img

官方微信

遥感技术与应用, 2019, 34(5): 1054-1063 doi: 10.11873/j.issn.1004-0323.2019.5.1054

遥感应用

COSMO-SkyMed时序影像南京城市变化检测研究

王源,1,2, 陈富龙,1, 胡祺3, 唐攀攀1

1. 中国科学院遥感与数字地球研究所 数字地球重点实验室,北京 100094

2. 中国科学院大学,北京 100049

3. 南京市城市规划编制研究中心,江苏 南京 210029

Urban Change Detection based on COSMO-SkyMed Multi-temporal Images in Nanjing City, China

Wang Yuan,1,2, Chen Fulong,1, Hu Qi3, Tang Panpan1

1. Key Laboratory of Digital Earth Science, Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100094, China

2. University of Chinese Academy of Sciences, Beijing 100049, China

3. Nanjing Urban Planning Compilation and Research Center, Nanjing 210029, China

通讯作者: 陈富龙(1980-),男,浙江定海人,博士,研究员,主要从事雷达遥感考古与文化遗产保护研究。Email:chenfl@radi.ac.cn

收稿日期: 2018-09-16   修回日期: 2019-06-13   网络出版日期: 2019-11-28

基金资助: 中国科学院A类先导专项.  XDA19030502
国家重点研发计划项目.  2016YFB0501502
国家自然科学基金项目.  41771489

Received: 2018-09-16   Revised: 2019-06-13   Online: 2019-11-28

作者简介 About authors

王源(1993-),女,河南焦作人,硕士研究生,主要从事雷达遥感研究Email:wangyuan@radi.ac.cn , E-mail:wangyuan@radi.ac.cn

摘要

南京城市地表要素更新快且天气多云雨,光学影像无法提供实时数据;而合成孔径雷达(SAR)因其全天时、全天候工作特性,可有效弥补常规遥感数据获取瓶颈问题。以南京河西新城和江北新区为示范,选取2016~2018年13景COSMO-SkyMed数据,采用相干系数差值和强度RC合成法进行城市变化检测。针对SAR斑点噪声,分别采用同质滤波及非局部滤波法对干涉图和强度图进行降噪。两种变化检测方法的数据处理与性能评估结果表明:降噪滤波技术提升SAR城市变化图斑信息提取能力,两种方法产出查准率均为94%左右;然而目前方法仍可存在漏检,对应概率分别为66.8%和29.6 %。相较于前者,基于强度RC合成法具备对小面元、线型地物变换更佳提取能力;同时考虑到该方法对时空基线无要求,因此在实际多云多雨城市变化检测中具有更好的应用价值与推广潜力。

关键词: 城市变化检测 ; 相干信息 ; 强度信息 ; COSMO-SkyMed

Abstract

Influenced by the rainy and cloudy monsoonal climate, optical remote sensing has limitations in the mapping of land use and land cover change of Nanjing City under rapid urbanization. Alternatively, Synthetic Aperture Radar (SAR) provides a feasible solution owing to the operation capacity in all-time and all-weather conditions. In this study, taking Hexi New Town and Jiangbei developing District (Nanjing) as example, we jointly applied coherent and intensity RC composition for the SAR change detection using thirteen COSMO-SkyMed images acquired in the period from 2016 to 2018. To reduce impacts from the speckle, we respectively applied Statistically Homogeneous Pixel Selection (SHPS) and Non-Local (NL) filters to coherence and intensity SAR images. The performance comparison of two aforementioned change detection approaches indicate that both of them achieved a reliable correct detection probability (up to 94%), in particular when the adaptive filters were employed. However, the difference of the omission probability from them were evident, resulting in 66.8% of the coherent compared to 29.6 % of the intensity RC composition. Generally, the intensity RC composition is more sensitive to the change of small patches and linear features. In addition, this method is not constrained by data processing and acquisitions, such as the requirements of spatiotemporal baselines. In summary, the intensity RC composition has a better performance and potential in the urban change detection, in particular for regions where rainy and cloudy climate is prevailing.

