基于多特征融合的FCM面向對象變化檢測?

劉 戰杜久升馬登燦

（1.河南理工大學測繪與國土信息工程學院 焦作454000）（2.浙江交工集團股份有限公司 杭州310000）

1 引言

利用遙感影像的變化檢測技術提取目標區域的變化信息，為環境、城市規劃、農業、國防等領域提供支持，一直是遙感影像處理的研究熱點［1~3］。面對高分辨率遙感影像，基于像素的傳統變化檢測方法不再適合，研究適用于高分辨率遙感影像的變化檢測方法有著重要的意義。

與中低分辨率影像相比，高分辨率遙感影像地物細節信息更豐富，但在傳統的面向像素方法下，這些細節信息往往不會得到有效利用，反而會干擾變化檢測的結果。傳統方法對地物形狀、結構等信息的分析很少涉及，這也成為制約遙感應用的主要瓶頸之一［4~5］。面向對象的變化檢測方法應運而生。目前，已有許多學者對面向對象的變化檢測方法做了研究，并且在研究應用取得了一定的進展。

Bovolo［6］等提出基于像斑的變化向量分析方法，研究表明高分辨率遙感影像豐富的地物細節信息、“同譜異物”現象嚴重，利用單一類別特征進行變化檢測很難獲得滿意的檢測精度。杜培軍［7］等利用一維特征空間加權距離相似度運算、多維特征空間的模糊集融合和支持向量機融合策略進行變化檢測，有效集成了不同特征的優勢與表征變化信息的能力，提高了變化檢測過程的穩定性和適用性。徐俊峰［8］等通過SVM將多種特征進行有效集成，構造了較為穩定和適用的變化檢測模型，通過對不同時相的航空影像與衛星影像進行實驗，驗證了該方法對多源遙感影像的變化檢測是有效的。李亮［9］等通過自適應方法，借助光譜距離與紋理距離構建像斑的異質性，最終結合EM算法和貝葉斯最小錯誤率理論獲取像斑的變化以及非變化類別，該方法能夠充分融合光譜特征和紋理特征，從而提高變化檢測的精度。Li［10］等提出了一種結合宏觀和微觀紋理特征的多紋理變化檢測方法，通過集成微觀紋理和宏觀紋理，使用RF和模糊集合模型的紋理組合可以進一步提高變化檢測的準確性。但總地來說，在特征融合時并沒有考慮各個特征的權重，從而導致主要特征、次要特征以及無用特征無法在變化檢測中體現出來。

無論是單一特征還是多特征直接加權進行變化檢測，都容易受到各種因素的影響，對變化檢測精度有較大的影響，因此本文根據多特征的權重進行融合，在此基礎上提出面向對象的FCM多特征加權融合變化檢測方法。

2 論文方法介紹

2.1 變化檢測流程

本文以多尺度分割技術獲取像斑，并以此為變化檢測的分析基礎。在選取了最佳的分割尺度的基礎上進行變化檢測，基本流程如圖1所示。

圖1 融合多特征的加權FCM面向對象變化檢測流程圖

2.2 對象的特征提取

2.2.1 紋理特征

紋理是對圖像各像元之間空間分布的一種描述，是描述與識別圖像的重要依據。提取紋理特征的方法很多，如基于局部統計特性的特征、基于隨機場模型的特征、基于空間頻率的特征、分形特征等［11］。本文主要介紹Gabor小波紋理特征與灰度共生矩陣（GLCM）特征并將兩種特征和光譜特征融合進行遙感影像變化檢測。Gabor函數本質上是復正弦調制的高斯核函數［12］，可以在給定區域內提取出局部的頻域特征。一個典型的2-D Gabor變換是一種二維連續的小波變換，可以在不同尺度不同方向上提取影像的紋理特征［13~14］。GLCM是通過計算灰度圖像的共生矩陣，得到矩陣的部分特征值用來代表圖像的部分紋理特征?；叶裙采仃嚹芊从硤D像灰度關于方向、相鄰間隔、變化幅度等綜合信息，它是分析圖像的局部模式和排列規則的基礎［15］。通常用方差、能量、熵、相關性等特征量來表示紋理特征。

2.2.2 變化檢測的特征的權重計算與特征選擇

遙感影像包含紋理、空間、光譜等特征，但不是所有的特征都能應用于變化檢測，有些特征反而會影響到變化檢測的精度，通常把這些特征稱為無用特征。因此增加有用特征的權重、盡量降低無用特征的權重，可以提高變化檢測的精度。

Relief［16］算法最初針對于兩類數據的分類問題，是一種特征權重算法，根據各個特征和類別的相關性賦予特征不同的權重，權重小于某個閾值的特征將被剔除。在Relief算法中特征和類別的相關性取決于特征對近距離樣本的區分能力。算法從訓練集D中隨機選擇一個樣本R，然后從和R同類的樣本中尋找最近鄰樣本H，稱為Near Hit，從與R異類的樣本中尋找最近鄰樣本M，稱為Near Miss，然后根據以下規則更新每個特征的權重：如果R和Near Hit在某個特征上的距離小于R和Near Miss上的距離，則說明該特征對區分同類和異類的最近鄰是有益的，則增加該特征的權重；反之，如果R和Near Hit在某個特征的距離大于R和Near Miss上的距離，說明該特征對區分同類和異類的最近鄰起負面作用，則降低該特征的權重［17］。以上過程重復m次，最后得到各個特征權重。特征的權重越大，表示該特征的分類能力越強，反之，表示該特征分類能力越弱。

