基于高分辨率影像的违法用地变化检测方法研究

2022-05-11 00:32刘双群
测绘技术装备 2022年1期
关键词:图斑形态学高分辨率

刘双群

(中国建筑材料工业地质勘查中心黑龙江总队,黑龙江哈尔滨 150040)

1 引 言

当前,城镇规划部门进行违法用地监测与查处的主要手段是借助高分辨率影像进行人工判读,并结合实地调查的方式[1],这种作业方式的主要缺点是人力成本高、效率低下。为了解决这一问题,依据高分辨率影像特征,利用图像识别领域的变化检测技术进行违法用地变化的自动化及智能化检测十分必要。

目前,基于高分辨率遥感影像的变化检测技术主要有以下技术难点:一是空间分辨率的提升会大大增加检测结果中虚警点的数量,严重影响检测精度;二是由于获取的是不同期影像数据,一些由季节、拍摄角度、光照导致的变化会与感兴趣地物自身的变化相混淆[2];三是随着影像数据分辨率的提高,光谱分辨率会降低,出现较为严重的“同物异谱-同谱异物”现象,很难使用单一的光谱特征进行地物变化的区分[3]。

针对以上问题,基于违法用地变化检测的应用需求,本文提出了一种基于地物分布特征的变化检测方法。该方法有效结合了违法用地分布理论知识与变化检测技术,基于试验区的光谱—空间特征,对感兴趣变化区域进行自动提取。以哈尔滨某地两期高分辨率影像为试验示例,利用该方法进行违法用地提取。试验结果表明,该方法可分离出不感兴趣变化区域,检测到疑似违法用地区域,且检测精度较高。综上所述,该方法可有效辅助人工作业,提高生产效率,节约成本。

2 技术路线

不同地物在高分辨率遥感影像数据中的光谱—空间特征存在明显的差异性,因此,高分辨率遥感影像数据能够真实且丰富地反映地物的细节信息。在多时相影像上如果出现植被区域减少、建筑物拆建等情况,则可反映出违法用地的变化特征。对于市郊区域,植被覆盖面积较大,地物的变化可以通过光谱特征进行反映;对于城市区域,空间特征—影像光谱之间的联系较为复杂,针对全局影像的不同区域,使用相同的特征很难得到一致的检测效果。因此,需要在地物实际分布特征的基础上,提取出对应影像的光谱—空间特征,在特征层分析地物变化。图1为本文的总体技术路线图。

图1 变化检测技术路线Fig.1 Technical route of change detection

首先,基于可见光波段的植被指数分离出非城市区域与城市区域;其次,对于非城市区域,根据面向对象的方法获取变化检测结果,对于城市区域,使用形态学建筑物指数分离出感兴趣与不感兴趣变化类型,同时利用k值聚类与变化向量分析所提取到的变化信息;最后,通过聚合操作、形态学滤波剔除变化检测结果中的噪声点,计算得到变化图斑的最小外接矩形,并将外接矩阵以矢量形式输出。

3 研究方法

3.1 城市区域与非城市区域分离

依据卫星影像的非植被区域和植被区域可实现非城市区域与城市区域的划分。实际应用中的卫星影像数据一般由红、绿、蓝3个可见波段和全色波段组成,故可以利用基于可见光波段的植被指数提取植被区域,并进一步划分植被区域与非植被区域。当前有3种常见的可见光植被指数,分别为可见光波段差异植被指数(VDVI)、红绿比值指数(RGRI)和过绿指数(EXG)。鉴于VDVI具有以下优势:1)可综合考虑3个可见光波段的反射与吸收特性,能够较好地区分出对于不同种类的植被或者非植被;2)植被与非植被地物有较好的区分性,具有双峰性值。本文拟采用VDVI提取植被区域,其计算公式为[4]:

(1)

式中:ρg表示绿色可见光波段像元亮度值,ρr表示红色可见光波段像元亮度值,ρb表示蓝色可见光波段像元亮度值。获取VDVI后,通过阈值分割方法提取得到植被掩模MV[5]:

(2)

式中:tV表示设置的阈值。

3.2 变化信息提取

影像数据中,不同地表覆盖类型的光谱—空间特征的差异性较大,不同地物类型的变化信息很难通过单一的特征反映测量[6]。因此,本文将面向对象特征、形态学建筑物指数及变化向量分析法应用于变化信息检测中。

3.2.1 面向对象特征提取

首先,利用分水岭分割方法分割原始影像数据,其中每个分块的面向对象特征就是分割块均值;其次,使用多时相分割算法处理由于分割尺度差异或者拍摄时间不同导致的同一地物在不同时相影像分割边界不一致问题,使统一地物分割时保持一致的边界,同时使用分割策略以保证变化信息没有遗漏;最后,完成时相1和时相2面向对象特征影像Fa1和Fa2的提取。

