基于尺度分割和特征优选的外破检测技术 【增强内容出版】
0 引言
随着城市建设的快速发展，对电缆线路进行电力供应的安全性提出了更高的要求，需要实现更加准确和便利的电网监督、预防电网突发事件的能力和手段。电缆沿线的施工工地、人为活动等外力破坏对电路安全造成了很大威胁，而传统的人工和无人机对电缆沿线施工等外力破坏进行巡检，工作量大，所需的人力、物力、时间成本高，监测效率低。因此，急需寻找新的技术手段来解决上述问题、提高巡检效率 [ 1 ]。
近年来，遥感影像以获取资料速度快、周期短和信息量大的优势在逐步进入电网行业，极大地降低人工巡检的成本，其研究多聚焦于电缆沿线周围土地覆被的识别和分类等，而通过变化检测技术识别电缆沿线由于外力破坏形成的隐患区——即电缆沿线外破检测，却尚未有研究。随着遥感技术的不断发展，通过遥感变化检测手段对电缆沿线外破进行检测将会成为电网行业的研究方向之一。目前，变化检测在外破检测等领域中有着重要的应用，遥感影像变化检测按照检测单元可以划分为两种，分别为基于像元法和面向对象法。基于像元的变化检测以像元为分析单元，会造成影像不连通和离散的现象，产生大量的椒盐噪声，面向对象的变化检测以对象为分析单元，通常是将影像中的地物进行分割，并结合光谱、纹理和几何等特征提取地物信息，同时，充分考虑对象间空间相关性，极大的抑制了高分辨率遥感影像中的椒盐现象。
在进行面向对象分类时，选择的特征过多会存在“维数灾难”问题，无关特征和冗余特征会导致分类器性能降低，分类精度降低。文献[ 2 ]是通过结合特征集合和决策规则进行变化检测提取变化的像元；文献[ 3 ]提出了一种空间领域信息的高分辨率影像变化检测算法，使用多维纹理特征建立差异影像；文献[ 4 ]是通过使用自适应阈值方法计算差值影像，得到像元级的变化检测结果。尽管以上分类方法都提高了精度，但基于单类特征的像元进行变化检测时，还是不可避免的产生“同物异谱”和“同谱异物”现象，容易出现漏检和误检现象 [ 5 ] 。
基于特征优选的面向对象变化检测是提高检测精度的有效手段之一。目前，与分类器结合使用最多的是特征权重算法和梯度提升算法等。文献[ 6 ]提出了将多个特征进行融合后面向对象的变化检测方法，改善了基于像元变化检测的离散现象问题；文献[ 7 ]使用了变化向量分析（CVA）的面向对象变化检测方法，利用随机森林进行特征选择获得最优特征子集，利用最大类间方差法得到二值化变化检测结果；文献[ 8 ]在影像分割的基础上，通过使用Relief F算法和J-M距离算法进行特征筛选，结果表明经过特征筛选的分类精度高于未经过特征选择的精度；文献[ 9 ]考虑了融合光谱、纹理、指数、地形因子等特征，分别对比随机森林和XGBoost两种方法分类结果，结果显示采用XGBoost进行特征筛选后的分类精度，相比其他方法精度明显提高。
关于特征选择的方法很多，但在电缆沿线领域，以往的变化检测方法往往受限于数据类型和模型的精度，基于此，本文选取了J-M距离算法和XGBoost模型作为特征选择的方法，这两种方法具有不受数据类型限制的能力和模型精度高的特点，是目前公认较好的两种特征算法。本文研究以无锡市经开区高分辨率卫星影像数据为例，在研究中结合了最优尺度分割和特征优选的策略，通过将局部方差与方差变化率相结合，可以解决最优分割尺度的选择问题。此外，通过J-M距离算法和XGBoost模型对多特征进行优选，不仅保证了变化检测的二分类精度，更强调了特征维度的平衡。通过对变化检测结果进行对比分析，采用XGBoost模型进行变化检测后的结果，不仅在保持精度的前提下提高了变化检测的准确性，还为电缆沿线地区外破检测提供了更可靠的技术支持。
1 研究方法
基于最优分割尺度和多源特征优选的外破检测方法主要包括最优尺度分割、特征集构建、特征优选、面向对象变化检测、精度评价等步骤。具体流程如 图1 所示。
