加入多时相纹理的遥感变化检测.doc

加入多时相纹理的遥感变化检测李淑坤1，李培军1， 程涛2（1.北京大学地球与空间科学学院遥感与地理信息系统研究所，北京100871; 2. 加拿大阿尔伯塔大学地球与大气科学，埃德蒙顿, 阿尔伯塔T6G 2R3 )摘要基于遥感的变化检测是遥感应用的一个重要方面，传统的基于遥感变化检测方法一般是利用光谱信息，而忽略了多时相遥感图像的相关关系。本文运用地统计学的伪交叉变差函数计算多时相图像纹理，定量表达多时相图像的空间相关关系；将得到的多时相纹理与光谱信息一起用于多时相变化检测，运用实际数据对提出的方法进行评价。结果表明,加入多时相纹理信息可以显著提高变化检测精度，是一种有效的方法。关键词 伪交叉变差函数 多时相纹理 动态检测中图分类号：TP75 文献表示码 A： 文章编号 1001 070X(2009)XX XXXX - XX0 引言变化检测是遥感应用中的重要内容之一，基于遥感的变化检测在许多领域得到了广泛的应用，如城市的扩展、植被变化、灾害监测、荒漠化等检测。传统的基于遥感变化检测方法多数只是利用光谱信息1，没有充分利用图像中包含的各种有效信息。近年来，一些研究将图像纹理等空间信息及辅助信息等用于基于遥感的图像检测。例如，文献1将道路密度信息用于城市变化检测，取得了比单纯利用光谱信息的变化检测更高的精度。文献2将多尺度纹理信息加入不同时相遥感图像的光谱分类中，并通过分类后比较方法进行城市扩展变化检测。文献3将图像分割与图像分类结合，采用分类后比较方法，提高了城市的变化检测精度。所有的以上实验都表明，加入空间信息后，变化检测的精度有显著的改善.除了空间信息外，其它信息也可用于改善变化检测的精度。多时相图像之间往往存在不同程度的相关性，例如，如果某个局部位置的地物类型没有随时间发生变化，则该位置的两个不同时期的图像灰度值的相关性高；反之，如果某个位置地物类型发生了变化，则该位置的两个不同时期的图像灰度值的相关性较低。因此，如果能将这些相关性定量化，并用于变化检测，则可能提高变化检测的精度。本文尝试采用地统计学中的伪交叉变差函数(pseudo cross variogram)来定量描述多时相图像的局部时相相关性，作为一种多时相纹理（multitemporal texture）度量指标4，并将多时相纹理与光谱信息结合一起用于变化检测。1 方法1.1伪交叉变差函数地统计学中有很多定量分析空间变化现象的方法，变差函数是其中的基本工具之一，能描述区域化变量的结构性和随机性。既可以表达全局的空间变化，也能描述局部的空间变化。在地统计学中，像元的灰度值（DN）可以看作一个区域化变量5，每个像元都可以通过其地理坐标或行列位置在遥感影像上唯一确定，像元灰度值（DN）具有一定的随机性和空间结构性。这种随机性和空间结构性可以用变差函数定量表达： （1）在公式（1）中， 称为滞后距离，是一个带有方向性的矢量；变差函数表示相距的像素对灰度值二次增量的数学期望的一半，是一个矢量函数，它依赖于距离矢量的模和方向，可以表达空间自相关性。由于纹理与像元灰度值的空间变化密切相关5，而变差函数可以定量地描述这种空间变化，因此，变差函数已被广泛地用来提取遥感图像的纹理信息，并用于分类识别6,7。除了表达单个变量（如波段）的空间自相关性的变差函数，文献8提出了伪交叉变差函数（Pseudo Cross Variogram），用于表达两个区域化变量（如两个波段）之间的交叉相关性9。伪交叉变差函数的表达式如下： （2）式2中： 代表两个不同的波段，伪交叉变差函数是像素对在波段和波段灰度值交叉增量的半方差，它依赖于距离矢量的模和方向，表达两个不同波段的空间交叉相关性。值得注意的是，如果j, k代表同一波段在不同时间获取的灰度值（或反射率等），那么伪交叉变差函数表达了它们之间的时相相关性4,10,11。对于实际的遥感图像，伪交叉变差函数的计算表达式（即实验伪交叉变差函数）为： （3）式3中：是相距为的像素对数目，分别表示同一波段在不同时相对应的灰度值。 1.2 多时相纹理类似于伪交叉变差函数被用于两个波段图像纹理的计算9，伪交叉变差函数也被用于多时相纹理的计算，并用于多时相图像的分类4。多时相纹理是从同一波段的两个不同时相图像计算、提取的，定量表达了多时相图像的局部时相相关性4。多时相纹理的计算首先需要确定两个参数：移动窗口和滞后距离。纹理的计算通常是在一个指定大小的移动窗口中进行的，因此，移动窗口过大和过小都不能准确反应图像的纹理特征12：窗口过小，无法计算出有效的纹理来反应图像灰度值的局部空间变化特征；窗口过大，窗口可能覆盖不同的地物类型，不同地物类型的相互影响比较大，而且边缘效用也会更加明显。滞后距离具有方向和大小，由于采用不同的方向所计算的纹理特征不同，一般采用全向纹理值，即几个方向的平均值。在指定的窗口、指定的滞距离的条件下，将伪交叉变差函数的平均值作为多时相纹理赋予窗口的中心像元。1.3多时相直接分类的变化检测为了评价多时相纹理的作用，将所获得的多时相纹理用于变化检测，采用多时相直接分类方法，通过将多时相遥感图像合成单一图像，直接将变化的类别作为一类，得到变化信息。