基于多特征融合的遙感影像變化檢測算法

王光輝， 李建磊， 王華斌， 楊化超

(1.國家測繪地理信息局衛星測繪應用中心，北京 100830； 2.中國礦業大學(徐州)，徐州 221116)

0 引言

隨著空間信息技術的飛速發展，遙感影像的空間分辨率、光譜分辨率和時間分辨率不斷提高，其獲取的地表信息更加豐富，應用領域越來越廣。如何利用高空間分辨率遙感圖像豐富的地物細節信息，并抑制成像條件與自然條件帶來的信息干擾，是目前遙感影像變化檢測研究中倍受關注的問題。傳統的單像素、單一特征的變化檢測算法已經不能滿足變化目標檢測的準確性和完整性[1]，面向對象多特征融合的變化檢測算法[2-3]已成為高空間分辨率遙感變化檢測研究領域的熱點。

由影像派生的多特征是變化檢測信息的載體，主要包括光譜、邊緣和紋理等特征。利用影像對象特征進行多時相變化檢測時傳統的變化檢測算法選用單一特征，如Bovolo等[4]采用像斑均值信息進行變化檢測； 莊會富等[5]提出基于紋理特征的影像變化檢測算法，通過多方向、多個紋理特征構建差異影像提高了變化檢測的精度； 李松等[6]提出結合紋理分析與比率變換的變化檢測算法，通過分析紋理特征，統計紋理的指標，有效地識別出滑坡災害信息； 鐘家強等[7]提出線特征變化檢測算法，通過提取影像的邊緣梯度信息、壓縮、擬合等處理，獲得變化檢測結果，避免了線匹配的復雜過程，具有較強的實用性。雖然以上的算法都從不同的角度驗證特征的有效性和可用性，但單一特征模型的適用性和精度并不理想。劉臻等[8]利用梯度和紋理相似度進行變化檢測； 李亮等[9]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； 魏立飛等[10]提出應用多特征流行嵌入模型，充分綜合多特征的信息，獲得了完整的變化信息。但上述多特征融合方法多采用光譜與紋理的特征，未能考慮顏色的空間分布信息以及影像的邊緣特征。

鑒于上述情況，本文通過研究不同特征的特點，提出多特征自適應融合的變化檢測方法，以影像對象的顏色直方圖為依據，通過統計顏色直方圖、邊緣直線梯度直方圖的最大概率差別自適應確定權值，實現顏色特征與邊緣直線特征的自適應加權組合，為下一步變化強度閾值的選取做準備。

1 基于多特征融合的變化檢測

為了充分利用遙感圖像的顏色空間分布信息以及邊緣直線梯度特征，本文提出一種基于面向對象思想的多特征融合變化檢測方法。首先，運用多尺度分割算法(multi-solution segmentation)獲得影像對象，并統計影像對象的顏色直方圖和邊緣直線梯度直方圖信息； 然后，利用推土機距離(earth mover’s distance， EMD)計算不同時相影像對象之間的顏色距離和邊緣直線距離，并自適應加權顏色距離和邊緣直線距離，獲得對象的異質性，對象的異質性越接近于0變化可能性越低，遠離0則變化可能性越高； 最后，基于以上理論采用直方圖曲率分析獲得像斑的變化檢測結果。

具體變化檢測流程見圖1。

圖1 變化檢測流程

1.1 多尺度影像分割

影像分割是面向對象影像分析的基礎，其結果將對后續的分析產生重要的影響[11]。本文選用多尺度分割算法[12]，通過計算各波段的形狀與光譜異質性的特征值，根據各個波段信息自適應確定權重，進行迭代運算，直到影像對象的形狀和光譜的綜合加權值大于給定的閾值時停止迭代，完成影像的多尺度分割。對于任意波段的影像i，其異質性fi為

fi=ωihcolor+(1-ωi)hshope,

(1)

hshope=(1-ωsm)hcm+ωsmhsm,

(2)

