1、引言
基于遙感影像的變化檢測技術是遙感信息處理的一項重要應用,目前遙感影像變化檢測已廣泛應用于國防建設的多個領域,主要用于戰場信息動態感知、軍事目標和兵力部署監測等。國內許多學者將遙感影像的變化檢測技術應用于軍事領域。鄧湘金利用模式識別的相關知識,對軍用機場進行建模,實現了機場位置變化的檢測。莫華改進了傳統的閾值變化檢測方法,得到了機場和港口的變化區域。顏潔等將變化檢測技術應用于機場毀傷效果評估。
近年來,高分辨率遙感影像的出現使得對軍事陣地的動態監測成為可能。
IKONOS、QuickBird等遙感影像的分辨率使得通過遙感影像進行小空間范圍內對地監測成為可能,可以分辨出更小一級的軍事目標,利用這種遙感影像進行軍事陣地動態監測,其快速批量處理的優勢可以免去人工實地勘測的步驟,節省了人力物力資源,顯著提高了部隊的作戰效率。然而目前將變化檢測技術應用于軍事陣地動態監測的研究非常少,開展此方面的研究十分必要。
本文針對實時作戰的現實需求,利用面向對象的變化檢測方法,研究基于高分辨率遙感影像的軍事陣地動態監測技術,具有一定的理論和現實意義。
2、基于對象的變化檢測技術
變化檢測是通過分析同一地區不同時期拍攝的遙感影像間光譜特征或空間結構特征的差異,從而得到感興趣地物類型的轉變或內部條件和狀態的變化。目前,基于遙感影像的變化檢測方法大致分為兩種:基于像元和基于對象的方法。隨著新一代高分辨率遙感衛星的成功發射,變化檢測可以在更小的尺度上進行,傳統的基于像元的方法已經不能滿足高分辨率遙感影像的精度要求,基于對象的方法應運而生。
基于對象的變化檢測方法以對象為基本元,可以充分利用對象所固有的尺寸、形狀提取出基于對象的特征,從而提高變化區域和非變化區域的可分性以及不同地物之間的可分性,而且對象可以應用各種地學的核心概念\\(距離、尺度和方向特征等\\),更符合人類的思維方式和推理方式。其一般流程如圖1所示。
其中,影像分割是高分辨率遙感影像由基于像元向面向對象轉變的基礎,在分割成的多個多邊形對象的基礎上,對對象的特征如光譜、形狀和紋理等進行提取,形成特征信息知識庫,然后利用知識庫對對象分類,并提取變化信息。
3、基于遙感影像的軍事陣地動態監測
3.1 前提條件
基于遙感影像進行軍事陣地動態監測有兩個必要的前提條件:
\\(1\\)數據源的選取。由陣地的特點進行考量,選取的遙感數據需是高分辨率的遙感影像。例如QuickBird、IKONOS等空間分辨率為米級的遙感影像,數據經過嚴格的預處理,如幾何校正、輻射校正、相對配準、圖像增強等,使兩幅影像具有可比性。此外,還需要該地區的原陣地矢量數據,單獨對陣地區域進行處理。
\\(2\\)只根據陣地區域的遙感影像來判斷陣地是否可用,其他如路況、通信狀況等因素不在本文研究的范圍之內。
3.2軍事陣地的變化類型分析
本文根據實際經驗,充分利用輔助信息和地物本身的信息,主要針對3種最常見影像陣地使用的變化進行分析,如表1所示\\(以IKONOS影像為例\\)。
3.3 研究方法軍事陣地動態監測的方法流程如圖2所示
\\(1\\)發現對象。發現對象就是將圖像分割成若干個多邊形區域。僅在單一尺度上進行高分辨率遙感影像的分割不能充分反映其豐富的地物與空間格局,其結果并不可靠。在分水嶺算法分割的基礎上,利用異質性最小區域合并算法來實現陣地影像的多尺度分割。圖像區域最小異質性h計算公式為:
其中:ωspectral表示光譜差異性度量準則在綜合準則中所占的權值。hspectral表示光譜異質性,hshape表示形狀異質性,其具體算法請參考文獻。圖像分割時,由于閾值過低,一些特征對象會被錯分,通過合并來解決這個問題。利用FullLambda-Schedule算法進行斑塊的合并,該算法最初用來分割合成孔徑雷達影像。在結合光譜和空間信息的基礎上迭代合并鄰近的小斑塊。其公式如式\\(2\\)所示:
其中:Oi為區域i,|Oi|為區域i的面積,ui為區域i的特征值,uj為區域j的特征值,‖ui-uj‖為區域i和j的Euclidean距離,length\\(δ\\(Oi,Oj\\)\\)代表區域i和j的共享邊長。設定一個合并因子,在結合光譜和空間信息的基礎上迭代合并鄰近的小斑塊。設定的值越大,合并的斑塊越多。實際操作中嘗試多組尺度因子進行圖像分割與斑塊合并,目測選擇最合適的因子,使最終效果既能分辨出不同地物,斑塊又不過于瑣碎。