分别对利用不同时相光谱数据以及加入多时相纹理的数据进行分类，来得到不同的变化检测结果。本文采用支持向量机（Support Vector Machines, SVM）作为分类方法多时相数据进行分类。支持向量机是近几年发展起来的一种有效的统计学习理论13，是一种基于统计学习理论的模式识别方法。该方法根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折衷，可以解决小样本情况下的机器学习问题、高维问题、非线性问题，提高泛化性能，能获得最好的推广能力，并在遥感图像分类中广泛应用14。1.4 变化检测精度评价精度评价是遥感变化检测不可或缺的一个重要环节，为了能得到更为准确的分类结果， 对多时相的变化检测需要进行定量的评价，本文采用混淆矩阵和Kappa系数来评估方法的有效性。混淆矩阵（Confusion Matrix）主要用于比较分类结果和地表真实信息，主要选取的是总体精度（Overall accuracy）以用来衡量分类正确的点和总的点的比例，同时还采用生产者精度（Producers accuracy）和用户精度（Users accuracy）来衡量不同地物的分类精度。 除了以上的描述性精度测量以外，在混淆矩阵的基础之上采用Kappa系数来进行统计分析，Kappa系数是一种评价分类精度的多元统计方法，在统计意义上反映分类结果优于随机分类结果的程度，可以表示检测结果内部的一致性，是比总体精度更客观的评价方法。Kappa系数越高，分类效果越好。用于分类精度评价的检验样本通过随机采样的方法获取。 对加入不同纹理的图像都采用相同的样本，方便进行比较。2 研究区和数据研究区域位于北京海淀区西北部，属于城乡结合地带。近年来，研究区域城市化扩张过程比较快，很多的农业用地转化为居住、工业、和商业用地，同时由于对海淀北部地区的环境保护的要求，一些农业土地变化为绿化用地，土地覆盖类型发生了较大的变化。本研究采用2004年9月和2007年10月获取的SPOT 5多光谱图像作为实验数据，其分辨率为10 m（短波红外波段的分辨率为20米）。选择月份相近的多时相图像有助于消除和减少季相差异。首先对两个时相的数据进行配准，配准的误差小于0.5个像元，满足遥感变化检测的要求。最终用于变化检测的图像大小为1500 像元x 1172像元，实验图像如图1所示。 图1 a图1 b图1 研究区不同时相的SPOT多光谱影像a、2004年9月份图像 b、2007年10月份图像图像覆盖地区主要的地物类型为建筑物、土壤、植被、水体及村落五个基本类型。理论上，两个时相间的变化类型为55=25种，但是在现实中，由于城市化扩展的特点，有一些地物的变化是相对来说很少的或者不存在，例如建筑物-土壤、建筑物-植被、建筑物-水体等。从土壤到建筑物的变化的过程是现实中常见的过程，而建筑物到土壤的逆变在现实中不经常存在的或者很少的，经过实际调查和图像分析，确定了10个变化类别为研究实际存在的，即在原有的5个基本类型基础上添加了5个地物变化的类别，分别是土壤-建筑物、土壤-植被、植被-建筑物、植被-土壤、水体-植被。所有的类别在表1中列出。用于多时相分类的训练样本的选择是结合高分辨率的SPOT影像和实地观测来获得的，而用于精度评价的检验样本的选择是通过随机抽取1096个检验点，结合同时间的高分辨率图像，并通过到研究区进行实地观察，来确定抽取随机点的地物的类型。表1 类别特征和训练样本数目编号类别类别描述训练样本/个01建筑物地面为居住小区、大型建筑物或公共建筑3,18602土壤地面主要有土壤组成1,93803土壤-建筑物由土壤到建筑物的变化2,61404土壤-植被由土壤到植被的变化1,78405植被主要由植被组成，植被大体能覆盖地面10,72306植被-建筑物由植被到建筑物的变化1,34807植被-土壤由植被到土壤的变化2,59708村落不规则、散乱的纹理特征5,61409水体地面是由水体组成1,47010水体-植被由水体到植被的变化2603 实验结果本文研究流程如图2所示图2 本文采用变化检测的流程在运用伪交叉变差函数提取多时相纹理时，移动窗口大小用从33、55、77、99进行了实验，滞后距离采用0和1，通过不同的窗口与滞后距离的组合，对多光谱数据的每个波段计算纹理，得到25共10种不同的纹理特征组合。将生成的纹理作为逻辑波段，与原始的光谱信息叠加，用于后续的基于多时相图像分类的变化检测，比较不同窗口和滞后距离组合的分类结果，从中选取精度最高的组合。观察得到的纹理图像发现，随着窗口的不断加大，图像纹理变得平滑，类别内部趋于均一。比较加入不同窗口大小的图像纹理的分类结果的精度发现：随着窗口的逐步加大， 分类精度首先是提高，然后又下降的趋势。最后对比较不同参数下的分类结果，通过定性的观察与定量分析，发现窗口大小为33、滞后距离为1时，所获得的分类精度最高。 （a） （b） （c）图3 同一区域的多时相图像和纹理图像（a）2004年地物图像；（b）2007年的地物图像；（c）由变差函数得得到纹理图像图3中的a图和b图，分别为2004年和2007年图像的单波段灰度图像在相同区域的局部截图，在图的右中部，地物类型几乎没有发生变化，而在图像的其他区域为由土壤变化成为建筑物。