Keywords: Urban change detection ; Coherent ; Intensity ; COSMO-SkyMed

PDF (6483KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

王源, 陈富龙, 胡祺, 唐攀攀. COSMO-SkyMed时序影像南京城市变化检测研究. 遥感技术与应用[J], 2019, 34(5): 1054-1063 doi:10.11873/j.issn.1004-0323.2019.5.1054

Wang Yuan, Chen Fulong, Hu Qi, Tang Panpan. Urban Change Detection based on COSMO-SkyMed Multi-temporal Images in Nanjing City, China. Remote Sensing Technology and Application[J], 2019, 34(5): 1054-1063 doi:10.11873/j.issn.1004-0323.2019.5.1054

1 引 言

随着国民经济与社会发展,城市化进程加快,土地科学规划与利用变得尤为重要。城市土地利用变化检测有利于整体掌握城市建设与发展状况,及时发现违章建筑,以便合理进行城市规划。

我国南方地区以热带亚热带季风气候为主,夏季高温多雨,冬季较为温和,且受夏季风影响大,雨季长。光学遥感难以满足多云雨天气下变化检测信息的实时获取。合成孔径雷达(Synthetic Aperture Radar, SAR)技术因其全天时、全天候、成像范围广等优点,使其在遥感信息处理与应用中深受重视。多时相SAR图像数据包含了比单幅SAR图像数据更多的信息,利用不同时期SAR影像信息进行分析比较[1],可近实时获取地物变化信息。随着高分辨率SAR影像的出现,使得SAR影像城市变化检测成为可能。高分辨率SAR影像具有很大的应用潜力,能成为城市维护、规划、利用以及发展的重要手段,可以为城市建设提供重要信息。

目前,利用SAR影像进行城市变化检测的研究方兴未艾;其方法主要包括SAR影像相干与强度信息相结合[2]、相干信息[3,4]以及强度信息的城市变化检测法。其中,强度信息法因数据处理过程直接并且受其他条件约束少,在城市变化检测中具备较好的潜力。

目前开展的工作主要包括:高分辨率TerraSAR-X影像差值法[5]、改进Dempster-Shafer算法融合多时相SAR影像特征法[6]、Kittler-Illingworth准则改进比值法[7]、Kcale-space滤波及面向对象分类法[8]、基于比值法的自动确定阈值法[9]以及利用邻域相对熵的变化检测法[10]等。

以南京市河西新城和江北新区作为示范,选取COSMO-SkyMed 2016~2018年13景影像,提出小基线集同质滤波相干差值与非局部滤波强度RC合成变化检测法,并首次对两种方法进行系统分析与性能评估,理清两者的优缺点与适用性,进而遴选出适应于多云多雨区城市变化检测雷达遥感动态监测方案,为当前智慧新城建设提供技术支撑。

2 研究区与数据源

南京作为长江经济带的二级中心城市之一,在区域发展中具有承东启西的作用[11]。且南京天气多云雨,SAR影像可为其城市变化检测提供稳定、充足的数据源。本研究选取南京市河西新城和江北新区为示范。河西新城位于南京西南,东依外秦淮河,西临长江,北起三汉河口,南到秦淮新河,总面积94 km2。自2001年10月南京市十一次党代会提出“一城三区”的城市发展战略起,河西新城成为全市发展的重中之重。此后,河西新城建设范围大,建设频率高。江北新区位于南京市长江以北,是中国国家级新区,由浦口区、六合区和栖霞区八卦洲街道构成,总面积2 451 km2,占南京市域面积的37%,“十三五”期间,南京的发展重点从河西新城向江北新区转移。因此本研究区的选择在气候特点、发展节奏等方面具有代表性,可为全国范围内南方地区起到示范作用。

实验所使用数据为13景X波段COSMO-SkyMed影像,对应获取时间分别为:2016年11月7日、年12月9日、2017年2月27日、4月16日、5月18日、月3日、7月21日、8月22日、9月19日、10月5日、11月10日、12月12日、2018年2月14日。成像模式为HImage,图像地面分辨率为3 m,入射角约为34°,右视,极化方式为HH。

验证数据为两景北京1号光学影像,获取时间为2017-07-18及2017-10-07。图像地面分辨率为4 m,成像幅宽为24 km,具有侧摆功能。

3 研究方法

针对南京城市建设变化快,天气多云雨等特点,为了克服光学影像获取瓶颈问题,设计了高分辨率SAR的南京城市变化检测策略:即小基线集同质滤波相干差值法和非局部滤波强度RC合成法;并开展两种变化检测方法的性能评估与对比,为优先方法的遴选与技术推广提供依据。在单极化SAR影像变化检测过程中,相干斑噪抑制对信息提取的可靠性和精度至关重要[12],因此两种方法均引入自适应滤波以尽可能保留SAR影像细节和纹理信息。具体流程如图1所示。

