超像素分割和多方法融合的遙感影像變化檢測方法

肖明虹，馮文卿，眭海剛

(1. 廣西壯族自治區地理信息測繪院，廣西 柳州 545006；2. 武漢大學測繪遙感信息工程國家重點實驗室，湖北 武漢 430079)

隨著遙感影像空間分辨率的提高，同類地物內部光譜差異逐漸增大，基于像元光譜統計的自動變化檢測技術已經不能滿足當前遙感圖像變化信息提取的要求，成為制約高分遙感圖像廣泛應用的主要瓶頸[1]。面向對象分析(object oriented image analysis，OBIA)方法為高分遙感影像變化信息提取提供了新的思路，各國學者針對不同的應用目的，從不同的方面研究了大量的變化檢測方法和理論模型[2-7]。

文獻[3]利用eCognition軟件進行多尺度分割，通過提取對象在不同尺度上的光譜特征和紋理特征，使用基于特征的差值法，然后對不同尺度的差值結果進行融合，以獲取最終的變化檢測結果。文獻[4]結合對象的光譜直方圖和LBP紋理特征，利用G統計量和自適應閾值方法，提出了一種融合對象多特征的變化檢測算法。文獻[5—10]利用基于對象的變化向量分析法、相關系數法、χ2變換法，綜合利用對象的多種特征參與分析，如光譜信息、紋理信息、對象間的拓撲信息等，最終使得變化檢測結果更加準確和穩健。文獻[11]利用SLIC超像素分割并結合3種像素級變化檢測算法，將分割結果與變化檢測結果進行多方法融合，以提高變化檢測精度。其中，變化向量分析(change vector analysis，CVA)和光譜斜率差異(spectral gradient difference，SGD)兩種算法是經常被使用的方法。CVA在光譜空間計算變化強度信息，而SGD在斜率空間比較不同時期的光譜斜率向量的差異，即光譜曲線形狀的差異，得到變化強度影像，通過閾值設置確定變化和不變化的區域[12-14]。本文在上述研究基礎上，通過結合兩種方法的優勢，采用基于熵率[15]的方法對影像進行分割，以超像素作為變化檢測的基本單元，提出一種新的變化檢測算法，其總體流程如圖1所示。

圖1 變化檢測算法整體流程

1 研究方法

1.1 變化向量分析

已知時相1和時相2同一位置對應的兩個超像素區域，它們的特征向量分別為Q1(Q11,Q12,…,Q1n)和Q2(Q21,Q22,…,Q2n)，其中n為對象的特征數量，特征個數n一般至少兩倍于影像波段數[5]。本文主要提取超像素內所有像素在各波段的平均值及標準差來作為它們的特征向量，則其對應的變化矢量為

(1)

本文采用變化向量模法將差值向量Qc(其中Qc=Q2-Q1)變換成一個標量值，用來衡量對象的變化強度[5]，其計算公式如下

(2)

變化向量各分量標準化公式為

(3)

那么新序列Pci∈[0,1]且無量綱。當W的值大于某個閾值時，則認為對象發生了變化，否則沒有發生變化。

1.2 光譜斜率差異法

基于光譜斜率差異比較的方法主要是通過計算光譜斜率，將變化檢測過程從傳統的光譜空間轉換到斜率空間，比較兩期遙感影像光譜斜率的強度差異來判斷地物是否發生了變化[12-14]。該方法解決了傳統的變化檢測算法僅在光譜空間計算光譜值變化強度的大小，能夠較好地區別真實變化和偽變化[12-14]。假設該方法用于同一區域，兩個不同時刻的遙感影像地表覆蓋變化檢測過程，同一地點的遙感影像的M個波段的光譜數據，依據波譜范圍連接成M-1個光譜段，分別針對前、后時相的每個點位，計算每個光譜波段的斜率，其中光譜段(N,N+1)的斜率計算公式如下

(4)

(5)

式中，λN為第N波段的波長值；min(λ)為遙感影像所有波段中波長的最小值；max(λ)為遙感影像所有波段中波長的最大值。它們的單位均為微米。

根據式(4)的斜率計算公式，分別計算T1、T2兩時相影像的每個點位的各波段斜率值，形成斜率向量并用來表示光譜的形狀，它們的斜率向量分別為

(6)

接著，通過斜率向量的絕對距離來計算斜率的變化強度，計算公式如下

(7)

(8)

