基于圖斑空間位置關系的地物變化快速檢測方法

周培誠 李玉堂

摘? 要：快速、準確地檢測出地物的變化信息是當前遙感應用領域的研究熱點，也是技術難點問題。該文提出一種基于圖斑空間位置關系的新型變化檢測方法，該方法綜合利用GIS矢量專題空間屬性信息和遙感影像圖斑模型信息，通過構建三層網絡圖斑層父類與子類之間空間拓撲關系，檢測前期GIS矢量專題數據中地表資源變化圖斑及未變圖斑，并以檢測出來的圖斑作為模型學習樣本點，優化未變圖斑精度，進而快速定位變化圖斑區域，減少人力變化圖斑遍尋時間，指導后期精細化圖斑變化信息檢測。

關鍵詞：變化檢測? 矢量專題? 遙感影像? 空間位置關系

中圖分類號：P231? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼：A? ? ? ? ? ? ? ? ? ?文章編號：1672-3791（2020）09（c）-0056-06

Abstract： It is a hot and difficult issue in remote sensing application field to accurately detect the objects change information. In this paper， a new change detection method based on the spatial location relationship of image objects is proposed. It is using the vector thematic layer and remote sensing image data to build three layer network diagram spots between parent and child spatial topological relations. and detect the change objects and unchange objects in early GIS vector objects that will be taken as model samples to optimize the accuracy of unchanged spot， and then locate the changed spot quickly， reduce the searching time of manual work， and improve the operation efficiency.

Key Words： Change detection; Vector thematic; Remote sensing image; Spatial location relationship

地表資源的變化檢測是利用RS、GIS、GPS等相關技術，利用已有各種基礎底圖數據，對地表要素進行動態和定量化、空間化的監測，并分析其變化頻率、變化量、變化趨勢、空間分布特征、地域差異等，形成反映各類地表資源要素的分布與關系，支撐自然資源發展變化規律的研究和分析。近年來隨著地理國情監測，生態保護紅線的劃定、監測，自然資源調查監測及離任審計[1-4]等相關工作的深入開展，利用高分辨率衛星遙感影像實時監測地表資源的變化情況愈發重要。傳統的以人機交互為主的變化檢測技術，由于需要大量的人工參與，效率低、周期長，已不能適應新形勢的需要，如何快速地、自動地檢測出地物的變化信息是當前遙感應用領域的熱點和難點，也是推動遙感應用快速發展的突破口。隨著云計算、大數據與深度學習技術的發展，變化檢測從傳統的基于遙感影像的人機交互監測技術逐步發展到綜合利用多類型、多分辨率、多數據源的智能化、自動化監測技術，檢測應用方法也從像素級、對象級發展到模型和知識學習類的領域。基于當前研究的現狀，該文提出一種綜合GIS和RS信息的組合變化檢測方法，彌補單一方法的局限性，提高檢測方法的普適性。該方法利用前期矢量專題數據和后期遙感影像數據，利用已有地表資源覆蓋基礎數據，根據地物圖斑時間、空間位置的變化區域和未變區域信息，減少人力變化圖斑遍尋時間，縮小監測范圍，指導后期精細化圖斑變化信息檢測。

1? 理論基礎

遙感影像變化檢測指利用多時相獲取的覆蓋同一地表區域的遙感影像及其他輔助數據來確定和分析地表變化[5]。通常包含4個方面的內容：（1）判斷是否發生變化;（2）變化位置的界定;（3）變化性質的鑒別;（4）變化的時空分布模式分析。其中，前兩個內容是變化檢測首要解決的基本問題。

根據變化檢測的內容，變化檢測技術難點主要集中在兩個方面：一是變化位置的界定;二是變化性質的鑒別[6]。這兩個方面相輔相成，而檢測難度又逐步加大。變化性質的準確鑒別（地表資源分類）需要找到變化地物區別于臨近地物、相似地物的獨有的特征屬性以及地類特征的閾值空間分布規律，建立地類分析模型，受遙感技術發展、監測需求內容、數據條件、地物空間分布復雜度、時間、天氣、檢測方法及觀測者主觀意向的不同，很難找到地物獨有的特征屬性[7]，進而歸納出一個通用性較強、準確度較高的檢測方法。而變化位置的界定具有一定的通用性，地物圖斑位置、邊界等幾何關系、紋理結構、光譜屬性特征（顏色）、地物間的關聯關系發生了改變即可判斷為變化區域。