纹理图像（图3c）为窗口为33，滞后距离为1的纹理图像，在纹理图像中，图像的灰度明暗可以表现出地物的变化，比较明亮的部分是属于有显著变化的，而色调比较暗的区域是变化不明显或者没有发生变化的区。通过色调的明暗能表现地物的变化，因此多时相纹理信息有效的突出了图像的变化信息。图4a和图4b图表现了未加入纹理和加入纹理后的分类图像的对比,在图的左上角矩形框内，可以明显的观察出分类结果的差异，实地考察为植被土壤的地物变化类别。在图4a中有的像元被错误的分为植被类型，而在图4b中全部的像元都被正确的识别成植被土壤类别。 (a) （b） 1 2 3 4 5 6 7 8 9 10 图4单纯利用光谱和加入纹理后的不同分类图像(a) 单纯利用光谱信息获得的分类图像；（b）利用光谱和纹理综合信息获得的分类图像。1、建筑物 2、土壤 3、土壤建筑物 4、土壤植被 5、水体 6、植被建筑物 7、植被土壤 8、村落9、植被 10、水体植被 （a） （b） （c） （d）图5 同一区域的假彩色和变化类别图像的截图（a）2004年图像；（b）2007年图像；（c）未加入纹理图像；（d）加入纹理图像。图像区域和图像图例同图4所示。通过对加入纹理前后的变化检测结果（图5c和5d）与原始图像（图5a、5b）的对比分析可以发现，加入纹理后的变化检测图像的椒盐噪声(salt-and-pepper noise)明显减少，各个类别内部更均一，加入纹理后的变化检测的精度更高，说明加入纹理之后对改善变化检测有显著提高。表2为运用光谱和加入多时相纹理的变化检测结果。从表中可以看出，与单纯利用光谱信息进行变化检测相比，在加入纹理信息之后，变化检测的总体精度提高了5.56%，而Kappa系数也有0.6182增加到0.6856，提高幅度为10.90%。这表明加入多时相纹理，能够有效地识别不同的变化类型，从而显著地提高变化检测精度。比较加入纹理前后的不同变化类别的变化检测精度（表2），可以发现大部分地物有了较明显的提高，如建筑物的生产者精度从33.72%到 46.51%,土壤的生产者精度从51.72%提高到55.17%，植被-建筑物的用户精度从47.06%提高到65.38%，生产者精度和用户精度的普遍提高表明在分类过程中“漏分”和“错分”的像元数减少了，尽管不同地物类型改善的幅度不同，但是总体上有较大的提高，因此，加入纹理后分类的效果还是显而易见的。当然，也有了一些个别类别在加入纹理前后，变化检测精度没有变化（如水体）或甚至降低，如土壤的用户精度从77.92%到 72.73%，通过与实际地面数据的对比发现，被错误分类的像元主要分布在类的边缘。表2：加入纹理前后的变化检测精度单纯利用光谱信息光谱信息加入纹理后生产者精度（%）用户精度（%）生产者精度（%）用户精度（%）建筑物33.7231.1846.5145.98土壤51.7277.9255.1772.73土壤-建筑物43.3330.9553.3341.03土壤-植被71.7472.5369.5776.19植被83.4391.8789.8292.02植被-建筑物64.0047.0668.0065.38植被-土壤72.1340.3773.7758.44村落74.8364.0781.8266.10水体57.8988.0057.8988.00水体-植被60.0075.0080.0080.00 KAPPA系数0.61820.6856总体精度70.920776.4813此外，我们还采用相同的方法对不同的地区和不同时间的图像进行实验，发现相比单纯的以光谱为信息的变化检测，加入多时相纹理作为附加信息的变化检测可以显著地提高多时相图像的变化检测精度，与本文的结论一致。4 结论地物类别的不同时相的光谱特征间存在不同程度的相关性，这种相关性可用于提高遥感变化检测的精度。本文运用伪交叉变差函数从不同时相的图像中提取多时相纹理，定量表达多时相遥感图像的局部时相相关性，将获得的纹理信息与光谱特征结合在一起，用于多时相的变化检测。结果表明，多时相纹理有效地增强或突出了多时相图像所包含的变化信息，与传统的只利用光谱特征的变化检测相比，加入多时相纹理显著地提高变化检测精度，因此，将多时相纹理与光谱信息结合是一种有效的遥感变化检测方法，可在类似的应用中广泛采用。参考文献：1 Zhang Q, Wang J, Peng X, et al. Urban build up land change detection with road density and spectral information from multi temporal Landsat TM data J. International journal of Remote Sensing, 2002, 23(15):3058-3080.2 宋翠玉，李培军，杨锋杰. 运用多尺度图像纹理进行城市扩展变化检测. 国土资源遥感， 2006, 69（3）37-45.3 龙玄耀，李培军. 基于图像分割的城市变化检测. 