一種改進的變化檢測方法及其在洪水監測中的應用

冷 英李 寧

①(中國科學院電子學研究所 北京 100190)

②(中國科學院大學 北京 100190)

一種改進的變化檢測方法及其在洪水監測中的應用

冷 英①②李 寧*①

①(中國科學院電子學研究所 北京 100190)

②(中國科學院大學 北京 100190)

針對多時相合成孔徑雷達(Synthetic Aperture Radar,SAR)圖像的變化檢測，該文提出一種改進的混合變化檢測方法來提高檢測精度。該方法首先采用基于像素級的變化檢測方法提取初始變化區域，并以此估計初始聚類中心；然后采用模糊聚類(FCM)將變化前后SAR圖像分為3類，即水體區域、背景區域、過渡區域；接著采用最近距離聚類(NNC)將過渡區域像素進一步劃分為水體和背景兩部分，合并所有水體像素，實現洪水區域的提取。最后得到的洪水區域差異圖即為最終的變化檢測結果。該文采用Sentinel-1A獲取的淮河與鄱陽湖水域數據進行算法驗證，實驗表明，該文方法的檢測率較高，且總體誤差較低。

變化檢測；SAR；模糊聚類；混合變化檢測；Sentinel-1A

1 引言

合成孔徑雷達(Synthetic Aperture Radar,SAR)具有全天時、全天候的工作能力，不受天氣和光照的影響。隨著SAR成像系統的發展，大量的高質量SAR圖像為遙感應用提供了可靠的數據基礎。其中基于多時相SAR數據的變化檢測技術已經被廣泛地應用于農業調查、環境監測、城市化進程研究以及災害評估等方面[1]。近年來，受氣候變化和極端天氣的影響，洪水已經成為全球頻發性自然災害，不僅嚴重影響局部生態系統，還會造成巨大的生命財產損失[2]。尤其是2016年在超強厄爾尼諾現象的影響下，長江中下游地區發生持續性強暴雨，太湖、長江、淮河三大流域水位迅速上漲，導致全國26省、千余縣區遭受洪澇災害。洪水擴張范圍的準確獲取對規劃救援和災后評估都具有重要的指導作用，因此針對洪水的監測和變化檢測研究具有重要意義。

變化檢測技術是通過比較同一區域在不同時段的圖像來識別該區域的變化情況。變化檢測處理流程分為預處理和變化提取兩個階段。針對不同的檢測目標對象，目前變化檢測的方法可分為像素級的變化檢測方法(Pixel-Based Change Detection,PBCD)、對象級的變化檢測方法( Object-Based Change Detection,OBCD)和混合變化檢測方法(Hybrid Change Detection,HCD)[3,4]。其中，PBCD以單個像素為基本處理單元生成差異圖，并對差異圖進行分類。此類方法雖然簡單、快速、有效，但受SAR圖像固有的相干斑噪聲影響較大，檢測精度有限[5]。而OBCD則是分別對變化前后的圖像進行分類，然后再比較圖像對象之間的差異。研究表明當SAR圖像分辨率較高時，OBCD的檢測性能要優于PBCD[6]。然而針對不同的研究對象，分類算法的分割性能不同，另外該方法存在誤差累積現象，因此需要根據具體的研究目標改進相應的處理流程。HCD融合了PBCD和OBCD兩種方法來進一步降低噪聲和雜散點對變化檢測的影響[7]。但是大多數HCD法都屬于決策級融合，因此也會同時累積PBCD和OBCD兩種方法固有的誤差。Lu[8]等人提出一種更為有效的基于算法級融合的HCD方法來檢測洪水變化，該方法避免了未變化區域的誤差累積效應，同時利用空間文本信息來提高檢測精度。由于該方法在對象級變化檢測階段采用區域增長的方法提取水域區域，因此算法最終的提取精度取決于種子點的分布，當水域分布不連續時，容易漏掉局部區域，降低提取精度。

