基于GF-2號衛星影像的土地利用變化監測研究

曾靈芝

(賀州市自然資源局 廣西賀州 542899)

變化檢測是利用不同時期的觀測結果來確定特征和現象變化的過程。遙感圖像檢測范圍廣、檢測周期短，是變化檢測數據的重要來源，其廣泛應用于土地利用變化檢測、城市擴展監測、地形圖更新等領域[1]。

根據數據源分類，遙感圖像變化檢測可分為兩類：影像-影像法和矢量-影像法。該成像方法使用時間序列遙感圖像作為數據源，使用一些相似性測量來測量圖像之間的差異，并且基于一些閾值執行變化檢測。經典的圖像方法包括圖像差分法、圖像比較法、變化矢量分析法和后分類比較法。矢量圖像方法使用矢量圖像和遙感圖像作為數據源。現有的矢量圖像處理方法可以分為分類后比較法和分類函數法兩種[2]。分類后比較法結合遙感圖像上的矢量圖，提取不變的類作為學習模式，監視遙感圖像的分類，比較矢量圖的分類和分類結果，檢測變化。分類函數法結合遙感圖像上的矢量圖提取遙感圖像上不同類型像素的特征。對像素的特征模式進行分類分析，識別修正后的像素，對各類別的變化結果進行統計來檢測變化。

現有的矢量成像方法研究較少，現有的類別成像方法在檢測局部變化模式方面較差。因此，本文提出了一種基于矢量映射和類別的遙感檢測圖像變化的方法。該方法在矢量圖的約束下對遙感圖像進行分割，根據分割結果構建圖像塊的類異質性，逐類別對像斑進行變化、未變化判別，能夠有效檢測發生局部變化的像斑，同時實現了變化檢測的自動化。

1 本文方法

本文方法屬于矢量-影像法中的類別特征法，方法流程如圖1所示。

圖1 本文方法流程圖

首先，使用矢量圖像作為抑制因子來分離遙感圖像，獲得圖像像斑，提取直方圖作為像素的特征，并使用G統計量來測量像素的特征距離。基于像素與相似像素之間的特征距離，計算同一頻帶內像素的異質性。基于每個波段中像素信息的熵，自適應地確定每個波段的權重，并對每個波段圖像點的異質性進行加權和組合。最大熵方法用于獲得異質性閾值，并確定每個波段圖像點的異質性。將該類別中像素的異質性與該類別中的異質性閾值進行比較，以查看該類別中像素的變化。通過整合不同的變更結果，可以獲得完整的變更結果[3]。

1.1 帶約束的影像分割

矢量圖中多邊形的變化可以分為兩種類型：全局變化和局部變化。全局變化是指多邊形的全局類別的變化，局部變化是指一個多邊形的局部區域的變化。為了有效地檢測具有局部變化矢量圖的區域，必須在矢量圖的約束下對遙感圖像進行分割，并對局部校正區域進行分割。

保留原始矢量圖形的邊，以及原始矢量圖形和圖像中的新邊。在通常的有限圖像分割方法中，通過光柵矢量調整將矢量圖像疊加在遙感圖像上，在不被遮擋的情況下對矢量圖像的多邊形進行分割，得到像斑[4]。非約束圖像分割方法包括區域生長方法、區域融合方法和邊緣檢測方法。通過有限圖像分割生成的圖像塊包括新時期遙感圖像的特征和早期矢量圖中的對象類別的屬性。下文將歷史時段矢量圖中的類型稱為像斑的類型。

圖2是帶約束影像分割的示意圖。圖2（a）是矢量圖，包含A 和B 兩個多邊形，對應的地物類別依次為TA、TB；圖2（b）是遙感影像；圖2（c）是矢量圖約束下的遙感影像分割結果。多邊形A 內部未產生新的邊緣，多邊形B內部產生了新的多邊形C，多邊形C在矢量時期對應的地物類別為TB。

圖2 帶約束的影像分割示意圖

1.2 像斑特征提取

像斑是一組光譜相似的空間相鄰像元的集合。像斑屬性是所有內部像元的內置表達式，必須反映內部像素分布。直方圖是描述變量分布的統計特征。灰度直方圖用于描述圖像點上的灰度值與其出現頻率之間的函數關系。這樣可以更好地表示圖像點上灰度值的分布，它也可以在一定程度上代表像斑的紋理特征，以及圖像點的灰度特征。

1.3 像斑特征距離度量

通過直方圖提取像斑特征后，像斑特征距離轉換為直方圖距離的測量。測量直方圖距離的常用方法包括G統計量、直方圖相交距離、相交熵等。

1.4 像斑類別異質度構建

圖像點的異質性用于測量圖像點與其相應類別之間的異質性。像斑類別越不均勻，像斑變化越大。如果圖像點的類別在新時期發生了變化，那么圖像點與舊時期圖像中其他類似點之間的特征距離較大，相應距離的平均值也較大[5]。

1.5 異質度閾值獲取

各類像斑中，變化像斑對應的類別異質度較大，未變化像斑對應的類別異質度較小。文中通過設定類別異質度閾值實現各類像斑的變化判別。常用的閾值獲取方法有大津法、最大熵法。最大熵法基于熵最大化理論獲取最優閾值，不需要對數據的分布預先作任何假設[6]。

