基于局部互相關(guān)的遙感圖像變化檢測(cè)技術(shù)*

劉攀龍

(91404部隊(duì)　秦皇島　066000)

?

基于局部互相關(guān)的遙感圖像變化檢測(cè)技術(shù)*

劉攀龍

(91404部隊(duì)秦皇島066000)

摘要針對(duì)遙感圖像變化檢測(cè)的全局假設(shè)與實(shí)際不一致問(wèn)題，論文提出了基于局部鄰域的互相關(guān)的遙感圖像變化檢測(cè)算法。該算法首先運(yùn)用區(qū)域劃分的思想，以像素灰度級(jí)為單位，對(duì)圖像進(jìn)行分組處理；其次以多時(shí)相遙感圖像的差值圖像為觀察場(chǎng)，以像素所屬類別為標(biāo)號(hào)場(chǎng)，建立二者互相關(guān)的馬爾科夫隨機(jī)場(chǎng)算法；最后采用兩段式步驟，對(duì)算法進(jìn)行迭代處理。實(shí)驗(yàn)結(jié)果表明在遙感圖像變化檢測(cè)算法中，該方法具有較高的檢測(cè)精度。

關(guān)鍵詞多時(shí)相遙感圖像; 互相關(guān)馬爾科夫隨機(jī)場(chǎng); 局部鄰域

Class NumberTP391

1引言

圖像變化檢測(cè)的目的是為了實(shí)現(xiàn)目標(biāo)識(shí)別，而變化檢測(cè)的核心和關(guān)鍵是提取圖像的變化信息。隨著各種衛(wèi)星遙感平臺(tái)和航空遙感平臺(tái)的不斷運(yùn)用，基于遙感影像的圖像變化檢測(cè)技術(shù)研究成為圖像處理的重要研究方向之一[1～2]。近幾年，針對(duì)遙感圖像如何減少人工參與、提高無(wú)監(jiān)督變化檢測(cè)的準(zhǔn)確性的需求，引起了國(guó)內(nèi)外各大高校和學(xué)者門的熱切關(guān)注，涌現(xiàn)了各種各樣算法[3]。根據(jù)遙感影像變化檢測(cè)原理，其工作流程主要包括數(shù)據(jù)獲取、預(yù)處理、變化檢測(cè)和精度評(píng)估等步驟，如圖1所示。

圖1　變化檢測(cè)處理流程

通過(guò)分析基于代數(shù)運(yùn)算、基于變換、基于分類和基于空間結(jié)構(gòu)四類變化檢測(cè)，研究發(fā)現(xiàn)基于影像代數(shù)運(yùn)算的變化檢測(cè)算法的優(yōu)點(diǎn)在于簡(jiǎn)單、直接，但難以確定變化的類別，不能對(duì)變化信息進(jìn)行更加具體的描述；基于影像變換的變化檢測(cè)算法可能造成遙感影像數(shù)據(jù)丟失；基于影像分類的方法可提供變化目標(biāo)的類別，減弱了外界因素對(duì)圖像變化檢測(cè)的干擾，但其訓(xùn)練樣本的精度直接影響分類結(jié)果的性能；基于影像空間結(jié)構(gòu)特征的分析方法主要是針對(duì)人造目標(biāo)的變化檢測(cè)的，其對(duì)于高分辨率影像變化檢測(cè)具有優(yōu)勢(shì)，但該類方法對(duì)于如何篩選最有價(jià)值的圖像特征是亟需解決的難點(diǎn)。

本文從目標(biāo)變化檢測(cè)的一般流程和常規(guī)方法入手，以多時(shí)相遙感圖像為處理對(duì)象，為提高目標(biāo)檢測(cè)的效率和檢測(cè)精度，在分析常規(guī)算法-基于影像代數(shù)運(yùn)算中的圖像差值法中的馬爾科夫隨機(jī)場(chǎng)算法(MRF)的基礎(chǔ)上，對(duì)算法進(jìn)行了改進(jìn)，提出了基于局部互相關(guān)的對(duì)海上艦船等目標(biāo)的變化檢測(cè)算法。

2基于局部互相關(guān)馬爾科夫隨機(jī)場(chǎng)的變化檢測(cè)

