基于矢量数据的图像分割算法的地理国情监测技术研究

李祖勤

（福建省测绘院，福州，350003）

我国地理国情监测充分利用高分辨率影像，采用变化检测方法［1］，关注地理要素的时空变化。变化检测是对单个地理区域的多时相遥感图像进行分析的过程，以定位地物的差异，主要实现3个目标：识别地理位置和变化类型、分析变化、评价结果的准确性。国内外研究人员根据要求和条件开发了各种变化检测方法，每种变化检测方法都有各自的优缺点，如分类后比较法的优点是简单易懂，可直接提供变化前后的类别信息和变化信息，但具有夸大了变化区域，对历史遥感影像的分类存在较大难度的缺点。面向对象分析法的优点是分析的结果更合理，更符合人类的思维方式和过程，缺点是不同时相影像分割结果不一致导致的一些伪变化区域，因此，没有一种方法是综合优于其他方法的。

该研究的重点是将高分辨率影像与矢量数据整合［2］，提出基于矢量数据的图像分割算法，充分利用矢量数据中的边界信息和属性信息，得到图像对象的变化检测单元，采用基于最近邻算法的分类后比较［1］（Post－classification Comparative，PCC）和基于差熵算法的图像对象分析［3］（Image－object Analysis，IOA）2种变化检测方法，使之相互补充，形成完整的变化检测过程，提高变化检测的精度。

以福建闽侯约2km2的区域作为研究对象，该区域内土地覆盖类别较为齐全，划分为8类：种植土地、林地、房屋建筑区、公路、乡村道路、河流水面、沟渠和坑塘水面。

采用的遥感影像数据前后时相分别为2018年6月（T1）与2019年8月（T2）获取的高分二号影像（全色0.45～0.90μm；
多光谱R、G、B、NIR，0.45～0.52μm、0.52～0.59μm、0.63～0.69μm、0.77～0.89μm），并且2期影像均完成全色波段和多光谱波段的融合，获得0.8m分辨率融合影像。矢量数据来源于自然资源主管部门提供的与前时相（T1）遥感影像同一时期的地理国情监测数据（图1），该数据存储了边界信息和属性信息［4］等空间信息，是遥感影像变化检测分析的重要辅助数据。

图1 2018年研究区监测矢量数据Fig.1 Vector datas monitored of the study area in 2018

多时相遥感影像需要通过大气、辐射和地形校正，以及几何校正和数据配准，通过大气和辐射校正消除或减少大气和辐射误差对传感器的影响。基于GF－2遥感数据、原始轨道参数与第一次全国地理国情普查初始DOM和DEM数据，采用GEOWAY CIPS处理平台，通过自动配准的方式在全色影像和已有DOM上选择大量的同名点作为控制点进行局域网平差，解算影像精确的定位和定向参数，再利用已有DEM进行全色影像生产，然后将全色影像与多光谱影像进行配准，配准后对全色影像、多光谱影像进行正射纠正和融合，影像配准精度不超过2个像素。T1、T2预处理后对应的DOM（图2）。

图2 研究区预处理后影像DOMFig.2 Image DOM after pretreatment in the study area

基于对象的变化检测的基本处理单元是图像对象［5］。符合遥感图像中的物体真实地表特征（如流域、建筑足迹和草原地块），最小的图像对象是一个像素。图像对象是由图像分割产生的，高分辨率影像分割是一种基于自底向上和区域合并2种准则的技术，从某个像素开始，逐步将图像分割成一系列对象。

这种分割方法可以用Definiens Developer软件实现，该软件基于主要特征（如灰度、形状和纹理）和分类进行分割。然而，由于图像质量、图像空间分辨率和区域特性等原因，分割结果往往不尽如人意。改进的矢量数据图像分割算法是将图像像素和矢量对象联系起来，结合矢量数据和多时相高分辨率影像的图像分割算法步骤如下（图3）。

图3 基于矢量数据的图像分割技术流程Fig.3 Process of image segmentation technology based on vector data

（1）利用矢量数据对两时相图像进行配准后，利用矢量对象的边界实现对两时相图像的叠加分割。两时相图像对象被视为土地利用级对象（LU level objects，LULOs），根据矢量数据的类别确定LULO的相应类别。

（2）基于两时相图像的光谱响应信息，通过设置一定的分割尺度参数，实现了LULO的二级分割，从这个步骤获得的图像对象被命名为LULO－1，它们继承LULO类别信息。

（3）根据两时相LULO－1的不同类别，设置不同的分割尺度，进行独立的层次分割。当两时相图像目标达到“类内同谱”和“类间频谱不同”的目标时，停止分割，得到的对象被视为土地覆盖级对象（land cover level objects，LCLOs）。