基于多時相SAR數據的變化檢測所獲取的地物變化信息可以被用來對洪水進行有效監測。Addabbo[2]等人采用貝葉斯網絡融合SAR強度信息、InSAR相干信息和其他參考圖像，來檢測布拉達諾河洪水區域。Pulvirenti[9]等人通過采用形態學方法對COSMO-SkyMed圖像進行自動分割來獲取洪水演化圖。Avendano[10]等人采用無監督的分類方法對SAR圖像進行分割，并融合平均比和對數比信息來獲取最終的洪水監測結果。

為了提高多時相SAR數據變化檢測的精度，本文提出一種改進的HCD方法。該方法在對象級變化檢測階段采用基于初始聚類中心選取的改進模糊C均值(Fuzzy Clustering Method,FCM)聚類算法來避免局部水域漏檢的情況。另外本文采用Sentinel-1A衛星干涉寬測繪帶模式多時相多極化SAR圖像來監測洪水的變化情況。因此在像素級處理階段，采用主成分分析法(Principal Component Analysis,PCA)融合分別由HV極化和VV極化SAR圖像得到的差異圖，進一步降低斑點噪聲的影響。實驗結果表明，本文的方法具有很強的魯棒性，并且針對不同實驗區域，本文方法的平均總誤差率為3%，平均檢測率為92%，而文獻[8]中的HCD方法的平均總誤差率為4%，平均檢測率為87%。

2 算法描述

本文提出的算法的目標是融合PBCD和OBCD兩種方法來提高變化檢測的性能，算法的核心為通過PBCD處理結果來確定FCM的初始聚類中心和最近距離分類(Nearest Neighbor Clustering,NNC)的聚類中心。另外在進行HCD處理之前，對SAR圖像做直方圖均衡來保證圖像具有相似強度的分布，避免圖像強度差異帶來的檢測誤差。算法流程如圖1所示。

2.1 PBCD檢測

PBCD檢測主要分為兩步：差異圖生成、差異圖分割。若在PBCD檢測階段，圖像對象相關的參數估計得較準確，則在OBCD檢測階段更容易提取出精度較高的圖像對象[8]。因此差異圖分割的目的就是獲取準確的圖像對象。

2.1.1 差異圖生成由于SAR相干斑噪聲屬于乘性噪聲，針對多時相SAR圖像的殘差計算，比值運算更適合SAR圖像的統計特征。因此本文采用局部平均似然比變化檢測算子進行差異圖像的生成，并利用小矩形窗來代替局部同質區域，則平均似然比的簡化計算公式可表示為[11]：

其中，R為參考強度圖，F為洪水強度圖，V表示像素(i,j)在w×w窗內的局部鄰域像素集(w通常取值為3)。隨后將似然比圖像的取值范圍調整為[0,255]。

本文采用的Sentinel-1A SAR數據包含HV極化和VV極化兩種圖像。在圖像處理技術中，圖像融合通過聯合不同來源的信息產生相對于單幅圖像來說質量更高的圖像[12]。因此在本文提出的算法中，PCA被用來融合分別由HV極化時相圖像對和VV極化時相圖像對生成的差異圖。PCA融合的具體實施步驟如下所示[13]：

