基于差異圖融合和FLICM聚類的SAR圖像變化檢測

董寶蘭，汪駿，畢津滔

(1.黃山學院 信息工程學院，安徽 黃山 245000；2.衢州學院 機械工程學院，浙江 衢州 324000)

0 引言

合成孔徑雷達(synthetic aperture radar，SAR)采用的是主動式的遙感成像模式[1]，具備全天時與全天候的成像特征，已經成為了遙感領域技術研究的熱點方向。SAR圖像變化檢測是對同一地區(qū)的多時段的SAR圖像做比對，獲取該地區(qū)變化信息的描述圖譜，以實現對該地區(qū)地物變化的綜合分析，其結果已廣泛應用于植被生長監(jiān)測、災情評估、資源探測、城鎮(zhèn)發(fā)展研究等眾多應用領域[2-3]。然而SAR圖像往往存有相干斑噪聲，致使其圖像處理和變化檢測更為困難[4-5]。

SAR圖像變化檢測從整體流程上看，主要分成下面幾個步驟：SAR圖像預處理、差異圖生成、差異圖分析與后處理[6]。SAR圖像預處理操作主要有圖像配準和幾何校正、濾波操作、輻射校正等。差異圖構建的方法常用的有差值算法、比值算法、對數比值(log-ratio，LR)算法、均值比(mean-ratio，MR)算法、組合差異圖(combined difference image，CDI)算法、鄰域比值(neighborhood-based ratio，NR)算法等。其中，差值法是將兩個時刻SAR影像同一位置上的像素點的強度值直接相減，該算法雖簡單易行，然而對乘性隨機噪聲敏感，且從誤差校正的角度來講，并不具備穩(wěn)定性與魯棒性[7]。比值法是計算兩個時刻SAR影像的強度比值，并以此來衡量其變化與否[8]。比值算子雖然能夠比較好地抑制相干斑噪聲，但是未能進一步考慮影像的類條件分布、邊緣信息和局部信息等先驗知識。LR算法是在比值算法的前提下增加一步對數的計算[9]，將SAR影像更換到對數尺度上來，進而將乘性噪聲變換成加性噪聲，加強了變化類和未變化類間的對比度。然而，LR算法的非線性收縮能力導致其檢測結果模糊了邊緣區(qū)域的像素值。MR算法是利用了像素點所在鄰域的均值信息，以其替代中心像素點的強度值來度量差異。MR算法一定程度上降低了噪聲對像素強度的影響，使得變化檢測的結果更加平滑，但是對成片形式出現的噪聲，其抑制效果有限[10]。CDI法是由Zheng等[11]所提出的一種差異圖融合方法，該算法分別對差值差異圖、對數比值差異圖做均值濾波、中值濾波處理，之后運用人工加權設置的參數對其做線性組合，以取得融合差異圖。該算法雖然處理速度較快且簡單易行，但需要人工設置參數，不能根據圖像自身的特性進行自動選擇。NR算法是由Gong等[12]提出的基于鄰域信息比值的差異圖生成算法，與MR算法的區(qū)別在于NR算法是運用異質性測度值作為權重比，對比值差異圖和MR差異圖做加權平均，該權值可以對異質區(qū)域和勻質區(qū)域進行有效區(qū)分，提高了變化檢測方法的魯棒性。差異圖的分析方法常用的有基于閾值、基于水平集、基于聚類、基于圖割等多種差異圖分析算法。閾值法主要是通過對差異圖建立模型，根據其統計分布的特點找出最優(yōu)閾值，然后將該閾值作為邊界劃分差異圖為變化類、非變化類[13]。水平集法本質上是把曲線演化的問題轉換成曲面演化，采用隱含方式來求解分割曲線，并使用迭代方式來求水平集函數值為零的解所構成的曲線集合，從而獲取圖像分割結果[14]。聚類法是運用預設的目標函數將差異圖進行類別的聚集，使得同一類內的距離最小，同時各類別之間的距離最大[15]。圖割法的實質就是把變化類、未變化類的標簽逐一分配給各像素點，根據預定的約束函數來指導類別的分配，當標簽分配結果所對應的能量值達到最小時，圖像的各像素點就是對應于最優(yōu)化的標簽[16]。