图1

图1   SAR变化检测数据处理流程图

Fig.1   Flow chart of SAR change detection in this study


3.1 小基线集同质滤波相干差值变化检测法

基于相干信息的变化检测方法采用简单差值法,其优点是计算简单、信息反映直观、高效率,但由于数据质量、去相干效应、地面要素复杂性等原因,不可避免地会降低相干差值成果的准确性,因此在基于相干系数简单差值法的基础上,引入小基线集思想以及同质滤波算法 [13,14,15,16,17](Statistically Homogeneous Pixel Selection-Interferometric Synthetic Aperture Radar,SHPS-InSAR)。通过三者的集成,改进基于相干信息变化检测的方法。

3.1.1 相干差值法分析

基于相干信息的变化检测即利用干涉SAR得到的相干系数图,通过两时期的差值法进行变化信息提取。假设已配准的两时序相干系数图分别为γ1γ2,差分相干图为γD,则γD可表示为:

γDi,j=γ2i,j-γ1i,j1iI,1jJ

相干系数γ是SAR干涉测量中地物相位稳定性的衡量标准,可用于指示地物物理特征在时序上的变化程度,在理论上是被定义为每一个像元上的相关[18]。相干系数数值介于0~ 1之间。在应用过程中,若前后两个时相地物变化不大,则表征为高相干系数。

3.1.2 雷达干涉小基线集分析

在利用差分相干法进行变化检测时,时空基线对于相干值的一致性影响显著;因此在相干成图时需遵循以下两大准则:①前-后时序相干图的时空基线需尽可能一致,以抑制因不同基线距引入的误差;②相干成图应采用小基线,通过提升相干图质量来抑制潜在数值处理误差。时空基线可引入的去相干,如公式(2)[23]所示:

γk,m=γgeometricγtemporal=g(Bk,m,Bcritical)g(Tk,m,Tcritical)g(x,c)=1-xc,ifx<c0,otherwise

其中:k、m代表两景SAR影像,Bk,mTk,m代表干涉对的空间基线和时间基线,BcriticalTcritical指干涉对的临界空间基线和时间基线。空间临界极限与波长、入射角及地形斜率有关,本研究所选干涉对数据空间临界基线在4 600 m左右;考虑到诸如建筑和街道等人造目标的稳定性,一般将时间临界基线设为5 a。

3.1.3 SHPS-InSAR算法

为提升相干图质量,本次实验采用干涉SAR同质滤波。SHPS-InSAR [14,15,16,17,18]可利用时序干涉影像序列,用于干涉相位、强度信噪比的提升以及相干同质目标选取[17]。传统滤波方式一般基于矩形窗口滑动,若窗口选取过大,细节容易丢失,反之则噪声难以抑制。通过长时间序列SAR影像信息提取同质区域并代替一般矩形窗口,可实现噪声抑制与细节信息保护的最优或次优化。同质目标选取的核心是基于高斯假设,实现背景与目标置信区间的估计。置信区间一旦确定,所有候选点即可通过简单逻辑运算判断与参考点的相似性。

将一个参考点pN个时间样本定义为M1,M2,,MNp的期望值μp可由式(3)近似表示:

M¯P=M1P+M2P++MNP/N

根据中心极限定理,当样本数N充分大时,M¯P近似服从高斯分布。假设N充分大,高斯假设成立,根据分布式目标SAR图像统计理论,在匀质区域,单视强度影像服从瑞利分布[20],故其变异系数CV是恒量0.52。在时间序列SAR影像中,后向散射特性变化不大时可认为此时间序列样本为匀质,此时M¯P的区间估计表示为:

Pμp-z1-α/20.52μp/N<M¯P<μp+z1-α/20.52μp/N=1-α

其中: P代表概率, z1-α/2代表标准正态分布的 1-α/2分位点,若μp已知,则区间确定。实际处理时,定义参考像元为pk,待测像元数为k,同质点选取算法将平均值M¯(pk)作为pk的真值,即μpkM¯pk,之后计算剩余K-1个待测像元的样本平均值,使之逐点与式(3)进行比较,落入区间的点可初步视为同质点,此时未考虑像元连接性。因N较小,为减小μpk估计偏差,应取α=0.05。将初步同质点定义为集合Ω0,将此集合内所有时空样本取平均值获取新的μpk作为真值,迭代重复上述步骤,此时α可重新取值以扩大区间。获取新的Ω集合后,考虑像元连接性,保留直接或间接与参考点相连的点,至此参考像元pk的同质点选取完成。