近年來(lái)，馬爾科夫隨機(jī)場(chǎng)在遙感圖像的監(jiān)督分類和變化檢測(cè)中得到了廣泛關(guān)注[4～6]，最大期望值(E-M)的檢測(cè)算法[7]、貝葉斯(Bayes)理論檢測(cè)算法和最大后驗(yàn)概率(MAP)準(zhǔn)則檢測(cè)算法[8]等收到了良好的檢測(cè)效果。

馬爾科夫隨機(jī)場(chǎng)是在圖像像素級(jí)別的基礎(chǔ)上，基于多時(shí)相圖像的差值圖像實(shí)現(xiàn)變化檢測(cè)的，該方法假設(shè)所處理的圖像中變化檢測(cè)的區(qū)域足夠大，但這一假設(shè)往往不符合客觀實(shí)際。因此，本文擬利用觀察場(chǎng)和編號(hào)場(chǎng)相關(guān)的MRF變化算法，也稱互相關(guān)馬爾科夫隨機(jī)場(chǎng)算法(CMRF)[9]，提出基于局部鄰域的互相關(guān)馬爾科夫隨機(jī)場(chǎng)算法。

2.1MRF基本理論

假設(shè)兩個(gè)不同時(shí)相的遙感圖像的大小為I×J，像素灰度級(jí)為Q，其差值圖像為S={s=(i,j);1≤i≤I,1≤j≤J}，則其可能存在一個(gè)灰度分布，記做X={Xs,s∈S}，以及一個(gè)對(duì)應(yīng)的標(biāo)記像素類別的標(biāo)號(hào)分布，記做l={ls;ls∈w,w∈{wn,wc},s∈S}，其中標(biāo)號(hào)集wc和wn分別表示兩時(shí)相下發(fā)生變化和沒(méi)有發(fā)生變化的類別標(biāo)號(hào)。另令x表示實(shí)際得到的差值圖像，l表示對(duì)應(yīng)的實(shí)際標(biāo)號(hào)圖像，它們分別對(duì)應(yīng)觀察場(chǎng)X和標(biāo)號(hào)場(chǎng)L的一個(gè)實(shí)現(xiàn)。

根據(jù)概率最大化原則，有：

(1)

式中，P(L=l)是標(biāo)號(hào)圖對(duì)應(yīng)的先驗(yàn)?zāi)Ｐ停琍(X=x|L=l)是x像素灰度的聯(lián)合密度函數(shù)。

2.2基于局部鄰域的CMRF方法

對(duì)于以像素xs為中心的局部鄰域內(nèi)的像素而言，其所在的區(qū)域可能屬于變化區(qū)域也可能是未變化區(qū)域，又根據(jù)MRF的性質(zhì)，像素xs的特征只能由其鄰域內(nèi)標(biāo)號(hào)都為L(zhǎng)s的像素決定，故對(duì)像素xs的處理必須同時(shí)考慮其特征和標(biāo)號(hào)，因此有如下表達(dá)式：

(2)

在上述模型中假設(shè)圖像服從Gibbs分布，則在以xs為中心，大小為Size×Size的局部鄰域中，將其領(lǐng)域內(nèi)的像素分為兩類：wc和wn，并將與xs屬于類別l*的所以像素的灰度級(jí)組成一個(gè)集合Ws，則在Ws內(nèi)，所有像素組成的子圖像就可假設(shè)符合MRF。

為降低算法時(shí)間復(fù)雜度，本文采用區(qū)域劃分的思想[10]，針對(duì)局部領(lǐng)域的大小進(jìn)行最優(yōu)求解。

現(xiàn)給定一個(gè)d維的數(shù)據(jù)區(qū)間R，將其第i維劃分成ni個(gè)小段，這些小段組成的區(qū)間記為Ri，那么該數(shù)據(jù)區(qū)間被笛卡爾集(R1,R2,…,Rq)劃分成n1×n2×…×nq個(gè)小單元。則每小段在各維上的對(duì)應(yīng)位置所構(gòu)成的d維向量就用來(lái)唯一標(biāo)識(shí)某個(gè)單元。例如，區(qū)間M可劃分為(m1,m2,…,mq)，如圖2所示。

