遥感图像的变化检测就是识别和分析不同时相遥感图像中目标物发生的变化, 包括判断目标物是否发生变化、确定变化的区域和类型、评价变化的时间和空间分布模式等, 是空间数据更新的关键环节。道路数据的更新是空间数据更新的重要组成部分之一, 道路变化检测能够形象直观地展现道路更新情况, 因此成为研究的热点。

各国学者已采用不同的方法对道路变化检测进行研究。Klang D^[1]使用统计学方法对已存在道路网进行线性跟踪, 实现了对新增道路的检测; 董明^[2]提出了自动赋初值的LSB-Snake模型, 辅以缓冲区约束规则和以角度、长度为约束条件的知识判断逻辑对道路变化状况进行自动检测, 得到道路网的变化信息和提取了新增道路; Zhang Q P等^[3]提出了先小波方法进行道路提取、再图像融合完成变化检测的方法; 唐炉亮^[4]利用线状地物相似性对道路变化进行了检测。现有道路变化检测的研究大多是在像素级或特征级的基础上进行, 受噪声影响较大, 多数只利用了遥感图像的灰度信息, 而没有充分利用高分辨率遥感图像所包含的丰富的影像信息; 并且不能确定变化类型^{[5, 6, 7, 8, 9]}。面向对象方法的基本分析单元是经过分割、具有相同均质单元的对象, 能有效地利用地物的光谱特征、形状特征和空间信息等。由于其独特的优势, 面向对象方法被广泛应用, 但采用面向对象的方法进行道路变化检测的研究还鲜见报道。

为了充分利用高分辨率遥感图像中地物的光谱特征以及对象之间的语义、形状和纹理等特征, 本文采用面向对象的方法对城市道路变化进行检测, 提出了基于投影互分割技术的城市道路变化检测方法。根据不同地物的相应特征, 对经过融合、配准的不同时相的遥感图像, 以不同尺度进行图像分割; 在不同对象层次上提取感兴趣对象并进行层次分类, 分别检测、提取出不同时相图像中的城市道路; 最后建立检测层, 进行不同时相图像在检测层的各对象层上投影后的互分割操作, 判断相应位置地物类别的一致性, 从而达到道路变化检测的目的。

城市道路投影互分割变化检测是在面向对象分割和分类的基础上进行的, 即通过面向对象的多尺度分割和层次分类得到不同时相图像各自的地物信息, 检测和提取图像中的道路信息; 然后将不同时相图像的分类结果投影到中间层(即检测层)的不同对象层上, 将2个对象层的分类结果进行互分割, 即利用各对象层的逻辑投影距离判断2个对象层上相应位置地物类别的一致性, 从而得到道路变化检测结果。投影互分割变化检测方法将没有相互关系的不同图层上的图像分类结果通过投影转换到同一图层的不同对象层上, 利用同一图层不同对象层之间的空间位置关系进行投影结果的互分割操作, 完成道路变化检测, 是一种简单有效的方法。

利用投影互分割道路变化检测方法进行城市道路变化检测的技术流程如图1所示。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 技术流程图Fig.1 Technical flow chart

在多种类型的高分辨率遥感图像中, 多光谱图像具有丰富的光谱信息, 全色图像具有较高的空间分辨率, 为了得到具有丰富光谱信息的高分辨率图像, 本文对覆盖范围一致的2009年和2010年获取的QuickBird图像进行预处理, 包括几何纠正、空间配准和图像融合^[10]。

不同时相图像中的地类及相应空间关系都发生了改变, 要对它们分类, 就要在互不关联的不同图层上分别进行。首先建立“ 2009前时相层” 和“ 2010后时相层” , 然后在各图层上分别进行多尺度分割分类^[11], 分别检测和提取城市道路, 以用于变化检测。

2.1 多尺度分割

区别于以往的单个像元, 多尺度分割的基本分析单元是对象。对象是指光谱、形状或纹理等特征相同的均质单元(即由含有更多语义信息的多个相邻同质像元组成)。多尺度分割是在不同尺度下进行图像分割, 通过向上分割或向下合并, 得到不同级别的均质区域的对象。