在此需要指出的是,N较小将难以保证高斯假设成立,从而影响置信区间确定的有效性。根据经典统计文献[21],对于服从瑞利分布的单视强度序列,N=5时即可足够接近高斯假设。在使用SHPS-InSAR算法前,需要进行两步操作:时间序列雷达数据配准以及干涉图去平。

3.2 非局部滤波强度RC合成变化检测法

基于强度信息的变化检测方法采用RC合成法。相对于传统基于灰度级变化检测而言,该方法对变化信息反应更为敏感,便利变化信息的提取。此外,研究引入的非局部滤波(Non-Local Filters,NL)算法,可进一步降低雷达影像的斑噪,便利影像特征提取与目标识别。

3.2.1 强度RC合成法分析

采用的SAR强度信息为雷达复数据强度能量;不同地物后向散射特型不同,则SAR影像上反映的强度也不同。如在SAR影像强度图中,平静湖面因镜面反射而呈现暗色调,城市建筑区则显示出亮色调。将影像进行严密的空间几何配准和辐射标准化使强度信息在时相上具有可比性。强度影像高精度配准是避免图像错位并产生变化虚警区的前提条件。

基于强度信息差异图生成采用两期影像RC合成。根据彩色图像合成原理[22],如果在3个通道上安置3个波段图像,然后分别赋予红、绿、蓝,叠合在一起就可以得到彩色图像。层次清晰,色彩鲜明的彩色图像有利于目视解译。如果将不同时期的两景SAR影像安置在3个通道上,即将变化前影像赋于红色,变化后影像赋于绿色和蓝色,则即为RC合成(绿色和蓝色合成为青色(cyan))。运用影像RC合成法可将差异变化信息突显出来。

3.2.2 NL-SAR算法分析

考虑到SAR影像分布不规律,边缘及纹理信息难以找到理想假设模型[12],为提升强度图影像质量,本次实验采用非局部滤波(Non-Local filters,NL)[21,22];即利用整幅影像空间信息,将整幅影像相似区块进行互相补充,实现噪声抑制且保留影像细节、纹理、边缘等信息。对应原理如下:将噪声图像定义为f=fi|iII为图像的坐标域,fi为像素i的灰度值,滤波后图像为fNL

fNLi=jΩsωi,jfjjΩsωi,j

其中:Ωs代表以像素i为中心的搜索窗口,ωi,j代表相似权系数,其大小由两个图像块内像素相似程度决定。

ωi,j=exp-di,jh

其中:h为控制平滑程度的滤波参数,di,j为高斯加权的欧氏距离。

di,j=||f(Ni)-f(Nj)||2,β2

其中:Ni代表以像素i为中心的图像块,β>0为高斯核的标准差。

NL-SAR[23,24]是一种在保持分辨率的前提下对SAR强度影像、干涉SAR以及极化SAR进行降噪滤波的通用方法。NL-SAR可用于单景SAR强度影像降噪滤波,即通过计算影像自身噪声分布实现自动自适应滤波,在保持分辨率的同时取得较好相干斑抑制效果。

4 数据处理与分析

4.1 基于小基线集同质滤波相干差值的变化检测

对13景影像进行时空基线计算,结果如表1所示,基于公式(1)[25] 进行基线去相干影响评定,可以看出符合小基线,去相干偏差小于6%等要求的干涉对有5对;从中选取时间基线一致,跨度约为一季度的两对干涉对进行基于相干信息变化检测,如表1括号标示。

表1   干涉对时空基线及选取

Table 1  Spatiotemporal baselines of interferometric image pairs with the selected marked by brackets

时间对时间基线/d空间基线/m
2016-11-072016-12-09321 575.616
2016-12-092017-02-2780988.794
2017-02-272017-04-1648338.061
2017-04-162017-05-1832100.822
(2017-05-182017-06-031669.455)
2017-06-032017-07-2148350.277
2017-07-212017-08-22321 372.132
2017-08-222017-09-1928766.484
(2017-09-192017-10-0516149.721)
2017-10-052017-11-1036192.921
2017-11-102017-12-1232988.917
2017-12-122018-02-1464109.329

