融合IR-MAD與超像素分割的遙感影像變化檢測(cè)方法

何 莉

(甘肅省測(cè)繪工程院,甘肅 蘭州 730000)

0 引言

遙感影像變化檢測(cè)指通過(guò)前后時(shí)期同一覆蓋區(qū)域的遙感影像數(shù)據(jù),確定地物變化區(qū)域[1-2]。該技術(shù)被廣泛應(yīng)用在地理國(guó)情監(jiān)測(cè)、國(guó)土資源普查、土地信息變更等領(lǐng)域。

常用的變化檢測(cè)方法主要有影像代數(shù)法、主成分分析法、變化向量分析法等。由于遙感影像數(shù)據(jù)間存在大量噪聲以及波段數(shù)據(jù)間存在冗余數(shù)據(jù),導(dǎo)致提取結(jié)果存在嚴(yán)重“椒鹽噪聲”現(xiàn)象。文獻(xiàn)[3]采用變化向量分析方法,該方法利用不同波段差值構(gòu)建差異影像,采用期望最大化算法(expectation-maximum,EM)確定變化檢測(cè)閾值,提取遙感影像變化區(qū)域,但不同波段數(shù)據(jù)間數(shù)據(jù)存在大量冗余導(dǎo)致檢測(cè)效率太低。為了減少噪聲以及不同波段數(shù)據(jù)間相關(guān)性對(duì)變化檢測(cè)精度的影響,文獻(xiàn)[4]采用主成分分析方法減少波段間數(shù)據(jù)冗余問(wèn)題,以提高變化檢測(cè)精度,但該方法對(duì)單景遙感影像進(jìn)行主成分分析,沒(méi)有考慮不同時(shí)相遙感影像數(shù)據(jù)冗余問(wèn)題。為了充分消除原始影像內(nèi)部波段以及不同時(shí)相影像間的波段相關(guān)性問(wèn)題,文獻(xiàn)[5]將多元變化檢測(cè)方法引入遙感影像變化檢測(cè)處理領(lǐng)域,該方法對(duì)多元變化檢測(cè)檢測(cè)(multivariate alteration detection,MAD)變化處理后的影像采用簡(jiǎn)單的差值方法構(gòu)造差異影像,通過(guò)手動(dòng)設(shè)置閾值的方法提取變化檢測(cè)結(jié)果,閾值手動(dòng)選取對(duì)作業(yè)者經(jīng)驗(yàn)要求較高。文獻(xiàn)[6]通過(guò)引入受試者工作特征曲線方法自動(dòng)設(shè)置閾值,降低變化檢測(cè)精度。文獻(xiàn)[7]通過(guò)融合EM方法,采用樣本數(shù)據(jù)自動(dòng)訓(xùn)練獲取變化區(qū)域,但方法需要人工選取樣本數(shù)據(jù)。為減少人工干預(yù)影響提高變化檢測(cè)精度,文獻(xiàn)[8]在MAD方法基礎(chǔ)上,通過(guò)融合EM算法結(jié)合先驗(yàn)概率自動(dòng)確定變化檢測(cè)閾值,對(duì)不同時(shí)相遙感影像提取較好的變化檢測(cè)結(jié)果,但該方法以像素為處理單元對(duì)地物信息豐富的高分辨率影像難以獲取理想的檢測(cè)效果。文獻(xiàn)[9]采用基于對(duì)象的MAD算法的變化檢測(cè)方法,該方法以對(duì)象的灰度均值作為MAD數(shù)據(jù)輸入,但分割方法具有尺度限制,難以獲取理想的分割效果,進(jìn)而帶來(lái)新的誤差。

鑒于此,本文提出融合迭代加權(quán)多元變化檢測(cè)( iterative weighted-multivariate change detection,IR-MAD)與超像素分割的變化檢測(cè)方法。該方法首先利用IR-MAD算法提取初始變化檢測(cè)結(jié)果;然后利用多尺度超像素分割(simple linear iterative clustering,SLIC)算法分割影像獲取不同尺度下的超像素,用超像素像元替代原始像素進(jìn)行變化檢測(cè),進(jìn)一步提高變化檢測(cè)結(jié)果。

1 融合多元變化檢測(cè)與超像素分割的變化檢測(cè)方法

1.1 迭代加權(quán)多元變化檢測(cè)

多元變化檢測(cè)是在典型相關(guān)分析(canonical correlation analysis, CCA)基礎(chǔ)上進(jìn)行優(yōu)化得到的,該方法利用兩組特定變量的相關(guān)性表示前后期兩張高分辨率遙感影像間相關(guān)關(guān)系的方法[10]。假定X=[X1,X2,…,Xp]Τ與Y=[Y1,Y2,…,Yq]Τ分別表示p個(gè)波段與q個(gè)波段的高分辨率多光譜影像,且E(X)、E(Y)均為0,可得