（4）按照LCLO对应的顺序，将两时相LCLO进行融合。

高分辨率图像、软件以及变化检测算法在过去10y中的快速发展，使得基于对象的变化检测应用较为普遍。研究利用改进的矢量数据图像分割算法，采用了分类后比较变化检测方法和图像对象分析变化检测方法2种分类方法进行变化检测，使之形成互补。

4.1 分类后比较变化检测方法

分类后比较变化检测法因其简单易懂而成为变化检测最常用的方法。分类后比较的主要原理是通过分类算法获得2个时相图像对象的类别，而后识别出对应的图像对象是否有变化。由于2个时相图像的分类是分开进行的，该方法可以最大限度地减小卫星传感器和大气环境差异的影响。文中所用的两时相图像T1和T2，农作物生长差异十分明显，因此，分类后比较适用于研究的数据分析。然而，分类后比较的检测精度在很大程度上取决于2种分类的准确性。成功使用分类后比较的关键是准确地对两时相图像进行分类，从而避免错误的累积。

考虑到T1图像和矢量数据属于同一时期，利用矢量数据的类别信息对T1图像对象进行分类。神经网络分类是最典型的基于图像对象的分类算法之一，与监督分类方法相似。它的主要过程是从每个土地覆盖类别中选择若干个样本。其次，选取构成神经网络分类特征空间的特征，计算图像对象与类之间的距离d，利用以下函数计算图像对象在类之间的成员关系：z（d）＝e－k＊d2（k代表类别，k＝1，2……，n），而后根据隶属度的大小确定图像对象的类别。

T2图像使用最近邻分类算法对图像对象进行分类。在对两时相图像的目标进行分类后，利用变化检测对分类后的目标进行比较。分类后比较可以提供完整的变化矩阵，清楚地显示“从—到”的变化信息。

4.2 图像对象分析变化检测方法

与中低分辨率图像相比，高分辨率影像具有丰富的光谱特征、几何结构和纹理等空间信息，用户可获得更多的表面特征和细节。纹理分析是提取空间信息最常用的方法。灰度共生矩阵（Gray level co－occurrence matrix，GLCM）是一种最常用、应用最广泛的高分辨率影像纹理信息提取方法［6］，它描述了相邻2个像素在一定距离内的关系。GLCM包括遥感图像中常用的8种纹理特征：中值、协方差、同质性、反差、差异性、熵、二阶距和自相关。在土地覆盖类型中，建筑用地通常包含建筑屋顶、路边树荫、阴影和许多其他因素，这些因素会产生复杂的纹理。农业用地和水体的质地比较简单、均匀。

熵是图像信息的度量，是图像灰度级混淆程度的表示［7］，纹理越复杂的熵越大。该研究利用两时相图像对象像素值差的熵来检测变化（以下简称“基于图像对象分析的差熵算法”），提出了一种基于对象的熵计算算法来代替基于像素的熵计算算法，但二者的算法相似，只是窗口大小不同。基于对象的熵算法使用的是图像对象。两时相目标的差熵公式如下：

式中：用函数Ek计算差分图像对象的熵，取目标灰度i的概率；
两时相图像对象的差值有正负，灰度的范围不仅限于［0，255］，还扩大到［－255，255］；
Ek为归一化值，Emax为最大差熵值。

对应的两时相图像对象差异取决于取值范围。当取值大于设定的阈值时，确定该对象为已更改的图像对象。本研究采用目标函数法，在统计分析的基础上，求出最佳阈值。目标函数法的公式如下：

O（t）值越大，变化检测结果越好。变化检测需解决具有4个决策变量的二元类问题：①真阳性（TP，正确检测到的变化图像对象数）；
②假阳性（FP，错误地检测的无变化图像对象数）；
③真阴性（TN，正确检测到的无变化图像对象数）；
④假阴性（FN，错误地检测到没有变化的图像对象数）。

5.1 图像分割结果

结合矢量数据图像分割算法的过程需要3个步骤：（1）利用矢量数据对两时相图像进行叠加分割；
（2）叠加分割图的独立分层分割；
（3）两时相分层分割图的重叠分割。两时相图像分割结果，分析表明，矢量数据的图像分割法是一个渐进的优化过程，通过一系列的切割和合并技术生成图像对象（图4）。为了实现“类内同谱”“类间异谱”的目标，遥感图像中不同地物应采用不同的分段尺度，如：种植土地、水体和道路的地物具有相对均匀的灰色信息，当分割尺度较大时，由分割得到的图像对象仍能保持均匀性。相比之下，高密度建筑的灰色信息更为复杂，需要较小分割尺度来获得均匀的影像对象。上述结合矢量数据的图像分割算法，共得到2 149个两时相图像。由于图像对象的均匀性好，保证了有效的变化检测。