1.1 最优尺度分割
影像分割是将影像的单个单元处理为具有相同或者相似属性的多边形对象。多尺度分割是一种由下向上的分割方法 [ 10 ]，其原理是将相邻的像元进行合并处理，使得分割后斑块内部具有最大的同质性和最小异质性。
影像分割结果主要受影像波段信息、尺度大小和紧致度等因素影响，影像分类精度受分割尺度的影响，分割尺度过大和过小会出现欠分割和过分割的现象，为了避免尺度不合理造成分类精度低的弊端，本研究采用分形网络进化算法对高分影像进行尺度分割，该方法是一种多尺度分割算法，通过考虑光谱、纹理和形状等信息对像元进行合并，使得像元间异质性最小，最终获得面向对象分类的最小单元。对于分割结果，当各分割斑块之间的异质性最大，且斑块内部异质性最小，同时各分割斑块的光谱、纹理和几何等信息均表现完整时，此时的分割尺度为最佳。本文采用尺度参数估计（ESP）算法对所有分割结果进行评价，通过变化率ROC的值来获取最优分割尺度，变化率ROC的计算方法为
式中
1.2 构建特征集
根据研究区地物特点，在最优尺度分割的基础上，构建了光谱特征、纹理特征、几何特征和指数特征30个特征集，其中光谱特征10个、形状特征9个、纹理特征8个、指数特征3个。
光谱特征：包括高分影像4个波段对象的均值、标准差、亮度和最大差分。
形状特征：主要包括不对称性、椭圆和矩形拟合度、密度、主方向、形状指数、紧致度、圆度和边界指数。
纹理特征：利用灰度共生矩阵提取纹理特征，主要包括相关性、同质性、对比度、方差、二阶距、差异性、均值和熵。
指数特征：指数是对高分数据进行分析运算，指数能有效的度量植被生长状况和水体的变化，选择了3种指数，分别为比值植被指数（RVI）、归一化水体指数（NDWI）和归一化植被指数（NDVI） [ 11 ]。具体如 表1 所示。
表 1. 特征集构建
Table 1. The feature of construction
|
1.3 特征优选方法
特征选择是从特征空间中选出最优的特征子集，可最大程度区分各类地物，使原始高维度数据进行简化，是一个不同特征组合不断优化的过程。特征优选是有效的识别遥感信息的重要前提，优选的特征子集对分类器的性能的好坏起了决定性的作用。特征选择的关键是在保证分类结果精度的情况下，使用较少的特征能很好的将地物进行区分。本文采用J-M距离算法和XGBoost模型进行特征选择 [ 12 - 13 ]。
（1）J-M距离特征选择
J-M距离是遥感影像分类评价中计算分离度的算法之一 [ 14 - 16 ] ，本文采用分离度来估算各个类别在某一个特征上的相似度。J-M距离的取值范围是0~2之间，J-M距离越大，代表这两个类别的可区分性越好，说明选用的特征有效性越高。计算公式为
式中
B
表示巴氏距离；
（2）XGBoost特征选择
为了改善在面向对象分类过程中，由于特征种类和维度多，从而引起的“维数灾难”，导致无法快速准确的提取最优特征的问题，本文采用基于XGBoost模型进行特征选择。XGBoost模型是文献[ 17 ]提出的在进行分类时构建特征集、综合计算和评估各特征在分类时的重要性并进行排序的模型。该模型具有较高的准确度和运行速率，可以有效地防止模型过度拟合。
XGBoost模型主要包括损失函数和正则项。损失函数表示预测值和实际值的差，正则项为调整模型的难易程度，XGBoost模型的目标函数 O bj 为
式中
1.4 变化检测
本文采用J-M距离算法和XGBoost模型进行特征优选，由特征优选结果出发，采用支持向量机（SVM）分类器确定变化和未变化对象，即实现变化检测。SVM分类器本质上是一种采用监督学习方式对数据进行二分类，使得各对象的间隔最大。SVM分类器可以更好的完善小样本的分类问题，将分类和线性回归更加容易实现，也避免了维数过高的问题。SVM针对二分类问题具有很好的分离度，且在面积较小的研究区内具有较高的分类精度 [ 18 - 19 ]。本文SVM分类步骤主要为：