式中：ωi為第i波段光譜異質性hcolor的權重；hshope為形狀異質性，通過形狀平滑度的權重ωsm、形狀平滑度hsm和形狀緊湊度hcm確定。

1.2 顏色和邊緣直線特征提取

直方圖是一種空間統計特征，顏色和邊緣直線梯度直方圖能較好地表達對象的空間特征分布情況，為下一步計算前后2期差異提供依據。本文采用影像對象的顏色直方圖和邊緣直線梯度直方圖來描述不同時相影像對象的光譜特征和空間特征。

1.2.1 顏色特征提取

顏色作為影像上一種直觀顯著的重要視覺特征，對影像的形態、大小、方向和視角依賴較小。竇建軍等[13]曾將全局顏色直方圖應用于圖像檢索領域。常用的RGB模型都存在以下不足： ①不符合人對顏色的感知心理； ②在顏色感知上存在較小差異的2個點，難以在非均勻分布的RGB顏色空間中以2個點來表示。HSV顏色空間是面向視覺感知的模型，符合人眼感知的色調、亮度和飽合度3要素，能更好地模擬人工變化檢測的過程，因此能更好地用于提取顏色特征。顏色直方圖的提取主要包括2步： ①RGB模型與HSV模型轉換； ②HSV的量化。

首先，RGB模型轉換成HSV模型，具體公式為

(3)

(4)

(5)

(6)

式中：R，G和B分別為紅光、綠光和藍光波段影像。經過HSV顏色變換，影像上的每一個像素點都可以用H，S和V來表示； 然后，依據人眼對顏色感知的特性，對HSV 3分量均勻量化，將H，S和V分別空間量化為8，5和5份； 最后，統計獲得影像對象的顏色直方圖。

1.2.2 邊緣直線特征提取

高空間分辨率遙感圖像紋理比較豐富，采用canny，soble和lapace等算子可以直接提取低矮建筑物區的邊緣，但邊緣比較瑣碎，難以表達影像對象的特征。本文采用line segment detector算子[14]檢測遙感圖像中幾何形狀明顯的目標。由于直線區域的灰度通常是不連續的，直線上每一像素對應一個梯度方向，基于直線像素點的梯度方向建立的直方圖能夠表示影像對象的形狀特征，對于發生變化的對象能很好地反映前后2期的差異。對于影像上點(x,y)處f(x,y)的梯度定義為

(7)

梯度是一個矢量，其大小和方向為

(8)

θ(x,y)=arctan (Gy/Gx) ,

(9)

式中θ(x,y)為f(x,y)在該點的灰度變化最大的方向。根據直線像素點方向統計直線梯度方向直方圖H(i)。直線梯度直方圖表征影像對象直線取向的分布特征，不同時相變化的影像對象具有不同的直線分布。

1.3 直方圖距離

(10)

1.4 相似性自適應組合

顏色特征與邊緣直線特征的組合是實現多特征融合的關鍵之一，常用方法為加權組合。設DHSVEMD和DLINEEMD分別為顏色相似度和邊緣直線相似度，ωhsv和ωline分別為對應的權重，則顏色和邊緣直線的加權組合為

DIS=ωhsvDHSVEMD+ωlineDLINEEMD。

(11)

其中ωhsv和ωline的確定成為特征融合的關鍵問題。顏色和邊緣直線權重的確定主要依賴如下準則： 在顏色主導的區域，顏色的權重較大，否則邊緣直線權重較大。針對遙感影像分割中光譜和紋理特征，許多研究者提出了自動加權方法[9-16]，然而由于權重的確定過于復雜，方法難以推廣。

