1、引言
基于遥感影像的变化检测技术是遥感信息处理的一项重要应用,目前遥感影像变化检测已广泛应用于国防建设的多个领域,主要用于战场信息动态感知、军事目标和兵力部署监测等。国内许多学者将遥感影像的变化检测技术应用于军事领域。邓湘金利用模式识别的相关知识,对军用机场进行建模,实现了机场位置变化的检测。莫华改进了传统的阈值变化检测方法,得到了机场和港口的变化区域。颜洁等将变化检测技术应用于机场毁伤效果评估。
近年来,高分辨率遥感影像的出现使得对军事阵地的动态监测成为可能。
IKONOS、QuickBird等遥感影像的分辨率使得通过遥感影像进行小空间范围内对地监测成为可能,可以分辨出更小一级的军事目标,利用这种遥感影像进行军事阵地动态监测,其快速批量处理的优势可以免去人工实地勘测的步骤,节省了人力物力资源,显著提高了部队的作战效率。然而目前将变化检测技术应用于军事阵地动态监测的研究非常少,开展此方面的研究十分必要。
本文针对实时作战的现实需求,利用面向对象的变化检测方法,研究基于高分辨率遥感影像的军事阵地动态监测技术,具有一定的理论和现实意义。
2、基于对象的变化检测技术
变化检测是通过分析同一地区不同时期拍摄的遥感影像间光谱特征或空间结构特征的差异,从而得到感兴趣地物类型的转变或内部条件和状态的变化。目前,基于遥感影像的变化检测方法大致分为两种:基于像元和基于对象的方法。随着新一代高分辨率遥感卫星的成功发射,变化检测可以在更小的尺度上进行,传统的基于像元的方法已经不能满足高分辨率遥感影像的精度要求,基于对象的方法应运而生。
基于对象的变化检测方法以对象为基本元,可以充分利用对象所固有的尺寸、形状提取出基于对象的特征,从而提高变化区域和非变化区域的可分性以及不同地物之间的可分性,而且对象可以应用各种地学的核心概念(距离、尺度和方向特征等),更符合人类的思维方式和推理方式。其一般流程如图1所示。
其中,影像分割是高分辨率遥感影像由基于像元向面向对象转变的基础,在分割成的多个多边形对象的基础上,对对象的特征如光谱、形状和纹理等进行提取,形成特征信息知识库,然后利用知识库对对象分类,并提取变化信息。
3、基于遥感影像的军事阵地动态监测
3.1 前提条件
基于遥感影像进行军事阵地动态监测有两个必要的前提条件:
(1)数据源的选取。由阵地的特点进行考量,选取的遥感数据需是高分辨率的遥感影像。例如QuickBird、IKONOS等空间分辨率为米级的遥感影像,数据经过严格的预处理,如几何校正、辐射校正、相对配准、图像增强等,使两幅影像具有可比性。此外,还需要该地区的原阵地矢量数据,单独对阵地区域进行处理。
(2)只根据阵地区域的遥感影像来判断阵地是否可用,其他如路况、通信状况等因素不在本文研究的范围之内。
3.2军事阵地的变化类型分析
本文根据实际经验,充分利用辅助信息和地物本身的信息,主要针对3种最常见影像阵地使用的变化进行分析,如表1所示(以IKONOS影像为例)。
3.3 研究方法军事阵地动态监测的方法流程如图2所示
(1)发现对象。发现对象就是将图像分割成若干个多边形区域。仅在单一尺度上进行高分辨率遥感影像的分割不能充分反映其丰富的地物与空间格局,其结果并不可靠。在分水岭算法分割的基础上,利用异质性最小区域合并算法来实现阵地影像的多尺度分割。图像区域最小异质性h计算公式为:
其中:ωspectral表示光谱差异性度量准则在综合准则中所占的权值。hspectral表示光谱异质性,hshape表示形状异质性,其具体算法请参考文献。图像分割时,由于阈值过低,一些特征对象会被错分,通过合并来解决这个问题。利用FullLambda-Schedule算法进行斑块的合并,该算法最初用来分割合成孔径雷达影像。在结合光谱和空间信息的基础上迭代合并邻近的小斑块。其公式如式(2)所示:
其中:Oi为区域i,|Oi|为区域i的面积,ui为区域i的特征值,uj为区域j的特征值,‖ui-uj‖为区域i和j的Euclidean距离,length(δ(Oi,Oj))代表区域i和j的共享边长。设定一个合并因子,在结合光谱和空间信息的基础上迭代合并邻近的小斑块。设定的值越大,合并的斑块越多。实际操作中尝试多组尺度因子进行图像分割与斑块合并,目测选择最合适的因子,使最终效果既能分辨出不同地物,斑块又不过于琐碎。
