自適應PCNN 和改進C－V結合的遙感圖像變化檢測

彭 鋼，賈振紅＋，覃錫忠，楊 杰，Nikola Kasabov

（1.新疆大學 信息科學與工程學院，新疆 烏魯木齊830046；2.上海交通大學 圖像處理與模式識別研究所，上海200240；3.新西蘭奧克蘭理工大學 知識工程與發現研究所，新西蘭 奧克蘭1020）

0 引 言

依據需不需要有訓練樣本，變化檢測方法可分為兩種：有監督變化檢測、非監督變化檢測［1］。由于先驗訓練集難以獲得，非監督變化檢測更多的被研究和應用。近年來國內外研究中，基于差異影像的非監督變化檢測方法取得了非常好的發展。文獻 ［2］中，將微粒群優化方法引入遙感信息變化檢測領域，提出了基于微粒群優化方法的遙感信息變化檢測方法，獲得了較高的變化檢測精度；文獻 ［3］中，A.Ghosh等將模糊聚類方法引用到變化檢測中，采用遺傳算法和模擬退火算法的思想結合模糊聚類算法的思想，使得最后得到的分類結果能夠很好地實現全局最優；文獻［4］提出了一種基于NSCT 和FCM 聚類的SAR 圖像無監督變化檢測算法，能夠很好地保留圖像的細節。另外，也出現了許多比較有效而又新穎的方法，比如：文獻 ［5］中的圖像分割新方法；文獻 ［6］中的基于聚類劃分的方法；文獻 ［7］中的基于四分量模型的方法。這些變化檢測方法各有自己的優點與不足，它們在一些具體的問題上可以被很好地應用，因而這些方法都得到了廣泛的應用。然而這些方法具有高對比度的差異影像的構造問題、準確高效的對差異影像分類界定變化區域的實現問題、變化檢測的自動化程度的提高問題，到目前為止仍然是變化檢測中需要進行深入研究的問題。

1 理論模型和實現算法

1.1 理論模型

圖像差值法是對已經配準好的不同時間的兩幅遙感影像中的對應像素的灰度值進行相減，從而獲得一幅新的差值圖像。差值圖像反映了在兩個時間段之間感興趣區域所發生的變化信息［8］。圖像比值法是對不同時間的兩幅遙感影像 （已事先配準好的）中的對應像素的灰度值進行逐一相除，從而獲得一幅新的比值圖像［8］。由于這兩種方法比較直觀、容易，檢測效率也非常快，所以常被用于變化檢測。然而這兩種方法往往不能考慮到所有的因素的影響，最后容易造成了大量圖像信息的流失。如何獲取保留圖像信息較完好的差異圖像成為了一個有待研究的問題。

為獲取保留圖像信息較完好的差異圖像，本文引用了一種基于自適應PCNN神經網絡的圖像融合新算法［9］，基本原理是：PCNN神經網絡對應神經元的鏈接強度值選擇的是影像像素的EOL（反映了圖像局部的清晰度）和SD（反映了圖像灰度局部的對比度變化程度）；為了得到每一幅即將參與融合的圖像的每一個特征對應的點火映射圖，需要通過PCNN點火來實現；隨后引用一個加權函數，來構造出每個已經參與融合的圖像的新點火映射圖；最后通過對各個已經參與融合的圖像的新點火映射圖進行相關比較，此處，融合后圖像該像素點的像素值選取為點火次數最大者。本文引用自適應PCNN圖像融合新算法對差值法差異圖和比值法差異圖進行融合，可以很好地克服差值法和比值法的不足之處，從而獲取了保留圖像信息較完好的差異圖像。

得到對應的差異圖像后，閾值方法是變化檢測中比較常用的一種分割算法。閾值法簡單易行，在多數情況下都可以取得較好的變化檢測結果。但是當需要處理的圖像中的變化區域和非變化區域只有很低的對比度時，如果仍采用閾值法，就難以估計灰度直方圖的概率統計分布模型，這樣將會嚴重影響分割結果，難以得到準確的變化檢測結果。

