基于特征增強與最小誤差分割的變化檢測方法

王曉花， 鄧小煉， 何卓麗， 杜玉琪, 沈延峰

(1.三峽大學 理學院，湖北 宜昌 443000 ;2.凌云科技集團有限公司，湖北 武漢 430040)

基于特征增強與最小誤差分割的變化檢測方法

王曉花1， 鄧小煉1， 何卓麗1， 杜玉琪1, 沈延峰2

(1.三峽大學 理學院，湖北 宜昌 443000 ;2.凌云科技集團有限公司，湖北 武漢 430040)

以河北省石家莊市2003年和2004年的專題制圖儀(TM)遙感影像為例，針對各波段光譜特征，提出了一種基于地物特征增強的變化檢測方法。在兩期影像上對各類地物采樣并計算樣本在不同波段的均值、標準差等特征量，以確定波段組合運算的加權系數，計算特征增強圖像，實現兩期影像中所指定地物類型的特征增強；計算兩期特征增強影像的差異影像；使用最小誤差分割法獲取變化檢測結果。通過對比實驗可知：方法提取變化區域總體精度達到90 %，相對于傳統的基于主成分分析(PCA)的變化檢測方法，具有較高的檢測精度，較好的可行性與適應性。

變化檢測； 波段組合； 特征增強； 最小誤差分割

0 引 言

遙感是20世紀60年代發展起來的對地觀測綜合性技術。作為一門興起時間不長卻有著廣泛應用前景的學科技術，在對資源和環境調查時，能不受時間、空間、地形阻隔限制，實現大面積的同步觀測[1]。然而如何利用遙感圖像光譜特征、形態與紋理特征、以及空間關系等特征作為識別信息，運用模式識別與專家系統相結合的方法進行數據融合，實現從遙感數據中提取和檢測變化信息成為遙感應用技術研究的重要課題，受到越來越多的關注[2，3]。

遙感影像變化檢測是指利用不同歷史時期覆蓋同一地表區域的多源遙感影像和相關地理數據，結合對應地物特法，確定和分析該區域地物的變化，包括地物位置、范圍的確定和地物性質、狀態的變化[4，5]。它在土地利用和覆蓋變化、森林植被變性和遙感成像機理，采用圖像圖形處理理論及數理模型方化、城市擴展和災害監測等諸多領域發揮著積極和重要的作用[6～8]。眾多學者就不同的應用角度，研究了大量的變化檢測方法和理論模型。如姜浩、馮敏等人[9]提出基于線狀特征增強的專題制圖儀(thematic mapper,TM)遙感影像細小河流提取方法；侯曉真、張書華等人[10]提出通過波段運算從空間范圍和面積上對沙漠動態進行變化檢測的方法；杜培軍、柳思聰[11]提出在提取影像多種特征的基礎上，構建一維和多維兩種基于信息融合的變化檢測方法。伴隨著不斷增加的技術和算法，變化檢測系統變得越來越復雜多樣，但學者們普遍認為，變化檢測是一個復雜的綜合處理過程，現有檢測方法在實際生產應用中沒有最優，沒有哪一種能適合所有的應用，需要根據不同目的和數據源選擇合適的方法[12，13]。

1 實驗區介紹與遙感數據分析

本文選取了2003年和2004年河北省石家莊市的TM影像作為實驗區數據，實驗區兩期假彩色影像(TM4，TM3，TM2)如圖1所示。觀察本實驗區TM數據6個波段的光譜特征，總結出實驗區數據各個波段道路整體的反射率都較高，所以,在各單波段影像中顯示均為亮色；而城鎮和河流的反射率較低，顯示為暗色；裸地與植被則居中；道路與其他幾種地物的反射率相差較大，實驗區變化區域主要是道路，還有少量建筑、水塘與綠植。為實現多波段數據降維處理和減少數據間冗余，使變化檢測流程更加簡單、快捷，本文改進了常用的波段組合特征增強運算，對實驗區數據中某特定地物(如建筑群，植被，河流，道路等)進行特征增強。觀察遙感影像中主要的變化類型確定突出何種地物，從而弱化其他地物，減少干擾。

