基于差異圖組合的遙感圖像變化檢測

姜歡歡, 楊學志, 董張玉, 胡志勇

(合肥工業大學 計算機與信息學院,安徽 合肥 230009)

基于差異圖組合的遙感圖像變化檢測

姜歡歡, 楊學志, 董張玉, 胡志勇

(合肥工業大學 計算機與信息學院,安徽 合肥 230009)

針對傳統差異圖抗噪性差、檢測精度低的缺點,文章提出了一種基于差異圖組合的遙感圖像變化檢測算法。該方法通過傅里葉變換得到差值圖的相位和對數比值圖的幅值,對其組合后進行傅里葉反變換生成新差異圖,最后用模糊C均值(fuzzyC-means,FCM)進行聚類。該文采用全色圖像和合成孔徑雷達(synthe tic aperture radar,SAR)圖像進行驗證,并與使用單一類型的差異圖對比,結果表明,該方法由于利用差值圖相位保留了圖像中的弱變化信息,提高了檢測準確率,且由于利用對數比值圖幅值抑制了圖像中的噪聲,具有一定的抗噪性能。

遙感圖像;變化檢測;相位;差值圖;比值圖;模糊C均值(FCM)聚類

遙感是在遠離目標和非接觸目標物體條件下探測目標地物,獲取其反射、輻射或散射的電磁波信息(如電場、磁場、電磁波、地震波等信息),并進行提取、判定、加工處理、分析與應用的一門科學和技術。作為遙感應用研究的熱點,遙感圖像變化檢測技術發展迅速。遙感圖像變化檢測是指分析同一地區不同時期的遙感圖像從而確定地物變化信息的過程。目前遙感圖像變化檢測技術已被廣泛應用在國民經濟建設領域,如土地利用和土地覆蓋監測[1]、城鎮的變化分析、農作物的變化監測、地表植被的變化分析[2]、災害分析評估及天氣預報、地形勘探、地形測繪、海洋探測等[3]方面都已經有了許多成熟的應用。在國防軍事領域,如目標的偵查、監視與摧毀效果評估等[4]方面,遙感圖像變化檢測技術也發揮著重要作用。

變化檢測可被看作是將遙感圖像劃分為變化類與非變化類的分類問題。傳統的變化檢測算法可分為監督與非監督2類。監督變化檢測需要先標記含有變化區域真實值的樣本,用樣本集訓練分類器再進行變化檢測,常用的方法有決策樹、神經網絡、支持向量機(support vector machine,SVM)等;而非監督變化檢測直接利用2幅遙感圖像得到變化信息,常用的方法有聚類法、閾值法等。在實際應用中由于獲取先驗信息較難,且需要分析大面積區域,因此需要自動變化檢測技術以減少圖像手動分析工作,這使得非監督變化檢測比監督變化檢測研究的范圍更廣,本文采用非監督變化檢測。

非監督變化檢測方法主要分為圖像預處理、生成差異圖、差異圖分析與處理3個步驟[5]。其中,圖像預處理主要包括幾何校正與配準、大氣校正、輻射校正等。生成差異圖的方法有很多,常用的有差值法、變化向量分析法(change vector analysis,CVA)和比值法。差值法可保留弱變化區域的細節信息,但受噪聲影響較大;CVA可以利用遙感圖像多個波段的信息,當圖像為單波段時得到的差異圖與差值法相同;比值法可以在一定程度上抑制噪聲,卻會夸大低灰度區域的變化[6],如灰度值從3變到6與從100變到200在比值差異圖上是同樣的值,可見單一類型的差異圖存在檢測精度低以及適用范圍窄等問題。文獻[7]采用圖像融合方法構造差異圖,但該方法只適用單類圖像,不具有普遍性；文獻[8]將差值圖和比值圖線性組合,但濾波后圖像細節信息損失嚴重。差異圖分析與處理主要是將差異圖分為變化區域與非變化區域,傳統的方法有K均值(K-means)聚類[9]、模糊C均值(fuzzyC-means,FCM)聚類[10]、EM-Bayes[11]等。