(1) 由P組差異圖中的所有數值構成一個2維矩陣其中xi表示將第i幅圖像矩陣轉化為行向量。則矩陣X的行表示以單幅圖像作為變量，矩陣X的列代表這些變量的觀測值。

(2) 計算X的協方差矩陣：

其中N表示單幅圖像中所有像素的個數，K表示對應的觀測對之間的相關性。

(3) 獨立測量值之間的協方差為0，才能夠實現通過冗余觀測值消除噪聲。因此對K進行特征值分解：

其中E表示特征向量，D表示由特征值構成的對角矩陣。

(4) 將特征向量按照對應的特征值從大到小重新排列，則差異圖對應的主成分可表示為：

2.1.2 圖像對象提取在洪水監測應用中，圖像對象指水域對象，初始分割得到的變化區域直接對應洪水SAR圖像中的核心水域，另外該區域也對應著參考SAR圖像中的植被或岸灘區域。初始分割方法包括閾值分割、主動輪廓模型、馬爾科夫隨機場等技術[14–16]。閾值法簡單、快速，因此應用比較廣泛。本文利用差異圖的相鄰直方圖比值方法進行閾值選取，從而獲取初始分割。差異矩陣直方圖的峰值代表無變化區域，浮動區域代表變化區域，因此這兩個區域之間的過渡點可以設為檢測門限[11]。過渡點的查找可以通過計算差異直方圖相鄰灰度級之間的比值來實現，計算公式可表示為：

采用tInit對差異圖進行初始分割，那么核心水域的掩膜可定義為：

2.2 OBCD檢測

OBCD檢測的關鍵步驟就是分別識別多時相圖像中的圖像對象，然后通過比較圖像對象之間的差異來實現變化檢測，因此圖像分割的質量尤為重要。在本文的應用中，水域為待研究的圖像對象。針對水域對象提取，相關研究方法包括閾值分割、聚類、主動輪廓模型等[17–19]。鑒于SAR圖像中水域表現為低灰度同質區域，文獻[8]選取核心水域中的部分像素作為種子點進行區域增長，從而得到洪水區域。結合文獻[8,17–19]可知，相同地物在SAR圖像中都具有一定的同質性，因此可以選取不同地物的部分像素作為種子點進行分類。本文提出的OBCD檢測算法分為3步：估計初始聚類中心，FCM聚類，最近距離分類(NNC)。

2.2.1 估計初始聚類中心本文所提出的算法關注點在于水域和非水域之間的區分，無需較多分類，因此文中將整個圖像分為3類：水域、背景區域、過渡區域。各個類別的聚類中心可通過種子點的選取來確定。

首先采用掩膜MInit提取洪水SAR圖像中的核心水域，并選取該區域強度直方圖峰值對應的強度值作為門限，提取水域種子點，則水域種子點門限為：

其中，hw為核心水域強度直方圖。水域的初始聚類中心即為水域種子點的強度均值。

接著采用掩膜MInit提取參考SAR圖像中的對應區域，同樣選取該區域強度直方圖峰值對應的強度值作為門限，提取背景區域種子點，則背景區域種子點門限為：

其中，hb為背景區域強度直方圖。背景區域聚類中心即為背景區域種子點的強度均值。

對于FCM聚類，將水域種子點的強度均值作為第一個聚類中心，計算每個像素點與最近聚類中心間的最短距離d i s(x)，根據概率分布來選取新的像素點作為新的聚類中心，直至選取了3個聚類中心點，其中x為像素坐標。

NNC分類需要對過渡區域進行二次分割，而植被密集區域灰度級較低，因此將上述水域的初始聚類中心和背景區域聚類中心的均值作為背景二次分類中心，同時仍將水域的初始聚類中心作為水體二次分類中心。

2.2.2 FCM聚類FCM是一種無監督聚類，該算法對初始值敏感，迭代容易陷入局部極值,難以取得全局最優。文獻[20]通過設定聚類中心之間的最小距離來保證各類之間的分離性，避免隨機求取初始聚類中心時容易使算法收斂到局部極小的情況。本文提出的算法根據概率分布來確定初始聚類中心，同樣保證了各類之間的分離性。FCM聚類通過迭代求解目標函數最小化的過程來確定每一個樣本隸屬于某一類的隸屬度。算法步驟如下所示：