基于Relief算法的特征選取的實現如下所示。

1）對參與變化檢測的各個特征的權重初始化為0；

2）依次尋找各個樣本的最鄰近樣本和異類樣本，計算樣本與同類樣本的和異類樣本的特征距離，根據樣本的特征距離跟新特征的權重；本文采用差值特征型距離，其計算如下：

3）根據特征權重值的排序，刪除權重值小于閾值的特征；

4）對其余的特征權重值進行歸一化處理并輸出。

2.2.3 加權FCM

模糊C均值（Fuzzy C-means，FCM）聚類方法，屬于基于目標函數的模糊聚類算法的范疇。在遙感影像分割后，假設所有分割的對象特征值X={xi，i=1，2，3…n}構成D維空間中的N個向量的集合，將N個向量劃分成M個模糊組，其中隸屬度矩陣UN×M表示各個對象屬于某個類別的隸屬度，如uij表示i對象屬于第j類別的隸屬度，uij滿足如下條件：

FCM的基本思想是類內之間的加權誤差平方和最小，即為

其中vj表示聚類的中心，xi為第i個分割對象的特征，M為聚類的類別數量，l為加權指數且，它是一個控制算法的柔性的參數，如果l過大，則聚類效果會很差，而如果m過小則算法會接近k均值聚類算法，一般取l=2。

傳統FCM分類方法中各個特征是等權重這樣就不能體現不同特征在面向對象遙感分類過程中的差異。在Relief算法分析了對象特征對變化檢測結果的重要性之后，確定了各個特征在變化檢測的權重，根據特征的權重，對FCM的目標函數J進行改進，將測度距離從大多數的歐式距離、馬氏距離變為加權的歐式距離，計算方式如下：

其中xid為對象i的第d個特征值，vjd為第j個聚類中心第d個特征的值，wd為第d個特征的權重。改進后的FCM中目標函數J為

目標函數J達到最小的必要條件為

3 實驗與分析

為了驗證本文算法的有效性，利用不同時相的兩幅影像進行實驗：實驗影像以河南省鄭州市2015年7月 和2016年7月 的500*500大 小的GF-2影像為例。經過預處理的影像如圖2所示。

圖2 實驗遙感影像

首先對兩幅影像進行多尺度分割，根據分割對象內部異質性質性最小，選取多個尺度進行實驗，結果如圖3所示。

圖3 不同尺度下的異質性

圖4 分割結果

利用上文的分割結果，分別提取遙感影像的Gabor紋理和GLCM紋理，紋理提取的過程中，選擇width為5，direction為12構建60個Gabor濾波器，一個波段即可提取60個紋理信息，由于各個波段之間的Gabor紋理特征具有相似性，本實驗選取的T1時期影像和T2時期影像特征如圖5所示。

圖5 T1、T2時期影像紋理特征

為了驗證FCM加權算法的有效性，本實驗進行了三組實驗：1）單獨利用某一特征的差異進行變化檢測；2）直接加權融合的變化檢測；3）通過加權的FCM算法進行多特征融合變化檢測。實驗結果如圖6所示。

圖6 單一特征的變化檢測結

常用的變化檢測評價指標有虛檢誤差、漏檢誤差和總體精度，該實驗中采用以上三種精度評價指標。變化檢測精度如表1所示。

圖7 直接加權融合的變化檢測

圖8 FCM加權融合的變化檢測結果

表1 變化檢測精度評價表

通過上表的精度評價結果可知：單獨使用光譜特征、Gabor、GLCM進行變化檢測的結果總體精度分別為0.9235、0.9286、0.9049，直接對光譜特征和Gabor加權的總體精度為0.9430，直接對光譜和GL?CM進行加權的變化檢測的總體精度為0.9352，直接對GLCM和Gabor加權的變化檢測的總體精度為09386，直接對三種特征進行加權的變化檢測的總體精度為0.9587；通過對特征加權之后，變化檢測的總體精度有所提高。加權的FCM融合光譜特征和Gabor紋理特征的變化檢測的總體精度為0.9488，加權FCM融合光譜特征和GLCM特征的變化檢測的總體精度為0.9479，加權FCM融合GLCM紋理特征和Gabor紋理特征的變化檢測的總體精度為0.9436，加權的FCM融合三種特征的差異進行變化檢測的總體精度為0.9625。兩兩FCM加權融合的變化檢測的總體精度高于直接加權的變化檢測的總體精度，而加權的FCM融合三種特征差異的變化檢測是所有變化檢測中精度最高的，達到0.9625。

4 結語

本文針對高分辨率的遙感影像提出了一種基于面向對象的變化檢測方法。采用多尺度分割算法對影像進行多尺度分割，在選取最佳尺度的基礎上實現了光譜特征和紋理特征的FCM加權融合，并以鄭州市高分影像為例驗證該方法的有效性。通過比較發現，整體上無論采用那種特征融合方式，都比單一特征的變化檢測精度高，利用加權FCM融合三種特征的變化檢測精度都比兩兩特征加權融合的精度高，說明特征的差異融合，實現了有效特征的信息互補，提高了變化檢測的總體精度?；诙嗵卣魅诤系腇CM變化檢測方法可以使豐富的高分辨遙感影像更加有效地應用。