\\(2\\)特征提取。遙感信息的包含信息多種多樣,對遙感信息的提取需求不同,提取信息所用的規則也各不相同。陣地影像的提取大致分為3個方面:幾何特征:包括面積、長寬比和形狀指數等;光譜特征:包括灰度均值、最大像素值和亮度值等;紋理特征:包括同質度、對比度和非相似性等。
提取的對象特征眾多,需要建立一個特征數據庫對其進行存儲,便于后期的影像分類。
\\(3\\)影像分類。由于傳統的監督分類需要提取大量樣本,過程比較繁瑣,非監督分類不必對影像地物獲取先驗知識,但是需要進行繁雜的類別定義與合并子類的工作。綜合兩者的長處,本文使用基于一定先驗知識的規則分類。先通過目視大致判斷影像地物特點,設定規則及閾值對影像進行分類。該方法可以充分利用先驗知識,自動化程度較高,分類規則也比較符合人的認知過程。
\\(4\\)將兩個時相遙感影像的分類結果進行疊置處理,輸出變化類型,更新陣地信息。
4仿真與驗證為了驗證本文方法的有效性,選取某軍事陣地2011年5月和2012年5月的遙感影像,如圖3所示,分別是IKONOS衛星所收集的1.0m分辨率的衛星影像和GeoEye-1衛星所收集的0.5m分辨率衛星影像。此外,還有2011年該地區的陣地矢量邊界。實驗環境為MatLab 7.6.0。
圖3\\(a\\)標示了已知的A、B、C、D 4個軍事陣地。圖3\\(b\\)是該地區2012年的陣地影像,兩圖在空間上嚴格匹配。目視對比可以看出該地區地物變化較大,A、B兩個陣地變化不明顯,C、D兩個陣地明顯有建筑物覆蓋。根據軍事陣地影像的特點,將其分為4種地物:平地,主要有道路及大片水泥地;建筑物;植被;土地及裸地。
通過觀察,可以看出本實驗區地物的特征:建筑物的屋頂輪廓基本為矩形,屋頂顏色以白色為主,建筑物背景以深色的水泥地為主;與建筑物相比,水泥地和道路在各個波段的反射率都比較高。
4.1 發現對象
嘗試多組尺度組合對兩個影像進行分割與合并斑塊。發現當尺度因子為40,合并因子為90時,兩個影像中各類地物獨立性較好,能夠很好地分辨出邊緣特征。分割結果如圖4所示。
4.2 基于規則的影像分類及精度分析
每個分類由多個規則組成,每個規則通過多個屬性表達式來描述。每個分類可以擁有若干個規則,它們之間是“OR”的關系,每一個規則也可以擁有若干個屬性表達式,它們之間是“And”的關系。同一類地物可以由不同規則來描述。利用NDVI劃分植被區和非植被區,可以將植被首先提取出來;水泥地、道路通過光譜平均值以及紋理特征進行判別;根據建筑物的屋頂反射率以及其近似矩形的特點,用光譜平均值和矩形形狀因子來度量。表2是具體的影像分類規則。
圖5是兩個時相影像最終分類結果。根據分類結果,在兩圖中各隨機選取500個樣本,將其分別與2011、2012年真實地物情況進行精度分析。兩個時相的分類結果的混淆矩陣如表3和表4所示。從表中可以看出,兩個時相的分類結果總體精度較好,表明利用面向對象的方法對地類識別可以取得較高的精度。
4.3動態監測結果與評價
得到了兩個時相的遙感分類影像,通過疊置處理判斷對應位置變化情況實現變化信息的自動獲取。將分類結果與陣地矢量邊界進行二值掩膜計算,只監測陣地區域的變化情況。新增的地物所生成的對象稱為變化對象,由變化對象的圖斑可以得到變化地物的面積。變化檢測結果如表5所示。
從表中可以看出,實驗得到的變化結果與目視情況基本一致,驗證了面向對象方法在解決軍事陣地動態監測問題上的有效性。
5、結語
本文從軍隊快速作戰的軍事需求出發,利用面向對象的變化檢測方法,研究了基于遙感影像的軍事陣地動態監測技術,最后使用真實陣地影像對研究方法進行驗證。實驗結果表明,面向對象的變化檢測方法能夠充分利用遙感影像的光譜特征,實現對陣地地物的精確分類,該方法在軍事陣地的動態監測中取得了良好的效果。同時,本文的研究工作仍有一些未盡之處,如影像分割尺度與分類規則依賴于人工經驗,如何自動選擇分割尺度等問題需要進一步探討。