針對上述問題，同時為了更完整地保留圖像變化區域的幾何邊界，本文引進了一種基于改進的C－V 模型的圖像分割新算法［10］。首先，對圖像中前k個面積最大的連通區域（k為水平集函數的個數）進行提取，然后為了提取它們的輪廓作為初始曲線，通過形態學算子來實現；同時，為了消除了傳統C－V 模型的重新初始化問題，引進了一個距離約束項，從而提高了算法的計算效率；最后，為了更好地定位邊緣，又在該模型中引入了梯度信息。實驗結果顯示，該分割算法具有收斂速度快、邊界定位準確等優點。基于改良的C－V 模型的圖像分割新算法對融合后差異圖進行分割，可以得到變化檢測圖，實現變化檢測的目的。本文所提的變化檢測新算法的流程如圖1所示。

圖1 算法流程

1.2 實現算法

根據以上理論模型，本文提出如下算法：①用差值法和比值法產生代表兩時相遙感圖像變化信息的差異圖像；②用自適應PCNN 圖像融合算法對差值法差異圖和比值法差異圖進行圖像融合，獲得了保持圖像信息更完好的差異圖像；③用改良的C－V 模型對融合好的差異圖像進行分割，從而得到了變化檢測結果。新算法具體實現步驟如下：

步驟1 讀入需要進行處理的不同時相的兩幅遙感圖像，分別用圖像差值法和圖像比值法進行處理，得到相應的差值法差異圖A 和比值法差異圖B

步驟2 歸一化處理即將參與融合的兩幅差異圖像A和B ，分別表示為A′和B′。其中，A′反映了PCNN1 和PCNN2中各個神經元相應的反饋輸入，B′反映了PCNN3和PCNN4中各個神經元相應的反饋輸入。

步驟3 根據EOL 和SD 的定義，分別計算A′和B′中的每個像素的ΕΟL，然后分別用來表示網絡PCNN1和網絡PCNN3中相應的神經元之間的連接強度值；再分別計算A′和B′中每個像素的SD ，然后分別用來表示網絡PC－NN2和網絡PCNN4中相應神經元的連接強度值；其中令

2.2.7 隨訪:保留膀胱隨訪每3個月作一次膀胱鏡檢查至2年已成為常規,因為膀胱腫瘤復發約3/4在2年發生。2年后膀胱鏡檢查的間隔可以延長至半年,以后每年1次,但必須終生檢查,不可怠慢。膀胱全切術后的隨訪主要包括尿路和排尿情況;局部與遠隔轉移兩方面。

像元（x，y）處的ΕΟL 和SD 定義為［9］

其中

式中：f（u，v）—— （u，v）處像素值；ω——一個大小為l×l、以（x，y）為中心的窗口；l為奇數，一般選擇3或者5；f·為窗口ω中所有像素灰度的平均值。加權函數定義為［9］

式中：f°——圖像的新點火映射圖；f1、f2——ΕΟL 和SD對應的點火映射圖；ω1＋ω2＝1，ωi＞0（i＝1，2），本文取ω1＝ω2＝0.5。

步驟4 設Oi（i＝1，2，3，4）為神經網絡PCNNi的輸出，則由式 （6）可得A 和B 對應的新點火映射圖OA和OB，OA＝ω1O1＋ω2O2，OB＝ω1O3＋ω2O4。

步驟5 運用式 （7）所示的具體規則來選取融合系數，獲得融合后的差異圖像F（i，j）

步驟6 歸一化處理圖像F（i，j），用3×3的中值濾波器對其進行噪聲濾除；然后對圖像執行形態學閉操作處理，接著執行孔洞填充處理，最后將圖像轉換為二值圖像。

步驟7 標記所有的4連通區域，然后進行形態學膨脹操作來實現斷裂的邊界的連接，從而提取出前k個面積最大的連通區域；然后引用canny算子，以得到初始化輪廓曲線1 和2。