該文主要解決變化檢測需要解決的基礎問題，在不分類及不進行前后期光譜信息比對的情況下，基于多層圖斑的繼承、邏輯關系以及地類變化的外部特征表現做自動變化檢測，見圖1所示，一切改變的基礎是地物空間屬性的變化，并基于這種變化而導致的圖斑本身特征屬性的改變。當子層圖斑類別屬性發生變化的時候，必然導致圖斑邊界的變化，光譜屬性的改變、紋理的改變、空間關聯屬性的改變、相鄰地物對比關系的改變等。

1.1 遙感影像子層圖斑重塑

子層圖斑邊界的探測與重塑是變化的核心技術，是一切變化的基礎承載，是界定變化與未變化方向的指向所在。

該文子層圖斑邊界的劃分以前期圖斑邊界作為基礎底圖和限制范圍，綜合當前影像數據信息承載精細度、地物紋理、光譜差異性、空間關聯性及圖斑異質性和同質性標準，基于后期影像，從最底層像素層數據開始，基于區域增長的分割算法，通過迭代聚攏的方式構建最基本的分割圖斑單元，所形成的最小圖斑具有異質性平均值最小化以及同質性平均值最大化的特點。利用最小圖斑單元所具有的對象特征屬性，考慮相鄰圖斑間光譜差異性以及圖斑邊界的優化對比度完善基本圖斑數據，最大優化并重塑當前地物地理空間真實分布特性。

1.2 變化區域精細化檢測

變化區域位置的檢測包含兩個階段：第一階段父層變化圖斑位置的粗略檢測;第二子層變化圖斑的精細化檢測。

當地物發生變化的時候，地物之間由于類別本身特性（光譜、幾何、紋理、拓撲等）的不同，表現為影像上不同的地類邊界屬性。利用前期父層圖斑及后期子層圖斑的空間位置的變化，能夠界定出父層圖斑的變化區域、未變化區域，以及變化區域前期父層圖斑的變化位置及子層圖斑的拓撲關聯性。

父層變化圖斑不僅包含變化的地類，也可能包含未變化的地類，如何準確地從變化圖斑里分離出未變化的地類，從而精細化變化區域位置是該文思考的另一個技術創新點，該文基于前期變化圖斑和未變化圖斑的基礎上，借鑒模糊數學方法利用已有條件判定未知條件的概率性，從另一個角度思考變化概念：變化與未變化是相輔相成、互為補充的，變化的檢測即為未變區域的檢測。未變區域的檢測又可理解為已知地類屬性的檢測，然已知地類的智能檢測如前面文章描述需要找到地類獨有的區別于其他類別的特征以及特征閾值空間分布，并轉換為計算機能夠認知和識別的地物客觀描述，這是目前地物類別自動監測的難點和瓶頸[6-7]。該文避開地類分析研究難點，從地物客觀真實存在而不是地物客觀描述出發，采用神經網絡學習方法對未變化圖斑對應的圖像數據做深層次學習，基于學習的特征灰度圖結合模糊數學概率判斷變化圖斑位置。具體技術流程見圖2示。

2? 應用實踐

2.1 數據概況

該文測試數據為廣西藤縣某區域數據，包括兩類數據源：（1）前期2016年土地利用現狀矢量專題數據，帶有土地利用現狀地類屬性信息;（2）后期2017年8月北京二號0.8m遙感影像數據（21世紀空間技術應用股份有限公司提供），數據經過輻射定標、大氣校正以及正射校正、數據配準等數據預處理。區域面積46km2，具有相同的投影坐標系統。矢量和影像的變化檢測，減少了單一影像數據源由于時相和季節的不同而造成的偽變化圖斑，但為了更好地區分不同的地表類型，增大地物之間的對比度，建議后期采用植被覆蓋度較好的時相區間的影像數據。主要數據參數見表1。具體數據分布見圖3、圖4。

2.2 方法應用

2.2.1 圖像對象層創建

該研究借助最早提出基于對象技術做智能化圖像分析的主流商業軟件eCognition，利用軟件提供的圖斑優化算法、深度學習方法和圖斑對象層之間的拓撲關系等開發地類變化檢測規則集。以林地區域變化檢測為例介紹方法應用（其他地類的變化監測利用變化檢測規則中設置循環圖斑檢測的方式實現）。主要構建3層地物圖斑層，每一層的上層為其對應的父層。分別為第一層前期土地利用現狀專題層（GIS LEVEL），主要存儲前期2016年土地利用專題圖斑類別;第二層變化層（CHANGE LEVEL），主要存儲變化圖斑信息;第三層為影像圖斑層（IMAGE LEVEL），主要存儲基于當前影像數據分布特征而創建的圖斑圖層。CHANGE LEVEL與GIS LEVEL具有相同的圖斑邊界結構。具體見圖5。