地球信息科学，2008，10（1）121-1274 Jin H., Li P. and Cheng T, Land cover classification using CHRIS/PROBA images and multitemporal texture. International Journal of Remote Sensing, 2008(submitted).5 Ramstein. G. and Raffy. M. Analysis of the structure of radiometric remotely-sensed images. International Journal of Remote Sensing, 1989, 10: 1049-1073. 6 Cohen, W.B., Spies, T.A. and Bradshaw, G.A. Semivariograms of digital imagery for analysis of conifer canopy structure. Remote Sensing of Environment, 1990, 34(3): 167-178.7 Atkinson and Lewis, P M Atkinson, The effect of spatial resolution on the experimental variogram of airborne MSS imagery. International Journal of Remote Sensing, 2000, 14: 1005-1011. 8 Clark, I., Harper, W. V. and Basinger, K. L., 1989, MUCK A novel approach to cokriging in B. E. Buxton(ed.). Proc. Conference on Geostatistical Sensitivity and Uncertainty Methods for Ground Water Flow and Radionuclide Transport Modelling, Battelle Press, Columbus, 473-493.9 Chica-Olmo, M. and Arbarca-Hernandez, F. Computing geostatistical image texture for remotely sensed data classification. Computers & Geosciences, 2000, 26(4): 373-383. 10 A Papritz, H. R. Kunsch, and R. Webster. On the pseudo cross variogram, mathematical geology, 1993, 25 (8):1015-1026. 11 R. M. Lark, P. H. Bellamy, B.G. Rawlins, Spatio temporal variability of some metal concentrations in the soil of eastern England, and implications for soil monitoring. 2006, 133: 363-379. 12 Mather, P.M., Tso, B. and Koch, M. An evaluation of Landsat TM spectral data and SAR-derived textural information for lithological discrimination in the Red Sea Hills, Sudan. International Journal of Remote Sensing, 1998, 19(4): 587-604.13 Vapnik, V.N. The Nature of Statistical Learning Theory, Springer-Verlag, New York, 314 : 2000.14 Huang, C., Davis, L. S. and Townshend, J. R. G. An assessment of support vector machines for land cover classification. International Journal of Remote Sensing, 2002, 23 (4): 725-749.Remote Sensing change detection by including multitemporal textureShukun Li1, Peijun Li1 and Tao Cheng2( 1. Institute of Remote Sensing and GIS, Peking University, Beijing China 100871, 2. Department of earth and atmosphere, University of Alberta