1 引 言
随着遥感数据获取技术的不断进步和获取周期性的逐渐缩短，其应用范围的逐渐拓展和应用需求的日益扩大，对遥感影像变化检测技术提出了新的挑战。目前，国内外研究人员针对不同的应用目标提出了许多遥感影像变化检测方法和模型[1, 2, 3, 4, 5]。遥感影像变化检测方法通常可分为可获得变化类型和只能得到变化/非变化类型两类方法。变化/非变化类型方法一般是利用多时相遥感影像直接进行运算与变换处理，然后确定变化区域和变化类型[1, 2, 3, 4, 5, 6, 7]。可获得变化类型的方法则主要包括先分类后比较和多时相直接分类方法。先分类后比较方法，首先将多时相遥感影像分别分类后，再进行比较而得到变化信息。这种方法虽然不受大气变化、物候状况差异及不同传感器差异的影响，但存在工作量较大、自动性能较低，容易引起误差的累积的缺点[3, 4, 5, 6, 7]。多时相直接分类方法，则是将2个或多个时相遥感数据组合起来，通过应用监督或非监督的方法进行变化检测信息的提取[5]，在一定程度上弥补了先分类后比较方法的不足，但在应用训练数据集进行分类器的训练时，由于需要同时处理包含多个时相的遥感影像数据，导致训练集的特征空间较单个时相比变得更加复杂。训练数据集通常包含了变化类型和非变化类型，分类类别较多，每个类别都各具特点，而常规的分类方法往往对训练样本要求满足条件独立、服从高斯分布等条件，且在分类器建立时，均采用一种形式的特征组合，所以当训练样本较复杂和分散时，应用常规方法往往检测精度会受到很大影响[5]。然而，基于规则的分类方法[15, 16]能够针对不同类别的特点，分别采用不同的特征组合方式来建立逐条分类规则，在多时相分类变化检测方面具有很大的优势。
人工智能算法能够提供自学习、自适应、自推理等高效率自动化处理过程，日趋受到遥感信息提取和变化检测等领域研究学者的强烈关注[3, 8, 11]。微粒群优化算法(particle swarm optimization,PSO)是由文献[10, 11, 12]作者于1995年受到鸟类群体觅食行为的启发而提出的，目前已经成功应用在众多应用领域中用来解决优化问题。微粒群优化方法应用于遥感信息提取领域具有一系列的优点，能够极大提高遥感数据处理的有效性、精确性和实用性[17]。本文基于微粒群优化方法的自动化和智能化特征，在微粒群优化方法用于遥感图像分类的研究基础上，针对目前遥感信息变化检测方法的缺陷，探索性地将微粒群优化方法的优势运用到遥感信息变化检测当中，提出一种微粒群优化的变化检测方法，通过应用模拟微粒群在搜索空间的飞行行为建立模型，从变化检测训练样本中自动搜索得到变化规则，然后再应用搜索得到的变化规则实现变化信息的提取。
2 模型与方法基于PSO算法实现2个时相的遥感影像变化检测的研究思路和技术流程主要包括以下几个关键步骤：① 分别进行2个时相影像数据选择和预处理；② 遥感影像变化规则的训练。③ 根据训练获得的变化规则，输入2个时相的遥感数据，针对逐条变化规则的判断，实现变化信息的一次性提取。
2.1 变化规则表达形式的确定变化规则是实现变化信息提取的基础，本文采用的变化规则的表达形式表示为
if{conditions}then{changeclass}
规则表达式中的conditions部分表示为term1ANDterm2AND…每个term是1个三元组合，该组合为{attribute,operator,value}，组合中的value是属性值(attribute)域中的某个值，此处的attribute是指遥感影像的DN值。组合中operator表示一个关系操作符，可以为“=”、“≥”、“≤”等。
规则表达式中的changeclass表示符合此变化规则的土地覆盖的变化类别。如果在建立变化规则当中采用关系符“=”时，则需要列举每个波段的属性值value来表达变化规则。但由于遥感数据属于连续型数据，每个波段的属性值都具有多样性，因此通过这种枚举式的方法建立变化规则是不现实的[11, 13, 14]。因此，根据在土地覆盖变化类型确定时，参与变化检测的遥感影像的各个波段的属性值是处于1个区间范围这一特征，本文选择“≥”和“≤”为关系操作符。通过应用“≥”连接属性区间的下限和“≤”连接属性区间的上限来定义该波段属性值的取值范围，然后再结合变化类型，从而组成1条完整的变化规则。譬如，变化规则“if {b1 ≥ 78.8 AND b4 ≤ 67.0 AND b5 ≤ 89.7 }then {changeclass =vegetation to urban}”，则表示当遥感影像在满足条件“波段1的属性值≥78.8和波段4的属性值≤ 67和波段5的属性值≤ 89.7”时，变化类型为“植被变化为城镇用地”。
