文章信息
- 雷鸣, 田卫新, 任东, 董婷
- LEI Ming, TIAN Weixin, REN Dong, DONG Ting
- 基于对象分类的遥感影像森林变化检测方法
- Forest change detection method for remote sensing images based on object classification
- 森林与环境学报,2019, 39(6): 641-646.
- Journal of Forest and Environment,2019, 39(6): 641-646.
- http://dx.doi.org/10.13324/j.cnki.jfcf.2019.06.012
-
文章历史
- 收稿日期: 2019-06-30
- 修回日期: 2019-08-25
森林对生态环境、生物多样性和气候变化有重要影响,及时准确获取森林动态变化信息,对于碳源估测、实现森林资源可持续经营管理等具有重要意义[1]。遥感由于具有多时相、多尺度、高效率以及低成本的优势,目前已成为森林变化检测的主流技术[2]。利用遥感影像进行森林变化检测的方法可以分为基于像素的变化检测[3-5]和基于对象的变化检测[6-7]。基于像素的变化检测,由于地物混合像素点的存在,准确率不稳定,适用于低分辨率遥感影像处理;对于高分辨率的遥感影像,基于像素的检测方法由于不能充分利用影像内部丰富的空间结构信息,检测结果容易产生“椒盐现象”。基于对象的变化检测以分割地物对象作为处理单元[8],不仅减少了噪声对结果的影响,而且能够充分结合对象利用光谱、归一化植被指数(normalized differential vegetation index,INDV)、归一化水体指数(normalized difference water index,INDW)以及纹理等多种特征信息有效提高变化检测准确度[9-11],同时对于高分辨率遥感影像具有较好的稳定性[12]。基于对象的变化检测步骤包括分割、特征选择、分类方法、变化检测以及变化检测后处理。分割、特征选择以及分类方法对于变化检测有很大的影响。常用的分割方法包括棋盘、四叉树、多阈值以及多尺度分割等,区别于规则分割方法,多尺度分割根据图像中的局部边缘特征信息区别不同地物,可以利用对不同参数值的修改达到不同应用需求的最优设定[10-13],多尺度分割的影响参数包含分割尺度、形状因子以及紧凑度。冯文卿等[14]提出了基于多尺度分割与融合的对象级变化检测新方法,与像素级变化检测方法相比,精度提高了10%左右;张涛等[15]以SPOT5影像为例建立多尺度图像库,采用目视分析方法来评价不同参数下的分割结果,优选适合于特定地物类型提取的最佳分割参数;张玉沙等[16]以ZY-3影像为例,利用较小异质度的多尺度分割对象对初始像素级变化检测结果进行约束,根据判定准则得到最终的变化检测结果。
高分二号(GF-2)是近年来应用广泛的一种高分辨率国产卫星,以GF-2数据为基础取得了许多应用成果[17-19]。宜昌地区地形以山地、丘陵为主,森林资源人工调查难度较大,采用GF-2遥感影像数据,监测宜昌点军区森林变化情况。
1 研究区概况与研究数据 1.1 研究区概况研究区位于宜昌市点军区长江沿岸的矩形区域(东经111°11′~111°16′,北纬30°36′~30°41′)。试验区为山地、丘陵地形,沿江有部分小平原,区内主要的地物覆盖类型为森林,包含少量草地、耕地、居民地与道路。
1.2 影像数据GF-2是我国自主研制的首颗空间分辨率优于1 m的民用光学遥感卫星,于2015年3月投入使用,其全色波段分辨率为1 m,多光谱分辨率为4 m。本研究使用数据为2015年4月13日和2016年5月11日两景1A级影像数据,云量均低于2%。GF-2影像由蓝波段、绿波段、红波段以及近红外波段等4个波段构成,波长分别在450~520 nm、520~590 nm、630~690 nm和770~890 nm之间。
1.3 影像预处理影像的预处理包括正射校正、配准、镶嵌以及融合。正射校正采用影像自带的有理多项式系数(rational polynomial coefficient,RPC)文件和数字高程模型(digital elevation model,DEM)来进行数据定位,多光谱影像像元大小选4 m,全色影像选1 m;正射校正之后用较高分辨率的全色波段影像作为基准影像对多光谱影像进行配准,选择控制点时保证其平均误差在0.4以下;然后利用镶嵌工具在4张影像的同一位置进行裁剪,多光谱影像裁剪大小为2 000像素×2 000像素;最后利用格兰斯密特锐化(Gram-Schmidt pan sharpening,GS)方法融合多光谱与全色波段裁剪影像,分别得到2015和2016年两张分辨率为1 m的融合影像,大小为7 800像素×7 800像素。