(1) 給定類別數c，模糊指數m，容許誤差ξ。其中當m=1時，該算法退化為k均值聚類，一般情況下，m取值為2。

(2) 按前述方法設置初始聚類中心，并設置循環次數k=1。

(3) 計算樣本的隸屬度，即SAR圖像中所有像素的隸屬度，其計算公式為：

其中，i代表類別編號，j代表樣本編號，ω為聚類中心，d為歐式距離，N為圖像所有像素個數，則μij為像素樣本xj對ωi的隸屬度。

(4) 修正所有的聚類中心ωi(k+1)，修正公式為：

2.2.3 NNC分類在本文的OBCD檢測階段，先采用FCM將圖像分為3類，即水體目標、背景、過渡區域。受灰度級較低的植被區域或相干斑噪聲的影響，水體與背景有重疊部分，這部分像素主要包含在過渡區域中，因此本文通過計算最近距離對過渡區域進行二次劃分。計算公式為：

其中，I為坐標空間，為過渡區域像素空間，xl為像素樣本，為水體二次分類中心，為背景二次分類中心。將標記為的像素與FCM劃分的背景部分合并，同時將標記為的像素與FCM劃分的水體部分合并，從而得到最終的水體分布。

3 實驗結果及分析

3.1 實驗數據說明

本文采用Sentinel-1A獲取的多時相多極化SAR圖像來進行算法驗證，實驗數據具體參數如表1所示。2016年入汛以來，我國已有多條江河水位超過1998年同期，6月下旬，我國南方降雨集中、強度加大，且強降雨落區與前期降雨疊加，與常年同期相比，6月以來，長江、淮河及太湖流域降雨量偏多3成到1倍。氣象衛星監測顯示，6月29日淮河蒙洼至潁上段部分河道水體面積較6月16日有所增大。經估算，淮河蒙洼段約25 km河道水體寬度增加0.5–1.5 km；淮河潁上段約10 km河道水體寬度增加約1 km。另一處具有代表意義的洪水場景為鄱陽湖水域，受強降雨和長江江水倒灌雙重影響，鄱陽湖水面明顯增大。氣象衛星對鄱陽湖水面的遙感監測顯示，7月7日鄱陽湖主體及附近水域面積為3966 km2，較今年6月5日監測的水域面積(3559 km2)增大407 km2，比歷史同期(平均為3287 km2)偏大679 km2。因此本文選取相近時間段的SAR圖像做洪水變化檢測研究，如圖2和圖3所示：圖像場景1為淮河蒙洼至潁上段SAR圖像，數據獲取日期分別為2016年6月11日和2016年7月5日；圖像場景2為鄱陽湖水域SAR圖像，數據獲取日期分別為2016年6月11日和2016年7月5日。其中圖2(c)和圖3(c)中藍色區域表示未變化水體，紅色區域為洪水擴張區域。為了更好地進行算法的細節展示，文中分別選取典型區域A,B進行算法各個步驟的分析。A區域的圖像尺寸為757×1390,B區域的圖像尺寸為2048×1536，如圖4所示。

表1 Sentinel-1A數據參數(干涉寬測繪帶模式)Tab. 1 Parameters of Sentinel-1A product (IW)

3.2 變化檢測步驟分析

通常情況下，使用局部平均似然比來獲取多時相SAR數據的變化差異圖，這種方法可以在一定程度上降低相干斑噪聲的影響。然而在HV極化方式下，有些植被區域的后向散射強度變化較明顯，因此會對洪水區域的變化產生干擾，如圖5(a)所示。與HV極化圖像相比，VV極化所獲取的似然比差異圖中，洪水區域和背景區域的區分比較清晰，如圖5(b)所示。針對多源數據，PCA被用來融合不同極化方式下獲取的似然比圖。相對于單一數據，該方法可以得到更可靠的數值，有利于后續同質區域的劃分。由圖5中的數值可以看出，在經過PCA融合后得到的圖像中，變化區域和不變區域之間的差值變大。

