基于多時相遙感圖像智能變化檢測方法的研究

施向豐，帥梅琴，申勁松

(1.江西理工大學建筑與測繪工程學院，江西贛州341000;2.江西省第一測繪院，江西南昌330001)

基于多時相遙感圖像智能變化檢測方法的研究

施向豐1，帥梅琴2，申勁松2

(1.江西理工大學建筑與測繪工程學院，江西贛州341000;2.江西省第一測繪院，江西南昌330001)

采用一種智能變化檢測方法，首先對多實相遙感圖像進行預處理;其次進行特征提取;然后通過數量差異計算、閥值確定、空間濾波進行檢測;最后提取出感興趣的區域，得出定量結果，并通過試驗證明這種方法在實際應用中是可行的和有效的。

變化檢測;遙感圖像;數量差異;空間濾波

一、前 言

航天和航空遙感技術在最近10年中取得了飛速的發展。遙感數據獲取技術趨向三多(多傳感器、多平臺、多角度)和三高(高空間分辨率、高光譜分辨率、高時相分辨率)，從而使得衛星每天都要發回以TB為單位的圖像數據。而利用這些圖像數據可以實時、自動地回答何時、何地、何目標發生了怎樣的變化的問題［1］。

遙感變化檢測技術是遙感信息科學的重要研究領域，是當前遙感數據處理技術的主要發展方向［2］。遙感變化檢測的實質是判別研究目標的地物特征隨時間發生的變化。通常根據具體應用項目的數據條件和需求目標來確定變化檢測的對象，變化檢測的對象可以是同一傳感器在T1、T2時間點分別獲取的同源圖像，也可以是不同傳感器在T1、T2時間點獲取的非同源圖像。此外還可以在經過預處理的遙感圖像與矢量數據之間進行變化檢測。本文基于同一傳感器在T1、T2時間點分別獲取的同源圖像，采用了一種智能變化檢測方法。

二、智能變化檢測模型

從模式識別的角度看，可以簡單地把變化檢測理解為找出兩幅不同時相遙感圖像的不同點［3］。變化檢測方法中有多種算法和程序可以用來檢測兩幅圖像間的變化，總體上可以分為兩大類：變換技術和變化分類技術。變換技術是通過設置變化與非變化的閥值來產生一幅變化圖像;變化分類技術可以直接檢測出圖像中的變化并繪制成圖［4］。本文采用的是變換技術，因為變換分類技術需要進行數據格式的轉換，容易造成某些數據的丟失。

變換技術通用的算法就是進行布爾運算，最簡單的就是把用來檢測的兩幅圖像作減法計算［5］。從理論上來說，如果沒有發生變化，兩圖像間的差異度為零。比如用時相2減去時相1，像元變暗說明有負的變化，反之就說明有正的變化。而變化值與零值相比的大小則能說明變化程度的大小。表示兩幅圖像波段間的對比一般是使用對稱性相對差公式來衡量的，即

式中，T1為時相1圖像中的像元;T2為時相2圖像中的像元;D為各個像元的差值。

在實際應用中根據測量時相2和時相1圖像的像元值變化的比值(symmetric change threshold(%))來區別差異的。因為在大多數情況下，可以認為像元亮度值的比值變化比簡單的絕對值的差異更能夠表示圖像實際發生的變化。而僅僅知道兩幅不同時相圖像發生變化是遠遠不夠的，關鍵是對于那些感興趣的目標是否能夠被檢測出來，如某一地區在地震前后建筑物損失程度的變化檢測。本文中筆者采用數量差異(magnitude difference)算法，該算法是基于式(2)來計算圖像所有波段中每一個像元亮度的。

該算法能檢測出很多類型現象的變化，從而檢測出變化事件的存在，因為這些變化使圖像中所有波段像元的亮度值都產生了變化。

三、變化閥值的設定

變化圖像中的非零值并不能說明地面要素的實際變化情況，因為圖像中目標物體的自然光譜具有可變性。因此需要對圖像中明顯地表達了真實地表類型變化的區域建立背景值。本文采用自動計算出的比值作為變化檢測的閥值，而背景值就是根據閥值來計算的。具體算法是取兩幅不同時相的遙感圖像，利用式(1)計算出變化差值，然后依據這些差值繪制直方圖。圖1顯示了一個圖像變化的直方圖，其尾部的分布狀態表示了正(positive)負(negative)變化的增長水平。

