結合均值漂移分割與聚類分析的遙感影像變化檢測

方 旭，王光輝，楊化超，劉慧杰，王 更

(1. 中國礦業(yè)大學，江蘇 徐州 221116； 2. 國家測繪地理信息局衛(wèi)星測繪應用中心，北京 100830； 3. 北京國測星繪信息技術有限公司，北京 100830)

結合均值漂移分割與聚類分析的遙感影像變化檢測

方 旭1，2，王光輝2，楊化超1，劉慧杰3，王 更2

(1. 中國礦業(yè)大學，江蘇 徐州 221116； 2. 國家測繪地理信息局衛(wèi)星測繪應用中心，北京 100830； 3. 北京國測星繪信息技術有限公司，北京 100830)

針對傳統(tǒng)遙感影像變化檢測方法對前后期影像數(shù)據(jù)質(zhì)量要求高、適應范圍窄、檢測精度較低等問題，本文在引入異常點檢測思想的基礎上，提出了一種結合均值漂移分割與聚類分析的遙感影像變化檢測方法。首先將前期地理國情矢量數(shù)據(jù)與待監(jiān)測的遙感影像進行地理配準；然后在地理國情矢量數(shù)據(jù)的基礎上對遙感影像作均值漂移算法二次細分割，獲得的矢量圖斑繼承了原有父級類屬性，并對同一父級類的影像圖斑進行光譜、空間、紋理、指數(shù)等特征提取；最后采用高斯混合模型與最大期望值算法聚類獲得多個類別，在父級類下找出異常類別的圖斑。通過試驗對比分析，表明了本文方法的有效性和可靠性，為遙感影像變化檢測提供了新思路。

均值漂移分割；變化檢測；多特征提取；聚類分析

遙感影像變化檢測是通過影像分析的方法定性或定量地表達出兩個時期的地物變化情況，統(tǒng)計分析其變化強度、變化范圍與趨勢，在土地利用、城市擴展、環(huán)境災害監(jiān)測等諸多領域發(fā)揮重要作用[1-2]。在近20年來的科學研究中，各國學者相繼提出多種基于遙感技術的變化檢測方法模型，如基于像素或面向?qū)ο蟮亩鄷r相遙感影變化檢測方法，基于像素的方法有先通過影像代數(shù)法，如主成分分析法(PCA)、變化矢量分析法(CVA)等方法獲得差異影像，再通過支持向量機(SVM)、最大類間方差(OTSU)、K均值(K-means)等方法進行閾值分析[3-5]，獲得變化和非變化圖斑；鄧小煉等提出奇異值分解(SVD)與最大類間方差(OTSU)閾值分割相結合的變化檢測方法[6]，在礦區(qū)的變化檢測中獲得了較好的效果；杜培軍等將支持向量機良好的二分類特性應用到遙感影像變化檢測中[7]；李亮等將光譜信息與紋理信息結合提出多特征融合的變化檢測算法[8]，證明了多特征在遙感影像變化檢測應用優(yōu)勢。

以上提到的方法都是在多時相影像數(shù)據(jù)的基礎上作遙感影像變化檢測，2005年張繼賢曾提出單一時相遙感數(shù)據(jù)變化檢測方法[9]，該方法旨在構建前期地類數(shù)據(jù)庫，再對后期影像提取圖斑或像素的特征統(tǒng)計量，與數(shù)據(jù)庫的地類先驗知識進行特征距離分析，該方法的難點在于前期的數(shù)據(jù)庫構建難度較大。現(xiàn)有的變化檢測方法中，基于多時相的遙感影像變化檢測對前后期數(shù)據(jù)敏感，算法適用性較差。本文提出一種結合均值漂移分割與聚類分析的遙感影像變化檢測，以地理國情矢量數(shù)據(jù)作為前期數(shù)據(jù)，將異常點檢測思想引入遙感影像變化中[10]，利用地理國情矢量數(shù)據(jù)地類編碼等先驗知識，將地理國情矢量數(shù)據(jù)與所選擇的后時相遙感影像進行地理配準；然后基于地理國情矢量數(shù)據(jù)對影像作mean-shift細分割，分割之后的矢量圖斑繼承了原有父級地類屬性；最后對分割得到的影像圖斑提取光譜、紋理、空間、指數(shù)等特征[11]，分別對同一父級類的影像圖斑所提取到的多特征進行高斯混合模型與最大期望值(GMM-EM)聚類，將得到的類別屬性寫入地理國情矢量圖層，根據(jù)獲得各類別的圖斑與原有父級類別的圖斑對比，篩選出異常的類別，降低遙感影像變化檢測中對多時相影像數(shù)據(jù)的敏感性。