將最終得到的差異圖轉換為灰度圖，并計算得到其歸一化直方圖，如圖6(a)所示。根據公式(5)計算相鄰灰度值之間的比值，得到圖6(b)所示的比值曲線，選取首個小于1的點對應的灰度級作為PBCD檢測的閾值。則PBCD提取的變化區域如圖6(c)所示。大部分變化區域都能提取出來，但是細節上有缺失。

3.3 變化檢測定量分析

為了進一步驗證算法的有效性，將本文算法與其他方法的檢測結果進行對比。這些方法包括Lu等人提出的HCD法[8]，Li等人提出的基于兩級聚類的無監督變化檢測法[21]，試差法(Try and error)[11]以及基于FCM的對象級變化檢測方法。其中文獻[21]的方法和試差法都是直接對變化差異圖進行處理，而基于FCM的對象級變化檢測方法則先基于Gabor特征對變化前后的SAR圖像進行分類，并對提取出水體分布做差值計算得到最終的變化結果。本文選取檢測率、虛警率、總誤差率和Kappa系數4個參量進行性能評估，其中檢測率為正確檢測出的變化像素占總的變化像素的百分比；虛警率為被誤分為變化區域的背景像素占背景像素總數的百分比；總誤差率為誤檢像素與漏檢像素之和占總像素個數的百分比。

為了便于后續分析，圖7(a)和圖8(a)給出了手動提取的洪水變化分布作為真實變化區域。由于變化差異圖的計算引入局部平均，因此圖像中部分細小變化丟失，因此直接對變化差異圖進行處理，不能得到完整的變化信息，如圖7(d)、圖7(e)所示。而文獻[8]中的方法在圖像中存在局部封閉區域的情況下，檢測結果取決于種子點分布的均勻性，如圖7(c)所示，部分封閉區域因為沒有種子點而被遺漏，影響了最終的檢測結果。從圖7(f)和圖8(f)可以看出，本文方法的檢測效果要優于直接采用FCM進行聚類的檢測效果。B區域場景較復雜，圖8所示的直觀對比效果有限，因此本文通過表2的變化檢測精度量化對比進一步分析算法的有效性，針對B區域這樣的復雜場景，相比于直接由變化差異圖提取變化區域的方法，本文所提出的方法檢測率大幅提高，虛警率略高，總體誤差率較低，Kappa系數較高。

4 結論

表2 變化檢測精度對比分析Tab. 2 Quantitative evalutaions and comparison of change detection results

本文在算法級混合變化檢測的基礎上，提出綜合考慮像素級變化檢測與聚類中心之間關系的變化區域提取方法。通過初始變化區域提取結果分別估計FCM和NNC這兩種串聯分類方法的聚類中心，并分別對洪水發生前后的兩組SAR圖像進行分類，將最終估計得到的水體區域做差值計算。通過對Sentinel-1A多時相雙極化SAR圖像變化檢測進行驗證，該方法的檢測率較高，總體誤差率相對較低，可以在雷達遙感圖像的洪水監測中進行應用。

[1]Wang Y,Du L,and Dai H. Unsupervised SAR image change detection based on SIFT keypoints and region information[J].IEEE Geoscience and Remote Sensing Letters,2016,13(7): 931–935. DOI: 10.1109/LGRS.2016. 2554606.

[2]Addabbo A D,Refice A,Pasquariello G,et al.. A Bayesian network for flood detection combining SAR imagery and ancillary data[J].IEEE Transactions on Geoscience and Remote Sensing,2016,54(6): 3612–3625. DOI: 10.1109/TGRS.2016.2520487.

[3]Hussain M,Chen D,Cheng A,et al.. Change detection from remotely sensed images: From pixel-based to object-based approaches[J].ISPRS Journal of Photogrammetry and Remote Sensing,2013,80(2): 91–106. DOI: 10.1016/ j.isprsjprs.2013.03.006.

[4]Chen G,Hay G,Carvalho L M T,et al.. Object-based change detection[J].International Journal of Remote Sensing,2012,33(14): 4434–4457. DOI: 10.1080/01431161. 2011.648285.