2 试验过程试验分为遥感影像分类和变化检测两个部分,试验步骤如图 1所示。
![]() |
图 1 基于对象分类的变化检测流程 Fig. 1 Detection process of the change based on object classification |
多尺度分割是基于对象分类变化检测流程中的关键环节,突破了传统分类以像素为基本单元的局限性,针对研究区找出对应的最优参数,对于实现遥感影像高层次细化分类有极大改善。通过多次对比试验,试验区分割尺度为500时,局部异质性达到峰值,以此尺度为标准逐层递减尺度大小可实现粗分类到细分类的直接过渡。同时图像进行多尺度分割时通过调节形状指数与紧凑度两个参数的取值可有效加强改善分割效果,两参数取值均在0~1以内。通过参数评价可以得出规律,形状指数的值偏小,紧致度的值偏大时,图像分割效果趋于最佳状态,如图 2。本文形状指数取值0.1,紧凑度取值0.9,通过分割得到1 060个对象,如图 2(c)所示。
![]() |
图 2 分割效果 Fig. 2 Segmentation effect |
试验使用GF-2影像的原始光谱特征、光谱指数特征及纹理特征,应用主成分分析(principal component analysis,PCA)获取的特征组合作为对比。指数特征有INDV和INDW,计算如下
$ {{I}_{\text{NDV}}}=\frac{{{\rho }_{\text{NIR}}}-{{\rho }_{\text{R}}}}{{{\rho }_{\text{NR}}}+{{\rho }_{\text{R}}}} $ | (1) |
式中:ρNIR和ρR分别为GF-2近红外波段、红光波段的反射率,突出影像中的植被信息。
$ {{I}_{\text{NDW}}}=\frac{{{\rho }_{\text{G}}}-{{\rho }_{\text{NIR}}}}{{{\rho }_{\text{G}}}-{{\rho }_{\text{NIR}}}} $ | (2) |
式中:ρG为GF-2绿光波段的反射率,抑制植被信息,突出影像中的水体。
纹理特征使用灰度共生矩阵计算,通过8种基于二阶矩阵的纹理滤波的结果对比,选择均值滤波的结果作为纹理特征。利用PCA提取特征组合。通过协方差矩阵计算主成分,在ENV I5.3软件中的PC EigenValues绘图窗口交互选择包含95%的信息量的前3个特征分量。
2.3 分类分类试验将影像分为植被、水、建筑用地、裸土以及其他5类。在试验区选取57个训练样本,占试验区总面积约1/4,其中植被样本16个,水体样本6个,建筑用地样本13个,裸土样本16个,其他样本6个。在选取的训练样本上利用神经网络分别基于不同特征进行分类,选出最佳特征组合,然后对选出的最佳特征组合,利用最大似然分类方法和基于对象的最近邻(k-nearest neighbor,kNN)分类方法分别对影像进行分类,并进行精度评价与对比分析。
3 结果与分析 3.1 基于不同特征的对比为了评价基于不同特征以及特征组合的分类效果,在试验区选取50个测试样本,其中植被样本21个,水体样本6个,建筑用地样本7个,裸土样本10个,其他样本6个,样本的面积占据研究区域约1/2大小。构造混淆矩阵,选择Kappa系数结合总体精度作为分类结果的评价指标,其中总体分类精度表示正确分类的类别像元数与总的类别个数的比值,数值越大代表分类效果越好。
由表 1可以看出,单独使用PCA没有很好达到去除冗余特征并提高分类精度的目标;INDW特征在提高分类总精度方面的作用低于INDV;使用PCA、INDV以及纹理的特征组合,其分类效果最佳。
特征 Feature |
总体分类精度 Total accuracy |
Kappa系数 Kappa coefficient |
原始光谱 Spectrum | 0.863 8 | 0.812 9 |
光谱、归一化植被指数 Spectrum、INDV | 0.967 3 | 0.921 6 |
原始光谱、归一化水体指数 Spectrum、INDW | 0.865 2 | 0.816 5 |
原始光谱、归一化植被指数和归一化水体指数 Spectrum、INDV and INDW | 0.962 9 | 0.911 5 |
主成分分析 PCA | 0.955 1 | 0.889 7 |
主成分分析、归一化植被指数和纹理 PCA、INDV and texture | 0.971 5 | 0.931 2 |
不同分类方法的效果比较见表 2,可以看出基于光谱或基于特征组合的面向对象分类均优于传统分类。
分类方法 Classification method |
Kappa系数 Kappa coefficient |