(1)

其中,aΤ、bΤ為兩組特征相關(guān)系數(shù)。

利用前后兩期高分辨率多光譜遙感影像數(shù)據(jù)結(jié)合CCA原理,多元變化檢測(cè)的變換可以轉(zhuǎn)換為

(2)

即,在Var(aΤX)、Var(bΤY)均滿足為1的要求下解算使得Var(aΤX-bΤY)最大對(duì)應(yīng)的相關(guān)系數(shù)a與b。

在滿足約束條件下,依據(jù)變量和的方差計(jì)算方法對(duì)公式Var(aΤX-bΤY)進(jìn)行化解可以表示為

(3)

Corr{aΤX,bΤY}為前后期影像的相關(guān)系數(shù)。

由式(3)可知,前后時(shí)期影像間的方差與相關(guān)系數(shù)呈負(fù)相關(guān)。因此,求Var(aΤX-bΤY)=max問(wèn)題轉(zhuǎn)換為在滿足約束條件下,求前期、后期影像相關(guān)性最小問(wèn)題。

由上述分析可知,MAD模型關(guān)鍵為求解前期、后期影像典型相關(guān)系數(shù)。變換后的典型變量相關(guān)性依次遞減,即最后一組相關(guān)性最小，第一組相關(guān)性最大。因此,MAD變換結(jié)果可以轉(zhuǎn)換為典型相關(guān)系數(shù)由小到大從新排序,即

(4)

在進(jìn)行MAD變換處理后,依據(jù)中心極限定理,處理后的影像數(shù)據(jù)服從混合高斯模型,經(jīng)過(guò)標(biāo)準(zhǔn)化處理過(guò)的MAD變量獲得的變量Ti值服從自由度為S的卡方分布

(5)

其中,σMADi表示MAD處理后的標(biāo)準(zhǔn)差。

每次迭代像元新的權(quán)值wj采用卡方值Ti對(duì)應(yīng)的概率值表示,即

(6)

通過(guò)多次迭代處理,當(dāng)像素的權(quán)重值w趨于穩(wěn)定時(shí),則停止迭代;對(duì)比像素權(quán)重值與閾值threshould,將大于閾值的像素判定為變化區(qū)域,已提取初始的變化檢測(cè)結(jié)果。

1.2 超像素分割原理

由于IR-MAD以像素為單元進(jìn)行變化檢測(cè)算法對(duì)完整地物或局部空間信息缺少考慮,在影像局部存在噪聲情況下,存在局部誤檢或漏檢現(xiàn)象。針對(duì)此問(wèn)題,引入超像素分割聚類方法,以超像素單元局部信息替代像元信息,解決以像素為單元過(guò)小的限制,引入超像元得到一個(gè)空間特征約束的MAD變化檢測(cè)方法,提高變化檢測(cè)精度。

超像元聚類的基本思想以紋理、亮度、顏色等特征相似為依據(jù)將影像分割多個(gè)區(qū)域[11]。文中采用SLIC方法對(duì)MAD變換后的影像進(jìn)行聚類處理,相比其他超像素聚類方法,該方法僅需設(shè)置尺度參數(shù),就能獲得較高的超像元緊致度、物體輪廓保持度,一定程度上較少人工干預(yù)的影響。SLIC主要步驟如下：

(1)將原始影像轉(zhuǎn)換到五維特征空間,即x、y坐標(biāo)空間與CIELab色彩空間。

(2)設(shè)置超像元聚類尺度m,將影像分割成m個(gè)超像元。利用超像素聚類中心局部區(qū)域的像素梯度,細(xì)微調(diào)整超像元聚類中心位置,避免超出地物邊界輪廓區(qū)域。

(3)以D為大小對(duì)聚類中心2S·2S局部區(qū)域的像元進(jìn)行重新聚類,其中D為

其中,D為像素點(diǎn)與聚類中心的距離;S表示分割初始步長(zhǎng);dc表示色彩空間距離;h、a、b分別表示色彩空間3個(gè)分量;ds表示空間距離；n表示固定參數(shù)。

(4)重復(fù)步驟(3),當(dāng)聚類中心不發(fā)生變化為止停止迭代,文獻(xiàn)指出SLIC在第十次迭代后基本達(dá)到理想聚類效果,本文設(shè)置迭代次數(shù)為10。

(5)通過(guò)標(biāo)記為-1的影像,以“Z”形遍歷整張影像,將尺寸過(guò)小、不連續(xù)的超像素就近規(guī)劃到相鄰超像素上,以解決超像素過(guò)小或多連通問(wèn)題,增強(qiáng)超像素連通性。