為此，本文提出一種自適應的權重確定方法。根據統計計算前后2期對象的顏色直方圖和直線梯度直方圖動態調整顏色和邊緣直線特征的權重。首先，計算前后2期對象的顏色直方圖和直線梯度直方圖； 然后，以直方圖所表達的信息動態調整權重。對于顏色比較單一的區域，顏色值會比較集中分布在某幾個值附近，使得直方圖中最大概率的值比較大； 對于邊緣直線特征比較明顯的對象，邊緣直線梯度直方圖差別就比較大。如圖2所示，圖2(a)中2個方框區域2013年為植被區域，圖2(b)中2015年已被建設成道路。圖2(c)和(d)分別為2013年和2015年的顏色直方圖和邊緣直線梯度直方圖，可以看出2個區域2 a間的直線梯度直方圖相接近，但是顏色直方圖存在較大的差異。

(a)2013年 (b) 2015年 (c) 顏色直方圖 (d) 直線梯度直方圖

圖2顏色主導區域

Fig.2Areaofcolordominate

圖3(a)中2個方框區域2013年為裸地區域，2015年該區域已建為建筑物(圖3(b))。圖3(c)和圖3(d)分別為2013年和2015年的顏色直方圖和邊緣直線梯度直方圖，可以看出2個區域2 a間的顏色直方圖相接近，但是直線梯度直方圖存在較大的差異。

(a) 2013年 (b) 2015年 (c) 顏色直方圖 (d) 直線梯度直方圖

圖3邊緣直線主導區域

Fig.3Areaofedgelinedominate

通過以上分析，當前后2期的顏色差別較大時，顏色直方圖的最大概率差別也較大； 當前后2期的邊緣直線特征差別比較大時，直線梯度直方圖的最大概率差別也就較大。據此，根據顏色直方圖和直線梯度直方圖的差別情況自適應地設置顏色與邊緣直線權重，即

k1=abs[max(hsvt1)-max(hsvt2)] ,

(12)

k2=abs[max(linet1)-max(linet2)] ,

(13)

式中max(hsv)和max(line)分別為顏色直方圖和直線梯度直方圖的最大概率值。

顏色直方圖的最大概率值一定程度上反映了顏色信息。因此當顏色信息占主導時，顏色權重應適當增大，反之顏色權重應適當減小。顏色權重的表達式為

(14)

1.5 直方圖曲率分析

令所有對象異質性值的集合為D={D1，D2，…，Dn}，異質性值接近0，表示圖像變化可能性越小； 越遠離0值地區，則變化的可能性越大。影像上大部分是沒有發生變化的，則異質性直方圖是逐漸遞減的一種形態。本文采用異質性直方圖曲率分析(histogram curvature analysis，HCA)方法確定變化檢測閾值，該方法自適應能力較強。

影像對象的異質性值呈現出單側正態分布趨勢，且對象中變化區域和非變化區域的異質性往往會有很明顯的差異，通過分析直方圖的曲率可以確定變化檢測的閾值。依據微積分基本原理，曲率值越小表示曲線的彎曲程度比較緩，曲線發生突變的可能性就越小； 而對于離散數據其曲率值k可近似表達為

(15)

式中f(i)為第i個位置對應的頻率值。取k最大值對應的i作為變化檢測的最優閾值，實現最終變化區域的提取。

2 結果與討論

2.1 實驗數據

實驗數據采用蘇州市某城區的2013年和2015年資源三號衛星遙感影像，尺寸大小為1 800像素×1 420像素，空間分辨率為2.1 m，由藍光、綠光、紅光和近紅外4個波段組成； 影像已經經過影像配準和直方圖匹配等預處理。實驗數據如圖4所示。