多尺度分割使得相同空间分辨率的图像信息不再只是由一种尺度表示, 而是由多种适宜的尺度描述。在不同对象层以不同尺度提取不同属性的类别信息有助于解决所识别图像中地物的“ 同谱异物” 问题。对不同的地理实体采用不同的分割尺度可以避免尺寸过小将地物分割得过于细碎或者尺寸过大出现不同地类混分的现象。恰当的分割尺度是指以这种尺度分割得到的多边形能以一个或多个对象表示感兴趣的地物, 既不会过于细碎, 又能清楚地显示不同地类的边界。

考虑到图像中阴影等地物的尺寸较小、道路等地物的尺寸较大, 为了得到合理的分割效果, 本文分别采用20和70作为分割尺度在eCognition8.0中进行多尺度分割(部分区域的分割效果如图2所示)。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 多尺度分割图Fig.2 Multi-scale segmentation

从图2可以看出, 采用20为分割尺度时, 地物及其对应阴影能被很好地分割, 但是道路被分割的过于细碎; 采用70为分割尺度时, 出现建筑物与周围裸地混分, 但是道路被完整地分割。2种分割尺度构成了具有拓扑关系的网络层次对象层, 这样有利于根据地物特征在不同分割尺度下进行层次分类。

2.2 层次分类

多尺度分割得到对象层次网络体系后, 如何检测和提取各个地物目标是分类的关键。用合适的特征描述各个地物目标, 并构建多特征集合的语义知识库结构, 使每个对象明确各自的背景并与其他地物区分开来, 进而实现地物的逐级层次分类和目标地物的提取。

对各地物的特征分析如下: ①图像中的植被可用归一化植被指数描述^{[12, 13]}。归一化植被指数(NDVI)由近红外波段(NIR)和红波段(R)共同定义, 反映植物光合作用的能力, 其表达式为

NDVI=(NIR-R)/(NIR+R); (1)

②阴影和水体在近红外波段具有相似的亮度值并区别于其他地物^[14]; ③建筑物往往与其阴影相伴, 具有较为规则的几何形状^[15]; ④城市道路多以水泥或沥青为铺面材料, 具有较大的长宽比和较小的纹理密度^{[16, 17]}。

根据对各类地物的特征分析, 确定逐级层次分类的方法: ①进行小尺度分割后, 根据归一化植被指数将影像分为植被和非植被; ②选取合适的近红外波段范围, 将非植被类分为阴影— 水系类和其他类; ③进行大尺度分割, 对于再次分割后的其他类, 利用形状特征及与建筑物阴影的关系区分出建筑类, 利用长宽比和纹理密度特征提取道路类; ④将植被、阴影等地类全部归类为非道路类, 并对道路类、非道路类分别进行类内合并。

对分类结果进行纠错处理, 前、后时相图像部分区域分类结果如图3所示。对分类结果进行分析: 前时相189个道路, 其中11个建筑物、4个裸地; 后时相253个道路, 其中17个建筑物、4个裸地; 精度达到91%, 说明层次分类法具有较高的分类精度。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 图像分类结果Fig.3 Results of image classification

对于某地理坐标范围内的区域, 检测出其经过一段时间后所发生的变化是变化检测的主要目的。对某区域进行变化检测, 先要得到该区域不同时相图像各自的地物信息, 再对它们进行比较等处理, 从而得到变化结果。本文提出的城市道路投影互分割变化检测是在面向对象的分割和分类的基础上进行的^{[18, 19]}, 即通过面向对象的多尺度分割和层次分类得到不同时相图像各自的地物信息, 检测和提取图像中的道路信息; 然后将不同时相图像的分类结果投影到中间层(即检测层)的不同对象层上, 将2个对象层的分类结果进行互分割(即利用各对象层的逻辑投影距离判断2个层相应位置地物类别的一致性), 从而得到变化结果。