2.2 变化规则建立的技术流程应用PSO方法建立变化规则，是1个模拟微粒群体在多维空间搜索最优解的过程，而微粒群的搜索目标是组成变化规则的不同波段的属性区间的最优上限和最优下限。变化规则的建立主要包括以下几个关键步骤，如图 1所示。
|
| 图 1 微粒群优化算法的变化检测规则建立的伪代码 Fig. 1 the Pseudo code of constructing change rules based on PSO |
第1步：输入变化检测训练集；
第2步：初始化相关的参数，分别对微粒群数目、迭代次数、区间的上限初始位置和下限的初始位置、区间上限的飞行速度和区间下限的飞行速度初始值的初始化；
第3步：微粒群执行循环操作，每个微粒需要依据变化检测的训练数据集，针对每种土地覆盖变化类型，在参与变化检测的遥感影像中，计算每个波段的属性区间的上限和下限的适应度，并根据适应度值的比较，从而求出每个波段的属性区间上限和下限的个体极值和全局最优值；
第4步：更新微粒的位置和速度，将搜索到的每个波段的属性区间的上限和下限的全局最优值，和关系连接符“≥”和“≤”连接后，组成变化规则后置入变化规则集中。经过多次迭代后，得到初始的变化规则集；
第5步：为了降低将所建立的变化规则进行变化信息提取的风险，对第4步得到的初始变化规则再按照适应度值的从高到低进行排序，形成有序的变化规则集。为了进一步降低规则集的复杂性，对排序后的初始变化规则集进行了剪枝处理，去除了不必要的条件和不必要的变化规则，使得在不降低变化检测精度的同时，能够获得更加简练的变化规则；
第6步：最终输出变化检测规则集。
2.2.1 微粒的位置和速度向量的表达在应用PSO方法进行遥感影像变化规则建立时，微粒表示的变量是组成变化规则的波段属性区间的上限和下限，用微粒的位置来表达，微粒的飞行速度表示微粒群搜索过程中当前位置的变化率，根据群体最优值和个体最优值来决定。由于组成属性区间的下限和上限是成对出现的，所以当不同时相的遥感影像组成的波段总数为m时，则微粒搜索空间为2m维。那么第i个微粒的位置向量可表示为(xli1,xui1,xli2,xui2,…,xlim,xuim)，第i个微粒的飞行速度向量可表达为(vli1,vui1,vli2,vui2,…,vlim,vuim)。其中，xli1表示第i个微粒在第1波段的下限取值；xui1表示第i个微粒在第1波段的上限取值；vli1表示第i个微粒在第1波段下限位置时的飞行速度；vui1表示第i个微粒在第1波段上限位置时的飞行速度。
2.2.2 微粒的位置和速度的初始值设置为了提高微粒寻找下限和上限的效率，位置的初始值设置为[12]
式中，xlij、xuij分别指第i个微粒在第j个波段所选择像元DN值的下限和上限，如果xlij大于xuij，则两者相互交换；TSij表示i个微粒从训练样本中随机抽取的第j波段的像元DN值；bandjmax表示第j波段像元的DN值的最大值；bandjmin表示第j波段的像元DN值的最小值。而且，将xuij的初始位置设置为处于TSij和TSij加上该属性的取值范围(bandjmax－bandjmin)之间的任意数，将xlij的初始位置设置为在区间范围为处于TSij和TSij减去该属性的取值范围(bandjmax－bandjmin)之间的任意数。
微粒的初始速度设为
式中，vmaxlj和vmaxuj分别代表在第j波段的下限和上限方向上的最大速度值；rand为介于0与1之间的随机数，并且vlj∈[－vmaxlj,vmaxlj]， vuj∈[－vmaxuj,vmaxuj]。 2.2.3 微粒的位置和速度的调整
在运用PSO方法进行变化规则建立的过程中，粒子在飞行过程中按照式(5)和式(6)进行速度的调整，按照式(7)和式(8)进行位置的调整[12, 13]。
式中，i表示粒子数量；j表示组成变化检测的遥感影像的波段数；t表示迭代次数；χ为收缩因子；c1、c2为加速度因子，是非负常数；φ1、φ2为介于0与1之间的随机数；plij、puij是个体极值，分别表示第i个粒子搜索到的第j波段的区间最优上限和最优下限；glj、guj是全局极值，分别表示当代粒子群体搜索到的第j波段的区间的最优上限和最优下限。 2.2.4 适应度函数的建立
对于变化规则的评价可以用规则的适应度值来表示，适应度值能够很好表达变化规则的准确性和有效性，它是变化规则的质量评价和变化规则剪枝的依据。变化规则的适应度值由如下公式来计算[12, 13]