[5]Ghofrani Z,Mokhtarzade M,Sahebi M R,et al.. Evaluating coverage changes in national parks using a hybrid change detection algorithm and remote sensing[J].Journal of Applied Remote Sensing,2014,8(1): 1–16. DOI: 10.1117/1.JRS.8. 083646.

[6]Huo C,Zhou Z,Lu H,et al.. Fast object-level change detection for VHR images[J].IEEE Geoscience and Remote Sensing Letters,2010,7(1): 118–122. DOI: 10.1109/LGRS. 2009.2028438.

[7]Hachicha S and Chaabane F. Comparison of change detection indicators in SAR images[C]. European Conference on Synthetic Aperture Radar,Aachen,Germany,2010: 109–112.

[8]Lu J,Li J,Chen G,et al.. Improving pixel-based change detection accuracy using an object-based approach in multitemporal SAR flood images[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2015,8(7): 3486–3496. DOI: 10.1109/JSTARS.2015. 2416635.

[9]Pulvirenti L,Chini M,Pierdicca N,et al.. Flood monitoring using multi-temporal COSMO-SkyMed data: Image segmentation and signature interpretation[J].Remote Sensing of Environment,2011,115(1): 990–1002. DOI: 10.1016/ j.rse.2010.12.002.

[10]Avendano J,Mora S F,Vera J E,et al.. Flood monitoring and change detection based on unsupervised image segmentation and fusion in multitemporal SAR imagery[C]. International Conference on Electrical Engineering,Computing Science and Automatic Control (CCE),Mexico,2015: 1–6. DOI: 10.1109/ICEEE.2015.7357982.

[11]Xiong B,Chen J M,and Kuang G. A change detection measure based on a likelihood ratio and the statistical properties of SAR intensity images[J].Remote Sensing Letters,2012,3(3): 267–275. DOI: 10.1080/01431161.2011. 572093.

[12]Lu J,Giustarini L,Xiong B,et al.. Automated flood detection with improved robustness and efficiency using multi-temporal SAR data[J].Remote Sensing Letters,2014,5(3): 240–248. DOI: 10.1080/2150704X.2014.898190.

[13]Schmitt M and Stilla U. Adaptive multilooking of airborne single-pass multi-baseline InSAR stacks[J].IEEE Transactions on Geoscience and Remote Sensing,2014,51(1): 305–312. DOI: 10.1109/TGRS.2013.2238947.

[14]浮瑤瑤,柳彬,張增輝,等. 基于詞包模型的高分辨SAR圖像變化檢測與分析[J]. 雷達學報,2014,3(1): 101–110. DOI: 10.3724/SP.J.1300.2014.13134. Fu Yaoyao,Liu Bin,Zhang Zenghui,et al.. Change detection and analysis of high resolution synthetic aperture radar images based on bag-of-words model[J].Journal of Radars,2014,3(1): 101–110. DOI: 10.3724/SP.J.1300.2014. 13134.

[15]Celik T and Ma K K. Multitemporal image change detection using undecimated discrete wavelet transform and active contours[J].IEEE Transactions on Geoscience and Remote Sensing,2011,49(2): 706–716. DOI: 10.1109/TGRS. 2010.2066979.

[16]Salehi S,Valadan Z,and Mohammad J. Unsupervised change detection based on improved Markov random field technique using multichannel synthetic aperture radar images[J].Journal of Applied Remote Sensing,2014,8(1): 5230–5237. DOI: 10.1117/1.JRS.8.083591.

[17]安成錦,牛照東,李志軍,等. 典型Otsu算法閾值比較及其SAR圖像水域分割性能分析[J]. 電子與信息學報,2010,32(9): 2215–2219. DOI: 10.3724/SP.J.1146.2009.01426. An Chengjin,Niu Zhaodong,Li Zhijun,et al.. Otsu threshold comparison and SAR water segmentation result analysis[J].Journal of Electronics&Information Technology,2010,32(9): 2215–2219. DOI: 10.3724/SP.J.1146. 2009.01426.