1）建立参数因子集合：
2）变化检测：SVM分类器的原理是将输入参数映射成一个多维度子集，从而构建最优分类的超平面，完成目标影像的识别分类。本文中通过将各特征参数间的欧式距离变量输入SVM分类器，自动寻找模型分类的最佳平衡面，从而获得影像二值化结果，分别对应变化和未变化两种变化检测结果 [ 20 ] 。
2 实验与结果分析
2.1 实验数据
本文研究区位于无锡市经开区，区域内布设多条电缆线路，实验数据采用2021年5月3日和2022年6月23日的两景“吉林一号”（JL-1）卫星影像，影像包含2 m分辨率的红、绿、蓝和近红外的4个多光谱产品，以及0.5 m分辨下的全色产品。对两景影像分别进行辐射定标、大气校正、配准和融合等预处理操作，将融合后的分辨率为0.5 m的数据作为本文的实验数据。验证数据选取了2022年4月21日和2023年1月18日的“高分六号”（GF-6）和“高分一号”（GF-1）卫星影像，融合后的影像空间分辨率为2 m。 图2 （a）、（b）分别为JL-1、GF-6卫星影像全色和多光谱融合后的影像、电缆线路和电缆线路缓冲区局部图。
2.2 影像分割结果
本研究采用多尺度分割算法对研究区影像进行逐层分割，尺度指像元的实际尺寸，即在地面上的对应大小。实验中各波段权重系数均为1，经过多次实验设定分割对象的形状因子为0.3，紧致因子为0.5，尺度参数的取值范围设为112~132，步长为1。不同尺度下局部方差和变化率曲线如 图3 所示，横坐标表示影像分割尺度，纵坐标代表的是对象局部方差和变化率ROC值，变化率ROC峰值表示各地物相对应的最佳分割尺度。由 图3 可以看出，随着尺度的增大，局部方差呈线性增大，方差变化率上下波动，且变化率ROC出现了四个波峰。四个波峰对应的分割尺度分别为112、117、125和132，其中尺度为112时局部方差最小，临近地物差异最小，因此选择尺度为117、125和132进一步实验。
图3 为三种不同尺度的分割结果。当分割尺度为117时，出现过分割现象，建筑物破碎；当分割尺度为132时，出现欠分割现象，不同地物没有完全分割，且同一分割对象单元内包含不同地物类型；当分割尺度为125时，各地物分割效果较好，分割结果比较符合真实地物边界，满足本实验的需求。因此，本实验将分割尺度设定为125，作为最优分割尺度进行实验。
2.3 特征选择结果
在最优尺度分割的基础上，利用J-M距离算法去除冗余特征。通过计算各个特征中所有类别之间的J-M距离，对各类别特征的J-M距离值进行排序，当J-M距离值在1.9以上时，各个类别之间具有良好的可分性，保留各类别前两个且J-M距离值在1.9以上的特征，保留前两个特征，最终完成特征选择 [ 11 , 16 ]。优化后的特征包括地物的光谱、指数、几何、纹理等15个特征，见 表2 所示。
表 2. 特征集构建
Table 2. The feature of construction
|
本研究参考前人的研究经验 [ 21 ] ，在使用XGBoost模型进行特征选择时将决策树的大小设为100，最大深度为6，类别为5。将30个特征输入XGBoost模型，6个特征没有分数，即对分类器没有影响，保留了与分类目标相关的24个特征，各个特征重要性分布见 图4 ， F 1 分数越大表示特征越重要。