1 原理與方法

1.1 地理國情矢量數(shù)據(jù)

地理國情矢量數(shù)據(jù)是我國實行地理國情監(jiān)測項目的重要成果體現(xiàn)之一，按照地表覆蓋分類方式采集的內(nèi)容包括其中的10個一級類，以及相應的二級類別[12]。本文方法就是利用前期的地理國情矢量數(shù)據(jù)中的一級、二級地類覆蓋結果作為前期數(shù)據(jù)來進行遙感影像變化檢測。

1.2 均值漂移分割

均值漂移分割算法的基本思想是：通過反復迭代搜索樣本點在特征空間中概率密度最大的位置，并將漂移路徑上及一定范圍內(nèi)的所有樣本點都歸入一類；同時對均值漂移算法進行擴展，引入了核函數(shù)及帶寬矩陣的概念。其核函數(shù)的概率密度估計為

(1)

(2)

由式(2)通過迭代運算獲得數(shù)據(jù)集的模值點。在進行圖像分割時，將影像數(shù)據(jù)作為特征空間的數(shù)據(jù)點，然后在特征空間進行均值漂移聚類，其中可描述為向量x=(xs,xr),xr為像素點的顏色信息，xs為像素點的空間信息，位置空間與色彩空間相互獨立，因此核函數(shù)可以分解為兩個空間的核函數(shù)之積，即

(3)

式中，hs、hr分別為空間和顏色帶寬參數(shù)。

1.3 多特征提取

監(jiān)測影像在國情矢量的基礎上作細分割獲得對象后，通過提取對象的光譜特征、紋理特征、空間特征、指數(shù)特征進行高維的聚類試驗。

在遙感影像上最直觀的信息表達就是光譜特征，它不僅是地物表現(xiàn)出的反射率，本文計算對象中所有像元的各個波段光譜值的均值，來表示各個對象的光譜特征。

紋理信息是指遙感影像上細小地物規(guī)律性重復出現(xiàn)的現(xiàn)象，是對地物大小、形狀、亮度的綜合反映。本文采用灰度共生矩陣方法提取紋理特征信息，計算每個對象的熵(ENT)、能量(ASM)、相關性(COR)、對比度(CON)、同質(zhì)性(HOM)、異質(zhì)性(DIS)，得到6個紋理統(tǒng)計量。

圖像的空間信息不會隨圖像的光譜特征變化而顯著變化，空間特征能反映地物之間的拓撲關系，可以由影像梯度信息來直接描述，本文選取Sobel算子來獲取豎直梯度圖像D1和水平梯度圖像D2，作為圖斑的空間特征描述。

自然地物如植被、水體向建筑、道路等人造地物的變化是變化檢測中的主要內(nèi)容之一，在植被水體，本文選取歸一化植被指數(shù)NDVI、歸一化水體指數(shù)NDWI作為圖斑的指數(shù)特征。

1.4 最大期望值算法

期望最大算法是一種從不完全數(shù)據(jù)或有數(shù)據(jù)丟失的數(shù)據(jù)集(存在隱含變量)中求解概率模型參數(shù)的最大似然估計方法[14-15]，假設特征數(shù)據(jù)集是由若干個相互獨立的高斯分布數(shù)據(jù)集生成并整體上服從混合高斯模型(GMM)的分布，采用EM算法求解極大似然進行參數(shù)估計。其估計過程如下：

(1) 初始值的確定：由于EM算法對初始值比較敏感，本文采用K-means聚類方法獲得特征數(shù)據(jù)集的期望步的參數(shù)，即均值μk、協(xié)方差Σk、混合比例πk。

(2) 計算期望(E-step)：假設模型參數(shù)已知的情況下求隱含變量Z，分別取Z1、Z2、…、Zk的概率，即在GMM中求數(shù)據(jù)點由各個成分生成的概率

(3)

(3) 最大化期望(M-step)：最大化E步得到的最大似然值來重新估計分布參數(shù)

(4)

(5)

(6)

(4) 極大似然函數(shù)估計

(7)