式中，TruePos表示符合变化规则条件，并且与变化规则预测的变化类型相同的样本总数；FalsePos表示符合变化规则条件，但与变化规则预测的变化类型不相同的样本总数；FalseNeg表示不符合变化规则条件，但却与变化规则预测的变化类型相同的样本总数；TrueNeg表示表示符合变化规则条件，但却与变化规则预测的变化类型不相同的样本总数。 2.2.5 规则的剪枝
变化规则的剪枝是按照变化规则的评价标准公式(即适应度函数)，对建立好的变化规则进行剪枝处理，该处理过程参考文献[14]，依次剪去变化规则中各个条件后，再计算变化规则的适应度值，如果适应度值增加则删除该条件。选择能够使得适应度值提高最多的条件组成变化规则，使得最终建立的变化规则尽可能简单而有效。
3 变化检测试验与对比分析 3.1 试验数据本文以北京为试验区进行了两次试验。在分别选择2000年、2006年和2009年3个时相的美国陆地卫星影像作为试验数据的基础上，对试验区2000—2006年和2006—2009年2个时段进行了变化检测试验。其中2000年的遥感影像为Landsat 5(2000-04-30)，2006年的遥感影像为Landsat 7(2006-09-06)，2009年的遥感影像为Landsat 5(2009-09-22)，轨道号都为123/32，每个时相遥感数据都选择了波段1、2、3、4、5、7，并选择覆盖城区范围作为变化检测的研究区域。以2006年的图像作为参考图像，采用图像对图像匹配的方法对2000年和2009年2期图像进行了几何校正，纠正精度保持在0.5个像元以内；同时，通过建立辐射归一化回归方程，把2000年和2006年图像归一化到2009年的图像上，实现辐射归一化处理。
3.2 变化检测训练样本的选取因为在应用PSO进行遥感影像的变化信息一次性提取时，需要在变化信息样本选取的同时考虑变化和无变化的类型。在选取训练样本和验证样本时，均采用实地调查和不同时相的高分辨率遥感数据对比2种方式结合进行人机交互选择训练数据集和测试数据集。土地利用变化类型应用“AB”的形式来表达，其中A为第1时相土地利用类型，B为第2时相土地利用类型。在综合考虑2000—2006年、2006—2009年2个时间段北京市的土地覆盖转换类型各种可能性的基础上，分别对2000—2006年、2006—2009年的试验区进行了土地覆盖的变化类型的定义，并分别选取训练数据集和测试数据，如表 1、表 2所示。
| 序号 | 变化类型 | 训练区点数(像元点) | 验证点数(像元点) |
| 1 | 城镇→城镇 | 579 | 996 |
| 2 | 裸地→城镇 | 214 | 240 |
| 3 | 裸地→裸地 | 415 | 228 |
| 4 | 裸地→绿地 | 669 | 370 |
| 5 | 城镇→绿地 | 336 | 91 |
| 6 | 绿地→城镇 | 211 | 181 |
| 7 | 绿地→裸地 | 202 | 241 |
| 8 | 绿地→绿地 | 589 | 260 |
| 9 | 水体→裸地 | 150 | 102 |
| 10 | 裸地→水体 | 291 | 90 |
| 11 | 水体→水体 | 434 | 260 |
| 12 | 城镇→裸地 | 230 | 103 |
| 13 | 绿地→水体 | 66 | 55 |
| 14 | 水体→绿地 | 284 | 135 |
| 15 | 城镇→水体 | 65 | 15 |
| 合计：训练点4375；验证点3367 | |||
| 序号 | 变化类型 | 训练区点数/像元点 | 验证点数/像元点 |
| 1 | 城镇→城镇 | 579 | 881 |
| 2 | 裸地→城镇 | 364 | 415 |
| 3 | 裸地→裸地 | 604 | 443 |
| 4 | 裸地→绿地 | 327 | 185 |
| 5 | 城镇→绿地 | 167 | 139 |
| 6 | 绿地→城镇 | 230 | 407 |
| 7 | 绿地→裸地 | 497 | 589 |
| 8 | 绿地→绿地 | 451 | 509 |
| 9 | 水体→裸地 | 67 | 76 |
| 10 | 裸地→水体 | 74 | 270 |
| 11 | 水体→水体 | 214 | 270 |
| 合计：训练点 3574； 验证点4184 | |||