重叠分割导致的过度分割现象并不影响同质性和变化检测（图4e、f）。不同分割层次的图像对象具有网络层次结构和继承关系，当前级别的对象在其上层边界内，而不同级别的对象同时存在，利用不同的辅助数据可以在不同的层次上实现分割。由于多源数据的有效利用，提高了图像对象的均匀性和变化检测的精度。因此，该方法有助于解决遥感影像与矢量数据叠加分割的不一致性问题以及矢量数据的更新问题。

图4 两时相图像分割结果Fig.4 Two－time phase image segmentation results

5.2 分类后比较变化检测结果

该研究选择分类后比较的最近邻算法对T2时间图像对象进行分类，T1图像对象则使用矢量分类。该区域的土地以种植土地、房屋建筑区、河流水面、沟渠为主，林地、公路、乡村道路、坑塘水面较少。通过比对T1和T2的分类底图，一个新的表面特征图斑（公路）体现在T2的图像上。公路占用了农业用地、居民点和河流，比较2个时态图像中的分类对象进行详细的变化分析（图5）。

PCC法变化检测增加了房屋建筑区、种植土地、公路、河流水面、沟渠、坑塘水面、乡村道路等7个等级，林地没有增加，部分被公路所取代（图5a）。实验区共有2 149个图像对象发生变化，变化率为46.67%。在1.53km2的总面积中，增加了0.36km2，占比23.67%。由于最终目标和应用是更新现有的矢量数据，该研究将分类后比较变化检测结果转换为矢量对象，以改变图像对象面积与矢量对象面积的比率显示（图5b），主要变化是增加的公路。实验结果表明，分类后比较方法具有流程清晰、可操作性强和应用价值高等优点，可以很容易地得到变化图像对象的类别，避免了2幅图像光谱不一致的问题。因此，两时相图像可以有不同的类型、来源和格式，并且有不同的分类算法。（a）利用矢量数据边界对2018年图像进行叠加分割；
（b）利用矢量数据边界对2019年图像进行叠加分割；
（c）利用图像的光谱响应信息和矢量数据的类别属性信息对2018年LULO进行层次分割；
（d）利用图像的光谱响应信息和矢量数据的类别属性信息对2019年LULO进行分层分割；
（e）2018年LCLO的重叠分割；
（f）2019年LCLO的重叠分割

图5 PCC法变化检测结果Fig.5 Results of change detection by PCC method

5.3 图像对象分析变化检测结果

在阈值［0.3，0.8］范围内，对应于阈值的目标函数值（图6），目标函数的最大值为0.69，对应的阈值为0.63。当阈值高于0.36时，函数值上升到最佳分界点，函数值从该分界点开始下降。该研究选取0.63作为最佳阈值来检测图像目标的变化。基于熵差算法的图像对象分析变化检测结果的变化阈值为0.63，深色表示变化区域，浅色表示未变区域（图7a）。2018年矢量对象变化比例表明，基于差熵算法的图像对象分析变化检测方法能够检测出变化最大的图像对象，并对已有的矢量数据进行更新（图7b）。与分类后比较变化检测法相比，该方法简单易行，可操作性强，能准确快速地检测到变化区域，但无法获得变化类别。

图6 阈值选择过程Fig.6 Threshold selection process

图7 IOA法变化检测结果Fig.7 Results of IOA method change detection

5.4 方法评价

变化检测结果的精度评估对于比较改进的变化检测算法非常重要，并且可通过对特定应用需求的可视化和量化来充分实现。以上2种变化检测算法总体目标是定位地理国情监测以及更新现有的矢量数据库。文章提出了一种基于矢量对象的精度评估方法，以分析变化检测算法在地理国情监测中的应用。确定准确度的标准是CDR、EDR和MDR，分别使用方程（4）（5）和（6）计算。精度评估的单位是矢量对象。

PCC方法检测到59个变化矢量对象和0.370km2的变化面积，与真值数据的重叠数和面积分别为53个和0.364km2。因此，分类后比较方法对矢量对象和面积的检测精度分别为86.89%和97.51%。IOA方法检测到62个目标和0.386km2，重叠数量和面积分别为52个和0.360km2，图像对象分析的变化数和面积精度分别为85.25%和96.26%。由此可见，PCC和IOA方法各自都有较高的检测精度，相互补充能有效地降低错检率EDR和漏检率MDR。

基于改进矢量数据的图像分割算法的PCC与IOA 2种变化检测方法，PCC方法避免了两幅图像之间的光谱不一致，获得了更准确的变化图像对象类别；
IOA方法简单，自动化测度较高，能更快速准确地检测到变化区域，2种方法相互补充，形成完整的变化检测过程，二者检测精度均达到85%以上，较改进前75%的变化检测平均精度，有了较大的提高。在地理国情监测实际应用当中，不但提高了变化检测对象的属性和边界精度，同时也大大提高了变化监测的工作效率。