新窗口打开| 下载CSV


为有效提高城市雷达遥感变化检测的准确性,采用同质点选取思想生成相干系数图以提高影像质量。利用13景配准SAR复影像,同质点选取采用移动窗口为15×15,α取值0.05。

将主影像为20170518,副影像为20170603生成的相干系数图定义为γ1,主影像为20170919,副影像为20171005生成的相干系数图定义为γ2,两幅相干系数图进行简单差值运算获得差分相干图。滤波前后,差分相干图质量提升对比,如图2所示。从图中可以看出,同质滤波可有效提升影像质量,细节突出,噪声平滑。

图 2

图 2   SHPS-InSAR差分相干图滤波效果对比

Fig.2   Comparison of differential coherence images with and without the applied SHPS-InSAR filter


基于相干系数差值图进行城市变化检测的原理如下:①相干系数差值越接近于零,表明相干系数前后相差不大即表征地物无变化或变化小;②若相干系数差值绝对值越接近于1,表明相干系数前后相差较大即地物发生显著改变;③相干系数差值为正,表明地物相干系数增大,在城市地表要素变更中对应新增建筑物;若相干系数差值为负,则表明此地物相干系数减小,在城市中可对应建筑物拆迁或植物季节性变化。基于差分相干系数(图3(a)),目视解译可得变化区域(图3(b))。

图3

图3   相干系数差值法城市变化检测

Fig.3   Urban landscape monitoring based on coherent change detection


4.2 非局部滤波强度RC合成变化检测

为与基于相干信息变化检测进行对比,基于强度信息的变化检测选取同一时段20170603及20171005两景SAR强度影像。为方便表示,将20170603强度影像定义为M1,将20171005强度影像定义为M2。两景SAR影像经过配准,辐射定标后采用NL-SAR滤波进行降噪滤波处理。值得注意的是,NL-SAR滤波方法无需时序影像统计,可利用强度影像噪声分布实现单景降噪。滤波处理时,对应参数设置如下:最小搜索窗口半径1像素,最大搜索窗口半径12像素,最小图像块宽度2像素,最大图像块宽度10像素。NL-SAR滤波方法可提升强度RC合成法信噪比,如图4所示,并有利于变化区域的识别。

图4

图4   SAR强度影像NL-SAR滤波前后对比

Fig.4   Comparison of intensity SAR image with and without the applied NL-SAR filter


基于强度影像R-C合成进行变化检测的思路如下:不同地物后向散射差异可通过强度值反映出来,在RC合成图上会表现出颜色的差异。将M1安置在R波段上,M2安置在C波段上。①若图像显示趋近为青色,则表明C波段的M2强度影像强度值较强,说明地物发生变化;②若图像显示趋近为红色,则表明R波段的M1强度影像强度值较强,说明地物发生变化;③图像中呈现趋近于黑色的,表明M1M2影像强度值均较小,此时可以说明地物没有发生变化;图像中呈现趋近于白色的,表明M1M2影像强度值均较大,此时说明地物没有发生变化。利用基于强度RC合成(图5(a)),结合目视解译得到的变化区域,如图5(b)所示。

图5

图5   图5强度RC合成法城市变化检测

Fig.5   Urban landscape monitoring based on intensity RC composition


4.3 基于相干信息与强度信息检测对比分析

(1)图6(c)、(d)北京1号光学影像中红色框选区域有新建筑物建成,与相邻操场对比可以看出,此建筑物面积较小。该小面元变化目标在相干差值图及RC合成图中应呈现相应的变化区。经过质量提升后的相干差值图虽然在影像上呈现出联合区,但因相干值窗口估计等效应,使得小面元地物目标在影像上出现混淆。不同于前者,强度RC法的图6(b)可明显识别小面元,并呈现为青色的变化区。根据前述检测思想,若图像显示趋近为青色,则表明C波段的M2强度影像强度值较大;而该变化信息在图6(a)并无表征。因此差分相干图对于小面积变化区域检测能力低于基于强度信息检测。

图 6

图 6   相干和强度法变化小面元提取性能对比

Fig.6   Performance comparison of two approach in the extraction of changing small patches