应用PSO算法建立遥感影像信息的变化规则时，对PSO算法有关参数值进行了如下设置：微粒总个数N设为100；迭代次数tmax为200；最小误差MaxUncovPerClass为10；c1=2.05；c2=2.05； 下限的最大速度为vmaxlj=10；上限的最大速度为vmaxuj=10。运用PSO算法建立变化规则的流程和根据上述参数的选择，分别对研究区所选择的2000—2006年、2006—2009年2次试验的变化检测训练样本数据进行变化规则训练，并建立试验区的变化规则。在2次试验中，利用PSO方法均生成了生成33条变化规则，图 2列出了5条变化规则以做示例。根据建立的变化规则集，分别以合并的2个时相遥感影像数据作为初始输入数据，通过逐条变化规则的判断，实现对研究区的2000—2006年、2006—2009年2个时间段的土地覆盖的变化信息提取。图 3为研究区应用PSO方法得到的变化检测结果图。
|
| 图 2 试验区的部分变化规则(2006—2009年) Fig. 2 Some change detection rules of study area from 2006 to 2009 |
|
| 图 3 基于PSO方法的研究区遥感变化检测结果图(2006—2009) Fig. 3 The change detection result map of study area based on PSO algorithm from 2006 to 2009 |
为了定量化地说明应用PSO方法进行变化检测的精度，分别应用2次试验选择的验证数据集对基于PSO方法的变化检测方法进行了精度检验，分别获得混淆矩阵，得到试验区的2000—2006年的变化检测总体精度为93.23％，Kappa 系数为0.922 2，2006—2009年的变化检测总体精度为93.66％，Kappa 系数为0.927 6。本文选择常用的决策树C4.5[15]，PART[16]和最大似然方法与PSO方法分别进行了对比分析。分别应用训练数据集进行C4.5、PART和最大似然方法的变化检测分类器的构建，并应用测试数据集对变化检测的精度经行检验，得到各个方法的混淆矩阵，并从总体精度、Kappa 系数、规则集复杂度等角度进行了对比分析，见表 3。从对比结果可以看出，应用PSO方法能够得到更高的检测精度，Kappa系数均高于其他3种方法。同时从规则集的复杂度对比可以看出，2次试验应用PSO方法得到了33条规则，规则集均比C4.5和PART方法较简单。从CPU消耗对比可以看出，应用PSO方法稍高于其他几种方法。
| 方法 | PSO | PART | C4.5 | 最大似然 | ||
| 试验1 | 2000—2006年
(测试数据集： 3367个像元) |
总体精度 | 93.23 | 90.50 | 90.08 | 91.15 |
| Kappa 系数 | 0.9222 | 0.8919 | 0.887 | 0.8993 | ||
| 规则集复杂度 | 33条规则 | 45条规则 | 叶节点数量:68，树深度:135 | - | ||
| 试验2 | 2006—2009年
(测试数据集： 3746个像元) |
总体精度 | 93.66 | 86.57 | 88.26 | 92.54 |
| Kappa 系数 | 0.9276 | 0.8457 | 0.8645 | 0.9148 | ||
| 规则集复杂度 | 33条规则 | 61条规则 | 叶节点数量:88，树深度:175 | - |
在试验1(2000—2006年)中，分别对不同方法的混淆矩阵进行分析，得出应用C4.5方法，对裸地→城镇、城镇→植被的检测效果不理想，其中对裸地→城镇的检测中，和城镇→城镇、裸地→裸地的混淆明显，对城镇→植被的检测中，和城镇→城镇、裸地→城镇存在较多的混淆，因此精度较低。在应用PART方法对裸地→裸地和城镇→植被的检测精度也较低，显著低于PSO方法。应用最大似然方法时，对城镇→城镇和城镇→绿地存在明显混淆，对植被→城镇和植被→裸地存在一定程度的混淆，检测精度低于PSO方法。
在试验2(2006—2009年)中，分别对不同方法的混淆矩阵分析，得出应用C4.5方法时，对裸地→裸地、裸地→城镇、水体→裸地这三类检测精度不够高，尤其是水体→裸地仅为42.1%。应用PART方法时对裸地→裸地、裸地→水体的检测精度均约为70%，均低于PSO方法。应用最大似然方法进行变化检测时，对裸地城镇分类与城镇→城镇存在混淆，植被→裸地与绿地→城镇和城镇→城镇存在部分混淆，因此该2类精度明显低于PSO方法。
总之，应用PSO方法进行多时相遥感影像直接分类变化检测时，虽然在计算消耗方面稍高于C4.5、PART、最大似然方法，但变化检测的总体精度和Kappa系数都高于参与比较的这些方法，并且能够得到比决策树C4.5和PART更加简单的规则，在容易混淆的变化检测类别方面有着明显的优势。