步驟8 由式 （8）分別計算出c00，c01，c10，c11。其中cij表示的是各個相位或類別的均值向量，展開如下

引進梯度信息進入傳統的C－V 模型中，從而加速了邊緣的定位，以此來消除細小區域的干擾問題。式 （8）中的u0變為

步驟9 運用中值差分算法來求解出關于偏微分方程。

步驟10 迭代運行步驟8、步驟9，直至達到算法收斂條件，然后輸出分割結果，也就是變化檢測結果。

2 實驗結果與分析

2.1 實驗數據描述

實驗所使用的第一組遙感圖像數據集如圖2所示。該數據集是由Landsat－7衛星設備分別在2000年4月和2002年5月對墨西哥郊區進行拍攝的圖像，圖中的變化部分是由于大火造成的相關植被破壞情況。兩幅遙感圖像的大小均為512×512像素，地物變化參考圖中分別包含了25 550個變化像素點和236 594個未變化像素點，變化區域為圖中的白色區域。

圖2 第一組遙感數據集

實驗所使用的第二組遙感圖像數據集如圖3所示。該組數據集來自于由Landsat－5衛星設備分別在1995年9月和1996年7月對意大利撒丁島Mulargia湖泊區進行拍攝的圖像，圖中的變化部分是因為Mulargia湖水位上升所造成的陸地淹沒情況。兩幅遙感圖像的大小均為300×412 像素，地物變化參考圖中分別包含了7626 個變化像素和115974個未變化像素，變化區域為圖中的白色區域。

2.2 實驗結果與分析

為了驗證基于自適應PCNN 和改進的Chan－Vese模型的遙感圖像變化檢測新算法的有效性，實驗選取了兩組不同的遙感圖像組來進行變化檢測。

為了體現本文算法的優勢，選擇了文獻 ［4］中的算法與其進行比較。文獻 ［4］所提出的基于NSCT 和FCM 的變化檢測算法，簡稱為NSCT－FCM 法。

NSCT－FCM 法在變化檢測精度上優于NSCTKFCM 法［11］和UDWTKMEAN法［12］，因此只需用本文算法和NSCT－FCM法進行比較，若本文算法優于NSCT－FCM 法，就能說明本文算法的明顯優勢。定性分析結果如圖4和圖5所示。

圖3 第二組遙感數據集

圖4 第一組數據集變化檢測結果

圖5 第二組數據集變化檢測結果

從圖4和圖5的變化檢測結果圖可知，與NSCT－FCM法相比，本文提出算法的變化檢測結果圖中噪聲點明顯較少，同時，本文算法的變化檢測結果圖輪廓清晰且最接近真實地物變化參考圖。由此可見，本文提出的算法不僅能夠很好地保留圖像的變化細節，而且變化區域檢測的準確度優于NSCT－FCM 法。

為了定量評價本文提出算法的檢測性能，分別將本文算法和NSCT－FCM 法的變化檢測結果圖與變化參考圖進行對應比較，分別從變化檢測結果的誤檢率、漏檢率、準確率以及Kappa指數這4個方面進行評價，獲得的定量分析結果見表1和表2。

表1 第一組數據集的實驗檢測率評價

表2 第二組數據集的實驗檢測率評價

由表1 和表2 可知，雖然本文算法的漏檢率略高于NSCT－FCM 法，但是本文算法的誤檢率則比NSCT－FCM法要低得多，而且本文算法的準確率和Kappa指數均高于NSCT－FCM 法。由此可見，與NSCT－FCM 法相比，本文建議的算法總的變化檢測精度較高。

3 結束語

本文建議的這種將圖像融合算法與圖像分割算法進行結合的遙感圖像變化檢測新算法。用自適應PCNN 圖像融合算法對差值法差異圖、比值法差異圖進行很好地融合，通過實現差異圖之間的信息互補，從而獲得了一幅保留了圖像信息較完好的差異圖像；用改良的C－V 模型對融合好的差異圖像進行分割，獲得了較好的變化檢測結果。實驗分析結果表明，與文獻 ［4］中的NSCT－FCM 法比較，本文算法不僅能夠很好地保留圖像的變化細節，甚至是邊緣細節信息，而且變化檢測的總的檢測精度也優于比較算法。

［1］Celik T，Ma K K.Unsupervised change detection for satellite images using Daual－Tree complex wavelet transform ［J］.IEEE Trans on Geosci Remote Sens，2010，48 （3）：1199－2010.