本文針對傳統差異圖生成方法的不足，提出了一種基于融合差異圖的SAR圖像變化檢測算法。首先，以對數比和濾波比法產生兩幅不同表征的差異圖；然后，設計融合算子α作為權重，綜合兩幅差異圖的特征信息，獲得新的高可分性的融合差異圖；最后，采用局部信息模糊C均值聚類(fuzzy local information c-means，FLICM)算法進行分類，分離出其中的變化區(qū)域和未變化區(qū)域。實驗選用漏檢數、誤檢數、正確率、Kappa系數作為評價指標[17]，對算法做定性和定量的對比分析。分析結果說明，本文的算法增強了抗噪性能，變化檢測的準確率與精度也有了顯著的提高，且適用范圍更廣。

1 本文算法

定義I1和I2是已經配準和校正過的同一地區(qū)在不同時間獲取的兩幅SAR圖像，大小均為M×N。基于差異圖融合和FLICM聚類的SAR圖像變化檢測算法的具體處理流程如下。

步驟1：對I1和I2分別構造對數比值圖和濾波比值圖，獲取Dg、Ds兩幅初始差異圖。

步驟2：采用新的融合算子α作為權重，將對數比圖和濾波比值圖進行組合，得到新的差異圖DI。

步驟3：基于FLICM聚類算法對DI進行分類，獲取最終的變化檢測結果。

具體算法流程如圖1所示。

1.1 融合差異圖生成

對數比值圖和濾波比值圖的計算如式(1)、式(2)所示。

(1)

(2)

首先，在求對數比值圖Dg的過程中為了避免 Ii的值為0，導致式(1)無意義，使用 Ii+1(i=1，2)代替Ii(i=1，2)。然后，通過歸一化，使其灰度值分布范圍為[0，255]。其次，在求濾波比值圖Ds的過程中，先將兩幅圖像做SRAD濾波[18]處理，從而使得獲取的圖像δ1、δ2更加平滑，再進行比值計算。

LR算子經常應用于差異圖的構建，它將SAR圖像的乘性噪聲變換成相對更易處理的加性噪聲，并且壓縮了比值圖像的變化范圍，增加了變化類、非變化類二者之間的對比度，但是模糊了邊緣區(qū)域的像素值，不能保留變化區(qū)域的真實信息。濾波比算子使用濾波平滑后的圖像比值代替原來像素的值，考慮了像素的空間鄰域信息，具有保留圖像邊緣細節(jié)同時減少噪聲的作用，但是易模糊背景。因此，使用單一類型SAR差異圖的生成信息會導致檢測精度低且適用性不高。基于上述問題，本文提出融合算子α作為權重，運用加權平均的方式對兩幅初始差異圖進行融合，如式(3)所示，這樣不僅凸顯了變化區(qū)域，還抑制了噪聲影響。

DI=αDg+(1-α)Ds

(3)

融合算子α的計算如式(4)所示。

(4)

式中：μ1(x)、μ2(x)分別表示采用SRAD濾波平滑處理后的SAR圖像δ1和δ2的以x為中心的鄰域塊(大小為r×r) 的強度均值；ν1(x)、ν2(x)分別表示采用SRAD濾波平滑處理后的SAR圖像δ1和δ2的以x為中心的鄰域塊(大小為r×r)的灰度變化。此外，關于融合算子歸一化的問題，式(4)中α的理想值為[0，1]，但是當ν1(x)+ν2(x)>μ1(x)+μ2(x)時，該值可能會大于1，進而導致組合差異圖DI取值為負，從而無法精確地表示變化關系，因此采用式(5)對α值做歸一化處理。

(5)

1.2 基于FLICM的差異圖分析

傳統的模糊C均值聚類方法[19]對噪聲敏感，未考慮到被分割圖像的空間鄰域信息，往往得到的分割效果不太理想。因此，Krinidis等[20]在此基礎上引入了模糊因子，提出了FLICM聚類算法。該算法是在圖像分割中結合空間信息和灰度信息，保留了圖像的細節(jié)，減少了噪聲對圖像分割的干擾，加強了魯棒性。FLICM聚類算法采用迭代計算模糊因子、聚類中心、隸屬度矩陣，實現了給定聚類數下的圖像分割。

2 實驗結果及分析

本文分別選取了兩組不同地區(qū)的真實SAR圖像進行變化檢測，以驗證本文所提算法的可行性、適用性、有效性。通過對同一數據集的實驗仿真，將本文算法與均值法、對數均值比法、鄰域比值法所構造的差異圖做比較，之后運用FLICM算法做差異圖分析對比實驗。