圖2　區(qū)域劃分示意圖

在區(qū)域劃分的基礎(chǔ)上，采用先整體后局部的計(jì)算方法，首先將圖像的差值圖像劃分成若干個(gè)矩形區(qū)域，并對(duì)這若干個(gè)矩形區(qū)域的像素進(jìn)行求解，然后將每個(gè)矩形區(qū)域看成一個(gè)像素點(diǎn)，對(duì)整體圖像進(jìn)行二次求解。

現(xiàn)假設(shè)圖像的二維差值圖像Ω被劃分成M組M×N個(gè)矩形區(qū)域，其中每組含有N(N=L/M)個(gè)像素灰度級(jí)，每個(gè)區(qū)域有N×N個(gè)像素點(diǎn)。另假設(shè)需要遍歷的像素點(diǎn)之和為Sum，則有：

=M2+N2

(3)

此外，符號(hào)場(chǎng)也假設(shè)為一個(gè)MRF，于是所有像素類別標(biāo)號(hào)的聯(lián)合概率分布可用Gibbs分布表示：

(4)

其中，為Gibbs能量函數(shù)，是歸一化常數(shù)，T是系統(tǒng)溫度。再由Bayes理論，式(2)轉(zhuǎn)化為

(5)

為計(jì)算方便，本研究假設(shè)標(biāo)號(hào)場(chǎng)的先驗(yàn)概率服從Gibbs分布，能量函數(shù)為二階基團(tuán)勢(shì)能之和，基于該假設(shè)，式(5)可表示為

(6)

3算法實(shí)現(xiàn)

所提出的基于局部鄰域CMRF模型算法實(shí)現(xiàn)分為兩大步驟：

·步驟一：

1)以不同時(shí)相的遙感圖像的差值圖像作為觀察場(chǎng)，計(jì)算N×N的局部鄰域內(nèi)所有像素的初始特征值；

2)設(shè)最初標(biāo)號(hào)場(chǎng)屬于wc和wn，并將像素分為兩組：初始化標(biāo)號(hào)確定的像素組和標(biāo)號(hào)待優(yōu)化的像素組；

3)分別計(jì)算像素當(dāng)前標(biāo)號(hào)ls和置換標(biāo)號(hào)ls′所對(duì)應(yīng)的能量Uls和Uls′，并比較二者；

4)根據(jù)3)的比較結(jié)果，若Uls>Uls′，則以標(biāo)號(hào)ls′代替ls，否則，新標(biāo)號(hào)的確定按照如下公式計(jì)算：

(7)

其中，T(n)為n次循環(huán)時(shí)的溫度。

·步驟二：

1)按當(dāng)前標(biāo)號(hào)場(chǎng)重新估計(jì)觀察場(chǎng)像素特征；

2)計(jì)算比較能量Uls和Uls′；

3)根據(jù)2)的比較結(jié)果，將較小能量者所對(duì)應(yīng)的標(biāo)號(hào)作為新的標(biāo)號(hào)；

4)重復(fù)以上步驟，直至收斂。

4實(shí)驗(yàn)及分析

為了驗(yàn)證算法的性能，本文從Google Earth(即采用3D定位技術(shù)來(lái)查看全球的航空亦或遙感衛(wèi)星的高分辨率影像)隨機(jī)選取了20幅較有代表性的圖像，實(shí)驗(yàn)參數(shù)參考文獻(xiàn)[9]中的數(shù)值，選取α=0.3。原始圖像及各個(gè)算法的檢測(cè)結(jié)果如圖3～圖6所示。

圖3　兩個(gè)時(shí)相的港口圖像(一)

圖4　檢測(cè)結(jié)果(一)

圖5　兩個(gè)時(shí)相的港口圖像(二)

圖6　檢測(cè)結(jié)果(二)

進(jìn)一步，為對(duì)比算法的性能，首先將原始圖像采用人工標(biāo)識(shí)的方法獲取其真實(shí)陸地部分，然后采用Matlab 7.6.0(R2008a)工具進(jìn)行仿真，計(jì)算各個(gè)算法的海洋觀測(cè)部分的錯(cuò)誤率和正確率，具體實(shí)驗(yàn)數(shù)據(jù)如表1所示。