按照对分类器贡献大小，按照从大到小的排列顺序为：f15(Compactness)、f7(Asymmetry)、f11(Density)、f5(GLCM_StdDev)、f14(GLCM_Homogeneity)、f9(GLDV_Mean)、f0(GLCM_Correlation)、f19(Shape_index)、f6(GLDV_Entropy)、f1(GLCM_Contrast)、f20(Main_direction)、f16(Mean_Red_1)、f23(Border_index)、f18(Mean_Blue)、f22(Roundness)、f17(Mean_Green)、f13(Rectangula_Fit)、f2(RVI)、f21(Brightness)、f12(Max_diff)、f8(GLCM_Dissimilarity)、f3(NDVI)、f10(Elliptic_Fit)、f4(NDWI)。其中，影像的形状和纹理特征的特征重要性较高，且Compactness（紧致度）与Asymmetry（不对称性）排第一和第二，其他纹理和形状特征对分类器也具有较大的贡献，表明形状和纹理特征在研究区地物分类中起到关键的作用。相比较XGBoost模型与J-M距离算法的特征选择结果，XGBoost多使用了9个特征。虽然J-M距离算法能去除各特征之间更多的冗余，但也剔除了Density（密度）、GLCM_StdDev（方差）、GLDV_Entropy（熵）等一些针对特定地物的重要的形状和纹理特征，可能导致建筑物较多的地区容易出现漏分和错分 [ 22 ] 。表征植被信息的关键指数NDVI和RVI特征也被剔除，可能造成前后两时相的影像中植被覆盖度差异不能很好区分。
2.4 变化检测结果
为了验证变化检测的精度，需要采用评价指标进行评估，本文基于最优分割尺度和特征优选的外破检测结果，采用查准率 P （Precision）、查全率 R （Recall）和 F 1 分数3个精度指标分别基于面积和图斑对象两个层次进行精度评价。其中，参考标准结果为人工解译的变化斑块，指标计算公式为：
式中
为详细分析不同特征优选结果对最终外破检测的影响，分别采用J-M距离算法和XGBoost模型的特征优选结果构建光谱和纹理等特征参数间的欧式距离模型，通过SVM分类器对欧式距离变量建立分类规则，得到变化检测结果。两种方法的变化检测结果如 图5 （a）~（f）所示。其中，白色和黑色分别表示变化与未变化区域，椭圆和矩形分别表示漏检和虚检区域。从 图5 （a）和 图5 （d）中可以看出，通过J-M距离算法进行特征优选的结果存在较多误检，误检较多的地物类型为建筑物和道路施工等，主要原因是特征选择时J-M距离算法剔除了一些必要的形状和纹理特征。其中，边界指数、密度、圆度和熵等形状和纹理特征通常在建筑物、道路等硬化区域的识别中起到关键的作用。由于建筑物和道路等形状较明显，当建筑物和道路变化为其他地物时，容易识别出变化区域，但当其他地类间相互转化时，由于其他地类变化形状不规整，形状特征敏感性差，因此会出现误判。两种算法中均存在漏检误判，漏检和误判较多的情况为两个时相分别为建筑用地、厂房和居民区，由于两者的灰度均值较高，且纹理特征和形状特征相似，容易被漏检为未变化，但XGBoost模型相较于J-M距离算法结果漏检更少。可以看出， 图5 （b）和 图5 （e）变化检测结果分别与 图5 （c）和 图5 （f）参考图像更加吻合，说明XGBoost模型在具有更高运行速率的同时还具有较高的检测精度。
表3 和 表4 分别列出了同一种数据源在不同变化检测方法下基于面积和对象两种评价方法的检测精度。通过实验结果可以看出，采用XGBoost模型进行的特征优选结果较J-M距离算法具有更高的变化检测精度，更低的误检和漏检，基于面积和对象下的查准率相比于J-M距离算法分别提高了2.98%和4.66%，查全率分别提高了2.95%和1.79%， F 1 分数分别提高了2.97和3.30。因此，基于XGBoost模型进行特征优选后的精度明显优于J-M距离算法的精度。
表 3. J-M距离变化检测精度统计
Table 3. Statistics of change detection accuracy in the study area
|