(a) 2013年 (b) 2015年

圖4蘇州市某城區影像

Fig.4SuzhouCityimages

2.2 實驗分析

實驗采用多尺度分割算法對配準和直方圖匹配后的多時相遙感影像進行分割，獲得具備光譜和形狀同質性的對象。最優分割尺度根據經驗和知識確定； 形狀因子參與形狀一致度的權重，最優的形狀因子能夠得到合理邊界的影像對象； 緊致度表示影像對象的規則程度，緊致度過大則分割后影像地物不唯一，出現不純凈的對象。最終確定分割參數分別為： ①分割尺度為100、形狀因子為0.45、緊致度為0.5； ②分割尺度為80、形狀因子為0.5、緊致度為0.64。然后將前后2個時期的分割結果進行疊加生成最終的矢量文件如圖5(a)所示。圖5(b)為標準變化檢測結果，其中黑色表示未變化區域，白色表示變化區域。為了驗證多特征融合算法的有效性，將單一特征、固定權重算法同本文算法進行了比較，檢測結果如圖6所示。圖6中橢圓為虛檢區域，矩形為漏檢區域。6種變化檢測結果的精度評定如表1所示。

(a) 分割結果 (b) 標準變化檢測結果

圖5分割結果及標準檢測結果

Fig.5Segmentationandstandarddetectionresults

(a)ωhsv=1，ωline=0 (b)ωhsv=0.7，ωline=0.3 (c)ωhsv=0.5，ωline=0.5

(d)ωhsv=0.3，ωline=0.7 (e)ωhsv=0，ωline=1(f) 本文檢測結果

圖6 不同權重變化檢測結果Fig.6 Different weight results of change detection表1 不同權重變化檢測結果精度比較Tab.1 Accuracy comparison by methods with different weights

分析圖6可以得出如下結論： 圖5(a)僅利用顏色特征進行變化檢測，存在較多的虛檢和一定的漏檢。圖5(e)僅利用邊緣直線特征進行變化檢測，漏檢現象比較嚴重。利用顏色特征與邊緣直線特征加權進行變化檢測，當顏色權重為0.7時，雖然部分圖5(b)中虛檢部分被標記為未變化，但仍存在一定的漏檢現象； 當顏色權重與邊緣直線權重都為0.5時，圖5(c)也存在較多的漏檢和虛檢； 當顏色權重為0.3時，與圖5(b)和(c)相比虛檢有所下降，但是漏檢增加； 利用本文算法進行變化檢測，圖5(f)變化區域的識別仍然存在虛檢和漏檢，但虛檢率和漏檢率比固定權重有所降低。

文獻[9]與文獻 [16]都采用了光譜特征與紋理特征融合，依據像斑灰度的標準差自適應確定閾值，其精度與本文精度的對比如表2所示。由于不同時期遙感影像存在太陽高度角、光照條件和季節等因素不同程度的影響，使得不同地物在影像上具有不同的灰度值，而紋理特征僅反映地物結構信息，無法作為區分不同地物的主要依據，故實驗結果表明，本文采用光譜特征與幾何特征的變化檢測精度最高。

表2 不同變化檢測算法精度比較Tab.2 Accuracy comparison of different methodsof change detection

3 結論

基于面向對象的分析思想，本文提出了一種多特征融合的遙感影像變化檢測算法。實現了顏色特征與邊緣直線特征的自適應加權組合，為融合HSV顏色直方圖與邊緣直線梯度直方圖進行變化檢測提供了一種思路。采用直方圖曲率分析獲得像斑的變化檢測結果，實現了變化檢測最優閾值的自動確定。實驗結果表明，該方法依據像斑的光譜信息，充分、有效地挖掘和融合了影像多特征的檢測優勢，降低了虛檢率和漏檢率，提高了變化檢測的正確率。為了進一步提高變化檢測的精度，后繼研究將在本文基礎上，引入紋理和形狀等特征信息。

參考文獻(References)：

[1] 魏立飛,鐘燕飛,張良培,等.遙感影像融合的自適應變化檢測(英文)[J].遙感學報,2010,14(6):1196-1211.

Wei L F,Zhong Y F,Zhang L P,et al.Adaptive change method of remote sensing image fusion[J].Journal of Remote Sensing,2010,14(6):1196-1211.

[2] Gong J Y,Sui H G,Sun K M,et al.Object-level change detection based on full-scale image segmentation and its application to Wenchuan Earthquake[J].Science in China Series E:Technological Sciences,2008,51(S2):110-122.