(2)根据北京1号光学影像图7(c)、(d)可以看出,道路路面铺设有所不同,具体铺设过程仍有待商榷,但可以确定其因建设过程而发生变化。道路在形状上表现为细而长的特征,虽然在图像上较易识别;但由于相干差值图在纹理细节等方面表现已不突显。强度法的图7(b)可清晰识别道路变化信息并呈现为红色线型。根据前述检测思想,若图像显示趋近为红色,则表明R波段的M1强度影像强度值较强。然而该变化信息在相干法的图7(a)不可辨识。因此差分相干图对于道路等线型地物的检测能力低于基于强度信息检测。

图 7

图 7   相干和强度法变化线型地物提取性能对比

Fig.7   Performance comparison of two approach in the extraction of changing linear features


(3)根据图8(c)、(d)北京1号光学影像可以看出,变化区域处于建筑物地基建设阶段,由于铺设物不同而造成地面变化。该区域在强度法图8(b)显示为青色变化区,边缘清晰可见并呈块状。相干法的图8(a)中,尽管也可检测到差分相干值的变化(黑白色抖动),但分布较为破碎和杂乱,边缘不清晰,难以进行目视解译与识别。

图 8

图 8   相干和强度法边界凸显效应对比

Fig.8   Performance comparison of two approach in sharpening the boundary of changing patches


(4)在数据选择性上,强度法检测优于相干法。为抑制或避免基线差异的影响,相干法干涉影像对选择受时空基线约束,且相干图质量也可影响变化检测结果。而强度RC法仅需变化前后两景SAR影像,对数据获取并无特殊要求。

5 精度验证及性能评估

根据已有北京1号光学影像及地形图等资料可知,真实变化斑块数量为199个,即正确检测斑块数量与漏检斑块数量之和。在此引入查准率、漏检率及查全率以验证变化检测效果,其中查准率为正确检测斑块数量与总计检测斑块数量之比;漏检率为漏检数量与真实变化数量之比;查全率为正确检测数量与真实变化数量之比。结果如表2表3所示:基于强度信息和基于相干信息的查准率均约为94%,但漏检率较高,其中基于强度信息法为29.6%,而基于相干信息为66.8%。结合上述两种方法性能对比,本次验证结果再一次表明,基于强度信息的SAR变化检测方法具备更好的应用潜力。

表2   基于强度信息地表变化检测验证统计

Table 2  Verified statistic of intensity SAR change detection

检测斑块建设状态正确错误总计
总计(个)1409149
漏检(个)59
性能评价:查全率:70.4 %,漏检率:29.6 %,查准率:94 %

新窗口打开| 下载CSV


表 3   基于相干信息地表变化检测验证统计

Table 3  Verified statistic of coherent change detection

检测斑块建设状态正确错误总计
总计(个)66470
漏检(个)133
性能评价:查全率:33.2%,漏检率:66.8%,查准率: 94.3%

新窗口打开| 下载CSV


进一步研究并分析基于强度信息变化检测方法,发现引起漏检的主要原因包括:

(1) 人工目视解译漏检

图9可以看出,漏检区域在强度RC合成图中存在颜色变化,此类漏检属于人工目视解译过程中人为原因造成。自动、半自动变化图斑提取与目标识别,可以有效降低人工主观纰漏并减少由此引入的漏检。

图9

图9   目视解译漏检

Fig.9   Undetected patches because of visual manual interpretation


(2) 变化区域较小

图10绿色框选变化区,其相较于周边区域面积较小,在进行滤波过程中会出现与周边区域混淆,因此在强度RC合成图中难以辨识;另外周边建筑阴影等因素也会遮挡地物变化。进一步优化滤波技术及采用参数,有望突显细节并改善漏检。

图10

图10   小变化图斑漏检

Fig.10   Undetected patches because of small dimensions


6 讨 论

SAR相干成像以及由此产生的乘性相干斑噪是影响SAR遥感信息提取与变化检测的技术难题。鉴于此,本文分别采用同质滤波和非局部滤波算法对相干图和强度图进行影像质量提升,并对比两种方法的性能,研究发现:①相干法因多视开窗效应,对变化小图斑信息不敏感,且长时序同质滤波处理对影像数量有硬性要求;②强度法对小图斑变化响应直观,非局部滤波法基于单景影像处理,可增强SAR地物变化检测的适用性。