3.2.2 形态学建筑物指数提取

形态学建筑物指数是一种基于数学形态学运算的方法,主要是从对比度、尺寸、亮度3个方面区分建筑物与非建筑物。利用形态学建筑物指数提取时相1、时相2对应特征影像Fb1、Fb2的步骤如下[7]:

1)首先,计算亮度。任意像元x,亮度特性可以用波段最大值进行表示:

(3)

式中:b(x)为像元x的亮度特征,bandk(x)为像元x在第k个波段的光谱值,K为影像波段数,本文中将K设置为3。

2)其次,构建形态学建筑物指数。基于顶帽变换的差分形态学谱方法对建筑物光谱—空间结构进行提取,其中顶帽变换(W-TH)可表示为:

W-TH(d,s)=b-λre(d,s)

(4)

式中:s与d分别为线性元素的长度与方向,λre为对亮度影像做重构开运算。

形态学谱可表示为:

(5)

式中:MP表示形态学谱。

基于顶帽变换的差分形态学谱可表示为:

DMPW-TH(d,s)=|MPW-TH[d,(s+Δs)]- MPW-TH(d,s)|

(6)

式中:Δs为形态学谱间隔;DMP表示基于顶帽变换的差分形态学谱。

3)最后,得到形态学建筑物指数:

(7)

式中:D表示形态学谱方向数,S表示形态学谱尺度数,其中设置D为4,结构元素尺度间隔为20,最大尺度为202,最小尺度为2。

3.2.3 变化信息提取

首先,计算面向对象特征与面向形态学特征的变化量DF,其中DF=|F2-F1|(F表示面向对象及形态学特征);其次,通过k均值聚类得到相应变化检测图。

3.3 变化信息融合

融合的变化检测结果CM可以通过非城市区域与城市区域对不同特征下的变化检测结果进行融合得到。CM计算方式如式(8)所示[8],对初始结果使用形态学开、闭运算进行处理,以矢量的形式输入最小包围矩形。

CM=MV×CMo+(1-MV)CMb

(8)

4 试验与分析

4.1 试验数据

选择哈尔滨市某地为试验区,获取该地区2019年、2020年两期高分辨率影像为试验数据。试验数据空间分辨率为0.5 m×0.5 m,像素大小为895×561,包含红、绿、蓝3个波段。图2为两期影像,图3为参考变化图斑。

图2 两期影像Fig.2 Two phase images

图3 参考变化图斑Fig.3 Reference change pattern

4.2 试验结果与分析

以图斑为基本单位,统计漏检图斑与正确检测图斑个数作为评价指标[9]。作业人员通过目视判读以及实地调查可以得出该试验区的真实参考数据,如图3所示,共检测出15处疑似违章变化。

图4和表1分别是使用本文方法检测出的疑似违章变化结果以及参考疑似违章变化结果,可以看出,该方法可检测得到23个疑似违章用地图斑,与参考数据相比,正确检测到14个图斑,漏检1个图斑。试验结果表明,该方法可通过高分辨率影像数据精确定位到变化图斑,且使用提取的矢量包围框能够基本覆盖变化建筑物区域,总体检测精度较高。该方法已应用于实际项目中,并取得了作业人员的验证与认可。该方法得到的变化检测结果可作为作业辅助依据,可有效降低人工作业量,减少人力成本。

图4 变化检测结果Fig.4 Change detection results

表1 变化检测精度统计Tab.1 Statisticsofchangedetectionaccuracy正确检测图斑参考检测图斑漏检数14151

5 结束语

本文对基于遥感影像的变化检测技术进行研究,以哈尔滨市某地两期高分辨率影像为试验数据,将变化检测技术与违法用地先验知识相结合,用于试验数据变化检测中,提取得到图斑级的变化信息。研究结果表明,与参考数据相比,本文方法能够正确检测到14个图斑,漏检1个图斑,可通过高分辨率影像数据精确定位到变化图斑。尤其对于辐射差异较大的影像数据,该方法具有较高的稳健性。

综上,基于高分辨率遥感影像数据的变化检测技术可应用于土地执法监测中,快速有效发现疑似新增违章,为后续的城市违章用地实地查处提供技术支撑。此外,该方法也可广泛应用于土地管理、退耕还林、城市规划等领域。

猜你喜欢
图斑形态学高分辨率
地理国情监测中异形图斑的处理方法
基于GEE云平台与Sentinel数据的高分辨率水稻种植范围提取——以湖南省为例
临床检验中血细胞形态学观察与分析
高分辨率CT+人工智能在新型冠状病毒肺炎诊断与疗效评估中的应用研究
新安县有序开展卫星遥感监测图斑核查工作
音乐科学研究中的思想实验——以音乐形态学研究中的四个重大发现为例
遥感影像提取图斑中狭长结构的探测与融解方法
探讨高分辨率CT在肺部小结节诊断中的应用价值
辽阳市生产建设项目扰动图斑复核的思考
基于异常区域感知的多时相高分辨率遥感图像配准