2 試驗結果與分析

為了綜合驗證本文方法的可行性和有效性，采用前、后兩期SPOT5影像進行試驗，分別為2002年和2007年北京市某區域多光譜融合影像，空間分辨率為2.5 m，主要包含紅(0.61～0.68 μm)、綠(0.49～0.61 μm)、近紅外(0.78～0.89 μm)、短波紅外(1.58～1.78 μm)4個波段，影像大小為626×702，其假彩色影像如圖2所示，其中圖2(c)是根據目視解譯結果而制作的參考變化檢測影像。試驗采用基于熵率的分割算法來獲取超像素，分割的目的在于盡可能將同一種類型的地物分割在一起，最終形成一系列緊湊、區域一致性較強的同質區域。通過對比兩期影像中不同地物的光譜變化，可以觀察出主要的變化為不同季節耕地變化，以及農業用地與建筑區之間的相互轉換等，因此本文重點檢測這些區域之間的變化。

圖2 試驗數據集

本文在4個尺度上對原始影像進行超像素分割，超像素個數分別設置為3500、2500、1500、500。接著，在不同尺度上對不同時相影像對應的超像素區域的光譜亮度值及斜率差異值進行分析，提取變化強度影像和斜率差異影像，并將影像的灰度等級量化到0～255之間。然后，對這兩種差異信息按照一定的權重進行加權融合，并對融合后的差異影像進行OTSU閾值分割，來獲取最終的變化和未變化區域。結果如圖3所示，其中黑色區域表示未變化的區域，白色區域表示變化的區域。

當融合權重w=1時，此時只考慮了變化強度信息，未考慮斜率差異信息，試驗影像利用CVA方法得到的變化檢測結果如圖3(a)—(d)所示。相反，當融合權重w=0時，試驗影像利用SGD方法得到的變化檢測結果如圖3(e)—(h)所示。當融合權重設置為w=0.3時，利用兩種融合信息得到的變化檢測結果如圖3(i)—(l)所示。為了對所提出的方法性能進行定量評估，本文比較了不同超像素數及不同融合權重對最終變化檢測結果精度的影響。其中，圖4給出了試驗數據在不同超像素數目下，以及融合權重設置為w=0.3、w=0.6、w=0.9時的精度評估對比圖。表1則具體給出了試驗數據在超像素個數為3500時的精度評定結果。

圖3 變化檢測結果

方法總體正確率/(%)虛檢率/(%)漏檢率/(%)Kappa系數CVA92.9213.1529.970.7339SGD94.8816.0712.580.8253Fusion,w=0.395.6013.8110.960.8491Fusion,w=0.695.3112.3714.830.8355Fusion,w=0.993.5413.0725.820.7623

從圖4中可以看出，在4個分割尺度上，當超像素個數為3500時，此時變化檢測結果的總體正確率和Kappa指數要優于其他3個尺度，虛檢率和漏檢率也要小于其他3個尺度；當超像素個數為500時，此時的分割結果不能較好地反映地物的實際形狀，欠分割的區域較多，得到的超像素區域內部地物不均勻，同質度較差，其總體檢測精度也遜于其他3個尺度。在3個不同的融合權重下，當權重為0.3時，此時融合檢測結果的精度要好于權重為0.6和權重為0.9的情形。此外，從表1中可以看出，基于光譜斜率差異的方法檢測精度要好于變化向量分析法，當融合權重側重于斜率差異影像時，此時能較好地改善變化檢測結果精度。

綜上所述，本文所提出的方法相較于只利用單一的變化信息，能夠提高變化檢測結果的精度，檢測到的地物變化與實際變化更為一致，同時也有效抑制了單一方法所產生的虛檢或漏檢現象。在實際的變化檢測應用中，可以根據不同的應用目的，結合先驗知識選擇合適的融合權重及超像素區域個數，集成兩種方法的優勢，以獲取最佳的檢測精度。

圖4 不同權重及超像素數下的變化檢測精度比較

3 結 語

本文提出了一種結合變化向量分析和光譜斜率差異的遙感影像變化檢測算法。該方法通過基于熵率超像素分割，獲取多尺度超像素區域，然后通過對變化強度影像和斜率差異影像進行加權融合，采用OTSU閾值分割來得到最終的變化和未變化區域，從而提高了變化檢測的精度。但是也仍然存在一定的不足之處，從熵率超像素分割算法的角度來講，其僅僅考慮了影像的光譜信息，對遙感影像的分割質量存在一定程度的劣勢。對于紋理密集且區域較大的地方，過分割現象可能會存在。因此，在影像分割時，具體使用多少個超像素為宜，即平衡性的問題，是一個值得考慮的地方。在利用超像素分割獲取初始分割結果之后，可以進一步對分割結果進行區域合并，改善分割結果質量。