊部分，得到陰影變化區(qū)域，若變換檢測(cè)出的變化像素或?qū)ο舐湓陉幱皡^(qū)域，則標(biāo)記為非變化，降低陰影對(duì)變換檢測(cè)結(jié)果影響。本文以人工判斷兩期影像變化信息作為精度評(píng)價(jià)依據(jù)，檢驗(yàn)樣本及4種變化檢測(cè)結(jié)果均剔除在陰影變化區(qū)域的變化像元，結(jié)果如圖4所示。

圖3 兩時(shí)相影像特征曲線圖

圖4 不同變化檢測(cè)方法檢測(cè)結(jié)果

3 結(jié)果分析

3.1 城市交通設(shè)施變化信息提取

在圖4中，融合C4.5和面向?qū)ο笞兓瘷z測(cè)提取的“椒鹽”現(xiàn)象最少，通過影像分割，可以有效抑制逐像元比較帶來目標(biāo)提取誤差、噪聲過多問題，比其它3種僅利用光譜信息的方法提取的變化信息更全面。同時(shí)融合C4.5和面向?qū)ο笞兓瘷z測(cè)提取變化信息最多，地物變化信息更加完整。圖像差值法、主成分差異法存在明顯的漏檢信息，如影像右下角改建道路。

在城市交通設(shè)施變化信息提取中，為更直觀對(duì)比本文采用的方法與傳統(tǒng)方法的變化檢測(cè)結(jié)果，選擇研究區(qū)部分區(qū)域(圖4(a)紅框范圍內(nèi))進(jìn)行分析，道路、周邊建筑物變化如圖5所示。本文采用的融合C4.5和面向?qū)ο笞兓瘷z測(cè)方法較好地保持了結(jié)構(gòu)完整性，地物邊緣也更清晰，另外3種方法變化信息提取不完整，內(nèi)部破碎，受細(xì)節(jié)信息影響較大。在非交通設(shè)施信息提取中，如植被與土壤，融合C4.5和面向?qū)ο蟮臋z測(cè)結(jié)果變化圖斑過大，存在過度檢測(cè)的問題，見圖5。由于植被、土壤都是由少量像素組成的集群，集群與集群之前存在細(xì)小差別，面向?qū)ο笠詫?duì)象為基礎(chǔ)，忽略細(xì)小差別，而圖像差值法、主成分差異法、最大似然分類后變化檢測(cè)是逐像元比較變化信息，細(xì)小地物的變化信息提取方面更為精確。

圖像差值法和主成分差異法變化檢測(cè)結(jié)果只能得到變化的區(qū)域，不能直接得到地物轉(zhuǎn)化的類型，需要人工再次判斷該變化信息是否屬于城市交通設(shè)施。最大似然分類需要手工選取訓(xùn)練樣本，由于航攝影像分辨率較高，為保證樣本純度，需細(xì)分為多個(gè)樣本，增加樣本選擇難度，樣本可分性較低。面向?qū)ο笤谶x擇訓(xùn)練樣本時(shí)，直接挑選符合要求的對(duì)象，不需要再勾勒感興趣區(qū)，利用C4.5算法自動(dòng)生成決策樹，耗時(shí)較少。融合C4.5和面向?qū)ο蠓芍苯拥玫降匚锏淖兓愋?，只關(guān)注重點(diǎn)信息，提高城市交通設(shè)施提取效率。2012—2014年間，研究區(qū)建筑物變化情況如圖6(a)所示，針對(duì)建筑新建可能引起的車流量增大，對(duì)道路進(jìn)行改建，結(jié)果如圖6(b)所示。提取道路周圍土地利用狀況變化情況，為對(duì)道路改建方案提供了信息支持。圖6(b)紅圈附近為植被和裸土，則該處道路可以進(jìn)行擴(kuò)建，而藍(lán)圈道路附近是已修建完成的工業(yè)園區(qū)，無法滿足道路擴(kuò)建的土地需求，只能對(duì)道路進(jìn)行路面改建，提升交通性能。

圖5 不同變化檢測(cè)方法檢測(cè)結(jié)果細(xì)節(jié)對(duì)比

圖6 交通相關(guān)變化信息提取

3.2 精度評(píng)價(jià)

利用檢驗(yàn)樣本對(duì)四種變化檢測(cè)結(jié)果進(jìn)行精度評(píng)價(jià)，計(jì)算得到總體檢測(cè)精度、Kappa系數(shù)、虛檢率及漏檢率等精度指標(biāo)如表1所示。

融合C4.5和面向?qū)ο蟮淖兓瘷z測(cè)方法在總體精度上有較明顯的優(yōu)勢(shì)， kappa系數(shù)最高，漏檢率最低。然而，與基于像元的變化檢測(cè)如圖像差值法和主成分差異法相比，變化結(jié)果為區(qū)域?qū)ο蟮淖兓?，相比較基于像元的逐像元變化檢測(cè)，虛檢率較高。綜合3個(gè)波段信息主成分差異法較好地檢測(cè)出主要地物的變化，漏檢率低于圖像差值法。圖像差值法由于信息不全，虛檢率也較低。圖像差值法、主成分差異法、最大似然分類后變化檢測(cè)，都只利用光譜信息，由于高分辨圖像光譜信息較少，漏檢率都高于考慮紋理信息和幾何信息的融合C4.5和面向?qū)ο笞兓瘷z測(cè)方法。最大似然分類后的變化檢測(cè)的整體精度和Kappa系數(shù)都是最低的，分類結(jié)果“椒鹽”現(xiàn)象突出，根據(jù)誤差傳播定律，由于分類造成的誤差會(huì)在最終變化檢測(cè)中累積并放大，最終變化檢測(cè)精度最低，只有0.646 3。

表1 不同變化檢測(cè)方法檢測(cè)結(jié)果精度評(píng)價(jià)

4 結(jié) 論

本文以高分辨率航攝影像作為數(shù)據(jù)源，提出融合C4.5和面向?qū)ο蟮淖兓瘷z測(cè)方法提取城市交通設(shè)施變化信息，結(jié)果表明該方法在城市交通設(shè)施變化檢測(cè)中具有適用性和高效性，結(jié)論如下：

1)圖像差值法和主成分差異法檢測(cè)結(jié)果的精度依賴于圖像配準(zhǔn)精度和變化閾值的選取，最大似然分類結(jié)果較難滿足后續(xù)變化檢測(cè)精度要求，融合C4.5和面向?qū)ο蟮淖兓瘷z測(cè)能較好地抑制總體誤差，獲得較理想的Kappa系數(shù)，特別在城市交通設(shè)施的提取上，結(jié)構(gòu)性和完整性較好。

2)融合C4.5和面向?qū)ο蟮淖兓瘷z測(cè)采用分類后比較，對(duì)原始影像獲取時(shí)間、季節(jié)、波段要求較少，對(duì)配準(zhǔn)精度、輻射校正精度要求也低于圖像差值法和主成分差異法，預(yù)處理更簡(jiǎn)單，可快速獲取地物變化類型，判斷重點(diǎn)地物是否發(fā)生變化，有利于城市交通設(shè)施信息的快速采集，為交通規(guī)劃提供更好的信息支持。