張榮卉

（1.安徽省基礎測繪信息中心，安徽 合肥 230031；2.自然資源安徽省衛(wèi)星應用技術中心，安徽 合肥 230031）

現階段，衛(wèi)星遙感影像分辨率不斷提高，與中低分辨率遙感影像變化檢測相比，雖然高分辨率遙感影像呈現了更多的細節(jié)信息，但是變化和未變化區(qū)域之間的可分性降低、提取難度反而提高。在遙感數據源增多、遙感影像空間分辨率提高以及地物細節(jié)豐富的前提下，傳統(tǒng)的基于遙感影像的變化檢測主要對不同時期影像的監(jiān)督分類結果進行分析，不僅需要利用繁重的人工目視解譯工作，還不能保證變化檢測精度。深度學習技術可以從海量數據中自動學習特征，適應遙感影像變化的不同情況，因此，在遙感影像變化檢測中得到越來越廣泛的應用[3]。超像元分割是圖像處理的一種方法，本質上是指對一些顏色、紋理或梯度等特征像素進行局部聚類的過程。將超像元分割技術用于優(yōu)化深度學習變化檢測方法[1-2]，使其基于神經網絡的像素預測和基于對象級的約束，能夠使變化檢測結果更合理[7]。

1 數據源概況

安徽省地貌以平原、丘陵和低山為主，坡地面積較大，地物細節(jié)豐富，在遙感影像上表現極為復雜。該文制作變化檢測樣本的數據源分別是2020年四季度和2021年四季度、分辨率為2m的安徽省影像統(tǒng)籌季度一版圖兩期影像以及各自對應時相的矢量數據。對全省范圍內隨機選取的部分區(qū)縣級影像進行人工繪制參考矢量，通過前后時相兩期影像的疊加對比，標注新增建設用地圖斑，從而制作變化樣本集。針對地物類型主要為道路、建筑物和推填土等建設用地。

2 研究方法

該文研究基于全卷積神經網絡的的變化檢測方法，通過深度學習樣本訓練技術獲得最優(yōu)的訓練模型，從而實現遙感影像變化信息自動提取。同時，在深度學習模型訓練的基礎上[4-5]，基于分割對象提取兩期影像上的光譜、紋理和上下文特征差異，結合語義特征，提取兩期影像的變化置信度，最終獲得兩期影像的變化圖斑和對應變化矢量。

2.1 基于深度學習的模型訓練

模型訓練是一個參數調整的過程，可以通過增加樣本訓練迭代得到符合精度要求的模型，也可以通過人工參數調整優(yōu)化模型。模型訓練包括模型訓練以及模型測試2個部分內容。首先利用已有的樣本數據進行模型訓練，得到初始模型。如果初始模型測試達到理想的精度指標，那么該模型可以作為最終模型；如果模型精度未能達標，那么需要調整參數，進一步進行模型訓練。通過增加樣本數據可以進一步提升模型精度，參數調整與新增樣本訓練可以交替或同步進行。具體流程如圖1所示。

圖1 模型訓練流程

2.1.1 樣本制作

利用安徽省影像統(tǒng)籌季度一版圖數據及其矢量成果，基于前后時相影像及其標簽數據，制作樣本數據集[6]。數據準備具體步驟如下：1）找到不同時相影像Img1（前時相影像）、影像Img2（后時相影像）。2）疊加對應的新、老地表覆蓋矢量M1、M2。3）通過更新后的矢量圖斑與疊加影像的目視判斷，修正錯誤，補測遺漏的圖斑。4）將變化圖斑單獨存為一個矢量數據Mc。5）Img1、Img2、Mc保存，為變化圖斑的樣本制作的輸入數據。其次，樣本裁切[9]。裁切后的變化樣本，包括前時相影像的樣本影像、后時相影像的樣本影像以及對應的變化標注數據，如圖2所示。

圖2 變化樣本

2.1.2 網絡模型設計

傳統(tǒng)的卷積神經網絡（CNN）主要用于圖像級分類，即判斷該圖像的內容屬于哪一類。遙感影像的變化檢測最終的結果是對影像進行像素級的二分類。該文的網絡模型選用的是滿足像素級別分類要求的全卷積神經網絡（FCN），與經典的CNN分類網絡最大的不同點如下：最后一層不是向量輸出，而是對輸出的特征圖進行上采樣[8]。經過上采樣后，得到原始尺寸的逐像素的分類預測圖。輸入圖像可以是任意尺寸的，同時根據輸入圖像的尺寸，網絡輸出結果的尺寸也與輸入圖像的尺寸保持一致，因此，可以對圖像進行像素級的概率預測，同時保留原始輸入圖像的空間信息。上采樣的形式很多，例如線性插值、反卷積等。FCN的上采樣主要是運用反卷積。如圖3所示，反卷積先通過補0（虛線元素值為0）擴大輸入圖像的尺寸，然后通過卷積核進行卷積。通過反卷積操作，圖像由原來的2×2像素變成4×4像素的圖像，從而實現上采樣。