表 4. XGBoost模型变化检测精度统计
Table 4. Verification area change detection accuracy statistics
|
为了验证本文所用的最优分割尺度和特征优选结果在不同时间和空间尺度下变化检测的适用性和有效性，选择了同一研究区更低分辨率的GF-1和GF-6卫星数据源，验证算法的可靠性。 图6 （a）和（b）分别为2022年4月21日和2023年1月18日GF-6卫星和GF-1卫星拍摄的影像。 图7 （a）为0.5 m分辨率下获得的最优分割尺度和特征集合应用于2 m分辨率影像中进行变化检测时的验证结果， 图7 （b）人工优化的变化检测参考结果， 图8 为 图7 中红色框对应的局部效果图。
将变化检测验证结果按照变化类型进行划分，其中，两时相建设施工均存在定义为建设施工；前一时相中存在建筑物，但后一时相中对应区域不存在建筑物，判定为建筑物拆除；后一时相中存在建筑物，但前一时相中对应区域不存在建筑物，判定为建筑物新增。由变化检测结果可以看出，由于不同分辨率影像的几何对齐问题、影像拍摄季节不同，导致建筑物的阴影角度相差较大等问题，使得部分变化建筑物发生漏检测，建筑物周围的道路区域被误提出来，且存在一定的离散对象，但总体提取较为完整，轮廓清晰，整体效果较好。 表5 为验证结果精度统计，总体上，基于面积和对象两种评估方法中， F 1 分数分别为83.31和84.09，查准率均大于79%，查全率均大于86%，说明本文的采用的最优分割尺度和特征优选方法可有效的提取变化信息，算法较稳定，且能满足实际工作应用需求。
表 5. 变化检测验证精度统计
Table 5. Statistics of verification accuracy of change detection
|
3 结束语
针对高分辨率遥感数据具有丰富的空间信息的特性，本文提出了一种基于最优尺度分割和特征优选的对象级遥感影像变化检测算法。研究表明，相比XGBoost模型，J-M距离算法虽然大幅降低了特征维度，减少特征子集数据的冗余，但运算时间较长。然而，采用XGBoost模型进行变化检测后的结果在保证二分类精度的前提下，更好地平衡了特征维度和检测精度，变化检测精度更高，能有效地用于面向对象的高分辨率遥感影像变化检测中。因此，本文所采用的基于最优尺度分割和特征优选外破检测算法，可有效地对电缆沿线区域由于建筑物变化或施工等造成的隐患区进行有效识别，为输电线路规划和巡检提供了新的工作手段。
此外，本文的算法仍然需要进一步探索其鲁棒性和适应性，同时减少计算时间。其次，可以将本文方法拓展到更广泛的遥感应用领域，以验证其在不同地理场景下的适用性和效果。
[1] 王彤, WANG Tong, ZHU Ling, 朱凌, 范亚洲, FAN Yazhou, et al. Hidden Danger Detection Method of Line Corridor in Remote Sensing Image Based on Improved U-net Semantics Segmentation[J] . Southern Power Grid Technology, 2019, 13(8): 67-73 .
[3] 庄会富, ZHUANG Huifu, 邓喀中, DENG Kazhong, FAN Hongdong, 范洪冬. SAR Images Unsupervised Change Detection Basedon Combination of Texture Feature Vectorwith Maximum Entropy Principle[J] . Acta Geodaetica et Cartographica Sinica, 2016, 45(3): 339-346 .