圖1 變化圖像直方圖

按照偶然誤差的特性，本文取2～3倍的標準差作為閥值。圖2即為取2.5倍標準差作為閥值的變化圖像直方圖，在這個區域外的數據都可以看做是發生了變化的。為了消除極端變化數據，筆者添加了閥值上限(upper bound)和閥值下限(lower bound)，如圖3所示。這樣做的好處在于：不僅提高了檢測變化的能力，而且提高了對復雜事物的辨別能力。

圖2 添加閥值后變化圖像直方圖

圖3 添加閥值上下限后變化圖像直方圖

四、空間濾波(spatial filtering)器的設計

如果只是想查看兩個實相圖像的所有變化，那么只需要輸入閥值后就可以立即開始分析變化圖像了。但是一些特殊的用戶只想查看他所感興趣的變化，這就需要有一個濾波器進行過濾，從而過濾出感興趣的東西。

一般情況下變化區域的圖斑可以看做是二維像元空間集合，像元集合中心的質心確定了變化區域準確的中心點。長軸是沿像元集合延長方向上通過質心的一條線，短軸是長軸的垂線，如圖4所示。

圖4 變化區域的圖斑

這些軸的長度從根本上確定了該變化區域的尺度特征，并且還可以當做形狀辨別器。如為檢測一條新建的高速公路，就可以把沿著線路方向的一側當成長軸進行過濾。

五、檢測試驗與結果分析

本次試驗采用ERDAS IMAGINE中提供的兩幅同一地區不同時相的QuickBird圖像作為例子，其具體屬性參數見表1。試驗是在ERDAS IMGINE 2010軟件平臺基礎上完成的。首先對遙感圖像進行預處理(圖像配準和輻射歸一化);其次對變化檢測的兩幅圖像按照需要進行過濾;最后采用智能變化檢測方法完成兩幅之間的變化檢測。試驗圖像如圖5所示。

表1 試驗數據屬性參數

圖5 試驗圖像

圖6是采用智能變化檢測方法得出的試驗結果，從圖6中顯示的變化區域來看，其與人眼辨別的結果相差無幾，只是幾個微小的地方沒有檢測出來，檢測結果的準確率能達到90%以上。同時，在試驗中還發現以下問題：對子圖像尺寸大小的選取十分重要。如果尺寸太大，參與匹配的像元包含太多的不感興趣的目標;如果尺寸太小，待檢測的目標被分割到多個子圖像中，容易造成檢測結果的失真。

圖6 試驗效果

六、結束語

遙感圖像變化檢測是遙感數據處理過程中非常重要的一個環節，利用本文方法能快速檢測出兩個時相圖像中發生真正變化的絕大部分區域。該方法也可以將同一地區久遠的多實相遙感圖像作為訓練樣本［7］，用于新近的多實相遙感圖像的變化檢測，實現對該地區的長期動態監視。對于如何進一步提高檢測精度，以及如何優化變化檢測的算法將是筆者下一步的主要研究方向。

［1］ 李德仁.利用遙感影像進行變化檢測［J］.武漢大學學報：信息科學版，2003，28(S1)：7-11.

［2］ 馬建文.遙感變化檢測技術發展綜述［J］.地球科學進展，2004(4)：192-196.

［3］ HAZEL G G.Object-level Change Detection in Spectral Imagery［J］.IEEE Transactions on Geoscience and Remote Sensing，2001，39(3)：553-561.

［4］ 黨安榮，賈海峰，陳曉峰，等.ERDASIMAGINE遙感圖像處理教程［M］.北京：清華大學出版社，2010.

［5］ LU D.Change Detection Techniques［J］.International Journal of Remote Sensing，2004，25(12)：2365-2401.

［6］ 陳陽，陳鷹，林怡.GIS輔助下的高分辨率遙感影像變化檢測［J］.鐵道勘察，2008，34(4)：29-32.

［7］ DAI X L，KHORRAM S.The Effects of Image Misregistration on the Accuracy of Remotely Sensed Change Detection［J］.IEEE Transactionson on Geoscience and Remote Sensing，1998，36(5)：1566-1577.

［8］ 蘇娟，王貴錦，林行剛，等.基于多時相遙感圖像的人造目標變化檢測算法［J］.自動化學報，2008，34(9)：1040-1046.

Study on the Intelligent Change Detection Methods on the Basis of Multi-temporal Remotely Sensed Images

SHI Xiangfeng，SHUAI Meiqin，SHEN Jinsong

0494-0911(2012)09-0023-03

P237

B

2012-05-26

施向豐(1977—)，男，江蘇啟東人，碩士，主要從事攝影測量與遙感等方面的科研與教學工作。