近年来,随着经济的发展,油气管道外界环境越来越复杂,由于外界环境变化引起的油气管道泄漏事故频发。油气管道在储运过程中,沿线地物环境变化,如房屋的建设、沟壑的挖掘、滑坡等易造成管道的外漏、挤压等事故,因此对油气管道沿线地物变化情况进行及时、准确地监测十分重要[1]。传统的油气管道安全巡检通常采用人工巡检的方式,但是随着中国油气管道分布范围越来越广，沿线区域地物越来越复杂,传统的人工巡检方式不能有效识别油气管道沿线地物变化情况；而卫星遥感具有大范围、长时间和周期性监测的能力[2],因此利用卫星遥感影像对油气管道沿线地物变化情况进行检测具有可行性[3]。

变化检测是指通过对覆盖同一地区不同时相遥感影像的研究,定量分析和确定地表覆盖变化的特征与过程[4]。按照算法的自动化程度,变化检测可分为非监督和监督变化检测算法。

非监督变化检测算法一般是根据阈值分割直接将两时相影像生成的差值影像分为变化和非变化类别[5-6]。主要包括有影像差值法、变化向量分析法(change vector analysis, CVA)法[7]、马尔科夫随机场(Markov random filed, MRF)[8]等,非监督变化检测算法可以确定地物是否发生变化,但是无法判断变化类型,并且该类型变化检测技术的精度可能会受到不同时相影像的光照变化、大气条件和传感器校准差等外部因素的影响,一般检测精度相对较低[9]。

监督变化检测算法是在有先验知识的前提下,通过机器学习挖掘并提取遥感影像的变化信息,可以有效减少不同时相影像间的大气、光照条件等对检测结果的影响,一般检测精度较高[10]。但是在监督变化检测中,通常需要通过目视解译手动选择有标签的训练样本,可能会导致所选类别不全,并且费时费力,特别是针对数据量较大并且结构较为复杂的高分辨率遥感影像来说训练样本标记成本增加。半监督方法能够在少量标记样本的情况下利用一定的策略增选一些未标记的样本用于分类器的训练,在一定程度上减少了获取训练样本的代价并且解决了训练样本不足的现象。因此大量学者研究了半监督变化检测算法。赵敏[11]提出了基于支持向量机(support vector machine, SVM)的半监督变化检测算法并应用于矿区监测,与传统的变化检测算法相比,精度得到较大提高。但是该算法只是利用单一的分类器,并且在样本增选过程中未考虑噪声对训练样本的影响以及冗余信息。多分类器集成结构可以综合利用多个分类器的优势互补性能,主动学习可以通过一定的算法选择置信度高的未标记样本作为训练模型的增选样本来提高模型的精确度[12]。在分析了机器学习和半监督变化检测以及主动学习的基础上,构建了基于主动学习的半监督变化检测算法。

针对高分辨率遥感影像地物结构信息丰富等特点,当前研究热点主要围绕面向对象变化检测[13]和多特征空间融合[14]两个方面。如何有效挖掘并利用丰富的纹理特征、形态特征等空间信息来弥补光谱信息的不足,对于高分辨率遥感影像变化检测精度的提高具有重要的作用[15]。Peng等[16]以对象为分类基元,利用证据理论融合算法对多特征融合影像进行变化检测,与像素级变化检测结果相比,精度得到有效提高。由于不同地物具有不同的尺度特征,面向对象变化检测算法以影像对象为基元进行检测,因此可能会忽略尺度较小的地物变化。Tan等[17]通过提取纹理、Gabor滤波、形态特征与光谱特征一起构建多源特征进行变化检测,取得了较好的变化检测结果。

虽然已经有大量学者和专家针对高分辨率遥感影像变化检测做了改进,但是现存的方法中仍旧存在以下难点：受“同物异谱”和“同谱异物”影响,传统的基于光谱特征的面向像元的变化检测结果中存在伪变化以及“椒盐噪声”现象；遥感影像不同地物具有多尺度特征,单纯的面向对象的变化检测算法存在“分割失真”现象以及“均值问题”；基于机器学习的监督变化检测算法虽然有效提高了变化检测的精度,但是单分类器挖掘能力有限,并且训练样本获取困难。

针对以上高分辨率遥感影像的特点以及难点,在前人研究的基础上提出了基于多源特征融合和主动学习的遥感影像变化检测算法对油气管道沿线地物变化情况进行检测。首先通过特征提取构建最优多源特征矢量,然后利用自适应阈值算法选择初始训练样本,最后利用梯度提升树[18]、k近邻[19]和极限随机树[17]构成的集成结构在分割对象的基础上进行未标记样本的类别判定以及变化检测结果的提取,在利用多分类器集成进行未标记样本类别判定过程中,采用边缘采样的主动学习算法进行未标注样本增选。在样本增选过程中通过两方面对增选样本进行优化,首先通过分割对象约束分类器集成变化检测结果,减少“椒盐噪声”的影响,提高增选样本的准确性,然后利用边缘采样方法选择信息量较大的未标记样本进行标注。