基于CRF模型的高分辨率遙感影像變化檢測

魏立飛，牟紫微，王曉燕，李丹丹

(1. 湖北大學資源環(huán)境學院，湖北 武漢 430062； 2. 區(qū)域開發(fā)與環(huán)境響應湖北省重點實驗室, 湖北 武漢 430062； 3. 華中師范大學城市與環(huán)境科學學院，湖北 武漢 430079； 4. 農(nóng)業(yè)部農(nóng)業(yè)信息技術重點實驗室，北京 100081)

基于CRF模型的高分辨率遙感影像變化檢測

魏立飛1,2，牟紫微1,2，王曉燕3，李丹丹4

(1. 湖北大學資源環(huán)境學院，湖北 武漢 430062； 2. 區(qū)域開發(fā)與環(huán)境響應湖北省重點實驗室, 湖北 武漢 430062； 3. 華中師范大學城市與環(huán)境科學學院，湖北 武漢 430079； 4. 農(nóng)業(yè)部農(nóng)業(yè)信息技術重點實驗室，北京 100081)

針對傳統(tǒng)高分辨率遙感影像變化檢測方法大多直接利用光譜信息進行計算，導致檢測精度不高的缺陷，提出了一種基于條件隨機場模型(CRF)的高分辨率遙感影像變化檢測方法。該方法利用CRF模型融合差值影像的光譜項和空間項，在融合過程中，引入EM迭代策略不斷更新影像檢測結果，提高變化檢測精度。試驗結果表明，本文方法的分類精度好于傳統(tǒng)方法，并且穩(wěn)定性良好。

高分辨率遙感影像；變化檢測；CRF模型；迭代計算

Abstract： For the traditional high resolution remote sensing image change detection methods mostly using spectral information to calculate directly,thus the accuracy of the detection result is not high,this paper proposes a high resolution remote sensing image change detection method based on conditional random field model(CRF).The method fuses the spectrum and space of difference image with CRF model,in the process of fusion,introducing the EM iterative strategy constantly updated the detection result,improve the change detection accuracy.The experimental results show that the classification accuracy of this method proposed in this paper is better than the traditional method,and having good stability.

Keywords： high resolution remote sensing image,change detection,CRF model,Iterative calculation

高分辨率遙感影像具有豐富的地物細節(jié)信息，成為主要的對地觀測信息源[1-2]。利用變化檢測技術從影像上提取目標的變化信息，已廣泛應用于植被調(diào)查、環(huán)境監(jiān)測、土地利用評估、農(nóng)業(yè)遙感等領域[3-5]。

由于高分辨率遙感影像光譜信息有限，影像上同類地物的光譜差異增大，而不同地物的光譜差異減小[6-8]。因此，傳統(tǒng)高分辨率遙感影像變化檢測方法僅利用光譜項特征進行計算，無法有效兼顧影像的空間項特征，影像會出現(xiàn)變化信息誤檢和漏檢的情況，導致最終的檢測精度不足[9-11]。

針對上述情況，本文提出一種基于CRF(condition random field)模型的高分辨率遙感影像變化檢測方法。該方法利用CRF模型對變化前后差值影像的光譜項和空間項進行迭代融合，在融合過程中，利用EM算法迭代策略不斷更新影像檢測結果，得到最終的變化信息。

1 變化檢測模型

1.1 影像的光譜項和空間項

本文變化檢測算法同時兼顧了影像的光譜項特征和空間項特征。算法假設變化數(shù)據(jù)服從高斯分布模型，則光譜項采用基于變化向量的高斯分布模型。為了獲得更準確的變化檢測結果，本文在利用影像的光譜項特征的基礎上，結合了影像的空間項特征，同時，為了兼顧數(shù)據(jù)中光譜間的上下文信息，本文發(fā)展了一種基于馬氏邊界約束模型作為空間項，具體如下

(1)

1.2CRF模型

CRF模型是用來標記和切分序列化數(shù)據(jù)的統(tǒng)計模型，構建的是在給定待標記的觀察序列的條件下，整個標記序列的聯(lián)合概率分布模型[12-13]。即隨機變量V=X∪Y的概率分布，其中隨機變量Y表示需要標記的觀察序列集，此時隨機變量X為相應地表示標記序列集。在觀察場Y的條件下，隨機變量xi服從馬爾科夫性質(zhì)，就可以把x,y表示為條件隨機場。

本文利用CRF模型融合差值影像變化光譜項特征和空間項特征之前，需要估計該向量的標注信息，本文采用Hammersley-Clifford定理，在觀察場Y的條件下標記場X的后驗概率可表達為

(2)

式中，Zy=∑xexp∑c∈Cφcxc,y表示歸一化函數(shù)；φcxc,y表示勢團c上的勢函數(shù)。

(3)