此外,本文所提两种方法,对影像配准精度有要求(例如子像素级)。影像配准精度不高,可引入表征为“重影”的虚警。同时,考虑到SAR散射和相干工作机制,相干差值法与强度RC合成法在城区少植被覆盖或无雷达阴影工作区可获取更优的遥感变化检测效果。

7 结 语

我国南方地区天气多云多雨,光学影像无法满足实时数据获取,与光学遥感相比,星载SAR不受光照和天气的影响,能够全天时全天候地进行观测。利用SAR影像进行多云多雨地区变化检测应用潜力大、优势明显。本研究综合利用SAR影像包含的相位与强度信息,开展小基线集同质滤波相干差值和非局部滤波强度RC合成的变化检测法,进行南京城市建设用地变化检测。为克服斑点噪声,分别采用SHPS-InSAR和NL-SAR滤波技术提升影像及数据产品质量。对比结果表明,两种方法均能实现94%的查准率;其次,相较于前者,基于强度RC合成法生成的差异图不仅对小图斑、线型地物变化敏感,保留图斑边缘能力更佳,而且对数据获取无特殊需求,因此具备更好的应用潜力。目前两种方法均采用目视解译提取变化区域,基于上述研究结论,今后研究将聚焦强度RC合成图变化图斑的自动、半自动提取与目标识别,以降低因人工解译引入的漏检率。

参考文献

Chen Fulong,Zhang Hong,Wang Chao.

The Art in SAR Change Detection:A Systematic Review

[J].Remote Sensing Technology and Application,2007, 221): 109-115.

陈富龙, 张红, 王超

SAR变化检测技术发展综述

[J]. 遥感技术与应用, 2007, 221): 109-115.

[本文引用: 1]

Liao M, Jiang L, Lin H, et al.

Urban Change Detection based on Coherence and Intensity Characteristics of SAR Imagery

[J]. Photogrammetric Engineering and Remote Sensing, 2015, 74(8): 999-1006.

[本文引用: 1]

Brenner A R, Roessing L.

Radar Imaging of Urban Areas by Means of very High Resolution SAR and Interferometric SAR

[J]. IEEE Transactions on Geoscience and Remote Sensing, 2008, 46(10): 2971-2982.

[本文引用: 1]

Ji Guangyu, Dong Yongwei, Bu Yuncheng, et al.

Multi-band SAR Coherent Change Detection Method based on Coherent Representation Differences of Targets

[J]. Journal of Radars, 2018, 7(4): 455-464.

冀广宇

董勇伟, 卜运成, .

基于目标相干性表征差异的多波段SAR相干变化检测方法

[J]. 雷达学报, 2018, 7(4): 455-464.

[本文引用: 1]

Zhang Rui, Liu Guoxiang, Li Tao, et al.

Detection of Urban Land Use Changes based on High Resolution TerraSAR-X Images

[J].Railway Investigation and Surveying,2011, 37(4): 17-21.

张瑞

刘国祥, 李涛, .

基于高分辨率TerraSAR-X影像的城市土地利用变化检测

[J]. 铁道勘察, 2011, 37(4): 17-21.

[本文引用: 1]

Cao G, Hou P, Jin Y Q, et al.

Fusion of Features in Multi-temporal SAR Imagery to Detect Changes in Urban Areas

[J]. International Journal of Remote Sensing, 2009, 30(22): 5989-6001.

[本文引用: 1]

Ban Y, Yousif O A.

Multi-temporal Spaceborne SAR Data for Urban Change Detection in China

[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2012, 5(4): 1087-1094.

[本文引用: 1]

Doxani G, Karantzalos K, Tsakiri-strati M.

Monitoring Urban Changes based on Scale-Space Filtering and Object-oriented Classification

[J]. International Journal of Applied Earth Observation & Geoinformation, 2012, 15(4): 38-48.

[本文引用: 1]

Hu H, Ban Y.

Unsupervised Change Detection in Multitemporal SAR Images over Large Urban Areas

[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(8): 3248-3261.

[本文引用: 1]

Liu Benqiang, Zhao Zheng, Wei Jujie.

A Method of SAR Image Change Detection based on Relative Entropy within Neighborhood

[J]. Remote Sensing Information, 2018, 33(3): 91-97.