4 结论与讨论本文将微粒群优化方法引入遥感影像变化检测当中，构建了基于微粒群优化算法的遥感信息变化提取的总体框架和详细的技术流程，并以北京地区为试验区，采用了美国陆地卫星数据作为试验数据，应用PSO方法即采用变化检测训练样本自动建立变化规则，再运用建立好的变化规则直接提取出了土地覆盖变化类型。从基于PSO方法与决策树C4.5、PART、最大似然检测等方法的遥感变化信息检测结果的对比分析表明，应用PSO方法可以得到更简单的变化规则和更高的变化检测精度。
研究结果表明，当在对研究区进行深入调查并具有丰富先验知识的前提下，采用本文提出的基于微粒群优化的变化检测方法，往往比常规分类方法能够得到较好的变化检测结果。基于PSO方法的遥感变化检测方法是一种基于规则的方法，是针对多时相遥感数据同时处理的难点和变化类型多样化的复杂特点而被提出的。该方法能够针对每种土地覆盖变化类型分别采用不同的特征组合来建立变化规则，综合考虑到了每种变化类型的多样性和差异性，能够得到理想的变化检测结果。本文是将PSO方法探索性地引入到遥感信息变化检测的领域，充分说明PSO方法在遥感信息提取方面的潜在优势，在后续的研究工作中将进一步完善和提高PSO方法在遥感信息提取中的精度和计算效率。
| [1] | ZHONG Jiaqiang, WANG Runsheng. Multitemporal Remote Sensing Image Change Detection Based on Adaptive Parameter Estimation[J]. Acta Geodaetica et Cartographica Sinica, 2005, 34(4): 331-336. (钟家强,王润生. 基于自适应参数估计的多时相遥感图像变化检测[J]. 测绘学报, 2005, 34(4): 331-336.) |
| [2] | CUI Weihong, SHI Wenzhong, LI Xiaojuan. Development of a Feature Based Saptial-temporal Data Model for Land Use Change Dynamic Monitoring[J]. Acta Geodaetica et Cartographica Sinica, 2004, 33(2): 138-144. (崔伟宏,史文中,李小娟.基于特征的时空数据模型研究及在土地利用变化动态监测中的应用[J] 测绘学报,2004, 33(2): 138-144. |
| [3] | LU D, MAUSEL P, E. BRONDIZIO E, et al. Change Detection Techniques[J]. International Journal of Remote Sensing, 2004, 25(12): 2365-2407. |
| [4] | HAME T, HEILER I, MIGUEL-AYANZ J S. An Unsupervised Change and Recognition System for Forestry[J]. International Journal of Remote Sensing, 1998, 19(6): 1079-1099. |
| [5] | SINGH A. Digital Change Detection Techniques Using Remotely-sensed Data[J]. International Journal of Remote Sensing, 1989, 10(6): 989-1003. |
| [6] | NEMMOUR H, CHIBANI Y. Fuzzy Neural Network Architecture for Change Detection in Remotely Sensed Imagery[J]. International Journal of Remote Sensing, 2006, 27(4): 705-717. |
| [7] | MA Jianwen, TIAN Guoliang, WANG Changeyao, et al. Review of the Development of Remote Sensing Change Detection Technology[J]. Advance in Earth Science, 2004, 19(2): 192-196. (马建文, 田国良, 王长耀,等. 遥感变化检测技术发展综述[J]. 地球科学进展, 2004, 19(2): 192-196.) |