針對上述傳統生成差異圖方法的不足,本文提出了一種基于差值圖相位和對數比值圖幅值組合的遙感圖像變化檢測方法。首先用差值法和對數比值法生成差異圖,然后進行傅里葉變換得到各圖的幅值和相位,將差值圖相位和對數比值圖幅值組合并進行傅里葉反變換生成新差異圖,最后用FCM進行聚類。差異圖組合不僅利用了圖像的幅值信息,還利用了圖像的相位信息,與使用單一類型差異圖的變化檢測方法相比,本文方法具有較好的抗噪性能,進一步提高了檢測準確率。

1 遙感圖像變化檢測

設X1和X2為已經過校正和配準的2幅在不同時刻從同一地區獲取的遙感圖像,大小均為M×N。采用基于差異圖組合的變化檢測主要分為如下3個步驟:

(1) 通過X1和X2構造差值圖和對數比值圖,得到2幅初始差異圖。

(2) 分別對差值圖和對數比值圖進行傅里葉變換,求得各差異圖的幅值與相位,并將差值圖相位和對數比值圖幅值進行組合,通過傅里葉反變換生成新差異圖。

(3) 對生成的新差異圖進行FCM聚類，獲得最終變化檢測結果。

具體實現流程如圖1所示。

圖1 基于差異圖組合的變化檢測流程

1.1 差值圖和對數比值圖

差值法和比值法是生成差異圖像的2種基本方法,分別通過對X1和X2逐像素相減和相除來獲得差異圖。文獻[12]提出使用對數比的方法構造差異圖,這是目前用比值法構造差異圖的主要采用形式,對數比值法就是對比值法取對數。

差值圖XS和對數比值圖XL的計算公式為:

XS=|X1-X2|

(1)

|lg(X2+1)-lg(X1+1)|

(2)

在求對數比值圖XL的過程中用Xi+1(i=1,2)代替Xi(i=1,2),避免Xi的值為0,使(2)式無意義。然后對差值圖XS、對數比值圖XL進行中值濾波,可以去除孤立的噪聲點并更好地保留邊緣信息。本文實驗中濾波窗口大小為3×3。

1.2 差異圖組合

差值法常用于光學遙感圖像差異圖的構造,得到的差值圖變化信息明顯,方便對弱變化信息進行更精確地檢測,但其對噪聲比較敏感,圖像中常含有很多噪聲點。而對數比值法常用于合成孔徑雷達(synthetic aperture radar,SAR)圖像差異圖的構造,這是由于SAR圖像中的相干斑噪聲為乘性噪聲,通過對數比值法不僅將乘性噪聲轉化為加性噪聲,還壓縮了圖像的變化范圍,削弱了噪聲的影響,然而對數比值法不能真實地反映低灰度區域的變化信息。由此可見,只利用單一類型差異圖的灰度信息會造成變化檢測精度低及方法適用范圍窄等問題。

綜合考慮上述因素,本文將差值圖和對數比值圖的相位信息運用到差異圖的構造中。相位體現了圖像的邊緣信息,并具有良好的穩定性[13-14]。差值圖幅值變化范圍大,變化區域邊緣的相位特征明顯,而對數比值圖幅值變化范圍小,噪聲幅值低,因此將差值圖相位與對數比值圖幅值組合不僅保留了圖像的弱變化信息,還抑制了噪聲的影響。

本文采用傅里葉變換獲得差值圖和對數比值圖的幅值和相位,并將差值圖相位和對數比值圖幅值組合通過傅里葉反變換生成新的差異圖。具體方法如下。

對差值圖XS和對數比值圖XL進行傅里葉變換,得到各圖的幅值和相位,即

(3)

X(ω)描述了x(t)的頻率結構,其指數形式為:

X(ω)=|X(ω)|ejφ(ω)

(4)