2.1 實驗設置

第一組SAR圖像數據是由Radarsat SAR衛(wèi)星所拍攝的渥太華地區(qū)受洪水影響的同一區(qū)域前后兩時相的SAR圖像，分別如圖2(a)、圖2(b)所示。采集時間分別是1997年5月和8月，圖像大小都是290像素×350像素，灰度為256。圖2(c)為地物變化參考圖。

第二組SAR圖像數據是由Gaofen-3 SAR衛(wèi)星所拍攝的淮河地區(qū)受土地覆蓋影響的同一區(qū)域前后兩時相的SAR圖像，分別如圖3(a)、圖3(b)所示。采集時間分別為2017年6月和9月，圖像大小都是554像素×780像素，灰度為256。圖3(c)為地物變化參考圖。

2.2 變化檢測精度評價

為了對所獲取的SAR圖像變化檢測結果做后續(xù)客觀的定量或者是定性的評價，通常將得到的變化檢測結果和真實的變化參考圖做對比，以分析其地物結構的變化，因此設立了4種指標內容，如表1所示。可以通過表1變化誤差矩陣中的指標進一步計算得出正確分類精度(precision of correct classification，PCC)和Kappa系數，從而對變化檢測的結果進行定量評定。

表1 變化檢測誤差矩陣

2.3 實驗結果與分析

圖4為渥太華地區(qū)4種對比算法構建的差異圖，圖5是經過FLICM聚類后的變化檢測結果圖。圖4(a)和圖4(b)的差異圖有明顯的變化信息，但噪聲也相對較多，在圖5(a)和圖5(b)的檢測結果中也存在較多的雜點；圖4(c)的鄰域比值差異圖變化信息不太明顯且存有較多噪聲，在圖5(c)的檢測結果中也有較多漏檢和誤檢；而本文算法利用了對數比值圖和濾波比值圖的融合(圖4(d))，變化信息相對更為明顯，既能有效降低噪聲的影響，又能將圖像細節(jié)保留得更為完整。

渥太華地區(qū)的變化檢測精度結果如表2所示。從表2數據可以看出，本文算法的檢測性能優(yōu)于其他3種方法，且誤檢數與漏檢數之和最低，檢測正確率提高到98.49%，總體變化檢測精度Kappa系數也提升到0.942 8。

表2 渥太華地區(qū)變化檢測結果性能分析

圖6為淮河地區(qū)數據4種對比算法構建的差異圖，圖7是經過FLICM聚類后的變化檢測結果圖。圖6和圖7可以直觀地顯示出，這4種對比算法能有效檢測出該地區(qū)大部分的變化信息，但相比而言，本文算法更接近參考變化圖，可以在抑制噪聲干擾的同時保護好圖像的邊緣細節(jié)。圖6(a)的均值比差異圖雖然變化特征信息明顯，但噪聲也相對較多，在圖7(a)的檢測結果中也存在較多雜點；圖6(b)的對數均值比差異圖噪聲減少，但是抑制了變化特征信息的強度，導致了圖7(b)中漏檢數較多；圖6(c)的差異圖變化信息較不明顯，且存在較多噪聲點，因此圖7(c)中漏檢和誤檢情況都比較嚴重。

淮河地區(qū)數據變化檢測精度如表3所示。從定量分析數據表可以看出，本文算法的總體錯誤數最少(即漏檢數、誤檢數之和最低)，將檢測正確率提高至97.81%，總體變化檢測精度Kappa系數也提高了2.03%～7.42%。從實驗數據可以看出，本文算法顯然優(yōu)于其他3種算法，能夠更加有效地提取地物變化信息，并且提高了抗噪性能。

表3 淮河地區(qū)變化檢測結果性能分析

3 結束語

本文綜合考慮傳統差異圖生成方法的優(yōu)缺點，提出了一種基于差異圖融合和FLICM聚類的SAR圖像變化檢測算法。該算法采用對數比法和濾波比法生成兩幅不同表征的差異圖像，設計融合算子α作為權重，綜合兩幅差異圖的特征信息，獲取新的高可分性的融合差異圖，之后運用FLICM聚類算法對融合差異圖做分類，獲得最終的變化檢測結果。實驗結果表明，本文提出的方法可以有效地提高變化檢測的準確率和精度，在保持圖像細節(jié)的同時具有更好的相干斑噪聲抑制能力，適用范圍較廣。該算法的應用有效減少了誤檢數，但是會增大漏檢數且損失一些邊緣信息，因此如何平衡二者并提高SAR圖像的變化檢測精度，將是今后進一步研究的重點。