[3] Zhang G,Li Y,Li Z J.A new approach toward object-based change detection[J].Science China Technological Sciences,2010,53(S1):105-110.

[4] Bovolo F,Bruzzone L,Marconcini M.A novel approach to unsupervised change detection based on a semisupervised SVM and a similarity measure[J].IEEE Transactions on Geoscience and Remote Sensing,2008,46(7):2070-2082.

[5] 莊會富,鄧喀中,范洪冬.紋理特征向量與最大化熵法相結合的SAR影像非監督變化檢測[J].測繪學報,2016,45(3):339-346.

Zhuang H F,Deng K Z,Fan H D.SAR images unsupervised change detection based on combination of texture feature vector with maximum entropy principle[J].Acta Geodaetica et Cartographica Sinica,2016,45(3):339-346.

[6] 李 松,李亦秋,安裕倫.基于變化檢測的滑坡災害自動識別[J].遙感信息,2010(1):27-31.

Li S,Li Y Q,An Y L.Automatic recognition of landslides based on change detection[J].Remote sensing Information,2010(1):27-31.

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

Zhong J Q,Wang R S.Multitemporal remote sensing image change detection based on adaptive parameter estimation[J].Acta Geodaetica et Cartographica Sinica,2005,34(4):331-336.

[8] 劉 臻,宮 鵬,史培軍,等.基于相似度驗證的自動變化探測研究[J].遙感學報,2005,9(5):537-543.

Liu Z,Gong P,Shi P J,et al.Study on change detection automatically based on similarity calibration[J].Journal of Remote Sensing,2005,9(5):537-543.

[9] 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.

Li L,Shu N,Wang K,et al.Change detection method for remote sensing images based on multi-features fusion[J].Acta Geodaetica et Cartographica Sinica,2014,43(9):945-953.

[10] 魏立飛,王海波.基于MSE模型的高分辨率遙感圖像變化檢測[J].光譜學與光譜分析,2013,33(3):728-732.

Wei L F,Wang H B.Change detection from high-resolution remote sensing image based on MSE model[J].Spectroscopy and Spectral Analysis,2013,33(3):728-732.

[11] 巫兆聰,胡忠文,張 謙,等.結合光譜、紋理與形狀結構信息的遙感影像分割方法[J].測繪學報,2013,42(1):44-50.

Wu Z C,Hu Z W,Zhang Q,et al.On combining spectral,textural and shape features for remote sensing image segmentation[J].Acta Geodaetica et Cartographica Sinica,2013,42(1):44-50.

[12] 陳云浩,馮 通,史培軍,等.基于面向對象和規則的遙感影像分類研究[J].武漢大學學報(信息科學版),2006,31(4):316-320.

Chen Y H,Feng T,Shi P J,et al.Classification of remot sensing image based on object oriented and class rules[J].Geomatics and Information Science of Wuhan University,2006,31(4):316-320.

[13] 竇建軍,文 俊,劉重慶.基于顏色直方圖的圖像檢索技術[J].紅外與激光工程,2005,34(1):84-88.

Dou J J,Wen J,Liu C Q.Histogram-based color image retrieval[J].Infrared and Laser Engineering,2005,34(1):84-88.

[14] Von Gioi R G,Jakubowicz J,Morel J M,et al.LSD:A line segment detector[J].Image Processing on Line,2012,2:35-55.

[15] 韓 華,曹 偉,龔 濤.目標再確認中基于推土機距離的關聯度建立[J].華中科技大學學報(自然科學版),2015,43(s1):435-439.

Han H,Cao W,Gong T.The establishment of correlative degree in target re-identification based on earth mover’s distance[J].Huazhong University of Science and Technology(Natural Science Edition),2015,43(s1):435-439.

[16] Wang A P,Wang S G,Lucieer A.Segmentation of multispectral high-resolution satellite imagery based on integrated feature distributions[J].International Journal of Remote Sensing,2010,31(6):1471-1483.