每種地物類別均對應一個異質度閾值。各地物類別的異質度閾值取決于該類別所屬所有像斑的類別異質度，為此不同的地物類別對應不同的異質度閾值[6]。

1.6 基于類別的像斑變化判別

獲取各地物類別的異質度閾值后，以類別為單位，對各類地物所屬的像斑進行變化判別。

2 實驗與分析

本文使用的實驗數據為2016 年廣西市土地利用矢量圖和2021年GF-2遙感圖像。2016年土地利用矢量圖包括64 個多邊形，包括道路、農田、湖泊、住宅用地、森林和空地6種土地類型。遙感圖像大小為990×1 027 像元，藍、綠、紅、近紅外4 個波段，空間分辨率2.4 m。利用2016年土地利用矢量圖，2021年遙感圖像分割為219 個像斑。為了便于變化結果的量化，使用視覺解釋技術建立了表面變化的標準結果。2016—2021年城市化快速推進，大量裸露的城區土地被填筑并轉換為宅基地。圖3（a）是GF-2 的紅色、綠色、藍譜段合成的真彩色遙感圖像，圖3（b）矢量圖中的2021年遙感圖像的分割結果圖。

圖3 實驗數據

文中分別利用正確率、誤檢率、漏檢率3個指標來衡量變化檢測的精度。正確率是檢測類別與實際類別一致的像元在全部像元中的比例，誤檢率是實際未變化、檢測變化的像元在檢測變化像元中的比例，漏檢率是實際變化、檢測未變化的像元在實際變化像元中的比例。正確率越高，誤檢率、漏檢率越低，則變化檢測的精度越高。

2.1 灰度級實驗

不同的灰度級會對應不同的變化檢測結果。為了獲取最優的灰度級，文中分別選取了8、16、32、64、128、256共6組灰度級進行變化檢測，對應的變化檢測如圖4所示。

圖4 變化檢測精度隨灰度級變化關系圖

圖4顯示了當灰度級從8變為32并且錯誤檢測級別降低時，精度增加的趨勢，錯誤檢測率的變化相對較小。如果灰度為32，則最大精度為0.91，最小錯誤檢測率為0.2，漏檢率則為0.33。灰度級從32變化到128的灰度級時，精度降低，錯誤檢測率增加，并且漏檢率略微降低。當灰度級從128 變為256 時，漏檢率提高，而誤檢率降低。當達到灰度級L=32時，誤檢率和漏檢率是最佳的，漏檢率為0.33，相對低于0.31 的最佳泄漏率，相差較小。為此文中選取灰度級L=32 進行變化檢測，此時變化檢測結果的混淆矩陣如表1 所示。表中行為地表真實結果，列為算法檢測結果，單元格中的數字為像元數，單位為個。

表1 本文方法混淆矩陣 （單位：個）

2.2 變化方法對比實驗

為了驗證本文提出方法的有效性，將本文提出的方法與基于像斑平均灰度的方法進行了比較。像斑灰度平均值使用圖像點內的像素的灰度平均值來表現圖像點的特征，使用歐幾里得距離計算圖像點間的特征距離，構筑類別的異質性，并進行變化檢測。兩種方法的變化檢測結果如圖5所示。圖中的黑色區域表示變化，白色區域表示沒有變化。

圖5 不同方法的變化檢測結果

如圖5所示，散斑圖灰度平均法有大量的誤檢（圖5（a）中的黑色矩形的內部區域）和漏檢（圖5（a）的黑色橢圓的內部區域中）。圖5（a）的橢圓區域在2016年的土地利用矢量圖中被分類為裸地，但在2021的遙感圖像中被變更為宅地。兩者反射率都很強，對應的灰度平均值相對較大，差較小。兩者之間的特征距離小，裸地圖像異質性小，導致漏檢，圖5（a）的矩形區域在2016 年的土地利用矢量圖中被分類為住宅區。由于居住區的多樣性，不同類型居住區間的灰度平均值可能存在顯著差異，相應的特征距離也可能較大，從而產生居住區類別的顯著異質性，導致誤報。圖5（b）中的變化檢測精度良好，能夠正確地檢測圖5（a）中的錯誤檢測和遺漏的一部分區域。

兩種方法變化檢測結果的精度對比具體如表2所示。從表2 中可以看出：灰度均值法的誤檢率與漏檢率均較高，本文方法的各項精度均優于灰度均值法。

表2 兩種方法變化檢測精度對比（單位：%）

3 結論

文中提出了一種基于類別的矢量圖與遙感影像的變化檢測方法，實現了變化檢測的自動化。通過矢量圖約束的影像分割獲取像斑，提取像斑的直方圖特征，采用G統計量計算像斑的特征距離，利用像斑及同類別像斑特征距離的平均值構建像斑的類別異質度，依據最大熵法獲取各地物類別對應的異質度閾值，比較像斑的類別異質度及對應類別的異質度閾值實現像斑的變化判別。在GF-2 遙感影像上的實驗驗證了本文方法的有效性，同時可以得出以下結論：利用直方圖提取像斑特征時，直方圖的灰度級應適中。灰度級過大，直方圖過于稀疏，會降低直方圖距離度量的準確性，降低變化檢測的精度；灰度級過小，直方圖較為緊湊，但會丟失部分地物細節信息，減小地物之間的可分性，導致變化檢測中的漏檢。

本文方法能夠實現矢量圖與遙感影像變化檢測的自動化。本文方法不需要人工選取訓練樣本，采用自動的閾值獲取方法，因此能夠實現自動化的變化檢測，提高變化檢測的效率。