基于面向對象的城市建設變化檢測應用研究

李艷賓 張 偉

1. 寧波市智慧城管中心，浙江寧波 315000；2. 寧波市測繪設計研究院，浙江寧波 315000

隨著城市化和遙感技術的發展，遙感技術在監測城建變化方面得到了很大的發展。遙感對地觀測能夠快速地、廣范圍地獲取地表信息，具有很強的時效性。城市違法建筑情況復雜，以往多以人工判斷為主，通過比對遙感數據，利用地理信息工具進行人工判斷，工作量非常大。因此，為改變現在的作業方式，提升效率，參考已有的研究成果進行本文的研究。

面向對象法就是模擬人的大腦認知，將圖像分割為不同均質的對象，充分利用對象所包含的信息，將知識庫轉換為檢測的規則特征。面向對象法比傳統的像元法具有很大優勢。能夠很好地解決高分辨率遙感影像的椒鹽效應問題，在分割的時候就已經將噪聲融入區塊之中。而且能利用對象的紋理特征、空間信息、光譜信息等信息提高提取的精度。

1 研究區概況

本文使用的數據源是2012年和2017年獲取的寧波地區的兩期遙感影像，包含紅、綠、藍3個波段，分辨率0.5m的遙感影像。如圖1所示，是兩幅728pixels見方的實驗區域，兩期影像的地物類型豐富，檢測區主要由水田、裸地、房屋、道路、綠地、河流等幾類地物構成。針對地物類型主要分為道路、水系、植被、建筑和其他類五類。

圖1 研究區

2 研究方法

遙感影像變化檢測的實質是：地表覆蓋類型會隨時間發生變化，而地表的變化會引起波譜反射特性發生改變，進而引起不同時期遙感影像像元光譜響應發生變化，通過分析不同時期的影像數據的變化，從而獲得土地利用的變化信息。面向對象的變化檢測是分別對兩期影像作面向對象的分割、分類，最后比較分類結果判斷變化和未變化信息。預處理后，對兩期影像分別進行分割、分類，之后導入到同一地圖中進行變化檢測，得到反映影像變化的檢測圖斑。

對兩時相的影像分別創建兩幅獨立的地圖mapT1和mapT2，利用eCognition的COPY函數將2017年實驗影像和2012年實驗影像分別復制到mapT1和mapT2中進行試驗影像的分割是以某個像元進行并行生長，然后以此為參照向周邊像元進行合并同類型大的相鄰像元的過程，從而把圖像變成較多個互補疊合的區域。在相同的區域內，圖像具有相類似的特征，這是面向對信息提取技術的基礎。分割的主要方法有：四叉樹分割法，多尺度分割法，棋盤分割法等。

多尺度分割技術可以獲取遙感數據的尺度信息，通過聚集同質信息，區分異質信息來達到想要的分類效果，多尺度分割方法有效地克服了遙感數據的固定尺度。分割尺度會直接決定分割影像對象的大小及信息提取的精度，根據目標的不同進行不同尺度的分割。

分割的尺度閾值參數主要有：尺度參數 （Scale parameter） 、波段 （Image Layer weights） 、同質性 （Composition of homogeneity criterion） 包括形狀 （Shape） 和緊致度 （Compactness） ；不同大小的分割閾值，會有不同的效果，在進行比較后選取了合適的閾值進行分析。分割尺度越大，生成的數量就會少，單個圖斑的面積也就會很大，分割尺度過大，有些細小面積的圖斑不能提取出來，不能做到全面分類的效果；反之，分割尺度越小，生成的數量就會很多，單個圖斑面積也就會很小，分割尺度太小，分割的比較瑣碎，之后的分類工作量比較大。本次使用的尺度參數=50，波段選擇為相應的波段，同質性設置：形狀=0.1，緊致度=0.5。

面向對象分類技術是指根據空間、紋理、光譜信息，將影像按照設置好的尺度參數分割后進行分類，分割后的影像為一個圖斑的集合，而一個圖斑又是一個個像素的集合，每一個圖斑對象都具有屬性信息，包括紋理特征、空間信息、光譜信息。這里處理的單元就為圖斑而非傳統意義上的像素。根據不同地物對象的光譜、紋理、結構信息，通過構建好的規則集進行分類。在影像分割后利用規則集進行分類后進行變化檢測。

分類規則集指的是鑒別地類的判斷規則，應具有普遍性以及獨有性。分別對兩期影像在mapT1和mapT2中進行分類算法。道路，實例影像的道路主要是小路，沒有明顯變化，利用已有的矢量數據，即已有的道路網數據進行分類。水系，實例影像中水系主要是一條河流，其屬性DEM≤1，按照這個屬性來判斷分類，將分完道路后的其他未分類進行水系分類。監督分類，由于試驗區域的房屋和植被屬于群屋和農耕植被，有些差異并不能進行分類，選取房屋、植被和其他選取訓練樣本進行監督分類。得到分類結果如圖2所示。

圖2 分類后的圖

將分別分類的兩幅地圖同步到統一地圖內進行變化檢測的準備，即將mapT1中的level層和mapT2中的level層導入到main中的levelT1和levelT2中采用synchronize map函數。變化檢測分析的前提是對同一區位界線所確定的屬性之間類型進行比較，須要求兩期圖像的圖斑劃分的程度基本一致。運用eCognition的 Convert to Sub—Objects函數對兩期分類影像的圖斑邊界進行統一。

3 實驗結果與分析

根據上述研究方法，最終獲得了研究區的變化圖斑如圖3所示。

圖3 變化圖

房屋變化，大面積的變化是房屋新建和拆除，房屋周邊的變化主要是由于影像陰暗面、搭建棚房、影像拍攝角度造成。植物變化，大面積變化主要是因為其他類用地和房屋變更為植被，小面積變化為植被增加和減少。其他類變化主要是色彩不一致或者顏色陰暗面造成的。

其中，總的變化圖斑為528個，建筑變化圖斑為98個，植被變化圖斑為146個，其他類變化為51個。由于水系和道路按規則分后eCognition的merge region函數分別進行了合并，不做樣本提取分析。按照提取樣本進行，樣本正確率分析如表1所示，總樣本為94個，建筑樣本32個，植被樣本53個，其他類樣本9個。

表1 樣本分析表

總樣本的正確率為71%，其中建筑樣本的正確率為78%，植被樣本的正確率為64%，其他類樣本為89%。整體變化檢測的結果經目視判讀，符合實際的變化情況，正確率優于傳統基于像元級分類。與單像素的變化檢測算法來比較，面向對象的變化檢測算法，其監測的變化區域呈塊狀分布，沒有孤立的點、離散的單個像素以及離散不連通的區域。分割后的影像成圖斑狀，以圖斑特征相較于單個像素級的灰度特征，能更好地將變化情況呈現出來。

4 結語

通過對兩期影像的變化檢測數據分析，得到了數據結果可靠，對今后的城市建設的變化、監測等方面具有重要作用。利用高分辨率遙感影像來進行高分辨率遙感監測的方法更直觀、更高效、更快速。