(2)特征提取。遥感信息的包含信息多种多样,对遥感信息的提取需求不同,提取信息所用的规则也各不相同。阵地影像的提取大致分为3个方面:几何特征:包括面积、长宽比和形状指数等;光谱特征:包括灰度均值、最大像素值和亮度值等;纹理特征:包括同质度、对比度和非相似性等。
提取的对象特征众多,需要建立一个特征数据库对其进行存储,便于后期的影像分类。
(3)影像分类。由于传统的监督分类需要提取大量样本,过程比较繁琐,非监督分类不必对影像地物获取先验知识,但是需要进行繁杂的类别定义与合并子类的工作。综合两者的长处,本文使用基于一定先验知识的规则分类。先通过目视大致判断影像地物特点,设定规则及阈值对影像进行分类。该方法可以充分利用先验知识,自动化程度较高,分类规则也比较符合人的认知过程。
(4)将两个时相遥感影像的分类结果进行叠置处理,输出变化类型,更新阵地信息。
4仿真与验证为了验证本文方法的有效性,选取某军事阵地2011年5月和2012年5月的遥感影像,如图3所示,分别是IKONOS卫星所收集的1.0m分辨率的卫星影像和GeoEye-1卫星所收集的0.5m分辨率卫星影像。此外,还有2011年该地区的阵地矢量边界。实验环境为MatLab 7.6.0。
图3(a)标示了已知的A、B、C、D 4个军事阵地。图3(b)是该地区2012年的阵地影像,两图在空间上严格匹配。目视对比可以看出该地区地物变化较大,A、B两个阵地变化不明显,C、D两个阵地明显有建筑物覆盖。根据军事阵地影像的特点,将其分为4种地物:平地,主要有道路及大片水泥地;建筑物;植被;土地及裸地。
通过观察,可以看出本实验区地物的特征:建筑物的屋顶轮廓基本为矩形,屋顶颜色以白色为主,建筑物背景以深色的水泥地为主;与建筑物相比,水泥地和道路在各个波段的反射率都比较高。
4.1 发现对象
尝试多组尺度组合对两个影像进行分割与合并斑块。发现当尺度因子为40,合并因子为90时,两个影像中各类地物独立性较好,能够很好地分辨出边缘特征。分割结果如图4所示。
4.2 基于规则的影像分类及精度分析
每个分类由多个规则组成,每个规则通过多个属性表达式来描述。每个分类可以拥有若干个规则,它们之间是“OR”的关系,每一个规则也可以拥有若干个属性表达式,它们之间是“And”的关系。同一类地物可以由不同规则来描述。利用NDVI划分植被区和非植被区,可以将植被首先提取出来;水泥地、道路通过光谱平均值以及纹理特征进行判别;根据建筑物的屋顶反射率以及其近似矩形的特点,用光谱平均值和矩形形状因子来度量。表2是具体的影像分类规则。
图5是两个时相影像最终分类结果。根据分类结果,在两图中各随机选取500个样本,将其分别与2011、2012年真实地物情况进行精度分析。两个时相的分类结果的混淆矩阵如表3和表4所示。从表中可以看出,两个时相的分类结果总体精度较好,表明利用面向对象的方法对地类识别可以取得较高的精度。
4.3动态监测结果与评价
得到了两个时相的遥感分类影像,通过叠置处理判断对应位置变化情况实现变化信息的自动获取。将分类结果与阵地矢量边界进行二值掩膜计算,只监测阵地区域的变化情况。新增的地物所生成的对象称为变化对象,由变化对象的图斑可以得到变化地物的面积。变化检测结果如表5所示。
从表中可以看出,实验得到的变化结果与目视情况基本一致,验证了面向对象方法在解决军事阵地动态监测问题上的有效性。
5、结语
本文从军队快速作战的军事需求出发,利用面向对象的变化检测方法,研究了基于遥感影像的军事阵地动态监测技术,最后使用真实阵地影像对研究方法进行验证。实验结果表明,面向对象的变化检测方法能够充分利用遥感影像的光谱特征,实现对阵地地物的精确分类,该方法在军事阵地的动态监测中取得了良好的效果。同时,本文的研究工作仍有一些未尽之处,如影像分割尺度与分类规则依赖于人工经验,如何自动选择分割尺度等问题需要进一步探讨。