檢查參數(shù)和似然函數(shù)是否已經(jīng)收斂，重復步驟(2)—(3)直到收斂，最終得到一個參數(shù)集合，每個對象得到由每一個高斯分布生成的概率，實現(xiàn)聚類。本文方法整個流程如圖1所示。

圖1 本文方法流程

以國情矢量數(shù)據(jù)中的林地屬性的矢量圖斑為例，數(shù)量為N個，在此基礎上對遙感影像細分割，得到M個影像圖斑(M>N)，通過對M個影像圖斑進行特征提取，然后對特征進行混合高斯模型與最大期望值算法的聚類分析，得到K個類別，并將聚類結果寫入地理國情矢量圖層，在父級屬性為林地的類別里通過目視解譯篩選出屬于非林地的異常類別。

2 試驗結果與分析

2.1 試驗結果

試驗前期數(shù)據(jù)采用漢壽縣2015年7月地理國情矢量更新數(shù)據(jù)，后期數(shù)據(jù)為2016年11月高分一號衛(wèi)星遙感影像，由藍、綠、紅、近紅外4個波段組成，影像進行過影像融合、配準等預處理，尺寸為824×824像素，如圖2(a)所示。圖2(b)為地理國情矢量數(shù)據(jù)與影像配準圖；圖2(c)為影像mean-shfit細分割的結果，該區(qū)域地表覆蓋包含有林地、耕地、水體、道路、建筑物等；圖2(d)為前期高分一號影像圖，用于其他方法與本文方法作對比試驗。

圖2 漢壽縣某區(qū)域影像

圖3 不同方法變化檢測結果

為了評價本文方法的實際效果，采用混淆矩陣進行精度評價，對圖斑的變化情況進行統(tǒng)計，構造混淆矩陣統(tǒng)計其總體精度、虛檢率、漏檢率；并與常用的基于多時相遙感影像變化檢測的PCA-SVM方法[16]及文獻[5]提出的SVD-OTSU方法進行對比。圖3為各方法變化檢測結果，為去除椒鹽現(xiàn)象，采取3×3形態(tài)學算子對影像進行膨脹、腐蝕處理，圖3(a)為本文檢測效果圖，圖3(b)為PCA-SVM檢測效果圖，圖3(c)為SVD-OTSU檢測效果圖，圖3(d)為人工標記變化圖斑。表1給出了不同方法的統(tǒng)計結果。

表1 不同方法變化檢測算法精度 (%)

2.2 試驗分析

從表1和變化檢測效果圖可以看出：本文提出的聚類分析的變化檢測方法正確率最高，這是由于傳統(tǒng)的多時相遙感影像變化檢測對數(shù)據(jù)較為敏感，PCA-SVM、SVD-OTSU方法都是通過獲得其多時相影像的差分信息，并基于差分信息構造變化信息影像，對前后期影像質(zhì)量依賴程度高。結合mean-shift分割與聚類分析的遙感影像變化檢測方法有以下兩方面的創(chuàng)新與優(yōu)勢：

(1) 采用mean-shift分割算法在地理國情矢量數(shù)據(jù)的基礎上對遙感影像作二次細分割，利用現(xiàn)有地理國情矢量數(shù)據(jù)中的地類編碼先驗知識，提高了變化檢測的可靠性，減少了前期單獨構建地類數(shù)據(jù)庫或訓練樣本信息庫的工作量。

(2) 不同的地物在遙感影像上的變化情況十分復雜，單一的特征難以描述遙感影像上的地物表現(xiàn)。本文方法通過光譜、空間、紋理、指數(shù)進行多特征提取，構建多維特征數(shù)據(jù)集，能較好地描述遙感影像中的地物特征；將異常點檢測思想引入遙感影像的變化檢測，可以較為直觀地發(fā)現(xiàn)異常類別；并將高斯混合模型與最大期望值算法的聚類分析方法應用于變化檢測，能夠較好地擬合特征數(shù)據(jù)集的分布狀況，獲得較為準確的聚類結果。

3 結 語

本文提出了結合均值漂移分割和聚類分析的遙感影像變化檢測方法，充分利用了現(xiàn)有的地理國情矢量數(shù)據(jù)地類編碼等先驗知識。在面向現(xiàn)實的生產(chǎn)環(huán)境中，傳統(tǒng)的遙感變化檢測方法適應范圍小，較難找到符合要求的前后期影像，本文正是針對實踐生產(chǎn)中存在的以上問題，提出了一種解決之道，通過試驗表明了該方法應用在遙感影像的變化檢測上是行之有效的，為遙感影像的變化檢測提供了一種新的思路與方法，后期進一步提高自動化程度和多特征組合是值得研究的問題。

[1] SINGH A.Review Article Digital Change Detection Techniques Using Remotely-sensed Data[J].International Journal of Remote Sensing,1989,10(6)：989-1003.