式中，L(θ)為對數(shù)似然標準函數(shù)；x(m)和y(m)為M組訓練數(shù)據(jù)；θ為模型參數(shù)組。

在完善模型的過程中，本文將差值影像進行分組，一部分作為訓練集,另一部分作為驗證集。用訓練集對分類器進行訓練,利用驗證集來測試訓練得到的模型，得到理想的訓練結果。同時，在整個訓練過程中，需要對影像中的樣本進行測試。由于CRF模型構建的是一個全局后驗概率，本文采用條件迭代算法進行模型最優(yōu)化推理，每一次迭代都會改變圖像某些位置集合的值，從而獲得一個局部MAP估計結果。

假設當前需要更新為位置i處的第k次迭代的標記值，具體步驟如下：

(2) 更新λ使得局部條件概率值最大，即

從上面步驟可知，條件迭代算法只需要計算局部條件能量，因此計算時間代價小，具有收斂速度快的優(yōu)點。

1.3 基于CRF模型的變化檢測模型

本文提出的變化檢測模型中，CRF模型的能量函數(shù)由光譜項和空間項構成，具體如下

Uxiy=φixiy+∑j∈?iξijxi,xjy

(4)

式中，Uxiy是CRF模型能量函數(shù)；φixiy是光譜項；xi,xjy是空間項。

本文提出的變化檢測模型所涉及的參數(shù)較多，準確的參數(shù)確定十分困難。針對這一問題，本文在CRF模型上加入EM迭代策略，根據(jù)當前檢測結果對模型參數(shù)進行更新。

EM迭代過程中結合了考慮空間信息的CRF模型，故不僅能夠有效去除虛警點，而且能夠使估計的模型參數(shù)更接近于變化數(shù)據(jù)分布，進一步得到準確的變化檢測結果。其具體實現(xiàn)步驟如下：

(1) 基于影像光譜變化數(shù)據(jù)，采用EM算法初始化變化圖，估計模型參數(shù)。

(2) 根據(jù)當前的模型參數(shù)，計算CRF模型Uxiy的檢測結果，獲得概率值p。

(3) 根據(jù)新的變化檢測結果更新模型參數(shù)，獲得最終的變化檢測結果。具體算法流程如圖1所示。

圖1 本文算法流程

2 試驗與分析

本文試驗數(shù)據(jù)采用武漢大學區(qū)域的QuickBird高分辨率遙感影像，影像大小為300×300像素，其成像時間分別為2002年和2005年，如圖2(a)和圖2(b)所示，圖2(c)為真實變化影像，其中，白色區(qū)域代表的是變化區(qū)域，樣本數(shù)為8094，黑色區(qū)域代表的是非變化區(qū)域，樣本數(shù)為81 906。

2.1 變化結果分析

為了驗證本文提出的算法，將MAD-KI算法、EM算法、PCA算法的變化結果與本文算法的變化檢測結果進行比較，圖3(a)、(b)、(c)分別是經(jīng)過MAD-KI算法、EM算法、PCA算法計算后得到的變化檢測結果，圖3(d)是本文算法計算所得的變化檢測結果，其中白色的為變化部分。

圖2 原始數(shù)據(jù)及真實變化影像

圖3 4種方法的變化檢測效果

對圖3結果進行目視分析，圖3(a)中不僅有變化區(qū)域，同時也存在大量的非變化區(qū)域和椒鹽檢測點。出現(xiàn)這一現(xiàn)象的主要原因是在進行空間變換后，變化信息沒有得到集中。EM算法能自適應地更新區(qū)分變化和非變化區(qū)域，但該算法沒有納入空間信息考量，故其變化檢測效果會存在一定程度的遺漏，圖3(b)中的結果很明顯就漏檢了影像中部的操場。PCA算法導致影像失去了原來的光譜特性，對地物的解譯往只能依賴其幾何、紋理信息，其結果在一定程度上會出現(xiàn)漏檢和誤檢。從圖3(c)可知，PCA算法的檢測結果可以檢測出比EM算法更多的變化區(qū)域，也把很多非變化區(qū)域錯檢出來。本文算法結合CRF模型和EM策略，在迭代更新模型參數(shù)的同時，結合CRF模型兼顧了影像的空間信息，使得檢測結果最接近真實情況。