其中,|X(ω)|為幅值;φ(ω)為相位。由(4)式可得差值圖相位φS(ω)和對數比值圖幅值|XL(ω)|。將φS(ω)和|XL(ω)|組合,并對組合后的幅值和相位進行傅里葉反變換,計算公式為:

即可得到組合差異圖X。

1.3 模糊C均值聚類

得到組合差異圖X后,有多種方法可對其進行變化檢測,本文采用經典的FCM算法。

FCM是用隸屬度確定每個數據點屬于某個聚類程度的一種聚類算法。FCM把圖像xij分為C個模糊類,并求每類的聚類中心,使得目標函數達到最小。模糊劃分結果用隸屬矩陣U=[uij]表示,取值范圍為[0,1],加上歸一化規定,則一個數據集的隸屬度的和總是等于1，即

?j=1,…,n

(6)

FCM通過迭代和更新隸屬度矩陣U和聚類中心F使目標函數達到最小,其目標函數如下:

其中,uij介于0～1之間;Fi為模糊類i的聚類中心,dij=‖Fi-x(i,j)‖為第i個聚類中心與像素間的歐幾里德距離;且m∈[1,∞)是一個加權指數,通常取2。

FCM聚類過程如下:

(1) 采用值在0～1間的隨機數初始化隸屬矩陣U,使其滿足(6)式中的約束條件。

(2) 計算C個聚類中心Fi(i=1,…,C),即

(3) 根據(7)式計算目標函數。若它小于某個確定的閥值,或相對上次價值函數值的改變量小于某個閥值,則算法停止。

(4) 計算新的U矩陣,返回步驟(2)。計算公式為:

通過FCM將組合差異圖聚為2類,得到最終的變化檢測結果。

2 實驗結果與分析

本文選擇2組遙感圖像進行變化檢測,驗證本文算法的有效性,并與CVA[15]、差值法、對數比值法、小波融合法[7]和線性組合法[8]所構造的差異圖進行比較,然后用FCM聚類方法進行差異圖分析對比實驗,用誤檢數、漏檢數、總錯誤數、正確率和kappa系數作為評價指標[16]。

2.1 實驗數據描述

第1組實驗數據如圖2所示,為墨西哥地區的2幅Landsat7 ETM+第4波段圖像,時間分別為2000 年4 月和2002 年5 月,分辨率為512×512,發生變化的原因為火災。

圖2 墨西哥Landsat7 ETM+圖像

第2組實驗數據如圖3所示,為伯爾尼地區的2幅SAR圖像,時間為1999年4月和5月,分辨率為301×301,發生變化的原因為水災。

圖3 伯爾尼SAR圖像

2.2 變化檢測結果與分析

2.2.1 墨西哥地區變化檢測結果與分析

墨西哥地區5種對比方法生成的差異圖如圖4所示,各差異圖經過FCM聚類后的變化檢測結果如圖5所示。因為實驗采用單波段圖像,CVA與差值法得到的差異圖相同,變化檢測結果也相同,所以本文將其結果合并表示。由圖4和圖5可以看出,圖4a差值圖變化信息明顯,但含有較多噪聲,變化檢測結果中(見圖5a)有較多雜點;圖4b噪聲較少但變化信息的強度被抑制,因此圖5b中漏檢信息較多;圖4c和圖4d中變化信息得到了增強,但圖5c、圖5d圖像細節信息損失嚴重;而圖4e中本文算法由于利用差值圖相位與對數比值圖組合,變化信息比對數比值圖明顯,并且相對于差值圖噪聲灰度值較低,有效地保留了變化信息并抑制了噪聲的影響(見圖5e)。

墨西哥地區各方法變化檢測精度評價結果見表1所列。由于光學遙感圖像中的噪聲為加性噪聲,可以看出差值法檢測效果優于對數比值法,線性組合法檢測效果優于小波融合法;而本文方法利用對數比值圖幅值抑制噪聲降低了誤檢,又用差值圖相位保留弱變化信息提高了總體變化檢測精度,將檢測正確率、kappa系數分別提升到98.21%、0.891 7,相比于小波融合法和線性組合法具有更好的變化檢測結果。