[18]Liu Z L,Li N,WANG R,et al.. A novel region-merging approach for coastline extraction from Sentinel-1A IW mode SAR imagery[J].IEEE Geoscience and Remote Sensing Letters,2016,13(3): 324–328. DOI: 10.1109/LGRS.2015. 2510745.

[19]Sheng G F,Yang W,Deng X P,et al.. Coastline detection in synthetic aperture radar (SAR) images by integrating watershed transformation and controllable gradient vector flow (GVF) snake model[J].IEEE Journal of Oceanic Engineering,2012,37(3): 375–383. DOI: 10.1109/JOE.2012. 2191998.

[20]張慧哲,王堅. 基于初始聚類中心選取的改進FCM聚類算法[J]. 計算機科學,2009,36(6): 206–209. DOI: 10.3969/j.issn. 1002–137X.2009.06.055. Zhang Huizhe and Wang Jian. Improved fuzzy C means clustering algorithm based on selecting initial clustering centers[J].Computer Science,2009,36(6): 206–209. DOI: 10.3969/j.issn.1002–137X.2009.06.055.

[21]Li H C,Celik T,Longbotham N,et al.. Gabor feature based unsupervised change detection of multitemporal SAR images based on two-level clustering[J].IEEE Geoscience and Remote Sensing Letters,2015,12(12): 2458–2462. DOI: 10.1109/LGRS.2015.2484220.

冷 英(1987–)，女，遼寧人，博士研究生，研究方向為SAR圖像信息提取。

E-mail: sarallyy@126.com

李 寧(1987–)，男，安徽人，博士，中科院電子學研究所助理研究員，研究方向為多模式合成孔徑雷達成像及其應用技術研究。

E-mail: lining_nuaa@163.com

Improved Change Detection Method for Flood Monitoring

Leng Ying①②Li Ning①
①(Institute of Electronics,Chinese Academy of Sciences,Beijing100190,China)
②(University of Chinese Academy of Sciences,Beijing100190,China)

An improved Hybrid Change Detection (HCD) method is proposed for multi-temporal Synthetic Aperture Radar (SAR) images. Firstly,a Pixel-Based Change Detection (PBCD) method is used to extract the initial change area,and the initial cluster center is estimated based on its results. Then,Fuzzy Clustering Method (FCM) is used to get three clusters,which including water,background,and the intermediate area. The Nearest Neighbor Clustering (NNC) is adopted as the second-level clustering to divide the pixels belonging to the intermediate area into water and background respectively,afterwards merge all pixels belonging to water. Finally,the difference map of flood region in the time series images is calculated to get the final change detection result. The algorithm is validated by the Sentinel-1A data obtained from Huaihe River and Poyang Lake. The results show that our proposed method can achieve better correctness and has lower total error compared to other methods.

Change detection; Synthetic Aperture Radar (SAR); Fuzzy Clustering Method (FCM); Hybrid Change Detection (HCD); Sentinel-1A

TP753

A

2095-283X(2017)02-0204-09

10.12000/JR16139

冷英,李寧. 一種改進的變化檢測方法及其在洪水監測中的應用[J]. 雷達學報,2017,6(2): 204–212.

10.12000/JR16139.

Reference format:Leng Ying and Li Ning. Improved change detection method for flood monitoring[J].Journal of Radars,2017,6(2): 204–212. DOI: 10.12000/JR16139.

2016-12-05；改回日期：2017-02-16；

2017-03-21

*通信作者： 李寧 lining_nuaa@163.com

國家自然科學基金優秀青年基金(61422113)

Foundation Item: The National Natural Science Foundation for Excellent Young Scholars (61422113)