圖1 河北省石家莊市TM彩色紅外影像

2 研究方法

本文以增強道路為例，通過對各個地物樣本進行采樣，先計算均值、標準差等特征量確定各波段組合運算的加權系數，實現對兩期影像特定地物類型增強，然后進行差值運算獲取變化量，最后使用最大類間方差(OTSU)[14]和最小誤差分割獲取變化檢測的結果。結果表明：基于波段組合運算的特征增強和基于最小誤差的閾值分割能有效實現特定地物類型增強，減輕分割的難度，提高變化檢測精度，算法具有一定實用價值。本文變化檢測流程如圖2所示。

圖2 算法流程

2.1 基于圖像特征增強的變化檢測

圖像增強技術可以分為基于空間域的方法和基于頻域的方法，一般的圖像增強技術有直方圖均衡、直方圖匹配、拉普拉斯銳化增強等方法[15]。而本文中波段組合特征增強運算是通過各波段之間線性組合運算來增強某類地物。例如：若突出道路，則應該在與道路光譜特征差異最大的其他波段增強運算系數；如若希望該波段差異越大，則減去的倍數越多，使該地物的差異增強，差異越小的波段要弱化這種增強。根據上述對各類地物光譜的分析，提出了改進的波段組合特征增強運算，基本公式如下

(1)

式中 T為最終得到的合成圖像；TMi為各個波段的歸一化反射率；Ki為第i波段的加權運算系數

Ki=(TMi1-μi)/σi

(2)

式中 Ki為通過實際采樣值對波段組合運算的系數量化；TMi1為第i個波段第一種地物類型(待增強的目標地物道路)的歸一化反射率值；每類地物取樣若干個樣本點，σi為第i個波段各類地物取樣的標準差;μi為第i個波段各類地物取樣的均值

(3)

式中 N為采樣地物類型數；TMij為第i波段第j類地物的歸一化反射率值，需要注意的是，若第i類地物采了M個樣本，TMij的取值已經對M個樣本進行了均值運算。TMij為第j類地物在波段i上均值，用該值代表第j類地物，方便運算。μi為N類地物在波段i上均值，σi為

(4)

各式中Ki的確定是關鍵，式(2)表示用待增強目標地物當前的歸一化反射率值減去該波段采樣數據各地物的平均值，差值與標準差的比值即可代表參與運算的系數。

2.2 最小誤差閾值分割方法[16，17]

要繼續和同學、老師、家長保持良好的關系。實在郁悶的時候，甚至可以大哭一場，但是，千萬不要因為一時沖動而說出傷害他們的話！與他們相處的時間已經很短暫了，請一定、一定不要留下令他們難過的印象。

(5)

當選定閾值為T時，目標像素錯分為背景像素的概率為

(6)

將背景像素錯分為目標像素的概率為

H1(T)=∫T∞p1(z)dz

(7)

總錯誤率為

H(T)=θH1(T)+(1-θ)H2(T)

(8)

-θp1(T)+(1-θ)p2(T)=0

(9)

由此得出

(10)

(11)

(12)

說明正態分布時，最佳閾值可按式(11)求得。若p1(z)，p2(z)不是正態分布，可用式(9)確定最小誤差的閾值T。

3 實驗結果對比與精度評價

對幾種典型地物分別在各個波段取樣本若干并歸一化采樣樣本值，利用上述波段組合特征增強方法，計算均值、標準差、波段加權系數，結果如表1。各波段所得加權系數皆為小數，將其四舍五入保留一位小數，TM2，TM3，TM4，TM5，TM7的系數為1.5，1.4，1.3，1.3，1.3。所以，最終波段組合特征增強運算為：TM1-1.5TM2-1.4TM3-1.3TM4-1.3TM5-1.3TM7。根據該式，對兩期影像分別進行特征增強，獲取道路增強后的兩期影像，如圖3所示,而圖4則是采用傳統的主成分分析(principalcomponentanalysis,PCA)變換，獲取兩期影像的第一主成分影像。