圖3 反卷積示意圖

2.1.3 模型訓練

全卷積神經網絡FCN模型訓練的過程，就是參數調節(jié)的過程，主要參數包括以下3種。

2.1.3.1 學習率

學習率是訓練過程中的重要參數，但是對其設置一定要合理。較高的學習率有助于縮短訓練時間，減少反饋環(huán)路，可以較快地預判網絡模型是否可行，雖然網絡模型能夠更快地收斂，但是結果可能不會特別理想，甚至會有較大振蕩。

2.1.3.2 批尺寸

批尺寸是模型訓練時一次輸入的樣本數，同樣也有數量的設置限制。對較大樣本進行批處理，例如使用整個數據集，減少了梯度更新的方差，可以使每輪迭代的結果更精確。但是，這個方法受到物理內存大小限制。對較小樣本的批處理來說，例如使用1個樣本，能夠獲取更細粒度的權重以更新反饋，但是卻不容易收斂。

2.1.3.3 隨機失活

隨機失活是將多個模型的結果組合在一起，但不需要對多個模型分別進行訓練。具體做法是訓練多隱層網絡，對每個隱層的神經元進行一定的概率失活，這樣每次形成不同激活的由神經元的組成的網絡，相當于多個網絡的組合。本質上，每次迭代都是對隨機挑選特征空間的子集進行訓練。

2.1.4 模型測試

模型測試即模型精度評價?；谠u價指標不斷進行模型訓練及參數調整。如果總體測試精度不理想，就進行進一步迭代；如果總體精度滿足實際需求，就可以獲得目標網絡模型，不需要再進行參數調優(yōu)；當有新的樣本時，可以通過補充樣本進行模型訓練，進一步提高模型精度。該文在計算模型精度的過程中采用的評價指標為查全率和正確率。基于模型提取的每個變化圖斑，面積>200個像素的計算方法如下：查全率=真值圖斑與檢測圖斑有交集的個數/真值圖斑的個數；正確率=檢測圖斑與真值圖斑有交集的個數/檢測圖斑的個數。其中，真值圖斑是指人工目視變化檢測結果（圖斑），檢測圖斑是指模型智能變化檢測結果（圖斑）。

2.2 基于超像元分割對變化檢測結果的優(yōu)化

超像元是一些具有相似特征（例如顏色、紋理和類別等特征）像素的集合，形成一個更具代表性的基本處理單元。超像元算法的主要作用是優(yōu)化深度學習變化檢測方法的結果。目前，常用的超像素分割算法有SLIC、SEEDS和LSC。該文選用了簡單的線性迭代聚類（SLIC）超像元算法，將圖像中的像素點聚類超像元中，以滿足空間和亮度上的約束。與其他幾種算法相比，其運行速度更快、物體輪廓保持度和超像元緊湊度較高?；赟LIC超像元算法設計了基于超像元分割對變化檢測結果優(yōu)化的方法，具體內容如下：1）輸入。前后兩期高分辨率遙感影像X1和X2，變化檢測初始結果為Y。2）輸出。最終變化檢測結果Y'。3）實現過程。首先，對X1，X2使用SLIC算法進行超像元分割，得到圖像集O=（o1，o2，…，om），oi=（oi1，oi2），oit表示第t個時相影像在i的分割尺度下的分割影像，m為分割尺度數量。其次，對應oit中各像元區(qū)域，根據變化檢測初始結果Y統(tǒng)計該區(qū)域變化與未變化的像素數，采用贏者通吃的原則將該區(qū)域全部賦予數量多的類別。對所有O進行以上操作，得到結果Yo=（Y1o，Y2o，…，Ymo），其中，Yio=（Yi1，Yi2）；最后，將得到Yo的按t維堆疊，得到t×m的結果，對每個像素對應t個時期m種尺度的變化和未變化數量，根據舉手表決，以數量多的類別作為該像素的最終變化檢測結果，得到最終的變化結果Y'。

3 試驗結果

該文選取安徽省渦陽縣、包河區(qū)和懷寧縣3個地區(qū)作為變化檢測模型的測試區(qū)域，其中，渦陽縣位于安徽省北部，地形特征為平原；包河區(qū)位于安徽省中部，地形特征為平原；懷寧縣位于安徽省南部，地形特征為山地丘陵。針對建設用地變化目標，分別對3個地區(qū)的前后時相影像提取變化圖斑。模型測試結果見表1。

表1 模型測試結果統(tǒng)計（影像分辨率為2.0m）

通過測試可以看出，針對建設用地類型的變化圖斑，模型的查全率優(yōu)于90%，正確率優(yōu)于50%。3個地區(qū)的變化提取效果分別如圖4（a）～圖4（c）所示，黃色區(qū)域為人工提取變化圖斑情況，紅色區(qū)域為變化檢測模型效果。

圖4 前后時相影像變化提取效果示意圖

4 結語

該文通過構建遙感影像樣本庫和基于深度學習的模型訓練技術，獲取適用于建設用地自動提取的變化檢測模型，自動提取了多時相遙感影像變化信息，為提升遙感影像的智能化解譯能力，做出了積極地探索和實踐。