1.3 算法步驟

當(dāng)設(shè)置超像元數(shù)目過(guò)小時(shí),超像元分割尺度過(guò)大,地物較小的變化區(qū)域容易漏檢;當(dāng)設(shè)置超像元數(shù)目過(guò)大時(shí),超像元分割尺度過(guò)大,超像元難以完整地表達(dá)地物信息,在遙感影像上不同時(shí)期地物大小不一,單個(gè)超像元分割尺度的變化檢測(cè)錯(cuò)檢現(xiàn)象嚴(yán)重。基于上述問(wèn)題,文中采用多超像元尺度分割算法,通過(guò)眾數(shù)原則解決前后時(shí)相影像超像元形狀、數(shù)量及邊界不一致問(wèn)題,實(shí)現(xiàn)MAD-SP算法。MAD-SP算法具體步驟如下：

(1)利用MAD算法進(jìn)行基于像元的變化檢測(cè)提取,獲取初始變化檢測(cè)結(jié)果Yc;

(4)在光譜維將t個(gè)時(shí)相的Yo結(jié)果疊加,得到一個(gè)t·K層的數(shù)據(jù),并統(tǒng)計(jì)每個(gè)層變化像元數(shù)目與非變化像元數(shù)據(jù),以眾數(shù)規(guī)則,得到最終的變化檢測(cè)結(jié)果Y。

2 實(shí)驗(yàn)與分析

本研究選擇蘭州市2015年與2017年高分二號(hào)影像數(shù)據(jù)為研究對(duì)象,影像包括4 m分辨率的多光譜數(shù)據(jù)和1 m全色數(shù)據(jù),利用PIE軟件提供NND算法融合方法生成1 m分辨率的多光譜數(shù)據(jù),具體結(jié)果見(jiàn)圖1。采用人工選取同名點(diǎn)的方式,對(duì)不同時(shí)相的影像進(jìn)行幾何配準(zhǔn)保證配準(zhǔn)后影像精度優(yōu)于1個(gè)像素。

(a)2015時(shí)期遙感影像

由于MAD處理后,不同變量?jī)?nèi)都包含變化信息,但每個(gè)變量的變化信息均不全面。因此,不能采用單一變量信息進(jìn)行遙感影像變化檢測(cè)信息。結(jié)合卡方分布密度函數(shù),通過(guò)迭代加權(quán)的方式獲取基于像素方法的初始變化檢測(cè)結(jié)果,檢測(cè)效果如圖2(a)所示。通過(guò)IR-MAD算法與SLIC算法融合的變化檢測(cè)算法效果如圖2(b)所示。其中，黑色表示變化區(qū)域,白色為未變化區(qū)域。

(a)文獻(xiàn)變化檢測(cè)結(jié)果

由圖2可知,高分辨率遙感影像地物信息豐富,同種地物內(nèi)部灰度變化較大,不同地物灰度信息存在重疊;采用基于像元的IR-MAD算法結(jié)果存在嚴(yán)重的“椒鹽噪聲”,目視效果比較破碎,導(dǎo)致基于像元的IR-MAD算法提取變化效果不理想。而本文結(jié)合IR-MAD方法與SLIC聚類方法優(yōu)勢(shì),通過(guò)多尺度SLIC方法解決不同大小地物分割不足或過(guò)分割問(wèn)題,確保提取變化檢測(cè)結(jié)果邊界保存好、內(nèi)部同質(zhì)性較好,檢測(cè)結(jié)果中基本消除了“椒鹽噪聲”現(xiàn)象,整體效果較好。

通過(guò)統(tǒng)計(jì)變化區(qū)域與非變化區(qū)域混淆矩陣,定量分析變化檢測(cè)結(jié)果精度。不同方法的變化檢測(cè)精度結(jié)果如表1所示。

表1 不同方法精度評(píng)定 單位：%

由表1可知,基于像元的IR-MAD方法正確率、漏檢率、虛檢率分別為82.35%、15.16%、19.56%,融合IR-MAD與SLIC方法的變化檢測(cè)結(jié)果正確率、漏檢率、虛檢率分別為88.12%、10.25%、12.57%,正確率提升5.75%,漏檢率下降4.91%,虛檢率下降6.99%。本文提取變化檢測(cè)結(jié)果,無(wú)論視覺(jué)效果還是定量的精度評(píng)價(jià)結(jié)果,本文提出的融合IR-MAD與SLIC算法在高分辨率遙感影像上提取的變化范圍精度更高、適用性更好。

3 結(jié)束語(yǔ)

針對(duì)IR-MAD算法在高分辨率遙感影像上變化檢測(cè)存在問(wèn)題,提出結(jié)合IR-MAD與超像素分割方法。相比傳統(tǒng)IR-MAD方法,通過(guò)采用多尺度SLIC方法分割影像獲取多尺度下的影像對(duì)象,解決不同大小地在不同尺度下的適應(yīng)性,保留地物邊界信息,相比基于像元的IR-MAD算法，本文檢測(cè)變化結(jié)果不存在“椒鹽噪聲”現(xiàn)象,能夠提高整體結(jié)果精度。