表1 歸一化采樣樣本值和特征量計算

基于波段組合運算的特征增強檢測方法，將兩期道路增強后影像直接做差值獲取變化量，如圖5(a)；而基于PCA變換的檢測方法則分別選擇兩期變換后影像的第一主成分做差值獲取變化量，如圖5(b)。波段線性組合運算和PCA變換均對遙感影像進行特征增強，但本文提出的波段組合運算對指定的地物道路進行特征增強，而傳統PCA變換，針對全圖像的特征增強。文中采用了OTSU和最小誤差方法分別對上述變化量進行了分割，如圖6、圖7，具體分割結果的細節對比如圖6(c)、圖6(d)、圖7(c)、圖7(d)。

圖3 河北省石家莊市特征增強影像

圖4 河北省石家莊市PCA變換影像

圖5 兩期影像的差值影像

圖6 OTSU閾值分割的變化檢測結果

通過觀察基于OTSU分割的局部細節圖，可以看出，特征增強法圖6(c)較PCA變換法圖6(d)提取信息更簡潔清晰，圖6(d)提取的變化結果受噪聲影響程度更大，將背景誤檢測為目標；而基于最小誤差分割的局部細節圖中，特征增強法圖7(c)在一定程度上消除了噪聲影響，較PCA變換法圖7(d)提取的變化結果道路更加清晰和完整，圖7(d)提取的變化結果會出現不連續、斷節等現象，最終誤檢測的概率也會更大。整體來說，圖7(c)檢測結果是最優的。由此可以看出：OTSU提取出的結果較多，往往容易將未變化的區域檢測為變化區域，不能有效地將目標和背景區分開來，不適合用在復雜圖像變化檢測的分割中。而最小誤差方法整體分割效果較好，具有較好的抗噪能力，能將道路和背景有效的分割開來。

圖7 最小誤差閾值分割的變化檢測結果

在2004年的TM遙感影像中，選取200個變化樣本點和300個未變化樣本點作為驗證樣本，利用混淆矩陣，計算總體精度、Kappa系數，對采用上述的變化檢測方法及閾值分割方法獲取的變化檢測結果進行評估，結果如表2、表3、表4、表5所示。由表可以看出，不論采用OTSU還是最小誤差閾值分割，特征增強變化檢測結果的總體精度都在90%以上，Kappa系數均在0.8以上，均略優于PCA變換。

表2 基于OTSU閾值分割+特征增強法的混淆矩陣

表3 基于OTSU閾值分割+PCA變換的混淆矩陣

4 結束語

本文提出了基于特征增強與最小誤差閾值分割相結合的變化檢測方法。在變化檢測方面增強了準確性，在分割方面增強了抗噪性。采用PCA變換法與特征增強的變換檢測方法做對比實驗，分析比較了兩種方法的變化檢測結果，證明了經過地物特征增強后獲取的變化量能更準確地提取出變化區域。方法不僅融合了各波段的特點，而且增強了各地物的可區分度，效果較好。另外，文中采用了兩種閾值分割方法，無論是理論還是實驗都充分證實了，利用本文所提出的基于特征增強的變化檢測方法獲取變化量，不論采用OTSU閾值分割法還是最小誤差閾值分割法，在檢測精確度上都具有優越性，而基于特征增強與最小誤差閾值分割相結合的變化檢測相對來說是最優的、最具可行性的。

表4 基于最小誤差閾值分割+特征增強法的混淆矩陣

表5 基于最小誤差閾值分割+PCA變換的混淆矩陣

[1] 陳鑫鏢.遙感影像變化檢測技術發展綜述[J].測繪與空間地理信息,2012,35(9):38-41.

[2] 王立剛，牟海維，張 勇.基于專家知識的數據融合技術研究[J].傳感器與微系統,2007,26(10):60-62.