不同图层之间是相互独立、没有联系的, 但同一图层的不同对象层之间构成了网络层次结构, 可以进行互操作。前、后时相图像的分类结果分别位于互不关联的图层上, 为了让这2种分类结果进行互分割, 首先要将2种分类结果关联起来。可以通过建立新的图层(即检测层), 再将2种分类结果分别投影到检测层的不同对象层的方法进行关联。2个时相层与参照对象层(在此选择2009年原始图像作为参照对象层)的逻辑投影距离不同, 则可利用投影距离进行不同时相对象层的互分割操作。根据投影距离得到投影在参照对象层上的某一区域的地物类别应归属于哪一个时相, 进而经由投影分类的互分割操作判断城市道路是否变化、如何变化以及变化的区域等。具体方法为:

1)建立检测层, 并在检测层上建立3个对象层, 分别存放2009年原始图像(作为参照对象层)、分类后的2009前时相和2010后时相的图像。

2)将前、后时相所在对象层与参照对象层(即2009年原始图像)的距离分别记为d1和d2(图4)。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 对象层关系示意图Fig.4 Relationship of object layer

对于同一区域进行投影分类的互分割操作, 判断前、后时相投影分类分别为哪种类别: 若前时相为道路、后时相为非道路, 则道路消失; 若前时相为道路, 后时相也为道路, 则道路没有变化; 若前时相为非道路、后时相为道路, 则后时相的道路为新增。

对2009前时相图像和2010后时相图像进行投影分割的变化检测结果如图5所示。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 投影互分割变化检测结果Fig.5 Results of change detection using projective interactive partition

对变化检测结果进行人工目视判读, 其中实地新增道路71条, 检测到77条; 实地未变化道路161条, 检测到157条; 实地消失道路13条, 检测到19条。变化检测准确度计算公式为

Ac=(C_r+C_n)/ Ct20, (2)

式中: Ac为城市道路变化检测的准确度; C_r, C_n, C_t分别为图像中正确检测到的发生变化的城市道路、正确检测到的没有发生变化的城市道路和检测到的城市道路的总数量。根据式(2), 本文道路变化检测的准确度可达96%。结合实地验证情况, 分析观测变化检测结果, 发现没有出现变化道路未被检测出的漏检现象, 出现了将未变化道路检测为消失道路或新增道路的误检现象。其中误检现象主要是前、后时相图像的配准误差造成的; 另外, 高分辨率图像提供了丰富的地物信息, 同时加大了道路附近地物对道路的影响、增加了噪声, 这也是产生误检现象的原因之一。

本文提出了面向对象的投影互分割的城市道路变化检测方法, 并进行了验证。首先对经过预处理的不同时相的高分辨率遥感图像进行多尺度分割和逐级层次分类检测, 然后提取城市道路, 最后用投影互分割的方法进行城市道路的变化检测。结果表明:

1)面向对象的投影互分割道路变化检测能得到较好的检测效果。该方法能较准确、直观地反映城市道路的变化情况, 可以作为城市道路空间数据的更新与相关应用的辅助。

2)采用面向对象方法处理经过融合的高分辨率遥感图像, 能充分利用光谱、纹理及空间关系等特征, 从而提高变化检测的精度。

3)图像配准、图像分割及目标物提取的准确度有待改进, 以避免误差累计现象的发生。变化检测结果受图像配准、图像分割及目标物提取的准确性的影响, 特别是前、后时相图像不能严格配准时, 会造成误检现象。

4)方法效率有待提高。高分辨率图像虽然包含了丰富的信息, 但同时数据量也极大地增加, 本文方法能快速进行小区域图像的城市道路变化检测, 但处理海量数据的速度还有待提高。

5)方法自动化程度有待提高。本文方法虽然思路清晰, 但各种参数的选择仍须人工实验选择; 操作流程有定式但是烦琐。下一步准备开发基于该方法的向导系统, 以辅助城市道路变化检测的进行, 提高自动化程度和效率。