圖4 墨西哥地區差異圖

圖5 墨西哥地區變化檢測結果

方法誤檢數漏檢數總錯誤數正確率/%kappa系數差值法+FCM16174118573597．810．8701比值法+FCM17066686839296．800．8010小波融合法+FCM28662482534897．960．8849線性組合法+FCM22562771502798．080．8902本文方法+FCM6394065470498．210．8917

2.2.2 伯爾尼地區變化檢測結果與分析

伯爾尼地區5種對比方法生成的差異圖如圖6所示,變化檢測結果如圖7所示。從圖6和圖7可以看出,圖6a差值圖突出了變化信息但含有較多噪聲,變化檢測結果中(見圖7a)有較多誤檢;圖6b和圖6d中變化信息較不明顯,使得圖7b、圖7d中存在較多漏檢;圖6c中變化信息得到了增強,但同時也增強了噪聲,在變化檢測結果中(見圖7c)含有一定的噪聲點;而圖6e中本文所得差異圖相對于對數比值圖和差值圖對噪聲具有更好的抑制性,同時提高了差異圖的可分性,經過FCM聚類后更好地削弱了噪聲的影響(見圖7e)。

圖6 伯爾尼地區差異圖

圖7 伯爾尼地區變化檢測結果

伯爾尼地區各方法變化檢測精度評價結果見表2所列。

表2 伯爾尼地區變化檢測結果

SAR圖像中的噪聲為乘性噪聲,可以看出對數比值法、小波融合法、線性組合法檢測效果遠好于差值法,而本文方法結合了差值圖相位和對數比值圖幅值的優勢,將變化檢測總錯誤數從568、551降低至542,與小波融合法、線性組合法相比更好地抑制了噪聲，且總錯誤數最少,將檢測正確率提升至99.40%,相比于其他方法更有效地提取出了變化信息。

3 結 論

綜合考慮差值法和對數比值法差異圖的優缺點,本文提出了一種基于差異圖組合的遙感圖像變化檢測算法。該方法對差值法和對數比值法生成的差異圖進行傅里葉變換,獲取各自的幅值和相位,并將差值圖相位和對數比值圖幅值進行組合生成新的差異圖,而后利用FCM聚類得到最終變化檢測結果。相位信息被運用到差異圖的生成中,差值圖變化區域邊緣的相位特征明顯,對數比值圖噪聲幅值低,兩者組合更好地保留了變化區域,并抑制了噪聲的影響。從2組不同類型實驗的精度評價效果來看,差異圖組合的變化檢測精度優于小波融合法及線性組合法差異圖,具有較好的抗噪性能,方法適用范圍更廣。

[1] EL-KAWY O R A,ROD J K,ISMAIL H A,et al.Land use and land cover change detection in the western Nile delta of Egypt using remote sensing data[J].Applied Geography,2011,31(2):483-494.

[2] VARSHNEY A.Improved NDBI differencing algorithm for built-up regions change detection from remote-sensing data:an automated approach[J].Remote Sensing Letters,2013,4(5):504-512.

[3] LHERMITTE S,VERBESSELT J,VERSTRAETEN W W,et al.A comparison of time series similarity measures for classification and change detection of ecosystem dynamics[J].Remote Sensing of Environment,2011,115(12):3129-3152.

[4] CARLOTTO M J.A cluster-based approach for detecting man-made objects and changes in imagery[J].IEEE Transactions on Geoscience and Remote Sensing,2005,43(2):374-387.

[5] BRUZZONE L,PRIETO D F.An adaptive semiparametric and context-based approach to unsupervised change detection in multitemporal remote-sensing images[J].IEEE Transactions on Image Processing,2002,11(4):452-466.