刘本强, 赵争, 魏钜杰

一种利用邻域相对熵的SAR影像变化检测方法

[J]. 遥感信息, 2018, 33(3): 91-97.

[本文引用: 1]

Zhang Xueru,Yao Yifeng,Kong Shaojun, et al.

The Analysis On Urban Costruction Land Change and Driving Forces in Nanjing from 2000 to 2014

[J].Resources and Environment in the Yangtze Basin, 2017(4): 552-562.

张雪茹

姚亦锋, 孔少君, .

南京市2000~2014年城市建设用地变化及驱动因子研究

[J]. 长江流域资源与环境, 2017(4): 552-562.

[本文引用: 1]

Gong Maoguo,Su Linzhi,Li Hao,et al.

A Suvey on Change Detection in Synthetic Aperture Radar Imagery

[J].Journal of Computer Research and Development, 2016(1): 123-137.

公茂果

苏临之, 李豪, .

合成孔径雷达影像变化检测研究进展

[J]. 计算机研究与发展, 2016(1): 123-137.

[本文引用: 2]

Jiang M, Ding X, Hanssen R F, et al.

Fast Statistically Homogeneous Pixel Selection for Covariance Matrix Estimation for Multitemporal InSAR

[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 53(3): 1213-1224.

[本文引用: 1]

Jiang M, Ding X, Li Z.

Hybrid Approach for Unbiased Coherence Estimation for Multitemporal InSAR

[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(5): 2459-2473.

[本文引用: 2]

Jiang M, Miao Z, Gamba P, et al.

Application of Multitemporal InSAR Covariance and Information Fusion to Robust Road Extraction

[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(6): 3611-3622.

[本文引用: 2]

Jiang M, Yong B, Tian X, et al.

The Potential of More Accurate Insar Covariance Matrix Estimation for Land Cover Mapping

[J]. ISPRS Journal of Photogrammetry & Remote Sensing, 2017, 126:120-128.

[本文引用: 2]

Parizzi A, Brcic R.

Adaptive InSAR Stack Multilooking Exploiting Amplitude Statistics: A Comparison between Different Techniques and Practical Results

[J]. IEEE Geoscience and Remote Sensing Letters, 2011, 8(3): 441-445.

[本文引用: 3]

Zebker H A, Villasenor J.

Decorrelation in Interferometric Radar Echoes

[J]. IEEE Transactions on Geoscience and Remote Sensing, 1992, 30(5): 950-959.

[本文引用: 2]

Jiang Mi,Ding Xiaoli,He Xiufeng,et al.

FaSHPS-InSAR Technique for Distributed Scatterers:A Case Study over The Lost Hills Oil Field.California

[J].Chinses Journal of Geophysics,2016, 59(10): 3592-3603.

蒋弥

丁晓利, 何秀凤, .

基于快速分布式目标探测的时序雷达干涉测量方法:以Lost Hills油藏区为例

[J]. 地球物理学报, 2016, 59(10): 3592-3603.

Lee J S, Pottier E.

Polarimetric Radar Imaging : From Basics to Applications

[M].Boca Raton,FL,USA:CRC Press,2009.

[本文引用: 1]

Papoulis, Probability A., Random Variables And Stochastic Process[M].New York City,NY,USA:McGraw-Hill, 1984.

[本文引用: 2]

Mei Anxi,Peng Wanglu, Qin Qiming, et al.

Remote Sensing

[M].BeijingHigher Education Press,2001梅安新,彭望琭 秦其明,.

遥感导论

[M].北京:高等教育出版社, 2001.

[本文引用: 2]

Deledalle C A, Denis L, Tupin F, et al.

NL-SAR: A Unified Nonlocal Framework for Resolution-preserving (Pol)(In)SAR Denoising

[J]. IEEE Transactions on Geoscience & Remote Sensing, 2014, 53(4): 2021-2038.

[本文引用: 2]

Su X, Deledalle C A, Tupin F, et al.

Two-Step Multitemporal Nonlocal Means for Synthetic Aperture Radar Images

[J]. IEEE Transactions on Geoscience & Remote Sensing, 2014, 52(10): 6181-6196.

[本文引用: 1]

Du Y, Zhang L, Feng G, et al.

On the Accuracy of Topographic Residuals Retrieved by MTInSAR

[J]. IEEE Transactions on Geoscience & Remote Sensing, 2017, 99: 1-13.

[本文引用: 1]

/