基于高分辨率SAR與光學遙感數(shù)據(jù)的城區(qū)變化檢測

毛羽豐，朱邦彥，張琪，王健

(1.南京市測繪勘察研究院股份有限公司，江蘇 南京 210019； 2.河海大學地球科學與工程學院，江蘇 南京 211100)

1 引 言

中國是高速發(fā)展中的國家，正處于城市快速發(fā)展的進程中，城市地區(qū)不斷擴展和更新，是地物變化最多最復雜的地區(qū)。對南京這樣快速發(fā)展的城市而言，監(jiān)測城區(qū)土地利用的分布、變化對經(jīng)濟發(fā)展規(guī)劃、自然資源分配以及環(huán)境與生態(tài)系統(tǒng)管理是至關(guān)重要的。

遙感影像變化檢測是從不同時期的遙感數(shù)據(jù)中定量分析和確定地表變化的特征與過程，一般通過光學影像進行特征提取和分類，但受到云雨霧天氣和拍攝時間的影響，光學影像使用受限。SAR衛(wèi)星傳感器作為重要的遙感數(shù)據(jù)源之一，與傳統(tǒng)光學影像相比，具有其獨特的優(yōu)勢，主要包括以下幾點：①全天候：穿透性強，由于成像在微波波段，波長相對于可見光遙感較長，能夠在一定程度上穿透云霧、植被和地表，所以不受天氣狀況的影響；②全天時：SAR不依賴于可見光，因此可以在夜晚也能達到很好的成像效果[1，2]。SAR具備上述優(yōu)勢，是非常好的變化檢測數(shù)據(jù)源，逐漸成為城市遙感監(jiān)測的重要數(shù)據(jù)源，特別是在南京這種多云多雨的南方城市。

SAR影像與光學影像成像原理不同，前者是主動遙感，影像反映的是回波強度，后者是被動遙感，影像反映的是光譜信息。光學影像的局限性在于容易受到顏色信息的干擾而檢測出偽變化：如不同季節(jié)的植被，雖然顏色不同，但其地物類別并未發(fā)生改變；再如陰影，也會被當作地物變化檢測出來。而SAR影像就不會受到此類信息干擾，但是其噪聲多，地物邊界模糊，沒有色彩，其信息量要少于多光譜影像。因此這兩類遙感數(shù)據(jù)事實上是互相補充的，聯(lián)合SAR與光學影像來進行城市用地的變化檢測是十分必要的[3～5]。

2 SAR與光學遙感相結(jié)合的變化檢測

本文考慮到SAR與光學影像數(shù)據(jù)在變化提取與識別中各自優(yōu)勢和互補性，按照面向?qū)ο笞兓瘷z測的思路，研究了SAR與光學聯(lián)合的變化方法，總體技術(shù)路線如圖1所示。

圖1 技術(shù)路線

2.1 面向?qū)ο蟮淖兓瘷z測

基于像元的變化檢測方法具有無須人工干預、簡單易行等優(yōu)點，但存在對影像配準、輻射校正誤差較為敏感，檢測結(jié)果存在椒鹽效應等問題。本文采用面向?qū)ο蟮淖兓瘷z測方法，面向?qū)ο蟮淖兓瘷z測方法具有對影像配準、輻射校正要求較低，改善椒鹽現(xiàn)象等優(yōu)點。其主要思想是先分割再做比較，把圖像分割成多個對象，以對象為單位進行變化信息提取。

2.2 影像特征提取

提取多源遙感影像數(shù)據(jù)的多種特征進行變化檢測，能夠有效提高變化檢測精度，本文主要采用了強度、紋理、相干性三類特征，其中強度和紋理是SAR與光學影像都有的，而相干性特征是SAR影像數(shù)據(jù)特有的。

(1)強度特征

提取的強度特征主要包括強度均值(SAR與光學)、NDVI(光學)、NDWI(光學)等，這些特征值的提取均基于對象而言，即均在對象范圍內(nèi)計算均值。

(2)紋理特征

在遙感影像中，像素灰度值只提供了強度信息，紋理則能提供結(jié)構(gòu)信息。本文主要采用灰度共生矩陣來計算SAR與光學影像的紋理特征[6]。

(3)相干性

SAR影像的相干性這一特征是光學影像所沒有的，是InSAR回波信號線性相似程度的一種度量，通常被用來衡量地面散射特性的變化程度[7]?？衫孟喔上禂?shù)(主要是時間去相干)來判斷區(qū)域的變化，若研究區(qū)域發(fā)生變化，此區(qū)域相關(guān)性降低，則相干系數(shù)較小，若沒有發(fā)生變化，則相干性強，相干系數(shù)較大。其理論計算公式為：

(1)

得到影像對象各自的特征后，計算各個特征的變化向量，加入監(jiān)督分類的樣本特征空間中，進而對變化對象進行提取。

3 數(shù)據(jù)處理流程

3.1 研究區(qū)域與數(shù)據(jù)