2.2 變化精度定量分析

為了更直觀和定量化評價，本文采用錯分數(shù)目、漏分數(shù)目、整體錯誤和OA評價指標對結果進行定量評價，結果見表1。

表1 4種檢測算法的精度比較

從表1可以看出，本文提出的算法整體錯誤最少(6231)，相比于MAD-KI算法、EM算法和有了顯著的提升，其OA精度高達93.07%，高于MAD-KI算法的76.19%、EM算法的88.36%及PCA算法的86.18%。本文算法的錯檢數(shù)目是所有算法中最少的，漏檢數(shù)目在所有算法中僅次于MAD-KI算法。同時，從表1還可以知道，MAD-KI算法的漏檢數(shù)目最少(1017)，說明該算法能識別大部分變化區(qū)域，但也將很多非變化區(qū)域識別為變化區(qū)域，導致錯檢數(shù)目巨大，導致該算法精度在所有算法中最低。

3 結 語

本文提出了一種基于CRF模型的高分辨率遙感影像變化檢測方法。該方法利用CRF模型融合差值影像的光譜項特征和空間項特征，同時引入EM迭代策略不斷更新影像檢測結果，從而提高變化檢測精度。試驗結果表明，本文方法在檢測精度上優(yōu)于傳統(tǒng)方法，可以有效地檢測出更完整的變化信息，適用于土地利用評估、城市擴張分析等領域。

[1] 陶超,譚毅華，蔡華杰，等.面向?qū)ο蟮母叻直媛蔬b感影像城區(qū)建筑物分級提取方法[J].測繪學報,2010,39(1):39-45.

[2] 孫顯,付琨.高分辨率遙感圖像理解[M].北京:科學出版社,2011.

[3] 李亮,舒寧，王凱，等.融合多特征的遙感影像變化檢測方法[J].測繪學報,2014,43(9):945-953.

[4] 黃世奇,劉代志,胡明星，等.基于小波變換的多時相SAR圖像變化檢測技術[J]．測繪學報,2010,39(2):180-186.

[5] 鐘家強,王潤生.基于自適應參數(shù)估計的多時相遙感圖像變化檢測[J].測繪學報,2005,34(4):331-336.

[6] 劉大偉,韓玲,韓曉勇.基于深度學習的高分辨率遙感影像分類研究[J].光學學報,2016,36(4):298-306.

[7] 黃昕,張良培.基于光譜變化與融合的IKONOS多光譜影像分類[J].武漢大學學報(信息科學版),2007,32(6):502-505.

[8] MYINT S W,LAM N,TYLOR J.An Evaluation of Four Different Wavelet Decomposition Procedures for Spatial Feature Discrimination within and around Urban Areas[J].Transactions in GIS,2002,6(4):403-429.

[9] INGLADA J.Automatic Recognition of Man-made Objects in High Resolution Optical Remote Sensing Images by SVM Classification of Geometric Image Features[J].ISPRS Journal of Photogrammetry and Remote Sensing,2011,62(62):236-248.

[10] ZHONG Y,LIU W,ZHAO J.Change Detection Based on Pulse-Coupled Neural Networks and the NMI Feature for High Spatial Resolution Remote Sensing Imagery[J].IEEE Geoscience and Remote Sensing Letters,2015,12(3):537-541.

[11] 申邵洪,賴祖龍，萬幼川.基于融合的高分辨率遙感影像變化檢測[J].測繪通報,2009(3):16-19.

[12] ZHONG P,WANG R S.Modeling and Classifying Hyperspectral Imagery by CRFs with Sparse Higher Order Potentials[J].IEEE Transactions on Geoscience and Remote Sensing,2011,49(2):688-705.

[13] 何楚，石博，蔣厚軍，等.條件隨機場的多極化InSAR聯(lián)合相位解纏算法[J].測繪學報,2013,42(6):838-845.

ChangeDetectionofHighResolutionRemoteSensingImageBasedonCRFModel

WEI Lifei1,2,MOU Ziwei1,2,WANG Xiaoyan3,LI Dandan4

(1. Faculty of Resources and Environmental Science，Hubei University,Wuhan 430062，China; 2. Hubei Key Laboratory of Regional Development and Environmental Response,Wuhan 430062，China; 3. The College of Urban & Environmental Sciences，Central China Normal University,Wuhan 430079，China; 4. Key Laboratory of Agri-informatics,Ministry of Agriculture,P.R.China，Beijing 100081，China)

P237

A

0494-0911(2017)09-0028-04

2017-01-05;

2017-04-25

國家自然科學基金(61201341)；干旱氣象科學研究基金(IAM201512)；數(shù)字制圖與國土信息應用工程國家測繪地理信息局重點實驗室開放研究基金(GCWD201407)；安徽省智慧城市與地理國情監(jiān)測重點實驗室開放基金(2016-K-02Z)

魏立飛(1979—)，男，博士，講師，主要研究方向為城市遙感及遙感影像智能化處理。E-mail：weilifeihb@163.com

魏立飛，牟紫微，王曉燕，等.基于CRF模型的高分辨率遙感影像變化檢測[J].測繪通報，2017(9)：28-31.

10.13474/j.cnki.11-2246.2017.0281.