|
原始光谱 Spectrum |
基于主成分分析、归一化植被指数和纹理 PCA、INDV and texture |
|
神经网络分类 Neural network classification |
0.812 9 | 0.931 2 |
最大似然分类 Maximum likelihood classification |
0.901 7 | 0.904 0 |
面向对象最近邻分类 Object-oriented kNN classification |
0.930 2 | 0.975 2 |
为了实现后续的森林变化检测,首先将植被细分为森林地、耕地、草地,将建筑用地和裸土归为其他。按照1:4的比例基于对象重新选择训练样本与测试样本,构造混淆矩阵,并得到分类结果的总体分类精度以及Kappa系数[20]。Kappa系数代表分类与完全随机的分类产生错误减少的比例,相对于总体精度更具有参考性,两者的值均在0和1之间。基于对象的最近邻分类结果如图 3,图中深灰色部分为森林地覆盖区域。
![]() |
图 3 面向对象分类效果 Fig. 3 Effects of object-oriented classification in 2015 and 2016 |
利用试验所得最优参数对图像进行多尺度分割,配置特征空间,使用精度最高的最近邻分类算法得到不同评价指标下基于对象的细化分类结果(表 3)。根据表 3不同类别的生产者精度和用户精度计算出其分类的总体精度为0.986 6。植被细分之后, 根据每类的Kappa系数计算出总体Kappa系数为0.975 2。
评价指标 Evaluation index |
水体 Water |
其他 Other |
耕地 Plough |
森林地 Forest |
草地 Grassland |
生产者精度 Accuracy of producer |
1.000 0 | 1.000 0 | 0.930 8 | 0.996 2 | 1.000 0 |
用户精度 Accuracy of user |
1.000 0 | 1.000 0 | 1.000 0 | 1.000 0 | 0.605 9 |
每类的 Kappa系数 Kappa coefficient of each classification |
1.000 0 | 1.000 0 | 0.919 1 | 0.989 1 | 1.000 0 |
通过混淆矩阵计算漏分误差(指本属于地表真实分类,但没有被分类器分到相应类别中的像元数)和错分误差(指被分为用户感兴趣的类,而实际上属于另一类的像元),生产者精度/%=100-漏分误差。用户精度/%=100-错分误差。基于多尺度分割的面向对象最近邻分类算法基本可以保证研究区的水体与其他分类不出错,森林地的错分误差与漏分误差都很低。根据3个方面以及总体的精度评价结果可以看出,基于对象针对更高层次的细化分类也具有良好的适用性,能够在上述监督分类的基础上进一步将植被分为耕地、森林地、草地。高层次植被细化分类对于后续进一步实现森林变化检测提高准确度具有重要意义。
3.3 变化检测结果根据上述试验结果,基于最佳特征组合并通过最佳分类方法分别得到2015与2016年的分类结果,将此结果导入到ENV I5.3软件并利用Change Detection中的Thematic Change Workflow得出较为准确的变化检测矢量结果,然后将矢量结果导入ArcGIS 10.4软件中利用编辑器控制属性参数进一步矢量筛选保留森林的变化。属性列表控制条件为:class_T1=“森林地”or class_T2=“森林地”;area>=666.7 m2,不满足这两个条件的矢量利用编辑器进行删减。其中包含森林地的增长与消减,森林地的消减在矢量结果上反应为相同位置下,2015年的地物类别为森林地,而2016年的为除森林地之外的其他地物,森林地的增长则相反。具体消长面积可直接在ArcGIS中点击矢量图斑进行查看,矢量结果如图 4(c),对比2015与2016年的原始灰度图,可以明显看到产生变化的区域也存在大量变化图斑。
![]() |
图 4 森林变化检测结果 Fig. 4 Forest change detection results |
本研究针对高分辨率遥感影像基于不同特征的神经网络分类进行了特征的对比,然后针对基于相同特征的两种传统监督分类方法与面向对象分类方法进行了方法的对比,旨在找出最适用于宜昌典型地形对应GF-2四波段影像数据的高效率高精度的分类方法。通过两幅不同时相的GF-2遥感影像对比分析,采用基于邻域差分绝对值与标准差比定义了多尺度分割参数评价函数,用来确定图像分割中的分割尺度、形状因子以及紧凑度,在分割基础上结合影像自身光谱特征、INDV、PCA以及纹理特征对分割对象进行监督分类,最终结果显示基于对象的分类方法有明显优势,其分类总体精度可达0.986 6,Kappa系数可达0.975 2,良好的分类结果反映更加完整的变化情况。GF-2影像满足宜昌地区进行变化检测的分辨率要求,具有很好的应用价值,对于利用GF-2遥感影像进行森林变化检测具有一定的适用性。