[5] 苏相琴. 面向对象的土地利用土地覆被变化检测研究[D]. 阜新: 辽宁工程技术大学, 2012.SU Xiangqin. Research of L L Cover Change Detection based on Objectiented[D]. Fuxin: Liaoning Technical University, 2012. (in Chinese)
[7] 赵敏, 赵银娣. 面向对象的多特征分级CVA遥感影像变化检测[J]. 遥感学报, 2018, 22(1): 119131. DOI: 10.11834jrs. 20186293.ZHAO Min, ZHAO Yindi. Change Detection of Objectiented Multifeature Graded CVA Remote Sensing Image[J]. Journal of Remote Sensing, 2018, 22(1): 119131. DOI: 10.11834jrs. 20186293. (in Chinese)
[8] 王永吉, 孟庆岩, 杨健, 等. Object Based Remote Sensing Image Classification Based on Feature Selection Method[J] . Science Technology and Engineering, 2016, 16(32): 107-113 .
[13] 詹国旗, 杨国东, 王凤艳, 等. 基于特征空间优化的随机森林算法在GF2影像湿地分类中的研究[J]. 地球信息科学学报, 2018, 20(10): 15201528. DOI: 10.12082dqxxkx.2018.180119.ZHAN Guoqi, YANG Guodong, WANG Fengyan, et al. The Rom Fest Classification of Wetl from GF2 Imagery Based on the Optimized Feature Space[J]. Journal of Geoinfmation Science, 2018, 20(10): 15201528. DOI: 10.12082dqxxkx.2018.180119. (in Chinese)
[14] RIZAL A, HIDAYAT R, NUGROHO H A. Modification of Grey Level Difference Matrix (GLDM) f Lung Sound Classification[C]2018 4th International Conference on Science Technology (ICST), August 78, 2018, Yogyakarta, Indonesia. IEEE, 2018. DOI: 10.1109ICSTC.2018.8528650.
[17] CHEN T, GUESTRIN C. Xgboost: A Scalable Tree Boosting System[EBOL].(20160610)[20230105]. https:arxiv.gabs1603.02754v1.
[19] 贾银江, JIA Yinjiang, JIANG Tao, 姜涛, 苏中滨, SU Zhongbin, et al. Study on Classification Method of Typical Crops Based on Improved SVM Algorithm[J] . Journal of Northeast Agricultural University, 2020, 51(7): 77-85 .
[20] 刘波. 基于SVDD特征选择的随机森林高分辨率遥感影像变化检测[D]. 兰州: 兰州交通大学, 2018.LIU Bo. Change Detection of Rom Fest Highresolution Remote Sensing Image Based on SVDD Feature ion[D]. Lanzhou: Lanzhou Jiaotong University, 2018. (in Chinese)
[21] 陈文静. 基于多光谱遥感影像的落叶松毛虫虫害区域识别研究[D]. 哈尔滨: 东北林业大学, 2021.CHEN Wenjing. Research on Area Identification of Larch Caterpillar Pest Based on Multispectral Remote Sensing Images[D]. Harbin: Ntheast Festry University, 2021. (in Chinese)
[23] 林雨准. 面向对象的高分辨率遥感影像建筑物提取和变化检测技术研究[D]. 郑州: 战略支援部队信息工程大学, 2018.LIN Yuzhun. Research on Objectiented HighResolution Remote Sensing Image Building Extraction Change Detection Technology[D]. Zhengzhou: Infmation Engineering University of Strategic Suppt Fce, 2018. (in Chinese)
[24] 施文灶, 毛政元. 基于图分割的高分辨率遥感影像建筑物变化检测研究[J]. 地球信息科学学报, 2016, 18(3): 423432.SHI Wenzao, MAO Zhengyuan. The Research on Building Change Detection from High Resolution Remotely Sensed Imagery Based on Graphcut Segmentation[J]. Journal of Geoinfmation Science, 2016, 18(3): 423432. (in Chinese)
Article Outline
何光华, 黄薛凌, 张志坚. 基于尺度分割和特征优选的外破检测技术[J]. 航天返回与遥感, 2024, 45(4): 150. Guanghua HE, Xueling HUANG, Zhijian ZHANG. External Break Detection Technology Based on Scale Segmentation and Feature Optimization[J]. Spacecraft Recovery & Remote Sensing, 2024, 45(4): 150.