| [8] | DAI X L, KHORRAM S. Remotely Sensed Change Detection Based on Artificial Neural Networks[J]. Photogrammetric Engineering & Remote Sensing, 1999, 65(10): 1187-1194. |
| [9] | PENG Xiyuan, PENG Yu, DAI Yufeng. Swarm Intelligence Theory and Applications[J]. Acta Electronica Sinica, 2003, 31(12): 1983-1988. (彭喜元,彭宇, 戴毓丰. 群智能理论及应用[J]. 电子学报, 2003, 31(12): 1983-1988.) |
| [10] | KENNEDY J. Particle Warm Optimizations[C]//Proceedings of the 1995 IEEE International Conference on Neural Networks. Piscataway. Perth: IEEE Service Center, 1995:1942-1948. |
| [11] | LIU Xiaoping, LI Xia, PENG Xiaojuan, et al. Swarm Intelligence for Classification of Remote Sensing Data[J]. Science China: D, 2007, 37(10): 1401-1408. (刘小平,黎夏,彭晓鹃,等. 一种基于生物群集智能优化的遥感分类方法[J]. 中国科学: D辑:地球科学,2007, 37(10): 1401-1408.) |
| [12] | HOLDEN N P, FREITAS A A. A Hybrid PSO/ACO Algorithm for Classification[C]//Proceedings of the 2007 GECCO Conference Companion on Genetic and Evolutionary Computation, London: 2007: 2745-2750. |
| [13] | BRATTON D, KENNEDY J. Defining a Standard for Particle Swarm Optimization[C]//Proceedings of the 2007 IEEE Swarm Intelligent Symposium. Honolulu: IEEE, 2007: 120-127. |
| [14] | PARPINELLI R S, LOPES H S, FREITAS A A. Data Mining with an Ant Colony Optimization Algorithm[J]. IEEE Transactions on Evolutionary Computation, 2002, 6(4): 321-332. |
| [15] | QUINLAN J R. C4.5: Programs for Machine Learning[M]. San Francisco: Morgan Kaufmann, 1993. |
| [16] | FRANK E, WITTEN I H. Generating Accurate Rule Sets Without Global Optimization[C]//Fifteenth International Conference on Machine Learning. San Francisco: Morgan Kaufmann, 1998:144-151. |
| [17] | DAI Qin, LIU Jianbo,LIU Shibin. Analysis of Remote Sensing Information Extraction Using Swarm Intelligence Method[J]. Computer Engineering and Applications, 2011, 47(4): 13-16. (戴芹, 刘建波, 刘士彬. 群智能方法在遥感信息提取中的应用分析[J]. 计算机工程与应用, 2011, 47(4): 13-16.) |