[6] GONG M,ZHOU Z,MA J.Change detection in synthetic aperture radar images based on image fusion and fuzzy clustering[J].IEEE Transactions on Image Processing,2012,21(4):2141-2151.

[7] MA J,GONG M,ZHOU Z.Wavelet fusion on ratio images for change detection in SAR images[J].Geoscience and Remote Sensing Letters,2012,9(6):1122-1126.

[8] ZHENG Y,ZHANG X,HOU B,et al.Using combined difference iImage and-means clustering for SAR Image change detection[J].Geoscience and Remote Sensing Letters,2014,11(3):691-695.

[9] YETGIN Z.Unsupervised change detection of satellite images using local gradual descent[J].IEEE Transactions on Geoscience and Remote Sensing,2012,50(5):1919-1929.

[10] GHOSH A,MISHRA N S,GHOSH S.Fuzzy clustering algorithms for unsupervised change detection in remote sensing images[J].Information Sciences,2011,181(4):699-715.

[11] HAO M,SHI W,ZHANG H,et al.Unsupervised change detection with expectation-maximization-based level set[J].Geoscience and Remote Sensing Letters,2014,11(1):210-214.

[12] DEKKER R J.Speckle filtering in satellite SAR change detection imagery[J].International Journal of Remote Sensing,1998,19(6):1133-1146.

[13] KOVESI P.Phase congruency detects corners and edges[C]//The Interrational Conference on Digital Imoge Computer:Techniques and Applications.[S.l.]:The Australian Pattern Recognition Society Conference,2003:309-318.

[14] KOVESI P.Image features from phase congruency[J].Journal of Computer Vision Research,1999,1(3):1-26.

[15] SHI W,SHAO P,HAO M,et al.Fuzzy topology-based method for unsupervised change detection[J].Remote Sensing Letters,2016,7(1):81-90.

[16] ROSENFIELD G H,FITZPATRICK-LINS K.A coefficient of agreement as a measure of thematic classification accuracy[J].Photogrammetric Engineering and Remote Sensing,1986,52(2):223-227.

Changedetectionforremotesensingimagesbasedoncombineddifferenceimage

JIANG Huanhuan, YANG Xuezhi, DONG Zhangyu, HU Zhiyong

(School of Computer and Information, Hefei University of Technology, Hefei 230009, China)

In view of the fact that the traditional difference image has poor noise immunity and low detection accuracy, a change detection algorithm based on combined difference image(CDI) is presented for remote sensing images. The subtraction operator and the log ratio operator are used to generate two kinds of difference images. Then the combination of the phase of the subtraction difference image and the amplitude of the log ratio difference image obtained by Fourier transform is processed by inverse Fourier transform to generate CDI. Finally, the change detection image is achieved by clustering CDI using fuzzyC-means(FCM) clustering algorithm. Experiments on panchromatic image and synthe tic aperture radar(SAR) image are conducted and the results show that the proposed method has certain anti-noise performance and improves the detection accuracy when compared with those based on single difference image, for that the phase of the subtraction operator can preserve the weak change signals and the amplitude of the log ratio operator can combat noise.

remote sensing image; change detection; phase; subtraction difference image; log ratio difference image; fuzzyC-means(FCM) clustering

2016-09-08；

2016-11-15

國家自然科學基金資助項目(61371154;61271381;61503111);中國科學院流域地理學重點實驗室開放基金資助項目(WSGS2015009)和中央高校基本科研業務費專項資金資助項目(2014HGBZ0362;2015HGQC0193;JZ2016HGTA0704)

姜歡歡(1990-),女,黑龍江綏化人,合肥工業大學碩士生;

楊學志(1970-),男,安徽合肥人,博士,合肥工業大學教授,博士生導師,通訊作者，E-mail:xzyang@hfut.edu.cn.

10.3969/j.issn.1003-5060.2017.12.007

TP751.1

A

1003-5060(2017)12-1614-06

(責任編輯胡亞敏)