本文選擇的示范地為南京市江北新區(qū)頂山街道，總面積約 37 km2。分別選取了兩期覆蓋研究區(qū)域的意大利COSMO-SkyMed雷達衛(wèi)星數(shù)據(jù)(時間：2016年12月9日與2017年7月21日，分辨率：3 m)和北京二號光學衛(wèi)星數(shù)據(jù)(時間：2016年11月27日與2017年7月18日，分辨率：0.8 m)，如圖2所示。主要目標是檢測出城市區(qū)域的變化圖斑。

3.2 預處理

先對兩期的原始光學影像分別進行輻射校正，然后基于DEM進行正射幾何校正。若研究區(qū)跨過了不同景的圖像，則先進行粗配準、幾何精糾正、圖像拼接和粗裁剪。最后對兩期圖像進行匹配，并根據(jù)研究區(qū)范圍對配準后的兩期數(shù)據(jù)進行裁剪。SAR數(shù)據(jù)的預處理主要包括圖像配準、圖像裁剪、SAR圖像去噪、基線估計等，與光學影像相比主要增加了圖像去噪、相干性計算等SAR影像處理特有的步驟。

圖2 研究區(qū)域光學與SAR衛(wèi)星影像

3.3 影像分割

面向?qū)ο蟮挠跋穹治龇椒ㄌ幚淼幕締卧皇窍裨菍ο?，因而該分析方法可以綜合利用對象的光譜、紋理、幾何、形狀等信息。面向?qū)ο蟮挠跋穹治鍪滓h(huán)節(jié)是圖像分割，本文采用多尺度分割的方法[8]，其分割準則如下：

h=ωcolorhcolor+ωshapehshape

(2)

其中，ωcolor與ωshape分別表示顏色與形狀的權(quán)重，hcolor和hshape分別表示顏色與形狀的異質(zhì)性指標。

hcolor=∑cwcσc

(3)

其中ωc為影像層的權(quán)重，σc為影像層的標準差，c為影像數(shù)。

hshape=ωsmoothness×hsmoothness+ωcompatness×hcompactness

(4)

其中，ωsmoothness與ωcompatness分別代表兩者間的權(quán)重，而hsmoothness和hcompactness分別代表平滑與緊密兩個子異質(zhì)性指標。

由于SAR影像噪聲多、地物邊界信息模糊，因此在本文的方法中SAR影像并不參與分割計算，只對光學數(shù)據(jù)進行分割。首先分別對兩期光學影像進行分割，再將分割結(jié)果進行合并，得到統(tǒng)一的分割塊，SAR影像也按照相同的分割塊進行分析和處理，如圖3所示。

圖3 分割結(jié)果(局部)

3.4 特征提取與監(jiān)督分類

圖像特征是圖像的基本屬性和測度，從不同的角度描述了圖像的性質(zhì)，利用特征空間可以有效地進行遙感信息提取和遙感圖像分類。對于研究區(qū)工作使用的兩期圖像的變化檢測，需要先進行圖像特征提取，提取的特征類型如之前2.2節(jié)所述。

變化檢測的訓練區(qū)劃分為“變化”與“不變化”兩類。使用機器學習分類器進行變化檢測，對照彩色合成圖像進行檢查，根據(jù)差異增加不變化和變化類的訓練區(qū)，如圖4所示。

圖4 訓練樣本(紅色為變化，黃色為不變)

最終得到變化區(qū)域的圖斑共976個，總面積約 4 km2，如圖5所示。

圖5 變化區(qū)域圖斑

3.5 精度檢查

通過對頂山街道的遙感圖像進行目視解譯勾畫，得到變化區(qū)域作為標準數(shù)據(jù)，把監(jiān)督分類提取出的變化圖斑與之進行比較，判斷提取圖斑的準確性，得出其總體精度約為85.8%。

4 結(jié) 論

本文利用兩景不同時相的高分辨率SAR與光學影像對城市區(qū)域變化情況進行了檢測。實驗過程中我們發(fā)現(xiàn)：①對于高分辨遙感影像而言，預處理過程很關(guān)鍵，對幾何糾正、配準的要求較高；②多尺度分割中尺度的選擇和分割精度對檢測效果有很大影響；③紋理特征對建筑物拆建這類的檢測效果很好，且檢測植被變化時受季節(jié)性影響較小；④光學影像上的陰影區(qū)域是很大的干擾因素，SAR影像的加入提高了這些區(qū)域的檢測準確性，不過由于側(cè)視雷達的特性，部分高樓區(qū)域會存在遮擋、疊掩的情況。通過實驗可知，基于高分辨率SAR與光學影像相結(jié)合的變化檢測具有較好的檢測精度，兩種遙感數(shù)據(jù)彼此間具有很好的互補性。