2.2.2 變化圖斑粗略檢測

利用前后層圖層空間拓撲關系（父層 CHANGE LEVEL，子層 IMAGE LEVEL）統計分析最大子層圖斑面積比率，設置變化檢測敏感因子a的數值。監測出的變化圖斑存儲在CHANGE LEVEL層。具體見圖6。

2.2.3 細化變化區域發現

當檢測出變化圖斑的同時，會有一些未變化的地類圖斑，這些未變化的圖斑具有當前檢測地類所有的特征屬性，我們稱之為種子點，這些種子點是后續圖斑變化區域細化的關鍵所在，也是該文變化檢查方法的延伸創新點：以未變監測變化，即，我們將變化監測的目標間接轉換為未變化區域的檢測，從而檢測出變化區域。

對于未變區域的檢測，該文主要利用卷積神經網絡深度學習的方法對未變圖斑數據做深層訓練，生成未變地類獨有的灰度圖層特征，在這個灰度圖像里包含了未變地類的概率屬性，灰度值（亮度）越大，地類未變的可能性越高;反之，則變化的可能性越高。具體見圖7。

利用未變地類與種子點的相似特征概率值檢測出變化圖斑的詳細信息，包括位置、面積等地理空間信息。具體見圖8。

2.3 精度評價

變化檢測成果的準確性通過真實變化檢測圖斑與自動變化檢測圖斑做相應的比較。利用混淆矩陣方法對于林地、耕地、水域及城鎮村及工礦用地4個主要地類變化區域做精度檢測，樣本檢查點561個，整體精度79.8%，KIA精度74.3%。具體見圖9到圖11。

除城鎮村變化外，其他地類變化檢測精度達到80%以上。城鎮村地類由于前期矢量數據將小區林草地作為城鎮村的類別勾繪，后期高分辨率下建筑物之間對比明顯，圖斑切割破碎，檢測效果并不理想。

3? 結語

該文針對變化檢測的基礎需求，提出并應用了基于圖斑空間位置關系的變化檢測方法，該方法綜合GIS精準空間屬性和RS特征模型信息，快速定位變化區域。可用于在地表資源變化檢測工作中輔助人工工程化變化檢測，指導人工變化檢測判斷方向，為自然資源監測、審計等提供技術支持。該文對于建筑物等小尺度地物檢測精度并不理想，后續將在該文研究基礎上有針對性地細化研究，改善前后期圖斑差異性太大造成的精度問題。

參考文獻

[1] 王占強，詹慶明，湯碩華，等.地理國情監測在城市建設用地規劃評估中的應用研究[J].測繪地理信息，2019，44（4）：23-26.

[2] 馮春，郭建寧，閩祥軍，等.土地利用/土地覆蓋遙感變化檢測方法新進展[J].遙感信息，2006（3）：81-85.

[3] 牛志春，侍昊，李旭文，等.基于遙感技術的生態保護紅線區域監測與評價——以鹽城沿海地區為例[J].環境監控與預警，2017（2）：10-13，44.

[4] 周軍其，葉勤，邵永社.遙感原理與應用[M].武漢：武漢大學出版社，2014：256-258.

[5] 李德仁.利用遙感影像進行變化檢測[C]//海峽兩岸測繪發展研討會.2004.

[6] 周啟鳴.多時相遙感影像變化檢測綜述[J].地理信息世界，2011，9（2）：28-33.

[7] 吳海平，黃世存.基于深度學習的新增建設用地信息提取試驗研究——全國土地利用遙感監測工程創新探索[J].國土資源遙感，2019，31（4）：159-166.

[8] 劉科堯，李東，程越，等.遙感技術在農村土地資源規劃中的應用[J].科技創新與應用，2019（21）：23-24.

[9] 謝福鼎，赫佳妮，鄭宏亮.半監督離散勢理論在遙感影像變化檢測中的應用[J].測繪通報，2019（8）：54-58.

[10] Mankos I，Schneider T，Ammer U.A Comparison Between the Isodata and the Ecognition Classification Methods on Basis of Field Data[C]//International Society for Photogrammetry and Remote Sensing.2000：133-139.