[3] 李秀玲.淺談遙感技術在3S技術中的應用[J].中國地名,2010(11):72-73.

[4] 殷守敬,吳傳慶,王 橋,等.多時相遙感影像變化檢測方法研究進展綜述[J].光譜學與光譜分析,2013,33(12):3339-3342.

[5] 王偉平,周海銀,胡永剛,等.基于聚類分析的SAR圖像變化檢測 [J].傳感器與微系統,2007,26(9):76-82.

[6] Willis K S.Remote sensing change detection for ecological monitoring in United States protected areas[J].Biological Conservation,2015,182:233-242.

[7] 徐顯榮,高清維,李中一.一種用于農業環境監測的無線傳感器網絡設計[J].傳感器與微系統,2013,32(4):61-64.

[8] 郭全民,張海先.基于圖像處理技術的混凝土路面裂縫檢測方法[J].傳感器與微系統,2009,28(7):98-100.

[9] 姜 浩,馮 敏,肖 桐,等.基于線狀特征增強的TM遙感影像細小河流提取方法[J].測繪學報,2014,43(7):705-710.

[10] 侯曉真,張畢書,寧曉剛,等.基于TM影像波段運算的沙漠變化檢測分析[J].大地測量與地球動力學，2013,33(6):145-149.

[11]DuPJ,LiuSC.Changedetectionfrommulti-temporalsensingimagesbyintegratingmultiplefeatures[J].JournalofRemoteSensing,2012,16(4):663-677.

[12] 陽春花,胡吉林.多時相遙感影像的變化檢測方法應用試驗與分析[J].測繪與空間地理信息,2015,38(3):54-56.

[13]TewkesburyAP,ComberAJ,TateNJ,etal.Acriticalsynthesisofremotelysensedopticalimagechangedetectiontechnique-s[J].RemoteSensingofEnvironment,2015,160:1-14.

[14] 魏 武,龔樹鋒.基于機器視覺的非結構化道路檢測算法研究[J].傳感器與微系統,2010,29(1):39-41.

[15] 陳學堂,張 元，楊坤平，等.基于第二代曲波變換算法的檢測圖像增強[J].傳感器與微系統,2008,27(12):8-10.

[16] 范九倫,雷 博.灰度圖像最小誤差閾值分割法的二維推廣[J].自動化學報,2009,35(4):386-393.

[17] 賈永紅.數字圖像處理 [M].2版.武漢：武漢大學出版社,2010:156-157.

Change detection method based on feature enhancement and minimum error threshold segmentation

WANG Xiao-hua1, DENG Xiao-lian1, HE Zhuo-li1, DU Yu-qi1, SHEN Yan-feng2

(1.College of Science,China Three Gorges University,Yichang 443000,China；2.Lingyun Science and Technology Group Company Limited,Wuhan 430040,China)

Take thematic mapper(TM) remote sensing image of Shijiazhuang,Hebei Province in 2003 and 2004 as example,aiming at spectrum characteristics at each waveband,a change detection algorithm is proposed,which is based on surface feature enhancement technology.Firstly,in order to determine the weight coefficient of band combination operation,the average,standard deviation and other characteristic values of different bands are calculated by ground samples from multi-temporal images,and then the feature enhancement image can be calculated.Secondly,the difference image of two phases feature enhancement images is calculated.Finally,the minimum error threshold segmentation is performed on the difference image to obtain the change detection results.It shows through comparison experimental results that the overall precision of distinguishing reaches 90 %,and compare with the traditional change detection method based on principal component analysis(PCA),the new method has higher precision,better properties of applicability and feasibility.

change detection; band combination; feature enhancement; the minimum error threshold segmentation

2017—04—14

10.13873/J.1000—9787(2017)06—0142—04

TP 751

A

1000—9787(2017)06—0142—04

王曉花(1991-)，女，碩士，主要研究方向為遙感信息處理。

鄧小煉(1970-)，男，通訊作者,博士，副教授，主要從事遙感信息處理、模式識別工作，E—mail:345937408@qq.com。