[1] |
尹伟伦. 全球森林与环境关系研究进展[J]. 森林与环境学报, 2015, 35(1): 1-7. |
[2] |
李春干, 梁文海. 面向对象遥感图像森林变化检测的工程化应用方法[J]. 林业资源管理, 2015(6): 137-143. |
[3] |
谷鑫志, 陈尔学, 李增元, 等. 多极化星载SAR森林覆盖变化检测方法[J]. 林业科学, 2019, 55(5): 74-84. |
[4] |
张雨, 林辉, 臧卓, 等. 高光谱遥感影像森林信息提取方法比较[J]. 中南林业科技大学学报, 2013, 33(1): 75-79. |
[5] |
SHAO P, SHI W, HAO M. Indicator-kriging-integrated evidence theory for unsupervised change detection in remotely sensed imagery[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2019, 11(12): 4649-4663. |
[6] |
SHAO P, SHI W, HE P, et al. Novel approach to unsupervised change detection based on a robust semi-supervised FCM clustering algorithm[J]. Remote Sensing, 2016, 8(3): 264. |
[7] |
付强, 代华兵, 薛晓坡. 高分辨率遥感影像森林覆盖变化检测研究[J]. 林业资源管理, 2013(5): 76-79. |
[8] |
任冲.中高分辨率遥感影像森林类型精细分类与森林资源变化监测技术研究[D].北京: 中国林业科学研究院, 2016. http://cdmd.cnki.com.cn/Article/CDMD-82201-1016251369.htm
|
[9] |
李春干, 代华兵. 基于统计检验的面向对象高分辨率遥感图像森林变化检测[J]. 林业科学, 2017, 53(5): 74-81. |
[10] |
李梦颖, 邢艳秋, 刘美爽, 等. 基于支持向量机的Landsat-8影像森林类型识别研究[J]. 中南林业科技大学学报, 2017, 37(4): 52-58. |
[11] |
张正健, 李爱农, 雷光斌, 等. 基于多尺度分割和决策树算法的山区遥感影像变化检测方法:以四川攀西地区为例[J]. 生态学报, 2014, 34(24): 7222-7232. |
[12] |
李世明, 王志慧, 李增元, 等. 基于邻近相关图像和决策树分类的森林景观变化检测[J]. 林业科学, 2011, 47(9): 69-74. |
[13] |
孙晓艳, 杜华强, 韩凝, 等. 面向对象多尺度分割的SPOT5影像毛竹林专题信息提取[J]. 林业科学, 2013, 49(10): 80-87. |
[14] |
冯文卿, 张永军. 利用多尺度融合进行面向对象的遥感影像变化检测[J]. 测绘学报, 2015, 44(10): 1142-1151. |
[15] |
张涛, 杨晓梅, 童立强, 等. 基于多尺度图像库的遥感影像分割参数优选方法[J]. 国土资源遥感, 2016, 28(4): 59-63. |
[16] |
张玉沙, 黄岩, 谭琨, 等. 基于多分类器集成和对象的城市典型地物要素变化检测:以ZY-3影像为例[J]. 地理与地理信息科学, 2018, 34(3): 54-60. |
[17] |
梁文海, 刘吉凯, 张伟, 等. 基于面向对象方法的GF-2影像桉树林信息提取[J]. 浙江农林大学学报, 2017, 34(4): 721-729. |
[18] |
李静.基于GF-2的新疆巴州地区主要地物类型信息提取方法研究[D].北京: 北京林业大学, 2016. http://cdmd.cnki.com.cn/Article/CDMD-10022-1016145216.htm
|
[19] |
张丽云, 赵天忠, 夏朝宗, 等. 遥感变化检测技术在林业中的应用[J]. 世界林业研究, 2016, 29(2): 44-48. |
[20] |
陈远丽, 路春燕, 刘金福, 等. 漳江口湿地变化的遥感监测[J]. 森林与环境学报, 2019, 39(1): 61-69. |