［2］DAI Qin，LIU Jianbo，LIU Shibin.Remote sensing image change detection using particle swarm optimization algorithm［J］.Acta Geodaetica et Cartographica Sinica，2012，41 （6）：857－863 （in Chinese）.［戴芹，劉建波，劉士彬.微粒群優化方法的遙感影像變化檢測研究 ［J］.測繪學報，2012，41（6）：857－863.］

［3］Ghosh A，Mishra NS，Ghosh S.Fuzzy clustering algorithms for unsupervised change detection in remote sensing images［J］.Inf Sci，2011，181 （4）：699－715.

［4］LI Qingsong，JIA Zhenhong，QIN Xizhong，et al.An unsupervised change detection of SAR images based on NSCT and FCM clustering ［J］.Laser Journal，2013，34 （4）：21－22（in Chinese）.［李青松，賈振紅，覃錫忠，等.基于NSCT 和FCM 聚類的SAR 圖像無監督變化檢測 ［J］.激光雜志，2013，34 （4）：21－22.］

［5］TANG Wei，FENG Yuling，LI Meng，et al.Variational level set model based on image transition region［J］.Computer Applications and Software，2013，30 （8）：117－119（in Chinese）.［湯偉，馮玉玲，李夢，等.結合圖像過渡區的變分水平集模型 ［J］.計算機應用與軟件，2013，30 （8）：117－119.］

［6］ZHU Junjie，DU Xiaoping，FAN Xiangtao，et al.Contrast of three image segmentation algorithms and improvement of image segmentation methods ［J］.Computer Applications and Software，2014，31 （1）：194－196 （in Chinese）. ［朱俊杰，杜小平，范湘濤，等.3種圖像分割算法的對比及圖像分割方法的改進 ［J］.計算機應用與軟件，2014，31 （1）：194－196.］

［7］SUN Sheng，TIAN Jinwen，WEN Wen，et al.Unsupervised classification based on four－component decomposition model for polarimetric synthetic aperture radar image［J］.Computer Engineering and Design，2013，34 （7）：281－286 （in Chinese）.［孫盛，田金文，溫雯，等.基于四分量模型的極化SAR 圖像非監督分類［J］.計算機工程與設計，2013，34 （7）：281－286.］

［8］XU Xiaoqin，SHEN Jiajie，WU Youfeng，et al.Aviation remote sensing image change detection ［J］.Geospatial Information，2011，9 （2）：67－68 （in Chinese）. ［徐小芹，沈佳潔，吳友鳳，等.航空遙感影像的變化檢測 ［J］.地理空間信息，2011，9 （2）：67－68.］

［9］LI Meili，LI Yanjun，WANG Hongmei，et al.A new image fusion algorithm based on adaptive PCNN ［J］.Journal of Optoelectronics，Laser，2010，21 （5）：779－782（in Chinese）.［李美麗，李言俊，王紅梅，等.基于自適應耦合神經網絡圖像融合新算法［J］.光電子·激光，2010，21 （5）：779－782.］

［10］YI Xin，JIA Zhenhong，QIN Xizhong，et al.A kind of image segmentation based on multiphase level set［J］.Laser Journal，2013，34 （6）：37－39（in Chinese）.［易欣，賈振紅，覃錫忠，等.一種基于多相位水平集的圖像分割 ［J］.激光雜志，2013，34 （6）：37－39.］

［11］Wu Chao，Wu Yiquan.Multitemporal images change detection using nonsubsampled Contourlet transform and Kernel fuzzy C－Mean clustering ［C］//International Symposium on Intelligence Information Processing and Trusted Computing，2011：96－99.

［12］Celik T.Multiscale change detection in multitemporal satellite images［J］.IEEE Geosci Remote Sens Lett，2009，6 （4）：820－840.

［13］Volpi M，Tuia D，Valls GC，et al.Unsupervised change detection by Kernel clustering ［C］//Proceedings of SPIE，the International Society for Optical Engineering，2010：782－790.