[2] LU D，MAUSEL P，BRONDIZIO E，et al.Change Detection Techniques[J].International Journal of Remote Sensing，2004,25(12)：2365-2401.

[3] 黃維，黃進良，王立輝，等.基于PCA的變化向量分析法遙感影像變化檢測[J].國土資源遙感，2016,28(1)：22-27.

[4] 田淞，宋建社，張雄美，等.KM-SVM法的SAR圖像無監(jiān)督變化檢測[J].系統(tǒng)工程與電子技術，2015,37(5)：1042-1046.

[5] MOUNTRAKIS G，IM J，OGOLE C.Support Vector Machines in Remote Sensing：A Review[J].ISPRS Journal of Photogrammetry & Remote Sensing，2011,66(3)：247-259.

[6] 鄧小煉，王星，艾思敏，等.奇異值分解和閾值分割的遙感自適應變化檢測[J].測繪科學，2016,41(8)：38-42.

[7] 杜培軍，柳思聰，鄭輝.基于支持向量機的礦區(qū)土地覆蓋變化檢測[J].中國礦業(yè)大學學報，2012,41(2)：262-267.

[8] 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.

[9] 張繼賢，楊貴軍.單一時相遙感數(shù)據(jù)土地利用與覆蓋變化自動檢測方法[J].遙感學報，2005,9(3)：294-299.

[10] 成寶芝.高光譜圖像異常目標檢測算法研究與進展[J].國土資源遙感，2014,26(3)：1-7.

[11] 岳佳，王士同.高斯混合模型聚類中EM算法及初始化的研究[J].微計算機信息，2006,22(11X)：244-246.

[12] 兀偉，鄧國慶，張靜，等.地理國情監(jiān)測內(nèi)容與分類體系探討[J].測繪標準化，2012(4)：10-12.

[13] 王桂婷，王幼亮，焦李成.基于快速EM算法和模糊融合的多波段遙感影像變化檢測[J].紅外與毫米波學報，2010,29(5)：383-388.

[14] 岳佳.基于EM算法的模型聚類的研究及應用[D].無錫：江南大學，2007.

[15] 黃杰，王光輝，楊化超，等.結合偏最小二乘法和支持向量機的遙感影像變化檢測[J].測繪通報，2016(7)：35-38.

RemoteSensingImageriesChangeDetectionCombinedwithMean-shiftSegmentationandClusterAnalysis

FANG Xu1,2，WANG Guanghui2，YANG Huachao1，LIU Huijie3，WANG Geng2

(1. China University of Mining and Technology，Xuzhou 221116，China； 2. Satelite Surveying and Mapping Application,National Administration of Surveying,Mapping and Geoinformation,Beijing 100830,China； 3. Beijing SatImage Information Technology Co.Ltd.，Beijing 100830，China)

In order to solve the problem that the traditional remote sensing imageries change detection method has high quality requirements，low adaptability range and low detection precision，on the basis of introducing the idea of outlier detection，a remote sensing imageries change detection method combined with mean-shift and cluster analysis is proposed in this paper.First，early stage geographic situation vector is used to register with the RS image，and the multi-scale subdivision of the remote sensing imageries is done.The resulting small image inherits the original pattern category attribute，and then extracts the spectral，geometric，texture，and exponential features of the image.And then clustering the extracted multi-feature based on GMM-EM.According to the type of clustering，the change pattern is determined by comparing with the original vector pattern.The experimental results show that the method is effective and reliable，which provides a new idea for remote sensing image change detection.

mean-shift segmentation; change detection; multiple feature extraction; clustering analysis

2017-08-07

國家重點研發(fā)計劃(2016YFB0501403)；高分遙感測繪應用示范系統(tǒng)一期(AH1601)

方 旭(1994—)，男，碩士，研究方向為遙感影像信息提取。E-mail：fangxu622@126.com

方旭，王光輝，楊化超，等.結合均值漂移分割與聚類分析的遙感影像變化檢測[J].測繪通報，2017(12)：68-71.

10.13474/j.cnki.11-2246.2017.0381.

P237

A

0494-0911(2017)12-0068-04