表1　實(shí)驗(yàn)數(shù)據(jù)對(duì)比表

對(duì)比分析MRF檢測(cè)算法、SMRF檢測(cè)算法和CMRF檢測(cè)算法，結(jié)果表明CMRF模型的檢測(cè)精度較高。

5結(jié)語(yǔ)

本文在MRF算法的基礎(chǔ)上，提出了一種基于局部鄰域的互相關(guān)MRF算法?；趨^(qū)域劃分的局部處理原則，一定程度上降低了算法的復(fù)雜度；同時(shí)基于觀察場(chǎng)和標(biāo)號(hào)場(chǎng)的互相關(guān)MRF算法，提高了圖像變化的檢測(cè)精度。仿真實(shí)驗(yàn)表明該算法能夠準(zhǔn)確獲得變化檢測(cè)結(jié)果，為以后的工程應(yīng)用提供了技術(shù)支持。

參 考 文 獻(xiàn)

[1] 鐘家強(qiáng).基于多時(shí)相遙感圖像的變化檢測(cè)[D].長(zhǎng)沙:國(guó)防科學(xué)技術(shù)大學(xué),2005.

[2] Fung,W.Siu. Environmental quality and its change, An analysis using NDVI [J].INT.J.Remote Sensing,2000,21(5):339-55.

[3] Melgani F, Moser G. Unsupervised change-detection methods for remote-sensing images [J]. Opt.Eng,2002,41(12):3288-327.

[4] 申邵洪,譚德寶,梁東業(yè).基于馬爾科夫隨機(jī)場(chǎng)的多時(shí)相SAR影像變化檢測(cè)研究[J].長(zhǎng)江科學(xué)院院報(bào),2010,27(1):32-34.

[5] Li S Z,Rao C R,Shanbhag D N. Modeling image analysis problems using Markov random field[J]. Stochastic Processes: Modeling and Stimulation,2000,20(5):1-43.

[6] 李杰.隱馬爾科夫模型的研究及其在圖像識(shí)別中的應(yīng)用[D].北京:清華大學(xué),2004.

[7] Bazi Y, Bruzzone L, Melgani F. An unsupervised approach based on the generalized Gaussian model to automatic change detection in multitemporal SAR images [J].IEEE Transactions on Geoscience and Remote Sensing,2005,43(4):874-887.

[8] Kasetkasem T, Varshney P K. An image change detection algorithm based on Markov random field models [J]. IEEE Transactions on Geoscience and Remote Sensing,2002,40(8):1815-1823.

[9] 袁琪,趙榮椿.一種改進(jìn)的遙感圖像變化檢測(cè)算法[J].電子與信息學(xué)報(bào),2008,30(11):2738-2740.

[10] WeiyaGuo, Xuezhi Xia, XiaofeiWang. Two-dimensional Otsu's thresholding segmentation method based on grid box filter [J]. Optik,2014,125(18):5236-5238.

收稿日期：2016年1月10日,修回日期：2016年2月26日

作者簡(jiǎn)介：劉攀龍，男，高級(jí)工程師，研究方向：信息系統(tǒng)試驗(yàn)。

DOI：中圖 號(hào)TP39110.3969/j.issn.1672-9730.2016.07.036

A Local Neighborhood Correlation Method to Change Detection Using Multitemporal Remote Sensing Images

LIU Panlong

(No.91404 Troops of PLA, Qinhuangdao066000)

AbstractTo solve the homogeneity between simple Markov Random Field (MRF) assumptions with its actual situation, in this paper a method to change detection based on local neighborhood correlation MRF is proposed.For this method, firstly, the regional division strategy is applied to process images based on pixel’s gray. Secondly, the difference image is taken as observation field, and the obtainedclasses is taken as labeling field, in which the Correlation Markov Field (CMRF) is built. At last, the two-stage iteration algorithm is used to solve the CMRF method. The experimental shows that this method has high detection accuracy.

Key Wordsmultitemporal remote sensing images, correlation markov field, local neighborhood